多种方法结合的作战效能评估研究*

董彦非，王 曦

（西安航空学院飞行器学院，西安 710089）

1 作战效能评估概述

作战效能是作战系统在预定的环境和条件下，能够满足作战使用要求的能力或度量［1］。武器装备的作战效能评估有助于明确其在作战使用中的价值，为武器装备调配部署、效费分析和发展规划的决策者提供参考依据，也为武器系统整体作战效能提高创造条件。

作战效能是综合能力，需要全面考虑所有相关参数。有的参数可以得到确切数据，有的则不能直接测量或统计，只能估计，因此，武器系统的效能通常只能“评估”而不能直接计算［2］。而评估就会带来一定的经验判断成分。

作战效能评估最直接的目的就是武器系统之间的“对比”，其作战效能值都是相对值。作战任务的种类很多，也很复杂，很难得出一个“效能常数”。有些方法表面看其评估结果是绝对值，但实际上还是相对值。由于效能评估会伴随不同程度人的主观评定因素，因此，评估结果都或多或少有一定的局限性。

不同作战效能评估方法之间的差别主要体现在方法本身实现的难易程度、应用范围等方面，不存在完全公平和全面合理的评估方法和评估结果。每种方法评估出来的效能值只在预定范围和假设条件内可信。

2 评估方法与验证问题

2.1 评估方法比较

目前用于武器装备作战效能评估模型除了常用的解析计算法（如综合指数法模型［3-4］）、专家评估法和作战仿真以外［5-7］，其他如智能算法中的神经网络方法以及灰色关联等方法也得到应用［8-10］。从各种文献的结果可知，这些方法都可以用于评估作战效能，但是仔细分析，所有方法都有一定的优点和局限性。

解析计算法的优点是公式透明性好，能够进行变量间关系的分析，计算比较简单，便于应用等。主要缺点是权重仍然依赖主观赋权，其合理性容易受到质疑。

灰色关联法的优势在于评估信息有限的不确定系统，该方法对样本量的多少没有过多的要求，也不需要典型的分布规律。其主要问题是需要合理选取分辨系数，才能使最终的评估结果具有良好的区分度。该方法未进行加权处理，重要指标不能得以凸显；如果引入权重加以改善，又增加了方法的主观因素。

作战仿真方法理论上具有很高的可信度，但是实际仿真系统往往无法做到完整模拟武器装备全部内部和外部表现，也难以完全真实地呈现作战环境和过程。同时，由于仿真系统对软硬件要求高，对数据要求量巨大，耗时长，且要通过大量仿真试验后的统计分析结果评估效能，使其应用范围受到严格限制。

专家评估的优点是：擅长处理评估中存在难以量化的性能指标问题，以及评估不确定性和模糊性问题；同时，评估结果是各方面专家的共同评估结果，因此，评估结论更容易得到大家的认可。

专家评估的主要缺点是：消耗大量人力、物力和时间，如德尔菲法（Delphi）一般要经过三轮，甚至五轮评估，组织和实施过程也比较复杂，很难做到对每一种新加入型号都进行专家评估［11］。

BP神经网络法的优点是：适合解决需要同时考虑许多性能参数和条件的问题，评估效率高，训练完好的BP神经网络可以在输入新的评估机型参数后立即得到评估结果。

BP神经网络法的主要缺点是：评估效果严重依赖训练样本的好坏，没有广泛认可的训练样本，就无法得到效果良好的神经网络模型。

实际评估中，扬长避短地结合多种方法评估作战效能，可以得到更好的评估效果。

此外，在实际作战效能评估中，可能会遇到前期样本庞杂、重复等问题，不仅会增加效能评估的工作量，还会直接影响训练样本的质量。此时可以选用粗糙集对初始样本集和结构进行预处理，应用粗糙集的属性约简功能使模型中的冗余指标和样本数量削减，以精简后的指标和样本集进行作战效能评估可以提高预测精度和计算效率。

2.2 组合模型选择

根据前面的分析，这里以“粗糙集+专家评估+神经网络”的组合评估方法为例介绍评估过程。这种组合方法的思路是：先用粗糙集对初始样本集和结构进行预处理，再结合专家评估与BP神经网络的优点进行作战效能评估。

首先使用粗糙集在初始训练样本集中降低维度，剔除重复对象和冗余条件属性，同时保留原数据集的有用信息，得到“新样本”。

然后使用“新样本”，利用专家评估得到作战效能评估结论。

最后将专家评估结论作为BP神经网络的训练样本，训练后得到基于专家经验的BP神经网络模型，可以高效地评估新的武器系统型号。

粗糙集理论指的是一种对象分类能力，该知识通常由列联表表达，是一种用来表示等价关系的特殊的形式化语言［12］。粗糙集理论的属性约简实现了重复对象、冗余条件属性删除。

专家评估法在效能评估中常使用德尔菲法（Delphi）和层次分析法（AHP法），这里选用德尔菲法评估。其实施的基本过程为：首先确定评价项目、评价因素，向相关的专家邮寄调查表进行征询，然后将回收的专家意见进行统计分析，再进行下一轮征询，反复几次直至意见一致［13］。德尔菲法的评估过程一般分为三至四轮。

神经网络模型采用BP神经网络，实际使用3层6×13×1的结构，并使用Matlab中的mapminmax函数对神经元传递函数进行归一化与反归一化。

2.3 验证问题

作战效能评估结果的验证问题一直是效能评估领域研究的一个难题。作战效能评估研究由于其军事应用的特殊性，不仅核心数据资料获取非常困难，通常也难以进行实战和试验检验。国内外对效能评估结果验证通常采用以下方法：

1）对于成熟的武器装备类型，由于装备数量大以及试验、战场实用结果资料丰富，可以采用得到广泛认可的作战效能排序结果验证评估方法，进而推广到新型号的评估结果。

2）如果有完善的仿真系统，以及充足的数据支持，可以采用仿真验证方法。

3）对于不具备前面两种验证条件的武器装备，通常采用不同作战效能评估模型之间的相互印证。

满足合理、可用这两个条件的不同作战效能评估方法所得结果应该是基本一致的，作战效能结果排序不应该存在大的差异。因此，采用多种方法评估作战效能，可以相互印证评估模型和结果的合理性。

本文的算例中，作战效能评估结果将与采用综合指数模型计算的结果进行对比，验证模型的合理性。

3 多种方法结合评估效能举例

3.1 评估流程

本文以无人攻击机对地攻击效能评估为例［14-17］，验证方法的可行性和合理性。

本评估用到的方法包括：粗糙集、德尔菲法、BP神经网络和综合指数法。

首先使用粗糙集降低无人攻击机样本训练集的维度，同时保留原数据集的有用信息，从而提高效率。

然后采用德尔菲法得到的多个无人攻击机效能评估的输入、输出结果。

将德尔菲法评估结果作为BP神经网络的学习样本集，完成训练后即得到基于专家经验的BP神经网络模型。

将n组待评估新机型数据分别采用BP神经网络和综合指数评估，对比评估结果验证合理性。

根据前面分析，确定的作战效能评估流程如图1所示。

3.2 算例与分析

在数据预处理阶段，采用等频法对原始数据进行离散化处理。通过属性约简，简化信息表系统复杂程度，同时删除冗余重复的样本。

在专家评估阶段，需准备的材料包括：1）无人攻击机的作战模式；2）现存无人攻击机性能介绍；3）评价指标的确立；4）评估指标的量化方法。以上材料需要参与评估的专家在评估前认真阅读。

图1 评估流程

在本次评估中，把无人攻击机对地攻击能力的大小分为10个等级。最低等级为1，最高等级为10。请各位参与评估的专家根据给定无人攻击机量化指标值给出该型无人机对地攻击能力的大小评估。按照德尔菲法的评估过程，得到专家评估结果，统计处理汇总如下页表1所示。

利用表1专家评估法评估的结果对BP神经网络进行训练，训练的结果为表2所示，同时采用综合指数模型评估根据表1中数据计算作战效能。此外，增加一个新机型G的数据进行评估计算。

从表2的对比结果可以看出，两种方法的评估结果值由于量化方法不同，存在较大差异，但是效能评估的排序却基本一致，说明本文采用的方法可用、合理。

4 结论

根据算例可知，基于专家评估的BP神经网络模型建模思路和方法合理，可以用于武器系统作战效能评估。同时，与综合指数模型计算结果较强的一致性说明了以上方法基本可靠。对于其他类型武器装备效能评估研究的建模问题均具有一定指导意义和参考价值。

评估时如果出现样本庞杂、重复等情况，可以采用粗糙集提高训练效率。

表1 专家评估结果统计处理汇总

表2 评估结果比较

综合指数模型适用范围最广，可以满足军地多方面需要，是一种基础方法，同时也可以作为对其他评估方法的验证手段。

专家评估与BP神经网络组合方法最核心的优势在于，通过一次专家评估和神经网络训练，即得到了基于专家经验和知识的高效率的神经网络模型。在此后的应用中，不再需要耗费大量的人力、物力和时间组织专家参与，即可得到认可度较高的评估结果。但是，这种方法对于训练样本的要求较高，对前期专家评估的合理性依赖性过强。要求神经网络的训练样本充足、合理，才能使网络拟合效果良好。

基于专家评估的BP神经网络虽然实现过程较复杂，难度较大，但是考虑到其认可度和计算的高效率，非常适于作为一种典型方法使用。作战效能评估的性质决定了不存在绝对合理和适用各种情况的评估方法。要根据研究目的、条件等具体情况合理分析选择，并考虑选择合适的验证手段。