深度学习基础上体系作战效能智能评估及优化分析.docx

深度学习基础上体系作战效能智能评估及优化分析武器装备体系(WeaponSystemofSystems,WSoS)是一个由多种武器装备系统组成的复杂分布式巨系统[1]，各系统之间呈松耦合关系、自主性较强[2]WSoS作战效能定义为给定条件下体系完成特定作战任务的有效程度的度量[3]对其进行准确评估是评价体系针对特定作战条件实现目标作战任务效果、检验和优选想定方案的重要手段[4]对装备系统作战效能进行评估，美国提出了ARINC(AeronauticalRadioInc.)、陆军的AAM(ArmyAviationMissile)、WSEIAC(WeaponSystemEffectivenessIndustryAdvisoryCommittee)等许多典型模型国内，一些大学和兵工单位大多综合采用如ADC(Availability、Dependability、Capacity)法[5]、指数法[6]和作战环评估方法[7]等模型驱动评估法[8]、专家评价法和层次分析法(AnalyticHierarchyProcess,AHP)等的经验驱动评估方法[9]和作战模拟驱动的仿真模拟评估方法[10]，结合定性定量的指标处理方法，开展多种效能的综合评估计算。

WSoS使命任务、子模型复杂多样，影响因素众多，模型驱动、经验驱动的效能评估方法用于WSoS作战效能评估(WSoSOperationalEffectivenessEvaluation,WSOEE)时存在许多局限性[11,12,13,14,15]在模型、数据较为充分的情况下，仿真模拟效能评估方法能够引入作战环境的影响，更清楚地描述体系各组分间的关系，适用于WSOEE，但是该方法流程缺乏智能性、耗费时间长深度学习不需要人工设计特征提取器，能够自动进行最优特征的提取，对特征具有更强的抽象、学习能力{想定参数，作战效能}样本数据较多时，采用深度学习能够基于输入的想定参数直接得到效能评估结论，加快评估的速度国防科学技术大学、大连海事大学等采用深度信念网络(DeepBeliefNetwork,DBN)[16,17]、深度自编码回归模型[17]，对体系弹道导弹的突防效能、轮机实操效果实现了预测，预测误差较小防化研究院提出了使用全连接深度神经网络(DeepNeuralNetwork,DNN)[18]进行WSOEE的架构针对深度学习参数选取难的问题，有研究试验了不同隐层数、不同神经元数下DNN[19]、DBN[20]的回归预测效果。

根据测试结果猜想模型隐层数不宜较多，但其没有给出一个模型参数选择的指导原则，亦没有考虑样本量的影响因此，更多深度学习模型在WSOEE问题上的应用还需要更为深入的研究进一步考虑WSoS作战效能的有效优化问题，对效能优化通常是采用直接计算、索博尔(Sobol)指数法[21]、克里金(Kriging)模型构建法等一些敏感性分析方法，存在着优化结果不能定量、对复杂问题可信度不高甚至无法拟合、缺乏智能性等一些问题因此，针对传统仿真模拟评估方法开展WSOEE存在的问题以及现有效能优化方法存在的局限性，本文探索采用深度学习进行WSOEE的模型隐层数及样本量的适用指导规律、以及单个和多个效能指标的智能优化问题1、常规基于仿真的WSOEE1.1常规WSOEE流程常规基于仿真的WSOEE流程如图1所示图1常规WSOEE流程该流程包括以下步骤：step1：利用试验设计(DesignofExperiments,DOE)方法生成一定数目具有代表性的体系想定参数取值组合样本；step2：按照样本中参数取值编辑想定方案，运行体系作战仿真系统，得到的多个仿真数据文件存于数据库中；step3：解析仿真数据；step4：从解析数据中确定效能评估模型所需输入参数数据取值，计算单个效能评估值；step5：重复step4，求得多个作战效能的评估值，若需要可进一步利用综合评估方法对多个单效能进行综合评估，得到总体的WSOEE值。

能够看到，此流程本身很复杂，尤其是仿真子模型、仿真系统模型和评估模型的构建，其间还涉及大量仿真数据的生成、存储及解析工作随着现代武器装备的多样化、复杂化以及战场对抗的复杂化、不确定性增加，此过程更加复杂、求解时间更加漫长1.2想定参数和作战效能取值特点WSoS作战仿真初始的想定参数可包括参与仿真的兵力类型、数量、携带弹药等兵力装备参数，大气条件、降雨、可见度、自然光照、环境风等作战环境参数，参战单位在编队中是否独立机动、上级编队接受指控命令的次序、观测器和武器装备的初始朝向、编队类型、航路点、队形、间距、初始位置等兵力部署和指控参数想定参数的取值属性分为2种情况：(1)数值型取值，如飞机的飞行高度，当这类参数的离散取值间隔很小时，可以认为是连续取值；(2)枚举型取值，如飞机机型取值J-10A,J-10B两种情况要评估的作战效能为连续数值型，如“舰艇拦截导弹的概率”指标可取为[0.0,1.0]范围内的任一数值2、基于深度学习的回归预测采用全连接DNN模型构建适用于WSOEE的预测模型在多个包含高维特征、不同目标变量的类似WSOEE数据集上进行预测实验，分析该模型在这类问题上适合的样本量、模型隐层数规律，为基于深度回归模型的WSOEE提供模型隐层数选择和样本量选择上的指导。

2.1深度回归模型构建一般情况下深度学习的样本量较大假设WSOEE样本数据包含n个样本、m个想定参数、M个待预测的作战效能，为提高模型的学习效率，本文采用批处理方式进行模型的训练记每批参与训练的样本数为batch＿size，全样本训练完记为一个epoch采用全连接DNN模型构建适合于WSOEE的回归模型，模型结构如图2所示输入层的神经元个数为m隐层有多个，越靠近输入层的隐层其神经元个数较多，反之较少模型输出层不加激活函数，输出层神经元数为待预测的作战效能数目M图2全连接DNN回归模型结构模型每次训练时将batch＿size个样本依次输入到模型中，进行n/batch＿size次训练后完成一个epoch，直至满足结束条件模型训练结束，最后输入测试样本得到对应M个作战效能的预测值2.2深度回归预测DTLZ系列函数[22,23]为典型的高度非线性多目标优化测试函数，其自变量和目标变量取值分别为离散数值型和连续数值型本文选取其中的DTLZ1函数，自定义因子个数m、目标变量个数M分别取为30,50和100三种情况和3,5和10三种情况，DOE后得到样本数n为1000,5000,10000,20000的36个不同的样本数据集。

基于该函数进行测试分析可用于参考并建立效能预测网络结构初始化图2所示全连接DNN回归模型，对该模型隐层数为1～10的10种结构进行试验，分析不同隐层结构下模型取得的回归预测决定系数(R-Squared,R2)指标值，研究模型隐层数和样本量大小对该模型回归预测效果的影响，R2的计算公式如下：式中：为第i个样本点；yi为在点处的实际输出值；为对应yi的拟合值；为所有yi的平均值，R2值越大表示取得的回归预测效果越好隐层神经元数目采用常规做法，第一个隐层的神经元个数为1024，后续隐层的神经元个数依次呈比例2递减，每个隐层的神经元个数最少为32模型激活函数均选用ReLU函数，初始化epoch为300,batch＿size为100不同m,M取值组合下每个样本量n对应9个DTLZ1样本数据集，10种不同隐层数的该模型在同一n取值下的9个样本数据集上取得的R2值如图3所示能够看到，本质上m,M决定了预测问题的复杂度高质量、足够数目的样本有利于取得较好的预测效果，当隐层数一定时，较多的n能够提升R2值，即网络预测能力n一定时，m,M越多，一般需要更多隐层，能够更准确地反映输入、输出的关系，但隐层较多时学习也易于过拟合，因此需要根据问题情况选择合适的网络结构。

从图3中可以看出m,M相同n一定时，隐层数从1～10增加过程中R2取值先增大、后明显减小，说明隐层较多时出现了过拟合现象图310种隐层结构的全连接DNN对4种样本量的9个回归问题的预测效果因此，在一个DTLZ1样本数据上，该模型取得的最好预测效果跟模型隐层数、样本量n均有很大关系，如表1所示能够看到，并不是模型隐层数越多相应的预测效果越好，另一方面，在条件允许情况下更多有代表性的样本数据通常有助于提高模型的预测效果，n较大时，隐层无需太多也能有好的训练效果表1最大R2、所需样本量(n)和模型隐层数该模型在不同DTLZ1样本数据上取得最大R2值的训练所用时间如表2所示，这里仅列出n为1000,5000的情况本文所有试验均在Intel(R)Core(TM)i7-3770CPU@3.40GHzPC机上进行表2DNN模型训练时间能够看出，M和m对该模型训练效率的影响较小，而n的影响较大总体来讲该模型训练时间较短，如n为5000,m为50,M为5时训练用时5min左右因此，深度回归模型虽然有较多的调试参数，但在WSOEE这类问题上，针对于不同数目的目标变量预测，通过改变模型隐层数和样本量大小，模型在其隐层数不超过10时能够取得较好的预测效果且用时较少。

根据结果分析，预测网络的样本数n和隐层数可遵循表3所示的量化原则进行选择表3不同M下n和隐层数的关系3、单/多作战效能的智能优化3.1单作战效能优化基于进化策略对体系单作战效能指标取值进行优化，将全连接DNN回归模型对单作战效能的预测值作为优化目标值，设置一定的约束条件，经过多次进化迭代寻优，达到终止条件时的想定参数取值组合即是最优解，此时的效能预测值为作战效能最优值，优化流程如图4所示图4基于进化策略的单作战效能优化流程具体步骤为：step1：首先初始化各想定参数的取值范围、种群规模、最大迭代次数、迭代误差阈值、交叉概率和变异概率；step2：实数编码染色体，初始化种群，根据想定参数间的约束关系及作战效能的取值约束设置约束条件，每个个体表示想定参数取值组合的一种情况；step3：调用全连接DNN回归模型预测每个个体对应的作战效能取值，取值越优表示该个体越优；step4：判断是否满足迭代误差阈值、最大迭代次数等终止条件，如否执行step5；如是执行step6;step5：执行进化寻优生成新的种群，循环迭代返回执行step3，迭代次数加1;step6：得到作战效能指标最优时的想定参数取值组合。

依据2.2小节，在WSOEE这类预测问题上，当样本量n在不大于5000、目标变量数目M为3时，2～6隐层数目的全连接DNN能取得较好的预测效果本节选用2层全连接DNN回归模型为预测模型，在应用于仿真系统之前，先基于典型数据集测试该优化流程的优化性能以UCI数据集中的Boston和ComuniCrime[24]2个回归数据集为例，按照图4优化流程结合实数编码的遗传算法(GeneticAlgorithm,GA)分别对这2个数据集目标变量取值进行最优化2个数据集的具体信息如表4所示，类似效能预测问题，其特征均为枚举型和数值型取值的变量原始Boston数据集和ComuniCrime数据集中目标变量的取值范围分别为[5.0,50.0]和[0.0,1.0]表4数据集信息为验证本方法优化能力，将Boston数据集的优化目标设定为取最小值，ComuniCrime数据集的优化目标设定为取最大值种群大小取40，最大迭代次数为100次，迭代误差阈值取0.05，优化取值结果及优化结果收敛所用时间如表5所示能够看到，全连接DNN模型对两数据集特征变量和目标变量间的关系均进行了有效拟合，采用该优化方法得到的目标变量最大和最小取值等于原始数据集中的值，且所用优化时间较少。

表5基于GA的单目标变量优化结果3.2多作战效能。