数字化炮兵作战能力评价

李文涛，姜海波，王雪琴

（解放军炮兵学院，安徽 合肥 230031）

随着信息技术的飞速发展及其在军事领域的广泛运用，当今世界各主要军事国家都迈开了数字化部队建设的步伐，数字化炮兵也在新军事变革的大潮中应运而生，作为陆军信息化装备中的一把利剑，它的产生和不断发展必将对未来战争形成重大影响。因此，对数字化炮兵作战能力进行分析与评价，已成为作战研究的一个重要内容。本文根据数字化炮兵作战的特点，基于数字化炮兵系统模型分解思想和指标体系构建的原则，构建数字化炮兵作战能力指标体系。并且将遗传层次分析法[1]（AGA-AHP）应用于数字化炮兵作战能力评价，该方法用加速遗传算法[2]（Accelerating Genetic Algorithm，AGA）检验判断矩阵的一致性并同时计算判断矩阵各要素权重，在很大程度上提高了评价可靠性。

1 数字化炮兵作战能力指标体系构建

数字化炮兵，是指完成了主战武器装备的信息化改造，实现了炮兵内部各作战要素和作战单元之间的一体化、数字化网络联结，可以与其他战场要素之间互联互通，具有较强的信息整合能力、自我保障能力，以及一定的精确打击能力的炮兵部队[3]。数字化炮兵具有火力反应速度快、自主作战能力强、抗毁伤性能突出等特点，成为现代战场火力支援的支柱力量[4]。数字化炮兵有着不同于常规部队的组织体制和编制结构，对数字化炮兵作战能力评估指标体系的构建应该根据数字化炮兵武器装备系统的主要构成和作战能力的特点确定。基于数字化部队系统模型分解思想和指标体系构建的原则，构建数字化部队作战能力指标体系。总体框架如图1所示。

1）指挥控制子系统B1是实施作战的关键。主要功能是分析判断情况，形成作战决心方案和各种保障方案，并形成作战计划；对战场态势加以评估，区分下达作战任务，生成辅助决策预案，直接指挥和督促部队作战行动；掌握战场变化，上下级的作战态势，车辆、兵器和人员的战损情况，工程兵等专业兵作业的结果等，并能及时传输显示，准确把握战场态势。

2）情报信息子系统B2是实施作战的前提。主要功能是积极主动地获取战场信息，采取多种通信反干扰措施，为各级作战指挥与行动提供通信保障，对战场各种信息进行综合、筛选，上传下达，为作战指挥和部队作战行动提供信息支持，与其它军兵种情报信息系统一体化联网共享战场信息。

3）部队与武器子系统B3是实施作战的基础。主要体现部队机动的规模大小，能够以多大速度进行机动，采取何种方式进行机动；遂行作战任务，全方位充分发挥自身的作战能力，它对战争胜负起着最直接的决定作用。

4）综合保障子系统B4是实施战争的保证。主要功能是数字化部队的燃料补给能力、军需补给能力、弹药补给能力的综合反映，是保障数字化部队的战斗力得以充分发挥，可以进行持续作战的综合能力体现。还包括完成作战行动需要的防护与伪装等作战工程保障、警戒与防御等勤务保障，组织对武器设备的检测维修等技术保障。

图1 数字化炮兵作战能力结构图

2 遗传层次分析法原理

遗传层次分析法的主要思想是将待评价系统的各要素按其关联或隶属关系建立递阶层次模型，构造基于两两比较的判断矩阵，利用判断矩阵的元素信息，并根据一致性条件构造相应优化问题，利用遗传算法求解该优化问题，同时求得排序权值。设判断矩阵 A ＝ ( aij)，各要素的单排序权值为，且满足根据判断矩阵A的定义，理论上有

若判断矩阵A满足式（1），则判断矩阵A具有完全的一致性[5]，于是有

在实际运用中，由于系统的复杂性，决策者不可能精确度量 wi/wj，只能对他们进行估计判断。显然式（3）左端的值越小，则判断矩阵的一致性程度就越高，当式（3）成立时则判断矩阵A具有完全的一致性。基于此，计算各要素及其一致性检验问题可以归结为如下优化问题：

式中，称CIF(n)为一致性指标函数（Consistency Index Function），单排序权值 wk(k ＝1… n )为优化变量。式（4）是一个非线性优化问题，用常规方法较难处理，而加速遗传算法（AGA）作为一种通用的全局优化算法，用来求解该问题更为简便和有效。当CIF ( n)小于某一标准值时，可认为判断矩阵A具有满意的一致性，据此计算的各要素单排序权值wk是可以接受的。本文中，加速遗传算法采用英国谢菲尔德（Sheffield）大学Matlab遗传算法工具箱编程实现[5]。

3 对数字化炮兵作战能力评价

3.1 构造数字化炮兵作战能力评价判断矩阵

根据上述层次模型，由军事人员和专家对数字化炮兵作战能力的各子系统和指标进行评估得到判断矩阵如下。

3.2 一致性检验和层次各要素权重计算

采用加速遗传算法求解，将式（4）转化成算法中的适应度函数，算法的控制参数为：种群规模为40、交叉概率0.3、变异概率0.25、进化代数40，经优化计算，这5个矩阵的排序权值和一致性指标函数值结果见表1，同时列出了特征值法[6]的相应结果。

表1 AGA-AHP与特征值法计算判断矩阵元素权重结果

根据表1的结果可以看出：

1）判断矩阵 A , B2,B4，AGA-AHP的计算精度高于特征值法的相应结果。判断矩阵 B1,B3，AGA-AHP计算排序权值的结果与特征值法完全相同；

2）AGA-AHP在排序权值可能取值的区间[0,1]内进行快速自适应全局优化搜索，求解精度高，计算结果稳定。这些判断矩阵的一致性指标函数值均小于0.10，具有满意的一致性。

3.3 层次总排序及其一致性检验

根据上式计算C层各指标 C1～C14对于总目标A层相对重要程度的总排序权值见表2。

表2 各指标总排序权值

根据上式可得，总排序一致性指标函数值为CIFA(14)＝0.0072，说明各判断矩阵均具有满意的总排序一致性，上述计算的总排序权值可以作为数字化炮兵作战能力评价指标的权重。

3.4 总目标评价

例如，某数字化炮兵部队评价指标标准值为c1＝4,c2＝7,c3＝5,c4＝8,c5＝6,c6＝5,c7＝9,c8＝7,c9＝5,c10＝8,c11＝9,c12＝5,c13＝6,c14＝9，各指标值介于[0,10]之间，并规定[0,2.5)～差，[2.5,5)～中，[5 ,7.5)～良， [7 .5,10]～优四个等级。

该计算结果说明，影响该数字化炮兵作战能力影响最大的前六个指标为组织决策能力、装备维护维修能力、信息处理能力、控制协调能力、作战指挥能力和信息传输能力。 应该在以上六个方面作出调整，才能使该部队作战能力达到优秀。

4 结束语

本文充分考虑了数字化炮兵作战能力的复杂性，构建了其层次结构模型，并采用AGA-AHP来对数字化炮兵作战能力进行评价，将判断矩阵的一致性检验和计算各元素权重转化为非线性优化问题，这是其它常规方法较难处理的问题，而加速遗传算法作为一种通用的全局优化算法，用来求解该问题则更为简便。经过与特征矩阵法进行比较，AGA-AHP的计算结果较为客观和稳定，而且整个评价过程易于计算机编程实现，具有一定的军事应用价值。

[1]金菊良,魏一鸣.复杂系统广义智能评价方法与应用[M].北京:科学出版社,2008:42-59.

[2]金菊良,杨晓华,丁晶.标准遗传算法的改进方案——加速遗传算法[J].系统工程理论与应用,2001,21(4):8-13.

[3]张继春. 数字化炮兵部队[M].合肥:解放军炮兵学院,2001.

[4]李涛,郭齐胜. 数字化部队作战能力评估指标体系构建[J].装甲兵工程学院学报,2008,22(2):14-19.

[5]雷英杰,张善文,等. MATLAB遗传算法工具箱及应用[M].西安:西安电子科技大学出版社,2004:95-104.

[6]Satty T L. The Analytic Hierarchy Process[M]..New York:McGraw-Hill.