中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2023 , Vol. 45 >Issue 4: 145 - 153

DOI: https://doi.org/10.3969/j.issn.1673-3819.2023.04.022

雷达/通信/导航

基于OODA优化的作战网络信息通信保障力量需求研究

  • 李悦 ,
  • 许子熙 ,
  • 陈克斌 ,
  • 曹敏 ,
  • 刘乾
展开
  • 国防科技大学信息通信学院, 湖北 武汉 430019

李 悦(1987—),女,硕士研究生,研究方向为军事指挥。

许子熙(1995—),男,硕士,助教。

Copy editor: 许韦韦

收稿日期: 2022-07-19

  修回日期: 2022-10-24

  网络出版日期: 2023-08-17

收起

Research on information communication support force requirement of combat network based on OODA optimization

  • LI Yue ,
  • XU Zixi ,
  • CHEN Kebin ,
  • CAO Min ,
  • LIU Qian
Expand
  • College of Information and Communication, National University of Defense Technology, Wuhan 430019, China

Received date: 2022-07-19

  Revised date: 2022-10-24

  Online published: 2023-08-17

Fold

摘要

作战网络中信息通信保障力量使用是否合理,关系着作战网络中信息流转的效率,深刻影响着作战网络能力的生成。以OODA环优化为目标,研究了作战网络中信息通信保障力量的需求。首先,确定OODA运转效率的评价标准,采用面向作战网络特征的遗传算法优化网络;根据优化后作战网络的节点度以及社团结构,分析了作战实体和网络整体的信息通信保障力量需求。实验表明,作战实体的信息通信保障力量需求不仅与其重要性有关,还受实体类型影响;信息通信保障力量需满足含3类子网的作战网络构建需求,包括两类星型网、一类网状网,且3类子网需有序衔接。

关键词： 信息通信保障力量; OODA环; 作战网络; 遗传算法

本文引用格式

李悦 , 许子熙 , 陈克斌 , 曹敏 , 刘乾 . 基于OODA优化的作战网络信息通信保障力量需求研究[J]. 指挥控制与仿真, 2023 , 45(4) : 145 -153 . DOI: 10.3969/j.issn.1673-3819.2023.04.022

Abstract

In combat network, the rational use of information communication support force is related to the efficiency of information flow of the combat network and has a profound impact on the generation of the operational capability. Aiming at the optimization of OODA loop, the requirement of information communication support force in combat network is studied. Firstly, the evaluation standard of OODA operation efficiency is determined, and the network is optimized by using the genetic algorithm based on the characteristics of combat network; According to the degree and clustering of each node in the optimized combat network, the information and communication support force requirements of combat entities and network overall is analyzed. Experiments show that the information and communication support force requirements of combat entities are not only related to their importance, but also affected by entity types. The information and communication support force should meet the construction requirements of the combat network including three types of subnets, including two types of star networks and one type of mesh networks, and the three types of subnets shall be connected in an orderly manner. The above conclusions provide theoretical support for the construction of high-capability combat networks.

Key words： information and communication support force; OODA loop; combat network; genetic algorithm

随着通信技术发展,战争信息化程度不断提升,呈现武器装备复杂化、作战单元网络化等特点,并且由于信息的主导地位日益突出,能实现作战信息高速流转的作战网络对体系作战能力提升起到愈发显著作用。在此背景下,近年来提出了无人机支援下远程作战体系等多种信息化作战体系,它们大多以对敌方目标实体实施快速有效打击为目标,对作战网络有高度的依赖性。美国军事专家Jeffrey R. Cares[1]认为作战网络主要由侦察、控制和打击节点构成,并给出相应的作战网络模型,该模型迅速成为了国内外学者研究的热点。例如,Deller通过Perron-Frebonius特征值评价了作战网络效能[2];滕克难基于该模型研究了舰艇编队协同反导作战网络效果的度量[3];陈士涛基于作战网络模型研究了异构无人机集群的作战能力[4];李际超则研究了作战网络的鲁棒性和武器装备组合[5⇓-7];邱原评估了作战网络模型的关键边[8];杨哲基于该模型分析了作战网络的拓扑[9];周琛基于该模型评估了体系贡献率[10]。可见,作战网络研究是世界一流军队以及学术界关注的热点问题。
作战网络中的边定义为节点之间的信息链路[1],上述研究均没有讨论信息链路的通信保障力量分配问题。信息保障力量使用是否合理,关系着作战网络中各实体信息流连通的效率,深刻影响着作战网络能力的生成质量。因此,需要深入研究作战网络中信息通信保障力量的需求问题,确保网络中信息的高效流转,激发作战网络的最大作战能力。OODA环是观察、判断、决策以及行动的缩写,由美国空军少校约翰·伯伊德提出,广泛应用于军事问题的研究[11]。作战能力是指作战力量完成任务的能力,OODA环则描述了作战实体完成一次基本作战任务的过程[12]。因此,作战体系中OODA环的数量和质量,能够充分反映作战体系的作战能力。优化OODA环,即优化了作战能力[7,13]。在OODA环流转最优的前提下研究信息通信力量需求,能够直面打胜仗的需要。
综上,本文将以作战网络中OODA环最优化为目标,采用遗传算法优化各作战力量以及作战力量之间的信息通信配比,并以此为依据分析信息通信保障力量的需求,为作战网络信息通信保障力量的编配和发展提供支撑。

1 需求分析与研究思路

1.1 需求分析

结构决定功能。在作战网络中,节点之间的边决定了网络的拓扑结构,拓扑结构是作战网络效能发挥的基础。作战网络中的边主要是指节点之间的信息链路,这些信息链路的形成取决于信息通信保障力量。研究作战网络中的信息通信保障力量的分配,能够确保作战网络在建设和优化时信息链路的分布合理,从而得到合适的作战网络拓扑,催生出高能力的作战网络。因此,作战网络信息通信保障力量分配研究,对于作战网络的建设和发展而言,具有一定的急迫性和必要性。
然而,现有关于作战网络的研究主要集中在以下三个方面:一是作战网络性能分析,如网络中心性分析[14]、关键节点分析[15]、装备贡献率分析[13]、关键武器分析[16]、平均路径长度、聚类系数、平均度值以及抗毁性分析[9]、网络拓扑分析[17]等。二是作战网络链路预测,如基于元路径的链路预测[18]、基于反向传播神经网络的链路预测[19]、基于表示学习的链路预测等研究[20]。三是作战网络效能评价,如基于Perron-Frebonius特征值的网络效能评价[21]、基于层次分析法和灰色评估法的网络效能评价[22]、鲁棒性和抗毁性评估[23]、关键边效能评估[8]等。可以看到,上述研究均没有研究作战网络中信息通信保障力量分配问题,本文将针对这一空白展开研究,以期为作战网络的结构优化提供重要理论支撑。

1.2 研究思路

作战网络中信息通信保障力量需求研究,其目的是合理配置保障资源,提升OODA成环效率,增强网络能力[24]。因此,本文将以OODA成环效率最大化为目标,优化作战网络,并结合优化后的结果,讨论信息通信保障力量的配置问题,根据以上思路,具体的研究步骤见图1。首先,选择合适的作战网络模型,目前国内外学者已给出多种作战网络模型,但必须选择最为成熟和有效的模型进行研究,以此确保论文的实际应用价值。其次,以作战网络中OODA环为基本任务的执行标志,寻找OODA环承载链,构建OODA环质量评价模型[17]。随后,采用遗传算法,以OODA环质量最大化为目标,优化作战网络,获得OODA环最优时的网络拓扑。最后,根据最优作战网络拓扑中侦察类、控制类和打击类作战实体之间的信息链路连接情况,分析信息通信保障力量的需求。
图1 研究步骤

Fig.1 Stages of research

2 模型及方法

本节将具体介绍4个研究步骤中的核心模型和方法,分别解决这4个步骤中的关键问题,即作战网络模型的选择和确定、作战网络OODA评价模型的构建、基于OODA评价模型的作战网络拓扑优化、依托优化后的结果分析信息通信保障力量需求。

2.1 作战网络模型

国内外学者均对作战网络进行了深入的研究,给出了多种作战网络模型。作战网络模型主要分为两类,第一类模型将作战体系中的作战实体分为三类,分别是侦察类节点、控制类节点以及打击类节点,网络中的边则是由节点之间的信息流构成[21]。第二类模型与第一类模型的主要区别是节点类型的不同,即在上述三类节点的基础上,又增加了一类目标节点,而节点之间的边除了信息流外,还包括打击节点到目标节点的火力流[6]。本文主要研究信息通信保障力量的需求,主要关注作战实体之间的信息流。此外,在作战网络优化时,也以优化我方的作战网络为主,不含目标节点。因此,选择第一类作战网络模型。
根据图论,作战网络模型可以表示为图G=(V,E)。其中,V代表节点集,E代表边集。且有V=( v 1 S,… v i S,…, v 1 D,… v j D,…, v 1 I,… v k I,…),其中, v i S 代表侦察类节点,侦察类节点是指作战体系中执行情报收集和处理的作战实体,例如侦察无人机或预警机; v j D 代表控制类节点,控制类节点是指作战体系中执行指挥控制的作战实体,如指挥处理车或指挥所; v k I 代表打击类节点,打击类节点是指作战体系中完成对敌影响的作战实体,如导弹发射车或电磁干扰车[25]。需强调的是,侦察节点不仅具有情报侦察的能力,还具有情报处理的能力,能够对其他侦察节点提供的信息进行汇聚和分发。
边集E=(ei,j)m×m,其中ei,j代表作战实体i和j之间的信息流,当i和j之间存在信息流时,ei,j为1,否则为0。信息流具有方向性,并且并非任何两个节点之间都可以存在信息流。根据作战实体间的实际业务关系,将作战实体之间的信息流分为5类,包括侦察节点之间的信息共享流eSS、侦察节点指向控制节点的情报上传信息流eSD、控制节点之间的系统指挥信息流eDD、控制节点指向侦察节点的控制信息流eDS、以及控制节点指向打击节点的命令信息流eDI。根据以上定义,典型的作战网络见图2,图中S代表侦察节点、D代表控制类节点、I代表打击类节点,节点之间的灰色连边代表节点之间的信息流。信息通信保障力量是这些连边存在的基础,同时连边两端的节点也对信息通信保障力量提出了相应的要求,是信息通信保障力量编配的重要依据。
图2 典型作战网络

Fig.2 Typical combat network

2.2 作战网络的OODA评价模型

根据作战网络中节点的定义,可知侦察节点主要承担了OODA环中“观察”这个步骤的任务;控制节点则是OODA环中“判断”和“决策”这两个环节的完成者;打击节点则是OODA环最后一个环节“影响”的实施者。如图3所示,从侦察节点S到控制节点D,最后再到打击节点I的链路,承载了OODA环的一个过程。
图3 作战网络中的OODA环承载链

Fig.3 The OODA loop chains in the combat network

可以认为,一条上述链路,保障了一条OODA环的过程。而这种链路的求和,体现了整体作战网络的OODA环运转水平。综上,作战网络中的OODA评价模型可以定义为
C(G)= ∑ l j S D I C( l j S D I)
其中,C(G)是作战网络中所有OODA承载链的能力,C( l j S D I)是一条OODA环承载链路lj的作战能力。根据OODA理论,OODA循环速度越快,则能力越强,也就是说,OODA环的承载链路越短,则该链路的能力越强[26]。由此,一条OODA环承载链的能力可以表示为
C( l j S D I)= 1 | l j S D I |× ∑ v S ∈ l j S D ICS(vS)× ∑ v D ∈ l j S D ICD(vD)× ∑ v I ∈ l j S D ICI(vI)
其中,vS、vD、vI是第j个OODA承载链中的侦察节点、控制节点和打击节点。CS(vS)、CD(vD)、CI(vI)分别是上述三类节点的能力,|lj|是作战链的长度,C( l j S D I)与|lj|成反比。式(1)的作战网络效能评价方法,描述了作战网络执行作战任务的能力,已被学者们用于研究作战网络的功能鲁棒性[6]、网络分解[7]、装备贡献[13]、装备组合[5]和任务规划[27]。因此,用式(1)作为作战网络模型的评价标准,优化结果能够直面作战网络能力提升的需要[17]。

2.3 基于遗传算法的作战网络优化

作战网络优化,是指以全网的OODA质量最优为优化目标,通过不断地调整作战网络的拓扑结构,选出OODA最优的作战网络。本文的作战网络优化,目的是以优化的结果为依据,分析信息通信保障力量需求,即研究当作战网络作战能力最大时,作战网络中信息通信链路的最优分配情况。对于优化后的作战网络,节点链路分配得越多则表明该节点需要更多的信通保障力量,节点链路分配得越少,则说明该节点不应分配过多的力量。以研究信息通信保障力量需求为目标的作战网络优化,应满足以下假设:
假设1:信息通信保障力量保障的信息链路可以适用于作战网络中的任一作战实体,作战网络中的信息链路是相同且可相互替代的。
假设2:设在一次任务的实施过程中,作战网络中的资源无法在短时间内进行补充,即作战网络中节点的数量和类型是一定的,信息链路的数量也是不变的。作战网络中节点总数为n,其中侦察节点数为ns,控制节点数为nd,打击节点数为ni,信息链路总数为m。
假设3:为充分研究各类作战实体和信息保障力量的关系,作战网络优化无须满足网络连通性的需求。
符合上述假设的作战网络优化问题,即为节点和边在数量一定的情况下,网络拓扑的优选问题。该问题为典型的NP问题,当网络呈一定规模时,难以通过穷举法得到较优的结果,需要采用启发式算法对其进行处理。遗传算法是一种模拟生物繁殖行为的启发式算法,在处理网络拓扑优化时具有较好的效果。该算法的算子主要包括选择算子、交叉算子和变异算子。其中,选择算子主要模拟生物生存优胜劣汰、适者生存的规律;变异算子模拟了生物遗传的基因突变现象;交叉算子模拟了父母基因互换产生子代这一过程[28]。遗传算法的每一次迭代,输入的多个作战网络,将经历上述三个算子的计算,产生新的网络拓扑。当迭代的次数达到一定的数量时,最终得到了能力较高的拓扑。但是,传统的遗传算法在处理作战网络时,无法有效应对作战网络的异质性,因此需要对遗传算法进行一定的处理,在下文将详细论述。

2.4 信息通信保障力量需求分析方法

信息通信保障力量需求分析方法,主要通过分析优化后的作战网络拓扑实现,具体包括度分析和聚类分析,前者主要分析节点的信息通信保障需求,后者主要分析作战网络中保障力量的编组需求。

2.4.1 度分析

节点的度可以体现节点所需的信息链路的数量,进而反映各个实体所需的信息通信保障力量。具体方法是统计节点的度,度包括总体度、出度和入度。对于作战网络中的第k个节点而言,用下式计算入度:
d k i n= ∑ i ∑ jeijδ(j,k)
式中,i,j∈n,n是作战网络中的节点总数,且δ(j,k)满足:
δ(j,k)= 1 , 　 j = k 0 , 　 j ≠ k
第k个节点的出度可以表示为
d k o u t= ∑ i ∑ jeijδ(i,k)
综上,第k个节点总体的度为
dk= d k i n+ d k o u t
在得到第k个节点的度后,统计侦察类、控制类以及打击类作战实体的度,分析这三类节点对信息通信保障的需求。

2.4.2 社团分析

社团分析能够展示作战网络的结构特征,进而反映信通保障力量的整体网络的组网需求。社团是指网络中连接紧密的节点群,通常用于分析网络的结构特点以及聚类情况。本文社团算法选用模块度算法,它是复杂网络社团探测最为经典的算法之一,是社团划分的标准[29],其基本做法是优化模块度函数,取该函数最大时的网络划分为社团的最终结果。
通过分析作战网络中的社团种类,能够得出信息通信保障力量的整体网络组网需求。这是因为社团作为网络中连接紧密的子结构,相比整体网络,能够更清晰地展示信息通信保障力量所需构建的作战网络特征,从而给出整体作战网络的信息通信保障需求。

3 优化算法实现

本小节将详细说明2.3节遗传算法的具体步骤,在优化作战网络时,遗传算法需要根据作战网络的特点进行一定的改进。

3.1 面向作战网络异质性的编码方法

编码是将需要优化的对象表示成遗传算法能够处理的数据的过程,遗传算法常用的编码方法包括实数编码法以及二进制编码法。作战网络的编码方法使用邻接矩阵编码法,矩阵编码法是二进制编码法的一种特例,即用一个只含0和1的矩阵表示一个作战网络,每一个作战网络可以表示为E=(ei,j)m×m。在E中,由于作战网络不允许出现自环,对角线上的元素全部取0。为了体现作战网络中节点的异质性,约定E中编号为0到ns的节点为侦察节点,ns+1至ns+nd为控制节点,ns+nd+1至ns+nd+ni的节点为打击节点。

3.2 适应度计算

适应度是遗传算法中描述个体性能的主要标准,适应度越大的个体具有更好的适应能力,会被算法保留。作战网络的适应度函数即为式(1)中OODA环承载链路的评价函数,即评价较高的个体将被算法保留。为了计算式(1),需要找到作战网络中所有的OODA承载链路,该过程使用深度优先算法实现。

3.3 算法流程

按照以上的设定,面向作战网络优化的遗传算法见图4。
图4 作战网络优化的遗传算法

Fig.4 Optimized genetic algorithm for combat network

首先,生成一定规模的作战网络个体种群,这些作战网络必须满足节点数和边数的约束,且作战网络中的边只能包含eSS、eSD、eDD、eDS和eDI5种类型;随后,采用作战能力计算公式,计算种群中所有作战网络个体的作战能力。通过锦标赛算子[30],选出作战能力最大的前20%的作战网络,复制这些作战网络形成一定规模的种群。采用SWTA交叉算子[31],按照一定的交叉概率,对种群中被选中的作战网络进行两两交叉,形成交叉后新的个体。继续按照一定的变异概率,对被选中的作战网络个体进行单点互换变异操作,形成变异后的新个体。判断迭代次数是否达到要求,若未达到要求,则将新生成的作战网络群体送入作战能力计算的环节,重复上述步骤。否则,则得到优化后的作战网络种群,种群中作战能力最大的作战网络个体则是最优解。将根据该最优解的网络特点,对信息通信保障力量需求进行分析。

4 仿真与分析

本节将以某无人机支援下远程作战体系为例,按照上文所提方法对其进行仿真,讨论信息通信保障力量的编配问题。

4.1 算例说明

在现代信息化战争背景下,无人机能在执行信息支援作战任务时与攻击机、轰炸机、潜艇等互相配合,为远程作战武器提供预警信息和必要的引导指令,采用无人机进行信息支援下的远程作战体系,能有效提高武器平台的打击精度,增强作战效能[32]。但该远程作战体系尤其需要作战信息、决策信息传导顺畅,对作战网络的通信链路质量有较高要求,这对信息通信保障力量的通信链路保障工作提出了挑战。
本文参考文献[6,32],以某无人机支援下远程作战体系信息通信保障任务作为实际算例,并将该算例中的作战网络按照2.2节中OODA作战环模型分为侦察、控制、打击三个环节,其中侦察环节可由无人机作战单元使用具有合成孔径雷达、长焦相机、高空红外行扫仪、多光谱侦察相机等设备的侦察无人机完成;控制环节则由联合指挥机构完成,根据无人机作战单元获取信息判断目标数量、目标类型、作战样式等战场态势信息,并做出作战方案决策,发布控制命令;打击环节则主要由攻击机、轰炸机、潜艇等远程武器平台实施。
由此可将该作战体系中作战实体抽象为侦察节点、控制节点和打击节点三类节点。设此体系中包含15个无人机作战单元、4个联合指挥所和11个远程武器平台作战单元,构成包含30个节点的作战网络,并且设现有信息通信保障力量仅可为该作战网络提供40条稳定的信息链路。遗传算法种群规模设置为20,迭代次数为400次,有效的OODA承载链长度设置为4。该作战网络中各作战实体的作战能力按照等差数列上升进行设置,即编号为1至15的无人机作战单元,能力值为1到15;编号为1到4的联合指挥所,能力值为1到4;远程武器平台作战单元的能力值设置类似。

4.2 仿真结果分析

按照上述参数设置,以算例中作战网络的OODA承载链最优为目标,对作战网络进行优化。该作战网络的作战能力随迭代次数的曲线见图5,其中a)图的交叉概率取0.8,变异概率取0.4,b)图的交叉概率取0.8,变异概率取0.2。可以看到,当迭代次数为300次时,适应度即最优OODA承载链集合收敛到最优值。
图5 适应度随迭代次数的变化关系

Fig.5 The relationship of fitness with the number of iterations

图6展示了OODA承载链优化后的作战网络拓扑图,即图5中收敛到最大适应值后的作战网络拓扑。图中出现了孤立的无人机作战单元或联合指挥所,并且形成了由能力较大作战实体构成的核心结构。此核心结构作为作战网络中高质量OODA环形成的主要结构,是信息通信保障力量保障的关键。该结构包含2个核心的联合指挥所和4个核心的无人机作战单元,这6个作战实体形成的节点是OODA环信息流转的关键。可以看到,这6个节点分别连接了大量的信息通信链路,当要求全网OODA流转最优时,它们对信息通信保障力量的需求最高。核心结构中,其他无人机作战单元和远程武器平台作战单元对通信保障力量的需求较为平均。核心结构的外围,作战实体在拓扑图中是孤立的,即没有为其提供可靠的信息通信链路,也就是说当该作战网络OODA承载链最优,且这些孤立的节点位置在作战任务中不重要时,可以适当忽略其信息通信保障,转而将更多信息保障力量投入核心结构中,以实现整体作战网络作战能力的优化。
图6 优化后的作战网络拓扑

Fig.6 Optimized topology of combat network

图7采用2.4.1节的分析方法,展示了图6优化后作战网络中各个作战实体的度,a)图表示无人机作战单元,b)图表示联合指挥所,c)图表示远程武器平台作战单元。按照实验设定,三类作战实体的编号越大则能力越强,当OODA环最优时,作战网络中的边(即信息通信保障力量)虽然分布在能力较大的作战实体上,但是不同类型的作战实体对信息通信力量的保障需求亦有差别。
图7 三类作战实体在作战网络中的度

Fig.7 The degree of the three combat entities in mombat network

无人机作战单元中,能力较小实体的度主要以出度为主,而能力较大实体则出度和入度较为平均,总体上度呈随能力增大而增大的趋势,但能力较小实体也会出现度较大的情况。联合指挥所中,信息通信保障力量则分布在能力较大的2个实体上,并且联合指挥所的出度和入度均相似。远程武器平台作战单元的信息通信保障力量分布在能力较强的前50%实体,这些保障力量主要负责信息的获取。
综上,从整体来看,虽然能够得出与经验一致的总体结论,如能力较高的作战实体信息通信保障力量需求较大。但3类作战实体具有一定的差别,联合指挥所和远程武器平台作战单元的需求受能力影响较大,需求最高的实体均是能力较大的实体,而无人机作战单元受能力影响较小,信通保障力量会分布在能力较小的实体上。这是因为无人机作战单元兼顾了信息的收集、分发和汇聚的功能,是作战网络中信息流转的核心,必须形成合适的拓扑结构,以支持OODA的高效运行,因此其受能力的影响有所下降。
图8采用2.4.2节的分析方法,展示了作战网络中节点的社团情况,同样大小且颜色相同的节点属于同一社团(被聚类成同一群体的节点群),其中灰色且最小的节点是孤立节点,不属于任何社团。可以看到,作战网络的核心部分被聚类成了3类社团。第一类绿色社团主要由侦察节点构成,呈星型结构;第二类黄色社团也由侦察节点构成,但呈网状结构;第三类红色社团主要由控制节点和打击节点构成,呈以控制节点为中心的星型结构。这说明当OODA循环效率最高时,作战网络信息通信保障力量必须满足以下组网需求:首先,是形成三类子网络,第一类以保障情报汇总为主,主要包括侦察节点,组成以关键侦察节点为核心的星型作战网;第二类以保障情报互传分发为主,主要包括侦察节点,组成多个侦察节点互联的网状作战;第三类以保障命令流转和传达为主,主要包括控制节点和打击节点,组成以控制节点为核心的星型网络。随后,三类子网两两互联,第一类和第二类衔接,第二类和第三类衔接。以此,构建出OODA循环效率高的作战网络。
图8 三类作战实体在作战网络中的聚类

Fig.8 The clustering of the three combat entities in combat network

5 结束语

作战网络是近年来军事领域研究的热点问题,本文通过优化作战网络中的OODA环,分析了作战网络中信息通信保障力量的需求问题。通过仿真实验,得到了以下有益结论:1)从节点需求看,虽然能力较大的节点信息通信保障需求较大,但不同类型的作战实体受其能力影响程度不同,如控制和打击节点的信通保障需求受能力影响最大,侦察节点受其影响相对较小;2)从网络整体需求看,为使OODA流转高效,信息通信保障力量应满足具有以下特点的作战网络构建需求:由3类子网络衔接形成的作战网络,第一类子网络中信息通信保障力量主要保障侦察节点群,形成星型结构网,用以收集情报;第二类主要保障侦察节点群,形成网状结构网,用以流转情报;第三类主要保障控制节点和打击节点群,形成星型结构网,用以下达命令。上述发现,为信息通信保障力量在作战网络中的组织运用提供了理论指导,为构建OODA流转高效的作战网络提供了技术支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
杰夫·凯尔斯. 分布式网络化作战: 网络中心战基础[M]. 北京: 北京邮电大学出版社, 2006.

Jeff Cares. Distributed networked operations[M]. Beijing: Beijing University of Posts and Telecommunications Press, 2006.

[2]
DELLER S, RABADI G, TOLK A, et al. Organizing for improved effectiveness in networked operations[M]//Operations Research for Unmanned Systems. Chichester, UK: John Wiley & Sons, Ltd, 2016: 255-270.

[3]
滕克难, 盛安冬. 舰艇编队协同反导作战网络效果度量方法研究[J]. 兵工学报, 2010, 31(9): 1 247-1 253.

TENG K N, SHENG A D. Research on metric of network effect in ship formation cooperation anti-missile operation[J]. Acta Armamentarii, 2010, 31(9): 1 247-1 253.

[4]
陈士涛, 张海林. 基于作战网络模型的异构无人机集群作战能力评估[J]. 军事运筹与系统工程, 2019, 33(1): 38-43.

CHEN S T, ZHANG H L. Assessment of fighting capability of heterogeneous unmanned aerial vchicles cluster based on operation network model[J]. Military Operations Research and Systems Engineering, 2019, 33(1): 38-43.

[5]
LI J C, GE B F, JIANG J, et al. High-end weapon equipment portfolio selection based on a heterogeneous network model[J]. Journal of Global Optimization, 2020, 78(4): 743-761.

DOI

[6]
LI J C, JIANG J, YANG K W, et al. Research on functional robustness of heterogeneous combat networks[J]. IEEE Systems Journal, 2019, 13(2): 1 487-1 495.

DOI

[7]
LI J C, ZHAO D L, GE B F, et al. Disintegration of operational capability of heterogeneous combat networks under incomplete information[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2020, 50(12): 5 172-5 179.

DOI

[8]
邱原, 邢焕革. 基于复杂理论的作战网络关键边评估方法[J]. 兵工自动化, 2011, 30(8): 22-26.

QIU Y, XING H G. Evaluation method for critical edge of operation networks based on complex theory[J]. Ordnance Industry Automation, 2011, 30(8): 22-26.

[9]
杨哲, 李曙林, 周莉, 等. 基于复杂网络空战体系作战网络拓扑模型分析[J]. 计算机仿真, 2013, 30(10): 72-75, 421.

YANG Z, LI S L, ZHOU L, et al. Topological analysis on combat networks of air systems combat based on complexnetworks[J]. Computer Simulation, 2013, 30(10): 72-75, 421.

[10]
周琛, 宋笔锋, 尚柏林, 等. 基于作战网络可靠度的体系贡献率评估[J]. 系统工程与电子技术, 2021, 43(7): 1 875-1 883.

ZHOU C, SONG B F, SHANG B L, et al. System of systems contribution rate evaluation based on operational network reliability[J]. Systems Engineering and Electronics, 2021, 43(7): 1 875-1 883.

[11]
黄建明, 高大鹏. 基于OODA环的作战对抗系统动力学模型[J]. 系统仿真学报, 2012, 24(3): 561-564, 574.

HUANG J M, GAO D P. Combat systems dynamics model with OODA loop[J]. Journal of System Simulation, 2012, 24(3): 561-564, 574.

[12]
SILVANDER J, ANGELIN L. Introducing intents to the OODA-loop[J]. Procedia Computer Science, 2019(159): 878-883.

[13]
LI J C, ZHAO D L, JIANG J, et al. Capability oriented equipment contribution analysis in temporal combat networks[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, 51(2): 696-704.

DOI

[14]
DEKKER A. Applying social network analysis concepts to military C4ISR architectures[J]. Connections, 2002(24): 93-103.

[15]
YANG G L, ZHANG W M, XIU B X, et al. Key potential-oriented criticality analysis for complex military organization based on FINC-E model[J]. Computational and Mathematical Organization Theory, 2014, 20(3): 278-301.

DOI

[16]
LI J C, TAN Y J, YANG K W, et al. Structural robustness of combat networks of weapon system-of-systems based on the operation loop[J]. International Journal of Systems Science, 2017, 48(3): 659-674.

DOI

[17]
CHEN K B, LU Y J, GUO L, et al. A genetic algorithm-based methodology for analyzing the characteristics of high-operational-capability combat networks[J]. IEEE Access, 2022(10): 14 717-14 730.

[18]
LI J C, GE B F, YANG K W, et al. Meta-path based heterogeneous combat network link prediction[J]. Physica A: Statistical Mechanics and Its Applications, 2017(482): 507-523.

[19]
LI J C, ZHAO D L, GE B F, et al. A link prediction method for heterogeneous networks based on BP neural network[J]. Physica A: Statistical Mechanics and Its Applications, 2018(495): 1-17.

[20]
CHEN W H, LI J C, JIANG J. Heterogeneous combat network link prediction based on representation learning[J]. IEEE Systems Journal, 2021, 15(3): 4 069-4 077.

DOI

[21]
JEFFREY R C. An information age combat model[J]. Alidade, Inc, Newport, PR, USA, 2004.

[22]
秦茂森, 赵丹玲, 杨克巍. 基于作战网络的反潜活动效能评估[J]. 系统工程与电子技术, 2018, 40(7): 1 513-1 520.

QIN M S, ZHAO D L, YANG K W. Effectiveness evaluation of anti-submarine activities based on combatnetwork[J]. Systems Engineering and Electronics, 2018, 40(7): 1 513-1 520.

[23]
李际超, 吴俊, 谭跃进, 等. 基于有向自然连通度的作战网络抗毁性研究[J]. 复杂系统与复杂性科学, 2015, 12(4): 25-31.

LI J C, WU J, TAN Y J, et al. Robustness of combat networks based on directed natural connectivity[J]. Complex Systems and Complexity Science, 2015, 12(4): 25-31.

[24]
付东, 方程, 王震雷. 作战能力与作战效能评估方法研究[J]. 军事运筹与系统工程, 2006, 20(4): 35-39.

FU D, FANG C, WANG Z L. Research on evaluation methods of combat capability and combat effectiveness[J]. Military Operations Research and Systems Engineering, 2006, 20(4): 35-39.

[25]
CHEN K B, LU Y J, LIU Q, et al. A method to validate operational capability index model of heterogeneous combat networks based on characteristic topology analysis[J]. IEEE Access, 2020(8): 59 760-59 773.

[26]
谢永亮, 郝强, 孔健, 等. 美军OODA循环周期缩短原因浅析[J]. 国防科技, 2005, 26(7): 65-67.

XIE Y L, HAO Q, KONG J, et al. Analysis of the reasons for shortening the OODA cycle of the US military[J]. National Defense Science & Technology, 2005, 26(7): 65-67.

[27]
HE H, WANG W P, ZHU Y F, et al. Function chain-based mission planning method for hybrid combat SoS[J]. IEEE Access, 2019(7): 100 453-100 466.

[28]
徐宁. 基于遗传算法的共架发射系统武器空域协调方法[J]. 指挥控制与仿真, 2021, 43(3): 84-88.

XU N. Airspace coordination method of common-frame weapons launch system based on genetic algorithm[J]. Command Control & Simulation, 2021, 43(3): 84-88.

[29]
NEWMAN M E. Modularity and community structure in networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2006, 103(23): 8 577-8 582.

[30]
陈克斌, 鲁云军, 韩梦瑶, 等. 一种基于双编码遗传算法的机动微波接力网组网方法[J]. 控制与决策, 2020, 35(12): 2 915-2 922.

CHEN K B, LU Y J, HAN M Y, et al. Mobile microwave relay network construction method based on double coding genetic algorithm[J]. Control and Decision, 2020, 35(12): 2 915-2 922.

[31]
LI X Y, ZHOU D Y, YANG Z, et al. A novel genetic algorithm for the synthetical sensor-weapon-target assignment problem[J]. Applied Sciences, 2019, 9(18): 3 803.

DOI

[32]
陈士涛, 李大喜, 赵保军. 基于ONM的无人机信息支援远程体系作战能力评估[J]. 系统工程与电子技术, 2018, 40(6): 1 274-1 280.

CHEN S T, LI D X, ZHAO B J. Assessment of systematic fighting capability under long-range information support by UAV based on ONM[J]. Systems Engineering and Electronics, 2018, 40(6): 1 274-1 280.

Options
文章导航

/

〈 〉