周紅新， 陳國(guó)玖

(1. 后勤學(xué)院 后勤指揮系, 北京 100858； 2. 北京系統(tǒng)工程研究所, 北京 100101)

?

戰(zhàn)場(chǎng)物資損耗綜合分析模型研究

周紅新1， 陳國(guó)玖2

(1. 后勤學(xué)院 后勤指揮系, 北京 100858； 2. 北京系統(tǒng)工程研究所, 北京 100101)

為了提高戰(zhàn)場(chǎng)物資損耗量的預(yù)測(cè)精度，運(yùn)用系統(tǒng)工程和系統(tǒng)論原理，提出了一種綜合預(yù)測(cè)與分析戰(zhàn)場(chǎng)物資損耗量的新方法，構(gòu)建了基于灰色決策和多元線(xiàn)性回歸組合預(yù)測(cè)的綜合分析模型?；贐P神經(jīng)網(wǎng)絡(luò)，提出了綜合分析模型的權(quán)值求解方法。仿真分析及模型驗(yàn)證表明，該綜合分析模型具有較高的預(yù)測(cè)精度。

灰色決策分析；物資損耗；多元線(xiàn)性回歸分析

后勤物資是戰(zhàn)爭(zhēng)的物質(zhì)基礎(chǔ)，是部隊(duì)?wèi)?zhàn)斗力的重要組成部分。戰(zhàn)場(chǎng)物資損耗(損失、損壞和消耗)分析是為了恢復(fù)、維持和提高部隊(duì)?wèi)?zhàn)斗力，在各種約束條件下及時(shí)、準(zhǔn)確和適量地為其提供配套齊全、質(zhì)量完好的戰(zhàn)場(chǎng)物資的組織活動(dòng)。做好戰(zhàn)場(chǎng)物資損耗分析是后勤保障平時(shí)與戰(zhàn)時(shí)的一項(xiàng)重要任務(wù)。在利用主觀評(píng)定、數(shù)理統(tǒng)計(jì)、數(shù)學(xué)解析、仿真模擬等方法分析戰(zhàn)場(chǎng)物資損耗量上，由于各種方法進(jìn)行分析的出發(fā)點(diǎn)不同，考察問(wèn)題的角度也不同，造成分析結(jié)果不能把戰(zhàn)場(chǎng)物資損耗系統(tǒng)內(nèi)的有用信息較全面地表現(xiàn)出來(lái)，使得戰(zhàn)場(chǎng)物資損耗量預(yù)測(cè)及分析工作有待改進(jìn)。

多元線(xiàn)性回歸分析法，主要用線(xiàn)性關(guān)系描述損耗量與影響損耗的相關(guān)因素之間的關(guān)系，模型較為簡(jiǎn)單，還不能將各影響因素對(duì)戰(zhàn)場(chǎng)物資損耗的非線(xiàn)性影響有效描述出來(lái)。灰色建模與決策分析方法主要由生成模型得到的數(shù)據(jù)通過(guò)累減建立還原模型，再將還原模型作為戰(zhàn)場(chǎng)物資損耗分析模型。由于數(shù)據(jù)采集的誤差或錯(cuò)誤，難免得到一些壞數(shù)據(jù)(或原始數(shù)據(jù)規(guī)律不強(qiáng))，這必然影響模型的建立，進(jìn)而影響最后的預(yù)測(cè)精度[1-3]。

本文應(yīng)用這2種分析模型的組合預(yù)測(cè)方法，再通過(guò)BP神經(jīng)網(wǎng)絡(luò)求解綜合分析模型的權(quán)值，并對(duì)模型各部分的原理和運(yùn)算步驟進(jìn)行了詳細(xì)設(shè)計(jì)，最后對(duì)模型進(jìn)行了仿真分析及有效性驗(yàn)證。

1 模型構(gòu)建總體思路

戰(zhàn)場(chǎng)物資損耗綜合分析模型的算法流程主要包括5個(gè)步驟：(1) 采用統(tǒng)計(jì)和閾值分析方法，對(duì)戰(zhàn)場(chǎng)物資損耗的觀測(cè)數(shù)據(jù)進(jìn)行預(yù)先處理；(2) 利用灰色建模與決策分析方法和多元線(xiàn)性回歸分析方法，分別對(duì)戰(zhàn)場(chǎng)物資損耗觀測(cè)(歷史)數(shù)據(jù)樣本進(jìn)行分析；(3) 將第二步灰色預(yù)測(cè)模型和多元線(xiàn)性回歸預(yù)測(cè)模型的預(yù)測(cè)結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集；(4) 利用BP神經(jīng)網(wǎng)絡(luò)，計(jì)算綜合分析模型的權(quán)重；(5) 對(duì)戰(zhàn)場(chǎng)物資損耗量進(jìn)行綜合分析，預(yù)測(cè)戰(zhàn)場(chǎng)物資損耗總量。

2 模型及其求解算法

2.1 戰(zhàn)場(chǎng)物資損耗數(shù)據(jù)預(yù)處理

戰(zhàn)場(chǎng)物資損耗分析需要大量的歷史數(shù)據(jù)。因?yàn)槊看巫鲬?zhàn)的具體情況不同，造成數(shù)據(jù)在主觀上和客觀上都可能存在非真實(shí)數(shù)據(jù)和異常波動(dòng)數(shù)據(jù)，它們的誤差超出了正常的范圍，這些不良數(shù)據(jù)的出現(xiàn)容易造成模型的分析誤差。處理方法：

則

(1)

2.2 戰(zhàn)場(chǎng)物資損耗綜合分析模型

戰(zhàn)場(chǎng)物資損耗綜合分析建模步驟如下：

(2)

(3)

利用灰色建模與決策理論分析方法，將戰(zhàn)場(chǎng)物資損耗樣本數(shù)據(jù)Y以數(shù)列的形式作如下變換,令

(4)

即

(5)

新的生成數(shù)列y(1)近似滿(mǎn)足指數(shù)分布，其滿(mǎn)足灰色預(yù)測(cè)的微分方程GM(1,1)。其白化形式為:

(6)

(6)

從而

(7)

生成的物資損耗數(shù)列為

(8)

3) 構(gòu)建的組合預(yù)測(cè)模型。由多元線(xiàn)性回歸預(yù)測(cè)、灰色預(yù)測(cè)這2個(gè)單一模型構(gòu)成的組合預(yù)測(cè)模型為

(9)

式中：fit為t時(shí)間段第i個(gè)預(yù)測(cè)模型的預(yù)測(cè)值；wi為權(quán)重系數(shù), wi滿(mǎn)足下式條件

(10)

為了求出組合預(yù)測(cè)模型的權(quán)重系數(shù)，可建立以預(yù)測(cè)樣本均方差最小為目標(biāo)的數(shù)學(xué)模型，即

(11)

令Fit=(f1t,f2t)，則上式可以改寫(xiě)為

(12)

式中：yt表示觀測(cè)值；E表示樣本均方差。

只要求得E的最小值或者誤差在精度允許范圍之內(nèi)，即可求出組合預(yù)測(cè)模型中各單一預(yù)測(cè)模型所占的權(quán)重，由此可以得到關(guān)于此問(wèn)題的組合預(yù)測(cè)模型

(13)

BP神經(jīng)網(wǎng)絡(luò)具有無(wú)后效性的特點(diǎn)，各層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)，并且眾多神經(jīng)元對(duì)整體預(yù)測(cè)產(chǎn)生明顯地緩沖作用，減少了組合預(yù)測(cè)結(jié)果對(duì)真實(shí)值的偏離，可以提高網(wǎng)絡(luò)整體的收斂性[4-6]。本文采用BP算法，計(jì)算戰(zhàn)場(chǎng)物資損耗組合預(yù)測(cè)模型的單一預(yù)測(cè)模型權(quán)重分配問(wèn)題。

3 實(shí)例分析

以某單位作戰(zhàn)消耗彈藥為例。設(shè)y為各戰(zhàn)例的總消耗量，y1、y2、y3和y4分別為輕武器彈藥消耗量、火炮彈藥消耗量、反坦克導(dǎo)彈消耗量和高炮彈藥消耗量。利用多元線(xiàn)性回歸分析方法和灰色建模與決策分析方法對(duì)實(shí)例數(shù)據(jù)進(jìn)行組合預(yù)測(cè)，預(yù)測(cè)結(jié)果如表1所示。

表1 多元線(xiàn)性回歸分析模型和GM(1，1)模型的 預(yù)測(cè)結(jié)果

將綜合分析模型的預(yù)測(cè)及分析結(jié)果歸一化處理，輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可得到基本損耗分量：y1=218.7，y2=9 705.0，y3=1 592.1，y4=137.2。將損耗分量與修正值求和，計(jì)算出綜合分析模型的最終預(yù)測(cè)結(jié)果，并將此結(jié)果與各單一分析模型結(jié)果進(jìn)行比較，如表2所示。通過(guò)相對(duì)誤差可以看到，本文建立的組合預(yù)測(cè)模型較單一預(yù)測(cè)方法更接近實(shí)際值，大大提高了預(yù)測(cè)精度，使得預(yù)測(cè)結(jié)果更具可靠性。

表2 綜合預(yù)測(cè)與分析結(jié)果及誤差

4 結(jié) 束 語(yǔ)

通過(guò)實(shí)例模型的仿真分析，可以看到，本文基于灰色建模與決策方法和多元線(xiàn)性回歸分析方法，構(gòu)建的戰(zhàn)場(chǎng)物資損耗綜合分析模型更接近實(shí)際值，而且綜合分析模型比單一分析模型的預(yù)測(cè)精度要高，從而可有效地提高戰(zhàn)場(chǎng)物資消耗量預(yù)測(cè)的科學(xué)性和合理性。

References)

[1]陳華友．組合預(yù)測(cè)方法有效性理論及其應(yīng)用[M]．北京：科學(xué)出版社,2005:40-196.

[2]CHARYTONIUK W, CHEN M S, OLINDA P V．Nonparametric regression based short-term load forecastion[J]．IEEE Transaction on Power Systems,1998,13(3):725-730.

[3]楊春波．基于灰色模型與人工神經(jīng)網(wǎng)絡(luò)的改進(jìn)組合預(yù)測(cè)模型及其應(yīng)用研究[D]．濟(jì)南：山東師范大學(xué)，2009：5-17.

[4]周品．MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用與設(shè)計(jì)[M]．北京：清華大學(xué)出版社，2013：113-150.

[5]盧慶玲，白盟亮，彭艷麗．基于灰色神經(jīng)網(wǎng)絡(luò)的裝甲器材需求量預(yù)測(cè)[J]．裝甲兵工程學(xué)院學(xué)報(bào)，2011，25(6)：19-22.

[6]夏秀峰，劉權(quán)羲．基于灰色神經(jīng)網(wǎng)絡(luò)的裝甲部隊(duì)油料消耗預(yù)測(cè)[J]．火力與指揮控制，2014，39(9)：91-95.

(編輯：李江濤)

A Comprehensive Analysis Model of Materiel Loss at Battlefield

ZHOU Hongxin1， CHEN Guojiu2

(1. Department of Logistics Command, Logistics Academy, Beijing 100858, China；2. Beijing Institute of System and Engineering， Beijing 100101, China)

To improve the accuracy of prediction on materiel loss at battlefield, the paper introduces a new method featuring comprehensive prediction and analysis on the materiel loss at battlefield with the system engineering and system principles. The paper constructs a comprehensive analysis model based on gray decision making and multiple linear regression. Based on the BP neural network, the paper also proposes a weighting method of comprehensive analysis model. Simulation analysis and model validation show that the model has high accuracy in prediction.

grey decision analysis; material consumption; multiple linear regression analysis

2016-06-16

周紅新(1976-)，男，講師，博士，主要研究方向?yàn)檐娛逻\(yùn)籌與后勤指揮。zzyzhxkjy@126.com

E24

2095-3828(2016)06-0041-03

A DOI 10.3783/j.issn.2095-3828.2016.06.009