一種基于模糊層次分析的多Agent 電子對抗裝備狀態智能評判方法

張仲敏，李俊山，宋憑，嚴其飛

(1.第二炮兵工程大學 信息工程系，陜西 西安710025;2.解放軍西安通信學院，陜西 西安710106)

0 引言

電子對抗(ECM)裝備具有技術先進、系統復雜、造價高昂、部件種類繁多等特點，日常維護和作戰訓練搶修任務技術要求較高、涉及資金額度較大。由于目前基層裝備使用單位暫無條件提供精確可靠的裝備運行數據，一定程度上限制了上級裝備保障部門決策計劃的科學準確制訂。

裝備服役狀態的智能準確判定可為裝備保障部門決策計劃的分析與制訂提供客觀數據支撐［1-2］。此處服役狀態區別于表征裝備某刻物理完好程度的健康程度概念，指的是裝備現在以至未來一段時間能夠正常工作的可能度，一定程度上可以指導該型裝備(部件)下一保障周期的維修、采購及庫存等保障策略。

目前，該領域研究主要集中在基于歷史數據的特定模型方面，如時間序列模型、灰色模型及神經網絡模型等［3］，其缺點在于對歷史數據依賴度較高，且數據自身精確度對預測精度也會有較大影響。ECM 裝備實際訓練作戰生命周期內，尚無裝備使用時間的有效準確記錄方式，從而極大制約了以上理論和模型的應用，故此本文提出一種基于模糊層次分析(FAHP)的多Agent 智能狀態評判方法。根據專家經驗建立裝備服役狀態的影響因素層次指標體系，基于FAHP 方法進行因素分析和狀態判定，結合多Agent 技術構建具有自學習、自修正能力的智能狀態評判系統，將主觀判斷和邏輯推理相聯系、定性推導和定量分析相結合，實現服役狀態的決策判定和系統的自我完善。

1 服役狀態影響因素分析

通過實地調研和走訪，本著全面、客觀、獨立、系統兼顧效益和可行性的原則［4］，在深入了解ECM 裝備工作運行規律的基礎上，整理綜合相關領域專家座談資料與調查問卷，分析裝備服役狀態的影響因素，建立了體系層次模型，如圖1 所示。

1.1 關鍵程度

由某部件在所屬裝備中的地位、影響程度及所屬裝備在整個系統中地位、對系統性能的影響程度決定，與失效概率、補貨時間、供應商數目等指標相關［5］。實地調研發現，部件關鍵程度越高，其狀態變化對周邊部件的影響就越大，甚至微小變化都可能引起系統整體運行情況的較大改變。量化分析時主要從部件缺少引發后果的可接受程度、缺件時對補貨時間要求的嚴酷程度、訂貨與存儲過程中對風險的容忍程度等方面進行考慮。

圖1 服役狀態影響因素層次指標體系Fig.1 The hierarchical structure model of criteria that affect service status of ECM equipment

1.2 故障頻次

故障頻次指裝備部件服役以來累計故障狀況，是相對其他裝備部件的故障發生頻次程度，由領域專家或裝備運維人員根據其運行情況給出相對模糊測度，表征其體質情況，可一定程度上反映裝備的服役健康狀況。

1.3 新舊程度

指裝備部件服役至今的新舊狀態，一定程度上反映了其在裝備生命周期內的累計工作時間。因為實際訓練作戰當中尚無裝備使用時間有效準確記錄方式，故這里為工作時長的相對模糊測度，如可參考累計工作時長與該型平均工作時長比率等形式，由裝備運維人員按照實際情況進行確定。

1.4 工作強度

反映裝備的使用強度狀況，具體分為戰斗狀態和非戰斗狀態2 種情況［4］。其中:戰斗狀態下的工作強度與作戰樣式、作戰條件、裝備類型等因素有關，產生的損耗有戰斗損耗、嚴酷使用損耗和正常使用消耗;非戰斗狀態下工作強度又分為正常戰備值班和集中高強度訓練2 種，前者產生正常使用消耗，后者產生嚴酷使用損耗。

1.5 敏感程度

指裝備部件對工作環境的敏感性，如嚴寒酷暑、干燥潮濕、電磁環境、風力風向、雨雪、灰塵等不同工作條件對其造成的干擾、損耗程度。調研表明:敏感程度越高，其服役狀態受工作環境的影響越大，可靠性越差。

2 基于FAHP 的模糊綜合評判建模

基于圖1 的層次指標體系，建立模糊綜合評判模型，對裝備服役狀態進行評判。

2.1 確定因素集和評價集

因素集U={μ1，μ2，μ3，μ4，μ5}={關鍵程度，故障頻次，新舊程度，工作強度，敏感程度};評價集V={v1，v2，v3，v4，v5}={很好，較好，一般，較差，很差}. 其中:“很好”表示裝備服役狀態正常，無需考慮其更換或采購問題;“較好”表示裝備可以正常服役，且其更換或采購需求優先級較低;“一般”表示裝備能正常服役，但需適當考慮其更換或采購需求;“較差”表示裝備服役狀態無法保證，需盡快更換或采購;“很差”表示裝備瀕臨報廢，急需更換。這里壽命周期針對不同類型裝備，以額定工作時間或次數等指標來度量。

2.2 建立三角模糊數互補判斷矩陣

多因素綜合決策中權重作用舉足輕重，層次分析(AHP)法是確定指標權重的一種行之有效的方法［6］。AHP 假定系統內同層次因素間彼此獨立、不存在相互反饋和影響，這樣的理想化處理必然會引起失真［7］。此外，服役狀態影響因素權重為模糊概念標度，故文中在AHP 兩兩比較因素重要性且對其賦值時引入三角模糊數(有大小、有方向的三維數組向量)表示專家判斷信息，采用基于模糊理論和決策理論的FAHP 權重量化方法，以模擬人類對不確定事件的主觀思維方式。

式中:x∈R;l、u 分別為上下界。u -l 表示模糊程度，值越大模糊程度越強。

判斷矩陣是層次分析的基本工具，其作用是在上層某因素約束條件下，對同層次因素間的相對重要性兩兩進行比較。本文采用模糊德爾菲法獲得基于三角模糊數的互補判斷矩陣，矩陣元素表示因素i 與因素j 的重要性比較。取0.5 表示兩因素同等重要大于0.5 表示因素i 比因素j 重要(如重要度稍大、很大、特別大、最大)小于0.5 表示因素i 沒有因素j 重要(同前)。綜合所有專家的偏好信息，求其加權平均值，得到模糊判斷矩陣

設因素集權重評估有T 個專家參與，專家各自的權重為γ(k)，則判斷矩陣元素值

2.3 計算單層因素模糊權重

計算單個因素模糊綜合權重并歸一化，得到某層相關因素相對于上一層特定因素的相對權重向量。設相對上一層特定因素的因素數為n，其三角模糊數權重向量

2.4 建立可能度矩陣

某層相關因素相對于上一層特定因素的相對權重，可通過對三角模糊數互補判斷矩陣進行權值層次單排序得到。然而，上文得到的權重向量為三角模糊數形式，權重信息并非完全確知［10］，為此運用可能度方法對三角模糊數形式的因素權重向量進行排序。

式中:λ∈［0，1］為風險系數。λ 大于0.5 為決策者追求風險;λ 小于0.5 為厭惡風險;λ 取0.5 為中性風險，本文取中性風險值。

可能度方法提供了對信息非完全確知的三角模糊數進行排序的途徑，可對上文求得的三角模糊數權重向量進行兩兩比較求其可能度，記為pij=則確定可能度矩陣P =(pij)n×n.利用(4)式所示可能度排序公式

可以求得可能度矩陣的排序向量，ω =(ω1，ω2，…，ωn)T，即三角模糊數權重向量 ~wi的排序結果。

2.5 因素層次總排序

之前單排序得到的是某層相關因素相對于其上一層特定因素的相對權重，如果因素集為多層次結構，則在此基礎上還需要計算因素相對于目標層(最高層)的組合權重，即為因素的層次總排序。

假定上一層級A 包含m 個因素A1，A2，…，Am，其層次總排序權重分別為a1，a2，…，am，其下一層級B 包含n 個因素B1，B2，…，Bn，關于Aj的層次單排序權重分別為b1j，b2j，…，bnj(若Bi與Aj無關，則bij=0)，則B 層各因素關于目標層的層次總權重向量為

2.6 模糊綜合評判

對某型裝備，選取評判專家S 名，根據因素集、評價集，給出因素μi對評語vj的隸屬度rij，得到評判矩陣R(k)，k∈［1，S］，則

式中:ω 為該型裝備服役狀態影響因素的層次總權重;?為模糊算子。常用的模糊算子有M(∨，∧)、M(·，∨)、M(·，⊕)等算法，∨，∧運算存在信息淹沒現象，而M(·，⊕)算子能均衡權信息，保證權信息的完整性，這對綜合評價非常重要，故選取M(·，⊕)作為模糊算子。

最后由評判專家自身權重σ(k)計算出綜合評判矩陣

由評判矩陣B，根據最大隸屬度法則確定對象的評判結果，取最大評判指標相對的評價元素作為評判結果。

根據上述分析，可將模型評判結果輸出給裝備保障人員，既能為裝備下一階段作戰訓練任務的完成提供參考指標，又能為裝備保障方案的制訂提供決策支持。

3 實例分析

以某ECM 裝備上某型接口卡部件為例對裝備狀態評判進行分析。

根據ECM 裝備保障現狀，通過模糊德爾菲法進行專家評分，建立包含3 位領域專家的專家組E ={E1，E2，E3}，為簡便計，設各專家權重相同。指標集中T1為工作強度，T2為新舊程度，T3為故障頻次，T4為關鍵程度，T5為敏感程度。按照圖1 所示指標體系以三角模糊數的形式對該接口卡進行量化分析，分析標度及含義見2.2 節內容，量化分析及結果如表1 ～表3 所示。

表1 模糊德爾菲評分表Tab.1 Fuzzy Delphi score

表2 三角模糊數權重向量表Tab.2 Criteria weights of triangular fuzzy number

表3 可能度矩陣及排序向量Tab.3 Possibility degree matrix and order of criteria

如表1 所示，將專家評分原始數據結合專家權重加權集結，得到專家偏好信息的三角模糊數互補判斷矩陣。表2 為按照(2)式計算得到各指標因素的三角模糊數權重向量，其權重信息并非完全確知，故通過可能度方法對其進行排序。按(3)式定義對向量兩兩比較求其可能度n，則確定可能度矩陣P =(pij)n×n，再由(4)式進行層次排序，如表3 所示。由表3 中的ωi值可知，指標權重排序結果為T4＞T1＞T2＞T3＞T5. 由于本例中評估的因素指標均位于同一層，故此排序結果即為最終總排序。根據上述分析，關鍵程度指標權重最大，是裝備服役狀態評判時需要考慮的首要因素，之后再依次考慮工作強度、新舊程度、故障頻次、敏感程度因素。據此可建立關鍵核心部件壽命周期檔案，對其出入庫、運行、維修、報廢等全部環節進行精確跟蹤管理，同時也為相關保障決策部門提供關鍵核心部件的精確完整歷史數據。

根據以上計算結果，對該型接口卡部件進行模糊綜合評判。選取評判專家3 名，根據因素集、評價集，給出因素對評語的隸屬度，得到評判矩陣R(k):

則由(6)式可得:

假定評判專家自身權重σ(k)分別為0.9、0.7、0.8，由(7)式計算得到綜合評判矩陣B =(0.309，0.234，0.203，0.249，0.005). 矩陣B 的各元素中，，根據隸屬度最大原則，該接口卡部件服役狀態為很好，可保證在一個完整的壽命周期內正常服役，裝備保障部門短期內不需要考慮該型備件更換與采購問題。

4 多Agent 狀態評判系統設計

4.1 多Agent 系統適用性分析

多Agent 系統(MAS)研究起步于20 世紀80 年代，是由多個可計算的Agent 組成的松散耦合網絡，Agent 間通過合作、協調和管理來實現感知、問題求解和外界通信等能力。MAS 中各Agent 可以異構，從而為復雜系統提供了統一的模型和框架，通過模擬人類專家思維方式來求解問題、感知環境［11-12］。基于MAS 的智能決策具有動態、分布、柔性等特點，適合于:決策者和決策對象的分布性環境;單個決策者由于知識和能力限制而無法勝任的復雜性、規模性決策任務等。

ECM 裝備系統復雜，在裝備運行壽命周期內，其服役狀態各影響因素的權值具有動態性特點，決策任務為復雜過程，服役狀態難以準確度量。此外，不同作戰分隊與各決策專家具有分布性，因此考慮依據不同位置、運行環境變化等情況實時調整服役狀態影響因素權值，使狀態評判結果更加準確。為此，利用多Agent 技術構建網絡環境下的智能狀態評判系統，通過多Agent 搜集裝備工作信息樣本、分析狀態變化數據，對服役狀態評判過程進行學習和修正，參考不同工作條件、工作強度等情況，合理調整服役狀態因素權值，并反饋至狀態評判系統。

4.2 狀態智能評判系統模型設計

根據系統優化設計的觀點［13］，多Agent 狀態智能評判系統結構如圖2 所示。

圖2 多Agent 狀態智能評判系統Fig.2 The multi-agent intelligent decision support system for service status

系統框架總體上由上至下分為3 層:用戶接口層、管理協作層、決策資源層。其中:用戶接口層包含GUI Agent;管理協作層包含管理協作Agent;決策資源層由模型管理Agent、模型執行Agent、權重管理Agent、知識管理Agent 組成。GUI Agent 負責為用戶提供界面友好的人機交互功能，在人機共存環境中主動、友好地將決策信息展示給頂層用戶;管理協作Agent 負責接收并處理客戶端提交的狀態評判請求，并協調其余Agent 進行系統維護和管理工作。此外，作為Agent 間的通信接口，定義了協作過程中的通信協議，負責上下層Agent 及底層Agent 間通信請求的接收、處理與響應，協同各Agent 以完成決策功能。構建獨立的Agent 完成協作任務可以降低Agent 自身復雜性，使協作更加靈活和易于操作;資源決策層中的模型管理Agent 負責模型庫的管理維護等工作，模型執行Agent 具體負責調用相應算法程序對任務進行計算和決策，權重管理Agent 存儲計算得到的權值數據并在必要時進行更新，知識管理Agent 負責知識庫的管理維護及知識推理等工作。

系統工作流程如下:初始階段由專家訪問服務器端的模型管理Agent，建立由影響裝備服役狀態的因素評估值構成的層次模型;當裝備保障人員發出確定裝備服役狀態請求時，管理協作Agent 對任務進行分解，由模型執行Agent 調用算法庫中前文構建的FAHP 模型算法程序執行計算，完成服役狀態的評判，管理協作Agent 將FAHP 方法所得因素權值計算結果存入權值庫，同時將狀態評判結果提交給請求者;裝備保障人員根據獲得的裝備服役狀態信息執行相應的保障策略。裝備運維人員在裝備運行過程中根據實際情況將信息反饋到知識庫，生成新的裝備部件狀態信息樣本和知識，知識管理Agent完成知識的獲取、處理和維護，根據實際情況調整影響裝備服役狀態因素的權值，進行知識學習，使狀態評判系統得到逐步完善。

在整個評判系統流程中，FAHP 控制決策信息的抽取和評判選擇，Agent 方法通過對各類決策資源進行操作和管理，描述一個完整的評判決策過程，完成智能狀態評判。

系統開發基于Windows XP 操作系統和C ++Builder 6.0 集成開發環境，用SQL SERVER 2005 存儲模型庫、算法庫、權值庫和知識庫等各類決策資源，利用COM/DCOM 組件技術實現Agent 間異步通信、方法調用等問題。將各Agent 設計為COM 組件對象的形式存儲在Server 端，Client 端發出組件創建請求后，Server 端響應并創建組件對象實例予以返回，使Client 能調用該Agent 的所有資源。用消息傳遞的方式實現Agent 間的通信。

5 結論

針對ECM 裝備保障現狀，提出了一種基于FAHP 的多Agent 狀態智能決策方法。建立ECM 裝備服役狀態影響因素的層次模型，基于三角模糊數對因素權重進行FAHP，利用最大隸屬度原則綜合評判裝備服役狀態。在此基礎上，研究了狀態評判系統中引入Agent 技術的適用性，結合多Agent 機制設計狀態智能評判系統，通過模塊間協作，將專家知識和裝備運維人員的反饋信息進行綜合、修正，實現知識的逐步更新，提高系統的判定能力。方法借助模糊理論充分發揮領域專家的作用，改善了裝備運行數據缺乏導致保障計劃制訂困難的問題。下一步研究工作將結合殘缺裝備運行數據，對領域專家的群組決策一致性進行深入分析，進一步降低主觀隨意性對狀態評判結果的影響。

References)

［1］Moon S，Simpson A，Hicks C. The development of a classification model for predicting the performance of forecasting methods for naval spare parts demand［J］. International Journal of Production Economics，2013，143(2):449 -454.

［2］Bacchetti A，Saccani N. Spare parts classification and demand forecasting for stock control:Investigating the gap between research and practice［J］. Omega，2012，40(6):722 -737.

［3］翁華明.基于Agent 的裝備維修保障決策研究［D］.長沙:國防科學技術大學，2005.WENG Hua-ming. Research on Agent-based equipment maintenance support decision［D］. Changsha:National University of Defense Technology，2005. (in Chinese)

［4］宋建社，曹小平，曹耀欽，等.裝備維修信息化工程［M］.北京:國防工業出版社，2005.SONG Jian-she，CAO Xiao-ping，CAO Yao-qin，et al. Equipment maintenance information engineering ［M］. Beijing:National Defense Industry Press，2005. (in Chinese)

［5］Molenaers A，Baets H，Pintelon L，et al. Criticality classification of spare parts:a case study［J］. International Journal of Production Economics，2012，140(2):570 -578.

［6］陳希祥，邱靜，劉冠軍. 基于層次分析法與模糊綜合評判的測試設備選擇方法研究［J］.兵工學報，2010，31(1):68 -73.CHEN Xi-xiang，QIU Jing，LIU Guan-jun. Research on the method of test-equipment selection based on analytic hierarchy process and fuzzy comprehensive assessment ［J］. Acta Armamentarii，2010，31(1):68 -73. (in Chinese)

［7］Subramanian N，Ramanathan R. A review of applications of analytic hierarchy process in operations management ［J］.International Journal of Production Economics，2012，138(2):215 -241.

［8］司書賓，孫樹棟，韓光臣，等.基于三角模糊數的綜合保障評價指標權重分析［J］. 西北工業大學學報，2004，22(6):689 -693.SI Shu-bin，SUN Shu-dong，HAN Guang-chen，et al. A weighted analysis of an integrated logistics support based on triangular fuzzy number［J］. Journal of Northwestern Polytechnical University，2004，22(6):689 -693. (in Chinese)

［9］蔣蘋，何清華，王奕.基于模糊層次分析的柴油機智能故障診斷［J］.中國工程機械學報，2009，7(1):86 -91.JIANG Ping，HE Qing-hua，WANG Yi. Fuzzy AHP-based intelligent fault diagnosis for diesel engine［J］. Chinese Journal of Construction Machinery，2009，7(1):86 -91. (in Chinese)

［10］龔艷冰，陳森發.三角模糊數互補判斷矩陣的一種排序方法［J］.模糊系統與數學，2008，22(1):127 -131.GONG Yan-bing，CHEN Sen-fa. A method for priority of triangular fuzzy number complementary judgment matrix ［J］.Fuzzy System and Mathematics，2008，22(1):127 - 131. (in Chinese)

［11］陳迎春.基于多Agent 的智能決策支持系統［J］. 合肥工業大學學報，2003，17(6):174 -178.CHEN Ying-chun. Intelligent decision support system based on multi-Agent ［J］. Journal of Hefei University of Technology，2003，17(6):174 -178. (in Chinese)

［12］曾慶華，傅凝.基于多Agent 的智能決策生成系統研究［J］.系統仿真學報，2005，17(11):2818 -2836.ZENG Qing-hua，FU Ning. Research onintelligent decision making system based on multi-Agent systems ［J］. Journal of System Simulation，2005，17(11):2818 -2836. (in Chinese)

［13］MAI Lyu-bo. Design method of weapon optimum development based on standardization theory［J］. Defence Technology，2013，9(3):140 -145.