基于多智能体的数据链系统效能评估研究

2015-12-31郝明马欢

现代导航 2015年4期

郝明，马欢

（中国电子科技集团公司第二十研究所，西安 710068）

0 引言

在现代信息化作战的体系对抗中，“信息中心战”成为主导，为提高作战平台协同作战能力，使各作战平台组成的作战整体具备的作战能力大大超过独立作战平台能力之和，需要在信息网络的支撑下，充分发挥信息的纽带和桥梁作用，将各作战平台链接成一个结构紧密、反应灵敏、能充分发挥各自作战优势的整体。也就是说信息控制力成为决定战争胜败的关键，作战优势主要依靠信息网络，而不是物理资源。因此，如何准确评估信息系统的信息控制力成为信息系统效能评估的关键。

与传统武器装备的作战效能直接用杀伤效果来度量不同，数据链系统在作战行动中发挥作用的链条较长，与最终军事行动效果之间的因果关系复杂，很难明确描述数据链系统对作战效能的影响，特别是数据链系统和作战任务、作战进程、作战平台紧密铰链，是一个典型的动态、多变量、开放的复杂大系统,系统影响因素众多,逻辑关系复杂。相对于相对成熟的武器系统的效能评估而言，数据链系统效能评估的主要困难在于其影响因素的高度不确定性和问题的复杂性[1]。

目前，美军正在建立一套从理论研究、概念评估、可行性演示验证，到系统设计、仿真推演、测试评估，以及系统外场验证的数据链研发环境。在DARPA/NSF等机构的资助下，许多研究机构都开展了数据链测试评估研究工作，并建立了TIMS、SIMNET、NETWARS和SEAMLSS等战术通信试验测试评估环境，以及以20世纪90年代末在圣迭戈建立的美军数据链联合测试与评估中心为代表的分布式数据链测试与评估系统，逐渐形成了完善的数据链试验测试评估方法和手段，提升了数据链研发与测试评估能力。

为了对数据链系统进行置信度高的效能评估研究，首先需要根据数据链系统的特点构建相对完整的分层模型；其次构建相对完备的效能评估指标体系；再者建立准确的评估方法。

1 基于智能体的建模仿真技术概述

智能体是一个具有智能和交互能力的、自治的计算实体，是研究复杂系统的最重要手段之一，具有自主性、智能型等特征，并具备感知、通信以及协调能力。基于智能体的建模与仿真（ABMS）方法把智能体作为系统的基本抽象单位，先建立组成系统的每个个体的智能体模型，然后采用相关的智能体技术和合适的多智能体系统体系结构来组装个体智能体，最终建立整个系统的系统模型。

与传统的仿真建模方法把系统分解成多个组成部分，通过组合各个部分的分析结果来对整个系统进行评估相比，ABMS更适合对复杂系统进行分析研究[2]，通过建立科学、合理的系统模型，ABMS能取得优于传统仿真建模方法的评估效果。

ABMS在不同的学科领域得到了广泛的应用，包括现代战争系统、军事对抗、人工生命系统、社会系统、经济系统等多个方面。美国的海军战场研发司令部与美国阿贡国家实验室的复杂适应系统仿真中心开展合作，共同开发TSUNAMI(The Tactical and Ubiquitous Network Agent-Modeling Initiative)，利用ABMS方法对虚拟战场仿真中出现的关键问题进行研究[3]。

基于智能体的信息系统建模与仿真技术通过参考原型系统的组织背景，将系统内部组元（各武器装备、军事人员等）直接映射成相应的职能智能体，把这些组元具有的资源、知识、目标、能力等作为智能体的自身属性加以封装[4]，使仿真过程中智能体能够和相应的传感器、指挥中心、作战平台、保障平台、计算机生成兵力等仿真实体或人进行交互。

2 基于多智能体的数据链系统分层一体化建模

多智能体系统（MAS）主要研究由多个智能体组成的复杂系统的构造方法以及如何在系统中实现多个智能体间的协作协调，以更好地达到系统设计的目标[5]。根据西蒙的有限理性理论，个体的知识能力都是有限的，通过适当的体系结构将个体组织起来，不仅能弥补个体的不足，还能使整个系统的能力远超过任何单个个体的能力。单个智能体的能力受其知识、计算资源的限制，不能解决大型、复杂的分布式系统问题。MAS通过对组成系统的多个智能体行为的协调，使系统获得远超过单个智能体能力的总体效益。

图1 基于多智能体的数据链分层一体化建模结构示意图

数据链系统可以看作为一个典型的多智能体系统。数据链模型划分为火力协同智能体、战术协同智能体、情报协同智能体、信息获取智能体、信息处理智能体、信息共享智能体、信息应用智能体、信息表述智能体和信息融合智能体。依靠分布式、具有各种特定功能的智能体模型的通信、协作和交互，实现数据链分层一体化建模、仿真分析与验证。

3 数据链效能评估指标体系

数据链是支撑多平台协同作战的复杂网络信息系统，影响数据链应用能力的因素非常多，为建立正确、完备的数据链能力评估指标体系，应遵循以下原则[6]：

（1）可测性原则。指标的选取，其前提是能对其量化处理，量化值通过数学公式计算、平台测试、经验统计等方法得到，给出具体数值或按大小排序。不能直接量化的定性指标内涵应清楚明确。

（2）独立性原则。所选取的指标在整个指标体系的同层中应相互独立，但不排除所选取的指标项间可能存在相关性。

（3）完备性原则。指标体系应能全面反映数据链的各个方面，特别是数据链应用以及数据链系统本身的关键性能指标更应准确、全面。

数据链系统效能评估指标体系的确立应与评估目的保持一致，评估指标要面向应用任务，对不同任务采用不同的评估指标，保证指标的选取与数据链应用任务密切相关。针对数据链系统侦察预警、态势共享、指挥控制和协同作战等战术功能，建立分层分级的数据链效能评估指标体系如图2所示。

图2 数据链效能评估指标体系

（1）侦察预警能力。侦察预警能力是指利用数据链系统将超视距雷达、长航时无人机、高空侦察机、天基卫星等平台获取的目标信息传输到指挥控制系统，提供及时预警信息的能力。

指标主要包括情报信息传输容量、情报信息分发时效性、正确性和异类信息处理能力。情报信息传输容量是指系统可传输的最大数据量；情报信息分发时效性是消息在空间路径传播时延和发射/接收处理过程时延的总和；情报信息分发正确性是指通过数据链发送侦查预警信息的正确率；异类信息处理能力是指数据链对异类传感器或其他数据链的信息进行综合处理的能力。

（2）态势共享能力。态势共享能力是指利用数据链将分布在不同区域的各作战平台、武器平台的态势信息实时、分层提取与分发，按需形成统一的态势图的能力。

指标主要包括态势共享一致性、态势共享准确性、态势共享连续性和态势共享时效性。态势共享一致性指数据链用户共享敌/我/战场环境态势的相同程度；态势共享准确性指态势数据准确反映真实态势物理属性的程度；态势共享连续性指数据链用户协同处理态势的程度；态势共享时效性指数据链用户获得态势信息的及时程度。

（3）指挥控制能力。指挥控制能力是指基于战场态势实时指挥控制作战资源的能力。

指标主要包括指挥引导容量、指挥精确性、控制正确性和控制时效性。指挥引导容量是指通过数据链在一定时间内对作战平台进行指挥引导的数量；指挥精确性是指通过数据链发送指挥控制、引导等命令实现指挥理解的颗粒度；控制正确性是指通过数据链分发协同控制命令或信息的正确率；控制时效性是指通过数据链在作战平台间发送接收控制命令或信息的端到端时间[6]；

（4）协同作战能力。协同作战能力是指通过数据链实现多平台战术协同和火力协同的能力。

指标主要包括战术协同时效性、战术协同成功率、火力协同时效性和火力协同贡献度。战术协同时效性是指通过数据链实现任务分配、任务协同等的时间周期；战术协同成功率是指通过数据链分发战术协同命令或信息的成功率；火力协同时效性指通过数据链实现火控级命令或信息分发的时延；火力协同贡献度是指通过数据链实现火控级协同探测、协同攻击的程度。

4 层次分析—模糊综合评估模型

目前常用的信息系统效能评估方法主要包括：概率法、指数法、层次分析法、专家评定法、ADC法、作战模拟法、蒙特卡洛法、系统有效性分析方法和探索性分析方法等。每种方法都有其优缺点和局限性，单一的评估方法无法对数据链系统进行全面、准确的评估，需要结合多种评估方法才能有效解决数据链系统的效能评估问题。

层次分析法(AHP)是分析评价多指标复杂系统科学有力的工具，AHP把定量测量和定性分析相结合，充分利用人们的经验和判断，采用相对标度对定量的和不可定量的因素进行统一测度，彻底颠覆了最优化技术只能处理定量问题的传统观念，具有很大的灵活性和实用性。

模糊综合评价法(FCE)在确定评价因素的评价等级标准和权重的基础上，运用模糊集合变换原理，以隶属度描述各评价因素的模糊界线，构造模糊评价矩阵，通过多层的复合运算，最终确定评价对象所属等级[7]。本文将AHP和FCE相结合，对数据链的作战应用能力进行评估。

4.1 确定指标权重

AHP用指标两两比较构造判断矩阵的方法来计算权重值，判断矩阵通过增加判断信息的冗余，提高判断的准确性。

（1）构造判断矩阵

设某层评价准则Z的子指标有n个，分别用Ai(i=1,2,…,n)表示，通过n个指标的两两比较可得到指标关于Z的判断矩阵A：

其中，aij表示在评价准则Z下，Ai与Aj相比重要程度的量化值，又称作比例标度，本文采用1-9比例标度方法，给出aij的量化标度。

表1 1-9比例标度的含义

（2）计算权重系数

假设判断矩阵A的最大特征值为λmax，利用特征方程AW=λmaxW解出λmax对应的特征向量W，将W归一化之后的向量即为单一准则下同一层次各指标的权重系数。

由于判断矩阵A满足以下两个特点：①正反性，即aji=1/aij，②一致性，即aikakj=aij，矩阵A又称作一致正互反矩阵，根据一致正互反矩阵的特殊性质，可以采用和积法进行简单的近似计算来求解矩阵的特征向量，计算步骤为：

①将判断矩阵的每一个列向量进行归一化处理，得到B=(bij)n×n

②将B的行向量元素按行求和：

③将向量W=(w1,w2,...,wn)T归一化：

W=(w1,w2,...,wn>j)T即为所求的特征向量。

④计算判断矩阵的最大特征值λmax

（3）一致性检验

判断矩阵的构造具有很强的主观性，为保证结论基本正确，需通过计算一致性指标CI对构造的判断矩阵进行一致性检验。

表2 平均随机一致性指标

表2列出了平均随机一致性指标的参考值，其中，n表示判断矩阵的阶数。计算出一致性指标CI后通过查找表2通过公式CR=CI/RI计算随机一致性比率CR，若CR＜0.1，表明判断矩阵具有满意的一致性，否则就需调整判断矩阵，直到满足CR＜0.1为止。

4.2 建立评价等级集合V

V={v1,v2,…,vm}，V中的每个元素vi代表待评估指标的评判等级，例如：V={优、良、中、差}。具体评判等级应由指标内容决定，并采用适当的语言描述。用程度语言描述对象的评估结果，特别适合用来解决那些难以完全定量评估的实际问题。

4.3 构造单因素隶属度矩阵

通过隶属度函数f，计算单个指标因素Ai(i=1,2,…,n)对于每个评价等级vj(j=1,2,…,m)的隶属度rij：

其中，ri=(ri1,ri2,…,rim)称作Ai的单因素评价集，通过f可以诱导出Ai到F(V)的模糊映射关系，得到模糊矩阵R=[rij]n×m∈F(A×V)，R又称为单因素隶属度矩阵。(A,V,R)构成了一个综合评判模型。

4.4 构造综合评判矩阵

将指标的权重W和隶属度矩阵R通过公式B=W°R=(b1,b2,...,bm)进行模糊矩阵复合运算，得到模糊综合评判矩阵B，其中“°”表示广义的模糊合成运算：

对B进行归一化处理，归一化矩阵中的m个元素分别表示评估对象相对于各个评价等级的隶属度。根据最大隶属度原则，数值最大的元素对应的评价等级就是评估对象的评估结果。

5 效能评估实例

为简单、清晰的说明层次分析-模糊综合评估方法的实现流程，本文借鉴和参考美军Link 16的效能评估结果，以Link 16的态势共享能力为例进行评估。

态势共享能力共有四个子指标：态势共享一致性、态势共享准确性、态势共享连续性和态势共享时效性。根据专家打分，建立这四个子指标关于态势共享能力的判断矩阵如下：

以判断矩阵A为输入，通过式（1）～式（3）计算得到4个子指标的权重系数W=(0.35,0.19,0.35,0.11)，根据式（4）和式（5）计算得到一致性指标CI=0 .0038＜0.1，表明判断矩阵通过一致性检验。

本文对态势共享能力建立三个评价等级V={好、较好、一般}进行评估，根据态势共享能力四个子指标去量纲化的指标值，通过隶属度函数计算态势共享能力相对于每个评价等级的隶属度，从而对数据链的态势共享能力进行评估。

态势共享能力4个子指标的指标值应通过大量的外场数据和仿真，再进行合理的去量纲化获得。本文通过大量仿真和专家打分，采用四个子指标的量化值D1=(90,85,80,90)和D2=(55,70,60,75)来举例说明评估过程，其中D1表示加装数据链后态势共享能力的子指标值，D2表示未加装数据链，在话音通信下态势共享能力的子指标值。

本文采用参考函数法（F分布法）中的半梯形及梯形分布构造隶属度函数，详细公式见表3。在实际运用过程中，需要根据实际情况对隶属度函数做细致的调整，隶属度函数的确定有很大程度上的主观性，但都建立在实验数据的基础上。

表3 半梯形及梯形分布函数

根据4个子指标的量化值，并通过实际仿真中的多次调整，在对态势共享能力进行评估时，每个评价等级的隶属度函数的具体参数设置如表4所示。

表4 隶属度函数参数设置

将指标分值和隶属度函数作为模糊综合评估方法的输入，通过计算得到综合评判矩阵B1=(0.36，0.43，0.21)，B2=(0.19，0.21，0.6)。根据最大隶属度原则，加装数据链后态势共享能力的评价等级为“较好”，未加装数据链，在话音通信下态势共享能力的评价等级为“一般”。转化为加装数据链后态势共享能力增量为0.36/0.19=1.89，即可以认为Link16的态势共享能力带来了约0.89倍的增量。其结果与美军公布的F-15和E-3平台加装Link16共享同一雷达目标信息后空对空战斗力提高了近1倍相匹配。