多目标优化(MOO,Multi-objective Optimization)是计算机生成兵力(CGF,Computer Generated Forces)决策行为建模的一个重要研究内容,在很多决策行为模型中都存在针对多目标优化问题的求解需求,其优化效率对于实体行为能否真实可信具有重要意义。目前在游戏人工智能(Game AI)和CGF决策行为建模领域被广泛使用的多目标优化算法在算法效率、解的有效性等方面难以满足未来作战仿真系统建设的需要,其主要原因在于CGF决策行为建模中的复杂多目标优化问题一般具有状态空间庞大、计算复杂度高、求解频率高、实时性要求高等特点,现有的任何单一算法在实时性等约束下无法对全部可能的状态进行搜索和评估。这使得战术位置选择、复杂战场空间推理等功能需求难以得到满足。针对上述问题,论文以作战仿真系统中的战术位置选择(TPS,Tactical Position Selection)为研究背景,以提高作战仿真领域多目标优化问题求解的时效性能为目标,基于群体多样性理论和社会选择理论开展基于多样性表决的CGF决策行为建模技术研究。论文首先对研究背景和意义进行了阐述,在充分掌握了国内外研究现状的基础上,详细分析了已有方法的不足,而后针对性的提出了论文研究的主要内容并概括了论文的主要工作与创新点。论文研究的主要问题是多样性表决模型求解多目标优化问题的团队构建与观点融合方法。现有的多样性问题求解团队模型缺乏对团队多样性的定量描述与作用分析,为此,论文给出了团队多样性的详细数学描述,提出了团队多样性的作用假设、理论与实验分析。同时,现有模型通常认为解的效用值对于个体已知,此类模型忽略了问题求解者在现实情况下无法确定解空间实际效用值,而是必须通过其他方法,如投票表决等观点融合机制,来实现群决策的事实。为此,论文建立多样性问题求解团队的表决模型,尝试利用以社会选择理论为背景的投票表决方法实现团队观点的融合。在使用多样性表决模型求解多目标优化问题方面,论文根据多目标优化问题与模型的映射关系,对通用的多样性表决模型进行适应性修改。论文充分考虑了多目标优化问题的优化结果为Pareto最优解集的特点,建立了基于Approval表决程序的多样性表决模型,使得模型在表决过程中的信息利用率和解的灵活性都得到明显提升。在多样性表决模型提升多目标优化问题求解效率方面,论文分析多样性表决模型中问题求解团队成员交互较少的特点,充分挖掘模型并行性,测试了并行条件下模型问题求解性能。论文以作战仿真系统中CGF需要模拟实现的一个重要决策行为——战术位置选择为研究背景,首先研究了TPS问题在多目标优化下的形式化描述,进一步分别采用单一的多目标优化算法和多样性表决模型对该问题进行求解,对比了两种方法的解的有效性和时间效率,进一步验证了团队多样性的相关假设。论文最后对研究工作进行了总结,并对未来的研究方向和需要关注的问题作了展望。