基于遗传神经网络的军用油库选址优化模型

李　横，郭　鹏，胡汝翼，黎泓志

(后勤工程学院 军事油料应用与管理工程系，重庆　401311)



基于遗传神经网络的军用油库选址优化模型

李横，郭鹏，胡汝翼，黎泓志

(后勤工程学院 军事油料应用与管理工程系，重庆401311)

摘要：影响军用油库选址的因素众多且具有不确定性，传统的凭人主观选址和线性规划等方法选址不能充分体现各影响因素的主次成分及相互关系，为了解决该问题，将遗传算法和神经网络相结合，利用德尔斐法建立选址指标体系并进行指标的量化及归一化，将各底层指标的归一化值作为神经网络的输入，将代表选址等级的布尔变量作为神经网络的输出，利用遗传算法来优化神经网络的连接权值和阈值，然后用足够的样本借助Matlab工具训练此模型，通过模型的自适应学习，直到得到能正确表示网络内部特征的那组阈值。实际应用表明，所建模型的操作性和实用性强，为军用油库实际选址提供直接的决策依据。

关键词：军用油库；选址；遗传算法；神经网络

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.

军用油库的首要任务是保障油料供应，军用油库具体库址选择的好坏，不仅关系到军用油库战时本身生存问题，更直接关系到保障任务能否完成，甚至间接影响到战争的进程甚至是胜负[1-3]。因此，恰当选择军用油库的具体库址，对于提高作战油料保障效能具有重要的理论价值和实际意义。

由于影响军用油库选址的因素众多且具有很大的不确定性，而神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合于处理需要同时考虑许多因素和条件的、不精确的信息处理问题，但是，当搜索空间较大时，神经网络就容易在局部极小值点停止搜索，影响精度[4-11]。而遗传算法针对全凸决策问题具有全局优化学习能力，能够克服神经网络的上述缺点。因此，完全可以基于遗传神经网络建立相应的军用油库选址优化模型。

1遗传算法优化神经网络初值的步骤

基于神经网络建立的军用油库选择模型，采用传统BP算法进行求解，如果初始连接权值和阈值选取不当，网络收敛速度较慢，且易使网络学习陷入局部极小。而遗传算法针对全凸决策问题具有全局优化学习方法，采用遗传算法容易找到最优的网络初值，既提高网络结构的稳定性和全局收敛速度，又避免网络学习陷入局部极小。因此，本文选用遗传算法来优化神经网络初值。遗传算法优化神经网络初值的步骤如下：

1) 参数设置

设置遗传算法的种群大小N、终止迭代次数T、交叉概率Pc和变异概率Pm。

2) 染色体编码

随机产生初始权重种群P，种群中的每一条染色体由权重向量和阈值向量组成，表示为Wi=(w1i,w2i,…,wui,b1i,b2i,…,bvi)，(i=1,2,…,N)，u为神经网络结构中权重总的个数，v为神经网络的隐含层和输出层总的阈值。

3) 计算适应度

采用神经网络的目的是使整个网络的学习能够满足既定精度，即期望输出和实际输出之间的误差在预设范围之内，因此，可以将设定的神经网络全局误差作为适应度函数设计的基础，某个个体i的适应度值为

(1)

4) 选择

5) 交叉

2个父代个体相互交换部分信息，从而产生2个子代，此过程采用一致交叉，该交叉方法创造新染色体的能力比单点和多点交叉强，而且鲁棒性更好。随机产生一个交叉掩码，如果掩码的某一位是1，则从第一个亲代复制该位，否则从第2代复制该位，然后将两个亲代位置互换，产生第2个子代。

6) 变异

变异能够保持物种多样性，是一种更重要的进化方式，并且可以防止群体收敛到局部最优解。随机选择一个个体，以变异概率Pm将Pm×N位个体的值进行变异操作，即0变为l，l变为0。

7) 迭代

如果神经网络的输出精度满足给定要求或遗传算法达到给定的迭代次数，则迭代停止，否则，转步骤四。

2指标体系建立与指标量化及归一化

1) 指标体系建立

采用德尔斐法，通过咨询军区油料部门、联勤分部油料部门、军用油库的领导、专家，以及油料院校有关专家教授，历经咨询、回收、处理的循环过程，从最初的5个一级指标22个二级指标，增加、删除、修改成图1所示的4个一级指标13个二级指标的军用油库选址指标体系。

图1　军用油库选址指标体系

2) 指标量化及归一化处理

由图1可知，战役军用油库选址指标体系一共由13个最底层指标组成，其中有的指标是可以量化的，有的指标是不能量化的。其中C2，C3，C4，C5共4个指标属于可以量化的正向指标(即其值越大越好)，A1，B1，B2，B3共4个指标属于可以量化的反向指标(即其值越小越好)，而A2，A3，C1，D1，D2共5个指标属于不能量化的指标。因此，不能直接将这13个指标作为神经网络的输入值，即使输入到神经网络也不能得到正确的输出结果。为此，需要对指标进行量化分析和归一化处理，即对具有不同量纲，代表不同类型和物理含义的指标归一化到某一区间内，并能最大限度地反映被研究对象的真实水平。

（1）桩西中、古生界潜山在经历了挤压应力到张性断裂的交替变化后，其发育的负反转构造主要有截断取直型负反转、单条冲断系负反转和复杂冲断系的局部负反转3种构造样式。

其基本原理是：对可以量化的正向指标和反向指标，参照以往军用油库选址的经验值，结合院校与部队油料勤务专家的意见，确定出其最大值和最小值，把最大值对应设为1，最小值对应设为0(对应正向指标)，或把最大值设为0，最小值设为1(对应反向指标)，实际值就参照相应归一化公式进行量算，使其值置于0~1。对不可量化的指标，应将其分为3个等级，分别为好、一般、差，其对应的归一化值分别确定为0.85、0.7、0.55。

所有指标经量化及归一化处理后，各指标均变成了正指标，且生成值都在0～1之间，其最优值为1，最劣值为0，从而相互间具备了一致性和可比性。若经一致性处理后的评估指标值都为最优值1，则可认为该地址最适合开设军用油库。

3军用油库选址遗传神经网络集成算法

1)BP神经网络选址模型结构确定

BP神经网络算法简单、易于实现，在实际应用中，有80%～90%的神经网络模型采用BP算法。因此，本研究采用3层BP神经网络建立军用油库选址模型。

输入层：根据军用油库选址评估指标体系中最底层的13个评估指标，可将输入层的结点数确定为13个，并将各指标经量化及归一化处理后的值作为神经网络的输入。

输出层：根据实际开设军用油库的反馈情况来看，在实际工作中，要寻找完全符合13个二级指标要求的地址是不现实的，因此，军用油库选址，其评估等级不宜设得太细，若设置太细，其操作性较差。通常可设为3级：好、一般、差。根据军用油库选址评估的3个等级，将神经网络的输出层结点数确定为Y1、Y2、Y3，分别对应于好、一般、差3个等级。

隐层：一般来说，当训练样本集确定之后，BP神经网络的输入层结点数和输出层结点数随之确定，但隐层数及隐层结点数的确定是神经网络结构设计的关键问题，也是神经网络设计中比较困难的一个问题。实验表明，如果隐结点数过少，网络不具有自学习能力和信息处理能力；反之，隐结点数过多，不仅会大大增加网络结构的复杂性，网络在学习过程中更易陷入局部极小点，而且会使网络的学习速度变得很慢。常用的方法是实验法，即用实验预先测定隐层数及隐层结点数。

从理论上讲，有两个隐层的神经网络可以拟合任何复杂的映射，但两个隐层是拟合复杂映射函数的充分条件而不是必要条件，也就是说用一个隐层也可以拟合相当复杂的映射。本模型选用一个隐层的BP神经网络结构。隐层结点数，可利用现有的经验公式：

(2)

2) 军用油库选址遗传神经网络集成算法

为了提高前面所确定的3层BP神经网络的速度和精度，避免神经网络学习失败，影响选址输出结果，本文将遗传算法和神经网络算法有机结合。首先采用遗传算法优化神经网络的初值，得到优化的3层BP神经网络结构，然后调用BP神经网络算法进行军用油库选址。构建的军用油库选址遗传神经网络算法如图2所示。

图2　军用油库选址遗传神经网络集成算法

3) 实例分析

① 样本集的构造

遗传神经网络模型学习所需的样本，可对指标体系中最底层13个经过量化及归一化处理后的输入值进行等级划分而得到，不失一般性和有效性。在构造样本时作如下规定：

若16个指标经量化和归一化处理后的值为：X≥0.8，可认为选址评估等级为“好”。

若16个指标经量化和归一化处理后的值为：0.6≤X<0.8，可认为选址评估等级为“一般”。

若16个指标经量化和归一化处理后的值为：X<0.6，可认为选址评估等级为“差”。

根据以上规定，构造了表1所示的12组学习样本，每个输出等级对应4组训练样本。

军用油库选址评估的3个等级对应的期望输出，可用布尔向量表示：好(100)、一般(010)、差(001)。

② 模型训练

利用Matlab软件神经网络工具对样本进行反复学习，隐层、输出层传递函数分别选为tansig、logsig，反向传播网络的训练函数选为trainlm，将处理后的样本输入Matlab软件的神经网络工具中，对网络模型进行训练，网络的输入层取13个节点，隐层取10个节点，输出层取3个节点，E≤0.05，学习率η=0.5，步长调节因子γ=l.05，λ=0.85。遗传优化过程中，取种群大小N=10，对种群中个体进行遗传操作的交叉概率Pc=0.5，变异概率Pm=0.001，经过5 260次训练后满足精度要求，网络呈稳定状态，得到相应的连接权值和阈值，这样就建立了神经网络从输入到输出之间的非线性映射关系。表2是12组样本的实际输出值。

表1　12组学习样本

表2　12组样本的实际输出值

③ 模型测试

由上可知，经过5 260次遗传神经网络模型学习后，每一组学习样本的输出值与期望输出值十分接近，军用油库选址评估神经网络模型具备了模式识别的能力，能够自己从输入数据中找到变化规律，进而达到自动识别。为了测试模型的自动识别能力，选取近年来新建军用油库的3组选址数据，从实际油料保障效能来看，该3组数据分别代表了军用油库选址的不同等级，对应为好、一般和差。以此作为测试数据，得到模型的实际输出值，将实际输出值与样本的期望输出值进行比较，从表3可以看出两者非常接近，误差仅为1.49%，说明所建立的遗传神经网络模型具有具备良好的自组织、自学习和容错能力，能够用来对军用油库选址进行实际评估。

表3　3组测试样本的实际输出值与期望输出值对比

4) 实际应用

将训练好的基于遗传神经网络的军用油库选址模型进行实际应用时，用户只需输入13个指标的实际值，便可自动得到输出结果，并给出选址结论，供用户决策参考。

由于不同的指标灵敏度不一，对最终选址结果的影响也不同，因此，必须对同层指标进行两两对比，确定其权重。主成分分析法是一种实用的多元分析方法，它能够将众多原始指标简化为包含原始资料信息的少量综合指标，而且各指标之间互不相关或相关度很小。利用SPSS统计软件对图1 所示的底层指标进行主成分分析，确定了“在主战方向A1、突出保障重点A2、靠近主要公路B1、隐蔽伪装条件C1、远离弹药库、军械库C2”5个指标为主要指标。若用户只考察某一个或几个主要指标是否满足要求，如果满足，就选用，反之，就另寻他址。此时，可不用本模型，而是由用户直接按条件进行筛选。

4结论

本文立足部队实际，将人工智能理论应用到油料保障领域，综合考虑了军用油库选址各种相关影响因素，建立了比较理想的遗传神经网络模型，并对模型进行了实际应用。模型既简化又逼近客观实际，可操作性较强，为军用油库实际选址决策时提供参考依据。本文所建模型对其他仓库选址，如军械库、弹药库等，均有较大借鉴意义。

参考文献：

[1]刘鹏飞,査国云.基于GA-PSO的野战给水站选址优化模型[J].四川兵工学报,2014(10):64-67.

[2]董巨为,慕晓冬.基于ArcSDE和Oracle 11g的某装备车选址数据库设计[J].四川兵工学报,2012(8):126-128.

[3]朱来辉,曹炜.基于FAHP的民用机场选址方案优选[J].四川兵工学报,2012(6):117-119.

[4]李海峰,康中敏.基于混合遗传神经网络的电动汽车充电站最优选址的研究[J].四川电力技术,2012(4):49-52.

[5]张经博,郭凌.基于遗传算法优化BP神经网络的供暖系统热负荷预测模型[J].四川兵工学报,2014(4):152-156.

[6]赵建春,叶丽娜.遗传算法在故障诊断中的应用[J].四川兵工学报,2013(3):132-134.

[7]李晔.基于排序选择的改进遗传算法优化的神经网络控制[J].四川兵工学报,2010(9):117-119.

[8]邱国庆,何雷.基于神经网络的野战给水能力评价模型[J].四川兵工学报,2009(2):32-35.

[9]黄国栋.基于遗传神经网络的短期负荷预测研究[J].中国电力教育,2014(2):261-262.

[10]胡锦宏.基于遗传神经网络的煤层气含量预测[J].绿色科技,2015(2):260-263.

[11]杨晓段,李元左.非战争军事行动装备保障资源运输方式选择模型[J].四川兵工学报,2013(12):35-40.

(责任编辑唐定国)

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

文章编号：1006-0707(2016)02-0069-05

中图分类号：E233

文献标识码：A

doi:10.11809/scbgxb2016.02.018

作者简介：李横(1968—)，男，博士，教授，主要从事油料勤务及油料信息化研究。

基金项目：总后勤部2015年资助项目“高原高寒地区军队油库安全管理研究”

收稿日期：2015-07-20；修回日期：2015-08-15

本文引用格式：李横，郭鹏，胡汝翼，等.基于遗传神经网络的军用油库选址优化模型[J].兵器装备工程学报，2016(2):69-73.

【后勤保障与装备管理】