CN107103128A - 基于多准则妥协解排序的多目标威胁评估方法 - Google Patents

Abstract

本发明提供了一种基于多准则妥协解排序的多目标威胁评估方法，首先构造目标属性决策矩阵，然后计算各个目标属性的熵值，最终采用多准则妥协解排序法进行目标威胁程度计算，确定干扰威胁程度最大的目标。本发明可以有效的克服TOPSIS法的局限，避免贝叶斯网络、层次分析法等的主观随意性问题，提高目标威胁程度排序的合理性与准确性。

Description

基于多准则妥协解排序的多目标威胁评估方法

技术领域

本发明属于数据融合领域，特别涉及一种多目标威胁评估方法。

背景技术

数据融合技术是信息科学领域内的一项技术，该技术是新一代智能信息技术的重要基础，而威胁评估是数据融合研究中重要的组成部分。我方飞行器受到多架不同态势的飞行器干扰时，如何做出合理的干扰威胁程度排序，对于我方的指挥决策是非常重要的。因此，威胁评估是进行合理指挥决策的前提，研究意义重大。

目前，对于多目标威胁评估问题，学者们进行了一些研究。常用的多目标威胁评估方法有层次分析法，直觉模糊集、贝叶斯推理、专家系统等。现有技术中，TOPSIS方法忽略了备选方案距理想方案的距离与负理想方案的距离，即认为所有距正理想解的距离小于距负理想解距离的方案均优于距正理想解距离等于距负理想解距离的方案，故获得的理想解不一定是最接近理想点的解，因而采用TOPSIS方法得到的排序结果可信度较低；其他的现有技术例如层次分析法、专家系统、贝叶斯推理等大多会受到主观因素的影响，可靠性较低。另外，对于多准则妥协解排序法在威胁评估中的应用，目前研究较少。

发明内容

为了克服现有技术的不足，本发明提供一种多目标威胁评估方法，利用多准则妥协解排序法的优势，将多准则妥协解排序法引进到威胁评估中，以克服TOPSIS方法的局限，并结合熵权法确定权重，避免主观随意性，保证得到的理想解为最佳理想解。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤一，构造目标属性决策矩阵T＝(t_ij)_m×3，t_ij表示第i个目标在第j个属性下的评价值，i＝1,2,3…m，m是目标的个数；j＝1,2,3，所述的属性包括角度威胁因子T_a、速度威胁因子T_v和距离威胁因子T_d；角度威胁因子T_a＝[|φ_k|+|θ_k|]/360，φ_k为目标前置角，θ_k为目标进入角；v_k是目标速度，v_z为我机速度；r_k为目标与我方的距离；r_m为我机干扰装置的最大干扰距离；r_mk为目标的干扰距离；r_r为我机探测装置的探测距离；

步骤二，计算第j个目标属性的熵值式中，H_j≥0；当f_ij＝0时，f_ijInf_ij＝0；计算第j个目标属性的权重

步骤三，采用多准则妥协解排序法进行目标威胁程度计算，具体步骤如下：

(1)确定理想解Z⁺和负理想解Z^-，理想解为每个属性都取该属性下的不同目标间干扰威胁程度最大的解，负理想解为每个属性都取该属性下的不同目标间干扰威胁程度最小的解；为第j个属性下的理想解，为第j个属性下的负理想解；

(2)求出第i个目标的最大化群效应和最小化个体遗憾

(3)求出各个目标的综合指标值Q_i＝υ(S_i-S⁺)/(S^--S⁺)+(1-υ)(R_i-R⁺)/(R^--R⁺)，式中，υ是决策机制系数，υ＝0.6～0.8；

步骤四，最优目标调整，具体步骤如下：

设定条件Ⅰ：Q²-Q¹≥1/(m-1)，Q¹表示对各目标的Q_i值从小到大进行排序后，排序第一的值，Q²表示排序第二的值，Q^l为排序第l的值；

设定条件Ⅱ：对各目标的Q_i值进行排序后，排序第一的最大化群效应小于等于其他排序目标的最大化群效应，或排序第一的最小化个体遗憾小于等于其他排序目标的最小化个体遗憾；

若两个条件同时成立，则确定排序第一的目标干扰威胁程度最大；

若排序第一和第二的目标不满足条件Ⅱ，则排序第一和第二的目标干扰威胁程度最大；

若排序第一和第二的目标不满足条件Ⅰ，通过Q^l-Q¹＜1/(m-1)得到最大的l，则Q¹，Q²，Q³……Q^l干扰威胁程度最大。

本发明的有益效果是：结合熵权法和多准则妥协解排序法，对目标威胁程度进行排序，即采用熵权法处理客观信息，得到各目标属性权重，将权重应用到多准则妥协解排序法中，计算多目标威胁程度。本发明可以有效的克服TOPSIS法的局限，避免贝叶斯网络、层次分析法等的主观随意性问题，提高目标威胁程度排序的合理性与准确性。

附图说明

图1是本发明的目标态势示意图；

图中，T为目标，O为我方，φ_k为目标前置角；θ_k为目标进入角，v_k是目标速度，r_k为目标与我方的距离，箭头指向为正方向。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

本发明是提供一种基于多准则妥协解排序的威胁评估方法，运用熵权法确定目标属性权重，并将得到的目标属性权重应用到多准则妥协解排序法中进行排序解算。

本发明涉及的具体内容如下：

步骤一：构造目标属性决策矩阵

式中，t_ij表示第i(i＝1,2,3…m)个目标在第j(j＝1,2,3)个属性下的评价值，m是目标的个数。目标属性包括以下内容：

(1)角度威胁因子T_a

T_a＝[|φ_k|+|θ_k|]/360°

式中，φ_k为目标前置角；θ_k为目标进入角。

(2)速度威胁因子T_v

式中，v_k是目标速度；v_z为我机速度

(3)距离威胁因子T_d

式中，r_k为目标与我方的距离；r_m为我机干扰装置的最大干扰距离；r_mk为目标的干扰距离；r_r为我机探测装置的探测距离。

步骤二：采用熵权法确定目标属性权重。

设H_j为第j个目标属性的熵值，则有：

式中，k＝1/Inm，H_j≥0,k≥0。并定义当f_ij＝0时，f_ijInf_ij＝0。n为属性的个数，在本发明中取为3。

设目标属性的权重为ω，则第j个目标属性的权重ω_j如下：

步骤三：采用多准则妥协解排序法进行目标威胁程度计算。

具体步骤：

(1)确定理想解Z+和负理想解Z-

式中，理想解为每个属性都取该属性下的不同目标间干扰威胁程度最大的解，负理想解为每个属性都取该属性下的不同目标间干扰威胁程度最小的解。为第j个属性下的理想解，为第j个属性下的负理想解。针对效益型指标，理想解取最大的属性值，针对成本型指标，理想解取最小的属性值，反之，可得到负理想解。其中，I₁为效益型指标集合，即属性值越大越好；I₂为成本型指标集合，即属性值越小越好。在本发明中三个目标属性均为效益型指标。

(2)求出第i个目标的最大化群效应S_i和第i个目标的最小化个体遗憾R_i，最大化群效应是在各个属性下目标到理想解的加权距离之和，最小化个体遗憾是指在各个属性之下目标距理想解的最大加权距离。

(3)最后求出各个目标的综合指标值Q_i

Q_i＝υ(S_i-S⁺)/(S^--S⁺)+(1-υ)(R_i-R⁺)/(R^--R⁺)

式中，υ是决策机制系数，υ＞0.5表示要根据最大化群效应的决策机制进行决策，υ＜0.5表示要根据最小化的个体遗憾的决策机制进行决策，υ＝0.5表示要根据决策者经协商达成共识的决策机制进行决策，表示一种折中情况，考虑到最大化群效应，又考虑到最小化个体遗憾，故本发明设υ＝0.6-0.8之间。

步骤四：最优目标调整

Ⅰ、可接受的优势阈值条件

Q²-Q¹≥1/(m-1)，Q¹表示对各目标的Q_i值从小到大进行排序后，排序第一的值，Q²表示排序第二的值，以此类推，如Q^l为排序第l的值。1/(m-1)表示可接受的优势阈值，只有当上式条件成立时，才能保证排序第一的目标要显著得优于排序第二的目标。

Ⅱ、可接受的决策可靠性条件

对各目标的Q_i值进行排序后，排序第二的目标的最大化群效应必须大于等于排序第一的最大化群效应，或排序第二的最小化个体遗憾必须大于等于排序第一的最小化个体遗憾。在多个目标的条件下，需要将排序第一的目标与排序后几位的目标进行一一的比较。可接受的决策可靠性条件是为了决策更加的可靠。

具体的判断如下：

①两个条件同时成立，Q_i值越小，排序就越靠前，则可确定排序第一的目标为最优解，即干扰威胁程度最大；

②若排序第一的目标和排序第二的目标不满足条件Ⅱ，那么最优解为排序第一的目标和排序第二的目标；

③若排序第一的目标和排序第二的目标不满足条件Ⅰ，通过Q^l-Q¹＜1/(m-1)得到最大的l，则Q¹，Q²，Q³……Q^l均接近最优解。

根据上面的排序规则，排序靠前的目标为接近最优解的目标，同时也是威胁程度大的目标。

本发明的实施例中，我方是一架具有探测干扰能力的飞行器，对方有6架飞行器干扰威胁我方，且这6架飞行器均在我方的探测装置的最大探测范围之内，我方的速度为320m/s，对方干扰装置的最大干扰范围为60Km，探测装置的最大探测距离为120Km。采用的具体数据如下表。

表1目标态势指数

注：φ_k为目标前置角；θ_k为目标进入角，v_k是目标速度，r_k为目标与我方的距离。

步骤一：构造目标属性决策矩阵

式中，t_ij表示第i(i＝1,2,3…6)个目标在第j(j＝1,2,3)个属性下的评价值。目标的属性包括以下内容：

(1)角度威胁因子T_a

T_a＝[|φ_k|+|θ_k|]/360°

式中，φ_k为目标前置角；θ_k为目标进入角。

(2)速度威胁因子T_v

式中，v_k是目标速度；v_z为我方速度

(3)距离威胁因子T_d

式中，r_k为目标与我方的距离；r_m为我机干扰装置的最大干扰距离；r_mk为目标的干扰距离；r_r为我机探测装置的探测距离。

步骤二：采用熵权法确定目标属性权重。

设H_j为第j个指标的熵值，则有：

其中，k＝1/Inm，H_j≥0,k≥0。并定义当f_ij＝0时，f_ijInf_ij＝0。n为属性的个数，即n为3。

可求得H_j＝[0.9814,0.9677,0.9986]

设目标属性的权重为ω，则第j个指标的权重ω_j如下：

可得到目标属性权重ω＝[0.3559,0.6173,0.0268]

步骤三：采用多准则妥协解排序法进行干扰威胁程度计算。具体步骤：

(1)确定理想解Z⁺和负理想解Z^-

式中，理想解为每个属性都取该属性下的不同目标间干扰威胁程度最大的解，负理想解为干扰威胁程度最小的解。为第j个属性下的理想解，本例中理想解均为1；为第j个属性下的负理想解，本例中负理想解均为0。针对效益型指标，理想解取最大的属性值，针对成本型指标，理想解取最小的属性值，反之，可得到负理想解。其中，I₁为效益型指标集合，即属性值越大越好；I₂为成本型指标集合，即属性值越小越好。在本发明中三个目标属性均为效益型指标，我方与目标的相对态势可见图1。

(2)求出第i个目标的最大化群效应S_i和第i个目标的最小化个体遗憾R_i，最大化群效应是在各个属性下目标到理想解的加权距离之和，最小化个体遗憾是指在各个属性之下目标距理想解的最大加权距离。

可求得

S_i＝[0.4645,0.2305,0.6087,0.6288,0.9772,0.5259]

R_i＝[0.3704，0.2229，0.3704，0.6173，0.6173，0.3704]

(3)最后求出各个目标的综合指标值Q_i

Q_i＝υ(S_i-S⁺)/(S^--S⁺)+(1-υ)(R_i-R⁺)/(R^--R⁺)

＝[0.3376,0.0000,0.4535,0.7201,1.0000,0.3870]

式中，υ是决策机制系数，υ＞0.5表示要根据最大化群效应的决策机制进行决策，υ＜0.5表示要根据最小化的个体遗憾的决策机制进行决策，υ＝0.5表示要根据决策者经协商达成共识的决策机制进行决策，表示一种折中情况，考虑到最大化群效应，又考虑到最小化个体遗憾，一般设υ＝0.6-0.8之间。

步骤四：最优目标调整

Ⅰ、可接受的优势阈值条件

Q²-Q¹≥1/(m-1)，Q¹表示对各目标Q_i值从小到大进行排序后，排序第一的值，Q²表示排序第二的值，以此类推，如Q^l为排序第l的值。1/(m-1)表示可接受的优势阈值，在此实例中，m为6，故可接受的优势阈值为0.2。只有当上式条件成立时，才能保证排序第一的目标要显著得优于排序第二的目标。

Ⅱ、可接受的决策可靠性条件

对各目标的Q_i值进行排序后，排序第二的目标的最大化群效应必须大于等于排序第一的最大化群效应，或排序第二的最小化个体遗憾必须大于等于排序第一的最小化个体遗憾。在多个目标的条件下，需要将排序第一的目标与排序后几位的目标进行一一的比较。可接受的决策可靠性条件是为了决策更加的可靠。

具体的判断如下：

①两个条件同时成立，Q_i值越小，排序就越靠前，则可确定排序第一的目标为最优解；

②若排序第一的目标和排序第二的目标不满足条件Ⅱ，那么最优解为排序第一的目标和排序第二的目标；

③若排序第一的目标和排序第二的目标不满足条件Ⅰ，通过Q^l-Q¹＜1/(m-1)得到最大的l，则Q¹，Q²，Q³……Q^l均接近最优解。

根据上述的排序规则，可得到干扰威胁程度最大的解。由Q_i值得到各目标干扰威胁程度由大到小的排序为：目标2>目标1>目标6>目标3>目标4>目标5。可以发现，Q²-Q¹＝0.3376>1/(m-1)＝0.2，满足条件Ⅰ；同时目标2的最大化群效应最小，满足条件Ⅱ，故上述两个排序规则均成立，因此干扰威胁程度最大的是目标2。

本发明针对现有技术如TOPSIS法、贝叶斯网络、层次分析法的不足之处，结合熵权法，并将其得到的各目标属性权重应用到多准则妥协解排序法中，克服了TOPSIS法的局限并避免了主观随意性问题。应用本发明的方法进行目标威胁评估，较其他方法准确，而且易于实现。

Claims (1)

1.一种基于多准则妥协解排序的多目标威胁评估方法，其特征在于包括下述步骤：

步骤一，构造目标属性决策矩阵T＝(t_ij)_m×3，t_ij表示第i个目标在第j个属性下的评价值，i＝1,2,3…m，m是目标的个数；j＝1,2,3，所述的属性包括角度威胁因子T_a、速度威胁因子T_v和距离威胁因子T_d；角度威胁因子T_a＝[|φ_k|+|θ_k|]/360，φ_k为目标前置角，θ_k为目标进入角；v_k是目标速度，v_z为我机速度；r_k为目标与我方的距离；r_m为我机干扰装置的最大干扰距离；r_mk为目标的干扰距离；r_r为我机探测装置的探测距离；

步骤二，计算第j个目标属性的熵值式中，H_j≥0；当f_ij＝0时，f_ijInf_ij＝0；计算第j个目标属性的权重

步骤三，采用多准则妥协解排序法进行目标威胁程度计算，具体步骤如下：

(1)确定理想解Z⁺和负理想解Z^-，理想解为每个属性都取该属性下的不同目标间干扰威胁程度最大的解，负理想解为每个属性都取该属性下的不同目标间干扰威胁程度最小的解；为第j个属性下的理想解，为第j个属性下的负理想解；

(2)求出第i个目标的最大化群效应和最小化个体遗憾

(3)求出各个目标的综合指标值Q_i＝υ(S_i-S⁺)/(S^--S⁺)+(1-υ)(R_i-R⁺)/(R^--R⁺)，式中，υ是决策机制系数，υ＝0.6～0.8；

步骤四，最优目标调整，具体步骤如下：

设定条件Ⅰ：Q²-Q¹≥1/(m-1)，Q¹表示对各目标的Q_i值从小到大进行排序后，排序第一的值，Q²表示排序第二的值，Q^l为排序第l的值；

设定条件Ⅱ：对各目标的Q_i值进行排序后，排序第一的最大化群效应小于等于其他排序目标的最大化群效应，或排序第一的最小化个体遗憾小于等于其他排序目标的最小化个体遗憾；

若两个条件同时成立，则确定排序第一的目标干扰威胁程度最大；

若排序第一和第二的目标不满足条件Ⅱ，则排序第一和第二的目标干扰威胁程度最大；

若排序第一和第二的目标不满足条件Ⅰ，通过Q^l-Q¹＜1/(m-1)得到最大的l，则Q¹，Q²，Q³……Q^l干扰威胁程度最大。