中国指挥与控制学会会刊 
现代水面舰艇编队面临的威胁来自各方,包括空天、水面、水下等,在时间紧迫、任务艰巨的作战中,水面舰艇编队如何尽可能最优地进行武器-目标分配,最大限度地毁伤既定目标,是海上作战火力运用的核心问题。因此,火力运用问题研究是世界各国军事作战领域都关注的核心问题之一。
火力分配问题是一个多约束组合优化的NP(Non-deterministic Polynomial)完全问题。在现代作战中,敌我双方武器及目标之间的匹配方案数量不断增加,这必然导致火力分配方案呈指数增长。如何快速准确找到最优或者次优分配方案,是当前世界各国军事作战领域需要解决的问题[1]。
分析了火力运用方法进展情况,其次,研究了当前海上作战火力运用主要方法,尤其是智能算法;最后,提出对未来海上作战火力运用方法发展的一些启示建议。
1 火力运用方法进展
火力运用问题是数学中最优化或运筹学分支的基本约束组合优化问题之一,可以表述为非线性整数编程问题,其主要目的是为一组目标找到一组可用武器数量的解,从而使连续交战的预期回报最大化。武器与目标的交战被建模为随机事件,每个武器-目标对都有一个杀伤概率(拦截武器摧毁目标的概率)。火力运用技术涉及运筹学、统计学、优化理论、智能算法等数学以及计算机科学等理论,当前针对火力运用模型的研究主要集中在静态模型,而动态模型研究较少。实际火力运用是一个动态迭代过程,前后事件具有一定的相关性,研究动态火力运用是当前所亟需的。
对于静态火力运用问题的求解,传统精确算法主要包括匈牙利算法、微分对策法、图形搜索法、隐枚举法、分支定界法、割平面法等。当数据规模较少时,解算速度快,能够准确得到最优解,但编程实现困难,且随着数据规模增加,容易死锁,无法求解。随着计算机技术的发展,为了解决火力运用、路径优化等大搜索空间、非线性、全局组合优化问题,一系列智能优化算法被提出,如层次分析法、基于网络流的方法、神经网络、遗传算法、禁忌搜索、蚁群算法、模拟退火算法、粒子群优化、超大规模邻域、最大边际收益、电磁算法及混合算法等,这些算法在数据呈指数增长时,能够较快地求解出最优或次优解,适合解决复杂优化问题。
Bisht提出了将模拟退火和遗传算法相结合的求解方法,利用两种算法优势互补,提高算法收敛速度,并避免局部极值。由于遗传算法固有的并行性,遗传退火对于使用交叉算子粗略地和全局地搜索解域的较大区域是非常强大的,而模拟退火对于通过随机爬山算法彻底地搜索解域的局部区域是非常强大的[8]。
2 火力运用静态解算分析
静态解算方法可用于对实时性要求不强的火力运用方案拟制,例如预先拟制对海打击、对陆攻击等作战方案时,可以对大量敌我双方兵力武器进行作战方案拟制优化。该类方法无需考虑前后时间片行动因素,主要针对某时间片上的作战行动,拟制火力运用方案。
当前火力运用方法主要解决小规模静态问题,单一的智能优化算法总是存在不可避免的性能限制,为满足火力运用问题对于收敛速度和最终结果的需求,当前的主流解决方法是将多个优化算法进行结合,利用优势互补达到求解问题的目的。常见的混合种类有遗传算法与群智能算法相结合和群智能算法与局部搜索能力较强的算法结合两种。
2.1 基于遗传算法的混合算法
遗传算法是一种考虑每种武器杀伤值概率的贪婪优生学算法,遗传算法比最大边际收益算法更容易找到更好的解。而且,遗传算法效率随着目标和武器数量的增加而提高。在遗传算法中,一个武器单元对应一个目标,将武器和目标的分组排列一一对应,这导致更快和更优化的解决方案。
1)遗传算法步骤
利用遗传算法求解火力分配问题的步骤包括火力目标参数集编码,种群初始化,计算适应度,选择适应度高的染色体,交叉,变异,新种群更替,解码,输出解决方案。当火力目标参数集规模较少时可以求解最优解,随着参数集规模增大,一般只能得到近似解,如图1 所示。
2)改进的遗传算法
传统遗传算法存在一定缺陷,例如算法的实现涉及参数较多,参数选择极大影响解的质量,参数的选择并没有具体规律,只能依靠经验判断;此外,算法过度依赖初始种群,没有及时利用网络的反馈信息导致收敛速度慢。对于改进型的遗传算法,一方面可以改进初始化种群结构,计算适应函数,选择,交叉,变异以及相关参数等环节进行调整改变;另一方面,可以结合其他优化算法优势互补,提高算法的局部寻优能力和收敛速度,例如与模拟退火、爬山算法、粒子群算法等算法结合。改进后的遗传算法可以高效求解拟制作战方案,提高作战方案的合理性和优势性,进而增强海上作战整体战斗力。
2.2 基于蚁群算法的混合算法
蚁群优化算法的灵感来源于蚁群的群体性觅食行为。蚁群算法具有良好的并行性,在火力运用问题领域具有很好的搜索性能,蚁群算法通过启发式信息素的更迭来寻找最优路径。蚁群算法具有正反馈机制,可以通过不断收敛找到最优解,此外,搜索过程采用分布式方式,多个个体同时进行计算,提高算法的计算效率。我们可将其用于火力运用问题,求解最优分配方案。
1)蚁群算法的步骤
蚁群优化算法基本上由3个主要步骤组成。首先是信息素踪迹初始化之后,创造解决方案;其次,创建的解决方案通过本地搜索得到改进,这个过程也称为守护进程操作;最后是信息素更新,在最优解决方案上增加信息素浓度,蒸发掉劣质解决方案的信息素浓度,如图2 所示。对火力资源和打击目标进行编码,把武器分配过程看作M个阶段,每个阶段一个火力单元只能打击一个目标。将蚂蚁放到第一火力单元上,蚂蚁以一定概率移动到目标处,依次移动,最后选出最优移动路线,即为解算的最优火力运用方案。
2)改进的蚁群算法
传统的蚁群算法存在收敛速度慢,局部最优,寻优时间长等问题。通常将全局寻优能力较强的算法与蚁群算法结合来改善算法性能。例如使用适应度遗传的方法提高全局索能力;与爬山算法结合提高收敛效率。还可以使用优化算法参数、信息素初始化、信息素更新规则等来提高算法性能。
2.3 基于粒子群算法的混合算法
粒子群优化算法是一种在多约束、多目标情况下快速有效收敛的优化方法。与其他优化技术相比,粒子群优化算法易于创建和运行,速度性能好,已经成为一个良好的工具。该算法将单一火力目标组合看作群中的一个粒子,一组粒子被认为是一个群。群体朝着一个全局最优的方向工作,由场景的各种特征定义。这些特征通过适应度函数中每个项的权重来度量,这些项代表用户设置的参数。
1)粒子群优化算法步骤
在粒子群优化算法中,首先将火力资源与打击目标进行编码,随机给定一个粒子群,即将火力单元和打击目标随机进行一对一配对;其次,计算适应度值;如果满足优化条件,算法将返回最佳粒子;否则,将根据目标函数值更新位置和速度,并使用新位置重新计算目标函数值。最后,寻找到最佳匹配方案,即为最优火力运用方案,如图3 所示。
2)改进的粒子群优化算法
由于该算法参数少,易实现,通用性强且具备较好的收敛能力,一直被广泛使用。但其搜索精度差,往往容易错过全局最优目标,当数据规模较大时,算法往往早熟收敛,陷入局部死循环。当前改进粒子群算法可以通过以下方式:优化算法参数来平衡算法的全局探测能力和局部开发能力;设计多粒子群并行搜索结构,提高算法全局搜索能力和搜索精度;与其他算法相结合,例如结合模式搜索,实现全局能力和局部能力的优势互补。改进型的粒子群算法在解决大规模火力分配问题时,具有更优良的求解效率。
2.4 基于最大边际收益的算法
最大边际收益算法是一种按顺序分配武器的算法,在最大边际收益算法中,武器总是分配给使得目标函数值改善最大的目标。虽然这些算法没有给出最优或最佳的解,但这些算法给出了接近最优的解。
1)最大边际收益算法步骤
| 最大边际收益算法 |
|---|
| 1:解决方案。分配←{} 2:解决方案。值←最大值 3:分配的武器数量←0 4:while分配的武器数量<=武器数量执行 5:最大减少←最小值 6: k←1 7: while k <未分配武器。执行计数 8: i←1 9: while i<目标数执行 10:降低←目标值[i]*杀伤概率[i][k] 11: if减少>最大减少,then 12:最大减少←减少 13:分配的目标←i 14:分配的目标←k 15:结束if 16: i←i+1 17:结束while 18: k←k+1 19:结束while 20:未分配的武器。移除(分配的武器) 21:解决方案。分配[k]←已分配目标 22:目标值[分配的目标]←目标值[分配的目标]-最大减少量 23:分配的武器数量←分配的武器数量+1 24:结束while 25:解决方案。值←计算解决方案值(解决方案。分配) 26:返回解决方案 |
2)改进的最大边际收益算法
高级最大边际收益算法将武器-目标分配组合,使解的值最大程度地减小。分配哪种武器的选择是基于哪种武器-目标对使边际收益最大化。重复这个过程直到没有武器未分配。然后,计算解的值并返回解。贪婪最大边际收益算法是一种确定性算法,其为每种武器确定一个目标,使解值的最大降幅出现。随机最大边际收益算法是一种非确定性算法,首先从未分配武器列表中随机选择一个武器,然后找到目标,使该武器的解的最大值下降。重复这个过程,直到得到一个可行的解决方案(没有剩下未分配武器)。接下来计算该可行解的解值。如果可行解的值小于先前找到的解的值,将用这个可行解替换这个解,因为这是一个更好的解。重复此过程,直到允许的最大搜索时间过期,返回解。
2.5 基于修正的测验问题算法
Kline等人开发了一种基于测验问题(MQP)解决方案的启发式算法来解决火力运用问题[13]。对于较小的问题实例,这种启发式方法找到的解决方案时间平均在最优解的6%以内。与其他火力运用启发式方法相比,该方法仅在百分之一秒内就为较大的实例找到了最佳解决方案,耗时极少。之后,Kline又定义了一个修正的测验问题启发式算法,它能够在千分之一秒内给出静态火力运用问题的高质量解决方案,作为改进元启发式算法的基础。Kline提出了征用权元启发式算法作为一种解决方法,将高效的测验问题算法作为能够实时发送改进的解决方案的子程序。
Kline证明了征用权元启发式算法能够实时向静态火力运用提供高质量的解决方案。征用权元启发式算法包含三个参数,即分配质量计算的类型、同时拒绝的数量和阈值百分比。可以调整这些参数以使元启发式能够有效地解决大型问题实例。在基于斜率或基于比率的征用权元启发式方法中使用的分配质量计算类型,在不同的问题规模下具有优势。对于较小规模的问题(少于20件武器和20个目标),基于比率的方法可以找到更好的解决方案,而对于较大规模的问题(多于40件武器和10个目标),基于斜率的方法可以找到更好的解决方案。该方法未来将被用于多阶段动态武器目标分配问题,该问题的有效性将取决于征用权元启发式算法的有效性和快速性。
3 火力运用动态解算分析
在海上作战过程中,敌我双方往往投入多种类大规模作战武器,实时根据敌我双方作战态势进行火力运用,这就需要火力运用算法能够快速准确地对大规模动态火力运用问题进行解算。根据战场态势信息,快速做出火力运用方案制定,以最大限度实现既定目标,消除威胁,火力运用流程如图4 所示。随着智能化科技迅猛发展,未来火力运用方法将向动态化模型、多目标规划、实时智能化解算等方向发展。
3.1 动态火力运用模型
海上作战火力运用由来已久,国内外也进行了大量的研究,但目前主要集中在静态、小规模火力运用模型及求解研究方面,对于实际复杂海上作战因素考虑较少,火力运用研究最终目的是要用于实战中,应该符合实战要求,海上作战火力运用往往是动态迭代过程,随着时间推进,火力资源调度是一个前后关联的过程,因此研究动态火力运用模型构建以及求解是当前急需的工作。动态模型中需要考虑前后时间片上火力资源状态、目标状态、状态变化等参数设置来提高模型真实性和灵活性。此外,基于博弈理论的动态模型求解方法,能够根据战场实际作战需要,结合前后时刻行动状态进行动态模型求解。
3.2 多目标函数规划
火力运用模型研究通常是针对单一目标函数建立的模型,例如毁伤概率最大、资源消耗最少、打击时间最短、作用距离最远等目标,往往与指挥员意图不相符合,容易造成潜在风险,当前海上作战指挥控制系统主要是给指挥员提供决策支持,需要火力运用方案要从多个角度、不同作战目的来为决策者提供参考支持。构建多目标火力运用函数模型,可以兼顾多方面作战因素,综合各类评价指标,提高决策方案的合理性,更加符合实际海上作战要求。因此,从未来海战实战出发,应该将火力运用的研究重点放在多目标优化算法研究。
3.3 实时智能化火力运用解算
海上作战火力运用存在实效的问题,战场上瞬息万变,要快速地制定作战方案,就需要算法求解速度快。在火力运用快速求解算法研究上争取有所突破,考虑使用深度学习、强化学习、认知计算等智能方法进行火力运用解算,使得在海上作战过程中指挥控制系统具备对抗博弈的火力运用能力,能够根据战场态势的变化以及我方编队兵力火力状态,灵活快速调整火力运用方案,满足最优作战效能需求。在日常训练过程中实时进行机器学习,将可靠优化的火力运用方案记录下来,在实际作战过程中,根据历史经验快速生成作战方案,提高海上作战能力。
4 展望
随着军事智能技术的发展,智能化作战将成为未来海上作战的主要样式,近年来,美军不断发展分布式作战、无人集群作战、马赛克战等新型作战样式,提升其在战场态势感知,数据情报处理,远程精确打击,高效协同作战等能力,预计2035年前美海军将初步建成智能化作战指挥体系,并在2050年实现武器装备系统、信息系统、指控系统全面智能化。针对海上作战火力运用,已不再是单一平台、单一武器、单批次目标的分配解算问题,而是要集成战场整体态势信息,高效拟制多域平台武器打击多批次多域目标方案,具体有以下三点启示。
1)通用化
传统火力运用方法只是针对某型单一武器作战使用,即使用于多型武器联合使用也只是针对某一特定作战任务,例如防空作战、反舰作战、对陆作战等,不同的作战任务,火力运用方法也不相同。无人装备的广泛使用为火力运用方法提供了新的应用领域。未来指挥信息系统将是多域多任务联合指挥控制,需要火力运用方法具有通用性,能够同时解算各类作战任务、多平台、多武器火力运用问题,增强海上联合作战能力。
2)高效化
在未来海上作战中,把握作战时机是制胜的关键因素之一。战机稍纵即逝,需要海上火力运用方法在面对庞大数量的我方火力资源和敌方目标时,具有快速解算能力,尽可能满足作战实时性,在战机出现时能够快速生成有效火力规划方案,在对敌方目标进行打击时,取得关键节点上的主导权,提高海上作战能力。
3)灵活化
未来海上作战必将是复杂多变的战场环境,这就要求火力运用方法能够根据战场需要,灵活调配火力资源应对各种突发情况,并能够根据敌方实际作战情况,及时调整我方火力运用方案,进行有效打击和拦截,具备灵活反应能力,实时博弈对抗。在对抗中火力运用方法能够自我学习成长,不断提高拟制各类作战任务方案的合理性和优势性,从而提升海上作战能力。
5 结束语
未来海上作战将向立体化、信息化、智能化、自主化、无人化的方向发展,火力运用方法也将向动态实时性、多目标规划、智能化、通用化、灵活化方向发展。必须加快海上作战智能化、无人化技术发展,以应对新军事变革的挑战,提高海上作战能力。本文梳理分析了海上作战火力运用方法发展现状,以及当前主要火力运用方法,尤其是其智能算法,对未来海上作战火力运用方法方面提出了一些启示建议,为海上智能化火力作战运用提供一定的理论参考。