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 >

2024 , Vol. 46 >Issue 4: 44 - 52

DOI: https://doi.org/10.3969/j.issn.1673-3819.2024.04.006

武器与信息系统

基于作战能力的模块化兵力抽组模型研究

  • 冯钊 1, 2 ,
  • 荣明 1, † ,
  • 马悦 3 ,
  • 叶林发 1 ,
  • 钟家祥 1
展开
  • 1 国防大学, 北京 100091
  • 2 中国人民解放军31539部队, 北京 100144
  • 3 中国人民解放军31002部队, 北京 100091
†荣 明(1978—),男,博士,硕士生导师。

冯 钊(1993—),男,硕士研究生,研究方向为军事智能决策、任务规划等。

收稿日期: 2023-06-08

  修回日期: 2023-06-14

  网络出版日期: 2024-07-29

收起

Research on modular force grouping model based on operational capability

  • FENG Zhao 1, 2 ,
  • RONG Ming 1 ,
  • MA Yue 3 ,
  • YE Linfa 1 ,
  • ZHONG Jiaxiang 1
Expand
  • 1 National Defense University, Beijing 100091
  • 2 Unit 31539 of PLA, Beijing 100144, China
  • 3 Unit 31002 of PLA, Beijing 100091, China

Received date: 2023-06-08

  Revised date: 2023-06-14

  Online published: 2024-07-29

Fold

摘要

为解决联合作战筹划兵力编组科学高效的问题,提出了作战元能力非线性生成聚合作战能力的方法,建立了“作战子任务-聚合作战能力-作战元能力-营级作战单元”的兵力抽组关系。以作战能力供需向量匹配为基本抽组依据,构建了多优化目标多约束条件的联合作战层级的模块化兵力抽组模型。提出了基于遗传算法的模型求解框架,说明了决策变量编码、适应值计算、兵力抽组解码的流程方法。实验表明:基于作战能力的模块化兵力抽组模型,能够精确高效地抽组满足作战任务需要的营级作战单元。

关键词： 兵力抽组; 作战能力; 模块化兵力; 作战任务分配

本文引用格式

冯钊 , 荣明 , 马悦 , 叶林发 , 钟家祥 . 基于作战能力的模块化兵力抽组模型研究[J]. 指挥控制与仿真, 2024 , 46(4) : 44 -52 . DOI: 10.3969/j.issn.1673-3819.2024.04.006

Abstract

In order to solve the problem of scientificity and efficiency of force grouping in joint operational planning, a nonlinear method of generating polymeric operational capability from combative element capability is proposed, and a force grouping relationship of "operational subtasks to polymeric operational capability to combative meta-capabilities to battalion combative units" is established. And a modular force grouping model at the joint operational level with multiple optimized targets and multiple constraints is constructed based on the matching of supplying and demanded vectors of operational capability. A model solving framework based on genetic algorithm is proposed, and the processes and methods of coding decided variable, calculating adaptive value and decoding chromosome of the force grouping are explained. Experiments show that the modular force grouping model based on the matching of operational capability can accurately and efficiently group battalion combative units to meet the needs of operational tasks.

Key words： force grouping; operational capability; modular forces; operational tasks assignment

联合作战筹划是打赢未来战争的关键一环,兵力编组的科学性直接决定兵力运用的可行性,直接决定作战胜负和战争走向。未来作战,必须创新作战概念和战法打法,必须改进联合作战筹划模式和指挥方式,必须研究适应战争实际需求的兵力抽组模型,实现多种作战力量灵活编组、即插即用、集能聚优,有效提高联合作战方案的科学性和实战性。
随着智能技术兴起,任务规划成为军内外研究热点。马悦等研究了战役层的通用作战任务分配模型和求解方法[1];Barták R等提出了一种能够描述并行任务的P/A网络[2];张迎新在此基础上提出逻辑任务图概念,更加直观地展现了作战任务之间的关系[3];王锐用拓展的网络计划图对联合作战中的行动逻辑、时间关系和协同关系建立了模型[4];肖海等使用OOR框架扩展了层次任务网络的任务分解方法[5];张佳然等从质量、成本和时间等方面对HTN任务分解方法进行“剪枝”,把复合任务分解为容易执行的原子任务[6];田伟等利用随机时间影响网(Influence Net,IN)来描述打击行动和使命任务之间的因果关系,从而将难以量化的使命完成效果进行非解析表达[7];朱延广等将资源与协同约束引入IN,用遗传算法求解作战方案优化问题[8];欧峤等构建了多约束条件的协同目标分配模型[9];肖中晖等提出了一种基于二元性能指标的蚁群算法解决多目标火力分配问题[10];胡冬冬研究了美军兵力规划过程中场景方法的应用及其面临的问题挑战[11];赵禄达等研究了进攻战斗电子对抗兵力需求的三层规划模型[12];杜伟伟等研究了层次分解作战任务的方法[13]。
上述研究大多数聚焦于任务分解分配和武器目标分配,研究联合作战层面的兵力抽组问题较少。本文以作战能力供需向量匹配为基本依据,构建多优化目标多约束条件的联合作战层级模块化兵力抽组模型。

1 模块化兵力抽组模型构建

兵力抽组是将联合作战任务分解为若干作战子任务后,建立“作战子任务-聚合作战能力-作战元能力-营级作战单元”的多对多映射关系,然后采取作战能力匹配的原则,从模块化兵力资源池中抽取营级作战单元,最终形成联合作战任务兵力编组方案。基于作战能力的模块化兵力抽组关系示意图如图1所示。
图1 模块化兵力抽组关系示意图

Fig.1 Diagram of the modular force grouping relationship

1.1 概念描述

1)作战任务(Operational Task):为实现作战目的,需要完成的任务集合。按层级可从大到小划分为联合作战任务、作战子任务、作战元任务等不同层级的作战任务。一种任务分解方法对应了联合作战任务的一种执行方式。
2)作战单元(Combat Unit):可以独立完成一定作战任务的作战力量。其可以有不同层次不同类型,本文主要研究营级及以下的可以独立遂行作战任务的作战单元。作战单元由作战人员和作战资源两个方面构成,作战单元可以有几种不同作战能力。
3)模块化兵力资源池(Modular Force Resource Pool):由一系列标准规范、即插即用的可以独立遂行作战任务的模块化作战单元组成的兵力集合。
4)作战能力(Operational Capability):作战单元具有的可以完成一定作战任务的能力,可以分为作战元能力和聚合作战能力。作战能力的类型和大小分别与作战单元类型和作战资源的数量有关。
5)作战能力聚合(Operational Capability Polymerization):将营级作战单元的作战元能力,按照能力聚合系数,形成聚合作战能力的过程。作战能力聚合系数α可通过定性定量评估得到。
6)作战资源(Operational Resource):作战单元编成内的武器、装备、弹药、器材等可以完成一定作战任务的资源,不包括后勤支援单位提供的作战资源。作战资源与作战人员共同构成了作战单元。
7)作战单元能力供给向量(Capability Supplying Vector of Combative Unit):作战单元因自身所拥有的作战资源而具备的执行作战任务的能力类型大小。向量中的每项元素表示一类可供给的作战能力,元素值表示该种作战能力的大小。
8)作战任务能力需求向量(Capability Demanded Vector of Operational Task):为完成作战任务,必需的一组作战能力类型及需求量。向量中的每项元素表示一类所需的作战能力,元素数值表示该种作战能力的大小。

1.2 数学描述

1)符号定义
ts(tai)、te(tai):作战子任务tai的开始时间和结束时间。
T={Δt1,Δt2,…ΔtG}:作战时间阶段集合。Δtg为第g个作战时间阶段,G为时间阶段总数。
T a Δ t g={t a 1 Δ t g,…,t a i Δ t g,…t a N ' Δ t g}:时间阶段Δtg内,需要完成的作战子任务集合,t a i Δ t g 为第i个作战子任务,N'为作战子任务数目。
u Δ t g={ u 1 Δ t g,…, u k Δ t g,…, u K ' Δ t g}:时间阶段Δtg内,可用营级作战单元集合, u k Δ t g 为第k个营级作战单元,K'为营级作战单元数目。
U Δ t g={ U 1 Δ t g,…, U j Δ t g,…, U M ' Δ t g}:时间阶段Δtg内,可用聚合作战单元集合(多个营级作战单元的有机聚合), U j Δ t g 为第j个聚合作战单元,M'为聚合作战单元数目。
C Δ t g={ c 1 Δ t g,…, c y Δ t g,…, c Y ' Δ t g}:时间阶段Δtg内,可用作战元能力集合, c y Δ t g 为第y类作战元能力的总量,Y'为作战元能力种类数量。
C P Δ t g={c p 1 Δ t g,…,c p h Δ t g,…,c p H ' Δ t g}:时间阶段Δtg内,可用聚合作战能力集合,c p h Δ t g 为第h类聚合作战能力的总量,H'为聚合作战能力种类数量。
Tac p i Δ t g={tac p i , 1 Δ t g,…,tac p i , h Δ t g,…,tac p i , H ' Δ t g}:时间阶段Δtg内,完成作战子任务t a i Δ t g 的聚合作战能力需求向量,tac p i , h Δ t g 为完成作战子任务t a i Δ t g 需要的第h类聚合作战能力的大小。
u c y Δ t g={u c y , 1 Δ t g,…,u c y , k Δ t g,…,u c y , K ' Δ t g}:时间阶段Δtg内,营级作战单元 u y Δ t g 的作战元能力供给向量,u c y , k Δ t g 为营级作战单元 u y Δ t g 能够提供的第k类作战元能力的大小。
Uc p j Δ t g={Uc p j , 1 Δ t g,…,Uc p j , h Δ t g,…,Uc p j , H ' Δ t g}:时间阶段Δtg内,聚合作战单元 U j Δ t g 的聚合作战能力供给向量,Uc p j , h Δ t g 为聚合作战单元 U j Δ t g 能够提供的第h类聚合作战能力的大小。
ULc p j , i Δ t g={Ulc p j , i , 1 Δ t g,…,Ulc p j , i , h Δ t g,…,Ulc p j , i , H ' Δ t g}:时间阶段Δtg内,聚合作战单元 U j Δ t g 执行作战子任务t a i Δ t g 的聚合作战能力消耗向量,Ulc p j , i , h Δ t g 为聚合作战单元 U j Δ t g 执行作战子任务t a i Δ t g 所消耗的第h类聚合作战能力的大小。
变量 Q k y , j h , Δ t g:时间阶段Δtg内,第k个营级作战单元的第y个作战元能力,是否参与形成第j个聚合作战单元的第h个聚合作战能力。当参与聚合时, Q k y , j h , Δ t g=1,否则 Q k y , j h , Δ t g=0。参与聚合第j个聚合作战单元的第h个聚合作战能力的营级作战单元及其作战元能力列表,如式1所示。
Q j h , Δ t g= Q 1 1 , j h , Δ t g … Q 1 y , j h , Δ t g … Q 1 Y , j h , Δ t g … … … … … Q k 1 , j h , Δ t g … Q k y , j h , Δ t g … Q 2 Y , j h , Δ t g … … … … … Q K 1 , j h , Δ t g … Q K 2 , j h , Δ t g … Q K Y , j h , Δ t g
Q∈{0,1}K×Y;K和Y分别为营级作战单元及其作战元能力的总数。
变量 X j , i , Δ t g:时间阶段Δtg内,聚合作战单元Uj是否执行作战子任务tai。当Uj执行tai时 X j , i , Δ t g=1,否则 X j , i , Δ t g=0。执行作战子任务tai的聚合作战单元列表为: X i , Δ t g=( X 1 , i , Δ t g, X 2 , i , Δ t g,…, X M , i , Δ t g)。所有时间阶段,兵力抽组模型求解变量,如式2所示。
X= X j , i , Δ t g ∈ { 0,1 } i ∈ { 1,2 , … , N } j ∈ { 1,2 , … , M } g ∈ { 1,2 , … , G }
X∈{0,1}N×M×G,N、M和G分别为作战子任务、聚合作战单元、作战时间阶段的总数。
2)兵力抽组模型
F=ω1f1-ω2f2+ω3f3+ω4f4
s.t. ∑ j = 1 M X j , i , Δ t g · U c p j , h Δ t g ≥ t a c p i , h Δ t g ∑ i = 1 N X j , i , Δ t g · t a c p i , h Δ t g ≤ U c p j , h Δ t g U c p j , h Δ t g + 1 = U c p j , h Δ t g - ∑ i = 0 N X j , i , Δ t g · U l c p j , i , h Δ t g U c p j , h Δ t g = ∑ k = 1 K ∑ y = 1 Y α ( k , y - j , h ) · Q k y , j h , Δ t g · u c k , y Δ t g ∑ k = 1 K ∑ y = 1 Y Q k y , j h , Δ t g ≤ 1 ∑ i = 1 N X j , i , Δ t g ≤ 1 i ∈ { 1,2 , … , N } j ∈ { 1,2 , … , M } k ∈ { 1,2 , … , K } h ∈ { 1,2 , … , H } y ∈ { 1,2 , … , Y } g ∈ { 1,2 , … , G }
3)多目标优化函数
多目标优化函数由4个子目标函数组成:F=ω1f1-ω2f2+ω3f3+ω4f4。f1为联合作战任务执行率,f2为聚合作战单元抽组率,f3为聚合作战能力总剩余率,f4为聚合作战能力使用率方差。ω为各子目标函数的权重值,可以根据指挥员偏好确定。
①联合作战任务执行率f1
f1=max s u m I s ∑ g = 1 G ∑ j = 1 M X j , i , Δ t g N
f1描述了被执行过的作战子任务占所有作战子任务的比值,f1∈[0,1],f1越大越好。 ∑ g = 1 G ∑ j = 1 M X j , i , Δ t g表示全部作战阶段结束后,作战子任务tai被所有聚合作战单元执行次数的总和;Is(·)表示作战子任务tai是否被执行过,若被执行次数大于或等于1,则Is(·)=1,作战子任务tai被执行过;若被执行次数等于0,则Is(·)=0,作战子任务tai未被执行。
②聚合作战单元抽组率f2
f2=min ∑ j = 1 M ∑ i = 1 N ∑ g = 1 G X j , i , Δ t g M 0
f2描述了聚合作战单元的使用强度。 ∑ j = 1 M ∑ i = 1 N ∑ g = 1 G X j , i , Δ t g表示完成联合作战任务后,所有聚合作战单元被抽组次数的总和,M0为作战开始前所有聚合作战单元总数目。对于某一聚合作战单元,执行的作战子任务越少,越有利于集中精力完成作战子任务。
③聚合作战能力总剩余率f3
f3=max 1 H ∑ h = 1 H c p '   h c p h
cp'h=cph- ∑ g = 1 G ∑ j = 1 M ∑ i = 1 N X j , i , Δ t g · U l c p j , i , h Δ t g
f3描述了完成全部作战子任务后所有聚合作战单元自有的作战资源的损耗情况,即所有聚合作战能力损耗情况。在确保完成联合作战任务前提下,作战资源损耗越少,聚合作战能力剩余越多,作战效果越好。cph为所有聚合作战单元具有的第h种聚合作战能力cph的初始值;cp'h 为完成全部作战子任务后的剩余值;cp'h/cph表示第h种聚合作战能力cph的剩余率。
④聚合作战能力使用率方差f4
f4=max(var({Ulcpj|j=1,2,…,M}))
Ulcpj= 1 H ∑ h = 1 H U c p '   j , h U c p j , h
Ucp'j,h=Ucpj,h- ∑ g = 1 G ∑ i = 1 N X j , i , Δ t g · U l c p j , i , h Δ t g
f4描述了所有聚合作战单元的聚合作战能力使用程度与其均值之间的偏离程度。var(·)为计算方差的函数,Ulcpj为第j个聚合作战单元Uj的聚合作战能力剩余率,Ucpj,h为聚合作战单元Uj所具有的第h种聚合作战能力cph的初始值;Ucp'j,h 为Uj执行全部作战子任务后的剩余值;Ucp'j,h/Ucpj,h表示聚合作战单元Uj的第h种聚合作战能力cph的剩余率。
Ulcpj=1,表示聚合作战能力剩余率为1的聚合作战单元,即没有被使用的聚合作战单元;Ulcpj=0,表示聚合作战能力剩余率为0的聚合作战单元,即被完全使用的聚合作战单元。f4越大,聚合作战能力保存较为完整和利用较为充分的聚合作战单元数目越多,兵力抽组方案效果越好。
4)约束条件
① ∑ j = 1 M( X j , i , Δ t g·Uc p j , h Δ t g)≥tac p i , h Δ t g 表示:时间阶段Δtg内,完成作战子任务tai 的所有聚合作战单元的第h种聚合作战能力cph的总供给量,必须大于作战子任务tai 对第h种聚合作战能力cph的需求量。
② ∑ i = 1 N( X j , i , Δ t g·tac p i , h Δ t g)≤Uc p j , h Δ t g 表示:时间阶段Δtg内,聚合作战单元Uj执行的所有作战子任务对第h类聚合作战能力的总需求量,不能超过聚合作战单元Uj对第h种聚合作战能力cph的拥有量。
③Uc p j , h Δ t g + 1=Uc p j , h Δ t g- ∑ i = 1 N( X j , i , Δ t g·Ulc p j , i , h Δ t g)表示:时间阶段Δtg+1聚合作战单元Uj可使用的聚合作战能力cph的数量,等于聚合作战单元Uj执行完Δtg阶段所有作战子任务后的聚合作战能力cph剩余量。
④Uc p j , h Δ t g= ∑ k = 1 K ∑ y = 1 Yα(k,y-j,h)· Q k y , j h , Δ t g·u c k , y Δ t g
表示:作战阶段Δt内,聚合作战单元Uj的第h个聚合作战能力cph的值等于该阶段聚合作战单元编组内的营级作战单元的可用作战元能力的分项求和。α(k,y-j,h)为第k个营级作战单元的第y种作战元能力对第j个聚合作战单元的第h种聚合作战能力的聚合系数。
⑤ ∑ j = 1 M ∑ h = 1 H Q k y , j h , Δ t g≤1表示:时间阶段Δtg内,第k个营级作战单元的第y种作战元能力,最多只能参与形成一个聚合作战单元的一项聚合作战能力。
⑥ ∑ i = 1 N X j , i , Δ t g≤1表示:时间阶段Δtg内,聚合作战单元Uj最多只能执行一项作战子任务。

2 基于遗传算法的兵力抽组模型求解

遗传算法(GA)是美国Holland教授提出的基于生物进化论以及基因遗传理论的随机搜索算法[14]。其主要原理是先构建一定数量的初始种群,而后通过交叉和变异操作产生下一代种群,并根据个体的适应值对种群进行优胜劣汰,直到选出最优个体。该算法鲁棒性强,具有较强的全局搜索能力,适用于求解空间比较复杂的目标优化问题。兵力抽组模型求解流程如图2所示。
图2 模块化兵力抽组模型求解流程图

Fig.2 Diagram of the solving process of the modular force grouping model

2.1 决策变量编码

编码的目的是将最优化问题中的决策变量用某种编码方式构成遗传算法能够运算的字符串,实现问题空间到遗传空间的映射。本文根据决策变量及取值范围进行基因编码,作战子任务的聚合作战能力对应染色体上的基因,各基因取值范围取决于可以生成该聚合作战能力的营级作战单元类型组合数量。兵力抽组模型基因编码流程,如图3所示。
图3 模块化兵力抽组模型基因编码流程图

Fig.3 Diagram of coding the gene of the modular force grouping model

1)分析“作战子任务”所需的聚合作战能力类型,计算每个基因对应的每个“作战子任务”的聚合作战能力需求向量{tacpi,1,…,tacpi,H'}。
2)循环所需的每种聚合作战能力,计算可以生成该聚合作战能力的营级作战元能力类型列表{uctype1,uctype2,…}。
3)循环各聚合作战能力的营级作战元能力类型列表,提取具有该作战元能力的营级作战单元类型,将所有营级作战单元类型组合存储在列表{utype1,utype2,…}中。
4)构建营级作战单元类型组合集合Taut,循环集合中的每一种营级作战单元组合tauti,h,x,判断其是否能生成第i个作战子任务所需的第h种聚合作战能力。若可以,则保留该组合;否则删除该组合。
5)得到可以生成各聚合作战能力的营级作战单元类型组合集合Taut'={taut'1,…,taut'L}。
6)按顺序对集合Taut'中的营级作战单元类型组合进行编码,生成基因编码结果。

2.2 变异、交叉和选择

种群变异时,随机找到染色体中多个非零点,使其随机变化,跳出局部搜索。种群交叉时,随机选取需要交叉的父代染色体,对选中个体使用多点交叉的方式,获得后代染色体,以保证种群的多样性。同时根据染色体早熟程度,动态改变变异交叉的概率。精英选择时,采用轮盘赌和正态分布采样相结合的方法,保留适应值较大的个体。

2.3 适应度函数构建

适应度函数是用来计算每个染色体的适应值,评判其优劣程度,以进行种群选择。兵力抽组模型的适应度函数由4个子目标函数组成:F=ω1f1+ω2f2-ω3f3+ω4f4。ω为各子目标函数的优化权重值,根据指挥员偏好设定。f1为联合作战任务执行率,描述了被执行过的作战子任务占所有作战子任务的比值,f1应尽可能大。f2为聚合作战单元抽组率,描述了聚合作战单元的使用强度,f2越小,作战单元负荷越小,作战单元精力更集中,联合任务完成效果越好。f3为聚合作战能力总剩余率,描述了所有聚合作战单元的聚合作战能力损耗情况,在确保完成联合作战任务前提下,作战资源损耗越少,聚合作战能力总剩余率越大,兵力编组方案越好。f4为聚合作战能力使用率方差,描述了所有聚合作战单元的聚合作战能力使用程度与其均值之间的偏离程度,f4较大时,聚合作战能力保存较为完整和利用较为充分的聚合作战单元数目较多,而只使用一部分聚合作战能力便弃用的聚合作战单元数目较少,f4越大,兵力抽组方案效果越好。

2.4 兵力抽组解码

兵力抽组基因解码就是根据基因位置和取值,确定聚合作战能力及其形成的营级作战单元类型组合,然后综合考虑各类型营级作战单元的空间位置、担负任务数量和作战能力等因素,确定形成每个聚合作战能力的具体营级作战单元组合。兵力抽组模型基因解码流程如图4所示。
图4 模块化兵力抽组模型基因解码流程图

Fig.4 Diagram of decoding the gene of the modular force grouping model

1)根据基因位置和取值,确定聚合作战能力及其形成的营级作战单元类型组合。
2)循环每种营级作战单元类型,提取该类型所有营级作战单元,计算每个作战单元与作战子任务的距离、担负任务数量和剩余作战能力大小,综合排序后存储,形成各类型营级作战单元组合列表。
3)循环各作战子任务所需的聚合作战能力,根据所需聚合作战能力类型及大小,选择营级作战单元组合及数量。
4)依次输出完成各作战子任务的营级作战单元编组,得到最优兵力抽组方案。
种群中每条染色体对应一个联合作战任务兵力抽组方案。联合作战任务由多个作战子任务组成,完成每个作战子任务需要多个聚合作战能力,每个聚合作战能力对应一个基因,每个基因取值对应一个营级作战单元组合。对整条染色体的所有基因进行逐个解码,就可得到联合作战任务的兵力抽组方案。
整条染色体解码过程如图5所示。
图5 模块化兵力抽组模型染色体解码示意图

Fig.5 Diagram of decoding the chromosome of the modular force grouping model

3 实验验证

实验使用本文的兵力抽组模型,从模块化兵力资源池中,抽取最优兵力编组完成联合火力打击任务,验证模型的可行性和有效性。

3.1 实验设计

联合火力打击任务定义10种作战元能力和12种聚合作战能力,如表1所示。
表1 联合火力打击任务能力定义

Tab.1 Capability definition of the joint fire strike task

代字 作战元能力 代字 聚合作战能力
c1 毁伤能力 cp1 地对地打击能力
c2 机动能力 cp2 地对空打击能力
c3 续航能力 cp3 地对舰打击能力
c4 a能力 cp4 舰对地打击能力
c5 b能力 cp5 舰对空打击能力
c6 c能力 cp6 舰对舰打击能力
c7 d能力 cp7 潜对地打击能力
c8 e能力 cp8 潜对空打击能力
c9 f能力 cp9 潜对舰打击能力
c10 g能力 cp10 空对地打击能力
cp11 空对空打击能力
cp12 空对舰打击能力
根据打击目标和指挥员意图,将联合火力打击任务按不同阶段不同领域分解为4项子任务。根据目标毁伤要求和弹药毁伤效果计算各子任务的能力需求,如表2所示。
表2 联合火力打击任务能力需求

Tab.2 Capability demands of the joint fire strike task

子任务类型 时间 目标 能力需求向量
地地火力打击
子任务ta1		 T h*2、i*3
j*5、k*7		 地地火力打击
能力cp1:t
舰地火力打击
子任务ta2		 T+10 l、m*3 舰地火力打击
能力cp4:u
潜地火力打击
子任务ta3		 T+20 n、o 潜地火力打击
能力cp7:v
空地火力打击
子任务ta4		 T+30 p*9、q*5
r*4、s*6		 空地火力打击
能力cp10:w

3.2 实验结果

使用本文的模型算法,设定适应度函数各优化子目标权重相等,对上述联合火力打击任务进行兵力抽组。适应值变化曲线如图6所示。
图6 适应值变化曲线

Fig.6 Variation curve of fitness

算法迭代结束后,将种群最优染色体解码为最优兵力抽组方案,如表3所示。作战单元编号为示意值。
表3 联合火力打击任务最优兵力抽组方案

Tab.3 Optimized force grouping scheme of the joint fire strike task

作战
子任务		 单元类型
及数目		 作战单元编号
地地火力
打击子任务
ta1(T)		 东1X营:4 D1XY3、D1XY6、D1XY8、D1XY9
东2X营:4 D2XY1、D2XY4、D2XY5、D2XY8
远火营:9 YHY3、YHY5、YHY10、YHY11、YHY15、YHY18、YHY22、YHY23、YHY28
舰地火力
打击子任务
ta2(T+10)		 巡洋舰:5 XYJ2、XYJ3、XYJ8、XYJ9、XYJ12
驱逐舰:5 QZJ2、QZJ3、QZJ7、QZJ8、QJ12
潜地火力
打击子任务
ta3(T+20)		 潜艇:3 QT2、QT5、QT8
空地火力
打击子任务
ta4(T+30)		 歼击机:6 JJJ3、JJJ5、JJJ7、JJJ18、JJ20、JJJ25
轰炸机:5 HZJ2、HZJ6、HZJ7、HZJ8、HZJ13
歼轰机:6 JHJ1、JHJ5、JHJ10、JHJ11、JHJ25、JHJ28
预警机:2 YYJ3、YYJ5
干扰机:4 GRJ2、GRJ5、GRJ6、GRJ9
加油机:2 JYJ1、JYJ4
无人机群:4 WRJQ4、WRJQ5、WRJQ6、WRJQ7
根据各作战子任务的能力需求类型大小,确定所需各作战单元的编成数量。聚合作战能力由各营级作战单元关键作战元能力按聚合系数求得,忽略不太重要的作战元能力。作战能力及聚合系数为示意值。联合火力打击任务兵力抽组过程如图7所示。
图7 联合火力打击任务兵力抽组示意图

Fig.7 Diagram of force grouping of the joint fire strike task

4 结束语

为解决联合作战筹划兵力编组科学高效的问题,本文围绕作战概念和作战样式、联合作战指挥体系和力量体系,基于作战能力供需向量匹配,构建了联合作战层级的模块化兵力抽组模型,提高了联合作战兵力抽组的精确性和可信度。但如何准确评估作战单元的作战能力、如何科学确定作战能力聚合系数、如何合理分解联合作战任务等众多问题,都直接影响联合作战兵力抽组的科学性和实战性,下一步,还需全面深入研究联合作战任务规划各阶段各方面重难点问题。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
马悦, 吴琳, 郭圣明. 作战任务分配建模及求解方法研究[J]. 系统仿真学报, 2023, 35(4): 887-898.

DOI

MA Y, WU L, GUO S M. Research on modeling and solution method of operational tasks assignment[J]. Journal of System Simulation, 2023, 35(4): 887-898.

DOI

[2]
Barták R, Cepek O. Temporal Networks with Alternatives: Complexity and Model[C]// The Florida AI Research Society Conference, North Miami Beach, USA: AAAI Press, 2007:641-646.

[3]
张迎新. 不确定环境下军事任务计划建模与优化方法研究[D]. 长沙: 国防科学技术大学, 2014: 17-21.

ZHANG Y X. Research on modeling and optimization methods for military mission planning under uncertainty[D]. Changsha: National University of Defense Technology, 2014: 17-21.

[4]
王锐. 基于网络计划图的联合作战方案建模与分析[D]. 长沙: 国防科技大学, 2018.

WANG R. Modeling and analysis of joint operations based on network planning diagram[D]. Changsha: National University of Defense Technology, 2018.

[5]
肖海, 刘新学, 舒健生, 等. 基于扩展HTN规划的作战任务分析方法[J]. 火力与指挥控制, 2016, 41(9): 108-111, 117.

XIAO H, LIU X X, SHU J S, et al. Research on operational task analysis method based on extended HTN planning[J]. Fire Control & Command Control, 2016, 41(9): 108-111, 117.

[6]
赵佳然, 杜伟伟, 石昊. 基于扩展HTN的作战任务混合策略分解方法[J]. 兵器装备工程学报, 2020, 41(11): 177-181.

ZHAO J R, DU W W, SHI H. Hybrid strategy decomposition method for combat missions based on extended HTN[J]. Journal of Ordnance Equipment Engineering, 2020, 41(11): 177-181.

[7]
田伟, 王志梅, 段威. 基于随机时间影响网络的联合火力打击动态武器目标分配问题研究[J]. 指挥控制与仿真, 2020, 42(6): 32-40.

DOI

TIAN W, WANG Z M, DUAN W. Research on dynamic weapon target assignment problem in joint fire strike based on stochastic time influence network[J]. Command Control & Simulation, 2020, 42(6): 32-40.

[8]
朱延广, 张新宇, 张驭龙, 等. 基于影响网络的混合约束作战方案优化方法[J]. 计算机仿真, 2017, 34(7): 22-26, 132.

ZHU Y G, ZHANG X Y, ZHANG Y L, et al. Influence nets based course of action optimization under combinational constraints[J]. Computer Simulation, 2017, 34(7): 22-26, 132.

[9]
欧峤, 贺筱媛, 郭圣明. 基于改进DDE算法的协同目标分配问题研究[J]. 指挥与控制学报, 2019, 5(4): 282-287.

OU Q, HE X Y, GUO S M. Cooperative target assignment based on improved DDE algorithm[J]. Journal of Command and Control, 2019, 5(4): 282-287.

[10]
肖中晖, 寇英信, 李战武, 等. 火力分配多目标优化的IBACO算法[J]. 火力与指挥控制, 2017, 42(7): 165-169.

XIAO Z H, KOU Y X, LI Z W, et al. Indicator based ant colony optimization for multi-objective WTA problem[J]. Fire Control & Command Control, 2017, 42(7): 165-169.

[11]
胡冬冬. 美军兵力规划过程中场景方法的应用及其面临的问题与挑战[J]. 战术导弹技术, 2021(1): 27-33.

HU D D. The application of scenario method and its problems and challenges in the process of U.S. military force planning[J]. Tactical Missile Technology, 2021(1): 27-33.

[12]
赵禄达, 王斌, 曾威. 进攻战斗电子对抗兵力需求的三层规划模型[J]. 系统工程与电子技术, 2021, 43(6): 1 564-1 571.

ZHAO L D, WANG B, ZENG W. Three-level programming model of electronic countermeasures force requirements in offensive combat[J]. Systems Engineering and Electronics, 2021, 43(6): 1 564-1 571.

[13]
杜伟伟, 陈小伟. 作战任务层次化分解方法[J]. 兵工学报, 2021, 42(12): 2 771-2 782.

DU W W, CHEN X W. Operational task hierarchical decomposition[J]. Acta Armamentarii, 2021, 42(12): 2 771-2 782.

[14]
HOLLAND J. Adaptation in natural and artificial systems[M]. MIT Press,Cambridge, MA,1992.

Options
文章导航

/

〈 〉