本申请涉及计算机技术领域，特别是涉及一种面向复杂问题的探索性评估分析方法、装置、计算机设备和存储介质。
背景技术：
武器系统，是指军用航空器的武器弹药及其各种辅助装置所构成的综合系统，用于杀伤和摧毁空中、地面、水面和水下各种目标。辅助装置包括武器的安装或悬挂装置和保证武器弹药战斗使用和命中目标的各种软件、硬件设备。
对武器系统的评估是通过特定的评估分析方法，评估武器系统的作战效能，但现有技术存在系统建模准确性不高，评估效率低的问题。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提高武器系统评估分析准确性和效率的面向复杂问题的评估分析方法、装置、计算机设备和存储介质。
一种面向复杂问题的评估分析方法，所述方法包括：
获取武器系统的待评估问题，确定评估目标，根据评估目标确定评估对象属性，建立以评估对象属性为输入，评估指标为输出的评估模型；评估对象属性为武器系统的作战能力属性；
求解评估模型，得到评估指标值；
根据评估指标确定评估指标的未确知熵，当未确知熵大于预设的阈值时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵；敏感区域是变化对评估模型的输出影响效应大的区域；
通过补充信息数据对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新，以减小输出的评估指标的未确知熵，直到评估模型输出的评估指标的未确知熵小于阈值，结束迭代，输出评估指标，完成对评估对象的评估。
在其中一个实施例中，还包括：根据评估指标确定评估指标的未确知熵，未确知熵的计算基于概率分布函数或信度分布函数。
在其中一个实施例中，还包括：当所述未确知熵的计算基于概率分布函数时，在专家信息的基础上通过贝叶斯方法确定概率信息；
当所述未确知熵的计算基于信度分布函数时，通过多专家集成交互对话的方式确定信度信息。
在其中一个实施例中，还包括：当未确知熵以概率分布函数为描述形式时，评估指标的未确知熵的公式为：
其中，s表示未确知熵；n为离散化求和上限；i为求和计数参数；pi为离散化的每个部分的概率，pi＝f(yi 1)-f(yi)，y表示评估指标，f(y)表示概率分布函数；
当未确知熵以信度分布函数为描述形式时，评估指标的未确知熵的公式为：
其中，s(y)表示未确知熵；pi为离散化的每个部分的信度，pi＝f(yi 1)-f(yi)，y表示评估指标，f(y)表示信度分布函数。
在其中一个实施例中，还包括：通过分支定界筛选法筛掉评估对象属性中的不敏感属性；
通过2k实验设计与分析方法，求剩余属性的主效应与关联效应；
根据主效应与关联效应，把主效应与关联性都较强的属性组成属性向量空间，通过区域筛选的方法在属性向量空间中获取敏感区域。
在其中一个实施例中，还包括：当未确知熵以概率分布函数为描述形式时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵的公式为：
其中，属性向量空间被划分为n个子区域，记为ai(i＝1···n)，a1···al为敏感区域，al···an为非敏感区域，l为敏感区域子区域的计数上限，且
当未确知熵以信度分布函数为描述形式时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵的公式为：
在其中一个实施例中，还包括：通过加大实验力度、增大试验规模以补充信息数据，对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新。
一种面向复杂问题的评估分析装置，装置包括：
评估模型建立模块，用于获取武器系统的待评估问题，确定评估目标，根据评估目标确定评估对象属性，建立以评估对象属性为输入，评估指标为输出的评估模型；评估对象属性为武器系统的作战效能属性；
评估模型求解模块，用于求解评估模型，得到评估指标；
敏感区域获取模块，用于根据评估指标确定评估指标的未确知熵，当未确知熵大于预设的阈值时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵；敏感区域是变化对评估模型的输出影响效应大的区域；
迭代模块，用于通过补充信息数据对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新，以减小输出的评估指标的未确知熵，直到评估模型输出的评估指标的未确知熵小于阈值，结束迭代，输出评估指标，完成对评估对象的评估。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取武器系统的待评估问题，确定评估目标，根据评估目标确定评估对象属性，建立以评估对象属性为输入，评估指标为输出的评估模型；评估对象属性为武器系统的作战效能属性；
求解评估模型，得到评估指标；
根据评估指标确定评估指标的未确知熵，当未确知熵大于预设的阈值时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵；敏感区域是变化对评估模型的输出影响效应大的区域；
通过补充信息数据对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新，以减小输出的评估指标的未确知熵，直到评估模型输出的评估指标的未确知熵小于阈值，结束迭代，输出评估指标，完成对评估对象的评估。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取武器系统的待评估问题，确定评估目标，根据评估目标确定评估对象属性，建立以评估对象属性为输入，评估指标为输出的评估模型；评估对象属性为武器系统的作战效能属性；
求解评估模型，得到评估指标；
根据评估指标确定评估指标的未确知熵，当未确知熵大于预设的阈值时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵；敏感区域是变化对评估模型的输出影响效应大的区域；
通过补充信息数据对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新，以减小输出的评估指标的未确知熵，直到评估模型输出的评估指标的未确知熵小于阈值，结束迭代，输出评估指标，完成对评估对象的评估。
上述面向复杂问题的评估分析方法、装置、计算机设备和存储介质，通过获取武器系统的待评估问题确立评估目标、评估指标、评估对象属性、评估模型等评估要素。然后执行评估，得出评估结果。再对结果进行分析，如果其未确知熵大于预设的阈值，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵，通过多种手段，减小评估对象属性以及评估模型未确知性，并重新迭代评估分析，直到评估模型输出的评估指标的未确知熵小于阈值，结束迭代，输出评估指标，完成对评估对象的评估。本发明所提出的方法实现了对评估结果未确知性的分析，通过对评估要素的敏感区域分析找出敏感性强，未确知性高的要素进行更新，有针对性地减小评估要素的未确知性，再利用更新后的评估要素进行迭代，逐步提高评估的精度与质量逐步提高评估的精度与质量。
附图说明
图1为一个实施例中面向复杂问题的评估分析方法的流程示意图；
图2为另一个实施例中面向复杂问题的评估分析方法的流程示意图；
图3为一个实施例反航母作战体系评估对象属性和评估模型示意图；
图4为一个实施例中攻击次数k的信度分布函数示意图；
图5为一个实施例中单次攻击毁伤率ps的信度分布函数示意图；
图6为一个实施例中潜艇毁伤率p1的信度分布函数示意图；
图7为一个实施例中弹道导弹打击航母的仿真模型的示意图；
图8为一个实施例中弹道导弹命中率pk的信度分布函数示意图；
图9为一个实施例中弹道导弹杀伤半径与目标定位半径cep比值r的信度分布函数示意图；
图10为一个实施例中弹道导弹毁伤率p2的信度分布函数示意图；
图11为一个实施例中空舰导弹毁伤率p3的信度分布函数示意图；
图12为一个实施例中反航母作战体系整体毁伤率p的信度分布函数示意图；
图13为一个实施例中通过人机交互显示杀伤半径与目标定位半径cep比值r的敏感区域的示意图；
图14为一个实施例中调整后的杀伤半径与目标定位半径cep比值r的信度分布函数示意图；
图15为一个实施例中调整后的弹道导弹毁伤率p2的信度分布函数示意图；
图16为一个实施例中调整后的弹道导弹毁伤率p1的信度分布函数示意图；
图17为一个实施例中调整后的弹道导弹毁伤率p的信度分布函数示意图；
图18为一个实施例中面向复杂问题的评估分析装置的结构框图；
图19为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的面向复杂问题的评估分析方法，可以应用于如下应用环境中。终端执行一种面向复杂问题的评估分析方法。通过获取武器系统的待评估问题确立评估目标、评估指标、评估对象属性、评估模型等评估要素。然后执行评估，得出评估结果。再对结果进行分析，如果其未确知熵大于预设的阈值，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵，通过多种手段，减小评估对象属性以及评估模型未确知性，并重新迭代评估分析，直到评估模型输出的评估指标的未确知熵小于阈值或无法继续减小未确知熵，结束迭代，输出评估指标，完成对评估对象的评估。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。
在一个实施例中，如图1所示，提供了一种面向复杂问题的评估分析方法，包括以下步骤：
步骤102，获取武器系统的待评估问题，确定评估目标，根据评估目标确定评估对象属性，建立以评估对象属性为输入，评估指标为输出的评估模型。
武器系统是指军用航空器的武器弹药及其各种辅助装置所构成的综合系统，用于杀伤和摧毁空中、地面、水面和水下各种目标。辅助装置包括武器的安装或悬挂装置和保证武器弹药战斗使用和命中目标的各种软件、硬件设备。
评估的目标是指为什么要执行评估，例如，是选择最优方案？选择达到需求的满意方案？对评估对象进行排序？检验评估对象是否达到相应目标？监控评估对象等。
评估的指标是根据评估目标，定义的一系列量化的标度，评估最终的结果就是对评估指标的求解分析。获取评估指标的结果后，才能实现评估的目标。评估指标按数值类型可分为：有无型，等级型，等距型与等比型。按照数据数学形式可以分为：标量型，向量型与张量型。另外，从目标需求的方向上也可以分成：效益型，成本型与固定型。
评估对象属性为武器系统的作战效能属性，与评估结果密切相关。在评估过程中评估对象属性是评估的前提条件，评估对象属性可以用确定或者未确知的形式描述，如概率与信度分布函数等。
评估模型是指评估对象属性之间(包括了中间属性)，评估指标(包括了中间指标)之间以及属性与指标的之间的关联映射关系。这类模型通常分为以下几类：理论解析计算法，仿真实验法，实物数据测试法，主观判断估计法。
评估目标，评估指标，评估对象，评估模型都属于评估要素，整体构成了武器系统评估的评估框架，评估框架核心要素对应的评估模型可以用一个函数形式表示：
y＝f(x) ε
其中y表示评估指标向量(单个或多个指标)，x表示评估对象属性向量，其描述形式通常用概率分析与信度分布函数来描述。f是评估模型簇，是多个映射模型的复合，通常
步骤104，求解评估模型，得到评估指标。
由于评估对象的属性与评估模型都具有未确知性，因此评估指标的描述形式也具有未确知性，通过概率或信度分布函数的形式来描述。在未确知性领域，概率分布通常是指主观概率，他是主体对未确知个体的一种想象中的概率分布，尽管客体不存在随机性，但通过主体想象中的随机性，引入想象中的主观概率，对问题进行评估求解。信度分布是指主体对客体的某类判断的信念强度。其不同于想象中的随机性，可以理解为对某一判断的确信程度，类似于一种“力度”。概率与信度都是主体对客体未确知性的不同视角的建模方式，在实际应用可以根据主体与客体的特点选择使用。
步骤106，根据评估指标确定评估指标的未确知熵，当未确知熵大于预设的阈值时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵。
敏感区域是变化对评估模型的输出影响效应大的区域。
求解的评估指标如果未确知性较高，则说明评估的结果不理想，评估结果的价值不大。这样后续需要通过多种减小未确知性。对于评估指标的未确知性，本发明用未确知熵来刻画，可以按照概率与信度两种模式定义未确知熵。
步骤108，通过补充信息数据对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新，以减小输出的评估指标的未确知熵，直到评估模型输出的评估指标的未确知熵小于阈值或无法继续减小未确知熵，结束迭代，输出评估指标，完成对评估对象的评估。
对于未确知性较高的敏感区域，应通过多种深入测试调查，引入有价值信息等手段，减少未确知性。然后重新评估，逐步提高评估质量。
上述面向复杂问题的评估分析方法中，通过获取武器系统的待评估问题确立评估目标、评估指标、评估对象属性、评估模型等评估要素。然后执行评估，得出评估结果。再对结果进行分析，如果其未确知熵大于预设的阈值，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵，通过多种手段，减小评估对象属性以及评估模型未确知性，并重新迭代评估分析，直到评估模型输出的评估指标的未确知熵小于阈值或无法继续减小未确知熵，结束迭代，输出评估指标，完成对评估对象的评估。本发明所提出的方法实现了对评估结果未确知性的分析，通过对评估要素的敏感区域分析找出敏感性强，未确知性高的要素进行更新，有针对性地减小评估要素的未确知性，再利用更新后的评估要素进行迭代，逐步提高评估的精度与质量。
在其中一个实施例中，还包括：当未确知熵以概率分布函数为描述形式时，评估指标的未确知熵的公式为：
其中，s表示未确知熵；n为离散化求和上限；i为求和计数参数；pi为离散化的每个部分的概率，pi＝f(yi 1)-f(yi)，y表示评估指标，f(y)表示概率分布函数；
当未确知熵以信度分布函数为描述形式时，评估指标的未确知熵的公式为：
其中，s(y)表示未确知熵；pi为离散化的每个部分的信度，pi＝f(yi 1)-f(yi)，y表示评估指标，f(y)表示信度分布函数。
在未确知性领域，概率分布通常是指主观概率，是主体对未确知个体的一种想象中的概率分布，尽管客体不存在随机性，但通过主体想象中的随机性，引入想象中的主观概率，对问题进行评估求解。信度分布是指主体对客体的某类判断的信念强度。其不同于想象中的随机性，可以理解为对某一判断的确信程度，类似于一种“力度”。概率与信度都是主体对客体未确知性的不同视角的建模方式，在实际应用可以根据主体与客体的特点选择使用。主观概率通常在专家判断的基础上，不断修正，运用贝叶斯方法获取。信度采用多专家集成交互对话的方式获取，具体获取方式可见《探索性评估论证方法》一书中所公开的内容。
在其中一个实施例中，还包括：通过分支定界筛选法筛掉评估对象属性中的不敏感属性；通过2k实验设计与分析方法，求剩余属性的主效应与关联效应；根据主效应与关联效应，把主效应与关联性都较强的属性组成属性向量空间，通过区域筛选的方法在属性向量空间中获取敏感区域。
敏感区确定阈值由评估人员来确定，比如常用的2-8原理，即空间只占20％，但具有80％的效应的区域。也即是，相对效应与相对区域空间的比值大于4。通过分支定界筛选法筛掉评估对象属性中的不敏感属性；通过2k实验设计与分析方法，求剩余属性的主效应与关联效应；根据主效应与关联效应，把主效应与关联性都较强的属性组成属性向量空间，通过区域筛选的方法在属性向量空间中获取敏感区域。具体算法可见《作战仿真实验设计与分析》一书中所公开的内容。在实际问题中，也可以灵活采用基于多维可视化的人机交互近似分析方法，获取敏感区域。
在其中一个实施例中，还包括：当未确知熵以概率分布函数为描述形式时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵的公式为：
其中，属性向量空间被划分为n个子区域，记为ai(i＝1···n)，a1···al为敏感区域，al···an为非敏感区域，l为敏感区域子区域的计数上限，且
当未确知熵以信度分布函数为描述形式时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵的公式为：
在其中一个实施例中，还包括：通过加大实验力度、增大试验规模以补充信息数据，对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新，减小未确知性。
通过加大实验力度、增大试验规模获取更多的信息数据，对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新，实现针对性地降低对应评估对象属性以及评估模型的未确知性，可以提高更新后的评估模型的评估质量。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个具体实施例中，如图2所示，提供了一种面向复杂问题的评估分析方法，包括：
s1.构建武器系统的评估框架，建立评估目标，评估准则，评估对象及属性，评估模型等要素；
s2.执行评估，评估模型求解；
s3.基于未确知熵交互判定评估结果的质量是否达到要求；
s4.当评估结果没有达到要求时，对评估框架中的要素进行分析，以找到敏感性较强的关键要素(数据与模型)；
s5.根据获取的敏感区域，修正计算属性的未确知熵；
s6.根据s5，找到未确知熵较大的要素，通过多种手段减小其未确知性；
s7.判断所使用的手段是否能够减小未确知性，如果可以，回到s2，重新评估，如果不能，结束迭代，完成武器系统的评估。
在另一个具体实施例中，以反航母作战体系为评估对象进行评估，如图3所示，反航母有三大手段：一是潜艇攻击，二是弹道导弹攻击，三是航空兵发射空舰导弹进行攻击。整个反航母作战体系主要由这三大手段构成。本示例中，三大手段同时运用，最终综合求解反航母体系的作战效能。步骤如下：
s1.构建评估框架：
评估目标：求解反航母作战体系的效能，并以作战效能以航母失去作战能力的概率为评估指标。
评估对象属性：决定潜艇毁伤率的属性，包括：潜艇攻击次数与单次攻击成功率；决定弹道导弹毁伤率的属性，包括：杀伤半径与目标定位半径cep比值，发射数量与命中率；决定空舰导弹毁伤率的属性，包括：导弹性能数据(rcs，速度，射程)，可发射导弹数量，毁伤能力等。
评估模型：即求解最终作战效能的模型。如下：
p＝1-(1-p1)(1-p2)(1-p3)
p1＝1-(1-ps)k
p2＝f2(r,bn,pk)
p3＝p(kn≥rn)
kn＝f3(ml,mv,rcs,ln)
其中，p为整体毁伤率；p1为潜艇毁伤率；p2为弹道导弹毁伤率；p3为空舰导弹毁伤率；ps为单次攻击毁伤率；k为攻击次数；r为杀伤半径与目标定位半径cep比值；bn为发射数量；pk为弹道导弹命中率；kn为空舰导弹有效命中数量；rn为空舰导弹毁伤需导弹数量；ml为空舰导弹射程；mv为空舰导弹速度；rcs为雷达反射面积；ln为空舰导弹发射数量；f2为弹道导弹打击航母的仿真求解模型，f3为空舰导弹的突防数量仿真求解模型。通过评估模型的解算可以求出反航母作战体系的总体作战效能。在实际问题中，往往很难获取精确的属性数据，因此在本模型中各属性用信度分布表示。信度分布函数的获取，采用多专家集成判断的方式取得。
s2.执行评估，求解评估指标：
s2.1.求解p1，k的信度分布函数如图4所示，ps的信度分布函数如图5所示，模型p1的信度分布函数如图6所示，根据公式
s2.2.求解p2，对于p2采用仿真实验的方法构建代理模型进行分析，实验结果如表1(发射数量设定为常数，bn＝20)：
表1：
以上数据摘自兰德公司军力对比报告，并进行了等效变换。运用神经网络回归生成相应代理模型f2，如图7。pk的信度分布函数、r的信度分布函数、p2的信度分布函数分别如图8、9、10所示。设置n＝5，得到p2的未确知熵为1.03。
s2.3.求解p3，p3的信度分布函数如图11所示。设置n＝5，得到p3的未确知熵为0.56。
s2.4.求解p，p的信度分布函数如图12所示，计算得到p的未确知熵为1.1。从直观上以及未确知熵上看，评估未确知性较大，应通过多种手段减小未确知性，需要继续迭代评估分析。
s3.敏感性分析，找到关键未确知属性及其取值区间：
通过上一步的计算，p的未确知性主要是来源于p1，p2。本例中，通过人机交互可以较为清晰获得敏感区域。通过分析发现，r在[0,1]区间敏感度最大，如图13所示。通过多种手段(如，加大试验力度，增大试验规模等)减小了r的未确知性，如图14所示。调整后p2的信度分布函数如图15所示，可见调整后p2的信度分布有了较大改善。
同理，调整后p1的信度分布函数如图16所示。最终调整后p的信度分布如图17所示，计算可得其未确知熵为0.9，相比于调整前的1.1有所减小，假如大于预设的阈值，还可以继续迭代，减小其未确知性，提高评估质量，直到评估质量达到满意，或者无法再减小其未确知性。
在一个实施例中，如图18所示，提供了一种面向复杂问题的评估分析装置，包括：评估模型建立模块1802、评估模型求解模块1804、敏感区域获取模块1806和迭代模块1808，其中：
评估模型建立模块1802，用于获取武器系统的待评估问题，确定评估目标，根据评估目标确定评估对象属性，建立以评估对象属性为输入，评估指标为输出的评估模型；评估对象属性为武器系统的作战效能属性；
评估模型求解模块1804，用于求解评估模型，得到评估指标；
敏感区域获取模块1806，用于根据评估指标确定评估指标的未确知熵，当未确知熵大于预设的阈值时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵；敏感区域是变化对评估模型的输出影响效应大的区域；
迭代模块1808，用于通过补充信息数据对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新，以减小输出的评估指标的未确知熵，直到评估模型输出的评估指标的未确知熵小于阈值或无法继续减小未确知熵，结束迭代，输出评估指标，完成对评估对象的评估。
敏感区域获取模块1806还用于根据评估指标确定评估指标的未确知熵，未确知熵的计算基于概率分布函数或信度分布函数。
敏感区域获取模块1806还用于当未确知熵以概率分布函数为描述形式时，在专家信息的基础上通过贝叶斯方法确定评估指标的未确知熵；当未确知熵以信度分布函数为描述形式时，通过多专家集成交互对话的方式确定评估指标的未确知熵。
敏感区域获取模块1806还用于当未确知熵以概率分布函数为描述形式时，评估指标的未确知熵的公式为：
其中，s表示未确知熵；n为离散化求和上限；i为求和计数参数；pi为离散化的每个部分的概率，pi＝f(yi 1)-f(yi)，y表示评估指标，f(y)表示概率分布函数；
当未确知熵以信度分布函数为描述形式时，评估指标的未确知熵的公式为：
其中，s(y)表示未确知熵；pi为离散化的每个部分的信度，pi＝f(yi 1)-f(yi)，y表示评估指标，f(y)表示信度分布函数。
敏感区域获取模块1806还用于通过分支定界筛选法筛掉评估对象属性中的不敏感属性；通过2k实验设计与分析方法，求剩余属性的主效应与关联效应；根据主效应与关联效应，把主效应与关联性都较强的属性组成属性向量空间，通过区域筛选的方法在属性向量空间中获取敏感区域。
敏感区域获取模块1806还用于当未确知熵以概率分布函数为描述形式时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵的公式为：
其中，属性向量空间被划分为n个子区域，记为ai(i＝1···n)，a1···al为敏感区域，al···an为非敏感区域，l为敏感区域子区域的计数上限，且
当未确知熵以信度分布函数为描述形式时，对评估对象属性以及评估模型进行敏感区域分析得到敏感区域，并计算敏感区域的敏感区域未确知熵的公式为：
迭代模块1808还用于通过加大实验力度、增大试验规模以补充信息数据，对敏感区域未确知熵较高的评估对象属性以及评估模型进行更新。
关于面向复杂问题的评估分析装置的具体限定可以参见上文中对于面向复杂问题的评估分析方法的限定，在此不再赘述。上述面向复杂问题的评估分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图19所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种面向复杂问题的评估分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图19中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
1.一种面向复杂问题的探索性评估分析方法，其特征在于，所述方法包括：
获取武器系统的待评估问题，确定评估目标，根据所述评估目标确定评估对象属性，建立以所述评估对象属性为输入，评估指标为输出的评估模型；所述评估对象属性为所述武器系统的作战效能属性；
求解所述评估模型，得到所述评估指标；
根据所述评估指标确定所述评估指标的未确知熵，当所述未确知熵大于预设的阈值时，对所述评估对象属性以及所述评估模型进行敏感区域分析得到敏感区域，并计算所述敏感区域的敏感区域未确知熵；所述敏感区域是变化对所述评估模型的输出影响效应大的区域；
通过补充信息数据对所述敏感区域未确知熵较高的评估对象属性以及所述评估模型进行更新，以减小输出的所述评估指标的未确知熵，直到所述评估模型输出的评估指标的未确知熵小于所述阈值或无法继续减小所述未确知熵，结束迭代，输出所述评估指标，完成对所述评估对象的评估。
2.根据权利要求1所述的方法，其特征在于，根据所述评估指标确定所述评估指标的未确知熵，包括：
根据所述评估指标确定所述评估指标的未确知熵，所述未确知熵的计算基于概率分布函数或信度分布函数。
3.根据权利要求2所述的方法，其特征在于，根据所述评估指标确定所述评估指标的未确知熵，包括：
当所述未确知熵的计算基于概率分布函数时，在专家信息的基础上通过贝叶斯方法确定概率信息；
当所述未确知熵的计算基于信度分布函数时，通过多专家集成交互对话的方式确定信度信息。
4.根据权利要求3的方法，其特征在于，根据所述评估指标确定所述评估指标的未确知熵，包括：
当所述未确知熵以概率分布函数为描述形式时，所述评估指标的未确知熵的公式为：
其中，s表示未确知熵；n为离散化求和上限；i为求和计数参数；pi为离散化的每个部分的概率，pi＝f(yi 1)-f(yi)，y表示所述评估指标，f(y)表示概率分布函数；
当所述未确知熵以信度分布函数为描述形式时，所述评估指标的未确知熵的公式为：
其中，s(y)表示未确知熵；pi为离散化的每个部分的信度，pi＝f(yi 1)-f(yi)，y表示所述评估指标，f(y)表示信度分布函数。
5.根据权利要求4的方法，其特征在于，对所述评估对象属性以及所述评估模型进行敏感区域分析得到敏感区域，包括：
通过分支定界筛选法筛掉所述评估对象属性中的不敏感属性；
通过2k实验设计与分析方法，求剩余属性的主效应与关联效应；
根据所述主效应与所述关联效应，把主效应与关联性都较强的属性组成属性向量空间，通过区域筛选的方法在所述属性向量空间中获取敏感区域。
6.根据权利要求5的方法，其特征在于，对所述评估对象属性以及所述评估模型进行敏感区域分析得到敏感区域，并计算所述敏感区域的敏感区域未确知熵，包括：
当所述未确知熵以概率分布函数为描述形式时，对所述评估对象属性以及所述评估模型进行敏感区域分析得到敏感区域，并计算所述敏感区域的敏感区域未确知熵的公式为：
其中，所述属性向量空间被划分为n个子区域，记为ai(i＝1···n)，a1···al为所述敏感区域，al···an为非敏感区域，l为所述敏感区域子区域的计数上限，且
当所述未确知熵以信度分布函数为描述形式时，对所述评估对象属性以及所述评估模型进行敏感区域分析得到敏感区域，并计算所述敏感区域的敏感区域未确知熵的公式为：
7.根据权利要求6所述的方法，其特征在于，通过补充信息数据对所述敏感区域未确知熵较高的评估对象属性以及所述评估模型进行更新，包括：
通过加大实验力度、增大试验规模以补充信息数据，对所述敏感区域未确知熵较高的评估对象属性以及所述评估模型进行更新。
8.一种面向复杂问题的探索性评估分析方法装置，其特征在于，所述装置包括：
评估模型建立模块，用于获取武器系统的待评估问题，确定评估目标，根据所述评估目标确定评估对象属性，建立以所述评估对象属性为输入，评估指标为输出的评估模型；所述评估对象属性为所述武器系统的作战效能属性；
评估模型求解模块，用于求解所述评估模型，得到所述评估指标；
敏感区域获取模块，用于根据所述评估指标确定所述评估指标的未确知熵，当所述未确知熵大于预设的阈值时，对所述评估对象属性以及所述评估模型进行敏感区域分析得到敏感区域，并计算所述敏感区域的敏感区域未确知熵；所述敏感区域是变化对所述评估模型的输出影响效应大的区域；
迭代模块，用于通过补充信息数据对所述敏感区域未确知熵较高的评估对象属性以及所述评估模型进行更新，以减小输出的所述评估指标的未确知熵，直到所述评估模型输出的评估指标的未确知熵小于所述阈值或无法继续减小所述未确知熵，结束迭代，输出所述评估指标，完成对所述评估对象的评估。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
技术总结