史紅權(quán)，隆雨佟，曾 黎

(1.大連艦艇學(xué)院作戰(zhàn)軟件與仿真研究所 大連 116018；2.電子科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 成都 611731)

面向多目標(biāo)的編隊(duì)級(jí)防空火力資源優(yōu)化分配屬于一種武器目標(biāo)分配(weapon target assignment,WTA)問(wèn)題，隨著同時(shí)面對(duì)的敵方目標(biāo)規(guī)模和己方火力資源規(guī)模的擴(kuò)大，火力資源到目標(biāo)的分配難度呈指數(shù)型增加，成為研究的熱點(diǎn)問(wèn)題。

現(xiàn)有方法主要存在優(yōu)化分配問(wèn)題建模方法和模型求解方法兩方面的不足。在建模方法方面，文獻(xiàn)[1]采用毀傷概率作為衡量模型效果的唯一標(biāo)準(zhǔn)，在資源充足的情況下會(huì)造成資源浪費(fèi)，難以應(yīng)對(duì)多輪次攔截任務(wù)。文獻(xiàn)[2]將毀傷概率與目標(biāo)威脅度的乘積作為最終打擊效益，沒(méi)有考慮資源消耗情況。文獻(xiàn)[3-4]分別提出了綜合火力優(yōu)化分配模型和最小火力浪費(fèi)分配模型，二者都考慮了如何使得參與攔截的武器平臺(tái)數(shù)量最小，并沒(méi)有考慮各平臺(tái)中武器資源數(shù)量總消耗最小。文獻(xiàn)[5]將完成攔截任務(wù)的效能和代價(jià)之差作為整體效能，沒(méi)有體現(xiàn)毀傷概率與消耗的主次關(guān)系。在實(shí)際作戰(zhàn)中，需要有效攔截來(lái)襲目標(biāo)，應(yīng)使得毀傷概率達(dá)到一定閾值之后再考慮武器資源消耗這一次要優(yōu)化目標(biāo)。綜上，在建模方面，現(xiàn)有模型在防空資源調(diào)度決策中并不能很好地平衡攔截效率與資源成本之間的關(guān)系。

在模型求解方法方面，常用的智能算法有遺傳算法(genetic algorithm,GA)[6]、和聲搜索(harmony search,HS)算 法[7]、粒子群算法[8](particle swarm optimization,PSO)等。其中，遺傳算法和粒子群算法應(yīng)用得比較廣泛。例如，文獻(xiàn)[9]使用改進(jìn)的遺傳算法求解聯(lián)合防空目標(biāo)分配問(wèn)題，通過(guò)使用改進(jìn)的遺傳算法自適應(yīng)提高尋優(yōu)能力以及收斂速度。文獻(xiàn)[10]提出了一種改進(jìn)鯰魚(yú)效應(yīng)的云自適應(yīng)粒子群算法，但由于增加了計(jì)算的復(fù)雜度反而大幅增加了計(jì)算時(shí)間。兩者在處理大規(guī)模數(shù)據(jù)時(shí)仍易出現(xiàn)早熟收斂現(xiàn)象。求解防空火力分配問(wèn)題時(shí)盡可能消耗更少的武器資源，并在可行域中定位最優(yōu)解集中的局部空間，以快速求解?？紤]上述原因，遺傳算法和粒子群算法均不能很好地求解防空火力分配問(wèn)題。和聲搜索算法由于實(shí)現(xiàn)簡(jiǎn)單、速度較快的特性使其成為求解WTA 問(wèn)題的一種新選擇。目前和聲搜索算法已有許多改進(jìn)方法，常見(jiàn)的有改進(jìn)的和聲搜索算法(the improved harmony search algorithm,IHS)[11]，自適應(yīng)全局最優(yōu)和聲搜索算法(the selfadaptive global best harmony search algorithm,SGHS)[12]，全局最優(yōu)和聲搜索算法(global best harmony search algorithm,GHS)[13]，但這些算法仍有其局限性。對(duì)此，本文提出了一種改進(jìn)全局最優(yōu)和聲搜索算法(improved global best harmony search algorithm,IGHS)，借鑒IHS 的思路在GHS 中引入自適應(yīng)參數(shù)，在搜索初期加強(qiáng)全局搜索能力，在搜索后期加強(qiáng)局部搜索能力。

由此，本文提出了一種新的編隊(duì)級(jí)防空火力資源優(yōu)化分配模型，在約束中加入各火力單元的成本并將成本消耗作為模型的次重要優(yōu)化目標(biāo)，并利用改進(jìn)全局最優(yōu)和聲搜索算法求解問(wèn)題模型，經(jīng)過(guò)實(shí)驗(yàn)對(duì)比，驗(yàn)證了本文方法的有效性。

1 本文方法

本文提出的編隊(duì)級(jí)防空火力資源優(yōu)化分配模型總體方案如圖1 所示。該方案中，本文假設(shè)編隊(duì)所有艦艇編隊(duì)的防空火力單元統(tǒng)一存放在一個(gè)作戰(zhàn)資源池中，指揮艦可以隨意分配調(diào)度這些資源。在此基礎(chǔ)之上，通過(guò)對(duì)問(wèn)題進(jìn)行形式化描述，并建立編隊(duì)級(jí)防空火力資源優(yōu)化分配模型。在實(shí)際作戰(zhàn)過(guò)程中，輸入多個(gè)來(lái)襲目標(biāo)態(tài)勢(shì)信息，并結(jié)合資源池信息，利用求解方法，快速求解編隊(duì)級(jí)防空火力資源優(yōu)化分配模型，得到編隊(duì)級(jí)火力資源優(yōu)化分配方案，實(shí)現(xiàn)對(duì)多來(lái)襲目標(biāo)的有效攔截。

圖1 總體方案

在問(wèn)題形式化定義和資源優(yōu)化分配模型建模方面，本文考慮了火力單元的類(lèi)型、消耗成本、來(lái)襲目標(biāo)的類(lèi)型與數(shù)量，以及不同類(lèi)型的火力單元對(duì)不同類(lèi)型來(lái)襲目標(biāo)的單發(fā)毀傷概率，通過(guò)增加基于實(shí)際情況的約束，如火力資源庫(kù)存、毀傷概率公式，使本模型更加貼近現(xiàn)實(shí)，解決了最終的毀傷概率與火力資源成本消耗的平衡問(wèn)題。在模型求解方面，本文利用改進(jìn)全局最優(yōu)和聲搜索算法能快速并準(zhǔn)確地找到近似全局最優(yōu)解。

1.1 問(wèn)題形式化定義

資源池狀態(tài)包括單枚毀傷概率矩陣、火力單元成本以及火力資源庫(kù)存表。假設(shè)場(chǎng)景中共有m種火力單元，r種來(lái)襲目標(biāo)，同時(shí)待攔截目標(biāo)的有l(wèi)個(gè)。由于彈藥不同帶來(lái)的火力與射程的差異，且來(lái)襲目標(biāo)也有速度與火力的差異，因此每種火力單元對(duì)應(yīng)不同的攔截目標(biāo)都有獨(dú)立的基本毀傷概率，現(xiàn)假定實(shí)際作戰(zhàn)時(shí)我軍對(duì)己方火力單元與來(lái)襲目標(biāo)的特性已有充分了解，因此事先有一張單枚火力單元?dú)怕示仃嘠=(qij)m?r，表示i類(lèi)火力單元對(duì)j類(lèi)來(lái)襲目標(biāo)的毀傷概率。

其次，由于每種類(lèi)型的火力單元造價(jià)不同，裝填時(shí)間與發(fā)射時(shí)間亦有差別，所以不同種類(lèi)的火力單元所消耗的成本也不同。但具體的量化函數(shù)不是本文的重點(diǎn)，因此本文預(yù)定義了各類(lèi)火力單元的成本，以體現(xiàn)各類(lèi)火力單元的差異?；鹆卧某杀救绫? 所示。

表1 火力單元成本表

資源池中火力單元的儲(chǔ)備情況也是戰(zhàn)前必須清楚的武器資源狀態(tài)，因此定義一張火力資源庫(kù)存表如表2 所示。

表2 火力資源庫(kù)存表

考慮到場(chǎng)景中共有l(wèi)個(gè)待攔截的目標(biāo)，因此本模型的火力分配方案為一個(gè)矩陣A∈Cm?l，其中元素ai j表示第i種火力單元參與攔截第j個(gè)目標(biāo)的數(shù)量，該矩陣的各行之和即為各種火力單元的消耗數(shù)量。而在眾多參與攔截某一特定目標(biāo)的火力單元中，只需要有一枚命中即代表攔截成功，即攔截成功的對(duì)立事件為所有參與攔截的火力單元全部攔截失敗。而所有參與攔截的火力單元全部攔截失敗即代表每一種火力單元都攔截失敗，也表示所有參與該次攔截的同種單元全部失敗。所以對(duì)來(lái)襲目標(biāo)j的毀傷概率P j為：

式中，pij表示第i種火力單元對(duì)第j個(gè)來(lái)襲目標(biāo)的毀傷概率。

為使總體收益最大化，還應(yīng)該定義一個(gè)概率閾值，當(dāng)一組解下的所有目標(biāo)的平均毀傷概率高于該閾值時(shí)，便將此組解納入候選解集，最終的最優(yōu)解將從候選解集中消耗成本最少的解中選出。概率閾值在實(shí)際應(yīng)用場(chǎng)景中可以人工設(shè)定。

1.2 編隊(duì)級(jí)防空火力資源優(yōu)化分配模型

該模型考慮多目標(biāo)來(lái)襲時(shí)對(duì)每個(gè)目標(biāo)分配多個(gè)火力單元進(jìn)行攔截，同時(shí)假定所有平臺(tái)的資源都集中在一個(gè)資源池里面，即選擇資源時(shí)可以不考慮所在平臺(tái)。攔截軌道如圖2 所示。

圖2 編隊(duì)級(jí)防空火力資源優(yōu)化分配模型攔截軌道

如1.1 節(jié)所述，定義參數(shù)如下：

di為i類(lèi)火力單元的火力資源庫(kù)存，ci為i類(lèi)火力單元的單位成本，ai j為分配i類(lèi)火力單元攔截第j個(gè)目標(biāo)的數(shù)量，qi j為無(wú)其他因素影響下i類(lèi)單枚火力單元對(duì)j類(lèi)目標(biāo)的基本毀傷概率。

則本文模型的數(shù)學(xué)表達(dá)式為：

式中，上標(biāo)k表示第k組解。主要目標(biāo)為求解所有攔截目標(biāo)的最大平均毀傷概率，次要目標(biāo)為最小的成本消耗。約束1 表示每次分配火力時(shí)數(shù)量都不得超過(guò)剩余庫(kù)存量；約束2 表示i類(lèi)火力單元總消耗不得超過(guò)自身的總庫(kù)存量；約束3 表示每個(gè)攔截目標(biāo)至少有一個(gè)火力單元參與攔截；約束4 及約束5 的定義見(jiàn)1.1 節(jié)；約束6 表示一組解下所有攔截目標(biāo)的平均毀傷概率超過(guò)概率閾值時(shí)則不再關(guān)注毀傷概率，轉(zhuǎn)而關(guān)注其成本消耗，以此達(dá)成總體收益最高。

1.3 基于改進(jìn)全局最優(yōu)和聲搜索算法的模型求解

在編隊(duì)級(jí)防空火力資源優(yōu)化分配模型的基礎(chǔ)上，為快速在巨大的可行域中搜索出全局最優(yōu)解，本節(jié)提出了基于改進(jìn)全局最優(yōu)和聲搜索算法的防空火力資源優(yōu)化分配模型的求解方法。求解過(guò)程中，把一組解A=(aij)m?l看作是一組樂(lè)器組合，組合中的單個(gè)元素 aij看作各樂(lè)器吹奏的音符，多種樂(lè)器組合組成一個(gè)和聲記憶庫(kù)，定義價(jià)值函數(shù)f(A(k))類(lèi)比音樂(lè)效果。求解計(jì)算流程如圖3 所示。

圖3 基于改進(jìn)全局最優(yōu)和聲搜索算法的防空火力資源優(yōu)化分配求解流程

具體過(guò)程描述如下：

1)初始化基本參數(shù)

根據(jù)1.2 節(jié)的模型，目標(biāo)函數(shù)f(X(k))可定義為：

Pthr=0.95；σ>0。體現(xiàn)了毀傷概率與成本消耗的主次關(guān)系。

定義和聲記憶庫(kù)大小HM_size、和聲記憶率(harmony memory considering rate,HMCR)及音調(diào)調(diào)節(jié)率(pitch adjusting rate,PAR)上下限的大小。HM_size 決定和聲記憶庫(kù)中保留的組合數(shù)量一般取值[3,10]；HMCR 決定新解從和聲記憶庫(kù)或全體可行域產(chǎn)生，一般取值為[0.7,0.95]；PAR 決定新解的分量是否從當(dāng)前最優(yōu)解中選取，PAR 越高，算法的全局搜索能力越強(qiáng)；反之，算法的局部搜索能力越強(qiáng)，下限一般為0.1，上限一般為0.5。

2)初始化和聲記憶庫(kù)

在滿(mǎn)足火力資源庫(kù)存的約束下隨機(jī)產(chǎn)生10 組初始解放入和聲記憶庫(kù)HM 中，并根據(jù)價(jià)值函數(shù)降序排序：

式中，A(j)為第j個(gè)解向量；為第j個(gè)解向量的第i個(gè)分量；f(A(j))為第j個(gè)解向量的價(jià)值函數(shù)；且f(A(1))>f(A(2))>···>f(A(L))。

3)生成新解

首先生成兩個(gè)0～1 的隨機(jī)數(shù)rand1、rand2，并計(jì)算PAR，公式如下：

式中，PAR_max 和PAR_min 為PAR 的上下限；n為當(dāng)前迭代輪次；N為總迭代輪次。PAR 隨著迭代次數(shù)自適應(yīng)調(diào)整，做到搜索初期放大全局搜索能力，搜索后期放大局部搜索能力。

4)更新記憶庫(kù)

計(jì)算新解的價(jià)值函數(shù)f(A(new))并將其加入到記憶庫(kù)中重新降序排序，取新序列中的前10 個(gè)組合形成新的記憶庫(kù)。

執(zhí)行上述步驟，重復(fù)步驟3)和步驟4)，直到達(dá)到最大迭代次數(shù)或滿(mǎn)足預(yù)先設(shè)定的停止準(zhǔn)則就結(jié)束循環(huán)，輸出當(dāng)前和聲記憶庫(kù)中最優(yōu)的解向量作為火力分配方案。

2 實(shí)驗(yàn)與分析

本文實(shí)驗(yàn)使用了遺傳算法、改進(jìn)鯰魚(yú)效應(yīng)——云自適應(yīng)粒子群算法、和聲搜索算法、改進(jìn)和聲搜索算法、自適應(yīng)全局最優(yōu)和聲搜索算法、局最優(yōu)和聲搜索算法以及改進(jìn)全局最優(yōu)和聲搜索算法等7 種不同的算法進(jìn)行對(duì)比。同時(shí)根據(jù)數(shù)據(jù)規(guī)模不同設(shè)置兩個(gè)對(duì)照組，分別對(duì)比以上7 種方法在處理不同規(guī)模數(shù)據(jù)上的表現(xiàn)。

2.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

本文實(shí)驗(yàn)的運(yùn)行環(huán)境：CPU 為AMD Ryzen7 4800H with Radeon Graphics2.90GHz；內(nèi)存為16GB；操作系統(tǒng)為Windows1064 位；編程語(yǔ)言為Python3.7，IDE 為PyCharm2020.2.1(Professional Edition)。

基于HS 的求解方法中，HM_size=3,HMCR=0.95，PAR=0.1，F(xiàn)W=1?；贕HS 的方法參數(shù)與HS 一致?；贗HS 的求解方法中，PAR 的取值范圍為[0.1,0.5]，F(xiàn)W 的取值范圍為[0.5,1.5]?；赟GHS 的求解方法中，HMCR 服從期望為前百次均值，標(biāo)準(zhǔn)差為0.01 的正態(tài)分布，PAR 服從期望為前百次均值，標(biāo)準(zhǔn)差為0.05 的正態(tài)分布?；贗GHS的求解方法中，PAR 的取值范圍為[0.1,0.5]?；贕A 的求解方法中，種群大小取20，突變概率取0.01，適應(yīng)度函數(shù)為HS 中的目標(biāo)函數(shù)(11)?；贑E-CAPSO 的求解方法中，慣性權(quán)重的取值范圍為[0.4,0.9]，學(xué)習(xí)因子取1。所有方法的初始解在可行范圍內(nèi)隨機(jī)生成，迭代次數(shù)均為500 次。

2.2 實(shí)驗(yàn)結(jié)果與對(duì)比

2.2.1 簡(jiǎn)單數(shù)據(jù)規(guī)模下的結(jié)果

該組實(shí)驗(yàn)假定資源池中有3 種類(lèi)型的火力單元，同時(shí)攔截目標(biāo)也為3 種類(lèi)型，每種類(lèi)型來(lái)襲數(shù)量為一個(gè)，一共3 個(gè)，其基本毀傷概率矩陣Q為：

各類(lèi)型火力單元庫(kù)存均為10 枚，單枚成本消耗矩陣C為：

單次實(shí)驗(yàn)的概率?消耗迭代圖如圖4 所示，黑色實(shí)線代表概率閾值，取值為0.95。

重復(fù)進(jìn)行100 次實(shí)驗(yàn)，所有方法的平均結(jié)果如表3 所示。

在該組實(shí)驗(yàn)中，由于火力單元類(lèi)型為3 種，來(lái)襲目標(biāo)有3 個(gè)，因此單個(gè)解的規(guī)模為3×3=9 維。此情況下7 種方法均能一定程度上給出各自的最優(yōu)解。首先觀察圖4a，發(fā)現(xiàn)所有折線的走向均是由高到底，這是由于來(lái)襲目標(biāo)數(shù)量只有3 個(gè)，而各類(lèi)火力單元庫(kù)存各有10 枚，此時(shí)資源充足，而所有算法的初始解均是在滿(mǎn)足約束條件的情況下隨機(jī)生成，因此大概率會(huì)消耗掉大量彈藥，即初始的平均毀傷概率很高。但由于超過(guò)了概率閾值，所以所有方法均在后續(xù)的迭代中不斷降低彈藥的消耗，后續(xù)的走向就會(huì)降低，但仍然會(huì)出現(xiàn)上升的情況，這是因?yàn)榇藭r(shí)的優(yōu)化目標(biāo)已從毀傷概率轉(zhuǎn)到成本消耗上，如果搜索方法發(fā)現(xiàn)了一種解能降低成本消耗，而此時(shí)該解的毀傷概率卻比先前的解高，如此便會(huì)出現(xiàn)毀傷概率折線上升的情況，最終會(huì)收斂于概率閾值的上方。

再觀察圖4b，在毀傷概率超過(guò)概率閾值的情況下，成本消耗才是衡量搜索方法性能的標(biāo)準(zhǔn)。首先觀察基于改進(jìn)GE-GAPSO 的方法，該方法更新頻率最低，且最終結(jié)果最差，顯然陷入了局部最優(yōu)，同時(shí)在表3 中也可以看出該方法的成本消耗最高，而且耗時(shí)也僅優(yōu)于GA，大幅慢于5 種和聲搜索算法。在其余6 種方法中，成本消耗差別不大，但GA 的方法耗時(shí)最長(zhǎng)，5 種和聲搜索算法在簡(jiǎn)單數(shù)據(jù)規(guī)模的情況下性能差距不大。

表3 簡(jiǎn)單數(shù)據(jù)規(guī)模下的實(shí)驗(yàn)結(jié)果

圖4 簡(jiǎn)單數(shù)據(jù)規(guī)模下的概率?消耗迭代圖

2.2.2 復(fù)雜數(shù)據(jù)規(guī)模下的結(jié)果

該組實(shí)驗(yàn)假定資源池中有5 種類(lèi)型的火力單元，同時(shí)攔截目標(biāo)為3 種類(lèi)型，第一種類(lèi)型來(lái)襲數(shù)量為3 個(gè)，第二種類(lèi)型來(lái)襲數(shù)量為兩個(gè)，第三種類(lèi)型來(lái)襲數(shù)量為兩個(gè)，一共7 個(gè)，其基本毀傷概率矩陣Q為：

各類(lèi)型火力單元庫(kù)存均為30 枚，單枚成本消耗矩陣C為：

單次實(shí)驗(yàn)的概率?消耗迭代圖如圖5 所示，黑色實(shí)線代表概率閾值，取值為0.95。

重復(fù)進(jìn)行100 次實(shí)驗(yàn)，所有方法的平均結(jié)果如表4 所示。

在該組實(shí)驗(yàn)中，由于火力單元類(lèi)型增加至5種，來(lái)襲目標(biāo)增加至7 個(gè)，因此單個(gè)解的規(guī)模為5×7=35 維。此情況下7 種方法性能的差距已經(jīng)有所體現(xiàn)。首先觀察圖5a，由于此時(shí)解空間增大，隨機(jī)生成初始解的毀傷概率可能會(huì)低于概率閾值，所以初始?xì)鸥哂诟怕书撝档恼劬€總體走勢(shì)，仍然朝概率閾值逼近，而初始?xì)怕实陀诟怕书撝档恼劬€先上漲到超過(guò)概率閾值，再朝著概率閾值逼近，最終收斂于概率閾值上方，符合模型的期望。但可以看到此時(shí)基于GA 的方法和基于CECAPSO 的方法已經(jīng)失效，因?yàn)閿?shù)據(jù)復(fù)雜度的上升會(huì)進(jìn)一步放大全局搜索能力不足的缺陷，使得算法失去了跳出當(dāng)前搜索區(qū)域的能力，而且算法速度上的差異也被進(jìn)一步擴(kuò)大。

再觀察圖5b，此時(shí)5 種和聲算法仍然具備搜索能力，但性能上也有差異。圖中5 種方法的折線不斷在下降，收斂速度方面，本文方法與基于GHS 的方法收斂速度明顯快于其他方法，基于HS 的方法與基于SGHS 的方法居中，基于IHS 的收斂速度最慢。搜索結(jié)果方面，本文方法收斂點(diǎn)最低，其次為基于GHS 的方法，另外3 種方法收斂點(diǎn)則大幅高于前兩者。所以，本文選擇的基于IGHS 的方法不僅能最早進(jìn)入收斂狀態(tài)，且最后的結(jié)果在所有方法中也是最優(yōu)，足以體現(xiàn)其尋優(yōu)能力與效率。在表4 中也可以清楚地觀察到HS、IHS、SGHS，GHS 以及IGHS 平均成本消耗的優(yōu)劣。

表4 火力資源庫(kù)存充足情況下的實(shí)驗(yàn)結(jié)果

綜上，本文提出的IGHS 能在短時(shí)間內(nèi)計(jì)算出更好的答案，且在復(fù)雜數(shù)據(jù)規(guī)模下的性能最優(yōu)，所以本文使用該算法作為求解編隊(duì)級(jí)防空火力資源優(yōu)化分配模型的方法。

3 結(jié)束語(yǔ)

相比于傳統(tǒng)的基于毀傷期望的防空作戰(zhàn)資源分配策略模型，本文綜合了毀傷概率與作戰(zhàn)資源消耗提出了一種編隊(duì)級(jí)防空火力資源優(yōu)化分配模型，在GHS 的基礎(chǔ)上引入自適應(yīng)參數(shù)提出了IGHS 并用其求解，使得對(duì)來(lái)襲目標(biāo)的平均毀傷概率盡可能增大，在滿(mǎn)足所給出的概率閾值后，再降低作戰(zhàn)資源消耗，達(dá)到作戰(zhàn)目標(biāo)預(yù)期并實(shí)現(xiàn)總體收益最大化。經(jīng)過(guò)仿真實(shí)驗(yàn)并與GA、CE-CAPSO、HS、IHS、SGHS 及GHS 進(jìn)行了對(duì)比，驗(yàn)證了本文提出的模型與本文算法的正確性和有效性，能夠在較短的時(shí)間內(nèi)得到平均毀傷概率更大且武器資源消耗更小的解，滿(mǎn)足本文模型的要求。

后續(xù)可從算法和模型兩方面改進(jìn)。針對(duì)算法而言，相比于其他算法，IGHS 有其優(yōu)勢(shì)也有其局限性，后續(xù)的改進(jìn)方向可以通過(guò)改進(jìn)新解生成的規(guī)則增加算法的穩(wěn)定性和收斂速度，也可與其他智能算法相結(jié)合，充分利用多種算法的長(zhǎng)處以更好地尋求問(wèn)題的解。針對(duì)模型而言，后續(xù)可以考慮平臺(tái)間的決策，著重探究平臺(tái)間的協(xié)同問(wèn)題，以更好利用和平衡各平臺(tái)的作戰(zhàn)資源，形成一個(gè)較為穩(wěn)定的能夠兼顧各平臺(tái)作戰(zhàn)資源的巨大資源池。