兵力组织扁平化指挥控制结构设计方法

兵力组织扁平化指挥控制结构设计方法
孙昱;姚佩阳;吴吉祥;贾方超
【摘要】合理的兵力组织指挥控制结构能提高兵力组织的整体作战效能.首先介绍了兵力组织的组成要素,提出了兵力组织扁平化指挥控制结构的数学描述方法.在其基础上分析了扁平化指挥控制结构设计问题,以均衡和最小化组织中各决策单元的负载水平为目标建立了相应的优化模型.最后提出了一种多目标模糊离散粒子群求解算法,并结合联合作战算例证明了算法的有效性和优越性.
【期刊名称】《系统工程与电子技术》
【年(卷),期】2016(038)008
【总页数】7页(P1833-1839)
【关键词】兵力组织;扁平化;指挥控制结构;多目标优化
【作者】孙昱;姚佩阳;吴吉祥;贾方超
【作者单位】空军工程大学信息与导航学院,陕西西安710077;空军工程大学信息与导航学院,陕西西安710077;空军大连通信士官学校,辽宁大连116600;空军大连通信士官学校,辽宁大连116600
【正文语种】中文
【中图分类】E917
兵力组织是围绕一定的作战目的,由各作战单元有机组合而形成的一个作战整体。

组织权变理论[1]认为,没有一致的普遍适用的组织模式,只有在具体使命环境下,适用于具体条件的最佳组织。

兵力组织设计的目的就是在具体使命环境中,构造出与该
使命环境相适应的最佳组织。

兵力组织指挥控制结构是兵力组织为了完成其作战目的,对组织内各决策单元所属的资源、任务、以及决策单元相互间关系作出的安排[2-3]。

兵力组织指挥控制结构设计是兵力组织设计的重要环节。

文献[4-6]首先对兵力组织指挥控制结构设计问题进行了研究,并将指控结构设计分为平台资源聚类和组织层次结构设计两个子阶段。

平台资源聚类阶段主要完成平台资源到决策单元的合理配置以及决策单元间协作关系的建立,组织层次结构设计阶段主要完成决策单元间上下级关系的建立。

文献[7-8]分析了Levchuk在平台资源聚类阶段中所采用方法的不足,并对其进行了改进。

文献[9-12]提出将兵力组织指挥控制结构设计分为组织协作网设计和组织决策树设计两个子阶段,这两个子阶段中完成的工作与Levchuk等人的工作类似。

随着技术水平的发展,现代战场环境更加错综复杂,传统的金字塔型等级式指挥控制结构由于存在反应速度慢、可扩展性差等不足,越来越难以适应网络化的作战需求,以敏捷、灵活为特点的扁平化组织模式逐渐被接受采纳。

然而目前大部分研究设计的仍然是传统的等级式指控结构,与未来作战指挥控制的发展趋势并不相符。

此外,目前对兵力组织指控结构的设计通常分为两个子阶段,这样虽然降低了设计难度,但可能使最终的设计结果偏离最优解。

在对兵力组织指控结构设计问题的求解中,目前采用的主要方法是层次聚类法,然而该方法是一种基于贪婪策略的近似解法,并不一定能得到最佳的求解结果。

针对这些不足,本文研究兵力组织扁平化指挥控制结构(flattening command and control structure of army organization, FC2SAO)的设计方法。

首先,对
FC2SAO进行数学描述;然后分析FC2SAO设计问题并建立相应的数学模型;最后提出一种多目标模糊离散粒子群算法求解模型,并通过实验证明算法的有效性和优越性。

兵力组织中的实体[13]通常包括任务实体(task, T)、决策实体(decision-maker,
DM)和平台实体(platform, P)。

任务实体是兵力组织为达成其作战目的而采取的
行动,兵力组织所有任务实体的集合构成组织的任务层。

决策实体是兵力组织的核
心要素,负责组织中的指挥、决策和协调等工作,兵力组织所有决策实体的集合构成
组织的决策层。

平台实体是在决策实体的控制下,直接参与作战任务的对象,兵力组
织所有平台实体的集合构成组织的资源层。

为使指控结构扁平,兵力组织决策层通常分为战役指导层和战术控制层两个子层[3]。

战役指导层中有一个战役决策实体(operational decision-maker, ODM)负责对整个兵力组织进行宏观集中控制,战术控制层中有若干战术决策实体(tactical decision-maker, TDM)负责具体作战任务的执行。

FC2SAO中OC2包括决策层中战役决策实体对战术决策实体的指挥关系RODM-TDM、战术决策实体间的协作关系RTDM-TDM、决策层中战术决策实体对资源
层中平台实体的控制关系RTDM-P和决策层中战术决策实体对任务层中任务实体
的执行关系RTDM-T,用四元组OC2=(RODM-TDM,RTDM-TDM,RTDM-
P,RTDM-T)表示。

典型FC2SAO如图1所示。

将兵力组织中的战役决策体记为ODM;所有战术决策实体构成的集合记为
STDM={TDM1,TDM2,…,TDMND},ND为战术决策实体的数量;所有平台实体构成的集合记为SP={P1,P2,…,PNP},NP为平台实体的数量;所有任务实体构成的集合记为ST={T1,T2,…,TNT},NT为任务实体的数量。

战役决策实体对战术决策实体的指挥关系RODM-TDM可由向量, )描述,其中,=1
表示战役决策实体ODM指挥战术决策实体=0表示ODM不指挥TDMi。

因此,关系RODM-TDM由一元组RODM-TDM=(VODM-TDM)表示。

战术决策实体间的协作关系RTDM-TDM分为全局协作和局部协作两种类型。

全
局协作是各战术决策实体为了共享态势信息以及及时处理一些影响全局的突发事件而进行的协作。

战术决策实体间的全局协作关系可由矩阵MTDM-
TDM=)ND×ND描述,其中,=1表示TDMi与TDMj之间存在全局协作,mTDM-TDMij=0表示TDMi与TDMj之间不存在全局协作。

局部协作是指多个战术决策实体在具体任务中的协作,例如图1(c)中TDM2和TDM3都参与执行任务T4,它们在执行任务T4上保持局部协作。

战术决策实体间的局部协作关系可由矩
阵)ND×ND描述,其中,=1表示TDMi与TDMj在任务Tk上存在局部协作,=0表示TDMi与TDMj在任务Tk上不存在局部协作。

综上所述,兵力组织战术决策实体间的协作关系RTDM-TDM由(NT+1)元组RTDM-TDM=(MTDM-TDM, MTDM-TDM-T1,MTDM-TDM-T2,…,MTDM-TDM-TNT)表示。

战术决策实体对平台实体的控制关系RTDM-P可由矩阵)ND×NP描述,其中,=1表示TDMi指挥控制平台=0表示TDMi不指控平台Pj。

因此,关系RTDM-P由一元组RTDM-P=(MTDM-P)表示。

战术决策实体对任务实体的执行关系RTDM-T可由矩阵)ND×NT描述,其中,=1表示TDMi执行任务=0表示TDMi不执行任务Tj。

因此,关系RTDM-T由一元组RTDM-T=(MTDM-T)表示。

兵力组织设计的步骤如下:
步骤 1 确定兵力组织的任务集ST以及ST中各任务间的时序关系RT-T(任务间的时序关系RT-T可由矩阵)NT×NT描述,其中,=1表示任务Ti需在任务Tj开始之前完成,=0表示任务Ti并不需在任务Tj开始之前完成);
步骤 2 确定兵力组织的平台集SP以及ST中任务和SP中平台的对应关系RT-P(平台-任务关系RT-P可由矩阵)NT×NP描述,其中,=1表示在任务Ti中需使用平台=0表示在任务Ti中不需使用平台Pj);
步骤 3 确定兵力组织的战术决策实体集STDM以及兵力组织扁平化指挥控制结构OC2。

如何实现步骤1是一个军事行动过程(course of action, COA)设计问题[14],如何
实现步骤2是一个资源调度问题[4],而如何实现步骤3即为本文所要解决的
FC2SAO设计问题。

在实现步骤3时,假定步骤1和步骤2已经完成,即兵力组织的任务集ST、平台集SP、任务间时序关系RT-T和任务-平台关系RT-P是已知的。

解决FC2SAO设计问题在于确定兵力组织的战术决策实体集STDM以及兵力组织扁平化指挥控制结构OC2。

在OC2=(RODM-TDM,RTDM-TDM, RTDM-
P,RTDM-T)中,战术决策实体与平台实体间的关系RTDM-P是其中的关键要素。

当STDM和RTDM-P=(MTDM-P)确定时,OC2中的其他关系也随之确定,具体方式如下所述。

战术决策实体与任务间的关系为RTDM-T=(MTDM-T)。

若完成任务Tj需要使用
平台Pk,而平台Pk受战术决策实体TDMi指控,则TDMi是Tj的执行者之一。

因
此矩阵)ND×NT 为
式中,为矩阵MTDM-P中的元素为矩阵MT-P中的元素。

由于MT-P已知(在步骤
2中被确定),故RTDM-P=(MTDM-P)确定时,RTDM-T=(MTDM-T)随之确定。

战术决策实体间的关系为RTDM-TDM=(MTDM-TDM,MTDM-TDM-T1,MTDM-TDM-T2,…,MTDM-TDM-TNT)。

矩阵)ND×ND描述了战术决策实体间的全局协
作关系。

为了共享态势信息以及及时处理突发事件,兵力组织任意两个战术决策实
体间均需保持全局协作,故
矩阵)ND×ND描述了战术决策实体在任务Tk上的局部协作关系,为
式中,为矩阵MTDM-T中的元素。

当RTDM-P=(MTDM-P)确定时,RTDM-
T=(MTDM-T)随之确定,进而可以确定矩阵MTDM-TDM-Tk。

因此当RTDM-
P=(MTDM-P)确定时,关系RTDM-TDM=(MTDM-TDM,MTDM-TDM-
T1,MTDM-TDM-T2,…,MTDM-TDM-TNT)也是确定的。

战役决策实体与战术决策实体间的关系为RODM-TDM=(VODM-TDM),在兵力组织中,各战术决策实体都受战役决策实体的指挥,故VODM-TDM=(1,1,…,1)1×ND。

由以上分析可知,当集合STDM和关系RTDM-P=(MTDM-P)确定时,兵力组织的指控结构OC2是确定的,因此解决FC2SAO设计问题的关键在于合理地确定集合STDM和关系RTDM-P。

确定集合STDM,需要确定该集合中战术决策实体的数量ND。

战术决策实体数量过多使得组织内的沟通交流频繁,给各战术决策实体带来较大的负载;战术决策实体数量过少使得各战术决策实体需要分担的工作多,同样会带来较大的负载。

因此兵力组织中战术决策实体的数量ND需要保持一个恰当值。

确定战术决策实体与平台间关系RTDM-P是将平台集SP中的平台划分为若干组,每一组平台实体交由一个战术决策实体控制。

良好的分组方式可以避免战术决策实体间不必要的协作,同时均衡各战术决策实体的负载,从而提高整个兵力组织的作战效能[6]。

本节首先给出战术决策实体负载的测度方式,然后再建立FC2SAO设计问题的多目标优化模型。

3.1 负载测度
战术决策实体的负载可以分为局部负载和全局负载两部分。

局部负载又称为任务负载,是战术决策实体在执行其作战任务时,指挥控制平台实体,同时与其他战术决策实体进行局部协作而产生的负载。

战术决策实体TDMi∈STDM需要执行的任务构成的集合为=1且且1≤j≤NT}。

TDMi执行任务时指控的平台构成的集合为且且且且1≤k≤NP},在任务Tj上与TDMi进行局部协作的战术决策实体构成的集合为且k≠i且1≤k≤ND},则TDMi执行任务Tj时的负载定义为
式中,wC2为指控负载系数；wTC为局部协作负载系数；为集合中元素的个数；‖‖为集合中元素的个数。

战术决策实体TDMi总的任务负载为
战术决策实体的全局负载是战术决策实体进行全局协作而产生的工作负载。

战术决
策实体TDMi∈STDM的全局负载定义为
式中,wMC为全局协作负载系数；ND为集合STDM中元素的个数。

战术决策实体TDMi∈STDM的总负载为
3.2 多目标优化模型
由第3节中先前的分析知,兵力组织各战术决策实体的负载越低,越均衡,组织的整体作战效能越高,因此FC2SAO设计问题的目标函数可以从以下两方面考虑:
(1) 使集合STDM中所有战术决策实体的平均负载WTDM最小,即
(2) 使集合STDM中所有战术决策实体负载的方差DTDM最小,即
FC2SAO设计问题的约束包括以下几点:
(1) 兵力组织战役决策实体能同时指控的战术决策实体的数量存在上限LND,因此战术决策实体集合STDM中元素的数量ND满足2≤ND≤LND。

(2) 集合STDM中的每个战术决策实体至少指控一个平台实体,即战术决策实体与平台间的关系RTDM-P=(MTDM-P)满足≥1,其中1≤i≤ND。

(3) 集合SP中的每个平台实体只能接受一个战术决策实体的指控,即决策实体与平台间的关系RTDM-P=(MTDM-P)还须满足=1,其中，1≤j≤NP。

综上所述,FC2SAO设计问题的多目标优化模型为
式中,f是优化模型的目标向量。

优化模型的决策变量为集合STDM中元素数量ND和战术决策实体与平台实体间的关系RTDM-P=(MTDM-P)。

模糊离散粒子群算法[15]是求解组合优化问题的有效方法,本文在其基础上提出一种多目标模糊离散粒子群算法(multi-objective fuzzy discrete particle swarm optimization, MFDPSO)求解式(10)中的优化模型。

4.1 粒子编、解码
在MFDPSO算法中,每一个粒子由位置矩阵X=(xij)NP×LND和速度矩阵
V=(vij)NP×LND表示。

其中,位置矩阵X=(xij)NP×LND满足约束
速度矩阵V=(vij)NP×LND满足约束
每一个粒子经过解码后,对应优化模型的一个解。

粒子的解码步骤如下:
步骤 1 采用最大数法对其位置矩阵X解模糊,解模糊后得到的矩阵记为
Y=(yij)NP×LND,满足
步骤 2 若矩阵Y某列的所有元素之和为0,则将该列称为无效列。

将矩阵Y中的
所有无效列删除,形成矩阵Y′。

步骤 3 若矩阵Y′某行的所有元素之和大于2,则将该行称为无效行。

对于矩阵Y′
中的每个无效行,随机地选择该行中为1的一个元素,保持该元素的值不变并将该行中的其他所有元素值置0。

处理后形成的矩阵为Y″。

步骤4 若矩阵Y″只有1列,则给Y″添加一个所有元素都为0的新列,形成矩阵Y‴。

然后随机选择Y‴的某一行,交换该行中两个元素的位置,形成矩阵Z。

步骤 5 优化模型的决策变量为RTDM-P=(MTDM-P)和ND,则该模型的一个解为MTDM-P=ZT,ND为Z中列的数量。

根据粒子解码后得到的解可以计算优化模型的目标函数f=(WTDM,DTDM),称
f=(WTDM, DTDM)为该粒子的适应度函数。

粒子的位置变化时,其适应度函数也不断改变。

若粒子在位置X1时的适应度函数为f1,在位置X2时的适应度函数为f2,
当f1支配f2时,称位置X1优于X2;当f2支配f1时,称位置X1劣于X2;当f1与f2互不支配时,称X1既不优于也不劣于X2。

4.2 档案维护
MFDPSO算法为每个粒子维护一个个体档案,为整个粒子群维护一个群体档案。

粒子的个体档案保存该粒子在移动过程中较优的位置。

粒子个体档案的容量为1,
即档案中最多只能保存一个位置。

粒子个体档案的维护规则为:当向个体档案中添
加某个新位置时,若该新位置优于个体档案中的位置,则用新位置替换个体档案中的
位置;若新位置劣于个体档案中的位置,则不替换;若新位置既不优于也不劣于个体档
案中的位置,则随机决定是否替换。

粒子群的群体档案保存整个粒子群在移动过程中较优的位置。

群体档案的容量为GW,即在群体档案中最多只能保存GW个位置。

群体档案的维护规则为:当向群体
档案加入若干个新位置时,采用非支配排序方法[16]更新群体档案中的位置。

4.3 粒子更新
粒子移动时,按式(15)更新其速度矩阵和位置矩阵。

式中,V,X是更新前的速度矩阵和位置矩阵;V′,X′是更新后的速度矩阵和位置矩阵;XL 是从该粒子个体档案中读出的位置;XG是从粒子群群体档案中选出的位置,选择的
方法采用锦标赛机制;W为惯性系数,C1,C2为学习因子,这些参数为实
数;Rand1,Rand2为区间[0,1]内的随机数。

式(15)中涉及到实数与矩阵之间的乘法,以及矩阵之间的加减法,若矩阵A=(aij)I×J,
矩阵B=(bij)I×J,实数为λ,则其运算规则为
当粒子按式(15)更新其速度矩阵和位置矩阵时,若更新前速度矩阵V满足式(13)的
约束,位置矩阵X满足式(11)和式(12)的约束,则更新后的速度矩阵V′同样满足式(13)的约束,而更新后的位置矩阵X′满足式(11)的约束,但不一定满足式(12)的约束[15]。

此时,需要对矩阵X′进行规范化操作以使该矩阵满足式(12)。

具体步骤如下:
步骤 1 将X′中的所有小于0的元素置0；
步骤 2 计算X′中每一行所有元素之和；
步骤 3 将X′中的每一个元素除以该元素所在行的所有元素之和。

4.4 算法流程
MFDPSO算法的具体流程如图2所示。

粒子群初始化包括设置粒子群中粒子的数量、初始化各粒子的位置矩阵和速度矩阵、初始化粒子的个体档案和粒子群的群体档案、设置粒子群进化的代数上限。

粒子群进化是按式(15)对粒子群中的每一个粒子进行更新。

粒子群进化后,将各个粒子的
当前位置加入其各自的个体档案中,将所有粒子的位置加入粒子群的群体档案中,然
后按第4.2节中所述方法对个体档案和群体档案进行维护。

结束条件一般采用粒子群进化的代数是否达到上限来判断。

算法结束后,将群体档案中的Pareto最优解输出。

以文献[3]中提出的联合作战想定为算例,在Inter(R) Dual-Core CPU 3.06 GHz计算机上进行仿真实验。

其中,任务数量NT=18,平台数量NP=20,战役决策实体能指控战术决策实体的最大数量LND=6,负载系数wC2=1,wTC=1, wMC=3,通过任务规划[4]得到的两种可行任务-平台分配方案如表1所示。

仿真实验1 层次聚类法是兵力组织指控结构设计中采用的主要方法[5,7-8,10,12],然而该方法是一种基于贪婪策略的近似算法,并不一定能得到最佳的解。

本文提出
的MFDPSO算法是一种全局搜索算法,理论上能获得比层次聚类法更好的解。

分
别采用层次聚类法和MFDPSO算法求解算例,得到的Pareto最优解如图3所示。

从图3中可以看到,MFDPSO算法获得的解确实优于层次聚类法获得的解,证明了MFDPSO算法的有效性。

图3中的典型解(虚线圈内的解)如表2所示。

仿真实验2 由于第2代非支配排序遗传算法(non-dominated sorting genetic algorithm Ⅱ,N SGA-Ⅱ)算法是解决多目标优化问题的主要方法[16],故将MFDPSO算法与NSGA-Ⅱ算法进行对比来衡量MFDPSO算法的性能。

常用的多目标算法性能评价指标包括收敛性指标、覆盖性指标、均匀性指标以及算法耗时[17-18],其中,收敛性指标、均匀性指标和算法耗时越小越好,覆盖性指标越大越好。

分别使用NSGA-Ⅱ算法和本文提出的MFDPSO算法求解算例,设置NSGA-Ⅱ算
法和MFDPSO算法的进化代数上限为100,种群数量为50,各算法独立运行50次,所得结果如图4所示。

由图4可知,虽然MFDPSO算法在解集的均匀性上劣于NSGA-Ⅱ算法,但是MFDPSO算法在解集的收敛性和覆盖性上均优于NSGA-Ⅱ算法,且算法耗时更低,
因此综合来看,本文提出的MFDPSO算法在求解FC2SAO设计问题时的性能更佳。

本文研究了兵力组织指控结构设计问题,主要有以下3方面的工作:(1)给出了
FC2SAO的数学描述方法;(2)为合理的设计兵力组织的指挥控制结构,以均衡和最小化兵力组织中战术决策实体的负载水平为目标建立了相应的优化模型;(3)提出了一
种MFDPSO算法,并通过实验证明了该算法的有效性和优越性。

本文的不足是在建立模型时,假定所有战术决策实体的能力是相同的,而在实际作战中,其各自的能力具有一定的差异性。

因此本文下一步的工作是继续完善所建立的
模型并研究不确定性环境中兵力组织指挥控制结构的动态调整方法。

孙昱(1989-),男,博士研究生,主要研究方向为指挥控制系统建模与仿真。

E-mail:*************姚佩阳(1960-),男,教授,博士,主要研究方向为指挥控制理
论与技术。

E-mail:***************
吴吉祥(1985-),男,讲师,博士,主要研究方向为指挥信息系统、军事信息网络。

E-mail:***********************
贾方超(1989-),男,助教,硕士,主要研究方向为指挥信息系统。

E-mail:***************
【相关文献】
[1] Hollenbeck J R, Moon H, Ellis A P, et al. Structural contingency theory and individual difference: examination of external and internal person-team fit[J].Journal of Applied Psychology, 2002, 87(3): 599-606.
[2] Yu F, Tu F, Pattipati K R. A novel congruent organizational design methodology using group technology and a nested genetic algorithm[J].IEEE Trans. on Systems, Man, and Cybernetics-Part A: Systems and Humans, 2006, 36(1): 5-18.
[3] Yu F, Tu F, Pattipati K R. Integration of a holonic organizational control architecture
and multi-objective evolutionary algorithm for flexible distributed scheduling[J].IEEE Trans.
on System, Man, and Cybernetics-Part A: System and Humans, 2008, 38(5): 1001-1017. [4] Levchuk G M, Levchuk Y N, Luo J, et al. Normative design of organizations-part I: mission planning[J].IEEE Trans. on System, Man, and Cybernetics-Part A: System and Humans, 2002, 32(3): 346-357.
[5] Levchuk G M, Levchuk Y N, Luo J, et al. Normative design of organizations-part II: organizational structure[J].IEEE Trans. on Systems, Man, and Cybernetics-Part A: Systems and Humans, 2002, 32(3): 360-375.
[6] Levchuk G M, Levchuk Y N, Meirina C, et al. Normative design of organizations-part III: modeling congruent, robust, and adaptive organizations[J].IEEE Trans. on Systems, Man, and Cybernetics-Part A: Systems and Humans, 2004, 34(3): 337-350.
[7] Zhou X X, Yao P Y, Wang X. Command and control resource deployment based on improved hierarchical clustering method[J].Systems Engineering and Electronics, 2012,
34(3): 523-528. (周翔翔, 姚佩阳, 王欣. 基于改进层次聚类法的指挥控制资源部署[J].系统工程与电子技术, 2012, 34(3): 523-528.)
[8] Zhang J Y, Yao P Y. Model and solving method for collocating problem of decision-makers in C2 organization[J].Systems Engineering and Electronics,2012,34(4):737-742.(张杰勇,姚佩阳.C2组织决策实体配置问题建模与求解方法[J].系统工程与电子技术,2012,34(4): 737-742.)
[9] Yang D S, Peng X H, Xiu B X, et al. Organizational collaboration net and decision-making tree[J].Systems Engineering and Electronics, 2006, 28(1): 63-67. (阳东升, 彭小宏, 修保新, 等. 组织协作网与决策树[J].系统工程与电子技术, 2006, 28(1): 63-67.)
[10] Liu H F, Yang D S, Liu Z, et al. Research on algorithms of tailoring military force tailoring nodes of decision-making[J].Systems Engineering-Theory &
Practice,2007,27(5):106-112.(刘宏芳,阳东升,刘忠,等.兵力编成裁剪算法研究:决策结点裁剪[J].系统工程理论与实践,2007,27(5):106-112.)
[11] Liu H F, Yang D S, Liu Z, et al. Research on optimize algorithms of command relationship in tailoring military force structure[J].Journal of National University of Defense Technology, 2006, 28(4): 99-104. (刘宏芳, 阳东升, 刘忠, 等. 兵力编成结构裁剪中指挥关系优化研究[J].国防科技大学学报, 2006, 28(4): 99-104.)
[12] Yang D S, Zhang W M, Liu Z, et al. Designing of command and control organization[M]. Beijing: Nation Defense Industry Press, 2010. (阳东升, 张维明, 刘忠, 等. 指控组织设计方法[M]. 北京: 国防工业出版社, 2010.)
[13] Sun Y, Yao P Y, Zhang J Y. Measurement and comprehensive evaluation of C2 organizational information structure efficiency[J].Systems Engineering and Electronics, 2015, 37(6): 1313-1318.(孙昱,姚佩阳,张杰勇.C2组织信息结构效能测度及综合评估[J].系统工程与电子技术,2015,37(6):1313-1318.)
[14] Zhang J Y, Yao P Y, Yang D S, et al. Approach to organizational course of actions
selection based on DINs and PSO[J].Systems Engineering-Theory & Practice, 2011, 31(10): 1985-1992. (张杰勇,姚佩阳,阳东升,等.基于DINs和PSO的组织行动过程选择方法[J].系统工程理论与实践,2011,31(10):1985-1992.)
[15] Pang W, Wang K P, Zhou C G, et al. Dong fuzzy discrete particle swarm optimization for solving traveling salesman problem[C]∥Proc.of the 4th International Conference on Computer and Information Technology, 2004: 1-5.
[16] Deb K, Pratap A, Agarwal S, et al. A fast and elitist multi-objective genetic algorithm: NSGA-II[J].IEEE Trans. on Evolutionary Computation, 2002, 6(2): 182-197.
[17] Van V D A, Lamont G B. On measuring multi-objective evolutionary algorithm performance[C]∥Proc.of the Congress on Evolutionary Computation, 2000: 204-211. [18] Goh C K, Tan K C. An investigation on noisy environments in evolutionary multi-objective optimization[J].IEEE Trans. on Evolutionary Computation, 2007, 11(3): 354-381.。