我要投搞

标签云

收藏小站

爱尚经典语录、名言、句子、散文、日志、唯美图片

当前位置:娱网棋牌 > 火力打击能力 >

基于随机时间影响网络的联合火力打击方案优化问题研究pdf

归档日期:07-10       文本归类:火力打击能力      文章编辑:爱尚语录

  1.本站不保证该用户上传的文档完整性,不预览、不比对内容而直接下载产生的反悔问题本站不予受理。

  分类号 E926 学号 07059021 UDC 密级 公开 军事学博士学位论文 基于随机时间影响网络的联合火力打击方案 优化问题研究 博士生姓名 朱延广 学 科 专 业 军事装备学 研 究 方 向 装备体系论证与仿真评估 指 导 教 师 朱一凡 教授 国防科学技术大学研究生院 二〇一一年六月 论文书脊 究 研 题 问 化 优 案 方 击 打 力 火 合 联 的 络 网 响 影 间 时 机 随 于 基 院 生 究 研 学 大 术 技 学 科 防 国 Study on Joint Fire Strike Plan Optimization Problem based on Stochastic Timed Influence Net Candidate: Zhu Yan-Guang Supervisor:Prof. Zhu Yi-Fan A dissertation Submitted in partial fulfillment of the requirements for the degree of Doctor of Military in Military Equipment Research Graduate School of National University of Defense Technology Changsha,Hunan,P.R.China June ,2011 国防科学技术大学研究生院博士学位论文 目 录 摘 要 i Abstract iii 第一章 绪论 1 1.1 论文的研究背景和问题提出 1 1.1.1 联合火力打击方案优化问题 1 1.1.2 论文研究问题提出 3 1.2 相关领域研究现状综述与分析 5 1.2.1 作战方案优化问题建模方法 5 1.2.2 影响网络及其相关模型的时间特征演化 8 1.2.3 约束优化问题的进化算法求解 12 1.2.4 研究现状总结和分析 18 1.3 论文的研究边界和研究目标 19 1.3.1 论文的研究边界 19 1.3.2 论文的研究目标 20 1.4 论文的研究内容和创新点 21 1.4.1 论文的研究内容与结构安排 21 1.4.2 论文的创新点 23 第二章 联合火力打击方案优化问题建模和求解框架 25 2.1 联合火力打击方案优化问题建模 25 2.1.1 基本概念定义 25 2.1.2 优化变量定义 26 2.1.3 约束条件定义 27 2.1.4 目标函数定义 30 2.1.5 优化问题的数学描述模型 31 2.2 基于随机时间影响网络的联合火力打击方案优化框架 32 2.2.1 随机时间影响网络建模方法的提出 32 2.2.2 联合火力打击方案优化框架的逻辑流程 36 2.3 优化框架的理论基础和关键技术 38 2.3.1 随机时间影响网络的建模理论和运行机制 38 2.3.2 基于随机时间影响网络的优化目标函数建模技术 39 第 I 页 国防科学技术大学研究生院博士学位论文 2.3.3 基于协同可变解空间进化算法的优化问题求解技术 40 2.4 本章小结 41 第三章 支持动态不确定复杂因果影响关系建模的随机时间影响网络研究 42 3.1 随机时间影响网络的数学模型定义 42 3.1.1 关键参数定义 42 3.1.2 数学描述模型 43 3.2 随机时间影响网络的参数学习算法 45 3.2.1 随机时间影响网络参数学习的样本结构 45 3.2.2 随机时间延迟对应的概率分布参数学习 46 3.2.3 效果节点对应的条件概率分布参数学习 47 3.3 随机时间影响网络的概率传播算法 48 3.3.1 概率传播算法的设计思路 48 3.3.2 概率传播算法的伪代码描述 49 3.3.3 概率传播算法的核心计算方法 50 3.3.4 测试算例 54 3.4 随机时间影响网络的因果追溯算法 56 3.4.1 因果追溯算法的设计思路 56 3.4.2 因果追溯算法的伪代码描述 57 3.4.3 基于灵敏度的因果追溯分析方法 57 3.4.4 测试算例 60 3.5 本章小结 62 第四章 基于随机时间影响网络的联合火力打击方案优化目标函数建模 63 4.1 支持联合火力打击方案优化的随机时间影响网络建模 63 4.1.1 联合火力打击使命目标达成效果的产生机理 63 4.1.2 随机时间影响网络建模的主要步骤 65 4.1.3 随机时间影响网络的参数确定方法 68 4.2 基于随机时间影响网络的联合火力打击方案评估指标体系 73 4.2.1 统计性分析指标 73 4.2.2 置信性分析指标 74 4.2.3 不确定性分析指标 76 4.3 联合火力打击方案优化目标函数的效用函数建模 77 4.3.1 效用函数相关概念 77 4.3.2 优化目标函数建模 79 4.4 本章小结 81 第 II 页 国防科学技术大学研究生院博士学位论文 第五章 基于协同可变解空间进化算法的联合火力打击方案优化问题求解 82 5.1 协同可变解空间进化算法的提出 82 5.1.1 优化问题的复杂性分析 82 5.1.2 约束进化算法比较分析 83 5.2 基于两级分解优化的协同可变解空间进化算法设计 84 5.2.1 协同可变解空间进化算法的设计思路 84 5.2.2 协同可变解空间进化算法的计算流程 89 5.3 基于布尔约束求解的可变解空间遗传算法设计 90 5.3.1 布尔约束优化问题的可行解空间压缩和变换方法 90 5.3.2 可变解空间遗传算法的进化机制设计 92 5.3.3 可变解空间遗传算法的计算流程 96 5.4 基于时间约束求解的可变解空间贝叶斯优化算法设计 96 5.4.1 时间约束优化问题的可行解空间压缩和变换方法 96 5.4.2 可变解空间贝叶斯优化算法的进化机制设计 100 5.4.3 可变解空间贝叶斯优化算法的计算流程 107 5.5 本章小结 108 第六章 联合火力打击方案优化系统设计与联合火力打击夺取制空权应用 109 6.1 联合火力打击方案优化系统总体设计 109 6.1.1 系统功能需求分析 109 6.1.2 系统总体结构设计 110 6.1.3 系统运行流程设计 112 6.2 常规导弹和作战飞机联合火力打击夺取制空权应用 113 6.2.1 优化问题背景 113 6.2.2 优化问题分析 114 6.2.3 优化问题建模 118 6.2.4 优化问题求解 124 6.2.5 优化结果分析 127 6.3 本章小结 134 第七章 结束语 135 7.1 论文的主要贡献 135 7.2 下一步研究展望 136 致 谢 138 参考文献 140 第 III 页 国防科学技术大学研究生院博士学位论文 作者在学期间取得的成果 153 附录A 惩罚函数设计 156 附录 B 优化计算结果 159 附录 C 联合火力打击夺取制空权的随机时间影响网络模型参数配置 161 第 IV 页 国防科学技术大学研究生院博士学位论文 表 目 录 表 3.1 随机时间影响网络的概率传播算法描述 50 表 3.2 效果节点 D 和 E 的随机信度序列表 55 表 3.3 因果影响链路遍历算法的伪代码描述 57 表 3.4 效果节点 E 的因果影响链路集合表 60 表 3.5 效果节点 E 在时刻 8 的因果影响链路表 61 表 5.1 可变解空间遗传算法的初始种群生成算法 93 表 5.2 轮盘选择法的选择概率计算 94 表 5.3 可变解空间遗传算法的非可行解转化算法 95 表 5.4 极小时间网络生成算法 98 表 5.5 可变解空间贝叶斯优化算法的初始贝叶斯网络构建算法 101 表 5.6 可变解空间贝叶斯优化算法的可行解生成算法 103 表 5.7 可变解空间贝叶斯优化算法的可行解鲁棒性检验算法 105 表 5.8 可变解空间贝叶斯优化算法的贝叶斯网络参数学习算法 I 106 表 5.9 可变解空间贝叶斯优化算法的贝叶斯网络参数学习算法 II 107 表 6.1 计划投入的火力资源列表 114 表 6.2 潜在的打击目标列表 115 表 6.3 可行的火力打击任务列表 116 表 6.4 可行火力打击任务的开始时间取值范围列表 117 表 6.5 优化问题求解方案表 125 表 6.6 最优方案对应的综合评估指标表 126 表 6.7 不同风险系数条件下的最优方案表 126 表 6.8 基于因果追溯分析修正后的时间约束优化问题表 133 表 6.9 修正后最优方案对应的综合评估指标表 133 表 6.10 修正后的最优方案表 133 表 A.1 布尔约束转换为数值约束的规则表 156 表 B.1 风险系数为 0.10 条件下基于约束求解的最优方案表 159 表 B.2 风险系数为 0.10 条件下基于惩罚函数的最优方案表 159 表 B.3 风险系数为 0.15 条件下基于约束求解的最优方案表 159 表 B.4 风险系数为 0.15 条件下基于惩罚函数的最优方案表 160 表 B.5 风险系数为 0.20 条件下基于约束求解的最优方案表 160 表 B.6 风险系数为 0.20 条件下基于惩罚函数的最优方案表 160 表 C.1 联合火力打击夺取制空权的随机时间影响网络模型参数配置表 161 第 V 页 国防科学技术大学研究生院博士学位论文 图 目 录 图 1.1 论文研究问题的提出思路 4 图 1.2 影响网络示例 9 图 1.3 时间影响网络示例 9 图 1.4 动态影响网络示例 10 图 1.5 触发时间影响网络示例 11 图 1.6 动态影响图示例 12 图 1.7 联合火力打击方案优化问题的研究边界图 19 图 1.8 论文结构图 22 图2.1 概率网络在优化目标函数计算中的作用 30 图2.2 基于随机时间影响网络的优化框架逻辑流程 37 图2.3 随机时间影响网络的相关理论方法研究 38 图2.4 基于随机时间影响网络的优化目标函数建模方法研究 39 图2.5 基于协同进化结合约束求解的约束优化算法研究 40 图3.1 随机时间影响网络示例 44 图3.2 数据样本的加权有向图描述示例 46 图3.3 基本随机时间影响网络示例 48 图3.4 概率传播算法的基本过程 49 图3.5 叶节点随机信度序列的求解过程 51 图4.1 联合火力各层级打击效果之间的关系 63 图4.2 随机时间影响网络建模的主要步骤 65 图4.3 获取可变影响强度的信念图 70 图4.4 获取先验概率和基准概率的信念图 71 图4.5 基于随机时间影响网络的联合火力打击方案评估指标体系 73 图5.1 遗传算法和贝叶斯优化算法的协同机制 88 图5.2 协同可变解空间进化算法的基本计算流程 89 图5.3 轮盘选择法 94 图5.4 基于布尔约束求解的可变解空间遗传算法计算流程 96 图5.5 基于时间约束求解的可变解空间贝叶斯优化算法计算流程 108 图6.1 联合火力打击方案优化系统的逻辑体系结构 110 图6.2 联合火力打击方案优化系统的软件总体结构 111 图6.3 联合火力打击方案优化系统的运行流程设计 112 图6.4 丧失制空权的影响因素图 114 第 VI 页 国防科学技术大学研究生院博士学位论文 图6.5 描述联合火力打击夺取制空权的随机时间影响网络界面………….…… 119 图6.6 可控节点和效果节点的描述信息界面 120 图6.7 节点间定量影响关系的描述信息界面 120 图6.8 指定时刻的置信信度指标参数配置界面 121 图6.9 置信性分析指标参数配置界面 121 图6.10 评估分析指标参数配置文件 122 图6.11 资源约束配置界面 122 图6.12 时间约束配置界面 123 图6.13 行为约束配置界面 124 图6.14 协同进化算法配置和运行界面 125 图6.15 不同约束处理技术的优化计算过程图 127 图6.16 不同约束处理技术的优化计算对比图 128 图6.17 约束求解技术不同参数的优化计算过程图 129 图6.18 约束求解技术不同参数的优化计算对比图 129 图6.19 风险系数为 0.10 时最优方案对应的期望信度序列图 130 图6.20 风险系数为 0.10 时最优方案对应的 0.85~置信信度序列图 131 图6.21 风险系数为 0.10 时最优方案对应的信度熵序列图 131 图6.22 使命目标达成效果节点因果追溯结果图 132 图6.23 基于因果追溯分析修正后的最优方案对比图 134 图C.1 联合火力打击方案优化问题 XML 配置文件结构图 161 第 VII 页 国防科学技术大学研究生院博士学位论文 摘 要 军事装备是组织作战的物质基础,联合火力打击的物质基础是嵌入大量信息 技术特别是电子技术和计算机技术的信息化军事装备。联合火力打击的突出特点 是多军兵种依托指挥信息系统实现“多维一体、高度融合”,以火力毁伤的整体 效果达成作战目标。联合火力打击方案优化是周密火力计划的关键环节,优化目 标是确定最优的打击目标选择、火力资源分配和火力运用时机等。 由于战场环境的复杂性,联合火力打击方案与打击效果间通常存在动态不确 定的复杂因果影响关系。利用传统的解析模型和仿真优化方法求解这类问题时存 在因果建模能力不足和运行效率低下的问题。当前作战方案优化问题研究中新兴 的概率网络具有很强的因果影响关系建模能力和较高的运行效率,但是依然不能 充分地满足打击方案与打击效果间复杂因果影响关系建模的需要,为此本文引入 随机序列构造一种改进的概率网络模型——随机时间影响网络,建立基于随机时 间影响网络的联合火力打击方案优化框架,期望在一定程度上解决联合火力打击 方案优化问题,提高联合火力打击周密计划的效率与水平,最终达到指导战争实 践的目的。论文的主要研究内容和成果可以概括为以下五个方面: (1)建立联合火力打击方案优化问题的数学模型和求解框架。 论文定义了联合火力打击方案优化问题的相关概念,对优化问题的关键要素 进行了数学描述,将其抽象为一个优化目标函数非解析表达、布尔型和整型优化 变量异构耦合、逻辑型和数值型约束条件混合的约束优化问题。优化目标函数建 模是联合火力打击方案优化问题建模的核心,通过对联合火力打击方案与打击效 果间复杂因果影响关系的建模需求分析,提出了基于随机时间影响网络的优化目 标函数建模思路,在此基础上建立了联合火力打击方案优化框架,系统地设计了 优化框架的逻辑流程。从优化问题建模和求解两个角度提炼出支撑优化框架有效 运行的理论基础——随机时间影响网络建模理论,以及两个关键技术:基于随机 时间影响网络的优化目标函数建模技术和基于协同可变解空间进化算法的优化问 题求解技术,阐述了这些理论方法和关键技术的研究内容和思路。 (2 )提出支持动态不确定复杂因果影响关系建模的随机时间影响网络。 联合火力打击的武器装备由于受到自然条件、敌方的拦截、干扰等战场环境 中的随机性因素影响,致使打击效果以及打击效果产生的时间延迟往往具有随机 不确定性。传统的时间影响网络由于确定性时间延迟假设的限制,难以描述这些 随机性时间延迟。为此论文借鉴时间影响网络的标准数学描述模型,通过引入随 机时间延迟、可变影响强度以及随机信度序列三种模型参数,构造一种随机时间 影响网络模型,使之能够有效地支持具有随机性时间延迟的动态不确定因果影响 第 i 页 国防科学技术大学研究生院博士学位论文 关系建模。参考相关领域的研究成果,论文深入研究了随机时间影响网络的参数 学习算法、概率传播算法、因果追溯算法,并且通过测试案例对概率传播算法和 因果追溯算法的有效性分别进行了验证。 (3 )基于随机时间影响网络建立联合火力打击方案优化目标函数模型。 优化目标函数建模是联合火力打击方案优化问题建模的核心,建模基础是构 建联合火力打击方案与打击效果间的随机时间影响网络模型。论文研究了支持联 合火力打击方案优化的随机时间影响网络建模方法,深入研究了模型参数的获取 方法。基于描述打击效果的随机信度序列的数学特征和物理含义,构建了支持统 计性分析、置信性分析和不确定性分析的作战方案评估指标体系,并且给出了相 关指标的基本概念和计算方法。基于联合火力打击方案评估指标体系,利用多属 性效用函数建立了优化目标函数的数学描述模型。 (4 )提出协同可变解空间进化算法对联合火力打击方案优化问题求解。 论文采用两级分解优化思想,将联合火力打击优化问题分解为布尔约束和时 间约束优化问题进行协同求解,提出协同可变解空间进化算法。求解布尔约束和 时间约束优化问题时均需要处理大量的约束条件,利用约束求解技术既能通过剔 除大量非可行解来压缩可行解空间,又能通过对约束条件进行变换得到具有良好 数学特征的可行解空间。本文利用布尔约束求解技术将布尔约束优化问题的约束 条件等价地转换为析取范式表示的布尔函数约束,提出基于二进制编码的遗传算 法求解布尔约束优化问题;利用时间约束求解技术将时间约束优化问题的约束条 件等价地转换为贝叶斯网络表示的全概率函数约束,提出基于整数编码的贝叶斯 优化算法求解时间约束优化问题。 (5 )设计并且实现联合火力打击方案优化系统的软件原型。 联合火力打击方案优化系统具有以下功能:随机时间影响网络建模和概率传 播计算功能;联合火力打击方案优化问题数学建模功能;协同进化算法配置和调 度执行功能;优化结果可视化展示与因果追溯分析功能;联合火力打击方案优化 项目管理功能。最后通过一个常规导弹和作战飞机联合火力打击夺取制空权应用 案例,利用该软件系统演示并且验证了基于随机时间影响网络的联合火力打击方 案优化方法的可行性和有效性。 关键词:联合火力打击;联合火力打击方案优化;概率网络;随机时间影响 网络;协同可变解空间进化算法;约束求解技术 第 ii 页 国防科学技术大学研究生院博士学位论文 Abstract Equipments are the physical foundation of military operation. The physical foundation of Joint Fire Strike (JFS) is the information-based equipments that embed many information technologies especially electronics and computer. The primary characteristic of JFS is that multi-strike forces enable to accomplish “multidimensional integration and compact cooperation” based on C4ISR, which enable JFS to achieve the overall effectiveness. The key process of Joint Fire Strike Planning is the decision of optimal Joint Fire Strike Plan, which includes target selection, fire resource assignment and executing time, and so on. Because of the complexity of situation, Joint Fire Strike Plan Optimization Problem (JFSPOP) contains many dynamic and uncertain complex causal relationships between course of action and effect. Traditional methods such as analytic model and simulation optimization are lack of causal modeling and efficient execution, which are all incapable to solve the JFSPOP. Therefore we propose Possibility Networks (PNs) to solve JFSPOP. However, the traditional PNs cannot fully describe those complex causal relationships, thus we propose Stochastic Timed Influence Nets (STINs) based on PNs combination of stochastic sequence, and then a methodology based on STINs is present to support JFSPOP that enhance the efficiency of planning, and finally guide the warfare. The main work and innovation of this thesis include: (1) The basic mathematic model for JFSPOP and the general solving framework are presented. The concepts relevant to JFSPOP are defined and the mathematical model of JFSPOP is established. JFSPOP is a constraint optimization problem with unobvious optimal object and heterogeneous variable coupling that comprises logistic and numerical constraints. Aiming at the needs of PNs used to model complex and dynamic causal relationship within object function of JFSPOP, a novel JFSPOP solving framework based on the STINs is proposed. This framework should provide the methodology guide for JFSPOP and promote the improvement of efficiency and quality of planning. The methodology is making up of a basic theory named STINs referenced above and tow techniques. The techniques include the object function modeling based on STINs and the optimal solution finding based on Collaboration Evolution Algorithm with Alterable Solution Space (CEA-ASS). Finally, the main research approach of the methodology above is addressed. (2) The effect and delay of operation are usually uncertain for that are subject to status of the nature condition or the aerial defense of enemy etc. Timed Influence Nets (TINs) are a powerful formalism used to model uncertain causal relationship. However, TINs did not meet all requirement of this thesis due to the potential assumption about constant delay. Aiming at the needs of causal modeling, STINs are presented to enhance 第 iii 页 国防科学技术大学研究生院博士学位论文 TINs formalism by relaxing the constant delay assumption, which are used to model dynamic uncertain causal relationship holding stochastic delay. Three key parameters are introduced in STINs that include stochastic delay, delay-varying influences and stochastic belief sequence, and then STINs are formalized mathematically. The basic approach of STINs is addressed based on relational method, which includes parameter learning algorithm, probability propagation algorithm and causal tracing algorithm. Finally, an example is presented to illustrate the feasibility of probability propagation algorithm and causal tracing algorithm. (3) The modeling of object function is the hard core of JFSPOP, the principal work of which is STINs modeling that is enabled to describe the causal relationship among tasks and effects. Firstly, a common process used to model STINs is addressed for supporting JFSPOP, in which the approach capturing parameters of STINs is studied in detail. Then the criterions of alternative assessment are presented based on the character and concept of stochastic belief sequence, which support statistical, confidence and uncertain analysis. Further, the meanings and algorithms of these criterions are explained in full. Finally, the object function of JFSAOP is formalized mathematically based on multi-attribute utility function. (4) Aiming at the needs of solving JFSPOP, a novel CEA-ASS is presented to find the optimal solution of JFSPOP based on the idea of two-level decomposable optimization, in which the constraints of JFSPOP are treated with constraint programming technique. The JFSPOP can be transformed into Static Constraint Optimization Problem (BCOP) and Temporal Constraint Optimization Problem (TCOP) easily. The basic collaboration mechanism of CEA-ASS is solving BCOP and TCOP alternately, the validity of which is proved mathematically. Finally, a novel Genetic Algorithm with binary code based on Boolean constraint programming is addressed for solving BCOP, which translate solution space into Boolean function constraint expressed by Disjunctive Normal Form. A novel Bayesian Optimization Algorithm with integral code based on temporal constraint programming is also addressed for solving TCOP, which translates solution space into full probability function constraint expressed by Bayesian Network. (5) Aiming at the needs of application, a prototype system is achieved based on the methodology mentioned above. The process of the proposed methodology is given and the validity is proven with a case study of aircraft and missile joint strike against aerial dominance. Key words :Joint Fire Strike ,Joint Fire Strike Plan Optimization ,Probability Networks,Stochastic Timed Influence Nets ,Collaboration Evolution Algorithm with Alterable Solution Space ,Constraint Programming 第 iv 页 国防科学技术大学研究生院博士学位论文 第一章 绪论 1.1 论文的研究背景和问题提出 1.1.1 联合火力打击方案优化问题 军事装备作为战争的物质基础,是构成军队及其战斗力的基本要素,对战争 [1] 的胜败有着至关重要的作用 。高新军事装备的运用使得多军兵种联合火力打击成 为可能,联合火力打击是联合作战的一种重要作战样式,主要通过综合运用中远 程火力对敌方重要目标实施打击,破坏其作战结构,削弱其战争潜力,瓦解其抵 [2] 抗意志,以火力毁伤的整体效果直接达成联合作战的使命目标 。 联合火力打击实施的基础是周密火力计划制定,周密火力计划制定的前提是 联合火力打击方案决策[2][3] 。联合火力打击方案是指为达成使命目标,多军兵种火 力资源对打击目标进行选择、分配以及根据特定的时空关系遂行火力打击任务的 作战方案,描述为一系列火力打击任务按照时序关系组成的任务序列。联合火力 打击方案优化问题是指根据打击目标的特点、火力资源的打击能力和支援关系确 定最优的火力打击任务序列,是一类典型的军事装备运用问题。 联合火力打击方案优化的主要难点是优化问题建模和求解的复杂性。 联合火力打击方案优化问题的建模复杂性 优化问题的建模复杂性主要是指优化目标函数的建模复杂性,这种复杂性是 由联合火力打击方案和打击效果间复杂的因果影响关系引起的。这些复杂的因果 影响关系主要表现在以下三个方面: (1)因果影响关系具有多样性和层次性 联合火力打击的火力资源和打击目标纷繁复杂,使得直接打击效果和间接打 击效果间的因果影响关系具有多样性。主要包括火力资源对目标直接打击效果的 影响关系,例如常规导弹对机场跑道打击毁伤效果的影响;目标直接打击效果对 系统能力等间接打击效果的影响关系,例如机场跑道的毁伤效果对空空拦截能力 的影响;间接打击效果对作战意图达成效果的影响关系,例如空空拦截能力丧失 对夺取制空权的影响。 显然直接打击效果和间接打击效果间具有潜在的层次性,打击效果的层次性 决定了因果关系的层次性。 (2 )因果影响产生具有时延不确定性 直接打击效果和间接打击效果通常不是立即能够产生的,往往需要一定程度 的时间延迟。主要包括直接打击效果产生的时间延迟,例如作战飞机对防空导弹 第 1 页 国防科学技术大学研究生院博士学位论文 阵地打击产生直接打击效果的时间延迟,这种时间延迟主要是由作战飞机的打击 持续时间引起的;直接打击效果和间接打击效果间的时间延迟,例如打击预警雷 达的直接效果对预警能力产生影响的时间延迟,这种时间延迟主要是由预警信息 的传播时间引起的。 由于自然条件以及敌方拦截和干扰等战场环境的不确定性,致使时间延迟往 往具有不确定性,特别是火力打击任务的持续时间受到战场环境的影响显著。 (3 )因果影响强度具有动态不确定性 联合火力打击的火力资源受到自身性能和复杂不确定的战场环境影响,致使 目标的直接和间接打击效果通常具有不确定性,这些打击效果的不确定性导致它 们之间的因果影响强度往往也具有不确定性。 此外,这些打击效果之间的影响强度往往跟时间延迟相关,使得因果影响强 度具有动态不确定性。例如作战飞机对防空导弹阵地的打击,作战飞机对该阵地 的直接打击效果通常依赖于打击任务的持续时间,持续时间越长被敌方预警和拦 截的可能性越大,从而对目标的打击效果越差。 联合火力打击方案优化问题的求解复杂性 优化问题的求解复杂性主要是指优化计算的复杂性,这种复杂性是由联合火 力打击方案优化问题复杂的数学结构引起的。这些复杂的数学结构可以归纳为优 化目标函数非解析表达、布尔型和整型优化变量异构耦合、逻辑型和数值型约束 条件混合。 (1)优化目标函数非解析表达 因为联合火力打击方案和打击效果间复杂的因果影响关系具有动态的、非线 性的、不确定的网络化特征,因此评价联合火力打击方案的优化目标函数很难建 立解析表达模型。 (2 )布尔型和整型优化变量异构耦合 联合火力打击方案中的可变因素包括:火力打击任务的选择和开始时间。 火力打击任务的选择可以表示为布尔变量。例如火力资源编组 P 对打击目标 O 的火力打击任务可以表示为一个布尔变量X ,如果X 1 ,那么联合火力打击需要 实施这一火力打击任务,否则不需要实施这一火力打击任务。 火力打击任务的开始时间通常可以表示为“墙上时钟”,例如上述火力打击 任务的开始时间可以表示为 8:15。但是这种“墙上时钟”不能很好的满足优化计 算的需要,如果指定时间原点和单位时间刻度,那么“墙上时钟”可以等价地表 示为整数。若是指定时间原点为 8:00,单位时间刻度为(分),那么上述火力打 击任务的开始时间可以表示为 15。 通过以上分析可以看出,联合火力打击方案优化问题的优化变量是由布尔变 第 2 页 国防科学技术大学研究生院博士学位论文 量和整数变量异构组成的。另外联合火力打击的作战效果是由火力打击任务的选 择和开始时间共同决定的,所以两者并不孤立而是紧密的耦合在一起。 (3 )逻辑型和数值型约束条件混合 联合火力打击方案优化问题主要考虑三类约束条件:有限资源约束、时间协 同约束以及行为协同约束。 a )有限资源约束 构成联合火力打击火力资源主体的高新技术武器装备造价比较昂贵,为此将 火力资源的计划投入数量作为联合火力打击方案优化的一类约束条件,使之控制 联合火力打击方案决策的成本。 因为所有火力打击任务所包含的火力资源是确定的,所以有限资源约束可以 表示为一类 0-1 整系数线性约束。 b )时间协同约束 时间协同是以时间作为基本参数,通过对火力打击时间的规定实现火力打击 任务之间的协同一致性。主要方法是利用同一时间点控制火力打击任务对同一目 标的集中火力打击;利用不同时间点控制火力打击任务的先后顺序;利用时间区 间控制火力打击任务的起止时间。 火力打击任务之间时间协同约束存在的前提是相关的火力打击任务被打击方 案选择,因此时间协同约束可以表示为逻辑和数值混合的约束。 c )行为协同约束 行为协同是以逻辑关系作为基本参数,通过对火力打击行为关系的规定实现 火力打击任务之间的协同一致性。主要方法是通过对火力打击任务之间火力支援 关系的控制实现相关火力打击任务之间的协同一致性;或者通过对目标打击效果 的控制实现相关火力打击任务之间的协同一致性。 行为协同约束的目的是使得火力打击任务的选取能够满足行为协同关系的一 致性,从而控制相关火力打击任务之间的火力支援和打击效果,确保诸军种火力 突击的有效性和一致性。行为协同约束可以表示为逻辑约束。 1.1.2 论文研究问题提出 目前联合火力打击方案优化的研究和实践主要存在以下两方面问题: (1)缺乏能够有效描述联合火力打击方案和打击效果间复杂因果影响关系的 建模方法。 概率网络是描述具有或然不确定性因果影响关系问题的有效模型,广泛应用 于作战方案优化和评估领域的问题建模。但是当前的概率网络模型缺乏对随机时 间延迟的描述能力,难以充分描述联合火力打击方案和打击效果间复杂的因果影 第 3 页 国防科学技术大学研究生院博士学位论文 响关系,因此需要研究一种因果影响关系建模能力更强的概率网络模型。 (2 )缺乏能够有效求解联合火力打击方案优化这类复杂数学结构优化问题的 优化算法。 进化算法是求解优化目标函数非解析表达的约束优化问题的有效方法,惩罚 函数法和多目标法是进化算法处理约束的常用方法。但是当前的约束进化算法一 方面缺乏对于异构变量的编码能力,另一方面利用惩罚函数法和多目标法很难处 理逻辑型和数值型混合的约束,难以有效满足联合火力打击方案优化这类优化问 题的求解需要,因此需要研究一种搜索能力更强的约束进化算法。 根据联合火力打击方案优化问题研究的需要,论文研究一种具有动态不确定 性复杂因果影响关系建模能力的概率网络模型——随机时间影响网络,建立基于 随机时间影响网络的联合火力打击方案优化框架,主要研究优化框架的理论基础 和关键技术:随机时间影响网络理论、基于随机时间影响网络的优化目标函数建 模技术和基于协同可变解空间进化算法的优化问题求解技术,为联合火力打击方 案优化框架提供理论和技术支撑。 论文研究问题的提出思路如图 1.1 所示。 图 1.1 论文研究问题的提出思路 第 4 页 国防科学技术大学研究生院博士学位论文 1.2 相关领域研究现状综述与分析 优化问题建模和求解是作战方案优化研究的两个主题,下面分别针对这两个 主题的相关研究现状进行综述和分析。 1.2.1 作战方案优化问题建模方法 基于解析模型的方法 武器目标分配(Weapon-Target Assignment, WTA )问题是指挥决策中的关键 问题之一。20 世纪 70 年代以前,对 WTA 问题的研究主要是集中于一些特定领域 [4] 如导弹防空领域中 WTA 问题的研究,Samuel Matlin 对此作了概述 。20 世纪 80 年代美国麻省理工学院的 PatrickA Hosein 与Michael Athans 对一般性的 WTA 问题 作了较为系统的研究[5][6][7] 。Hosein 等人提出了静态与动态 WTA 的概念,建立了 一般意义下的静态 WTA 模型,解决了具有易毁 C2 节点的 WTA 问题。需要指出 的是 Hosein 等人提出的动态 WTA 的概念实质上是用动态规划的思想解决静态 WTA 问题,因而没有建立真正意义上的动态WTA[8] 。美军国防分析研究所(Institute [9] for DefenseAnalysis, IDA )一直致力于WTA 问题的研究 ,在IDA 轰炸机兵力模 型(IDA Bomber Force Model, IBFM )基础上提出了改进的武器优化与资源需求模 型(Weapon Optimization and Resource Requirements Model ,WORRDM )。WORRDM 是一个考虑武器的费用以及不同武器组合对目标打击情况的线ISR 在现代战争中的应用,IDA 提出将对 WORRDM 模型进一步改进,建立 C4ISR 环境下的作战资源分配模型(Engagement Resources Allocation Model, [10] ERAM )。美国海军研究生院研究了航空兵突击火力的分配和规划模型 。V.C. Li 等研究了威胁存在条件下武器组合对打击目标的实时分配模型[11] 。 国内学者对 WTA 问题的研究也主要是针对特定领域如防空导弹针对来袭目 标的分配问题的研究,而且所建立的模型也基本上是静态 WTA 模型,即没有考虑 时间因素对目标分配的影响[12][13][14] 。哈尔滨工业大学的韩松臣教授提出了基于马 尔可夫决策过程最优化的动态 WTA 方法,并认为将动态 WTA 方法求出的动态武 [8] 器分配策略与静态 WTA 模型结合可以在作战中对武器进行动态分配 ,但如何将 此模型与实际应用结合起来,尚需做大量的研究工作。 基于思维机制的作战方案优化问题建模是国内常用的方法,基本思路是首先 研究作战方案优化的思维机制,在此基础上建立优化问题的数学模型。苏英振等 依据计划活动的思维机制,建立了适应战役任务要求的空中突击目标网,据此给 出优化空中突击兵力使用方案的一种有效模型[15] 。欧阳才超等根据联合火力打击 循环过程的分析,设定了目标分配优化的时间周期;综合红蓝双方情况以及战场 第 5 页 国防科学技术大学研究生院博士学位论文 态势更新,建立了目标分配的思维机制;在将整个作战空间划分为网格、降低目 标分配复杂性的基础上,结合基本输入变量以及各约束条件的量化表达式,构建 了目标分配的线] 。王振宇从思维机制出发,以多时段计划的思想为 基础,在综合考虑了时段、作战损耗、天气情况、防御情况以及电子对抗等众多 因素的基础上,利用线性规划方法给出了一种较为有效的联合火力打击火力分配 [17] 方案的数学模型 。 基于仿真优化的方法 美国陆军研究实验室(ARL )将 GA 和洛克希德马丁公司开发的模块化半自 [18] 动兵力系统(MODSAF )结合 ,对陆军战术行动中心(TOCs )未来智能决策辅 助工具进行验证,该系统能够快速自动地生成一系列粗粒度、高质量的作战方案 [19] 。美国陆军分析中心(CAA )的Kewley[20]综合利用了遗传算法、模糊推理和仿 真技术构建了战术规划系统,可用于自动生成战术计划。在此系统中,双方的作 战方案使用遗传算法进行演化。此外,Cavallaro 等[21]研究了基于仿真优化的海上 基地防护,Popken[22]对空战规划进行了研究,Evans[23]研究了基于禁忌搜索的仿真 优化方法在无人机概念设计中的应用,Lee 等[24]研究了仿真优化在战术数据链参数 设计中的应用,刘喜春[25]和李明[26]分别研究了基于 GA 的仿真优化在航空备件优 化中和最优火力分配问题中的应用。 除了以上这些遵循基本仿真优化模型的研究外,还有一些在仿真优化基本模 型基础上的扩展研究。其中最具代表性的是数据耕耘方法(Data Farming )。数据 耕耘的前身是产生式分析方法。产生式分析(Generative Analysis )最早是由美国 洛斯阿拉莫斯国家实验室的 Holland 提出的[27] 。在产生式分析的基础上,以Albert 工程为应用背景,美国海军陆战队作战开发司令部(MCCDC )首席科学家Alfred G. Brandstein 博士与 MITRE 公司的首席科学家 Gary E. Horne 博士 1996 年联合提 出了数据耕耘的概念。 数据耕耘方法本质上是一种特殊的仿真优化模型,其关键技术是先进的实验 设计方法、基于 Agent 的仿真、高性能计算机、数据可视化分析。近年来国内对 数据耕耘的研究也逐步开展起来[28][29][30][31],但是研究大多是在应用层面上进行并 没有对数据耕耘方法在理论上进行发展。现已有多个项目开展对数据耕耘方法的 [32][33][34] 演示验证,主要包括自动化红方兵力编组(Automated Red Teaming, ART ) [35] 和自动协同演化(Automated Co-evolution, ACE ) 。 ART 是一种基于目标的特殊数据耕耘方法,它将演化算法、并行计算和仿真 相结合,其目的是要快速自动生成敌方作战方案,通过对敌方不同作战策略的探 索,提高己方作战方案的鲁棒性[33] 。ART 仅仅考虑了敌方兵力的演化,而未考虑 己方兵力的演化。因此在 ART 项目于 2007 年完成后,在其基础上又开展了后续 第 6 页 国防科学技术大学研究生院博士学位论文 [36] 研究——ACE 。ACE 利用竞争型协同演化算法(CCEA ) 同时考察了敌方和己 方兵力的演化,这就是所谓的协同演化(Co-Evolution )。与 ART 相比,ACE 采 用了 CCEA 能够生成更优的方案。ACE 在本质上与 Kewley[37] 的研究相似,主要的 潜在应用领域包括作战条令和战术开发、作战计划评估以及采办。ACE 的发展方 [35] 向是考虑多优化目标以及提高处理速度 。 国防科技大学的王磊[38]用认知心理学中人类认知行为的研究成果对创新系统 框架进行丰富,将人类的记忆、学习、发散思维和收敛思维等认知行为进行数学 建模提出了认知演化算法(Cognition Evolutionary Algorithm , CEA ),以潜射巡航 导弹协同攻击舰艇编队为例验证所提出方法的可行性和有效性。国防大学的胡晓 峰[39][40]采用数据挖掘技术、数理统计分析以及 OLAP 分析等技术提出了战争分析 实验,该方法现处于理论研究阶段,尚无成功的应用案例发表。 基于概率网络的方法 Petri 网作为一种图形化、数学化的建模工具,是描述具有分布、并发、异步 特征的离散事件动态系统的有效工具。目前已经存在引入着色 Petri 网的军事规划 系统,用于作战计划的资源与行动调度、优化与评估[41][42] 。Petri 网是一种很有前 途的作战计划辅助工具,但它的缺点是需要建立军事行动的完善模型,而且它的 要体现在资源与时间的调度上,对于军事计划不可缺少的任务分析与分解 工作需要人工完成。因此 Petri 网规划技术在军事规划系统中的应用,需要与其它 方法相结合,澳大利亚军方的 COAST (Course of Action Scheduling Tool )系统是 成功运用着色 Petri 网进行规划的范例。 Evans[43]等利用动态贝叶斯网络(Dynamic Bayesian Nets, DBNs ) 描述作战任 务和作战效果之间的因果影响关系,从而指导作战方案的制定。Lucia Falzon[44]利 用贝叶斯网络(Bayesian Nets, BNs )进行效果网络重心分析,并且开发了辅助作 战方案制定的 COGNET (Centre of Gravity Network Effects Tool )。 态势影响评价模块[70] (Situational Influence Assessment Module, SIAM)是由科 学应用国际公司(Science Applications International Corporation, SAIC )的工作人员 基于影响网络模型开发的一款基于 Unix 操作系统的因果分析软件,基于 Windows 操作系统的版本称为 CausewayTM 。Rosen 和 Smith[45]利用 SIAM 进行多人协作战略 层的作战方案制定。 战役评估工具[46]/ 因果分析工具[47][48][49] (Campaign Assessment Tool/ Causal Analysis Tool , CAT )是由美军空军研究实验室开发的一款用于因果影响分析的软 件系统,主要功能包括因果模型创建、修改以及分析。CAT 到目前为止还处于试 样阶段,还没有被军方广泛的应用。但是美空军在很多战略层次上对 CAT 进行了 测试并给出很多有价值的改进意见。目前,基于 CAT 的作战方案规划方法在基于 第 7 页 国防科学技术大学研究生院博士学位论文 效果作战领域得到了很好地应用[50][51][52] 。Ugur Kuter 基于 CAT 与遗传算法结合研 究了不确定条件下的作战方案规划问题。 CAESAR II/EB (Computer Aided Evaluation of System Architectures )是由美空 军研究室和乔治梅森大学联合开发的作战方案评估分析系统[53] 。这一系统以定量 分析方法关联行动与效果,从而支持建立作战方案(Course of Action, COA )的产 生和分析模型,其核心技术是采用了贝叶斯网和 Petri 网技术。美军的全球 2000 和全球 2001 军事演习中,联合作战部队指挥部(Joint Forces Command, JFCOM ) J-9 联合实验中使用了这一系统。 PYTHIA[54]是由乔治梅森大学(GMU )的系统架构实验室(System Architectures Laboratory )开发的计算机辅助的系统架构评估(CAESAR II/EB )系列工具中最新 的基于影响网络的分析软件。PYTHIA 提供了构建基于图形的辅助决策模型并进行 相关分析的集成环境。PYTHIA 已经广泛用于基于效果作战(Effects-Based [55][56][57] [58] Operation, EBO )和作战方案(COA )建模评估领域 。Haider 基于时间影 响网络与遗传算法相结合研究复杂态势条件下的作战方案优化问题,并且将理论 研究成果应用于 PYTHIA 。 国防科技大学的刘忠等[59]基于动态贝叶斯网络研究了基于效果的联合作战行 动规划问题,在著作《作战计划系统技术》中给出了相关的原型系统设计[60] 。2009 年国防科技大学的朱一凡等申请了“基于因果关系建模的应急方案有效性评估与 优化方法”的自然科学基金,相关研究正在展开。 1.2.2 影响网络及其相关模型的时间特征演化 影响网络的时间特征演化 贝叶斯网络(Bayesian Networks, BNs )是由R.Howard 和 J.Matheson 于 1981 年提出来的一种广泛应用的概率网络模型,贝叶斯网络能够有效表述不确定的专 家知识,以及进行概率推理。后来 J.Pear[61][62]和 D. Heckerman[63]等人通过相关的 研究,推动了贝叶斯网络理论以及算法的发展。 贝叶斯网络在实际应用中主要存在两个局限性:一是概率推理的困难,二是 指定大量的条件概率的困难。第一个局限性主要是指变量概率值计算的时间效率 低下问题,第二个局限性是指基于少量信息条件下的建模复杂性。研究人员为了 解决这些问题提出了很多解决思路,其中基于蒙特卡洛的近似算法在解决变量似 然值计算效率方面取得了很好的效果[64][65][66][67][68] 。但是如何分配大量的条件概率 依然是贝叶斯网络面临的巨大挑战。 贝叶斯网络中条件概率的数量随节点数量的增多将会成指数速度增长。对于 领域专家来说一方面可能对概率理论不熟悉,另一方面可能没有足够的信息指定 第 8 页 国防科学技术大学研究生院博士学位论文 所有条件概率,因此为了提高贝叶斯网络的应用能力,Chang 等人通过引入因果强 度逻辑(Causal Stren

  “原创力文档”前称为“文档投稿赚钱网”,本网站为“文档C2C交易模式”,即用户上传的文档直接卖给(下载)用户,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有【成交的100%(原创)】

本文链接:http://cholwellec.com/huolidajinenli/76.html