戰時裝備調配保障需求預測方法研究

羅建華， 鄒 渝，2， 王遠立， 周澤云

（1.裝甲兵工程學院 科研部，北京100072； 2.石家莊機械化步兵學院 教練團，河北 石家莊050085）

裝備調配保障，是為保持部隊裝備齊裝配套所進行的一系列裝備保障活動［1］。戰時裝備調配保障包含了戰時裝備調配保障準備、擬制調配保障方案、調整充實裝備儲備等內容。戰時裝備調配保障需求主要是指部隊提出的裝備需求，即申請補充裝備的種類和數量。科學準確的需求預測是實施戰時高效保障的前提。當前，需求預測的方法包括經驗分析法、兵力損耗法、馬爾可夫鏈法、神經網絡等多種定性定量方法［2－3］，但都在實用性和預測精度上存在不足。根據裝備調配保障需求預測的特點，選擇和構建有效的預測方法，對于提高裝備調配保障需求預測的科學性具有重要的現實意義。

1 戰時裝備調配保障需求預測特點

預測，是對未來情況做出的一種判斷和預見。未來信息化條件下作戰，體系對抗加劇，精確打擊成為主要手段，使得裝備戰損率增加，裝備調配保障需求預測的難度進一步加大。戰時裝備調配保障需求預測的特點，主要體現在預測的階段性、復雜性和特殊性3個方面。準確把握其特點，是確保預測方法、結果科學準確的基本前提。

1.1 階 段 性

戰時裝備調配保障需求隨作戰進程的發展而變化，呈現出明顯的階段性特點。通常情況下，某次作戰任務可概略地分為作戰準備、作戰實施、完成任務3個階段。不同的作戰階段，需求產生的原因不同，預測方法也有所差異。

圖1 戰時裝備調配保障階段示意圖

當部隊從平時轉入作戰準備階段時，裝備調配保障主要是按照各個部隊的戰時編制進行調配補充，即A點處的需求主要是部隊各類裝備現有數量與戰時編制的差。當部隊進入作戰實施階段后，需求變化較大，當預測時間位于B點，對C點進行預測，主要基于作戰任務進行分析；當位于C點對D點進行預測時，可以以歷史需求數據為基礎，提高預測精度。當部隊在完成任務階段后，如繼續執行任務，則進行下一個循環；如轉入到平時，則E處的需求就是裝備現有數量與編制的差。因此，本文重點研究作戰準備階段（在B點對C點進行預測）和作戰實施階段（在C點對D點進行預測）的裝備調配保障需求預測問題。

1.2 復 雜 性

戰時裝備調配保障需求受多種因素的共同影響，導致了需求的動態性和演化性，同時也增大了預測的難度。這些影響因素可以概略地歸納為以下3個方面。

一是敵我力量、戰場環境等方面的復雜性，作戰就其本質而言是敵我雙方的體系對抗，在力量配系、作戰地域情況等方面都是復雜而難以全面掌握的。

二是受到指控能力、部隊作戰能力、士氣等多種因素的作用，這些因素難于量化，卻都相互作用，影響作戰進程和調配需求。

三是部隊供應、維修能力的影響。戰時裝備調配保障需求，受到作戰過程中部隊輕、中、重損裝備影響，也與部隊的戰場修復能力關聯。因此，眾多因素的涌現作用，增大了預測的難度，需要根據不同作戰階段的特點，選擇和構建科學合理的預測方法。

1.3 特 殊 性

戰時裝備調配保障需求預測的結果，是戰時裝備調配保障準備、擬制調配保障方案、調整充實戰時裝備儲備等工作的基礎，因此對需求的預測具有特殊的要求，具體體現在以下3個方面。

一是預測精度要求高。預測結果的精確性是確保其可信度的根本保證，也是后續裝備調配保障的前提。預測結果偏高，會增大籌措、儲備的難度，增加整個戰時調配保障的負擔；預測結果偏低則會導致無法滿足部隊的實際需求，影響作戰任務的完成。

二是預測速度要求快。信息化戰爭的節奏進一步加快，預測的時間短，需要在充分利用現有信息的基礎上，快速得出預測結果，便于后續工作的開展。

三是結果要考慮冗余量。戰時裝備調配保障中，受運輸、敵火力打擊等因素的影響，裝備調配保障過程中一般會有一定的損失，通常需要留有一定的冗余量，應對緊急突發情況的發生。

2 作戰準備階段需求預測方法

作戰準備階段需求預測，是指圖1中的B點對C點的裝備調配保障需求進行預測。此時，由于缺乏敵方兵力、火力配系等信息，需求預測的難度較大。在此，主要采用基于作戰任務分析方法進行作戰準備階段需求預測。該方法的基本思路是“任務自頂向下分解，需求自底向上綜合”，具體如圖2所示。

圖2 “基于作戰任務分析”需求預測方法思路

基于作戰任務分析方法縱向上包含了戰術、戰役、戰略3個層級，橫向上涵蓋了軍械、裝甲、工程和防化等多個專業。同時，各級還需要考慮一定的損耗數量、機動數量和冗余量。該方法主要包括以下3個步驟。

Step1 作戰任務描述與分解。作戰任務描述包含作戰任務來源、任務類型、環境、實施部隊、要求等方面。在實際任務描述與分解過程中，通過建立作戰任務分解樹和時序圖來實現。

1）根據描述粒度，以所屬部隊建制為基礎構建任務分解樹。分析各作戰任務之間的邏輯關系，其中任務T1、T2和T3是“任務與”關系（表示需要3個任務都完成）；任務T31和T32為“任務或”關系（通過其中一種完成任務），如圖3（a）所示。

2）分析T1、T2和T3的時序關系，并用時序圖表示出來，如圖3（b）所示。

3）按照Step2分別畫出T11、T12、T31、T32以及T311、T312、T313之間的時序圖。

圖3 作戰任務分解樹及時序圖

Step2 任務－裝備區分。任務－裝備區分是根據部隊擁有的武器系統的種類，以及各類武器系統的任務使命和主要功能，尋求任務項與武器系統類別之間相對合理的分配關系［4］。在任務－裝備區分的過程中，通常采用任務－裝備區分表來構建任務－裝備區分矩陣，如表1所示。表1中rij（rij≥0）表示己方用i類武器系統去完成j類型任務分配的系數，當rij＝0時，表示i型武器系統不用于完成j型任務。

表1 任務－裝備區分表

Step3 需求計算。根據單件武器裝備的效能與任務總要求，得出完成作戰任務所需的裝備。通常情況下通過配屬、協調火力等“非調配”的方式解決存在的裝備差距，無法解決的通過裝備調配保障完成。裝備調配保障需求數量NP為

式中：N為作戰任務對應的總需求量；NH是部隊現有的裝備數量；NNP是指通過非調配方式對完成任務裝備需求數量的彌補。

3 作戰實施階段需求預測方法

作戰實施階段需求預測，是指圖1中的C點對D點的裝備調配保障需求進行預測。針對戰時裝備調配保障需求歷史數據少（小樣本）、影響因素之間具有非線性特性，選用最小二乘支持向量機（LS－SVM）算法，并采用粒子群優化（particle swarm optimization，PSO）算法進行參數選擇，以此為基礎進行裝備調配保障需求的預測。

3.1 LS－SVM算法

LS－SVM算法，實質是通過對歷史裝備調配保障需求數據的分析，尋找數據之間的關系，即對于數據（t1，y1），（t2，y2），…，（tn，yn），且（ti∈Rn，yn∈R），用y＝f（t）來表征t到y的映射關系。設函數集

式中φ（t）滿足：Rn→Rnk，它是輸入空間到高維特征空間（Hilbert空間）的非線性映射，將原裝備調配保障需求空間中的非線性回歸問題轉變為Hilbert空間的線性回歸問題。約束條件

s.t.：yi＝ωTφ（t）＋b＋ei， i＝1，2，…，n式 中：ω為 權 重 向 量；ei為 誤 差 變 量；b為 損 失 函數參數［5－9］。最小化的目標函數可表示為

式中γ為懲罰參數，γ的大小決定了回歸精度的高低。

對于最小化目標函數J（ω，e），采用拉格朗日（Lagrange）乘子法求解

式中αi為拉格朗日算子。

由于J（ω，e）取最小值，則L（ω，b，e，α）分別對ω，b，e，α的偏導數為0，進而可得

通過式（4），可求出ω和e。

設核函數為K（t，ti）＝φ（t）φ（ti），采用滿足Mercer條件的核函數代替內積的運算。因此，將ω和e代入式（4）中的第2和第4個方程，可將優化問題進一步轉變為求解線性方程組［10－12］

采用最小二乘法求出αi，b，則作戰實施階段的歷史裝備調配保障需求的回歸函數為

通常情況下，核函數高斯徑向基核函數為

式中δ為核函數參數。

3.2 基于PSO的參數選擇

在LS－SVM算法中，懲罰參數γ、損失函數參數b、核函數參數δ的值影響著需求預測結果的準確性。通常，3個參數的選擇都是根據經驗或者反復迭代運算得到。在此，采用PSO算法進行參數的優化，進一步提高參數選擇的科學性。

在優化過程中，將需要優化的參數γ、b、δ組成1個粒子，該粒子在解空間的取值是1個候選解，解的優劣通過適用度函數f判斷，且

式中：yi為 實 際 值；為 預 測 值；x為 訓 練 樣 本數量。

粒子在解空間中搜索，反復迭代尋求最優解。在迭代過程中，粒子通過跟蹤個體最優解（personal best solution，PBS）Ppbs和 全 局 最 優 解（global best solution，GBS）Ggbs來更新速度和位置。在1個Q維度的空間中，設粒子種群數為n，則第i個粒子的位置P＝（pi1，pi2，…，piq），速度v＝（vi1，vi2，…，viq），則位置和速度的變化規律滿足下列方程

式中：t為進化代數；rrand為0～1之間的隨機數；ω－為慣性權重系數（用于平衡全局搜索和局部搜索）；β為約束因子（控制速度權重）；c1和c2為學習因子。

采用PSO方法進行參數選擇的流程如圖4所示，粒子種群數量n通常選擇在10～30之間，c1和c2通常取值為2，ω－通常取小于1.4的值。

圖4 PSO優化LS－SVM參數選擇流程

3.3 應用算例

本文以某次作戰演習任務中的調配保障需求數據為算例，應用LS－SVM方法進行預測，并對比分析SVM和BP神經網絡預測的結果。裝備調配保障需求數據如表2所示。

表2 裝備調配保障實際需求歷史數據

將表2中的第8組～第20組數據作為訓練樣本，取輸入維數為3，構建訓練樣本集，如表3所示。

取初始懲罰參數γ0＝15，初始損失函數參數b0＝0.003，初始核函數參數δ0＝1.10。采用PSO方法進行參數選擇，得到優化后懲罰參數γ＝19，損失函數參數b＝0.002，核函數參數δ＝1.36。

表3 訓練樣本集

表4 3種方法預測結果對比

從表4可以看出，采用LS－SVM進行預測，其誤差較SVM和BP神經網絡方法所得結果的誤差小，預測精度較高。

4 結 論

分析了戰時裝備調配保障需求預測的特點，合理地對需求預測的階段進行了劃分，采用基于作戰任務分析和LS－SVM方法分別對作戰準備階段和作戰實施階段2個階段的裝備調配保障需求進行了預測。算例驗證結果表明：基于作戰任務分析預測方法能夠全面反映部隊的實際需求，符合作戰準備階段預測的實際；LS－SVM方法具有較高的預測精度，能夠滿足作戰實施階段需求預測的要求；2種方法都具有較強的可行性和有效性。對于作戰任務分解粒度和LS－SVM方法中參數選擇問題，還需在后續研究中進一步探討。

（

）

［1］蔣躍慶，黃誼嘉，崔向華，等.軍事裝備保障［M］.北京：中國大百科全書出版社，2007：76－89.

［2］張野鵬，孫衛東.兵力損耗的二維隨機游走模型［J］.軍事系統工程，1995（1）：31－33.

［3］陳慶華.戰時裝備損耗預測方法研究［J］.裝備指揮技術學院學報，2006，17（2）：1－4.

［4］張寶書，黃斌，朱寶剛，等.陸軍武器裝備作戰需求論證概論［M］.北京：解放軍出版社，2005：139－200.

［5］黃席樾，何傳江，胡小兵，等.現代智能算法理論與應用［M］.北京：科學出版社，2005：387－417.

［6］杜喆.幾類支持向量機變型算法的研究［D］.大連：大連理工大學，2010：36－38.

［7］王書舟.支持向量機方法及其應用研究［D］.哈爾濱：哈爾濱工業大學，2009：2－10.

［8］汪廷華.支持向量機模型選擇研究［D］.北京：北京交通大學，2009：25－30.

［9］張國云.支持向量機算法及其應用研究［D］.長沙：湖南大學，2006：68－72.

［10］羅建華.基于多傳感器信息融合的裝甲車輛目標自動跟蹤與識別研究［D］.西安：西安交通大學，2011：65－78.

［11］雷燁.基于粒子群最小二乘支持向量機的故障診斷算法研究［D］.蘇州：蘇州交通大學，2010：18－30.

［12］陳其松.智能優化支持向量機預測算法及應用研究［D］.貴陽：貴州大學，2009：90－99.