基于灰色聚类分析的城市进攻作战中有人/无人协同效能评估方法

Manned/Unmanned Cooperative Effectiveness Assessment Method in Urban Offensive Operations Based on Gray Cluster Analysis

摘要

为解决城市进攻作战中有人/无人协同效能评估问题，提出一种基于灰色聚类分析的评估方法。该方法基于城市进攻作战任务场景和观察—判断—决策—行动（OODA）环作战流程分析，提取态势感知、信息通信等4类关键能力需求，构建3层评估指标体系，运用灰色聚类分析方法建立评估模型，并依托兵棋系统进行实验分析。实验结果表明，城市进攻作战中的有人/无人协同作战效能显著高于有人/无人独立作战，证明该方法能够对城市进攻作战中的有人/无人协同作战效能进行客观有效评估。

Abstract

To address the problem of effectiveness assessment for manned/unmanned cooperative systems in urban offensive operations, a method based on gray cluster analysis is proposed. By analyzing the mission scenarios and the observation-orientation-decision-action (OODA) loop process in urban offensive operations, four categories of key capability requirements (including situational awareness and information communication) are extracted. A three-level evaluation index system is constructed, and an assessment model is established using the gray cluster analysis method. Experimental validation is conducted through a wargaming simulation system. The results demonstrate that the effectiveness of manned/unmanned cooperative combat significantly surpasses that of independent manned or unmanned operations, indicating that the proposed method can objectively and effectively evaluate combat effectiveness in such scenarios.

Graphical abstract

关键词

城市进攻作战 / 有人/无人协同 / 灰色聚类 / 层次分析法 / 熵权法

Key words

urban offensive operations / manned/unmanned coordination / gray cluster / analytic hierarchy process / entropy weight method

0 引言

“有人/无人协同”作战，这一概念起源于美军的有人—无人编组作战，是通过增强有人作战平台与无人作战平台的互操作性，达成更加直接的战场信息交互、作战支援与行动配合，实现有人与无人一体编组、整体作战，更好地发挥有人作战力量与无人作战力量的互补优势^[1]。从近几场局部战争看，有人/无人协同作战在城市进攻作战中作用越来越突出，其效能评估对验证协同模式、优化作战行动具有重要价值。

目前，针对有人/无人协同的作战效能评估方法尚处于起步阶段。传统作战效能评估方法如层次分析法^[2]、模糊综合评判法^[3]、可用性—可信性—能力（Availability-Dependability-Capability, ADC）法^[4]、人工神经网络法^[5]等，大多集中于传统火力战系统和单体作战装备，难以反映有人/无人协同作战特征。着眼有人/无人领域的工作中，文献[6]基于灰色层次分析法建立评估模型并通过径向基函数（Radial Basis Function, RBF）神经网络进行数据计算，定量评估了有人/无人协同作战效能，但其指标权重单纯采用了层次分析法，对专家依赖性相对较大，有一定主观性；文献[7]基于兰彻斯特方程建立了有人/无人协同作战模型，其仿真实例分析具有很大参考意义，但由于公式因子较为单一，还不能完全反映协同作战优势；文献[8]基于组合赋权法确定指标权重，建立了较为科学合理的指标体系，但其评估模型相对粗糙；文献[9]采用ADC法构建有人/无人机混合编队作战效能评估模型，但其样本数据的采集过度依赖装备性能参数，缺乏对抗实验过程，评估结果不够科学合理。

本文通过分析城市进攻作战有人/无人协同作战过程，建立评估指标体系，基于灰色聚类模型对协同作战效能进行评估，通过实例验证评估模型可行性。

1 作战效能评估指标体系分析与构建

为了能够科学合理评估城市进攻作战中有人/无人协同的作战能力，需要分析典型任务场景和作战流程，建立相对全面的效能评估指标体系，进而为指导作战行动及优化作战方案提供依据。

1.1 城市进攻作战中有人/无人协同典型任务场景分析

城市作为未来军事斗争的重要战场，是有人/无人协同作战的主要应用场景，无人机（Unmanned Aerial Vehicle, UAV）、无人车（Unmanned Ground Vehicle, UGV）与有人力量协同执行城市进攻作战任务,可显著提高侦察、打击和保障能力^[10]。

如图1所示，在城市进攻作战场景中，为夺取重要军事目标，进攻方派出由无人机、无人车、装甲车及作战人员等组成的多个有人—无人作战编队前往目标区域执行夺控任务，主要行动包括：1）无人机对目标区域进行覆盖侦察，锁定夺控目标位置并判明目标周边敌情；无人车进入目标内部进行抵近侦察，掌握目标内部结构并判明目标内守敌情况；作战人员利用侦观装备进行人力侦察。2）各有人—无人编队将侦察情报同步共享至指挥控制系统进行信息融合处理、任务动态规划和行动快速决策。3）各有人—无人编队按照任务分配执行打击夺控任务，无人机、无人车对打击效果进行采集评估。

1.2 城市进攻作战中有人/无人协同作战流程分析

有人/无人协同作战指挥控制复杂、任务协同难度大，通过基于观察—判断—决策—行动（Observation-Orientation-Decision-Action, OODA）环理论将城市进攻作战典型任务场景划分为不同阶段，能够使复杂的问题简单化、模块化^[11]。如图2所示，可将城市进攻作战中有人/无人协同作战分为4个阶段：1）态势感知阶段，无人装备搭载光电、红外等传感器进行电子侦察，有人力量依托侦观装备进行战场侦察；2）信息传递阶段，各有人—无人编队内部及OODA各环节之间通过通信链路进行数据传输，确保信息共享、指令畅通；3）指挥决策阶段，在战场态势理解的基础上，有人作战平台对夺控目标和打击行动进行任务规划和动态决策；4）执行任务阶段，充分发挥有人/无人协同作战优势，火力打击毁瘫目标，兵力突击清剿守敌，夺控后进行抗反维稳。

1.3 指标体系构建及效能指标分析

基于上述任务需求和流程分析，构建三级效能评估指标体系，涵盖态势感知、信息通信、指挥决策和任务执行4大维度，如表1所示。

1.3.1 态势感知效能

主要考虑目标探测能力、目标识别能力和持续侦察能力。其中：目标探测能力重点考虑目标探测范围；目标识别能力由识别目标用时决定；持续侦察能力由无间断侦察时长决定。

1.3.2 信息通信效能

主要考虑信息传输能力和通信抗干扰能力。其中：信息传输能力重点考虑信息共享延迟，即从无人平台探测到目标到有人终端接收到数据的平均时间差；通信抗干扰能力重点考虑敌方电磁压制下的通信链路维持率，由有效通信时长和总作战时长的比值确定。

1.3.3 指挥决策效能

主要考虑任务规划能力和动态决策能力。其中：任务规划能力重点考虑任务规划时间，由从侦察完成到生成作战方案时间决定；动态决策能力重点考虑动态调整响应时间，由战场突发情况下调整作战计划的平均响应时间决定。

1.3.4 任务执行效能

根据城市进攻作战的阶段特征，主要考虑区域封控能力、目标毁瘫能力、目标夺控能力、抗反维稳能力和持续保障能力。其中：区域封控能力重点考虑陆空域完成封控的时间和切断敌方通信或补给线次数；目标毁瘫能力重点考虑目标毁瘫数量和单目标消耗量，单目标消耗量由弹药消耗量与摧毁目标数量的比值决定；目标夺控能力重点考虑目标占领用时和战损比；抗反维稳能力重点考虑敌反击行动被压制比例，由敌方反击次数与失败次数的比值决定；持续保障能力重点考虑平均补给恢复时间，由补给中断后恢复补给的平均时间决定。

2 基于中心点三角白化权函数的有人/无人协同效能灰色评估方法

灰色性是指系统中信息不完全、不确定的特性，灰色系统理论是由文献[12]提出的一种处理少数据、不确定问题的理论体系。由于城市进攻作战不确定因素较多，且战场数据获取存在显著模糊性和波动性，因此城市进攻作战中有人/无人协同作战效能评估呈现灰色性。灰色聚类评估就是基于数据的不确定性，使用灰色理论来评估聚类结果的质量，最后呈现出一个适合于决策的定性结果。在灰色聚类分析中，评估灰类用于衡量被评估对象在预设评估结果下的归属程度；白化权函数是用来定量描述某一评价指标隶属于某一灰类的程度，区间取值为[0,1]，越接近于1表明偏向程度越大，越接近于0表明偏向程度越小^[13]。

2.1 划分评估灰类

设有n个聚类评价对象，每个对象有m个聚类评价指标，且每个评价指标对应s个不同灰类，根据第i(i=\mathrm{1,2},\cdots ,n)个对象关于j(j=\mathrm{1,2},\cdots ,m)指标的样本值x_{ij}将第i个对象归入第t(t\in \left\{\mathrm{1,2},\cdots ,s\right\})个灰类中，并将{\lambda }_t作为t的中心点。

文献[13-14]根据评分等级标准设定了4个灰类，分别对应优、良、一般、较差，对作战对象综合效能进行了客观准确评估。为更全面评估有人/无人协同作战效能，设灰类s=\mathrm{6}，将效能评估结果设定为极差、差、中、良、优、极优6个等级，分别用Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ表示，评价分数范围在[0,1]之间取值，0为最低分，1为最高分。结合灰类划分要求和专家意见，选取中心点{\lambda }_t如下：{\lambda }_{\mathrm{1}}=\mathrm{0.2}、{\lambda }_{\mathrm{2}}=\mathrm{0.3}、{\lambda }_{\mathrm{3}}=\mathrm{0.6}\mathrm{、}{\lambda }_{\mathrm{4}}=\mathrm{0.7}\mathrm{、}{\lambda }_{\mathrm{5}}=\mathrm{0.8}\mathrm{、}{\lambda }_{\mathrm{6}}=\mathrm{0.9}。

2.2 构建中心点三角白化权函数

针对某一评价对象，将归一化处理后的指标j取值范围[0,1]划分为\left(s+\mathrm{1}\right)个连续小区间[\mathrm{0},{\lambda }_{\mathrm{1}}],[{\lambda }_{\mathrm{1}},{\lambda }_{\mathrm{2}}],\cdots ,[{\lambda }_{t-\mathrm{1}},{\lambda }_t],\cdots ,[{\lambda }_{s-\mathrm{1}},{\lambda }_s],[{\lambda }_s,\mathrm{1}]。连接点({\lambda }_t,\mathrm{1})左右相邻的两点({\lambda }_{t-\mathrm{1}},\mathrm{0})和({\lambda }_{t+\mathrm{1}},\mathrm{0})，可以得到j指标关于t灰类的三角白化权函数f_j^t(x)，如图3所示。

因此，对于指标j的样本值x，通过式（1）计算出所属灰类t(t=\mathrm{1,2},\cdots ,s)的隶属度f_j^t(x)，可表示为

f_j^t(x)=\left\{\begin{array}{cc}\mathrm{0},& x\notin [{\lambda }_{t-\mathrm{1}},{\lambda }_{t+\mathrm{1}}];\\ \frac{x-{\lambda }_{t-\mathrm{1}}}{{\lambda }_t-{\lambda }_{t-\mathrm{1}}},& x\in [{\lambda }_{t-\mathrm{1}},{\lambda }_t];\\ \frac{{\lambda }_{t+\mathrm{1}}-x}{{\lambda }_{t+\mathrm{1}}-{\lambda }_t},& x\in [{\lambda }_t,{\lambda }_{t+\mathrm{1}}].\end{array}\right.（1）

将各中心点{\lambda }_t的值代入式（1），即可得到6个灰类的中心点三角白化权函数的具体值。

2.3 基于组合赋权法确定聚类指标权重

层次分析法（Analytic Hierarchy Process, AHP）作为主观赋权法的典型方法，是一种用定量计算解决定性问题权重决策的运筹学方法^[15]，在处理复杂问题决策方面具有较强实用性，但较依赖专家经验，易受主观偏好影响；熵权法是一种客观赋权法，主要根据各指标观测值所提供的信息大小来确定权重，信息量越大熵就越小，信息量越小熵就越大^[16-17]，这种方法能有效避免人为主观因素的干扰，使结果更加公正客观，但完全依赖数据，对数据处理要求较高。二者均存在一定优势和局限性，因此通过结合AHP法和熵权法可以对各指标权重做出更加科学合理的计算^[18-19]。

2.3.1 基于层次分析法确定主观权重

步骤1：按照指标体系的层次结构，对同层次指标采用两两比较的方式确定某一指标对于其他指标的重要性，并通过赋予标度的形式构造各层次判断矩阵\mathit{C} ^[20]。

步骤2：利用公式C_{\mathrm{C}\mathrm{R}}=C_{\mathrm{C}\mathrm{I}}/R_{\mathrm{R}\mathrm{I}}对判断矩阵\mathit{C}进行一致性检验。其中：C_{\mathrm{C}\mathrm{R}}为判断矩阵的随机一致性比率；C_{\mathrm{C}\mathrm{I}}为判断矩阵的一致性指数；R_{\mathrm{R}\mathrm{I}}为判断矩阵的平均随机一致性指标。

步骤3：判断矩阵\mathit{C}通过一致性检验后，通过计算矩阵\mathit{C}的{\lambda }_{\mathrm{m}\mathrm{a}\mathrm{x}}所对应的特征向量{\mathit{\alpha }}_j来得到指标j主观权向量。

2.3.2 基于熵权法确定客观权重

步骤1，判定指标数据方向并做正向化处理。区分极大型指标X_{\mathrm{1}}和极小型指标X_{\mathrm{2}}两类指标进行正向化处理：

\left\{\begin{array}{l}{X}_{\mathrm{1}}=x;\\ X_{\mathrm{2}}=\mathrm{m}\mathrm{a}\mathrm{x}-x.\end{array}\right.（2）

步骤2，对各指标数据无量纲化处理并构建标准化矩阵\mathit{D}=(d_{ij}{)}_n\times m，并计算概率矩阵\mathit{P}=(p_{ij}{)}_n\times m，即

d_{ij}=\frac{x_{ij}-\mathrm{m}\mathrm{i}\mathrm{n}(x_{\mathrm{1}j},x_{\mathrm{2}j},\cdots ,x_{nj})}{\mathrm{m}\mathrm{a}\mathrm{x}(x_{\mathrm{1}j},x_{\mathrm{2}j},\cdots ,x_{nj})-\mathrm{m}\mathrm{i}\mathrm{n}(x_{\mathrm{1}j},x_{\mathrm{2}j},\cdots ,x_{nj})}（3）

p_{ij}=\frac{d_{ij}}{{\displaystyle \sum _{i=\mathrm{1}}^n}{d}_{ij}},(i=\mathrm{1,2},\cdots ,n;j=\mathrm{1,2},\cdots ,m)（4）

步骤3，计算指标j的信息熵h_j和熵权{\beta }_j，计算公式如下：

h_j=-\frac{\mathrm{1}}{\mathrm{l}\mathrm{n}n}{\displaystyle \sum _{i=\mathrm{1}}^n}{p}_{ij}\mathrm{l}\mathrm{n}{p}_{ij}（5）

{\beta }_j=\frac{\mathrm{1}-h_j}{{\displaystyle \sum _{i=\mathrm{1}}^n}{h}_j}(j=\mathrm{1,2},\cdots ,m)（6）

2.3.3 组合权重

综合AHP法计算得到的主观权重{\alpha }_j和熵权法求得的客观权重{\beta }_j，取均值计算得到组合权重{\xi }_j，可表示为

{\xi }_j=\frac{{\alpha }_j+{\beta }_j}{{\displaystyle \sum _{j=\mathrm{1}}^m}({\alpha }_j+{\beta }_j)}（7）

2.4 计算综合聚类系数{\mu }_i^t

综合聚类系数是衡量评估对象相对于某个灰类的综合隶属度^[21]。对象i(i=\mathrm{1,2},\cdots ,n)关于灰类t(t=\mathrm{1,2},\cdots ,s)的综合聚类系数{\mu }_i^t可表示为

{\mu }_i^t={\displaystyle \sum _{j=\mathrm{1}}^m}{f}_j^t(x){\xi }_j（8）

式中：f_j^t(x)为指标j对于灰类t的白化权函数；{\xi }_j为指标j在综合聚类中的组合权重。

依据灰色聚类评估最大隶属度原则，利用式（9）确定对象的灰类，可表示为

\underset{\mathrm{1}\le t\le s}{\mathrm{m}\mathrm{a}\mathrm{x}}\left\{{\mu }_i^t\right\}={{\mu }_i^t}^{\mathrm{*}}（9）

式中，{{\mu }_i^t}^{\mathrm{*}}表示对象i关于该灰类的隶属度最高，即隶属于该灰类，当多个对象属于同一灰类时，通过综合聚类系数大小确定优劣情况。

3 实例验证

由于城市进攻作战战例数据难获取，借助指挥现代作战（Command Modern Operation, CMO）兵棋系统推演结果获取样本数据。

3.1 兵棋想定场景

在某港口城市进攻作战中，为确保后续部队快速推进，上级命令在2 h内夺控蓝方位于城市核心区的指挥所和通信枢纽，瘫痪敌指挥控制体系，如图4所示。区分有人/无人协同作战（实验组）和有人无人独立作战（对照组）两种方案，各进行10次推演，根据推演结果数据评估其作战效能。

3.2 兵力编成及主要任务

3.2.1 红方兵力编成及主要任务

由侦察队、火力打击队、兵力突击队、特战渗透组和后装保障组编成，主要任务是夺控敌指挥所和通信枢纽，清剿内部守敌，具体编成如表2所示。

3.2.2 蓝方兵力编成及主要任务

由侦察组、指挥所防御群、通信枢纽守备队和机动反制分队编成。主要任务是依托城市地形和预设防御工事，阻止红方夺控关键目标，并伺机反制红方无人作战力量。

侦察组在重要目标周边制高点部署雷达和巡逻无人机，实时监控红方动向；指挥所防御群部署2套防空系统、1套反无人电磁干扰设备和4辆坦克，固守指挥所，反制红方无人力量；通信枢纽守备队部署1套激光反无人系统、2辆机动式电子战车和1个工兵分队（布设雷区），封锁入口，保护通信枢纽；机动反制分队在城区主干道交叉口部署2个机械化排（6辆巡逻车、4辆装甲车），随时支援指挥所或通信枢纽，拦截红方突击部队。

3.3 实验条件及数据采集处理

3.3.1 实验条件

为确保实验可重复性和结果客观性，本次兵棋推演在CMO系统中进行了详细的参数设置与控制，其中：1）想定场景复现。所有推演均在相同的地理空间背景下运行，地物地貌作为恒定背景因素，不作为实验变量；2）蓝方行为模式。蓝方部队采用CMO系统内置的标准化人工智能，并为其设定了统一的作战条令、反应时间和决策逻辑；3）时间与资源控制。所有推演均设定2 h（模拟时长）作战时间上限，红蓝双方初始资源（含兵力编成、弹药基数等）均按照标准配置进行设定，并在推演开始时保持一致；4）随机性控制。每次推演使用软件内置的随机种子，以获取不同随机条件下的作战结果；5）协同机制控制。实验组无人系统获取信息可实时共享至编队内有人力量；对照组无人系统获取信息后只能共享至中继平台，由中继平台再下发至有人力量。

3.3.2 数据采集处理

每次推演结束后，通过CMO系统日志和事件记录，采集方案1和方案2各10次推演的原始数据，采用归一化方法进行无量纲处理，消除不同指标量纲对评估结果的影响。

3.4 作战效能评估

根据式（2）～式（7），利用组合赋权法计算得到组合权重结果，如表3所示；根据组合权重结果，通过灰色聚类方法，结合式（8）生成综合聚类系数结果，如表4~表5所示；依据最大隶属度原则，按式（9）判定所属灰类等级，如表6~表7所示。

3.4.1 指标能力分析

依托兵棋推演原始数据绘制对比图，如图5所示。结合兵棋推演记录可以看出，实验组各项指标能力均优于对照组，其中：1）目标探测能力。实验组和对照组基本持平，证明了无人系统在侦察感知行动中的主导地位。2）目标毁瘫和夺控能力。对照组与实验组相差较大。推演过程中，实验组无人车、无人机进入敌控区，在低生存环境中进行抵近侦察，同时吸引敌人暴露火力点，引导有人分队精准打击，实现高效杀伤；对照组在无人分队遭受敌反无人装备歼灭后，有人部队前进中遭受敌人后方火力打击，导致前进严重受阻，作战毁瘫和夺控基本丧失。3）持续保障能力。对照组数值接近于零。推演过程中，实验组UGV将关键物资（如弹药、医疗用品）通过公路快速投送到前线作战单位，有效维持红方前线兵力作战能力，支撑连续强攻作战；对照组因无人编队被歼灭，未能实现“持续后勤”保障目标。

3.4.2 整体效能分析

从隶属度结果分析，实验组10次推演中，评估结果均达优良水平以上，其中6次达到极优水平；对照组10次推演中，仅1次评估结果达到良好水平，3次为极差水平。结果表明，在兵力相同且其他条件一致的情况下，配置“有人/无人协同作战”整体效能显著优于“有人/无人独立作战”。

3.4.3 评估方法分析

通过指标能力与整体效能分析表明，本文可科学评估城市进攻作战中有人/无人协同的整体能力及分项指标。为验证方法先进性，与文献[6]、文献[7]、文献[9]中的典型方法，从定量与定性两个层面、4个维度进行对比，如表8所示：1）在评估全面性上，本文方法评估指标体系层次和数量更多，考虑更加全面；2）在评估精细度上，本文方法将评估等级划分为极差至极优6个等级，相比于文献[6]方法评估更加精确；3）在权重科学性上，本文方法通过AHP与熵权法的线性组合，权重分配更合理，解决了文献[6]单一层次分析法权重受专家偏好影响显著以及文献[9]ADC法过度依赖装备静态参数、忽略战场动态性对权重影响的问题；4）在模型适应性上，本文方法基于灰色聚类分析“对样本量要求低、适合处理不确定性问题”的优势建立评估模型，有效弥补文献[7]基于兰彻斯特方程建立的协同模型仅聚焦兵力消耗因子、未覆盖信息交互等作战核心要素，以及文献[6] RBF神经网络需大量训练数据的不足。因此，本文提出的灰色聚类—组合赋权评估模型在全面性、精确度、权重科学性与模型适应性方面均优于现有方法，能够更科学、客观地评估城市进攻作战中有人/无人协同效能。

4 结束语

针对有人/无人协同作战作为关键作战模式，研究其作战效能评估方法具有重要现实意义。本文提出了一种基于灰色聚类分析的有人/无人协同作战效能评估方法，通过分析城市进攻作战任务场景和OODA环各阶段流程，建立了有人/无人协同效能评估指标体系；运用灰色系统模型进行了量化评估，并基于兵棋系统完成实验验证，有效解决了城市进攻作战中有人/无人协同效能难评估的现实问题。实验结果表明，该方法与兵棋推演结果一致，验证了评估模型的有效性。但评估模型所需原始数据主要依赖CMO兵棋系统产生，其效度受系统推演逻辑制约。为进一步提升评估结果的可信度，后续研究需要引入真实战场环境下的作战数据作为支撑。

参考文献

[1] 赵先刚.无人作战研究［M］.北京：国防大学出版社， 2021：220-223.

[2] 韩月明，李元.基于改进层次分析法的无人机集群作战效能评估［J］.舰船电子工程，2024，44（7）：123-127；137.

[3] 牛美霞，陈婷婷.基于模糊综合评判的武警反恐作战力量评估［J］.火力与指挥控制，2021，46（11）：140-143.

[4] 乔梁.基于ADC模型的对地攻击机作战效能评估研究［J］.舰船电子工程，2023，43（12）：175-181.

[5] 寇昆湖，刘登攀，王超，等.基于BP神经网络的无人机对海侦察作战效能评估［J］.舰船电子工程，2024，44（12）：145-148.

[6] 马九方，杨森，黄欣鑫.基于灰色层次分析法的有人/无人协同作战效能评估［J］.电讯技术，2023，63（10）：1625-1630.

[7] 毛炜豪，刘网定，卢洪涛.基于兰彻斯特方程的有人/无人协同作战［J］.指挥控制与仿真，2020，42（5）：13-18.

[8] 史国庆，武凡，张林，等.基于组合赋权法的有人/无人机协同作战能力分析［J］.火力与指挥控制，2019，44（4）：87-91.

[9] 王光源，孙涛，毛世超，等.基于任务协同的有人机/无人机对海攻击作战效能评估研究［J］.海军航空工程学院学报，2017，32（5）：491-495.

[10] 程子阳，任国全，张银，等.空地无人装备联合应用现状与趋势［J］.战术导弹技术，2018（6）：7-12.

[11] 韩月明，刘铁林，薛辉.基于灰色理论的有人/无人机协同作战效能评估［J］.军事运筹与评估，2023，38（1）：20-26.

[12] 刘思峰，党耀国，张岐山.灰色系统理论及其应用［M］. 3版.北京：科学出版社，2004：1-25.

[13] 朱学耕，潘亮，刘家路.基于灰色层次分析法的重型合成营城市进攻作战效能评估［J］.兵工自动化，2020，39（7）：7-10.

[14] 曹冠平，甄自清，李坎.基于灰色层次分析法的无人机蜂群作战能力评估［J］.装甲兵学报，2023，2（4）：65-69；88.

[15] 谢常达，范玺斌，王雪峰.基于层次分析法对舰队防空威胁度研究［J］.舰船电子工程，2022，42（1）：23-27；32.

[16] 王光源，李浩民，祝大程，等.基于熵权法-灰色关联法的海面目标威胁度评估［J］.指挥控制与仿真，2023，45（4）：57-61.

[17] 秦园丽，张训立，高桂清，等.基于ANP-熵权法的反舰导弹作战体系效能评估［J］.兵器装备工程学报，2020，41（5）：48-53.

[18] 王慕鸿，倪小清.基于组合赋权的两栖作战实兵对抗演习场地评估［J］.指挥控制与仿真，2020，42（5）：60-64.

[19] 王光源，李浩民，吴一乔，等.基于AHP-熵权法的岸舰导弹作战体系效能评估［J］.舰船电子工程，2022，42（10）：128-132.

[20] 李志彤，李徽，陈恩可，等.基于AHP和模糊综合评价法的陆军合成营进攻计划作战效益评估［J］.火力与指挥控制，2025，50（3）：71-77；84.

[21] 陈希，杨兵，孙志豪.基于灰色聚类的信息作战指挥协同效能评估［J］.火力与指挥控制，2020，45（4）：71-76；82.

基金资助

全军军事类研究生资助课题(JY2024C190)