中国指挥与控制学会会刊 
现代战争已经步入大数据时代,作战指挥人员面对战场海量信息,在实战的责任、时间等多重压力之下,难以提取有效信息以支撑指挥决策。据此,美军提出了作战指挥关键信息需求的理念,其核心要义就是指挥人员必须提出“少而精”的关键信息需求,以满足科学决策、快速决策的需要[1]。作战指挥关键信息需求,是对筹划组织作战和指挥控制部队行动具有决定性作用的信息需求,用以帮助作战指挥人员在海量多源的战场信息中,把握重点情况、聚焦主要信息,化繁为简、拨开战争迷雾,作出正确决策,实施高效指挥[2]。要确保关键信息需求高质量,必须对其进行评估。作战指挥关键信息需求质量评估是衡量关键信息需求优劣,改进优化关键信息需求的重要保证,是需求研究的重要内容。本文以提高作战指挥关键信息需求质量为目的,探讨了运用云模型评估作战指挥关键信息需求质量的方法。
1 指标体系构建
在深入分析影响作战指挥关键信息需求质量的相关因素,充分考虑需求评估应坚持的基本原则的基础上,采取独立论证与咨询专家相结合的方法,从需求专家、指挥人员和保障人员等多个视角,分需求文档格式、支撑作战指挥、需求保障等三个方面,按照“由顶至下、逐层分解、逐步细化”的思路,建立了作战指挥关键信息需求质量评估三层指标体系,如图1 所示。
指标体系由5个一级指标,16个二级指标构成。其中,准确性、一致性和规范性等3个一级指标是从需求专家的角度,对需求文档格式进行考量;使用性是从指挥人员角度,对关键信息需求支撑作战指挥方面的考量;保障性是从信息保障人员的角度,对关键信息需求保障难度方面的考量。从多个视角综合评估需求质量,有利于确保评估结论的相对客观公正。
1.1 准确性
准确性是指需求语义描述清晰,内容表达没有二义性。作战指挥关键信息需求是支撑指挥决策的关键,也是信息保障的重点,是连接指挥人员和信息保障人员的桥梁纽带。信息保障人员必须准确理解作战指挥关键信息需求,以便指导信息搜集、融合整编等信息保障活动的开展,为指挥人员准确地提供指挥决策所需的关键信息。共同的理解需要共同的语言、共同的表达方式。因此,作战指挥关键信息需求描述必须以全军通用的描述语言和方式为参照,把作战指挥关键信息需求简洁、清晰地表达出来,使作战指挥人员与信息保障人员对其有共同的认知。准确性度量指标主要包括描述语言类型、术语参考标准以及语义二义性。
1.2 一致性
一致性是指作战指挥关键信息需求不存在显性或隐性的矛盾性,主要体现在两方面。一是术语前后表述的一致性。描述关键信息需求时,相同的术语在不同的需求描述中的内涵应该相同,防止出现对相同需求描述时术语随意更改、前后不一致的情况。二是需求清单前后逻辑的一致性。作战指挥关键信息需求依附于作战指挥活动,先确定作战指挥活动,然后才能分析指挥活动所需的关键信息需求。由于作战指挥活动遵循特定的规律性,因此关键信息需求内容相互间也具有逻辑排顺,防止出现需求清单内容前后逻辑矛盾的问题。一致性度量指标主要包括术语冲突性、逻辑矛盾性。
1.3 规范性
规范性是指作战指挥关键信息需求的格式和组织方式应符合规定。关键信息需求格式具有规定性,除包含信息名称外,还应该描述关键信息的具体内容、时效性、责任区分等相关属性,使信息保障人员能够依据需求,掌握什么人、在什么时候、需要什么信息,以便合理区分信息保障任务,有效指导信息保障活动的开展,确保在合适的时间、为合适的人员、提供合适的信息。同时,作战指挥关键信息需求通常应采取“清单式”的组织方式,以使指挥人员和信息保障人员能一目了然,全面清晰地把握信息需求重点,做到不添加、不遗漏。规范性度量指标主要包括格式规范性和组织规范性。
1.4 使用性
使用性是面向用户提出的评估指标,主要体现了关键信息需求为作战指挥服务的力度,是指挥人员对关键信息需求满意度的度量,是衡量关键信息需求质量最重要的指标。指挥人员对关键信息需求满意度评估主要体现以下4个方面:一是关键信息需求与指挥决策的关联性,关键信息需求内容必须与指挥决策紧密关联,对指挥决策具有不可或缺性;二是关键信息需求对指挥决策的价值度,需求的价值越高则越重要,关键信息需求相对于其他需求,对指挥决策具更高价值,也更重要;三是关键信息需求数量不宜过多。根据美军的实践经验,关键信息需求数量一般不超过10条,数量过多则不利于指挥决策[1];四是关键信息需求对时效性的要求,关键信息需求对不同信息的时效性描述必须合理,要能有效满足作战指挥对信息供给、更新的时效性要求;五是关键信息需求对展现形态的要求,关键信息需求清单中对信息展现形态的要求应满足指挥人员指挥需要,要简洁、准确、形象、直观,便于指挥人员快速准确地掌握战场态势,及时科学地定下指挥决心。
1.5 保障性
保障性是面向信息保障者提出的评估指标,反映了信息保障人员对关键信息需求保障难易度的度量,主要体现在以下4个方面:一是关键信息需求保障责任区分的合理性,需求清单中不同关键信息需要不同的提供者,要根据需求清单中信息的属性,结合指挥机构不同要素、不同保障单位的职能,合理区分信息保障任务;二是关键信息需求清单中信息的可获取性,需求清单中信息的可获取性分为直接获取、间接获取以及无法获取三种类型,可获取性越差,保障难度越大;三是信息识别处理的复杂度,关键信息需求中的信息处理越复杂,保障难度越大;四是信息保障的时间。信息保障的时间是指提出需求到提供信息的时间,时间越短则保障难度越大。因此,保障性度量指标主要包括责任单位合理性、信息可获取性、识别处理简易性、保障时间冗余度。
2 云模型
云模型是李德毅院士于20世纪90年代提出的,可实现定性概念与定量数值相互转换的模型[3]。当前,云模型在数据挖掘、效能评价、自动控制等诸多领域都有广泛应用。本文采取云模型的方法,对关键信息需求质量进行评估。
2.1 基本概念
设U为一个用精确值表示的定量论域,C为U上的定性概念,若定量数值x∈U,且x是定性概念C的一次随机实现,x对C的隶属度μ(x)∈[0,1],是具有稳定倾向的随机数μ,即μ:U→[0,1],∀x∈U,x→μ(x),则 x 在论域 U 上的分布称为云,记为C(x),每个x称为一个云滴(x,μ(x))[4-5]。
根据云分布的形状划分,云可以分为正态云、梯形云、三角云,由于现实生活中大量的现象都服从正态分布,因此正态云模型运用得最为广泛[6]。本文也以正态云作为评估工具开展研究。
2.2 数字特征
描述云模型的数字特征包括期望Ex、熵En以及超熵He,记为C(Ex、En、He)。通过云模型以上三个数字特征值,可以实现云模型在定性描述和定量数值之间的相互转换。云模型三个数字特征在云图上的表示如图2 ,其具体含义如下:
1)期望Ex:Ex是云滴在论域U上分布的期望,也是在论域U中最能代表定性概念的值,位于论域U的中心位置,也被称为云的重心。
2) 熵En:表示云滴的离散程度,反映了定性概念的不确定性。熵越大,则云滴在论域U上分布的范围则愈广,定性概念的不确定性越大。
3)超熵He:表示熵En的熵,反映了熵的不确定性。在云图上体现在云的厚度上,超熵越大,云滴越分散,则云的厚度越大。
2.3 基本考量
作战指挥关键信息需求评估方法包括德尔菲咨询法、层次分析法、模糊综合评判法、灰色评估法等多种定性、定量评估方法。要充分考虑作战指挥关键信息需求指标特点,以及指挥人员对评估结论展现的要求,优选合适的评估方法实施评估。
1) 评估指标定性为主,评估方法要能实现定性到定量的转换。作战指挥关键信息需求质量评估的指标以定性指标为主,绝大多数指标都无法通过仿真试验获取量化指标数据,如信息价值度,指挥的相关度等,都是以指挥人员主观判断为依据。为防止完全凭评估人员主观认知评估需求质量,评估方法必须能够实现指标定性描述到定量描述之间的有效转换,并可将定量描述应用到需求评估的过程中,科学评估作战指挥关键信息需求质量。
2) 结果必须简洁直观,评估方法要能形象直观展现评估结果。用简单的理念解决复杂的问题是作战指挥的一种追求。相比于复杂的呈现结果,作战指挥人员更倾向于接受简洁直观的结果展现方式。用图形呈现的结果要比文字呈现的结果更易于被指挥人员所接受,这也是当前我军在作战指挥中,运用各种态势图分析判断情况的原因。因此,选用的评估方法必须能够用简洁直观的方式,形象展现作战指挥关键信息需求评估结论。
3) 需求优化需要建议,评估方法要能分析不同因素对质量的影响。作战指挥关键信息需求评估的目的是进一步优化需求清单,提高关键信息需求质量。因此,需求评估不能仅仅满足于得出当前需求评估结论,还需要进一步深入分析不同指标对需求质量的影响,以便提出关键信息需求质量优化的意见建议。因此,选用的评估方法不仅能评估作战指挥关键信息需求最终质量,还可以评估不同指标对需求最终质量的影响。
云模型能够实现定性概念与定量数值相互转换,它不仅能评估需求最终质量,还可以分析不同指标对需求质量的影响。它能在同一张仿真图上同时展评价等级云和评估目标云,通过对比两者之间的相似性,得出需求评估结论,并以云图展现评估结果,形态上更加形象直观。因此,基于云模型的评估方法满足关键信息需求评估对方法的要求,本文选用基于云模型的需求评估方法,评估作战指挥关键信息需求。
3 评估基本流程
运用云模型评估作战指挥关键信息需求质量,本质上就是将评估指标、最终需求质量通过云模型刻画展现。该方法包含指标集、评价集以及权重因子集三个关键因素,基本思路是:依托权重因子集,通过正向云发生器,按照由低层至高层的顺序,逐层计算各层指标集的云模型特征值,最终得到需求评估目标层的云模型特征。通过逆向云发生器,将各指标云模型、最终需求质量云模型以及评价集云模型等特征值通过云滴展现,比较指标云、最终需求质量云相对于评价集云的位置,判断关键信息需求各指标质量及最终综合质量,具体流程见图3 所示。
3.1 计算评估指标权重
运用层次分析法(AHP)确定各指标的权重。基本流程如下:1)运用1~9标度法标识指标两两相对上层指标重要性,建立判断矩阵;2)运用方根法计算各指标的权重;3)对指标的一致性进行检验,验证通过后确定权重,否则,调整判断矩阵重新计算权重。
3.2 建立评语集云模型
评语是对评估对象结论性的表述,评语集是由表征评价结论的多个评语构成的集合。应统筹考虑评价的实际需要和既有的评价习惯,科学确定评语集。评语集中的每一个评语都需要通过云模型来描述,需将定性的评语转化为云模型的数字特征(Ex,En,He)。对于可通过一段数值区间[Tmin,Tmax]描述的评语,云模型的数字特征计算如公式(1)所示[7]:
式中,k为常数,反映了评价的不确定性,取值不能太大,否则会提高评估的不确定性和难度,具体可依据评语的模糊程度自主确定。
3.3 生成指标的云模型
建立指标云模型有仿真试验法和专家打分法,由于作战指挥关键信息需求绝大多数指标无法通过仿真试验获取数据,因而采用专家打分法。利用多位专家为各个指标打分的样本值,计算该指标云模型的数字特征,具体算法如公式(2)所示:
式中,xi为第i个专家对指标打分的样本值,S2= (xi- )2为样本方差。
3.4 形成指标的综合云
指标体系是由多层指标构成,上层指标的云模型数字特征可以由其所属下层指标的云模型数字特征以及权重综合后生成,通过由底层向上层的逐层综合,就可得到最终目标层云模型的数字特征。云模型综合算法较多,本文选取其中的一种算法,如公式(3)所示[8]。
式中:wi表示第i个指标的权重, 、 、 分别表示下层第i个指标云模型的期望、熵和超熵,Ex、En、He分别表示综合云的期望、熵和超熵。
3.5 计算云模型相似度
依据作战指挥关键信息需求评估集和待评对象的云模型数字特征,通过云生成算法,生成评价等级云和待评价对象云,对比两者的相似度得到评价结论。云生成算法的流程如下:
1)以Ex为期望、En为方差,生成一个正态随机数E'n;
2)以En为期望、E'n 为方差,生成一个正态随机数Xi;
3)计算μi=exp(-(Xi-Ex)2/(2×(E'n)2));
4)以(Xi,μi)为方差参数生成一个云滴;
5)重复步骤1)~4),生成所需要数量的云滴。
3.6 分析评估结果
依据云图相似度对比结果,分别分析各一级指标以及最终需求质量评估的结果,有针对性地提出关键信息需求质量改进的意见建议,进一步提高作战指挥关键信息需求的质量。
4 实例分析
限于篇幅,本文以关键信息需求已经提出为前提条件,通过专家对16个二级指标评价打分,运用基于云模型的方法评估需求质量。对于一级指标的云模型计算与评估,仅以保障性指标为例论述。
4.1 计算评估指标权重
专家对保障性所属的四个二级指标两两相对重要性打分,建立如下判断矩阵:
运用AHP方法计算得到保障性所属的四个指标的权重W5=(0.2542,0.5191,0.0784,0.1483)。一致性检验:CI=0.0270,CR=0.0300<0.1通过。同理可求得其他所有指标的权重,如表1 所示。
表1 指标体系的权重 |
| 目标层 | 一级指标 | 权重 | 二级指标 | 权重 |
|---|---|---|---|---|
| 作战 指挥 关键 信息 需求 质量 | U1 | 0.1285 | U11 | 0.1998 |
| U12 | 0.1168 | |||
| U13 | 0.6833 | |||
| U2 | 0.0353 | U21 | 0.3333 | |
| U22 | 0.6667 | |||
| U3 | 0.0681 | U31 | 0.5000 | |
| U32 | 0.5000 | |||
| U4 | 0.5549 | U41 | 0.3760 | |
| U42 | 0.2147 | |||
| U43 | 0.2147 | |||
| U44 | 0.1209 | |||
| U45 | 0.0738 | |||
| U5 | 0.2132 | U51 | 0.2542 | |
| U52 | 0.5191 | |||
| U53 | 0.0784 | |||
| U54 | 0.1483 |
4.2 生成评语集云族图
将作战指挥关键信息需求质量评价分为7个等级:很差、差、较差、中等、较好、好、很好,各评价等级对应的取值区间见表2 。将取值范围代入式(2),可得到各评价等级云模型的数字特征,如表2 所示。根据经验,超熵He取值为0.003。
表2 评价等级取值范围及云模型数字特征 |
| 序号 | 评价等级 | 取值范围 | 云模型数字特征 |
|---|---|---|---|
| 1 | 很 差 | [0,1/12] | (0,0.028,0.003) |
| 2 | 差 | [1/12,3/12] | (0.167,0.028,0.003) |
| 3 | 较 差 | [3/12,5/12] | (0.333,0.028,0.003) |
| 4 | 中等 | [5/12,7/12] | (0.500,0.028,0.003) |
| 5 | 较 好 | [7/12,9/12] | (0.667,0.028,0.003) |
| 6 | 好 | [9/12,11/12] | (0.833,0.028,0.003) |
| 7 | 很 好 | [11/12,1] | (1.000,0.028,0.003) |
依据表2 中各评价等级的云模型数字特征,运用Matlab软件生成评价等级的云族图,如图4 所示。取云滴数量为N=10000点。
4.3 计算指标的云模型
本次评估共邀请21名不同领域专家对作战指挥关键信息需求质量的二级指标状态进行评价。其中,7名需求论证专家对准确性、一致性和规范性评价打分;7名作战指挥人员及7名信息保障人员分别对使用性和保障性评价打分。以保障性为例,打分结果如表3 所示。
表3 保障性所属二级指标专家评分 |
| 指标 | 专家1 | 专家2 | 专家3 | 专家4 | 专家5 | 专家6 | 专家7 |
|---|---|---|---|---|---|---|---|
| U51 | 0.62 | 0.60 | 0.56 | 0.66 | 0.68 | 0.66 | 0.62 |
| U52 | 0.65 | 0.72 | 0.68 | 0.62 | 0.58 | 0.64 | 0.70 |
| U53 | 0.56 | 0.60 | 0.62 | 0.58 | 0.64 | 0.56 | 0.68 |
| U54 | 0.68 | 0.70 | 0.64 | 0.72 | 0.68 | 0.73 | 0.70 |
将各个二级指标的分值代入公式(2)中,即可得到各个二级指标云模型的数字特征。再将各个二级指标的数字特征和表1 的权重值,代入式(3),即可得到各个一级指标的云模型数字特征,基于一级指标云模型的数字特征计算目标层的云模型数字特征,计算结果见表4 。
表4 各级指标及目标层的云模型数字特征 |
| 指标 | 云模型数字特征 | 指标 | 云模型数字特征 |
|---|---|---|---|
| U11 | (0.5917,0.0327,0.0109) | U45 | (0.5900,0.0537,0.0090) |
| U12 | (0.6500,0.0322,0.0113) | U51 | (0.6286,0.0409,0.0063) |
| U21 | (0.8229,0.0246,0.0074) | U52 | (0.6557,0.0476,0.0081) |
| U22 | (0.5814,0.0414,0.0055) | U53 | (0.6057,0.0440,0.0051) |
| U23 | (0.7929,0.0317,0.0042) | U54 | (0.6929,0.0281,0.0099) |
| U31 | (0.6486,0.0522,0.0076) | U1 | (0.7565,0.0246,0.0078) |
| U32 | (0.6471,0.0363,0.0102) | U2 | (0.7224,0.0336,0.0045) |
| U41 | (0.8029,0.0363,0.0102) | U3 | (0.6479,0.0442,0.0009) |
| U42 | (0.8157,0.0527,0.0093) | U4 | (0.7693,0.0437,0.0094) |
| U43 | (0.7900,0.0537,0.0090) | U5 | (0.6504,0.0452,0.0078) |
| U44 | (0.6543,0.0512,0.0034) | U | (0.7324,0.0430,0.0090) |
4.4 计算相似云
4.4.1 一级指标评估结果及分析
限于篇幅,这里仅以保障性指标为例进行分析。保障性指标评估结果云图见图5 所示,在N=10000个云滴中,落入评价等级为“中等”区间的云滴有648个,落入评价等级为“较好”区间的云滴有9171个,落入评价等级为“好”区间的云滴有181个,其他各个区间云滴数为零,各评价区间云滴所占百分比见图6 所示。
从图5 可以看出,保障性指标评估结论在“中等”与“较好”之间。从图6 可看出,在10000个云滴中,而落入“中等”区间的云滴占6.48%,落入“较好”区间的云滴占91.71%,落入“好”区间的云滴占1.81%。因此,“保障性”指标的评估结论为:在“中等”与“较好”之间,明显偏向于“较好”。
从表3 专家对保障性指标打分结果可以看出:分别有1名专家对责任单位合理性、信息可获取性评价等级处于“中等”区间,2名专家对识别处理简易性评价等级处于 “中等”区间,其他专家对相关指标的评价均为“较好”区间范围。以上分析说明:少量关键信息需求责任单位区分不合理,少数关键信息需求内容获取难度大,处理难度也较大,需要对以上方面进一步调整优化。
4.4.2 需求质量最终评估结果及分析
在对各一级指标评估的基础上,可利用目标层综合云对需求质量的最终结果进行评估。作战指挥关键信息需求质量评估的最终结果见图7 所示。在N=10000个云滴中,落入评价等级为“中等”区间的云滴有6个,落入评价等级为“较好”区间的云滴有6632个,落入评价等级为“好”区间的云滴有3369个,落入评价等级为“很好”区间的云滴有2个,其他各个区间云滴数为零,各评价区间云滴所占百分比见图8 所示。
从图7 可以看出,作战指挥关键信息需求的最终评估结论“较好”与“好”之间。从图8 可进一步看出,在10000个云滴中,落入“中等”区间的云滴占0.06%,落入“较好”区间的云滴占66.32%,落入“好”区间的云滴占22.69%,落入“很好”区间的云滴占0.03%。因此,作战指挥关键信息需求质量最终评估结论为:需求质量位于“较好”与“好”两个等级之间,但更偏向于“较好”。
5 结束语
本文针对作战指挥关键信息需求质量评估中存在的模糊性和随机性,提出了运用云模型理论解决作战指挥关键信息需求质量评估的问题,分析了关键信息需求质量对指挥决策的极端重要性,构建了关键信息需求质量评估指标体系。采用云模型将各二级指标的语言描述转换为定量描述,再采用综合云的方法计算一级指标和目标层的云模型数字特征。通过云相似度计算,得出作战指挥关键信息需求质量最终的定性评估结论。通过实例分析可看出,该方法具有科学性和直观性,拓展了关键信息需求质量评估思路,为提高作战指挥关键信息需求质量提供了重要依据。