基于離散螢火蟲算法的指控結(jié)構(gòu)適應(yīng)性調(diào)整

陳冠宇，孫 鵬，2，張杰勇，武君勝

1.空軍工程大學(xué) 信息與導(dǎo)航學(xué)院，西安 710077

2.西北工業(yè)大學(xué) 計算機(jī)學(xué)院，西安 710077

3.西北工業(yè)大學(xué) 軟件與微電子學(xué)院，西安 710077

1 引言

指揮控制（Command and Control，C2）組織是圍繞特定的作戰(zhàn)目標(biāo)，由各作戰(zhàn)單元緊密聯(lián)系而形成的作戰(zhàn)整體。組織權(quán)變理論認(rèn)為，“沒有普遍適用的組織模式，只有在具體使命環(huán)境下，適用于具體條件的最佳組織[1]。”面對復(fù)雜多變的戰(zhàn)場環(huán)境，指控組織應(yīng)當(dāng)具有敏捷性，即指控組織能夠根據(jù)戰(zhàn)場環(huán)境的變化進(jìn)行適應(yīng)性調(diào)整[2]。

指揮控制結(jié)構(gòu)是指控組織中的關(guān)鍵要素，合理的指揮控制結(jié)構(gòu)能夠提高組織的作戰(zhàn)效率[3]。作戰(zhàn)使命執(zhí)行過程中，可能會出現(xiàn)平臺損毀、任務(wù)新增、行動計劃改變以及決策實體失效等突發(fā)情況[4]。若不相應(yīng)地調(diào)整指控組織結(jié)構(gòu)，仍保持突發(fā)事件出現(xiàn)前的指揮控制組織結(jié)構(gòu)，則指控組織的作戰(zhàn)效能將大大降低。因此，指控組織需要適應(yīng)性地調(diào)整指控結(jié)構(gòu)以應(yīng)對突發(fā)事件對作戰(zhàn)效能的影響。

當(dāng)前對指控組織結(jié)構(gòu)適應(yīng)性調(diào)整問題的研究，已經(jīng)取得不少成果，文獻(xiàn)[2]考慮了響應(yīng)時間、平均備份數(shù)和負(fù)載均衡等參數(shù)，采用著色Petri網(wǎng)研究組織結(jié)構(gòu)的適應(yīng)性調(diào)整；Levchuk等人提出了基于三階段思想的指控結(jié)構(gòu)調(diào)整方法，對調(diào)整代價和調(diào)整后的性能進(jìn)行權(quán)衡來選擇結(jié)構(gòu)的調(diào)整路徑[5]；楊春輝等結(jié)合著色Petri網(wǎng)和遺傳算法進(jìn)行了C2組織適應(yīng)性優(yōu)化研究[6]；文獻(xiàn)[4]提出了基于粒度計算的組織結(jié)構(gòu)適應(yīng)性設(shè)計方法；牟亮等人[7]提出了基于滾動時域的C2組織動態(tài)適應(yīng)性優(yōu)化方法，提高了指控結(jié)構(gòu)動態(tài)調(diào)整的性能。

從當(dāng)前的研究來看，關(guān)于指控結(jié)構(gòu)調(diào)整的研究上還有些問題亟待解決。在考慮突發(fā)事件上，較少考慮決策實體失效的情況，多以行動計劃改變?yōu)橹?；在指控結(jié)構(gòu)的性能測度上，缺少考慮變化前組織的狀態(tài)對性能的影響；在調(diào)整算法方面，算法的實時性還可以進(jìn)一步提高，以滿足變化較快的戰(zhàn)場環(huán)境。

針對這些問題，本文給出了指控結(jié)構(gòu)性能測度方法，針對行動計劃改變和決策實體失效這兩類突發(fā)情形，分別建立指控結(jié)構(gòu)適應(yīng)性調(diào)整模型，并提出了一種基于離散螢火蟲算法的求解方法。最后通過案例仿真驗證該算法的有效性。

2 指揮控制組織的實體

指揮控制組織內(nèi)有三類實體，分別是任務(wù)實體（Task，T）、平臺實體（Platform，P）和決策實體（Decision-Maker，DM）[4]。這三類實體是C2組織的組成元素。

（1）任務(wù)實體（Task，T）：是由作戰(zhàn)使命分解得到的作戰(zhàn)活動，任務(wù)的完成需要相關(guān)的決策實體指揮控制特定的平臺實體對任務(wù)進(jìn)行處理。組織中所有任務(wù)實體的集合，記為ST={T1,T2,…,TNT}，NT為組織中任務(wù)實體的總數(shù)。

（2）平臺實體（Platform，P）：為執(zhí)行任務(wù)提供作戰(zhàn)資源，是直接執(zhí)行和完成作戰(zhàn)任務(wù)的實體。組織中平臺實體的集合，記為SP={P1,P2,…,PNP}，NP為組織中平臺實體的數(shù)量。

（3）決策實體（Decision-makers，DM）：是組織中實施指揮控制、協(xié)作交流和管理平臺活動的實體，負(fù)責(zé)指揮相關(guān)平臺實體處理對應(yīng)的任務(wù)。

根據(jù)決策實體的職責(zé)，決策實體可分為控制全局層面的戰(zhàn)役決策實體（Operational Decision-Maker，ODM）和控制平臺執(zhí)行具體的作戰(zhàn)任務(wù)的戰(zhàn)術(shù)決策實體（Tactical Decision-Maker，TDM）。C2組織中存在多個戰(zhàn)術(shù)決策實體，但只有一個戰(zhàn)役決策實體。

組織中戰(zhàn)術(shù)決策實體的集合，記為STDM={TDM1,TDM2,…,TDMND}，ND為戰(zhàn)術(shù)決策實體的總數(shù)。

3 指揮控制組織結(jié)構(gòu)適應(yīng)性調(diào)整問題建模

3.1 關(guān)系變量定義

指控組織結(jié)構(gòu)分為決策層、任務(wù)層和平臺層，在這三層面中，同類以及不同種類實體間具有不同的關(guān)系，實體間的各種關(guān)系，共同構(gòu)成了兵力組織的結(jié)構(gòu)[8]，如圖1所示。

圖1 指揮控制組織結(jié)構(gòu)

對C2組織中的各種關(guān)系進(jìn)行如下定義：

（1）戰(zhàn)術(shù)決策實體對平臺實體的指控關(guān)系RTDM-P

RTDM-P由矩 陣 MTDM-P=()ND×NP表 示 ，決策實體TDMi與平臺Pj的配置變量。MTDM-P也稱為決策實體配置方案。

（2）戰(zhàn)術(shù)決策實體間的協(xié)作關(guān)系RTDM-TDM

RTDM-TDM可由矩陣=()ND×ND表示，代表決策實體TDMi與TDMj間的協(xié)作變量。

（3）平臺實體對任務(wù)實體的分配、處理關(guān)系RT-P

RT-P可由矩陣MT-P=()NT×NP表示，代表平臺實體Pj與任務(wù)實體Ti的分配變量。

（4）戰(zhàn)術(shù)決策實體對任務(wù)實體的執(zhí)行關(guān)系RTDM-T

RTDM-T由矩陣 MTDM-T=()ND×NT表示，表示戰(zhàn)術(shù)決策實體TDMi與任務(wù)Tj執(zhí)行關(guān)系。

當(dāng)MT-P和MTDM-P確定后，MTDM-T=()ND×NT可由下式確定：

（5）任務(wù)間的時序關(guān)系RT-T

RT-T可由矩陣 MT-T=()NT×NT表示，表示任務(wù)的時間關(guān)系。

3.2 指揮控制組織結(jié)構(gòu)的優(yōu)化目標(biāo)

對于確知的任務(wù)計劃，設(shè)計同任務(wù)計劃匹配程度較高的指控組織結(jié)構(gòu)，可使組織內(nèi)每個戰(zhàn)術(shù)決策實體承擔(dān)的任務(wù)較為均衡，有效地減少了戰(zhàn)術(shù)決策實體間的交流與協(xié)作，降低了決策實體的工作負(fù)載。因此，可用指控組織內(nèi)戰(zhàn)術(shù)決策實體的負(fù)載水平來衡量指控組織結(jié)構(gòu)的性能。

3.2.1 工作負(fù)載的定義

戰(zhàn)術(shù)決策實體的工作負(fù)載，反映了決策實體在執(zhí)行作戰(zhàn)任務(wù)的過程中指揮控制平臺實體的情況?？紤]到在作戰(zhàn)進(jìn)行過程中單個戰(zhàn)術(shù)決策實體，除了對自身負(fù)責(zé)的平臺實體進(jìn)行指揮控制而產(chǎn)生負(fù)載；也會與其他戰(zhàn)術(shù)決策實體進(jìn)行局部協(xié)作，因此產(chǎn)生部分工作負(fù)載。因此，在定義工作負(fù)載時，既要考慮指控負(fù)載，也要考慮協(xié)作負(fù)載。即工作負(fù)載是由指控負(fù)載和協(xié)作負(fù)載兩部分組成。

對于?TDMi∈STDM，戰(zhàn)術(shù)決策實體TDMi執(zhí)行其負(fù)責(zé)的任務(wù)Tj時，由TDMi指揮控制的平臺的集合記為={Pk|=1,=1,1≤k≤NP}。執(zhí)行此任務(wù)Tj時，與TDMi具有協(xié)作關(guān)系的戰(zhàn)術(shù)決策實體組成的集合為={TDMk|m=1,k≠i,1≤k≤ND}，因此定義TDMi執(zhí)行任務(wù)Tj的負(fù)載為：

式（7）中，ωC2為指控負(fù)載系數(shù)，ωTC是指協(xié)作負(fù)載系數(shù)，‖j‖是指集合里元素的數(shù)目，‖‖是指集合里元素的數(shù)目。

定義TDMi在整個作戰(zhàn)周期里面承受的負(fù)載為：

3.2.2 負(fù)載均方根的定義

考慮到組織中各戰(zhàn)術(shù)決策實體的負(fù)載水平越均衡，組織表現(xiàn)出的整體作戰(zhàn)效能越佳[5]，因此戰(zhàn)術(shù)決策實體負(fù)載水平的均衡程度可以反映出指揮控制結(jié)構(gòu)是否高效。

3.3 不同突發(fā)事件下的問題模型構(gòu)建

戰(zhàn)場環(huán)境具有較高的復(fù)雜性和動態(tài)不確定性，作戰(zhàn)的進(jìn)程中會出現(xiàn)各類復(fù)雜情況，對指控組織結(jié)構(gòu)的性能造成較大影響的是行動計劃發(fā)生改變和戰(zhàn)術(shù)決策實體失效。因此，本文圍繞這兩種情況，研究指控組織結(jié)構(gòu)的適應(yīng)性調(diào)整方法。

3.3.1 行動計劃變化

（1）問題描述

在作戰(zhàn)進(jìn)程中，戰(zhàn)場環(huán)境發(fā)生變化，會導(dǎo)致任務(wù)增加、平臺損毀等突發(fā)狀況，戰(zhàn)前的行動計劃會對此進(jìn)行調(diào)整。，任務(wù)與平臺的關(guān)系MT-P也會根據(jù)計劃的調(diào)整而改變，指揮控制組織結(jié)構(gòu)需要針對變化后的任務(wù)—平臺關(guān)系進(jìn)行適應(yīng)性調(diào)整，以保障在行動計劃發(fā)生改變后，指揮控制結(jié)構(gòu)能具有較好的性能，即具有較小的RM。

（2）建立模型

任務(wù)計劃改變后，對指揮控制組織結(jié)構(gòu)進(jìn)行調(diào)整可以提升組織的性能，但組織結(jié)構(gòu)的變化會給組織的穩(wěn)定性帶來不利影響，這就是組織的調(diào)整代價，兵力組織結(jié)構(gòu)的適應(yīng)性調(diào)整，不能超過組織能承受的最大代價。

調(diào)整過程里，控制權(quán)發(fā)生轉(zhuǎn)移的平臺數(shù)量NPTrans為：

由此，行動計劃發(fā)生改變的情況下，指控結(jié)構(gòu)適應(yīng)性調(diào)整的模型如下：

σ為組織所能承受的最大調(diào)整代價，即組織所能承受的平臺控制權(quán)發(fā)生轉(zhuǎn)移的最大數(shù)目。第一個約束條件表示，調(diào)整代價必須在組織的承受范圍以內(nèi)；第二個約束條件表示，組織內(nèi)每個平臺實體只能由一個戰(zhàn)術(shù)決策實體指揮控制，第三個約束表示組織中的每個戰(zhàn)術(shù)決策實體至少控制一個平臺實體。

3.3.2 戰(zhàn)術(shù)決策實體失效

（1）問題描述

戰(zhàn)場上，戰(zhàn)術(shù)決策實體是最受雙方關(guān)注和打擊頻率最高的對象。作戰(zhàn)過程中，某一戰(zhàn)術(shù)決策實體受到毀壞而失效后，該戰(zhàn)術(shù)決策實體所指揮控制的平臺實體和相應(yīng)的任務(wù)實體，應(yīng)當(dāng)由其他戰(zhàn)術(shù)決策實體進(jìn)行接替指揮，繼續(xù)執(zhí)行原來的任務(wù)。戰(zhàn)術(shù)決策實體的損毀，會降低指控結(jié)構(gòu)的性能，但進(jìn)行適應(yīng)性調(diào)整，選擇出合適的替代者，則可以提高受損后指控結(jié)構(gòu)的性能。

（2）建立模型

遭遇破壞前，組織內(nèi)戰(zhàn)術(shù)決策實體總數(shù)為ND，某個戰(zhàn)術(shù)決策實體TDMND遭到破壞而失效后，戰(zhàn)術(shù)決策實體數(shù)量變?yōu)镹D-1，TDMND負(fù)責(zé)的平臺實體的集合為。TDMND失效前，戰(zhàn)術(shù)決策實體與平臺實體間的指揮控制關(guān)系記為，用矩陣=()ND×NP來表示。

TDMND失效后要對TDMND所負(fù)責(zé)的平臺實體進(jìn)行接替指揮，把中的平臺全部交由一個決策實體進(jìn)行接替指揮，接替指揮后得到的指控關(guān)系用=()(ND-1)×NP表示，選擇接替者的依據(jù)是，交由此決策實體進(jìn)行接替指揮，相比交由其他決策實體接替指揮，得到的的RMS值最小。

綜上，戰(zhàn)術(shù)決策實體失效，指控結(jié)構(gòu)的調(diào)整模型如式（12）所示：

4 基于離散螢火蟲算法的模型求解方法

求解模型式（11）和模型式（12），本質(zhì)上都是組合優(yōu)化問題尋找最優(yōu)解，智能算法在解決組合優(yōu)化問題上具有比較好的效果。2008年，劍橋大學(xué)的學(xué)者Yang提出了模擬螢火蟲種群行為的螢火蟲算法（Firefly Algorithm，F(xiàn)A）[9]。螢火蟲算法是群智能優(yōu)化算法中的一類，典型的群優(yōu)化算法有蟻群算法、粒子群算法等。目前螢火蟲算法已經(jīng)在連續(xù)域的應(yīng)用較多。通過對標(biāo)準(zhǔn)螢火蟲算法進(jìn)行修改而得到的離散螢火蟲算法（Discrete Firefly Algorithm，DFA），目前在任務(wù)調(diào)度[10-12]、裝配序列規(guī)劃[13]和旅行商[14]等組合優(yōu)化問題，相比傳統(tǒng)算法有著一定的優(yōu)越性，應(yīng)用范圍逐漸擴(kuò)大[15-16]。

4.1 離散螢火蟲算法

指控組織結(jié)構(gòu)的適應(yīng)性調(diào)整問題，屬于組合優(yōu)化問題，對應(yīng)的求解空間屬于離散的整數(shù)空間。因而，需要將標(biāo)準(zhǔn)螢火蟲算法進(jìn)行離散化，采用離散螢火蟲算法來求解指控組織結(jié)構(gòu)適應(yīng)性調(diào)整問題，在指控組織結(jié)構(gòu)的優(yōu)化調(diào)整過程中，離散螢火蟲算法的幾個關(guān)鍵要素分別是：螢火蟲位置、目標(biāo)函數(shù)、距離和移動。

4.1.1 螢火蟲位置的初始化及編碼

算法的優(yōu)化對象是，遇到突發(fā)狀況后的戰(zhàn)術(shù)決策實體與平臺實體間的指揮控制關(guān)系為，用矩陣表示。尋找模型的最優(yōu)解，即找到能使戰(zhàn)術(shù)決策實體任務(wù)負(fù)載均方根RM最小的戰(zhàn)術(shù)決策實體—平臺實體系矩陣M2TDM-P。

結(jié)合組織內(nèi)每個平臺實體僅能由一個戰(zhàn)術(shù)決策實體進(jìn)行指揮控制的約束條件，以及每個戰(zhàn)術(shù)決策實體至少指揮控制一個平臺實體。生成和M1TDM-P矩陣相比，只有一個平臺實體控制權(quán)發(fā)生轉(zhuǎn)移的所有關(guān)系矩陣M={,,…,,…,}，作為算法的初始解，Q為符合條件的關(guān)系矩陣總數(shù)，也即螢火蟲的總數(shù)

結(jié)合本文進(jìn)行調(diào)整的指控關(guān)系矩陣MTDM-P，在編碼方式上選擇整數(shù)編碼。

每個螢火蟲都代表一個MTDM-P關(guān)系矩陣，對于任意的螢火蟲i，使用n維向量 Xi=(xi,1,xi,2,…,xi,k,…,xi,n)，來表示螢火蟲i的位置，n由組織中平臺實體的總數(shù)來確定，即NP。xi,k∈[1,ND]，xi,k表示平臺實體Pk由戰(zhàn)術(shù)決策實體TDMxi,k指揮控制?；诖司幋a規(guī)則，對于如下所示的指控關(guān)系矩陣。進(jìn)行編碼后得到Xi=(1,3,2,4,2,1,3,1)，xi,2=3表示，平臺實體P2由戰(zhàn)術(shù)決策實體TDM3指揮控制。

4.1.2 目標(biāo)函數(shù)

螢火蟲算法中，亮度最高的螢火蟲對應(yīng)的解，即為優(yōu)化問題中的全局最優(yōu)解，式（11）和式（12）都是為了尋找能使RM最小的解，每個螢火蟲i解碼后的MTDM-P矩陣有相應(yīng)的RMSi值。RMSi越小，說明此螢火蟲對應(yīng)的解越優(yōu)，螢火蟲的自身亮度I0i與RMSi成反比關(guān)系。因此把I0i的計算公式定義如下。

上式表明，計算螢火蟲i的亮度時，要判斷其對應(yīng)的MTDM-P關(guān)系矩陣同M1TDM-P相比，平臺控制權(quán)發(fā)生轉(zhuǎn)移的數(shù)目是否符合幅度約束，即是否滿足NPTrans≤σ。不滿足幅度約束條件的解亮度值為0，隨機(jī)生成滿足條件的解，替代原解，并再次計算亮度值。

4.1.3 螢火蟲之間的距離

兩個螢火蟲之間的距離反映了兩種決策實體配置方案MTDM-P的差異化程度。標(biāo)準(zhǔn)螢火蟲算法定義的距離基于連續(xù)域，不適用在離散空間。因此，本文用式（14）來計算螢火蟲i與螢火蟲 j在離散空間內(nèi)的距離，進(jìn)而得到兩種配置方案的差異化程度。

4.1.4 螢火蟲的移動

針對決策實體配置方案MTDM-P的優(yōu)化調(diào)整特點，重新構(gòu)建螢火蟲位置更新公式如下：

式（15）中，螢火蟲移動的相關(guān)操作定義如下：

（1）位置間的減法操作XjΘXi

減法操作是用來得到螢火蟲i向螢火蟲 j的主移動向G。操作過程中需要對Xi和Xj進(jìn)行逐維比較。

方向的數(shù)乘操作決定了Xi從Xj處繼承元素的個數(shù)。在標(biāo)準(zhǔn)螢火蟲算法中吸引度β決定了螢火蟲的移動距離，因此本文結(jié)合2和α| rand-0.5|來決定G′從G中繼承元素的數(shù)目。

（3）位置和方向的加法操作

通過以上兩步的操作后，位置更新的公式可簡化為式（18）。在更新位置時，若方向矢量G′中的G′k為0，則 Xi中的 xi,k保持不變。若 G′k不為0，則用 G′k替換xi,k。

4.2 離散螢火蟲算法的步驟

離散螢火蟲算法的具體實現(xiàn)步驟如下。

步驟1設(shè)置螢火蟲算法的基本參數(shù)，初始化螢火蟲種群，最大迭代次數(shù)MaxCycle以及光強(qiáng)吸收系數(shù)γ、最大吸引度β0。

步驟2按照3.2.1小節(jié)中的整數(shù)編碼方法。由式（13）計算每個螢火蟲的最大熒光亮度I0。

步驟3由式（14）計算，每兩個螢火蟲之間的距離。進(jìn)而可以把距離參數(shù)用于接下來的計算。根據(jù)式（14）和式（15）計算相對亮度I和吸引度β。

步驟4根據(jù)式（15）移動螢火蟲，亮度最高的螢火蟲搜尋附近的最優(yōu)解，并進(jìn)行移動。

步驟5根據(jù)式（13）計算移動后的所有螢火蟲的亮度值，對亮度進(jìn)行排序，（不滿足約束條件的解不參加排序，替代后的新解參與下一輪的位置下移動）此排序也是RMS值從優(yōu)至差的順序，記錄下亮度最高的螢火蟲的亮度值以及對應(yīng)的位置。迭代次數(shù)加1。

步驟6如果達(dá)到最大迭代次數(shù)MaxCycle，結(jié)束算法并輸出步驟5中保存的最優(yōu)解，否則轉(zhuǎn)步驟3。

對最優(yōu)解進(jìn)行解碼，得到的MTDM-P即為使RMS最小的指控關(guān)系。

4.3 指控結(jié)構(gòu)適應(yīng)性調(diào)整過程

以上內(nèi)容對指控組織結(jié)構(gòu)適應(yīng)性調(diào)整問題中的模型構(gòu)建和算法求解進(jìn)行了研究。任務(wù)執(zhí)行過程中，產(chǎn)生突發(fā)事件后，首先判斷事件類型，根據(jù)事件類型建立相應(yīng)的調(diào)整模型，然后利用離散螢火蟲算法進(jìn)行求解，得到適應(yīng)性調(diào)整之后的指揮控制組織結(jié)構(gòu)。

5 仿真結(jié)果及分析

5.1 仿真案例

本文選擇文獻(xiàn)[19]中的聯(lián)合作戰(zhàn)案例，作為實驗案例，驗證離散螢火蟲算法解決指控結(jié)構(gòu)適應(yīng)性調(diào)整問題的性能。實驗在Windows 7系統(tǒng)環(huán)境下，使用Matlab 2014a進(jìn)行仿真分析。初始的任務(wù)—平臺分配關(guān)系以及戰(zhàn)術(shù)決策實體—平臺分配關(guān)系分別如表1和表2所示。關(guān)鍵參數(shù)設(shè)置方面，模型參數(shù)設(shè)置：指控負(fù)載系數(shù)ωC2取1，協(xié)作負(fù)載系數(shù)ωTC取2，平臺控制權(quán)發(fā)生轉(zhuǎn)移的最大數(shù)目取5。離散螢火蟲算法參數(shù)設(shè)置：螢火蟲數(shù)目Q=60，最大吸引度β0=1.0，光強(qiáng)吸收系數(shù)γ=1.0。

表1 初始的任務(wù)—平臺關(guān)系表

表2 初始的戰(zhàn)術(shù)決策實體—平臺關(guān)系表

5.2 仿真實驗

5.2.1 行動計劃改變

行動計劃制定了平臺實體對任務(wù)實體的分配、處理關(guān)系RT-P。造成行動計劃改變的情況，有任務(wù)的完成、任務(wù)取消，增加任務(wù)，平臺增加和損毀，這些情況都會改變原有的行動計劃，實驗中突發(fā)情況隨機(jī)產(chǎn)生，行動計劃變更后，采用離散螢火蟲算法對針對變化后的RT-P，對當(dāng)前的決策實體配置方案進(jìn)行適應(yīng)性調(diào)整。

仿真實驗1方法可行性驗證

實驗中，隨機(jī)生成導(dǎo)致行動計劃變化的情況，本次仿真生成的隨機(jī)事件是平臺實體P1,P5,P6,P14損毀。平臺損毀后的TDM-P關(guān)系矩陣，如表3所示，作為本次仿真調(diào)整前的關(guān)系矩陣MTDM-P1。

通過離散螢火蟲算法調(diào)整后得到的指控關(guān)系矩陣MTDM-P2如表4所示，調(diào)整的結(jié)果是平臺實體P10的控制權(quán)發(fā)生轉(zhuǎn)移，平臺實體P10從由TDM1指控變?yōu)橛蒚DM3指控。

調(diào)整前，MTDM-P1對應(yīng)的RMS值為36.814 4，適應(yīng)性調(diào)整后得到的MTDM-P2對應(yīng)的RMS值是31.827 8，RMS值降低明顯，說明在本次仿真中本方法對指控組織結(jié)構(gòu)進(jìn)行了合理的優(yōu)化。

仿真實驗2方法的性能比較

實驗1為單次仿真的結(jié)果，在行動計劃改變的情況下，進(jìn)行20次仿真實驗，驗證本方法的有效性，同時也和其他方法進(jìn)行對比分析。對于每次仿真，致使行動計劃改變的突發(fā)情況都采用隨機(jī)生成的辦法。貪心搜索算法（Greedy Search Algorithm，GSA）也能較好地用于解決該問題[8]，離散人工蜂群算法（Discrete Artificial Bee Colony Algorithm，DABC）作為較為新穎的解決組合優(yōu)化的啟發(fā)式搜索算法[17-18]，也可用于求解本文的模型，因而將離散螢火蟲算法同這兩種算法進(jìn)行對比。實驗結(jié)果如圖2和圖3所示。

表3 平臺損毀后的指控關(guān)系矩陣

表4 調(diào)整后的指控關(guān)系矩陣

圖2 性能對比圖

圖3 算法耗時對比圖

5.2.2 決策實體失效

情形1的突發(fā)情況致使行動計劃做出改變，情形2在行動計劃改變的基礎(chǔ)上，增加戰(zhàn)術(shù)決策實體失效的情況。仿真中隨機(jī)確定失效的決策實體。對失效之后的決策實體進(jìn)行接替指揮，圖4中紅線部分代表接替后的RMS值。

仿真實驗1方法可行性驗證

本次仿真中出現(xiàn)了戰(zhàn)術(shù)決策實體TDM3損毀，行動計劃變化上為P18損毀，新增平臺P21與P22。TDM3失效后的關(guān)系矩陣如表5所示。TDM3所負(fù)責(zé)的平臺P7,P12,P13,P20交由TDM4接替指揮，交由TDM4指揮控制是剩余三個決策實體中RMS值最低的接替方法。接替指揮后得到的指控關(guān)系如表6所示。

仿真實驗2方法的性能比較

針對情形2，進(jìn)行20次仿真實驗，對算法效果進(jìn)行驗證，突發(fā)事件均隨機(jī)產(chǎn)生同樣采用離散螢火蟲算法、貪婪貪心搜索算法和離散螢火蟲算法這三種算法，仿真結(jié)果如圖4、圖5所示。

5.3 仿真分析

在情形1的仿真實驗中，由圖2可以看出采用DFA算法、GSA算法和DABC算法，指控組織結(jié)構(gòu)調(diào)整后的RMS值均低于調(diào)整前的RMS值，說明此三種方法都能解決此問題。采用DFA算法得到的RMS值降低幅度最大，說明DFA算法在解決指控組織結(jié)構(gòu)適應(yīng)性調(diào)整的效果優(yōu)于DABC和GSA算法，DABC和GSA算法的效果較為接近。在算法耗時上DFA算法的耗時最低，GSA的耗時最高，說明DFA算法的效率最高。

表5 戰(zhàn)術(shù)決策實體失效后的指控關(guān)系矩陣

表6 進(jìn)行接替指揮后的關(guān)系矩陣

表7 調(diào)整后的指控關(guān)系矩陣

圖4 性能對比圖

圖5 算法耗時對比圖

情形2的仿真實驗中，從圖4的結(jié)果上可以看出，三種算法中，采用DFA算法和DABC算法降低RMS值更加明顯，在大部分仿真中，DFA算法的效果優(yōu)于DABC算法。圖5對三種算法的耗時情況進(jìn)行比較，采用貪婪算法的耗時顯著高于DFA算法和DABC算法，DFA算法耗時最短。

綜上，采用DFA算法可以更好地降低負(fù)載均方值，并且在算法耗時上有較大優(yōu)勢，更能夠滿足戰(zhàn)場環(huán)境下，指控結(jié)構(gòu)調(diào)整對時效性的要求。

6 結(jié)束語

本文研究了指揮控制組織結(jié)構(gòu)的適應(yīng)性調(diào)整問題，基于離散螢火蟲算法提出了解決指控結(jié)構(gòu)適應(yīng)性調(diào)整方法，分別在兩種作戰(zhàn)情形下對算法進(jìn)行仿真驗證，并與貪心算法以及離散蜂群算法進(jìn)行對比，驗證了離散螢火蟲算法用在指控結(jié)構(gòu)調(diào)整中的可行性以及高效性。