强对抗条件下的武器系统体系设计与评估技术

季 蓓，程健庆，刘家祺

(1.江苏自动化研究所，江苏 连云港 222061；2.海军指挥学院，江苏 南京 210016)

0 引 言

现代战争已经演化为体系与体系的对抗，它不是单一作战力量、单元和要素之间的对抗，而是通过信息系统将各军兵种的作战要素融合为一个有机的整体与另一个整体的对抗。体系对抗条件下的作战具有以下特点：装备系统规模庞大、组成种类与数量繁多、装备之间交联关系复杂、新型装备层出不穷，侦察预警手段与信息来源众多，作战样式多、信息流程多变（海空作战、空间攻防、信息攻防、综合保障等作战行动），指挥关系复杂（单平台综合、多平台协同、多军种联合等多级指挥体系）等。

在“全域作战、联合作战”的强对抗条件下，对于多武器系统耦合体系而言，如何完整描述装备体系的各项要素，进行科学完备的武器系统体系架构设计，最大化体系的作战效能，是一项非常复杂而重要的系统工程。

1 研究思路

强对抗条件下，武器系统装备体系的设计与评估以多武器系统耦合体系为研究对象。设计出的武器装备体系方案作为评估的输入，评估的结果反过来用于武器装备体系方案的调整与优化。二者相辅相成，缺一不可。

如图1 所示，基于体系框架设计技术、仿真建模技术、仿真推演技术和评估验证技术的研究成果，构建武器系统体系作战设计与仿真评估平台。该平台包括体系设计工具、仿真推演工具和评估验证工具，体系设计工具输出设计成果用于仿真建模、想定编辑等。仿真推演工具读取想定，调度模型进行推演，管理模型交互事件，并设计实验因子进行大样本推演，将海量仿真结果数据输入评估验证工具。评估验证工具进行体系效能评估，装备的贡献率评估和效费比计算，并将评估结果用于支撑体系设计过程的优化和调整。

图1 武器系统体系设计与评估总体思路Fig.1 General idea of weapon system of systems design and evaluation

最后通过典型的攻防对抗场景，验证仿真平台能够支持武器系统体系框架设计、数据驱动的装备建模、智能化决策建模、想定编辑和推演、复盘和评估的全流程。

2 基于对象模型的武器系统体系设计

采用面向对象的思想，依次进行作战、能力和系统需求分析，对强对抗条件下多武器系统耦合体系的各要素及互操作关系进行建模分析，从而达成对整个武器系统架构的描述。

2.1 武器系统作战互操作设计模型

武器系统的互操作性，包括作战互操作性、技术互操作性和对象模型设计流程。

作战互操作性设计包括：高级作战概念模型、作战能力构想模型、作战能力分类模型、作战资源流模型、组织机构模型、作战任务剖面模型等。从作战层面研究各作战节点在典型作战场景下的互操作需求，为武器系统的互操作设计提供依据和需求来源。

基于作战互操作设计输出的作战节点、节点交互关系、作战任务、任务指标、作战资源（包括信息）流、武器系统编配、装备的作战能力要求等开展技术互操作设计，包括：装备的组合方案、功能分解、流程、战技指标等。具体分为逻辑功能设计和物理功能设计。逻辑功能设计包括：逻辑功能的结构、流程、接口以及对事件的响应。物理功能设计包括物理模块与逻辑功能的满足分析、模块性能、接口、数据规范、调用时序、对事件的响应状态、物理设计标准以及对系统实现的工作分解与项目规划的整体研究。

对象模型也称为要素模型，核心是体系架构设计。架构模型形成的过程是按照各业务剖面进行局部建模，将模型与业务数据结合并通过统一集成框架进行整合，形成涵盖作战、能力、装备、数据等多维信息的架构模型，并进行多视角展示。架构设计过程如图2 所示。

图2 架构设计过程示意图Fig.2 Schematic diagram of architecture design process

2.2 武器系统局部逻辑的正逆推演技术

正向推演时，基于作战态势，正向构思和设计作战行动，逻辑推演出作战结果。逆向推演时，根据要求的作战结果或效果，进行局部作战过程和武器使用方法的逆推演，以获得最优作战行动设计和战术使用方法。

正向推演常用的是系统作战推演方法，把战略指导和方针转化为战役级设计的整体方式，聚焦于改造系统中各实体间的关系和交互作用，确保形成的战术行动与战略目标在内在逻辑上相一致。

逆向作战推演主要包括：基于重心理论和基于效果的作战推演方法，基于重心理论的推演方法根据设想的敌方终态与战略目标确定双方的作战重心，对形成重心的关键能力、达成关键能力的关键需求、关键需求中存在的关键脆弱点进行逐次推理分析，将依据重心和关键脆弱点得出的作战行动决定点连接成作战线，最后统筹所有作战线并作为设计作战行动框架的基础。基于效果的作战推演方法根据所要达到的效果将目标表示为具体的任务陈述，聚焦于瓦解节点和联系，把潜在敌人或战役环境作为一个系统进行体系分析，建立敌目标的系统化模型，考虑系统中多层次效果，采用效果—结点—行动—资源（Effects-Node-Action-Resource，ENAR）联动方法，通过逆向设计、执行、评估和调整作战行动以达到期望的物理效果和行为效果。在推演结果不理想的状态下，采用基于乐观时间管理机制保存决策点状态，撤销已执行事件，回退到上一个决策分支重新推演。

3 数据驱动的装备建模与学习方法

3.1 数据驱动的装备建模方法

数据驱动的装备建模方法包括：基于体系设计结果数据进行装备建模、虚实结合的数据驱动装备建模和参数化组件化的通用装备建模方法。

体系设计结果数据驱动装备建模确保建模过程在体系牵引下进行，更具面向体系对抗的针对性。基于作战体系设计输出的作战节点、节点交互关系、任务时序、任务指标、任务分配、信息流、作战能力；作战节点编配的火力装备、情报装备、指挥装备和保障装备等，开展装备体系设计，输出各类装备的组合方案、接口关系、功能分解、功能逻辑关系、战技指标等。装备体系设计成果为装备建模提供约束框架、装备分解关系、逻辑功能、物理功能、参数、调用关系和接口关系等。其中还包含装备体系的多层级指挥关系、基于Agent 的动态组合信息流等。

在体系框架下的想定与装备功能模型基础上，面向装备训练与实兵对抗演习动态推演评估需求，在体系作战模型设计的不同层次，开展功能模型与实际测量数据混合的数据驱动建模方法研究。首先，以体系作战为基础进行分解，将战争、作战任务、战术规划、单个交战场景、作战系统、环境与武器子系统等作为输入，从战争主体行为模型构建到各子系统功能模型，从作战综合模型分解到详细战场环境各要素模型，然后由单个功能模型组合反馈实现战术场景仿真，使仿真环境能与实际战场真实环境相符合。其次，在可分解的作战场景态势想定模型、作战指挥网络系统功能模型、作战实体单元功能及物理模型、环境实体单元功能及物理模型等建立过程中，将作战态势想定架构由人工设定、程序规则设定，添加外部数据设定，将各实体对象三维几何、位置、运动、功能等属性由程序规则生成，添加可部分利用外部测量数据进行生成，最终的实体特性通过理论模型与外部测量数据其同驱动。

参数化组件化的建模方法使得模型能够灵活接收各种型号参数，当基于能力的需求分析输出的数据发生变化时，能迅速自动生成新的模型实例。针对同类装备功能相似、性能不同的特性，可以采用参数化建模来实现模型通用化。

3.2 基于规则知识的智能决策建模方法

武器系统体系作战智能决策规则分类如图3 所示，不但包括单兵力的平台指挥决策规则，还包括多兵力的方面战指挥决策规则和编队指挥决策规则。

图3 体系作战智能决策规则模型体系图Fig.3 System diagram of intelligent decision rule model for SOS operations

智能决策模型采用规则匹配的建模原理，模型被触发后将会对用户设定的规则进行逐条匹配。每条规则中包含了匹配条件和响应行为，匹配成功的规则会将本规则中设定的响应行为输出给决策模型，从而控制平台行动。当有多条规则同时匹配时，平台将按照规则优先级逐条执行响应动作。

根据决策规则的“动态性”特点，即“满足何种条件时采取何种应对方法”，基于ECA 的基本原理构建决策规则模型，模型要素包括触发时机（准则）、条件和响应动作三点。其中，触发时机是指什么时候判断决策规则是否适用；条件指的是战术态势图必须满足什么条件，此决策规则才能适用；响应动作则是指执行此决策规则的指挥应采取何种决策规则行动。ECA 建模的重点是条件匹配和根据条件查找响应，在编队层面是计划和作战结果与条件的匹配，在任务和平台层面是战术态势与条件的匹配。

3.3 基于机器学习的智能决策建模方法

针对战场体系作战仿真推演过程中缺少武器装备智能决策模型的问题，基于体系建模与仿真平台中作战计划模型和战术规则模型对装备实体智能决策进行建模，并采用机器学习技术对其进行优化。提高装备实体智能决策水平的根本问题是缺乏作战实践经验，具体体现在缺乏大量标准的决策样本数据，缺乏决策样本数据的问题可以通过构建装备实体智能决策学习训练平台解决，样本可通过人人对抗、人机对抗和机机对抗等方式获得。针对以上问题以及指挥控制智能化的发展需要，借鉴棋牌、电子游戏等领域的智能决策技术的思路，分析出基于机器学习的智能决策建模技术研究内容间关系，如图4 所示。

图4 基于机器学习的智能决策优化方法Fig.4 Intelligent decision optimization method based on machine learning

1）基于已有的作战计划模型和战术规则模型，分别建立“编队、方面战、平台”多层级智能决策规则模型。

2）以机器学习算法框架和智能决策规则模板为基础，构建指控智能体神经网络模型，指控智能体在虚拟战场环境中通过机器学习优化规则模板中的参数。

3）构建武器装备智能决策能力验证环境，对武器装备智能决策模型进行验证。

智能决策的核心是能够指挥和控制装备模型进行体系对抗的指控智能体，指控智能体在与虚拟战场环境的交互中获得自我进化能力，该能力通过以深度强化学习为主的机器学习技术实现。指控智能体与虚拟战场环境的交互关系如图5 所示。

图5 指控智能体与虚拟海战场环境交互关系Fig.5 Interaction between command and control agent and virtual sea battlefield enviroment

4 体系对抗博弈的作战态势动态生成技术

4.1 体系对抗博弈架构设计

体系对抗博弈系统主要包括红蓝双方的指挥决策对象模型、战场仿真分系统、导控评估中心和数据综合处理中心。其中战场仿真分系统由体系级仿真平台和多个分布式的信号级局部仿真器组成，在需要时对武器系统局部对抗过程进行信号级仿真。

战场仿真分系统需要模拟红方指挥决策对象模型所需的海空情报信息，还需模拟蓝方指挥决策对象模型所需的情报信息，并按照蓝方的指挥关系及信息流程向蓝方指挥决策对象模型发送，响应蓝方指挥决策对象模型的兵力机动、行动指挥、传感器武器等控制命令，从而实现与红方指挥决策对象模型进行对抗的战场环境。导控评估系统在对抗过程中，接收战场仿真的虚拟态势，监控红蓝指挥决策对象模型的指挥过程，并根据对抗进程，将裁决结果、导调信息发送给红蓝指挥决策对象模型。数据综合处理中心主要是为对抗提供数据服务、模型服务，并对对抗过程中所有数据进行存储、管理。系统运行时，各系统间信息交互关系如图6 所示。

图6 武器系统体系对抗博弈信息交互关系图Fig.6 Information interaction diagram of weapon system of systems confrontation game

4.2 高性能并行仿真引擎技术

高性能并行仿真引擎技术支持作战态势的动态生成。通常一次体系对抗作战的周期大概2 天左右，在仿真过程中会产生探测、融合、通信等事件，每个事件均带来不小的运算量，并且这些事件经常会在同一时刻涌现，普通串行推演引擎在如此集中的运算量面前难免卡顿。此外，装备体系顶层设计过程中，需要开展大样本实验，更需要采用高性能、多CPU 的硬件环境。

采用基于离散事件的多线程并行设计技术，解决多CPU、多线程间时间同步、数据管理和事件调度的问题。采用并行仿真事件调度机制，为每个线程建立事件列表，引入统一的时间控制模块，约束线程的时间同步；建立战场信息管理器，维护资源；建立数据总线，采用公布订阅的传输机制，实现数据向模型推送，提高交互效率；采用事件描述模型间交互，建立模型间的交互关系网，解决模型调度和模型事件交互两大问题。

5 武器装备体系评估与验证技术

5.1 评估指标体系构建和计算

装备体系结构、作战指挥、装备配置是与作战任务密切相关的，从威胁层面、兵力层面、任务层面及最终的作战效能高层指标几个方面展开指标的分析，针对联合作战典型任务给出涵盖几个层面指标的集合指标模板。装备体系效能指标主要包括指挥控制和通信度量、探测与跟踪度量、交战度量和空中作战度量这些通用类指标，同时还包括水雷战度量、空中作战度量等专用类指标。计算总体效能时，可采用专家打分法确定指标权值，加权平均计算出总的体系效能。

5.2 基于大数据的体系效能分析

体系效能分析面临大数据困境，主要原因在于：

1）体系对抗仿真实验时，由于战场兵力规模庞大、兵力间关联关系复杂，待评估对象和评估考核内容繁多；

2）为支持装备体系论证，需要根据任务、想定、评估指标等进行多次仿真运行，由于联合作战中影响因素多、关系复杂，实验次数巨大，这些实验将产生海量的仿真数据，并且随着实验进行呈指数增长；

3）仿真数据种类繁多，包括战场态势、平台导航、探测、情报融合、指挥命令、战术决策、武器控制、武器弹道等；

4）在装备效能优化时，这些数据的价值密度低，影响装备体系效能的有效数据少，提取困难。因此，如何将这些海量数据与评估项目、评估指标等建立数据关联关系，选择性的进行数据重演，从而辅助装备体系优化人员快速找到装备体系中关键因素、并进行数据定位是关键问题。

在对数据进行预处理、指标分类统计、事件信息分类抽取的基础上，采用态势视图、统计图表视图、历史事件视图为主，各类专题数据视图为辅，多视图同步显示的方式，为评估人员提供多视图的辅助评估分析手段。态势视图在态势图上展示各类探测跟踪过程、兵力行动过程、交战打击过程。历史事件列表和时间序列图，可以按目标和对象分类展示探测、通信、指挥、武器系统、毁伤等历史事件。指挥控制能力定量分析视图可以借助时序图对指挥控制的正确性和及时性进行分析评估。采用基于时空关联的评估数据多视图展示技术，构建一个“可感知”、“可交互”、“可回溯”的分析评估环境。

5.3 体系贡献率计算

体系对抗条件下，还需对装备体系贡献率进行评估，研究武器装备体系在不同作战任务情况下多组关心的使命任务效能指标，通过比较基本方案与对比方案的使命任务效能指标计算装备的体系贡献率。体系贡献率评估具有以下特点：

1）随着立项综合论证、研制过程的不断推进，战技指标等技术状态逐步细化、固化，为开展静态的能力指标对比分析提供了数据基础；

2）从使命任务出发，设置体系对抗场景，以典型任务场景下的作战效能仿真进行体系贡献率评估。

5.4 基于平台的典型场景演示验证

要对武器系统体系设计成果进行验证，首先要构建体系设计与评估平台。平台体系结构如图7 所示，包括6 部分：规范层、资源层、支撑层、工具层、共用软件层，能够支持体系设计，基于设计成果的资源开发和仿真应用。

图7 体系设计与评估平台体系结构图Fig.7 Architecture diagram of system design and evaluation platform

红蓝对抗演示验证如图8 所示。背景是蓝方入侵造成局势紧张，红方集结兵力，准备进攻以打击蓝方。具体的验证方法是：基于使命任务进行体系设计，基于设计结果进行仿真建模和想定编辑。运行想定时，调用相关模型和参数，生成模型实例，然后调度引擎进行模型解算，收集战损、任务完成度等相关数据进行评估，反馈到体系设计环节，还能通过大样本运行，支持作战方案优选。

图8 红蓝对抗态势仿真推演界面Fig.8 Red blue confrontation situation simulation deduction interface

6 结 语

本文着眼于“全域作战、联合作战”条件下的新一代武器装备体系化、智能化、实装化的发展需求，针对多武器系统耦合体系作战中体系设计方法缺乏、武器装备体系贡献率缺乏科学评价等问题，阐述了基于对象模型的体系设计、数据驱动的装备建模与学习方法、体系对抗博弈的态势动态生成技术和武器装备体系综合评估技术研究，并基于复杂武器系统体系设计与仿真评估平台完成典型场景的演示验证。研究构建的武器系统体系设计与仿真平台，能够应用于体系对抗条件下的新一代武器装备论证、设计和研制领域，强化体系对武器装备研制的需求牵引，对于提高体系作战条件下的武器装备设计智能化水平与作战效能具有重要的战略意义。