基于组合智能模型的无人机作战需求方案质量评估方法

2016-01-19陈娟,王书敏,王世贵

装备学院学报 2015年6期

王书敏，男，教授，博士生导师。

陈娟1，王书敏2，王世贵2

(1. 陆军军官学院防空兵系, 安徽合肥 230031；2. 陆军军官学院炮兵系, 安徽合肥 230031)

摘要现代战场中无人机作战需求方案质量评估的影响因素日益复杂，传统质量评估方法已不能满足要求，而组合智能评估方法集成多种方法的优势，能有效解决复杂系统评估问题。综合考虑无人机系统自身的性能因素和战场环境对无人机的影响，构建了多层次的无人机作战需求方案质量评估指标体系，研究了组合智能评估方法在无人机作战需求方案质量评估中的应用，设计了基于神经网络的智能模型和基于改进熵值法的传统模型，并运用实例验证了组合智能评估方法的有效性和可行性。

关键词组合智能模型；无人机；作战需求方案；质量评估方法

作者简介陈娟(1980-)，女，讲师，博士研究生，主要研究方向为军事运筹。chenbbm@sina.com

中图分类号E25

文章编号2095-3828(2015)06-0028-05

文献标志码A

DOI10.3783/j.issn.2095-3828.2015.06.007

AbstractIn modern battlefields, evaluation on the quality of operational requirement plan of unmanned aerial vehicle becomes more and more complicated. Traditional evaluation method can not meet this requirements while compound intelligent evaluation method has advantages of many other methods so that it can effectively solve out complicated issues of system evaluation. By comprehensively considering the performance factors of unmanned aerial vehicle and the influence of battlefield environment on unmanned aerial vehicle, the paper builds up a multi-layer quality evaluation indicator system for operational requirement plan of unmanned aerial vehicle, researches the applications of compound intelligent evaluation method in this respect, designs an intelligent model based on neural network and a traditional model based on improved entropy method and verifies the effectiveness and feasibility of this compound intelligent evaluation method with real cases.

Keywordscompound intelligent model; unmanned aerial vehicle; operational requirement plan; quality evaluation method

Quality Evaluation Method of Operational Requirement Plan on

Unmanned Aerial Vehicles Based on Compound Intelligent Model

CHEN Juan1，WANG Shumin2，WANG Shigui2

(1. Air Defence Forces Department, Army Officer Academy, Hefei Anhui 230031, China；

2. Artillery Department, Army Officer Academy, Hefei Anhui 230031, China)

随着战场环境的日益复杂和无人机战术运用的不断变革，当前无人机作战呈现出协同复杂化、决策智能化和规划实时化的特点，无人机作战任务向侦察监视、火力校射、通信中继、空中预警等多元方向发展，无人机作战需求方案质量评估的影响因素日益复杂[1-2]。目前，层次分析法、灰色关联分析法、模糊综合评判法等多种传统评估方法已被广泛应用于质量评估领域[3]。但是，传统评估方法存在不足，一方面很难检验主观因素对方案的影响；另一方面无人机作战需求方案需要综合考虑无人机力量构成、敌方火力威胁、地形气象影响和地形匹配、地形跟踪，以及景象匹配等各种导航要求。因此，无人机作战需求方案质量评估是复杂的系统评估，传统的评估方法难以满足要求，而智能评估方法适于解决多影响因素的复杂决策问题。本文在深入研究无人机作战需求方案影响因素的基础上，研究智能评估方法在无人机作战需求方案质量评估中的应用，构建无人机作战需求方案质量评估体系，提出组合智能评估模型和评估流程，实现无人机作战需求方案的优选。

1评估指标体系

装备作战需求方案质量评估，主要有系统效能分析和作战运用效能分析2种方法[4-5]。无人机作战需求方案是在特定作战背景和作战要求的前提下，根据作战构想和敌我态势，选择适当的无人机作战力量，进行合理的作战任务分配，实施最佳的任务规划，最终达到理想作战效果的需求规划。无人机作战需求方案质量评估属于复杂的系统效能评估问题，对于该类问题WSEIAC(Weapon System Efficiency Industry Advisory Committee)方法应用最广泛，在各种类型无人机的作战效能评估实践和新型无人机系统研制评估时取得良好效果。这种方法严格从系统效能的定义出发来建立评估模型，能够直接反映武器装备系统效能的物理本质，并且提出的系统效能评估值和综合品质指标值、实际作战效果及过程之间具有显著的物理拟合性。WSEIAC方法中系统效能由装备的可用性、可信性及能力决定，基本模型为

(1)

式中,ET为效能行向量；AT为可用性行向量；[D]为可信性矩阵；[C]为能力矩阵。该方法的改进算法有KQ-ADC、ADCB、ADCS等方法。

目前，实际运用时大部分无人机主要实施战场侦察，执行各种情报保障任务，在实时监视、毁伤评估和态势预测等方面为指挥员和指挥机关提供情报支援。构建无人机作战需求方案质量评估指标体系时，既要考虑无人机系统本身的影响因素，又要考虑实施侦察和情报保障过程中的各种作战环境和态势变化。因此，本文构建了基于WSEIAC方法和层次分析法相结合的无人机作战需求方案质量评估指标体系，如图1所示。

图1　无人机作战需求方案质量评估指标体系

1) 无人机基本性能指标。无人机的作战需求方案论证的首要问题是无人机的优选，各种类型无人机的基本性能各不相同，与作战需求方案的质量密切相关，性能指标包括翼展、重量、航程、最大速度、升限续航能力、有效载荷和飞行器成本。

2) 无人机可用性指标。无人机可用性是指无人机开始执行任务时所处状态的度量，包括无人机自身状态和影响无人机发射的外界状态。无人机自身状态一般是由飞行器分系统、任务设备分系统和维修保障分系统3个部分的初始状态决定。无人机可用性还与发射前各种侦察设备的探测能力、运输条件、发射条件以及无人机发射成功概率等因素有关。因此，无人机的可用性主要由飞行器可用性、任务设备可用性等6个指标来衡量。

3) 无人机可靠性指标。无人机可靠性是指无人机执行任务过程中所处状态的量度。通常用无人机在特定时间、规定条件下实现其预定功能的概率表示。无人机可靠性与平均故障间隔时间、可利用率和A级事故率密切相关。平均故障间隔时间是指可修复系统或组件在故障前持续工作多长时间。可利用率是指在不定时(随机)要求执行任务时系统或组件保持可运行或可执行状态的程度。A级事故率是指机群每飞行10万小时出现的事故(严重损坏或完全损失)次数，可划分为动力/推进、飞行控制、通信、人的因数/地面控制和其他因素。

4) 无人机作战能力指标[6-7]。由于目前绝大多数无人机主要执行战场情报保障任务，因此这里的作战能力指情报保障能力。无人机情报保障能力是指无人机通过对战场目标图像进行侦察、处理、分析、管理、整编和分发，为各级指挥机构、作战部队、主战兵器等提供及时、准确、翔实的战场目标图像情报和综合情报保障的能力。无人机情报保障能力指标由侦察设备、网络结构、编制体制和保障效能4个子指标构成，按照层次分析法，每个子指标又可进一步细化。侦察设备包括电视侦察、照相侦察、红外侦察和雷达侦察；网络结构划分为传输能力、安全性能、组网方法和拓扑结构4个子指标；编制体制是指无人机装备保障和情报处理部门及人员的编配，直接关系到无人机侦察能力和情报处理分发的能力，可以划分为侦察装备保障、侦察图像处理和侦察图像判读；保障效能是指无人机情报保障的效果评价，可分为用户保障率、保障效果和用户满意度3个子指标。

5) 无人机协同性指标。现代战场中无人机运用不再是以前单架飞机的单打独斗，而是多架多类型无人机协同完成任务。因此，在评估模型中应考虑多无人机协同性指标。协同性指标可以划分为体系结构、编队方式、组合模式等指标。其中，体系结构是指多无人机协同作战的地面站控制方式，通常包括集中式、分布式和集散式体系结构；编队方式指多无人机在空中飞行的编队运动方式；组合模式是指不同类型的无人机编配组合模式，通常根据无人机的功能编配或根据作战任务需求编配。

2组合智能评估方法

组合智能评估模型的优点是可以有效避免单一模型或方法的局限性，集成多种评估模型的优点[8]，较好地适应无人机作战需求方案的多影响因素、多层次等复杂机理，提高评估系统的精度和可信性。本文以提高无人机作战需求方案质量评估效率为目标，设计了一种组合智能评估方法，如图2所示。

图2　无人机作战需求方案质量的组合智能评估方法

无人机作战需求方案质量评估指标体系中各类指标的特点不同，对于影响因素较多而且具有较多模糊信息的评估指标，可以组合模糊逻辑和人工神经网络进行评估，如图1中的无人机情报保障能力和协同性指标。对于评估影响因素具有明显层次性而且评估信息带有不确定性的评估指标，可以采用层次分析法与灰色关联分析法相结合的方式进行评估，如图1 中的无人机基本性能、可用性和可靠性指标。

3组合智能评估流程模型

组合智能模型是由传统评估模型和智能评估模型构成，下面具体对2类模型进行构建。

3.1　基于神经网络的智能评估模型

因为神经网络算法具有良好的自适应性、自组织、自学习、容错性和输入输出的高度非线性映射等特性[9]，所以无人机作战需求方案质量评估的作战能力和协同性指标设计了基于神经网络的智能评估模型，如图3所示。图中采用三层BP网络结构模型。其中，输入层包括7个节点，分别输入经过数据预处理的侦察设备参数、网络结构参数、编制体制参数、保障效能参数、体系结构参数、编队方式参数和组合模式参数，输出层为效能评估等级。神经网络模型求解的关键在于确定网络结构和网络的模型参数。可以利用遗传算法较强的全局搜索能力，确定神经网络中网络结构和网络的模型参数。

图3　基于神经网络的智能评估模型

给定无人机作战需求方案智能评估的训练样本序列D，D={(x1,y),(x2,y),…,(xm,y)}，xi(i=1，2，…,7)表示样本输入向量，并且是归一化的训练样本；y是样本输出向量，表征评估值，神经网络学习的目的就是建立从输入空间到输出空间的映射Ψ，使得Ψ(xi)=yi。训练好的神经网络就是用于指标评估的智能模型。

3.2　基于改进熵值法的传统评估模型

对于无人机基本性能、可用性和可靠性指标可以采用层次分析法与改进熵值法相结合的方式进行评估[10]，评估模型如图4所示。

图4　基于改进熵值法的传统评估模型

图4中改进的熵值法确定权重系数的步骤如下：

1) 构建原始权重矩阵，并进行标准化改进。原始权重矩阵为

(2)

将原始权重矩阵标准化处理，得到

(3)

2) 指标同度量化及熵值。由于不同的指标衡量尺度不一样，需要对指标进行同度量化计算比重值

(4)

得出决策矩阵为

(5)

由此，计算第j项指标的熵值

(6)

3) 计算指标权重。首先确定第j项指标的差异性系数gj。对于给定的j，指标值aij的差异性越小，则ej越大。当aij全部相等时，ej=emax=1；当各aij值相差越大时，ej越小，表明该指标对评价值大小比较所起的作用越大。定义差异性系数gj=1-ej，gj越大，指标越重要。差异系数向量为

指标权重为

(7)

4评估实验

利用组合智能评估方法，对多架无人机执行不同情报保障任务的作战需求方案进行评估，选择A、B、C 3种类型的无人机分别执行战场侦察、信号情报、精确目标定位与指示、数字地形测绘等8项保障任务。其中，A型无人机是综合大型无人机系统，B型无人机是搭载多种任务载荷的通用中程无人机，C型无人机是小型垂直起降战术无人机。

基于神经网络的智能评估模型使用前需要大量样本进行训练。样本来自无人机训练和演习数据，选取方法可采用随机法、正交法和均匀法，本文采用均匀法选取训练样本。鉴于训练样本的数据庞大，挑选部分样本数据，如表1所示。