基于改进型多目标模糊优选的作战油料保障决策研究

决策量化分析是作战油料保障决策优化的重要手段.对作战油料保障中油料保障部队选派和保障方式的决策问题进行分析,并运用改进型多目标模糊优选决策模型对该问题建模,针对战场情况,根据所获得的战场信息,讨论了权重信息模糊情况下的决策优化,采用该方法建模有效的将油料保障部队分派与油料方式的选择有机结合起来,提高了战场上决策的效率与连贯性.通过实例应用,该方法有助于提高作战油料保障决策的科学性、连贯性.

基于OLT的体系作战油料保障能力生成流程分析

基于信息系统的体系作战能力成为战斗力的基本形态,对油料保障能力提出了更高的要求。本文从OLT的角度探析油料保障能力生成问题,有利于优化其生成过程,加速推进体系作战油料保障能力生成。

空军航空兵作战油料保障系统SD建模与优化

为提高空军航空兵作战油料保障能力,从复杂系统理论视角出发,运用系统动力学(system dynamics,SD)方法对空军航空兵作战油料保障进行描述,界定航油保障系统边界,构建空军航空兵战时油料保障SD仿真模型,利用Vensim仿真软件对联合防空反导作战航油保障活动进行仿真。通过仿真发现,航油保障系统中不同保障环节油料库存数量、补充需求均存在扭曲放大现象。为此,提出精简航油保障系统层级、加强航油保障信息共享等优化举措。对比仿真结果,优化后能够有效防范航油保障系统中不同保障环节油料库存数量和补充需求存在的"牛鞭效应"。

基于遗传神经网络的油料需求预测研究

打赢具有智能特征的未来信息化战争必须做到精确的后勤保障。就油料保障工作而言,需求精确预测是精确保障的基础。使用遗传算法(genetic algorithm,GA)优化误差反向传播神经网络(back-propagation neural network,BPNN),为BPNN确定了更优的初始权值和阈值,从而解决了BPNN易陷入局部最优解的问题。油料需求预测实例表明,GA-BPNN相较BPNN、极限学习机(ELM)、稀疏贝叶斯极限学习机(SB-ELM)、支持向量回归(SVR)、邻域粗糙集-支持向量回归(NRS-SVR)等算法具有更高的精度。