一种基于神经网络增强NSGA-II的声学传感器阵列优化方法与流程
本发明涉及水声工程、水声探测,具体为一种基于神经网络增强nsga-ii的声学传感器阵列优化方法。
背景技术:
1、声学传感器是水下监测体系的重要组成部分,其探测效能高度依赖于布放阵位的选择,传统的阵位选择方法主要依赖于历史经验、海图资料和有限的现场水文调查,存在以下问题:一是阵位一旦选定即固定不变,无法适应海洋环境的时空变化特性,导致声学传感器在不同季节、不同区域、甚至一天当中不同时段波动剧烈,在某些时段出现性能盲区;二是依赖专家经验,缺乏对广阔候选海域执行全面、定量的声学性能评估,难以找到全局最优阵位,更无法优化多个声学传感器组成的阵列;三是决策过程繁琐,需要人工分析大量零散的环境数据,无法快速响应新的任务需求或环境突变。
2、目前,水下声学传感器布阵规划的研究往往局限于特定条件下的理论计算,基于不同海域、季节、阵型等参数组合下的预计算数据,静态地分析某种特定条件下的传感器网络监测性能,面对时空变复杂海洋环境缺乏适应能力;传统的nsga-ii具备优秀的pareto前沿搜索能力和良好的收敛性,但每次迭代都需要对大量种群个体执行精确性能评估,比如调用复杂的水声传播模型或仿真,计算量巨大,并且标准算法在复杂约束下的探测与开发能力有限,易陷于局部pareto前沿;神经网络具有强大的非线性拟合和模式识别能力,但在多目标优化中直接生成满足约束的优质解集较为困难。
3、综上所述,传统nsga-ii在面向动态海洋环境和复杂工程约束的声学传感器阵列优化时,存在计算代价高、环境适应性不足和搜索效率受限等问题,为此,本发明引入神经网络作为nsga-ii的智能增强模块,从初始化、评估和遗传操作三个环节对传统进化流程进行协同增强,形成数据驱动与规则进化相结合的闭环优化方法。
技术实现思路
1、为实现以上目的,本发明通过以下技术方案予以实现:
2、一种基于神经网络增强nsga-ii的声学传感器阵列优化方法,包括以下步骤:
3、获取目标海域在未来特定时间段内的多源海洋环境数据和传感器阵列参数,对数据进行统一坐标、统一网格、统一时间步长和归一化处理,建立与优化任务对应的环境场;基于环境场分别训练用于阵位性能快速评估的代理评估网络、用于生成优质初始阵位的解生成网络以及用于指导交叉和变异操作的策略生成网络;
4、采用解生成网络执行智能种群初始化,并在每一代迭代中采用代理评估网络与高保真仿真器相结合的混合精度并行评估策略获得个体目标函数值,采用策略生成网络输出交叉掩码概率、变异调整向量和自适应方差系数以实现有向遗传进化,经过多代非支配排序、拥挤度计算和精英选择,直至满足收敛条件或最大迭代次数;
5、实时收集迭代过程中由高保真仿真器产生的阵位—精确性能数据,当新增数据量达到预设阈值,或代理评估网络的预测误差、预测不确定性超过预设范围时,使用新增数据对代理评估网络和策略生成网络执行轻量级微调;
6、输出迭代终止后的最优非支配解集,结合覆盖范围、平均探测概率、阵位可布放性、通信保障和工程约束等实时任务需求,从最优非支配解集中选择适配的阵位部署方案并完成工程化布放。
7、优选的,多源海洋环境数据包括海洋水文预报数据、环境噪声数据、海底地理信息数据和传感器阵列参数,海洋水文预报数据包括通过hycom、roms数值预报模型采集的涵盖海水温度、盐度、声速、深度的三维网格化数据,通过克里金插值或双线性插值,统一至标准化三维网格并设定时间步长,环境噪声数据的来源包括ais数据、历史海洋环境噪声数据库和风成噪声模型,将海面风速与风成噪声级计算相结合,运用叠加公式得出总噪声谱级;海底地理信息数据涵盖对全球海洋水深测深数据中心地形数据以及海底底质分类图的整合,并构建底质类型与海底反射损失、沉积层声速和衰减系数的查找表;将传感器的三维空间坐标及附件属性构建为阵位矩阵,将坐标归一化至区间。
8、优选的,运用能量叠加公式得出总噪声谱级包括:
9、分析ais数据提供的船舶密度、类型和速度信息,得到航运噪声级,计算方法为:
10、;
11、式中,为航运噪声级,f为频率,r为船舶或航道至接收点的参考距离,den为单位面积或单位航道长度内的船舶密度,、、k均为根据船型、航速、海况和海域统计数据标定的经验系数;
12、依据海面风速信息,可获得风成噪声级,计算方法为:
13、;
14、式中,为风成噪声级,f为频率,w为海面风速;所述风成噪声谱级用于表征风浪引起的海面散射和破碎波噪声对接收端背景噪声的贡献;
15、基于各噪声分量,按声压谱级对应能量进行叠加,获取总噪声谱级;
16、;
17、式中,为总噪声谱级,除航运噪声和风成噪声外,还可根据目标海域情况加入降雨噪声、海洋生物噪声、平台自噪声或其他可测背景噪声分量,并通过相同的能量叠加方式得到总噪声谱级。
18、优选的,基于环境场分别训练实现阵位性能快速评估的代理评估网络包括:
19、基于卷积神经网络架构执行代理评估网络的训练,将代理评估网络记为,其中x为阵位矩阵,e为与阵位对应的局部环境场特征,为代理评估网络参数,使其能够近似由高保真水声仿真器给出的阵位性能映射,即
20、;
21、定义损失函数,计算方式如下
22、;
23、式中,为代理评估网络的训练损失,为代理评估网络的参数,包括权重和偏置,为训练集样本数量;为第i个样本的阵位矩阵;为第i个样本对应的环境场特征;为第i个样本经高保真仿真获得的的真实性能向量,所述真实性能向量包括有效覆盖面积、区域覆盖率、平均探测概率、冗余覆盖度或工程可布放性指标中的至少一种;为代理评估网络对第i个样本的预测性能向量;为l2范数的平方,即欧氏距离的平方,用于衡量预测误差;为正则化系数;为正则化项。
24、优选的,基于环境场分别训练实现生成优质初始阵位的解生成网络包括:
25、通过声纳方程计算信噪比,定义有效覆盖面积/区域覆盖率、平均探测概率、探测范围等值线为阵位性能评价指标;
26、收集由高保真仿真或历史项目产生的优质阵位方案及其性能评估结果,构成数据集,为每个样本构建一个条件向量,将阵位坐标矩阵规范化后,与条件向量配对,作为训练样本;
27、选择条件变分自编码器执行条件生成模型的训练,cvae由编码器、解码器和潜在空间构成,条件生成模型记为,根据给定的性能偏好或者约束c,生成符合条件的潜在优质阵位,cvae通过学习一个潜变量的条件分布,产生多样且可控的输出。编码器将真实阵位和条件编码为潜变量的后验分布,解码器从潜变量和条件中重建阵位;
28、选择训练目标,首先采用证据下界损失定义损失函数,计算方式如下:
29、;
30、式中,为条件变分自编码器的总损失;为解码器参数;为编码器参数;为真实传感器阵位矩阵;为性能偏好或工程约束条件向量;z为潜变量;为编码器输出的后验分布;为解码器输出的条件重构分布;为潜变量先验分布,为控制正则化强度的超参数,为kl散度,用于衡量两个分布的差异;整体上,第一项为重构损失,用于保证生成的阵位在给定和条件下接近真实优质阵位,第二项为kl散度项,用于约束潜变量分布接近先验分布;
31、随机初始化参数,使用梯度下降法在数据集d上最小化总损失,直至收敛。
32、优选的,基于环境场分别训练实现生成指导智能遗传操作的策略生成网络包括:构建示范数据集;设计以阵位方案、种群统计量和环境上下文为状态、以交叉掩码和变异扰动为动作的交互式仿真环境;设计编码器、状态融合器和双分支策略头;使用示范数据集执行监督式预训练;将预训练网络接入所述交互式仿真环境,采用近端策略优化的裁剪目标函数最大化累积奖励,加入模仿损失作为正则项,实现分阶段混合训练。
33、优选的,采用解生成网络执行智能种群初始化后执行混合精度并行评估策略,具体包括在每一代评估时,采用动态调度机制,大部分个体由代理评估网络执行快速评估;同时,选取小部分个体和随机抽样个体,提交给高保真仿真器执行评估。
34、优选的,第g代种群中的每个个体,其被分配使用高保真仿真的概率由以下规则动态决定:
35、;
36、式中,为第i个个体被分配使用高保真仿真器进行评估的概率,为指示函数,当第i个个体基于上一代表现的非支配排序等级优于或等于前名时取1,否则取0;为精英比例,n为种群规模;为第i个个体在决策空间中的拥挤度或与其他个体的最小距离,并归一化至区间,用于鼓励对稀疏区域的探索;为代理评估网络在当前第g代种群附近的平均预测不确定性;为权重系数,用于控制精英优先、多样性探索和不确定性校正三方面因素的相对重要性;根据,以轮盘赌或直接阈值法决定每个个体的评估路径,评估完成后所有个体获得其目标函数值向量。
37、优选的,多代迭代筛选种群至满足收敛或迭代次数终止条件时需要环境选择环节,环境选择环节操作对象是经过混合评估的种群及其子代,主要流程如下:
38、合并:,即为合并后的候选种群;
39、非支配排序:将合并候选种群中的所有解按pareto支配关系分层;
40、拥挤度计算:在同一非支配层中,计算每个解在目标空间中的拥挤距离,以衡量解的分布密度;精英选择:按照非支配层从优到劣,并兼顾层内拥挤度从大到小,选择前个个体组成新一代种群,其中n为预设种群规模。
41、优选的,采用策略生成网络实现有向遗传进化包括:向策略生成网络中输入父代基因片段、局部环境上下文、全局优化状态和进化阶段信息;双分支策略头中交叉策略头输出交叉掩码概率向量,对每个传感器维度,按概率执行标准二进制交叉或直接继承父代值;变异策略头输出变异调整向量与自适应方差系数,执行带偏向的变异操作。
42、本发明提供了一种基于神经网络增强nsga-ii的声学传感器阵列优化方法,具备以下有益效果:
43、本发明通过代理评估网络替代大批量的高保真仿真调用,大幅提升了单次优化任务的总计算效率,实现了计算成本的数量级下降,使实时、在线的阵位优化与重配置成为可能;智能初始化提供了高起点,加速前期收敛,使算法更快逼近全局pareto前沿;神经网络指导的遗传算子提高了可行解与优质解的产生概率,增强了算法在复杂约束空间中的搜索能力,从而获得分布性更好、收敛性更优的最终解集。
44、本发明独特的在线学习机制使系统不再是静态的优化工具,而是一个能够从每次优化任务中学习经验、持续自我改进的智能体,当应用于不同海域或新型传感器时,能够快速适应,表现出强大的泛化能力和鲁棒性。
45、本发明形成了从数据准备、模型训练到优化部署的完整闭环方案,兼容现有的高保真仿真工具,不要求替换底层物理模型,易于集成到现有的水下系统设计流程中,具有很高的工程化落地潜力。
46、本发明对于生成网络和策略网络在优化过程中学习到的知识,可以反馈给设计人员,增强对复杂优化问题本身的理解,为方案决策提供更深层次的洞察。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com