下载文档原格式
Studies of Fuzzy Planning Model on the Purchases of Military Weapons Equipment and Fittings
作者： 金秀满 贾红梅 周言友 周立山 宋丽
作者机构： 解放军汽车管理学院
出版物刊名： 中国管理科学
页码： NULL-NULL页
主题词： 军用武器装备及配件 采购决策 模糊规划 模型研究
摘要：军用武器装备及配件采购是军事武器装备管理中的一项重要工作。
本文以军用武器装备及配件采购的实际问题为背景，综合应用模糊优化理论和动态规划技术，提出并构建了军用武器装备配件采购项目决策的模糊规划模型；并将该成果应用于某部军用武器装备及配件采购的实践，取得了良好的效果。
该模型的建立与应用，对于军用武器装备及配件采购的项目管理工作具有一定的理论指导意义和实际参考价值。
简析模糊环境下应急物资预置的优化方法论文简析模糊环境下应急物资预置的优化方法论文《中华人民共和国突发事件应对法》对突发事件提出了明确的定义.突发事件是指突然发生，造成或者可能造成严重社会危害，需要采取应急处置措施予以应对的自然灾害、事故灾害、公共卫生事件和社会安全事件.我国是世界上自然灾害频繁的国家之一，地震、洪水、台风等灾害造成巨大的生命财产损失.突发事件发生后，灾民面临各方面困难，需要及时进行应急救济，以保障生命安全，减少财产损失.因此，基于科学和系统的方法研究应急物资预置问题，努力实现救灾物资快速有效分配，是研究的一个重点。
突发事件是否会发生、何时发生、强度大小如何，是制定应急物资决策的最大挑战.决策环境的不确定性引起国内外学者越来越多的关注，出现了研究应急物流的各种各样新思路和新方法.詹沙磊等将应急车辆选址和物资配送间题表示为多目标随机规划模型，通过加权贝叶斯风险将其转化为单目标规划。
从文献综述可以看到，以往的应急物流模型，一般假定模型参数是静态不变的.即使这些参数是变化的，也假定其分布是已知的，然后利用概率方法或模糊方法求解模型.在实际的应急物资中，不确定参数很难有效地估计，特别是具体的分布情况.显然针对这样的情况，原有的模型不能给予很好地解决.本文的目的是基于模糊可能性理论[fill和最优化方法提出一类期望值准则的应急物资模型，其中运输费用、供应量和需求用2-型模糊变量的风险值简约模糊变量刻画.当2-型模糊变量服从三角分布时，推导出其简约模糊变量的期望值公式，并以此将原模型转化为等价的混合整数参数规划，进而通过一般的商业软件求解.最后，给出一个具体的数值例子来演示建模思想.本文中所用方法的优势主要体现在以下两点:一方面，2一型模糊变量的确定相对通常的模糊集或模糊变量而言，比较容易.另一方面，当已知2一型模糊变量的分布后，由风险值简约方法就可以得到不确定变量的参数可能性分布.决策者通过参数调整，可以获得更多的信息，使模型的解更加符合实际.1风险值简约模糊变量的期望值假设睿是定义在模糊可能性空间上的2一型模糊变量，其第二可能性分布为凡(二)·由于2-型模糊变量的可能性分布具有三维结构，在计算处理过程中比模糊变量显得复杂一些.为了简化其第二可能性分布凡带来的不确定性，可以用正则模梅变量户敏的一二的上下风险值作为代表值，从而将第二可能性分布进行简化.这一方法称为2-型模糊变量曹的风险值(VaR)简约方法。
飞行器控制中的自适应模糊控制技术研究第一章绪论随着科技的不断发展，飞行器成为现代军事和民用航空的核心。
飞行器的控制系统是保证其正常飞行和精确飞行的关键所在，因此研究飞行器控制中的自适应模糊控制技术具有重要的现实意义和学术价值。
本文将从自适应模糊控制技术的原理和应用入手，重点探讨其在飞行器控制中的应用。
首先，介绍自适应模糊控制技术的概念、原理及其在控制系统中的常用方法。
接着，探讨飞行器控制系统中的模糊控制技术及其特点。
最后，对自适应模糊控制技术在飞行器控制中的应用进行详细分析和讨论。
第二章自适应模糊控制技术的基本原理和应用2.1 自适应模糊控制技术的概念和原理自适应模糊控制技术是将自适应控制和模糊控制相结合的一种控制方法，是在保证控制系统稳定性的基础上，不断地调整控制量以达到预期效果。
自适应模糊控制技术的核心是模糊推理机和自适应算法。
其中，模糊推理机是通过一组模糊规则将模糊输入转化为模糊输出的方法。
自适应算法则是通过系统学习和参数调整，不断优化模糊规则，提高模糊推理的准确度和响应速度，从而实现控制系统的自适应性。
2.2 自适应模糊控制技术的常用方法在实际应用中，自适应模糊控制技术有很多种算法方法，其中最常用的是基于模糊PID控制的自适应方法和基于模糊神经网络的自适应方法。
基于模糊PID控制的自适应方法是将模糊控制器和PID控制器相结合，使得控制系统具有自适应能力和精确控制性。
该方法主要应用于温度、压力等工业控制领域。
基于模糊神经网络的自适应方法则是将模糊控制器和神经网络相结合，使得控制系统具有更加灵活的自适应性和非线性控制性。
该方法主要应用于飞行器、机器人等需要高精度控制的领域。
第三章飞行器控制中的模糊控制技术3.1 飞行器控制系统中的模糊控制技术在飞行器控制系统中，模糊控制技术是一种非线性、自适应、鲁棒性强的控制方法，可以应对不同工况的飞行条件，提高飞行器控制系统稳定性和精度。
在飞行器控制中，模糊控制技术主要应用于滑模控制、跟踪控制、姿态控制等方面。
自适应模糊控制在航空飞行控制中的应用研究随着民航业的发展，越来越多的人开始关注航空安全问题。
而自适应模糊控制（AFC）作为近年来发展迅速的一种控制方法，被广泛应用于航空飞行控制中。
本文将探讨自适应模糊控制在航空飞行控制中的应用研究。
一、自适应模糊控制自适应模糊控制是一种基于模糊逻辑的控制方法，能够根据系统状态的变化自动调整控制规则和控制参数，从而实现对系统的精确控制。
自适应模糊控制系统一般由以下三个部分组成：1. 模糊推理部分：对输入的模糊量进行模糊推理，得出输出的模糊量。
2. 自适应控制部分：根据系统状态和输出模糊量的误差来自适应地调整控制规则和参数，以实现系统控制的精度和稳定性。
3. 输出反馈部分：将控制结果反馈给系统，进行实际控制。
二、自适应模糊控制在航空飞行控制中的应用航空飞行控制中的自适应模糊控制系统主要应用于飞机的姿态控制和飞行轨迹控制。
1. 姿态控制姿态控制是指对飞机的俯仰、滚转和偏航角进行控制，以保证飞机的稳定性和安全性。
传统的姿态控制方法主要采用PID控制方法，但由于飞机的航行状态具有不确定性、非线性和时变性，所以传统的控制方法控制精度较低。
而自适应模糊控制方法可以根据飞机的不确定性和时变性来自适应地调整控制规则和参数，从而提高姿态控制精度和稳定性。
目前，自适应模糊控制方法已经应用于商用飞机和军用飞机的姿态控制中，并取得了良好的效果。
2. 飞行轨迹控制飞行轨迹控制是指对飞机的航向、高度和速度进行控制，以实现飞机的航行计划。
传统的飞行轨迹控制方法主要采用PID控制方法，但由于飞机的飞行环境和计划的变化，传统的控制方法很难满足飞行轨迹控制的需求。
而自适应模糊控制方法可以根据飞机的飞行环境和计划变化来自适应地调整控制规则和参数，从而实现对飞行轨迹的精确控制。
目前，自适应模糊控制方法已经应用于商用飞机和军用飞机的飞行轨迹控制中，并取得了良好的效果。
三、自适应模糊控制在航空飞行控制中的局限性然而，自适应模糊控制方法也存在一些局限性。
基于自适应模糊神经网络的弹药消耗预计模型
罗振宇;于洪敏;赵武奎
【期刊名称】《军械工程学院学报》
【年(卷),期】2002(014)001
【摘要】根据我军弹药消耗预计方法的现状,利用模糊控制和神经元网络原理,提出了一种新的预计方法.量化的作战条件作为系统的输入,预计值作为系统的输出,根据历史的输入、输出数据确定系统的特性,建立预计模型.利用此种方法建立的模型根据历史数据训练后,输入现有战斗估计条件,即可对部队日平均作战消耗做出预计.【总页数】5页(P37-41)
【作者】罗振宇;于洪敏;赵武奎
【作者单位】军械工程学院装备指挥与管理系,河北石家庄,050003;军械工程学院装备指挥与管理系,河北石家庄,050003;军械工程学院装备指挥与管理系,河北石家庄,050003
【正文语种】中文
【中图分类】TP183
【相关文献】
1.面向火力打击任务的压制武器弹药消耗预计模型 [J], 王立欣;刘志勇;程中华;王亚彬
2.基于模糊逻辑理论的弹药消耗预计模型 [J], 李建华; 黄韬; 于洪敏; 张明亮
3.基于模糊逻辑理论的弹药消耗预计模型 [J], 李建华; 黄韬; 于洪敏; 张明亮
4.基于Bayesian体系融合的新型弹药消耗预计方法 [J], 赵汝东; 史宪铭; 苏小波;
王谦; 姜广胜
5.基于Bayesian体系融合的新型弹药消耗预计方法 [J], 赵汝东; 史宪铭; 苏小波; 王谦; 姜广胜
因版权原因，仅展示原文概要，查看原文内容请购买。
Risk Management of the Military Material Supply Chain System According to the Fuzzy Measures 作者： 付兴方 乔丽
作者机构： 徐州空军学院,江苏徐州221002
出版物刊名： 物流科技
页码： 76-78页
年卷期： 2010年 第1期
主题词： 军品供应链 风险管理 测度 预警
摘要：网络竞争环境下,对风险有效的测度和预警是军品供应链系统稳定运作的基本条件。
从系统的角度分析了军品供应链的风险因素集,并给出了军品供应链整体风险的模糊测度方法。
利用此方法,可以解决以往军品供应链系统风险分析和节点风险分析相脱离的弊端,获得对军品供应链系统风险的有效预警,对于合作合同商的选择和军品供应链系统效能的风险管理都有一定意义。
1999年3月系统工程理论与实践第3期 军品订货量的一种自适应模糊预测方法研究α许登超1 罗旭光2 张朋柱2 万百五2 韩崇昭2(11国防科技大学系统工程与数学系,湖南长沙410073)(21西安交通大学战略与决策研究所,陕西西安710049)摘要 军品订货量的预测是规划未来国防工业生产规模的关键.本文首先分析确定了影响陕西国防工业军品订货量的主要因素,对其中的定性因素进行了量化;之后将预测过程模拟成一个“Fuzzy”系统,预测依据作为系统的输入,预测量作为系统的输出,根据历史的输入、输出数据确定系统的特性,建立预测模型;以此为基础,给定输入数据,在系统特性的作用下,即可求得预测输出.由于使用了一种新的基于T2S模糊模型的自适应模糊神经网络,从而使预测模型具有很强的自适应能力.本文的军品订货预测方法具有比较强的通用性.关键词 模糊神经元网络 预测 A H P法 自适应A K ind of A dap tive Fuzzy P redicti on M ethod Study onShaanx i D efence Indu stry M ilitary O rdersXU D engchao1 LU O Xuguang2 ZHAN G Pengzhu2 W AN B ai w u2 HAN Chongzhao2(1.N ati onal D efence U n iversity of T echno logy,Changsha410073)(2.In stitu te of Strategy&D ecisi on2n iak ing,X i’an J iao tong U n iversity,X i’an710049)Abstract T he fo recast of m ilitary p roducts o rders is the key to p lann ing the p roducti onscale of the fu tu re defence indu stry.F irstly,the m ain facto rs w h ich influence the o rdersshaanx i m ilitary p roducts are analysed and among w h ich the qualitative facto r is quan ti2fied.T hen the fo recast p rocess is fo rm u lized as a"fuzzy"system.Fo recast basis is actedas the inpu t and the p redicted quan tity is served as the ou tpu t.T hu s the characteristic ofthe system and the p redicted model are fo rm ed acco rding to the inpu t2ou tpu t relati on2sh i p.Based on th is,under the given inpu t conditi on s and the influence of the systemcharacteristic,the p redicted ou tpu t can be ob tained.T he p redicted model has verystrong self2adap tab ilitry becau se of the u se of the new adap tive fuzzy neu ral netw o rkbased on T-S theo ry.T he m ethod of the fo recast of m ilitary p roducts o rders can bew idely u sed in o ther fields.Keywords fuzzy neu ral netw o rk;fo recast;A H P m ethod;adap tive1 引言“由需求确定生产规模”是产业良性发展必须遵守的基本原则.对生产军品的国防工业各行业同样如此.因而对军品订货量进行准确、可靠的预测,是确定未来国防工业生产规模的关键.通过对陕西国防工业中3个行业军品订货量的历史数据分析发现:国民生产总值、军费、周边环境、国际环境和军事战略等是α收稿日期:1997201230基金项目:国家自然科学基金资助,批准号79600017影响军品订货量的最主要因素.实际预测中采用较多的时间序列法和相关分析法,难以用在军品订货量的预测上.原因是:1)对周边环境、国际环境、军事战略等定性因素难以在模型中出现;2)对军品订货量历史数据中的突变点、转折点等特殊变化阶段难以拟合;3)不能把数据分析中总结出来的经验以及专家对将来的预见加入模型中.本文从相关分析法的基本思想出发,借鉴了文[1][2]模糊建模方法,利用一种新的基于T -S 模糊模型的自适应模糊神经网络,建立了军品订货量的自适应模糊预测模型.建立军品订货量预测模型的基本步骤和基本思想是:1)通过对历史数据分析,总结出影响军品订货量的最主要因素,用A H P 法把其中的定性因素定量化;2)把预测过程模拟成“Fuzzy ”系统.该系统的特性决定着一定输入条件下预测的输出,反之给定了一系列输入和输出又可以确定系统的特性.因而,我们首先根据输入和输出的历史数据(其中包含有人的经验总结)确定系统的特性.然后在一定的输入条件下(对未来情况有若干设定),在系统特性作用下,即可作出相应的预测.本文的模糊自适应预测方法克服了常规模糊预测方法模型比较粗糙、建模过程复杂、人为因素过多等缺点,并且具有较强的自适应能力,不但能实现模糊规则的自动更新,而且能不断修正模糊子集的隶属函数,使模型更具合理性.本文的理论基础是:在具有积推理、中心反模糊化、高斯型隶属函数的模糊系统能以任意精度逼近任一闭子集上的实连续函数[3].2 影响军品订货量因素的系统分析通过对1970～1996年陕西国防工业航空、兵器、船舶等3个主要行业军品订货量的曲线分析,可以看出:1)航空、兵器、船舶变化趋势基本一致,说明影响3者订货量的因素基本一致.另一方面,整个曲线波动大,不稳定,因而用移动平均、线性回归等趋势外推方法进行预测是不适宜的.2)周边环境和国际环境对订货需求有决定性的影响.由于1977、1978,1979三年中越边境摩擦,从而使武器订货上升,到1979年达到一个小高峰.国际风云及台湾问题使得1991,1992,1993,1994,1995订货上扬,预计1996年是一个高峰(未考虑通货膨胀).3)军事战略调整对武器订货影响很大.自1980年起我国军事战略从临战阶段转为和平建设时期,由于大幅度削减国防经费,使得武器订货下降.1993年我国军事战略调整为:为打赢一场高技术条件下的局部战争作准备,因而武器订货又趋上升.4)经济承受能力(表现在(GN P 大小)和军费是影响武器订货的另两个主要因素.结论 决定军品订货量的主要因素有:①国民生产总值(GN P ), ②军费, ③周边环境、国际环境和军事战略3 基于T 2S 模糊模型的自适应模糊神经网络311 模糊推理网原理[3]设系统的模糊模型由T 2S 模型描述,即由以下形式的模糊隐含规则组成,R 1:If x 1is A i 1and x 2is A i 2and …and x n is A in TH EN y i =f i (x 1,x 2,…,x n )(1)式中f :U <R n →R ,x θ=(x 1,x 2,…,x n )<U ,A 1,A 2,…,A n <F (U ),通常用隶属函数ΛA i j (j=1,2,…,n ),R i 表示模糊规则基的第i 条规则,i =1,2,…,N .若模糊隐含关系为1,对于给定的一组输入(x 1=x 01,x 2=x 02,…,x n =x 0n),系统的输出为y =6Ni =1(ΛA i j (x 01) ΛA i 2 (x 02),…,ΛA 0n(x 0n)) f i(x 01,x 02,…,x 0n )6Ni =1(ΛA i 1 (x 01) ΛA i 2 (x 02),…,Λ0A i n(x 0n))(2)若取算子“・”为代数积,则有y =f (x θ)=6N i =17nj =1(ΛA ij (x 0j )) f i(x 01,x 02,…,x 0n )6N i =17nj =1(ΛA ij (x 0j ))(3) 定义93第3期军品订货量的一种自适应模糊预测方法研究P i (x θ)=7nj =1(ΛA ij (x j ))6N i =17nj =1(ΛA ij (x j )) i =1,2,…,N (4)则模糊系统(1)式等价为基函数P i (xθ)的扩张,即y =f (x θ)=6Ni =1P i (x θ) Ηi(5)式中Ηi ∈R ,可以是f i ,也可以是其它某些常数,本文中取Ηi =f i.事实上,模糊基函数是与模糊if -then 规则相对应的.文[3]利用Stone 2W eiestrass 定理证明了此种模糊基函数的扩张是一般的函数近似器,故称其为模糊推理网.312 模糊推理网的神经网络实现基于上述模糊推理网原理,采用连接主义表达的神经网络结构如图1所示,它由输入层、模糊化层、前件匹配层、强度归一化层和输出层共5层节点组成.图1 模糊神经元网络结构图1)输入层该层的各个节点与输入向量的相应分量x i (i =1,2,…,n )直接相连,它将输入变量传送到下一层.2)模糊化层该层的每个节点m ij 对应于一个语言变量,如N L ,N M ,N S ,ZO ,PS ,PM 和PL 等,通过高斯型隶属函数,完成输入变量的模糊化.为简单起见,本文中设每个输入变量的论域均划分为r 个模糊子集.mij=ΛA ij (x i )=exp {-(x i -c ij )2 b ij } i =1,2,…,n ;j =1,2,…,r (6)式中c ij 和b ij 分别表示隶属函数的中心与宽度.3)前件匹配层该层的每个节点对应于一条模糊规则,它完成模糊规则的前件匹配,通过输入语言变量的组合来形成规则的激励强度,本文采用代数积运算,这样得到的激励强度所包含的前件信息较之采用逻辑与运算更充分[4],即a k =m 1,j 1 m 2,j 2,…,m n ,jn i =1,2,…,n ;k =1,2,…,N j 1,j 2,…,jn ∈{1,2,…,r } 4)归一化层该层节点与前层节点相对应,具有与前层相同的节点个数,它的每一个节点完成相应激励强度的归一化计算,得到模糊推理网的基函数P (xθ)即P k =a k6Ni =1a i k =1,2,…,N (8) 5)输出层04系统工程理论与实践1999年3月该层节点对基函数P k 进行加权线性和,直接给出清晰化的输出值,避免了去模糊步骤.由(1)式可知,每条模糊规则的后件定义为输入变量的一个函数,所以y =6Ni =1a i fi6Ni =1a i =6Ni =1P i fi(9) 实际上,f i 即是模糊推理网(5)式中的Ηi ,由图1可知,它起着连接权的作用,模糊规则的学习即是对f i 的修正.313 学习算法设期望输出为y d ,网络输出为y ,定义目标函数J =12(y d -y )2=12∆2(10)采用梯度法,则有5J5y=-(y d -y )=-∆(11)为了计算梯度表达式,将(1)式中的f (・)进一步定义为如下线性函数f i =g i 0+g i 1x 1+…+g in x n =6nk =0g ik x k(12)式中g ik (i =1,2,…,N )称为后件参数,设x 0=1,则有5J 5g ik =5J 5y 5y 5f i 5f i5g ik=-(y d -y )p i x i(14)又因为∃f i =f i (t +1)-f i (t )=6nk =0∃g ik x k(15)所以f i (t +1)=f i (t )+∃f i =f i (t )+6∃g ik x k =f i (t )+Γ∆p i 6nk =0x 2k(16)式中Γ为学习效率,0<Γ≤1.隶属函数中心c ij 和宽义b ij 亦采用误差反传进行修正,由图1及(6)式,得5J 5c ij =5J 5y 5y 5p k 5p k 5a k 5a k 5m ij 5m ij 5c ij i =1,2,…,n ; j =1,2,…,r ; k =1,2,…,N (17)因为5y 5p k =55p k6Ni =1p i fi=fk(18)5p k 5a k =55a i a k6Ni =1a i =6Ni =1a i -a k6Ni =1a i2=(1-p k )6Ni =1a i(19)5a k 5m ij =55m ij(m 1,j 1,m 2,j 2,…,m n ,j r )=m 1,j 1 m 2,j 2,…,m n ,j r m ij =a k m ij (20)k =1,2,…,N ; i =1,2,…,n ; j ,j 1,j 2,…,j r ∈{1,2,…,r }5m ij 5c ij =55c ijexp {-(x i -c ij )2 b ij }=exp {-(x i -c ij )2 b ij } (2(x i -c ij ) b ij )=2m ij (x i -c ij ) b ij(21)将(18)～(21)式代入(17)式得5J5c ij=-2∆f k p k (1-p k ) (x i -c ij ) b ij (22)同理可得5Jb ij=-∆f k p k (1-p k ) (x i -c ij )2 b 2ij (23)14第3期军品订货量的一种自适应模糊预测方法研究从而∃c ij=Α∆f k p k(1-p k)(x i-c ij) b ij(24)∃b ij=Β∆f k p k(1-p k)(x i-c ij)2 b2ij(25)式中Α,Β为学习效率,0<Α≤1,0<Β≤1.因为每个输入变量x i(i=1,2,…,n)的第j(j=1,2,…,r)个语言变量只对全部规则中的r n-1条规则产生作用.所以,对于任一组样本数据的学习,每一个隶属函数中的参数c ij和b ij应该只由受该隶属函数作用的r n-1条规则进行修正.因此,(24)和(25)两式中含有下标k的因子的计算应改为6r(n-1)k=1f k p k(1-p k),最后得到c ij和b ij的修正公式为∃c ij=Α∆(x i-c ij) b ij6r(n-1)k=1f k p k(1-p k)(26)∃b ij=Β∆(x i-c ij)2 b2ij6r(n-1)k=1f k p k(1-p k)(27)4 军品订货量模糊预测模型的建立和1997～2004军品订货量的预测411 1970～2004预测模型的输入量确定1)1970～2004国民生产总值(GN P)的确定根据统计年鉴,可得到1970～1995年各年的GN P(当年价),又根据九五规划和2004年远景纲要,预计1996～2000年我国的GN P年增长率为8%,2001～2004年为712%,这样以1995年的GN P为基值,可推算出1996～2004年各年的GN P值(95价)并统一换算为1978可比价,可得到如表3第1列所示1970～2004的GN P值.2)1970～2004军费的确定根据统计年鉴,可得到1970～1995年中各年的军费值,又根据1996年度国家财政报告,可得到1996军费值.然后再求出每年军费GN P比值,其结果如表1.表119707.09919795.0019881.549 19717.64419804.33619891.572 19726.94219813.51919901.64 19735.8219823.39119911.1632 19745.23519833.0519921.572 19755.23119842.59619931.235 19765.04119852.23519941.226 19775.13219862.0719951.246 19784.67719871.85519961.279 从上列数据中可以看出,军费GN P的比例逐年下降,最近几年处于比较稳定的状态,保持在1120～1125之间.根据国外经验以及我国的国情,1997～2004年中的各年军费GN P比例会保持比较稳定的势态,不会低于1120,但也不会超过1125.表2是行业内专家估计的1997～2004年中各年的军费GN P预测值.表2 19971998199920002001200220032004 1121112111211122112011201120112124系统工程理论与实践1999年3月 再根据(1)中得到的1997～2004年我国的GN P 值便可推算出1997～2004年的军费值(95价),将1970～2004军费值换算为78可比价,列为表3第2列.3)1970～2004周边环境、国际环境和军事战略对军品订货量影响程度的量化本文采用A H P 法对周边环境、国际环境和军事战略对军品订货量影响程度的大小进行量化,权重和相对重要度越大.对军品订货量的影响也就越大.①建立多级递阶结构如图2所示图2②建立判断矩阵准则层判断矩阵C 为C =1931 91171 321则有 Κm ax =3.027 C ・I =Κm ax -nn -1=0.0135满足相容性指标,权重=[c 1,c 2,c 3]=[0.5969,0.0572,0.3457].对于周边环境恶劣程度进行评判,如果按照每年之间进行比较判断,则时间跨度太长,年与年之间很难给出一个比较准确的评判值.如果根据实际情况划分为几个时间段,便可以明显地看出相对重要程度的大小.基于此,将1970～2004年(1997～2004年是展望)划分为如下若干阶段1)70 71 中苏关系紧张时期 2)72 76 相对平静时期,但处于对峙状态3)72 79 中越边境战争时期4)80 85 中越边境小规模摩擦时期5)86 90 平静时期,苏联解体前6)91 94 平静时期,苏联解体后7)95 96 海峡两岸关系倒退时期8)97 2004 稳定时期则准则层C 1周边环境的判断矩阵A 1为A 1=143578691 411 3256371 331467581 51 21 4146371 71 51 61 414361 81 61 71 61 411 331 61 31 51 31 33151 91 71 81 71 61 31 51Κm ax =8.9383 C I =Κm ax -n n -1=0.134满足一致性指标,相对重要度=[w 11,w 12,w 13,w 14,w 15,w 16,w 17,w 18]=[0.7626,0.2928,0.5002,0.2276,0.1297,0.0535,0.0984,0.0354].34第3期军品订货量的一种自适应模糊预测方法研究同样,按照实际情况,将1970-2004年划分如下几个阶段1)70 79 军备竞赛高峰国际环境恶劣时期2)80 85 务实政策实施后国际环境好转3)86 89 冷战结束前4)90 2004 和平与发展则准则层C2国际环境的判断矩阵为A2=1359 13136 151314 1916141Κm ax=4.1228 C I=Κm ax-nn-1=0.0409满足一致性,相对重要度=[w21,w22,w23,w24]=[0.5732,0.2623,0.1212,0.044].将1970～2004划分为如下的时间段1)70 77 十一届三中全会召开前2)78 85 十一届三中全会后,由临战转为和平建设3)86 90 百万大裁军,工作重心转为经济建设4)91 96 新的军事战略形成并实施5)97 2004 稳定发展,走高技术建军之路则准则层C3军事战略的判断矩阵A3为A3=137122 13131713 171311915 27914 1235141Κm ax=5.1241 C I=Κm ax-nn-1=0.031相对重要性=[w31,w32,w33,w34w35]=[0.2726,0.0674,0.035,0.4715,0.15143].③对1990～2004年各年综合重要度计算.对于每年的综合重要度计算采用下式b j=63i=1C i w i k j=1970,1971,…,2004计算结果如表1第3列所示.412 模糊神经网络的训练和泛化检验根据上面得到的GN P,军费和周边环境等3个输入变量的1970～1996年值和航空、兵器、船舶3个行业的订货量(输出变量)对模糊神经网络进行训练.本文将3个输入变量的模糊子集均匀化分为{N L, N M,N S,PS,PM,PL},每一个隶属函数的宽度初值均为b=0115,经6000次训练后,得到模糊预测模型.由该模型对1970～1996年的订货量进行检验,结果表明预测结果是令人满意的.另一方面,为了说明和检验该网络的泛化能力,用未包含1973,1983,1993三年的样本数据对模糊神经网络进行训练,由此获得的44系统工程理论与实践1999年3月模糊预测模型亦能得到满意的预测结果,说明该模型具有较高的可靠性.学习结果还表明,各模糊子集的隶属函数均有修正,避免了人为主观性.图3为海军订货的泛化检验图.表3 19702046.199951145.259950.34370019845988.540039155.4600070.10290019712217.030029169.470010.34370019856752.799805150.9299930.10290019722296.020020159.3899990.21020019867301.779785151.1499940.05570019732498.100098145.3899990.210200019878098.339844150.2200010.05570019742548.040039133.3899990.21020019889013.309570139.6199950.05570019752723.370117144.2499950.21020019899404.410156147.8399960.05570019762667.120117134.4499970.21020019909784.750000160.4700010.05570019772904.129883149.0399930.269100199110584.900491172.7500000.18070019783588.100098167.8399960.269100199211962.730469188.0500030.18070019793860.800049215.0099950.269100199314327.290039176.9400020.18070019804162.200195180.3699950.102900199415988.570312196.0200020.18070019814348.779785153.0299990.102900199517940.500000223.5399930.19340019824729.120117160.6000060.102900199618530.289062237.3699950.19340019835220.689941158.9600070.102900199719139.480469233.5000000.184340199819768.689453241.1799930.184340200222147.570312267.9899900.184340199920418.580078249.1100010.184340200322696.169922247.6199950.184340200021089.839844259.4100040.184340200423658.349609283.7300110.18434020012162.349609261.5100100.184340图3 413 1997～2004年军品订货量的预测根据1997～2004输入变量的值,利用上面建立起来的预测模型,对未来8年航空、兵器、船舶的3个行业订货量进行了预测,预测如图4所示.专家认为该预测结果是令人满意的.5 结论本文运用模糊神经网络对军品订货量的预测进行了建模.该预测模型不仅能实现模糊规则的自动更54第3期军品订货量的一种自适应模糊预测方法研究新,而且能不断修正各模糊子集的隶属函数,使模糊模型更具有合理性.一方面该模型有总结利用了人的经验,体现出预测过程中初步的人2机结合.本文的方法具有一般性,因而有广泛的应用前景.图4 参考文献1 章文茜,孔佑坤1“Fuzzy 控制”天气预报模型1模糊数学,1982,2(4):91～1052 金耀初1自适应模糊预测及其在天气预报中的应用1模式识别与人工智能11993,6(4):283～2903 W ang L X .Fuzzy system s are un iversal app rox i m ato rs .IEEE Fuzzy ’92,1992:1163～11704 诸静1模糊控制原理与应用1北京:机械工业出版社,1995:250～25864系统工程理论与实践1999年3月。
