一种智能化的体系作战效能评估和优化方法与流程

本发明属于计算机仿真、人工智能领域，涉及一种智能化的武器装备体系(weaponsystem-of-systems，wsos)作战效能评估及优化方法。
背景技术：
：美国海军及国军标gjb1364-92均对效能进行了定义，认为效能为武器装备在“规定的条件”下达到“规定使用目标”的“能力”。wsos作战效能是wsos在给定威胁、条件、环境和作战方案下完成特定作战任务的程度，是衡量wsos建设水平的重要指标，能够全面反映体系的综合作战能力。对wsos进行作战效能评估和优化能够预计或检验其在特定条件下实现作战任务目标的效果，同时有助于作战方案的检验、优选。因此，为了全面加强wsos建设，整体提升wsos技术水平，增强军队的战斗力，开展wsos作战效能评估及优化研究工作具有重要的军事意义。装备作战效能评估的研究始于19世纪初期，已有100多年的历史。对武器装备系统作战效能的评估，传统大多采用解析法、多指标综合评估等静态评估方法，如可靠性可用性能力(availabilitydependabilitycapacity，adc)法、系统效能分析(systemeffectivenessanalysis，sea)法、指数法、试验统计法、兰彻斯特法、模糊综合评价法、层次分析法等。wsos是由多个装备系统构成，各系统之间是松耦合关系，且在体系中有着不同的层次结构，和复杂的协同、依赖等相互关系，体系使命任务多样、不确定性强，影响因素众多，是一类特殊的复杂巨系统。因此，面对如此复杂的非线性系统，许多传统的用于装备系统效能评估的方法不能满足wsos效能评估的需求。例如，解析法善于解决单件装备、单型号装备或某类作战力量的评估问题，但由于体系复杂性等特性无法通过数学推导精确计算，因此其无法对wsos效能的涌现性、不确定性等特性进行评估。同装备系统，wsos也是典型的多属性系统，因此多指标综合评估方法、基于作战环的网络化方法在其效能评估领域应用广泛。多指标综合评估的关键步骤是从众多指标中选出合理的、科学的指标体系，以减少由过多指标引起的不确定性。目前针对指标体系的构建，更多的还是基于小数据模式和专家定性判断的层次分析法。此类方法在一定程度上反映了体系整体性特点，但无法描述体系动态交互过程中涌现的体系能力及能力指标之间的关联关系、层次之间的聚合关系，且专家主观因素占较大比例，不能满足信息化条件下体系作战的全面、客观、实时的体系能力评估要求。基于作战环的网络化评估方法能够突出体系作战活动中装备之间的配合关系对作战效能的影响，然而需要考虑作战环结构的最优化，以及网络中边权重取值问题。现代战争参战力量多，信息化程度高，战场不确定性大，导致构建面向wsos作战效能的指标体系及作战环网络化模型的过程会更加复杂、求解时间更加漫长、可信度下降，因此传统的这些方法就显得力不从心。在体系效能优化方面，通常是采用敏感性分析方法，如直接计算和基于蒙特卡罗的索博尔(sobol)指数法、克里金(kriging)模型构建法等。sobol指数法用于分析单个输入参数及所有输入参数对效能输出的影响关系，该方法能够定性地指导体系效能优化，但并不能定量地给出当效能最优时输入参数如何取值。kriging模型能够拟合输入参数和效能输出的关系，但这种拟合是显式函数形式，对于更加复杂的关系可信度不高甚至无法拟合，而且这种优化是单向的。近年来，大数据概念的提出，使得在作战训练和装备研究中积累了大量丰富的仿真试验数据。在群智算法、机器学习、深度学习深入到各行各业的大背景下，将基于数据的人工智能算法引入到体系作战效能评估中，能够规避传统基于指标体系、作战环方法中一系列复杂的求解过程，为wsos作战效能提供一种智能化的评估手段；将人工智能引入到体系作战效能优化中，反向求得效能值最优时各想定参数的组合取值，能够为wsos作战效能优化提供一种定量的智能化的手段。然而，目前此方面的研究还比较少。技术实现要素：为了突破传统wsos作战效能评估方法的过程复杂、求解时间长、可信度不高等问题，以及传统wsos作战效能优化常常面临的不能定量优化、过程复杂以及适用性受限等问题，本发明充分利用已有的大量仿真试验数据，引入一种深度神经网络对数据进行自动学习，实现wsos作战效能的智能化评估，并且通过引入一种群智算法实现了对wsos作战效能的智能化优化。本发明提供的智能化的体系作战效能评估和优化方法，包括以下步骤：步骤s100，构建深度神经网络模型，输入用于优化的样本数据，对模型进行训练、验证和测试，得到优化后的网络模型；若需要进行效能评估，则执行步骤s200，若需要进行效能优化，则执行步骤s300。步骤s200，将待评估的样本数据输入到优化后的网络模型中，输出效能评估值。步骤s300，判断是否为单效能优化，若是，执行步骤s400，若否，执行步骤s500。步骤s400，采用ga算法进行单效能优化，其中，以优化后的网络模型预测出的种群个体效能指标值作为个体自适应值。步骤s500，采用nsgaii算法进行多效能优化，其中，以优化后的网络模型预测出的种群个体效能指标值作为个体自适应值。可选地，步骤s100包括以下步骤：步骤s110，将用于优化的样本数据划分为训练集、测试集和验证集。步骤s120，分别将训练集、测试集和验证集进行标准化处理，得到标准化训练集、标准化测试集和标准化验证集。步骤s130，构建深度神经网络模型，设定深度神经网络模型的损失函数、模型精度、最大学习次数。步骤s140，设定深度神经网络模型的优化器，将标准化训练集输入到深度神经网络模型中，进行模型训练。步骤s150，判断训练是否设定的模型精度或最大学习次数；若是，训练结束，执行步骤s160，若否，执行步骤s140。步骤s160，基于标准化验证集，检查模型性能是否满足要求，若是，执行步骤s180；若否，执行步骤s170。步骤s170，根据模型性能的检查结果，调整网络超参数，执行步骤s140。步骤s180，输入标准化测试集，得到测试集上的效能预测值。步骤s190，判断深度神经网络模型的泛化误差是否满足需求；若是，得到优化后的网络模型，执行步骤s200或步骤s300，若否，执行步骤s1100。步骤s1100，根据泛化误差情况，调整网络超参数，执行步骤s140。可选地，步骤s400还包括以下步骤：步骤s410，初始化ga参数、种群、各参数取值范围。步骤s420，调用优化后的网络模型预测出的种群个体效能指标值作为个体自适应值。步骤s430，判断是否达到终止条件；若是，执行步骤s450，若否，执行步骤s440。步骤s440，执行选择、交叉、变异操作，执行步骤s420。步骤s450，输出最优想定参数组合。可选地，步骤s500还包括以下步骤：步骤s510，初始化nsgaii参数、种群、各参数取值范围。步骤s520，判断是否生成了第一代子群；若是，进化代数加1，执行步骤s540，若否，步骤s530。步骤s530，调用优化后的网络模型预测种群个体效能指标值作为个体自适应值，将种群个体非支配排序；选择、交叉、变异；执行步骤s520。步骤s540，将子代种群与父代种群合并。步骤s550，判断是否生成新的父代种群；若是，执行步骤s570，若否，执行步骤s560。步骤s560，调用优化后的网络模型预测种群个体效能指标值作为个体自适应值，将种群个体非支配排序；对每个非支配层中的个体进行拥挤距离计算；选择合适个体组成新父种群；执行步骤s550。步骤s570，选择、交叉、变异，产生新的子代种群。步骤s580，判断是否达到最大迭代次数；若是，执行步骤s590，若否，迭代数加1，执行步骤s540。步骤s590，输出帕累托最优解。可选地，所述个体非支配排序，包括以下步骤：步骤a1，初始化序号i＝1，原始种群为q(1)。步骤a2，找出种群q(i)的非支配解集，作为第一非支配层，记为fi。步骤a3，将fi非支配层中所有个体赋予非支配序值为1。步骤a4，fi非支配层中所有个体去除，余下的个体组成新的种群，记为q(i+1)。步骤a5，判断种群分层是否完成；若是，执行步骤a6，若否，i加1，返回执行步骤a2。步骤a6，输出种群中所有个体的非支配排序。可选地，所述拥挤距离计算，包括以下步骤：步骤b1，初始化同层的个体拥挤距离。步骤b2，将同层个体按第i个目标函数值进行升序排列。步骤b3，给排序边缘的个体拥挤距离赋予一个较大的值，使得其具有选择优势。步骤b4，计算排序中间的个体的拥挤距离。步骤b5，判断是否计算完所有的目标函数；若是，执行步骤b6，若否，执行步骤b2。步骤b6，输出种群所有个体的拥挤距离。可选地，步骤s120中的标准化处理采用零-均值规范化方法，使得处理后的各维度特征符合标准正态分布，转换公式如下：其中，x是某维度特征的取值，μ是样本集中该维度特征取值的均值，σ是该维度特征取值的方差，xpre是该维度特征标准化后的取值。本发明具有以下有益效果：(1)本发明中体系效能的评估，是基于一种深度神经网络，通过学习想定参数与效能指标值样本数据的内在规律，实现对体系作战效能的评估预测。该方法能够规避传统效能评估方法需要运行模型、指标建模、指标体系构建、综合效能评估等复杂而漫长的过程。(2)本发明中体系效能的优化，能够实现单效能指标及多效能指标的智能优化。(3)本发明中的效能评估和效能优化构成了一个闭环流程，评估和优化结果可靠性较高。(4)本发明中效能评估算法及效能优化算法，可用多种神经网络模型和群智模型来替代，可扩展性强，易于操作和实现。(5)本发明可以应用于各种装备体系的各层级多种效能指标的评估及优化环节，也可扩展应用于其他相似应用领域中的指标评估及优化。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。附图说明为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明提供的一种智能化的体系作战效能评估和优化方法的流程图；图2为本发明提供的深度神经网络模型训练、测试和验证的流程图；图3为本发明提供的基于ga的单效能指标优化流程图；图4为本发明wsos效能智能化评估与优化关系示意图；图5为本发明提供的基于nsgaii的多效能指标优化流程图；图6为本发明提供的nsgaii个体非支配解排序流程图；图7为本发明提供的nsgaii中种群个体拥挤距离计算流程；图8为本发明构建的深度神经网络结构；图9为本发明单效能指标的优化结果；图10为本发明多(两)效能指标的优化结果。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1所示，为本发明提供的一种智能化的体系作战效能评估和优化方法的流程图。本发明提供的一种智能化的体系作战效能评估和优化方法包括以下步骤：步骤s100，构建深度神经网络模型，输入用于优化的样本数据，对模型进行训练、验证和测试，得到优化后的网络模型。若需要进行效能评估，则执行步骤s200，若需要进行效能优化，则执行步骤s400。具体地，如图2所示，步骤s100包括以下步骤。步骤s110，将用于优化的样本数据划分为训练集、测试集和验证集。按照一定比例，将用于优化的样本全集随机划分为训练集、测试集和验证集，训练集、测试集和验证集之间没有交集，且并集为用于优化的样本全集。步骤s120，分别将训练集、测试集和验证集进行标准化处理，得到标准化训练集、标准化测试集和标准化验证集。wsos中装备种类众多，各装备的性能参数不同，因此各参数的度量单位不同，取值范围差别较大。为了提高深度神经网络模型的训练速度和精度，需要将各维特征(参数)在各自的维度上进行标准化，这里采用零-均值规范化(z-score)方法，使得处理后的各维度特征符合标准正态分布，转换公式如下。其中，x是某维度特征的取值，μ是样本集中该维度特征取值的均值，σ是该维度特征取值的方差，xpre是该维度特征标准化后的取值。步骤s130，构建深度神经网络模型，设定深度神经网络模型的损失函数、模型精度、最大学习次数。基于tensorflow深度学习框架搭建深度神经网络模型，可以选用全连接的深度神经网络(deepneuralnetwork，dnn)、卷积神经网络(convolutionalneuralnetwork，cnn)等。设置该深度神经网络模型的输入层神经元个数，隐含层层数及每层神经元个数和激活函数，初始化权重和阈值，设定损失函数，模型精度，最大学习次数。步骤s140，设定深度神经网络模型的优化器，将标准化训练集输入到深度神经网络模型中，进行模型训练。优化器的选择有多种替代方案，可以在tensorflow中直接选择，常用的有随机梯度下降法(stochasticgradientdescent，sgd)、自适应矩估计法(adaptivemomentestimation，adam)、加速梯度下降法(rootmeansquareprop，rmsprop)、自适应梯度方法(adaptivegradientdescent，adagrad)等。选定优化器后，基于一种特定的优化器，将标准化训练集输入到深度神经网络模型中进行学习，在学习过程中，以最小化预测误差为目标，逐步地调整网络的权值和阈值。步骤s150，判断训练是否设定的模型精度或最大学习次数。若是，训练结束，执行步骤s160，若否，执行步骤s140。步骤s160，基于标准化验证集，检查模型性能是否满足要求。具体地，检查模型在标准化验证集上是否发散、分类问题的分类精度、回归问题的预测误差等等性能是否满足设定要求。若是，执行步骤s180；若否，执行步骤s170；步骤s170，根据模型性能的检查结果，调整网络超参数。执行步骤s140。调整网络超参数可以改善网络的性能。常用的超参数包括学习率、动量、迭代次数、初始化的权重等。权重初始化时若设置过小的随机数可能生成零梯度网络，一般采用均匀分布方法。学习率决定了权值、阈值更新的速度，过大会导致结果超过最优值，过小导致下降速度过慢，在tensorflow中选择不同的优化器决定了不同的学习率。当验证错误率与训练错误率相差较大时，需要继续增大迭代次数或者调整网络结构。网络超参数的调整可以采用人工手动调节的方法，即对上述单个参数或多个参数分别进行赋值，然后返回执行上述步骤s140-s160，观察参数手动设置下的深度神经网络模型性能。或者，可以用效率更高的超参数自动优化方法替代，如常用的网格搜索、随机搜索、基于ga、粒子群(pso)的搜索算法、基于梯度的蒸馏反模式自动微分(drmad)方法等。步骤s180，输入标准化测试集，得到测试集上的效能预测值。步骤s190，判断深度神经网络模型的泛化误差是否满足需求。若是，得到优化后的网络模型，执行步骤s200或步骤s300，若否，执行步骤s1100。标准化测试集能够检验度神经网络模型的泛化能力，如果在标准化验证集上的效果比标准化训练集上差很多，这时模型过拟合，说明泛化误差不满足需求，执行步骤s1100，反之，说明泛化误差满足需求，即获得优化后的网络模型，可进行效能评估和优化，执行步骤s200或步骤s300。步骤s1100，根据泛化误差情况，调整网络超参数，执行步骤s140。针对过拟合现象，采用正则化方式减弱模型过拟合，常用的一种正则化方法是删掉隐藏层神经元(dropout正则化)的方法。替代方法可选用提前终止法、l1正则化、l2正则化以及数据集扩增方法等。步骤s200，将待评估的样本数据输入到优化后的网络模型中，得到效能评估值。步骤s300，判断是否为单效能优化。若是，执行步骤s400，若否，执行步骤s500。步骤s400，采用ga算法进行单效能优化。具体地，如图3所示，步骤s400包括以下步骤。步骤s410，初始化ga参数、种群、各参数取值范围。初始化ga算法最大迭代次数，种群规模，交叉概率，变异概率，各参数取值范围。染色体采用实数编码，每一个基因的取值即是对应参数的实际取值，每一个染色体表示一个个体，代表各参数取值的一组组合。染色体编码方式可以采用其他方法替代，常用的如二进制编码，但二进制编码在参数较多的情况效率比较低。步骤s420，调用优化后的网络模型预测出的种群个体效能指标值作为个体自适应值。基于上述步骤得到的优化后的网络模型，对各参数在其取值范围内的样本组合数据进行预测，以此作为个体适应度值。步骤s430，判断是否达到终止条件。若是，执行步骤s450，若否，执行步骤s440。步骤s440，执行选择、交叉、变异操作，执行步骤s420。选择算子选为轮盘赌操作，替代方法可选用随机遍历抽样法、线性排序、指标排序、锦标赛选择法等。交叉算子选为单点交叉，较为常用的其他替代方法有两点交叉、多点交叉、均匀交叉等。变异算子选为单点变异，易于操作，较为常用的其他替代方法有两点变异、多点变异等。步骤s450，输出最优想定参数组合，结束流程。步骤s500，采用nsgaii算法进行多效能优化。采用精英策略的非支配排序的遗传算法(nsgaii)进行多效能优化，具体地，如图5所示，步骤s500包括以下步骤。步骤s510，初始化nsgaii参数、种群、各参数取值范围。此步骤与步骤s410类似，具体参见步骤s410，在此不在重复阐述。步骤s520，判断是否生成了第一代子群。若是，进化代数加1，从第二代开始执行步骤s540，若否，步骤s530。步骤s530，调用优化后的网络模型预测种群个体效能指标值作为个体自适应值，将种群个体非支配排序；选择、交叉、变异。执行步骤s520。步骤s540，将子代种群与父代种群合并。步骤s550，判断是否生成新的父代种群。若是，执行步骤s570，若否，执行步骤s560。步骤s560，调用优化后的网络模型预测种群个体效能指标值作为个体自适应值，将种群个体非支配排序；对每个非支配层中的个体进行拥挤距离计算；选择合适个体组成新父种群。执行步骤s550。具体地，若两个体的非支配排序不同，更低排序的个体较优；否则，若两个体属于同一前沿面，具有较低拥挤距离的个体更优，选择较优的个体组成新的父代种群。步骤s570，选择、交叉、变异，产生新的子代种群。步骤s580，判断是否达到最大迭代次数。若是，执行步骤s590，若否，进化代数加1，执行步骤s540。步骤s590，输出帕累托最优解。对于上述步骤s530和s560中提到的个体适应度值的计算，与步骤s420类似，具体参见步骤s410，在此不在重复阐述。对于上述步骤s530和s560中提到的个体非支配排序，如图6所示，具体包括以下步骤：步骤a1，初始化序号i＝1，原始种群为q(1)。步骤a2，找出种群q(i)的非支配解集，作为第一非支配层，记为fi。步骤a3，将fi非支配层中所有个体赋予非支配序值为1。步骤a4，fi非支配层中所有个体去除，余下的个体组成新的种群，记为q(i+1)。步骤a5，判断种群分层是否完成；若是，执行步骤a6，若否，i加1，返回执行步骤a2。步骤a6，输出种群中所有个体的非支配排序。对于上述步骤s560中提到的拥挤距离计算，如图7所示，具体包括以下步骤：步骤b1，初始化同层的个体拥挤距离。步骤b2，将同层个体按第i个目标函数值进行升序排列。步骤b3，给排序边缘的个体拥挤距离赋予一个较大的值，使得其具有选择优势。步骤b4，计算排序中间的个体的拥挤距离。步骤b5，判断是否计算完所有的目标函数。若是，执行步骤b6，若否，执行步骤b2。步骤b6，输出种群所有个体的拥挤距离。为进一步详细阐述该方案，下面结合以上内容，通过具体的应用，本发明还提供了一个具体实施例1，对本发明的技术方案作进一步的说明。实施例1本发明在coretm2duocpue8400@3.00ghz2.99ghz2.00gb内存的32位操作系统上进行。某wsos作战仿真系统是一个多兵种分布式体系对抗仿真系统，其涵盖了红蓝方典型的作战要素，包括海陆空各兵种各种用途的作战装备。体系作战是在特定的想定文件下按照一定的对抗流程来执行作战任务，作战过程中各参战方都表现出一定程度上的作战效能。该应用研究基于已有的大量想定参数组合数据和作战效能数据，假设要研究的想定参数有m个，记为x1,x2,…,xm，每个参数取一定范围内的实数，为xi∈[di1,di2],i＝1,2,…m，目的是预测未知标签的想定参数组合(x1,x2,…,xm)下红方作战效能的取值，以及红方某一或某几个作战效能指标最优时想定参数如何组合取值，具体的步骤如下：步骤s100，构建深度神经网络模型，输入用于优化的样本数据，对模型进行训练、验证和测试，得到优化后的网络模型。若需要进行效能评估，则执行步骤s200，若需要进行效能优化，则执行步骤s400。具体地，步骤s100包括以下步骤。步骤s110，将用于优化的样本数据划分为训练集、测试集和验证集。按照一定比例，将用于优化的样本全集随机划分为训练集、测试集和验证集，训练集、测试集和验证集之间没有交集，且并集为用于优化的样本全集。如用于优化的样本数据较小(几百个样本以下)时，划分的比例可以是60％、20％、20％。若为大型数据(几千及几万个样本以上)，验证集及训练集可以适当的取少，满足其作用即可，划分的比例可以是80％、10％、10％。步骤s120，分别将训练集、测试集和验证集进行标准化处理，得到标准化训练集、标准化测试集和标准化验证集。wsos中装备种类众多，各装备的性能参数不同，因此各参数的度量单位不同，取值范围差别较大。为了提高深度神经网络模型的训练速度和精度，需要将各维特征(参数)在各自的维度上进行标准化，这里采用零-均值规范化(z-score)方法，使得处理后的各维度特征符合标准正态分布，转换公式如下。其中，x是某维度特征的取值，μ是样本集中该维度特征取值的均值，σ是该维度特征取值的方差，xpre是该维度特征标准化后的取值。步骤s130，构建深度神经网络模型，如图8所示，设定深度神经网络模型的损失函数、模型精度、最大学习次数。基于tensorflow深度学习框架搭建dnn，设置模型的输入层神经元个数，设置隐含层层数及每层神经元个数和激活函数，初始化权重和阈值，设定损失函数，模型精度，最大学习次数。例如，针对体系作战效能评估预测问题，设置dnn包含m个输入层、4个隐藏层和1个输出层，四个隐藏层分别包含1024、512、256、128个神经元，误差函数选为均方差损失函数，该dnn的结构如图7所示。x表示输入，wi、bi(i＝1,2,3,4)分别表示各隐含层神经元的权重和阈值，维度分别为:w1,m×1024；b1,1×1024；w2,1024×512；b2,1×512；w3,512×256；b3,1×256；w4,256×128；b4,1×128。wo、bo分别表示输出层神经元的权重和阈值，维度依赖于最后一个隐含层神经元个数和要学习的效能指标的个数，如效能指标为p个，则分别为wo,128×p；bo,1×p，y表示p个效能指标预测值。步骤s140，设定深度神经网络模型的优化器，将标准化训练集输入到深度神经网络模型中，进行模型训练。选定adam优化器，dnn对测试集进行学习，在学习过程中，以最小化均方差损失函数为目标，逐步地调整网络权值和阈值。步骤s150，判断训练是否设定的模型精度或最大学习次数。若是，训练结束，执行步骤s160，若否，执行步骤s140。步骤s160，基于标准化验证集，检查模型性能是否满足要求。具体地，检查模型在标准化验证集上是否发散、分类问题的分类精度、回归问题的预测误差等等性能是否满足设定要求。若是，执行步骤s180；若否，执行步骤s170；步骤s170，根据模型性能的检查结果，调整网络超参数。执行步骤s140。分析验证误差，给超参数赋新的值。例如，若验证结果超过最优值，将学习率调小；若验证过程过慢，将学习率变大。若验证错误率与训练错误率相差较大，增大迭代次数或者尝试不同的网络结构，如减少隐含层数目等。步骤s180，输入标准化测试集，得到测试集上的效能预测值。步骤s190，判断深度神经网络模型的泛化误差是否满足需求。若是，得到优化后的网络模型，执行步骤s200或步骤s300，若否，执行步骤s1100。标准化测试集能够检验度神经网络模型的泛化能力，如果在标准化验证集上的效果比标准化训练集上差很多，这时模型过拟合，说明泛化误差不满足需求，执行步骤s1100。反之，说明泛化误差满足需求，即获得优化后的网络模型(dnn)，可进行效能评估和优化，执行步骤s200或步骤s300。步骤s1100，根据泛化误差情况，调整网络超参数，执行步骤s140。针对过拟合现象，在网络训练的时候采用dropout正则化的方法，设置dropout的比例为一定比例，比如20％，使用tensorflow相应功能模块将会随机删掉该20％的隐藏层神经元。步骤s200，将待评估的样本数据输入到优化后的网络模型(dnn)中，得到效能评估值。步骤s300，判断是否为单效能优化。若是，执行步骤s400，若否，执行步骤s500。步骤s400，采用ga算法进行单效能优化。具体地，步骤s400包括以下步骤。步骤s410，初始化ga参数、种群、各参数取值范围。初始化ga算法最大迭代次数，种群规模，交叉概率，变异概率，各参数取值范围。染色体采用实数编码，每一个基因的取值即是对应参数的实际取值，每一个染色体表示一个个体，代表各参数取值的一组组合。以x1∈[6,12]为例，若其取值为8.1，则对应染色体第1个基因位取值为8.1，将所有参数取值按顺序串联起来，构成一个长度为m的染色体。步骤s420，调用优化后的网络模型(dnn)预测出的种群个体效能指标值作为个体自适应值。基于上述步骤得到的优化后的网络模型(dnn)，对各参数在其取值范围内的样本组合数据进行预测，以此作为个体适应度值。每一组参数取值组合样本的长度为m，该样本为参数实数编码后的染色体表现型。例如，若待优化的效能指标对应样本标签数据中p中的第一列，则调用dnn对m长度的无标签样本数据进行预测后，会得到p列预测值，这时仅取第一列作为种群个体的适应度值。步骤s430，判断是否达到终止条件。终止条件为最大迭代次数。若是，执行步骤s450，若否，执行步骤s440。步骤s440，执行选择、交叉、变异操作，执行步骤s420。选择算子选为轮盘赌，交叉算子选为单点交叉,变异算子选为单点变异。步骤s450，输出最优想定参数组合，结束流程。步骤s500，采用nsgaii算法进行多效能优化。具体地，步骤s500包括以下步骤。步骤s510，初始化nsgaii参数、种群、各参数取值范围。步骤s520，判断是否生成了第一代子群。若是，进化代数加1，执行步骤s540，若否，步骤s530。步骤s530，调用优化后的网络模型预测种群个体效能指标值作为个体自适应值，将种群个体非支配排序；选择、交叉、变异。执行步骤s520。步骤s540，将子代种群与父代种群合并。步骤s550，判断是否生成新的父代种群。若是，执行步骤s570，若否，执行步骤s560。步骤s560，调用优化后的网络模型预测种群个体效能指标值作为个体自适应值，将种群个体非支配排序；对每个非支配层中的个体进行拥挤距离计算；选择合适个体组成新父种群。执行步骤s550。具体地，若两个体的非支配排序不同，更低排序的个体较优；否则，若两个体属于同一前沿面，具有较大拥挤距离的个体更优，选择较优的个体组成新的父代种群。步骤s570，选择、交叉、变异，产生新的子代种群。步骤s580，判断是否达到最大迭代次数。若是，执行步骤s590，若否，迭代次数加1，执行步骤s540。步骤s590，输出帕累托最优解，结束流程。对于上述步骤s530和s560中提到的个体适应度值的计算，与步骤s420类似，具体地，每一组参数取值组合样本的长度为m，该样本为参数实数编码后的染色体表现型。例如，若待优化的效能指标有两个，分别对应样本标签数据中p中的第一列和第三列，则调用dnn对m长度的无标签样本数据进行预测后，会得到p列预测值，这时仅取第一列和第三列作为种群个体的适应度值。对于上述步骤s530和s560中提到的个体非支配排序，具体包括以下步骤：步骤a1，初始化序号i＝1，原始种群为q(1)。步骤a2，找出种群q(i)的非支配解集，作为第一非支配层，记为fi。步骤a3，将fi非支配层中所有个体赋予非支配序值为1。步骤a4，fi非支配层中所有个体去除，余下的个体组成新的种群，记为q(i+1)。步骤a5，判断种群分层是否完成；若是，执行步骤a6，若否，i加1，返回执行步骤a2。步骤a6，输出种群中所有个体的非支配排序。对于上述步骤s560中提到的拥挤距离计算，具体包括以下步骤：步骤b1，初始化同层的个体拥挤距离。初始化同层所有个体的拥挤距离l[i]d为0，记i为目标函数的序列号，初始化为1，d表示距离。步骤b2，将同层个体按第i个目标函数值进行升序排列。步骤b3，给该层排序边缘的个体拥挤距离赋予一个较大的值(比如给排序第一的个体和最后一个个体的拥挤距离均设为无穷大)，使得其具有选择优势。步骤b4，计算该层排序中间的个体的拥挤距离，计算如下：其中，l[i]d为该层第i个体的拥挤距离，l[i+1]j为该层第i+1个体的第j个目标函数值，l[i-1]j为该层第i-1个体的第j个目标函数值，和分别为该层第j个目标函数的最大值和最小值。步骤b5，判断是否计算完所有的目标函数。若是，执行步骤b6，若否，执行步骤b2。步骤b6，输出种群所有个体的拥挤距离。应用具体实例，例如，要考查的想定参数(因子)有m＝10个，记为x1,x2,…,x12，各个因子的水平取值如表格1所示。表1因子变量名因子水平1因子水平2因子水平3x16812x2234x31.222.8x4306090x512.51517.5x60.850.951.05x74080120x812.54x9354555x1012.522.532.5对应表格1，现有想定参数及体系效能值样本数据1000个，每个样本对应的效能指标有p＝2个。将该样本集按60％、20％、20％比例划分成训练集、验证集、测试集，分别进行标准化处理，然后将构建好的dnn基于标准化训练集、标准化验证集、标准化测试集按照上述步骤s130～步骤s1100进行循环迭代学习，最终得到性能良好的优化后的dnn，最后将未知效能值的参数取值组合数据输入到该优化后的dnn，即可得到对应的效能评估值，即实现了体系效能的智能化评估。例如，优化后的dnn对待评估样本数据[8,3.0,1.2,30,17.5,0.85,40,1.0,35,12.5]进行评估，得到效能评估值[0.270175,0.56976455]。基于优化后的dnn，想定参数的取值范围如表格1所示。按照步骤s400，采用ga算法以优化舰艇反侦察能力指标为例，设置迭代次数100，种群规模为10，初始交叉概率pc＝0.9，变异概率pm＝0.1，在第57代时，得到反侦察能力最大值为0.590648。结果如图9所示，对应的想定参数取值组合为：[10.931,2.628,1.354,87.828,16.689,1.025,73.806,3.531,52.391,31.813]。按照步骤s500，采用nsgaii算法以优化反侦察能力和态势完备性为例，设置迭代次数为100，种群规模为10，初始交叉概率pc＝0.9，变异概率pm＝0.1，到达最大迭代次数后，最终得到了50个帕累托最优解，如图10所示，每个最优解对应着一组想定参数取值组合，供决策者依据一定的考量准则从中选择合适的最优解。至此，本发明所述的智能化的wsos作战效能评估与优化方法完成了wsos作战效能的智能化评估、单个及多个效能指标的智能化优化。以上所述的本发明实施方式并不构成对本发明保护范围的限定。本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本
技术领域：
中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。当前第1页12