基于云模型的士气等级评估研究

张迅 马丰文

士气评估的研究一直以来是军事建模仿真中的一个难点问题,目前多以定性研究为主,开展定量研究的较少,而随着信息化体系作战的不断发展,影响士气的因素将呈现出多元化、复杂性的特点,对士气进行建模仿真评价就显得更为重要和迫切.本文利用云模型算法对士气这个定性问题进行研究,最大限度地保留了士气评估中的不确定性和模糊性,减小专家打分与实际情况的误差,通过云模型的相关算法及MATLAB绘图实现,达到定量精确计算、定性等级评估的目的.

1 云模型理论

云模型理论是由我国李德毅院士提出的,它基于模糊集理论和概率统计理论,利用正向、逆向云发生器求解定量到定性之间的映射关系,对不确定信息进行分析.它能够克服定性指标的模糊性与随机性等不确定性语言值带来的不精确性,利用期望值E x、熵值E n和超熵值H e来刻画不确定性语言信息,通过云发生器来建立定性和定量之间的相互联系.

1.1 正向云发生器

正向云发生器是根据已知正态云的数字特征,来建立不确定性语言信息到量化值的对应关系,通过E x,E n,H e产生对云滴Drop(x,u)的描述,如图1.

算法步骤:

1)生成以E n为期望值,为方差的正态随机数y i=R N(E n ,H e);

2)生成以E x为期望值,为方差的正态随机数x i=R N(E x ,y i);

3)计算隶属度:

4)重复1)∼3)直至产生N个云滴.

1.2 逆向云发生器

逆向云发生器通过已知云中给定云滴分布Drop(x,u),求出正态云模型的3个数字特征E x,E n,H e.逆向云发生器是将专家依据经验给出的打分作为样本x i(i=1,2,···,n),描述不确定信息的相关数字特征值作为输出,如图2.

其计算流程如下:

1.3 综合云的计算

在同一个论域下,可能会有两个或两个以上同类型的云产生,我们称之为子云,将这些子云集结,就可以生成一个更高概念的父云,其本质是将两个或更多的同类型语言值综合为一个更广义的概念语言值.子云C1(E x1,E n1,H e1)、C2(E x2,E n2,H e2)经过综合云计算得到综合云C(E x ,E n ,H e),其运算规则如下:

2 评估步骤

2.1 确定指标集及指标权重

以分队级的士气等级评估为例,要进行准确的评价,首先要把分队中影响士气的各个相关因素研究清楚,分析出影响士气因素的不同层次,根据同一层次中不同因素的影响作用,确定各因素的权重值,从而建立一个科学合理的指标体系,这个指标体系是否合理将直接影响评估的可信性,常用的方法有模糊综合评判法、层次分析法、灰色关联分析法等.

在士气研究领域,心理学界一直没有给出一个权威的士气构成理论,对影响士气因素的判定还存在争议.本文在士气评估指标体系的建立上参考梁宇红在《军队士气评估模型的构建与应用研究》一书中的研究结果,此书结合国内外士气评估的研究成果,利用数理统计学的方法编制出士气量表,经过反复测量修改,对最终的士气评估量表用验证性因素分析验证,得到士气的评估模型.它将影响士气的因素分为5个维度,即:责任和使命因素(信念)、领导能力因素(领导)、自豪感因素、团结协作因素(团结)、战斗信心和决心因素(信心),如图3.

每个因素对应的指标权重比W分别为:

2.2 确定评价集

确定评价集就是在论域中划分定性概念,本文采用云理论中应用比较广泛的基于黄金分割率的模型驱动法,其基本的思想是:将给定的属性(论域)看成语言变量,每个语言变量有几个语言值,语言值用云模型来表达,越接近论域中心,云的熵和超熵越小,越远离论域中心,云的熵和超熵越大,相邻云的熵和超熵较小者是较大者的0.618倍,一般取奇数个云,本文对士气的评估等级分为5个:士气特别高、高、一般、差、特别差,其云模型对应如下C1(1,0.1031,0.013),C2(0.691,0.064,0.008),C3(0.5,0.039,0.005),C4(0.309,0.064,0.008),C5(0,0.1031,0.013),其云图如图4所示.

2.3 评价值的确定及综合评判

常规的专家打分对某一指标只进行一个确定性评价,利用综合云的思想,可以使n位专家对每个指标给出评价的最大和最小值,将所有专家给出的最大值和最小值分别通过逆向云发生器计算,得到最大和最小云模型,再利用综合云算法得到其综合云模型,由正向云发生器生成云滴图形.将评价值综合云模型与评价集云模型同时生成云图,即可对士气等级进行评定,下文将以两个不同背景下的士气评估进行实例说明,以验证此方法的可行性和可信性.

2.3.1 实例一

在一次营进攻作战时,该营战前进行了较为有效的思想动员,进行了较为充分的战斗准备,现组成专家组对开战初始阶段该营的士气进行评价.10名专家对其士气指标的打分结果如表1.

表1 作战初始阶段10名专家对该营士气指标的打分结果

根据逆向云算法可得,指标K1的最大云模型为A1u(0.835,0.035,0.010),最小云模型为A1d(0.675,0.031,0.017),得到指标K1的最大和最小评价云后,利用综合云算法,得出综合云模型A1(0.76,0.066,0.013). 依同样的方法可以得到指标K2、K3、K4、K5的综合云模型为A2(0.72,0.088,0.010),A3(0.72,0.065,0.012),A4(0.70,0.079,0.016),A5(0.74,0.078,0.015).

设指标K i综合云表示为A i,利用公式V i=将5个指标相加权,可以得到士气的云模型为V(0.727,0.061,0.007),生成云图如图5.

将士气评估的云模型与评价集模型利用MATLAB同时生成云图,得出评价结果的云图如图6所示.从图中可以看出,评价结果介于“士气特别高”与“士气高”之间,几乎与“士气高”重合,因此可以判定当前该营的士气等级为“高”.

表2 进攻受挫背景下10名专家对该营士气指标的打分结果

2.3.2 实例二

战斗进行到白热化阶段时,双方战损都很大,该营的战斗进攻受到敌顽强抵抗,部队多次进攻均未达成作战目的.选取10名专家对该营在此时的士气状况进行打分评价,结果如表2.

利用逆向云算法和综合云算法,求得指标K1、K2、K3、K4、K5的综合云模型分别为A1(0.66,0.048,0.009)、A2(0.52,0.090,0.011)、A3(0.57,0.080,0.014)、A4(0.69,0.077,0.020)、A5(0.47,0.071,0.017).

将实例二的士气评估的云模型与评价集模型利用MATLAB同时生成云图,得出评价结果的云图如图8所示.从图中可以看出,评价结果与“士气一般”重合度较大,因此可以判定当前该营的士气等级为“一般”.

2.3.3 实例验证的比较分析

通过以上两个实例分析,可以看出,在战斗的初始阶段,由于该营做了充分的战斗准备,专家对5个指标的打分都较高,评价结果也验证了这一士气状况.在战斗进行中,由于战斗受挫,官兵心理产生了较大的波动,士气有所降低,专家对信心、自豪感、信念这3个指标打分较低,士气综合评价结果为一般,说明该方法能较好地评估和反映该营的士气变化情况.

3 结论

通过实验验证,可以看出利用云模型对某一分队的士气进行评估的方法是可行的,对定性问题的研究提供了很好的思路.士气评估是一个大的课题,本文只是做一个初步的方法探索,需要深入研究的地方还很多,比如对士气评价指标的建立,本文是在他人已有研究成果的基础上开展研究,并没有进行深入的修正和改进,下一步要考虑到体系作战条件下影响士气的诸多因素,建立更为合理、全面的指标体系.

1 梁宇红.军队士气评估模型的构建与应用研究[M].北京:解放军出版社,2011.

2 梁宇红.军队士气研究评述[J].心理科学,2007,30(1):128−130.

3 王洋,邱建国,于君,等.信息心理战理论模型以及量化模型探讨[J].指挥控制与仿真,2008,30(8):2−7.

4 朱志,刘凤健,廖东升.基于传播动力学的心理战效果评估模型研究[J].军队政工理论研究,2012,13(6):92−95.

5 李德毅,刘常昱.论正态云模型的普适性[J].中国工程科学,2004,5(8):28−34.

6 付斌,李道国,王慕快.云模型研究的回顾与展望[J].计算机应用研究,2011,28(2):420−426.

7 徐征捷,张友鹏,苏宏升.基于云模型的模糊综合评判法在风险评估中的应用[J].安全与环境学报,2014,14(4):69−72.

8 刘常昱,李德毅,潘莉莉.基于云模型的不确定性知识表示[J].计算机工程与应用,2004,40(2):32−35.

9 王健,肖文杰,王树文,等.一种改进的基于云模型的效能评估方法[J].火力与指挥控制,2010,35(7):139−142.

10 张莹,代劲,安世全.基于云模型的定性评价在教学评估中的应用[J].计算机工程与应用,2012,48(31):210−215.

11 周勇,顾越聪,程春田.基于云模型的可信性评估模型[J].计算机应用研究,2012,29(2):597−601.

12 杜湘瑜,尹全军,黄柯棣.基于云模型的定性定量转换方法及应用[J].系统工程与电子技术,2008,30(4):772−776.

13 胡晓峰.战争工程论:走向信息时代的战争方法学[M].北京:国防大学出版社,2012.

14 胡晓峰.作战模拟术语导读[M].北京:国防大学出版社,2004:1−519.

15 马丰文.作战模型研究与实践[M].北京:国防大学,2003.