随着近年来计算机仿真技术的高速发展,利用仿真技术辅助开展指挥训练,能够有效提升训练组织效率和训练效果。而在信息化条件下,作战力量的合成化、小型化和多能化趋势明显,以分队为主体的基本作战单元地位更加突出。研究和应用分队级别的训练仿真系统,能够克服传统训练方法组织协调难配合、战场环境难构设、作战效果难反馈等问题,具有重要的作用及意义。提升分队战术训练仿真系统的逼真程度和应用效果,关键在于构建合理的战场空间表示模型和准确的计算机生成兵力(Computer Generated Forces,CGF)行为模型。在分队战术中,路径规划是其中重要的智能行为之一。它既是多种高层智能活动(如决策、规划、协同等)的基础,与此同时又是一系列底层物理行为(如机动、掩护、队形控制等)的前提。因此,合理准确的路径规划是CGF行为建模的重点。传统的全局规划方法(如A*算法)不能实现CGF对用户指令和环境变化的快速响应,并且存在突出的首步迟疑问题。而局部路径规划方法LRTS(Learning Real-Time Search)能够利用局部感知信息,交替进行规划、学习和动作执行,具有良好的实时性和对环境的动态适应性,是解决多智能体条件下的战术路径规划问题的有效方法。然而,LRTS由于对地形的乐观估计,导致初始启发函数不精确,使得启发函数学习和更新的速度缓慢,CGF往往出现局部震荡的非理性行为,严重影响CGF机动路径的合理性。为解决上述问题,实现对LRTS学习过程的加速,本文采用状态聚合和地图分层抽象的思想,提出了基于多分辨率四叉树模型的实时搜索算法EQ-LRTS(Encoded Quad-trees based LRTS)。设计了基于位操作的无指针编码方法,建立了四叉树的递归构建过程和由环境变化触发的模型实时修复机制。在上述方法的基础上,给出了空间抽象模型的增量式更新流程和规划与学习的泛化过程。EQ-LRTS能够在初始地图不精确的情况下,随着CGF探索过程的进行逐渐更新和细化环境模型,展现出了突出的动态适应能力。相对于尺寸固定的网格离散化方法,四叉树模型的多分辨率特性使算法规划效率得到有效提升。EQ-LRTS提高了朴素LRTS在通用场景中的规划和学习效率,然而仍然没有解决在障碍分布密集或形态特殊的启发函数局部极小区域中,CGF机动行为不合理的问题,因此仍会出现一定程度的震荡行为。为解决上述问题,提高算法生成路径的合理性,本文模拟人类在有限感知范围条件下的寻径过程,从行为模式控制角度提出了边缘跟随与LRTS的混合算法BF-LRTS(Boundary Following based LRTS)。研究了边缘跟随方法在CGF实时路径规划中的应用,然后提出了混合算法的整体流程,并根据局部地形特征设计了合理的不同行为模式间的切换条件和控制策略。该方法在状态重访问次数等性能指标上取得了非常显著的效果,有效提升了路径合理性,从而能够使CGF快速脱离极小区域。仿真实验结果表明,EQ-LRTS中的多分辨率地形抽象模型能够有效提升算法学习速度,降低规划过程的计算量、启发值更新的频率,减少状态重访问次数;在此基础上,BF-LRTS算法可以大幅度减少CGF在机动过程中的往复震荡,提高实时路径规划的合理性与逼真程度,达到系统应用需求。