數據驅動建模與優化技術在裝備計劃管理中的應用

文/李一 馮楠 譚順成

數據驅動的自動建模與優化技術主要針對大數據環境下復雜巨系統中問題建模困難、傳統解析方法難以適用的裝備計劃管理工作建模場景，充分利用大數據的數據資源豐富的優勢，采用機器學習和深度神經網絡方法基于歷史數據生成高質量的模擬器以代替傳統解析目標函數。并將組合后的模擬器采用智能計算和隨機優化的方法在參數空間尋找近優方案。該方法克服了優化問題、特別是高維度多目標優化問題中普遍存在的維度災難和優化目標函數難以確定的難題，融合了原始數據與機器學習所產生的知識，是解決復雜優化的前沿方案。

1 基本原理

如圖1所示，本技術先用真實優化問題（Exact function evaluation）產生的數據建立個模型，這個模型稱為代理模型（Surrogate），以前也叫代理模型輔助的進化優化算法（Surrogate-Assisted Evolutionary Algorithm，SAEA）。一般來說，機器學習的那些建模方法都可以拿來訓練代理模型，如高斯過程，神經網絡，SVM，RBF 還有各種集成模型。代理模型的目的就是逼近真實問題。在優化過程中，這個代理模型和真實問題相互合作評估個體，這個相互合作就是所謂的代理模型管理（Surrogate Management）。代理模型和真實優化問題相互合作有兩個方面的原因，一方面是代理模型由真實問題的數據訓練得到，和真實問題有著相似性，用代理模型代替優化問題對解進行評估，預選出真實問題的比較好的解，以減少真實問題的評估次數。另一方面是代理模型和真實問題存在偏差，用真實問題對解進行評估以防止代理模型誤導解偏離真實問題，將真實問題評估的解加入訓練數據集修正代理模型。

圖1：數據驅動的自動建模與優化技術原理視圖

圖2：PDCA需求分析循環模型

2 相關技術的對比分析

數據驅動的自動建模與優化技術只需計算目標函數的值即可，對優化問題本身的性質要求是非常低的，不會像數學優化算法往往依賴于一大堆的條件，例如是否為凸優化，目標函數是否可微，目標函數導數是否利普希茨連續 （Lipschitz continuity） 等等。同時，基于機器學習模型產生的知識，可以極大的降低問題的維度，在一定程度上減少了對原始目標函數的評價次數。輔助以大數據和深度學習技術，大大降低了分析裝備問題的建模難度，使得裝備分析人員得以從構建目標函數的解析形式的繁復工作中解放出來。也在一定程度上降低了分析裝備管理工作問題、建立裝備業務模型的專業門檻，使普通裝備業務人員也能參與到裝備問題建模優化中來，貢獻每一位裝備人的智慧。

3 裝備計劃管理需求分析

如圖2所示，計劃管理分析模型將使用PDCA循環模型，依據全過程的計劃管控體系，采用業務分析調查法、業務流程圖分析法、指標判別法、管理評分法等定性和定量分析方法，實施動態高效的計劃體系。

圖3：基于層次分析法的裝備規劃計劃評價視圖

（1）從編制計劃和事前的風險識別預警開始，形成風險預警預案，并貫徹實施；具體而言，規劃計劃管理分析圍繞裝備建設規劃、裝備建設計劃、裝備中長期建設計劃等內容進行。

（2）從事中的操作流程控制和關鍵指標的實時監控預警，同時制定風險的防范與控制對策并切實有效的實施。具體而言，包括以下三方面：基于數據開展規劃計劃評價模型研究、規劃計劃執行情況分析模型、裝備建設綜合效益評估模型等。

（3）依據歷史數據，進行數據挖掘，構建模型進行預警，同時也依靠審計監察和內控評價進行預警，最終形成一個有效的PDCA循環體系。通過對規劃計劃相關數據進行深入分析，形成對規劃計劃的事前評價、規劃計劃的執行情況進行跟蹤分析，對計劃項目建設后的綜合效益進行總結評估。

4 基于數據開展規劃計劃評價模型

4.1 模型概述及目的

本模型方法主要用于規劃、年度計劃制定后的投資效益評價分析。在每個規劃、項目立項批復的當期計劃年，對包含在規劃或者規劃調整方案中的項目，采用基于能力的規劃方法、基于能力集成的計劃方法進行分析。

4.2 模型輸入

列入規劃計劃的戰略構想所對應的能力需求組合；

列入規劃計劃的各作戰方向對應的能力需求組合；

列入規劃計劃的各典型作戰樣式對應的能力需求組合；

列入規劃計劃的演習、訓練對應的能力需求組合；

能力優先等級；

規劃計劃的能力冗余、重疊需求；

規劃計劃的總體投資總額及年度投資額；

4.3 模型輸出

規劃計劃中的項目，所映射的各種能力需求組合的覆蓋度；

圖4：基于魚骨模型的規劃計劃執行情況分析視圖

規劃計劃中的項目，所映射的各種能力需求組合的能力增長時點滿足（延遲）度；

功能滿足性；

技術戰術指標。

4.4 模型算法

裝備規劃計劃的評價涉及裝備的多個指標的系統性評估，具有多指標特征、非結構化、不同時期的特征偏好差異大等特點。從系統工程學的模型評估方法的角度分析，裝備規劃計劃的評價比較適合于層次分析法來做系統評估。如圖3所示。

層次分析法（AHP）的基本思路與人對一個復雜的決策問題的思維、判斷過程大體上是一樣的。層次分析法不僅適用于存在不確定性和主觀信息的情況，還允許以合乎邏輯的方式運用經驗、洞察力和直覺。

建立層次結構模型。在深入分析實際問題的基礎上，將有關的各個因素按照不同屬性自上而下地分解成若干層次，同一層的諸因素從屬于上一層的因素或對上層因素有影響，同時又支配下一層的因素或受到下層因素的作用。最上層為目標層，通常只有1個因素，最下層通常為方案或對象層，中間可以有一個或幾個層次，通常為準則或指標層。當準則過多時(譬如多于9個)應進一步分解出子準則層。

構造成對比較陣。從層次結構模型的第2層開始，對于從屬于(或影響)上一層每個因素的同一層諸因素，用成對比較法和1-9比較尺度構造成對比較陣，直到最下層。

計算權向量并做一致性檢驗。對于每一個成對比較陣計算最大特征根及對應特征向量，利用一致性指標、隨機一致性指標和一致性比率做一致性檢驗。若檢驗通過，特征向量(歸一化后)即為權向量：若不通過，需重新構造成對比較陣。

計算組合權向量并做組合一致性檢驗。計算最下層對目標的組合權向量，并根據公式做組合一致性檢驗，若檢驗通過，則可按照組合權向量表示的結果進行決策，否則需要重新考慮模型或重新構造那些一致性比率較大的成對比較陣。

目標系統支持基于層次分析法（AHP）的規劃計劃評價模型。具體而言，在AHP模型中，準則層采用的指標包括：技術可行性、費用指標、執行風險、貿易風險、資源可獲得性。子準則層的指標可落實到裝備建設過程中的所有階段性特征。

5 規劃計劃執行情況分析模型

對規劃計劃執行情況進行分析，跟蹤項目在QCD方面的表現，如項目的進度達成情況、經費的使用及變化情況、需求實現及變化，確定項目是否按預先計劃正常進行，是否出現‘指標一降再降、需求一變再變、經費一調再調’的情況。

5.1 模型輸入

計劃時間、計劃費用、計劃需求、技術指標；

5.2 模型輸出

進度達成情況、費用使用情況、項目質量評價

5.3 模型算法

規劃計劃執行情況分析模型，是具有明顯的時間序列屬性，適合于典型的時間序列分析，可采用的模型包括：魚骨分析方法、實時甘特圖。下圖以魚骨分析方法為例說明。

魚骨圖(Fishbone analysis method)是一種發現問題“根本原因”的方法，它也可以稱之為“因果圖”。如圖4所示。

6 裝備建設綜合效益評估模型

從項目建成表現與計劃目標進行綜合對比分析，評價項目在效益方面的表現，如項目的用途滿足度、可靠性分析、可維護性分析、可維修性分析如維修難度、維修周期等。

6.1 模型輸入

規劃計劃需求、項目實績。

6.2 模型輸出

集成度評估、覆蓋度評估、時效性評估、成本分析（根據狀態）。

6.3 模型算法

裝備建設綜合效益評估同樣屬于多目標屬性的系統工程管理，適合于層次分析方法。

在具體分析過程中，準則層的數據指標包括：裝備的經濟性分析、技術可達性性、技術革新的促進作用、裝備的可靠可用性、作業執行的技術接受便捷性。子準則層的數據指標就比較廣泛了，與裝備的規劃、采購、實施、使用、維護與報廢等關聯。

7 結束語

本文針對大數據環境下復雜巨系統中問題建模困難、傳統解析方法難以適用的裝備計劃管理工作建模場景問題，利用數據驅動的自動建模與優化技術，進行了裝備計劃管理需求分析，基于數據開展規劃計劃評價模型、規劃計劃執行情況分析模型和裝備建設綜合效益評估模型，通過系統應用表明，該方法對解決裝備系統計劃管理具有明顯的效益提升。