海军特种作战兵力行动知识推理研究*

张 磊，魏成昊

（1.海军指挥学院，江苏 南京 210016; 2.海军潜艇学院，山东 青岛 266071）

兵力行动知识管理的一个很重要的方面，就是如何保留住知识，并提高知识使用的效率和频度。从这个角度来讲，知识管理的解决方案从本质上来说是一个辅助决策的系统，它利用所包含的知识来为决策者在兵力行动管理中提供决策支持，决策支持可理解为通过知识推理解决大量的基于规则的兵力行动管理，这样兵力行动建模就能通过知识推理模型得出参考决策，提高兵力行动决策的效率。

1 兵力行动知识原理

兵力行动建模与相关的领域知识密不可分。对于行动建模来说，获取领域知识是进行知识表示的基础，兵力行动建模描述的是作战单元对战场态势的评估、各作战单元作战任务的规划与协同，以及根据战场环境所进行的实时决策等，模型的复杂性很高，因此，对知识的表示要求也很高。兵力行动建模领域的知识需要从军队条令条例以及有关的作战指挥人员、参谋人员处来获取，信息量很大，采用何种方法来对这些知识进行有效的表示，将是兵力行动建模的一个必不可少的组成环节。知识获取和知识表示在兵力行动建模中的一般流程如图1所示。

图1 兵力行动建模的知识获取和知识表示流程

2 兵力行动知识工程建模方法

目前，比较成熟的知识工程建模技术主要包括：有限状态机、产生式规则、黑板系统、面向对象的知识库等建模技术。其中，有限状态机与产生式规则是比较成熟、并且得到广泛运用的技术，下面将这两种技术进行有效地结合，提出了一种有限状态机加规则的特种作战兵力的行动建模方法，并相应地提出行动模型结构。

当兵力在某一个状态下有事件发生时，根据当前状态和输入的不同，选择如何处理该事件以及判断是否需要转换下一个状态。兵力行动状态机包含五个部分：一组兵力状态的集合 S，一组输入集合 C，输出集合W，以及两种映射关系λ、μ。

式中，λ是状态迁移映射；μ是输出映射。

在使用有限状态机进行行动建模时，我们需要确定在当前状态下，当环境发生变化时如何动作以及是否进行状态转移。因为状态转移也可以认为是一种特殊的动作，所以问题就可以用产生式规则解决。

对于状态转移映射 λ :S( t + 1 )＝ λ (S( t), C( t ))。

由于触发状态转移的条件在不同的情况下是不同的，而实现状态转移的动作则是通用的，所以相应规则的一般形式为：

兵力行动有限状态机当前处于状态S( t)：

IF C( t)THEN “设置状态 S( t+1)” 。

其中，C( t)可以由返回值为Boolean的条件函数来实现。建立规则库时根据当前状态选择所需的条件函数，系统运行时条件函数根据任务和从装备模型获取战场态势做出判断。而S( t+1)可以由行动函数来实现。

类似的μ的映射 μ : W ( t)＝ μ( S ( t), C( t))。

可以表示为：兵力行动有限状态机当前处于状态S( t)：

IF C( t)THEN “执行动作W( t)”。

3 基于逻辑神经网络的兵力行动知识推理

3.1 逻辑神经网络推理方法

三值逻辑神经网络（Three-valued Neural Logic Network，简称Neulonet）最早是新加坡国立大学的研究学者提出的模型。它具有强大的知识表示能力，仅通过一系列纯数字的连接权值就可表示有语义的人类逻辑规则，使其能模拟各种偏好的、主观的人类决策制定。同时它又是一种模糊知识的表达方式，对不完整数据有很好的容忍性。Neulonet是一种结合了三值逻辑的符号表示和神经网络的连接及传播结构的模型，它包含一些结点和连接弧，通过调整连接权值，可以表示出较复杂且有语义的逻辑操作。其特点主要有：1）它的符号表示使用三值逻辑；2）它通过类似人工神经网络的形式表示；3）它是以上两者的完美结合。

与通常的神经网络类似，Neulonet包括一系列的输入结点，连接弧和一个输出结点。结点上附有激活值，连接弧上标有连接权值。不同的是这些激活值和连接权值都是有序的实数对（见图 2）。经典的布尔逻辑只包括两个值：真值（True）和假值（False），分别由1和0表示。然而在实际应用中存在大量模糊的值，它们无法被轻易地定义为真或假，因此人们引入了三值逻辑。它包括‘真 ’、‘假’和‘不确定'，依次由（1,0）,（0,1）和（0,0）表示。同经典逻辑一样，三值逻辑也可以定义与（AND），或（OR）和非（NOR）的操作。事实上，“不确定”的使用大大加强了逻辑表示的灵活性和复杂性，布尔逻辑仅有24=16个二元操作，而三值逻辑则共有38=6561个有意义的二元操作。

图2 逻辑神经网络基本结构图

如图2所示，Q是输出节点，P1,P2……Pn是输入节点。与节点Pi相关的输入值为（ai,bi），Pi到Q的连接权值表示为（αi,βi）。传播函数定义如下：

激活的规则定义如下（λ是阈值，通常被设为1）：

3.2 兵力行动推理规则的确定

我们将任何一个作战单元遂行特定作战使命的过程表述为若干个时序上顺序执行的战术任务过程，以任务过程名表述：

首先，将这些任务过程名按照从后到前的顺序压入堆栈，作战单元执行使命过程的过程就是按照时间逻辑从堆栈中顺序地弹出逐个任务过程名进行解释执行的过程。

由于在对作战单元进行使命任务规划时对战场环境感知的限制，以及作战执行过程中战场出现态势变化使作战单元获得新的战场感知，可能使作战单元针对出现的新情况，暂时中断当前的任务过程，转入新的作战过程，只有在该过程完成后，作战单元才会恢复到原来的作战过程。因此每个作战过程TaskNamei(i=1,2,…,n)除了必须具备确实执行的作战过程外，还可能存在一个或多个备用的作战过程：

当根据判断决策在执行新的作战过程TaskName_Bakij前，将原来执行的作战过程TaskName_Execi重新压入堆栈，转入新的作战过程TaskName_Bakij，新的作战过程TaskName_Bakij完成后，从堆栈中弹出原来的作战过程 TasNamek_Execi进行执行。这一方法可能出现多重嵌套，但采用堆栈的管理方式能够有效地解决多重嵌套问题。

每个任务过程具有战法标识和可能的阵地或者行动路线：

其中，战法Tactics由标识、目的、一组规则组成：

兵力在使命遂行过程中可能根据战场感知对任务过程重新进行规划，这时对Mission进行重新处理。

以海军特种作战分队对敌重要目标实施侦察，并引导我导弹部队进行打击任务为例，其作战想定表述为如图3所示。

图3 海军特战分队执行引导打击任务规划示例

3.3 逻辑神经网络兵力行动推理

应用以上规则，我们就能以Neulonet的形式构建‘与’、‘或’和‘非’等操作，如图 4 所示。Neulonet上的连接权值可以通过一些构建算法得出，这样，这些权值不再是任意数字的组合，而是表示一定语义的操作。

Neulonet通过不同的权值对集合可以对应不同的逻辑操作，因此我们可以将知识库中的任意规则映射到简单的具有相同语义的 Neulonet形式：这样每个Neulonet规则可以有两个相应的形式，文本形式和图形形式。另一方面，兵力行动知识的连接逻辑有时要比传统的‘与’和‘或’逻辑要复杂。有些兵力行动知识可能是从过去的演习或实战中提炼出的规则，因此具有较强的主观性和随意性。同时由于不同的指挥员可能对于不同的影响因素有不同的喜好程度，因此兵力行动知识也是有偏好的。通过稍微调整Neulonet的连接权值，或者将一系列的“规则单元”连接起来，它们可以用来表示有一些难度的兵力行动规则。如在兵力行动决策中经常使用的“少数服从多数”规则，即最终的决定取决于大多数因素的暗示。显然，传统逻辑很难表示这一规则，但是利用Neulonet强大的知识表示能力，可以很轻易地做到。

对于一些埋藏在军事人员头脑中的隐性知识或者潜规则，人们虽然意识到了它们的存在，但是很难对其加以总结概括。Neulonet继承了神经网络的学习能力，它可以通过以往的数据进行训练，来确定连接权值，从而实现这部分隐性知识的显性化。图5给出的是一些在兵力行动建模中经常使用的逻辑规则的Neulonet形式。

图4 ‘与’和‘或’操作的Neulonet表示

图5 兵力行动建模中常见逻辑Neulonet表示

3.4 实例分析

有关于兵力行动的一系列的或然陈述，并且被当成拥有背景知识而被要求预测结果，我们就需要通过一系列的推理，只要给出了足够的信息，就能得出结论。使用Neulonet，我们可以构建这样的一个推理过程的表示，根据其他兵力的已知情况，确定特战分队是否可召唤航空兵力执行支援任务的例子：

• 如果特战分队请求空中支援，条件满足航空兵力行动条件，那么航空兵力进行空中支援；

• 除非水面舰艇执行其他作战任务，否则特战分队一定呼叫水面舰艇进行支援；

• 舰艇兵力可以执行支援任务，只要潜艇兵力和电子对抗兵力不能执行支援任务；

• 除非潜艇兵力必须进行支援，否则潜艇兵力进行隐蔽待机；

•如果特战分队请求电子支援，条件满足电子对抗兵力行动条件，那么电子对抗兵力进行支援；

• 只要潜艇兵力进行支援，电子对抗兵力可以不参加支援；

• 如果行动条件允许，那么潜艇兵力可以进行支援。

最后要决定航空兵力是否执行支援任务，而已知的是潜艇兵力和电子对抗兵力不能执行支援任务。相应的Neulonet推理过程表示如图6所示。

图6 兵力行动推理示例图

图5中的过程类似于人类推理并得到结论过程。其中每一个节点都代表一个命题，推理时只有一个输入结点，被赋予（1,0）值，表示潜艇和电子对抗兵力不能执行掩护任务；其余的结点都是输出结点，初始时被赋予（0,0），推理过程中新的值会通过传播函数计算。推理结束后，如果输出节点仍然为（0,0），表示没有足够的信息得出结论；否则，网络将会产出True=（1,0）或 False=（0,1）。连接权值是根据为兵力行动设计的逻辑操作分配的。值得一提的是，非标准的逻辑操作，如‘除非’、‘只要’在这个模型中都可以被表示出来。在本例中，将输入结点赋予（1,0）值，最后输出的结果是：航空兵进行空中支援（1,0）。

4 结束语

本文首先对兵力行动的知识原理和知识工程建模方法进行了分析，然后重点研究了基于三值逻辑神经网络模型的兵力行动知识表示和推理方法，并结合兵力行动知识推理实例，对其运行机制给予了说明。

综上所述，Neulonet作为三值逻辑和神经网络的结合，继承了前者强大的知识表示能力和后者的学习能力。它表示复杂的人类逻辑时，可用不同的权值组合来表示偏好性，也可用过去的例子训练来表现主观性。进而还可将一些基本逻辑的规则单元连接形成推理树来模拟兵力行动中的决策制定过程。这些特点使Neulonet可作为有效的知识表示和推理方法，被应用到军事领域中。

[1]Jay Liebowitz. Conceptualizing and implementing knowledge management. Management of Knowledge in Project Environments[C].2004:45-52.

[2]孔繁胜. 知识库系统原理[M].杭州:浙江大学出版社,2000.

[3]向阳，等. 复杂问题决策支持模式研究[M].北京:科学出版社,2008.

[4]丁秋林. 推理技术在决策支持系统中的应用[J].计算机应用,2004,24(7):141-144.

[5]陈跃新,苏亮. 正向推理机系统研究[J].计算机工程与应用,2002(19):78-80.