推荐星级：
- 1
- 2
- 3
- 4
- 5
基于混合遗传BP 神经网络的城市系统作战能力评估
资料介绍
针对现有城市系统作战能力评估方法较少的问题,利用反向传播(back propagation,BP)神经网络在能力评估方面所具有的自适应、自学习、强容错性和泛化映射等优势,建立了评估指标体系并给出了指标的隶属函数。通过模拟退火遗传算法(simulated annealing and genetic algorithm,SAGA)优化BP神经网络的连接权重和阀值,弱化了指标评价中的人为因素,提高了评价结果的准确性、客观性和权威性,有效解决了传统遗传算法和BP神经网络易陷入局部极小值、收敛速度慢和抗干扰能力差等问题。仿真实例验证了该方法对城市系统作战能力评估的可行性和有效性。
部分文件列表
| 文件名 | 大小 |
| 基于混合遗传BP_神经网络的城市系统作战能力评估.pdf | 2M |
部分页面预览
（完整内容请下载后查看）第
卷
第
期
系统工程与电子技术
３９
１
Ｖｏｌ．３９ Ｎｏ．１
ꢀ
ꢀ
年
月
２０１７
１
ＳｓｔｅｍｓＥｎｉｎｅｅｒｉｎ ａｎｄＥｌｅｃｔｒｏｎｉｃｓ
ꢀ ｇ ꢀ
ｙ ｇ
ꢀ
Ｊａｎｕａｒ ２０１７
ｙ
ꢀ
：
（ ）
１００１５０６Ｘ２０１７０１０１０７０７
－
：
网址
ｗｗｗ．ｓｓｅｌｅ．ｃｏｍ
文章编号
－
－
ꢀ
ｙ
－
基于混合遗传
神经网络的城市系统作战能力评估
ＢＰ
， ， ，
夏 维 刘新学 范阳涛 范金龙
ꢀ
（ ，
火箭军工程大学初级指挥学院 陕西 西安
）
７１００２５
： ，
针对现有城市系统作战能力评估方法较少的问题 利用反向传播
（ ， ）
神经网络在
ｂａｃｋ ｒｏａａｔｉｏｎ ＢＰ
ꢀｐ ｐｇ
摘
要
ꢀ
ꢀꢀ
、 、 ，
能力评估方面所具有的自适应 自学习 强容错性和泛化映射等优势 建立了评估指标体系并给出了指标的隶属
。
函数 通过模拟退火遗传算法
（
，
）
优化
ｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎ ａｎｄ ｅｎｅｔｉｃａｌｏｒｉｔｈｍ ＳＡＧＡ
ꢀｇ ꢀ ｇ
神经网络的连接权重
ＢＰ
ꢀ
ｇ
ꢀ
， ， 、 ，
和阀值 弱化了指标评价中的人为因素 提高了评价结果的准确性 客观性和权威性 有效解决了传统遗传算法和
、 。
神经网络易陷入局部极小值 收敛速度慢和抗干扰能力差等问题 仿真实例验证了该方法对城市系统作战能
ＢＰ
。
力评估的可行性和有效性
： ； ； ；
关键词 城市系统 作战能力 反向传播神经网络 混合遗传算法
：
：
文献标志码
Ａ
：
／
ｊ
中图分类号
ＴＪ７６０
ꢀ ꢀꢀꢀꢀ
ＤＯＩ１０．３９６９ ．ｉｓｓｎ．１００１５０６Ｘ．２０１７．０１．１６
ꢀꢀꢀꢀ
－
Ｃｏｍｂａｔｃａａｂｉｌｉｔ ｅｖａｌｕａｔｉｏｎｏｆｃｉｔ ｓｓｔｅｍｂａｓｅｄｏｎ
ꢀ ꢀ ꢀ ꢀ ꢀ
ｙ ｙ
ꢀ
ｐ
ｙ
ꢀ
ｍｉｘ ｅｎｅｔｉｃａｌｏｒｉｔｈｍＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ
－ ꢀ ꢀ ꢀ ꢀ
ｇ
ｇ
，
，
，
ＸＩＡ Ｗｅｉ ＬＩＵ Ｘｉｎｘｕｅ ＦＡＮ Ｙａｎｔａｏ ＦＡＮＪｉｎｌｏｎ
ｇ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
（
， ， ’ ，
Ｐｒｉｍａｒ ＣｏｍｍａｎｄＣｏｌｌｅｅ ＲｏｃｋｅｔＦｏｒｃｅＵｎｉｖｅｒｓｉｔ ｏ Ｅｎｉｎｅｅｒｉｎ Ｘｉａｎ７１００２５ Ｃｈｉｎａ
ꢀ
）
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｇ
ｙ ｆ
ꢀ ꢀ
ｇ
ｇ
：
Ａｂｓｔｒａｃｔ Ａｉｍｉｎ ａｔｔｈｅ ｒｏｂｌｅｍｏｆｌｅｓｓｃｏｍｂａｔｃａａｃｉｔ ｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｓｏｆｃｉｔ ｓｓｔｅｍ ｔｈｅｉｎｄｅｘｓｓ
ꢀꢀ ꢀꢀ ꢀ ｐ ꢀ ꢀ ｙ ｙ ꢀｙ－
ｇ ꢀ ꢀｐ
，
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ｔｅｍｉｓｂｒｏｕｈｔｆｏｒｗａｒｄａｎｄｔｈｅｓｕｂｏｒｄｉｎａｔｅｆｕｎｃｔｉｏｎｏｆｅａｃｈｉｎｄｅｘｉｓ ｉｖｅｎ．ＡｎａｓｓｅｓｓｍｅｎｔｍｏｄｅｌｂａｓｅｄｏｎＢＰ
ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｇ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ｎｅｕｒａｌｎｅｔｗｏｒｋｗｈｏｓｅｔｈｒｅｓｈｏｌｄｓａｎｄｃｏｎｎｅｃｔｉｏｎｗｅｉｈｔｓａｒｅｏｔｉｍｉｚｅｄｂ ｔｈｅｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎ ａｎｄ ｅｎｅｔｉｃ
ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀｙ ꢀ ꢀｇ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
ꢀ
（
）
ａｌｏｒｉｔｈｍ ＳＡＧＡ ｉｓ ｒｏｏｓｅｄｔｏｓｏｌｖｅｔｈｅ ｒｏｂｌｅｍｓ．Ａｎｄｔｈｅ ｒｏｂｌｅｍｓｏｆｔｈｅｃｌａｓｓｉｃａｌ ｅｎｅｔｉｃａｌｏｒｉｔｈｍａｎｄ
ꢀｐ ｐ ꢀ ꢀ ꢀｐ ꢀｐ ꢀ ꢀ ꢀｇ ꢀ ｇ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
，
ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｔｒａ ｉｎ ｉｎｔｏｔｈｅｌｏｃａｌｍｉｎｉｍｕｍ ｏｉｎｔ ｌｏｗｃｏｎｖｅｒｅｎｃｅｓｅｅｄａｎｄｗｉｔｈｂａｄａｎｔｉａｍｍｉｎ ａ
ꢀ ｐｐ ｇ ꢀ ꢀ ꢀｐ ꢀｐ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
－
ｊ
ꢀ
ꢀ－
ｇ
，
ｂｉｌｉｔ ａｒｅｓｏｌｖｅｄ．Ｕｓｉｎ ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｄｏｍｉｎａｎｃｅｓｏｆｓｅｌｆａｄａｔｉｖｅ ｓｅｌｆｌｅａｒｎｉｎ ｅｆｆｉｃｉｅｎｔｆａｕｌｔｔｏｌｅｒａｎｔａｎｄ
ꢀ ꢀ
，
ｇ
ｙ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
－
ｐ
－
ꢀ
ꢀ
ꢀ
，
ｗｉｄｅｍａ ｉｎ ｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓ ｔｈｅｍｏｄｅｌｃａｎｗｅａｋｅｎｈｕｍａｎｆａｃｔｏｒｓｏｆｔｈｅｉｎｄｅｘｔｏｉｍ ｒｏｖｅｔｈｅａｃｃｕｒａ
ꢀ ｐｐ ｇ ꢀ ꢀ ꢀꢀ ꢀ ꢀ ꢀ ｐ －
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
，
ｏｂｅｃｔｉｖｉｔ ａｎｄａｕｔｈｏｒｉｔ ｏｆａｓｓｅｓｓｍｅｎｔｒｅｓｕｌｔｓ．Ａｃｃｏｒｄｉｎ ｔｏｔｈｅｓｉｍｕｌａｔｉｏｎ ｔｈｅｆｅａｓｉｂｉｌｉｔ ａｎｄｖａｌｉｄｉｔ ｏｆ
ｙ ꢀ
ｃ
ｙ
ｊ
ｙ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
’
ｃｉｔ ｓｓｔｅｍ ｓｃａｍ ａｉｎｃａａｂｉｌｉｔ ａｓｓｅｓｓｍｅｎｔｂ ｔｈｉｓｍｅｔｈｏｄａｒｅｖｅｒｉｆｉｅｄ．
ｙ ｙ ｐ ｇꢀ ｐ
ꢀｙ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ ꢀ
ꢀ
ꢀ
：
Ｋｅｗｏｒｄｓ ｃｉｔ ｓｓｔｅｍ ｃｏｍｂａｔｃａａｃｉｔ ｂａｃｋ ｒｏａａｔｉｏｎ ＢＰ ｎｅｕｒａｌｎｅｔｗｏｒｋｓ ｍｉｘ ｅｎｅｔｉｃａｌｏｒｉｔｈｍ
ｙ ｙ
ꢀ ｐ ꢀｐ ｐｇ ꢀ ｇ
；
；
ｙ
（
）
；
ꢀ
－
ｇ
ｙ
ꢀ
。
兴智能算法 现有文献在利用神经网络算法评估系统作战
引
言
ꢀ
０
ꢀ
，
能力时 为弥补传统反 向传播
（ ， ）
神 经
ｂａｃｋ ｒｏａａｔｉｏｎ ＢＰ
ꢀｐ ｐｇ
、
网络固有的易陷入局部极小值 收敛速度慢和抗干扰能力
，
城市 作为
世纪的主战场和国 家战争潜力之集 中
２１
。
体 其发展呈现出智能化 数字化 网络化 系统化等特征
ꢀꢀ
，
差等缺陷做了 一 些 改 动 如 将 蚁 群 算 法
、
算 法 和
，
、
、
、
Ａｄａｂｏｏｓｔ
遗传算法等智能算法引入神经网络中以克服网络易陷入局
，
评估城市系统作战能力的指标体系复杂且动态多变 相互
； ， 、
部极小的缺点 为降低计算量 将统计推断 熵理论与启发
， ，
之间又关系紧密 任何一点的变化都将映射到其他方面 进
［
］
２
，
同
１
，
式搜索结合起来 并通过支持向量机优化网络性能
。 ，
而改变系统的整体能力 因此 理清城市系统各作战能力
，
传统网络算法相比虽有一定成效 但不够明显 尤其是在改
、 、
间的影响关系 遴选核心能力指标 评估整体作战效能将关
，
善收敛速度方面还存有不足 且有关评估城市系统作战能力
，
乎指挥员的谋划决策 历来是兵家学者关注和研究的重点
。
。
的研究成果比较少见 本文在给出城市系统作战能力评估指
， ：
目前 用于作战能力评估的传统方法有 灰色评估法
、
［
］
１６
，
随
ꢀ
，
标体系的基础上 将全局和局部搜索能力均较强的模拟退火遗
、 、
指数法 模糊综合评判法 信息熵权法
、
网法等
Ｐｅｔｒｉ
（
，
）
作为
ｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎ ａｎｄ ｅｎｅｔｉｃａｌｏｒｉｔｈｍ ＳＡＧＡ
ꢀｇ ꢀｇ
、
着智能理论的发展 不同领域和不同学科知识的交叉融合
，
传算法
ꢀ
ｇ
ꢀ
［
］
１
７１
ꢀ
、
又涌现出神经网络评估法 博弈论法和控制论法等
，
一个整体优化模块 并利用该模块优化网络的连接权值和
新
：
；
：
； ：
网络优先出版日期
２０１６ ０７ ２２
。
收稿日期
修回日期
２０１５ １２ ２８
ꢀ ꢀ
２０１６ １０ ２４
ꢀ
ꢀ
ꢀ
ꢀ
： ： ／ ／ ／
ｈｔｔ ｗｗｗ．ｃｎｋｉ．ｎｅｔｋｃｍｓｄｅｔａｉｌ１１ ．２４２２ ．Ｔ Ｎ ．２０１６１０２４ ．２１２２ ．０１２ ．ｈｔｍｌ
ｐ ∥
网络优先出版地址
：
基金项目 国家自然科学基金
（
，
）
资助课题
６１３７２１６７ ６１３７９１０４
·
·
系统工程与电子技术
第
卷
３９
ꢀ
１０８
ꢀ
ꢀ
， ，
阀值 构建了 一 种 新 的 城 市 系 统 作 战 能 力 评 估 模 型 更 客
、
观 高效地评估了城市系统的综合作战效能
。
神经网络算法和混合遗传算法
１ ＢＰ
ꢀ
神经网络算法
１．１ ＢＰ
ꢀ
神经网络具有信号前向传递和误差反向传播两个
ＢＰ
，
主要特点 它 是 一 种 基 于 误 差 反 向 传 递 算 法 训 练 的 多 层
（ 、 ，
输入层 隐 含 层 和 输 出 层 其 中 隐 含 层 通 常 有 一 个 或 多
， ） ，
个 各层由连接权重相连接 前馈神经网络 且同层神经元
， ，
之间无任何反馈连 接 仅 与 相 邻 层 的 神 经 元 有 连 接 每 一
。 ，
层神经元的状态影响仅延续到其下一层 前向传递时 输
， ，
入信号自输入层进 入 经 隐 含 层 处 理 后 到 达 输 出 层 其 拓
。
扑结构如图 所示
１
图
模拟退火遗传算法流程图
２
ꢀ
Ｆｉ ．２ Ｆｌｏｗｃｈａｒｔｏｆｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎ ａｎｄ ｅｎｅｔｉｃａｌｏｒｉｔｈｍ
ꢀ ꢀ ꢀ ꢀ ｇ ꢀｇ ꢀ ｇ
ꢀ
ｇ
ꢀ
图
神经网络结构图
１ ＢＰ
ꢀ
混合遗传算法优化
神经网络
Ｆｉ ．１ ＦｒａｍｅｃｈａｒｔｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ
ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
１．３
ＢＰ
ꢀ
模型首先 用
优 化
神 经 网 络 的 初 始 连 接 权
ＢＰ
ＳＡＧＡ
，
ＢＰ
从优化理论上来说
神经网络算法是一种梯度下降
、 ，
值 阀值 接着 再 沿 着 负 梯 度 方 向 进 行 适 时 修 正 来 训 练 网
， ，
算法 其学习率 就是梯度下降法的步长 它与网络误差函
η
，
络 期间利用模拟退火法对遗传算法中的适应度进行适当
［
］
３
。
１
，
数成正比 在实际应用中尚存在如下不足
，
拉伸克服种群过早收敛到局部最优的问题 主要步骤如下
。
（）
１ ＢＰ
神经网络训练过程中所采用的误差函 数是全
：
编码 现有 的染色 体编码 方式主要有 二进制
步骤
１
ꢀ
，
局搜索能力低下的单点搜索算法 训练从某一起始点开始
。 、
编码和浮点数编码两种方式 前者虽在算法执行交叉 变
。
沿梯度下降方向逐渐逼近误差最小值 当复杂网络误差函
，
异操作上具有简单易懂的优势 但由于编码方式所固有的
， ，
数为多维空间的曲面时 网络训练极易陷入局部极小值 传
（
， ）
Ｈａｍｍｉｎ ｃｌｉｆｆ ＨＣ
ｇ
ꢀ
，
悬崖
难 以 翻 越 在 解 决 多
Ｈａｍｍｉｎ
ｇ
。
统算法虽然做了一些局部改进但效果并不明显
、 。
维 高精度要求的连续函数优化问题时误差较大 后者则
（）
选取确定隐含层的层数以及各隐含层包含的神经
２
，
主要用于解决优化连续性参数问题 因不存在编码和解码
， ，
元个数目前尚无理论指导 而主要根据以往经验选取 网络
。
过程而具有较高的可行解精度和运行速率 本文在编码时
、 ，
因此具有较大的随机性 冗余性和盲目性 倘若经验不够全
，
采用后一种编码方式 即通过级联网络中各层神经元间的
， ，
面或有欠缺 既增加了网络学习的时间 也很容易使网络因
、 ，
权值 阈值来构建一个实数组 也即一条染色体
。
。
收敛速度慢而陷入瘫痪状态
：
适应度函数 评估一个
步骤
神经网络性能好坏
２
ꢀ
ＢＰ
（） 、 ，
网络的学习 记忆具有不稳定性 权值的学习结果
３
，
的标准 主要是看网络的实际输出值同期望值之间的误差
，
因网络初始结构参数的随机确定同样具有随机性 且新加
，
平方和大小 数值越小说明网络的实际输出越逼近期望目
。
入的样本会影响到已学完的样本
模拟退火遗传算法
１．２
ꢀ
， 。 ，
标 也就表明该神经网络性能越好 与此不同的是 遗传算
，
法主要依托适应度函数来评估染色体生存能力的大小 且
（
，
）
和模拟退火算法单独
ｅｎｅｔｉｃａｌｏｒｉｔｈｍ ＧＡ
ꢀｇ
遗传算法
ｇ
，
两者为正相关对应关系 即函数值越大说明染色体的生存
优化
神经网络时对避免陷入局部最优均能起到一定的作
ＢＰ
， 、
能力越高 故而选中其进行交叉 变异等遗传操作的机会也
，
用 但两者的策略却有所不同
：
ＳＡ
是通过赋予搜索过程一种
， ， 。
就越大 反之则说明染色体生存能力较弱 不易被选中 参
，
时变且终态趋于零的概率突跳性 而
则是利用概率意义
ＧＡ
、
神经网络满足训练误差要求的样本数目 平均误差及
。 “ ，
下的群体遗传操作来实现目的 按照 强强联合 优势互补
”
考
ＢＰ
，
，
最大误差等因素 再结合模拟退火算法定义适应度函数为
的思路
和
ＧＡ ＳＡ
一起使用将提高全局和局部意义下的搜
。
索效率 其基本思路是将
算法作为一个独立算子置于
ＳＡ
ｎ
１
１
·
·
·
ｃ
＋
３
ｃ
ｃ
＋
２
＝
ｆ
ｉ
１
（
１
（ ））
ｍａｘＥ
（ （ ））
１ ａｖ Ｅ
＋
Ｓ
＋
ｇ
， （
算法进化过程中 先通过对初始群体进行遗传操作 选
ＧＡ
（）
１
、 、 ） ，
择 交叉 变异等 来产生一组新的个体 而后再独立对每个
，
， ， （，）， ；
且三者之和为 为神经网络训
式中 系数
ｃ ｃ ｃ
∈
３
０１
１ｎ
１
２
，
新个体进行模拟退火降温操作并将结果作为下一代群体 如
；
练样本的个数 网络训练样本的误差公式为
（ ／ ），
－ Ｃ
ｇ
Ｅ ＝ｅｘ
ｇ
。
此反复迭代直至某个终止条件成立 模拟退火遗传算法流
ｐ
，
Ｃ
（
）；
为常数 其值由训练精度 所确定
Ｓ
为当前世代数
ｇ
。
程如图 所示
２
ε
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏5.00元 1天前
-
21ic小能手 打赏10.00元 1天前
-
21ic小能手 打赏5.00元 1天前
-
21ic小能手 打赏10.00元 1天前
资料：全差分运算跨导放大器设计
-
zhengdai 打赏1000.00元 3天前
资料：STM32IAP使用说明
-
gsy幸运 打赏955.00元 3天前
资料：STM32IAP使用说明
-
小猫做电路 打赏855.00元 3天前
资料：STM32IAP使用说明
-
21ic小能手 打赏310.00元 3天前
用户：zhengdai
-
21ic小能手 打赏320.00元 3天前
用户：liqiang9090
-
21ic小能手 打赏310.00元 3天前
用户：gsy幸运
-
21ic小能手 打赏270.00元 3天前
用户：jh03551
-
21ic小能手 打赏240.00元 3天前
用户：小猫做电路
-
21ic小能手 打赏210.00元 3天前
用户：w178191520
-
21ic小能手 打赏90.00元 3天前
用户：kkfjenui
-
21ic小能手 打赏60.00元 3天前
用户：liao6
-
21ic小能手 打赏60.00元 3天前
用户：w1966891335
-
21ic小能手 打赏90.00元 3天前
用户：jh0355
-
21ic小能手 打赏30.00元 3天前
用户：xuzhen1
-
21ic小能手 打赏30.00元 3天前
用户：sun2152
-
21ic小能手 打赏50.00元 3天前
用户：xzxbybd
-
21ic小能手 打赏50.00元 3天前
用户：mulanhk
-
21ic小能手 打赏20.00元 3天前
用户：x15580286248
-
21ic小能手 打赏15.00元 3天前
用户：w993263495
-
21ic小能手 打赏30.00元 3天前
用户：玉落彼岸
-
21ic小能手 打赏20.00元 3天前
用户：铁蛋锅
-
21ic小能手 打赏10.00元 3天前
用户：zmcch
-
21ic小能手 打赏10.00元 3天前
-
21ic下载 打赏1.00元 3天前
用户：zzcyolo
-
21ic下载 打赏1.00元 3天前
用户：玉落彼岸
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
sdqdjqk 打赏1.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
wisdomlin 打赏1.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
799902619 打赏1.00元 3天前
资料：新立新龙软件
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
全部评论(0)