基于結構熵和IGSO-BP算法的動態威脅評估

陳潔鈺， 姚佩陽， 王　勃， 稅冬東

(空軍工程大學信息與導航學院， 陜西 西安 710077)

?

基于結構熵和IGSO-BP算法的動態威脅評估

陳潔鈺， 姚佩陽， 王勃， 稅冬東

(空軍工程大學信息與導航學院， 陜西 西安 710077)

摘要：針對傳統超視距空戰威脅評估不能根據各類威脅因素的變化動態調整其對應權值的問題，引入前向反饋(back propagation, BP)神經網絡，采用綜合考慮主客觀因素的結構熵權法確定各威脅指數權值并作為神經網絡訓練參數進行訓練，提出了改進螢火蟲算法(improved glowworm swarm optimization, IGSO)和BP神經網絡相結合的空戰動態權值計算方法。該算法采用改進螢火蟲算法優化BP網絡的權值和閾值，優化后的BP網絡能更好地計算不同態勢下的威脅指數權值，從而根據威脅估計模型進行威脅評估。以某一時刻預測多無人機空中對抗時的威脅度為想定，分別采用結構熵權法和IGSO-BP進行仿真計算。結果表明：結構熵權法能夠科學合理地計算各威脅指數權值，IGSO-BP算法可有效解決空戰目標威脅評估問題，且所提算法與現有幾種算法相比在可靠性和準確性上都有明顯提高。

關鍵詞：BP神經網絡; 螢火蟲算法; 結構熵權法; 動態權值; 威脅評估

0引言

隨著高新技術的不斷應用，戰爭樣式的不斷翻新，多機協同超視距空戰逐漸發展成為現代空戰主要戰斗方式之一。戰爭的智能化、信息化使現代空戰面臨作戰節奏加快、作戰手段突變性強、對抗強烈等新的挑戰。因此，如何全面掌握當前戰場態勢，準確、迅速、及時地反映戰場態勢的變化并做出威脅判斷使其更適合復雜多變的空戰環境是一個極具理論價值與現實意義的問題。

威脅估計是多無人機協同作戰中的一項重要內容，能夠為武器分配和兵力部署提供基本依據。至今，國內外許多學者從理論體系和系統實現方法上進行了大量探索性的研究和開發，提出了很多威脅估計方法。文獻[1]針對不確定信息下的目標威脅估計問題，提出了基于博弈論的威脅估計的解決方法。文獻[2]采用目標驅動的本體分析方法有效解決了海戰場的威脅估計和火力分配問題。文獻[3]提出了基于模糊貝葉斯網絡的有人機/無人戰斗機編隊對地威脅評估方法，并驗證了該方法的實時性。文獻[4]提出了一種基于多屬性決策理論的威脅估計方法，該方法能有效提高防空作戰效能。

然而，目前大部分威脅估計采用常權向量綜合方法，不能很好地映射威脅因素間復雜的關系，難以適時反映出由于敵空戰性能及戰術手段的變化帶來的各因素權值的變化。本文針對超視距空戰威脅估計模型中靜態權值方法的缺陷，采用主客觀賦值相結合的“結構熵權法” 求取神經網絡訓練參數，設計改進螢火蟲算法優化BP神經網絡，實現優化后的神經網絡對各威脅因素權值的動態預測。

1空戰目標威脅估計模型

在多無人機協同空戰的目標威脅估計中，往往要考慮地理環境、天氣情況、敵方意圖、武器性能和作戰手段等諸多因素。但在實際空戰情況下，隨著目標的靈活性和所攜帶武器殺傷力的增加，要求充分利用各種探測、跟蹤裝置盡早探測和識別目標，及時掌握敵方信息并給出預警，從而采用合理的方法對敵機對我機所造成的威脅程度做出正確估計。

隨著超視距空戰這一新的作戰樣式的出現，傳統的參考近距空戰威脅估計模型[5]的方法已無法完全反應超視距空戰作戰樣式的特點。因此，本文基于對空空導彈攻擊區的分析，評估和構造新的威脅函數，改進超視距空戰威脅估計模型。

空戰雙方態勢關系如圖1所示。圖中：Dji為雙機的目標線，即敵方戰機Tj與我方戰機Ui的連線；hji為敵我戰機的高度差；vi為我方戰機速度矢量；vj為敵方戰機速度矢量；φ為我方戰機Ui的方位角；θ為敵方戰機Tj的方位角；q為我方戰機Tj的進入角。上述角度的方向一致規定為相對目標線右偏為正，左偏為負，則有0≤|φ|≤π,0≤|θ|≤π。

圖1　空戰雙方態勢關系

由于超視距空戰對機載武器、雷達設備具有更高的要求，因此在超視距空戰威脅估計中，除了考慮飛機性能、空戰雙方瞬時態勢外，還應研究機載導彈攻擊區、不可逃逸區以及機載雷達的搜索區等決定中遠距空空導彈及機載雷達的性能的參數。

(1) 距離威脅函數

文獻[6]認為距離對威脅的影響主要反映在雷達發現概率和導彈殺傷概率上，即在機載雷達有效探測距離內雷達的發現概率隨距離的增大而降低，從而導致距離威脅降低；對于導彈殺傷概率[7]，導彈殺傷概率在攻擊區中間(不可逃逸區)內較大，而在攻擊區最近和最遠界附近較小且變化較快。因此，將敵我之間的距離Dji分為雷達最大探測距離DRmax、導彈最大最小攻擊距離DMAmax、DMAmin導彈最大最小不可逃逸區距離DMEmax、DMEmin。

構造距離威脅函數

(1)

(2) 角度威脅函數

方位角威脅函數：

(2)

式中，φRmax為敵機雷達最大搜索方位角；φMAmax為敵機空空導彈最大離軸發射角；φMEmax為不可逃逸區圓錐角。

進入角威脅函數：

(3)

由此得角度威脅函數為

(4)

式(4)中，0≤a1,a2≤1為權重系數，用于衡量方位角和進入角的重要程度，本文取a1=a2=1。

(3) 速度威脅函數

(5)

(4) 高度威脅函數

(6)

(5) 空戰能力威脅函數

飛機的空戰能力用于空戰有關的7個主要因素來衡量，空戰能力指數[8]如下：

(7)

式中，B為機動性參數;A1為火力參數；A2為探測能力參數；ε1為操縱性能系數；ε2為生存力系數；ε3為航程系數；ε4為電子對抗系數。C的值可通過查表得到，在綜合考慮敵我雙方空戰能力的基礎上構造空戰能力威脅函數有

(8)

綜合考慮敵機空戰能力和空戰態勢威脅指數求解綜合威脅指數，由直接線性加權法得到

(9)

式中，Tji表示敵方第j架無人機對我方第i架無人機的綜合威脅指數；ωi(i=1,2,…,5)表示各個威脅指數的權值，反映了各個威脅指數在綜合威脅指數中的重要程度，其值的大小直接關系到每個威脅指數對總威脅指數的貢獻。因此，確定各威脅指數的權值是進行威脅估計的必要前提。

2改進螢火蟲優化算法

2.1螢火蟲優化算法

螢火蟲優化(glowwormswarmoptimization,GSO)算法是通過模擬自然界中螢火蟲成蟲發光這一群體行為提出的一種新型的基于群體搜索的隨機優化算法[9]。其仿生原理[10]是：將搜索空間中的點模擬為螢火蟲個體，每只螢火蟲個體攜帶各自的熒光素，熒光素值的大小能夠衡量個體位置的優劣，即所求解的優劣；同時每個個體都擁有自己的感知范圍，也稱為決策范圍。個體只能在一定的感知范圍內尋找優秀個體(熒光素值大的個體)，進而向其移動。通過重復選擇移動，最終實現在搜索空間內的尋優。

GSO算法主要包括初始化螢火蟲、螢光素更新、移動概率更新、位置更新和決策域范圍更新5個階段，具體描述如下。

(1) 在搜索空間(即問題求解空間)內隨機分布n只螢火蟲，每只螢火蟲個體代表問題求解空間中的一個解。每只螢火蟲i(i=1,2，…，N)在其所在位置xi(t)的熒光素值為li(t)，對應的目標函數值為f(xi(t))。

(2) 由于熒光素值的更新與求解目標函數f(xi(t))的值相關，故根據式(10)將目標函數值轉化為熒光素值

(10)

式中，ρ∈[0,1]為熒光素揮發系數；γ∈[0,1]為熒光素更新率。

(3) 每個螢火蟲個體在自己的決策范圍內尋找到比自己熒光素值大的所有個體組成其鄰域集合，根據式(11)計算螢火蟲個體i向個體j的移動概率pij，有

(11)

式中，Ni(t)為t時刻螢火蟲i的鄰域集合，j∈Ni(t)。

(12)

式中，‖x‖表示x的范數。

(4) 螢火蟲個體根據鄰域中所有個體的熒光素值大小選擇移動方向，由式(13)對螢火蟲的位置進行更新：

(13)

式中，s為移動步長。

(14)

2.2改進的螢火蟲優化算法

GSO算法具有較強的全局尋優能力和局部搜索能力，并且實現簡單，但仍存在收斂速度慢，求解精度低等缺點，針對上述缺點，對基本GSO算法進行改進。

基本的GSO算法中，若螢火蟲個體的鄰域集合為空，個體會停止移動，從而減慢收斂速度；若鄰域集合不為空時，螢火蟲個體在決策范圍內尋優的過程中，隨著迭代次數不斷增加，又會出現個體與峰值間的距離逐漸縮小直至小于固定移動步長s的情況，從而引起峰值附近的震蕩，導致算法收斂速度減緩、求解精度降低，針對上述分析，提出以下改進措施。

首先，在個體鄰域為空時，以螢火蟲個體為中心按式(15)移動，若更新后的位置優于移動前的位置，則保留更新后的位置，否則不更新。

(15)

其次，個體鄰域非空時，隨著迭代次數的增加，按式(16)計算個體與鄰域集合內其他個體間的距離，若平均距離小于固定移動步長，則增加步長更新機制縮小步長，按式(17)更新步長；否則不更新。

(16)

(17)

式中，n(0

通過上述改進，能夠提高算法的局部搜索能力，收斂速度和求解精度。改進螢火蟲算法(improvedGSO，IGSO)的執行流程如圖2所示。

3基于IGSO算法的BP神經網絡優化

前向反饋(backpropagation,BP)神經網絡[11]的性能決定于網絡的參數，即網絡權值和閾值，因此合理選擇初始權值和閾值十分重要。若選擇不當會造成訓練過程收斂速度慢，網絡的最佳逼近性能降低。螢火蟲優化算法是一種新型的基于群智能的進化計算技術，具有算法簡單、易于實現、參數少、收斂速度快等優點。將IGSO算法用于神經網絡訓練學習，得到最優的權值和閾值，從而構造BP神經網絡，提高神經網絡訓練算法收斂速度、泛化性能以及數據預測準確性。IGSO算法優化BP神經網絡的過程如圖3所示。

圖2　IGSO算法流程

圖3　IGSO算法對BP神經網絡的優化過程

利用IGSO進行BP參數優化的具體優化步驟如下。

(1) 初始化。初始化BP神經網絡結構及其初始權值和閾值；利用IGSO算法對初始值進行編碼，使得IGSO算法中的每個螢火蟲個體都包含BP神經網絡的輸出層與輸入層、輸入層與隱含層的權值以及隱含層閾值和輸出層閾值。

(2) 將BP網絡的訓練誤差作為螢火蟲個體的適應度值，根據式(18)計算適應度值。

(18)

式中，n為BP網絡輸出層節點數；k為系數；yi，Oi分別為第i個節點的實際輸出值和期望輸出值。

(3) 執行IGSO算法部分優化BP網絡，得到最優的網絡權值和閾值。

(4) 將所得權值和閾值帶入BP神經網絡，選取合適的訓練數據進行網絡訓練。

(5) 計算訓練誤差，直至誤差滿足條件結束訓練，得到優化后的BP神經網絡。

4基于IGSO-BP的動態威脅評估

在多無人機協同空戰目標威脅評估的指標體系中，隨著空戰態勢的變化，各威脅要素對威脅評估產生的作用、影響不是一成不變的。因此，需要不斷調整各指標的權值大小使其更合理地反應各指標的重要程度。目前，采用層次分析法[12]確定各因素的權值是最廣泛的威脅評估方法。這種方法確定的權值通常需要專家根據經驗給出，并且是固定不變的，具有很大的主觀性與盲目性，它忽略了實際戰場環境中的各因素變化產生的影響，往往無法反映真實情況。因此，需要一種與現代空戰動態變化特點相適應的權值確定策略。

4.1基于結構熵的訓練參數優化

為了弱化層次分析法確定權值的主觀性和不確定性，得到更合理的各威脅指數權值即神經網絡的訓練輸出數據，本文引入了一種將主觀賦值法與客觀賦值法相結合的“結構熵權法”[13]，它將德菲爾專家調查法和模糊決策分析方法相結合，采取主觀評估法由相關專家根據主觀經驗對指標的重要性進行評估，運用客觀的結構熵權法對主觀評估值的不確定性定量分析，計算熵值并“盲度”分析，從而得出各指標的權值。

采用 “結構熵權法”[14]優化神經網絡訓練參數的具體步驟如下。

步驟 1通過咨詢、收集專家意見，形成“典型排序”。

通過向該領域專家、學者進行請教與咨詢，參考相關文獻與資料，評價各威脅指數的重要程度，如表1所示，最終形成“排序意見”。設共有k個專家參加咨詢調查，各威脅指數構成一個指標集，記為T={T1,T2,T3,T4,T5}={Tc,Ta,Tr,Tv,Th}，每個專家對各威脅指數做出評價，獲得各類威脅指數評估權值矩陣記為A(A=aij)k×5。式中，i=1,2,…,k；j=1,2,…,5；aij表示第i個專家對第j個威脅指數Tj的評價。

表1　專家意見評估表

步驟 2根據信息熵函數F(x)=-λq(x)ln(q(x))，對上述專家意見進行定性轉化，即計算各專家指標的隸屬度。

(19)

兩邊同除q(x)，令

則

(20)

x(x=1,2,…,j，這里j=5)為專家對各指標評估后得出的定性排序數，m為轉化參量數，取m=j+2，即m=7，D(x)為x對應的隸屬函數值，構造隸屬度矩陣D:

式中，dij(1≤i≤k,1≤j≤5)表示專家i對第j個指標評估的隸屬度值。

步驟 3對由專家意見形成的排序進行盲度分析，優化由不確定性導致的偏差。

首先計算k個專家對指標Tj的“一致看法”，稱為平均認識度，記為dj，令

定義專家對因素Tj由認知產生的不確定性，稱為“認識盲度”，記作Qj(Qj>0)，令

(21)

對于每一個指標Tj，定義k個專家關于指標Tj的總體認識度記作μj(μj>0)，有

(22)

步驟 4對μj進行歸一化處理

(23)

4.2IGSO-BP在威脅估計中的應用

采用IGSO算法優化BP神經網絡得到最優的權值和閾值后，選擇合理的訓練參數，通過結構熵權法優化神經網絡的輸出訓練參數，通過網絡學習訓練實現動態權值的求取，進而進行目標威脅度計算。

基于IGSO-BP神經網絡超視距空戰動態威脅評估的步驟如下。

步驟 1確定輸入訓練參數及其變化范圍。

輸入參數為敵我無人機間的距離、高度差、速度比、敵無人機機載導彈的攻擊距離和我方無人機的方位角。通常以飛行員的視距作為界限[15]來分，一般以敵我戰機間的距離為10km為標準，將使用空空導彈進行的空戰劃分為兩類：10km內的視距內的空戰即近距作戰和10km以外的超視距空戰，該模式下又分為中距空戰和遠距空戰。不同的空戰模式下，各個威脅因素的地位、影響力是不同的。在中距空戰下，戰機間的角度、高度差異最為重要；在遠距空戰下，武器的性能會起到很大的影響作用。本文重點研究超視距空戰下的動態威脅評估問題，故設敵我無人機間的距離變化范圍為10～150km；高度差變化范圍為-5～5km；速度比值為大于0的正值；敵機攜帶導彈攻擊距離主要取決于導彈的性能[12]，導彈攻擊范圍為8～80km；我機指向角φ的變化范圍為0°～180°。

步驟 2確定輸出訓練參數種類與數值大小。

BP網絡輸出訓練參數分別為空戰能力威脅、角度威脅、距離威脅、速度威脅以及高度威脅的權值共5個參數，即

(24)

式中，ω為威脅評估權向量；ω1為無人機作戰能力指數權值；ω2為角度威脅指數權值；ω3為距離威脅指數權值；ω4為速度威脅指數權值；ω5為高度威脅指數權值。

步驟 3采用IGSO算法優化BP神經網絡的結構和參數設置，得到最優的權值和閾值。

步驟 4將訓練數據帶入經IGSO算法優化的BP神經網絡進行訓練，BP神經網絡通過不斷調整權值和閾值使得訓練誤差達到最小時完成訓練；將不同的測試數據通過訓練好的神經網絡即可實時動態地給出對應的權值。

步驟 5通過直接線性加權的威脅度計算式(9)計算目標的威脅度，進行威脅排序。

5實驗仿真

5.1基于結構熵權法的IGSO-BP網絡訓練參數優化驗證

5.1.1基于結構熵權法的訓練參數優化驗證

分別以多無人機協同超視距空戰模式下的中距空戰、遠距空戰為例，通過向該領域的10位專家、學者進行請教與咨詢，評價各威脅指數的重要程度，得到專家意見，如表2和表3所示。

表2　中距空戰模式下的專家意見評估表

表3　遠距空戰模式下的專家意見評估表

綜合考慮多位專家的評估可以減小單一專家評估的主觀性、片面性，針對不同的空戰模式，分別采用專家賦值的層次分析法和主客觀融合的結構熵權法所求得各威脅指數權值進行對比，結果如表4所示。

表4　不同空戰模式下層次分析法和結構熵法權值對比

從表4可以得出以下結論。

(1) 中距空戰模式下，雙方戰機距離為15 km時，2種方法權值的排序分別為(從大到小)(3 2 5 4 1)和(2 5 3 4 1)；雙方戰機距離為62 km時，2種方法各權值的排序分別為(從大到小)(3 4 1 5 2)和(3 2 5 4 1)。

(2) 遠距空戰模式下，雙方戰機距離為110 km時，2種方法各權值的排序分別為(從大到小)(4 1 3 5 2)和(3 1 4 5 2)；雙方戰機距離為139 km時，2種方法各權值的排序分別為(從大到小)(3 4 1 5 2)和(3 1 4 5 2)。

通過查閱大量文獻、咨詢相關領域權威專家可知：中距空戰中的角度威脅和高度威脅對目標威脅度有很大影響作用；而遠距空戰中的距離威脅起主要作用，且空戰能力比速度威脅對威脅評估的影響略大。對比2種方法排序結果發現：采用結構熵法優化權值后的權值排序結果與該結論吻合。因此，基于結構熵權法的權值優化分析了評估中的專家“盲度”，對可能產生潛在的偏差數據統計處理，故將該方法所得權值作為訓練參數更為客觀、合理。

5.1.2基于IGSO-BP算法的動態權值計算

在距離10～150 km內選取24組神經網絡訓練樣本，設定不同種類和不同飛行條件下敵機的各態勢數據作為輸入訓練參數，并按上述結構熵權法進行多組評估，將優化后的各威脅指數權值作為BP神經網絡的輸出訓練參數。

得到神經網絡訓練參數后，設計基于IGSO-BP的動態權值生成器，BP神經網絡部分分別有5個輸入輸出參數，網絡結構為5-8-5，故輸入層和輸出層節點數均為5，隱含層節點數為10，網絡需要優化的參數為80個權值，13個閾值，故IGSO算法中螢火蟲個體編碼長度為80+13=93。IGSO部分設熒光素初值l0=5，β=0.08,nt=5, s=0.05,γ=0.6,ρ=0.4,rs=5,迭代過程按公式進行計算；種群規模為30，迭代次數為140。在MatlaB2009a軟件下編程得到超視距空戰下的權值變化曲線如圖4所示。

圖4　超視距下各威脅指數權值分布圖

由圖4可見，敵無人機作戰能力威脅指數權值、距離威脅指數權值和速度威脅指數權值隨著敵我空戰距離的增大而增大，其對目標威脅度整體產生的作用和影響力越來越大；角度威脅指數權值和高度威脅指數權值隨著敵我空戰距離的增大逐漸減小。然而，在實際空戰中，近距作戰模式下角度威脅和高度威脅對威脅估計影響較大，隨著敵我空戰距離的逐漸增大，遠距作戰模式下角度威脅和高度威脅產生的作用遠沒有距離威脅和戰機能力威脅的作用大，這與由圖4所得結論是一致的。因此，采用IGSO-BP算法生成的動態權值是合理和有效的。

5.1.3IGSO-BP算法的收斂性分析

將25組訓練數據預測誤差的絕對值和作為螢火蟲個體的適應度值，分析對比GSO算法和IGSO算法優化BP神經網絡的平均適應度值和進化代數之間的關系，結果如圖5所示。

圖5　IGSO和GSO算法進化過程

分析圖5可知，改進的螢火蟲優化算法在進化到70代時就收斂到最佳適應度值0.162，算法基本趨于穩定；而標準螢火蟲算法在90代左右趨于穩定，適應度值為0.31。通過對比可以看到：IGSO算法的收斂速度明顯高于GSO算法，能夠較快找到BP網絡的最優權值和閾值，尋優能力較強。

綜上所述，本文通過引入BP 神經網絡，并采用IGSO算法對BP神經網絡進行優化，將動態權值引入空戰威脅評估中，彌補了靜態權值在空戰決策中存在的不足，使得超視距下的多無人機協同空戰威脅評估更加合理、準確。

5.2多無人機協同空戰中的威脅評估仿真分析

假設我方無人機編隊由 4架同類型UCAV組成，空戰能力為17.9，機載雷達最大探測距離為140 km，導彈最大射程為100 km，我機速度均為360 m/s。敵方編隊由4架不同型UCAV組成，敵方4種類型的UCAV，空戰能力分別為9.8、18、16.8、13.5，機載雷達最大探測距離為120 km，導彈最大射程為80 km。雙方戰機空戰態勢如表5所示。

表5　敵我三維空戰態勢

續表5

將敵我無人機的三維空戰態勢數據及戰機參數進行綜合處理后作為測試輸入樣本，其對應的基于結構熵優化的各威脅指數權值作為測試輸出樣本，通過IGSO-BP算法得到威脅指數權值，如表6所示。

表6　威脅指數權值

根據威脅估計模型計算得到敵無人機各威脅指數并帶入式(9)線性加權得到綜合威脅度如表7所示。

表7　綜合威脅度

將利用結構熵權法得到的訓練參數分別通過PSO -RBF[16]和BP網絡訓練，采用訓練好的PSO -RBF和BP網絡求出16組測試數據的動態權值，帶入威脅估計模型得到目標威脅度，并與IGSO -BP算法所得威脅度進行對比，實驗結果如圖6所示。

圖6　IGSO-BP、BP和PSO-BP計算目標威脅度誤差絕對值

分析圖6發現，GSO -BP算法所得目標威脅值比BP算法、PSO -RBF算法更接近理想威脅值，誤差最大僅為0.004 3，明顯低于其他2種算法。因此，IGSO -BP算法能夠有效地解決空戰目標威脅評估問題。

6結束語

本文以超視距空戰為背景，研究多無人機協同攻防威脅評估方法。能夠針對現代超視距空戰的特點，在構建威脅評估模型的基礎上，引入結構熵權法弱化了模型中威脅指數權值求解的主觀性，并設計IGSO-BP算法動態求解各威脅權值，實現了復雜空戰環境下的目標威脅估計。通過算例仿真驗證了該方法能夠快速準確地解決威脅排序問題，從而為目標和火力的分配提供有效支持。

參考文獻：

[1] Brynielsson J, Arnborg S. Bayesian games for threat prediction and situation analysis[C]∥Proc.ofthe7thInternationalConferenceonInformationFusion, 2004:1125-1132.

[2] Bourybrisset A C. Ontological engineering for threat evaluation and weapon assignment:a goal-driven approach[C]∥Proc.oftheIEEE10thInternationalConferenceonInformationFusion, 2007:1245-1252.

[3] Liu Y F, Chen S D, Zhao Z Y, et al. Threat assessment of manned/unmanned combat aerial vehicle formation air-to-ground attack based on FBNs[J].SystemsEngineeringandElectronics, 2012, 34(8):1635-1639.(劉躍峰, 陳哨東, 趙振宇, 等. 基于FBNs的有人機/UCAV編隊對地攻擊威脅評估[J].系統工程與電子技術, 2012, 34(8):1635-1639.)

[4] Yao Y T, Zhao J, Wang Y, et al. MADM of threat assessment with attempt of target[J].AdvancesinTechnologyandManagement, 2012, 165(7):171-179.

[5] Nguyen X T. Threat assessment in tactical airborne environments[C]∥Proc.ofthe5thInternationalConferenceonInformationFusion, 2002:1300-1307.

[6] Gao Y, Xiang J W. New threat assessment non-parameter model in beyond-visual-range air combat[J].JournalofSystemSimulation, 2006, 18(9):2570-2573.(高永, 向錦武. 一種新的超視距空戰威脅估計非參量法模型[J].系統仿真學報，2006, 18(9):2570-2573.)

[7] Xie B R, Yang J Y, Yin J, et al. Analysis of the influencing factors upon kill probability for single missile[J].FireControl&CommandControl,2004,29(4):60-64.(謝邦榮,楊劍影,尹健,等.導彈單發殺傷概率影響因素分析[J].火力與指揮控制,2004,29(4):60-64.)

[8] Zhu B L, Zhu R C, Xiong X F.Combataircrafteffectivenessevaluation[M]. Beijing:Aviation Industry Press:1993:287-289.(朱寶鎏, 朱榮昌, 熊笑非. 作戰飛機效能評估[M]北京:航空工業出版社, 1993：287-289.)

[9] Krishnanand K N, Ghose D. Glowworm swarm optimization:a new method for optimizing multi-modal functions[J].InternationalJournalofComputationalIntelligenceStudies,2009,1(1):93-119.

[10] Krishnanand K N, Ghose D. Glowworm swarm optimization for simultaneous capture of multiple local optimal of multimodal functions[J].SwarmIntelligence, 2009, 3(2):87-124.

[11] Husken M. Structure optimization of neural networks for evolutionary design optimization[J].SoftComputingAFusionofFoundations,MethodologiesandApplication, 2005, 9(1):21-28.

[12] Gu X D, Tong Z X, Chai S J, et al. Target threat assessment based on TOPSIS combined by IAHP and the maximal deviation[J].JournalofAirForceEngineeringUniversity(NationalScienceEdition),2011,12(2):27-31.(谷向東,童中翔,柴世杰,等.基于IAHP和離差最大化TOPSIS法目標威脅評估[J].空軍工程大學學報(自然科學版),2011,12(2):27-31.)

[13] Kojadinovic I, Marichal J L. Entropy of bi-capacities[J].EuropeanJournalofOperationalResearch, 2007, 178(l):164-184.

[14] Cheng Q Y. Structure entropy weight method to confirm the weight of evaluating index[J].SystemsEngineering-Theory&Pratice, 2010, 30(7):1225-1228.(程啟月.評測指標權重確定的結構熵權法[J].系統工程理論與實踐, 2010, 30(7):1225-1228.)

[15] Luo D L, Yang Z, Duan H B, et al. Heuristic particle swarm optimization algorithm for air combat decision-making on CMTA[J].TransactionsonNanjingUniversityofAeronautics&Astronautics,2006,23(1):20-26.

[16] Chen J Y, Qin Z, Jia J. A PSO-based subtractive clustering technique for designing RBF neural networks[C]∥Proc.oftheIEEECongressonEvolutionaryComputation, 2008:2047-2052.

E-mail：cjy0706@163.com

姚佩陽(1960-)，男，教授，博士研究生導師，主要研究方向為指揮自動化理論與技術。

E-mail:ypy_664@163.com

王勃(1990-)，男，碩士研究生，主要研究方向為無人機編隊協同指揮與控制。

E-mail:wangbo2043@163.com

稅冬東(1978-)，男，博士研究生，主要研究方向為任務規劃。

E-mail:wjsdd@sina.com

網絡優先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20141105.1633.013.html

Dynamic threat assessment based on structure entropy and IGSO-BP algorithm

CHEN Jie-yu, YAO Pei-yang, WANG Bo, SHUI Dong-dong

(SchoolofInformationandNavigation,AirForceEngineeringUniversity,Xi’an710077,China)

Abstract:Since the traditional threat assessment can not adjust the weights dynamically according to the changing of threat factors during beyond-visual-range air combat, the back propagation (BP) neural network is introduced. Considering the subjective factors and objective factors, the structure entropy weight method is used to confirm the weights of each threat index and the weights are supplied to BP neural network training. The dynamic weights calculating method is proposed based on the improved glowworm swarm optimization (IGSO)algorithm and the BP neural network. In IGSO-BP, IGSO is employed to simultaneously optimize the initial weights and thresholds of the BP neural network. The optimized BP network can calculate the weights in different situations better. On the circumstance of assessing the threat degree during multi-unmanned combat air vehicle (UCAV) cooperation combat, simulation results based on the structure entropy weight method and the IGSO-BP algorithm indicate that, the method can assess the weights of threat indexes effectively and can possess better reliability and veracity than conventional methods.

Keywords:back propagation (BP) neural network; glowworm swarm optimization algorithm; structure entropy weight method; dynamic weights; threat assessment

通信作者陳潔鈺(1989-)，，女，碩士研究生，主要研究方向為多無人機協同作戰指揮決策與控制、戰場態勢評估。

作者簡介：

中圖分類號：TB 391.9

文獻標志碼：ADOI:10.3969/j.issn.1001-506X.2015.05.16

基金項目：國家自然科學基金(61273048)資助課題

收稿日期：2014-01-17；修回日期：2014-10-18；網絡優先出版日期：2014-11-05。