预部署态势——即在冲突场景明朗前将军事资产分配至战区位置——是联合作战规划中一个关键且尚未得到形式化解决的难题。现行做法依赖贪心启发式算法，该算法以价值最大化为导向，却忽视地理覆盖，且在结构上易受对手针对高战略价值目标的打击。本文提出一种面向“态势与维持分配（PSA）”问题的场景加权对抗鲁棒态势优化引擎，将其建模为基于资产、战区位置与时间步长的有限时域马尔可夫决策过程。我们引入了“复合期望值（CEV）”优化器，该优化器通过在威胁场景分布上最大化场景加权预期态势效能来部署资产；并进一步提出“鲁棒CEV”扩展算法，该算法可与贝叶斯对手进行迭代博弈，后者会根据观测到的部署情况更新其打击分布。在涵盖20项资产与5个战区位置的印太地区基地部署环境中，通过三项实验表明：（1）贪心基准算法因地理覆盖不足，导致态势效能遭受永久性25.1%的折损，且在价值相关的对抗性威胁下，场景加权战备完好率骤降57.3%；（2）当威胁分布蕴含地理信号时，CEV优化器较贪心算法最高可提升19.8%的效能，且精选的5至20个场景足以捕获该增益的主要部分；（3）当适应性对手采用欺骗性威胁先验时，鲁棒CEV扩展算法较朴素优化器最高可提升158%的效能。所有发现均通过经邦弗朗尼校正的配对t检验及双层方差分解进行验证，证实所报告的效能差距是部署策略的结构性特征，而非抽样偏差所致。

现代联合作战要求资产在威胁显现前完成部署。预部署态势——即在潜在冲突爆发前数日或数周，将飞机、弹药、后勤及保障资产分配至战区位置——决定了指挥官在局势演变时的可选方案。然而，现行规划实践主要依赖基于规则的、以价值最大化为目标的启发式方法：即将最多资产部署于优先级最高的基地。该方法虽计算可行且易于解释，但在战略上却极为脆弱。对手一旦观测到这种可预测的资产集中，便可实施针对性打击；规划者若忽视威胁的异质性，必将遭遇意外打击。

“态势与维持分配（PSA）”问题在作战层面尚未得到形式化解决。现代作战环境（OE）的五项公理共同决定了静态与贪心方法的不足：（1）威胁非平稳性：对手的打击分布会随可观测的防御方态势而动态调整；（2）多域耦合性：某一领域的态势部署会在其他领域引发脆弱性或创造机遇；（3）部署不可逆性：初始分配锁定资产，且在交火状态下重新部署成本高昂且耗时漫长；（4）信息不对称：防御方对对手能力与意图掌握不全；（5）维持时效性：战备状态持续衰减，且无法瞬时恢复。上述任一公理均会单独降低贪心或静态规划的质量；而它们共同作用，则要求决策支持引擎必须具备场景感知能力、对抗鲁棒性，并能显式建模衰减—修复周期。

本文提出一种面向PSA问题的场景加权对抗鲁棒态势优化引擎，并通过三项实验证实其优于贪心基准算法。我们的贡献如下：

1. 构建了涵盖M项资产、N个战区位置及T个时间步长的PSA问题形式化马尔可夫决策过程（MDP）模型，并设计了复合态势效能指标，该指标综合考量战备完好率、地理覆盖及成本效益（第2节）。
2. 提出了复合期望值（CEV）优化器，该优化器基于威胁场景分布部署资产，当威胁分布蕴含地理信号时，较贪心基准算法最高可提升19.8%的效能（实验2）。
3. 构建了贝叶斯反制模型，其中适应性对手根据观测到的部署情况更新其打击分布；并提出了鲁棒CEV扩展算法，该算法可收敛至稳定均衡，在欺骗性威胁先验条件下，较朴素优化器最高可提升158%的效能（实验3）。
4. 通过经邦弗朗尼校正的配对t检验及双层方差分解对所有发现进行了统计验证，证实所报告的效能差距具有结构性而非抽样偏差（第10节）。

PSA模块运行于任务分配调度（SBC）与传感器融合任务规划（ISU）的上游：它决定了任务分配前资产的部署位置，从而确立了下游规划者可用的能力边界。