基于遺傳神經網絡的聯合作戰方案評估*

孔 衍，劉 學，楊 建

（1.國防大學研究生院，北京 100091；2.海軍蚌埠士官學校，安徽 蚌埠 233012）

0 引言

聯合作戰方案是聯合作戰指揮員定下決心的依據，是提高聯合作戰指揮效能的基礎。針對聯合作戰方案多因素、非線性、非結構化和高度復雜性等特征，僅僅依靠專家評估必然帶來主觀性和不確定性。神經網絡法在處理不確定問題時有著獨特優勢，常用于作戰方案評估問題研究。如，基于BP神經網絡的對導彈作戰方案評估[1]；基于RPROP和基于神經網絡集成對作戰方案評估[2]；基于徑向基神經網絡對聯合作戰方案仿真評估[3]，這些研究都從基于神經網絡的角度對方案評估，取得了良好效果。考慮到BP神經網絡具有較好的泛化能力、非線性映射能力，并對遺傳算法具有較好的自適應性和并行處理能力，本文提出了一種基于遺傳BP神經網絡的方案評估法，作為其他方法的補充和綜合，并對相關計算結果比較分析。

1 基于遺傳BP神經網絡方案評估

1.1 基于遺傳神經網絡方案評估原理

基于遺傳神經網絡方案評估原理，是建立在系統具有模塊間耦合度小、計算速度快、精確度高等特點的基礎上。將“方案評估”問題抽象為3個模塊（如圖1），即數據采集模塊、方案評估模塊、評估等級識別模塊，按照相關方法進行數據處理。

數據采集模塊：獲取擬評估方案特征指標數據，并通過串口通信方式進行數據傳遞。對定性指標按照一定規則量化處理；為了減小不同參數數量級對診斷結果的影響，對數據歸一化處理。歸一化處理采用公式：

圖1 基于遺傳神經網絡方案評估原理圖

方案評估模塊：采用基于遺傳BP神經網絡模型。

評估等級識別模塊：將網絡輸出的結果，通過閾值判定函數進行等級類型判別。其閾值函數定義如下：

其中，y為網絡實際輸出，θ為等級判斷閾值（如，可以取 θ=0.5）。

1.2 基于遺傳BP神經網絡模型

基于遺傳BP神經網絡模型構建思路：利用遺傳算法進行BP網絡設計，確定網絡初始的權值和閾值；利用已有樣本數據對優化后的網絡進行訓練；利用訓練完成后的網絡對新樣本模式識別。

1.2.1 BP網絡設計

1）確定節點數、隱含層節點數。確定節點數確定：網絡的輸入與輸出節點數由具體問題確定，輸入節點數一般為訓練樣本矢量維數，輸出節點數一般為需解決問題結果的維數。隱含層節點確定：需要考慮網絡的性能和計算開銷，隱含層節點確定并沒有統一的方法。一般來說網絡隱含層節點數太少，網絡將不能建立復雜的映射關系，導致網絡訓練不成功，或者不能識別以前沒有的樣本，容錯性差；隱含層節點數過多，不僅增加訓練時間，還使網絡學習時間過長，誤差也不一定最小[4-6]。一般采用如下經驗公式，其中 l為隱含層節點數，m為輸入節點數，n為輸出節點數，a為1～10之間的常數。

2）確定傳遞函數。傳遞函數確定：傳遞函數是BP神經網絡的重要組成部分，必須是連續可微的。在Matlab工具箱里有一些可供選擇的函數，如S型對數函數logsig，雙曲正切S型函數tansig，線性函數purelin。

1.2.2 BP網絡訓練

建立網絡以后就要對其進行訓練。為加快網絡的收斂速度并保持較高的精度，需要設置合適的網絡相關參數。如學習速率、訓練目標值、訓練次數值等。其中學習速率的大小需要重點考慮，該值如果設置太大，會出現算法不收斂的現象；如果設置太小，會導致訓練時間過長。訓練目標值是確定神經網絡的計算精度，當誤差達到此值后，網絡停止訓練。

遺傳算法策略：遺傳算法由編解碼、個體適應度評估和遺傳運算三大模塊組成。其中編碼一般采用二進制編碼，解碼是將二進制數據還原為十進制；個體適應度評估用來確定每條染色體遺傳到下一代的概率，適應度大的個體遺傳到下一代的概率更大；遺傳運算包括選擇算子、交叉算子、變異算子。

1.2.3 新樣本模式識別

將處理過的待評估作戰方案樣本輸入到訓練完成后的BP神經網絡中，即可獲得該狀態下的網絡輸出模式，完成新樣本的模式識別。

2 基于遺傳BP神經網絡的聯合作戰方案評估

2.1 聯合作戰方案特征指標與綜合評估指標的選取

根據某聯合作戰方案的特點，不妨選取10個特征指標：飛機機型、飛機數量、攜彈威力、命中精度、突防高度、突擊速度、突防概率、目標性質、目標長度、目標寬度。其變量代號為T1～T10。綜合評估毀傷效果設為4個等級：襲擾、壓制、癱瘓、摧毀（見表1）。

表1 評估指標等級

2.2 BP網絡的設計和訓練

某聯合作戰方案參戰飛機為6類“不同機型”，不妨用自然數1—6表示，即1—蘇30、2—蘇27、3—殲 8E、4—殲 10、5—轟 5、6—無人攻擊機。“目標性質”按照同樣方法處理，1—機場，2—指揮所等。

由于三層BP網絡可以逼近任意一個連續函數，本文采用三層BP神經網絡方案評估方法。

BP網絡設計：

1）確定節點數確定。“輸入”為作戰方案的特征指標，“輸出”為作戰方案的評估等級。輸入向量為10維，輸出向量為2維，確定輸入層節點為10，輸出層節點為2。

3）傳遞函數的確定。考慮到網絡的輸出為0-1模式，隱含層神經元的傳遞函數采用S型正切函數tansig（），輸出層神經元的傳遞函數采用S型的對數函數 logsig（）。

BP網絡訓練：該作戰方案評估問題相關參數設置：學習速率0.01，訓練目標值0.001，訓練次數值1 000。

2.3 BP網絡優化

2.3.1 染色體編碼

采用二進制編碼（10位），由輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層權值、輸出層閾值4部分組成。將所有二進制串連接起來就成為一個個體的編碼。由于網絡結構為10-21-2，對應輸入層與隱含層連接權值數為210，隱含層閾值數為21，隱含層與輸出層連接權值數為42，輸出層閾值數為2，需優化參數個數為275，二進制編碼總長度為2 750。由圖2可以看出，染色體中1～2 100位對應輸入層與隱含層連接權值，2 101～2 310位對應隱含層閾值，2 311～2 730位對應隱含層與輸出層連接權值，2 731～2 750位對應輸出層閾值。

圖2 染色體串編碼方式

2.3.2 確定適應度函數

適應度函數按式（3）確定：

其中，f為適應度函數，f（x）為待評估樣本的預測值與期望值的誤差矩陣的范數。

2.3.3 遺傳運算

選擇算子采用隨機遍歷抽樣；交叉算子采用單點交叉算子；變異算子采用0-1隨機變異。

2.3.4 終止條件

約定后兩代平均適應度變化率小于閾值或迭代次數達到最大遺傳代數時運算終止。滿足終止條件時，選擇適應度最大的染色體，再進行解碼操作，以獲得最佳權值和閾值。

3 實例分析

3.1 BP網絡的優化

為了驗證優化后BP網絡的先進性，利用Matlab軟件對兩個網絡在相同結構和參數設置的條件下進行仿真分析（其中網絡的訓練樣本和測試樣本來自文獻[3]）。

遺傳參數設置：種群大小為40，最大遺傳代數為100，初始交叉概率為0.8，初始變異概率為0.1。

圖3 誤差進化曲線

圖4 網絡訓練狀態圖

圖3為誤差進化曲線，誤差隨著遺傳代數的增加，能不斷突破局部最小值向最優解趨近。圖4為優化后的BP網絡訓練狀態圖，由上到下分別為誤差曲面精度、訓練參數、驗證樣本數據。從圖5和圖6的對比可看成，利用優化后的權值和閾值，網絡的訓練速度和精度都有一定程度的提高，例如訓練誤差從0.009 196 9降到0.007 959 7，已低于期望誤差，具有更好的逼近能力，訓練代數從10降到7。

3.2 模型檢驗

該系統評估結果是否準確，還需要利用“新鮮”的測試數據對其檢驗。某型作戰方案中，紅方擬對藍方4個目標進行打擊，待評估樣本和評估結果如表2所示。可以看出，遺傳神經網絡和徑向基神經網絡的輸出結果[3]是一致的，除目標4的毀傷效果為“襲擾”外，其余目標毀傷效果皆為“壓制”，但顯然遺傳神經網絡評估精度更高。而普通BP網絡由于采用隨機權值和閾值，網絡容易陷入全局極小點，從而影響評估的準確性。該案例中，普通BP網絡輸出結果皆為“壓制”，對目標4的評估發生失誤。

圖5 優化權值和閾值訓練誤差曲線

圖6 隨機權值和閾值訓練誤差曲線

多次測試表明，本文采用的遺傳BP神經網絡相比普通BP網絡，在評估精度和速度上都有所提高。

表2 待評估樣本和評估結果

4 結論

本文提出了基于遺傳BP神經網絡的聯合作戰方案評估算法。此方法相比傳統的主觀評定法和簡單的定量分析法，減小了評定的主觀性和隨意性，更加易于操作；相比BP神經網絡，由于減小了隨機權值和閾值對結果的影響，評估速度和準確性上有所提高，為聯合作戰指揮員對作戰方案的優選評估提供了一種新思路，具有較強的參考價值。