基于改進(jìn)知識(shí)推理的聯(lián)合打擊目標(biāo)關(guān)聯(lián)推薦*

邢 巖，楊舒淇，劉 昊

（1.沈陽(yáng)航空航天大學(xué)電子信息工程學(xué)院，沈陽(yáng) 110000；2.中國(guó)電子科技南湖研究院，浙江 嘉興 314001）

0 引言

隨著智能化技術(shù)的不斷深化拓展，聯(lián)合作戰(zhàn)指揮的面貌正在發(fā)生深刻變化，作戰(zhàn)指揮方式逐步由以打通鏈路為途徑的信息化向以輔助決策為目標(biāo)的智能化轉(zhuǎn)變。體系融合、關(guān)聯(lián)推薦、破鏈斷網(wǎng)為主的目標(biāo)體系評(píng)估方法，成為未來(lái)聯(lián)合打擊目標(biāo)優(yōu)選和推薦的主流。對(duì)于指揮員來(lái)說(shuō)，最短時(shí)間內(nèi)找到傾向性的目標(biāo)，并將其與其他打擊目標(biāo)按照關(guān)聯(lián)性排序獲得推薦結(jié)果，將對(duì)指揮員決策的準(zhǔn)確性和時(shí)效性產(chǎn)生重要影響，基于此，本文針對(duì)打擊目標(biāo)超網(wǎng)絡(luò)體系構(gòu)建和目標(biāo)關(guān)聯(lián)推薦算法進(jìn)行重點(diǎn)研究，嘗試以知識(shí)圖譜改變現(xiàn)有的表格式目標(biāo)推薦方法，在圖譜超網(wǎng)絡(luò)內(nèi)研究目標(biāo)的內(nèi)在屬性及相互關(guān)聯(lián)機(jī)理。

相關(guān)研究中，王乃鈺等提出知識(shí)圖譜的相關(guān)推理技術(shù)能夠?qū)崿F(xiàn)演繹推理、歸納推理以及不確定性推理［1］，并將推理實(shí)現(xiàn)的方式加以區(qū)分，為本文的技術(shù)應(yīng)用提供理論方法支撐；郭承鷺、張棟豪等則提出基于統(tǒng)計(jì)的知識(shí)推理相關(guān)理論技術(shù)［2-3］，并將邏輯推理方式中的一階謂詞邏輯引入知識(shí)圖譜中，提出了隱藏實(shí)體的概念；在基于圖的推理技術(shù)應(yīng)用中，LAO N 等提出的Path Ranking 算法實(shí)現(xiàn)了知識(shí)圖譜中從源節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的隨機(jī)游走［4］，通過(guò)路徑權(quán)重賦予挖掘隱藏關(guān)系，為本文算法提供了另一種考察思路。曹鵬等提出了通過(guò)設(shè)計(jì)精確評(píng)估網(wǎng)絡(luò)效應(yīng)系數(shù)的Perron-Frobenius 算法實(shí)現(xiàn)涌現(xiàn)性度量［5］；YUAN H W 等通過(guò)構(gòu)建多Agent 和啟發(fā)算法實(shí)現(xiàn)了超網(wǎng)絡(luò)體系的涌現(xiàn)性量化［6］；李明睿等提出信息熵理論［7］，從超網(wǎng)絡(luò)中挖掘節(jié)點(diǎn)的正負(fù)熵系數(shù)，進(jìn)而側(cè)面實(shí)現(xiàn)網(wǎng)絡(luò)涌現(xiàn)性度量；金福等采用了CAS 理論［8］，構(gòu)建Agent 并從宏觀和微觀尺度進(jìn)行兩級(jí)并行評(píng)估，提升涌現(xiàn)性度量準(zhǔn)確性；程建等人采用了自組織的方法對(duì)復(fù)雜系統(tǒng)進(jìn)行降維和演化處理［9］，并在可控范圍內(nèi)計(jì)算其涌現(xiàn)性評(píng)估指標(biāo)；MNIF M等提出基于時(shí)間劃分的熵差度量方法判斷自組織復(fù)雜系統(tǒng)的涌現(xiàn)度［10-11］；陸皖麟等引入概率論中的Hel 散度計(jì)算方法度量復(fù)雜系統(tǒng)涌現(xiàn)性［12］；屈強(qiáng)等提出了基于f-散度的復(fù)雜系統(tǒng)涌現(xiàn)性度量方法［13］；何俊等提出了基于概率估計(jì)的信息熵計(jì)算方法［14］，用以評(píng)估復(fù)雜系統(tǒng)涌現(xiàn)性；霍傳冰等從復(fù)雜適應(yīng)系統(tǒng)理論出發(fā)［15］，構(gòu)建了自適應(yīng)系統(tǒng)的涌現(xiàn)性度量模型。上述文獻(xiàn)對(duì)復(fù)雜系統(tǒng)的性質(zhì)、內(nèi)部機(jī)理及其涌現(xiàn)性的度量均作了多側(cè)面研究，但在打擊目標(biāo)的超網(wǎng)絡(luò)涌現(xiàn)性評(píng)估中的應(yīng)用性不強(qiáng)，還需進(jìn)一步進(jìn)行針對(duì)性改進(jìn)和完善。本文聚焦研究打擊目標(biāo)的復(fù)雜超網(wǎng)絡(luò)體系構(gòu)建方法，嘗試?yán)弥R(shí)圖譜推理技術(shù)補(bǔ)全完善目標(biāo)超網(wǎng)絡(luò)結(jié)構(gòu)，并在此基礎(chǔ)上構(gòu)造涌現(xiàn)性評(píng)估指標(biāo)度量目標(biāo)的體系價(jià)值，推薦符合指揮員決策意圖的關(guān)聯(lián)目標(biāo)。基于此，本文重點(diǎn)解決3 個(gè)方面的問(wèn)題：一是聯(lián)合打擊目標(biāo)的復(fù)雜超網(wǎng)絡(luò)構(gòu)建問(wèn)題；二是復(fù)雜超網(wǎng)絡(luò)體系的隱藏關(guān)系補(bǔ)全問(wèn)題；三是打擊目標(biāo)屬性向量的自適應(yīng)優(yōu)化和涌現(xiàn)性度量問(wèn)題。在解決上述問(wèn)題基礎(chǔ)上，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證算法的計(jì)算有效性和輔助決策適用性。

1 問(wèn)題描述

聯(lián)合作戰(zhàn)中的打擊目標(biāo)并非孤立存在，而是由相互之間的信息交互構(gòu)成復(fù)雜立體多元的超網(wǎng)絡(luò)體系結(jié)構(gòu)，超網(wǎng)絡(luò)是指由多類子網(wǎng)絡(luò)疊加交織組合而成的復(fù)雜網(wǎng)絡(luò)，表現(xiàn)為復(fù)雜系統(tǒng)具有的自適應(yīng)性、非線性、不可拆分性和涌現(xiàn)性特征。傳統(tǒng)的聯(lián)合作戰(zhàn)指揮中，指揮員以過(guò)往戰(zhàn)爭(zhēng)經(jīng)驗(yàn)分析判斷目標(biāo)的價(jià)值進(jìn)而確定打擊排序，通常采用專家主觀評(píng)分確定目標(biāo)的多維屬性權(quán)重，既費(fèi)時(shí)費(fèi)力，又未考慮目標(biāo)在復(fù)雜網(wǎng)絡(luò)體系內(nèi)的作用，更未形成基于知識(shí)圖譜關(guān)聯(lián)性的目標(biāo)推薦；而在真實(shí)戰(zhàn)場(chǎng)上，指揮員必須考慮在有限時(shí)間內(nèi)集中打擊資源實(shí)現(xiàn)目標(biāo)復(fù)雜網(wǎng)絡(luò)的體系破擊，這就要求：一是能夠準(zhǔn)確描述貼合實(shí)際作戰(zhàn)場(chǎng)景的復(fù)雜網(wǎng)絡(luò)體系結(jié)構(gòu)；二是能夠獲取客觀度量復(fù)雜系統(tǒng)涌現(xiàn)性特征的評(píng)估指標(biāo)。本文試圖跳出專家評(píng)分賦予目標(biāo)權(quán)重的思維定式，以知識(shí)圖譜超網(wǎng)絡(luò)自動(dòng)為目標(biāo)標(biāo)定多維權(quán)重，以提升作戰(zhàn)決策效率。

本文數(shù)據(jù)來(lái)源于兵棋對(duì)抗推演系統(tǒng)的底層數(shù)據(jù)，在劉昊等人超網(wǎng)絡(luò)研究數(shù)據(jù)基礎(chǔ)上梳理加工獲?。?6］，數(shù)據(jù)樣本種類、實(shí)體數(shù)量、關(guān)系劃分方法引用該文中信息流循環(huán)效率計(jì)算方法。為了更精確地描述打擊目標(biāo)超網(wǎng)絡(luò)內(nèi)各子網(wǎng)的性質(zhì)、構(gòu)成和關(guān)聯(lián)屬性，將打擊目標(biāo)具體劃分為電子對(duì)抗、防空反擊、后裝保障、交通樞紐、子目標(biāo)隸屬、能源設(shè)施、通信設(shè)施、心理戰(zhàn)、指揮控制等9 類關(guān)系，并依次構(gòu)建9 個(gè)子網(wǎng)，各子網(wǎng)內(nèi)的目標(biāo)實(shí)體互相交織，纏繞疊加出目標(biāo)的超網(wǎng)絡(luò)體系結(jié)構(gòu)。打擊目標(biāo)子網(wǎng)劃分如表1所示：

表1 打擊目標(biāo)各子網(wǎng)劃分表Table 1 Subnet division table of striking targets

目標(biāo)超網(wǎng)絡(luò)中，影響目標(biāo)體系評(píng)分的因素包括目標(biāo)基礎(chǔ)能力和其在超網(wǎng)絡(luò)體系中的涌現(xiàn)性度量?jī)蓚€(gè)方面?；诖?，本文從基礎(chǔ)能力層和涌現(xiàn)度量層兩個(gè)維度綜合評(píng)估目標(biāo)的體系價(jià)值。基礎(chǔ)能力層中，每類目標(biāo)的評(píng)估指標(biāo)不盡相同，但可通過(guò)超網(wǎng)絡(luò)中的優(yōu)化向量進(jìn)行描述；涌現(xiàn)度量層中，通過(guò)目標(biāo)的關(guān)聯(lián)出入度進(jìn)行量化描述。

2 算法設(shè)計(jì)

2.1 復(fù)雜超網(wǎng)絡(luò)構(gòu)建

在獲取打擊目標(biāo)情報(bào)數(shù)據(jù)基礎(chǔ)上，利用目標(biāo)之間的實(shí)體關(guān)系、隸屬關(guān)系和功能關(guān)系等進(jìn)行9 類子網(wǎng)關(guān)系標(biāo)注，而后使用改進(jìn)TransE 算法實(shí)現(xiàn)實(shí)體關(guān)系的擴(kuò)充和超網(wǎng)絡(luò)的構(gòu)建。打擊目標(biāo)情報(bào)數(shù)據(jù)格式包含目標(biāo)實(shí)體名稱和子目標(biāo)名稱，如子目標(biāo)名稱“電子戰(zhàn)2 中隊(duì).CS_PRD-10A 電子偵測(cè)機(jī)”中，“電子戰(zhàn)2 中隊(duì)”是目標(biāo)實(shí)體名，“CS_PRD-10A 電子偵測(cè)機(jī)”是子目標(biāo)名；感知實(shí)力標(biāo)定了目標(biāo)當(dāng)前的完好程度；偵測(cè)源標(biāo)定了目標(biāo)情報(bào)獲取的可靠程度；目標(biāo)種類標(biāo)定了目標(biāo)所屬大類別，共區(qū)分為情報(bào)支撐類、指揮控制類、火力打擊類、電子干擾類、裝備保障類、交通樞紐類、能源設(shè)施類、通信設(shè)施類等；目標(biāo)子類標(biāo)定了目標(biāo)所屬小類別；所屬部隊(duì)標(biāo)定了目標(biāo)實(shí)體名。為了更為科學(xué)地劃分實(shí)體關(guān)系，在子目標(biāo)實(shí)體和目標(biāo)實(shí)體基礎(chǔ)上，引入過(guò)程實(shí)體概念，過(guò)程實(shí)體是為了準(zhǔn)確描述目標(biāo)之間的隸屬關(guān)系，人工引入的虛擬目標(biāo)節(jié)點(diǎn)，目的是使上下多級(jí)之間的指揮隸屬關(guān)系脈絡(luò)更為清晰。圖1 為3 類實(shí)體的實(shí)例。

圖1 3 類實(shí)體舉例說(shuō)明Fig.1 Illustration of three types of entities

在設(shè)計(jì)3 類實(shí)體和9 種目標(biāo)關(guān)系基礎(chǔ)上，可將打擊目標(biāo)具體拆分為9 個(gè)子網(wǎng)絡(luò)體系，各子網(wǎng)之間又包含了縱橫交織的關(guān)聯(lián)，共同構(gòu)成了具備涌現(xiàn)特征的目標(biāo)超網(wǎng)絡(luò)復(fù)雜系統(tǒng)。超網(wǎng)絡(luò)是指超越網(wǎng)絡(luò)的網(wǎng)絡(luò)，即在情報(bào)、指揮、火力、電抗、裝備、交通、能源、通信各子網(wǎng)絡(luò)基礎(chǔ)上構(gòu)建的復(fù)雜網(wǎng)絡(luò)，但此時(shí)的超網(wǎng)絡(luò)尚處于不完全結(jié)構(gòu)，內(nèi)部的很多隱藏關(guān)系并未表達(dá)明顯，關(guān)系矩陣仍然較為稀疏，如指揮隸屬關(guān)系中存在“A 指揮所”與“A-1 營(yíng)指揮車”的關(guān)聯(lián)，也存在“A-1 營(yíng)指揮車”與“A-1-1 防空連”的關(guān)聯(lián)，但“A 指揮所”與“A-1-1 防空連”之間并未建立關(guān)聯(lián)，因此，需要使用知識(shí)推理算法自動(dòng)標(biāo)定此類隱藏的關(guān)聯(lián)關(guān)系，補(bǔ)全超網(wǎng)絡(luò)體系。在初始網(wǎng)絡(luò)構(gòu)建階段，通過(guò)實(shí)體內(nèi)部關(guān)系標(biāo)定、部隊(duì)隸屬關(guān)系標(biāo)定和信息流動(dòng)關(guān)系標(biāo)定手工構(gòu)建目標(biāo)體系的初始網(wǎng)絡(luò)。打擊目標(biāo)初始超網(wǎng)絡(luò)如下頁(yè)圖2 所示。

2.2 改進(jìn)TransE 算法

在初始超網(wǎng)絡(luò)基礎(chǔ)上，引入TransE 算法自動(dòng)擴(kuò)充復(fù)雜網(wǎng)絡(luò)的實(shí)體關(guān)系，挖掘隱藏連線，使復(fù)雜網(wǎng)絡(luò)貼近實(shí)戰(zhàn)場(chǎng)景。TransE 由BORDES 等提出，其主要思想是對(duì)實(shí)體關(guān)系（h，r，t）映射為空間向量，即為每個(gè)實(shí)體及其關(guān)系分配隨機(jī)的向量數(shù)組，并作出限定約束：若兩個(gè)實(shí)體之間存在關(guān)聯(lián)，則頭實(shí)體向量h加上關(guān)系r 應(yīng)約等于尾實(shí)體向量t；反之則公式盡可能不成立。這就將圖網(wǎng)絡(luò)連線問(wèn)題轉(zhuǎn)換為多維空間向量的迭代收斂問(wèn)題，即通過(guò)基于隨機(jī)梯度下降的有限次迭代，使包含評(píng)分函數(shù)f（h，r，t）的損失函數(shù)L（h，r，t，r'，t'）達(dá)成最小值收斂。具體算法流程為：

Step 4 計(jì)算反饋調(diào)節(jié)參數(shù)。本文采用隨機(jī)梯度下降方法進(jìn)行反饋調(diào)節(jié)，并最終達(dá)成損失函數(shù)的最小化收斂。設(shè)學(xué)習(xí)率調(diào)節(jié)參數(shù)為α，則對(duì)損失函數(shù)L（h，r，t，r'，t'）求取偏導(dǎo)，公式為：

Step 5 重復(fù)Step 3 和Step 4，直至損失函數(shù)收斂至某一恒定最小值，退出并輸出超網(wǎng)絡(luò)各節(jié)點(diǎn)和關(guān)系向量。

但是在執(zhí)行全過(guò)程中，發(fā)現(xiàn)打擊目標(biāo)構(gòu)成的超網(wǎng)絡(luò)體系并不能直接套用TransE 算法，主要表現(xiàn)在：一是打擊目標(biāo)關(guān)系屬于無(wú)方向關(guān)系，構(gòu)建的超網(wǎng)絡(luò)屬于無(wú)向圖網(wǎng)絡(luò)，不能直接使用向量加和；二是超網(wǎng)絡(luò)矩陣過(guò)于稀疏，各實(shí)體的關(guān)聯(lián)關(guān)系差異度較大，導(dǎo)致TransE 的損失函數(shù)難以收斂至向量左右等價(jià)效果，進(jìn)而使后續(xù)的補(bǔ)全效果大幅降低。為了解決上述問(wèn)題，本文采用隨機(jī)裁剪方式對(duì)無(wú)向圖矩陣壓縮，形成只包含一半有效邊的有向圖結(jié)構(gòu)，隨機(jī)裁剪過(guò)程如下頁(yè)圖3 所示。

圖3 無(wú)向圖隨機(jī)裁剪為有向圖示意圖Fig.3 Undirected graph is randomly clipped to directed graph

而后設(shè)計(jì)并引入改進(jìn)TransE 算法貼合打擊目標(biāo)超網(wǎng)絡(luò)補(bǔ)全應(yīng)用場(chǎng)景，通過(guò)引入元啟發(fā)算法替代TransE 中的梯度下降計(jì)算公式，通過(guò)大規(guī)模的種群優(yōu)勝劣汰和迭代升級(jí)達(dá)成向量?jī)?nèi)部參數(shù)的最優(yōu)化，以盡可能貼合向量左右等價(jià)效果。修改損失函數(shù)計(jì)算公式為：

具體計(jì)算流程為：

Step 1 調(diào)用TransE 算法的Step 1 和Step 2，生成超網(wǎng)絡(luò)的隨機(jī)實(shí)體和邊向量并歸一化，生成負(fù)樣本組合；

Step 2 構(gòu)建智能體結(jié)構(gòu)。每個(gè)智能體包含實(shí)體向量集、邊向量集和負(fù)樣本邊向量集。智能體結(jié)構(gòu)如圖4 所示：

圖4 智能體結(jié)構(gòu)示意圖Fig.4 Schematic diagram of agent structure

Step 3 構(gòu)建初始智能體種群。采用元啟發(fā)算法的隨機(jī)變異方式，以原始智能體為樣本，隨機(jī)選中其中的10 個(gè)實(shí)體和邊進(jìn)行向量微調(diào)。以向量為例，設(shè)微調(diào)參數(shù)為δ，向量中的原始參數(shù)為ω，則微調(diào)后的參數(shù)ω'計(jì)算公式為：

Step 4 計(jì)算種群內(nèi)所有智能體綜合評(píng)分。根據(jù)更新的損失函數(shù)評(píng)分公式，將每個(gè)智能體包含的實(shí)體向量集、邊向量集、負(fù)樣本邊向量集帶入評(píng)分公式，計(jì)算出已有邊最小值評(píng)分Lmin與負(fù)樣本最大值評(píng)分Lmax。具體評(píng)分原則為：以Lmin作為智能體主評(píng)分；如兩智能體Lmin相同，以Lmax作為智能體輔助評(píng)分。

Step 5 種群淘汰。根據(jù)種群內(nèi)各智能體的綜合評(píng)分，淘汰掉種群內(nèi)90%的智能體，并記錄最優(yōu)評(píng)分智能體結(jié)構(gòu)及對(duì)應(yīng)評(píng)分。

Step 6 種群擴(kuò)充。調(diào)用Step 3 的隨機(jī)變異方式，以淘汰后剩余智能體為樣本產(chǎn)生新智能體，使種群達(dá)到原定規(guī)模。

Step 7 重復(fù)Step 5～Step 6，Lmin直至達(dá)成退出條件：達(dá)成最小化，并且Lmax不再增長(zhǎng)，即可視為算法已收斂，退出并反饋此時(shí)種群內(nèi)最優(yōu)智能體結(jié)構(gòu)。

2.3 復(fù)雜超網(wǎng)絡(luò)補(bǔ)全

在通過(guò)改進(jìn)TransE 算法獲取超網(wǎng)絡(luò)的最優(yōu)實(shí)體和邊向量矩陣后，引入超網(wǎng)絡(luò)關(guān)系補(bǔ)全操作：采集現(xiàn)有超網(wǎng)絡(luò)中的三元組（h，r，t），將其頭實(shí)體或尾實(shí)體依次替換為其他實(shí)體，進(jìn)而產(chǎn)生備選關(guān)系數(shù)組集，分別計(jì)算其TransE 評(píng)估值f（h'，r，t）或f（h，r，t'），存在：

而后根據(jù)評(píng)估值按升序排序，記錄原始三元組（h，r，t）的排序位置。如排序超過(guò)5，則將前5 個(gè)三元組關(guān)系補(bǔ)充至超網(wǎng)絡(luò)；否則將排序超過(guò)原始三元組的關(guān)系補(bǔ)充至超網(wǎng)絡(luò)。新添加關(guān)系的屬性數(shù)組滿足公式：r=h-t。

Step 7 重復(fù)Step 6，直至所有現(xiàn)存的關(guān)系三元組全遍歷完成，則超網(wǎng)絡(luò)補(bǔ)全完畢。補(bǔ)全后的超網(wǎng)絡(luò)如下頁(yè)圖5 所示。

補(bǔ)全超網(wǎng)絡(luò)（圖5）和初始超網(wǎng)絡(luò)（圖2）的區(qū)別在于：初始超網(wǎng)絡(luò)內(nèi)部節(jié)點(diǎn)之間的關(guān)系相對(duì)較少，只是依據(jù)數(shù)據(jù)來(lái)源的轉(zhuǎn)換表達(dá)；經(jīng)過(guò)超網(wǎng)絡(luò)補(bǔ)全后，自動(dòng)添加了節(jié)點(diǎn)之間的跨越關(guān)系和隱藏關(guān)系，使節(jié)點(diǎn)之間的關(guān)聯(lián)作用更為復(fù)雜且符合現(xiàn)實(shí)場(chǎng)景需求，為后續(xù)計(jì)算目標(biāo)體系價(jià)值、有選擇地刪減低價(jià)值目標(biāo)、目標(biāo)之間價(jià)值排序，提供了更為客觀精準(zhǔn)的數(shù)據(jù)支撐。

圖5 補(bǔ)全超網(wǎng)絡(luò)結(jié)構(gòu)示例Fig.5 Example of the completed hyper network structure

2.4 計(jì)算目標(biāo)體系價(jià)值

目標(biāo)體系價(jià)值包含該目標(biāo)的向量權(quán)重價(jià)值和邊權(quán)重價(jià)值兩個(gè)方面，本例中采用歐式空間舉例方法計(jì)算權(quán)重價(jià)值。設(shè)第i 個(gè)子目標(biāo)實(shí)體所包含的實(shí)體向量為hi，補(bǔ)全網(wǎng)絡(luò)后，與此子目標(biāo)關(guān)聯(lián)的邊集合為Si，則第i個(gè)目標(biāo)的體系價(jià)值Zi為：

3 仿真實(shí)驗(yàn)

為了驗(yàn)證算法的有效性，以某戰(zhàn)役想定演習(xí)中的打擊目標(biāo)數(shù)據(jù)為初始錄入數(shù)據(jù)，分別設(shè)計(jì)了復(fù)雜超網(wǎng)絡(luò)構(gòu)建、目標(biāo)關(guān)聯(lián)推薦、同類方法對(duì)比等相關(guān)實(shí)驗(yàn)，以檢驗(yàn)算法的推薦效果和可行性。

3.1 復(fù)雜超網(wǎng)絡(luò)構(gòu)建實(shí)驗(yàn)

實(shí)驗(yàn)?zāi)康脑谟跈z驗(yàn)改進(jìn)TransE 算法的綜合性能，通過(guò)和標(biāo)準(zhǔn)TransE 算法的評(píng)分比較，驗(yàn)證本文算法的有效性和應(yīng)用優(yōu)勢(shì)。

3.1.1 知識(shí)推理收斂實(shí)驗(yàn)

在算法自適應(yīng)迭代過(guò)程中，分別選取每代的最優(yōu)智能體并記錄其綜合評(píng)分、已有邊評(píng)分和負(fù)樣本評(píng)分，為了檢驗(yàn)算法的已有邊評(píng)分、負(fù)樣本評(píng)分之間的差異度計(jì)算公式：

負(fù)樣本評(píng)分計(jì)算流程為按照隨機(jī)數(shù)各自計(jì)算出獨(dú)立的f（h，r，t'）和f（h'，r，t），而后加和獲取f（h'，r，t'）；評(píng)分效果如下頁(yè)圖6 所示。

通過(guò)綜合評(píng)分公式分析，迭代目的是使綜合評(píng)分下降，降幅越大則學(xué)習(xí)效果越好，通過(guò)實(shí)驗(yàn)對(duì)比分析可知，圖6（a）中的綜合評(píng)分比較可知，改進(jìn)算法的評(píng)分值下降程度明顯弱于標(biāo)準(zhǔn)算法，經(jīng)過(guò)120代迭代，標(biāo)準(zhǔn)算法使綜合評(píng)分下降10.64%，改進(jìn)算法只能使綜合評(píng)分下降6.51%；但對(duì)兩種算法的已有邊和負(fù)樣本評(píng)分詳細(xì)分析，圖6（b）中的標(biāo)準(zhǔn)算法已有邊評(píng)分與負(fù)樣本評(píng)分均在學(xué)習(xí)過(guò)程中出現(xiàn)上升，這是算法不希望產(chǎn)生的結(jié)果，理想結(jié)果應(yīng)為：隨著迭代次數(shù)的增多，已有邊評(píng)分逐步下降而負(fù)樣本評(píng)分逐步上升。圖6（c）中的改進(jìn)算法則滿足了算法構(gòu)想，隨著迭代次數(shù)增多，已有邊評(píng)分與負(fù)樣本評(píng)分之間的分值差距越來(lái)越大。通過(guò)計(jì)算兩種算法差異度，圖6（d）中可發(fā)現(xiàn)兩種算法在多代迭代后均實(shí)現(xiàn)了算法收斂，其中改進(jìn)算法的收斂抖動(dòng)性更為明顯，標(biāo)準(zhǔn)算法則逐步趨向于0，證明了算法已經(jīng)實(shí)現(xiàn)了多代收斂。

圖6 3 種反饋評(píng)分函數(shù)對(duì)應(yīng)的評(píng)分收斂情況Fig.6 The corresponding rating convergence of three kinds of feedback rating functions

3.1.2 超網(wǎng)絡(luò)稀疏性實(shí)驗(yàn)

為了檢驗(yàn)超網(wǎng)絡(luò)的補(bǔ)全效果，統(tǒng)計(jì)知識(shí)推理前和推理后的網(wǎng)絡(luò)實(shí)體數(shù)、邊數(shù)情況、游離實(shí)體情況，并引入最少匹配邊數(shù)的概念，匹配邊數(shù)為5，則表明算法計(jì)算每條邊的最短匹配邊數(shù)閾值為5.對(duì)比結(jié)果如圖7 所示。

通過(guò)對(duì)比分析可知，在初始超網(wǎng)絡(luò)構(gòu)建完成時(shí)，網(wǎng)絡(luò)中共包含3 368 個(gè)實(shí)體節(jié)點(diǎn)，7 796 條關(guān)系邊；通過(guò)超網(wǎng)絡(luò)補(bǔ)全操作（匹配5 邊），新增隱藏邊77 957 條，是已有關(guān)系邊的11 倍；從超網(wǎng)絡(luò)稀疏性分析，超網(wǎng)絡(luò)最多能承載的關(guān)系邊數(shù)為5 670 028條，初始超網(wǎng)絡(luò)的稀疏度為0.14%，匹配5 邊補(bǔ)全后的超網(wǎng)絡(luò)稀疏度為1.51%，匹配10 邊補(bǔ)全后的超網(wǎng)絡(luò)稀疏度為2.89%；通過(guò)對(duì)圖7（b）中游離實(shí)體的數(shù)量分析可知，經(jīng)過(guò)超網(wǎng)絡(luò)補(bǔ)全，網(wǎng)絡(luò)游離實(shí)體的數(shù)量大幅減少，通過(guò)實(shí)體分析，補(bǔ)全后的隱藏關(guān)系邊促使游離實(shí)體與超網(wǎng)絡(luò)內(nèi)部實(shí)體之間建立了間接關(guān)聯(lián)，進(jìn)而使實(shí)體的關(guān)聯(lián)性大幅提升，且游離實(shí)體數(shù)隨著匹配邊數(shù)的增加而逐步減少。

圖7 補(bǔ)全前后實(shí)體、邊數(shù)對(duì)比Fig.7 Comparison of entities and edges before and after completion

3.2 智能體演化實(shí)驗(yàn)

分析適應(yīng)性學(xué)習(xí)優(yōu)化后各種類目標(biāo)實(shí)體的向量參數(shù)變化情況，區(qū)分10 個(gè)目標(biāo)種類進(jìn)行傾向性的雷達(dá)圖分析，對(duì)比結(jié)果如圖8 所示。

圖8 各類型目標(biāo)的多維向量屬性對(duì)比分析Fig.8 Comparison and analysis of multi-dimensional vector attributes of various types of targets

通過(guò)對(duì)比分析可知，雖然各類目標(biāo)的初始向量調(diào)節(jié)參數(shù)均為隨機(jī)生成，但隨著迭代次數(shù)的增加，向量調(diào)節(jié)參數(shù)均值發(fā)生傾向性變化，如傳感器類目標(biāo)的調(diào)參6 和設(shè)施類目標(biāo)的調(diào)參2，變化幅度明顯，表明各目標(biāo)實(shí)體在超網(wǎng)絡(luò)自適應(yīng)迭代過(guò)程中產(chǎn)生了自我適應(yīng)性改造，以使超網(wǎng)絡(luò)全局的向量保持平衡，即向滿足綜合評(píng)分公式方向發(fā)展?？偟膩?lái)說(shuō)各類目標(biāo)的雷達(dá)調(diào)參變化隨著迭代次數(shù)的提升而逐步變化，不同種類目標(biāo)的調(diào)參調(diào)整方向隨網(wǎng)絡(luò)結(jié)構(gòu)而改變。智能體的實(shí)體節(jié)點(diǎn)向量和關(guān)系邊向量均值變化情況如圖9 所示：

圖9 智能體向量演化情況對(duì)比Fig.9 Comparison of agent vector evolution situation

隨著迭代次數(shù)的增加，智能體內(nèi)部向量構(gòu)成比例逐步調(diào)整，將120 代的最優(yōu)智能體與初代智能體對(duì)比可知，在初代智能體中，節(jié)點(diǎn)的向量調(diào)參平均分值為-2.24 分，經(jīng)過(guò)迭代分值變?yōu)?12.93 分；關(guān)系邊平均分值從22.53 分逐步調(diào)整到0.37 分，二者的變化即為明顯。表明：通過(guò)綜合評(píng)分約束演化，關(guān)系邊的調(diào)參分值逐步向節(jié)點(diǎn)分值轉(zhuǎn)移，節(jié)點(diǎn)分值的重要程度逐步提升；經(jīng)過(guò)超網(wǎng)絡(luò)的補(bǔ)全和隱藏關(guān)系邊的擴(kuò)充，邊分值逐步壓縮弱化，以提升實(shí)體節(jié)點(diǎn)在超網(wǎng)絡(luò)中的影響作用。上述現(xiàn)象也與聯(lián)合打擊目標(biāo)關(guān)聯(lián)推薦的真實(shí)效果相吻合。智能體演化的意義在于：傳統(tǒng)的目標(biāo)價(jià)值計(jì)算，采用了還原論的思維方式，將各目標(biāo)節(jié)點(diǎn)視作復(fù)雜系統(tǒng)中的一個(gè)獨(dú)立且靜態(tài)的節(jié)點(diǎn)，用各種量化評(píng)分公式計(jì)算出其價(jià)值評(píng)分，割裂于系統(tǒng)，不能描述目標(biāo)節(jié)點(diǎn)作為體系中的一個(gè)組成部分在體系中發(fā)揮的作用，更不能從動(dòng)態(tài)演化視角看待并衡量節(jié)點(diǎn)的體系作用；本演化實(shí)驗(yàn)從復(fù)雜系統(tǒng)的生物學(xué)角度出發(fā)，利用智能優(yōu)化算法通過(guò)多代迭代計(jì)算出目標(biāo)節(jié)點(diǎn)在復(fù)雜系統(tǒng)中的動(dòng)態(tài)交互價(jià)值，該價(jià)值不僅包括目標(biāo)節(jié)點(diǎn)的基本價(jià)值屬性，還通過(guò)演化各節(jié)點(diǎn)的動(dòng)態(tài)作用關(guān)系，通過(guò)反復(fù)迭代產(chǎn)生其在復(fù)雜系統(tǒng)中的相互作用價(jià)值；聯(lián)合火力打擊體系因?yàn)槟繕?biāo)節(jié)點(diǎn)之間相互錯(cuò)綜復(fù)雜的作用關(guān)系，割裂的、靜態(tài)的、不結(jié)合關(guān)系的價(jià)值分析均會(huì)造成目標(biāo)價(jià)值維度的丟失，只有研究其在體系中發(fā)揮的動(dòng)態(tài)價(jià)值，才能使目標(biāo)價(jià)值評(píng)估更具合理性。

3.3 同類方法對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文提出的目標(biāo)體系價(jià)值評(píng)估算法的有效性和合理性，選取文獻(xiàn)［20］提出的體系價(jià)值評(píng)估算法和文獻(xiàn)［21］提出的關(guān)聯(lián)度分析算法作為對(duì)比方法，綜合對(duì)比各類目標(biāo)的綜合評(píng)分（目標(biāo)編號(hào)依次為：警戒探測(cè)站、活動(dòng)目標(biāo)偵察雷達(dá)、預(yù)警雷達(dá)、炮位偵察雷達(dá)、移動(dòng)偵察站、有線通信樞紐站、微波通信樞紐站、通信指揮部、數(shù)據(jù)分析站、數(shù)據(jù)傳輸控制中心、直升機(jī)起降點(diǎn)、軍用機(jī)場(chǎng)、防空導(dǎo)彈陣地、飛彈營(yíng)陣地），對(duì)比結(jié)果如圖10 所示：

圖10 各方法的目標(biāo)體系價(jià)值對(duì)比結(jié)果Fig.10 Comparison results of target system value of each method

通過(guò)對(duì)比分析可知，本文算法的目標(biāo)體系價(jià)值評(píng)分，在移動(dòng)偵察站和飛彈營(yíng)陣地上賦予了相對(duì)較高評(píng)分，此結(jié)果與其他同類算法相同，但關(guān)注度更為集中明顯，與此相對(duì)應(yīng)，在微波通信樞紐站、通信指揮部、數(shù)據(jù)分析站等信息傳輸設(shè)施中的權(quán)重分配相對(duì)弱化；考慮到本文算法并未使用專家主觀評(píng)分法，而取得了和其他同類算法相似的體系價(jià)值評(píng)分結(jié)果，證明本文算法的正確性和應(yīng)用廣泛性。

4 結(jié)論

本文針對(duì)聯(lián)合打擊目標(biāo)關(guān)聯(lián)推薦和體系價(jià)值評(píng)估問(wèn)題，試圖跳出傳統(tǒng)的專家評(píng)分法框架，從超網(wǎng)絡(luò)適應(yīng)性學(xué)習(xí)和知識(shí)圖譜推理角度，建立目標(biāo)的多維屬性向量模型，在此基礎(chǔ)上設(shè)計(jì)基于改進(jìn)TransE 算法的聯(lián)合打擊目標(biāo)關(guān)聯(lián)推薦數(shù)學(xué)模型，并通過(guò)同類算法的對(duì)比分析證明本文算法的有效性。本文創(chuàng)新點(diǎn)有：一是將知識(shí)圖譜推理技術(shù)引入到聯(lián)合火力打擊目標(biāo)體系構(gòu)建中，實(shí)現(xiàn)了目標(biāo)關(guān)聯(lián)關(guān)系的自動(dòng)鏈接；二是建立了復(fù)雜超網(wǎng)絡(luò)體系中的涌現(xiàn)性評(píng)估指標(biāo)模型，實(shí)現(xiàn)了打擊目標(biāo)超網(wǎng)絡(luò)的涌現(xiàn)性價(jià)值度量；三是實(shí)現(xiàn)了指揮員優(yōu)選打擊目標(biāo)的關(guān)聯(lián)推薦和最優(yōu)推薦，提升了輔助決策智能化水平。