CN113807721A - 一种基于相近和相似机理的装备作战效能评估方法 - Google Patents
一种基于相近和相似机理的装备作战效能评估方法 Download PDFInfo
- Publication number
- CN113807721A CN113807721A CN202111121044.6A CN202111121044A CN113807721A CN 113807721 A CN113807721 A CN 113807721A CN 202111121044 A CN202111121044 A CN 202111121044A CN 113807721 A CN113807721 A CN 113807721A
- Authority
- CN
- China
- Prior art keywords
- equipment
- task
- evaluation
- index
- operational
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及装备试验与鉴定技术领域,一种基于相近和相似机理的装备作战效能评估方法,1)采用作战效能评估的多阶段立体数据描述,首要的是构建作战效能评估指标体系,2)基于相近和相似机理的作战效能评估基本原理,3)基于相近和相似机理的作战效能评估模型。即从装备作战效能评估的内涵要求出发,指标序列曲线与作战任务需求曲线在位置上的接近关系能较好地通过基于距离内涵的作战效能评估方法进行度量,两个序列曲线之间形状相似性能较好地通过灰色关联度进行度量。本发明是一种反映作战效能指标数据序列逼近作战任务需求数据序列新的相对贴近度和综合贴近新评估方法,从而基于相近机理和相似机理,实现多任务阶段装备作战效能的动态评估。
Description
技术领域
本发明涉及装备试验与鉴定技术领域,尤其涉及一种基于相近和相似机理的装备作战效能评估方法。
背景技术
装备作战效能评估的实质就是衡量、综合评估作战效能指标数据序列与作战任务需求数据序列的接近性和相似性。目前的主流评估方法一般分为专家经验法、数据驱动法和作战模拟法,基本上都是基于上述评估内涵建立相关的模型算法,各自的优缺点十分明显,如专家经验法主要依靠评估专家的实践经验,评估结果的主观性很强。数据驱动法主要是建立输入数据和输出效能的数学模型,但是模型机制和评估内涵的吻合性会直接影响评估结果,各种模型的改进修正形式也很单一。作战模拟法建立仿真模型需要大量的详细数据,而且模型的相互关系描述、模型的可信性验证难度较大。为了较好地利用不同评估方法的优点,装备作战效能的组合评估方法已成为装备建设管理领域的研究重点。
发明内容
为克服现有技术的不足,本发明提供一种基于相近和相似机理的装备作战效能评估方法。
为实现上述发明目的,本发明采用如下:
一种基于相近和相似机理的装备作战效能评估方法,其步骤如下:
1)作战效能评估的多阶段立体数据描述,武器装备作战效能是指装备在设定条件下完成作战任务时所能发挥有效作用的程度,装备作战效能评估是指将装备置于作战对抗环境中,对其完成规定作战任务的程度进行度量的过程;对装备完成规定作战任务程度的描述,首要的是构建作战效能评估指标体系,这时进行作战效能评估的技术基础,通常采用层次性作战效能评估指标体系;
层次性作战效能指标体系表示装备的功能或性能指标、任务能力指标能从下至上概括反映装备在整个作战过程中的作战效能的行为表现,装备的作战效能指标从上至下在任务能力、功能或性能指标、时间的三个维度上具有行为表现,即在这三个维度上具有属性值;
假设P个同类型装备基于作战效能的评估与比较,对于第m(m=1,2,…,P)个装备下层第q(q=1,2,…,p)个任务能力指标,假设第i(i=1,2,…,N)(N表示第q个任务能力下属的功能或性能指标总数)个功能或性能指标在第j(j=1,2,…,M)个任务阶段(对应于某一个任务周期内t1,t2,…,tM任务阶段)的行为表现参数值描述为则构建装备作战效能评估多阶段立体数据剖面的具体装备的阶段性能表现矩阵为
该矩阵表达了具体装备(即装备m)具体任务能力(即任务能力q)的评估指标值,每一行对应于某一个功能或性能指标的全部任务阶段表现值,每一列对应于某个任务阶段的所有功能或性能指标表现值;
类似地,对于第q(q=1,2,…,p)个任务能力指标第i(i=1,2,…,N)个功能或性能指标,其对应的第m(m=1,2,…,P)个装备在第j(j=1,2,…,M)个任务阶段的行为表现参数值描述为则构建装备作战效能评估多阶段立体数据剖面的具体性能的装备阶段表现矩阵为
该矩阵表达了具体任务能力(即任务能力q)下具体功能或性能指标(即指标i)的评估指标值,每一行对应于某一个装备的全部任务阶段表现值,每一列对应于某个任务阶段的所有装备表现值;
同样地,对于第j(j=1,2,…,M)个任务阶段下第q(q=1,2,…,p)个任务能力指标,其对应的第m(m=1,2,…,P)个装备第i(i=1,2,…,N)个功能或性能指标的行为表现参数值描述为则构建装备作战效能评估多阶段立体数据剖面的所有装备的功能或性能表现矩阵为
该矩阵表达了具体任务阶段(即阶段j)具体任务能力(即任务能力q)下的评估指标值,每一行对应于某一个装备的全部功能或性能指标表现值,每一列对应于某个功能或性能指标的所有装备表现值;该矩阵就是常规作战任务剖面下装备作战效能评估与优选的决策矩阵;
2)基于相近和相似机理的作战效能评估基本原理,由装备作战效能评估的定义,评估的实质就是将装备执行规定作战任务时具备的作战能力与完成规定作战任务所需的作战能力进行符合性度量的过程;这个符合性在度量机理上应该包括两个过程,一个是装备执行规定作战任务时所发挥的每一种作战能力与对应所需作战能力之间的接近程度,一个是装备执行规定作战任务时所发挥的所有作战能力与对应所需所有作战能力之间的整体相关程度;对于作战能力接近程度的度量通常采用距离尺度、灰色关联分析,再基于所有评估对象的最优值构建靶心;
首先将所有评估对象的最优值和最差值分别设置为靶心,计算各个评估对象的作战效能指标数据序列与两个靶心的欧氏距离和灰色关联度,将该欧氏距离和灰色关联度进行加权综合平均得到综合靶心度,将基于最优值靶心的加权综合平均值称为正向综合靶心度,基于最差值靶心的加权综合平均值称为负向综合靶心度;进一步综合正向综合靶心度和负向综合靶心度,得到各个评估对象的相对贴近度;从上述计算过程知,一个任务阶段的相对贴近度和作战任务全过程的综合贴近度均综合了欧氏距离和灰色关联度,同时反映了评估对象与最优值靶心和最差值靶心之间的位置关系和数据曲线的相似性差异,符合作战效能评估的相近性和相似性机理,不仅实现了某个任务阶段装备作战效能的评估与比较,也实现了作战任务全过程的装备作战效能的评估与比较;
3)基于相近和相似机理的作战效能评估模型,以公式(3)表征的所有装备功能或性能表现为基础求解其具体任务能力指标下的相对贴近度;然后考虑各种任务能力之间的相对重要性,即可聚合生成各个装备作战效能的相对贴近度;
此时其标准化元素计算模型为
针对该矩阵,基于指标值差异程度的相对贴近度计算步骤如下:
步骤一,确定某任务阶段的加权标准化矩阵;
假设N个功能或性能指标的权重向量为w=(w1,w2,…,wN),通过加权计算得到标准化矩阵F,其算法为
步骤二,确定正理想解和负理想解;
正理想解为
负理想解为
步骤三,计算各评估对象与正理想解和负理想解的欧氏距离;
到正理想解的欧氏距离为
到负理想解的欧氏距离为
步骤四,计算各评估对象与正理想解和负理想解的灰色关联度;
首先针对正理想解,计算第m(m=1,2,…,P)个装备第i个指标元素与对应理想解差值的绝对值为
从而基于邓氏关联度的基本思想,求取第m个装备第i个指标元素的灰色关联系数为
式中ξ∈(0,1)为分辨系数,通常取ξ=0.5。最后继续计算,得到第m个装备与正理想解的灰色关联度为
针对负理想解,通过类似的计算,求取第m个装备第i个指标元素的灰色关联系数为
步骤五,分别对步骤三确定的欧氏距离和步骤四确定的灰色关联度进行无量纲化处理;
步骤六,聚合无量纲化的欧氏距离和灰色关联度;
和的数值越大,说明第m个装备的作战效能越接近于正理想解;而和的数值越大,说明第m个装备的作战效能越接近于负理想解、越远离于正理想解;因此,在相近机理和相似机理的决策偏好下,记决策者对位置和形状的偏好程度为α,从而计算正向综合靶心度为
负向综合靶心度为
正向综合靶心度反映了相近机理和相似机理下第m个装备作战效能与任务需求的接近程度,其值越大,装备作战效能越优;负向综合靶心度反映了相近机理和相似机理下第m个装备作战效能与任务需求的远离程度,其值越大,装备作战效能越劣。
步骤七,计算各评估对象具体任务能力的相对贴近度。
步骤八,计算各评估对象的相对贴近度;
假设p个任务能力指标的权重向量为W=(W1,W2,…,Wp),则有第m个装备的相对贴近度为
相对贴近度tmj基于欧氏距离和灰色关联度,同时反映了评估对象作战效能与任务需求正理想解和负理想解之间的位置关系和数据曲线的相似性差异,对相近机理和相似机理的物理含义更加明确;
步骤九,作战任务全过程各评估对象的综合贴近度;
假设M个任务阶段的权重向量为A=(a1,a2,…,aM),则有作战任务全过程第m个装备的综合贴近度为
步骤十,各评估对象作战效能的优劣排序;
按一个任务阶段的相对贴近度tmj、或者作战任务全过程的综合贴近度tm的大小对各个评估对象的作战效能进行排序,相对贴近度tmj或综合贴近度tm大者作战效能为优,小者作战效能为劣。
由于采用如上所述技术方案,本发明具有如下优越性:
一种基于相近和相似机理的装备作战效能评估方法,采用的装备作战效能评估多阶段立体数据将常规的二维数据扩展为立体数据,能覆盖被评估装备作战任务全过程行为表现,有利于从评估指标值的差异程度、评估指标值的变化程度等角度进行作战效能的综合评估,从而可以克服装备作战效能评估的片面性和信息遗漏,提高效能评估结果的合理性和可信性。采用的加权综合平均模型、ADC方法、模糊综合评判模型、逼近于理想解的综合模型、各种聚类模型等,能较好地解决相近机理下针对作战任务剖面数据的作战效能评估与比较问题;对于作战能力整体相关程度的度量研究相对较少,目前通常采用相关系数尺度,例如常用的灰色关联方法,大多数研究成果基于评估指标值差异程度的角度进行,较好地解决了相似机理下针对作战任务剖面的作战效能静态评估问题。
本发明从装备作战效能评估的内涵要求出发,指标序列曲线与作战任务需求曲线在位置上的接近关系能较好地通过基于距离内涵的作战效能评估方法进行度量,两个序列曲线之间形状相似性能较好地通过灰色关联度进行度量。本发明将两者结合起来,构造一种反映作战效能指标数据序列逼近作战任务需求数据序列的新评估方法,其实质是将正负理想解的欧氏距离和灰色关联度相结合,构造一种新的相对贴近度和综合贴近度,从而基于相近机理和相似机理实现多任务阶段装备作战效能的动态评估。
附图说明
图1层次性作战效能评估指标体系图;
图2基于相近和相似机理的评估基本思原理图;
图3超短波通信对抗系统作战效能指标体系图。
具体实施方式
如图1、2、3所示,一种基于相近和相似机理的装备作战效能评估方法,其步骤如下
1作战效能评估的多阶段立体数据描述,武器装备作战效能是指装备在一定条件下完成作战任务时所能发挥有效作用的程度,装备作战效能评估是指将装备置于作战对抗环境中,对其完成规定作战任务的程度进行度量的过程。对装备完成规定作战任务程度的描述,首要的是构建作战效能评估指标体系,这时进行作战效能评估的技术基础,通常采用如图1所示的层次性作战效能评估指标体系。
图1所示的层次性作战效能指标体系表示装备的功能或性能指标、任务能力指标能从下至上概括反映装备在整个作战过程中的作战效能等行为表现,装备的作战效能指标从上至下在任务能力、功能或性能指标、时间等三个维度上具有行为表现,即在这三个维度上具有属性值。假设P个同类型装备基于图1的指标体系进行作战效能的评估与比较,对于第m(m=1,2,…,P)个装备下层第q(q=1,2,…,p)个任务能力指标,假设第i(i=1,2,…,N)(N表示第q个任务能力下属的功能或性能指标总数)个功能或性能指标在第j(j=1,2,…,M)个任务阶段(对应于某一个任务周期内t1,t2,…,tM任务阶段)的行为表现参数值描述为则可以构建装备作战效能评估多阶段立体数据剖面的具体装备的阶段性能表现矩阵为
该矩阵表达了具体装备(即装备m)具体任务能力(即任务能力q)的评估指标值,每一行对应于某一个功能或性能指标的全部任务阶段表现值,每一列对应于某个任务阶段的所有功能或性能指标表现值。
类似地,对于第q(q=1,2,…,p)个任务能力指标第i(i=1,2,…,N)个功能或性能指标,其对应的第m(m=1,2,…,P)个装备在第j(j=1,2,…,M)个任务阶段的行为表现参数值描述为则可以构建装备作战效能评估多阶段立体数据剖面的具体性能的装备阶段表现矩阵为
该矩阵表达了具体任务能力(即任务能力q)下具体功能或性能指标(即指标i)的评估指标值,每一行对应于某一个装备的全部任务阶段表现值,每一列对应于某个任务阶段的所有装备表现值。
同样地,对于第j(j=1,2,…,M)个任务阶段下第q(q=1,2,…,p)个任务能力指标,其对应的第m(m=1,2,…,P)个装备第i(i=1,2,…,N)个功能或性能指标的行为表现参数值描述为则可以构建装备作战效能评估多阶段立体数据剖面的所有装备的功能或性能表现矩阵为
该矩阵表达了具体任务阶段(即阶段j)具体任务能力(即任务能力q)下的评估指标值,每一行对应于某一个装备的全部功能或性能指标表现值,每一列对应于某个功能或性能指标的所有装备表现值。可以看出,该矩阵就是常规作战任务剖面下装备作战效能评估与优选的决策矩阵。
综上所述,装备作战效能评估多阶段立体数据将常规的二维数据扩展为立体数据,能覆盖被评估装备作战任务全过程行为表现,有利于从评估指标值的差异程度、评估指标值的变化程度等角度进行作战效能的综合评估,从而可以克服装备作战效能评估的片面性和信息遗漏,提高效能评估结果的合理性和可信性。
2基于相近和相似机理的作战效能评估基本原理,由装备作战效能评估的定义可以看出,评估的实质就是将装备执行规定作战任务时具备的作战能力与完成规定作战任务所需的作战能力进行符合性度量的过程。这个符合性在度量机理上应该包括两个过程,一个是装备执行规定作战任务时所发挥的每一种作战能力与对应所需作战能力之间的接近程度,一个是装备执行规定作战任务时所发挥的所有作战能力与对应所需所有作战能力之间的整体相关程度。对于作战能力接近程度的度量通常采用距离尺度,例如常用的加权综合平均模型、ADC方法、模糊综合评判模型、逼近于理想解的综合模型、各种聚类模型等,能较好地解决相近机理下针对作战任务剖面数据的作战效能评估与比较问题;对于作战能力整体相关程度的度量研究相对较少,目前通常采用相关系数尺度,例如常用的灰色关联方法,大多数研究成果基于评估指标值差异程度的角度进行,较好地解决了相似机理下针对作战任务剖面的作战效能静态评估问题。
基于灰色关联分析的灰靶理论最早由灰色系统理论创始人邓聚龙教授提出,基于灰靶理论的作战效能评估基本思想是针对某一个任务阶段指标值序列,首先设定靶心(也就是参考数据列,由于任务阶段所需作战能力指标值通常难以直接给出,所以一般基于所有评估对象的最优值构建靶心),然后计算各评估对象指标值序列与靶心的灰色关联系数和灰色关联度。目前的灰靶评估理论将所有评估对象统一置于分析系统之中,但是靶心一般单一地选择最优值,缺乏作战效能评估的全局性、动态性特征。
首先将所有评估对象的最优值和最差值分别设置为靶心,计算各个评估对象的作战效能指标数据序列与两个靶心的欧氏距离和灰色关联度,将该欧氏距离和灰色关联度进行加权综合平均得到综合靶心度,将基于最优值靶心的加权综合平均值称为正向综合靶心度,基于最差值靶心的加权综合平均值称为负向综合靶心度;进一步综合正向综合靶心度和负向综合靶心度,得到各个评估对象的相对贴近度。从上述计算过程可以看出,某个任务阶段的相对贴近度和作战任务全过程的综合贴近度均综合了欧氏距离和灰色关联度,同时反映了评估对象与最优值靶心和最差值靶心之间的位置关系和数据曲线的相似性差异,符合作战效能评估的相近性和相似性机理,物理意义更加明确。同时不仅实现了某个任务阶段装备作战效能的评估与比较,也实现了作战任务全过程的装备作战效能的评估与比较。上述基本思路如图2所示。
3基于相近和相似机理的作战效能评估模型,以公式(3)表征的所有装备功能或性能表现为基础求解其具体任务能力指标下的相对贴近度;然后考虑各种任务能力之间的相对重要性,即可以聚合生成各个装备作战效能的相对贴近度。
此时其标准化元素计算模型为
针对该矩阵,基于指标值差异程度的相对贴近度计算步骤如下:
步骤一,确定某任务阶段的加权标准化矩阵。
假设N个功能或性能指标的权重向量为w=(w1,w2,…,wN),通过加权计算得到标准化矩阵F,其算法为
步骤二,确定正理想解和负理想解。
正理想解为
负理想解为
步骤三,计算各评估对象与正理想解和负理想解的欧氏距离。
到正理想解的欧氏距离为
到负理想解的欧氏距离为
步骤四,计算各评估对象与正理想解和负理想解的灰色关联度。
首先针对正理想解,计算第m(m=1,2,…,P)个装备第i个指标元素与对应理想解差值的绝对值为
从而基于邓氏关联度的基本思想,可以求取第m个装备第i个指标元素的灰色关联系数为
式中ξ∈(0,1)为分辨系数,通常取ξ∈0.5。最后继续计算,可以得到第m个装备与正理想解的灰色关联度为
针对负理想解,通过类似的计算,可以求取第m个装备第i个指标元素的灰色关联系数为
步骤五,分别对步骤三确定的欧氏距离和步骤四确定的灰色关联度进行无量纲化处理。
步骤六,聚合无量纲化的欧氏距离和灰色关联度。
和的数值越大,说明第m个装备的作战效能越接近于正理想解;而和的数值越大,说明第m个装备的作战效能越接近于负理想解、越远离于正理想解。因此,在相近机理和相似机理的决策偏好下,记决策者对位置和形状的偏好程度为α,从而可以计算正向综合靶心度为
负向综合靶心度为
正向综合靶心度反映了相近机理和相似机理下第m个装备作战效能与任务需求的接近程度,其值越大,装备作战效能越优;负向综合靶心度反映了相近机理和相似机理下第m个装备作战效能与任务需求的远离程度,其值越大,装备作战效能越劣。
步骤七,计算各评估对象具体任务能力的相对贴近度。
步骤八,计算各评估对象的相对贴近度。
假设p个任务能力指标的权重向量为W=(W1,W2,…,Wp),则有第m个装备的相对贴近度为
相对贴近度tmj基于欧氏距离和灰色关联度,同时反映了评估对象作战效能与任务需求正理想解和负理想解之间的位置关系和数据曲线的相似性差异,对相近机理和相似机理的物理含义更加明确。
步骤九,作战任务全过程各评估对象的综合贴近度。
假设M个任务阶段的权重向量为A=(a1,a2,…,aM),则有作战任务全过程第m个装备的综合贴近度为
步骤十,各评估对象作战效能的优劣排序。
按某个任务阶段的相对贴近度tmj、或者作战任务全过程的综合贴近度tm的大小对各个评估对象的作战效能进行排序,相对贴近度tmj或综合贴近度tm大者作战效能为优,小者作战效能为劣。
4通抗装备作战效能评估算例
超短波地面通信对抗系统的作战任务过程分为战前侦察阶段COR、战前重点侦察阶段CIR、伴随攻击阶段CJA、战斗收尾阶段COE等4个阶段,其作战效能评估指标体系如图3所示,对三部同类型超短波地面通信对抗系统(假设为系统Ⅰ、系统Ⅱ、系统Ⅲ)进行作战效能的评估与验证。
图3中18个底层指标一般通过定性语言或定量数值进行表述,假设经过定性定量转化和极性转换处理后,三个系统、4个阶段、18个指标的数据矩阵如下所示。
上述3个矩阵对应于三个被评估对象系统,矩阵的每一行分别表示不同任务阶段的18个指标数据,每一列分别表示不同评估指标的4个阶段数据。
首先以侦察能力为例进行相关的计算。基于上述三个数据矩阵,侦察能力的正理想解为F1+(1,1,1,1,1),负理想为F1-(0.62,0.62,0.68,0.72,0.78),从而计算三个被评估对象侦察能力到正理想解、负理想解的距离矩阵分别为
矩阵的行表示三个被评估对象,列表示4个任务阶段,本节后续的矩阵含义类似。三个被评估对象侦察能力与正理想解、负理想解的灰色关联度矩阵分别为
此处取决策者的偏好将位置和形状视为同等重要,即α=0.5、1-α=0.5,则可求得三个被评估对象侦察能力的正向综合靶心度矩阵和负向综合靶心度矩阵分别为
从而可以求得三个被评估对象侦察能力基于欧氏距离和灰色关联度的相对贴近度矩阵为
类似地,可以计算得到三个被评估对象测向能力、干扰能力和指控能力基于欧氏距离和灰色关联度的相对贴近度矩阵,并假设侦察能力、测向能力、干扰能力及指控能力之间的权重为(0.3,0.2,0.3,0.2),从而聚合得到三个被评估对象4个阶段的作战效能及其排序如表1所示。
表1三型系统4个阶段的作战效能及排序(β=1)
由表1中数据可以看出,战前侦察阶段的作战效能排序为系统Ⅱ、系统Ⅰ、系统Ⅲ,战前重点侦察阶段的作战效能排序为系统Ⅱ、系统Ⅲ、系统Ⅰ,伴随攻击阶段的作战效能排序为系统Ⅲ、系统Ⅰ、系统Ⅱ,战斗收尾阶段的作战效能排序为系统Ⅰ、系统Ⅲ、系统Ⅱ。对四个阶段取权重为(0.2,0.3,0.4,0.1),得到作战任务全过程的综合贴近度如表中所示,此时装备作战效能排序为系统Ⅲ、系统Ⅱ、系统Ⅰ。
Claims (1)
1.一种基于相近和相似机理的装备作战效能评估方法,其特征是:其步骤如下:
1)作战效能评估的多阶段立体数据描述,武器装备作战效能是指装备在设定条件下完成作战任务时所能发挥有效作用的程度,装备作战效能评估是指将装备置于作战对抗环境中,对其完成规定作战任务的程度进行度量的过程;对装备完成规定作战任务程度的描述,首要的是构建作战效能评估指标体系,这时进行作战效能评估的技术基础,通常采用层次性作战效能评估指标体系;
层次性作战效能指标体系表示装备的功能或性能指标、任务能力指标能从下至上概括反映装备在整个作战过程中的作战效能的行为表现,装备的作战效能指标从上至下在任务能力、功能或性能指标、时间的三个维度上具有行为表现,即在这三个维度上具有属性值;
假设P个同类型装备基于作战效能的评估与比较,对于第m(m=1,2,…,P)个装备下层第q(q=1,2,…,p)个任务能力指标,假设第i(i=1,2,…,N)(N表示第q个任务能力下属的功能或性能指标总数)个功能或性能指标在第j(j=1,2,…,M)个任务阶段(对应于某一个任务周期内t1,t2,…,tM任务阶段)的行为表现参数值描述为则构建装备作战效能评估多阶段立体数据剖面的具体装备的阶段性能表现矩阵为
该矩阵表达了具体装备(即装备m)具体任务能力(即任务能力q)的评估指标值,每一行对应于某一个功能或性能指标的全部任务阶段表现值,每一列对应于某个任务阶段的所有功能或性能指标表现值;
类似地,对于第q(q=1,2,…,p)个任务能力指标第i(i=1,2,…,N)个功能或性能指标,其对应的第m(m=1,2,…,P)个装备在第j(j=1,2,…,M)个任务阶段的行为表现参数值描述为则构建装备作战效能评估多阶段立体数据剖面的具体性能的装备阶段表现矩阵为
该矩阵表达了具体任务能力(即任务能力q)下具体功能或性能指标(即指标i)的评估指标值,每一行对应于某一个装备的全部任务阶段表现值,每一列对应于某个任务阶段的所有装备表现值;
同样地,对于第j(j=1,2,…,M)个任务阶段下第q(q=1,2,…,p)个任务能力指标,其对应的第m(m=1,2,…,P)个装备第i(i=1,2,…,N)个功能或性能指标的行为表现参数值描述为则构建装备作战效能评估多阶段立体数据剖面的所有装备的功能或性能表现矩阵为
该矩阵表达了具体任务阶段(即阶段j)具体任务能力(即任务能力q)下的评估指标值,每一行对应于某一个装备的全部功能或性能指标表现值,每一列对应于某个功能或性能指标的所有装备表现值;该矩阵就是常规作战任务剖面下装备作战效能评估与优选的决策矩阵;
2)基于相近和相似机理的作战效能评估基本原理,由装备作战效能评估的定义,评估的实质就是将装备执行规定作战任务时具备的作战能力与完成规定作战任务所需的作战能力进行符合性度量的过程;这个符合性在度量机理上应该包括两个过程,一个是装备执行规定作战任务时所发挥的每一种作战能力与对应所需作战能力之间的接近程度,一个是装备执行规定作战任务时所发挥的所有作战能力与对应所需所有作战能力之间的整体相关程度;对于作战能力接近程度的度量通常采用距离尺度、灰色关联分析,再基于所有评估对象的最优值构建靶心;
首先将所有评估对象的最优值和最差值分别设置为靶心,计算各个评估对象的作战效能指标数据序列与两个靶心的欧氏距离和灰色关联度,将该欧氏距离和灰色关联度进行加权综合平均得到综合靶心度,将基于最优值靶心的加权综合平均值称为正向综合靶心度,基于最差值靶心的加权综合平均值称为负向综合靶心度;进一步综合正向综合靶心度和负向综合靶心度,得到各个评估对象的相对贴近度;从上述计算过程知,一个任务阶段的相对贴近度和作战任务全过程的综合贴近度均综合了欧氏距离和灰色关联度,同时反映了评估对象与最优值靶心和最差值靶心之间的位置关系和数据曲线的相似性差异,符合作战效能评估的相近性和相似性机理,不仅实现了某个任务阶段装备作战效能的评估与比较,也实现了作战任务全过程的装备作战效能的评估与比较;
3)基于相近和相似机理的作战效能评估模型,以公式(3)表征的所有装备功能或性能表现为基础求解其具体任务能力指标下的相对贴近度;然后考虑各种任务能力之间的相对重要性,即可聚合生成各个装备作战效能的相对贴近度;
此时其标准化元素计算模型为
针对该矩阵,基于指标值差异程度的相对贴近度计算步骤如下:
步骤一,确定某任务阶段的加权标准化矩阵;
假设N个功能或性能指标的权重向量为w=(w1,w2,…,wN),通过加权计算得到标准化矩阵F,其算法为
步骤二,确定正理想解和负理想解;
正理想解为
负理想解为
步骤三,计算各评估对象与正理想解和负理想解的欧氏距离;
到正理想解的欧氏距离为
到负理想解的欧氏距离为
步骤四,计算各评估对象与正理想解和负理想解的灰色关联度;
首先针对正理想解,计算第m(m=1,2,…,P)个装备第i个指标元素与对应理想解差值的绝对值为
从而基于邓氏关联度的基本思想,求取第m个装备第i个指标元素的灰色关联系数为
式中ξ∈(0,1)为分辨系数,通常取ξ=0.5,最后继续计算,得到第m个装备与正理想解的灰色关联度为
针对负理想解,通过类似的计算,求取第m个装备第i个指标元素的灰色关联系数为
步骤五,分别对步骤三确定的欧氏距离和步骤四确定的灰色关联度进行无量纲化处理;
步骤六,聚合无量纲化的欧氏距离和灰色关联度;
和的数值越大,说明第m个装备的作战效能越接近于正理想解;而和的数值越大,说明第m个装备的作战效能越接近于负理想解、越远离于正理想解;因此,在相近机理和相似机理的决策偏好下,记决策者对位置和形状的偏好程度为α,从而计算正向综合靶心度为
负向综合靶心度为
正向综合靶心度反映了相近机理和相似机理下第m个装备作战效能与任务需求的接近程度,其值越大,装备作战效能越优;负向综合靶心度反映了相近机理和相似机理下第m个装备作战效能与任务需求的远离程度,其值越大,装备作战效能越劣,
步骤七,计算各评估对象具体任务能力的相对贴近度,
步骤八,计算各评估对象的相对贴近度;
假设p个任务能力指标的权重向量为w=(W1,W2,…,Wp),则有第m个装备的相对贴近度为
相对贴近度tmj基于欧氏距离和灰色关联度,同时反映了评估对象作战效能与任务需求正理想解和负理想解之间的位置关系和数据曲线的相似性差异,对相近机理和相似机理的物理含义更加明确;
步骤九,作战任务全过程各评估对象的综合贴近度;
假设M个任务阶段的权重向量为A=(a1,a2,…,aM),则有作战任务全过程第m个装备的综合贴近度为
步骤十,各评估对象作战效能的优劣排序;
按一个任务阶段的相对贴近度tmj、或者作战任务全过程的综合贴近度tm的大小对各个评估对象的作战效能进行排序,相对贴近度tmj或综合贴近度tm大者作战效能为优,小者作战效能为劣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121044.6A CN113807721B (zh) | 2021-09-24 | 2021-09-24 | 一种基于相近和相似机理的装备作战效能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121044.6A CN113807721B (zh) | 2021-09-24 | 2021-09-24 | 一种基于相近和相似机理的装备作战效能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807721A true CN113807721A (zh) | 2021-12-17 |
CN113807721B CN113807721B (zh) | 2023-05-30 |
Family
ID=78940303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111121044.6A Active CN113807721B (zh) | 2021-09-24 | 2021-09-24 | 一种基于相近和相似机理的装备作战效能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807721B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676980A (zh) * | 2022-03-03 | 2022-06-28 | 中国人民解放军战略支援部队航天工程大学 | 基于排序等级的装备作战效能一致性综合评估方法 |
CN117875094A (zh) * | 2024-03-13 | 2024-04-12 | 西安航天动力研究所 | 一种发动机仿真模型的精度评估方法、装置以及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020142267A1 (en) * | 2001-04-02 | 2002-10-03 | Perry John S. | Integrated performance simulation system for military weapon systems |
CN105808944A (zh) * | 2016-03-02 | 2016-07-27 | 中国人民解放军装备学院 | 装备效能评估数据的异型矩阵序列显示方法 |
CN105808928A (zh) * | 2016-03-02 | 2016-07-27 | 中国人民解放军装备学院 | 装备系统效能的矩阵序列灰关联评估方法 |
-
2021
- 2021-09-24 CN CN202111121044.6A patent/CN113807721B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020142267A1 (en) * | 2001-04-02 | 2002-10-03 | Perry John S. | Integrated performance simulation system for military weapon systems |
CN105808944A (zh) * | 2016-03-02 | 2016-07-27 | 中国人民解放军装备学院 | 装备效能评估数据的异型矩阵序列显示方法 |
CN105808928A (zh) * | 2016-03-02 | 2016-07-27 | 中国人民解放军装备学院 | 装备系统效能的矩阵序列灰关联评估方法 |
Non-Patent Citations (1)
Title |
---|
王强等: "主要战略方向电子防空体系作战效能评估", 《舰船电子对抗》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676980A (zh) * | 2022-03-03 | 2022-06-28 | 中国人民解放军战略支援部队航天工程大学 | 基于排序等级的装备作战效能一致性综合评估方法 |
CN117875094A (zh) * | 2024-03-13 | 2024-04-12 | 西安航天动力研究所 | 一种发动机仿真模型的精度评估方法、装置以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113807721B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7340440B2 (en) | Hybrid neural network generation system and method | |
CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
CN113807721A (zh) | 一种基于相近和相似机理的装备作战效能评估方法 | |
CN109934358A (zh) | 装备故障预测和健康评估方法、系统及终端设备 | |
CN110348708B (zh) | 一种基于极限学习机的地面目标动态威胁评估方法 | |
CN113673775A (zh) | 基于cnn-lstm及深度学习的时空组合预测方法 | |
CN110298663A (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN113836734B (zh) | 一种基于虚拟理想解的装备作战效能评估方法 | |
CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
CN114912783A (zh) | 基于虚拟理想解和灰关联度的装备作战效能动态评估方法 | |
CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN105844334B (zh) | 一种基于径向基神经网络的温度插值方法 | |
Ehsan et al. | Wind speed prediction and visualization using long short-term memory networks (LSTM) | |
CN112632765A (zh) | 一种加权和法与sem法结合的作战能力评估方法 | |
Dash et al. | A comparative study of radial basis function network with different basis functions for stock trend prediction | |
CN116050547A (zh) | 一种基于自注意力集成学习的起落架性能预测方法 | |
CN117874527A (zh) | 一种多模式数据融合的深度学习预测方法 | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN117312770A (zh) | 基于多层次图特征融合的航空发动机剩余寿命预测方法 | |
CN113837644A (zh) | 基于灰色关联的装备作战效能与贡献率一体化评估方法 | |
CN112184037B (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
Tan et al. | Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm. | |
CN113988163A (zh) | 基于多尺度分组融合卷积的雷达高分辨距离像识别方法 | |
Bishesh | Fuzzy Decision Making: Concept and Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |