CN116128330B - 一种基于机器学习的空地无人系统作战效能评估方法 - Google Patents
一种基于机器学习的空地无人系统作战效能评估方法 Download PDFInfo
- Publication number
- CN116128330B CN116128330B CN202211446133.2A CN202211446133A CN116128330B CN 116128330 B CN116128330 B CN 116128330B CN 202211446133 A CN202211446133 A CN 202211446133A CN 116128330 B CN116128330 B CN 116128330B
- Authority
- CN
- China
- Prior art keywords
- wuyangull
- optimal
- air
- combat effectiveness
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 241000272168 Laridae Species 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000005012 migration Effects 0.000 claims abstract description 11
- 238000013508 migration Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 241000272161 Charadriiformes Species 0.000 claims abstract description 7
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- LPMXVESGRSUGHW-UHFFFAOYSA-N Acolongiflorosid K Natural products OC1C(O)C(O)C(C)OC1OC1CC2(O)CCC3C4(O)CCC(C=5COC(=O)C=5)C4(C)CC(O)C3C2(CO)C(O)C1 LPMXVESGRSUGHW-UHFFFAOYSA-N 0.000 claims 1
- LPMXVESGRSUGHW-GHYGWZAOSA-N Ouabain Natural products O([C@@H]1[C@@H](O)[C@@H](O)[C@@H](O)[C@H](C)O1)[C@H]1C[C@@H](O)[C@@]2(CO)[C@@](O)(C1)CC[C@H]1[C@]3(O)[C@@](C)([C@H](C4=CC(=O)OC4)CC3)C[C@@H](O)[C@H]21 LPMXVESGRSUGHW-GHYGWZAOSA-N 0.000 claims 1
- 244000166550 Strophanthus gratus Species 0.000 claims 1
- LPMXVESGRSUGHW-HBYQJFLCSA-N ouabain Chemical compound O[C@@H]1[C@H](O)[C@@H](O)[C@H](C)O[C@H]1O[C@@H]1C[C@@]2(O)CC[C@H]3[C@@]4(O)CC[C@H](C=5COC(=O)C=5)[C@@]4(C)C[C@@H](O)[C@@H]3[C@@]2(CO)[C@H](O)C1 LPMXVESGRSUGHW-HBYQJFLCSA-N 0.000 claims 1
- 229960003343 ouabain Drugs 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 241001368940 Onychoprion fuscatus Species 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于机器学习的空地无人系统作战效能评估方法,包括:根据空地无人系统作战效能的评估指标和原始数据,构建空地无人系统作战效能评估的数据集;建立基于改进乌燕鸥优化算法的地空无人平台作战效能评估的目标函数;进行参数设置;利用高斯映射初始化乌燕鸥种群位置;计算并确定乌燕鸥的迁移行为;计算并确定乌燕鸥的攻击行为:计算当次迭代最优适应度值、当次迭代中的最优乌燕鸥位置以及记录变异后的当次迭代最优乌燕鸥位置;以输出的所述最优参数为SVM参数建立建立空地无人系统作战效能评估模型,并将测试数据集输入该模型中,得到空地无人系统作战效能的评估结果和评估准确率。
Description
技术领域
本发明涉及空地无人系统,具体而言,涉及一种基于机器学习的空地无人系统作战效能评估方法。
背景技术
未未来战争必然是“一域多层、空地一体”的立体攻防战,体系与体系的对抗是其最显著的特征。空地无人系统是由空中无人机与地面无人车组成的空地异构机器人系统,空中无人机和地面无人车各有优劣,形成体系,协同运用可以将装备作战效能最大化,更好地完成使命任务。现代战争中作战理念不断更新,作战环境日趋复杂多变,因此,深入研究空地无人系统的作战效能对其作战使用具有较强的现实指导意义。
支持向量机(Support vector machine,SVM)作为机器学习的研究内容之一,在武器装备等效能评估中运用非常广泛的一种识别方法。例如,陈侠等人研究了一种基于改进型支持向量机的侦察无人机作战效能评估方法(陈侠,胡乃宽.基于改进型支持向量机的侦察无人机作战效能评估[J].火力与指挥控制,2018,43(10):31-34.);李宗晨等人研究了一种基于有监督局部保留投影(SLPP)和最小二乘支持向量机(LSSVM)的空战效能综合评估模型(李宗晨,姚旭,甘旭升.基于SLPP-LSSVM的空战效能评估研究[J].火力与指挥控制,2021,46(10):89-95.);杨健为等人以地地导弹武器系统为例,研究了一种基于差分进化支持向量机的作战效能评估方法(杨健为,徐坚,吴小役,鲁玉祥,魏继卿.基于差分进化支持向量机的作战效能评估方法[J].火炮发射与控制学报,2016,37(01):16-20.)
在SVM训练过程中,SVM的惩罚因子C和RBF核函数参数g的选择质量,直接影响最终的作战效能评估结果的精度。智能优化算法是一种有效SVM模型参数优化方法。乌燕鸥优化算法(Sooty tern optimization algorithm,STOA)是一种模拟乌燕鸥觅食行为的新型智能优化算法,同样可以应用于空地无人系统的作战效能评估问题。但是,乌燕鸥优化算法存仍然存在有一些缺陷,使得算法容易陷入局部最优和收敛精度不高,在进行作战效能评估时,往往达不到准确的作战效能评估效果。但是,乌燕鸥优化算法存仍然存在有一些缺陷,使得算法容易陷入局部最优和收敛精度不高,在进行作战效能评估时,往往达不到准确的作战效能评估效果。现有的乌燕鸥优化算法存在以下三个不足:
(1)在确定种群位置时,乌燕鸥个体的位置是随机确定的,这就使得算法具有一定的盲目性和随机性;
(2)乌燕鸥优化算法的位置更新是根据目标物的位置,采用螺旋进攻的方式,向最佳位置移动,但是如果只是根据最佳目标位置进行移动,很容易使乌燕鸥陷入局部最优解。
(3)乌燕鸥优化算法陷入局部最优解时,没有任何措施能帮助其跳出局部最优解。
上述3个不足,导致在采用乌燕鸥优化算法进行空地无人系统的作战效能评估时,不能达到最佳的作战效能评估效果。
发明内容
本发明旨针对上述问题,提出一种基于机器学习的空地无人系统作战效能评估方法,它克服了乌燕鸥优化算法存在的几点不足,能够显著提升空地无人系统作战效能评估的效果,具体而言,本发明的基于机器学习的空地无人系统作战效能评估方包括:步骤1:根据空地无人系统作战效能的评估指标和原始数据,构建空地无人系统作战效能评估的数据集,将数据集分为训练数据集和测试数据集;步骤2:建立基于改进乌燕鸥优化算法的地空无人平台作战效能评估的目标函数,同时设置相应的约束条件;步骤3:进行参数设置;步骤4:利用高斯映射初始化乌燕鸥种群位置;步骤5:计算并确定乌燕鸥的迁移行为;步骤6:计算并确定乌燕鸥的攻击行为,包括引入瞬态搜索优化算法的位置更新机制来改进乌燕鸥位置更新方式;步骤7:基于步骤2的目标函数,并基于步骤5、6的计算结果,计算当次迭代最优适应度值;步骤8:记录当次迭代中的最优乌燕鸥位置;步骤9:对于所述最优乌燕鸥位置,进行逐维度双向sine变异,得到变异后的当次迭代最优乌燕鸥位置;步骤10:记录变异后的当次迭代最优乌燕鸥位置;步骤11:重复执行步骤5~10,达到最大迭代次数后,输出最优乌燕鸥结果,即得到SVM的最优参数Cbest和gbest;其中,Cbest为最优惩罚因子,gbest为最优RBF核函数参数;步骤12:以输出的所述最优参数为SVM参数建立建立空地无人系统作战效能评估模型,并将测试数据集输入该模型中,得到空地无人系统作战效能的评估结果和评估准确率。
优选地是,在所述步骤2中,所述目标函数为训练数据集的5折交叉验证SVM的分类准确率,所述约束条件为SVM的惩罚因子C和RBF核函数参数g的上下限。
优选地是,在所述步骤4中,所述高斯映射初始化乌燕鸥种群位置包括:
高斯映射随机数产生:
利用产生的高斯随机数初始化乌燕鸥位置:
Ps(t)=(UB-LB)×xt+LB
其中,乌燕鸥寻优下边界LB;乌燕鸥寻优上边界UB,Ps(t)表示当前第t次迭代的乌燕鸥的位置。
优选地是,所述引入瞬态搜索优化算法的位置更新机制来改进乌燕鸥位置更新方式,具体包括:
其中:
Ct=k·z·λ3+1
T=2·z·λ2-z
其中,Ps(t+1)为更新后的第t+1次迭代的乌燕鸥位置;Pbs(t)表示第t次迭代的最佳位置;Ps(t)为当前乌燕鸥的位置;α和β为[0,1]之间的随机数;Ct和T为随机的热阻系数;z为衰减系数,随着迭代次数从2逐渐减小为0;k为常数(k=0,1,2…);λ1、λ2和λ3为[0,1]内的随机数;Pr1(t)、Pr2(t)和Pr3(t)是表示第t次迭代时随机选择的三个乌燕鸥个体,r1≠r2≠r3;Pavg(t)是Pr1(t)、Pr2(t)和Pr3(t)的平均值。
优选地是,所述计算当次迭代最优适应度值采用如下公式:
fitness(t)=Ff(Ps(t+1))
式中,Ff(·)为计算适应度值时的适应度函数。
优选地是,所述进行逐维度双向sine变异的步骤包括:
SinValue=sin(πx0)
然后对当次最优位置进行变异扰动
Pbs(j)(t+1)'=Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中:Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维。
优选地是,所述进行逐维度双向sine变异的步骤还包括判断新位置适应度是否更好,采用下式:
如果新位置适应度更好,则用新位置替换当次最优乌燕鸥位置,如果不是,保留原始最优乌燕鸥位置。
优选地是,在所述计算并确定乌燕鸥的迁移行为步骤中,包括冲突避免,聚集和更新。
附图说明
本公开的各种实施例或样例(“示例”)在以下的具体实施方式和附图中得以公开。没必要将附图按比例绘制。一般而言,除非在权利要求中另有规定,否则可以任意次序执行本发明所公开的产品或方法。附图中:
图1示出了本发明的一种基于机器学习的空地无人系统作战效能评估方法的流程图。
具体实施方式
在详细解释本公开的一个或多个实施例之前,应当理解,实施例不限于它们具体应用中的构造细节,以及下文实施方式或附图所提出步骤或方法。
一、经典的乌燕鸥优化算法
乌燕鸥优化算法(Sooty tern optimization algorithm,STOA)的主要步骤如下:
(1)设置相关参数。主要包括:乌燕鸥种群的大小(即乌燕鸥个体的数量)N;迭代的最大次数(即迭代停止的条件)Miter;乌燕鸥寻优下边界LB;乌燕鸥寻优上边界UB;
(2)初始化位置。在(LB,UB)之间随机初始化乌燕鸥位置。
(3)乌燕鸥的迁移行为:
乌燕鸥的迁移行为,即算法的勘探部分,主要分为三个阶段:冲突避免,聚集和更新。
a)冲突避免阶段
模拟乌燕鸥的冲突避免行为过程,用如下公式表达:
Cs(t)=SA×Ps(t) (1)
式中:Ps(t)表示当前第t次迭代的乌燕鸥的位置;Cs(t)表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置;SA代表了一个避免碰撞的变量因素,用来计算避免碰撞后的位置,它的约束条件公式如下:
SA=Cf-(t×Cf/Miter) (2)
式中:Cf为用来调整SA的控制变量;t表示当前迭代次数;SA随着迭代次数的增加,从Cf逐渐减小为0;如假设Cf为2,SA将从2逐渐减小为0。
b)聚集阶段
聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢,也就是向最优位置靠拢,其数学表达式如下:
Ms(t)=CB×(Pbs(t)-Ps(t)) (3)
式中:Pbs(t)是第t次迭代乌燕鸥的最优位置;Ms(t)表示在不同位置Ps(t)向最优位置Pbs(t)移动的过程;CB是一个使勘探更加全面的随机变量,按照以下公式变化:
CB=0.5×rand (4)
式中:rand[0,1]范围内的随机数。
c)更新阶段
更新是指当前乌燕鸥朝着最优位置的所在方向进行移动,更新位置,其数学表达式为:
Ds(t)=Cs(t)+Ms(t) (5)
式中:Ds(t)是乌燕鸥从当前位置向最优位置方向移动的距离。
(4)乌燕鸥的攻击行为:
在迁移过程中,乌燕鸥可以通过翅膀提高飞行高度,也可以调整自身的速度和攻击角度,在攻击猎物的时候,它们在空中的盘旋行为可定义为以下数学模型:
式中:r是每个螺旋的半径;θ是[0,2π]范围内的随机角度值;u和v是定义螺旋形状的相关常数,均可设定为1;e是自然对数的底数。
乌燕鸥的位置更新公式如下:
Ps(t+1)=(Ds(t)×(x+y+z))×Pbs(t) (7)
式中:Ps(t+1)为乌燕鸥攻击后更新的位置。
(5)计算适应度值。
fitness(t)=Ff(Ps(t+1)) (8)
式中,Ff(·)为计算适应度值时的适应度函数。
(6)记录信息。记录当次迭代中最优乌燕鸥。
(7)重复执行步骤(3)~(7),达到最大迭代次数Miter后,算法停止,输出最优结果。
二、基于改进乌燕鸥优化算法的空地无人系统作战效能评估方法
上述是STOA的基本步骤,针对STOA存在的几个问题,本发明提出改进型乌燕鸥优化算法(Improve Sooty tern optimization algorithm,ISTOA)并用于空地无人系统作战效能评估,基于机器学习的空地无人系统作战效能评估方法的流程如图1所示,具体步骤如下:
(1)根据空地无人系统作战效能的评估指标和原始数据,构建空地无人系统作战效能评估的数据集,将数据集分为训练数据集和测试数据集。所述评估指标包括态势感知能力,火力打击能力,主动防护能力,灵活机动能力。
(2)建立基于改进乌燕鸥优化算法的空地无人系统作战效能评估的目标函数funtion。因为是利用训练数据集计算SVM的分类准确率,所以可以将训练数据集的5折交叉验证SVM的分类准确率作为目标函数,即适应度函数;同时设置相应的约束条件:SVM的惩罚因子C和RBF核函数参数g的上下限。
(3)进行参数设置,主要包括:乌燕鸥种群的大小(即乌燕鸥个体的数量)N;迭代的最大次数(即迭代停止的条件)Miter;乌燕鸥寻优下边界LB;乌燕鸥寻优上边界UB。
(4)利用高斯映射初始化乌燕鸥种群位置。
高斯映射随机数产生:
利用产生的高斯随机数初始化乌燕鸥位置:
Ps(t)=(UB-LB)×xt+LB (10)
(5)计算并确定乌燕鸥的迁移行为:
乌燕鸥的迁移行为,即算法的勘探部分,主要分为三个阶段:冲突避免,聚集和更新。
a)冲突避免。
模拟乌燕鸥的冲突避免行为过程,用如下公式表达:
Cs(t)=SA×Ps(t) (11)
式中:Ps(t)表示当前第t次迭代的乌燕鸥的位置;Cs(t)表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置;SA代表了一个避免碰撞的变量因素,用来计算避免碰撞后的位置,它的约束条件公式如下:
SA=Cf-(t×Cf/Miter) (12)
式中:Cf为用来调整SA的控制变量;t表示当前迭代次数;SA随着迭代次数的增加,从Cf逐渐减小为0;如假设Cf为2,SA将从2逐渐减小为0。
b)聚集。
聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢,也就是向最优位置靠拢,其数学表达式如下:
Ms(t)=CB×(Pbs(t)-Ps(t)) (13)
式中:Pbs(t)是第t次迭代乌燕鸥的最优位置;Ms(t)表示在不同位置Ps(t)向最优位置Pbs(t)移动的过程;CB是一个使勘探更加全面的随机变量,按照以下公式变化:
CB=0.5×rand (14)
式中:rand[0,1]范围内的随机数。
c)更新。
更新是指当前乌燕鸥朝着最优位置的所在方向进行移动,更新位置,其数学表达式为:
Ds(t)=Cs(t)+Ms(t) (15)
式中:Ds(t)是乌燕鸥从当前位置向最优位置方向移动的距离。
(6)计算并确定乌燕鸥的攻击行为:
在迁移过程中,乌燕鸥可以通过翅膀提高飞行高度,也可以调整自身的速度和攻击角度,在攻击猎物的时候,它们在空中的盘旋行为可定义为以下数学模型:
式中:r是每个螺旋的半径;θ是[0,2π]范围内的随机角度值;u和v是定义螺旋形状的相关常数,均可设定为1;e是自然对数的底数。
原始乌燕鸥算法中,只利用最优乌燕鸥位置进行引导,来更新乌燕鸥位置,为了更加有效的提高乌燕鸥的全局搜索能力,引入瞬态搜索优化算法的位置更新机制来改进乌燕鸥位置更新方式,综合考虑了本次迭代乌燕鸥最优位置、不同的位置更新模式、种群内部的其他乌燕鸥的平均位置等因素更新乌燕鸥位置,避免每次迭代中出现局部最优,进而提高乌燕鸥算法的全局搜索能力。
借鉴瞬态搜索优化算法,改进后的乌燕鸥位置更新公式如下:
其中:
Ct=k·z·λ3+1 (18)
T=2·z·λ2-z (19)
其中,Ps(t+1)为更新后的第t+1次迭代的乌燕鸥位置;Pbs(t)表示第t次迭代的最佳位置;Ps(t)为当前乌燕鸥的位置;α和β为[0,1]之间的随机数;Ct和T为随机的热阻系数;z为衰减系数,随着迭代次数从2逐渐减小为0;k为常数(k=0,1,2…);λ1、λ2和λ3为[0,1]内的随机数;Pr1(t)、Pr2(t)和Pr3(t)是表示第t次迭代时随机选择的三个乌燕鸥个体,r1≠r2≠r3;Pavg(t)是Pr1(t)、Pr2(t)和Pr3(t)的平均值。
(7)计算适应度值。
fitness(t)=Ff(Ps(t+1)) (26)
式中,Ff(·)为计算适应度值时的适应度函数。
(8)记录当次迭代中的最优乌燕鸥位置。
(9)对于所述最优乌燕鸥位置,进行逐维度双向sine变异。对于维度j。首先根据当前迭代次数计算sine混沌值,并等概率切换正负方向。
SinValue=sin(πx0) (27)
然后对当次最优位置进行变异扰动
Pbs(j)(t+1)'=Pbs(j)(t+1)+SinValue×Pbs(j)(t+1) (29)
式中:Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维。
贪婪更新,即判断新位置适应度是否更好,即采用下式:
如果新位置适应度更好,则用新位置替换当次最优乌燕鸥位置,如果不是,保留原始最优乌燕鸥位置。
每个维度都进行变异后,停止变异。
(10)记录变异后的当次迭代最优乌燕鸥位置。
(11)重复执行步骤(5)~(10),达到最大迭代次数Miter后,算法停止,输出最优乌燕鸥结果,即得到SVM的最优参数Cbest和gbest。
(12)以输出的最优参数为SVM参数建立空地无人系统作战效能评估模型,并将测试数据集输入该模型中,可以得到空地无人系统作战效能的评估结果和评估准确率。
根据本发明的空地无人系统作战效能评估方法,其创新点是明确的:
(1)通过引入高斯映射进行乌燕鸥种群位置的初始化,可以提升种群位置分布的均匀性和多样性,进而算法的稳定性得以增强。
(2)对乌燕鸥的位置更新方式进行了改进,引入瞬态搜索优化算法的位置更新机制来改进乌燕鸥位置更新方式,综合考虑了本次迭代乌燕鸥最优位置、不同的位置更新模式、种群内部的其他乌燕鸥的平均位置等因素更新乌燕鸥位置,实现了算法搜索范围的增大,算法的适应性得以增强。
(3)对最优乌燕鸥利用双向sine混沌映射变异,实现了算法在后期跳出局部最优解的能力。
【算法验证】
选取空地无人系统的1000组样本,并随机将其中800组作为训练样本,剩余200组为测试样本。分别采用STOA-SVM和ISTOA-SVM对空地无人系统进行作战效能评估。以MATLAB为仿真平台,STOA算法中的参数为:N=50,Maxiter=200,C和g的搜索范围均是在0-100之间,即LB=0,UB=100;ISTOA算法中的参数为:N=50,Maxiter=200,C和g的搜索范围均是在0-100之间,即LB=0,UB=100。
STOA-SVM模型和ISTOA-SVM模型的评价指标可选取:平均绝对误差(MAE)、平均相对误差(MRE)和均方根误差(RMSE)。如表1所示,与STOA-SVM比较,ISTOA-SVM对空地无人系统进行作战效能评估的准确率要高些,也就是说,ISTOA搜索得到的SVM参数要优于STOA搜索得到的SVM参数。仿真结果表明,ISTOA算法比STOA算法搜索能力更强,ISTOA-SVM比STOA-SVM的评估准确率更高,验证了方法的有效性。
表1 STOA-SVM模型和ISTOA-SVM模型比较
Claims (4)
1.一种基于机器学习的空地无人系统作战效能评估方法,其包括如下步骤:
步骤1:根据空地无人系统作战效能的评估指标和原始数据,构建空地无人系统作战效能评估的数据集,将数据集分为训练数据集和测试数据集;
步骤2:建立基于改进乌燕鸥优化算法的地空无人平台作战效能评估的目标函数,同时设置相应的约束条件;
步骤3:进行参数设置;
步骤4:利用高斯映射初始化乌燕鸥种群位置;
步骤5:计算并确定乌燕鸥的迁移行为;
步骤6:计算并确定乌燕鸥的攻击行为,包括引入瞬态搜索优化算法的位置更新机制来改进乌燕鸥位置更新方式;
步骤7:基于步骤2的目标函数,并基于步骤5、6的计算结果,计算当次迭代最优适应度值;
步骤8:记录当次迭代中的最优乌燕鸥位置;
步骤9:对于所述最优乌燕鸥位置,进行逐维度双向sine变异,得到变异后的当次迭代最优乌燕鸥位置;
步骤10:记录变异后的当次迭代最优乌燕鸥位置;
步骤11:重复执行步骤5~10,达到最大迭代次数后,输出最优乌燕鸥结果,即得到SVM的最优参数Cbest和gbest;其中,Cbest为最优惩罚因子,gbest为最优RBF核函数参数;
步骤12:以输出的所述最优参数为SVM参数建立空地无人系统作战效能评估模型,并将测试数据集输入该模型中,得到空地无人系统作战效能的评估结果和评估准确率;
在所述步骤2中,所述目标函数为训练数据集的5折交叉验证SVM的分类准确率,所述约束条件为SVM的惩罚因子C和RBF核函数参数g的上下限;
在所述步骤4中,所述高斯映射初始化乌燕鸥种群位置包括:
高斯映射随机数产生:
利用产生的高斯随机数初始化乌燕鸥位置:
Ps(t)=(UB-LB)×xt+LB
其中,乌燕鸥寻优下边界LB;乌燕鸥寻优上边界UB,Ps(t)表示当前第t次迭代的乌燕鸥的位置;
所述引入瞬态搜索优化算法的位置更新机制来改进乌燕鸥位置更新方式,具体包括:
其中:
Ct=k·z·λ3+1
T=2·z·λ2-z
其中,Ps(t+1)为更新后的第t+1次迭代的乌燕鸥位置;Pbs(t)表示第t次迭代的最佳位置;Ps(t)为当前乌燕鸥的位置;α和β为[0,1]之间的随机数;Ct和T为随机的热阻系数;z为衰减系数,随着迭代次数从2逐渐减小为0;k为常数,k=0,1,2…;λ1、λ2和λ3为[0,1]内的随机数;Pr1(t)、Pr2(t)和Pr3(t)是表示第t次迭代时随机选择的三个乌燕鸥个体,r1≠r2≠r3;Pavg(t)是Pr1(t)、Pr2(t)和Pr3(t)的平均值;Ds(t)是乌燕鸥从当前位置向最优位置方向移动的距离;Miter为迭代的最大次数;
所述进行逐维度双向sine变异的步骤包括:
SinValue=sin(πx0)
式中:SinValue为根据当前迭代次数计算的sine混沌值;rand是[0,1]范围的随机数;
然后对当次最优位置进行变异扰动
Pbs(j)(t+1)’=Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中:Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维。
2.根据权利要求1所述的基于机器学习的空地无人系统作战效能评估方法,其特征在于,所述计算当次迭代最优适应度值采用如下公式:
fitness(t)=Ff(Ps(t+1))
式中,Ff(·)为计算适应度值时的适应度函数。
3.根据权利要求2所述的基于机器学习的空地无人系统作战效能评估方法,其特征在于,所述进行逐维度双向sine变异的步骤还包括判断新位置适应度是否更好,采用下式:
如果新位置适应度更好,则用新位置替换当次最优乌燕鸥位置,如果不是,保留原始最优乌燕鸥位置。
4.根据权利要求1所述的基于机器学习的空地无人系统作战效能评估方法,其特征在于,在所述计算并确定乌燕鸥的迁移行为步骤中,包括冲突避免,聚集和更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211446133.2A CN116128330B (zh) | 2022-11-18 | 2022-11-18 | 一种基于机器学习的空地无人系统作战效能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211446133.2A CN116128330B (zh) | 2022-11-18 | 2022-11-18 | 一种基于机器学习的空地无人系统作战效能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128330A CN116128330A (zh) | 2023-05-16 |
CN116128330B true CN116128330B (zh) | 2024-04-26 |
Family
ID=86303381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211446133.2A Active CN116128330B (zh) | 2022-11-18 | 2022-11-18 | 一种基于机器学习的空地无人系统作战效能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128330B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735444A (zh) * | 2020-12-25 | 2021-04-30 | 浙江弄潮儿智慧科技有限公司 | 一种具有模型匹配的中华凤头燕鸥识别系统及其模型匹配方法 |
CN112906577A (zh) * | 2021-02-23 | 2021-06-04 | 清华大学 | 多源遥感图像的融合方法 |
CN113867368A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于改进海鸥算法的机器人路径规划方法 |
CN113867369A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于交流学习的海鸥算法的机器人路径规划方法 |
CN113885536A (zh) * | 2021-12-03 | 2022-01-04 | 中国人民解放军陆军装甲兵学院 | 一种基于全局海鸥算法的移动机器人路径规划方法 |
CN114279636A (zh) * | 2021-12-24 | 2022-04-05 | 中国计量大学 | 一种基于改进海鸥算法的多无人机气体泄漏源定位方法 |
CN115204316A (zh) * | 2022-09-07 | 2022-10-18 | 中国人民解放军陆军装甲兵学院 | 一种基于支持向量机的车载网络故障诊断方法 |
CN116128095A (zh) * | 2022-11-18 | 2023-05-16 | 中国人民解放军陆军装甲兵学院 | 一种地空无人平台作战效能评估方法 |
-
2022
- 2022-11-18 CN CN202211446133.2A patent/CN116128330B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735444A (zh) * | 2020-12-25 | 2021-04-30 | 浙江弄潮儿智慧科技有限公司 | 一种具有模型匹配的中华凤头燕鸥识别系统及其模型匹配方法 |
CN112906577A (zh) * | 2021-02-23 | 2021-06-04 | 清华大学 | 多源遥感图像的融合方法 |
CN113867368A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于改进海鸥算法的机器人路径规划方法 |
CN113867369A (zh) * | 2021-12-03 | 2021-12-31 | 中国人民解放军陆军装甲兵学院 | 一种基于交流学习的海鸥算法的机器人路径规划方法 |
CN113885536A (zh) * | 2021-12-03 | 2022-01-04 | 中国人民解放军陆军装甲兵学院 | 一种基于全局海鸥算法的移动机器人路径规划方法 |
CN114279636A (zh) * | 2021-12-24 | 2022-04-05 | 中国计量大学 | 一种基于改进海鸥算法的多无人机气体泄漏源定位方法 |
CN115204316A (zh) * | 2022-09-07 | 2022-10-18 | 中国人民解放军陆军装甲兵学院 | 一种基于支持向量机的车载网络故障诊断方法 |
CN116128095A (zh) * | 2022-11-18 | 2023-05-16 | 中国人民解放军陆军装甲兵学院 | 一种地空无人平台作战效能评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116128330A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116128095B (zh) | 一种地空无人平台作战效能评估方法 | |
Lin et al. | A Novel Improved Bat Algorithm in UAV Path Planning. | |
Zhen et al. | Rotary unmanned aerial vehicles path planning in rough terrain based on multi-objective particle swarm optimization | |
CN111176334B (zh) | 一种多无人机协同目标搜索方法 | |
Fu et al. | Phase angle-encoded and quantum-behaved particle swarm optimization applied to three-dimensional route planning for UAV | |
CN110167138B (zh) | 基于改进灰狼优化算法的无源时差定位系统优化布站方法 | |
CN107992051B (zh) | 基于改进的多目标粒子群算法的无人车路径规划方法 | |
CN112082552A (zh) | 基于改进的混合粒子群优化算法的无人机航迹规划方法 | |
CN110926477B (zh) | 一种无人机航路规划及避障方法 | |
CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
CN110297503B (zh) | 一种多无人系统协同搜索危险源的方法 | |
Ming et al. | Improved discrete mapping differential evolution for multi-unmanned aerial vehicles cooperative multi-targets assignment under unified model | |
CN112666981B (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN115407784B (zh) | 一种基于空地信息互补的无人车路径规划方法 | |
CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
CN116661503B (zh) | 一种基于多智能体安全强化学习的集群航迹自动规划方法 | |
CN116225066A (zh) | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 | |
Meng et al. | UAV 3-dimension flight path planning based on improved rapidly-exploring random tree | |
CN114625150A (zh) | 基于危险指数和距离函数的快速蚁群无人艇动态避障方法 | |
CN113625569A (zh) | 一种基于深度强化学习和规则驱动的小型无人机防控混合决策方法及系统 | |
CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
CN116128330B (zh) | 一种基于机器学习的空地无人系统作战效能评估方法 | |
CN117850471A (zh) | 三维环境下考虑雷达威胁的多智能体协同航迹规划方法及其规划系统 | |
CN116698032A (zh) | 基于多目标自组织松鼠觅食机制的无人机航迹规划方法 | |
CN116483094A (zh) | 一种融合空地视角和多维信息的无人车路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |