基于RIMER方法的体系能力需求推荐方法

钱立炜, 徐向前, 豆亚杰, 谭跃进

(国防科技大学系统工程学院, 湖南 长沙 410073)

0 引 言

近年来,随着军队现代化、信息化建设脚步的加快,军事需求工程的任务也随之加重,同时也带来了许多问题:基层部队难以准确规范地描述军事需求、技术部门描述需求脱离实际、军事需求论证周期长等。这些问题导致技术部门与作战部队之间出现了严重影响需求论证效率的技术代沟,迟滞了军队未来联合作战任务下武器装备发展的脚步,传统的需求工程已经难以应对这种挑战。因此,本文聚焦于研究基于能力的体系需求推荐方法,为作战部队推荐其可能存在的需求,推动作战部队从描述需求转变为选择需求,大大减少需求生成的难度。

20世纪80年代,需求工程(requirement engineering,RM)的概念被提出[1],不久之后,RM便成为软件领域的研究热点。常用的需求描述方法有结构化自然语言描述方法、程序设计语言描述方法、数据流图描述方法、用例图描述方法、形式化描述方法等[2]。

近些年来,RM的理论和方法被继续不断完善,应用的场景也不断增多。文献[3]聚焦讨论软件开发场景下的需求描述。文献[4]则聚焦了RM方法在民用飞机机身段开发中的应用。文献[5]则讨论了敏捷产品线工程场景下的行为驱动RM。在企业系统开发场景中,对于提高中间件需求规范中的需求质量的方法文献[6]也开展了研究。在方法上,一种数据驱动[7]的方法不断被用于对需求进行更新和完善。文献[8]解决了成熟的RM过程组织中发生的与需求相关的问题。

2001年,美国国防部在其《四年防务评论报告》当中首次提出了“基于能力的方法”这一概念。在这份报告里,美国防务的规划必须要从 “基于威胁”的模式向着“基于能力”的模式进行转变。传统“基于威胁”模式的出发点为特定的威胁和想定,通过对其进行具体的、有针对的分析,从而明确国防和装备建设的目标和方向。为了应对高度不确定的各式威胁和环境,美军将建设的中心转移到了自身的能力建设上来[9]。最近几年里,许多国家采用基于能力的方法以研究通信技术[10-11]、武器装备组合决策方法[12-13]、卫星任务规划[14]、网络安全维护[15]以及紧急事件处置[16]等问题。

推荐系统自20世纪90年代被提出以来,经过了几十年的发展,推荐技术获得了飞速的发展,产生了多种不同类型的算法和技术。现下较为广泛应用的推荐方法按照原理分类，主要分为基于用户行为特征的推荐、基于标签的推荐、基于上下文的推荐以及基于知识的推荐技术[17]。

其中，基于知识的推荐技术主要依靠已构建的规则库实现,基于证据推理的方法是其中一种。证据理论,也称D-S(Dempster-Shafer)证据理论、信度理论,是Dempster在1967年提出,而后Shafer在1976年出版的《证据理论的数学基础》[18]一书中,进一步发展起来的一种不精确推理理论。在此基础上产生的证据推理(evidential reasoning, ER)是合成多条证据、给出命题结论的过程。证据的融合有多种方法,最早的合成规则为Dempster合成规则。之后,学者陆续提出了Yager合成规则[19]、Toshiyuki合成规则[20]等。为了在统一的框架下表示各种不确定信息,评估和优化复杂系统,YANG等提出了基于ER算法的信度规则库推理方法[21](belief rule-base inference methodology using the ER,RIMER)。RIMER方法集成了多种理论[18,22-23],具有对模糊数据、主观数据、概率型数据及无知信息等进行建模和分析的能力。

ER方法不断被学者改进研究,并应用于多种场景。文献[24]提出了一种基于逻辑推理规则和冲突测度的证据网络推理新方法。文献[25]研究了具有语言信度结构的ER。文献[26]将模糊ER与熵权结合对不确定性的电网应急能力进行评价。除此之外,ER方法还广泛应用于无人系统的健康分析[27]、空中目标识别[28]、传感器故障预测[29]、风险评估[30]等。

上述文献关于需求规范化描述、体系结构建模、基于能力方法的研究以及ER应用场景的研究虽然较多,但鲜有将军事需求场景与推荐技术相结合的研究。本文针对需求规范化描述、基于能力的方法、智能化推荐技术、ER技术的研究现状的综述和分析,将采用ER的方法对军事需求场景的能力需求进行推荐,填补军事需求推荐的技术空白,扩展推荐技术的应用场景,对传统的需求生成模式进行改进。

1 能力需求体系和使命任务描述方法

1.1 能力需求体系描述方法

为了便于能力需求体系的描述与构建,需要将能力需求划分为多个层次,形成能力需求的树状结构。能力需求体系结构如图1所示。

图1 能力需求体系描述示意图

在能力体系自身内部,各个能力需求之间同样也存在着相互影响的关系。底层的能力需求会对上层能力需求产生支持作用。对于能力体系中非叶子结点的能力需求项,必然包含一系列下层的能力需求,这些下一层的能力需求会对上层能力需求产生支持作用。也就是说,只有存在下层能力需求的能力测度取值较为理想时,对应的上层能力需求取值级别才会达到“强”的级别。

1.2 任务需求描述方法

使命是由一系列军事行动来完成的,而一个军事行动又包含了若干个作战任务,每一个作战任务都会有一系列衡量尺度去为战斗部队遂行任务提供指导。作为战斗部队的行动指引,这些衡量尺度会被设置一定的标准。这些作战任务以及其衡量尺度和标准则是体现了上级对于下级行动表现的需求和期望,因而使命任务需求便可以由一系列这样的衡量尺度和标准进行描述。

定义 1衡量尺度。衡量尺度是体现任务根本特征并予以辨别的属性。

定义 2标准。标准用于定义任务执行的可接受性,是对衡量尺度的描述。

定义 3信度。信度是衡量标准取值可信程度的属性。

上述各部分的关系如图2所示。

一系列作战任务的衡量尺度,标准及对应信度构成了使命任务需求,并以需求列表的形式呈现出来。列表当中的任务需求需要确定任务的背景(各项客观约束条件)、任务执行时间、开展行动的地点、完成任务的程度等必要信息。这些信息将有助于了解各项作战行动对于总体使命任务完成的贡献。

下面某空降任务为例,生成任务需求列表,如表1所示。任务编号为0，任务基本描述为：某空降旅搭乘C架Y型运输机，在A空域以H高度，将下辖部队空投至D地域。各部于××分之内在E地域集结完毕。某空降旅搭乘C架Y-9型运输机，在A空域以H高度，将下辖第1营，第2营，第3营空投至D地域。各部于××时××分在E地域集结完毕，向敌防线后方及防御纵深实施迂回穿插任务，夺取交通要道，破坏敌方指挥节点，保障设施。

表1 空降任务需求列表

2 基于ER的能力需求推荐方法

从使命任务到能力需求的转化过程是完成能力需求推荐的核心内容。通过上文当中提出的任务需求描述方法,对这些使命任务进行分解,并转化成规范化的描述形式,即一系列的任务需求清单。任务需求清单当中包含对于作战任务进行描述的衡量尺度和标准。之后将相应的任务需求清单列表进行输入,通过任务-能力需求转化置信规则库进行证据推理,之后得出相应的能力需求及其信度,从而完成推荐。

2.1 信度结构规则库结构

利用已有的历史经验和知识,建立起任务需求与能力需求的映射关系,作为证据推理的基础依据。能力需求推荐的规则库基本结构如下所示:

RB=〈M,C,F〉

(1)

式中：M={M1,M2,…,MP}为任务衡量尺度集合,集合中的元素Mi={mi1,mi2,…,mi|Mi|}为一项任务衡量尺度的标准在规则库当中的取值集合,Mi中的各项元素的意义为衡量尺度Mi在规则库中的标准取值，衡量尺度及对应的标准取值可共同作为规则库的前提条件；C={C1,C2,…,CL}则表示能力需求集合,其中元素(能力需求)的取值作为规则库的推理结果，取值结果共有3种{强,中,弱},代表对于能力需求的需求程度；F则为从前提条件到结论的转化关系。

规则库中的规则示例如下。

规则27:当该设备搭载在某机动平台上,通讯设备状态良好,在50 km距离上的目标进行通信时长不低于2 h时,其抗电磁干扰能力需求为(强,0.7),(中,0.25),(弱,0.05)。该条规则在规则库当中的相对权重为0.6,各项前置条件的权重分别为0.3,0.5,0.2。

该规则使用数学语言表示为:R27∶if(M1=“良好”)∧(M2=50)∧(M3=2),then{(强,0.7),(中,0.25),…,(弱,0.05)}。θ27=0.6,δ27,1=0.3,δ27,2=0.5,δ27,3=0.2

2.2 能力需求推荐

2.2.1 输入数据转换

输入数据的转化过程是指将输入的数据与规则库当中的前提条件相互匹配的过程。通过匹配计算可以找到与输入数据匹配度较高的几条规则的前提条件,从而更好地找到与输入数据匹配度更高的规则,并修正结论信度。

推理的输入数据为单个任务的衡量尺度标准x以及信度ε:(x1,ε1),(x2,ε2),…,(xP,εP)。εP为输入数据xP的信度,代表该数据值出现的把握或可能性。

获得带有信度的输入数据之后,即可对输入数据与规则前提条件的匹配程度进行计算:

T(xi,εi)={(mij,αij)|i=1,2,…,P,j=1,2,…,|Vi|}，

(2)

式中：T(xi,εi)表示输入数据(xi,εi)经过数据转化之后,所匹配到的前提条件的集合,集合的元素为任务衡量尺度指标集合Mi的第j个取值mij和相应匹配程度αij组成的二元组,αij∈[0,1]；φ(xi,mij)为相似函数,用来刻画xi与mij的相似程度。

相似函数种类较多,一般根据数据的类型和特征进行选择,本文主要采用能力属性为离散数值情况下的相似函数,表达式为

(3)

其中,mi k≤xi≤mi(k+1),对规则库当中任务衡量尺度标准集合Mi={mi1,mi2,…,mi|Mi|},其取值mij∈Mi。假设集合中元素已按照单调递增序列排序。

规则库当中任务衡量尺度标准的取值为{30,60,80},输入的数据值为(65,1),则原输入数据与库中对应规则标准取值的相似程度分别为φ(65,30)=0,φ(65,60)=0.75,φ(65,80)=0.25,因而输入数据与所对应规则标准取值的匹配度分别为α30=0,α60=0.75,α80=0.25。

2.2.2 规则匹配计算

进行输入数据与规则匹配程度的计算实质上是将一系列规则前提的匹配度进行聚合的过程,因为输入与规则的匹配程度取决于其与规则的前提条件匹配程度的总和。将一系列前提条件匹配程度进行汇总的过程需要使用一个聚合函数,记作:

(4)

对于前提条件的聚合方式有两种,一种是所有前提条件都使用“∧”进行连接,而另一种则是全部通过“∨”进行连接。对于两种连接符号同时出现的情况,可以通过相应的数学逻辑运算,转化为只含有一种连接符号的形式。

(1) 前提条件使用“∧”进行连接时

在此情况下,前提条件匹配程度的聚合方式类似于独立条件下的概率乘法,即将所有前提条件的匹配度进行累乘,聚合结果为

(5)

(2) 前提条件使用“∨”进行连接时

该情况对应的是前提规则只需满足其中一种的情况,匹配程度的计算方法为

(6)

在根据上述两种情况的聚合函数得到了与第k条规则的匹配程度αk之后,便可结合第k条规则自身的权重θk进行激活,归一化之后的激活程度ωk可以表示为

(7)

式中:当αk=0时,有ωk=0。此时输入数据与该条规则匹配程度为0,激活程度也为0,意味着该条规则没有被激活。

在规则库当中,该规则的权重θk通常情况下均为相等的,但必要情况下可通过改变权重θk的取值进行调整。

2.2.3 结果信度分布修正

由于现实的输入数据经过转化之后,与规则库当中的前提条件中的能力需求并非是完全匹配的。一条规则当中的部分前提条件往往可能是与转化后的输入数据相匹配。为此,需要对结果的信度进行一定的修正:

(8)

(9)

(10)

式中:Mt是一个衡量尺度;Rk是规则;Tk是第k条规则当中包含的衡量尺度个数；l和k分别是结论和规则的编号,l=1,2,…,L,k=1,2,…,K。规则库当中共有K条规则以及L个结论。

2.2.4 ER

通过以上步骤,带有信度结构的规则库已被构造出来。同时完成了输入数据的转换,输入数据对相应规则的激活程度以及结果信度的修正,接下来介绍ER的过程。

最终对于规则库cl结果信度的计算方法为

(11)

式中：RL为包含结论cl的规则集合；Θl为结论cl的最终信度。

最终的单个任务推理输出即为(c1,Θ1),(c2,Θ2),…,(cL,ΘL)。

整个证据推理算法流程如图3所示。

图3 基于ER的能力需求推荐过程示意图

2.3 能力需求智能化聚合

在完成了对于单个任务能力需求的推理之后,需要将多个任务的能力需求进行聚合。能力需求聚合是将单个任务的能力需求向整个军事行动的能力需求转化的过程。聚合的过程是指将多个任务的能力需求进行汇总,并将重复的能力需求进行合并的过程。

合并的过程示意如图4所示。

图4 能力需求聚合示意图

Ji=ρ1xi+ρ2yi+ρ3zi，ρ1≫ρ2≫ρ3

(11)

Ji取值最大的结论项即为最终聚合所取的结论项。

3 基于能力的体系需求推荐方法应用示例

在前两个部分当中已经介绍了能力需求及使命任务的描述方法,基于ER的能力需求推荐方法。本部分将通过针对某工兵分队的作战任务,进行相应能力需求的推荐过程开展研究,从而帮助该部队准确把握其能力需求,并验证本文的推荐方法是否合理和科学。

案例研究主要分为以下几个步骤:① 针对工兵的作战能力需求进行描述,构建相应能力需求体系;② 对工兵典型作战任务进行描述;③ 构建置信规则库,进行证据推理,完成单个任务的能力需求智能化推荐;④ 进行智能化能力聚合,完成对使命任务的能力需求智能化推荐。

案例研究流程如图5所示。

图5 案例研究流程图

3.1 能力需求体系构建示例

根据能力需求体系构建方法,可以得到工兵能力需求体系如下。

机动能力需求C1:陆上机动能力需求C11,复杂地形通过能力需求C12。

火力打击能力需求C2:地面火力压制能力需求C21,反装甲能力需求C22,反工事能力需求C23,对空打击能力需求C24。

防护能力需求C3:火力防护能力需求C31,核防护能力需求C32,生物防护能力需求C33,化学防护能力需求C34。

工程支援能力需求C4:雷场布设能力需求C41,雷场扫除能力需求C42,桥梁架设能力需求C43,道路铺设能力需求C44,工事修筑能力需求C45,障碍破除能力需求C46。

信息感知能力需求C5:通信能力需求C51,侦察能力需求C52。

以上共概括了C1到C55个一级能力需求,每个能力需求下包含C11到C52等若干二级能力需求。

3.2 任务需求描述示例

本文模拟某次演习当中分派给工兵分队的作战行动作为想定,该想定仅供验证推荐方法,数据部分参考了文献[31-32],并进行一定的加工处理,想定内容如下。

某部预定于XX时XX分向A阵地发起进攻,下属工兵分队协同侦察分队抵近前沿进行工程侦察,查明敌防御地带情况,并进行上报。

该部于XX时XX分开始进攻。下属工兵分队负责为进攻分队开辟通路。于较难通过地区架设桥梁,破坏敌方障碍物,并压制和打击部分火力点,保障主力向进攻地域开进。

主力进攻分队夺取A阵地并转入防御。工兵分队负责在A阵地修筑工事,协助防御,保障固守A阵地。于阵地外远距离快速设置雷场障碍,迟滞可能来犯之敌。

依照上述想定,根据图2的任务分解方法,将任务想定内容分解为3个任务。3个任务为同一场军事行动下的3个作战任务,相互联系,依次递进。生成的各个任务需求列表如表2～表4所示,各个衡量尺度的标准在规则库当中所有可能取值的部分展示如表5所示。

表2 任务1任务需求列表

表3 任务2任务需求列表

表4 任务3任务需求列表

表5 规则库中任务衡量尺度标准取值

3.3 ER示例

根据ER方法,接下来以工兵分队的任务想定为例,构建相应规则库,实现从任务需求到能力需求的转化。

3.3.1 置信规则库构建示例

根据相关资料和专家经验,得出了证据推理规则库,本文中的规则库仅供验证推理方法,表6给出规则库片段。其中，推理结论当中的A代表能力需求的 “强”,B代表能力需求的 “中”,C代表能力需求的 “弱”。

表6 规则库部分规则示例表

为方便案例演示,规则库当中的规则权重θ均取相同值,对推理结果不造成影响,因而在上述规则表当中也未给出权重值一列。在实际应用当中,可以加入每条规则的权重。

3.3.2 ER计算过程示例

推理过程示例当中,为方便演示和计算,规则之间的权重θ与每条规则内的前提条件权重δ取值均相同,因而在计算过程中可不代入计算。

以上述任务当中的任务1为例,输入数据即为表2的输入内容:(M11=1 200,1),(M12=2,1),(M13=10,1),(M14=90,1),(M15=2.5,1)。

将输入的取值与取值表即表5当中的值进行比对,计算获得匹配程度:φ(1 200,1 000)=0.6,φ(1 200,1 500)=0.4,φ(2,2)=1,φ(10,10)=1,φ(90,90)=1,φ(2.5,2)=1,φ(2.5,3)=1。

根据各规则前提条件的匹配情况,根据式(9)又得到了各规则结论的修正因子μk取值为:[0.5, 0.5, 0, 0.5, 0.5, 0, 0.75, 0.75, 1, 0.7, 0.4, 0.4, 0.8, 0.6, 0.6, 1, 0, 0, 0.5, 0.5, 0, 0.75, 0.75, 1, 0.5, 0.5, 0]。

结合求出的各规则激活程度ωk以及结论的修正因子μk,根据式计算得到任务1的结果输出为:C11={(A, 0.146 875),(B, 0.039 583 33),(C, 0.042 708 33)};C21={(A, 0.156),(B, 0.041 333 33),(C, 0.036)}；C51={(A, 0.171 875),(B, 0.044 791 67),(C, 0.012 5)}。

同理,得出任务2和任务3的结果输出。

任务2结果输出为:C21={(A, 0.15)(B, 0.04)(C, 0.06)}；C42={(A, 0.18)(B, 0.047 5)(C, 0.022 5)}；C43={(A, 0.17)(B, 0.03)(C, 0.05)}；C46={(A, 0.165)(B, 0.05)(C, 0.035)}。任务3结果输出为:C21={(A, 0.128 787 88)(B, 0.051 515 15)(C, 0.031 818 18)}；C31={(A, 0.128 787 88)(B, 0.051 515 15)(C, 0.031 818 18)}；C41={(A, 0.396 969 7)(B, 0.109 090 91)(C, 0.069 696 97)}。

根据任务1的结果输出,为该工兵分队的能力需求推荐按照如下顺序呈现:通信能力需求C51,地面火力压制能力需求C21,陆上机动能力需求C11。

任务2的能力需求推荐结果为:雷场扫除能力需求C42,桥梁架设能力需求C43,障碍破除能力需求C46,地面火力压制能力需求C21。

任务3的能力需求推荐结果为:雷场布设能力需求C41,火力防护能力需求C31,地面火力压制能力需求C21。

3.3.3 能力需求聚合过程示例

按照能力需求最大化聚合模型,地面火力压制能力需求C21在3个任务推荐结果当中都出现了,因此需要对其进行聚合。3个任务对应该能力需求的结论信度分别为:任务1:{(A, 0.156),(B, 0.041 333 33),(C, 0.036)};任务2:{(A, 0.15),(B, 0.04),(C, 0.06)};任务3:{(A, 0.128 787 88),(B, 0.051 515 15),(C, 0.031 818 18)}。

因此，聚合后应当取信度值最高的结论项,即C21={(A, 0.156),(B, 0.041 333 33),(C, 0.036)}

最终经过能力聚合之后,由3个任务推导出的该想定下总能力需求如表7所示。

表7 能力需求信度

最终的推荐结果按照信度顺序为:雷场布设能力需求C41,雷场扫除能力需求C42,通信能力需求C51,桥梁架设能力需求C43,障碍破除能力需求C46,地面火力压制能力需求C21,陆上机动能力需求C11,火力防护能力需求C31。

3.4 结论分析

从实际情况的角度分析,信度较高的能力需求项主要为雷场布设能力需求C41,雷场扫除能力需求C42等,这类需求主要为工兵的专业技术能力需求,突出了工兵本身的技术特性,具有不可替代特性;而相对应的最后几项能力需求,如:地面火力压制能力需求C21,陆上机动能力需求C11,火力防护能力需求C31则是更为通用的能力需求,该部分能力需求可由其他兵种支援补充,因而需求度较低。

这部分的分析结果是符合实际的,工兵作为技术兵种,更加注重和突出的是其工程保障和支援的业务。因而工兵对于工程保障能力的需求往往更加强烈,这与推荐的结果也相照应。在实际作战当中,工兵火力压制与掩护能力需求可由步兵、炮兵、装甲兵进行支援,防空能力需求也由于防空部队的掩护被弱化,核生化的防护需求可由防化兵提供。推荐结果当中,工兵的非专业能力需求排到了靠后的位置上,这也是与现实情况相符合的。

从实验数据的角度分析,推荐的结果当中,各项能力需求的信度数值普遍较低,原因是一条规则的前提条件被激活的个数较少,导致修正因子取值较低,因而给出的修正因子取值多集中在0.5左右,致使最终的结论信度普遍较低。

同时,在工兵能力需求体系当中出现的部分能力需求在推荐结果当中并未体现,原因在于该方法根据任务需求推荐对应的能力需求。由于案例当中的任务类型有限,并未激活全部规则并推荐所有的能力需求。而在实际应用当中,构建规模庞大且完备的规则库,输入充分的任务衡量尺度,推荐结果则更可能会覆盖绝大多数能力需求项。

4 结束语

本文聚焦能力需求的构建阶段,把握住从任务需求到能力需求的转化的核心问题,通过研究能力需求和任务需求的描述,以及基于证据推理的转化方法,对基于能力的体系需求智能化推荐方法展开了研究,最后使用工兵能力和装备复杂体系的实例开展研究。

在研究当中,仍存在一定问题,主要体现在:① 置信规则库的构建主要以专家经验为主,对映射转化过程的科学性和合理性可能有一定的影响。② 最终结果仅仅是推荐了能力需求的强度,没有进一步地将能力需求的能力测度和指标进行推荐,推荐深度不够。③ 该研究仅仅是从需求目标单位自身的角度出发,没有应用其他单位的历史数据作为参考,具有一定封闭性。

从实用意义的角度分析,本文将推荐技术与军事能力需求场景进行结合,实现了为任务部队以及科研部门推荐适应于任务的能力需求的功能。本文的推荐方法可以辅助部队通过任务快速、明确地找到自身的能力需求，从而为任务的遂行、部队的成长、军事理论的发展提供了有力的支撑作用。