岳東峰，高甜容，王殷輝，許　暢，張　玲

（北方信息控制集團(tuán)有限公司，南京　211153）

?

一種用于戰(zhàn)場(chǎng)態(tài)勢(shì)分析的決策支持方法

岳東峰，高甜容，王殷輝，許暢，張玲

（北方信息控制集團(tuán)有限公司，南京211153）

摘要：針對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)分析過程中存在的關(guān)鍵情報(bào)缺失問題，在離散事件系統(tǒng)的模型基礎(chǔ)上，總結(jié)已有決策支持方法并加以改進(jìn)，提出一種步進(jìn)融合算法，構(gòu)建出新的決策支持系統(tǒng)。采用數(shù)學(xué)手段及實(shí)例驗(yàn)證對(duì)所提出方法與已有方法進(jìn)行性能比較，證明該方法能夠有效保證指揮決策的魯棒性和敏捷性，適用于戰(zhàn)場(chǎng)態(tài)勢(shì)分析。

關(guān)鍵詞：決策支持，輔助決策，態(tài)勢(shì)分析，離散事件系統(tǒng)

0　引言

隨著信息技術(shù)和高精尖武器的飛速發(fā)展，現(xiàn)代戰(zhàn)爭(zhēng)逐漸演變?yōu)榭斐月膽?zhàn)爭(zhēng)格局，戰(zhàn)場(chǎng)態(tài)勢(shì)瞬息萬變，因此，指揮決策人員需要在極短的時(shí)間內(nèi)針對(duì)當(dāng)前戰(zhàn)場(chǎng)態(tài)勢(shì)作出快速反應(yīng)。此外，隨著戰(zhàn)爭(zhēng)迷霧的不斷加劇，很多會(huì)導(dǎo)致戰(zhàn)場(chǎng)態(tài)勢(shì)變化的關(guān)鍵情報(bào)真假難辨，甚至無法獲取，造成當(dāng)前態(tài)勢(shì)不明，影響指揮決策人員的判斷和行為。因此，本文提出一種快速的決策支持方法對(duì)當(dāng)前情報(bào)進(jìn)行分析，判斷當(dāng)前態(tài)勢(shì)，進(jìn)而輔助指揮決策人員制定作戰(zhàn)計(jì)劃。

離散事件系統(tǒng)（Discrete Event System，DES）由于其簡(jiǎn)單、快捷、普適的特性，往往被用于有向態(tài)勢(shì)圖的建立和態(tài)勢(shì)分析［1-3］。本文在DES的基礎(chǔ)上，對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)的演變過程進(jìn)行建模，根據(jù)態(tài)勢(shì)演變過程中情報(bào)不易獲取的特性，引入Antonia［4］等人的算法模型進(jìn)行態(tài)勢(shì)分析，并針對(duì)該模型在分析過程中產(chǎn)生的復(fù)雜性、時(shí)效性等問題，提出了一種新的決策支持方法。

1　基于DES的決策支持方法

1.1戰(zhàn)場(chǎng)態(tài)勢(shì)的經(jīng)典G模型表示

戰(zhàn)場(chǎng)態(tài)勢(shì)的演變過程可由經(jīng)典DES G模型進(jìn)行表示，如下頁圖1所示，其中xi為不同的戰(zhàn)場(chǎng)態(tài)勢(shì)，ei為導(dǎo)致戰(zhàn)場(chǎng)態(tài)勢(shì)演變的關(guān)鍵事件。

圖1　戰(zhàn)場(chǎng)態(tài)勢(shì)的經(jīng)典DES G模型表示

經(jīng)典DES G模型可由五元組表示，G=（X，E，f， Γ，x0），以圖1為例，其中：X為態(tài)勢(shì)集合，X=｛x0，x1，x2，x3，x4｝。x0為初始態(tài)勢(shì)，x0∈X。E為事件集合，導(dǎo)致態(tài)勢(shì)演變的關(guān)鍵事件，E=｛e1，e2，e3｝。f為態(tài)勢(shì)遷移函數(shù)，f（x，e）=xe表示若戰(zhàn)場(chǎng)處于態(tài)勢(shì)x時(shí)發(fā)生事件e，則戰(zhàn)場(chǎng)態(tài)勢(shì)遷移為xe。f（x0，e1）=x1，f（x1，e2）=x2，f（x1，e3）=x3，f（x2，e3）=x4。Γ為態(tài)勢(shì)事件函數(shù)，Γ（x）表示戰(zhàn)場(chǎng)處于態(tài)勢(shì)x時(shí)會(huì)導(dǎo)致態(tài)勢(shì)發(fā)生改變的關(guān)鍵事件的集合。Γ（x0）=｛e1｝，Γ（x1）=｛e2，e3｝，Γ（x2）=｛e3｝，Γ（x3）=Ф，Γ（x4）=Ф。

假設(shè)e1事件為我軍推進(jìn)到A陣線，e2事件為我軍推進(jìn)到B陣線，e3事件為我軍占領(lǐng)高地T，則圖1所示模型的含義為：

（1）戰(zhàn)場(chǎng)初始態(tài)勢(shì)為x0；

（2）當(dāng)我軍推進(jìn)到陣線A時(shí)，戰(zhàn)場(chǎng)態(tài)勢(shì)變?yōu)閤1；

（3）在x1態(tài)勢(shì)，當(dāng)我軍推進(jìn)到陣線B時(shí)，戰(zhàn)場(chǎng)態(tài)勢(shì)變?yōu)閤2；

（4）在x1態(tài)勢(shì)，當(dāng)我軍占領(lǐng)高地T時(shí)，戰(zhàn)場(chǎng)態(tài)勢(shì)變?yōu)閤3；

（5）在x2態(tài)勢(shì)，當(dāng)我軍占領(lǐng)高地T時(shí)，戰(zhàn)場(chǎng)態(tài)勢(shì)變?yōu)閤4。

（6）態(tài)勢(shì)x3和x4的區(qū)別在于，高地占領(lǐng)時(shí)機(jī)的不同會(huì)導(dǎo)致我軍部隊(duì)在陣線推進(jìn)過程中傷亡數(shù)量的不同，從而影響態(tài)勢(shì)。

經(jīng)典DES G模型雖然可以表示戰(zhàn)場(chǎng)態(tài)勢(shì)隨事件發(fā)生的演變過程，但卻無法提供有效的決策支持，尤其是隨著信息化技術(shù)的飛速發(fā)展，現(xiàn)代戰(zhàn)爭(zhēng)中情報(bào)迷霧重重，有些關(guān)鍵事件的情報(bào)獲取極其困難，或者真假難辨、不可使用。因此，筆者在工程實(shí)踐中引入Antonia［4］等人提出的GPP模型并加以適應(yīng)性修正，以解決上述問題。

1.2戰(zhàn)場(chǎng)態(tài)勢(shì)的GPP模型表示

戰(zhàn)場(chǎng)態(tài)勢(shì)的GPP模型表示如圖2所示，其中xd為不利態(tài)勢(shì)，es為無法獲取相關(guān)情報(bào)的關(guān)鍵事件。該模型的應(yīng)用目的在于，充分考慮事件的缺失性，對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)的演化模型進(jìn)行重新建模和分析，從而尋找會(huì)導(dǎo)致不利態(tài)勢(shì)發(fā)生的關(guān)鍵事件，并給出決策支持，輔助指揮者全力阻止該事件的發(fā)生。

圖2　戰(zhàn)場(chǎng)態(tài)勢(shì)的GPP模型初始表示

GPP模型可使用六元組進(jìn)行表示，GPP=（XPP，EPP，fPP，ΓPP，x0，PP，XD，PP），其中：XPP為態(tài)勢(shì)集合。x0，PP為初始態(tài)勢(shì)，x0，PP∈XPP。XD，PP為不利態(tài)勢(shì)集合，X=｛xd｝。EPP為事件集合，導(dǎo)致態(tài)勢(shì)演變的關(guān)鍵事件。EPP=Eo，PP∪Euo，PP，其中Eo，PP表示可以獲取的事件，而Euo，PP則表示無法獲取的事件，Eo，PP∩Euo，PP=Ф。fPP為態(tài)勢(shì)遷移函數(shù)，fPP（x，e）=xe表示若戰(zhàn)場(chǎng)處于態(tài)勢(shì)x時(shí)發(fā)生事件e，則戰(zhàn)場(chǎng)態(tài)勢(shì)遷移為xe。ΓPP為態(tài)勢(shì)事件函數(shù)，ΓPP（x）表示戰(zhàn)場(chǎng)處于態(tài)勢(shì)x時(shí)會(huì)導(dǎo)致態(tài)勢(shì)發(fā)生改變的關(guān)鍵事件的集合。

由于經(jīng)典G模型在描述戰(zhàn)場(chǎng)態(tài)勢(shì)的過程中，是基于全部事件均可獲取假設(shè)的基礎(chǔ)上的，因此，GPP模型延續(xù)了這種前提假設(shè)，仍然認(rèn)為es事件是可以獲取的，在此基礎(chǔ)上引入兩個(gè)新事件ef0和es’，其中ef0表示es事件的獲取渠道被摧毀的事件；es’表示在無法察覺的情況下，es事件的發(fā)生。

因此，圖2所示有向態(tài)勢(shì)圖被GPP模型轉(zhuǎn)換為圖3所示狀態(tài)。

圖3　戰(zhàn)場(chǎng)態(tài)勢(shì)的GPP模型演化

GPP模型同經(jīng)典G模型之間的關(guān)聯(lián)關(guān)系可描述如下：

由于無法獲取關(guān)鍵事件的存在，無法準(zhǔn)確判斷戰(zhàn)場(chǎng)態(tài)勢(shì)具體處于何種狀態(tài)，因此，GPP模型算法將可能的戰(zhàn)場(chǎng)態(tài)勢(shì)進(jìn)行合并和裁剪，并最終得到新的戰(zhàn)場(chǎng)態(tài)勢(shì)有向圖，如下頁圖4所示。具體演化過程請(qǐng)參考文獻(xiàn)［4］，本文不再贅述。

圖4　戰(zhàn)場(chǎng)態(tài)勢(shì)的GPP模型表示

GPP模型雖然能夠適用于情報(bào)缺失的戰(zhàn)場(chǎng)態(tài)勢(shì)分析和決策支持，但復(fù)雜度高，僅針對(duì)一個(gè)事件缺失的情況，ef0的引入便使得系統(tǒng)的狀態(tài)數(shù)產(chǎn)生了近兩倍的擴(kuò)充，如若有多個(gè)事件缺失，則GPP模型所產(chǎn)生的狀態(tài)數(shù)會(huì)變?yōu)樵到y(tǒng)狀態(tài)數(shù)的2n倍，嚴(yán)重影響后續(xù)合并和裁剪過程的復(fù)雜度與處理時(shí)間。

2　改進(jìn)的決策支持方法

為有效解決GPP模型存在的上述問題，本文提出一種新的決策支持模型GSF模型，并在此基礎(chǔ)上采用步進(jìn)融合算法，對(duì)態(tài)勢(shì)狀態(tài)進(jìn)行合并和裁剪，從而降低復(fù)雜度，加快態(tài)勢(shì)分析處理的時(shí)間。

2.1GSF模型

GSF模型也使用六元組進(jìn)行表示：GSF=（XSF，ESF，fSF，ΓSF，x0，SF，XD，SF），同GPP模型的區(qū)別在于GSF模型不再引入新的事件，而是對(duì)es事件進(jìn)行特殊處理，將其所屬事件類型定義為Es，該類型的事件既作為可獲取的事件對(duì)待，也作為不可獲取的事件對(duì)待，在進(jìn)行狀態(tài)合并和裁剪過程中，根據(jù)雙重貪心策略將Es在Eo和Euo之間進(jìn)行切換。

GSF模型同經(jīng)典G模型之間的關(guān)聯(lián)關(guān)系可描述如下：

其中，為方便語言描述，本文采用以下常用標(biāo)識(shí)和函數(shù)：Q為GSF模型中的狀態(tài)元素，為G模型中部分狀態(tài)的集合，如Q0=｛x0｝，Q1=｛x1，x2｝；UR為態(tài)勢(shì)合并函數(shù)，UR（x）=｛y∈X：（?t∈Euo*）［f（x，t）=y］｝，表示當(dāng)戰(zhàn)場(chǎng)處于態(tài)勢(shì)x時(shí)，由于無法獲取的關(guān)鍵事件的發(fā)生，導(dǎo)致戰(zhàn)場(chǎng)進(jìn)入的所有可能態(tài)勢(shì)狀態(tài)的集合。L（G）表示G模型中的所有事件發(fā)生順序，如｛e1，e2，e3｝?L（G）?E*。

2.2步進(jìn)融合算法

本文所設(shè)計(jì)步進(jìn)融合算法使用雙重貪心策略，在進(jìn)行狀態(tài)融合時(shí)將Es類型事件作為無法獲取的事件進(jìn)行處理，而在進(jìn)行狀態(tài)遷移時(shí)作為可獲取的事件進(jìn)行處理，從而實(shí)現(xiàn)新生狀態(tài)集合與其上關(guān)鍵事件的最大集，增強(qiáng)戰(zhàn)場(chǎng)態(tài)勢(shì)演變的自由度。

步進(jìn)融合算法的偽代碼描述如下，其基本思想是，從G系統(tǒng)初始狀態(tài)x0開始建模，針對(duì)當(dāng)前狀態(tài)可能發(fā)生的所有事件，建立態(tài)勢(shì)遷移函數(shù)，同時(shí)對(duì)所遷移至的態(tài)勢(shì)狀態(tài)考慮其后繼事件，根據(jù)態(tài)勢(shì)合并函數(shù)，將所有Eo類型事件以及Es類型事件所導(dǎo)致的態(tài)勢(shì)狀態(tài)進(jìn)行融合，形成新的狀態(tài)集合。重復(fù)上述步驟，直到出現(xiàn)不利態(tài)勢(shì)狀態(tài)或沒有新的態(tài)勢(shì)狀態(tài)出現(xiàn)為止。

其中：XSF，ing為正在構(gòu)建中的態(tài)勢(shì)狀態(tài)集合，該集合中的態(tài)勢(shì)狀態(tài)已針對(duì)Eo類型事件以及Es類型事件完成了狀態(tài)合并，但還未曾定義態(tài)勢(shì)遷移函數(shù)fSF；XSF為已構(gòu)建成功的態(tài)勢(shì)狀態(tài)集合；URSF為重新定義的態(tài)勢(shì)合并函數(shù)，URSF（Q）=｛x∈X：［?e∈（Euo∪Es）*］［f（q，e）=x］，q∈Q｝，表示當(dāng)戰(zhàn)場(chǎng)處于態(tài)勢(shì)Q時(shí)，由于Euo類型事件以及Es類型事件的發(fā)生，導(dǎo)致戰(zhàn)場(chǎng)進(jìn)入的所有可能態(tài)勢(shì)的集合；ΓSF為重新定義的態(tài)勢(shì)事件函數(shù)，ΓSF（Q）=∪x∈QΓ（x），表示戰(zhàn)場(chǎng)處于態(tài)勢(shì)Q時(shí)可能發(fā)生的所有會(huì)導(dǎo)致態(tài)勢(shì)遷移的事件集合。

2.3應(yīng)用示例

GSF模型對(duì)圖2所示戰(zhàn)場(chǎng)態(tài)勢(shì)的演化過程如圖5所示，同圖4相比，結(jié)果圖更為簡(jiǎn)單和清晰。

圖5　戰(zhàn)場(chǎng)態(tài)勢(shì)的GSF模型演化過程示例

3　性能分析

DES模型的評(píng)估標(biāo)準(zhǔn)一般為演化自由度、結(jié)果復(fù)雜度以及模型生成時(shí)間［5-12］。本文根據(jù)上述3種評(píng)判標(biāo)準(zhǔn)對(duì)所提出的GSF模型和GPP模型進(jìn)行性能對(duì)比。

3.1演化自由度

由于指揮決策人員的精力和可投入兵力的有限性，所設(shè)計(jì)的決策支持系統(tǒng)應(yīng)當(dāng)最大限度允許事件的發(fā)生和戰(zhàn)場(chǎng)態(tài)勢(shì)的遷移，僅針對(duì)最關(guān)鍵的事件對(duì)指揮員進(jìn)行提醒和決策支持，而演化自由度便是用于評(píng)價(jià)該能力的指標(biāo)。

本節(jié)以兩個(gè)定理對(duì)該性能進(jìn)行論證，其中，定理1證明本文所設(shè)計(jì)的GSF模型在根本上仍然是典型的G模型，這是定理2論證的基礎(chǔ)；定理2證明本文所設(shè)計(jì)的GSF模型同GPP模型相比，允許更多事件的發(fā)生，并且不會(huì)導(dǎo)致不利態(tài)勢(shì)的出現(xiàn)，亦即對(duì)關(guān)鍵事件的識(shí)別更準(zhǔn)確，對(duì)指揮決策人員的干擾更少，從而證明GSF模型在態(tài)勢(shì)遷移自由度上的優(yōu)越性。

定理1. Es=Ф?L（GSF）=L（G）證明：Es=Ф

?Eo，SF=Eo，Euo，SF=Euo，

URSF（Q）=｛x∈X：［?t∈（Euo∪Ф）*］［f（q，t）=x］，q∈Q｝=UR（Q），

fSF（Q，e）=UR［∪q∈Qf（q，e）］=f（Q，e）

又∵x0，SF=UR（x0）=x0

?GSF=G

定理2. L（GPP）?L（GSF）

證明：以上定理等同于證明下述假設(shè)不成立：

?l∈L（GPP），但l?L（GSF）

考慮到空語言ε∈L（G），等同于證明下式不成立，其中，t為事件語言，σ為單個(gè)事件：

?tσ∈L（GPP），使得t∈L（GSF），而tσ?L（GSF）

∵GPP?GSF

∴在GPP模型中經(jīng)過語言t能夠到達(dá)的狀態(tài)，在GSF中同樣能夠到達(dá)。

?fPP（x0，PP，t）?fSF（x0，SF，t）

又∵tσ∈L（GPP）

而且ef0ues?L（GPP）

∴ef0ues?tσ

如果σ=es

?ef0?t

?Es=Ф

?L（GSF）=L（G）=L（GPP）

又∵tσ∈L（GPP）

∴tσ∈L（GSF）

同上述假設(shè)矛盾。

∴es?tσ

又∵ΓPP（fPP（x0，PP，t））=ΓSF（fSF（x0，SF，t））｛es｝

而σ∈ΓPP（fPP（x0，PP，t））

∴σ∈ΓSF（fSF（x0，SF，t））

∴tσ∈L（GSF）

也同上述假設(shè)矛盾。

所以，下述命題不成立：

?tσ∈L（GPP），使得t∈L（GSF），而tσ?L（GSF）

亦即L（GPP）?L（GSF）得證。

3.2結(jié)果復(fù)雜度

本節(jié)以文獻(xiàn)［14］中的10個(gè)DES系統(tǒng)為原型，模擬戰(zhàn)場(chǎng)態(tài)勢(shì)遷移情況，并隨機(jī)挑選3個(gè)事件作為無法獲取確切情報(bào)的事件，分別對(duì)GPP和GSF模型算法展開對(duì)比研究，這10個(gè)DES系統(tǒng)如圖6所示。

圖6　戰(zhàn)場(chǎng)態(tài)勢(shì)遷移模擬實(shí)驗(yàn)圖

實(shí)驗(yàn)過程中，為測(cè)試Es類型事件（缺失的情報(bào)）的數(shù)量對(duì)兩種模型的影響程度，分別進(jìn)行了3組實(shí)驗(yàn)，第1組實(shí)驗(yàn)中，設(shè)定eS0事件無法獲??；第2組實(shí)驗(yàn)中，設(shè)定eS0事件和eS1事件無法獲??；第3組實(shí)驗(yàn)中，設(shè)定eS0事件、eS1事件和eS2事件無法獲取。

3組實(shí)驗(yàn)所得狀態(tài)結(jié)果復(fù)雜度如圖7和圖8所示，實(shí)驗(yàn)結(jié)果表明：

（1）GSF模型所得結(jié)果狀態(tài)數(shù)普遍低于G模型狀態(tài)數(shù)量。這是因?yàn)獒槍?duì)無法獲取的事件，GSF算法在生成新的模型過程中存在狀態(tài)融合過程和剪枝過程，能夠在一定程度上降低狀態(tài)數(shù)量。

（2）GPP模型所得狀態(tài)數(shù)普遍高于G狀態(tài)數(shù)量。這是因?yàn)镚PP模型在構(gòu)建之初便根據(jù)Es事件的數(shù)量進(jìn)行了擴(kuò)充，所以雖然后續(xù)也存在一定的融合和剪枝過程，但仍然無法有效減少最終的狀態(tài)數(shù)。

（3）隨著Es事件數(shù)量的增多，GSF模型所得結(jié)果狀態(tài)數(shù)波動(dòng)較小，GPP模型所得結(jié)果狀態(tài)數(shù)波動(dòng)較大，存在明顯的上升趨勢(shì)。這是因?yàn)镚PP模型所得結(jié)果狀態(tài)數(shù)會(huì)隨著Es事件數(shù)量的增多呈指數(shù)級(jí)增長(zhǎng)，而GSF模型中的步進(jìn)融合算法受此影響較小。

（4）GSF模型所得結(jié)果事件數(shù)普遍略高于G模型事件數(shù)量。這是因?yàn)镚SF模型在步進(jìn)融合過程中，針對(duì)每一個(gè)融合生成的新狀態(tài)，都對(duì)其可能發(fā)生的事件采用了并操作，因此，GSF模型中每個(gè)狀態(tài)的事件集普遍高于G模型，同時(shí)由于GSF模型中狀態(tài)數(shù)量降低的程度并不大，所以GSF模型所得結(jié)果事件數(shù)普遍高于G模型事件數(shù)量，但增長(zhǎng)幅度并不明顯。

（5）GPP模型所得結(jié)果事件數(shù)普遍高于G模型事件數(shù)量和GSF模型事件數(shù)量。這是因?yàn)镚PP模型中的狀態(tài)數(shù)量過多，而且每個(gè)狀態(tài)的事件集大小并未得到有效控制，所以導(dǎo)致了GPP模型中事件數(shù)量的增多。

（6）隨著Es事件數(shù)量的增多，GSF模型結(jié)果事件數(shù)受波動(dòng)較小，GPP模型結(jié)果事件數(shù)受波動(dòng)較大。這是因?yàn)镚SF模型中的步進(jìn)融合算法受Es事件數(shù)量的影響較小，而GPP模型所得結(jié)果狀態(tài)數(shù)會(huì)隨著Es事件數(shù)量的增長(zhǎng)呈指數(shù)級(jí)上升，因此，GPP模型所得結(jié)果事件數(shù)量會(huì)呈爆炸性增長(zhǎng)。

綜上所述，GSF模型無論是在結(jié)果狀態(tài)數(shù)量方面，還是結(jié)果事件數(shù)量方面，還是在受Es事件數(shù)量的影響方面，均優(yōu)于GPP模型［7］。

圖7　GPP與GSF模型結(jié)果狀態(tài)數(shù)比較圖

圖8　GPP與GSF模型結(jié)果事件數(shù)比較圖

3.3模型生成時(shí)間

上節(jié)分別針對(duì)10個(gè)DES系統(tǒng)進(jìn)行了3組實(shí)驗(yàn)，共計(jì)30次實(shí)驗(yàn)，在實(shí)驗(yàn)過程中，本文對(duì)每次實(shí)驗(yàn)的運(yùn)行時(shí)間進(jìn)行了記錄，結(jié)果如圖9和圖10所示。

實(shí)驗(yàn)所用編程語言為C++ 6.0，硬件環(huán)境為2.20 GHz Intel Pentium Dual E2200 CPU雙核處理器，1.99 GB內(nèi)存。

圖9中是30次實(shí)驗(yàn)中兩種模型的生成時(shí)間對(duì)比，前十次實(shí)驗(yàn)是eS0事件缺失的情況，中間十次實(shí)驗(yàn)是eS0事件和eS1事件缺失的情況，后十次實(shí)驗(yàn)是eS0事件、eS1事件和eS2事件缺失的情況。

圖10是分別顯示GSF模型和GPP模型的生成時(shí)間內(nèi)部比較圖，以說明兩種模型在執(zhí)行時(shí)間上受Es事件數(shù)量的影響程度。

從圖9和圖10的實(shí)驗(yàn)結(jié)果中可以得知：

（1）GSF模型生成時(shí)間均在3 ms以內(nèi)，遠(yuǎn)低于GPP模型，具有良好的時(shí)間性能；而且隨著Es事件數(shù)量的增長(zhǎng)，GSF模型與GPP模型在時(shí)間上的差距越來越明顯。

（2）在Es事件數(shù)量相同的情況下，GSF模型相比于GPP模型而言，在生成時(shí)間的性能上，受DES系統(tǒng)初始結(jié)構(gòu)的影響較小，基本沒有波動(dòng)；而GPP模型受影響較大，各DES系統(tǒng)的演化時(shí)間快慢不一。

（3）對(duì)于同一個(gè)DES系統(tǒng)，GSF模型生成時(shí)間受Es事件數(shù)量影響較小，最大波動(dòng)未超過1.5 ms；而GPP模型生成時(shí)間受影響較大，波動(dòng)較為明顯，最大波動(dòng)已超過80 ms。

綜上所述，GSF模型在生成時(shí)間方面受DES系統(tǒng)初始結(jié)構(gòu)和Es事件數(shù)量的影響較小，優(yōu)于GPP模型。

圖9　GPP與GSF模型生成時(shí)間比較圖

圖10　GPP與GSF模型生成時(shí)間內(nèi)部比較圖

4　結(jié)論

本文在離散事件系統(tǒng)的基礎(chǔ)上，提出了一種基于步進(jìn)融合算法的決策支持方法，具有更低的算法復(fù)雜度和更快的決策反應(yīng)時(shí)間，能夠很好地用于對(duì)關(guān)鍵事件的發(fā)覺與處理決策支持，適用于現(xiàn)代戰(zhàn)爭(zhēng)迷霧下的態(tài)勢(shì)分析。

后續(xù)研究將從以下方面深入展開：

（1）目前的決策支持方法主要用于防止不利態(tài)勢(shì)的發(fā)生，后續(xù)將開展對(duì)有利態(tài)勢(shì)促進(jìn)決策的研究。

（2）有些關(guān)鍵事件的發(fā)生是無法阻止的，如敵方兵力的規(guī)模擴(kuò)充等，因此，輔助決策應(yīng)保證在事件可控的范圍內(nèi)進(jìn)行，后續(xù)將開展相關(guān)研究。

（3）針對(duì)大量的戰(zhàn)場(chǎng)態(tài)勢(shì)和事件情報(bào)信息，將開展以大數(shù)據(jù)和云計(jì)算為基礎(chǔ)的決策支持方法，在任務(wù)劃分、并行計(jì)算等技術(shù)方向展開研究。

參考文獻(xiàn)：

［1］武云鵬.魯棒性軍事行動(dòng)過程方案生成與優(yōu)化方法研究［D］.長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2012.

［2］張琳，陳紹順.基于集對(duì)分析的戰(zhàn)場(chǎng)態(tài)勢(shì)分析模型［J］.情報(bào)指揮控制系統(tǒng)與仿真技術(shù)，2005，27（5）：55-59.

［3］李志強(qiáng)，胡曉峰，司光亞，等.基于人工勢(shì)場(chǎng)的軍事態(tài)勢(shì)分析模型［J］.火力與指揮控制，2007，32（4）：5-8，11.

［4］SANCHEZ A M，MONTOYA F J. Safe supervisory control under observability failure［J］. Discrete Event Dynamic Systems，2006，16（4）：493-525.

［5］RAMADGE P J，WONHAM W M. Supervisory control of a class of discrete event processes［J］. SIAM Jounal of Control and Optimization，1987，25（1）：206-230.

［6］舒少龍，林峰，黃志強(qiáng).離散事件系統(tǒng)的可測(cè)性［J］.計(jì)算機(jī)工程與應(yīng)用，2007，43（15）：19-21.

［7］彭漢國(guó)，馬良，楊偉，等.基于協(xié)同作戰(zhàn)信息質(zhì)量的戰(zhàn)場(chǎng)態(tài)勢(shì)認(rèn)識(shí)模型［J］.四川兵工學(xué)報(bào)，2013，24（11）：99-102.

［8］YOUNG S，GARG V K. Model uncertainty in discrete event systems［J］. SIAM Journal of Control and Optimization，1995，33（1）：208-226.

［9］LIN F. Robust and adaptive supervisory control of discrete event systems［J］. IEEE Transactions on Automatic Control，1993，38（12）：1848-1852.

［10］SAMPATH M，SENGUPTA R，LAFORTUNE S，et al. Diagnosability of discrete event systems［J］. IEEE Transactions on Automatic Control，1995，40（9）：1555-1575.

［11］CONTANT O，LAFORTUNE S，TENEKETZIS D. Diagnosability of discrete event systems with modular structure［J］. Discrete Event Dynamic Systems，2006，16（1）：9-37.

［12］WANG Y，YOO T S，LAFORTUNE S. Diagnosis of discrete event systems using decentralized archi（ectures［J］. Discrete Event Dynamic Systems，2007，17（2）：233-263.

［13］BOEL R. Adaptive supervisory control［M］. Norwell：Synthesis and Control of Discrete Event Systems，2002：115-123.

［14］CASSANDRAS C G，LAFORTUNE S. Introduction to discrete event systems［M］. New York：Springer Science + Business Media，2008.

A Decision Support Method for Battle- field Situation Analysis

YUE Dong-feng，GAO Tian-rong，WANG Yin-hui，XU Chang，ZHANG Ling
（North Information Control Group Corporation Limited，Nanjing 211153，China）

Abstract：To solve the problem of battle -field situation analysis under possible loss of observability of important information，a step -fusion algorithm which considering the repair of observability failure is proposed，and traditional methods which are used for Discrete Event System （DES）are described in detail. Based on the step-fusion algorithm，a new decision support method is presented. And then mathematic methods and case studies are adopted to compare the performance between the new and traditional mechanisms. The results proved that the new mechanism can obtain a robust system for battle -field situation analysis，and be lower complexity than the traditional supervisor.

Key words：decision support，assistant decision-making，situation analysis，DES

中圖分類號(hào)：TP13

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1002-0640（2016）05-0100-07

收稿日期：2015-04-05修回日期：2015-04-27

作者簡(jiǎn)介：岳東峰（1984-），男，河北衡水人，博士。研究方向：自主決策系統(tǒng)，大數(shù)據(jù)處理系統(tǒng)。