有人/無人裝備體系作戰效能快速評估方法研究

趙 振,劉文軍,蘭小平,楊建新,余天藝

(1.中國兵器工業信息中心,北京 100089;2.中國兵器工業標準化研究所,北京 100089)

隨著現代信息化技術的發展,未來戰場、武器系統將變得越來越復雜,有人/無人裝備體系協同作戰將成為未來陸軍的基本作戰形態[1]。在高度信息化、網絡化條件下,依靠有人操作武器裝備與無人作戰平臺,兩者采用聯合、協同攻擊目標的作戰方式,具有裝備體系復雜、作戰方式靈活、戰術變化多樣等特點[2]。鑒于此,深入研究、實現有人/無人裝備體系的優化已成為世界各國軍方的共識[3]。而裝備效能評估是裝備體系優化的基礎,因此,對裝備效能進行準確、快速地量化評估十分必要,通過評估找到合理的裝備體系配置,從而提升部隊的整體作戰能力[4]。

目前,國內外學者對有人/無人裝備體系效能評估進行了大量研究。吳靜等[5]采用層次分析法,開展了無人協同效能評估研究。魏繼才等[6]通過仿真方法,采用了偵察、通信等算法,設計了一種裝備體系作戰能力評估的方法。黃吉傳等[7]基于觀察-判斷-決策-行動決策鏈,研究了多無人機協同作戰效能評估。劉剛等[8]采用灰色決策理論與層次分析法相結合的方法,研究了偵察無人機的效能評估方法等。但是,上述研究以層次分析法、仿真等推導計算為主,依賴專家經驗確定指標權重,評估結果受主觀因素影響較大;且計算過程比較復雜,難以實現對有人/無人裝備體系效能的快速評估。

針對此問題,本文在上述研究的基礎上,提出裝備效能快速評估框架,根據裝備作戰試驗指標構建的原則和方法,選定評估指標體系,采用傳統層次分析法計算出裝備效能,以評估指標數據為輸入,以裝備效能為輸出,利用極限學習機和郊狼優化算法建立兩者之間的關聯模型,為裝備效能評估提供快速、準確的方法。

1 評估流程

本文裝備作戰效能評估流程如圖1所示,主要包括如下步驟。

圖1 評估流程圖

1)步驟1:構建樣本。

從研究對象和作戰目標出發,構建評估指標體系,根據作戰使命任務進行仿真推演,對仿真結果進行體系作戰效能評估,以評估指標數據和作戰效能數據為基礎,構建模型訓練所需的樣本集。

2)步驟2:建立模型。

利用極限學習機建立評估指標與作戰效能之間的非線性映射關系,同時,利用郊狼優化算法對極限學習機的權值和閾值進行優化,最終構建出基于極限學習機與郊狼優化算法的裝備作戰效能評估模型。

3)步驟3:效能評估。

以某有人/無人智能協同作戰分隊裝備體系為實際研究對象,運用步驟2中訓練好的評估模型進行裝備效能預測。

4)步驟4:結果檢驗。

從數據擬合度、誤差范圍等角度出發,檢驗模型的評估效果。

2 模型構建

基于ELM與COA的裝備效能評估模型以評估指標體系數據和層次分析法的裝備效能數據為基礎,構建兩個指標數據之間的關聯模型,實現對裝備效能的準確、快速評估,評估模型構建如圖2所示。

圖2 基于ELM與COA的裝備效能評估模型

2.1 極限學習機

ELM由黃廣斌教授提出,結構為單隱層前饋網絡。相較于傳統神經網絡,ELM在一定程度上克服了學習速度慢、難以規避局部最小等缺點[9]。首先,隨機初始網絡中輸入層節點的權值和隱層節點的閾值[10],再根據輸出值反向解析出隱層到輸出層的網絡權值,這種數學解析的方式易實現,泛化能力強,且學習速度快,目前已在各種分類和回歸等問題中得到廣泛應用。本文采用ELM構建裝備效能評估模型,其結構如圖3所示。

圖3 ELM網絡結構

受權值和閾值隨機性的影響,在隱層節點個數確定的情況下,ELM網絡的訓練精度和時間會出現較大波動。為了克服此缺陷,本文通過COA對ELM的隨機權值、閾值進行迭代優化,避免因盲目尋找最優參數而增加訓練時間,提高模型的預測精度和泛化能力。

2.2 郊狼優化算法

COA是一種新的仿生智能全局尋優算法,其在網絡參數尋優方面得到廣泛應用[11]。與交叉粒子群優化(Particle Swarm Optimization using Crisscross Search,CSPSO)算法、蛙跳算法(Frog Leaping Algorithm,FLA)、灰狼優化(Grey Wolf Optimizer,GWO)算法、人工蜂群算法(Artificial Bee Colony Algorithm,ABC)等其他優化算法相比,COA收斂速度更快,搜索能力更優,其不僅更容易實現,還可以得到更精確的結果[12],算法具體步驟如下。

1)初始化并隨機分組。

在COA中,隨機初始化所需參數,如郊狼組數Np、每組內郊狼數量Nc、最大迭代次數FEs等。對于第p組內第c個郊狼各維度上的具體社會狀態,由式1進行隨機初始,并通過式2計算各郊狼的社會適應能力。

socc,j=lbj+r×(ubj-lbj)

(1)

fitc=f(socc)

(2)

式中,lbj和ubj分別為第j維社會狀態因子的下限和上限,j∈[1,D],其中,D為待優化問題的維數;r為[0,1]內均勻分布的隨機數。

2)郊狼成長。

在COA中,組內社會適應能力最優郊狼alpha以及文化趨勢cult兩個因素共同指導組內郊狼的成長:

(3)

δ1為組內任意選取的一個郊狼(cr1)與最優郊狼alpha的差值,δ2為組內任意選取的另一個郊狼(cr2)與文化趨勢cult的差值:

δ1=alpha-soccr1

(4)

δ2=cult-soccr2

(5)

每個郊狼在δ1和δ2的共同作用下成長,表示為:

new_soc=soc+r1×δ1+r2×δ2

(6)

式中,r1和r2分別為δ1和δ2的隨機權值,且為[0,1]內均勻分布的隨機數。當郊狼位置更新后,通過式7計算其社會適應能力:

new_fit=f(new_soc)

(7)

若更新后郊狼的社會適應能力優于更新前,則保留更新后的郊狼,反之保持不變,表示為:

(8)

3)郊狼的生與死。

新生和死亡是郊狼群兩個重要的自然生存規律,一般以年為單位計算郊狼年齡。新生幼狼主要受到環境和父母兩方面因素的影響:

(9)

式中,cr1和cr2為來自第p組兩個不相同的隨機父郊狼標引號;j1和j2為問題的兩個隨機維度,用于確保幼狼一定遺傳兩個父郊狼的基因;Rj為第j維社會狀態因子在決策變量范圍內的隨機數;rj為隨機數,其均勻分布在[0,1]內;Ps、Pa分別為分散概率和關聯概率,兩者影響幼狼的遺傳和變異情況:

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

(10)

出現新的幼狼時,首先,計算其社會適應能力,并與組內其余郊狼進行對比:a.若幼狼適應能力最差時,幼狼死亡;b.若幼狼適應能力僅比一個郊狼好時,幼狼存活;c.若幼狼適應能力比多個郊狼好時,則用幼狼代替年齡最大的郊狼。

4)郊狼被驅離和接納。

不同組間的郊狼存在驅離和接納機制,其概率表示為Pe,在一定程度上保證了郊狼組的多樣性。

(11)

2.3 COA-ELM模型構建步驟

本文利用COA優化ELM的具體步驟如下。

1)步驟1:歸一化訓練集數據。

將訓練集的各維數據歸一到[-1,1],減少量綱對模型準確率的影響。

2)步驟2:初始化參數。

隨機初始化10組郊狼,每組內10個郊狼,共100個郊狼,即隨機初始化100對ELM的輸入權值w與隱層閾值b,以及其他相關參數。

3)步驟3:計算適應度值。

計算出所有初始種群的ELM預測輸出,并根據目標函數計算各自的適應度值。

4)步驟4:組內位置更新。

對各組內的適應度值排序,確定組內最優郊狼位置和組內文化趨勢,并結合生與死的機制,更新組內郊狼。

5)步驟5:組間位置更新。

根據驅離和接納機制更新組間郊狼個體位置。

6)步驟6:循環迭代訓練。

循環執行步驟3～步驟5,達到結束條件,則得到ELM迭代尋優后最優的輸入權值w與隱層閾值b,也即最優ELM模型。

3 案例分析

以某有人/無人智能協同作戰分隊裝備體系為例,驗證本文提出的裝備效能評估方法。

3.1 構建樣本集

按照本文樣本空間生成流程,樣本空間生成過程如下。

1)根據某有人/無人智能協同作戰分隊裝備體系,以目標偵察、火力打擊、機動性、信息指揮等4個方面能力為評估目標[13],構建圖4所示的評估指標體系。

圖4 評估指標體系

2)根據裝備體系的跨域突擊奪要、邊境防衛和城市攻防3種使命任務,設計3個仿真想定腳本,并進行試驗設計和仿真推演。

3)參照文章[14]中的評估方法對仿真結果進行體系作戰效能評估,共生成100個樣本數據。對生成的樣本數據按照8∶2進行隨機劃分,其中,劃分出80個作為訓練樣本,應用ELM和COA建立裝備效能評估模型;其余的20個作為測試樣本,利用訓練完成的模型對其進行預測,驗證模型的有效性。

3.2 仿真實驗與結果分析

以MATLAB R2018軟件為仿真實驗平臺,利用評估指標樣本數據訓練基于ELM和COA的裝備效能評估模型,利用訓練好的評估模型對測試樣本進行裝備效能評估,并將評估模型得到的預測結果與傳統方法計算的結果進行對比(見圖5)。通過對比可知,預測值與計算結果擬合程度較好,表明評估模型的預測精度較高。

圖5 測試樣本預測結果

為了進一步驗證COA-ELM模型的有效性,以傳統方法計算的裝備效能結果為參照,將COA-ELM與ELM模型的預測值、誤差值進行對比,詳細對比結果見表1,表1中的真實值為經傳統方法仿真推演計算出的裝備效能。結果顯示,ELM模型預測值平均誤差為11.59%,最大誤差超過20%;COA-ELM模型預測值平均誤差為4.84%,且最大誤差控制在12%以內。這表明本文設計的COA-ELM評估模型精確度更好,泛化性更強。

表1 模型預測結果對比

4 結語

本文開展了有人/無人協同裝備作戰效能快速評估框架研究,提出了一種基于ELM和COA相結合的裝備效能評估方法,深入研究了建模過程,建立了評估指標體系與裝備效能之間的關系,實現了基于神經網絡與群智能優化算法對裝備效能的快速量化評估。以某有人/無人智能協同作戰分隊裝備體系為研究對象,驗證了該方法的有效性,為面向裝備體系論證與優化的有人/無人協同裝備體系效能評估提供了新的思路和技術支撐。