朱 江,蔡 蔚,闻传花,潘明聪,张 钊
(1.南京陆军指挥学院,江苏 南京 210045;2.中国有色矿业集团科技部,北京 100029)
OODA理论是由美国战略家博伊德提出来的,是“冲突时一系列事件的竞争,从侦察(Observation)、判断(Orientation)、决策(Decision)和行动(Action)的循环”,它提供了一种描述冲突的方法[1],并衍生出MOODA(模块化OODA)以及C-OODA(认知OODA)等方法[2],从最初解释空军战术的概念到扩展到解释一般意义上的决策处理过程,被广泛用于军事问题研究[3-5]。
指挥控制作战的特点就是按照观察—判断—决策—行动(OODA)环路进行的战斗,如图1所示,OODA环具有周期性和嵌套性,周期性意味着一个环结束时,另一新环的开始,周期的大小与作战兵力的规模、空间范围、作战样式有关;嵌套性意味着环与环以嵌套的形式关联,例如在战术级作战系统中,最小的OODA环视近距武器系统的火力闭环控制环,在分队层次上同样有OODA环,这些指挥控制环相互嵌套、内环周期短、外环周期长。在作战中,对抗各方会不断观察周围环境、获取相关信息、判断威胁,即时调整,做出决策,并采取相应的行动,冲突体现在OODA环的时间竞争上。如能努力缩短己方的OODA周期,并尽可能的增加敌方的OODA周期,使己方的决策周期短于对手的决策周期,就能掌握作战的主动权,获得巨大的优势。因此,博伊德给出了米格15在与F86搏斗的例子,米格15在机动性上、单武器平台的优势上,火力上均优于F86,但信息处理不若F86迅捷,F86具有更广阔的视野、更准确的判断、更迅速的决策和更敏捷的行动,在作战时具有很大的优势。一言以蔽之,就是“以快吃慢”。
进入信息时代,OODA环发挥越来越重要的作用,美国前国防部长科恩就说过,以往的战争哲学是大吃小,现在是快吃慢,“基于OODA以快吃慢”成为信息时代重要的制胜机理,是信息化时代概念创新的支撑思想。
图1 对抗冲突双方OODA环原理
OODA理论提出之后,人们通过定性分析、理论思辩进行研究,推导出一些新的军事概念,像“快速决定论”,“分布式并行作战”等,但战争陪伴着流血死亡,规律研究深受环境制约,为此作战实验的预实践手段,也被用来对理论、概念进行鉴别,论证真伪,有学者尝试运用系统动力学方法(System Dynamic SD),以反馈控制理论为基础,从整体上构建基于OODA环的作战对抗系统的动力学模型[1-2];针对OODA环相关要素对作战结果的制约关系进行研究,较好地反映了信息化条件下作战对抗的本质。但SD方法本身不够精细,力度不够,为此 J.Pastrana提出 SDDES的混合仿真[6]方法,将DES(离散事件仿真)用在操作级别;SD用在聚合层面。J.Morgan类似提出一种混合仿真方法,使用SD 在设计层面,DES在实现层面[7];S.K.Health提出了将SD和ABS(Agent based System)结合进行仿真的方法[8],说明两两结合的机制。
本文的建模思想是运用Agent与SD结合的方法,用前者考察微观个体行为,对OODA微观相互作用规律,OODA环的嵌套行为过程进行建模;后者重视整体的宏观规律,可反映OODA环相关要素对作战结果的制约关系,探索整体规律。
目前系统动力学常使用Vensim,PowerSim等平台,而Agent建模使用Swarm,JADE等框架,但不同平台实现框架不同,数据难以交互,不是一个好的解决方案。
Netlogo是由美国西北大学开发的基于Agent的仿真建模平台,但也可以直接进行系统动力学建模,因此本文建模仿真选择此平台。
采用Agent建模方法构建对象包括我方Agent,敌方Agent,战场环境对象Agent等。其中敌我 Agent的战斗动作均基于OODA理论构建。
Step1:以Agent为原点,以侦察半径为圆,进行扫描。如果目标不在扫描区域内,转至Step2。
Step2:自身的根据目标的发现概率判断是否小于随机数,判定“发现概率>随机数”,为转至Step3,否则转S8。
图2 Agent内部OODA状态转化建模
Step3:如果主体能够判断武器平台的敌我归属情况、敌方武器平台的种类和朝向,转至Step4。
Step4:接受其它Agent传递的目标信息,以及自身侦察信息选择打击目标,转至Step5。
Step5:武器依据武器射程,一旦目标在射程内,发射弹药,进行打击,转至Step7,否则转至Step8。
Step6:依据武器的命中概率,利用产生的随机数来决定弹丸是否命中,转至Step8。
Step7:打击结束,重新转至Step1。
Step8:不进行打击,重新转至Step1。
实验中调节Agent的相关属性包括发现概率、命中概率,以及其它Agent的信息获取以及信息共享情况,通过模拟多次,得到红方信息获取速率、红方判断函数、红方决策函数的统计规律作为系统动力学的输入。如图3状态显示区所示,红蓝方信息获取速率并不是一个恒定不变的数值,而是伴随时间衰减的函数,将这些变化的输入,作为系统动力学的输入。
图3 Agent实验界面
红、蓝双方决策过程包含OODA环,设置如图4所示。
图4 对抗冲突红蓝双方OODA环
1)流量变量:红方数量R,蓝方数量B,红方信息量RI,蓝方信息量BI等;
2)流速变量:红方信息获取速度RInput,蓝方信息获取速度BInput,红方侦察获取信息速度RIg,蓝方干扰破坏信息速度BtoRI,蓝方侦察获取信息速度Big,红方干扰破坏信息速度RtoBI等;
3)辅助变量:红方决策时间Rtime,蓝方决策时间Btime等。
在OODA环各个环节的函数如下。
1)侦察环节
红方信息获取速度RInput=红方侦察获取信息速度RIg—蓝方干扰破坏信息速度BtoRI;
蓝方信息获取速度BInput=蓝方侦察获取信息速度BIg—红方干扰破坏信息速度RtoBI。
2)判断环节
红方判断ROption与信息量RI的关系为表函数;
蓝方判断BOption与信息量BI的关系为表函数。
表函数表示随着获取的有效信息数量增加,判断正确性不断增加,当达到阈值时,可获正确判断结论,具体数据根据专家经验获得。
3)决策环节
红方决策 RDecision=smooth(ROption,Rtime),
蓝方决策BDecision=smooth(BOption,Btime);
该决策函数表示,决策是需要一定时间的,分别为Rtime,Btime。
4)打击环节
当OODA环完成后成功实施一次打击,打击损耗与损耗系数RSunhaoxishu与红方人员数R有关。
在冲突过程中,双方都争取先敌打击,假设红蓝双方战斗力、对敌方损耗系数等初始条件,以及侦察环节的信息获取速度、决策环节的双方决策时间等OODA环的关键参数可调节。
想定设想,红方、蓝方的一次战斗,在实验中,假设红蓝双方战斗力、对敌损耗系数相同,分别调节红方决策时间Rtime和红方信息获取速度RInput,这两个参数绝对的数值取决于很多因素,为便于比较,将它们采用模糊数学的方法,给与1-9量度,分别对应最差、差、较差、一般差、差不多、一般好、较好、好、最好9个等级。得到结果如图5所示。
图5中左边5幅图,由上至下逐渐增加红方决策时间,可发现,兵力变化趋势为,随着红方决策时间增大,红方损失趋多,蓝方损失趋少。图5右边5幅图,由上至下,逐渐增加红方的信息获取速度,发现红方损失趋少,蓝方损失趋多,当红方获取有效信息速度增加时,红方具备做出正确决策并据此展开行动条件时,其完全处于优势。这一结论表明,迅速适应的能力是军事有效性的关键因素。当双方武器装备技战术性能相当,胜利取决于OODA运行效率。类似还可得到,提高信息作战能力比提高武器装备性能更有效,通过信息欺骗引导定下决心,可以削弱OODA效率等结论。
图5 实验采集时间序列数据图
OODA机理验证一直是个难题,使用混合仿真的方法,能够把宏观和微观相结合,使用多Agent建模方法研究个体的微观机制,使用系统动力学研究整体的宏观表现,对OODA环的机理和评估问题加以研究,有一定的借鉴意义。但目前实验的模型属于概念验证,离实用还有较大差距,还需进一步研究。
[1] 周丰.指挥控制系统模型的分析与扩展[C].北京:第二届中国指挥控制大会论文集,2014:112-114.
[2] AVM A Saikia,A VSM,VM.The OODA Cycle,Net-centricity and Effect Based Operation[J].Defence Management,2008(3):1-7.
[3] 徐彬,高伟明,杨晓彬.试析基于“OODA环”理论的信息作战[J].西安通信学院学报,2012,11(3):76-77.
[4] 王积忠,马士壮,何佑明.OODA环及其在指挥决策中的应用[J].沈阳炮兵学院学报,2004(1):25-26.
[5] 逯杰,李栋.针对“OODA环”理论的信息作战[J].防空兵指挥学院学报,2011,28(4):34-36.
[6] J,Pastrana,M.Marin,M.Helal,C.Mendizabal,etal.Enterprise Schedling:Hybrid and hierarchical issues[C].2010 Winter Simulation Conference,USA,3350-3362.
[7] J.Morgan,S.Howik,V.Belton.Designs for the Complementary Use of System Dynamics and Discrete-event Simulation.
[8] S.Umeda,F.Zhang ASimulation Modeling Framework For Suppl;y Chain System Analysis[C].Winter Simulation Conference,USA,2011-2021.