CN116307942B - 基于指标影响力演化的联合作战效能评估方法、系统 - Google Patents
基于指标影响力演化的联合作战效能评估方法、系统 Download PDFInfo
- Publication number
- CN116307942B CN116307942B CN202310557955.6A CN202310557955A CN116307942B CN 116307942 B CN116307942 B CN 116307942B CN 202310557955 A CN202310557955 A CN 202310557955A CN 116307942 B CN116307942 B CN 116307942B
- Authority
- CN
- China
- Prior art keywords
- index
- matrix
- influence
- combat
- evaluation
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 93
- 239000011159 matrix material Substances 0.000 claims abstract description 135
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000001364 causal effect Effects 0.000 claims description 13
- 238000013508 migration Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008092 positive effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001131927 Placea Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于指标影响力演化的联合作战效能评估方法、系统，根据联合作战目的、作战流程及作战任务，建立联合作战效能评估指标集；通过作战仿真或作战演练方式采集数据，形成指标值向量；根据联合作战理论和/或经验规则，建立评估指标间的影响矩阵；建立该影响矩阵的矩阵指数，该矩阵指数用于计算极限影响矩阵；构建指标权重计算公式，获得各个指标的指标权重，形成指标权重向量，对该指标值向量与该指标权重向量进行内积计算，获得作战效能评估值。符合实际过程的高度动态演化特性，影响力计算指标赋权更客观，步骤简明清晰，便于编程与实际应用。
Description
技术领域
本发明属于军事运筹学的技术领域，具体涉及一种基于指标影响力演化的联合作战效能评估方法、系统。
背景技术
联合作战是由多军兵种在联合作战指挥机构的统一协调控制下共同实施的作战行动，具有作战力量多元、战场空间多维、指挥控制复杂等特点，是战争形态由机械化战争演变至信息化战争后的最主要作战样式。联合作战效能评估是衡量联合作战行动在特定约束条件下对作战目标实现程度的一种定量化手段，在指挥训练、辅助决策、装备建设、作战研究等领域具有重要实用价值。
普遍认为，联合作战体系是一个复杂巨系统，火力、侦察、指控、防抗、保障等各类要素相互协作，打击、支援、掩护、牵制、协同等各类作战行动相互衔接，能量流、信息流和物质流在战略、战役、战术各层级间穿插交织，整个作战体系在宏观上随时间推进会呈现出耦合、涌现与自组织等系统演化特性，这决定了联合作战效能指标间必然存在错综复杂的关联关系，从而导致大多数线性的、静态的评估方法，如AHP、模糊综合评价、灰色白化权、TOPSIS等，不再适用于联合作战效能评估问题。
目前也存在一些非线性的、动态的评估方法，如深度学习、贝叶斯网络、ANP等。然而，这些方法均存在各自的局限。深度学习需要大量含标注的训练数据，故在数据采集成本较高的作战领域基本不可行。贝叶斯网络能借助先验知识来应对小数据量问题，但无法描述联合作战效能指标间大量存在的反馈性关联关系，即不允许关联关系出现闭环。ANP虽无此限制，但未考虑效能指标间关联影响的并发性与正负性，且步骤繁杂、计算量大，对使用者要求过高。
发明内容
本发明的目的是提供一种基于指标影响力演化的联合作战效能评估方法，通过借鉴项目反应理论，认为指标间因果关联本质上是指标潜在能力的迁移，表现为指标的对外影响力，且指标能力受线性累加与非线性衰减两种动态演化效应的综合作用，使得指标影响力在无限时间尺度上收敛为极限影响矩阵，从而获得指标影响力诱导的指标权重，最终可直接使用加权和法实施作战效能评估。
本发明的技术方案如下：
本发明第一方面公开了一种基于指标影响力演化的联合作战效能评估方法，所述方法包括：
步骤S1，根据联合作战目的、作战流程及作战任务，建立联合作战效能评估指标集，其中/>为第/>项指标，/>为指标个数，所述联合作战效能评估指标集用于评估联合作战中涉及的各种效能指标；
步骤S2，通过作战仿真或作战演练方式采集数据，根据采集数据计算得到指标值向量，其中/>为根据采集数据计算得到的指标值元素，所述指标值向量中的元素与所述联合作战效能评估指标集中的各个指标为一一对应关系；
步骤S3，根据联合作战理论和/或经验规则，判定评估指标间的因果关联关系，建立评估指标间的/>维影响矩阵，该影响矩阵为方阵；
步骤S4，建立所述影响矩阵的矩阵指数，所述矩阵指数用于计算极限影响矩阵，所述极限影响矩阵表征在无限时间尺度上的影响矩阵；
步骤S5，根据所述极限影响矩阵，计算所述联合作战效能评估指标集X中的各个指标的影响力，以各个指标/>的影响力作为参量构建指标权重计算公式，获得各个指标的指标权重，形成指标权重向量，对所述指标值向量与所述指标权重向量进行内积计算，获得作战效能评估值。
优选的，所述效能指标包括：
指控效能X1,由我方指控系统软件有效运行总时间、作战行动总时间和我方指控系统网络有效联通总时间确定；
指控效能X2,由我方装备维修与补充数量以及我方装备损失数量确定；
指控效能X3,由敌方装备被我方侦察数量和敌方装备数量确定；
指控效能X4,由理想条件下我方机动至预定地域时间和我方机动至预定地域实际时间确定；
指控效能X5,由敌方装备被我方毁伤数量和敌方装备数量确定；
指控效能X6,由我方装备被敌方毁伤数量和我方装备数量确定；
指控效能X7,由我方成功处置特情数量和我方遭遇特情数量确定；
指控效能X8,由我方弹药与油料消耗量的总成和我方弹药与油料总量的总成本确定。
优选的，所述维影响矩阵/>，其主对角线元素全为0，而主对角线外的第/>行第/>列元素值/>表示指标/>向指标/>的能力迁移水平，称为影响力，因果影响链条从/>指向/>；
影响力分三种情况：
时表示指标/>对指标/>无影响；
时表示正影响，指标/>将自身能力的一部分迁移至指标/>，即指标的能力提升或降低会引起指标/>的能力提升或降低；
时表示负影响，指标/>将自身能力的一部分迁移出指标/>，即指标的能力提升或降低会引起指标/>的能力降低或提升。
优选的，所述步骤S4中：该计算所述极限影响矩阵的过程包括：
对该影响矩阵进行特征分解，用该影响矩阵的特征值以及特征向量作为参量，构建该影响矩阵的特征分解式；建立该影响矩阵的矩阵指数，该矩阵指数用于计算极限影响矩阵，将该矩阵指数展开成幂级数，结合该影响矩阵的特征分解式，获得用该影响矩阵的特征值以及线性无关的特征向量作为参量表征该极限影响矩阵的数学式，用该数学式计算该极限影响矩阵。
优选的，所述步骤S4具体包括：
首先对矩阵进行特征分解，有：
其中，为正交矩阵，/>为矩阵/>的所有/>个特征值，之后，使用矩阵指数计算/>维极限影响矩阵/>，有下式：
其中为/>维单位阵，极限影响矩阵/>是影响矩阵/>的动态演化结果。
优选的，所述影响矩阵中的元素值涉及五个影响力等级：极弱、弱、中等、强、极强。
优选的，根据所述极限影响矩阵，计算该联合作战效能评指标集中的各个指标的影响力，以各个指标的影响力作为参量构建指标权重计算公式，获得各个指标的指标权重，形成指标权重向量，对该指标值向量与该指标权重向量进行内积计算，获得作战效能评估值。
优选的，对任意指标，计算指标影响力/>为：
其中，代表矩阵/>的第/>行第/>列元素；
指标的权重/>，形成指标权重向量；
使用加权和法得出区间上的作战效能评估值为/>。
作为本发明的另一方面，本发明公开了一种基于指标影响力演化的联合作战效能评估系统，所述系统包括：
第一处理模块，被配置为，根据联合作战目的、作战流程及作战任务，建立联合作战效能评估指标集，其中/>为第/>项指标，/>为指标个数，所述联合作战效能评估指标集用于评估联合作战中涉及的各种效能指标；
第二处理模块，被配置为，通过作战仿真或作战演练方式采集数据，根据采集数据计算得到指标值向量，其中/>为根据采集数据计算得到的指标值元素，所述指标值向量中的元素与所述联合作战效能评估指标集中的各个指标为一一对应关系；
第三处理模块，被配置为，根据联合作战理论和/或经验规则，判定评估指标间的因果关联关系，建立评估指标间的维影响矩阵，该影响矩阵为方阵；
第四处理模块，被配置为，建立所述影响矩阵的矩阵指数，所述矩阵指数用于计算极限影响矩阵，所述极限影响矩阵表征在无限时间尺度上的影响矩阵；
第五处理模块，被配置为，根据所述极限影响矩阵，计算所述联合作战效能评估指标集X中的各个指标的影响力，以各个指标的影响力作为参量构建指标权重计算公式，获得各个指标/>的指标权重，形成指标权重向量，对所述指标值向量与所述指标权重向量进行内积计算，获得作战效能评估值。
作为本发明的另一方面，本发明公开了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，通过执行该计算机程序实现上述方法。
综上，本发明提出的方案具备如下技术效果：第一，本发明的极限影响矩阵是指标影响力在无限时间尺度上连续传播演化的结果，符合联合作战实际过程的高度动态演化特性；第二，本发明根据指标输出的正/负影响力计算指标权重，突出高影响力指标，弱化低影响力指标，有效利用了指标间客观存在的因果关联关系，能为赋权引入更多的客观性；第三，本发明步骤简明清晰，不存在复杂计算，便于编程开发与实际应用。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种基于指标影响力演化的联合作战效能评估方法的流程图；
图2为根据本发明实施例的联合作战效能评估指标的因果关联结构图。
图3为根据本发明实施例的一种基于指标影响力演化的联合作战效能评估系统的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一方面公开了一种基于指标影响力演化的联合作战效能评估方法。图1为根据本发明实施例的一种用于基于指标影响力演化的联合作战效能评估方法的流程图，如图1所示，所述方法包括：
步骤S1，根据联合作战目的、作战流程及作战任务，建立联合作战效能评估指标集，其中/>为第/>项指标，/>为指标个数；
步骤S2，通过作战仿真或作战演练方式采集数据，根据采集数据计算得到指标值向量，其中/>为根据采集数据计算得到的指标值元素，所述指标值向量中的元素与所述联合作战效能评估指标集中的各个指标为一一对应关系；
步骤S3，根据联合作战理论和/或经验规则，判定评估指标间的因果关联关系，建立评估指标间的影响矩阵，该影响矩阵为方阵；
步骤S4，建立该影响矩阵的矩阵指数，该矩阵指数用于计算极限影响矩阵，该极限影响矩阵表征在无限时间尺度上的影响矩阵；
步骤S5，根据该极限影响矩阵，计算该联合作战效能评指标集中的各个指标的影响力，以各个指标的影响力作为参量构建指标权重计算公式，获得各个指标的指标权重，形成指标权重向量，对该指标值向量与该指标权重向量进行内积计算，获得作战效能评估值。
在步骤S1，根据联合作战目的、作战流程及作战任务，建立联合作战效能评估指标集。
具体地，根据联合作战目的、作战流程及作战任务，遵循系统性、完备性、可测性、简明性的原则，梳理形成联合作战效能评估指标集，其中为第/>项指标，/>为指标个数。
实施例中，以一典型联合作战想定为背景，联合作战指挥机构通过领会上级作战意图，定下本级作战任务与作战决心，并会同作战评估人员，共同制定作战效能评估指标，为简单起见，只列出项代表性指标，见表1。
表1
遵循系统性、完备性、可测性、简明性的原则，梳理形成联合作战效能评估指标集，能够形成具有代表性的联合作战效能评估指标，满足评估要求。
在步骤S2，通过作战仿真或作战演练方式采集数据，具体包括：
我方指控系统软件有效运行总时间X11、作战行动总时间X12和我方指控系统网络有效联通总时间X13；
我方装备维修与补充数量X21以及我方装备损失数量X22；
敌方装备被我方侦察数量X31和敌方装备数量X32；
理想条件下我方机动至预定地域时间X41和我方机动至预定地域实际时间X42；该理想条件包括同时在以下条件下：非暗夜、无雨雪、无强风、无道路损毁、无敌方袭扰、无装备故障和无人员减员的条件；
敌方装备被我方毁伤数量X51和敌方装备数量X52；
我方装备被敌方毁伤数量X61和我方装备数量X62；
我方成功处置特情数量X71和我方遭遇特情数量X72；
我方弹药与油料消耗量的总成X81和我方弹药与油料总量的总成本X82。
按照表2的公式计算得到指标值向量，该指标值向量中的元素与该联合作战效能评估指标集中的各个指标为一一对应关系，结果见表1。
表2
在步骤S3，根据联合作战理论和/或经验规则，判定评估指标间的因果关联关系，建立评估指标间的影响矩阵，该影响矩阵为方阵。
在一些实施例中，步骤S3中：该影响矩阵中的元素表示的影响力包括三种类型：无影响、正影响、负影响。
在一些实施例中，该影响矩阵中的元素值涉及五个影响力等级：极弱、弱、中等、强、极强。
具体地，根据联合作战领域理论与经验规则，判定评估指标间的因果关联关系（不考虑统计关联），建立维影响矩阵/>，其主对角线元素全为0，而主对角线外的第/>行第/>列元素值/>表示指标/>向指标/>的能力迁移水平，称为影响力，因果影响链条从/>指向/>。影响力分三种情况：/>时表示指标/>对指标/>无影响；/>时表示正影响，指标/>将自身能力的一部分迁移至指标/>，即指标/>的能力提升（降低）会引起指标/>的能力提升（降低）；/>时表示负影响，指标/>将自身能力的一部分迁移出指标/>，即指标/>的能力提升（降低）会引起指标/>的能力降低（提升）。影响力由军事专家和指挥员共同决定，具体可先判断影响力等级，后参照表2根据影响力正负从相应区间取值。
表3
实施例中，经过联合作战领域专家和指挥机构人员的集中研讨，梳理出指标间因果关联关系及影响力。图2为指标关联关系的图示，显然这是一个复杂的网络拓扑结构，双箭头表示两指标互为因果。由指标间影响力构成的影响矩阵为：
根据联合作战理论和/或经验规则，判定评估指标间的因果关联关系，建立评估指标间的影响矩阵，能够有效利用指标间客观存在的因果关联关系，为赋权引入更多的客观性。
在步骤S4：建立该影响矩阵的矩阵指数，该矩阵指数用于计算极限影响矩阵，该极限影响矩阵表征在无限时间尺度上的影响矩阵。
在一些实施例中，步骤S4中：该计算极限影响矩阵的过程包括：
对该影响矩阵进行特征分解，用该影响矩阵的特征值以及特征向量作为参量，构建该影响矩阵的特征分解式；建立该影响矩阵的矩阵指数，该矩阵指数用于计算极限影响矩阵，将该矩阵指数展开成幂级数，结合该影响矩阵的特征分解式，获得用该影响矩阵的特征值以及线性无关的特征向量作为参量表征该极限影响矩阵的数学式，用该数学式计算该极限影响矩阵。
具体地，首先对矩阵进行特征分解，有：
其中，为正交矩阵，/>为矩阵/>的所有/>个特征值。之后，使用矩阵指数计算/>维极限影响矩阵/>，有下式：
其中为/>维单位阵。极限影响矩阵/>是影响矩阵/>的动态演化结果。
算得极限影响矩阵为：
具体地，极限影响矩阵是指标影响力在无限时间尺度上连续传播演化的结果，符合联合作战实际过程的高度动态演化特性。
在步骤S5，根据该极限影响矩阵，计算该联合作战效能评指标集中的各个指标的影响力，以各个指标的影响力作为参量构建指标权重计算公式，获得各个指标的指标权重，形成指标权重向量，对该指标值向量与该指标权重向量进行内积计算，获得作战效能评估值。
在一些实施例中，首先，对任意指标，计算指标影响力/>为：
，
其中，代表矩阵/>的第/>行第/>列元素。令指标/>的权重/>，形成指标权重向量/>。之后，使用加权和法得出/>区间上的作战效能评估值为。
算得指标权重向量为：
经加权和计算可得联合作战效能评估值为0.762。
本发明第二方面公开了一种基于指标影响力演化的联合作战效能评估系统。图3为根据本发明实施例的一种基于指标影响力演化的联合作战效能评估的系统结构图；如图3所示，所述系统300包括：
第一处理模块301，被配置为，根据联合作战目的、作战流程及作战任务，建立联合作战效能评估指标集，其中/>为第/>项指标，/>为指标个数，所述联合作战效能评估指标集用于评估联合作战中涉及的各种效能指标；
第二处理模块302，被配置为，通过作战仿真或作战演练方式采集数据，根据采集数据计算得到指标值向量，其中/>为根据采集数据计算得到的指标值元素，所述指标值向量中的元素与所述联合作战效能评估指标集中的各个指标为一一对应关系；
第三处理模块303，被配置为，根据联合作战理论和/或经验规则，判定评估指标间的因果关联关系，建立评估指标间的维影响矩阵，该影响矩阵为方阵；
第四处理模块304，被配置为，建立所述影响矩阵的矩阵指数，所述矩阵指数用于计算极限影响矩阵，所述极限影响矩阵表征在无限时间尺度上的影响矩阵；
第五处理模块305，被配置为，根据所述极限影响矩阵，计算所述联合作战效能评估指标集X中的各个指标的影响力，以各个指标的影响力作为参量构建指标权重计算公式，获得各个指标/>的指标权重，形成指标权重向量，对所述指标值向量与所述指标权重向量进行内积计算，获得作战效能评估值。
本发明步骤简明清晰，不存在复杂计算，便于编程开发与实际应用。
Claims (6)
1.一种基于指标影响力演化的联合作战效能评估方法，其特征在于，所述方法包括：
步骤S1，根据联合作战目的、作战流程及作战任务，建立联合作战效能评估指标集，其中/>为第/>项评估指标，/>为指标个数，所述联合作战效能评估指标集用于评估联合作战中涉及的各种效能指标；
步骤S2，通过作战仿真或作战演练方式采集数据，根据采集数据计算得到指标值向量，其中/>为根据采集数据计算得到的指标值元素，所述指标值向量中的元素与所述联合作战效能评估指标集中的各个评估指标为一一对应关系；
步骤S3，根据联合作战理论和/或经验规则，判定评估指标间的因果关联关系，建立评估指标间的/>维影响矩阵/>，该影响矩阵/>为方阵；
所述维影响矩阵/>，其主对角线元素全为0，而主对角线外的第/>行第/>列元素值表示指标/>向指标/>的能力迁移水平，称为影响力，因果影响链条从/>指向/>；
影响力分三种情况：
①时表示指标/>对指标/>无影响；
②时表示正影响，指标/>将自身能力的一部分迁移至指标/>，即指标/>的能力提升或降低会引起指标/>的能力提升或降低；
③时表示负影响，指标/>将自身能力的一部分迁移出指标/>，即指标/>的能力提升或降低会引起指标/>的能力降低或提升；
步骤S4，建立所述影响矩阵的矩阵指数，所述矩阵指数用于计算极限影响矩阵，对该影响矩阵进行特征分解，用该影响矩阵的特征值以及特征向量作为参量，构建该影响矩阵的特征分解式；建立该影响矩阵的矩阵指数，该矩阵指数用于计算极限影响矩阵，将该矩阵指数展开成幂级数，结合该影响矩阵的特征分解式，获得用该影响矩阵的特征值以及线性无关的特征向量作为参量表征该极限影响矩阵的数学式，用该数学式计算维极限影响矩阵/>，所述极限影响矩阵表征在无限时间尺度上的影响矩阵；
步骤S5，根据所述极限影响矩阵，计算所述联合作战效能评估指标集X中的各个评估指标的影响力，以各个评估指标/>的影响力作为参量构建指标权重计算公式，获得各个评估指标的指标权重，形成指标权重向量，对所述指标值向量与所述指标权重向量进行内积计算，获得作战效能评估值，具体包括：对任意评估指标/>，计算指标影响力/>为：,
其中，代表极限影响矩阵/>的第/>行第/>列元素；
评估指标的权重/>，形成指标权重向量/>；使用加权和法得出/>区间上的作战效能评估值为/>。
2.根据权利要求1所述的一种基于指标影响力演化的联合作战效能评估方法，其特征在于，所述效能指标包括：
指控效能X 1,由我方指控系统软件有效运行总时间、作战行动总时间和我方指控系统网络有效联通总时间确定；
指控效能X 2,由我方装备维修与补充数量以及我方装备损失数量确定；
指控效能X 3,由敌方装备被我方侦察数量和敌方装备数量确定；
指控效能X 4,由理想条件下我方机动至预定地域时间和我方机动至预定地域实际时间确定；
指控效能X 5,由敌方装备被我方毁伤数量和敌方装备数量确定；
指控效能X 6,由我方装备被敌方毁伤数量和我方装备数量确定；
指控效能X 7,由我方成功处置特情数量和我方遭遇特情数量确定；
指控效能X 8,由我方弹药与油料消耗量的总成和我方弹药与油料总量的总成本确定。
3.根据权利要求2所述的一种基于指标影响力演化的联合作战效能评估方法，所述步骤S4具体包括：
首先对维矩阵/>进行特征分解，具体包括：/>,
其中，为正交矩阵，/>为矩阵/>的所有/>个特征值，之后，使用矩阵指数计算/>维极限影响矩阵/>，具体包括：
，
其中为/>维单位阵，极限影响矩阵/>是影响矩阵/>的动态演化结果。
4.根据权利要求3所述的一种基于指标影响力演化的联合作战效能评估方法，所述影响矩阵中的元素值根据数值区间，划分为五个影响力等级：极弱、弱、中等、强、极强。
5.一种基于指标影响力演化的联合作战效能评估系统，其特征在于，所述系统包括：评估第一处理模块，被配置为，根据联合作战目的、作战流程及作战任务，建立联合作战效能评估指标集，其中/>为第/>项指标，/>为指标个数，所述联合作战效能评估指标集用于评估联合作战中涉及的各种效能指标；
第二处理模块，被配置为，通过作战仿真或作战演练方式采集数据，根据采集数据计算得到指标值向量，其中/>为根据采集数据计算得到的指标值元素，所述指标值向量中的元素与所述联合作战效能评估指标集中的各个评估指标为一一对应关系；
第三处理模块，被配置为，根据联合作战理论和/或经验规则，判定评估指标间的因果关联关系，建立评估指标间的维影响矩阵/>，该影响矩阵/>为方阵；
所述维影响矩阵/>，其主对角线元素全为0，而主对角线外的第/>行第/>列元素值表示指标/>向指标/>的能力迁移水平，称为影响力，因果影响链条从/>指向/>；
影响力分三种情况：
①时表示指标/>对指标/>无影响；
②时表示正影响，指标/>将自身能力的一部分迁移至指标/>，即指标/>的能力提升或降低会引起指标/>的能力提升或降低；
③时表示负影响，指标/>将自身能力的一部分迁移出指标/>，即指标/>的能力提升或降低会引起指标/>的能力降低或提升；
第四处理模块，被配置为，建立所述影响矩阵的矩阵指数，所述矩阵指数用于计算极限影响矩阵，对该影响矩阵进行特征分解，用该影响矩阵的特征值以及特征向量作为参量，构建该影响矩阵的特征分解式；建立该影响矩阵的矩阵指数，该矩阵指数用于计算极限影响矩阵，将该矩阵指数展开成幂级数，结合该影响矩阵的特征分解式，获得用该影响矩阵的特征值以及线性无关的特征向量作为参量表征该极限影响矩阵的数学式，用该数学式计算维极限影响矩阵/>，所述极限影响矩阵表征在无限时间尺度上的影响矩阵；
第五处理模块，被配置为，根据所述极限影响矩阵，计算所述联合作战效能评估指标集X中的各个评估指标的影响力，以各个评估指标的影响力作为参量构建指标权重计算公式，获得各个评估指标/>的指标权重，形成指标权重向量，对所述指标值向量与所述指标权重向量进行内积计算，获得作战效能评估值，具体包括：
对任意评估指标，计算指标影响力/>为：/>，
其中，代表极限影响矩阵/>的第/>行第/>列元素；
评估指标的权重/>，形成指标权重向量/>；使用加权和法得出/>区间上的作战效能评估值为/>。
6.一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，其特征在于，通过执行该计算机程序实现如权利要求1-4之一的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310557955.6A CN116307942B (zh) | 2023-05-18 | 2023-05-18 | 基于指标影响力演化的联合作战效能评估方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310557955.6A CN116307942B (zh) | 2023-05-18 | 2023-05-18 | 基于指标影响力演化的联合作战效能评估方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116307942A CN116307942A (zh) | 2023-06-23 |
| CN116307942B true CN116307942B (zh) | 2023-08-25 |
Family
ID=86826164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310557955.6A Active CN116307942B (zh) | 2023-05-18 | 2023-05-18 | 基于指标影响力演化的联合作战效能评估方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307942B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104781836A (zh) * | 2012-11-20 | 2015-07-15 | 高通股份有限公司 | 分段线性神经元建模 |
| CN108805430A (zh) * | 2018-05-30 | 2018-11-13 | 北京航空航天大学 | 一种防空反导体系作战能力评估方法与装置 |
| CN111429023A (zh) * | 2020-04-09 | 2020-07-17 | 同济大学 | 一种磁浮交通高安全系统风险指标重要性的评估方法 |
| CN111652475A (zh) * | 2020-05-12 | 2020-09-11 | 北京华如科技股份有限公司 | 联合作战体系作战能力多层次分析评估方法以及存储介质 |
| CN115936533A (zh) * | 2023-01-09 | 2023-04-07 | 中国人民解放军96901部队21分队 | 一种作战效能评估方法与系统 |
-
2023
- 2023-05-18 CN CN202310557955.6A patent/CN116307942B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104781836A (zh) * | 2012-11-20 | 2015-07-15 | 高通股份有限公司 | 分段线性神经元建模 |
| CN108805430A (zh) * | 2018-05-30 | 2018-11-13 | 北京航空航天大学 | 一种防空反导体系作战能力评估方法与装置 |
| CN111429023A (zh) * | 2020-04-09 | 2020-07-17 | 同济大学 | 一种磁浮交通高安全系统风险指标重要性的评估方法 |
| CN111652475A (zh) * | 2020-05-12 | 2020-09-11 | 北京华如科技股份有限公司 | 联合作战体系作战能力多层次分析评估方法以及存储介质 |
| CN115936533A (zh) * | 2023-01-09 | 2023-04-07 | 中国人民解放军96901部队21分队 | 一种作战效能评估方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 何新华 等.基于影响矩阵的作战能力评估指标相关性研究.四川兵工学报.2014,第35卷(第5期),第1-3页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116307942A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Chaos-induced and mutation-driven schemes boosting salp chains-inspired optimizers | |
| Wang et al. | Balancing risk and cost in fuzzy economic dispatch including wind power penetration based on particle swarm optimization | |
| CN108108875A (zh) | 一种基于合作博弈法和梯形云模型的配电网运行状态模糊综合评价方法 | |
| CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
| CN103440370A (zh) | 一种输变电工程造价评估方法及装置 | |
| CN114358141A (zh) | 一种面向多作战单元协同决策的多智能体增强学习方法 | |
| CN107919983B (zh) | 一种基于数据挖掘的天基信息网络效能评估系统及方法 | |
| CN112086958A (zh) | 一种基于多步回溯强化学习算法的输电网扩展规划方法 | |
| CN114004065A (zh) | 基于智能算法和环境约束下的变电站工程多目标优化方法 | |
| Yao et al. | An improved feed-forward neural network based on UKF and strong tracking filtering to establish energy consumption model for aluminum electrolysis process | |
| CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN113850516A (zh) | 基于t-s模糊神经网络的水质评价方法 | |
| CN117220264A (zh) | 一种基于神经网络学习算法的电网优化调度方法和系统 | |
| CN118192472A (zh) | 一种柔性作业车间调度问题的改进星雀优化方法 | |
| CN116307942B (zh) | 基于指标影响力演化的联合作战效能评估方法、系统 | |
| Zhu et al. | Improved Harris hawks optimization algorithm based on quantum correction and Nelder-Mead simplex method | |
| CN108108837A (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
| Ouyang et al. | Compound improved Harris hawks optimization for global and engineering optimization | |
| CN115936533A (zh) | 一种作战效能评估方法与系统 | |
| Mollaiy-Berneti | Developing energy forecasting model using hybrid artificial intelligence method | |
| Xu et al. | Optimal harvesting of a fuzzy water hyacinth-fish model with Kuznets curve effect | |
| CN105046594A (zh) | 一种用户能源综合效益评价的平衡计分卡方法 | |
| CN105487523A (zh) | 一种自动电压控制系统的控制策略评估方法 | |
| Ji et al. | An Active Learning based Latency Prediction Approach for Neural Network Architecture | |
| CN110728435A (zh) | 一种城市土地利用系统健康评价方法 |
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 |