基于参数优化的SVM联合作战战场建设方案优选

江萧君，李为民，肖金科

（空军工程大学，西安 710051）

基于参数优化的SVM联合作战战场建设方案优选

江萧君，李为民，肖金科

（空军工程大学，西安 710051）

联合作战战场建设方案优选可最大可能降低建设工程的损耗、提高整体建设效益。针对联合作战战场建设方案优选问题进行研究，首先梳理联合作战战场建设方案优选流程，然后构建包括作战保障工程、后勤保障工程、装备保障工程和战场基础信息数据库的指标体系，并提出基于网格搜索和交叉验证优化的改进SVM方法实施方案优选，仿真结果表明优化后参数的性能明显优于默认参数，更加适用于联合作战战场建设方案优选问题。

支持向量机，网格搜索，交叉验证，战场建设，方案优选

0 引言

联合作战战场建设，是为保障作战的顺利实施而在预定或预设战场进行的建设行动设想，内容包括修建战场设施、储备作战物资、编制战场资料等，用于指导联合作战战场建设这个复杂、大型、繁琐的系统工程的建设工作高效、有序、顺利的实施。对于联合作战战场建设而言，优选最佳建设方案，可最大可能降低建设工程的损耗、失误及偏差，提高整体建设效益、节约有限资源，对联合作战战场的建设质量和保障能力的提升有着巨大作用。

目前关于联合作战战场建设方案优选问题的一些研究，尚存在一定问题，主要体现在两个方面：一是缺少一套系统客观、简明扼要的联合作战战场建设方案评价指标体系；二是如AHP层次分析法［1-2］、模糊单元系统理论［3］等经典评价方法，虽广泛运用于各领域的方案优选和决策问题上，但是与决策者的知识水平、个人喜好、评判角度息息相关，使得判断矩阵并非一致，解决问题不够全面、科学、高效。

近年来，机器学习获得了突飞猛进的发展，支持向量机（Support vector machine，SVM）在多个领域［4-6］中得到了广泛的运用，针对方案决策问题，文献［7］也提出了使用支持向量机的解决方法，但是支持向量机中的惩罚参数C以及核函数参数g是模型在实际使用中的重难点问题，因此，本文使用网格搜索的方法优选模型参数，尝试着用来解决联合作战战场建设方案优选问题。为了检验优化后的参数对模型的影响，本文运用均方误差δ¯MSE，对仿真结果进行了客观的评价。

1 联合作战战场建设方案优选流程

如图1所示，在联合作战战场建设方案优选流程中，各方案样本作为优选流程的输入部分，经过联合作战战场建设方案优化模型处理，输出相对应的方案评估值，最后根据评估值的排序顺序即可得出最佳方案。由上述分析可知，方案优选问题的核心在于建立联合作战战场建设方案优选模型，方案评价指标体系和解算方法模型作为优选模型重要的组成部分。

2 联合作战战场建设方案指标体系

联合作战的战场建设，应从诸军兵种联合作战使命任务出发，聚焦保障联合作战效能发挥，统一筹划、科学建设诸作战保障要素。评价体系的各指标应遵循系统性、客观性、全面性和科学性的原则，从能力、强度、稳定性的角度，全方面考察建设方案的效益。本文以作战保障为原则，以后勤保障为依托，以装备保障为支撑，以战场基础信息数据库为拓展，建立了如图2所示的联合作战战场建设方案指标体系。

图1 联合作战战场建设方案优选流程

图2 联合作战战场建设方案评价指标体系

各保障工程的领域专家，运用其本专业领域的知识和科学的评价方法，对各方案中本专业领域指标的能力和特性进行对比评价，得出表1的指标评价等级表。

表1 指标评价等级量化表

通过对之前的战场建设方案进行分析，收集样本数据，按照联合作战标准对各指标进行评价，再由使用部队对战场建设给出总体评价值，由于同一战场可被多个部队轮流使用，因此，本文取多个部队总体评价值的均值作为最终评价值，区间为［0，1］。

3 基于网格搜索和交叉验证的SVM参数优化流程

支持向量机是Vapnik等人［8-9］于20世纪90年代提出的一种全新的机器学习方法，SVM可模拟人类归纳总结实例的学习能力，主要是从数据中挖掘提取目前尚不能用理论分析得到的规律，然后再利用规律去解决客观问题，处理一些无法观测和未知的新数据，并对数据进行预测或分类。在支持向量机的学习过程中，SVM模型的好坏一定程度上直接取决于参数的选择，模型默认参数并非最优参数，因此，需要寻求一种方法对参数进行优化。本文采用网格搜索和交叉验证结合的方法来解决参数优化问题。相对于一些常用的参数优化方法［10-12］，基于网格搜索（grid search）和交叉验证（cross validation）［13-14］的参数优化方法具有3个优势。

①可以全面的进行参数对比，寻优准确度更高；

②本文仅讨论（C，g）两个相互独立的参数，网格搜索的可并行性高；

③交叉验证可消除学习过程中因样本随机所产生的误差，增强模型的泛化能力。

在一般的网格搜索法中，通常等距划分网格进行参数寻优和成果可视化，针对支持向量机参数取值范围大的特点，本文采用指数函数并选择合理步长划分网格，并对每一组参数进行K-fold交叉验证，优选出其中最好的参数组合。具体参数优化步骤如下：

Step1 建立网格坐标，使 a=[-5，5]，b=[-5，5]步长取 0.5，参数网格点为 C=2a、g=2b。

Step2 顺序选取一组参数组合（C，g），将其用于模型的训练和测试中。

Step3 将数据分为K组子集，任意选取K-1个子集作为训练集，剩下一个作为测试集，对Step2中选取的参数组合进行K折交叉验证，而后更换训练集和测试集，直到每一组子集都作为过测试集为止，共进行K组K-fold交叉验证。

Step5 求出上一步中均方误差集的平均值δ¯MSE。

Step6 网格参数是否全部选取，参与到运算中去，若没有则返回Step2，若已全部运算完则进行下一步。

Step7 对比结果，选取其中平均误差最小的参数组合（C，g）为最优参数。

其优化流程如图3所示。

4 案例分析

某次联合作战演习准备工作中，导演部需要从众多战场建设方案中优选最佳方案，模拟现代化联合作战战场环境，保障此次演习顺利开展，检验军队现代化联合作战能力。首先收集以往多次演习的战场建设方案，根据演习过程和结果，究其保障联合作战能力进行分析评判，建立起样本数据集，如下页表2所示。

本文针对10个样本集的情况，使用5折交叉验证对参数组合进行检验，寻找平均误差最小的参数组合，其寻优过程如图4所示，图中凹陷最深处点即为最优参数组合。

图3 基于网格搜索和交叉验证的参数优化

图4 网格搜索和交叉验证法参数寻优过程图

通过以上寻优过程得出最优参数组合为（C，g）=（27，0.59），不同情况下均方误差的仿真结果如表3所示，结果显示优化后参数的性能明显优于默认参数，更加适用于联合作战战场建设方案优选问题。下一步将参数优化后的SVM优选模型应用到方案优选问题当中。

表2 样本数据集

表3 不同参数下的均方误差

表4 评估方案数据集

根据导演部要求，共制定了3个联合作战战场建设参选方案，分别为方案S1、方案S2、方案S3。各领域专家通过专业分析给出相应的指标评分，得出如表4所示的评估方案数据集，并通过以上建立的模型，对各方案进行评估，得出表5中的方案评估结果。

表5 联合作战战场建设方案评估结果

根据结果可以得出方案评估值排序为S3＞S1＞S2，表明在考虑各方面因素的条件下，选择方案S3更加符合联合作战战场建设的实际情况。所以，在最终的联合作战战场建设中可选择方案S3作为最终决策方案。

5 结论

联合作战战场建设是军事斗争准备的重要组成部分，优选最佳建设方案，是节约有限资源，发挥最大作战效能的重要举措。本文基于网格搜索和交叉验证法优选SVM模型参数，使得模型的预测能力更加精确，根据仿真结果显示，优化后的参数确实优于默认参数，其仿真的均方误差要小于默认参数的均方误差，从而提高了模型整体的泛化能力。

［1］董晓明，刘慷.层次分析法在作战方案优选中的应用［J］.火力与指挥控制，2002，27（S1）：56-58.

［2］王莲芬，许树柏.层次分析法引论［M］.北京：中国人民大学出出版社，1990.

［3］陈守煜.工程模糊集理论与应用［M］.北京：国防工业出版社，1998.

［4］曹星平.支持向量机在武器系统效能评估中的应用［J］.系统仿真学报，2008，20（24）：6599-6602.

［5］程恺，车先明，张宏军，等.基于支持向量机的部队作战效能评估 ［J］. 系统工程与电 子技术，2011，33（5）：1055-1058.

［6］王建华，亢太体，刘志峰，等.基于灰色支持向量机模型的滚动轴承故障诊断与预测方法［J］.北京工业大学学报，2015，41（11）：1693-1698.

［7］胡胜海，徐鹏，何蕾，等.基于支持向量机的舰炮自动弹库方案决策研究［J］.兵工学报，2011，32（11）：1399-1404.

［8］CRISTIANINI N，TAYLOR J S.An introduction to support vector machines and other kernel-based learning methods ［M］.Translated byLIGuo-zheng，WANG meng，ZENG Hua-jun.Beijing：Publishing House of Electronic Industry，2004.

［9］VAPNIK V.The nature of statistical learning theory［M］.New York：Springer，1995，1-188.

［10］刘昌平，范明钰，王光卫，等.基于梯度算法的支持向量机参数优化泛化 ［J］.控制与决策，2008，23（11）：1291-1295.

［11］徐茹枝，王宇飞.粒子群优化的支持向量回归机计算配电网理论线损方法［J］.电力自动化设备，2012，32（5）：86-89.

［12］刘宝英，杨仁刚.基于主成分分析的最小二乘支持向量及短期负荷预测模型［J］.电力自动化设备，2008，28（11）：13-17.

［13］汤宝平，刘文艺，蒋永华.基于交叉验证法优化参数的Morlet小波消噪方法［J］.重庆大学学报，2010，33（1）：1-6.

［14］李锋，汤宝平，章国稳.基于舍一交叉验证优化最小二乘支持向量机的故障诊断模型［J］.振动与冲击，2010，29（9）：170-174.

Parameter-optimized SVM Based Battlefield Building Plan Optimization Selection in Joint Operations

JIANG Xiao-jun，LI Wei-min，XIAO Jin-ke
（Air Force Engineering University，Xi’an 710051，China）

Optimization selection ofjointoperation battlefield building can decrease the construction projects loss as much as possible and improve whole construction efficiency.This paper conducts a research aimed on joint operation battlefield building optimization selection.First，this paper figures out battlefield building optimization selection flow，then constructs a index system including operation guarantee projection， logisticsguarantee projection， equipmentguarantee projection and battlefield basic information database.Finally this paper proposes an improved SVM optimization plan based on grid search and cross validation，and the simulation results indicate that the optimized parameters are obviously better than the default，which are more suitable for joint operation battlefield building optimization selection.

SVM，grid search，cross validation，battlefield building，optimization selection.

TP391.9

A

10.3969/j.issn.1002-0640.2017.07.024

1002-0640（2017）07-0110-04

2016-05-11

2016-07-25

江萧君（1994- ），男，安徽明光人，硕士研究生。研究方向：联合作战。