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
Command Control and Simulation

Command Control and Simulation >

2017 , Vol. 39 >Issue 5: 63 - 70

DOI: https://doi.org/10.3969/j.issn.1673-3819.2017.05.014

Assessment Method of Counter-terrorist Combat Capability Based on Uniform-Gaussian Cloud Model

  • DU Bo ,
  • YU Yan ,
  • ZHAO Qi
Expand
  • Urumqi Command College of PAP, Urumqi 830002, China

Received date: 2017-06-11

  Revised date: 2017-06-23

  Online published: 2022-04-29

Fold

Abstract

The current method of counter-terrorism assessment are fuzzy and random. The cloud models could help to identity a feasible method to assess the counter-terrorist combat capacity. Firstly, the paper analyzes the traits of combat missions, the principle of disposal and the compositions of the combat power during the Armed Police Forces conducting tasks. Then, the counter-terrorism assessment framework is introduced. It analyzes the methods of indices extraction, index system establishment and index weighting. As a result, an assessment method of the counter-terrorism capacity based on Uniform Gaussian Cloud Model is proposed. Furthermore, the example studies verify that U-GCM could give a scientific and intuitive conclusion of the counter-terrorism capability in a PAP unit.

Key words： counter-terrorist; uniform Gaussian cloud model; assessment framework; index system; capacity assessment

Cite this article

DU Bo , YU Yan , ZHAO Qi . Assessment Method of Counter-terrorist Combat Capability Based on Uniform-Gaussian Cloud Model[J]. Command Control and Simulation, 2017 , 39(5) : 63 -70 . DOI: 10.3969/j.issn.1673-3819.2017.05.014

近年来,包括伊斯兰国(ISIS)、基地组织在内的极端恐怖势力不断在世界范围内掀起腥风血雨,恐怖主义的肆意蔓延,已成为威胁世界和平、地区稳定的“瘟疫”。据美国2011年发布的《反恐报告》称,恐怖主义在未来10至20年仍将存在,国际反恐形势依然严峻[1]。在我国,以“东突”为代表的恐怖组织,自2008年以来共计实施恐怖活动近千起,伤亡数千人,其中2013年北京“10·28”天安门金水桥事件、2015年新疆拜城“苏杭河”煤矿袭击事件更是震惊全球。国际反恐形势的日趋恶化昭示着,加强反恐能力建设的极端重要性。以反恐作战能力需求分析为基础,对参战单元的作战能力进行分析、评估,不仅有利于提高反恐作战的辅助决策能力,还能有效探寻反恐能力建设和发展的薄弱环节,进而起到引领实战的作用。
常见的反恐作战能力评估方法主要分两类:1)基于实证的评估方法,主要采用实兵演习方式对各参战兵力的反恐能力进行评价,其优势在于评价结果能够相对直观的展现,其缺点在于很难给出不同作战分队间的能力值的量化比较,具有一定的主观性;2)基于统计理论的评估方法,通常采用多属性决策方法[2],如聚类分析法、主成分分析法(Principal Component Analysis,PCA)、TOPSIS法等[3⇓-5],其优点在于评价结果相对客观,缺点在于为了建模方便,通常忽略了大量不易量化的细节,导致评估结果不符合实际,或与专家知识相悖。
反恐行动作为非战争军事行动的一种重要样式,其能力评估涉及指挥决策、兵力投送、处置行动、综合保障等诸多因素,其作战效果与任务类型、作战想定、力量编成等要素息息相关,包含大量随机扰动,致使评估结果在隶属度上呈现出随机性特征;同时,就其评价指标而言,既包含精确数值型指标,又包含语言描述型指标,在指标转化和评估结果的描述上存在模糊性。模糊性与随机性共存,使得传统评估方法很难给出合理的评价结论,同时在军事实践中,用定性方式给出评价结果更符合指挥员的决策习惯。鉴于此,本文提出一种基于均匀高斯云模型的反恐作战能力评估方法,用以克服上述问题。

1 基于云模型的反恐作战能力评估框架

根据文献[6]对于作战能力的定义及2011版军语相关词条,本文将武警反恐作战能力(CAPF counter-terrorist combat capability)定义为:作战系统在特定作战环境(作战适宜性)、作战想定等条件下,完成相应作战任务程度的度量或综合表述。武警部队作为防范和处置恐怖袭击的重要力量,其反恐力量一般按照“规模适度、布局合理、重点突出、系统配套”的原则[7]进行构建,具有“战略筹划、战役指挥、战术行动”的特点。本文在综合分析武警部队遂行反恐作战任务特点、处置原则、力量编成的基础上,按照复杂系统研究思路,提出基于云模型的反恐作战能力评估框架,如图1所示。
图1 基于云模型的反恐作战能力评估框架
在指标选取上,结合作战任务、作战适宜性和作战想定情况,通过构建概念模型从海量通用指标中提取反恐作战能力评估指标,不仅可以有效降低计算成本,还使得指标的军事意义更明确;在指标体系的构建上,将选取的指标划分为尺度指标、性能指标、效能指标和能力指标4级体系,并引入模块化指挥控制评估结构(Modular Command and control Evaluation Structure,MCES)建立反恐作战能力评估指标体系;在赋权方法上,针对指标体系中既包含精确数值型指标,又包含语言描述型指标的特点,采用交叉熵[8]结合群组层次分析法(analytic hierarchy process,AHP)[9]进行综合赋权,提高指标权重分配的科学性;在评估方法上,提出一种基于均匀高斯云模型(Uniform Gaussian Cloud Model,U-GCM)的评价方法,结合云聚合模型(Cloud Aggregation Model,CAM)和评价集给出评价结论。

2 基于云模型的反恐作战能力评价方法

2.1 指标抽取

能力评估的首要任务是结合作战任务从海量作战数据中挖掘影响作战能力的关键指标[10],即通过概念模型建立作战数据与评估指标的映射关系,达到指标抽取的目的。从复杂网络视角看,反恐作战系统可以看作是不同类型作战单元及其交互关系的集合。从武警反恐作战能力的概念出发,可以将反恐能力指标体系抽象为认知域指标(包括能力指标、效能指标)和物理域指标(包括性能指标、尺度指标)构成的作战能力指标体系超网概念模型,如图2所示。
图2 作战能力指标体系超网概念模型
其中尺度指标(scale index)和性能指标(performance index)用于描述反恐系统的物理域特征,节点为作战单元的物理特性抽象,如装备物资到位率、情况误判率、通信故障间隔时间等,连线为各抽象特征间的交互关系。其中尺度指标是作战单元的“固有”性能参数;性能指标是指在特定作战适宜性(包括作战环境、地域、天候等)条件下,作战单元能够发挥出的有效性能。
效能指标(effectiveness index)和能力指标(capability index)用于描述反恐系统的认知域特征,节点表示辅助决策能力、综合保障能力、作战行动能力等,连线表示各作战单元间的协同关系。其中效能指标用于反映特定作战想定条件下,作战系统所能达到预期作战目标的有效程度[11],不同想定条件下,系统所能发挥的作战效能必然不同;能力指标是与作战任务高度相关的度量值,它反映作战系统执行特定作战任务时所具备的“本领”或应具有的潜力[12],是一个相对“静态”的概念。
各层级指标通过作战环境、作战想定和作战任务相互关联,例如在高寒山地作战条件下,完成山地捕歼任务时,武器装备受天候地形条件影响故障率提高,其性能属性和效能属性相应下降,最终导致其作战能力下滑;同样,作战系统情报分析和辅助决策能力提高,指控系统下达指令周期相应缩短,最终将导致物理域中作战单元核心区武力突击效率提高。因此,反恐作战能力的评价过程可以认为是作战系统在特定作战适宜性、作战想定条件下,完成特定作战任务时,从系统“物理域指标”向“认知域指标”的聚合过程。

2.2 指标体系的构建

常用的指标体系结构主要分为两类:一种是以模块化指挥控制评估结构(Modular Command and control Evaluation Structure,MCES)为代表的层次化指标体系[13],如图3所示;另一种是美国国防部于2000年提出的指挥与控制概念模型[14],如网络中心战作战概念框架[15]。
图3 MCES指标体系评估结构
结合指标体系抽取的超网概念模型,采用MCES评估结构建立反恐作战能力指标体系如图4所示。将评价体系划分为作战能力度量层(MOFE)、作战效能度量层(MOE)、系统性能度量层(MOP)和尺度指标度量层(DP),分别包含1个作战能力度量指标、4个作战效能度量指标、10个系统性能度量指标和21个尺度指标。
图4 反恐作战能力指标体系

2.3 指标赋权方法

为了评价各指标的重要程度,需要确定其权重值。鉴于反恐作战能力评价指标体系中既包含精确数值型(定量)指标,又包含语言描述型(定性)指标的特点,本文采用交叉熵法[8]和群组AHP法[9]相结合确定指标的综合权重。

2.3.1 指标的归一化

为了消除量纲对于评价结果的影响,需要构建归一化的决策矩阵,步骤如下:
Step 1:设初始评价矩阵为X=(xij)s×k,其中,xij为第i想定下的第j个指标值,s为想定数,k为指标数;标准决策矩阵 X ˙=( x · i j)s×k,其中

x · i j= x i j - E ( x j ) σ ( x j )

式中,E(xj),σ(xj)分别为第i想定下第j个指标值的期望和方差。
Step 2: 构造归一化的评价矩阵 X ¨=( x ¨ i j)s×k,令标准评价矩阵 X ·中每列的最大值为 x · m ( j ),采用线性尺度变化法[16]对指标值进行规范化,则有:

x · m ( j )= m a x i { x · i j } 效 益 型 指 标 m i n i { x · i j } 成 本 型 指 标

nij= x · i j / x · m ( j ) 效 益 型 指 标 x · m ( j ) / x · i j 成 本 型 指 标

2.3.2 指标客观权重的交叉熵赋权法

Step 1:确定指标理想值,设各性能指标的理想值为该想定条件下的尺度指标值,即n+=( n 1 +, n 2 +,..., n k +),则有

n j += m a x 1 ≤ i ≤ s { n i j + } 效 益 型 指 标 m i n 1 ≤ i ≤ s { n i j + } 成 本 型 指 标

Step 2:根据公式(5)计算指标交叉熵
Dj=- 1 l n k ∑ i = 1 sDij
其中,
Dij= l n n i j / n j + 效 益 型 指 标 l n n j + / n i j 成 本 型 指 标
Step 3:构建权重求解方程
min ∑ j = 1 k(pωj)2·Dj s.t. ∑ j = 1 kpωj=1
其中pωj为第j个定量指标的权重值。
Step 4: 运用Lagrange函数求解指标权重值pωj
pωj= ( D j ) - 1 ∑ j = 1 k ( D j ) - 1

2.3.3 指标主观权重的群组AHP赋权法

群组AHP法是一种专家参与的决策方法,特别适用于某些因素缺乏定量分析或带有个人偏好的问题[17],其基本流程如下:
Step 1:构造判断矩阵,设有p个专家参与评判,第l个专家给出的评判矩阵为
Tl=( t i j l)s×k
Step 2:构建主观权重的求解方程如下:
minf(sω)= ∑ i = 1 s ∑ j = 1 k ∑ l = 1 pεl l n ( q i j l ) - l n s ω j s ω l 2
式中,εl为专家权重;sωj为第j个指标值的主观权重。
Step 3: 根据式(11)求解主观权重
sωj= ∏ j = 1 k ∏ l = 1 p q j l ε k 1 4 ∑ i = 1 s ∏ j = 1 k ∏ l = 1 p q j l ε k 1 4

2.3.4 确定综合权重

根据指标的客观权重pω和主观权重sω,计算指标的综合权重cω。
cω=αppω+αssω
其中αp,αs≥0,αp+αs=1,αp、αs分别为主、客观权重系数,本文取αp=αs= 1 2。

2.4 基于U-GFCM的评价模型

2.4.1 云模型的概念与数字特征[18]

云模型是自然语言表示的某个定性概念与定量概念间的双向认知模型,其定义如下:
定义1:设C是论域U上的概念,若x∈U是C的一次随机实现,x对C的隶属度μ(x)∈[0,1]是有稳定倾向的随机数,则x在论域U上的分布称为云,每一个x及其隶属度μ(x)称为一个云滴。
由定义可知,云滴是定性概念与论域空间定量描述的随机映射,云模型是由众多云滴构成的,反映了定性概念的随机性特征。云模型可用期望Ex(Expected Value)、熵En(Entropy)、超熵He(Hyper Entropy)三个数字特征来表征。其中Ex表示云滴在论域空间分布的期望值,是评估量化的最典型样本,距离Ex越近,云滴越集中,对评估结果的认知越统一,反之则对评估结果的认知越不稳定;En反映云滴的离散程度,是评估结果的不确定性度量,熵越大概念的不确定性越强;He即熵的熵,是En的不确定性度量,由En的随机性和模糊性共同决定。

2.4.2 U-GFCG云发生器

云发生器是生成云滴的算法的统称,是构造云评估模型的关键。根据反恐作战能力评估缺乏先验性评估结果的特点,将均匀分布和高斯分布结合起来,设计提出一种均匀高斯正向云发生器(Uniform-Gauss Forward Cloud Generator,U-GFCG)。云滴整体服从高斯分布,超熵He表示En的不确定性,在缺乏先验性评价结果的情况下,均匀分布是对未知变量的合理假设。鉴于恐怖活动的突发性和随机性特征,这种假设是合理的,即将En的分布定义为均匀分布。其定义如下:
定义2:设U是一个精确数值表示的定量论域C(Ex,En,He)上的一个定性概念,若定量值x∈U是定性概念C的一次随机实现,x服从以Ex为期望,Ex'2为方差的高斯分布,即x~N(Ex,Ex'2),其中Ex'服从区间[En-He,En+He]上的均匀分布,x对C的隶属度为y= e - ( x - E x ) 2 2 E n ' 2,则x在论域U上的分布称为均匀高斯分布。
均匀高斯云发生器算法步骤如下:
Input:C(Ex,En,He)及云滴数N;
Output:N个云滴的定量值x及其代表评估概念的隶属度y;
Step 1:在区间[En-He,En+He]上生成均匀随机数Ex';
Step 2:生成以Ex为期望,Ex'2为方差的高斯随机数x;
Step 3:令y=exp - ( x - E x ) 2 2 E n ' 2;
Step 4:则(x,y)为论域中的1个云滴;
Step 5:重复Step 1-4,直至生成N个云滴。

2.4.3 基于云模型的指标聚合

指标的聚合方法是能力评估涉及的关键问题之一。本文采用“浮动云+综合云”[19]逐层聚合方法,将同一论域C内多个“子云”(如尺度指标的云模型)聚合为论域C内更高层次、更广义的“父云”的过程,即由尺度指标向能力指标的聚合过程。基于云模型的指标聚合逻辑结构如图5所示。
图5 云模型的指标聚合逻辑结构
具体地,考虑到性能指标相对独立,相关性较弱,因此由性能指标层(MOP)向作战效能指标层(MOE),以及有尺度指标层(DP)向性能指标层(MOP)均采用浮动云聚合方法,算法如下,其中n为该层指标个数,Ai为各指标权重,(Exi,Eni,Hei)为各指标云模型参数。
Ex= ∑ i = 1 n E x i A i / ∑ A i
En= ∑ i = 1 n E n i A i 2 / ∑ A i 2
He= ∑ i = 1 n H e i A i 2 / ∑ A i 2
作战效能指标层(MOE)向作战能力指标层(MOFE)的聚合过程相当于从底层概念向高层概念的聚合过程,其本质是概念的延展与提升,因此采用综合云聚合方法,算法如下,各指标含义同上。
Ex= ∑ i = 1 n E x i E n i A i ∑ i = 1 n E n i A i
En= ∑ i = 1 nEniAi
He= ∑ i = 1 n H e i E n i A i ∑ i = 1 n E n i A i

2.5 构建评价集

为了便于直观描述评价结果,本文采用基于黄金分割率的模型驱动法[20]构建评价集。其基本的思想是,将评价结果看成语言变量,每个语言变量有几个语言值(评价值),语言值用云模型来表达,越接近论域中心,云的熵和超熵越小,反之则云的熵和超熵越大,相邻云的熵和超熵相差0.618 倍。本文将反恐作战能力的评估等级分为7级,即(极好,很好,好,一般,差,很差,极差), 其云模型对应如下:C1(1,0.103,0.013),C2(0.858,0.064,0.008),C3(0.715,0.040,0.005),C4(0.5,0.025,0.003),C5(0.286,0.040,0.005),C6(0.143,0.064,0.008),C7(0,0.103,0.013)反恐作战能力评价集的均匀高斯云图如图6 所示。将各指标云模型与评价集云图进行比照,进而确定各指标的评价结果。
图6 反恐作战能力评价集的U-GFC云图

3 实例分析

3.1 基本想定

为了验证方法的可行性,运用本文所述方法对机动分队反恐作战能力进行评价,其基本想定为:2名恐怖分子在W市持枪劫持3名人质,驾驶车辆试图冲撞ZS路临时检查路障,沿路投掷爆炸物,造成市区部分路段瘫痪,市民极度恐慌。该伙恐怖分子在受到交警围堵后逃窜至HG路废弃工厂附近,弃车进入厂房,企图借助地形优势与警方对峙,情况十分危急。联指命令武警W市支队迅速向任务地区开进,完成封控部署、现场处置和人质解救任务。
W市支队,配备有各类驱散、防护、拦阻、作战装备及配套的指挥自动化平台。X省总队配属W市支队的直升机大队负责部分物资和人员的空投及空中支援,受领任务后,部队采用摩托化方式机动。

3.2 数据准备

本文所用相关数据来源于“某数据工程”建立的反恐数据资源池。在反恐数据资源池中记录了劫持人质、个体袭击、暴(骚)乱等15个反恐战斗样式,恐怖分子数量、装备、社情、天候、地形等120个指挥要素,分队想定情况,处置方案等,以及各想定条件下反恐作战能力的尺度指标及专家评估值。本文所述的指标权重计算、云模型构建、指标聚合及综合评价均以此为数据基础。

3.3 指标权重及云模型确定

根据本文所述方法,基于已构建的反恐作战能力指标体系,本文运用基于规则的武警处突原型系统[21]进行仿真实验,计算各指标的综合权重cω和DP层指标的云模型,结果如表1所示。
表1 反恐作战能力指标权重及云模型
MOE(cω) MOP(cω) DP(cω) DP指标云模型
指挥控制能力(0.136) 情况判断能力(0.363) 情况误判率(0.412) (0.679,0.033,0.011)
定下决心能力(0.588) (0.805,0.043,0.010)
应急处置能力(0.637) 处置成功率(0.648) (0.901,0.070,0.011)
军地协同能力(0.352) (0.500,0.023,0.016)
辅助决策能力(0.252) 态势感知能力(0.333) 信息获取准确率(0.618) (0.601,0.027,0.010)
信息传输效率(0.382) (0.787,0.042,0.012)
情报处理能力(0.667) 情报分析能力(0.412) (0.539,0.028,0.011)
情报共享能力(0.355) (0.661,0.031,0.011)
决策周期(0.233) (0.922,0.082,0.015)
综合保障能力(0.233) 立体投送能力(0.329) 装备到位率(0.721) (0.830,0.064,0.011)
物资到位率(0.279) (0.800,0.044,0.010)
通联保障能力(0.442) 平均故障间隔时间(0.525) (0.612,0.027,0.010)
通联保障完好率(0.475) (0.833,0.065,0.011)
现场救治能力(0.229) 伤员现场救治率(0.667) (0.708,0.039,0.010)
伤员转送效率(0.333) (0.808,0.059,0.010)
分队行动能力(0.379) 机动能力(0.105) 兵力到位率(0.758) (0.838,0.069,0.011)
机动响应时间(0.242) (0.711,0.049,0.010)
打击能力(0.637) 侦控能力(0.343) (0.608,0.029,0.012)
武力突击能力(0.657) (0.908,0.059,0.010)
防护能力(0.258) 自身防护能力(0.433) (0.508,0.029,0.013)
反侦察能力(0.567) (0.638,0.039,0.011)

3.4 指标聚合

根据本文所述方法对DP指标进行聚合,得到MOP层指标及MOE层指标的云模型,其参数如表2所示。
表2 MOE与MOP指标云模型
MOE MOE指标云模型 MOP MOP指标云模型
指挥控制能力 (0.757,0.055,0.012) 情况判断能力 (0.752,0.039,0.011)
应急处置能力 (0.760,0.059,0.012)
辅助决策能力 (0.675,0.037,0.011) 态势感知能力 (0.671,0.032,0.010)
情报处理能力 (0.677,0.038,0.011)
综合保障能力 (0.741,0.050,0.010) 立体投送能力 (0.772,0.062,0.010)
通联保障能力 (0.717,0.044,0.010)
现场救治能力 (0.741,0.047,0.010)
分队行动能力 (0.750,0.052,0.012) 机动能力 (0.807,0.113,0.011)
打击能力 (0.806,0.052,0.012)
防护能力 (0.591,0.036,0.013)
聚合后的MOE指标评价结果云图如图7所示,其中图7(a)为MOE指标云图,图7(b)为各效能指标的评价结果云图。由图可知,在该想定条件下,任务分队——W支队的指挥控制能力、综合保障能力和分队行动能力比较接近,即大部分云滴集中评价集云图C2与C3之间,且与C3云重合度较高。因此,W支队的该3项效能指标的评价结果为“介于好与较好之间,微倾向于好”,总体评价为“好”;红色云图所代表的辅助决策能力大部分云滴集中在评价集云图C3左侧,介于C3与C4之间,因此该指标的评价结果为“介于一般与好之间,倾向于好”,总体评价为“一般”。
图7 MOE指标评价结果云图

3.5 评价结论

运用综合云聚合法,将MOE层指标聚合为MOFE指标云模型,为CMOFE=(0.750,0.048,0.011),通过1000次仿真,得到分队反恐作战能力的评价结果云图如图8所示。
图8 MOEF指标评价结果云图
从云滴的分布情况看,CMOFE的大部分云滴分布在评价集云图C2与C3之间,其统计结果如表3所示,由此可见66.3%的云滴落在C3内,33.4%的云滴落在C1与C2内,因此该支队的反恐作战能力评价为“介于好与较好之间,微倾向于好”,总体评价为“好”。
表3 CMOFE云滴分布情况
评价等级 C7
极差		 C6
很差		 C5
差		 C4
一般		 C3
好		 C2
很好		 C1
极好
云滴个数 0 0 0 3 663 275 59

4 结束语

鉴于当前国际国内反恐形势日趋严峻的特点,反恐体系能力建设逐步成为国家安全战略和研究的热点问题,但从目前看尚未有较为系统化的研究成果。本文针对反恐作战能力评价中存在的随机性和模糊性并存的特点,提出一种基于均匀高斯云模型的反恐作战能力评估方法,是对该领域研究的一次有益探索。文中存在诸多不成熟之处,希望能够引发相关领域研究者的思考。
反恐作战能力评价涉及问题很多,本文旨在从指标体系和评价模型构建两个关键点出发进行讨论。在指标体系构建上,讨论了基于超网概念模型的指标抽取方法和基于模块化指挥控制评估结构的指标体系分层构建方法;在评价模型构建中,重点研究了交叉熵和群组AHP方法在赋权上的应用,并在合理假设基础上提出一种均匀高斯云评价模型和指标聚合方法,最后通过仿真实例分析证明了该方法的有效性和适用性。
鉴于我国反恐力量的多元和反恐任务的多样性特点,下一步研究方向主要包括:1)随着武警部队职能的拓展,反恐作战由多警种、多军种联合实施的趋势愈发明显。在联合反恐的背景下,能力评估中涉及的指标抽取、指标体系构建和指标聚合方法都应当根据联合行动机理进行提炼,使其更符合客观实际;2)反恐能力评价涉及作战过程,因此云评估模型的构建应当结合具体想定进行,可以考虑根据想定阶段和作战想定转换构建多阶云模型,将定性分析与定量评估有机结合,使评估结果更为合理。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
National strategy for counter terrorism[R]. RAND, 2011:1-10.

[2]
European Public Office. European Terrorism Situation Trend Report[R]. Europol(TE-SAT), 2016, http://www.199it.com/archives/499245.html.

[3]
张杰. 效能评估方法研究[M]. 北京: 国防工业出版社, 2009.

[4]
焦松, 楚威, 毛少杰. 基于聚类和相关性分析的作战效能仿真评估方法[J]. 系统仿真学报, 2015, 27(9):2083-2088.

[5]
马庆跃. 武器装备体系作战效能综合评估技术研究[D]. 哈尔滨: 哈尔滨工业大学, 2015.

[6]
刘加明. 海军装备作战能力评估体系研究[A].军队建设与军事系统工程[C]. 第1版, 2000:316-318.

[7]
林振国. 武警分队反恐怖行动[M]. 北京: 中国人民武装警察部队司令部, 2011.

[8]
Dai W, Hu Y, Deng Y, et al. Entropy of function of uncertain variables[J]. Mathematical and Computer Modelling, 2012, 55(3):754-760.

DOI

[9]
Deng X, Hu Y, Deng Y, et al. Supplier selection using AHP methodology extended by D numbers[J]. Expery Systems with Applications, 2014, 41(1):156-167.

[10]
伍文峰, 胡晓峰. 基于大数据的网络化作战体系能力评估框架[J]. 军事运筹与系统工程, 2016, 30(2):26-32.

[11]
赵新会. 作战能力与作战效能的概念开发[A]. 军队建设与军事系统工程[C]. 第1版, 2002:383-385.

[12]
徐瑞恩. 作战理论基本概念:战斗力、作战能力和作战效能量度[J]. 军事运筹与决策, 2002:158-170.

[13]
臧垒, 蒋晓原, 王钰, 等. C4ISR系统作战效能评估指标体系研究[J]. 系统仿真学报, 2008, 20(3):574-577,611.

[14]
ALBERTS DAVID. Understanding command and control[M]. Washington DC: CCRP Publication Series, 2001.

[15]
GARSTKA JOHN, ALBERTS DAVID. Network centric operations conceptual framework (Version 2.0)[R]. Washington DC, 2004.

[16]
胡永宏, 贺思辉. 综合评价方法[M]. 北京: 科学出版社, 2000:126-133.

[17]
张才坤, 朱战霞, 冯琦, 等. 基于区间数雷达图的可视化空战威胁评估[J]. 系统工程与电子技术, 2016, 38(5):1052-1058.

[18]
李德毅, 孟海军, 史雪梅. 隶属云和隶属云发生器[J]. 计算机研究与发展, 1995, 32(6):15-20.

[19]
宋远骏, 李德毅, 杨孝宗, 等. 电子产品可靠性的云模型评价方法[J]. 电子学报, 2000, 28(12): 74-76.

[20]
张迅, 马丰文. 基于云模型的士气等级评估研究[J]. 指挥与控制学报, 2017, 3(1): 84-88.

[21]
郑廷军. 武警部队处置突发事件行为建模与实现技术研究[D]. 长沙: 国防科学技术大学, 2008.

Options
Outlines

/

〈 〉