有人/无人装备体系作战效能快速评估方法研究

赵 振,刘文军,兰小平,杨建新,余天艺

(1.中国兵器工业信息中心,北京 100089;2.中国兵器工业标准化研究所,北京 100089)

随着现代信息化技术的发展,未来战场、武器系统将变得越来越复杂,有人/无人装备体系协同作战将成为未来陆军的基本作战形态[1]。在高度信息化、网络化条件下,依靠有人操作武器装备与无人作战平台,两者采用联合、协同攻击目标的作战方式,具有装备体系复杂、作战方式灵活、战术变化多样等特点[2]。鉴于此,深入研究、实现有人/无人装备体系的优化已成为世界各国军方的共识[3]。而装备效能评估是装备体系优化的基础,因此,对装备效能进行准确、快速地量化评估十分必要,通过评估找到合理的装备体系配置,从而提升部队的整体作战能力[4]。

目前,国内外学者对有人/无人装备体系效能评估进行了大量研究。吴静等[5]采用层次分析法,开展了无人协同效能评估研究。魏继才等[6]通过仿真方法,采用了侦察、通信等算法,设计了一种装备体系作战能力评估的方法。黄吉传等[7]基于观察-判断-决策-行动决策链,研究了多无人机协同作战效能评估。刘刚等[8]采用灰色决策理论与层次分析法相结合的方法,研究了侦察无人机的效能评估方法等。但是,上述研究以层次分析法、仿真等推导计算为主,依赖专家经验确定指标权重,评估结果受主观因素影响较大;且计算过程比较复杂,难以实现对有人/无人装备体系效能的快速评估。

针对此问题,本文在上述研究的基础上,提出装备效能快速评估框架,根据装备作战试验指标构建的原则和方法,选定评估指标体系,采用传统层次分析法计算出装备效能,以评估指标数据为输入,以装备效能为输出,利用极限学习机和郊狼优化算法建立两者之间的关联模型,为装备效能评估提供快速、准确的方法。

1 评估流程

本文装备作战效能评估流程如图1所示,主要包括如下步骤。

图1 评估流程图

1)步骤1:构建样本。

从研究对象和作战目标出发,构建评估指标体系,根据作战使命任务进行仿真推演,对仿真结果进行体系作战效能评估,以评估指标数据和作战效能数据为基础,构建模型训练所需的样本集。

2)步骤2:建立模型。

利用极限学习机建立评估指标与作战效能之间的非线性映射关系,同时,利用郊狼优化算法对极限学习机的权值和阈值进行优化,最终构建出基于极限学习机与郊狼优化算法的装备作战效能评估模型。

3)步骤3:效能评估。

以某有人/无人智能协同作战分队装备体系为实际研究对象,运用步骤2中训练好的评估模型进行装备效能预测。

4)步骤4:结果检验。

从数据拟合度、误差范围等角度出发,检验模型的评估效果。

2 模型构建

基于ELM与COA的装备效能评估模型以评估指标体系数据和层次分析法的装备效能数据为基础,构建两个指标数据之间的关联模型,实现对装备效能的准确、快速评估,评估模型构建如图2所示。

图2 基于ELM与COA的装备效能评估模型

2.1 极限学习机

ELM由黄广斌教授提出,结构为单隐层前馈网络。相较于传统神经网络,ELM在一定程度上克服了学习速度慢、难以规避局部最小等缺点[9]。首先,随机初始网络中输入层节点的权值和隐层节点的阈值[10],再根据输出值反向解析出隐层到输出层的网络权值,这种数学解析的方式易实现,泛化能力强,且学习速度快,目前已在各种分类和回归等问题中得到广泛应用。本文采用ELM构建装备效能评估模型,其结构如图3所示。

图3 ELM网络结构

受权值和阈值随机性的影响,在隐层节点个数确定的情况下,ELM网络的训练精度和时间会出现较大波动。为了克服此缺陷,本文通过COA对ELM的随机权值、阈值进行迭代优化,避免因盲目寻找最优参数而增加训练时间,提高模型的预测精度和泛化能力。

2.2 郊狼优化算法

COA是一种新的仿生智能全局寻优算法,其在网络参数寻优方面得到广泛应用[11]。与交叉粒子群优化(Particle Swarm Optimization using Crisscross Search,CSPSO)算法、蛙跳算法(Frog Leaping Algorithm,FLA)、灰狼优化(Grey Wolf Optimizer,GWO)算法、人工蜂群算法(Artificial Bee Colony Algorithm,ABC)等其他优化算法相比,COA收敛速度更快,搜索能力更优,其不仅更容易实现,还可以得到更精确的结果[12],算法具体步骤如下。

1)初始化并随机分组。

在COA中,随机初始化所需参数,如郊狼组数Np、每组内郊狼数量Nc、最大迭代次数FEs等。对于第p组内第c个郊狼各维度上的具体社会状态,由式1进行随机初始,并通过式2计算各郊狼的社会适应能力。

socc,j=lbj+r×(ubj-lbj)

(1)

fitc=f(socc)

(2)

式中,lbj和ubj分别为第j维社会状态因子的下限和上限,j∈[1,D],其中,D为待优化问题的维数;r为[0,1]内均匀分布的随机数。

2)郊狼成长。

在COA中,组内社会适应能力最优郊狼alpha以及文化趋势cult两个因素共同指导组内郊狼的成长:

(3)

δ1为组内任意选取的一个郊狼(cr1)与最优郊狼alpha的差值,δ2为组内任意选取的另一个郊狼(cr2)与文化趋势cult的差值:

δ1=alpha-soccr1

(4)

δ2=cult-soccr2

(5)

每个郊狼在δ1和δ2的共同作用下成长,表示为:

new_soc=soc+r1×δ1+r2×δ2

(6)

式中,r1和r2分别为δ1和δ2的随机权值,且为[0,1]内均匀分布的随机数。当郊狼位置更新后,通过式7计算其社会适应能力:

new_fit=f(new_soc)

(7)

若更新后郊狼的社会适应能力优于更新前,则保留更新后的郊狼,反之保持不变,表示为:

(8)

3)郊狼的生与死。

新生和死亡是郊狼群两个重要的自然生存规律,一般以年为单位计算郊狼年龄。新生幼狼主要受到环境和父母两方面因素的影响:

(9)

式中,cr1和cr2为来自第p组两个不相同的随机父郊狼标引号;j1和j2为问题的两个随机维度,用于确保幼狼一定遗传两个父郊狼的基因;Rj为第j维社会状态因子在决策变量范围内的随机数;rj为随机数,其均匀分布在[0,1]内;Ps、Pa分别为分散概率和关联概率,两者影响幼狼的遗传和变异情况:

Ps=1/D,Pa=(1-Ps)/2

(10)

出现新的幼狼时,首先,计算其社会适应能力,并与组内其余郊狼进行对比:a.若幼狼适应能力最差时,幼狼死亡;b.若幼狼适应能力仅比一个郊狼好时,幼狼存活;c.若幼狼适应能力比多个郊狼好时,则用幼狼代替年龄最大的郊狼。

4)郊狼被驱离和接纳。

不同组间的郊狼存在驱离和接纳机制,其概率表示为Pe,在一定程度上保证了郊狼组的多样性。

(11)

2.3 COA-ELM模型构建步骤

本文利用COA优化ELM的具体步骤如下。

1)步骤1:归一化训练集数据。

将训练集的各维数据归一到[-1,1],减少量纲对模型准确率的影响。

2)步骤2:初始化参数。

随机初始化10组郊狼,每组内10个郊狼,共100个郊狼,即随机初始化100对ELM的输入权值w与隐层阈值b,以及其他相关参数。

3)步骤3:计算适应度值。

计算出所有初始种群的ELM预测输出,并根据目标函数计算各自的适应度值。

4)步骤4:组内位置更新。

对各组内的适应度值排序,确定组内最优郊狼位置和组内文化趋势,并结合生与死的机制,更新组内郊狼。

5)步骤5:组间位置更新。

根据驱离和接纳机制更新组间郊狼个体位置。

6)步骤6:循环迭代训练。

循环执行步骤3～步骤5,达到结束条件,则得到ELM迭代寻优后最优的输入权值w与隐层阈值b,也即最优ELM模型。

3 案例分析

以某有人/无人智能协同作战分队装备体系为例,验证本文提出的装备效能评估方法。

3.1 构建样本集

按照本文样本空间生成流程,样本空间生成过程如下。

1)根据某有人/无人智能协同作战分队装备体系,以目标侦察、火力打击、机动性、信息指挥等4个方面能力为评估目标[13],构建图4所示的评估指标体系。

图4 评估指标体系

2)根据装备体系的跨域突击夺要、边境防卫和城市攻防3种使命任务,设计3个仿真想定脚本,并进行试验设计和仿真推演。

3)参照文章[14]中的评估方法对仿真结果进行体系作战效能评估,共生成100个样本数据。对生成的样本数据按照8∶2进行随机划分,其中,划分出80个作为训练样本,应用ELM和COA建立装备效能评估模型;其余的20个作为测试样本,利用训练完成的模型对其进行预测,验证模型的有效性。

3.2 仿真实验与结果分析

以MATLAB R2018软件为仿真实验平台,利用评估指标样本数据训练基于ELM和COA的装备效能评估模型,利用训练好的评估模型对测试样本进行装备效能评估,并将评估模型得到的预测结果与传统方法计算的结果进行对比(见图5)。通过对比可知,预测值与计算结果拟合程度较好,表明评估模型的预测精度较高。

图5 测试样本预测结果

为了进一步验证COA-ELM模型的有效性,以传统方法计算的装备效能结果为参照,将COA-ELM与ELM模型的预测值、误差值进行对比,详细对比结果见表1,表1中的真实值为经传统方法仿真推演计算出的装备效能。结果显示,ELM模型预测值平均误差为11.59%,最大误差超过20%;COA-ELM模型预测值平均误差为4.84%,且最大误差控制在12%以内。这表明本文设计的COA-ELM评估模型精确度更好,泛化性更强。

表1 模型预测结果对比

4 结语

本文开展了有人/无人协同装备作战效能快速评估框架研究,提出了一种基于ELM和COA相结合的装备效能评估方法,深入研究了建模过程,建立了评估指标体系与装备效能之间的关系,实现了基于神经网络与群智能优化算法对装备效能的快速量化评估。以某有人/无人智能协同作战分队装备体系为研究对象,验证了该方法的有效性,为面向装备体系论证与优化的有人/无人协同装备体系效能评估提供了新的思路和技术支撑。