复杂水下战场环境中的多目标威胁评估及攻击优选方法*

王百合，杨向锋，张群飞*，雷开卓

（1.西北工业大学航海学院，西安 710072；2.中国船舶第七〇五研究所，西安 710075）

0 引言

现代战争中，随着高新技术的不断发展和应用，参战力量多元，战场空间多维，多种战斗样式和作战手段综合并用，体系对抗作战使得海上作战环境更为错综复杂，战场态势的不确定性和随机性也明显增大。同时，随着水下多目标跟踪和多传感器协同探测技术的发展，战场态势感知能力的提高，使得战场网络节点之间的信息交互加强，所需要处理的数据量剧增，且呈现大数据特性，这些都给水下信号处理的研究带来极大的挑战。在现代高科技条件的海战中，目标将多以群体的形式出现，战场上的目标呈现出多样性和多变性，目标类型和数量也在不断增加，目标的机动性将会更强，目标的隐蔽性也会更高，执行各种作战任务的鱼雷面临越来越复杂的水下战场环境。在信息化海战条件下，鱼雷如何能准确、迅速、及时地反映复杂战场态势的变化，并对水下多目标进行攻击优选和威胁评估是提高鱼雷武器作战效能的必要手段。

目前专注于多目标跟踪中威胁评估和攻击目标优选的研究性综述相对较少。本文给出了目标威胁评估与攻击目标优选的概念及相互关联性，综合分析了现有的威胁评估和攻击目标优选决策方法，评价了方法的性能，指出了这些方法中亟待解决的问题及可能的解决思路，展望了水下多目标威胁评估和攻击目标优选的发展方向，以期对威胁评估和攻击目标优选研究有所帮助。

1 目标威胁评估与攻击优选

目标排序是根据当前水下战场态势，按照某种准则，确定多目标被攻击的先后顺序。作为多目标跟踪系统中的重要一环，目标排序是决策者确定作战目标、制订作战方案和优化攻击弹道的主要前提之一。就目标排序而言，有两个层次的含义，一种是基于防御方的，是来袭目标对我方目标可能造成的威胁程度的预测，即威胁评估。进行评估的主要目的是确定敌方武器装备、兵力部署对我方形成威胁的程度或等级，并对对我方目标构成最大威胁的目标进行攻击和拦截。另一种是基于攻击方的，是对所有探测到的敌方目标性质的判断。进行评估的主要目的是在所有探测到的敌方目标中判断目标的真假，以定量形式对目标为真的程度进行估计和分析，按照目标为真的程度对其攻击优先级进行排序，即攻击优选，导引武器系统对攻击优先级最高的敌方目标进行攻击。

目前，多目标威胁评估与攻击优选研究大多针对单一兵种，在空对空、空对地、防空、城市作战、无人机对地、联合火力打击等领域均已有重要的应用。虽然应用背景和应用领域存在差异，但方法具有一定的共通性，都是基于目标的评估指标属性值对目标的评估和决策，因此，本文侧重讨论现有的威胁评估与攻击优选方法的研究现状。

2 现有评估决策方法的研究进展

2.1 基于确定性多属性决策理论的决策方法

多属性决策（MADM）又称为有限方案多目标决策，它是由方案对属性的属性值构成决策矩阵，各种分析方法均以决策矩阵为分析的基础。多属性决策的实质是根据已有的决策信息通过一定的方法对多个方案进行排序或择优。根据决策者对决策问题提供偏好信息的环节及充分程度的不同，可将求解多属性决策问题的方法归纳为：无偏好信息的方法、有属性偏好信息的方法和有方案偏好信息的方法；根据偏好环节对多属性决策方法进行分类，常用方法如简单加性加权法（SAW）、层次分析法（AHP）、灰色关联法（GRA）和逼近理想解法（TOPSIS）等。文献［13］针对空地多目标攻击中的目标威胁判断和排序问题，以及传统的AHP 判断矩阵不满足一致性的缺陷，对传统AHP 方法进行了改进，并通过仿真实例证明方法有效。文献［14］针对GRA 和TOPSIS 方法各自的优缺点，提出了一种基于改进GRA 和TOPSIS 的威胁评估方法，不仅克服了两种方法本身的局限性，使威胁评估相对贴近度模型更加准确，还更加合理地评估了目标的威胁度。文献［15］将变权理论与TOPSIS 方法相结合，通过引入状态变权向量，使指标的权重随着指标值大小和指标之间的关系变化而调整，该决策方法可以满足不同条件下的决策要求。文献［16］将线性加权法和战术意义标绘的思想结合起来，通过相对态势因素和目标本身属性因素来描述目标优先级的影响因素，不仅很好地反映了对各个因素的重视程度，还使算法避免了多参数选择问题，使排序方法更加合理。

2.2 基于不确定多属性决策理论的决策方法

由于战场环境的复杂性、噪声干扰和武器系统自身的不稳定性，以及数据信息处理方法等因素的影响，用于决策的数据存在不确定性、不完备性和不可靠性，决策方法也相应由确定性多属性决策发展到基于模糊理论、区间数理论、灰色理论和信息论的不确定多属性决策方法。直觉模糊集同时考虑了隶属度、非隶属度和犹豫度，更加细腻地刻划了客观世界的模糊本质，在处理模糊性和不确定性信息方面更具灵活性和实用性。文献［18］针对防空作战中的目标威胁评估，提出了一种多时刻融合的直觉模糊评估方法，利用直觉模糊熵表示模糊信息的可靠性，对传统TOPSIS 方法进行改进，并结合决策者的偏好，构建直觉模糊排序模型，仿真结果表明该方法灵活性强、可靠性高。文献［19］提出了一种基于直觉梯形模糊信息的地面防空目标优先级排序方法。使用直觉梯形模糊数对空中目标的属性进行描述，仿真实验证明方法合理并可行。以往基于直觉模糊推理的方法忽视了对直觉指数方向的考虑，导致了推理过程中部分信息的丢失，文献［20］将直觉模糊相似度测量以三维表示，对原有方法进行了改进，并应用于空战目标威胁评估。文献［21］提出了一种改进的广义直觉模糊软集方法并应用于空战目标威胁的动态评估，该方法采用直觉模糊熵和相关熵理论确定指标的权重，并采用泊松分布确定时间序列的权重，最后由时间加权的广义直觉模糊软集方法确定目标的威胁度，该方法克服了静态评估的缺点，更适合于多变的战场环境。

区间数能更好地表示和处理一些模糊不确定信息，因此，区间理论为基于不完备信息的决策提供了一种新的思路。文献［23］系统研究了基于区间直觉模糊多属性决策的动态融合目标威胁评估方法，重点研究了区间直觉模糊集的幂加权几何平均算子和权值求解方法，并提出了适用于空战目标威胁评估的动态融合威胁评估方法。文献［24］针对超视距空战中数据信息不精确且不完备的问题，采用区间集对分析进行空战态势评估，利用集对分析将区间数转化为联系数，仿真实验表明该方法使态势评估的真实性和实时性都得到了一定程度的提高。针对复杂战场环境下目标属性测度的不确定性问题，文献［25］考虑决策数据中犹豫度信息对决策结果的影响，对区间直觉模糊集的决策模型进行改进，提出了复杂防空作战环境下的多目标优先级求解模型，该模型不仅使决策结果更加准确，而且使目标优先级的求解更具使用性，并在多传感器资源优化中发挥了重要作用。

灰色系统理论也是一种解决不确定性问题的方法，灰色建模对数据样本点数和分布规律的要求并不高。文献［26］将变权理论与灰色关联分析结合起来，构建了基于变权灰色关联法的目标威胁评估模型，解决了传统威胁评估方法中由常权法评估产生的“状态失衡”问题。文献［27］针对空袭目标威胁，提出了基于灰色聚类的威胁评估与排序方法，通过灰色理论中的灰色变权聚类方法，建立空袭目标威胁度评估模型，并基于仿真实例证明模型具有有效性和实用性。文献［28］针对航空兵对地攻击目标选择问题，利用灰色关联分析对地面多目标威胁度进行评估，并结合遗传算法进行目标分配，最后结合目标分配方案及实际战场态势对打击目标进行排序。有学者将灰色理论与其他理论方法结合起来，充分利用不同方法的优势来解决威胁评估问题。文献［29］分析了TOPSIS 方法和GRA 方法各自的优劣，TOPSIS 主要考虑方案与理想方案之间的距离，GRA 主要考虑数据变化的趋势，将两种方法结合起来可以互相弥补各自方法本身的不足，并有效解决了反导作战中的弹道目标威胁评估。文献［30］将区间数理论与灰色关联分析结合起来解决地面合成分队联合作战中的集群目标威胁评估问题，将区间数理论与作战态势相结合用以确定区间变权权重，再与灰色关联法结合构建基于区间数的最小二乘灰色关联威胁评估模型。区间变权的方法弥补了常权方法对决策的影响，使评估结果更加准确，且更加符合联合作战背景下的战场实际。文献［31］结合区间数理论、灰色关联理论和熵权理论构造了区间灰色熵威胁评估模型，对高超声速巡航导弹进行威胁评估，区间数描述了评估数据变化的范围，灰色理论弥补了对目标特性认识的不足，熵权理论描述了评价指标的重要程度，方法更具有普适性和实用性。

粗糙集理论也可以用于对不精确和不确定数据的分析，不仅具有一定的容错性和实效性，还可以通过知识约简实现消除数据冗余，在决策分析方面已有重要的应用。文献［33］提出一种融合信息熵和粗糙集理论来解决空中目标威胁评估的方法。由信息熵确定最大权重的属性作为决策属性，再构建粗糙集决策信息系统对空中目标的威胁程度进行评估。模型不仅拓宽了粗糙集理论的适用范围，并减少了决策者主观因素的影响。文献［34］提出了一种基于粗糙集和CRITIC 法的威胁评估方法，结合CRITIC、数据挖掘和粗糙集理论解决不确定信息下空战目标威胁评估，在所构建的完备粗糙集决策系统中实现属性约简和威胁度最小决策规则提取，该方法可解决信息缺失条件下的目标威胁评估。

2.3 基于机器学习的决策方法

目标威胁评估方法分为两类，一类是根据评估对象选取不同的威胁因子，再对威胁因子进行综合，所讨论的方法包含于2.1 节所讨论的基于多属性决策的决策方法。另一类是基于机器学习的方法，如神经网络、支持向量机、深度学习、专家系统、证据理论等。随着高新技术的发展，现代战场态势的复杂度明显跃升，包含了大量不确定性和非线性的复杂信息，呈现大数据特性，对战场中的多目标威胁评估技术提出了更高的要求。机器学习技术经过训练后可以深度挖掘出目标威胁度与评估指标之间的内在关系，简化评估过程，提高评估的实时性。

神经网络具有自适应学习能力、并行计算、分布存储、可靠性高等优点。文献［37］利用云模型定量描述不确定信息，再采用动态加权贝叶斯网络推理，同时改进灰色关联极大熵法求解指标权重，解决了超视距空战目标威胁评估问题。文献［38］在水下无人航行器威胁评估中比较了静态贝叶斯和动态贝叶斯神经网络的评估性能，仿真结果证明动态贝叶斯网络更具优越性。文献［39］将灰色理论与神经网络结合起来，建立灰色神经网络模型，并采用模拟退火粒子群算法对网络参数初始值进行寻优，威胁评估仿真实例表明该方法性能优于传统的灰色神经网络和粒子群灰色神经网络方法。文献［40］提出了基于标准化全连接残差网络的空战目标威胁评估方法，利用深度学习技术，结合批量标准化的优化算法和残差网络增强网络的自学习能力，有效解决了传统方法自学习能力差和对大样本数据推理能力不足的问题。文献［41］将主成分分析与ELM 神经网络和粒子群算法结合起来解决空战中的威胁评估问题，主成分分析消除评估数据的冗余，改进的粒子群算法用来优化ELM 神经网络的初始权值和阈值，有效提高了算法的实时性和精确度。

证据（dempster-shafer，D-S）理论是一种集集合论和概率论于一体的不精确推理理论，具有处理不确定信息的能力，且可以综合不同专家或数据源的知识和数据，适合处理不精确、不完全信息的融合问题。文献［43］结合熵权法、灰色关联分析和证据理论对空中目标进行威胁评估。熵权法确定指标权重可以降低人为主观因素的影响，由灰色关联法确定指标的不确信度克服主观设定Mass 函数的不足，最后基于D-S 证据理论对Mass 函数进行合成，仿真结果表明该方法降低了决策的不确定性，使结果更精确合理。文献［44］通过证据网络推理实现对敌机威胁等级的评估，证据网络模型是D-S 证据理论与图模型的结合，能充分发挥D-S 证据理论在不确定性信息处理，尤其是在认知不确定性的建模和分析上的理论优势。

3 存在问题与发展趋势

目标威胁评估与攻击优选技术受到越来越多学者的关注，已经取得了很多的研究成果，确定性和不确定性多属性决策，以及基于机器学习的决策方法在适用数据环境、模型的准确性、容错性和时效性等方面都各具优势。确定性多属性决策方法的评估结果准确可靠，具有较强的说服力，但同时也存在模型较复杂、计算量大和由此带来的实时性差的问题；不确定性多属性决策方法适用于处理不完备、不精确的数据信息，具有一定的容错性和实效性，但涉及的决策规则较多，修改困难，且算法串行，难以保证实时性；而基于机器学习的决策方法不需要对评估过程进行复杂的建模，经过数据训练后可以挖掘出评估参数之间的内在关系，简化评估过程，提高评估实时性，但需要大量的先验知识。

针对复杂水下战场环境中多目标威胁评估与攻击优选的研究和应用，还存在一些亟待解决的问题：1）由于战场信息存在不完全性、不一致性和不确定性等问题，特别是由于敌方的欺骗行为等造成的信息变化不一等因素，常常导致目标优选排序系统推导出不可靠的结论。目标优选排序至今没有一个统一的评估模型和方法。2）战场态势瞬息万变，整个战斗过程应当是一个动态的全过程，各目标的威胁评估应该是对动态全过程的评估和决策。但现有的大部分多目标攻击优选和威胁评估方法大多只考虑了当前态势，不具有连贯性和预测性。3）基于多属性决策的攻击优选和威胁评估方法发展历史最长，使用最为广泛，但是计算量大，难以满足实时性需求；评估指标权重在求解过程中易受到专家主观经验的影响，在实战应用中存在一定的局限性。4）现代海战是涉及陆、海、空、天、电等多种作战手段和方式的复杂体系作战，存在信息种类繁多、信息量剧增、信息不完整和信息冲突等问题，战场态势的复杂性跃升，相比其他作战领域，目前针对复杂水下战场环境中的目标威胁评估和攻击优选的应用和验证研究较少。

根据目标威胁评估与攻击优选方法的研究现状与应用于复杂水下战场环境中亟待解决的问题，主要有以下发展趋势：1）由于战场环境的随机性、模糊性等不确定性的存在，不确定性决策方法蓬勃发展，直觉模糊集、Vogue 集、区间数在处理模糊性和不确定性等方面更具灵活性和实用性，更加适用于对这些信息的合理描述，传统的确定性多属性决策方法应该更多地向基于不确定性多属性决策方法发展。2）专家系统往往需要设计大量的规则，可移植和学习能力差；神经网络难以获得好的训练样本，导致模型训练不够充分、评估不够准确的问题，难以满足实战需求。当今社会已经进入信息化大数据时代，人工智能、机器学习和深度学习具有强大的非线性处理能力，应该更多地应用到目标攻击优选和威胁评估中来。3）遗传算法、蚁群算法和粒子群算法等仿生算法已经逐步应用到评估决策的方案优选和权重求解中，但遗传算法搜索效率低，蚁群算法和粒子群算法容易陷入局部最优解，还需在理论上做进一步的探索。4）现有目标威胁评估与攻击优选方法及改进模型已在防空作战、城市作战和联合火力打击等各种战场环境中得到了广泛的应用和验证，水下战场具有空间广阔、要素复杂和结构多维的典型特点，针对复杂水下战场环境中的目标威胁评估和攻击优选问题，指标优选加权、决策评估模型等方面需要进行进一步的应用、验证和优化。

4 结论

多目标威胁评估和攻击优选已经成为武器系统的研究方向和衡量武器系统性能的一个重要标准，与此同时，多目标跟踪攻击也是现代海战的主要形式和发展趋势。多目标攻击优选和威胁评估是水下多目标跟踪中一项必不可少且非常重要的环节，对水下目标的有效攻击是必须建立在及时而准确的攻击优先级评估基础之上的，只有对水下目标的攻击优先级作出了及时而准确的判断，才能合理确定目标的攻击次序，使武器系统的综合效能最高，这是水下攻击型武器发展的主要目标。但是，行业内有关水下多目标跟踪中威胁评估和攻击目标优选的研究报道较少，尚需投入大量研究力量，任务紧迫。

本文针对复杂战场环境下的威胁评估和攻击目标优选问题，对近年来的研究成果进行了总结，从经典的基于确定性多属性决策理论的决策，到目前流行的基于不确定性多属性决策理论和基于机器学习的决策方法，并对存在的问题和发展趋势进行了展望。这对于想要系统地了解多目标威胁评估和攻击优选的学者具有实际指导意义，对水下多目标跟踪中威胁评估和攻击目标优选研究具有借鉴意义。