作战方案评估方法综述

2018-12-13刘翔宇赵洪利杨海涛

兵器装备工程学报 2018年8期

关键词：斯特分析法效能

刘翔宇，赵洪利，杨海涛

(1.航天工程大学研究生管理大队，北京 101416； 2.航天工程大学，北京 101416；3.航天工程大学航天遥感实验室，北京 101416)

作战方案评估是信息化战争的重要决策环节,对战争的胜负有着十分重要的影响[1]。一般作战方案评估定量地描述相关部队完成任务的能力，为指挥员进行精确筹划和决策提供直接参考。

本文在总结前人提出的作战方案评估方法的基础上，对每类方法的特点进行了简要总结，并对比各自的优缺点，重点介绍了层次分析评估法、兰彻斯特方程评估法和深度学习评估法，分析了作战方案评估领域的难点以及进一步的发展方向，探讨了急需解决的问题。

1 作战方案评估方法现状

经过长期的发展，产生了大量的作战方案评估方法。划分的标准不同，评估方法的种类也不尽相同。随着信息化战争程度的加深，智能化战争初露头角，各国军事信息体系不断完善，对作战方案的评估需求也日益迫切。本文对常用的作战方案评估方法进行总结，归纳如图1。

1.1 数学解析法

数学解析法主要根据评估对象和相关指标之间的关系，通过理性的推理分析，应用数学推导、演绎建立相应的函数关系，并通过数学公式进行求解得到评估结果。

数学解析法的主要方法有：结构方程模型ADC模型法[2]、兰彻斯特方程法、复杂网络法、灰色评估法、指数法[3]、信息熵评估法、数据包络分析法、系统有效性分析法、理想点法、平衡计分卡法、质量功能展开法、多元统计法。其中多元统计法又包括主成分分析法、因子分析法、聚类分析法、判别分析法。

优点：理论性强、客观性好、变量之间的关系简洁明了、公式与推导过程客观可见。

缺点：有时评估对象之间的关系过于发杂，模型公式难以建立，有时困难。

1.2 专家评估法

专家评估法是以专家自身的经验为主进行判断和评估的方法，它分为两类：一类是没有任何数学理论与数据的支撑，完全依靠专家自身的经验进行主观判断的专家打分法；另一种是定性分析与定量分析相结合，即有人的主观判断，又有数学理论的支撑方法，如层次分析法[4]、模糊综合判断法、多属性决策法，其中多属性决策法又包括ELECTRE法、MAVT(Multi-Attribute Value Theory,MAVT)法。

优点最大的优点在于，能够在缺乏足够统计数据和原始资料的情况下，做出定量估计，可以充分发挥专家的主观判断作用，具有使用简单、直观性强的特点。

缺点：由于专家评价的准确程度主要取决于专家的阅历经验以及知识的广度和深度，要求参加评价的专家对评价系统具有较高的学术水平和丰富的经验知识，但同样也存在着不足：一个方面，在专家的选择上，怎样才能保证专家的权威性和专家小组组成的合理性，是在实际研究中需要解决的问题；另一方面，由专家们进行主观判断缺乏必要的数学理论支撑，主观性太强，有时会使评估的结果不够客观和准确。

1.3 试验统计分析法

试验统计法是以经典的概率论和数理统计为理论基础，通过采集实战、演习的相关数据，获得大量的统计资料，从而来评估武器装备系统或作战方案的效能。

目前试验统计分析法主要以计算机仿真为主，试验统计法为辅。常用的试验统计法主要有点估计法、回归分析法、区间估计法、抽样调查法、假设检验法、演习法。

优点：该方法的指标数据源于实际作战条件，受主观因素影响较小，并且像参数估计、假设检验等常用的评估方法都比较成熟，故在效能评估领域被认为是一种客观可信的基本评估方法，常常用来验证其他评估方法的有效性。

缺点：利用试验统计分析法得到的效能评估结果较为准确可靠，但是对于像部队作战演习这类大型军事活动，耗费人力物资巨大，无法多次实施以获得大量反映作战过程随机特性的统计数据，故此方法在实际部队作战效能评估方面应用不多。

1.4 作战仿真模拟法

作战仿真模拟法[5]是通过评估对象的特点，采用建模仿真的手段建立仿真模型，通过研究模型的仿真过程和仿真结果，得到评估结果。

作战仿真模拟法主要包括：数值模拟法、模拟实验法、蒙特卡罗法、系统动力学法、ATCAL模型法、TACWAR模型法、MAS(Multi-Agent-System)仿真法[6]、 HLA分布式仿真法。

优点：作战仿真模拟法的优点是实践性强，可以进行多次重复试验，准确得到不同条件下的概率分布，参训者可以迅速掌握实际工作中的机器操作，进而得到评估结果。

缺点：由于仿真毕竟不是真的，有的参训者主观重视程度不够、操作随意性大，容易脱离作战实际；准备工作复杂，评估对象中存在许多因素难以量化，给建模和仿真造成一定困难。

1.5 新兴作战方案评估方法

近年来，评估理论逐步发展、成熟，积极吸收并融合了其他学科领域知识，拓展了学科的边沿，最终促进了新的评估和决策理论的发展，管理科学、应用数学、系统论、信息论、计算机技术、人工智能技术、工程技术思想引入评估领域，产生了一系列新的评估方法，同时，不同评估方法的综合和交叉也促进新方法和新思想的产生。

新兴的评估方法主要有支持向量机评估法[7]、探索性分析法、探索性+分析法、博弈论法、控制论法、数据耕种与挖掘法、深度学习法[8-9]。云评估法、SEA法、生克评估法、物元评估法等。

优点：随着战争的智能化、复杂化、信息化、数字化程度越来越高，评估的难度越来越大，传统的评估方法不再适用，新兴的评估方法在个别领域能够很好地解决问题；新的评估理念和方法极大地丰富了评估理论。

缺点：各种新兴评估方法的适用范围存在局限性，只能够解决某一类评估问题，总体适用性不高。

1.6 其他方法

除了传统的数学解析法、专家评估法、试验统计分析法、作战仿真模拟法以及新兴的作战方案评估方法外，还有一些其他方法如性能对比法、影像图建模分析法、Petri网法[10]等。

优点：这几种评估方法评估针对性极强，对于某一类特定的问题有着优于其他评估方法的优势。如果评估目的是想要清楚地展现不同类评估对象的性能特点，则使用性能评估法；如果手中有大量评估对象的影像数据，想要完成对评估对象某些特征的识别与提取，则使用影像分析法；如果评估目的是得到与评估对象有关的系统状态与动态行为方面的信息，且评估对象存在并发、异步、分布、并行、不确定性和随机性的特点，则使用Petri网法。

缺点：极强的针对性同样也使此类方法适用范围很小，只能够解决某一类特定的评估问题，总体适用性很低。

2 典型作战方案评估方法

作战方案的评估方法种类繁多，在这里重点对层次分析法、兰彻斯特方程法、深度学习法进行分析介绍。

2.1 层次分析法

层次分析法(Analytic Hierarchy Process,AHP)是美国著名运筹学家，匹兹堡大学教授Thomes L.Saaty于20世纪70年代中期提出的。层次分析法将复杂的评估问题进行分解处理，将人的主观判断进行定量刻画，是一种定性和定量相结合的多准则评估方法。尽管从数学原理上讲AHP有着深刻的内容，但本质上是一种科学的思维方式。

自20世纪80年代AHP法被引入到国内，由于该方法简单快速，迅速在各个行业中得到广泛的应用，特别适合用于解决半结构化、非结构化的复杂系统问题。通常利用AHP中判断矩阵的方式，确定定性指标的权重，再与模糊综合判断法、灰色理论等方法结合达到解决问题的目的。虽然AHP法在处理某些问题上占有一定的优势，但在效能评估问题上存在一定的缺陷：比如构建的递阶层次结构具有自上而下、逐层传递的支配关系，过分简化了作战系统的非线性、协同化等复杂问题，无法反映下层对上层的反馈作用或者层次间各要素的相互影响；由于不同的专家往往得出不同的判断矩阵，受人为因素影响较大，导致计算结果不稳定；在进行一致性检验时需要计算判断矩阵的特征值，但在AHP法中一般用的是求平均值的方法求特征值，对于一些病态矩阵有系统误差；AHP法的目的是给定的方案中选择最优的，无法产生更好的新方案。

郑锦、王宇基于层次分析法对水面舰艇的作战效能进行了评估，构建了水面舰艇反导作战指标体系，建立了相应的水面舰艇反导作战效能评估模型[11]；孙克鹏通过层次分析法构建军队作战心理风险评估系统，对参评人员作战风险等级进行评定，综合评定结果针对个人提出合理评价，以达到军人作战心理战前风险评估目标，避免战争中的不必要伤亡[12]；李宁、陈晖为提高作战指挥效能评估的合理性和准确性，分析了现代战争中作战指挥活动内涵，探索了作战指挥效能评估内容构成要素，构建了准确反映作战指挥效能水平的评估指标体系，设计了灰色层次分析法，并运用实际算例验证了评估模型的合理性以及算法的有效性[13]；安明伟等人针对坦克电台通信效能评估的复杂性，运用层次分析法，确立了坦克电台通信效能评估指标集，实现了通过实验数据采集定量分析坦克电台通信效能[14]；王晨从C4ISR通信网络效能的角度出发，引用灰色理论中的相关方法，充分发挥灰色理论在处理不确定信息方面的优势，从定量的角度分析，探讨构建C4ISR通信网络效能评估模型[15]；轩永波等为对空间武器系统作战效能进行评估，研究了空间武器系统的作战效能评估指标，通过改进的标度矩阵法确定权重的大小，结合层次分析法和灰色理论对空间武器系统作战效能进行评估[16]。

2.2 兰彻斯特方程法

1914年，兰彻斯特在其名著《战争中的飞机：第四个兵种的出现》中首次提出了作战损耗定量分析的兰彻斯特方程。与F.W.兰彻斯特一起，当时在作战损耗数学研究方面堪称先驱的还有另外三名学者：① J.V.蔡斯，曾担任美国海军上将，他在1902年发表的论文《海战：优势兵力效能的数学研究》中，首次提出了作战损耗的数学公式；② B.A.费斯克，也曾担任美国海军上将，他在1905年发表的论文《美国海军政策》和1916年出版的著作《作为战争机器的海军》中，首次引入了平方率的状态街和兵力集中原则的概念，并对平方率进行了详尽地讨论；③ M.奥西普夫，他在1915年俄国杂志Voenniy Sbornik(军事篇)上连续发表5篇文章，利用数学和统计学的知识，系统地分析了从1805年到1905年100年间的38次战争的历史数据，提出了完整的作战损耗理论的数学公式，因此兰彻斯特方程也称为兰彻斯特-奥西普夫方程。

兰彻斯特方程是一组描述交战双方作战力量损耗的微分方程，可以用来对作战过程进行各种预测。例如，预测交战双方哪一方获胜；预测作战过程的大致持续时间；预测作战结束时胜方损失大小；预测初始总兵力和战斗力的变化会对作战结局带来哪些影响等。由于兰彻斯特方程式确定性模型，所以不需要多次重复计算。其主要优点是便于分析人员进行灵敏度分析，迅速改变兵力编成、装备特性等变量的结果，适用于各种规模的作战模拟，尤其可以推广到大规模战役模型，克服大规模战争仿真模型的困难。

兰彻斯特方程最基础的形式为兰彻斯特第一线性定律、兰彻斯特第二线性定律[17]、兰彻斯特平方定律[18]，早期的一些学者对一些特殊情况下的战斗进行研究，在兰彻斯特方程的基础上发展并建立了新的计算模型，统称为兰彻斯特型方程[19]，戴奇曼(S.J.Deitchman)提出了游击战模型[20]。穆斯(Paul H.Moose)在总结研究兰彻斯特方程的基础上，提出了信息战方程[21]。德国著名军事理论家克劳塞维茨(C.Von.Clausewitz)提出概率型兰彻斯特方程。国外对兰彻斯特方程的研究较早。戴奇曼、穆斯、克劳塞维茨等研究的重点在于兰彻斯特方程形式的优化，后来的研究者(P.S.Sheeba、D.Ghose)的研究重点集中在损耗系数的计算[22]与活力分配问题[23]。国内对兰彻斯特方程的研究较晚，相关论文较少。目前搜到的一些论文，多侧重于对兰彻斯特方程的介绍或简单的适应性改造[24-25]。

2.3 深度学习法

2006年，加拿大多伦多大学教授、机器学习领域的领军人物Geoffrey Hinton和他的学生Salakhut-dinov提出了深度网络和深度学习的概念，打破了神经网络研究工作较长时间的静寂，开启了深度学习研究的新热潮[26-27]。深度学习是机器学习研究中的一个重要方向，随着AlphaGo、Master相继击败世界级的围棋高手，在围棋界和科技界引起了巨震，促进人们对于深度学习的重视。2017年，AlphaZero通过自学习打败AlphaGo更加引起了人们对深度学习领域的重视。深度学习方法通过多重组合学习底层信息，然后逐层压缩来发现大数据本质特征，有利于提高识别、分类和预测的准确性。总的来讲，深度学习具有强大的非线性处理能力，逐层理解、自动分析提取的结构，良好的“记忆”性质等独特优势，目前已被誉为最接近人脑的智能学习方法。深度学习所得到的深度网络结构包含大量的单一元素(神经元)，每个神经元与大量其他神经元相连接，神经元间的连接强度(权值)在学习过程中修改并决定网络的功能，包括可解决复杂、非线性、大数据问题的重要功能。

目前，深度学习也被越来越多地应用于方案的评估与筹划当中。利用深度学习神经网络具有的能逼近任意非线性系统的优势，通过已知数据构建模型，实现模型对位置数据的模式识别，达成评估作战方案的目的，为研究方案评估提供了一种新的方法。由于方案的效能评估牵涉到各种特性迥异、重要性程度各不相同的力量及运用，这为引入神经网络解决问题提供了条件。王静岩、郑建军、吴裕树等通过对合成旅作战过程中主要因素的分析，建立了较为完备的作战指标评估体系和作战方案评估模型。针对作战方案评估，提出基于RPROP和基于神经网络集成的两种作战方案评估方法，从而降低了评价过程中人为因素的影响[28]。高桂清、施旭鑫、李治、张会其构建了一般的机动发射式导弹作战方案评估指标体系，通过BP神经网络模型对拟制的导弹作战方案进行评估，得到了评估结果，为导弹武器作战时快速优选作战方案创造条件[29]。田成祥、候德广在对工程兵桥梁爆破影响因素分析的基础上，构建了以爆破人员、爆破目标、爆破工具为主的桥梁爆破方案评估指标体系，并确立了基于BP神经网络的军用桥梁爆破方案评估模型[30]。刘铜、李小全、王永良、王键等针对炮兵火力运用方案评估中的主观性和不确定性，将模糊理论融入到BP神经网络对其进行评估，并通过多种群自适应遗传算法对神经网络进行优化以提高评估效率，构建了炮兵火力运用方案评估指标体系、评估流程和评估模型，结合实例进行了仿真验证分析，得出了较为可靠的结论，为炮兵火力运用方案评估提供了有效的方法[31]。刘祖煌、程启月利用径向基神经网络，通过已知数据构建模型，完成了对一类航空兵火力打击方案的效能评估[32]。肖凡、刘忠、黄金才等针对作战方案效能评估，分析了当前作战方案效能评估的现状，从信息能力、决策能力、资源消耗和方案自身结构链路关系四个方面提出了作战方案效能评估指标体系，为以后作战方案指标体系的构建提供了借鉴[33]。火箭军工程大学的夏维、刘新学、范阳涛、范金龙针对现有城市系统作战能力评估方法较少的问题，利用BP神经网络在能力评估方面的自适应性、自学习性、强容错性和泛化映射等优势，建立评估指标体系并给出指标的隶属函数。通过模拟退火遗传算法(simulated annealing and genetic algorithm,SAGA)优化BP神经网络的连接权重和阈值，弱化了指标评价过程中的人为因素，提高了评价结果的准确性、客观性和权威性，有效解决了传统遗传算法和BP神经网络容易陷入局部极小值、收敛速度慢和抗干扰能力差的问题[34]。

3 下一步的研究方向

作战方案评估理论与方法在不断地完善与丰富,其面临的挑战也越来越大，下一步的研究主要有以下几个方面：

1) 作战方案的层级问题。针对目前的作战方案评估，大部分的评估研究集中装备性能的评估、战役、战术级的作战方案效能评估、单一兵种作战方案的效能评估，针对天基信息支援下的多军种联合一体化的作战方案评估还没有有效的评估指标体系，无法为战略指挥员提供战略决策依据，如何建立一套粗细力度适中的战略级作战方案评估指标体系，并将传统评估方法与新兴评估方法进行有效结合，是未来军事评估发展的必然趋势。

2) 数据样本问题。深度学习在作战方案评估中还处在摸索阶段。深度学习在光学图像上的成功应用为作战方案评估提供了理论基础，但是其训练样本数量无法与光学图像相比，对于天基信息支援下的联合作战来讲，获得数据少、获取、提取数据难的问题导致其训练的模型容易过拟合。为了克服这个问题，首先要对现有的几场天基信息支援联合作战相关战例数据进行梳理；其次，对训练样本的要求，将全监督的训练模式转变为弱监督的方式，甚至是无监督的方式。为实现快速、自动的、准确地作战方案评估提供可能。

3) 评估速度问题。由于战场环境的快速变化和不可预测性，对作战方案评估的速度要求越来越高，如何将现有的评估方法与人工智能、大数据技术相结合来提高评估速度是研究者们一直追求的目标。