作战任务层次化分解方法

杜伟伟， 陈小伟

(1.北京理工大学 机电学院， 北京 100081； 2.北方自动控制技术研究所， 山西 太原 030006；3.北京理工大学 爆炸科学与技术国家重点实验室， 北京 100081； 4.北京理工大学 前沿交叉科学研究院， 北京 100081)

0 引言

在作战任务规划领域，任务分解是指根据敌情、我情和战场环境等因素，将上级赋予的总体作战任务细化分解成若干具体、明确且相互关联的子任务。其目的在于通过对作战全过程行动序列的优化设计，实现兵力、火力、时间、空间等资源的优化运用和作战效果的最大化。任务分解的合理性及总体效能，直接影响作战力量整体部署和体系作战效能的发挥。目前，作战任务分解主要依靠指挥员的主观经验，缺少有效的辅助决策手段支撑，难以满足联合作战条件下敏捷、高效作战设计的需求，因此迫切需要对任务分解辅助决策框架及模型进行深入研究。

任务分解本质上是一个基于军事规则的复杂多约束运筹问题，目前相关研究主要集中在层次任务网络(HTN)等智能规划方法方面。HTN方法通过引入领域知识，可模拟领域专家的思维方式，并且能够较好地描述任务关系[1-2]，在平台级任务规划[3-5]方面得到广泛应用。在传统HTN方法的基础上，范韬[6]引入非功能属性的效用值用于缩小规划空间，生成应用于云制造的多套方案。在作战指控领域，李晶晶[7]针对应急行动方案的制定，设计了资源增强型HTN规划方法，用于评估任务分解后分支任务的优劣，从而优化了行动方案的资源使用。王伟等[8]采用任务聚合的理念对任务分解进行了优化。

在作战任务分解领域，当前研究主要存在以下不足和局限：1)作战任务描述方法不统一，缺乏标准统一的作战任务描述框架，且对作战任务之间的关系描述不充分；2)HTN规划等方法寻优能力不足，当搜索到一种可用方法用以生成可行解时就停止继续搜索其他可用方法，难以得到最优分解方案；3)以HTN规划为代表的方法未考虑多方案筛选，当采用多种方法生成多套分解方案时，缺乏对多套方案的评估、筛选与优化，且难以处理子任务之间的冲突。

本文首先面向作战任务分解的全业务过程构建了作战任务分解框架，牵引出任务规范化描述、任务分解建模、任务分解算法等需要具体解决的问题，然后逐一进行分析说明，最后结合具体任务场景对本文方法进行了定性和定量实验分析，验证该方法的可行性。

1 作战任务分解框架

1.1 作战任务分解的复杂性

作战任务分解需要考虑的客观因素多、受影响因素多、与采取的战术战法等相关，因此是一项复杂的业务处理活动。通过深入分析实际作战指挥决策过程，任务分解面临的难点主要包括以下3个方面：

1)作战场景要素多且影响任务分解方案。敌兵力部署、作战企图以及气候、地形、电磁环境等诸多因素都直接影响任务分解结果，且各个要素对分解结果的影响关系复杂，各不相同。

2)作战任务多样且关联关系复杂。在目前联合作战、合同作战背景下，作战进程中存在不同种类、不同层次的多样化任务，且任务之间存在时序、逻辑等多种关系，多任务之间的关系网络复杂，传统方法难以对任务间的关系和效果进行有效建模。

3)可行分解方案多且难以优选。目前作战力量呈现出多能特点，每种任务均可以通过多种力量或多种力量组合使用等多手段达成，再将时间、空间因素考虑进来，使得可行的分解方案爆炸式增长，靠指挥员很难决策优选出最优案。

1.2 作战任务分解框架

针对作战任务多样且关联关系复杂的难点，本文拟通过对作战任务进行规范化描述来支撑解决；针对作战场景要素多且影响任务分解方案、可行分解方案多且难以优选的难点，本文拟通过构建任务分解模型、设计任务分解算法和多方案优选算法来综合解决。在上述解决思路下，本文建立了一种通用的作战任务分解框架，如图1所示。

图1 作战任务分解框架Fig.1 Operational task decomposition framework

在图1中，首先对作战任务进行规范化描述，描述任务中的各个要素并让计算机能够自动识别，同时建立起任务之间的关系描述，以便支撑后续任务分解；然后综合考虑任务场景和领域知识，建立任务分解模型，并设计任务分解算法，对该模型进行优化求解，得到多套任务分解方案；最后对多套方案进行评估优选，输出最优任务网络，解决多方案生成及优选难题。在该框架中，需要重点关注以下4个方面的因素：

1)任务规范化描述，建立对多样化作战任务以及任务关系的通用化、规范化描述，是支撑生成任务网络和任务时序的前提。

2)任务分解建模，重点是任务场景建模和领域知识构建，任务场景建模主要建立对敌部署、敌企图、地形、战场环境等复杂任务场景要素及战场情况的通用化、定量描述，是实现任务实例化的基本条件；领域知识主要建立对分解规则、任务模板等内容的描述，是实现具体任务分解、适应复杂战场情况的关键。

3)任务分解算法，针对任务分解模型设计具体的分解算法，实现对总体任务的分解细化，是生成多套任务分解方案的关键。

4)多方案优选综合，建立适合的优选原则，典型原则包括效益最大、损耗最小等，是实现多方案选择和优化的基础。

2 基于5W理论的任务规范化描述方法

对作战任务进行规范化描述是借助信息系统开展任务分解的一项基础性工作，主要是对任务要素和任务关系进行规范化、格式化描述，其基本要求是全面、量化、通用性强。全面是指要尽可能全面覆盖影响任务分解的各个要素，量化是指描述方法要尽可能量化，通用性强是指能够尽可能适合所有类型的作战任务描述。然而当前相关描述方法主要针对特殊场景[9]进行定量描述[10-11]，不具备通用性，无法满足作战任务分解推理及优化的需求。针对这一不足，本文引入5W理论对作战任务进行了规范化描述，实现对任务要素及复杂关系的全面、定量、规范描述。

2.1 作战任务的5W要素规范化描述

依据任务式指挥理论，作战任务可通过5个W，即What(任务类型)、When(任务时间)、Where(任务空间)、Who(作战力量)、Why(任务指标)5项要素进行规范化描述，因此作战任务的规范化描述可表示为

Td=〈Ttype，Ttime，Tspace，Tforce，Tindex〉，

(1)

式中：Ttype为任务类型；Ttime为任务时间；Tspace为任务空间；Tforce为作战力量编成；Tindex为任务指标。

2.1.1Ttype规范化描述

Ttype是对作战样式、作战手段等的区分，直接决定了可采用的作战方法，将其规范化描述为

Ttype=〈ptype，pname，pid〉，

(2)

式中：ptype为类型名称；pname为任务名称；pid为任务编号，是区分任务的唯一标识。任务类型ptype的确定主要依据作战任务清单，通常要能够反映任务层级、力量主体、要素、性质、战场特点等信息；pname就是对某个作战任务的具体描述，例如联合火力打击任务、地面突击任务、机动投送任务等。

2.1.2Ttime规范化描述

Ttime是指与任务准备和执行相关的一系列时间，决定了任务持续时间及任务间的时序关系，将其规范化描述为

Ttime=〈tsta，tend，tpre，tbat〉，

(3)

式中：tsta为任务开始时间；tend为任务结束时间；tpre为任务准备时间；tbat为作战发起时间。其中tsta、tend、tbat为时间点；tpre为时间段。

2.1.3Tspace规范化描述

Tspace是指交战发生的主要空间和区域，决定了交战的范围，将其规范化描述为

Tspace=〈sland，socean，sair，sspa，sem，snet〉，

(4)

式中：sland、socean、sair、sspa、sem、snet分别为陆、海、空、天、电、网各个空间的作战区域。

2.1.4Tforce规范化描述

Tforce是投入作战的兵力及编成关系，决定了可使用的作战资源，由人员和武器装备两部分构成，将其用4要素进行规范化描述：

Tforce=〈fsort，fscale，fwea，frel，fdep〉，

(5)

式中：fsort为力量种类；fscale为力量规模；fwea为主要武器；frel为力量关系；fdep为力量部署信息。

2.1.5Tindex规范化描述

Tindex是任务要达成的目标状态，是任务分解的目标导向，将任务指标规范化描述为

Tindex=〈Itar，Idam，Iter，Ilen〉，

(6)

式中：Itar为任务目标，包括指挥控制类、兵力防守类、工事障碍类、综合保障类、武器装备类等多种任务目标；Idam为任务的毁伤参数要求；Iter为任务的控制地域幅度；Ilen为任务时长。

2.2 任务关系规范化描述

在一次作战过程中，任务之间存在着多种、复杂的关联关系[12]，可以说，对任务关系进行规范化描述是构建任务网络、组织任务协同的基本前提。目前对任务关系的定义主要集中在层次关系、时序关系[13]，不足以很好地表征战场上不同作战任务之间的多维联系，为此，本文着重扩展逻辑关系、功能关系，用以全面刻画任务联系，更好地支撑任务分解：

1)层次关系，表示父任务与子任务之间的关系；

2)时序关系，表示任务之间执行的先后顺序；

3)逻辑关系，表示任务之间的依赖关系；

4)功能关系，表示某任务执行情况对其他任务执行效果的影响关系。

因此，本文重点针对上述4种功能关系建立任务关系规范化描述方法。对于任务Ta和Tb，将二者之间的关系描述为

Rab=〈Rlevel，Rtorder，Rlogic，Rfun〉，

(7)

式中：Rlevel为层次关系，表示Ta和Tb存在父子关系；Rtorder为时序关系，表示Ta、Tb执行的先后顺序；Rlogic为逻辑关系，用and、or和not表示[3]，and表示Ta被成功执行后Tb才生效允许被执行，or表示Ta是否被成功执行不影响Tb的执行，not为非关系，表示Ta未被执行，Tb才允许被执行；Rfun为功能关系，包括促进关系、阻碍关系和依赖关系，促进关系即Ta对Tb的执行具有有利影响，阻碍关系即Ta对Tb的执行具有不利影响，依赖关系包括：1)信息依赖，即Tb的执行依赖于Ta输出信息的触发，2)效果依赖，即Tb的执行依赖于Ta达成作战效果，3)全依赖，即Tb的执行既依赖于Ta的触发也依赖于其效果。

2.3 任务网络与任务清单规范化描述

任务网络和任务清单是任务分解输出的两个重要成果，任务清单侧重对任务分解结果的静态呈现，任务网络侧重对任务之间各种关系的呈现。因此，这两个产品的规范化描述，完全可以在作战任务和任务关系规范化描述的基础上通过聚合实现。

任务清单是对作战任务的集合，因此可将其描述为

L=〈T1，T2，T3，…，Ti，…，Tn〉，

(8)

式中：Ti为第i个已规范化描述的作战任务；n为作战任务数。

任务网络是在任务清单的基础上扩充了任务关系，因此可将其描述为一个二元组：

W=〈L，R〉，

(9)

式中：R为任务关系集合。W即可描述由复合任务分解到原子任务的全过程及其分解结果。

3 任务分解过程建模

作战任务分解过程受到复杂多变战场环境和任务分解规则领域知识的双重约束。整个分解过程可以看作是针对特定的作战任务场景E，基于任务分解方法、任务关系、任务模板等领域知识D进行推理和评估优化，逐步实现对任务网络W实例化的过程。

为了实现这一过程，可将任务分解问题转换为如下一个三元组的推理与优化问题：

P=〈E，W，D〉，

(10)

即基于任务场景E、领域知识D，并结合具体的算法，实现逐步推理、优化、生成W.考虑拟采用推理方法实现任务分解，因此本节首先采用本体[14]理念进行任务场景E、领域知识D的建模，在第4节设计具体分解算法。

3.1 任务场景E建模

作战任务与作战场景相关，作战场景的变化会带来作战任务的调整，作战方案的确定需要综合考虑战场中面临的敌情、战场环境等信息。因此，需要对任务场景进行描述，通过描述模型能够直观表征任务场景，以便于有效直接支撑开展作战任务分解。目前尚未有可借鉴的任务场景建模相关成果，本文主要考虑会直接影响作战任务分解的敌情信息、地形信息、战场环境等主要因素对任务场景进行建模，其中，敌情信息重点考虑敌部署和敌企图。

借鉴任务规范化描述方法，将任务场景描述为

E=〈Edeploy，Eattempt，Eterrain，Eenviron〉，

(11)

式中：Edeploy为敌部署，包括敌兵力及其位置信息；Eattempt为敌企图，描述方法同任务指标；Eterrain为区域内的地形信息；Eenviron为战场环境，包括人工环境、自然环境、社会环境等。

考虑到任务场景要素繁多，且多数要素之间存在着复杂的多维关系，因此本文引入本体构建任务场景描述模型，将场景要素抽象定义为不同本体，并建立本体之间的相关关系，主要包括影响、使用、互斥、协同等关系，进而构建任务场景知识图谱，实现知识推理[15]，支撑任务分解。由于任务场景要素众多，限于篇幅，本文结合部分典型的场景要素及本体关系给出任务场景描述的示意模型，如图2所示。

图2 任务场景描述模型示意图Fig.2 General combat scenarios modeling

根据场景要素对任务分解影响的重要程度不同，将其分为基础项Ebasic和参考项Erefer，即

E=〈Ebasic，Erefer〉，

(12)

式中：Ebasic是推理过程中必须满足的硬约束，必须满足；Erefer为软约束，主要用于对分解方案进行优化和优选。一般情况下，将地形信息Eterrain、敌部署Edeploy设定为基础项，敌企图Eattempt、战场环境Eenviron中的要素可以依据任务情况由人工设定基础项、参考项。

3.2 领域知识D

领域知识是对作战任务分解规则的总结及描述，用于支撑结合具体任务场景优选分解方法对作战任务进行分解，生成协调一致、可执行的子任务集。本文主要从任务分解方法、任务关系、任务模板3个方面构建领域知识，用一个三元组对其进行描述：

D=(Ms，Ts，R)，

(13)

式中：Ms为复合任务的分解方法集；Ts为任务模板集，用于任务的实例化操作。典型任务主要包括地面突击任务、火力打击任务、对空防御任务、机动投送任务、战场侦察任务、通信保障任务、工程保障任务、防化保障任务、弹药保障任务、后勤保障任务、装备保障任务等，任务类型支持扩展，按照2.2节对任务关系的定义，主要包括层次关系、时序关系、逻辑关系、功能关系。

以渡海登岛作战任务为例，典型领域知识如图3所示。

图3 领域知识域典型构成示意图Fig.3 Schematic diagram of knowledge domain composition

领域知识D用于作战任务分解的具体思路可以概括为：针对一个具体的作战任务，结合任务场景从任务分解方法集Ms中优选任务分解方法，用于执行任务分解操作；在此基础上读取任务模板集Ts中的具体任务模板，对子任务集中的每项子任务进行实例化处理，使得每项子任务能够可执行；通过R中事先确定的任务关系，明确各项子任务之间的执行时序，进而形成可行的任务分解方案。可见，Ms、Ts、R是任务分解所依赖的三类重要领域知识，三者之间相互衔接，分步骤一体支撑任务分解。

3.2.1Ms任务分解方法集

将任务分解方法集定义为

Ms={mse|se=1，2，…，tn}，

(14)

式中：mse为分解方法集中的子方法；tn为分解方法集中包含的方法数量。

在分解方法选取方面主要考虑基于任务进行“任务- 方法”匹配选取，匹配要素包括匹配基础项和参考项，令

mse(ok，A)，mse(ok，B)∈Ms，

(15)

式中：mse(ok，A)表示“任务- 方法”基础项匹配最优分解方法，ok表示存在匹配最优的方法，A为基础项匹配最优的标识；mse(ok，B)表示“任务- 方法”参考项匹配最优分解方法，B为参考项匹配最优的标识。最优分解方法设定为

mr0=〈mlist，mtNet，mfcon，mrcon，madd，mdel〉，

(16)

式中：mlist为子方法的参数列表，包括名称和属性；mtNet为预先制定的先验知识表征用子方法分解复合任务后生成的子任务集；mfcon为方法的约束条件；mrcon为关系的约束条件；madd、mdel分别为方法的增操作、删操作。

3.2.2Ts任务模板集

任务模板主要是支撑对任务进行实例化操作，待确定分解任务后，自动调用任务方法集中的合适方法进行分解操作，将分解得到的子任务通过匹配适合的任务模板进行实例化，使任务可以被有效执行，任务模板支持按需灵活扩展。

将任务模板集Ts表示为

Ts={tr|r=1，2，…，f}，

(17)

式中：tr为任务模板，

tr=〈Ttype，Tgoal，Tforce，Tacci，Trel〉，

(18)

Tgoal为任务目的；Tacci为战场突发情况以及情况处置预案；Trel为与此任务有关联的其他任务以及关联关系。

以渡海登岛中的抢滩登陆任务为例，任务模板要素定义如下：

1)任务类型Ttype.通过Ttype中的任务信息将方法集与任务模板相关联。

2)通过任务指标生成任务目的Tgoal.例如抢滩登陆任务的目的是压制敌火力并实现我方作战力量快速登岛。

3)通过作战力量Tforce确定部队和人员的分工安排。例如炮兵可担任掩护任务，使前沿突击力量快速通过敌炮火封锁。

4)对执行任务时可能遭遇情况Tacci进行分类。例如抢滩登陆可能会遭遇敌炮火封锁、遇到障碍物等情况，进而参照作战力量分工安排明确需要的兵力及武器种类及数量。

5)通过任务关联关系Trel确定任务的执行步骤。例如抢滩登陆任务的执行首先明确机动道路，然后确定部队分批、逐次行进，最后保证隐蔽安全登陆。

4 任务分解算法

第3节构建的任务场景和领域知识等任务分解过程模型是执行任务分解的基础，而具体的分解算法是实现任务自动分解的关键。本文将任务分解划分成生成初始任务网络、逐层分解任务、优选分解方案3个环节，依次解决初始化、多可行方案生成、执行方案优化的问题。

4.1 初始任务网络生成

对于受领的上级任务T，首先基于敌情、我情、战场环境等各种信息，建立三元组P=〈E，W′，D〉，将作战任务T、任务场景E与领域知识D进行匹配分析，然后基于逻辑规则进行推理，生成初始任务网络W′.初始任务网络的具体生成过程为，首先结合任务场景E从领域知识D中优选任务分解方法，用于执行任务T的分解操作，然后结合逻辑规则判断在任务场景E下分解后的各子任务是否满足可执行条件，将可执行的子任务存入W′.

逻辑规则是实现从已知事实推出未知知识的关键，规则用三元组(?xR?y)的形式构建，其中?x和?y表示一个实例或者类，R表示关系，通过规则建立任务环境类、作战任务类和自定义实例之间的联系实现推理。本文主要采用人工经验和逻辑推理相结合的方式设计典型规则，形成规则集，规则集支持可扩展，进而能够逐步支持不同的更多作战场景和作战任务，部分典型规则与释义如下：

规则1场景a影响任务b的执行情况，则有任务b受环境a的影响。

rule1:(?a rdf:influence ?b)
→(?b rdf:beinfluenced ?a).

规则2场景a满足任务b的执行条件，任务c是任务b的子任务，则有场景a满足任务c的执行条件。

rule2:(?a rdf:accord ?b),(?b rdf:involve ?c)
→(?a rdf:accord ?c).

规则3场景a影响任务b的执行情况，任务c是任务b的子任务，则有任务b受场景a影响同时任务c受场景a影响。

rule3:(?a rdf:influence ?b),(?b rdf:involve ?c)
→(?b rdf:beinfluenced ?a),
(?c rdf:beinfluenced ?a).

规则4当场景a中同时具备要素b和要素c，匹配任务d的场景关键要素必须同时包含要素b和要素c时，则在场景a下可以执行任务d.

rule4:
(?a rdf:subclassof ?b),(?a rdf:subclassof ?c),
(?d rdf:characteristic ?b),
(?d rdf:characteristic ?c)
→(?a rdf:accord ?d).

4.2 基于效用信息筛选的层次任务分解方法

在任务分解过程中，对于受领的复合任务，调用所有可行的方法进行分解；同时对复合子任务再次分解，直至分解结果全部是原子任务为止。由于作战力量和作战能力的多样性，对于同一复合任务可通过多种不同子任务的组合来达成任务指标，对于同一子任务可选择不同的作战力量执行。这将导致对同一作战任务存在多种任务分解方案，并且随着任务层数的增加，方案数量将呈现爆炸式增长。

针对这一问题，本文提出一种基于效用信息筛选的层次任务分解方法，以有效优选任务分解方案，合理降低方案数量。该方法的基本思想是，首先通过定义任务分解方案的质量和费用，计算得出分解方案中所有任务的整体效用信息[16]，然后利用得出的效用信息支撑对分解方法进行筛选，进而在控制分解方案数量的前提下，同时确保分解方案质量。

4.2.1 效用信息

对于每一个任务分解方案，分别定义质量Q和费用C，并通过对二者进行加权处理综合计算任务群的整体效用值U，在权重确定方面本文采用取相等权重值的简化处理方式。

质量Q反映整体任务的贡献率，可由品质累积函数q累积得出，q定义为复合任务Ts各个子节点的合成方法[1]，Q越大说明方案质量越高。

将复合任务Tc的子任务表示为Tcj，其中j=1，2，…，tnum，则Tc在t时刻的品质可表示为

(19)

式中：r为子任务的个数；q(Tcj，t)为t时刻执行子任务Tcj的质量效用。(19)式表明，Tc在t时刻的品质为t时刻执行任务Tcj的质量效用之和。

费用C反映了执行任务时的资源费用Cr和经济费用Ce.费用C要求在满足战场作战需求的情况下最小化，执行任务Tc的费用定义为

(20)

综上，综合定义任务分解方案的效用值为

(21)

式中：i为遍历复合作战任务的下标；k为所有复合任务的个数；Q(Tcj，t)为执行第j个复合任务的质量；C(Tcj，t)为执行第j个复合任务所消耗的费用。

效用值定量反映了使用某个分解方法得到的任务分解方案整体满意程度，可作为分解方法集筛选的重要标准条件。

4.2.2 分解方法筛选

本文着重针对目前采用任务分解方法单一的问题，研究解决如何合理选取多种分解方法同时用于任务分解。基本实现思路是通过任务约束条件等属性与分解方法约束条件等属性进行比对分析，基于属性对比一致性情况选取相应分解方法，同时为了限定选取的分解方法数量过多，通过引入效用信息并设定效用阈值来实现分解方法优选。

记从方法集M中选择的可用于复合任务Tc分解的所有方法保存在可执行方法集Ms中，筛选分解过程包括以下4个步骤：

1)将执行复合任务Tc的任务场景E的基础项Ebasic作为选取子分解方法mse的判断标准。假设每次筛选的分解方法为可执行方法，例如选择渡海登岛作战任务分解方法时，判断子分解方法mse中mfcon约束与E的Ebasic中是否存在一致项，若存在一致项，则说明mse可分解的复合任务基本作战样式与Ts一致，可以选取，使用madd操作将该方法加入Ms中；若不一致，则mse可分解的作战样式为不相关的作战任务，例如边境作战等，不进行选取。存在的一致项越多，说明选择的分解方法越适用于待分解任务。每分解一个任务，将一致项最多的分解方法标记为mse(ok，A)，存于可执行方法集Ms中。

2)依据子分解方法mse中是否存在子任务集，对可执行方法集Ms进行初步筛选。判断可执行方法集Ms子方法中的子任务集tNet是否为空，若为空，则分解方法为不可执行方法，使用方法中mdel操作将其从Ms中筛除。

3)引入4.2.1节中的效用信息用于度量分解方法，从满足度角度对可执行方法集Ms进行二次筛选。设定阈值λ，当U≥λ时，证明使用该方法分解得到的结果满足度符合要求，保留该分解方法；当U<λ时，使用mdel操作筛除该分解方法；当λ=0时，选择出的分解方法全部采用、执行。

4)将Es的参考项Erefer作为优选高符合度分解方法的重要依据。对E的参考项Erefer与方法的mrcon约束进行一致性分析，对可执行方法集Ms进行进一步优化筛选，以优选符合度高的分解方法，同时将参考项中一致项多的方法标记为最优方法mse(ok，B)。

4.3 多分解方案综合优化

采用多方法执行作战任务分解后，能够生成多套分解方案，任何一套方案均是可行案，均可以直接执行，但是，每套方案都是在符合一定战场条件下的分解结果，考虑战场情况存在诸多不确定的复杂特性，最终所选用的分解方案应尽可能地能够应对战场多种可能性，因此有必要对多套可行方案进行优化组合，得到考虑更加完善、适应更多条件约束的分解方案，以更好地适应战场各种不确定性。在考虑避免资源使用冲突的基础上，结合本文前面给出的任务关系，能够确保组合方案不存在资源占用冲突和任务执行逻辑顺序问题[17]，以生成更加完善、可行的分解方案，应对战场情况多变的复杂特性，提高对战场的适应性。

本文采用的基本思想是：依据任务分解流程自上而下搜寻由最优方法mse(ok，A)和mse(ok，B)分解出的分支，遍历出一套使用最优方法进行分解最多的方案；若存在两套方案使用的最优解个数一致，则按照mse(ok，A)的重要程度大于mse(ok，B)的原则进行选取。最后，将使用最优解进行分解最多的方案设为主方案，在主方案可执行原子任务的基础上进行补充筛选，得出最终方案。补充筛选步骤如下：

1)将方案中各项任务按照执行的先后顺序进行排序后，通过任务关系R中的功能关系进行筛选。依照任务的执行顺序依次将主方案中的可执行任务与其余方案中的任务按照功能关系进行比较。将与可执行任务有促进关系的任务添加至主方案；两个任务间若为阻碍关系则保留主方案中的任务；将有依赖关系和耦合关系的任务增加至主方案，由于二者任务都需要对方的相关信息才可以被执行，添加的任务为不可被删除任务。

2)添加完相关任务后，令主方案的任务为基准任务，依据任务关系R中的逻辑关系对新添加的任务进行优化精简。依次判断基准任务与添加任务之间的逻辑关系，若二者任务为And关系，则都保留；若二者任务为Not关系，则将添加的任务删除；若为Or关系，则需结合战场实际状况判断确定删除或是保留。

4.4 作战任务分解流程

综上，在对作战任务及任务关系等进行规范化描述和任务场景、领域知识建模的基础上，作战任务分解流程主要包括任务网络初始化、多方法任务分解、分解方案优化与确认等几个主要步骤，最终输出包含任务清单和任务关系的完整任务网络。具体分解流程(见图4)如下：

图4 作战任务分解流程图Fig.4 Flow chart of operational task decomposition

1)任务网络初始化，主要结合任务场景、领域知识以及采用本体构建的任务场景等关系信息，采用逻辑推理方法输出初始任务网络。

2)多方法任务分解，完成对初始任务网络中所有复合任务的分解，对每个复合任务均从方法集中匹配选取适合的多个子方法进行分解。

3)分解方案优化与确认，主要是基于生成的所有可行案，采用“最优组合”思想组织生成更优的主方案，并在此基础上结合任务关系对主方案进行补充、筛选，生成最终任务分解方案。

5 实验及结果分析

为了验证本文提出的作战任务层次化分解的可行性和优越性，以渡海登岛作战场景为例，对本文提出的方法进行仿真实验。作战想定[18]具体设计如下：假设红方部队计划组织一次抢滩登陆作战任务，目的是为了占领蓝方的港口和机场两个目标。适合登陆的海滩有南滩和北滩两处。我方主要使用远程火力和地面突击力量对敌目标进行协同火力打击，同时由地面突击力量具体执行抢滩登陆和港口、机场夺控，使用防空火力防御敌空中目标。其中，地面突击力量初始部署于沿岸附近，便于进行抢滩登陆；防空火力分散部署于近沿岸隐蔽区域，构建对空防御火力网；远程火力部署于后方，对敌目标实施远程火力打击。根据预先侦察情报，南滩和北滩两处附近海域可能存在雷场，南滩登陆有可能受附近高地的火力点威胁，由南滩行进可到达港口，途中可能存在雷区和驻防敌军部队的威胁；北滩登陆受敌机场起飞的飞机威胁，北滩阵地经北路可到达机场，北路行进可能会受敌增援部队的威胁。机场和港口附近可能存在移动的导弹发射车队和固定的导弹阵地。具体作战想定场景如图5所示。

图5 作战想定概要图Fig.5 Battlefield scenario

5.1 任务规范化描述

结合本文设计的作战想定，对作战任务的任务类型、任务时间、任务空间、作战力量、任务指标等要素描述如下：

任务类型Ttype=〈登岛，渡海登岛，001〉；

任务时间Ttime=〈T+3 h，T+6 h，5 h，T〉，T为战斗起始时间；

任务空间Tspace=〈陆，海，空，0，0，0〉；

作战力量Tforce=〈炮兵、防空、装甲，营、群，远程火力、防空火力、直瞄火力，协同〉；

任务指标Tindex=〈要地夺占，60%，30 km，3 h〉。

通过任务规范化描述，对各任务要素进行了实例化，为后续生成初始任务网络明确了条件和约束。其中，任务类型、任务空间和作战力量将作为初始任务网络生成选择分解方法和任务模板的条件之一，任务时间和任务指标将作为初始任务网络中确定各子任务指标的依据。

5.2 任务场景描述

根据作战想定，敌人可能存在增援部队以及移动的导弹发射车队和固定的导弹阵地，企图拒止力量入侵；地形包括高地、公路、海滩；战场环境要素主要包含机场、桥梁、港口、气象，在本文中气象重点考虑潮汐、风向、风速。

根据作战任务场景要素，结合本次渡海登岛作战任务的特点，定义场景要素基础项Ebasic=〈导弹发射车队部署、固定导弹阵地部署、高地、公路、海滩、港口、潮汐、风向、风速〉，参考项Erefer=〈机场、桥梁〉。

上述任务场景描述的各要素将作为初始任务网络生成选择分解方法和任务模板的重要条件，其中，基础项和参考项将作为优选任务分解方法的依据。

5.3 初始任务网络生成

依据本次作战想定中的海滩、港口等任务场景要素，使用任务场景描述模型进行匹配分析，推理得到本次作战的作战样式为“登岛作战”。

领域知识构建方面，主要针对“渡海登岛”场景设计了典型的任务分解方法和任务模板。任务分解方法主要从以下3个方面进行了设计：一是将作战样式“登岛作战”作为基本的方法入口判定条件；二是建立了针对机场、港口、高地、雷区、导弹阵地、导弹发射车等典型目标的处理方式，并建立了炮兵、防空、装甲等作战力量在不同战场环境下具备的对机场、港口、导弹阵地等上述典型目标的处理方式，主要包括夺占、打击、干扰、切断等；三是建立了典型任务的关联任务集，例如为了夺占港口存在行进、防御等关联任务。上述3个方面共同支撑任务分解并确定子任务类型。任务模板主要是按照3.2节中的思想，结合作战想定中确定的任务类型、作战力量、可能情况等预先设计了典型的模板要素，在此不再详述。

基于构建的领域知识，在此次作战想定任务场景下，分析得到为完成本次登岛作战，需要完成占领机场、夺占港口两项任务，进而推理得到初始任务网络。

5.4 多方法任务分解与优化

按照本文设计的方法，从预先准备的领域知识中的方法集中筛选多方法对初始任务网络中的复合任务逐个进行分解并优化。过程中部分方法筛选情况如图6所示。图6中，使用分解方法m3分解出干扰导弹发射基地子任务，按照4.2.1节计算方法得到执行干扰导弹发射基地子任务所消耗的费用较高，使得效用值小于设定的阈值，因此将该方法筛除，得到占领机场这一复合任务的任务分解结果。

图6 多方法筛选图Fig.6 Diagram of multimethod screening

经过层层分解计算和优选，最终任务分解结果如图7所示，最优任务网络如图8所示。

图7 作战任务分解结果图Fig.7 Breakdown diagram of operational task

图8 登岛作战任务网络图Fig.8 Network diagram of landing operations

从图7所示作战任务分解结果来看，子任务清单较为全面，能够支撑完成本次的登岛作战任务，子任务之间逻辑关系清晰、有序，且各子任务之间没有冲突，确保了所有子任务的可执行性，进而保证了各层次任务可实现。同时，本文设计以网络图的形式展现任务分解结果，兼顾呈现了子任务之间的逻辑和时序关系，有助于指挥员迅速理解子任务关系和相互影响，便于掌控我方全局行动。

为了对本文方法进行定量评估，设计了渡海登岛、边境反击、合同进攻、联合火力打击等四类作战任务(子任务数量约为20)，采用平均分解时间、生成方案数量、方案最优概率等3项指标对其性能进行评估，经过仿真计算，平均分解时间为11.7 s，生成方案数量为12个，方案最优概率为92%. 从处理时间和分解结果来看，方法能够满足任务分解的功能应用需求。

6 结论

本文针对当前作战任务分解方法选择单一、多方法分解后缺少优化处理等不足，从任务规范化描述、任务分解过程建模、任务分解算法3个方面构建了作战任务分解框架，通过支持多方法分解、考虑质量和费用的分解方案优选、多分解方案综合优化等功能，实现了作战任务层次化分解，能够生成更加符合作战实际的作战任务分解方案。得出主要结论如下：

1)针对作战任务的复杂多变性，基于任务式指挥理论，使用5W理论进行作战任务规范化描述，改进了作战任务描述的合理性。

2)针对任务分解影响因素的复杂性，建立了一种基于本体的作战任务分解模型，提升了任务分解的复杂场景适应性。

3)针对多方案生成及筛选的需求，设计了一种效用信息筛选的层次任务分解方法，提升了分解方案的多样性和总体效能。

4)针对生成的多套可行方案，设计了一种基于最优分解方法组合的方案优化方法，提升了方案对战场情况的适应性。应用实例表明，该方法相比传统分解方法分解产生的任务清单更全面，可执行度更高。

下一步的研究方向考虑将作战能力引入作战任务分解过程中，成为优选可执行任务的一项重要判断要素，同时使得到的分解结果匹配作战能力信息，为多元作战力量的一体运用分配做好铺垫。