战时装备维修器材需求预计方法*

赵晓东，李 雄，孙俊峰

（装甲兵工程学院，北京 100072）

0 引言

装备维修器材是装备在维护、修理过程中所需的一切器件和材料。包括备件、附件、工具、仪表（器）、油液、材料等。按照使用性质，装备维修器材可分为战备储备维修器材、正常供应维修器材和配套装备维修器材［1］。装备维修器材是实施装备维护和修理的重要物资基础，是平时保障装备处于良好的战备状态、战时提高装备再生能力、恢复战斗力的重要因素［2］。战时装备维修器材保障是进行战场抢修（BDAR）的前提和基础，是装备战场损伤评估（BDA）的重点［3］。若装备维修器材种类不全、数量过少，战损装备将无法得到及时修复，战斗力无法再生；若装备维修器材过多，将不仅造成经济浪费，而且占用宝贵的运输资源、储备资源，进而影响到真正有需求的维修器材的供应。为了能够更好地提高战场抢修的效能，需要对装备维修器材所需种类和数量进行预测，从而提前做好筹措和储备。由于战时装备损伤呈现出许多不同于平时装备故障的特点和规律，加上战时装备维修器材保障比平时更加困难，因此，科学准确地预测战时装备维修器材需求种类和数量具有非常重要的意义。

1 四大类预计方法分析

国外对于装备维修器材的保障问题非常重视，研究较早，且比较深入［4-11］。国内在这方面的研究起步较晚，且大多针对装备的平时保障，随着新技术的不断应用、新装备的大量服役，装备维修器材的保障问题越来越突出。目前，对于装备维修器材需求预计的方法很多，分类也很多。本文根据数据来源和数据的主要处理方式，将其分为四大类：实战统计法、解析分析法、经验系数法和模拟仿真法。这四大类预计方法，都是建立在拥有大量数据基础上的，彼此间并不完全孤立，而是相互联系、相辅相成，配合使用的。

1.1 实战统计法

实战统计法就是以历史实战为原型，通过认真梳理、研究一些历史上著名的战例，从中汲取战争的经验和教训，用于指导下一场战争。与此同时，通过统计、分析这些战例中武器装备的损伤情况，找出战损规律，然后利用比较、类比的方式，能够比较简单、较为准确地预计装备的战损率，从而确定装备维修器材需求量［12］。

实战统计法简单易操作，适用性强，长期用于军事问题研究，如俄国奥西普夫统计分析了1805年至1905年间的38次战争历史数据，提出了完整的作战毁伤理论的数学表达［13］。最具代表性的是，美国的军事历史学家杜派及其领导的小组收集整理了中东战争及之前的约6 000次战争或战斗的数据，建立了定量判定模型（Quantity Judgement Model，QJM），并形成了一种定量判断分析方法（Quantity Judgement Method of Analysis，QJMA）［14］，该分析流程如图1所示。

1.2 解析分析法

解析分析法就是以概率论、统计学、微积分等数学理论和方法为基础，通过对已知的维修器材消耗数据进行分析，建立数学模型，从而预计出维修器材需求量。一般分为基于严格数学理论的方法、半经验半理论的方法两种基本类型［14］，其基本步骤如图2所示。

1）基于严格数学理论的方法。以严格的数学理论为基础，即通过完备的假设、定义、公理、推导规则、方法、结论及解释的一套数学结构体系，研究战争问题中各类变量之间的函数关系，建立起适用于该问题分析的解析公式（模型），从而辅助进行战争决策分析。文献［15-16］运用排队论开展了战时军械装备保障力量需求预计。文献［17-18］分别针对需求服从非泊松分布和故障服从指数分布的装备维修器材进行了研究。

2）半经验半理论的方法。通过对作战过程的经验描述，在一些假设的前提下，先建立一个假想的数学模型，然后通过实际的作战数据进行校验，然后根据校验结果修正数学模型，从而得到既有科学理论，又符合军事经验的数学模型，从而指导军事实践。最有代表性的是英国工程师兰彻斯特（Frederick William Lanchester）于1916年提出的兰彻斯特方程，通过微分方程组定量预计作战结果。文献［19-20］建立了基于指数多元的兰彻斯特方程进行装备战损量预计。文献［21］建立了考虑装备的兰彻斯特方程估算军械装备的维修任务量。文献［22-23］建立了基于装备战斗力的兰彻斯特方程预计战时装备的受击损坏率。

1.3 经验系数法

通过记录、分析装备的故障率及自然损耗等大量历史统计数据，运用统计学方法找出维修器材的损耗规律，然后按照一定的经验和系数来确定装备维修器材的需求量和库存量。常用的方法有德尔菲法、回归预测法、时间序列预测法、指数平滑法等［24-26］。该方法与实战统计法最大的不同在于，统计数据主要来源于平时装备保障产生的数据。

美军常用的一些维修器材预计方法，有4季度或8季度滑动平均法、二阶指数平滑法、线性回归法等。美军库存控制中心司令部应用8季度加权滑动平均法预测维修器材需求；库存点控制规划采用4季度滑动平均法和一阶指数平滑法预测维修器材需求量［27］。

俄军主要依据计划任务量、定额资料、历史统计资料等来计算维修器材需求量。方法主要包括直接计算法、间接计算法。其中，直接计算法按照计划任务量（预计或正式下达的）和维修器材消耗定额来计算需求量；间接计算法，一般是在没有维修器材消耗定额的情况下，对历史统计资料进行科学分析，寻找维修器材供求规律，采用经验系数法来估算维修器材需求量，包括动态分析法、对比计算法、类比计算法等几种。

目前，我军的装备维修器材保障模式仍是依据20世纪五六十年代仿照前苏联陆军的惯例建立的，根据具体装备的器材消耗定额来确定装备维修器材的供应量和库存量。在确定战时维修器材需求时，主要采用的也是经验系数法。即以坦克摩托小时消耗为基础的战备器材基数，加上以战损率为系数的相当野战中、小修所需的器材基数［28］。

1.4 模拟仿真法

模拟仿真法是在对作战条件、作战样式、装备类型、使用环境等影响战损因素分析的基础上，进行一系列假设，建立交战双方兵力及装备的计算机模型（实体模型），以及装备损伤与相关因素的定量关系（关系模型），通过计算机对作战过程进行仿真，从而能够在更贴近实战的情祝下预测装备维修器材需求量的方法［29］。主要包括3种形式：人不在回路、人在回路和混合方法［30］。

前三大类方法都是静态条件下，通过对原始数据进行处理，来研究装备维修器材的需求量。而模拟仿真法则是建立在前3种方法的基础上，利用先前构建的数学模型，建立计算机模型，来进行相应的研究。

作战模拟的方法由来已久，并随着计算机的出现而发生了质的飞跃。随着计算机技术和网络技术的不断发展，模拟仿真法不断得到完善，目前广泛应用于军事研究。20世纪60年代末，仿真技术刚刚出现，外军就将其应用到后勤保障仿真中，早期的仿真模型主要基于单机运行［31］。比较有代表性的有美军的综合后勤模型（Logistics Composite Model，LCOM）、瑞典的后勤保障仿真模型（Simulation of Logistics and Operations，SIMLOX）、荷兰皇家空军的单机场后勤保障模型（Single Airbase Logistics Model，SALOMO）等。20世纪80年代末，随着分布式交互仿真技术（Distributed Interactive Simulation，DIS）的发展和高层体系结构（High Level Architecture，HLA）标准的制定，美军又开发了一批基于DIS协议和HLA标准的作战保障仿真系统，比较有代表性的有后勤保障模拟系统（Logistics Simulation，LOGSIM）、联合作战模拟系统（Joint Warfare System，JWARS）、扩展防空仿真系统（Extended Air Defense Simulation，EADSIM）等［32］，这些大型仿真系统均包含有后勤保障仿真模块。国内在这方面的研究起步较晚，直到20世纪90年代才开始起步。文献［33-34］用系统仿真的方法建立了装备维修器材的消耗预计模型。空军装备研究院开发了飞机维修保障仿真系统，军械工程学院建立了军械维修器材仓库通用仿真模型，装甲兵工程学院开发了战时装备保障仿真系统，空军工程大学建立了战损情况下基地级储备和基层级储备的备件供应保障系统的仿真模型［31］。但整体而言，目前的研究还比较薄弱，缺乏集成性好、可信度高、适用性强的大型仿真系统，同时应用还不广泛。

2 四大类预计方法比较

以上四大类方法对战时装备维修器材的损耗预计都具有各自的优势，对于装备维修器材的保障都发挥了重要作用，但由于其对战场因素的特征提取不够全面，以及对损伤数据的处理不够合理，导致其存在一定的局限性。

第1种方法基于实战数据开展需求预计，如果可供参考的实战数据丰富，且准确可靠，对于同一形态的战争，可计算出较为准确的装备维修器材需求量。但运用该方法时需要大量准确的战损数据，若实战数据不足将严重影响预计的效果；对战场环境及影响因素考虑较少，无法对一些人为因素进行量化；同时随着信息化战争的到来，新技术和新装备的不断涌现，战争形态、作战样式都发生了巨大变化，导致之前的战损数据无法满足现在的需要。

第2种方法通过对现实问题进行抽象，利用完整的数学理论和方法，建立数学模型，从而可量化预计装备维修器材需求量，为后两大类方法奠定基础。但为了便于计算，该方法会简化或者忽略战时的很多影响因素，从而导致参考因素较少，不能真实反映战场情况；同时，该方法的理论数据和计算公式过于理想化，容易陷入机械计算的误区，导致结果不可信。

第3种方法通过收集大量训练及自然损耗产生的数据，运用统计学的方法找出装备维修器材的损耗规律，从而预计装备维修器材需求量，精确度高，便于实施，对操作人员的要求不高。但由于装备维修器材的保障数据大多来源于平时，与战时的装备损伤规律和特点有巨大的差异；加上许多经验系数的确定有时缺乏定量依据，导致其对战时装备维修器材的需求预计准确性偏低；除此之外，随着装备的不断更新换代，电子设备的比例不断加大，建立在机械化基础上的器材消耗定额，也无法正确反映电子设备的消耗规律及器材消耗定额。

第4种方法通过对交战双方作战过程的建模仿真，可比较系统、全面地反映战场的不确定性，同时通过建立弹药与装备的交互模型，可再现战损的产生，从而对装备维修器材的需求量进行预计。但是该方法需要建立系统可靠、模型正确、结果可信的作战对抗仿真系统，难度较大；同时，该方法需要对战场的许多因素进行量化，数据量非常大，且要求输入数据和建立的数学模型必须准确、可信，任何数据都会对结果产生巨大影响；此外，由于目前国内的作战仿真系统可信度不高，同时缺乏典型弹药的毁伤机理研究和对典型目标的毁伤效能研究，使得预计结果可信度不高。

3 预计方法发展趋势展望

在信息化战争中，参战装备越来越多，作战强度更趋激烈，物资消耗急剧增加，装备维修保障在联合作战中的地位日益凸显。因此，及时、准确、高效地提供装备维修器材，成为信息化战争装备维修保障的最基本要求，也成为近年来研究的热点，已得到越来越多国家军队的重视。结合研究现状，本文认为，战时装备维修器材的需求预计方法有如下发展趋势。

3.1 引入新型预计方法

通过对比分析可以看出，以前的预计方法，主要建立在数据丰富的基础上。随着科学技术的不断发展，许多新的理论方法也不断涌现，一些方法如粗糙集理论（Rough Set Theory）、模糊理论（Fuzzy Theory）、灰色系统理论（Grey System Theory）、神经网络（Neural Networks）、贝叶斯网络（Bayesian Networks）和支持向量机（Support Vector Machine）等，可以对数据样本少、样本规律未知、非线性或者离散型的数据进行有效处理。这些新方法非常适合对战时装备维修器材进行需求预计，必将得到广泛应用。上述几种新型预计方法对比情况如表1所示。

表1 几种新型预计方法的比较

3.2 建立组合预计模型提高预计精度

由于战场环境复杂多变，装备损伤的影响因素众多，任何一种预计方法由于其本身的局限性，得出的结果都不能客观准确地反应实际情况；此外，也没有任何一种预计方法能够适用于系统的不同阶段。因此，可以考虑将两种或多种预计方法组合起来，发挥各自优势，互相弥补劣势。

如将灰色系统理论和神经网络相结合，构建灰色神经网络，可以发挥灰色系统理论建模所需样本少、无需考虑样本分布规律、运算简单的优势，从而弥补神经网络所需样本数据量大、难以反映系统发展规律、运算复杂的不足；同时神经网络良好的自组织、自学习、自适应性及处理非线性问题的优势，又可以弥补灰色模型的不足。因此，二者结合可以有效提高预计结果的可靠性和稳定性［56-59］。文献［60］将灰色系统理论和支持向量机相结合进行了研究验证。文献［61］将粗糙集理论和神经网络相结合进行了研究验证。

在进行战时装备维修器材需求预计时，可以根据研究问题的特征，系统发展的阶段，深入研究组合预计模型，必将有助于提高预计结果的精度，更好地满足实际需要。

3.3 更加注重随机性和不确定性的研究

由于战时装备损伤的随机性和不确定性明显多于平时，今后的研究，将重点从分析战时维修器材损耗的影响因素着手，总结信息化条件下装备维修器材损耗规律，进而改进维修器材的需求预计方法。

美军将需求预测的不确定性分为客观不确定性和认知不确定性，并提出了一种概率和置信贸易空间（Probability and Confidence Trade-space，PACT）评价方式［62］。国内也开展了相关的研究，同济大学学者对不确定性故障预计方法进行了综述［63］。西南交通大学和南京航空航天大学研究了战时基于不确定性的军事运输路径选择问题［64-65］。华中科技大学开展了具有不确定性的不常用备件的需求预计研究［66-68］。

尽管现阶段基于随机性和不确定性的备件需求预计方法在理论上有所进展，但适用于实际军事需求的方法较少。上面提到的新型预计方法对随机性和不确定性都有很好的适用性。如何更好地利用这些理论，结合实际情况进行深入研究和准确地使用，是战时装备维修器材需求预计研究的重要发展趋势。

3.4 开发自动化计算机辅助系统

为了能更好地进行装备维修器材的需求预计，各国军队纷纷在认真研究预计方法的基础上，更加重视充分运用以信息技术为核心的高技术手段，开发操作简单，通用性好的计算机辅助系统，从而便于数据采集、数据处理和信息传输，提高需求预计的实时性和器材保障的精确性。

1992年美海军开发的统计需求预测系统（Statistical Demand Forecasting，SDF）可提供 8 种不同的方法用于武器装备维修器材的需求预计［69］，一方面增加了系统的适用性，另一方面可以通过对比分析来确定最终的选择方案，从而提高预计精度。近年来，利用现代信息技术和信息传输网络，美军实现了联合全资产可视（Joint Total Asset Visibility，JTAV），建成了覆盖总部到基层部队的全战场装备维修器材自动补给系统和保障信息处理系统，可以利用计算机模拟手段预计未来24 h～48 h内的保障任务量，大大提高了物资供应的效率与效益［70-71］。目前，美军为了进一步提高装备维修器材预计的准确性和快速解决预计错误的能力，正在部署应用企业资源计划系统 （Enterprise Resource Planning，ERP），用于统计建模和多方协作［72］。日本自卫队已实现了装备维修保障指挥管理的网络化和自动化，目前正着手建立功能更加完善的物资补给和装备维修保障的C3I系统。法军于1996年开发了装备维修保障信息管理系统，能够对多国部队间的数据进行交换，实现对保障资源的有效管理。下一步，计算机辅助系统将向集成化、快速化、精确化和智能化方向发展［73］。

由于国内的装备维修器材保障研究起步较晚，开发的计算机辅助系统距战时装备维修器材需求精确预计的要求尚有较大差距。立足国内实际，深入开展军民融合，加快理论向实践的转化，实现跨越式发展，是增强增快装备维修器材研究的有效途径。

4 结论

近年来随着战争形态、战争样式的改变，联合作战对装备维修器材的依赖度越来越高，装备维修保障难度越来越大，因此，装备维修器材管理越来越受到重视。而随着计算机仿真技术、人工智能的不断发展，为战时装备维修器材需求预计的研究开启了新的篇章。总结分析目前装备维修器材的需求预计方法及发展趋势，可为战时装备维修器材的需求预计研究奠定基础，研究结果对我军的装备维修器材保障具有一定的指导意义。

［1］蒋跃庆.中国军事百科全书（军事装备保障）［M］.北京：中国大百科全书出版社，2007.

［2］常文兵，卢菊平，肖波平.武器系统战时备件需求规律分析［J］.质量与可靠性，2006，21（4）：11-17.

［3］李建平，石全，甘茂治.装备战场抢修理论与应用［M］.北京：兵器工业出版社，2000.

［4］QUINN，JOHN C.Comparison of several methods for forecasting repair parts requirements［R］.Texas：Army Materiel Command Texarkana Tex Intern Training Center*Texas A and M University Graduate Center，College Station，1974.

［5］ONDERS R J.Demand forecasting model for a naval aviation intermediate level inventory-the shorebased consolidated allowance list （SHORCAL）， yokosuka， japan ［R］.Monterey，CA：Naval Postgraduate School，1994.

［6］KEPHART S D，ROBERTS R C.Aligning demand for spare parts with their underlying failure mode［R］.Wright-Patterson：Air Force Institute of Technology，Wright-Patterson AFB，OH.School of Logistics and Acquisition Management，1995.

［7］RODRIGUEZ C M.VMetric spare parts optimization model validation ［R］.Groton，CT：Coast Guard Research and Development Center，1997.

［8］BECKLEY C M.Sizing mobility readiness spares packages for today's warfighting units［R］.Wright-Patterson：Air Force Institute of Technology，Wright-Patterson AFB，OH.School of Engineering and Management，2007.

［9］FULK D，BLAZER D，KLINE R.Optimized determination of deployable consumable spares packages［R］.McLean，VA：Logistics Management Institute，2007.

［10］Defense Inventory：Army needs to evaluate impact of recent actions to improve demand forecasts for spare parts［R］.Washington，DC：Government Accountability Office，2009.

［11］BERGER A J，MURPHY C S.Analysis of the impact of variation in mean time between demand on air force fleet level aircraft parts inventories［R］.Wright-Patterson：Air Force Institute of Technology，Wright-Patterson AFB，OH.Graduate School of Engineering and Management，2014.

［12］曹小平，路广安.装备维修器材保障［M］.北京：国防大学出版社，2005.

［13］薛青.装备作战仿真基础［M］.北京：国防工业出版社，2010.

［14］胡晓峰，杨镜宇，司光亚，等.战争复杂系统仿真分析与实验［M］.北京：国防大学出版社，2008.

［15］王大鹏.基于排队论的战场军械装备修理力量预测仿真研究［J］.电脑知识与技术，2012，8（10）：2402-2404.

［16］王大鹏.基于排队论的高寒山地军械装备保障力量需求预计研究［D］.重庆：重庆大学计算机学院，2012.

［17］徐廷学，董琪，杨继坤，等.基于非泊松分布的不可修备件优化配置模型［J］.科技导报，2015，33（1）：95-99.

［18］朱华进，陈瑾.装备维修备件需求预测模型研究［J］.舰船电子工程，2010，30（9）：147-149.

［19］陆凡，谢晴.装备战损量的兰彻斯特方程预计方法［J］.指挥控制与仿真，2007，29（3）：100-104.

［20］陆凡，郑怀洲，刘志勤.兰彻斯特方程的装备战损量预计方法［J］.火力与指挥控制，2008，33（5）：144-147.

［21］王开良，史宪铭，于洪敏，等.基于兰彻斯特方程的维稳军事行动军械装备维修任务量估算［J］.物流科技，2011，（8）：97-101.

［22］董学斌，马懿，陈立云，等.战时维修保障装备数量规模求解问题研究［J］.装备指挥技术学院学报，2011，22（3）：52-57.

［23］耿军生，阮拥军，刘忠鹏.基于可靠性和兰彻斯特方程的装备损坏率预计方法［J］.军械工程学院学报，2011，23（5）：6-9.

［24］黄照协，李前会，孙思浩，等.备件消耗预测方法研究现状及发展［J］.舰船电子工程，2015，35（1）：14-18.

［25］王宏焰，高崎，王家鹏.装备维修器材消耗预测综述［J］.四川兵工学报，2008，29（5）：92-94.

［26］董鑫，宋贵宝，徐珂文.器材消耗预测方法综述［J］.四川兵工学报，2011，32（9）：147-150.

［27］UNLU N T.Improving the turkish navy requirements determination process：an assessment of demand forecasting methods for weapon system items［D］.Monterey：Naval Postgraduate School，2001.

［28］王铁宁.装甲装备器材管理［M］.北京：解放军出版社，2000.

［29］但伟，韩坤，许艺，等.备件消耗预测方法研究［J］.物流科技，2012，36（12）：88-91.

［30］李雄.基于 Agent的作战建模［M］.北京：国防工业出版社，2013.

［31］张柳，聂成龙，张伟.装备作战单元维修保障建模与仿真［M］.北京：国防工业出版社，2015.

［32］刘彬，米东，杜晓明，等.外军装备保障仿真发展现状及启示［J］.国防技术基础，2011，40（5）：22-26.

［33］谢刚，韩坤，王胜德，等.基于仿真方法的新型装备备件消耗预测研究［J］.物流科技，2010，34（8）：108-110.

［34］李晓燕，宋建社，毋文峰，等.基于战斗损伤的备件消耗预测仿真建模方法研究［J］.系统仿真学报，2013，25（增刊）：99-103.

［35］毕义明，王汉功，陈桂明.基于粗糙集理论的装备战损评估方法［J］.装备指挥技术学院学报，2004，15（5）：1-4.

［36］姚春柱，姚志龙，陈明，等.基于模糊综合评判的战时远程火箭炮保障资源消耗预测［J］.兵工自动化，2008，27（6）：46-48.

［37］樊胜利，柏彦奇.基于模糊聚类的装备毁伤评估方法［J］.炮兵学院学报，2009，31（4）：33-35.

［38］谢文，钟宜兴.基于模糊聚类的自行火炮装备毁伤评估方法［J］.射击学报，2011，33（2）：10-12.

［39］赵建忠，徐廷学，尹延涛，等.基于改进 GM（1，1）模型的导弹备件消耗预测 ［J］. 装备环境工程，2012，9（3）：48-51.

［40］李小力，李言俊，张科.改进的灰色预测模型在导弹中的应用［J］.计算机仿真，2010，27（8）：33-36.

［41］赵平，刘宝平，黄栋，等.一种用于装备维修器材消耗预测的灰色残差修正模型［J］.四川兵工学报，2014，35（5）：62-65.

［42］裴帅，王铁宁，陈春良.基于BP神经网络的装备器材需求预测模型［J］. 装甲兵工程学院学报，2008，22（3）：26-28.

［43］胡海峰，雷志雄，杨光.基于BP神经网络的导航装备战损等级评定［J］.微计算机信息（测控自动化），2009，25（8-1）：221-222.

［44］可荣博，王铁宁，宋宁波.基于遗传BP神经网络的装甲装备器材需求预测［J］.火力与指挥控制，2015，40（6）：99-102.

［45］APAK，SINAN.Spare part demand forecasting with bayesian model［C］//World Scientific Proc.Series on Computer Engineering and Information Science 7；Uncertainty Modeling in Knowledge Engineering and Decision Making-Proceedings ofthe 10th InternationalFLINS Conf.Singapore：World Scientific Publishing Co.Pte.Ltd，2012：851-856.

［46］DANIEL W.FRANZEN A.Bayesian decision model for battle damage assessment［D］.Master's thesis：Helsinki University of Technology，1999.

［47］胡涛，黎放，胡志刚，等.基于贝叶斯网络的舰船战损评估研究［J］.武汉理工大学学报，2007，31（6）：1067-1070.

［48］陈健，李忠民，王永明，等.基于贝叶斯网络的装备部件战斗损伤评估模型［J］.系统工程与电子技术，2007，29（2）：329-332.

［49］王广彦，胡起伟，王润生.基于贝叶斯网络的装备战场损伤评估模型［J］.兵工学报，2007，28（11）：1351-1356.

［50］PekkaLaitila.Bayesian network model for BDA［R］.Helsinki University of Technology，2009.

［51］牛余宝，王晓坤，赵艳华.基于支持向量机的飞机备件消耗预测研究［J］.长春大学学报，2012，22（6）：631-633.

［52］任博，张恒喜，苏畅.基于支持向量机的飞机备件需求预测［J］.火力与指挥控制，2005，30（3）：78-80.

［53］周伟，白占胜.基于影响因素的SVR备件需求预测研究［J］.中国修船，2009，22（3）：40-42.

［54］段鹏飞，周绍骑.支持向量机在装备维修备件需求量预测中的应用［J］.物流科技，2010，34（4）：67-69.

［55］DEH W.Time series prediction for machining errors using support vector regression［C］//Proc.of the 1st International Conference on Intelligent Networks and Intelligent Systems，2008：27-30.

［56］童新安.基于灰色系统与神经网络的组合预测方法及应用研究［D］.西安：西安电子科技大学，2012.

［57］卢庆龄，白盟亮，彭艳丽，等.基于灰色神经网络的装甲器材需求量预测［J］.装甲兵工程学院学报，2011，25（6）：19-22.

［58］LU Q L，BAI M L，ZHANG X Y，et al.Research on armored equipment requirement prediction based on GNN［C］//KhineSoeThaung.Proceedings of 1st Computers，Communications，Control and Automation Conference.Hong Kong：Institute ofElectricaland Electronics Engineers，Inc，2011：216-218.

［59］刘权羲.基于灰色神经网络的装甲部队油料消耗预测技术研究［D］.沈阳：沈阳航空航天大学，2014.

［60］高鹍，邢国平，孙德翔，等.灰色关联支持向量机在备件库存消耗预测中的应用［J］.电光与控制，2012，19（3）：100-105.

［61］赵建忠，徐廷学，刘勇，等.基于粗糙集和BP神经网络的导弹备件消耗预测［J］.兵工自动化，2012，31（7）：66-71.

［62］ANDERSON L，BOX N，CARTER K，et al.Probability and confidence trade-space （PACT） evaluation：accounting for uncertainty in sparing assessments［R］.Houston：National Aeronautics And Space Administration，Houston，Tx.Lyndon B.Johnson Space Center，2012.

［63］孙强，岳继光.基于不确定性的故障预测方法综述［J］.控制与决策，2014，29（5）：769-776.

［64］石玉峰.战时不确定性运输路径优化研究［D］.成都：西南交通大学，2005.

［65］陈长军.基于信息不确定性的军事运输隐蔽性路径的选择问题研究［D］.南京：南京航空航天大学，2010.

［66］张瑞.不常用备件需求预测模型与方法研究［D］.武汉：华中科技大学，2010.

［67］刘志焘.基于支持向量机的不常用备件分类模型研究［D］.武汉：华中科技大学，2008.

［68］王文.基于支持向量机的不常用备件需求预测方法研究［D］.武汉：华中科技大学，2006.

［69］DUSSAULT C J H.Evaluation of air force and navy demand forecasting systems ［D］.Stat of Alabama：Air University，1995.

［70］ALAN F.Estevez.RFID vision in the DOD supply chain［J］.Army Logistician，2005，37（3）：5-7.

［71］曹小平，孟宪君，周红，等.保障性论证［M］.北京：海潮出版社，2005.

［72］BUXBAUM B.Demand planning ［J］.Military Logistics Forum，2011，5（9）：9-12.

［73］黄益嘉.信息化战争装备维修保障［M］.北京：国防工业出版社，2007.