裝備保障備件需求預測算法*

康警予，陳忠，劉延杰，蔡駿，王暉

(1.陸軍裝甲兵學院 演訓中心，北京 100072；2.中國電子科技集團公司 第二十八研究所，江蘇 南京 210007)

0 引言

隨著我國綜合國力的提高以及海外利益的擴展，為了維護正常的國際政治、經濟秩序和國家利益，我國必將加強在國際事務中的影響力，強化維和任務的投入。鑒于維和地域形勢需求及環境條件，維和任務量大、地域廣、裝備使用強度高，任務區域大多經濟落后、交通基礎差和資源匱乏。經濟落后造成執行任務時所需施工材料就地供應困難，路網條件及交通基礎設施差造成巡邏和運輸困難，資源匱乏使物資就地采購補給困難，這些都給執行維和任務及維修保障帶來極大困難。為了順利執行維和任務，使維和裝備處于良好的工作狀態，必須有充足的維和裝備保障配件。裝備保障配件預測在境外作戰條件下顯得更加關鍵。

在需求預測方面，早期算法主要是層次分析法、回歸算法等，由于是線性類算法，精度不高[1-2]。文獻[3-5]已經將神經網絡相關方法與裝備保障預測進行結合起來，提出了一些有意義的想法，但這些算法運行時間長、容易陷入局部最優化，且在建模方面并沒有將境外相關重要影響因素考慮進去。粒子群優化算法(particle swarm optimization，PSO)是基于群體智能的一種優化方法，能夠解決局部最優的問題，已經得到廣泛應用[6-7]。本文提出一種將PSO與BP(back propagation)神經網絡相結合的PSO-BP神經網絡算法(PSO-based BP neural network，PSO-BP)，能夠解決目前算法中存在的相關問題，同時，將境外作業相關定性因素進行量化建模分析，綜合解決境外裝備保障備件需求預測難題。

1 維和裝備保障需求預測依據

組織實施任何維和裝備保障，首先要明確保障任務、保障場景、保障目標、保障模式、保障內容、保障數量、保障時間、保障空間等問題，才能進行需求預測。本文深入探討并準確回答這一問題，有利于深化、細化影響和制約維和裝備保障需求的各種具體因素，為后續數據化維和裝備類型、裝備數量、裝備輸送、保障力量部署提供可靠的輸入。

1.1 維和任務

沒有維和任務就沒有維和裝備保障需求。因此，維和任務是維和裝備需求預測的基礎依據。

(1) 維和任務類型

面對不同的維和任務類型，維和裝備保障會面臨不同的需求。執行基建維和任務需要更多的工程裝備和技術人員，執行人道救援維和任務需要更多的食品醫療物資與醫療人員，執行打擊恐怖襲擊的維穩任務需要更多的武器裝備與作戰人員。為使維和裝備保障與維和任務保持同步，對維和裝備、人員、指揮機構提出不同的要求。

(2) 維和任務編成

維和任務編成，根據任務需要，從各個部隊中選取相應人員與裝備，進行訓練。投入任務的力量規模與科技含量，即投入人員多少與技能水平、裝備的多少與技術含量。如果人員技能水平高，裝備技術含量高、功能強大，投入維和任務的人員、裝備數量不多，也可以較好地完成維和任務。

(3) 維和任務環境

維和任務環境是指維和行動的空間，包括社會(人文)環境和自然環境。社會環境一般包括政治環境、經濟水平、社會發展、宗教信仰等；自然環境包括地理、氣候、物產等信息。一般來說，自然環境對維和裝備保障需求的影響更大些，當然社會環境，尤其是交通狀況、社會穩定對維和裝備保障需求的影響也極為重要。一般情況下，在其他條件相似的情況下，維和裝備在自然環境好的地方比高溫、高濕等地方故障率、損壞率更低，在交通便捷的地區比交通差的地區支援保障更加快捷。

1.2 保障構想

維和裝備保障構想對維和裝備保障需求的影響相對小一些，但對維和保障人員、維和裝備、物資等的關系比較大。維和裝備保障構想主要受到不同維和人員和不同行動方式等條件的制約。維和部隊各種行動的實施與實現所采取的對策、措施、方式等也是不同的。部隊在不同行動、不同階段、不同時節，其維和裝備保障方式亦不同，動用或所依賴的維和裝備也不一樣，進而對維和保障人員素質的要求也有區別。就是說，有什么樣的維和任務，就有什么樣的維和保障方式；有什么樣的維和保障方式，就需要特定的維和裝備、維和保障人員及維和保障指揮機構。

2 維和裝備保障需求預測步驟

維和裝備保障需求預測步驟如圖1所示。

圖1 預測基本步驟Fig.1 Basic forecast steps

(1) 確定預測維和裝備保障需求目標

維和裝備保障需求預測是為了完成維和任務，所以要根據維和任務的要求去確定預測的目標，如：工程設備備件、醫療設備備件、武器彈藥等。根據維和裝備保障需求發展的趨勢，通過BP神經網絡等技術，預測出相應裝備備件需求量的變化。因此，當對維和裝備保障需求的發展變化進行預測時，首先要了解維和任務需求，進行預測。

(2) 收集、處理資料

根據維和裝備保障備件預測的問題要求，采集、處理各類所需的資料、數據，特別是維和裝備保障需求的歷史資料，以及各種影響預測的因素。

(3) 選擇維和裝備保障需求預測技術

需求預測技術的種類很多，如Bayesian法、Croston法、加權需求率模型、加權回歸預測模型、加權移動平均法等。但由于各方面條件的限制，根據準確、經濟、高效、方便的原則，滿足混合多變量(同時存在多個定量和定性參數)需求預測，合理地選擇預測技術，如通過粒子群優化算法，將多變量簡化為單個子問題，實現高效精確的預測；通過one-hot encoding，dummy enconding或者factorize都可以將定性特征轉化為定量特征，進行維和裝備保障備件預測。

(4) 建立維和裝備保障需求預測模型

維和裝備保障備件需求預測模型可以對保障需求發展規律進行近似模擬。當搜集充足的歷史數據后，采用相應技術處理，構建預測模型，描繪備件需求發展規律。

(5) 利用維和裝備保障需求預測模型開展需求預測

根據當前的需求數據和預測模型，計算未來的保障需求。這種計算是建立在已有的規律上，而且在短時間內的發展規律不會發生大的變化。

(6) 分析預測結果、評價模型

維和裝備保障需求預測模型反映的是保障需求發展規律。利用維和裝備保障需求預測模型進行預測，得到的預測結果與實際結果并不是完全相符。因為預測模型只是近似模擬，不同預測模型之間存在差異，再選取表現較好的模型。通過分析實際與預測情況之間的差異，評價預測模型。

3 維和裝備保障預測模型

維和裝備保障預測結果的準確性，不僅與歷史資料數據有關，而且預測模型也發揮著至關重要的作用。因歷史數據少，維和裝備保障預測是一種小樣本條件下的預測，預測模型對預測結果的作用尤為凸顯。因此，需要采用BP神經網絡對小樣本數據進行訓練，粒子群優化算法簡化學習代價。

BP神經網絡具有結構簡單、非線性映射能力強、自學習能力好等優點[8-11]。其采用梯度下降算法，使用訓練數據進行學習，從而實現誤差平方最小化[12]，但是在BP神經網絡結構復雜的情況下，則會遇到運行時間長，陷入局部最優等問題[13-14]。

粒子群優化算法(PSO)是基于群體智能的方法開展模型訓練，能夠解決局部最優的問題。因此，本文提出一種將PSO與BP神經網絡相結合的PSO-BP神經網絡算法，可以較快地完成學習。具體流程：首先，根據維和裝備保障特點，選取特征變量；然后，將數據中選取的特征變量進行處理；最后，通過粒子群優化算法處理BP神經網絡中的連接權值和閾值，不斷迭代，獲取最優解，從而建立PSO-BP神經網絡算法模型。通過PSO-BP神經網絡構建維和裝備保障預測模型，與其他傳統的方法相比，能夠較好地避免局部最優問題，可以在更短時間內獲取更準確的預測結果。

3.1 變量選擇

維和任務遠離本土，裝備故障頻發，裝備種類龐雜，環境復雜，影響維和裝備備件需求預測的因素較多，而且有些因素無法采用定量分析，只能進行定性描述，需要采用相應方法對定性描述變量轉化為定量值。

為了全面反應裝備保障需求的重要影響因素，本文選取任務類型、人員數目、裝備種類、政治、經濟、文化、氣候、保障構想等18個相關變量構建PSO-BP模型(表1)。由表1可以看出，18個變量分為維和任務、人員投入、裝備情況、社會因素、自然因素和保障構想6個維度，全面、綜合地描述維和裝備保障的各種影響因素，以滿足維和裝備保障需求預測。

表1 模型變量Table 1 Model variables

維和任務分為任務類型和擔任角色，任務類型不同對備件需求也會存在差異，比如基礎設施建設需要更多的工程設備，人道主義救援則需要食品醫療物資。而維和任務有些需要多國聯合組織，每個國家在維和任務中擔任不同的角色，若需要擔任主要角色，則需要更完備的保障。

人員投入也會影響到備件需求，不同的人員數目，則會有不同的物資保障需求。人員的技能水平也會影響設備保障情況，技能水平越高，相關工程設備完成相同的任務，損耗越小，需要的備件越少。

裝備情況對備件預測影響極大，主要從裝備種類、裝備數目和技術含量進行分析。武器彈藥類的裝備屬于一次性的，而工程設施裝備則可以重復利用。裝備數量越多，技術含量越高，可以高效率地完成維和任務，則會減少備件消耗。

社會因素是執行維和任務需要考慮的情況。穩定的政治、良好的經濟、繁榮的文化可以促進維和任務的完成，避免備件的損耗。完善的工業基礎使部分備件可以就地獲取，減少備件需求。高水平的人口素質可以得到當地的人員支持，減少維和人員配置。同時，發達的交通減少裝備損耗，降低備件需求。

自然因素可以從地形、氣候、資源方面進行分析。復雜的地形、惡劣的氣候不僅會造成執行任務困難，還會加劇裝備磨損，需要更多的備件保障需求。而貧瘠的資源無法就地獲取材料進行補給，使備件保障需求增加。

保障構想則是對最終保障效果的期望，當期望越高時，則需要更多的備件才能完成高要求的維和任務。

3.2 數據來源及處理

本文研究數據來自維和任務的采集數據和不同地區的調查結果，數據采集為近幾次的維和任務。由于表1中存在一些定性指標，表2將表1中一些定性指標，通過定性描述，將其轉化為定量值。即表2中變量名稱與表1中定性指標的變量名稱相對應，并根據任務類型，進行定性描述與詳細描述，給出相應的定量值。

不同的因子變量，其參數的值域不同。此外，有些參數值越大，維和裝備保障壓力越大；有些參數值越小，維和裝備保障壓力越大。由于本文中所使用的激活函數為Sigmoid函數(值域為[0，1])，因此，需要對數據進行歸一化處理，將各參數映射到[0，1]的范圍內，從而保證值越大，維和裝備保障需求越大。

Sigmoid函數有單極性Sigmoid函數和雙極性Sigmoid函數2種，單極性Sigmoid函數為

(1)

雙極性Sigmoid函數為

(2)

表2 各類定性參數的定量處理Table 2 Quantitative treatment of various qualitative parameters

式中：x為相應輸入參數。采用最大最小變換法對不同參數進行歸一化處理[15]。對于值越大保障壓力越大的指標(x1,x2,x3,x5,x6,x18)采用式(3)進行歸一化：

(3)

對于值越大保障壓力越小的指標(x4,x7,x8,x9,x10,x11,x12,x13,x14,x15,x16,x17)采用式(4)進行歸一化：

(4)

式中：y為歸一化處理后的數值；x為某一參數的原始值；xmax為該參數所有可能值中的最大值；xmin為最小值。

3.3 粒子群優化算法

在本文中，定義，由n個粒子構成的d維空間用種群x=(x1,x2,…,xn)來表示，粒子i的速度表示為vi=(vi1,vi2,…,vid)T，位置表示為xi=(xi1,xi2,…,xid)T，其中i=1,2,…,n；粒子i到當前迭代為止搜索的最優位置記作pi=(pi1,pi2,…,pid)T?；谇懊娴淖顑炍恢茫Ｗ觟的狀態可以通過下式更新：

vid(t+1)=w(t)vid(t)+c1r1(pid-xid(t))+
c2r2(pid-xid(t))，

(5)

xid(t+1)=xid(t)+vid(t+1)，

(6)

(7)

(8)

式中:w(t)為慣性權重因子；c1和c2為加速常數；t為迭代次數；Tmax為最大迭代次數。

粒子i的速度在d維的速度為vid，超出邊界值[-vmax,vmax]，則會被限定在最大速度，其中正負為方向。當vid速度大于vmax，|vid|≥vmax分為2種情況，即方向為正vid≥vmax，則vid=vmax;方向為負vid≤-vmax，則vid=-vmax。vid速度小于vmax，則在限定范圍內|vid|

3.4 PSO-BP模型構建過程

基于PSO-BP神經網絡模型構建過程如圖2所示。

圖2 基于PSO-BP神經網絡模型建立流程圖Fig.2 Flow chart based on PSO-BP neural network model

首先，確定BP網絡結構，初始化粒子在總體的速度和位置，對輸入數據進行歸一化處理，并初始化神經網絡的權重，訓練網絡并將誤差作為粒子的適應度，選擇個體最優位置作為全局最優位置。根據式(1),(2)計算粒子的位置和速度，然后計算每個粒子的適應度，以及每個粒子的最好位置pbest所對應的適應度，選擇適應度最小的粒子位置作為pbest，比較每個粒子的適應度與種群所經歷過最好位置的適應度，選擇適應度更小的作為gbest，檢查是否達到全局最優位置或達到最大迭代次數；若未達到預設條件，則繼續更新，重新調整粒子速度和位置；如果能夠達到前面設置的條件，則停止更新，輸出相應的值作為BP神經網絡初始值，再完成整個網絡的訓練和數據預測。

在整個流程中，持續迭代計算粒子群的速度和位置，獲得與最優解接近的值，建立相應的神經網絡。定義粒子適應度值為

(9)

式中：yi為樣本i的觀測值；ti為樣本i的預測值；N為樣本數量；abs為取絕對值函數。

通過本文提出的粒子群優化算法，不斷更新迭代，在前后誤差低于一定水平或者運行次數到達一定次數后，可認為得到系統所需的最優連接權值和閾值，建立神經網絡模型。

3.5 模型驗證

本實驗主要從維和任務、人員投入、裝備情況、社會因素、自然因素、保障構想6個維度考慮，通過對應的18個變量進行分析。其中，任務類型x1、擔任角色x2、技能水平x4、技術含量x7、可靠性x8、政治x9、經濟x10、文化x11、工業基礎x12、人口素質x13、交通x14、地形x15、氣候x16、資源x17和保障構想x18為定性變量，可根據表2中的定量處理，取值滿足表2的約束即可。人員數目x3、裝備種類x5、裝備數目x6為定量變量，取值應為正整數。已執行維和任務中備件消耗量如表3所示。

表3 PSO-BP模型訓練數據集Table 3 PSO-BP model training data set

將表3中的變量參數作為輸入變量，備件作為輸出變量，引入到PSO-BP神經網絡模型，運用Matlab神經網絡工具箱中的newff命令對網絡進行訓練，學習速率取0.1，通過編程計算出網絡輸出，即可得預測值，如表4所示。

表4 PSO-BP模型預測結果

通過表4可以發現，通過PSO-BP模型，根據歷史數據預測維和裝備保障備件需求，預測結果與實際值接近，該預測模型具有較好的表現。同時結合表3，維和裝備保障備件需求與任務類型、擔任角色、設備可靠性，以及當地的工業基礎聯系較為密切。若負責基礎設施建設對工程設施備件消耗更多，負責反恐則需要更多的武器彈藥。擔任角色極為重要，因為主導地位不同，負責的任務多少也存在差異。與此同時，設備越可靠，完成相同的任務，需求的備件越少，可靠性就地保障對需求預測也有很大影響。當地工業基礎也是一個重要參考因素，若工業基礎完善，很多備件可以及時獲得，無需事先準備大量備件庫存。

4 結束語

本文根據維和任務的具體情況，確定維和任務、人員投入、裝備情況、社會因素、自然因素和保障構想中18個相關因子作為預測參數，基于PSO-BP神經網絡建立了維和裝備保障預測模型，運用Matlab軟件，研究了預測原型系統。仿真表明，預測模型能夠較好地分析維和裝備保障相關因素的數據，較為準確地預測裝備保障備件需求。隨著維和任務的不斷執行，在獲取更多的數據后，持續優化本文算法，能夠進一步提高預測性能。