龙红军 刘佳铭

（1.武汉数字工程研究所 武汉 430074）（2.海装驻上海地区第一代表室 上海 201913）

1 引言

信息化背景下的海上作战，作战任务种类繁多且复杂多变，实时战场态势瞬息万变，作战资源对象数量庞大且能力多样，针对实际作战所需的资源种类也急剧增加，如何合理、有效地分配有限的作战资源以达到效能最大的目标是保证作战任务成功完成的关键。优化作战资源能够提高任务完成效率。国外关于作战资源规划方法的研究取得了丰硕的成果，包括作战资源计划系统和任务管理系统的研发，其中联合作战计划与执行系统（JOPES）［1］是美国关于作战资源规划的重要研制成果。国内对作战资源规划技术进行了广泛研究，许多理论和方法已用于海上作战中，并取得了丰富的研究成果。本文针对海上作战资源规划问题，梳理了多种有效的资源分配方法，并探讨了实际应用情况。

2 海战场作战资源内容分析

海战场是现代战争的主要作战场所之一，对我国国防事业意义重大，海军各兵种及其力量组成通过科学合理的配置编组，形成的作战力量体系具有功能互补且兵力之间有机协同的特点。随着网络化信息系统的不断发展，针对特定的作战目的，以不同的任务需求为依托，海战场资源规划方法优化选择并应用相应的作战力量，通过发挥不同兵种的各自优势和特点，最终实现功能互补，扬长避短，有效协同，形成综合优势。根据海上综合作战的要求，整个作战指挥体系必须能够在极短的时间和庞大的空间范围内完成一系列具体功能，包括信息获取、兵力配置、情报处理和武器∕传感器的指挥控制。在实时作战过程中，为有效应对战场态势的快速变化，必须实现分布式海战场作战资源的实时动态规划，以满足指挥员灵活调度的需求。

海战场作战具有如下特点：

1）战场涉及的作战样式、作战任务、作战活动种类繁多，作战要素和对象之间的关系及信息交互过程复杂；

2）指挥形式复杂，协同与支援关系多变；

3）海上作战决策过程异常复杂；

4）战场空间巨大，战场资源种类繁多，其属性与功能各异，且分布广泛；

5）信息化背景下的海上作战具有作战行动节奏快、作战形式多样的特点，且作战任务具有一定的不确定性和突发性，这些特性使得在海上实际作战过程中，留给资源规划方案动态生成和实时调整的时间非常有限。

复杂作战环境下的种种原因导致了海战场资源规划的复杂性和特殊性。海战场环境下资源规划的目标，是要在现代化海上作战过程中，根据作战任务与需求，针对确定的海战场资源集合，完成合理的资源分配过程，以多种资源组合构建满足海军作战任务要求的合理资源服务，提高作战资源利用率，优化海战场各类资源的管理，协调作战行动，最大程度上减少作战指挥过程中来自海战场的不确定因素影响。

海战场作战资源可分为物理资源（武器∕传感器装备、大型物资设备等）和信息资源（信息、数据、知识等）。面向资源实施的规划与管理，根据功能可将海战场作战资源分为武器平台资源、传感器感知资源、作战保障资源和指挥控制资源等（如图1所示），这些不同的资源具有分布性、移动性、交互性以及约束性的特点，并已逐渐形成有机的整体，呈现出相互制约、相互依存的一体化特点，作战资源所能够发挥的整体效能极大地影响着海战场作战效能。

图1 海战场资源分类

3 资源规划的主要方法

目前针对作战资源规划方法有许多较深入的研究，其中包括基于决策偏好的Pareto多目标作战资源规划方法［2］、基于遗传算法的作战资源规划方法［3］、基于Ripple共识机制的分布式作战资源规划分配方法［4］、基于多优先级任务链的资源规划方法［5］等。而随着科学技术发展，这些新理论、新方法也与海上作战实际应用相结合，从不同角度对现有的作战资源规划方法进行改进以获得更优的结果。

1）基于决策偏好的Pareto多目标作战资源规划方法

在解决多目标优化问题的时候，通常存在多个优化目标之间是互相制约、互相矛盾的情况，往往无法同时增加所有目标的性能，亦即无法得到使得所有目标同时达到最优的解，只能在协调的前提下对结果进行折中处理。在理论层面，多目标优化会得到多个Pareto最优解，这里Pareto最优解也称Pareto效率，而整个优化问题的最优解仅为某个偏好决策前提条件下的满意解，因此解决该问题时类似于单目标优化的最优解不存在。算法运行结束后，会存在大量分布范围广，且重要程度差异不大的非支配解。

针对Pareto解的问题，通过模糊逻辑构建模糊推理系统［6］，设计一种“强度优于”关系，这种关系能够替代Pareto支配关系，从而抽象为决策偏好信息，最终得到的解具有一定程度的指向性。对于决策者而言，决策空间的减小将大大提高决策效率。同时为提高量子粒子群在寻解过程中的多样性，算法使用混沌变异算子来避免过早收敛，进一步提升了局部搜索效率［7］。优化后的方法通过分析作战资源规划过程中性能指标函数和主要约束条件，建立了一种面向任务的作战资源规划模型，该模型基于决策偏好信息进行求解，使得解集结果范围更聚焦，缩小了目标解的搜索空间，提高了作战指挥的决策效率。

2）基于遗传算法的作战资源规划方法

海战场中作战资源与其他类型的资源有着很大的差异，作战行动总是以最大任务完成度和最小代价为前提进行决策。海上作战资源规划的制约条件有许多：（1）同种资源可能需要支持多个不同的作战任务，作战资源具有多任务特性；（2）一个作战任务可能由多个不同的作战资源共同完成；（3）现有作战资源和作战任务要求之间的匹配问题；（4）各项不同的作战任务或活动之间存在着一定的逻辑与时序关系，并制约着资源分配结果；（5）不同的任务具有空间分布性；（6）不同的作战资源具有不同的使用条件，包括空间和时间等因素。这些问题使得海战场资源分配变得十分复杂。针对这些问题，遗传算法通过计算机仿真的方式，将求解过程转化为生物理论中染色体的基因组合、更新过程，在动态过程中实现编码、适应度函数配置、选择运算、交叉运算、变异运算、惩罚运算等步骤，具有自适应、自组织以及自学习性等特性。使用基于染色体群的并行搜索，以及带有猜测性质的选择、交换和突变过程，使得遗传算法同其它搜索算法区别开来，同时对搜索空间中的多个解进行评估，能够减少产生局部最优解的概率，算法易于实现。

3）基于Ripple共识机制的分布式作战资源规划分配方法

近年来，区块链技术飞速发展，已在许多不同领域中成功应用，其分布式共识机制可以应用于资源规划问题，能够同化分布式节点间的分配问题，确保资源数据维持同步状态。Ripple［8］共识机制的算法效率高且分区容错性强，将其应用于海上作战的作战资源分配过程中，遵循区分末端节点、协商节点和审核节点等三类功能节点的海战场作战资源分配架构，在战场环境下能够使得各分布式指挥节点间进行分配的作战资源数据具有一致性，同时在一定程度下保证分配效率。在Ripple共识机制下，参与作战任务的各指挥节点达成作战资源分配共识。海战场的作战资源分配流程主要可包括综合处理作战资源的使用申请、对作战资源分配提案进行分析、规划作战资源的使用以消解冲突、对完成的作战资源分配结果进行确认。

4）基于多优先级任务链的资源规划方法

基于多优先级任务链的资源规划方法首先对总任务集进行预处理，将若干有关联的子任务通过组合聚合为任务链，使得问题规模减小，以提高规划效率。同时通过每条聚合任务链的时序和属性特征，可有效消解单个任务链内的多种约束，包括依赖关系与资源占用等。为保证核心重要任务的优先权，使用多优先级动态规划技术，构建平行最优集。针对作战资源的过度冗余问题，引入负反馈调整机制，优化了作战资源的规划，使得调度过程更加均衡。

4 基于多优先级任务链的作战资源规划方法在海战场中的应用

海战场作战样式多样，任务的完成需要海量异构作战资源的共同支撑，海战场作战资源不仅数量庞大，而且约束关系复杂，这使得合理高效的资源规划成为难点。资源规划与利用的有效性深刻影响着我海军夺取制空、制海权，保护海上交通线与战略通道，维护我国海外利益，以及实现我海军由近海防御向远海防卫的转型［9～12］。在具体的作战任务背景下，对可用资源平台进行科学配置和部署，做到作战样式、任务和活动与作战资源之间合理匹配，是提高海上作战体系效能的关键所在。

基于多优先级任务链的资源规划方法首先对总任务集进行预处理，将若干有关联的子任务通过某种方式聚合为任务链，并设置平行最优集和多级反馈规划机制，在保证高优先级任务资源优先权的同时又兼顾考虑低优先级任务的基本资源需求，从而有效减小了作战资源的过度冗余，使得作战资源的规划与调度更加合理。其规划流程如图2所示。

图2 基于任务链的多优先级动态列表规划流程图

该算法所提供的最优集具有多样性和代表性，能够适应不同作战背景及不同任务情况下的海上作战需求，从而提高指挥员方案决策的灵活性和全面性。

5 结语

作战资源规划是现代化海战场作战制胜的关键问题之一。目前已存在许多优良的资源规划算法，同时广泛应用于军事理论与研究中。针对海上作战中的任务资源规划问题，基于多优先级任务链的资源规划方法针对任务集给出了关联任务聚合和任务链构建方法，弱化了海上作战任务之间的依赖关系并减少了资源重用约束；同时针对作战过程中作战资源的过度富集问题，设计了并行最优集和多级反馈规划机制。该方法能够简化海战场作战资源规划的问题规模并降低了模型求解难度，使得作战资源的调度均衡化，可以适应不同作战背景及不同任务情况下的海上作战需求，最终提高指挥员方案决策的灵活性和全面性。在未来的战争背景下，资源规划方法将不断发展，并深刻影响着战争的走向。