面向任务的装备保障建模方法研究

针对面向任务的装备保障建模方法及其相关问题进行了研究,建立了面向任务的装备保障需求模型的基本结构,并从装备、弹药、油料、维修备件、维修人员这五方面讨论了模型的具体流程和算法。使用本文构建的装备保障模型,根据任务装备损坏数量和保障需求的关联关系,在已知装备战损、修复率和分布情况的基础上,结合装备弹药基数等信息,可以计算获得相关装备的保障需求信息,最后通过一个作战任务想定案例说明该模型的合理性和可行性。     

基于HTCPN的飞机备件需求预测方法

针对航空兵部队飞机备件需求预测问题,提出了一种基于分层赋时着色Petri网(Hierarchical Timed Colored Petri Net,HTCPN)的飞机备件需求预测方法.根据飞机维修保障工作内容与流程,运用CPN Tools软件,构建飞机维修保障工作HTCPN总网仿真模型,以及故障维修工作HTCPN子网...     

基于PCR的战时物资需求预测研究

需求预测作为物资供应的首要环节,是有效消除"需求迷雾",提升保障效能的关键.选取回归分析法作为战时物资需求预测的主要方法,分别构建了多元线性回归和主成分回归预测模型,并结合野战供水实例进行了对比分析.结果 表明,主成分回归模型不仅具有较强的可操作性,而且有较高的预测精度,能有效提升战时物资需求预测水平.     

基于BP神经网络的装备器材需求预测模型

准确预测装备器材的需求数量,是装备器材保障工作的重要内容和装备器材计划管理的前提。采用BP神经网络算法,通过对装备器材历史消耗数据进行处理,建立了装备器材需求预测模型,并结合实例,对模型进行了探讨和验证。     

基于AP-SVM模型的装备维修器材需求预测方法

在小样本条件下运用SVR模型预测装备维修器材需求量时,预测效果受随机干扰因素影响较大.为解决这一问题,提出了一种新的AP-SVM模型.首先,运用AP聚类算法对训练数据进行分类,将分类结果作为训练数据训练SVM分类器,并对待测试数据的所属类别进行判断;然后,根据数据类别构建训练向量集,对SVM进行训练,运用SVR模型计算...     

遗传神经网络在保障资源需求预测中的应用

针对现代战争条件下装备保障资源需求变化快,保障资源预测困难的问题,首先分析了影响装备保障资源需求的因素,根据实际情况选取了平均维修间隔时间(MTBM)、平均修复时间(MTBR)等8项影响装备保障资源需求的关键指标,然后将基于遗传算法(GA)优化的反向传播(BP)神经网络应用于保障资源需求预测中,构建了基于遗传神经网络的需求预测模型,最后利用1980年～2010年实际保障资源需求数据对模型进行了验证.验证结果表明,基于GA优化的BP神经网络预测模型有较快的收敛速度、较强的适应性和较高的预测精度,适用于装备保障资源需求预测.     

震灾应急物资动态需求预测模型研究

为提高应急物资需求预测方法的实用性,同时考虑提前期和需求的不确定性,采用安全库存理论构建震灾应急物资动态需求预测模型,以观测得到的实际到货量、实际消耗量和实时剩余库存量等信息来动态预测当前时刻应急物资的需求量。应用算例表明,所建模型不仅能够准确反映需求量与被保障人员总数的正相关关系,而且还能实时体现被保障人员总数的变化情况。因此,该模型能够为震灾过程中应急物资需求量的确定提供科学决策依据,具有一定的实用价值和应用前景。     

基于BP神经网络法的后勤装备零配件需求预测

精确的零配件需求预测,是实现后勤装备精确化技术保障的基本前提。影响后勤装备零配件需求量的因素具有非线性特征,而BP神经网络法对复杂非线性问题具有很好的适应性,因此可以运用BP神经网络法对后勤装备零配件需求进行预测。运用BP神经网络方法,通过M脚本文件编程建立预测模型进行实证分析表明,运用该方法建模对后勤装备零配件需求量进行预测是科学可行的。     

基于两因素的武警部队应急军需物资需求预测分析

对武警部队应急军需物资需求预测进行了分析,明确了预测内容、方法和程序,建立起基于参战人数和参战时间两个因素的应急军需物资需求预测模型。拟合优度检验和实例计算结果表明,应急军需物资需求数量主要由参战人员和参战时间决定,并可以通过数理统计方法来建立较为精确的数量关系,这为各级后勤制定军需物资保障计划提供了更为科学的依据。     

基于灰色LS-SVM的装备器材需求预测模型

精确预测已成为制约装备器材保障决策的重难点问题.针对小样本消耗数据装备器材历史数据少、复杂性高、非线性等特点,利用灰色模型构建方便、计算简单、善于挖掘影响因素内部联系的优点,以及LS-SVM在非线性映射分析和稳定性高的优点,将两种方法进行组合,设计了一种灰色LS-SVM预测模型,用于解决小样本数据的装备器材需求预测问题...