基于遺傳神經(jīng)網(wǎng)絡(luò)算法的方案質(zhì)量評估

傅勉，王丹丹

1.安徽新華學(xué)院商學(xué)院，安徽 合肥 230088;

2.安徽新華學(xué)院大學(xué)生素質(zhì)教育研究中心，安徽 合肥 230088

方案質(zhì)量評估是需求論證過程中的關(guān)鍵環(huán)節(jié)，主要是根據(jù)評價方案的具體內(nèi)容，選取關(guān)鍵評價指標(biāo)，由不同領(lǐng)域的專家通過綜合集成研討模式，采用某種適當(dāng)?shù)脑u估方法，給出客觀而公正的評估結(jié)論［1～3］.為了提高方案質(zhì)量評估的客觀性，文章選擇了將兩種算法相結(jié)合的混合算法，充分利用神經(jīng)網(wǎng)絡(luò)既能兼顧評估專家經(jīng)驗的繼承性，又能保證評估的客觀性，加上遺傳算法優(yōu)良的搜索性能，通過對某型火炮研制方案質(zhì)量評估案例的分析和仿真運(yùn)算，驗證了遺傳神經(jīng)網(wǎng)絡(luò)方法的實際效果.

1 方案質(zhì)量評估指標(biāo)體系構(gòu)建

以某火炮研制方案質(zhì)量評估為例，建立評估指標(biāo)體系如圖1所示:(1)火力反應(yīng)指標(biāo).該指標(biāo)主要反映火炮對任務(wù)轉(zhuǎn)換的反應(yīng)能力，包括轉(zhuǎn)換時間、瞄準(zhǔn)速度等.(2)火力毀傷指標(biāo).該指標(biāo)主要反映火炮對具體目標(biāo)的毀傷能力，包括毀傷距離、殺傷面積等.(3)通過能力.該指標(biāo)主要反映火炮突破障礙物的能力，包括爬墻高度、爬坡高度等.(4)行進(jìn)能力.該指標(biāo)主要反映火炮行進(jìn)速度的能力，包括最大速度、平均速度等.(5)靈活能力.該指標(biāo)主要反映火炮隨行戰(zhàn)斗轉(zhuǎn)移的能力，主要包括靈活性、加速度等.(6)防毀傷性能.該指標(biāo)主要反映火炮不容易受到致命毀傷的能力，包括防護(hù)類型、防護(hù)裝置等.(7)防捕捉性能.該指標(biāo)主要反映火炮在執(zhí)行任務(wù)中能堅決完成任務(wù)的能力，包括投影面積等.(8)信息收集及信息處理性能.該指標(biāo)主要反映火炮對情報信息的收集能力以及對收集到的信息進(jìn)行分析、處理得到關(guān)鍵情報的能力，包括情報獲取能力、情報處理能力.(9)信息傳輸性能.該指標(biāo)主要反映火炮的通信能力，包括通信頻率、通信速度等.(10)交互性.該指標(biāo)主要反映火炮裝備與人的交互能力，包括可操作能力、互動能力等.(11)可靠性.該指標(biāo)主要反映火炮圓滿完成某項功能的能力，包括故障發(fā)生率、故障排除率、故障修復(fù)率等.(12)保障性.該指標(biāo)主要反映火炮的保障性能，包括戰(zhàn)備保障性能和戰(zhàn)時保障性能等.

2 基于遺傳神經(jīng)網(wǎng)絡(luò)算法的方案質(zhì)量評估

2.1 遺傳神經(jīng)網(wǎng)絡(luò)算法步驟

方案質(zhì)量評估的遺傳神經(jīng)網(wǎng)絡(luò)算法步驟:

(1)根據(jù)代評估方案的具體情況，分析確定方案質(zhì)量評估問題的編碼模式;

(2)分析給出遺傳算法執(zhí)行的基礎(chǔ)參數(shù)，包括初始化群體大小P、交叉概率Pc以及變異概率Pm;

(3)以從大到小的順序?qū)⒚恳粋€個體的適應(yīng)度函數(shù)進(jìn)行排序;

(4)隨機(jī)產(chǎn)生一個隨機(jī)數(shù)，如果超過事先預(yù)定好的概率Pc，則對原始群體進(jìn)行交叉，產(chǎn)生新的個體Gj;

(5)隨機(jī)產(chǎn)生一個隨機(jī)數(shù)，如果超過事先預(yù)定好的概率Pm，則對原始群體進(jìn)行變異，產(chǎn)生新的個體Gj';

(6)把新產(chǎn)生的個體插入原始種群P中，并逐一計算新產(chǎn)生個體的適應(yīng)度函數(shù);

(7)此時，如果已經(jīng)找到了最優(yōu)個體，結(jié)束所有操作，否則，轉(zhuǎn)步驟(4);

(8)按照既定的算法計算神經(jīng)網(wǎng)絡(luò)的誤差，如果達(dá)到了預(yù)定的某個精度，轉(zhuǎn)步驟(9)，否則，繼續(xù)從步驟(4)開始執(zhí)行;

(9)用遺傳算法優(yōu)化出的最優(yōu)解作為神經(jīng)網(wǎng)絡(luò)的最初權(quán)值，接著對神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬訓(xùn)練，直到達(dá)到事先指定的精度.

圖1 火炮方案質(zhì)量評估的指標(biāo)體系Fig.1 Indicator system of artillery scheme quality evaluation

2.2 神經(jīng)網(wǎng)絡(luò)算法模型構(gòu)建

方案質(zhì)量評估是一個復(fù)雜性難題，其影響因素眾多，各個因素之間也不是單純的線性組合關(guān)系.在使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行方案質(zhì)量評估時，建立三層網(wǎng)絡(luò)結(jié)構(gòu).第一層是歸一化結(jié)構(gòu)層，因為底層節(jié)點是12個，因此共取12個節(jié)點作為輸入層，分別是火力反應(yīng)指標(biāo)(B1)、火力毀傷指標(biāo)(B2)、通過能力指標(biāo)(B3)、行進(jìn)能力指標(biāo)(B4)、靈活能力指標(biāo)(B5)、防毀傷指標(biāo)(B6)、防捕捉指標(biāo)(B7)、信息處理指標(biāo)(B8)、信息保密指標(biāo)(B9)、人機(jī)環(huán)境指標(biāo)(B10)、可靠能力指標(biāo)(B11)、保障能力指標(biāo)(B12).

假定指標(biāo)有 m 個關(guān)鍵因素:P=(p1，p2，...，pm).則它的性能值為:D=(d1，d2，...，dm).權(quán)重為:W=(w1，w2，...，wm)，最大值是:，最小值是:

并有如下三種情況:

(1)如果關(guān)鍵因素Rk(k=1，2，...，m)越大越好，采用如下函數(shù):

(2)如果關(guān)鍵因素Pk(k=1，2，...，m)越小越好，采用如下函數(shù):

(3)如果關(guān)鍵因素Pk要求在［r1，r2］這個范圍內(nèi)，采用以下函數(shù):

根據(jù)上述計算，得到m個關(guān)鍵因素函數(shù)值:μ =(μ1，μ2，...，μm)，再使用線性加權(quán)方法得出指標(biāo)值:

第三層是最終輸出網(wǎng)絡(luò)層，設(shè)置是1個節(jié)點，這個階段表示的是最終評估結(jié)果，激活函數(shù)取purelin().

2.3 遺傳算法構(gòu)建

因為神經(jīng)網(wǎng)絡(luò)是采用梯度下降函數(shù)，對所選用的原始權(quán)重十分敏感，如果原始權(quán)值設(shè)置不合理或稍有偏差，則容易導(dǎo)致網(wǎng)絡(luò)無法收斂，與此同時，還可能出現(xiàn)收斂于某個局部最優(yōu)點，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練失敗.因此，使用全局搜索性能優(yōu)良的遺傳算法得到訓(xùn)練權(quán)值和訓(xùn)練閾值.

(1)編碼

采用整數(shù)編碼方式，基于三層模型，網(wǎng)絡(luò)權(quán)值和閾值之和設(shè)置為S1×(R+1)+S2×(S1+1).

(2)適應(yīng)度函數(shù)

適應(yīng)度函數(shù)可以取為輸出誤差值E的某個函數(shù).我們用dj表示理想的網(wǎng)絡(luò)輸出值，oj表示實際的輸出結(jié)果，適應(yīng)度函數(shù)可以取為

(3)遺傳選擇算子

選擇算子使用Matlab工具箱中給出的幾何分布算法.設(shè)遺傳群體數(shù)量為 M，個體 i的適應(yīng)度函數(shù)為Fi，那么個體i被選擇中標(biāo)的概率 Psi是

(4)遺傳交叉算子

交叉算子使用算術(shù)交叉方法，即通過對兩個交叉基因進(jìn)行線性代數(shù)計算來生成出新的基因位.假設(shè)兩個個體分別是X'A、X'B，則通過算數(shù)交叉得到的兩個新個體如下:

其中，α是一個常數(shù).

(5)遺傳變異算子

變異操作選擇均勻變異方法，它首先隨機(jī)產(chǎn)生一個0～1之間的隨機(jī)數(shù)，然后以一個很小的概率事件執(zhí)行一個操作，即對某個基因位進(jìn)行0～1更替.

3 仿真實驗

仿真程序在Matlab 2017a軟件上編程實現(xiàn)［4～6］.遺傳神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)參數(shù)是:遺傳算法初始群體個數(shù)是230個，交叉概率設(shè)定為0.78，變異概率設(shè)定為0.07;神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)設(shè)定為2 200步，訓(xùn)練函數(shù)設(shè)置trainlm函數(shù)，訓(xùn)練誤差設(shè)定是0.006.

實驗中使用的是表1中的前面20個數(shù)據(jù)樣本，21號和22號數(shù)據(jù)是用于驗證實驗效果的.我們前20個樣本數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)模型中，運(yùn)行得到網(wǎng)絡(luò)權(quán)值及網(wǎng)絡(luò)閾值.然后，再把前面計算得到的網(wǎng)絡(luò)權(quán)值和網(wǎng)絡(luò)閾值代入到神經(jīng)網(wǎng)絡(luò)模型中去，利用前面已經(jīng)訓(xùn)練成功的網(wǎng)絡(luò)對表1中的最后兩行數(shù)據(jù)進(jìn)行驗證，得到驗證結(jié)果如表3所示，圖2給出了21號數(shù)據(jù)的網(wǎng)絡(luò)訓(xùn)練結(jié)果.顯然，基于遺傳神經(jīng)網(wǎng)絡(luò)的三組方案質(zhì)量評估實驗結(jié)果，全部獲得滿意的結(jié)果，相對誤差均保持在±0.006之間.

4 結(jié)束語

針對方案質(zhì)量評估問題，創(chuàng)新性地提出將遺傳算法與神經(jīng)網(wǎng)絡(luò)算法組成遺傳神經(jīng)網(wǎng)絡(luò)算法，通過火炮研制方案質(zhì)量評估案例，驗證了本文方法的有效性.

表1 訓(xùn)練數(shù)據(jù)Tab.1 Training data

表2 被驗證數(shù)據(jù)的訓(xùn)練結(jié)果Tab.2 Training results of validated data

圖2 被檢驗數(shù)據(jù)的訓(xùn)練結(jié)果Fig.2 Training results of the tested data