基于遗传神经网络算法的方案质量评估

2021-01-25傅勉王丹丹

山西师范大学学报（自然科学版） 2020年4期

傅勉，王丹丹

1.安徽新华学院商学院，安徽合肥 230088;

2.安徽新华学院大学生素质教育研究中心，安徽合肥 230088

方案质量评估是需求论证过程中的关键环节，主要是根据评价方案的具体内容，选取关键评价指标，由不同领域的专家通过综合集成研讨模式，采用某种适当的评估方法，给出客观而公正的评估结论［1～3］.为了提高方案质量评估的客观性，文章选择了将两种算法相结合的混合算法，充分利用神经网络既能兼顾评估专家经验的继承性，又能保证评估的客观性，加上遗传算法优良的搜索性能，通过对某型火炮研制方案质量评估案例的分析和仿真运算，验证了遗传神经网络方法的实际效果.

1 方案质量评估指标体系构建

以某火炮研制方案质量评估为例，建立评估指标体系如图1所示:(1)火力反应指标.该指标主要反映火炮对任务转换的反应能力，包括转换时间、瞄准速度等.(2)火力毁伤指标.该指标主要反映火炮对具体目标的毁伤能力，包括毁伤距离、杀伤面积等.(3)通过能力.该指标主要反映火炮突破障碍物的能力，包括爬墙高度、爬坡高度等.(4)行进能力.该指标主要反映火炮行进速度的能力，包括最大速度、平均速度等.(5)灵活能力.该指标主要反映火炮随行战斗转移的能力，主要包括灵活性、加速度等.(6)防毁伤性能.该指标主要反映火炮不容易受到致命毁伤的能力，包括防护类型、防护装置等.(7)防捕捉性能.该指标主要反映火炮在执行任务中能坚决完成任务的能力，包括投影面积等.(8)信息收集及信息处理性能.该指标主要反映火炮对情报信息的收集能力以及对收集到的信息进行分析、处理得到关键情报的能力，包括情报获取能力、情报处理能力.(9)信息传输性能.该指标主要反映火炮的通信能力，包括通信频率、通信速度等.(10)交互性.该指标主要反映火炮装备与人的交互能力，包括可操作能力、互动能力等.(11)可靠性.该指标主要反映火炮圆满完成某项功能的能力，包括故障发生率、故障排除率、故障修复率等.(12)保障性.该指标主要反映火炮的保障性能，包括战备保障性能和战时保障性能等.

2 基于遗传神经网络算法的方案质量评估

2.1 遗传神经网络算法步骤

方案质量评估的遗传神经网络算法步骤:

(1)根据代评估方案的具体情况，分析确定方案质量评估问题的编码模式;

(2)分析给出遗传算法执行的基础参数，包括初始化群体大小P、交叉概率Pc以及变异概率Pm;

(3)以从大到小的顺序将每一个个体的适应度函数进行排序;

(4)随机产生一个随机数，如果超过事先预定好的概率Pc，则对原始群体进行交叉，产生新的个体Gj;

(5)随机产生一个随机数，如果超过事先预定好的概率Pm，则对原始群体进行变异，产生新的个体Gj';

(6)把新产生的个体插入原始种群P中，并逐一计算新产生个体的适应度函数;

(7)此时，如果已经找到了最优个体，结束所有操作，否则，转步骤(4);

(8)按照既定的算法计算神经网络的误差，如果达到了预定的某个精度，转步骤(9)，否则，继续从步骤(4)开始执行;

(9)用遗传算法优化出的最优解作为神经网络的最初权值，接着对神经网络进行模拟训练，直到达到事先指定的精度.

图1 火炮方案质量评估的指标体系Fig.1 Indicator system of artillery scheme quality evaluation

2.2 神经网络算法模型构建

方案质量评估是一个复杂性难题，其影响因素众多，各个因素之间也不是单纯的线性组合关系.在使用神经网络模型进行方案质量评估时，建立三层网络结构.第一层是归一化结构层，因为底层节点是12个，因此共取12个节点作为输入层，分别是火力反应指标(B1)、火力毁伤指标(B2)、通过能力指标(B3)、行进能力指标(B4)、灵活能力指标(B5)、防毁伤指标(B6)、防捕捉指标(B7)、信息处理指标(B8)、信息保密指标(B9)、人机环境指标(B10)、可靠能力指标(B11)、保障能力指标(B12).

假定指标有 m 个关键因素:P=(p1，p2，...，pm).则它的性能值为:D=(d1，d2，...，dm).权重为:W=(w1，w2，...，wm)，最大值是:，最小值是:

并有如下三种情况:

(1)如果关键因素Rk(k=1，2，...，m)越大越好，采用如下函数:

(2)如果关键因素Pk(k=1，2，...，m)越小越好，采用如下函数:

(3)如果关键因素Pk要求在［r1，r2］这个范围内，采用以下函数:

根据上述计算，得到m个关键因素函数值:μ =(μ1，μ2，...，μm)，再使用线性加权方法得出指标值:

第三层是最终输出网络层，设置是1个节点，这个阶段表示的是最终评估结果，激活函数取purelin().

2.3 遗传算法构建

因为神经网络是采用梯度下降函数，对所选用的原始权重十分敏感，如果原始权值设置不合理或稍有偏差，则容易导致网络无法收敛，与此同时，还可能出现收敛于某个局部最优点，导致网络训练失败.因此，使用全局搜索性能优良的遗传算法得到训练权值和训练阈值.

(1)编码

采用整数编码方式，基于三层模型，网络权值和阈值之和设置为S1×(R+1)+S2×(S1+1).

(2)适应度函数

适应度函数可以取为输出误差值E的某个函数.我们用dj表示理想的网络输出值，oj表示实际的输出结果，适应度函数可以取为

(3)遗传选择算子

选择算子使用Matlab工具箱中给出的几何分布算法.设遗传群体数量为 M，个体 i的适应度函数为Fi，那么个体i被选择中标的概率 Psi是

(4)遗传交叉算子

交叉算子使用算术交叉方法，即通过对两个交叉基因进行线性代数计算来生成出新的基因位.假设两个个体分别是X'A、X'B，则通过算数交叉得到的两个新个体如下:

其中，α是一个常数.

(5)遗传变异算子

变异操作选择均匀变异方法，它首先随机产生一个0～1之间的随机数，然后以一个很小的概率事件执行一个操作，即对某个基因位进行0～1更替.

3 仿真实验

仿真程序在Matlab 2017a软件上编程实现［4～6］.遗传神经网络算法的基础参数是:遗传算法初始群体个数是230个，交叉概率设定为0.78，变异概率设定为0.07;神经网络的训练数设定为2 200步，训练函数设置trainlm函数，训练误差设定是0.006.

实验中使用的是表1中的前面20个数据样本，21号和22号数据是用于验证实验效果的.我们前20个样本数据输入到神经网络模型中，运行得到网络权值及网络阈值.然后，再把前面计算得到的网络权值和网络阈值代入到神经网络模型中去，利用前面已经训练成功的网络对表1中的最后两行数据进行验证，得到验证结果如表3所示，图2给出了21号数据的网络训练结果.显然，基于遗传神经网络的三组方案质量评估实验结果，全部获得满意的结果，相对误差均保持在±0.006之间.