基于遗传神经网络的作战部队指挥信息系统效能评估

罗 光，肖卫东，贺 平

(1.国防科学技术大学，长沙 410073； 2. 73115部队，福建 厦门 361100)

【后勤保障与装备管理】

基于遗传神经网络的作战部队指挥信息系统效能评估

罗 光1,2，肖卫东1，贺 平2

(1.国防科学技术大学，长沙 410073； 2. 73115部队，福建 厦门 361100)

遗传神经网络是对不确性问题进行建模分析的有效工具。基于遗传神经网络，研究了作战部队指挥信息系统效能评估问题。仿真分析结果表明，采用遗传神经网络能够合理评估作战部队指挥信息系统效能。与其他方法相比，基于遗传神经网络建立的指挥信息系统效能评估模型通过累积历史经验数据知识，得出的评估结果与真实情况更相符合。同时，基于遗传神经网络的效能评估方法也可用于其他评估中，具有较好的适用性。

遗传神经网络；指挥信息系统；效能评估；评估模型

效能评估是检验作战部队指挥信息系统训练、演练和作战运用质量与效益，提高作战部队指挥效能的重要手段。由于指挥信息系统是作战部队体系作战能力形成的重要支撑，其运用过程和结果存在高度的复杂性和不确定性，通过对指挥信息系统构成要素进行分解、量化建模来评估其效能较为困难，且存在模型可信度不高、结果难以应用等问题。遗传算法与人工神经网络是在仿生学领域发展而来的科学研究方法，具有非线性映射、自适应、并行处理和容错性等优点，目前已广泛应用于自动控制、模式识别、信号处理、优化组合、效能评估等领域[1]。本文将遗传算法和人工神经网络运用于作战部队指挥信息系统效能评估研究中，以克服考核评估或建模仿真分析方法的不足，较为客观、准确地对作战部队指挥信息系统效能进行评估，能够为作战部队指挥信息系统训练、演练和作战运用的决策与实践提供参考与借鉴。

1 遗传神经网络理论概述

遗传神经网络是遗传算法和人工神经网络相互混合的一种神经网络模型[1]。由于遗传算法和人工神经网络在处理问题上的差异性和互补性，近年来人们尝试将两者相融合，以充分利用彼此的长处，增强解决问题的能力。总体看来，人工神经网络是从数学、物理和信息处理的角度对生物神经网络进行抽象并建立起的一种处理复杂问题的简化模型，具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于处理复杂非线性和不确定效能评估问题。在文献[2、3]中，对人工神经网络进行了较为详细的论述。而遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法，在模拟自然进化过程搜索最优解时，它具有全局性搜索、不易陷入局部最小值和目标函数不要求连续性的特点，容易得到全局最优解或性能很好的次优解，在文献[4]中，对遗传算法进行了较为详细的论述。

遗传神经网络中遗传算法与神经网络相结合主要表现在2个方面：一是，利用遗传算法对样本数据进行预处理，然后用人工神经网络解决问题；二是，通过遗传算法和神经网络共同求解问题，一种方式是固定网络拓扑结构的情况下，利用遗传算法确定连接权重，另一种方式是直接利用遗传算法优选神经网络的结构，然后用BP算法训练网络。2种方法相结合的方式如图1所示。

图1 遗传算法与神经网络结合示意图

2 基于遗传神经网络的效能评估

2.1 效能评估分析过程

基于遗传神经网络的效能评估的分析过程，实质上就是利用遗传算法和神经网络共同求解问题的过程。通过遗传算法优化神经网络效能评估模型网络结构及权值参数，提高神经网络建模与样本数据训练的效果和速度，可以为作战部队指挥信息系统效能评估建模与分析提供有效手段。基于遗传神经网络的效能评估分析过程主要包括7个步骤，如图2所示。

1) 确定神经网络结构和参数。建立系统效能评估指标，依据评估指标构建BP神经网络模型，初步确定BP神经初始网络结构和参数。

2) 获取模型权值和阈值。产生一组随机分布，对模型中的每个权值和阈值运用编码方案进行编码，构造出相对应的编码链，依据编码链确定出对应权值、阈值取特定值的神经网络。

3) 确定样本数据。对系统效能评估样本进行处理，确定BP神经网络训练、测试样本数据。

4) 通过遗传算法修改模型权值和阈值。首先，计算神经网络的误差函数，确定该神经网络的适应度函数，如果误差越大，网络的适应度越小；其次，依据确定的适应度函数值，选择若干函数值最大的个体，将其遗传给下一代；再次，对当前一代种群，分别进行选择、交叉和变异等遗传操作处理，以产生下一代种群；最后，判断遗传进化代数是否完成，若操作完成则转向下一环节，若没有完成则重新继续进行遗传操作。

5) 得到遗传神经网络模型。用遗传算法计算得到的优化值作为神经网络初始权值和阈值，采用BP算法对神经网络进行训练，直至满足预定精度。

6) 遗传神经网络模型验证。对建立的评估模型输入样本进行测试，若不满足预定精度要求则继续训练，若满足预定精度要求则完成模型构建。

7) 效能评估分析。利用得到的遗传神经网络模型，进行系统效能评估分析。

图2 基于遗传神经网络的效能分析过程

2.2 评估分析关键内容

采用遗传神经网络进行指挥信息系统效能评估分析，主要涉及人工神经网络建模、样本数据获取与处理、遗传算法设计和模型校验等内容。关键算法主要包括获取样本数据、选择人工神经网络结构和设计遗传算法编码等。

1) 获取训练和测试样本数据

获取训练和测试样本数据是运用遗传神经网络对效能评估问题进行建模与研究的前提和基础。通过样本数据可以确定网络神经元的自由参数(权值或阈值)的具体取值。样本数据可以是已有的相关数据，或利用仿真系统进行仿真实验获得，或通过作战部队训练、演练数据采集获取。

遗传神经网络包含多个参数，输入数据与输出数据之间的函数关系大多是高度非线性关系，受客观因素限制，往往难以进行全面实验以获取充分的样本数据进行训练和测试。一是，样本数据所需数量与实际可获取数据数量间的矛盾；二是，实际获取或采集到的数据与全面反映模型输入/输出函数关系之间的矛盾。为此，在样本数据获取过程中必须合理安排数据获取方案，通过尽可能少的实验次数获取最多的网络特征信息，以最好地反映效能影响因素与评估结果间的关系。通常可采用的样本数据采集方法有3种，① 中心组合方案设计；② 正交方案设计；③ 随机组合方案设计。不同设计方案其应用的范围也不相同，详细内容可参见文献[1]，此处不作过多论述。

2) 确定遗传神经网络模型结构

如何选择遗传神经网络模型结构，确保网络的泛化能力是效能评估分析中需要解决的关键问题。泛化能力是遗传神经网络的重要性能指标，主要指网络经过样本训练后对新的样本数据做出正确反应的能力。影响网络模型泛化能力的因素很多，如训练样本的质量和数量、网络模型结构、需解决问题自身的复杂程度等。由于需解决问题的复杂程度不可控制，而训练样本相对固定，网络模型泛化能力与网络模型结构密切相关。

遗传神经网络模型结构选择，主要包括输入层和输出层节点数选择、网络隐层数选择和隐层神经元数选择等内容。① 输入层和输出层节点数选择主要由问题要求决定，输入层节点数一般为训练样本矢量维数，也可是样本数据维数或提出的特征组数；输出层节点数为需解决问题结果的维数，在分析中可以只设一个输出节点。② 网络隐层数选择需综合精度和复杂性2个方面，由于具有偏差和至少一个S形隐含层加上一个线性输入层的网络可逼近拟合任何有理函数，增加网络隐层数在进一步降低误差、提高精度的同时，也使网络复杂化。对于非线性问题，依据Kosmogorov定理，如果输入变量的个数为n，则隐层节点数可取2n+1个[5]。③ 隐层神经元数选择，网络模型训练精度也可通过采用一个隐层而增加其神经元的方法提高，这比增加更多隐层更为简单，隐层神经元数选择可以在解决问题的前提下，增加1～2个神经元以加快误差下降速度。综合来看，网络隐层数和隐节点数决定了网络的规模，而网络的规模与其性能密切相关，运用神经网络解决现实问题时，当网络规模过小时，神经网络逼近能力不足，容易导致问题分析精度不足；而网络规模过大时，神经网络逼近能力过度。

3) 设计遗传算法编码方案

采用遗传算法优化神经网络的权重时，如何设计网络连接权重的遗传算法编码方案至关重要。总体说来，遗传算法编码方案设计有3种方法。① 直接编码方法。该编码方法直接用二进制串或实数串表示神经网络连接权重，染色体与神经网络连接权重之间是直接映射关系，直接编码方法仅对神经元数目较少的小型网络的优化快速有效，且要求网络模型的神经元数目预先固定的，这限制了它的使用。② 参数化编码方法。该编码方法的优点是网络连接权重的编码比较简洁紧凑，通过仅对网络连接权重中的最主要特征进行编码可以有效减少染色体长度，每个连接的细节可在染色体解码中由一些生长规则提供。③ 繁衍生长方法。该编码方法最大不同是它并不在染色体中直接编码神经网络的结构，而是将一些简单的生长规则编码在染色体中，通过规则的不断改写，确定适合解决问题的神经网络连接权重。遗传算法编码设计详细内容可参见文献[6]，此处不作过多论述。

3 基于遗传神经网络的效能评估案例研究

3.1 指挥信息系统效能及评估指标构建

效能是一个相对、定量的值，需要考虑特定的使用环境和特定的任务目标。指挥信息系统效能定义的几种典型观点可参见文献[7-10]。

综合来看，指挥信息系统效能是指在特定条件下指挥信息系统自身和基于指挥信息系统的作战体系执行规定任务所能达到预期可能目标的程度，其效能包括固有效能和使用效能2个方面。固有效能是对指挥信息系统自身固有能力的反映，可分为单项效能和系统效能，单项效能是对指挥信息系统单项或单个方面战技术性能或能力指标的评估和度量，系统效能是针对指挥信息系统整体能力的综合性评估；使用效能是对指挥信息系统对作战部队潜在战斗力转化为现实战斗力的影响程度的评估，即基于指挥信息系统的作战体系在特定的作战环境下的作战效能。指挥信息系统效能分类如图3所示。

图3 指挥信息系统效能分类

一般而言，指挥信息系统单项技术性能或能力越好，其系统固有性能或效能就越好，进而对基于指挥信息系统的作战体系执行规定任务达到预期可能目标的影响程度就越大，但三者之间绝非简单的线性关系，其耦合一般是高度非线性的。由于使用效能评估涉及部队作战体系、武器装备运用和战术战法等复杂因素，本文主要从系统效能角度构建指挥信息系统效能评估指标。

系统效能反映了指挥信息系统自身所蕴涵的固有能力和本领，属于相对静态的效能。依据作战部队指挥信息系统作战运用要求，指挥信息系统系统效能可划分为信息网络、情报综合、指挥控制、火力打击支撑、后装保障支撑、基础服务和信息安全等7项效能指标。其中，信息网络是构成指挥信息系统组成的神经，具有基础性、渗透性和支撑性，是指挥信息系统系统效能发挥的重要基础。情报综合通过引接、处理和融合各类情报信息，为作战部队夺取主动，加快作战进程，提供必要的战场态势感知能力；指挥控制提供新的指挥工具和指挥手段，确保作战指挥员及指挥机关对所属部队作战行动组织的运筹和调度的顺利完成；火力打击支撑对作战部队战役战术导弹、各类火炮、攻击直升机和对空打击等火力打击力量综合运用筹划、组织、实施顺利完成提供的各类支持和保障；后装保障支撑依托指挥信息系统良好的融合能力、快速的计算能力、端到端的互通能力、高效的动态管理能力，提高物资请领、运输、接收、储存和发放诸环节的速度和准确性；基础服务围绕作战部队体系作战要求，提供定位授时、名录管理、文书处理、数据库检索等服务等能力；信息安全主要指为遏制敌方信息攻击，保障己方信息系统安全而采取的防御性措施和行动的能力。指挥信息系统系统效能评估指标如图4所示。

图4 指挥信息系统系统效能评估指标

3.2 效能评估网络模型

依据指挥信息系统效能评估指标，基于遗传神经网络的效能评估模型分为输入层、隐含层和输出层3个层次。输入层包括7个节点，分别表示指挥信息系统系统效能的7项指标；隐含层节点数设为12个；输出层表示效能期望输出值，由1个节点表示。遗传神经网络评估模型的网络结构为7-12-1。模型参数设置包括2个方面，一是输入层到隐含层的传递函数，设为双曲正切S型函数，二是隐含层到输出层，设为对数S型传递函数；三是训练函数，设为训练误差目标0.001、最大训练代数为500的梯度递减traingdx函数。优化BP神经网络的遗传算法参数设置，初始种群规模为150，最大遗传代数为200。遗传神经网络评估模型结构见图5所示。

图5 遗传神经网络评估模型结构

3.3 训练样本数据处理

遗传神经网络训练样本数据获取较为困难，需要历史和经验数据的积累，本文样本数据来源主要是部队平时指挥信息系统运用的仿真和实装训练演练数据，同时查阅了一些装备试验数据和文献资料得到的。理论上讲，如果历史和经验积累的数据足够的话，更多情况下的期望值样本数据也是可以通过分析得到的，但由于每一个样本数据的获取都较为繁杂，涉及的因素复杂，且需进行仿真测试，在实际操作上存在较大困难。

BP神经网络要求输入层输入数据保证在0～1之间，而指挥信息系统系统效能评估指标数值是介于0～1之间，符合神经网络模型参数输入的要求。根据已有训练和仿真数据计算结果，结合专家经验得到15组样本数据，随机选择12组作为训练样本数据，其余3组作为测试样本数据。得到的15组样本见表1所示。

表1 遗传神经网络样本数据表

数据9数据10数据11数据12数据13数据14数据15信息网络效能0.89790.54290.84810.67420.86370.59660.7473情报综合效能0.90470.53840.85570.49260.71960.60750.6982指挥控制效能0.83040.57460.88060.57340.80490.60200.7049火力打击支撑效能0.80880.58920.86990.68550.71290.61710.6530后装保障支撑效能0.74330.60230.75230.61590.90050.58940.6225信息安全效能0.89010.48050.87360.60360.81140.59280.8016基础服务效能0.79430.57170.89730.56870.80850.61830.7094系统效能期望值0.82740.58490.77420.65640.81980.56780.7327

3.4 遗传神经网络模型验证

基于Matlab 7.1工具软件构建指挥信息系统系统效能遗传神经网络评估模型。利用Matlab 7.1内嵌的Gaot遗传算法优化工具箱对建立的网络评估模型进行优化，并对遗传算法性能进行了分析。遗传算法性能曲线图表明，遗传算法误差随着遗传进化代数的增加不断下降，而适应度函数值则不断增加，算法收敛性逐渐提高。算法误差范围在种群进化到120代左右时降到期望以内，在种群进化到164代左右时，平均适应度基本上与最佳适应度保持一致。算法误差收敛随着遗传种群进化代数增加曲线见图6所示。

采用表1中的样本数据对系统效能遗传神经网络评估模型进行训练分析，评估模型训练过程及其误差变化见图7、图8所示。

图6 遗传算法误差与适应度曲线

图7 遗传神经网络训练过程

图8 遗传神经网络误差变化曲线

在遗传神经网络误差变化曲线图8中，以遗传神经网络训练次数为横坐标，误差值为纵坐标。误差变化曲线表明，神经网络的误差随着训练次数的增加而逐渐减小，在进行到第314次训练左右时，网络模型误差满足预定目标值要求，模型训练结束。此时，样本数据表1的训练结果输出与训练期望值的回归分析曲线见图9所示。

对建立的遗传神经网络模型进行训练后，得到的网络模型误差值满足设定允许的范围要求。通过训练后的网络模型对训练样本进行仿真，得到输出结果见表2所示。

表2 训练样本仿真输出结果表

图9 输出结果回归分析曲线

由表2可知，网络模型对训练样本的仿真输出结果与期望值的绝对误差，最大值为0.051 7，而最小绝对误差仅为0.000 8。以输出误差小于0.05为标准进行评价，可知训练样本数据集的评价准确率大于93%。结合样本数据表中其余3组样本数据对优化后的评估网络模型进行测试验证，输出结果见表3所示。

表3 样本数据仿真测试结果表

由表3样本数据仿真测试结果表中，可知其绝对值误差均不大于0.05，最后测试合格，建立的基于遗传神经网络的评估模型能够型满足指挥信息系统系统效能评估要求。

3.5 效能评估结果分析

以陆军作战部队某次防空作战综合演练为例，通过对演练数据的采集与分析得到指挥信息系统效能指标：通信网络、情报综合、指挥控制、火力打击支撑、后装保障支撑、基础服务、信息安全的评估值分别为{0.744、0.710, 0.709, 0.698, 0.677, 0.895, 0.748}。依据建立的系统效能评估遗传神经网络模型，将系统效能指标度量数值作为遗传神经网络模型输入数据，即可得到陆军作战部队防空作战演练中指挥信息系统效能评估值。相关数据和结果如表4所示。

从表4中可以看出，采用遗传神经网络方法最终评估结果为0.685 9，而常用的加权平均法得到的评估值为0.740 1。遗传神经网络法得到的结果小于加权平均法的评估值，这与火力打击支撑、后装保障支撑两项指标值较低也是密切关联的。评估结果表明遗传神经网络模型通过样本训练后积累了指挥信息系统效能的历史经验数据，从而能够更好地反映评估指标值与效能值之间的关系。

表4 系统效能评估结果表

4 结论

遗传算法与人工神经网络是从仿生学领域发展而来的科学研究方法，具有较强的解决不确定条件下复杂推理问题的能力。本文在概述遗传算法与神经网络的基础上，探讨了基于遗传神经网络开展效能评估分析的一般过程和关键内容，并以作战部队指挥信息系统效能评估为例，开展了作战部队指挥信息系统效能评估建模与案例分析。评估结果表明，运用遗传神经网络能够对作战部队指挥信息系统效能进行较为合理的评估。与加权平均法相对比，基于遗传神经网络建立的指挥信息系统效能评估模型由于累积了历史经验数据知识，评估结果与真实情况更相符合，也更为科学有效。同时，基于遗传神经网络的效能评估方法也可用于其他评估中，具有较好的适用性。

[1] 田雨波.混合神经网络技术[M].北京:科学出版社,2009.

[2] 田景文,高美娟.人工神经网络算法研究及应用[M].北京:北京理工大学出版社,2006.

[3] 马锐.人工神经网络原理[M].北京:机械工业出版社,2010.

[4] 李敏强.遗传算法的基本原理与应用[M].北京:科学出版社,2002.

[5] 钱敏平,龚光鲁.随机过程论[M].北京:北京大学出版社,2000.

[6] 孙晓燕,巩敦卫,徐瑞东.高级交互式遗传算法理论与应用[M].北京:科学出版社,2012.

[7] 张最良,李长生.军事运筹学[M].北京:军事科学出版社,1999.

[8] 郭齐胜,郅志刚.装备效能评估概论[M].北京:国防工业出版社,2005.

[9] 程启月.基于信息系统的指挥效能评估与风险[M].北京:国防大学出版社,2011.

[10]肖兵,金宏斌.C4ISR系统分析、设计与评估[M].武汉:武汉大学出版社,2010.

(责任编辑 杨继森)

Study on Effectiveness Assessment of Combat Forces Command Information System Based on Genetic Neural Networks

LUO Guang1, 2, XIAO Wei-dong1, HE Ping2

(1.National University of Defense Technology, Changsha 410073, China;2.The No. 73115thTroop of PLA, Xiamen 361100, China)

Genetic neural networks are a powerful tool for modeling and analysis of the uncertainty nature random process. Based on the genetic neural network, we discussed the effectiveness evaluation of combat forces command information system. The simulation results show that genetic neural network can reasonably assess the effectiveness of combat forces command information system. Compared with other methods, the results that command information system genetic neural network effectiveness assessment model assessed based on historical data by accumulating knowledge is more consistent with the real situation. Meanwhile effectiveness evaluation method based on genetic neural network can also be used in other assessments, and it has better applicability.

genetic neural networks; command information system; effectiveness assessment; assessment model

2015-03-02

国防基金项目(2014008)

罗光(1978—)，硕士，主要从事系统工程研究。

10.11809/scbgxb2015.08.018

罗光，肖卫东，贺平.基于遗传神经网络的作战部队指挥信息系统效能评估[J].四川兵工学报，2015(8):72-77.

format:LUO Guang, XIAO Wei-dong, HE Ping.Study on Effectiveness Assessment of Combat Forces Command Information System Based on Genetic Neural Networks[J].Journal of Sichuan Ordnance,2015(8):72-77.

E911

A

1006-0707(2015)08-0072-07