裝備保障備件需求預(yù)測算法*

康警予，陳忠，劉延杰，蔡駿，王暉

(1.陸軍裝甲兵學(xué)院 演訓(xùn)中心，北京 100072；2.中國電子科技集團(tuán)公司 第二十八研究所，江蘇 南京 210007)

0 引言

隨著我國綜合國力的提高以及海外利益的擴(kuò)展，為了維護(hù)正常的國際政治、經(jīng)濟(jì)秩序和國家利益，我國必將加強(qiáng)在國際事務(wù)中的影響力，強(qiáng)化維和任務(wù)的投入。鑒于維和地域形勢需求及環(huán)境條件，維和任務(wù)量大、地域廣、裝備使用強(qiáng)度高，任務(wù)區(qū)域大多經(jīng)濟(jì)落后、交通基礎(chǔ)差和資源匱乏。經(jīng)濟(jì)落后造成執(zhí)行任務(wù)時(shí)所需施工材料就地供應(yīng)困難，路網(wǎng)條件及交通基礎(chǔ)設(shè)施差造成巡邏和運(yùn)輸困難，資源匱乏使物資就地采購補(bǔ)給困難，這些都給執(zhí)行維和任務(wù)及維修保障帶來極大困難。為了順利執(zhí)行維和任務(wù)，使維和裝備處于良好的工作狀態(tài)，必須有充足的維和裝備保障配件。裝備保障配件預(yù)測在境外作戰(zhàn)條件下顯得更加關(guān)鍵。

在需求預(yù)測方面，早期算法主要是層次分析法、回歸算法等，由于是線性類算法，精度不高[1-2]。文獻(xiàn)[3-5]已經(jīng)將神經(jīng)網(wǎng)絡(luò)相關(guān)方法與裝備保障預(yù)測進(jìn)行結(jié)合起來，提出了一些有意義的想法，但這些算法運(yùn)行時(shí)間長、容易陷入局部最優(yōu)化，且在建模方面并沒有將境外相關(guān)重要影響因素考慮進(jìn)去。粒子群優(yōu)化算法(particle swarm optimization，PSO)是基于群體智能的一種優(yōu)化方法，能夠解決局部最優(yōu)的問題，已經(jīng)得到廣泛應(yīng)用[6-7]。本文提出一種將PSO與BP(back propagation)神經(jīng)網(wǎng)絡(luò)相結(jié)合的PSO-BP神經(jīng)網(wǎng)絡(luò)算法(PSO-based BP neural network，PSO-BP)，能夠解決目前算法中存在的相關(guān)問題，同時(shí)，將境外作業(yè)相關(guān)定性因素進(jìn)行量化建模分析，綜合解決境外裝備保障備件需求預(yù)測難題。

1 維和裝備保障需求預(yù)測依據(jù)

組織實(shí)施任何維和裝備保障，首先要明確保障任務(wù)、保障場景、保障目標(biāo)、保障模式、保障內(nèi)容、保障數(shù)量、保障時(shí)間、保障空間等問題，才能進(jìn)行需求預(yù)測。本文深入探討并準(zhǔn)確回答這一問題，有利于深化、細(xì)化影響和制約維和裝備保障需求的各種具體因素，為后續(xù)數(shù)據(jù)化維和裝備類型、裝備數(shù)量、裝備輸送、保障力量部署提供可靠的輸入。

1.1 維和任務(wù)

沒有維和任務(wù)就沒有維和裝備保障需求。因此，維和任務(wù)是維和裝備需求預(yù)測的基礎(chǔ)依據(jù)。

(1) 維和任務(wù)類型

面對不同的維和任務(wù)類型，維和裝備保障會(huì)面臨不同的需求。執(zhí)行基建維和任務(wù)需要更多的工程裝備和技術(shù)人員，執(zhí)行人道救援維和任務(wù)需要更多的食品醫(yī)療物資與醫(yī)療人員，執(zhí)行打擊恐怖襲擊的維穩(wěn)任務(wù)需要更多的武器裝備與作戰(zhàn)人員。為使維和裝備保障與維和任務(wù)保持同步，對維和裝備、人員、指揮機(jī)構(gòu)提出不同的要求。

(2) 維和任務(wù)編成

維和任務(wù)編成，根據(jù)任務(wù)需要，從各個(gè)部隊(duì)中選取相應(yīng)人員與裝備，進(jìn)行訓(xùn)練。投入任務(wù)的力量規(guī)模與科技含量，即投入人員多少與技能水平、裝備的多少與技術(shù)含量。如果人員技能水平高，裝備技術(shù)含量高、功能強(qiáng)大，投入維和任務(wù)的人員、裝備數(shù)量不多，也可以較好地完成維和任務(wù)。

(3) 維和任務(wù)環(huán)境

維和任務(wù)環(huán)境是指維和行動(dòng)的空間，包括社會(huì)(人文)環(huán)境和自然環(huán)境。社會(huì)環(huán)境一般包括政治環(huán)境、經(jīng)濟(jì)水平、社會(huì)發(fā)展、宗教信仰等；自然環(huán)境包括地理、氣候、物產(chǎn)等信息。一般來說，自然環(huán)境對維和裝備保障需求的影響更大些，當(dāng)然社會(huì)環(huán)境，尤其是交通狀況、社會(huì)穩(wěn)定對維和裝備保障需求的影響也極為重要。一般情況下，在其他條件相似的情況下，維和裝備在自然環(huán)境好的地方比高溫、高濕等地方故障率、損壞率更低，在交通便捷的地區(qū)比交通差的地區(qū)支援保障更加快捷。

1.2 保障構(gòu)想

維和裝備保障構(gòu)想對維和裝備保障需求的影響相對小一些，但對維和保障人員、維和裝備、物資等的關(guān)系比較大。維和裝備保障構(gòu)想主要受到不同維和人員和不同行動(dòng)方式等條件的制約。維和部隊(duì)各種行動(dòng)的實(shí)施與實(shí)現(xiàn)所采取的對策、措施、方式等也是不同的。部隊(duì)在不同行動(dòng)、不同階段、不同時(shí)節(jié)，其維和裝備保障方式亦不同，動(dòng)用或所依賴的維和裝備也不一樣，進(jìn)而對維和保障人員素質(zhì)的要求也有區(qū)別。就是說，有什么樣的維和任務(wù)，就有什么樣的維和保障方式；有什么樣的維和保障方式，就需要特定的維和裝備、維和保障人員及維和保障指揮機(jī)構(gòu)。

2 維和裝備保障需求預(yù)測步驟

維和裝備保障需求預(yù)測步驟如圖1所示。

圖1 預(yù)測基本步驟Fig.1 Basic forecast steps

(1) 確定預(yù)測維和裝備保障需求目標(biāo)

維和裝備保障需求預(yù)測是為了完成維和任務(wù)，所以要根據(jù)維和任務(wù)的要求去確定預(yù)測的目標(biāo)，如：工程設(shè)備備件、醫(yī)療設(shè)備備件、武器彈藥等。根據(jù)維和裝備保障需求發(fā)展的趨勢，通過BP神經(jīng)網(wǎng)絡(luò)等技術(shù)，預(yù)測出相應(yīng)裝備備件需求量的變化。因此，當(dāng)對維和裝備保障需求的發(fā)展變化進(jìn)行預(yù)測時(shí)，首先要了解維和任務(wù)需求，進(jìn)行預(yù)測。

(2) 收集、處理資料

根據(jù)維和裝備保障備件預(yù)測的問題要求，采集、處理各類所需的資料、數(shù)據(jù)，特別是維和裝備保障需求的歷史資料，以及各種影響預(yù)測的因素。

(3) 選擇維和裝備保障需求預(yù)測技術(shù)

需求預(yù)測技術(shù)的種類很多，如Bayesian法、Croston法、加權(quán)需求率模型、加權(quán)回歸預(yù)測模型、加權(quán)移動(dòng)平均法等。但由于各方面條件的限制，根據(jù)準(zhǔn)確、經(jīng)濟(jì)、高效、方便的原則，滿足混合多變量(同時(shí)存在多個(gè)定量和定性參數(shù))需求預(yù)測，合理地選擇預(yù)測技術(shù)，如通過粒子群優(yōu)化算法，將多變量簡化為單個(gè)子問題，實(shí)現(xiàn)高效精確的預(yù)測；通過one-hot encoding，dummy enconding或者factorize都可以將定性特征轉(zhuǎn)化為定量特征，進(jìn)行維和裝備保障備件預(yù)測。

(4) 建立維和裝備保障需求預(yù)測模型

維和裝備保障備件需求預(yù)測模型可以對保障需求發(fā)展規(guī)律進(jìn)行近似模擬。當(dāng)搜集充足的歷史數(shù)據(jù)后，采用相應(yīng)技術(shù)處理，構(gòu)建預(yù)測模型，描繪備件需求發(fā)展規(guī)律。

(5) 利用維和裝備保障需求預(yù)測模型開展需求預(yù)測

根據(jù)當(dāng)前的需求數(shù)據(jù)和預(yù)測模型，計(jì)算未來的保障需求。這種計(jì)算是建立在已有的規(guī)律上，而且在短時(shí)間內(nèi)的發(fā)展規(guī)律不會(huì)發(fā)生大的變化。

(6) 分析預(yù)測結(jié)果、評價(jià)模型

維和裝備保障需求預(yù)測模型反映的是保障需求發(fā)展規(guī)律。利用維和裝備保障需求預(yù)測模型進(jìn)行預(yù)測，得到的預(yù)測結(jié)果與實(shí)際結(jié)果并不是完全相符。因?yàn)轭A(yù)測模型只是近似模擬，不同預(yù)測模型之間存在差異，再選取表現(xiàn)較好的模型。通過分析實(shí)際與預(yù)測情況之間的差異，評價(jià)預(yù)測模型。

3 維和裝備保障預(yù)測模型

維和裝備保障預(yù)測結(jié)果的準(zhǔn)確性，不僅與歷史資料數(shù)據(jù)有關(guān)，而且預(yù)測模型也發(fā)揮著至關(guān)重要的作用。因歷史數(shù)據(jù)少，維和裝備保障預(yù)測是一種小樣本條件下的預(yù)測，預(yù)測模型對預(yù)測結(jié)果的作用尤為凸顯。因此，需要采用BP神經(jīng)網(wǎng)絡(luò)對小樣本數(shù)據(jù)進(jìn)行訓(xùn)練，粒子群優(yōu)化算法簡化學(xué)習(xí)代價(jià)。

BP神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡單、非線性映射能力強(qiáng)、自學(xué)習(xí)能力好等優(yōu)點(diǎn)[8-11]。其采用梯度下降算法，使用訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，從而實(shí)現(xiàn)誤差平方最小化[12]，但是在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的情況下，則會(huì)遇到運(yùn)行時(shí)間長，陷入局部最優(yōu)等問題[13-14]。

粒子群優(yōu)化算法(PSO)是基于群體智能的方法開展模型訓(xùn)練，能夠解決局部最優(yōu)的問題。因此，本文提出一種將PSO與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的PSO-BP神經(jīng)網(wǎng)絡(luò)算法，可以較快地完成學(xué)習(xí)。具體流程：首先，根據(jù)維和裝備保障特點(diǎn)，選取特征變量；然后，將數(shù)據(jù)中選取的特征變量進(jìn)行處理；最后，通過粒子群優(yōu)化算法處理BP神經(jīng)網(wǎng)絡(luò)中的連接權(quán)值和閾值，不斷迭代，獲取最優(yōu)解，從而建立PSO-BP神經(jīng)網(wǎng)絡(luò)算法模型。通過PSO-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建維和裝備保障預(yù)測模型，與其他傳統(tǒng)的方法相比，能夠較好地避免局部最優(yōu)問題，可以在更短時(shí)間內(nèi)獲取更準(zhǔn)確的預(yù)測結(jié)果。

3.1 變量選擇

維和任務(wù)遠(yuǎn)離本土，裝備故障頻發(fā)，裝備種類龐雜，環(huán)境復(fù)雜，影響維和裝備備件需求預(yù)測的因素較多，而且有些因素?zé)o法采用定量分析，只能進(jìn)行定性描述，需要采用相應(yīng)方法對定性描述變量轉(zhuǎn)化為定量值。

為了全面反應(yīng)裝備保障需求的重要影響因素，本文選取任務(wù)類型、人員數(shù)目、裝備種類、政治、經(jīng)濟(jì)、文化、氣候、保障構(gòu)想等18個(gè)相關(guān)變量構(gòu)建PSO-BP模型(表1)。由表1可以看出，18個(gè)變量分為維和任務(wù)、人員投入、裝備情況、社會(huì)因素、自然因素和保障構(gòu)想6個(gè)維度，全面、綜合地描述維和裝備保障的各種影響因素，以滿足維和裝備保障需求預(yù)測。

表1 模型變量Table 1 Model variables

維和任務(wù)分為任務(wù)類型和擔(dān)任角色，任務(wù)類型不同對備件需求也會(huì)存在差異，比如基礎(chǔ)設(shè)施建設(shè)需要更多的工程設(shè)備，人道主義救援則需要食品醫(yī)療物資。而維和任務(wù)有些需要多國聯(lián)合組織，每個(gè)國家在維和任務(wù)中擔(dān)任不同的角色，若需要擔(dān)任主要角色，則需要更完備的保障。

人員投入也會(huì)影響到備件需求，不同的人員數(shù)目，則會(huì)有不同的物資保障需求。人員的技能水平也會(huì)影響設(shè)備保障情況，技能水平越高，相關(guān)工程設(shè)備完成相同的任務(wù)，損耗越小，需要的備件越少。

裝備情況對備件預(yù)測影響極大，主要從裝備種類、裝備數(shù)目和技術(shù)含量進(jìn)行分析。武器彈藥類的裝備屬于一次性的，而工程設(shè)施裝備則可以重復(fù)利用。裝備數(shù)量越多，技術(shù)含量越高，可以高效率地完成維和任務(wù)，則會(huì)減少備件消耗。

社會(huì)因素是執(zhí)行維和任務(wù)需要考慮的情況。穩(wěn)定的政治、良好的經(jīng)濟(jì)、繁榮的文化可以促進(jìn)維和任務(wù)的完成，避免備件的損耗。完善的工業(yè)基礎(chǔ)使部分備件可以就地獲取，減少備件需求。高水平的人口素質(zhì)可以得到當(dāng)?shù)氐娜藛T支持，減少維和人員配置。同時(shí)，發(fā)達(dá)的交通減少裝備損耗，降低備件需求。

自然因素可以從地形、氣候、資源方面進(jìn)行分析。復(fù)雜的地形、惡劣的氣候不僅會(huì)造成執(zhí)行任務(wù)困難，還會(huì)加劇裝備磨損，需要更多的備件保障需求。而貧瘠的資源無法就地獲取材料進(jìn)行補(bǔ)給，使備件保障需求增加。

保障構(gòu)想則是對最終保障效果的期望，當(dāng)期望越高時(shí)，則需要更多的備件才能完成高要求的維和任務(wù)。

3.2 數(shù)據(jù)來源及處理

本文研究數(shù)據(jù)來自維和任務(wù)的采集數(shù)據(jù)和不同地區(qū)的調(diào)查結(jié)果，數(shù)據(jù)采集為近幾次的維和任務(wù)。由于表1中存在一些定性指標(biāo)，表2將表1中一些定性指標(biāo)，通過定性描述，將其轉(zhuǎn)化為定量值。即表2中變量名稱與表1中定性指標(biāo)的變量名稱相對應(yīng)，并根據(jù)任務(wù)類型，進(jìn)行定性描述與詳細(xì)描述，給出相應(yīng)的定量值。

不同的因子變量，其參數(shù)的值域不同。此外，有些參數(shù)值越大，維和裝備保障壓力越大；有些參數(shù)值越小，維和裝備保障壓力越大。由于本文中所使用的激活函數(shù)為Sigmoid函數(shù)(值域?yàn)閇0，1])，因此，需要對數(shù)據(jù)進(jìn)行歸一化處理，將各參數(shù)映射到[0，1]的范圍內(nèi)，從而保證值越大，維和裝備保障需求越大。

Sigmoid函數(shù)有單極性Sigmoid函數(shù)和雙極性Sigmoid函數(shù)2種，單極性Sigmoid函數(shù)為

(1)

雙極性Sigmoid函數(shù)為

(2)

表2 各類定性參數(shù)的定量處理Table 2 Quantitative treatment of various qualitative parameters

式中：x為相應(yīng)輸入?yún)?shù)。采用最大最小變換法對不同參數(shù)進(jìn)行歸一化處理[15]。對于值越大保障壓力越大的指標(biāo)(x1,x2,x3,x5,x6,x18)采用式(3)進(jìn)行歸一化：

(3)

對于值越大保障壓力越小的指標(biāo)(x4,x7,x8,x9,x10,x11,x12,x13,x14,x15,x16,x17)采用式(4)進(jìn)行歸一化：

(4)

式中：y為歸一化處理后的數(shù)值；x為某一參數(shù)的原始值；xmax為該參數(shù)所有可能值中的最大值；xmin為最小值。

3.3 粒子群優(yōu)化算法

在本文中，定義，由n個(gè)粒子構(gòu)成的d維空間用種群x=(x1,x2,…,xn)來表示，粒子i的速度表示為vi=(vi1,vi2,…,vid)T，位置表示為xi=(xi1,xi2,…,xid)T，其中i=1,2,…,n；粒子i到當(dāng)前迭代為止搜索的最優(yōu)位置記作pi=(pi1,pi2,…,pid)T?；谇懊娴淖顑?yōu)位置，粒子i的狀態(tài)可以通過下式更新：

vid(t+1)=w(t)vid(t)+c1r1(pid-xid(t))+
c2r2(pid-xid(t))，

(5)

xid(t+1)=xid(t)+vid(t+1)，

(6)

(7)

(8)

式中:w(t)為慣性權(quán)重因子；c1和c2為加速常數(shù)；t為迭代次數(shù)；Tmax為最大迭代次數(shù)。

粒子i的速度在d維的速度為vid，超出邊界值[-vmax,vmax]，則會(huì)被限定在最大速度，其中正負(fù)為方向。當(dāng)vid速度大于vmax，|vid|≥vmax分為2種情況，即方向?yàn)檎齰id≥vmax，則vid=vmax;方向?yàn)樨?fù)vid≤-vmax，則vid=-vmax。vid速度小于vmax，則在限定范圍內(nèi)|vid|

3.4 PSO-BP模型構(gòu)建過程

基于PSO-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建過程如圖2所示。

圖2 基于PSO-BP神經(jīng)網(wǎng)絡(luò)模型建立流程圖Fig.2 Flow chart based on PSO-BP neural network model

首先，確定BP網(wǎng)絡(luò)結(jié)構(gòu)，初始化粒子在總體的速度和位置，對輸入數(shù)據(jù)進(jìn)行歸一化處理，并初始化神經(jīng)網(wǎng)絡(luò)的權(quán)重，訓(xùn)練網(wǎng)絡(luò)并將誤差作為粒子的適應(yīng)度，選擇個(gè)體最優(yōu)位置作為全局最優(yōu)位置。根據(jù)式(1),(2)計(jì)算粒子的位置和速度，然后計(jì)算每個(gè)粒子的適應(yīng)度，以及每個(gè)粒子的最好位置pbest所對應(yīng)的適應(yīng)度，選擇適應(yīng)度最小的粒子位置作為pbest，比較每個(gè)粒子的適應(yīng)度與種群所經(jīng)歷過最好位置的適應(yīng)度，選擇適應(yīng)度更小的作為gbest，檢查是否達(dá)到全局最優(yōu)位置或達(dá)到最大迭代次數(shù)；若未達(dá)到預(yù)設(shè)條件，則繼續(xù)更新，重新調(diào)整粒子速度和位置；如果能夠達(dá)到前面設(shè)置的條件，則停止更新，輸出相應(yīng)的值作為BP神經(jīng)網(wǎng)絡(luò)初始值，再完成整個(gè)網(wǎng)絡(luò)的訓(xùn)練和數(shù)據(jù)預(yù)測。

在整個(gè)流程中，持續(xù)迭代計(jì)算粒子群的速度和位置，獲得與最優(yōu)解接近的值，建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)。定義粒子適應(yīng)度值為

(9)

式中：yi為樣本i的觀測值；ti為樣本i的預(yù)測值；N為樣本數(shù)量；abs為取絕對值函數(shù)。

通過本文提出的粒子群優(yōu)化算法，不斷更新迭代，在前后誤差低于一定水平或者運(yùn)行次數(shù)到達(dá)一定次數(shù)后，可認(rèn)為得到系統(tǒng)所需的最優(yōu)連接權(quán)值和閾值，建立神經(jīng)網(wǎng)絡(luò)模型。

3.5 模型驗(yàn)證

本實(shí)驗(yàn)主要從維和任務(wù)、人員投入、裝備情況、社會(huì)因素、自然因素、保障構(gòu)想6個(gè)維度考慮，通過對應(yīng)的18個(gè)變量進(jìn)行分析。其中，任務(wù)類型x1、擔(dān)任角色x2、技能水平x4、技術(shù)含量x7、可靠性x8、政治x9、經(jīng)濟(jì)x10、文化x11、工業(yè)基礎(chǔ)x12、人口素質(zhì)x13、交通x14、地形x15、氣候x16、資源x17和保障構(gòu)想x18為定性變量，可根據(jù)表2中的定量處理，取值滿足表2的約束即可。人員數(shù)目x3、裝備種類x5、裝備數(shù)目x6為定量變量，取值應(yīng)為正整數(shù)。已執(zhí)行維和任務(wù)中備件消耗量如表3所示。

表3 PSO-BP模型訓(xùn)練數(shù)據(jù)集Table 3 PSO-BP model training data set

將表3中的變量參數(shù)作為輸入變量，備件作為輸出變量，引入到PSO-BP神經(jīng)網(wǎng)絡(luò)模型，運(yùn)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的newff命令對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，學(xué)習(xí)速率取0.1，通過編程計(jì)算出網(wǎng)絡(luò)輸出，即可得預(yù)測值，如表4所示。

表4 PSO-BP模型預(yù)測結(jié)果

通過表4可以發(fā)現(xiàn)，通過PSO-BP模型，根據(jù)歷史數(shù)據(jù)預(yù)測維和裝備保障備件需求，預(yù)測結(jié)果與實(shí)際值接近，該預(yù)測模型具有較好的表現(xiàn)。同時(shí)結(jié)合表3，維和裝備保障備件需求與任務(wù)類型、擔(dān)任角色、設(shè)備可靠性，以及當(dāng)?shù)氐墓I(yè)基礎(chǔ)聯(lián)系較為密切。若負(fù)責(zé)基礎(chǔ)設(shè)施建設(shè)對工程設(shè)施備件消耗更多，負(fù)責(zé)反恐則需要更多的武器彈藥。擔(dān)任角色極為重要，因?yàn)橹鲗?dǎo)地位不同，負(fù)責(zé)的任務(wù)多少也存在差異。與此同時(shí)，設(shè)備越可靠，完成相同的任務(wù)，需求的備件越少，可靠性就地保障對需求預(yù)測也有很大影響。當(dāng)?shù)毓I(yè)基礎(chǔ)也是一個(gè)重要參考因素，若工業(yè)基礎(chǔ)完善，很多備件可以及時(shí)獲得，無需事先準(zhǔn)備大量備件庫存。

4 結(jié)束語

本文根據(jù)維和任務(wù)的具體情況，確定維和任務(wù)、人員投入、裝備情況、社會(huì)因素、自然因素和保障構(gòu)想中18個(gè)相關(guān)因子作為預(yù)測參數(shù)，基于PSO-BP神經(jīng)網(wǎng)絡(luò)建立了維和裝備保障預(yù)測模型，運(yùn)用Matlab軟件，研究了預(yù)測原型系統(tǒng)。仿真表明，預(yù)測模型能夠較好地分析維和裝備保障相關(guān)因素的數(shù)據(jù)，較為準(zhǔn)確地預(yù)測裝備保障備件需求。隨著維和任務(wù)的不斷執(zhí)行，在獲取更多的數(shù)據(jù)后，持續(xù)優(yōu)化本文算法，能夠進(jìn)一步提高預(yù)測性能。