杜偉偉， 陳小偉

(1.北京理工大學 機電學院， 北京 100081； 2.北方自動控制技術研究所， 山西 太原 030006；3.北京理工大學 爆炸科學與技術國家重點實驗室， 北京 100081； 4.北京理工大學 前沿交叉科學研究院， 北京 100081)

0 引言

在作戰(zhàn)任務規(guī)劃領域，任務分解是指根據敵情、我情和戰(zhàn)場環(huán)境等因素，將上級賦予的總體作戰(zhàn)任務細化分解成若干具體、明確且相互關聯(lián)的子任務。其目的在于通過對作戰(zhàn)全過程行動序列的優(yōu)化設計，實現(xiàn)兵力、火力、時間、空間等資源的優(yōu)化運用和作戰(zhàn)效果的最大化。任務分解的合理性及總體效能，直接影響作戰(zhàn)力量整體部署和體系作戰(zhàn)效能的發(fā)揮。目前，作戰(zhàn)任務分解主要依靠指揮員的主觀經驗，缺少有效的輔助決策手段支撐，難以滿足聯(lián)合作戰(zhàn)條件下敏捷、高效作戰(zhàn)設計的需求，因此迫切需要對任務分解輔助決策框架及模型進行深入研究。

任務分解本質上是一個基于軍事規(guī)則的復雜多約束運籌問題，目前相關研究主要集中在層次任務網絡(HTN)等智能規(guī)劃方法方面。HTN方法通過引入領域知識，可模擬領域專家的思維方式，并且能夠較好地描述任務關系[1-2]，在平臺級任務規(guī)劃[3-5]方面得到廣泛應用。在傳統(tǒng)HTN方法的基礎上，范韜[6]引入非功能屬性的效用值用于縮小規(guī)劃空間，生成應用于云制造的多套方案。在作戰(zhàn)指控領域，李晶晶[7]針對應急行動方案的制定，設計了資源增強型HTN規(guī)劃方法，用于評估任務分解后分支任務的優(yōu)劣，從而優(yōu)化了行動方案的資源使用。王偉等[8]采用任務聚合的理念對任務分解進行了優(yōu)化。

在作戰(zhàn)任務分解領域，當前研究主要存在以下不足和局限：1)作戰(zhàn)任務描述方法不統(tǒng)一，缺乏標準統(tǒng)一的作戰(zhàn)任務描述框架，且對作戰(zhàn)任務之間的關系描述不充分；2)HTN規(guī)劃等方法尋優(yōu)能力不足，當搜索到一種可用方法用以生成可行解時就停止繼續(xù)搜索其他可用方法，難以得到最優(yōu)分解方案；3)以HTN規(guī)劃為代表的方法未考慮多方案篩選，當采用多種方法生成多套分解方案時，缺乏對多套方案的評估、篩選與優(yōu)化，且難以處理子任務之間的沖突。

本文首先面向作戰(zhàn)任務分解的全業(yè)務過程構建了作戰(zhàn)任務分解框架，牽引出任務規(guī)范化描述、任務分解建模、任務分解算法等需要具體解決的問題，然后逐一進行分析說明，最后結合具體任務場景對本文方法進行了定性和定量實驗分析，驗證該方法的可行性。

1 作戰(zhàn)任務分解框架

1.1 作戰(zhàn)任務分解的復雜性

作戰(zhàn)任務分解需要考慮的客觀因素多、受影響因素多、與采取的戰(zhàn)術戰(zhàn)法等相關，因此是一項復雜的業(yè)務處理活動。通過深入分析實際作戰(zhàn)指揮決策過程，任務分解面臨的難點主要包括以下3個方面：

1)作戰(zhàn)場景要素多且影響任務分解方案。敵兵力部署、作戰(zhàn)企圖以及氣候、地形、電磁環(huán)境等諸多因素都直接影響任務分解結果，且各個要素對分解結果的影響關系復雜，各不相同。

2)作戰(zhàn)任務多樣且關聯(lián)關系復雜。在目前聯(lián)合作戰(zhàn)、合同作戰(zhàn)背景下，作戰(zhàn)進程中存在不同種類、不同層次的多樣化任務，且任務之間存在時序、邏輯等多種關系，多任務之間的關系網絡復雜，傳統(tǒng)方法難以對任務間的關系和效果進行有效建模。

3)可行分解方案多且難以優(yōu)選。目前作戰(zhàn)力量呈現(xiàn)出多能特點，每種任務均可以通過多種力量或多種力量組合使用等多手段達成，再將時間、空間因素考慮進來，使得可行的分解方案爆炸式增長，靠指揮員很難決策優(yōu)選出最優(yōu)案。

1.2 作戰(zhàn)任務分解框架

針對作戰(zhàn)任務多樣且關聯(lián)關系復雜的難點，本文擬通過對作戰(zhàn)任務進行規(guī)范化描述來支撐解決；針對作戰(zhàn)場景要素多且影響任務分解方案、可行分解方案多且難以優(yōu)選的難點，本文擬通過構建任務分解模型、設計任務分解算法和多方案優(yōu)選算法來綜合解決。在上述解決思路下，本文建立了一種通用的作戰(zhàn)任務分解框架，如圖1所示。

圖1 作戰(zhàn)任務分解框架Fig.1 Operational task decomposition framework

在圖1中，首先對作戰(zhàn)任務進行規(guī)范化描述，描述任務中的各個要素并讓計算機能夠自動識別，同時建立起任務之間的關系描述，以便支撐后續(xù)任務分解；然后綜合考慮任務場景和領域知識，建立任務分解模型，并設計任務分解算法，對該模型進行優(yōu)化求解，得到多套任務分解方案；最后對多套方案進行評估優(yōu)選，輸出最優(yōu)任務網絡，解決多方案生成及優(yōu)選難題。在該框架中，需要重點關注以下4個方面的因素：

1)任務規(guī)范化描述，建立對多樣化作戰(zhàn)任務以及任務關系的通用化、規(guī)范化描述，是支撐生成任務網絡和任務時序的前提。

2)任務分解建模，重點是任務場景建模和領域知識構建，任務場景建模主要建立對敵部署、敵企圖、地形、戰(zhàn)場環(huán)境等復雜任務場景要素及戰(zhàn)場情況的通用化、定量描述，是實現(xiàn)任務實例化的基本條件；領域知識主要建立對分解規(guī)則、任務模板等內容的描述，是實現(xiàn)具體任務分解、適應復雜戰(zhàn)場情況的關鍵。

3)任務分解算法，針對任務分解模型設計具體的分解算法，實現(xiàn)對總體任務的分解細化，是生成多套任務分解方案的關鍵。

4)多方案優(yōu)選綜合，建立適合的優(yōu)選原則，典型原則包括效益最大、損耗最小等，是實現(xiàn)多方案選擇和優(yōu)化的基礎。

2 基于5W理論的任務規(guī)范化描述方法

對作戰(zhàn)任務進行規(guī)范化描述是借助信息系統(tǒng)開展任務分解的一項基礎性工作，主要是對任務要素和任務關系進行規(guī)范化、格式化描述，其基本要求是全面、量化、通用性強。全面是指要盡可能全面覆蓋影響任務分解的各個要素，量化是指描述方法要盡可能量化，通用性強是指能夠盡可能適合所有類型的作戰(zhàn)任務描述。然而當前相關描述方法主要針對特殊場景[9]進行定量描述[10-11]，不具備通用性，無法滿足作戰(zhàn)任務分解推理及優(yōu)化的需求。針對這一不足，本文引入5W理論對作戰(zhàn)任務進行了規(guī)范化描述，實現(xiàn)對任務要素及復雜關系的全面、定量、規(guī)范描述。

2.1 作戰(zhàn)任務的5W要素規(guī)范化描述

依據任務式指揮理論，作戰(zhàn)任務可通過5個W，即What(任務類型)、When(任務時間)、Where(任務空間)、Who(作戰(zhàn)力量)、Why(任務指標)5項要素進行規(guī)范化描述，因此作戰(zhàn)任務的規(guī)范化描述可表示為

Td=〈Ttype，Ttime，Tspace，Tforce，Tindex〉，

(1)

式中：Ttype為任務類型；Ttime為任務時間；Tspace為任務空間；Tforce為作戰(zhàn)力量編成；Tindex為任務指標。

2.1.1Ttype規(guī)范化描述

Ttype是對作戰(zhàn)樣式、作戰(zhàn)手段等的區(qū)分，直接決定了可采用的作戰(zhàn)方法，將其規(guī)范化描述為

Ttype=〈ptype，pname，pid〉，

(2)

式中：ptype為類型名稱；pname為任務名稱；pid為任務編號，是區(qū)分任務的唯一標識。任務類型ptype的確定主要依據作戰(zhàn)任務清單，通常要能夠反映任務層級、力量主體、要素、性質、戰(zhàn)場特點等信息；pname就是對某個作戰(zhàn)任務的具體描述，例如聯(lián)合火力打擊任務、地面突擊任務、機動投送任務等。

2.1.2Ttime規(guī)范化描述

Ttime是指與任務準備和執(zhí)行相關的一系列時間，決定了任務持續(xù)時間及任務間的時序關系，將其規(guī)范化描述為

Ttime=〈tsta，tend，tpre，tbat〉，

(3)

式中：tsta為任務開始時間；tend為任務結束時間；tpre為任務準備時間；tbat為作戰(zhàn)發(fā)起時間。其中tsta、tend、tbat為時間點；tpre為時間段。

2.1.3Tspace規(guī)范化描述

Tspace是指交戰(zhàn)發(fā)生的主要空間和區(qū)域，決定了交戰(zhàn)的范圍，將其規(guī)范化描述為

Tspace=〈sland，socean，sair，sspa，sem，snet〉，

(4)

式中：sland、socean、sair、sspa、sem、snet分別為陸、海、空、天、電、網各個空間的作戰(zhàn)區(qū)域。

2.1.4Tforce規(guī)范化描述

Tforce是投入作戰(zhàn)的兵力及編成關系，決定了可使用的作戰(zhàn)資源，由人員和武器裝備兩部分構成，將其用4要素進行規(guī)范化描述：

Tforce=〈fsort，fscale，fwea，frel，fdep〉，

(5)

式中：fsort為力量種類；fscale為力量規(guī)模；fwea為主要武器；frel為力量關系；fdep為力量部署信息。

2.1.5Tindex規(guī)范化描述

Tindex是任務要達成的目標狀態(tài)，是任務分解的目標導向，將任務指標規(guī)范化描述為

Tindex=〈Itar，Idam，Iter，Ilen〉，

(6)

式中：Itar為任務目標，包括指揮控制類、兵力防守類、工事障礙類、綜合保障類、武器裝備類等多種任務目標；Idam為任務的毀傷參數(shù)要求；Iter為任務的控制地域幅度；Ilen為任務時長。

2.2 任務關系規(guī)范化描述

在一次作戰(zhàn)過程中，任務之間存在著多種、復雜的關聯(lián)關系[12]，可以說，對任務關系進行規(guī)范化描述是構建任務網絡、組織任務協(xié)同的基本前提。目前對任務關系的定義主要集中在層次關系、時序關系[13]，不足以很好地表征戰(zhàn)場上不同作戰(zhàn)任務之間的多維聯(lián)系，為此，本文著重擴展邏輯關系、功能關系，用以全面刻畫任務聯(lián)系，更好地支撐任務分解：

1)層次關系，表示父任務與子任務之間的關系；

2)時序關系，表示任務之間執(zhí)行的先后順序；

3)邏輯關系，表示任務之間的依賴關系；

4)功能關系，表示某任務執(zhí)行情況對其他任務執(zhí)行效果的影響關系。

因此，本文重點針對上述4種功能關系建立任務關系規(guī)范化描述方法。對于任務Ta和Tb，將二者之間的關系描述為

Rab=〈Rlevel，Rtorder，Rlogic，Rfun〉，

(7)

式中：Rlevel為層次關系，表示Ta和Tb存在父子關系；Rtorder為時序關系，表示Ta、Tb執(zhí)行的先后順序；Rlogic為邏輯關系，用and、or和not表示[3]，and表示Ta被成功執(zhí)行后Tb才生效允許被執(zhí)行，or表示Ta是否被成功執(zhí)行不影響Tb的執(zhí)行，not為非關系，表示Ta未被執(zhí)行，Tb才允許被執(zhí)行；Rfun為功能關系，包括促進關系、阻礙關系和依賴關系，促進關系即Ta對Tb的執(zhí)行具有有利影響，阻礙關系即Ta對Tb的執(zhí)行具有不利影響，依賴關系包括：1)信息依賴，即Tb的執(zhí)行依賴于Ta輸出信息的觸發(fā)，2)效果依賴，即Tb的執(zhí)行依賴于Ta達成作戰(zhàn)效果，3)全依賴，即Tb的執(zhí)行既依賴于Ta的觸發(fā)也依賴于其效果。

2.3 任務網絡與任務清單規(guī)范化描述

任務網絡和任務清單是任務分解輸出的兩個重要成果，任務清單側重對任務分解結果的靜態(tài)呈現(xiàn)，任務網絡側重對任務之間各種關系的呈現(xiàn)。因此，這兩個產品的規(guī)范化描述，完全可以在作戰(zhàn)任務和任務關系規(guī)范化描述的基礎上通過聚合實現(xiàn)。

任務清單是對作戰(zhàn)任務的集合，因此可將其描述為

L=〈T1，T2，T3，…，Ti，…，Tn〉，

(8)

式中：Ti為第i個已規(guī)范化描述的作戰(zhàn)任務；n為作戰(zhàn)任務數(shù)。

任務網絡是在任務清單的基礎上擴充了任務關系，因此可將其描述為一個二元組：

W=〈L，R〉，

(9)

式中：R為任務關系集合。W即可描述由復合任務分解到原子任務的全過程及其分解結果。

3 任務分解過程建模

作戰(zhàn)任務分解過程受到復雜多變戰(zhàn)場環(huán)境和任務分解規(guī)則領域知識的雙重約束。整個分解過程可以看作是針對特定的作戰(zhàn)任務場景E，基于任務分解方法、任務關系、任務模板等領域知識D進行推理和評估優(yōu)化，逐步實現(xiàn)對任務網絡W實例化的過程。

為了實現(xiàn)這一過程，可將任務分解問題轉換為如下一個三元組的推理與優(yōu)化問題：

P=〈E，W，D〉，

(10)

即基于任務場景E、領域知識D，并結合具體的算法，實現(xiàn)逐步推理、優(yōu)化、生成W.考慮擬采用推理方法實現(xiàn)任務分解，因此本節(jié)首先采用本體[14]理念進行任務場景E、領域知識D的建模，在第4節(jié)設計具體分解算法。

3.1 任務場景E建模

作戰(zhàn)任務與作戰(zhàn)場景相關，作戰(zhàn)場景的變化會帶來作戰(zhàn)任務的調整，作戰(zhàn)方案的確定需要綜合考慮戰(zhàn)場中面臨的敵情、戰(zhàn)場環(huán)境等信息。因此，需要對任務場景進行描述，通過描述模型能夠直觀表征任務場景，以便于有效直接支撐開展作戰(zhàn)任務分解。目前尚未有可借鑒的任務場景建模相關成果，本文主要考慮會直接影響作戰(zhàn)任務分解的敵情信息、地形信息、戰(zhàn)場環(huán)境等主要因素對任務場景進行建模，其中，敵情信息重點考慮敵部署和敵企圖。

借鑒任務規(guī)范化描述方法，將任務場景描述為

E=〈Edeploy，Eattempt，Eterrain，Eenviron〉，

(11)

式中：Edeploy為敵部署，包括敵兵力及其位置信息；Eattempt為敵企圖，描述方法同任務指標；Eterrain為區(qū)域內的地形信息；Eenviron為戰(zhàn)場環(huán)境，包括人工環(huán)境、自然環(huán)境、社會環(huán)境等。

考慮到任務場景要素繁多，且多數(shù)要素之間存在著復雜的多維關系，因此本文引入本體構建任務場景描述模型，將場景要素抽象定義為不同本體，并建立本體之間的相關關系，主要包括影響、使用、互斥、協(xié)同等關系，進而構建任務場景知識圖譜，實現(xiàn)知識推理[15]，支撐任務分解。由于任務場景要素眾多，限于篇幅，本文結合部分典型的場景要素及本體關系給出任務場景描述的示意模型，如圖2所示。

圖2 任務場景描述模型示意圖Fig.2 General combat scenarios modeling

根據場景要素對任務分解影響的重要程度不同，將其分為基礎項Ebasic和參考項Erefer，即

E=〈Ebasic，Erefer〉，

(12)

式中：Ebasic是推理過程中必須滿足的硬約束，必須滿足；Erefer為軟約束，主要用于對分解方案進行優(yōu)化和優(yōu)選。一般情況下，將地形信息Eterrain、敵部署Edeploy設定為基礎項，敵企圖Eattempt、戰(zhàn)場環(huán)境Eenviron中的要素可以依據任務情況由人工設定基礎項、參考項。

3.2 領域知識D

領域知識是對作戰(zhàn)任務分解規(guī)則的總結及描述，用于支撐結合具體任務場景優(yōu)選分解方法對作戰(zhàn)任務進行分解，生成協(xié)調一致、可執(zhí)行的子任務集。本文主要從任務分解方法、任務關系、任務模板3個方面構建領域知識，用一個三元組對其進行描述：

D=(Ms，Ts，R)，

(13)

式中：Ms為復合任務的分解方法集；Ts為任務模板集，用于任務的實例化操作。典型任務主要包括地面突擊任務、火力打擊任務、對空防御任務、機動投送任務、戰(zhàn)場偵察任務、通信保障任務、工程保障任務、防化保障任務、彈藥保障任務、后勤保障任務、裝備保障任務等，任務類型支持擴展，按照2.2節(jié)對任務關系的定義，主要包括層次關系、時序關系、邏輯關系、功能關系。

以渡海登島作戰(zhàn)任務為例，典型領域知識如圖3所示。

圖3 領域知識域典型構成示意圖Fig.3 Schematic diagram of knowledge domain composition

領域知識D用于作戰(zhàn)任務分解的具體思路可以概括為：針對一個具體的作戰(zhàn)任務，結合任務場景從任務分解方法集Ms中優(yōu)選任務分解方法，用于執(zhí)行任務分解操作；在此基礎上讀取任務模板集Ts中的具體任務模板，對子任務集中的每項子任務進行實例化處理，使得每項子任務能夠可執(zhí)行；通過R中事先確定的任務關系，明確各項子任務之間的執(zhí)行時序，進而形成可行的任務分解方案?？梢姡琈s、Ts、R是任務分解所依賴的三類重要領域知識，三者之間相互銜接，分步驟一體支撐任務分解。

3.2.1Ms任務分解方法集

將任務分解方法集定義為

Ms={mse|se=1，2，…，tn}，

(14)

式中：mse為分解方法集中的子方法；tn為分解方法集中包含的方法數(shù)量。

在分解方法選取方面主要考慮基于任務進行“任務- 方法”匹配選取，匹配要素包括匹配基礎項和參考項，令

mse(ok，A)，mse(ok，B)∈Ms，

(15)

式中：mse(ok，A)表示“任務- 方法”基礎項匹配最優(yōu)分解方法，ok表示存在匹配最優(yōu)的方法，A為基礎項匹配最優(yōu)的標識；mse(ok，B)表示“任務- 方法”參考項匹配最優(yōu)分解方法，B為參考項匹配最優(yōu)的標識。最優(yōu)分解方法設定為

mr0=〈mlist，mtNet，mfcon，mrcon，madd，mdel〉，

(16)

式中：mlist為子方法的參數(shù)列表，包括名稱和屬性；mtNet為預先制定的先驗知識表征用子方法分解復合任務后生成的子任務集；mfcon為方法的約束條件；mrcon為關系的約束條件；madd、mdel分別為方法的增操作、刪操作。

3.2.2Ts任務模板集

任務模板主要是支撐對任務進行實例化操作，待確定分解任務后，自動調用任務方法集中的合適方法進行分解操作，將分解得到的子任務通過匹配適合的任務模板進行實例化，使任務可以被有效執(zhí)行，任務模板支持按需靈活擴展。

將任務模板集Ts表示為

Ts={tr|r=1，2，…，f}，

(17)

式中：tr為任務模板，

tr=〈Ttype，Tgoal，Tforce，Tacci，Trel〉，

(18)

Tgoal為任務目的；Tacci為戰(zhàn)場突發(fā)情況以及情況處置預案；Trel為與此任務有關聯(lián)的其他任務以及關聯(lián)關系。

以渡海登島中的搶灘登陸任務為例，任務模板要素定義如下：

1)任務類型Ttype.通過Ttype中的任務信息將方法集與任務模板相關聯(lián)。

2)通過任務指標生成任務目的Tgoal.例如搶灘登陸任務的目的是壓制敵火力并實現(xiàn)我方作戰(zhàn)力量快速登島。

3)通過作戰(zhàn)力量Tforce確定部隊和人員的分工安排。例如炮兵可擔任掩護任務，使前沿突擊力量快速通過敵炮火封鎖。

4)對執(zhí)行任務時可能遭遇情況Tacci進行分類。例如搶灘登陸可能會遭遇敵炮火封鎖、遇到障礙物等情況，進而參照作戰(zhàn)力量分工安排明確需要的兵力及武器種類及數(shù)量。

5)通過任務關聯(lián)關系Trel確定任務的執(zhí)行步驟。例如搶灘登陸任務的執(zhí)行首先明確機動道路，然后確定部隊分批、逐次行進，最后保證隱蔽安全登陸。

4 任務分解算法

第3節(jié)構建的任務場景和領域知識等任務分解過程模型是執(zhí)行任務分解的基礎，而具體的分解算法是實現(xiàn)任務自動分解的關鍵。本文將任務分解劃分成生成初始任務網絡、逐層分解任務、優(yōu)選分解方案3個環(huán)節(jié)，依次解決初始化、多可行方案生成、執(zhí)行方案優(yōu)化的問題。

4.1 初始任務網絡生成

對于受領的上級任務T，首先基于敵情、我情、戰(zhàn)場環(huán)境等各種信息，建立三元組P=〈E，W′，D〉，將作戰(zhàn)任務T、任務場景E與領域知識D進行匹配分析，然后基于邏輯規(guī)則進行推理，生成初始任務網絡W′.初始任務網絡的具體生成過程為，首先結合任務場景E從領域知識D中優(yōu)選任務分解方法，用于執(zhí)行任務T的分解操作，然后結合邏輯規(guī)則判斷在任務場景E下分解后的各子任務是否滿足可執(zhí)行條件，將可執(zhí)行的子任務存入W′.

邏輯規(guī)則是實現(xiàn)從已知事實推出未知知識的關鍵，規(guī)則用三元組(?xR?y)的形式構建，其中?x和?y表示一個實例或者類，R表示關系，通過規(guī)則建立任務環(huán)境類、作戰(zhàn)任務類和自定義實例之間的聯(lián)系實現(xiàn)推理。本文主要采用人工經驗和邏輯推理相結合的方式設計典型規(guī)則，形成規(guī)則集，規(guī)則集支持可擴展，進而能夠逐步支持不同的更多作戰(zhàn)場景和作戰(zhàn)任務，部分典型規(guī)則與釋義如下：

規(guī)則1場景a影響任務b的執(zhí)行情況，則有任務b受環(huán)境a的影響。

rule1:(?a rdf:influence ?b)
→(?b rdf:beinfluenced ?a).

規(guī)則2場景a滿足任務b的執(zhí)行條件，任務c是任務b的子任務，則有場景a滿足任務c的執(zhí)行條件。

rule2:(?a rdf:accord ?b),(?b rdf:involve ?c)
→(?a rdf:accord ?c).

規(guī)則3場景a影響任務b的執(zhí)行情況，任務c是任務b的子任務，則有任務b受場景a影響同時任務c受場景a影響。

rule3:(?a rdf:influence ?b),(?b rdf:involve ?c)
→(?b rdf:beinfluenced ?a),
(?c rdf:beinfluenced ?a).

規(guī)則4當場景a中同時具備要素b和要素c，匹配任務d的場景關鍵要素必須同時包含要素b和要素c時，則在場景a下可以執(zhí)行任務d.

rule4:
(?a rdf:subclassof ?b),(?a rdf:subclassof ?c),
(?d rdf:characteristic ?b),
(?d rdf:characteristic ?c)
→(?a rdf:accord ?d).

4.2 基于效用信息篩選的層次任務分解方法

在任務分解過程中，對于受領的復合任務，調用所有可行的方法進行分解；同時對復合子任務再次分解，直至分解結果全部是原子任務為止。由于作戰(zhàn)力量和作戰(zhàn)能力的多樣性，對于同一復合任務可通過多種不同子任務的組合來達成任務指標，對于同一子任務可選擇不同的作戰(zhàn)力量執(zhí)行。這將導致對同一作戰(zhàn)任務存在多種任務分解方案，并且隨著任務層數(shù)的增加，方案數(shù)量將呈現(xiàn)爆炸式增長。

針對這一問題，本文提出一種基于效用信息篩選的層次任務分解方法，以有效優(yōu)選任務分解方案，合理降低方案數(shù)量。該方法的基本思想是，首先通過定義任務分解方案的質量和費用，計算得出分解方案中所有任務的整體效用信息[16]，然后利用得出的效用信息支撐對分解方法進行篩選，進而在控制分解方案數(shù)量的前提下，同時確保分解方案質量。

4.2.1 效用信息

對于每一個任務分解方案，分別定義質量Q和費用C，并通過對二者進行加權處理綜合計算任務群的整體效用值U，在權重確定方面本文采用取相等權重值的簡化處理方式。

質量Q反映整體任務的貢獻率，可由品質累積函數(shù)q累積得出，q定義為復合任務Ts各個子節(jié)點的合成方法[1]，Q越大說明方案質量越高。

將復合任務Tc的子任務表示為Tcj，其中j=1，2，…，tnum，則Tc在t時刻的品質可表示為

(19)

式中：r為子任務的個數(shù)；q(Tcj，t)為t時刻執(zhí)行子任務Tcj的質量效用。(19)式表明，Tc在t時刻的品質為t時刻執(zhí)行任務Tcj的質量效用之和。

費用C反映了執(zhí)行任務時的資源費用Cr和經濟費用Ce.費用C要求在滿足戰(zhàn)場作戰(zhàn)需求的情況下最小化，執(zhí)行任務Tc的費用定義為

(20)

綜上，綜合定義任務分解方案的效用值為

(21)

式中：i為遍歷復合作戰(zhàn)任務的下標；k為所有復合任務的個數(shù)；Q(Tcj，t)為執(zhí)行第j個復合任務的質量；C(Tcj，t)為執(zhí)行第j個復合任務所消耗的費用。

效用值定量反映了使用某個分解方法得到的任務分解方案整體滿意程度，可作為分解方法集篩選的重要標準條件。

4.2.2 分解方法篩選

本文著重針對目前采用任務分解方法單一的問題，研究解決如何合理選取多種分解方法同時用于任務分解。基本實現(xiàn)思路是通過任務約束條件等屬性與分解方法約束條件等屬性進行比對分析，基于屬性對比一致性情況選取相應分解方法，同時為了限定選取的分解方法數(shù)量過多，通過引入效用信息并設定效用閾值來實現(xiàn)分解方法優(yōu)選。

記從方法集M中選擇的可用于復合任務Tc分解的所有方法保存在可執(zhí)行方法集Ms中，篩選分解過程包括以下4個步驟：

1)將執(zhí)行復合任務Tc的任務場景E的基礎項Ebasic作為選取子分解方法mse的判斷標準。假設每次篩選的分解方法為可執(zhí)行方法，例如選擇渡海登島作戰(zhàn)任務分解方法時，判斷子分解方法mse中mfcon約束與E的Ebasic中是否存在一致項，若存在一致項，則說明mse可分解的復合任務基本作戰(zhàn)樣式與Ts一致，可以選取，使用madd操作將該方法加入Ms中；若不一致，則mse可分解的作戰(zhàn)樣式為不相關的作戰(zhàn)任務，例如邊境作戰(zhàn)等，不進行選取。存在的一致項越多，說明選擇的分解方法越適用于待分解任務。每分解一個任務，將一致項最多的分解方法標記為mse(ok，A)，存于可執(zhí)行方法集Ms中。

2)依據子分解方法mse中是否存在子任務集，對可執(zhí)行方法集Ms進行初步篩選。判斷可執(zhí)行方法集Ms子方法中的子任務集tNet是否為空，若為空，則分解方法為不可執(zhí)行方法，使用方法中mdel操作將其從Ms中篩除。

3)引入4.2.1節(jié)中的效用信息用于度量分解方法，從滿足度角度對可執(zhí)行方法集Ms進行二次篩選。設定閾值λ，當U≥λ時，證明使用該方法分解得到的結果滿足度符合要求，保留該分解方法；當U<λ時，使用mdel操作篩除該分解方法；當λ=0時，選擇出的分解方法全部采用、執(zhí)行。

4)將Es的參考項Erefer作為優(yōu)選高符合度分解方法的重要依據。對E的參考項Erefer與方法的mrcon約束進行一致性分析，對可執(zhí)行方法集Ms進行進一步優(yōu)化篩選，以優(yōu)選符合度高的分解方法，同時將參考項中一致項多的方法標記為最優(yōu)方法mse(ok，B)。

4.3 多分解方案綜合優(yōu)化

采用多方法執(zhí)行作戰(zhàn)任務分解后，能夠生成多套分解方案，任何一套方案均是可行案，均可以直接執(zhí)行，但是，每套方案都是在符合一定戰(zhàn)場條件下的分解結果，考慮戰(zhàn)場情況存在諸多不確定的復雜特性，最終所選用的分解方案應盡可能地能夠應對戰(zhàn)場多種可能性，因此有必要對多套可行方案進行優(yōu)化組合，得到考慮更加完善、適應更多條件約束的分解方案，以更好地適應戰(zhàn)場各種不確定性。在考慮避免資源使用沖突的基礎上，結合本文前面給出的任務關系，能夠確保組合方案不存在資源占用沖突和任務執(zhí)行邏輯順序問題[17]，以生成更加完善、可行的分解方案，應對戰(zhàn)場情況多變的復雜特性，提高對戰(zhàn)場的適應性。

本文采用的基本思想是：依據任務分解流程自上而下搜尋由最優(yōu)方法mse(ok，A)和mse(ok，B)分解出的分支，遍歷出一套使用最優(yōu)方法進行分解最多的方案；若存在兩套方案使用的最優(yōu)解個數(shù)一致，則按照mse(ok，A)的重要程度大于mse(ok，B)的原則進行選取。最后，將使用最優(yōu)解進行分解最多的方案設為主方案，在主方案可執(zhí)行原子任務的基礎上進行補充篩選，得出最終方案。補充篩選步驟如下：

1)將方案中各項任務按照執(zhí)行的先后順序進行排序后，通過任務關系R中的功能關系進行篩選。依照任務的執(zhí)行順序依次將主方案中的可執(zhí)行任務與其余方案中的任務按照功能關系進行比較。將與可執(zhí)行任務有促進關系的任務添加至主方案；兩個任務間若為阻礙關系則保留主方案中的任務；將有依賴關系和耦合關系的任務增加至主方案，由于二者任務都需要對方的相關信息才可以被執(zhí)行，添加的任務為不可被刪除任務。

2)添加完相關任務后，令主方案的任務為基準任務，依據任務關系R中的邏輯關系對新添加的任務進行優(yōu)化精簡。依次判斷基準任務與添加任務之間的邏輯關系，若二者任務為And關系，則都保留；若二者任務為Not關系，則將添加的任務刪除；若為Or關系，則需結合戰(zhàn)場實際狀況判斷確定刪除或是保留。

4.4 作戰(zhàn)任務分解流程

綜上，在對作戰(zhàn)任務及任務關系等進行規(guī)范化描述和任務場景、領域知識建模的基礎上，作戰(zhàn)任務分解流程主要包括任務網絡初始化、多方法任務分解、分解方案優(yōu)化與確認等幾個主要步驟，最終輸出包含任務清單和任務關系的完整任務網絡。具體分解流程(見圖4)如下：

圖4 作戰(zhàn)任務分解流程圖Fig.4 Flow chart of operational task decomposition

1)任務網絡初始化，主要結合任務場景、領域知識以及采用本體構建的任務場景等關系信息，采用邏輯推理方法輸出初始任務網絡。

2)多方法任務分解，完成對初始任務網絡中所有復合任務的分解，對每個復合任務均從方法集中匹配選取適合的多個子方法進行分解。

3)分解方案優(yōu)化與確認，主要是基于生成的所有可行案，采用“最優(yōu)組合”思想組織生成更優(yōu)的主方案，并在此基礎上結合任務關系對主方案進行補充、篩選，生成最終任務分解方案。

5 實驗及結果分析

為了驗證本文提出的作戰(zhàn)任務層次化分解的可行性和優(yōu)越性，以渡海登島作戰(zhàn)場景為例，對本文提出的方法進行仿真實驗。作戰(zhàn)想定[18]具體設計如下：假設紅方部隊計劃組織一次搶灘登陸作戰(zhàn)任務，目的是為了占領藍方的港口和機場兩個目標。適合登陸的海灘有南灘和北灘兩處。我方主要使用遠程火力和地面突擊力量對敵目標進行協(xié)同火力打擊，同時由地面突擊力量具體執(zhí)行搶灘登陸和港口、機場奪控，使用防空火力防御敵空中目標。其中，地面突擊力量初始部署于沿岸附近，便于進行搶灘登陸；防空火力分散部署于近沿岸隱蔽區(qū)域，構建對空防御火力網；遠程火力部署于后方，對敵目標實施遠程火力打擊。根據預先偵察情報，南灘和北灘兩處附近海域可能存在雷場，南灘登陸有可能受附近高地的火力點威脅，由南灘行進可到達港口，途中可能存在雷區(qū)和駐防敵軍部隊的威脅；北灘登陸受敵機場起飛的飛機威脅，北灘陣地經北路可到達機場，北路行進可能會受敵增援部隊的威脅。機場和港口附近可能存在移動的導彈發(fā)射車隊和固定的導彈陣地。具體作戰(zhàn)想定場景如圖5所示。

圖5 作戰(zhàn)想定概要圖Fig.5 Battlefield scenario

5.1 任務規(guī)范化描述

結合本文設計的作戰(zhàn)想定，對作戰(zhàn)任務的任務類型、任務時間、任務空間、作戰(zhàn)力量、任務指標等要素描述如下：

任務類型Ttype=〈登島，渡海登島，001〉；

任務時間Ttime=〈T+3 h，T+6 h，5 h，T〉，T為戰(zhàn)斗起始時間；

任務空間Tspace=〈陸，海，空，0，0，0〉；

作戰(zhàn)力量Tforce=〈炮兵、防空、裝甲，營、群，遠程火力、防空火力、直瞄火力，協(xié)同〉；

任務指標Tindex=〈要地奪占，60%，30 km，3 h〉。

通過任務規(guī)范化描述，對各任務要素進行了實例化，為后續(xù)生成初始任務網絡明確了條件和約束。其中，任務類型、任務空間和作戰(zhàn)力量將作為初始任務網絡生成選擇分解方法和任務模板的條件之一，任務時間和任務指標將作為初始任務網絡中確定各子任務指標的依據。

5.2 任務場景描述

根據作戰(zhàn)想定，敵人可能存在增援部隊以及移動的導彈發(fā)射車隊和固定的導彈陣地，企圖拒止力量入侵；地形包括高地、公路、海灘；戰(zhàn)場環(huán)境要素主要包含機場、橋梁、港口、氣象，在本文中氣象重點考慮潮汐、風向、風速。

根據作戰(zhàn)任務場景要素，結合本次渡海登島作戰(zhàn)任務的特點，定義場景要素基礎項Ebasic=〈導彈發(fā)射車隊部署、固定導彈陣地部署、高地、公路、海灘、港口、潮汐、風向、風速〉，參考項Erefer=〈機場、橋梁〉。

上述任務場景描述的各要素將作為初始任務網絡生成選擇分解方法和任務模板的重要條件，其中，基礎項和參考項將作為優(yōu)選任務分解方法的依據。

5.3 初始任務網絡生成

依據本次作戰(zhàn)想定中的海灘、港口等任務場景要素，使用任務場景描述模型進行匹配分析，推理得到本次作戰(zhàn)的作戰(zhàn)樣式為“登島作戰(zhàn)”。

領域知識構建方面，主要針對“渡海登島”場景設計了典型的任務分解方法和任務模板。任務分解方法主要從以下3個方面進行了設計：一是將作戰(zhàn)樣式“登島作戰(zhàn)”作為基本的方法入口判定條件；二是建立了針對機場、港口、高地、雷區(qū)、導彈陣地、導彈發(fā)射車等典型目標的處理方式，并建立了炮兵、防空、裝甲等作戰(zhàn)力量在不同戰(zhàn)場環(huán)境下具備的對機場、港口、導彈陣地等上述典型目標的處理方式，主要包括奪占、打擊、干擾、切斷等；三是建立了典型任務的關聯(lián)任務集，例如為了奪占港口存在行進、防御等關聯(lián)任務。上述3個方面共同支撐任務分解并確定子任務類型。任務模板主要是按照3.2節(jié)中的思想，結合作戰(zhàn)想定中確定的任務類型、作戰(zhàn)力量、可能情況等預先設計了典型的模板要素，在此不再詳述。

基于構建的領域知識，在此次作戰(zhàn)想定任務場景下，分析得到為完成本次登島作戰(zhàn)，需要完成占領機場、奪占港口兩項任務，進而推理得到初始任務網絡。

5.4 多方法任務分解與優(yōu)化

按照本文設計的方法，從預先準備的領域知識中的方法集中篩選多方法對初始任務網絡中的復合任務逐個進行分解并優(yōu)化。過程中部分方法篩選情況如圖6所示。圖6中，使用分解方法m3分解出干擾導彈發(fā)射基地子任務，按照4.2.1節(jié)計算方法得到執(zhí)行干擾導彈發(fā)射基地子任務所消耗的費用較高，使得效用值小于設定的閾值，因此將該方法篩除，得到占領機場這一復合任務的任務分解結果。

圖6 多方法篩選圖Fig.6 Diagram of multimethod screening

經過層層分解計算和優(yōu)選，最終任務分解結果如圖7所示，最優(yōu)任務網絡如圖8所示。

圖7 作戰(zhàn)任務分解結果圖Fig.7 Breakdown diagram of operational task

圖8 登島作戰(zhàn)任務網絡圖Fig.8 Network diagram of landing operations

從圖7所示作戰(zhàn)任務分解結果來看，子任務清單較為全面，能夠支撐完成本次的登島作戰(zhàn)任務，子任務之間邏輯關系清晰、有序，且各子任務之間沒有沖突，確保了所有子任務的可執(zhí)行性，進而保證了各層次任務可實現(xiàn)。同時，本文設計以網絡圖的形式展現(xiàn)任務分解結果，兼顧呈現(xiàn)了子任務之間的邏輯和時序關系，有助于指揮員迅速理解子任務關系和相互影響，便于掌控我方全局行動。

為了對本文方法進行定量評估，設計了渡海登島、邊境反擊、合同進攻、聯(lián)合火力打擊等四類作戰(zhàn)任務(子任務數(shù)量約為20)，采用平均分解時間、生成方案數(shù)量、方案最優(yōu)概率等3項指標對其性能進行評估，經過仿真計算，平均分解時間為11.7 s，生成方案數(shù)量為12個，方案最優(yōu)概率為92%. 從處理時間和分解結果來看，方法能夠滿足任務分解的功能應用需求。

6 結論

本文針對當前作戰(zhàn)任務分解方法選擇單一、多方法分解后缺少優(yōu)化處理等不足，從任務規(guī)范化描述、任務分解過程建模、任務分解算法3個方面構建了作戰(zhàn)任務分解框架，通過支持多方法分解、考慮質量和費用的分解方案優(yōu)選、多分解方案綜合優(yōu)化等功能，實現(xiàn)了作戰(zhàn)任務層次化分解，能夠生成更加符合作戰(zhàn)實際的作戰(zhàn)任務分解方案。得出主要結論如下：

1)針對作戰(zhàn)任務的復雜多變性，基于任務式指揮理論，使用5W理論進行作戰(zhàn)任務規(guī)范化描述，改進了作戰(zhàn)任務描述的合理性。

2)針對任務分解影響因素的復雜性，建立了一種基于本體的作戰(zhàn)任務分解模型，提升了任務分解的復雜場景適應性。

3)針對多方案生成及篩選的需求，設計了一種效用信息篩選的層次任務分解方法，提升了分解方案的多樣性和總體效能。

4)針對生成的多套可行方案，設計了一種基于最優(yōu)分解方法組合的方案優(yōu)化方法，提升了方案對戰(zhàn)場情況的適應性。應用實例表明，該方法相比傳統(tǒng)分解方法分解產生的任務清單更全面，可執(zhí)行度更高。

下一步的研究方向考慮將作戰(zhàn)能力引入作戰(zhàn)任務分解過程中，成為優(yōu)選可執(zhí)行任務的一項重要判斷要素，同時使得到的分解結果匹配作戰(zhàn)能力信息，為多元作戰(zhàn)力量的一體運用分配做好鋪墊。