基于遺傳神經(jīng)網(wǎng)絡(luò)的軍用油庫(kù)選址優(yōu)化模型

李　橫，郭　鵬，胡汝翼，黎泓志

(后勤工程學(xué)院 軍事油料應(yīng)用與管理工程系，重慶　401311)

?

基于遺傳神經(jīng)網(wǎng)絡(luò)的軍用油庫(kù)選址優(yōu)化模型

李橫，郭鵬，胡汝翼，黎泓志

(后勤工程學(xué)院 軍事油料應(yīng)用與管理工程系，重慶401311)

摘要：影響軍用油庫(kù)選址的因素眾多且具有不確定性，傳統(tǒng)的憑人主觀選址和線性規(guī)劃等方法選址不能充分體現(xiàn)各影響因素的主次成分及相互關(guān)系，為了解決該問(wèn)題，將遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用德?tīng)栰撤ń⑦x址指標(biāo)體系并進(jìn)行指標(biāo)的量化及歸一化，將各底層指標(biāo)的歸一化值作為神經(jīng)網(wǎng)絡(luò)的輸入，將代表選址等級(jí)的布爾變量作為神經(jīng)網(wǎng)絡(luò)的輸出，利用遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，然后用足夠的樣本借助Matlab工具訓(xùn)練此模型，通過(guò)模型的自適應(yīng)學(xué)習(xí)，直到得到能正確表示網(wǎng)絡(luò)內(nèi)部特征的那組閾值。實(shí)際應(yīng)用表明，所建模型的操作性和實(shí)用性強(qiáng)，為軍用油庫(kù)實(shí)際選址提供直接的決策依據(jù)。

關(guān)鍵詞：軍用油庫(kù)；選址；遺傳算法；神經(jīng)網(wǎng)絡(luò)

Citation format:LI Heng, GUO Peng, HU Ru-yi, et al.Optimization Model of Military Depot Location Based on Genetic Neural Network[J].Journal of Ordnance Equipment Engineering,2016(2):69-73.

軍用油庫(kù)的首要任務(wù)是保障油料供應(yīng)，軍用油庫(kù)具體庫(kù)址選擇的好壞，不僅關(guān)系到軍用油庫(kù)戰(zhàn)時(shí)本身生存問(wèn)題，更直接關(guān)系到保障任務(wù)能否完成，甚至間接影響到戰(zhàn)爭(zhēng)的進(jìn)程甚至是勝負(fù)[1-3]。因此，恰當(dāng)選擇軍用油庫(kù)的具體庫(kù)址，對(duì)于提高作戰(zhàn)油料保障效能具有重要的理論價(jià)值和實(shí)際意義。

由于影響軍用油庫(kù)選址的因素眾多且具有很大的不確定性，而神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲(chǔ)和處理、自組織、自適應(yīng)和自學(xué)習(xí)能力，特別適合于處理需要同時(shí)考慮許多因素和條件的、不精確的信息處理問(wèn)題，但是，當(dāng)搜索空間較大時(shí)，神經(jīng)網(wǎng)絡(luò)就容易在局部極小值點(diǎn)停止搜索，影響精度[4-11]。而遺傳算法針對(duì)全凸決策問(wèn)題具有全局優(yōu)化學(xué)習(xí)能力，能夠克服神經(jīng)網(wǎng)絡(luò)的上述缺點(diǎn)。因此，完全可以基于遺傳神經(jīng)網(wǎng)絡(luò)建立相應(yīng)的軍用油庫(kù)選址優(yōu)化模型。

1遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初值的步驟

基于神經(jīng)網(wǎng)絡(luò)建立的軍用油庫(kù)選擇模型，采用傳統(tǒng)BP算法進(jìn)行求解，如果初始連接權(quán)值和閾值選取不當(dāng)，網(wǎng)絡(luò)收斂速度較慢，且易使網(wǎng)絡(luò)學(xué)習(xí)陷入局部極小。而遺傳算法針對(duì)全凸決策問(wèn)題具有全局優(yōu)化學(xué)習(xí)方法，采用遺傳算法容易找到最優(yōu)的網(wǎng)絡(luò)初值，既提高網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性和全局收斂速度，又避免網(wǎng)絡(luò)學(xué)習(xí)陷入局部極小。因此，本文選用遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)初值。遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初值的步驟如下：

1) 參數(shù)設(shè)置

設(shè)置遺傳算法的種群大小N、終止迭代次數(shù)T、交叉概率Pc和變異概率Pm。

2) 染色體編碼

隨機(jī)產(chǎn)生初始權(quán)重種群P，種群中的每一條染色體由權(quán)重向量和閾值向量組成，表示為Wi=(w1i,w2i,…,wui,b1i,b2i,…,bvi)，(i=1,2,…,N)，u為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中權(quán)重總的個(gè)數(shù)，v為神經(jīng)網(wǎng)絡(luò)的隱含層和輸出層總的閾值。

3) 計(jì)算適應(yīng)度

采用神經(jīng)網(wǎng)絡(luò)的目的是使整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)能夠滿(mǎn)足既定精度，即期望輸出和實(shí)際輸出之間的誤差在預(yù)設(shè)范圍之內(nèi)，因此，可以將設(shè)定的神經(jīng)網(wǎng)絡(luò)全局誤差作為適應(yīng)度函數(shù)設(shè)計(jì)的基礎(chǔ)，某個(gè)個(gè)體i的適應(yīng)度值為

(1)

4) 選擇

5) 交叉

2個(gè)父代個(gè)體相互交換部分信息，從而產(chǎn)生2個(gè)子代，此過(guò)程采用一致交叉，該交叉方法創(chuàng)造新染色體的能力比單點(diǎn)和多點(diǎn)交叉強(qiáng)，而且魯棒性更好。隨機(jī)產(chǎn)生一個(gè)交叉掩碼，如果掩碼的某一位是1，則從第一個(gè)親代復(fù)制該位，否則從第2代復(fù)制該位，然后將兩個(gè)親代位置互換，產(chǎn)生第2個(gè)子代。

6) 變異

變異能夠保持物種多樣性，是一種更重要的進(jìn)化方式，并且可以防止群體收斂到局部最優(yōu)解。隨機(jī)選擇一個(gè)個(gè)體，以變異概率Pm將Pm×N位個(gè)體的值進(jìn)行變異操作，即0變?yōu)閘，l變?yōu)?。

7) 迭代

如果神經(jīng)網(wǎng)絡(luò)的輸出精度滿(mǎn)足給定要求或遺傳算法達(dá)到給定的迭代次數(shù)，則迭代停止，否則，轉(zhuǎn)步驟四。

2指標(biāo)體系建立與指標(biāo)量化及歸一化

1) 指標(biāo)體系建立

采用德?tīng)栰撤ǎㄟ^(guò)咨詢(xún)軍區(qū)油料部門(mén)、聯(lián)勤分部油料部門(mén)、軍用油庫(kù)的領(lǐng)導(dǎo)、專(zhuān)家，以及油料院校有關(guān)專(zhuān)家教授，歷經(jīng)咨詢(xún)、回收、處理的循環(huán)過(guò)程，從最初的5個(gè)一級(jí)指標(biāo)22個(gè)二級(jí)指標(biāo)，增加、刪除、修改成圖1所示的4個(gè)一級(jí)指標(biāo)13個(gè)二級(jí)指標(biāo)的軍用油庫(kù)選址指標(biāo)體系。

圖1　軍用油庫(kù)選址指標(biāo)體系

2) 指標(biāo)量化及歸一化處理

由圖1可知，戰(zhàn)役軍用油庫(kù)選址指標(biāo)體系一共由13個(gè)最底層指標(biāo)組成，其中有的指標(biāo)是可以量化的，有的指標(biāo)是不能量化的。其中C2，C3，C4，C5共4個(gè)指標(biāo)屬于可以量化的正向指標(biāo)(即其值越大越好)，A1，B1，B2，B3共4個(gè)指標(biāo)屬于可以量化的反向指標(biāo)(即其值越小越好)，而A2，A3，C1，D1，D2共5個(gè)指標(biāo)屬于不能量化的指標(biāo)。因此，不能直接將這13個(gè)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入值，即使輸入到神經(jīng)網(wǎng)絡(luò)也不能得到正確的輸出結(jié)果。為此，需要對(duì)指標(biāo)進(jìn)行量化分析和歸一化處理，即對(duì)具有不同量綱，代表不同類(lèi)型和物理含義的指標(biāo)歸一化到某一區(qū)間內(nèi)，并能最大限度地反映被研究對(duì)象的真實(shí)水平。

（1）樁西中、古生界潛山在經(jīng)歷了擠壓應(yīng)力到張性斷裂的交替變化后，其發(fā)育的負(fù)反轉(zhuǎn)構(gòu)造主要有截?cái)嗳≈毙拓?fù)反轉(zhuǎn)、單條沖斷系負(fù)反轉(zhuǎn)和復(fù)雜沖斷系的局部負(fù)反轉(zhuǎn)3種構(gòu)造樣式。

其基本原理是：對(duì)可以量化的正向指標(biāo)和反向指標(biāo)，參照以往軍用油庫(kù)選址的經(jīng)驗(yàn)值，結(jié)合院校與部隊(duì)油料勤務(wù)專(zhuān)家的意見(jiàn)，確定出其最大值和最小值，把最大值對(duì)應(yīng)設(shè)為1，最小值對(duì)應(yīng)設(shè)為0(對(duì)應(yīng)正向指標(biāo))，或把最大值設(shè)為0，最小值設(shè)為1(對(duì)應(yīng)反向指標(biāo))，實(shí)際值就參照相應(yīng)歸一化公式進(jìn)行量算，使其值置于0~1。對(duì)不可量化的指標(biāo)，應(yīng)將其分為3個(gè)等級(jí)，分別為好、一般、差，其對(duì)應(yīng)的歸一化值分別確定為0.85、0.7、0.55。

所有指標(biāo)經(jīng)量化及歸一化處理后，各指標(biāo)均變成了正指標(biāo)，且生成值都在0～1之間，其最優(yōu)值為1，最劣值為0，從而相互間具備了一致性和可比性。若經(jīng)一致性處理后的評(píng)估指標(biāo)值都為最優(yōu)值1，則可認(rèn)為該地址最適合開(kāi)設(shè)軍用油庫(kù)。

3軍用油庫(kù)選址遺傳神經(jīng)網(wǎng)絡(luò)集成算法

1)BP神經(jīng)網(wǎng)絡(luò)選址模型結(jié)構(gòu)確定

BP神經(jīng)網(wǎng)絡(luò)算法簡(jiǎn)單、易于實(shí)現(xiàn)，在實(shí)際應(yīng)用中，有80%～90%的神經(jīng)網(wǎng)絡(luò)模型采用BP算法。因此，本研究采用3層BP神經(jīng)網(wǎng)絡(luò)建立軍用油庫(kù)選址模型。

輸入層：根據(jù)軍用油庫(kù)選址評(píng)估指標(biāo)體系中最底層的13個(gè)評(píng)估指標(biāo)，可將輸入層的結(jié)點(diǎn)數(shù)確定為13個(gè)，并將各指標(biāo)經(jīng)量化及歸一化處理后的值作為神經(jīng)網(wǎng)絡(luò)的輸入。

輸出層：根據(jù)實(shí)際開(kāi)設(shè)軍用油庫(kù)的反饋情況來(lái)看，在實(shí)際工作中，要尋找完全符合13個(gè)二級(jí)指標(biāo)要求的地址是不現(xiàn)實(shí)的，因此，軍用油庫(kù)選址，其評(píng)估等級(jí)不宜設(shè)得太細(xì)，若設(shè)置太細(xì)，其操作性較差。通?？稍O(shè)為3級(jí)：好、一般、差。根據(jù)軍用油庫(kù)選址評(píng)估的3個(gè)等級(jí)，將神經(jīng)網(wǎng)絡(luò)的輸出層結(jié)點(diǎn)數(shù)確定為Y1、Y2、Y3，分別對(duì)應(yīng)于好、一般、差3個(gè)等級(jí)。

隱層：一般來(lái)說(shuō)，當(dāng)訓(xùn)練樣本集確定之后，BP神經(jīng)網(wǎng)絡(luò)的輸入層結(jié)點(diǎn)數(shù)和輸出層結(jié)點(diǎn)數(shù)隨之確定，但隱層數(shù)及隱層結(jié)點(diǎn)數(shù)的確定是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的關(guān)鍵問(wèn)題，也是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中比較困難的一個(gè)問(wèn)題。實(shí)驗(yàn)表明，如果隱結(jié)點(diǎn)數(shù)過(guò)少，網(wǎng)絡(luò)不具有自學(xué)習(xí)能力和信息處理能力；反之，隱結(jié)點(diǎn)數(shù)過(guò)多，不僅會(huì)大大增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中更易陷入局部極小點(diǎn)，而且會(huì)使網(wǎng)絡(luò)的學(xué)習(xí)速度變得很慢。常用的方法是實(shí)驗(yàn)法，即用實(shí)驗(yàn)預(yù)先測(cè)定隱層數(shù)及隱層結(jié)點(diǎn)數(shù)。

從理論上講，有兩個(gè)隱層的神經(jīng)網(wǎng)絡(luò)可以擬合任何復(fù)雜的映射，但兩個(gè)隱層是擬合復(fù)雜映射函數(shù)的充分條件而不是必要條件，也就是說(shuō)用一個(gè)隱層也可以擬合相當(dāng)復(fù)雜的映射。本模型選用一個(gè)隱層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。隱層結(jié)點(diǎn)數(shù)，可利用現(xiàn)有的經(jīng)驗(yàn)公式：

(2)

2) 軍用油庫(kù)選址遺傳神經(jīng)網(wǎng)絡(luò)集成算法

為了提高前面所確定的3層BP神經(jīng)網(wǎng)絡(luò)的速度和精度，避免神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)失敗，影響選址輸出結(jié)果，本文將遺傳算法和神經(jīng)網(wǎng)絡(luò)算法有機(jī)結(jié)合。首先采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初值，得到優(yōu)化的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，然后調(diào)用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行軍用油庫(kù)選址。構(gòu)建的軍用油庫(kù)選址遺傳神經(jīng)網(wǎng)絡(luò)算法如圖2所示。

圖2　軍用油庫(kù)選址遺傳神經(jīng)網(wǎng)絡(luò)集成算法

3) 實(shí)例分析

① 樣本集的構(gòu)造

遺傳神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)所需的樣本，可對(duì)指標(biāo)體系中最底層13個(gè)經(jīng)過(guò)量化及歸一化處理后的輸入值進(jìn)行等級(jí)劃分而得到，不失一般性和有效性。在構(gòu)造樣本時(shí)作如下規(guī)定：

若16個(gè)指標(biāo)經(jīng)量化和歸一化處理后的值為：X≥0.8，可認(rèn)為選址評(píng)估等級(jí)為“好”。

若16個(gè)指標(biāo)經(jīng)量化和歸一化處理后的值為：0.6≤X<0.8，可認(rèn)為選址評(píng)估等級(jí)為“一般”。

若16個(gè)指標(biāo)經(jīng)量化和歸一化處理后的值為：X<0.6，可認(rèn)為選址評(píng)估等級(jí)為“差”。

根據(jù)以上規(guī)定，構(gòu)造了表1所示的12組學(xué)習(xí)樣本，每個(gè)輸出等級(jí)對(duì)應(yīng)4組訓(xùn)練樣本。

軍用油庫(kù)選址評(píng)估的3個(gè)等級(jí)對(duì)應(yīng)的期望輸出，可用布爾向量表示：好(100)、一般(010)、差(001)。

② 模型訓(xùn)練

利用Matlab軟件神經(jīng)網(wǎng)絡(luò)工具對(duì)樣本進(jìn)行反復(fù)學(xué)習(xí)，隱層、輸出層傳遞函數(shù)分別選為tansig、logsig，反向傳播網(wǎng)絡(luò)的訓(xùn)練函數(shù)選為trainlm，將處理后的樣本輸入Matlab軟件的神經(jīng)網(wǎng)絡(luò)工具中，對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，網(wǎng)絡(luò)的輸入層取13個(gè)節(jié)點(diǎn)，隱層取10個(gè)節(jié)點(diǎn)，輸出層取3個(gè)節(jié)點(diǎn)，E≤0.05，學(xué)習(xí)率η=0.5，步長(zhǎng)調(diào)節(jié)因子γ=l.05，λ=0.85。遺傳優(yōu)化過(guò)程中，取種群大小N=10，對(duì)種群中個(gè)體進(jìn)行遺傳操作的交叉概率Pc=0.5，變異概率Pm=0.001，經(jīng)過(guò)5 260次訓(xùn)練后滿(mǎn)足精度要求，網(wǎng)絡(luò)呈穩(wěn)定狀態(tài)，得到相應(yīng)的連接權(quán)值和閾值，這樣就建立了神經(jīng)網(wǎng)絡(luò)從輸入到輸出之間的非線性映射關(guān)系。表2是12組樣本的實(shí)際輸出值。

表1　12組學(xué)習(xí)樣本

表2　12組樣本的實(shí)際輸出值

③ 模型測(cè)試

由上可知，經(jīng)過(guò)5 260次遺傳神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)后，每一組學(xué)習(xí)樣本的輸出值與期望輸出值十分接近，軍用油庫(kù)選址評(píng)估神經(jīng)網(wǎng)絡(luò)模型具備了模式識(shí)別的能力，能夠自己從輸入數(shù)據(jù)中找到變化規(guī)律，進(jìn)而達(dá)到自動(dòng)識(shí)別。為了測(cè)試模型的自動(dòng)識(shí)別能力，選取近年來(lái)新建軍用油庫(kù)的3組選址數(shù)據(jù)，從實(shí)際油料保障效能來(lái)看，該3組數(shù)據(jù)分別代表了軍用油庫(kù)選址的不同等級(jí)，對(duì)應(yīng)為好、一般和差。以此作為測(cè)試數(shù)據(jù)，得到模型的實(shí)際輸出值，將實(shí)際輸出值與樣本的期望輸出值進(jìn)行比較，從表3可以看出兩者非常接近，誤差僅為1.49%，說(shuō)明所建立的遺傳神經(jīng)網(wǎng)絡(luò)模型具有具備良好的自組織、自學(xué)習(xí)和容錯(cuò)能力，能夠用來(lái)對(duì)軍用油庫(kù)選址進(jìn)行實(shí)際評(píng)估。

表3　3組測(cè)試樣本的實(shí)際輸出值與期望輸出值對(duì)比

4) 實(shí)際應(yīng)用

將訓(xùn)練好的基于遺傳神經(jīng)網(wǎng)絡(luò)的軍用油庫(kù)選址模型進(jìn)行實(shí)際應(yīng)用時(shí)，用戶(hù)只需輸入13個(gè)指標(biāo)的實(shí)際值，便可自動(dòng)得到輸出結(jié)果，并給出選址結(jié)論，供用戶(hù)決策參考。

由于不同的指標(biāo)靈敏度不一，對(duì)最終選址結(jié)果的影響也不同，因此，必須對(duì)同層指標(biāo)進(jìn)行兩兩對(duì)比，確定其權(quán)重。主成分分析法是一種實(shí)用的多元分析方法，它能夠?qū)⒈姸嘣贾笜?biāo)簡(jiǎn)化為包含原始資料信息的少量綜合指標(biāo)，而且各指標(biāo)之間互不相關(guān)或相關(guān)度很小。利用SPSS統(tǒng)計(jì)軟件對(duì)圖1 所示的底層指標(biāo)進(jìn)行主成分分析，確定了“在主戰(zhàn)方向A1、突出保障重點(diǎn)A2、靠近主要公路B1、隱蔽偽裝條件C1、遠(yuǎn)離彈藥庫(kù)、軍械庫(kù)C2”5個(gè)指標(biāo)為主要指標(biāo)。若用戶(hù)只考察某一個(gè)或幾個(gè)主要指標(biāo)是否滿(mǎn)足要求，如果滿(mǎn)足，就選用，反之，就另尋他址。此時(shí)，可不用本模型，而是由用戶(hù)直接按條件進(jìn)行篩選。

4結(jié)論

本文立足部隊(duì)實(shí)際，將人工智能理論應(yīng)用到油料保障領(lǐng)域，綜合考慮了軍用油庫(kù)選址各種相關(guān)影響因素，建立了比較理想的遺傳神經(jīng)網(wǎng)絡(luò)模型，并對(duì)模型進(jìn)行了實(shí)際應(yīng)用。模型既簡(jiǎn)化又逼近客觀實(shí)際，可操作性較強(qiáng)，為軍用油庫(kù)實(shí)際選址決策時(shí)提供參考依據(jù)。本文所建模型對(duì)其他倉(cāng)庫(kù)選址，如軍械庫(kù)、彈藥庫(kù)等，均有較大借鑒意義。

參考文獻(xiàn)：

[1]劉鵬飛,査國(guó)云.基于GA-PSO的野戰(zhàn)給水站選址優(yōu)化模型[J].四川兵工學(xué)報(bào),2014(10):64-67.

[2]董巨為,慕曉冬.基于ArcSDE和Oracle 11g的某裝備車(chē)選址數(shù)據(jù)庫(kù)設(shè)計(jì)[J].四川兵工學(xué)報(bào),2012(8):126-128.

[3]朱來(lái)輝,曹煒.基于FAHP的民用機(jī)場(chǎng)選址方案優(yōu)選[J].四川兵工學(xué)報(bào),2012(6):117-119.

[4]李海峰,康中敏.基于混合遺傳神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車(chē)充電站最優(yōu)選址的研究[J].四川電力技術(shù),2012(4):49-52.

[5]張經(jīng)博,郭凌.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的供暖系統(tǒng)熱負(fù)荷預(yù)測(cè)模型[J].四川兵工學(xué)報(bào),2014(4):152-156.

[6]趙建春,葉麗娜.遺傳算法在故障診斷中的應(yīng)用[J].四川兵工學(xué)報(bào),2013(3):132-134.

[7]李曄.基于排序選擇的改進(jìn)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)控制[J].四川兵工學(xué)報(bào),2010(9):117-119.

[8]邱國(guó)慶,何雷.基于神經(jīng)網(wǎng)絡(luò)的野戰(zhàn)給水能力評(píng)價(jià)模型[J].四川兵工學(xué)報(bào),2009(2):32-35.

[9]黃國(guó)棟.基于遺傳神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)研究[J].中國(guó)電力教育,2014(2):261-262.

[10]胡錦宏.基于遺傳神經(jīng)網(wǎng)絡(luò)的煤層氣含量預(yù)測(cè)[J].綠色科技,2015(2):260-263.

[11]楊曉段,李元左.非戰(zhàn)爭(zhēng)軍事行動(dòng)裝備保障資源運(yùn)輸方式選擇模型[J].四川兵工學(xué)報(bào),2013(12):35-40.

(責(zé)任編輯唐定國(guó))

Optimization Model of Military Depot Location Based on Genetic Neural Network

LI Heng, GUO Peng, HU Ru-yi, LI Hong-zhi

(Department of Oil Application & Management Engineering,Logistic Engineering University of PLA, Chongqing 401311, China)

Abstract:Because the factors that affect the location of military oil depot are numerous and uncertain, the traditional method of subjective location and linear programming can not fully reflect the primary and secondary components and their relationship. So the combination of genetic algorithm and neural network is suitable for dealing with the above problems. By the method of establishing index system of location, we quantified and normalized index. The normalized values of the underlying indicators were used as inputs to the neural network. The Boolean variable representing the location level is the output of the neural network. The connection weights and threshold used genetic algorithm to optimize the neural network, and then used the Matlab tool to train the model, through the model of adaptivet learning, until it can indicate the internal threshold characteristics of the network group correctly. The practical application shows that the operation and practicability of the model is strong, which provides a direct basis for the actual location of the military oil depot.

Key words:military oil depot; location; genetic algorithm; neural network

文章編號(hào)：1006-0707(2016)02-0069-05

中圖分類(lèi)號(hào)：E233

文獻(xiàn)標(biāo)識(shí)碼：A

doi:10.11809/scbgxb2016.02.018

作者簡(jiǎn)介：李橫(1968—)，男，博士，教授，主要從事油料勤務(wù)及油料信息化研究。

基金項(xiàng)目：總后勤部2015年資助項(xiàng)目“高原高寒地區(qū)軍隊(duì)油庫(kù)安全管理研究”

收稿日期：2015-07-20；修回日期：2015-08-15

本文引用格式：李橫，郭鵬，胡汝翼，等.基于遺傳神經(jīng)網(wǎng)絡(luò)的軍用油庫(kù)選址優(yōu)化模型[J].兵器裝備工程學(xué)報(bào)，2016(2):69-73.

【后勤保障與裝備管理】