军事物流系统效益评价研究
冯云  甘明  姜玉宏  李国栋
（后勤工程学院后勤信息工程系）

【摘要】军事物流系统效益的评价是一个比较复杂的问题，本文在对军事物流系统进行分析的基础上，建立了军事物流系统效益评价指标体系，提出了利用神经网络建立军事物流效益评价模型，并说明如何利用该模型对军事物流系统进行效益评价。实践表明，该方法为军事物流效益的评价提供了一种有效的评价手段。
【关键词】军事物流 评价 神经网络

军事物流，是指军事力量在平时和战时生活、训练、执勤及作战所需军事物资经过筹措、运输、包装、加工或生产、储存、供应等环节，最终送达部队而被消耗，实现其空间(或与支配权同时)转移的全过程。军事物流作为连接军用物资供给与消费需求的纽带，其效益的好坏在很大程度上影响着军用物资保障能力。
如何对军事物流效益进行评价，是一个比较复杂的问题。军事物流效益评价体系中含有多种定量及非定量因素，这给评价带来了很大的困难。在多数时候，往往采取通过专家，或者通过对多个指标简单的加减来作出对军事物流效益的评价。这种做法存在着明显的不足，因为评价体系的输入（各评价指标）和输出（军事物流效益评价结果）之间并不一定是简单的代数关系，专家的评价也由于看问题所处角度不同，评价结果也有较大差异。所以寻求评价体系的输入和输出的数学关系，建立一个合理的数学模型，将对军事物流效益评价有着重要的意义。利用神经网络理论建立军事物流效益评价系统的数学模型，可为军事物流效益评价提供一种有效的评价手段。
一、 军事物流效益评价体系指标
总的来讲，军事物流系统应以较低成本满足部队物资需求为目标，即以军事效益为第一基准，在确保军事效益的前提下追求经济效益最大化，实现军用物资资源的合理配置，提高军事效益与经济效益。军事物流效益评价体系指标应根据军事物流系统目标来进行设立，这样才能对一个军事物流系统进行客观的、全面有效的评价。
军事物流系统主要有以下几个方面的具体目标：
①服务目标：军事物流系统是为部队作战服务的，这种服务性要求以部队为核心，按照部队的要求适时、适地、适量地将物资送到部队，满足作战需要。
②快速及时目标：时间就是生命，快速及时是对军事物流系统提出的要求。在物流领域采取的，如直达物流、联合一贯运输等管理和技术，就是这一目标的体现。
③经济效益目标：现代战争的最大特点之一就是高消耗，讲求效益是保持国家战争潜力的重要措施。对于军事物流系统而言，在追求保障目标的同时，也需要核算物流成本，讲求经济效益。
④规模化目标：即通过引入机械化、自动化来提高物流设施规模化的处理能力；通过计算机和通信技术的应用以及物流网络的建立与完善来实现信息处理的规模化，提高军事事物流的集约化程度。
根据以上军事物流系统目标，建立如表1所示军事物流效益评价体系指标。
表1  军事物流效益评价体系
物资供应 供应的及时性(X1)
 供应的准确性(X2)
 物资的质量(X3)
 物资的价格(X4)
物流成本费用 库存成本(X5)
 运输成本(X6)
 交易费用(X7)
提供的服务 服务的及时性(X8)
 服务的水平(X9)
 服务的费用(X10)
物流水平 机械化、自动化水平(X11)
 信息化技术水平(X12)
 集约化程度高低(X13)
将以上四个方面的13个指标分别用X1，X2，┅┅，X13代表，每个指标分为十级，聘请专家采取打分方式建立标所示军事物流效益评价表。
表2  军事物流效益评价表
序号 X1  X2  ┅┅ X13  综合评价X

二、基于神经网络的军事物流系统效益评价
人工神经网络是一门新兴的交叉学科，它处理信息的方式完全不同于以往的符号逻辑系统，具有一些独特的性质：如信息的分布式存储和并行处理、信息存储与处理的合一，具有自组织、自学习能力，它已经被广泛应用于模式识别、信号处理、知识工程、专家系统、优化组合、智能控制等各个方面。相对于传统的数据处理方法，它更适合处理模糊的、非线性的和模式特征不明确的问题。
神经网络的不同节点之间的连接权重是不同的，每个连接之间有不同的权重，并在训练期间发生变化。网络训练的过程是用一组输入数据与相应的输出数据输进网络，网络根据这些数据来调节不同连接节点之间的权重，直至实际输出与期望输出相同或相似。
1、BP神经网络及其学习方法
BP网络是一单向传播的多层前向网络，网络除输入输出节点外，有一层或多层的隐层节点，同层节点没有任何的耦合。输入信号从输入层节点，经过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出，其单元特性(传递函数)通常采用Sigmoid型，但在输出层，节点的单元特性可采用线性，其网络结构如图1所示。

BP算法是一种误差反向传播的自动学习过程，其算法思路是：先设定网络的初始状态，对训练样本作前向运算，然后判断网络输出与实际值之间的误差，如果网络收敛，则结束学习，输出网络结果；否则将误差作反向传播，调整网络的权值与阈值，直到网络收敛为止。 算法步骤如下：
① 设置初始权矩阵w(0)为较小的随机非零值。
② 给定输入/输出样本对，计算网络的输出：
输入、输出分别为：xp=( x1p, x2p,…,xmp)
dp=(d1p,d2p,…,dnp)     p=1,2,…,L
 节点i在第p组样本输入时，输出为
                               (1)  
式中  xjP——在第p组样本输入时，节点i的第j个输入
f是激励函数，采用Sigmoid型，即：            (2)   
可由输入层经隐层至输出层，求得网络输出层节点的输入。
③ 输出层各节点输出平方误差为：              (3)  
误差平方和为：                                (4)
若E小于预先给定的  (  为一个很小的数)，则训练结束，如果不满足要求，则采用反向传播计算不断调整权系数，以达到期望要求。
④ 反向传播计算：
由输出层，按“梯度下降法”反向计算，逐层调整权值。 
                                   (5)
式中  —— 步长或称为学习率， 
2 军事物流系统效益评价模型的建立：
①军事物流系统效益评价的BP网络结构设计：
对于军事物流系统效益评价，采用单隐含层网络的BP网络来实现其综合评价。输入层为：X＝[X1，X2，┅┅，X13]，为评价系统的各个评价指标，隐含层结点数的选取具有一定的任意性，一般来讲，具有单隐含层网络，如隐含层节点的数目为2N＋1(N为输入的评价指标个数)，则可实现输入的任意函数，故网络结构可以选为13—27—1型，即输入层节点数为13，隐含层节点数为27，输出层节点数为1。   
②初始参数设定：
为了用相应的BP算法对网络进行训练，还需确定相应的初始参数:
初始权矩阵可采用从[－1，1]间隔中产生随机数用于权矩阵，激活函数一般采用sigmoid型，学习率取η=0.9，总体误差取0.01。
网络结构和参数基本确定之后，就可采用相应的BP算法对网络进行学习，学习训练算法采用反向传播(BP)算法。将学习矩阵加载到网络输入端，进行反复的学习训练，当误差函数趋于稳定并达到规定值，训练结束，便得到相应的评价模型。 
3、军事物流系统效益评价：
由专家对多个军事物流系统的13个单项指标分别进行打分（按10分制打分，实际操作时也可由有关人员按相应标准进行打分），再由专家对每个军事物流系统进行综合效益评价，得到军事物流效益评价数据(共采集了20组数据，具体数据略)。将采集的20组数据分为两部分，一部分（16组）作为训练集来使网络学习，另一部分（4组）作为检验数据。
网络经过16组数据学习后，用另外4组数据输入网络进行检验，结果如下：
4组数据中有3组的模型输出结果与专家评估吻合较好，有一组误差要大一些。根据检验结果可得出模型输出结果与专家评估吻合的概率为75％ 。从该结果来看，模型输出结果与专家评估结果来说吻合较好，结果令人满意。有的误差较大主要是由于训练样本较少的缘故。随着训练样本的增加，模型输出结果与专家评估结果之间的误差将逐渐缩小。   
经过反复训练得到的军事物流系统效益评价模型，综合了专家对军事物流系统有关效益的综合评价，可将其应用到实际的军事物流系统效益的评价上。即：针对某一特定军事物流系统，按照军事物流效益评价体系中的各项指标进行打分，然后将各项指标分值输入到该模型中，运行该模型，即可得到对该军事物流系统效益的综合评价值。

三、结论：
军事效益的综合评价是一个比较复杂的问题。采用神经网络技术建立军事物流效益评价模型及评价方法为军事物流效益的评价提供了一种有效的评价手段。该模型在一定程度上可以取代专家对军事物流系统效益进行综合评价，不仅克服了由人工评价所带来的人为因素的随机性和参评人员主观上的不确定性及其认识上的模糊性，保证了评价结果的客观性、准确性；而且，由于随着时间的推移和参与样本的增加，还可以进一步地学习和动态跟踪，具有较强的动态性。因此，该方法具有一定的实际使用价值。

【参考文献】
[1]. 王丰，姜大立，彭亮, 军事物流学[M]，北京： 中国物资出版社 2003:16-17
[2]. 胡守仁，神经网络应用技术. 国防科技大学出版社，1995：365～388.

(本文参加了第五次中国物流学术年会论文评审工作）