UNIVERSIDAD NACIONAL DEL SANTA

Asignación de
Probabilidades a Eventos
para Simulación de
Combate
Simulación
INTEGRANTES

Muñoz Aleman Jonathan

Ramos Ramírez Yaser

2009

E. A. P. DE INGENIERÍA DE SISTEMAS E INFORMÁTICA

TABLA DE CONTENIDO
Resumen ............................................................................................................................................................. 3
1. Antecedentes ............................................................................................................................................. 3
2. Selección de Eventos de Circulación .......................................................................................................... 5
3. Adquisición de Probabilidad .................................................................................................................... 10
4. Deserción ................................................................................................................................................. 13
5. Toma de Decisiones ................................................................................................................................. 14
6. Conclusiones ............................................................................................................................................ 16
Agradecimientos............................................................................................................................................... 16
Referencias ....................................................................................................................................................... 16
Biografías de Autores ....................................................................................................................................... 17

TABLA DE ILUSTRACIONES
Ilustración 1. Ilustración de las alternativas de resolución del evento. ............................................................. 4
Ilustración 2. Red de rutas de movimiento de tierra. ......................................................................................... 5
Ilustración 3. Ejemplo de probabilidades calculadas para dos rutas. ................................................................. 7
Ilustración 4. Ejemplo de las probabilidades de los tres caminos. ..................................................................... 7
Ilustración 5. Ejemplo de rutas con tres puntuaciones muy diferentes. ............................................................ 8
Ilustración 6. Ejemplo de rutas de acceso que se encuentran en malla hexagonal. .......................................... 9
Ilustración 7. Ejemplo de rutas de acceso que se encuentran en un espacio continuo. .................................... 9
Ilustración 8. Adquisición de los eventos en el "aguilucho". ............................................................................ 11
Ilustración 9. Un modelo de estructuras de información para órdenes. ......................................................... 15
 ASIGNACIÓN DE PROBABILIDADES A EVENTOS PARA
SIMULACIÓN DE COMBATE
Desarrollo de la Conferencia de Simulación de Invierno 2008

RESUMEN
La simulación de multitrayectoria permite la gestión explícita de eventos aleatorios, permitiendo
acontecimientos particulares que deben resolverse por sorteo, por una elección determinista, o mediante la
creación de nuevos estados para permitir el seguimiento de múltiples trayectorias. La política para el
método de resolución está bajo el control del analista, y puede depender del tipo de evento, probabilidad de
trayectoria, o incluso alguna métrica que indica la importancia de la trayectoria. Sin embargo, tomar ventaja
de la técnica para explorar los posibles espacios de resultados requiere de un modelo probabilístico de
eventos que, en simulaciones de combate en tierra, a menudo son tratados como determinista, como la
toma de decisiones. Incluso para eventos tales como la deserción, que han sido modelados durante mucho
tiempo como estocásticos, ¿cómo debería ponerse a prueba el resultado de eventos completo si uno es
único para mantener dos o tres muestras? Este documento explora estas cuestiones con el objetivo de
delinear qué tipo de datos se necesitaría para aprovechar plenamente los métodos de multitrayectoria en
un contexto de simulación de combate.

1. ANTECEDENTES
El combate es inherentemente estocástico, con muchos tipos de eventos aleatorios que influyen en los
detalles de cómo se desarrolla la realidad simulada y el resultado final. La simulación de
multitrayectoria es una técnica que se centra en estos acontecimientos al azar, y los intentos de
gestionar la representación y el tratamiento del funcionamiento de la aleatoriedad de una forma que
facilitará la consecución de los objetivos analíticos de la simulación en lugar de simplemente hacer
gráficos aleatorios. El planteamiento básico es que cuando se produce un suceso aleatorio, la
trayectoria del estado a través del tiempo es "dividida" o "clonada" en el evento, y cada uno de los
estados resultantes representa un posible resultado diferente del evento, como se ilustra en la
Ilustración 1. Con eventos adicionales, se producen más bifurcaciones de las trayectorias a través del
tiempo. Con cualquier gran número de eventos, el número de trayectorias posibles se hace enorme.
Por lo tanto, es necesario como una cuestión práctica elegir qué trayectorias seguir simulando, cuáles
truncar porque su perfeccionamiento no vale la pena, y a cuáles asignar algo tan similar a otra
trayectoria que la otra trayectoria puede representarlas. En la simulación de multitrayectoria, estas
decisiones sobre la gestión de las trayectorias se pueden hacer sobre la base de criterios de
importancia para el analista mediante la simulación. Por ejemplo, las trayectorias que son más
probables, aquellas que por alguna métrica parecen ser más importantes, y los que son en un sentido
muy diferente de los demás, pueden ser más dignas de continuación.
 ILUSTRACIÓN 1. ILUSTRACIÓN DE LAS ALTERNATIVAS DE RESOLUCIÓN DEL EVENTO.

Los métodos de simulación de multitrayectoria y otros temas se han estudiado en el pasado con una
simple simulación de combate en tierra, "eaglet", que fue diseñado para ser similar en muchos
aspectos a la simulación “Eagle” del ejército de los EE.UU., pero mucho más simple.

Uno de los temas importantes que se manifiesta en forma temprana en el desarrollo de la simulación
de multitrayectoria es que muchos acontecimientos que son de hecho al azar, en cierto sentido se
modelan a menudo con métodos deterministas. Por ejemplo, en el modelado de la toma de decisiones
de comando, es común el uso de una "regla de decisión" que tiene un "guardia" y un "predicado". La
expresión "guardia" (por lo general una función del álgebra de Boole) es evaluado para determinar si la
regla se "dispara". Si “guardia” es "verdadero", el "predicado" define las acciones que se toman. Como
se describe, se trata de un mecanismo determinista. Puede haber elementos estocásticos a la entrada
si, por ejemplo, una de las condiciones lógicas podría ser la detección de una fuerza enemiga, y ese
mecanismo de detección es estocástico. Pero uno en realidad podría esperar la aleatoriedad en la regla
de dispararse a sí misma también.

El propósito de este trabajo es revisar los diversos tipos de eventos de simulación de combate que
pueden o deben ser estocásticos, describir formas estocásticas de modelar esos eventos, y sugerir
maneras de desarrollar las probabilidades que deberían ser asignadas a cada resultado posible. Esto va
más allá de los materiales existentes ya publicados concernientes a "eaglet" en los que las
probabilidades fueron asumidas para haber sido desarrolladas a priori como entradas en los datos del
escenario. En "eaglet" sólo un número reducido de estocásticos o multitrayectorias se llevaron a cabo
explícitamente: selección de movimiento, la detección y adquisición de contacto con las unidades
enemigas, la pérdida de la adquisición, regla de decisión de disparo, y la deserción. Este trabajo se
centrará en los acontecimientos y tratar de examinar más a fondo cómo estas probabilidades se
podrían desarrollar, con la suposición de que métodos similares serán aplicables a otros tipos de
eventos también.

Hace mucho tiempo, a mediados de la década de 1980, una reunión entre expertos en la doctrina Red
y los desarrolladores de simulación intentó desarrollar reglas de decisión de comandos que pueden
utilizarse en la simulación CORBAN. Hubo una desconexión entre lo que el diseñador de simulación
espera, las reglas que podrían expresarse como funciones booleanas, y la forma en que los expertos
expresaron la toma de decisiones de Red. Lo mismo es probable que sea cierto de nuevo si la
 simulación de multitrayectoria se utiliza en el trabajo de grado analítico: habrá una necesidad de
asignar probabilidades a los procesos que han sido tratados como deterministas o que tienen una
distribución continua, los cuales son los problemas para el método de multitrayectoria. Los autores no
pretenden tener la experiencia para desarrollar algoritmos de grado analítico. Pero en la presentación
de los métodos descritos en este documento, esperamos que los usuarios potenciales del método de
multitrayectoria tengan una mejor comprensión de algunos de los datos de desarrollo que serían
necesarios.

2. SELECCIÓN DE EVENTOS DE CIRCULACIÓN

Estos hechos se refieren a la ruta de planificación. La simulación "eaglet" utilizaba un enlace / nodo de
red para representar a las rutas, como se muestra en la Ilustración 2. En una simulación tradicional de
una "ruta" para una unidad a seguir consistiría en una serie de enlaces entre los nodos, con el primer
nodo que representa la ubicación de la unidad actual (o afectada), y el nodo final un objetivo asignado.
Los nodos intermedios representarían puntos de referencia, por ejemplo, en las intersecciones de
carreteras, que ayudan a definir el camino a seguir. En las simulaciones con un patrón regular
cubriendo el espacio del terreno, como una rejilla cuadrada o hexagonal, los centros de los hexágonos
se pueden considerar como posibles nodos y líneas de conexión de casillas adyacentes, como posibles
vínculos. En las simulaciones que no emplean un mosaico regular, es necesario algunas
caracterizaciones del terreno para establecer las zonas "no marchar" y "marchar", los caminos posibles,
y los nodos que conectan. Ya sea que se hace por pre-procesamiento masivo del terreno en un mapa
de enlace / nodos aplicable a todas las unidades antes de tiempo, o si de forma similar el
procesamiento se hace localmente por cada unidad cuando una planificación de ruta para esa unidad
es necesaria, dependerá de la simulación en particular. De cualquier manera, algunos aspectos
dinámicos de la elección de ruta puede afectar la puntuación y elección de probabilidades debido a la
posible observación (condicional en las ubicaciones conocidas de las fuerzas del enemigo) y la
naturaleza de la misión.

ILUSTRACIÓN 2. RED DE RUTAS DE MOVIMIENTO DE TIERRA.

La planificación de rutas es un tema complejo aplicable no sólo para las simulaciones del tipo de
interés, sino también a la robótica. Está más allá del alcance de este documento examinar cómo se
desarrolla la representación del enlace / nodo. Pero una vez que existe una representación, la
planificación de rutas es una cuestión de examinar los posibles caminos a través de la red, y elegir uno.
O, para una simulación de multitrayectoria, la elección de un subconjunto de la red de enlaces / nodos
que representa todos los caminos posibles de que una unidad razonablemente podría elegir para
alcanzar un objetivo.

En una simulación convencional, la planificación de una ruta suele ser determinista. Por ejemplo, en
CORBAN se desarrolló un árbol de caminos, con puntaje acumulativo de los promedios de cada ruta
potencial tal como se desarrolló, y se abandonó las rutas que violan ciertas restricciones (como la toma
de una unidad más allá de su objetivo). La puntuación correspondiente a cada enlace dependía de la
transitabilidad potencial del enlace, y la medida en que ese enlace coloca a la unidad cerca de su
objetivo. En última instancia, se eligió la ruta con la puntuación más alta. Mientras CORBAN utilizó una
malla hexagonal, el método es igualmente aplicable a otros tipos de redes de terreno, y es muy flexible
en las restricciones y los pesos de puntajes que se asignará a los diferentes atributos. Por ejemplo, los
componentes de puntuación pueden hacer depender de la naturaleza de la operación que se llevó a
cabo. ¿Es la cobertura o la alta transitabilidad más importante? ¿Es importante estar cerca del eje
central de la línea entre la ubicación actual y el objetivo? Entonces, el algoritmo de puntuación puede
reflejar eso.

Un mecanismo estocástico para la selección de ruta de circulación asignará la más alta probabilidad al
camino que tiene la puntuación más alta, y menores probabilidades a otros caminos que son al menos
algo cercanos a ese camino en su puntuación. Los caminos con calificaciones mucho más bajas serían
descartados, se presume que un planificador no consideraría seriamente esos caminos. Para una
simulación de multitrayectoria, aparentemente sería deseable representar no sólo una ruta o un
conjunto de rutas discretas, sino todas las posibilidades así representen un entramado de
posibilidades, con probabilidades asociadas a los puntos de ramificación, como se muestra en la
Ilustración 2 de arriba. Este tipo de representación es útil en el caso de las operaciones (por ejemplo,
para las unidades enemigas), donde los eventos que toman un enlace u otro en cada nodo representan
una hipótesis que puede comprobarse con las observaciones.

La manera más simple de asignar probabilidades a los diferentes caminos sería asignar ponderaciones
proporcionales a los resultados. Sin embargo, esto probablemente conducirá a la distribución bastante
uniforme en los caminos relativamente pocos que pasan la prueba de umbral. A pesar de esto, se
supone que los tomadores de decisiones humanos serían más sensibles a las pequeñas ventajas, de
manera que una ruta de acceso de alta calificación probablemente tenga una probabilidad mucho
mayor de que su puntuación. Se podría restar una constante, por ejemplo un porcentaje de la
puntuación más baja considerada, para corregir esto, pero entonces el algoritmo se vuelve más
dependiente de la puntuación de la ruta subóptima, lo que podría ser muy sensible a los efectos de
umbral en la construcción de la ruta. Por lo tanto, hay varias constantes arbitrarias que serían
necesarias. El algoritmo descrito a continuación se cree superior (aunque más complejo), que requiere
una sola constante arbitraria (denominada "sigma").

La ruta de acceso "determinista" es de suponer que habría logrado la puntuación más alta durante un
algoritmo de búsqueda para encontrar los caminos posibles. Los otros caminos que recorren desde la
posición inicial al objetivo representan líneas que tendrían puntajes más bajos. Si uno simplemente
anotó los caminos, un método para establecer las probabilidades de las diferentes rutas sería suponer
que la puntuación más alta es la media de alguna distribución, y que otras rutas están sesgadas hacia
un lado u otro. Sin tener que rastrear la unilateralidad explícita, se supone que representamos estos
caminos con puntaje más bajo a la izquierda, como se muestra en la Ilustración 3. Este ejemplo inicial
asume que sólo dos caminos satisfacer un umbral para su consideración. Este método satisface el
criterio de "razonabilidad" de que mientras los dos resultados se acercan, las probabilidades se acercan
al 50%. La experimentación y la aportación de expertos en la materia sería necesaria para establecer
los parámetros de la función de densidad de probabilidad para ser utilizado. Aquí asumimos que es
normal.

ILUSTRACIÓN 3. EJEMPLO DE PROBABILIDADES CALCULADAS PARA DOS RUTAS.

Las cosas se complican si hay más de dos caminos viables. A uno le gustaría el caso de tres caminos con
resultados casi idénticos a tener una distribución que es casi idéntica. Esto puede lograrse de nuevo
tomando como la media de la distribución la puntuación del mejor camino, pero luego transformando
las ubicaciones de los resultados de otros camino para poner el siguiente más baja a la izquierda
reducido de modo que una puntuación igual daría lugar a una probabilidad de 1/3 si la puntuación es
casi idéntica a la de la mayor puntuación. Esto se puede lograr con una distribución normal restando
0.86 de sigma de la segunda puntuación más alta (el sigma sería el mismo que el utilizado en el caso de
los dos caminos). La Ilustración 4 ilustra este caso. El tercer puntaje se coloca a la derecha por una
transformación equivalente. Así, para la puntuación casi igual al máximo el criterio (punto medio entre
la máxima capacidad de elección y esta segunda opción) sería en 0.43 de sigma, dando a la ruta de
puntación de menor valor (ligeramente) de puntuación un 0.33 de probabilidad.

ILUSTRACIÓN 4. EJEMPLO DE LAS PROBABILIDADES DE LOS TRES CAMINOS.

Si el segundo resultado es significativamente menor, estaría más a la izquierda dejándolo con una
probabilidad aún más pequeña, y la ruta de la puntuación máxima con una mayor probabilidad.
Asimismo, la puntuación del tercer lugar sería transformada mediante la adición del doble de la
diferencia de la puntuación máxima (para darle un valor por encima del máximo) y la suma de 0.86 de
sigma adicional, colocándola lo suficiente a la derecha de la puntuación máxima en la distribución para
darle una probabilidad máxima de 0.33 cuando los resultados originales fueron casi iguales. La figura 5
muestra el caso en que las puntuaciones son significativamente diferentes.

ILUSTRACIÓN 5. EJEMPLO DE RUTAS CON TRES PUNTUACIONES MUY DIFERENTES.

Si hay cuatro caminos dignos de consideración, el método podría ampliarse mediante la colocación de
la mejor ruta en el centro, la ruta de la segunda posición a la izquierda como para el caso de tres
caminos, y compartir el extremo superior de la distribución entre los otros dos caminos. Las
transformaciones de puntuación específicas a hacer no se han obtenido, pero sería similar en principio
al caso de los tres caminos. En última instancia, entonces, las probabilidades de los caminos deben ser
transformadas en un conjunto de probabilidades asociadas con cada uno de los nodos.

El siguiente ejemplo se da en la Ilustración 6 e Ilustración 7 para cómo este enfoque podría funcionar.
La figura muestra a un grupo de enlaces y nodos de caminos potenciales de una situación inicial A al
objetivo de la unidad F. La "puntuación" para un enlace dado es simplemente la duración de sus
componentes a lo largo del eje directo de la posición inicial al objetivo, es decir, a lo largo de la línea
punteada, dividido por la longitud real (los enlaces que se desviaron de la ruta de acceso directo desde
cualquier punto dado en más de 60 grados fueron descartados por ser demasiado indirectos). Así, las
rutas enteras que compiten serían AD-E-F, A-B-C-F, y A-B-E-F.

Como resultado, todos tienen la misma puntuación (debido a la disposición regular y plano de
puntuación) de 0.904. Suponemos que una distribución de Gauss se utiliza con un sigma de 0.5.
Entonces, A-D-E-F correspondería a un valor de variable aleatoria normalizada de Gauss de 0, A-B-C-F
que correspondería a una puntuación de -0.86, y A-B-E-F a +0.86. Tomando los puntos de media
(límites en el intervalo de integración de las tres regiones) en -0.43 y +0.43, obtenemos una
probabilidad de 0.333 de A-D-E-F, y lo mismo para las otras dos opciones. En el punto A, ya que los
caminos tienen una probabilidad total de 0.67 a la derecha, esa elección tendría una probabilidad de
0.67 y la elección del enlace A-D tendría una probabilidad de 0.33. En el punto B, ya que los caminos
con igual probabilidad van en direcciones diferentes, cada opción tiene una probabilidad de 0.5 (los
otros nodos, D, E y C, tienen sólo una opción determinista, no hay ningún evento asociado a ese nodo).
 ILUSTRACIÓN 6. EJEMPLO DE RUTAS DE ACCESO QUE SE ENCUENTRAN EN MALLA HEXAGONAL.

Un ejemplo menos regular y más complejo se muestra en Ilustración 7. Aquí los caminos viables se
ponderaron utilizando el mismo método de calificación que para A-D-E (puntaje de 0.954), A-B-C-E
(puntaje de 0.878), A-D-C-E (puntaje de 0.877), A-B-D-E (puntaje de 0.787), y A-B-D-C-E (puntaje de
0.708). Si limitamos la consideración a los tres puntajes más altos, entonces A-D-E corresponde al
resultado de Gauss normalizado de 0, A-B-C-E a una gaussiana normalizada de -1.012, y A-B-D-E (con
alrededor de la misma probabilidad) a 1.014 Esto pone los límites para la determinación de la zona a -
0.506 y +0.507, dando una probabilidad de 0.39 para A-D-E y 0.31 para los otros dos. Con un sigma de
0.2 en lugar de 0.5, los respectivos valores normalizados son 0, -1.24 y 1.25 obteniendo probabilidades
de 0.47, 0.27 y 0.27 para los tres caminos. Traduciendo esto en probabilidades de nodo, en A la
probabilidad de selección de A-D es 0.73 y A-B es 0.27. Ya que ninguno de los tres caminos utiliza B-D,
el nodo B tiene una opción determinista de la B-C. En el nodo D el enlace D-E tiene una probabilidade
de 0.64, y D-C tiene una probabilidad de 0.36. El nodo C es determinista a E.

ILUSTRACIÓN 7. EJEMPLO DE RUTAS DE ACCESO QUE SE ENCUENTRAN EN UN ESPACIO CONTINUO.

Una forma diferente de calcular las probabilidades es asumir que la puntuación del camino y las
probabilidades pueden calcularse trabajando juntos hacia el objetivo, de modo que en el primer nodo
del cual dos rutas buscan alcanzar el objetivo, una puntaje puede ser determinado para cada enlace
siguiente, y una probabilidad calculada según lo descrito anteriormente. Entonces, las probabilidades
se calculan sin mirar más lejos. Es decir, los enlaces en lugar de rutas completas son ponderados. El
algoritmo se mueve de nuevo al siguiente nodo, y se repite. Esto tiene la ventaja de que el número de
alternativas consideradas en un momento dado es el número de enlaces que salen de un nodo, casi
seguro que será mucho menor que el número total de caminos, y por lo general dos o quizás tres. El
caso de los tres caminos aún se puede subsumir considerando la bifurcación de una ruta de tres vías a
ser un par de bifurcaciones de dos vías con los dos nodos casi en el mismo lugar, y el segundo nodo a lo
largo de la ruta más probable. Para la red A-E de arriba, en A las puntuaciones de A-D y A-B son 0.968 y
0.551, respectivamente. Con un sigma de 0.5 estas 2 vías de elección ponen a A-D en un valor
 normalizado de 0 y A-B en un valor normalizado de 0.834, dando las probabilidades de 0.66 para A-D y
0.34 para A-B. En B la puntuación de los enlaces A-C y B-D son 0.994 y 0.893 dando probabilidades de
0.54 y 0.46, respectivamente. En el enlace D, D-E es directo con una puntuación de 1.0, y D-C obtiene
una puntuación de 0.875. Esto produce probabilidades de 0.56 y 0.44. Este método es obviamente
inferior en el sentido de que determina las probabilidades sin mirar hacia adelante. Sin embargo, en
ninguna de la puntuaciones para las conversiones de probabilidad participan más de dos opciones, y
todos los caminos son posibles, no sólo los tres primeros. Es evidente que las mejoras en este método
son posibles.

Tal vez hay otras y mejores maneras de transformar un conjunto de resultados asociados con opciones
en probabilidades. Los algoritmos aquí descritos están destinados a ser representativos, para
demostrar que algunos de estos métodos es posible y debe ser bastante razonable en términos de las
probabilidades que uno esperaría.

3. ADQUISICIÓN DE PROBABILIDAD
La adquisición es la representación de la capacidad del elemento de mando simulado para tomar
conciencia de las fuerzas enemigas en particular. Por lo tanto, representa toda una variedad de
sensores, fusión, y los procesos cognitivos que pueden ser modelados a partir de principios físicos, pero
en conjunto son más difíciles. Sin embargo, la reducción de este complejo proceso a un sorteo al azar
(o peor aún, un proceso determinista) ha sido común en el pasado, y una necesaria simplificación de
los modelos de lucha contra el agregado.

En el "aguilucho" la adquisición es un tiempo de paso a un proceso, con unidades que hacen pruebas
contra unidades enemigas, a intervalos regulares (nominalmente a 5 minutos). La figura 8 muestra la
manera de trabajar de la adquisición. Dentro de algún radio la adquisición está segura, y fuera de algún
radio esta siempre falla, y en medio hay una posibilidad arbitraria. Una vez que las unidades son
adquiridas, ellos se quedan adquiridos hasta que la adquisición sea perdida por el acontecimiento de
pérdida de adquisición. Los radios son escalados por un factor que depende del tipo de operación que
la unidad está llevando a cabo. Note que esto fue tomado en cuenta para ser una representación muy
simple de acuerdo con la naturaleza de prototipo "aguilucho".

Los algoritmos para la detección de unidad, el reconocimiento de una unidad determinada y la

detección de varias firmas, estuvieron fuera del alcance de desarrollo "de aguilucho". De hecho, el
algoritmo de “aguilucho" es "sin memoria". Las pruebas de detección son repetidas a intervalos
regulares hasta que la detección sea alcanzada (o el intervalo se hace demasiado grande), donde un
tratamiento más realista que refleja la adquisición depende de un proceso más complejo. En realidad,
un fracaso de reconocer una unidad, dado un cierto modelo de firma, podría causar las probabilidades
de adquisición subsecuentes de cero, hasta que la firma cambie de tal manera que un nuevo intento es
hecho para reconocerlo.
 Área de detección
del 100% Unidad no
detectada

Unidad

Evento de detección: El
estado de la trayectoria
Unidad enemiga se bifurca
detectada

ILUSTRACIÓN 8. ADQUISICIÓN DE LOS EVENTOS EN EL "AGUILUCHO".

En este modelo, sin memoria simple, entonces, la cuestión es que probabilidad asociarse con rangos
diferentes, y otros factores tales como la operación que lleva a cabo el objetivo, la cobertura que
pueda tener, y, potencialmente, una serie de otros factores. En última instancia este es el tipo de
probabilidad de que, en un periodo de pruebas, se relaciona con el sensor de datos de destino. No se
puede suponer que los juicios contra los individuos que componen una unidad de destino son
necesariamente independientes. Debería ser posible derivar de los datos de la unidad, suposiciones
razonables contra probabilidades de detección de unidad para pruebas individuales. Si hay algún
proceso que debe ser modelado como un proceso estocástico en una simulación de combate, éste
probablemente lo es. (Tenga en cuenta que las probabilidades derivadas de un proceso de adquisición
sin memoria tienen que depender del intervalo de tiempo entre pruebas).

Un tratamiento más complejo explícitamente podría modelar la adquisición de firmas suficientes para
reconocer una unidad, y luego como un segundo reconocimiento de paso del significado de las firmas
como la adquisición de unidad. Esto aparentemente sería sencillo, basado en los principios de
probabilidad y datos de las pruebas de campo y expertos en la materia. Elimina los peores aspectos del
modelo sin memoria de la manera más sencilla.

Una alternativa sería la de dividir la adquisición en dos eventos: si una unidad enemiga se adquiere o
no, y el tiempo necesario para adquirirla. Si la unidad enemiga se mueve a la salida del rango de la
adquisición antes de ser detectada, entonces no se detecta. Este método es probablemente más
conveniente si el software modelo fundamental es organizado en un evento dado un paso antes que el
tiempo base. (Las ventajas y desventajas relativas de cada una de estas formas de organización de un
modelo de combate están fuera del alcance de este documento). El evento para detectar sería
derivado desde datos básicos que usan datos de campo de pruebas y principios probabilísticos. El
tiempo para detectar se basaría en cuestiones de procedimiento, y probablemente se imaginaba como
una especie de distribución Gaussiana alrededor de algún tiempo medio.

Aquí está donde una cuestión muy engorrosa surge. En una simulación estocástica normal, una opción
arbitraria tomada de una distribución continua no es menos conveniente que una opción tomada de
una distribución discreta, y el número de opciones posibles en el caso último no tiene ninguna
importancia particular. Sin embargo, si el acontecimiento debe ser tratado en la manera de
multitrayectoria, entonces la distinción se hace una cuestión de recursos importante. Cada opción
discreta causa un estado que usa recursos de tratamiento y la memoria. Múltiples acontecimientos con
muchas opciones componen esta cuestión rápidamente. Una opción continua estocástica es una mejor
representación que la opción discreta esto se hace posible con el método de multitrayectoria, pero
puede reflejar el alcance lleno de posibilidades sólo con un número grande de pruebas. Un tratamiento
de multitrayectoria da quizás una colección mejor o más representativa de los resultados posibles de
varios eventos con menos pruebas, pero individualmente no puede representar todas las posibilidades.
Si el evento no es muy importante en su efecto sobre el resultado final, esto aún puede tener sentido
de tenerlo como un evento determinista que usa el valor medio. (Este problema se aplica a muchos
otros tipos de eventos, sobre todo la deserción).

En tal caso, nos gustaría una distribución discreta para substituir a la original "correcta" distribución
continua. En cierto modo, esto se hace un compromiso intermedio entre un mecanismo "determinista"
y un mecanismo lleno, continuo, estocástico. La cuestión es hasta dónde ir en cualquier dirección. A
uno le gustaría elegir las probabilidades de tal manera que la distribución discreta resultante tiene la
misma media y sigma como la distribución continua original. Eso significa que si se utiliza dos
resultados de una distribución discreta, los dos resultados deberían estar cada uno en más sigma y
menos sumatoria desde el medio, y ser igualmente probables. (Si la distribución original no es
simétrica, los dos resultados no deberían tener probabilidades iguales, de modo que la asimetría sea
correcta). El problema con esto es que ni el resultado representa la media. De tres resultados la
distribución discreta da la media, y el más dos sigma y menos dos opciones sigma es otro compromiso
posible, que realmente incluye la media como el resultado más probable, pero desde que es una
distribución de tres resultados, esta usa más recursos. (En este caso la media tendría ¾ de
probabilidad, y cada uno de los otros 1/8 cada uno para una distribución simétrica. Con opciones de la
media y más o menos 1,4 sigma, las probabilidades son ½, ¼ y ¼, que es probablemente mejor).

(El mecanismo de multitrayectoria usado en “aguilucho" deja estas opciones de representación de lo

que va a utilizar para los tipos de eventos individuales en el control del analista. Es posible, por
ejemplo, para designar los eventos de adquisición como "multitrayectoria" y eventos de pérdida de
adquisición (que suelen ser menos importantes) como "estocástico" y eventos de deserción (que
suelen ser mucho menos importante) como "determinista". El tratamiento multitrayectoria completo
necesita recursos, y por lo general se debe reservar para los eventos más importantes.

Es posible que se ejecute la simulación con un número limitado de trayectorias con el fin de evaluar la
importancia de varios eventos, y utilizar esa información en las operaciones de simulación después de
administrar el tratamiento multitrayectoria de los eventos. Esto ha sido demostrado.

En resumen, el desarrollo de las probabilidades para la adquisición de la unidad, probablemente será el

mejor apoyo de cualquier tipo de evento basado en datos ya disponibles. Debería ser posible basar
estas probabilidades en pruebas de campo, uso de teoría de probabilidad, y la sabiduría de expertos en
la materia. Cuando el tratamiento del evento es más complejo que el modelo sin memoria de pruebas
Booleanas, sobre todo si se trata de un sorteo aleatorio de tiempo para adquirir, entonces cierta
simplificación es una función discreta suficientemente equivalente en su efecto, dada la importancia de
eventos que se necesita.
 La pérdida de adquisición es el proceso por el cual una unidad da de baja una unidad de su lista de
unidades enemigas que esta rastreando. Esto representa que el enemigo ya no puede ser detectado lo
suficientemente bien para ser rastreados, o que ha dejado de ser una preocupación. El análisis de la
importancia de eventos en "aguilucho", dice que éste era uno de los eventos menos importantes.
Muchas de las mismas consideraciones que se aplican a la adquisición se aplicarían también a la
pérdida de la adquisición.

4. DESERCIÓN
El proceso de deserción, generalmente usado para referirse a los procesos de combate apropiados por
los que las unidades militares causan pérdidas que se produzcan en las fuerzas enemigas, a menudo es
un enfoque primario de desarrollo de simulación de combate. En simulaciones agregadas, por ejemplo
el que en el cual las unidades son del tamaño de batallón o más grandes, la fuerza de la unidad es por
lo general rastreada en términos de números de varios activos, como tanques, APCs, camiones, y
personal. Es común para representar tales números y la deserción con el empleo continuo de las
matemáticas, de modo que una unidad que tenga 34,7 tanques sufre la deserción de 2,3 de los tanques
sobre el intervalo de cálculo de combate del 5 minuto, dejándolo con 32,4 tanques. A menudo estos
cálculos de la pérdida son deterministas. Sin embargo, los procesos básicos representados, de
adquisición de sistemas de arma individual, disparando a, tal vez los golpes, y haciendo distintas
cantidades de daño a los sistemas de enemigo, es de por sí discretas y aleatoria. Una representación
estocástica de este proceso de deserción así bien puede representar el resultado de un color azul sobre
el evento de deserción de un color rojo teniendo alguna función de densidad Gaussiana
aproximadamente, y un sorteo aleatorio es un hecho. Pero debido al gran número de estos eventos en
una simulación de agregados, la deserción no es a menudo un factor clave en términos de efectos
aleatorios. En "aguilucho" se encontró rápidamente que variaciones de resultado de acontecimiento de
desgaste estaban entre la investigación menos importante, y la investigación subsecuente era
generalmente perseguida dejando este tipo del acontecimiento para ser resuelto de manera
determinista.

Si el desgaste de esta clase agregada debiera ser representado como un proceso estocástico variable
continuo, entonces las mismas cuestiones se aplican como se indica en la discusión de los tiempos de
adquisición. Un sorteo arbitrario estocástico devuelve una opción, que sólo puede considerarse
representativa cuando muchas de las opciones tales son hechas. Una opción de Multitrayectoria es de
por sí discreta. Una opción de Multitrayectoria es intrínsecamente distinta. De dos opciones de
multitrayectoria debería devolver los valores de más un sigma y menos un sigma. Esto le da la media
correcta y desviación estándar de los resultados aunque, por supuesto, una densidad muy diferente.
Uno espera que sobre muchos eventos de deserción la ley de grandes números hace que el resultado
total sea poco diferente de lo que es una Gaussiana, o la elección incluso determinista de la media, se
han dado. Si se desea una distribución más representativa, se puede utilizar una opción de tres vías del
valor medio, con una probabilidad del 50%, y los más y menos 1,4 valores de sigma con una
probabilidad de 25% cada uno.

También es posible y conveniente acumular datos acerca de los efectos de deserción y no resolver el
acontecimiento hasta más tarde. Por ejemplo, suponga que una unidad está sujeta a varios ataques
diferentes por unidades enemigas durante un intervalo de tiempo determinado. Uno podría acumular
simplemente la variedad de pérdidas posibles (mínimo y máximo) para cada uno, o modificar una
variedad total de pérdidas cuando cada acontecimiento ocurre. Este uso de intervalos aritméticos
 podría ser usado también para otros eventos continuos. Como una alternativa, el número medio de
eventos de cada deserción de pérdidas podría ser acumulado, y un sigma total para pérdidas
modificado. En última instancia, el acontecimiento sólo tendría que ser resuelto cuando la información
sobre el estado de la unidad es necesaria, por ejemplo, cuando la unidad por sí misma dispara a una
unidad enemiga, o informa su estado a un superior. Esta clase de “evaluación perezosa” también
puede ser potencialmente oportuna para reducir el número de bifurcaciones de trayectoria para otras
clases de eventos. En el "aguilucho" se acumulan las pérdidas totales para cada intervalo de 5 minutos,
y el “evento” actual (en el sentido de multitrayectoria) es la resolución en dos trayectorias que
representan casos representativos altos o bajos, o tres trayectorias de la media y dos valores extremos,
en los que el analista puede dirigir. No hay ninguna razón por qué la resolución no puede aplazarse
indefinidamente, hasta que la fuerza real de la unidad es necesaria (para la presentación de informes o
el combate) o si la eficacia del ataque debe ser reportado por el lado contrario.

Como disminuye el nivel de agregación, se hace más importante tratar el activo como discreto, y la
deserción se hace si una pérdida discreta ocurre (o posiblemente más de una) o incluso si la unidad en
sí mismo es completamente destruida. Incluso en una simulación agregada, puede haber algunas
unidades, como un avión de AWACS, que debería ser representado así. En tales casos, es necesario el
recurso de la física, la orientación y los mecanismos de daño del evento de combate para calcular
probabilidades de matar. Aquellas probabilidades entonces serían asociadas con los eventos que se
resuelven, considerando una decisión de atacar la unidad objetivo o el activo, si una pérdida ocurre.

Como un ejemplo, considere un pelotón de tanques de tres tanques siendo atacados por un solo
lanzacohetes AT. Para el evento del lanzador AT que determina si hay que atacar, el operador de
lanzador debe descubrir uno de los tanques y conservarlo el tiempo suficiente para atacar. Si él tiene
una posibilidad del 50 % de hacerlo para cualquier tanque, y las pruebas son independientes (que
probablemente no lo sería) entonces hay una probabilidad de 0.875 del lanzamiento. Asumiremos una
probabilidad del 50 % de golpe dado un lanzamiento, y la posibilidad del 50 % "de matar" dada un
golpe, entonces la simulación acreditaría este evento de ataque con una probabilidad 0.22 de
deserción por parte de un tanque del pelotón. (Esto es un ejemplo muy simplificado, pero ilustrativo de
la clase de fenómenos que deben considerarse, y la agregación de aquellos fenómenos usando las
reglas de probabilidad de explicar números más grandes a considerarse en una unidad).

Consideren la posibilidad de pérdidas por la rotura y otros efectos en los combates en esta categoría, el
mismo acercamiento sería usado. Para unidades agregadas las pérdidas de activo serían un sorteo
basado no en la acción enemiga, pero en procesos conocidos para representar los efectos de ropa y
consumo. Donde pérdidas discretas tienen que ser modeladas, los acontecimientos que tienen una
probabilidad de una pérdida de activo para una unidad calcularían la probabilidad de tal pérdida
basada en los números y los aspectos relevantes de operación de la unidad, como el tipo de terreno y
la velocidad.

5. TOMA DE DECISIONES
Aquí el término "toma de decisiones" es usado para referirse a la opción entre un número finito de
alternativas. No está usado para el proceso de fabricar cursos de la acción, que también tiene que ser
dirigida, pero debe permanecer más allá de los límites de lo que puede ser incluido. Aquí "la toma de
decisiones" se discutirán en el contexto de las decisiones tomadas por el comandante de una unidad
que rigen las acciones de esa unidad, aunque la toma de decisiones también puede aplicarse a muchos
otros procesos, tales como la selección de objetivos, para su participación discreta, que se puede
producir por debajo del nivel de mando. Se supone que alguna forma de reglas de decisión gobierna la
toma de decisiones, teniendo una forma SI / ENTONCES. La condición, o guardia, es típicamente una
expresión (lógica) Booleana que puede ser evaluada para ser verdad o ser falsa. La figura 9 muestra las
estructuras de decisión usadas en "aguilucho".

La información necesaria para apoyar la evaluación de estas expresiones, así como proporcionar la
información para otros procesos, es típicamente retenida por la unidad como una representación "de
las percepciones" de la unidad, o cosas que ésta conoce. Esto incluiría una lista de unidades enemigas
que ésta puede percibir, las órdenes conforme a las cuales funciona, e información reportada por sus
activos y/o subordinados. En conjunto, esta información constituye la unidad, y su comandante, “el
entendimiento de la situación”. (Si la orden de una unidad es desintegrada en funciones de personal
separadas, cada uno de aquellos elementos en efecto se hace un funcionario con poder de decisión
con sus propias tareas, entendimiento de la situación, y decisiones de hacer. Aquel nivel de la
complejidad no es dirigido explícitamente aquí, aunque los mismos principios en desarrollo de efectos
aleatorios y asignación de probabilidades debieran aplicarse.)

Unidad A Tipo: ATAQUE Tipo: ATAQUE

Propósito: INICIAR … Propósito: INICIAR …
Operación, actividad: Operación, actividad:
VIAJE VIAJE
Unidad B en (x, y) Objetivo: ruta (t, u) Objetivo: ruta (t, u)
Etc. Etc.
Unidad F en (v, w)

Regla SI…ENTONCES Regla SI…ENTONCES

Regla SI..ENTONCES
A rutas A tareas de
estructuradas emergencia

ILUSTRACIÓN 9. UN MODELO DE ESTRUCTURAS DE INFORMACIÓN PARA ÓRDENES.

Hay dos formas previstas por la que los elementos estocásticos podrían ser usados en el proceso. Una
es que la información en la que se basa la decisión está sometida a los efectos aleatorios, pero las
normas en sí siguen siendo deterministas. En "aguilucho", este método fue usado. Dos elementos
usados en reglas de decisión, "la eficacia" de una unidad y si era posible " en su objetivo" fueron
sujetos a tales variaciones. Cada unidad era siempre "eficaz", " ligeramente eficaz ", "o ineficaz". El
estado fue determinado del porcentaje de fuerza de la unidad. Pero de hecho, había 3 umbrales
diferentes, el umbral nominal, un umbral (pesimista) superior, y un umbral (optimista) inferior.
Asimismo la condición para estar en un objetivo probó si una unidad fue centrada dentro de un
nominal, el radio más abajo (pesimista), o más grande (optimista) de su objetivo. De este modo, cada
regla de decisión fue probada tres veces, con los umbrales pesimistas, nominales, y optimistas
aplicados. Si ninguno volviera "verdadero", la regla no disparó. Si todos volvieran verdadero, la regla
siempre fue disparada. En casos donde 1 o 2 tiroteos ocurrieron, las probabilidades aleatoriamente
elegidas de 0.4 y 0.8 estuvieron usadas.
 Este método podría ser ampliado aplicando variaciones de umbral similares para otras condiciones que
podrían ser probadas en una regla de decisión, como combustible o estado de municiones, grado de la
intensidad de combate, si los flancos están en peligro, el propio precio de pérdidas reciente, o la
proporción de fuerza total percibida en el sector en el cual la unidad funciona. Puede ser complicado
para alinear el eje pesimista/optimista para todas las condiciones, apropiadamente para algunas reglas.
Uno podría intentar cada combinación, por último muchos más de tres evaluaciones necesarias, pero
no está claro que esto sería más representativo de la verdadera toma de decisiones.

El segundo enfoque general, que podría ser aplicado además de las variaciones aleatorias en criterios,
es que debe hacer las reglas ellos mismos aleatorias. Típicamente las reglas de decisión son
desarrolladas por expertos en la materia que trabajan con modeladores. La utilidad de las reglas es
limitada por el entendimiento mutuo que puede ser desarrollado por estas partes, y los conceptos muy
complicados para las reglas pueden inhibir el desarrollo de buenas reglas. Puede ser que el desarrollo
de reglas estocásticas buenas sea problemático. (¡es difícil ya desarrollar un juego bueno de reglas
deterministas!).

Otro enfoque estocástico de las normas es el de completar una regla determinista con una norma que
dé lugar a quienes toman decisiones llegar a un umbral para el examen de la acción propuesta, y una
tercera regla para las condiciones en las que la acción es esencialmente obligada. Probabilidades
similares a los antes mencionados, podrían estar asociadas con cada una de las variaciones de la regla
de guardia para una acción determinada.

En última instancia, un buen desarrollo de un modelo estocástico para la toma de decisiones tiene que
ir más allá de las cuestiones de técnica de software y modelos simplificados. Es difícil imaginar el
desarrollo de probabilidades de grado analítico sin la inversión extensa en la investigación con expertos
en la materia y condiciones variadas, entonces se probará las reglas y probabilidades ampliamente.

6. CONCLUSIONES
Hay muchos otros tipos de eventos que no han sido abordadas en este trabajo, tales como los
relacionados con las comunicaciones, la evaluación de la información de inteligencia, y la velocidad de
la unidad. Sin embargo, se espera que algunos de los conceptos descritos para estos eventos más
básicos sean aplicables a algunos de los otros. En última instancia, expertos en la materia tendrán que
abordar los problemas de la incertidumbre en muchos contextos en que los enfoques deterministas se
han utilizado, y el desarrollo de datos "buenos" probablemente será difícil. Se espera que los enfoques
descritos aquí puedan servir en el informe provisional para fines de investigación.

AGRADECIMIENTOS
Gran parte del trabajo que condujo a la formulación de las cuestiones planteadas aquí se deriva de los
proyectos financiados por los EE.UU. Oficina de Investigación del Ejército en virtud de concesiones DAAH04-
95-1-0350, DAAG55-97-1-0360, y DAAG55-98-1-0451 con el patrocinio del Ejército de los EE.UU. Centro de
Análisis del Ejército, en particular el Sr. Gerry Cooper, Coronel Andrew Loerch, y el Dr. Robert Alexander. Los
autores están en deuda con estas personas por su aliento y apoyo.

REFERENCIAS
Gilmer Jr., J. B., & Sullivan, F. J. (2000). Simulación Recursiva de Ayuda a los Modelos para la Toma de
Decisiones. New Jersey.

BIOGRAFÍAS DE AUTORES
JOHN B. GILMER JR. enseña ingeniería eléctrica e informática en Wilkes. Sus intereses de investigación
incluyen la simulación militar, con especial hincapié en el modelado de la toma de decisiones, así como las
aplicaciones de las computadoras.

Su dirección de correo electrónico es jgilmer@wilkes.edu.

FEDERICO J. SULLIVAN es un profesor asociado de matemáticas y ciencias de la computación en la

Universidad de Wilkes. Sus intereses de investigación incluyen la simulación, los sistemas operativos de
ordenador y el lenguaje.

Su dirección de correo electrónico es sullivan@mathcs.wilkes.edu y su dirección Web es

http://www.mathcs.wilkes.edu/~sullivan.