一种基于DGWO-SVM的气象环境下武器作战效能评估方法与流程

一种基于dgwo-svm的气象环境下武器作战效能评估方法
技术领域
1.本发明涉及计算机、气象环境下武器作战效能评估技术领域，特别是一种基于dgwo-svm的气象环境下武器作战效能评估方法。


背景技术：

2.随着军事化建设的不断发展，对于如何能衡量武器装备自身的作战效能已经成为一项十分重要的研究课题。参战力量多、信息化程度高、战场不确定因素的增加是现代战争的特点，作战效能则是衡量部队战斗人员及其武器装备系统在作战中能否取得胜利的重要指标。武器作战效能评估就是采用一定方法对武器完成特定任务的有效程度进行度量，通过评估可以优化武器装备配置比例，为制定合理的作战计划提供依据。而在实际环境中，武器装备所使用的气象环境较为复杂，且作战性能受各种气象要素的影响显著。因此对其进行作战效能评估在军事辅助决策应用中具有重要的意义。目前国内外常用的武器装备作战效能评估的方法有许多。例如专家评定法、层次分析法、解析评估法、参数评估法及试验统计评估法等。其中专家评定法以及层次分析法等方法在当前研究中十分广泛，但是该方法对专家的经验依赖较多，受主观因素影响较大，且难以对武器装备及其影响的要素之间进行非线性关系描述(zhang f,hou k h,zhu x y,et al.the effect study of a mine land reclamation based on the method of fuzzy comprehensive evaluation analysis[j].applied mechanics and materials,2015,3843.)。解析评估法中应用最广泛的是adc模型，但使用该模型时，对于能力矩阵的求取较为困难(黄炎焱.武器装备作战效能稳健评估方法及其支撑技术研究[d].长沙:国防科学技术大学,2006.)。指数法是典型的参数评估方法，可以避免大量不确定的因素，但是指数法中系数不易被确定，常需要借助层次分析法等专家评估法辅助求取(刘继恒,徐勇,刘晓俊,方敏,王琪薇,王早霞,杨夕缘.基于指数法评价中部某城市健康城市建设状况[j].公共卫生与预防医学,2020,31(04):41-44.)。试验统计法通过收集武器装备的性能特征数据来进行效能评定，但是该方法需要有大量的试验结果作为支撑，因此会受到试验条件及资金等因素的影响(王文川,雷冠军,刘宽.模糊加权优化适线法的改进及统计特征分析[j].水文,2017,37(05):1-7.)。
[0003]
以上方法均为传统的武器装备作战效能评估方法，对于气象环境影响下的武器装备作战效能评估问题，通过建立非线性评估模型来求解具有可信度高、成本低、耗时短等优势，目前已有一些专家和学者从这个角度对该问题进行了探讨。gao k与zhang y等人给出了一种基于bp神经网络的武器作战效能评估模型，但该模型容易陷入局部极小值，同时对于小样本问题，模型的评估精度难以令人满意(gao k,zhang y,shao x g,et al.psf estimation for defocus blurred image based on quantum backpropagation neural network[j].proc.of spie vol.7850,2011(12).)。程恺与车先明等人基于ε－支持向量回归机建立了部队作战效能评估模型，通过作战仿真数据论证了该模型在处理部队作战效能评估问题中的有效性(程恺,车先明,张宏军,张睿,单黎黎.基于支持向量机的部队作战效能评估[j].系统工程与电子技术,2011,33(05):1055-1058.)。江萧君与李为民等人基于参
数优化的svm进行了海洋环境影响下武器装备作战性能的研究，相较于神经网络，该模型能够较好地处理小样本的问题，但若样本中存在噪声和野值点，容易降低模型的泛化性能(江萧君,李为民,肖金科.基于参数优化的svm联合作战战场建设方案优选[j].火力与指挥控制,2017,42(07):110-113 123.)。张金霜、梁树杰等人提出了基于gwo优化支持向量机参数的方法，该方法适应能力强，优化效率较高，但是存在开发阶段容易停滞，后期收敛速度会变慢等缺点(张金霜,梁树杰,左敬龙.基于gwo-svm算法的物联网入侵检测研究[j].信息技术与网络安全,2020,39(10):44-48.)。


技术实现要素：

[0004]
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于dgwo-svm的气象环境下武器作战效能评估方法，首先提出了影响武器作战效能的气象环境因素，其次构建武器作战效能评估模型，将支持向量机应用于作战效能评估中，再用强化首领决策能力的灰狼优化算法进行求解，对惩罚因子以及核函数参数进行优化选取，从而提升武器作战效能评估精确性，有效解决了评估过程中对人为因素的依赖，具有较高的客观性。
[0005]
本发明为解决上述技术问题采用以下技术方案：
[0006]
根据本发明提出的一种基于dgwo-svm的气象环境下武器作战效能评估方法，包括以下步骤：
[0007]
步骤1、获取影响武器作战效能的气象环境因素；
[0008]
步骤2、将影响武器作战效能的气象环境因素作为武器作战效能评估模型输入，武器作战效能评估值作为武器作战效能评估模型输出，构建武器作战效能评估模型；
[0009]
步骤3、将采用径向基核函数的支持向量机svm应用于武器作战效能评估模型；
[0010]
步骤4、运用强化首领决策能力的灰狼优化算法dgwo，对采用径向基核函数的支持向量机中惩罚因子以及核函数参数进行优化选取；
[0011]
步骤5、将最优的惩罚因子以及核函数参数运用于武器作战效能评估模型中，获得最优武器作战效能评估结果。
[0012]
作为本发明所述的一种基于dgwo-svm的气象环境下武器作战效能评估方法进一步优化方案，步骤2具体如下：
[0013]
建立武器装备在气象环境影响下的作战效能评估模型，将影响武器作战效能的气象环境要素作为评估模型的输入x，x＝[x
(1)
,x
(2)
,
…
x
(s)
,
…
,x
(n)
]，s∈[1,n]，n为影响武器作战效能的气象环境要素的总数，x
(s)
为影响武器作战效能的第s个气象环境要素；将该武器作战效能作为评估模型的输出，用y∈[0,1]表示；
[0014]
设已知武器作战效能评估模型的训练样本集{(xi,yi),i＝1,2,
…
,l}，l为训练样本集中训练样本总数；其中xi＝x∈r，xi为第i个输入训练样本数，即武器作战效能评估模型的输入指标向量；yi＝y∈r，yi为第i个输出训练样本数，即武器作战效能评估模型的输出指标向量，r为实数集；
[0015]
对训练样本集中的训练样本进行归一化处理，通过对训练样本集中的归一化处理后的训练样本的学习来建立影响武器作战效能的气象环境要素与武器作战效能之间的非线性映射，构成武器作战效能评估模型，进而利用该模型对武器作战效能进行评估。
[0016]
作为本发明所述的一种基于dgwo-svm的气象环境下武器作战效能评估方法进一
步优化方案，武器作战效能评估模型为
[0017][0018]
其中，xi为训练时样本的武器作战效能评估模型的输入指标向量；xj为预测时的武器作战效能输入指标向量；f(x)为武器作战效能评估模型的输出，即为作战效能评估值，αi为拉格朗日乘子，λ为径向基核函数中的参数，λ》0，b是偏置量。
[0019]
作为本发明所述的一种基于dgwo-svm的气象环境下武器作战效能评估方法进一步优化方案，步骤4具体如下：
[0020]
将惩罚因子c以及径向基核函数中的参数λ设定为灰狼个体的位置向量，具体步骤如下：
[0021]
(1)初始化第e个狼群xe，e＝1,2,
…
,n,n为狼群总数，初始化a和其中其中是系数向量，a为参数，确定最大迭代次数t，初始化迭代次数为t；
[0022]
(2)搜寻猎物，并进行包围，狼与猎物之间的距离为：
[0023][0024][0025]
其中表示当前迭代次数为t时猎物的位置，表示当前迭代次数为t时狼的位置，是系数向量，是[0,1]范围内的随机数；
[0026]
对猎物进行包围，包围猎物的数学模型为：
[0027][0028][0029][0030]
其中为当前迭代次数为t 1时狼的位置，的值是[0,1]范围内的随机数，a为参数，从2线性衰减到0，t为当前迭代次数，t为最大迭代次数；
[0031]
(3)追捕猎物，计算狼群适应度，将适应度进行排序，选出适应度最好的三只狼定为α狼，β狼和δ狼，其余定为ω狼；
[0032][0033][0034][0035][0036][0037]
[0038][0039]
其中和分别代表α狼，β狼和δ狼在追捕猎物空间中的位置；为α狼与猎物间的距离，为β狼与猎物间的距离，为δ狼与猎物间的距离；为当前α狼的位置，为当前β狼的位置，为当前δ狼的位置；为α狼的系数向量，为β狼的系数向量，为δ狼的系数向量；为当前α狼追捕下猎物的位置，为当前β狼追捕下猎物的位置，为当前δ狼追捕下猎物的位置；为α狼的系数向量，为当前β狼的位置，为δ狼的系数向量，代表ω狼更新后的位置；
[0040]
(4)ω狼根据α狼，β狼和δ狼的位置来更新自己的纬度值其中代表第j个ω狼的第e维度值；
[0041]
(5)将α狼，β狼和δ狼的纬度值x
α
，x
β
和x
δ
赋予向量j
α
，j
β
和j
δ
；
[0042]jα
＝x
α
,j
β
＝x
β
,j
δ
＝x
δ
[0043]
(6)根据ω狼反馈回来纬度值更新j
α
，j
β
和j
δ
对应的纬度值；
[0044]
(7)判断j
α
、j
β
和j
δ
的适应度是否优于x
α
，x
β
和x
δ
，若优于则将j
α
，j
β
和j
δ
的空间位置赋予x
α
、x
β
和x
δ
；若不优于则x
α
、x
β
和x
δ
位置不变；
[0045]
(8)更新参数a和
[0046]
(9)当前迭代次数是否达到最大迭代次数，若达到则输出α狼的位置x
α
；若未到达则跳到(2)，此时迭代次数为t＝t 1。
[0047]
作为本发明所述的一种基于dgwo-svm的气象环境下武器作战效能评估方法进一步优化方案，(6)具体如下：
[0048]jα
，j
β
和j
δ
各个维度的更新方法：
[0049][0050]
其中，分别为j
α
，j
β
和j
δ
的第e维度。
[0051]
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0052]
(1)首先提出了影响武器作战效能的气象环境因素，构建了气象环境下武器作战效能评估模型，并且运用武器评估效能表来评价不同环境影响下的武器决策建议，直观形象，易于理解，再利用强化首领决策能力的灰狼优化算法，对支持向量机中的核函数以及惩罚因子进行了参数优化选取，降低了评估过程中对人为因素的依赖，提高了参数优化精确度，很好地解决了主观因素的影响、对数据需求量过大以及评估过程中精确度不高的问题；
[0053]
(2)本发明与其他评估方法进行对比，实验结果表明本发明提出的模型具有更高的精度，在武器作战效能评估中具有更高的精确性与稳定性；
[0054]
(3)本发明还能用于评估其他环境影响下的武器作战效能评估，解决了在气象环境影响条件下的武器作战效能评估中的评估难题。
附图说明
[0055]
图1是基于dgwo-svm的气象环境下武器作战效能评估方法流程图；
[0056]
图2是武器效能评估结果对比仿真图。
具体实施方式
[0057]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
[0058]
采用径向基核函数来对svm评估模型进行评估，需要对惩罚因子c以及径向基核函数中的参数λ进行不断优化的更新，最终得到最好的取值。本次参数优化选用强化首领决策能力的灰狼优化算法(dgwo)来优化最佳的参数c和λ。其次再选取令模型中的评估效能值与真实效能值之间的相关系数r2最大的参数对(c*与λ*)来作为最佳参数。
[0059][0060]
图1描述了本发明提出的强化首领决策能力的灰狼优化算法优化支持向量机的气象环境下武器作战效能评估方法总流程图。包括以下步骤：
[0061]
step1:初始化dgwo的参数，对数据进行归一化处理；
[0062]
step2:将svm的惩罚因子c以及核函数的参数λ用来作为狼群位置的参数坐标，初始化狼群xe(e＝1,2,
…
,n),并求解出狼群的适应度，把适应度最好的三只狼定义为x
α
，x
β
和x
δ
；
[0063]
step3:狼群中的ω狼会根据xα，x
β
和x
δ
来更新它们的位置，再将α狼，β狼和δ狼的空间位置x
α
，x
β
和xδ赋予给向量j
α
，j
β
和j
δ
；
[0064]
step4:根据ω狼反馈回来的维度值更新j
α
，j
β
和j
δ
所对应的纬度值，进而判断j
α
，j
β
和j
δ
的适应度是否优于x
α
，x
β
和x
δ
，若优于则将j
α
，j
β
和j
δ
的空间位置赋予x
α
，x
β
和x
δ
；若不优于则x
α
，x
β
和x
δ
位置不变；
[0065]
step5:更新优化参数，寻找狼群最佳位置，如果不满足，则返回step2继续进行更新迭代，如果满足，则找出迭代优化的最佳惩罚因子c和核函数参数λ；
[0066]
step6:重新建立svm新的最优模型，并预测测试样本从而计算测量值，并与其他方法进行对比。
[0067]
本发明首先提出了影响武器效能的主要气象环境因素。
[0068]
1)影响导弹性能的要素分析
[0069]
导弹是一种十分重要的火力武器，在武器行列中有着举足轻重的作用。大气压、雷暴以及大风等恶劣天气对导弹的发射效能影响十分巨大。且发生雷暴时，温度与大气压均会瞬间产生强烈变化，当空气密度过高时，空气对于导弹的阻力也会加大，从而造成导弹速度变缓，射程随之变小；而当空气密度过低时，又会产生反作用。因此气象条件对于导弹性能的发挥具有不可忽视的影响。
[0070]
2)影响地面武器装备的要素分析
[0071]
地面武器的机动能力受大风影响十分明显，特别是大型号的武器装备，由于占地面积大，所承受的风力也更加显著，在狂风天气下，武器的稳定性能也会大大降低，从而造
成非必要事故的发生；大雾天气会使能见度变小，更容易造成事故的发生，不利于武器的机动，严重时对通信信号都会产生影响；暴雪暴雨等恶劣天气会严重影响武器间电磁波传播效率，从而无法准确定位所需要的目标方位。
[0072]
3)影响火炮射击的要素分析
[0073]
火炮在进行攻击时主要由三个条件构成，分别为瞄准角度、攻击目标的距离以及所攻击的准确方位。但是在浓雾气象环境下，由于能见度降低，因而无法准确估计所需要攻击目标的距离；而大风的出现将会使火炮所定位的攻击方位不准确。气象条件对火炮发射的影响主要体现在火炮的瞄准精度上，当大风天气出现时由于机身的剧烈摇晃，导致火炮系统性能控制大大减弱；攻击目标的确定在能见度过低时很难做到，致使攻击方位不准确，从而使火炮性能大大降低。
[0074]
进而为了准确评估气象条件对于武器效能产生的影响，首先定义一个风险评估程度，用来测量气象环境对武器进行作业的过程中所产生的危险程度，当气象环境条件恶劣时将会造成武器失灵、人员伤亡，从而导致最终的作战任务失败等。这里定义气象环境条件下的武器效能的取值为0～1，不同效能对武器作战的影响程度如表1所示。0表示无任何的风险，即当前的气象环境条件不会对武器作战行动造成不利影响；1为最高风险，表示当前的气象环境条件可能导致军事行动的失利。表1为武器效能对照表。
[0075]
表1武器效能对照表
[0076][0077]
采用支持向量机构建评估模型如下：根据影响武器装备作战效能的气象环境要素，将武器效能的评估指标来作为评估模型的输入变量，评估模型的输出变量为武器装备的作战效能。通过对训练样本的学习来建立评估指标与武器装备作战效能之间的非线性映射，即为该武器的作战效能评估模型，进而利用该模型对武器的作战效能进行评估。
[0078]
影响导弹，地面武器装备以及火炮射击武器作战效能的气象环境要素主要为风速、沙尘、能见度、雷暴、降水量，记为[x
(1)
,x
(2)
,x
(3)
,x
(4)
,x
(5)
]，将其作为评估模型的输入指标。武器作战效能y取值范围为0～1，其中0表示无风险,即气象环境条件不会对武器作战行动造成不利影响；1为最高风险,表示气象环境条件可能导致军事行动的失利。表2为本实验实践中生成的气象环境下的武器作战效能实验数据。
[0079]
表2气象环境下武器作战效能实验数据
[0080][0081][0082]
选取前26组数据作为武器效能评估模型的训练集，选取后10组数据来进行评估模型的测试。为了使气象数据对于武器效能的评估结果更加符合实际，能够真实的反映武器装备的作战效能，需要对数据集样本进行归一化处理。
[0083]
归一化是一种将计算量简化的一种数学方式，也就是将有量纲的表达式，经过处理变换，转化为无量纲的表达式，成为标量。归一化处理之后的数据可以消除指标单位及其数值数量级不同所产生的影响，降低武器效能评估误差，而且能够加快模型训练速度。因此
训练前先将所选用的训练集数据的各个指标进行归一化处理，处理的方法如下所示：
[0084][0085]
式中：为归一化后的数据，xi为原始数据，x
max
，x
min
分别为原始数据集中的最大值和最小值。
[0086]
选取迭代次数50，狼群数量10。依据强化首领决策能力的灰狼优化算法来进行参数优化，可得到最佳的惩罚因子c
*
＝10.595，rbf核函数参数λ
*
＝0.01，此时所得模型的评估结果与真实值之间的相关系数r2为0.983996。利用求解得到的最佳惩罚因子以及最佳核函数可得在气象环境下的武器效能评估模型。测试样本数据由10组数据组成，评估结果如表3所示
[0087]
表3测试样本数据集评估结果
[0088][0089]
由表3可得测试样本数据集的评估效能与真实效能较为符合，其均方误差为0.0046。为进一步验证，将本发明与bp神经网络法、基于参数优化svm方法和gwo-svm方法进行对比分析，图2为武器效能评估结果对比仿真图，具体模型对比结果如表4所示。可以看出基于dgwo-svm方法所得预测值比其他方法更加接近于真实值。
[0090]
表4四种评估模型结果
[0091]
[0092]
由表4对比结果可以看出，所改进的dgwo-svm方法的均方误差要小于其他方法，且所得的预测值与真实值间的相关系数要高于其他方法。证明提出的模型具有更高的精度，在武器作战效能评估中具有更高的精确性与稳定性。
[0093]
综上所述，通过在气象环境下的武器作战效能评估方面出发，分析了当今时代存在的几种武器作战效能评估方法的优点和缺点，在此基础之上，本发明提出了基于dgwo-svm的武器作战效能评估模型，利用了强化首领决策能力的灰狼优化算法，对支持向量机中的核函数以及惩罚因子进行了参数优化选取，降低了评估过程中对人为因素的依赖，提高了参数优化精确度，很好地解决了主观因素的影响、对数据需求量过大以及评估过程中精确度不高的问题。实验结果表明，基于dgwo-svm的武器作战效能评估模型具有较高的精度，在现代化战争中的应用具有很重要的意义，在未来战争中也有很重要的使用价值。因此将该模型应用到武器作战效能评估问题中是可行的，有效的。
[0094]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。