一种考虑作战阶段的目标价值分析方法*

吕学志

（解放军32179 部队，北京 100021）

0 引言

在现代作战环境中，分析评估目标价值，得到目标打击清单不仅是作战计划的重要环节，也是战场态势认知的重要内容，直接影响着作战目标的实现和作战效果的达成。美军认为，目标价值分析是为确定军事重要性、攻击优先顺序和实现想得到的损害或伤亡程度而对潜在目标进行的研究［1］。本文认为，目标价值分析是通过研究目标，确定目标重要性、对敌我双方影响，以及是否进行实施打击的活动。本质上，目标价值是用来衡量在一定条件下，对战场目标实施打击行动必要性的一种综合性指标，主要描述的是目标对战场态势影响的大小。同一战场目标，在不同作战时节、不同战场环境或不同作战任务情况下往往具有不同的价值［2］。

目前目标价值分析主要有4 种方法。一是基于个体属性的目标价值分析。这类方法根据目标的属性，给出量化方法和指标，对目标综合指标进行计算和排序，适用于目标彼此独立时的目标价值分析。何幼林利用TOPSIS 优选法和灰色关联度法对炮兵战场目标价值进行了分析和排序［3］。张晓南提出了基于DEA 方法的坦克战场目标价值分析关键技术，包括坦克战场目标价值指标分析、DEA 模型的建模、结果分析以及排序技术［4］。

二是基于复杂网络的目标价值分析。通过构建复杂网络，通过研究复杂网络特征性质来确定目标的体系重要性已成为一个热点。Albert 等人在复杂网络的研究中，发现多数的网络对于随机的结点删除都具有一定抗毁性，而删除最大的度指标节点却最为脆弱［5］。张剑锋等研究了进行信息作战目标价值比较的不同尺度，确定了信息网络中作战目标价值的量度标准并应用图论的方法，分别建立了节点型目标、节点组目标和链路型目标价值的计算模型［6-7］。

三是基于概率网络的目标价值分析。这种方法主要使用贝叶斯网络、影响网等因果网络模型对具备复杂关联的目标体系结构和状态进行建模，分析目标对整个目标体系状态与效能的价值和影响。朱延广等针对现有打击目标选择方法，未能描述物理目标毁伤效果与作战目的实现之间因果影响关系，提出基于影响网络的联合火力打击目标选择方法［8］。雷霆等分析了目标体系攻防的博弈过程，使用动态贝叶斯网络，描述了对抗双方策略对博弈状态的影响，将目标选择问题转化为标准的博弈树对策问题求解［9］。

四是基于人工智能的目标价值分析。宁庶亮等针对联合火力打击中目标价值的特点，运用BP 神经网络理论对目标价值进行分析，并建立了联合火力打击目标价值分析指标体系，设计了BP 神经网络模型，对目标价值进行分析，得到了目标打击序列分类［10］。陈培彬根据联想记忆的一般模型和迭代解法，对炮兵战场目标价值进行了分析和排序，并运用计算机进行处理，为炮兵指挥员的决策行为提供了依据［11］。

现有的目标价值分析研究还存在一些不足：一是目标价值分析较多为战术层级，较少考虑战役、战略层级目标价值分析。二是缺乏对态势变化的考虑。本文提出一种考虑作战阶段的战役级目标价值分析方法，在目标体系结构价值，目标个体价值的基础上考虑了作战阶段的影响，能够更好地适应作战态势变化，提供更合理、科学的目标选择清单。

1 方法框架

由于本研究旨在对敌方目标进行价值分析，确定出最关键的目标，以便进一步施加影响或采取行动。因此，必须通过一系列评估指标和一套具体的评估方法来确定目标价值，根据目标价值进行排序，以有效实现作战效果，达成作战目的。具体步骤如下：

Step 1：构建目标体系的复杂网络。对作战环境中的政治、社会、经济、军事设施、民用设施、信息设施分别建立网络模型。重要的民用和军用基础设施，食品供应系统和供水系统、信息基础设施相对稳定，可以用无向网络进行描述。有向网络主要是由人驱动的系统，如政治机构、社会部门和经济系统；这种网络描述不平衡的关系，并可以用影响网络来建模。

Step 2：确定作战阶段目标体系权重。根据作战条令，对作战阶段进行区分，并确定每一作战阶段各类型目标体系的权重。

Step 3：确定目标网络价值。针对作战目标，各类型目标体系特点，灵活选择中心性度量指标，并进行计算，得到目标网络价值。

Step 4：确定目标自身价值。根据目标属性对目标自身价值进行评分。

Step 5：生成目标列表。根据各作战阶段各类型目标体系权重、目标网络价值、目标自身价值，综合得到目标价值分值，按照目标价值分值对目标进行排序，得到目标列表。

Step 6：目标分配与打击。根据可用的作战手段，分配目标，并实施打击或影响。

Step 7：效果评估。对作战效果进行评估，根据评估结果重新进行新的目标选择与打击周期，在新的周期中可调整目标价值分析模型算法，如调整当前作战阶段各类型目标权重。

运用此方法生成目标清单后，需要注意两个问题：一是该目标清单提供了什么信息？二是目标清单的作用是什么？实际上，该方法就是建立一个描述真实目标体系的复杂网络模型，通过综合考虑作战阶段、复杂网络结构、目标自身价值等因素得到加权目标清单。该方法解决了使用有限资源，并最大化对敌作战效果的问题。有了这样一个最终目标清单，决策者都可以有效、高效地将目标打击任务下达给所属部队。此外，目标选择、打击和效果评估是一个迭代过程。这个过程的关键是图1 中的评估和调整循环。一旦完成目标价值分析，己方打击行动作用于敌方目标体系中的某些目标，目标体系的复杂网络就会作出反应。因此，必须重新构建复杂网络模型，不仅有助于目标的更新迭代，而且有助于评估上一次行动中所取得的作战效果。只有这样，决策者才能获得所需的态势理解，以确定是否取得作战成功，评估作战阶段的任何态势变化，或重新评估当前作战阶段各类型目标体系的权重。

图1 方法框架Fig.1 Method framework

图2 各类目标体系的复杂网络Fig.2 Complex network of all kinds of target systems

2 构建目标体系的复杂网络

本文所提方法的第1 步是构建敌方目标体系的复杂网络。由于打击手段的丰富发展和打击精度的日益提高，打击目标已经不再局限于军事目标，政治中心、经济设施等众多目标类型也被纳入了打击范围。因此，需要将敌方的政治、经济、军事、社会、基础设施、信息（PMESII）等目标体系建立相应的复杂网络模型。复杂网络包括两种类型：一是“硬目标”网络，该网络可以表示为无向网络，边表示是否存在关系。这些网络是“基础网络”，代表物理基础设施，如电信节点、电网、供水、食品供应和应急服务系统。考虑到特定军事目标和信息系统，基础网络包含敌方军事设施、基础设施和信息设施。基础网络的另一个判别标准，除了描述节点之间的关系之外，这些网络中的系统不会随时间快速变化。

二是“软目标”网络。政治、经济和社会目标的复杂网络依赖于节点之间的相互影响力，可以归为“影响网络”。对于描述政治、社会和经济的影响网络与基础网络是有区别的：1）基础网络是无向的，影响网络是有向的；2）基础网络的连接要么有，要么没有，是二元的；影响网络的连接是介于［0，1］之间的概率。例如，在政治网络中，概率将描述政治实体与其他人员之间的影响。

3 基于作战阶段的目标体系权重分析

3.1 作战阶段

作战阶段是按照作战进程中任务要求或行动性质的不同，对作战全过程的划分，通常划分为作战准备、作战实施和作战结束3 个阶段。作战实施阶段，还可根据作战可能的进程和发展变化，按任务、打击目标或主要作战行动，进一步划分为若干具体阶段或时节。

例如，美军联合出版物JP 3-0 简要描述了战役阶段及其任务类型，如图3 所示［12］。

图3 美军对战役作战阶段的划分Fig.3 The campaign combat phase division of US army

图4 神经网络结构Fig.4 Neural network structure

3.2 确定权重

对于大多数决策分析方法，从决策者获取权重是分析人员最重要的任务之一。因为这些权重在数学上代表了决策者的偏好，正确地从决策者获取权重至关重要。令wlm表示第l 个作战阶段第m 类目标体系权重，其中，l=1，...，|L|代表第l 个作战阶段，m={P，M，E，S，infra，info}代表政治、军事、经济、社会、基础设施、信息等类别目标体系。权重wlm将构成一个矩阵，从决策者视角描述各个作战阶段各类目标体系的重要程度，从而反映了不同作战阶段各类目标体系的整体价值。目前分析人员可以通过多种方法获得这些值，例如德尔菲法、环比值法、层次分析法。

4 基于复杂网络的目标网络价值分析

为了获得目标在系统网络中的相对重要性，需要根据不同的作战目的为不同网络系统选择不同的中心度指标，对其中的目标进行“打分”。文中主要使用了4 种中心度指标（但实际上，目前有几十种中心度指标），分析人员可以利用这些中心度来描述作战目的和决策者意图中的细微差别。表1 给出了中心度指标特性和可应用的系统。

表1 中心度指标特性和可应用系统Table1 Centrality index features and applicable systems

5 基于BP 神经网络的目标自身价值分析

本文将利用MSHARPP 或CARVER 这两个工具来确定目标体系的评估指标，CARVER 适合军事目标价值分析，MSHARPP 适合政治、经济、社会、基础设施、信息等目标价值分析。之后，给出利用BP神经网络辅助分析的思路。

5.1 MSHARPP

MSHARPP 是美国国防部开发的一种目标选择决策支持工具，用来分析敌、我双方目标的重要性，其主要包括任务、象征、历史、易接近性、易识别性、民众和邻近性（MSHARPP）等指标项的评估。由于其评估指标中考虑了民众、附带损伤等内容，适合评估民事目标［13-14］。

MSHARPP 主要考虑以下因素：1）任务。任务主要集中于目标遭到攻击后的态势、活动、能力和资源。通过评估以下内容来确定对目标的攻击是否会导致降级：①重要性。从功能、固有性质和经济价值考虑，衡量目标的价值重要性。②效果。从心理、经济、社会学和军事上的影响来衡量攻击行动的后果。③恢复力。从资源、零件、专业技术和人力以及冗余方面考虑，衡量目标恢复功能所需的时间。2）象征。主要考虑目标的象征意义，例如，代表军队、宗教、政府。3）历史。判断是否有攻击这类目标的历史。4）易接近性。当一方用足够的人员和装备到达目标完成任务时，目标具有易接近性。该指标评估需要确定和研究为实现其目标所必须采取的关键路径，并考虑那些有助于或阻碍接近的事物。5）易识别性。目标的易识别性是指在不同的条件下，作战力量或情报收集和侦察力量能够识别目标的程度。天气对能见度有明显而显著的影响（己方和敌人）。雨、雪和雾可能增加观察难度。为在植被稀疏和邻近高地上道路段的观测提供了良好的条件。必须考虑距离、光线和季节。其他影响识别能力的因素包括目标的大小和复杂性、有独特的目标特征、掩蔽或伪装以及敌人的技术含量和训练。6）民众。主要考虑是否会给民众带来附带损伤。7）邻接性。目标是否靠近其他人员、设施或资源等目标，这些附近目标由于其内在价值、“受保护”状态、对附带损伤的恐惧而提供某种形式的保护，例如，在国家纪念碑附近，高度受保护的宗教文化场所。表2 给出了评估标准示例。

表2 MSHARPP 评估标准示例Table 2 Assessment standard examples of MSHARPP

5.2 CARVER

CARVER 是美国陆军特种作战部队开发的一种用于分析敌方基础设施重要性的决策支持工具，其主要包括重要性、易接近性、修复性、脆弱性、影响效果和易识别性（CARVER）等指标项的评估。该方法也适合从敌方视角分析己方目标的脆弱性，在本文中用来分析敌方军事目标自身价值［15］。

CARVER 主要考虑以下因素：1）重要性。对敌目标的打击，对于敌方上级、组织或系统整体功能的发挥的影响如何？重要性取决于以下几个因素：①目标破坏的影响对单位本质功能的影响有多快？②目标损坏削减产出和基本功能的百分比？③是否存在输出产品或服务的替代品？④目标的数量及其在系统或复杂系统中的位置。⑤目标对任务完成来说有多重要。2）易接近性。目标能否受到我方的精确打击，还是防卫能力很强而难以实施攻击？在评估易接近性时，应始终考虑使用防区外精确打击武器。攻击者的生存能力通常与目标的易接近性有关。3）恢复力。快速、有效地从损坏或破坏中恢复能力如何？对目标造成的破坏或损害进行替换、修理或桥接需要多长时间？修复能力随目标部件的来源和年龄以及备件的供应情况而变化。经济封锁和可用技术资源将会影响恢复能力。恢复性关注修理或更换资产需要的时间。4）易毁性。恐怖分子利用现有资产（人员和装备）破坏目标的能力的度量。脆弱性取决于：①目标的性质。②可用的资产（人力、交通、武器、爆炸物和设备）以保护资产。③目标是否进行加固，还是进行了防卫？是否已采取措施减轻威胁？5）影响效果。按计划对目标实施打击后，对整体作战目的全局的影响程度如何？由于所采取的行动而对民众产生的积极或消极的影响。效果不仅考虑目标附近的公众反应，而且也考虑国内和国际反应。对友军的报复会有结果吗？心理战行动是否会被消弱或强化？敌方民众是否会与政府疏远，还是会成为政府的支持者？在战术层面上，效果通常是中性的。6）可识别性。目标的容易辨认的难易程度如何（如与周围的节点的区别明显吗）？传感器的能力、部队运用的条件（天气等）以及可以利用时间窗口对于行动实施的可行性如何？表3 给出了评估标准示例。

表3 CARVER 评估标准示例Table 3 Assessment standard examples of CARVER

5.3 基于BP 神经网络辅助分析

BP 神经网络（back propagation network）是目前应用最为广泛和成功的神经网络之一。它是由鲁姆哈特（Rumelhant）和麦克利兰（McClelland）于1986年提出的，是一种多层网络的“逆推”学习算法。其基本思想是：学习过程由信号的正向转播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经隐层逐层处理后传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到输入的误差减少到可以接受的程度，或达到预先设置的学习次数为止。

5.3.1 设计阶段

设计阶段主要包括输入、输出数据的准备和设计神经网络结构。为了提高模型的精度，需要6 种目标类型分别设计神经网络。为了提高模型的智能水平，本文认为需要将目标的静态属性、动态属性、环境条件等作为输入数据，而将最终目标价值评分作为输出数据。人的主观评分和目标自身的属性有着密切的关系，有些关系是可以描述的，有些关系是隐含的，通过神经网络可以有效对其中内在的关系进行描述。其带来的好处是可以快速、高效、智能地确定目标价值。必须在确定神经网络结构之前准备完毕。输入数据决定了神经网络的输入层节点个数，输出数据决定了神经网络的输入层节点个数，隐层节点个数可以按照输入层节点个数的2 倍进行确定。此外，非常重要的是根据输入数据、输出数据准备与神经网络节点规模匹配的训练数据集，用来训练神经网络。

5.3.2 训练阶段

当准备好训练数据集，并且构建了基于BP 神经网络的目标价值分析模型的时候，就可以对其进行训练了。神经网络使用一组反映各种不同情况下决策者偏好的数据进行训练，以学习决策者的行为，这种训练称为监督训练。如果没有足够的训练数据进行充分学习，神经网络也不能收敛。理想的情况，应该有足够的训练数据，这样其中一些数据就可以作为测试数据了。如果没有充足有效的数据，设计者必须调整神经网络结构。为了精确地训练模型，在训练数据集中应该包含一些极端的值（最大值与最小值）。训练数据集合应该占全部数据的80%。在训练阶段，也可根据模型性能，调整神经网络的结构或者训练数据集，直到可以满足需求为止。

5.3.3 应用阶段

一旦确定了神经网络模型，就可以利用该模型对目标价值进行分析了。

6 生成目标清单

本章主要用数学模型，对本文的方法进行描述。首先，构建第m 类目标体系的复杂网络Gm（V，E）。然后，确定第l 个作战阶段第m 类目标体系权重wlm，其中l=1，...，|L|代表第l 个作战阶段，m={P，M，E，S，infra，info}代表政治、军事、经济、社会、基础设施、信息等类别目标体系。权重wlm将构成一个矩阵，从决策者视角描述各个作战阶段各类目标体系的重要程度，满足式（1）：

根据作战目标，为第m 类目标体系选择第t 种中心度指标，并进行中心度指标计算，得到第m 类目标体系中所有节点中心度指标集合Cm。集合Ctm中第im个节点中心度指标为Ctm（im），im=1，...，|Im|代表第m 类目标体系中第im个节点，t= {D，C，B，E}分别代表度指标、紧密度指标、介数指标、特征向量指标。并用式（2）对中心度指标归一化。归一化方法的目的是在保持内部顺序和得分之间相对比例的同时，防止可能以整数（如度中心度）打分的中心度指标，不适合价值模型。

通过机器学习算法可以得到第m 类目标体系中第im个节点的自身价值Vm（im）。

然后，在第l 个作战阶段，对于第m 类目标体系，加权的节点中心度指标值与自身价值的乘积将组合在一个集合中，即Ol，m：

其中，节点中心度指标值、自身价值分别对应目标网络价值、目标自身价值。这里用乘法来综合权重、网络价值和自身价值，是因为权重、网络价值、自身价值都介于0 与1 之间，采用乘积的形式可以描述目标价值与权重、网络价值、自身价值的关系，不需要引入额外的权重因子，是一种最简单的形式。当然还可以采取其他模型来描述它们之间关系，例如权重×（网络价值+ 自身价值），但这种模型隐含了网络价值与自身价值同等重要的信息。无论采取何种形式，这些模型最终都需要得到决策者的认可。

在第l 个作战阶段，将所有类型目标体系价值集合Ol，m合并，得到目标体系价值集合Ol：

对目标体系价值集合Ol中所有节点价值进行排序，选择价值最大的若干目标节点作为打击目标，即实现目标价值分析的目的。

7 示例

为了说明本文提出的方法，随机生成6 种目标体系的复杂网络，各类型目标体系复杂网络的属性如表4 所示。

表4 示例网络特征属性Table 4 The example network feature attribute

在该示例中，只考虑一个阶段，假设政治、军事、经济、社会、基础设施、信息目标的权重分别为：0.35、0.2、0.12、0.05、0.1、0.18。根据选择的中心度指标，进行计算。对各类型目标体系的中心度指标值采用2-范数进行标准化，取前中心度指标值最大20 个目标得到如表5 所示。

表5 目标网络价值Table 5 Value of target networks

利用神经网络模型对各类目标体系中的节点（单个目标）进行评估，得到目标自身价值列表，取目标自身价值最大的20 个目标得到如表6 所示。

表6 目标自身价值Table 6 Self-worth of targets

综合作战阶段目标体系权重、目标网络价值、目标自身价值，得到最终目标清单，如下页表7 所示。从中可见，目标体系权重对于目标价值有很大的影响，政治目标的权重较大，所以，最终目标清单中前3 位目标都是政治目标。

表7 最终目标清单Table 7 Table final target lists

8 结论

目标价值分析是制定作战计划的重要内容，也是情报分析的重要工作，对于作战行动具有重要意义。本文提出了一种考虑作战阶段的目标选择方法。介绍了考虑作战阶段的目标选择方法的框架；给出了基于作战阶段的目标体系权重确定方法；针对目标特点和作战目标利用复杂网络中心度指标分析了目标网络价值；利用BP 神经网络对各类目标自身价值进行了评估；最终将目标体系权重、目标网络价值、目标自身价值综合形成目标价值，作为目标选择依据。最后，在示例中运用了该方法，验证了方法的可行性与有效性。该方法适合战役、战略目标的价值分析，不仅考虑了作战阶段对目标选择的影响，而且还综合考虑了目标网络价值和自身价值，可以更好地适应作战态势变化。今后，可以从以下两个方面进行深化研究：一是自动构建目标体系的复杂网络。目前构建目标的复杂网络还需要大量的人工，今后可以充分利用人工智能的优势，辅助人类分析决策人员更快构建目标体系的复杂网络。二是对神经网络模型进行优化。通过定性分析和定量分析（主成分分析法等）识别对目标自身价值分析具有较大影响的因素，通过实验测试合理确定隐层节点数量，扩充训练数据集，进一步优化神经网络模型，更好地描述目标客观因素与主观价值之间的联系。