基于遗传-支持向量机的侦察无人机作战效能评估

吕建科 朱靖 王涛

摘 要：侦察无人机作战效能评估在实际侦察任务中具有重要意义。针对侦察无人机作战效能评估过程中影响因素复杂、小样本、非线性等问题，引入了支持向量机算法，为了提高评估的效率和有效性，引入遗传算法对支持向量机的参数进行了优选，提高了整体评估效率。仿真实验结果表明遗传-支持向量机模型可以准确地对侦察无人机进行作战效能评估，具有较好的计算精度。

关键词：侦察无人机;作战效能评估;遗传算法;支持向量机

0引言

2019年以来，各国无人机在南海区域飞行频次越来越多，其主要是针对南海区域环境进行任务侦察。由于网络中心战理念的不断加深，新式武器装备的列装，南海区域环境越来越复杂，侦察无人机的侦察环境不尽人意，需要通过有效的手段对侦察无人机的作战效能进行预先评估，因此，评估侦察无人机作战效意义重大。

1 支持向量机回归模型

在支持向量机模型中[1]，设{（x1，y1），…，（xi，yi）} 表示训练样本，xi∈Rm 表示样本数据的第i个输入，yi∈R 表示第i个数据输出，按照支持向量机高维映射构建所需要的回归模型。设回归模型为：

在公式（1）中，{}表示为内积运算，ω 是运算的复杂程度，Rm 表示高维映射空间，b是常数。

当求解这个回归模型时，常常将回归函数转化成如下函数进行求解[1]：

在公式（2）和（3）中，ξ 表示函数的松弛变量，ξ≥0 ，C表示函数约束的惩罚参数，C>0。在求解过程中，需要对参数C和ξ进行参数优选，优选时公式（1）可以转化为下式：

在公式（6）中，K（xi，xj） 表示符合Mercer条件的核函数，常见的核函数一般有四种，本文采用高斯核函数进行回归评估。

支持向量机回归效果如何与其所需要优化的参数有极大的关系，因此为了更好的对侦察无人机的作战效能进行评估，本文引入遗传算法对参数进行优化。

2 支持向量机参数自适应遗传优化模型的建立

遗传算法是一种群体寻优算法，引入遗传算法对惩罚参数 和核函数参数 进行优化。优化步骤为：

（1）采用实数编码将作战效能评估体系的各特征数据作为初始种群;

（2）将方差函数作为适应度函数;

（3）将经典的交叉和变异因子来生成新的因子个体。

（4）通过物种的多样性函数，以方差的大小设置阈值控制早熟現象。

（5）当迭代次数达到设置值时得到最优值。

3 建立评估指标体系

为了说明本文所提算法对侦察无人机作战效能的有效评估，在总结了各种文献的基础上，引入文献[3]同样的评估指标体系，即无人机的作战半径，实用升限，信息的搜集能力，信息的加工能力，人员操作水平和战场环境的影响系数[3]。

（1）作战半径：侦察无人机依靠本身的能力，能够飞行作战的最大范围，作战半径的大小直接影响着侦察无人机的作战效能，其为一个定量数据。

（2）实用升限：侦察无人机能够有效侦察所在的水平高度，其为一个定量数据。

（3）信息的搜集能力：能够进行有效侦察任务时，无人机本身设备的性能能力，其为一个定性数据。

（4）信息的加工处理能力：能够反映无人机情报加工和传输的能力，其为一个定性数据。

（5）人员操作水平：当利用无人机进行侦察时，无人机的操作人员操作素质、熟练度都会对作战效能产生直接影响，其为一个定性数据。

（6）战场环境系数：侦察无人机执行任务时，其所处的自然环境和人为环境都会直接影响其作战效能，其为一个定性数据。

在对上述指标数据预处理过程中，定量数据保持原数据不变，定性数据采用从高到低表示强弱的9 级定量化方法进行处理。

4实际算例与分析

本文基于Matlab_R2014a平台，编程实现了侦察无人机作战效能评估算法，采用第三部分建立的评估指标体系，利用遗传-光滑支持向量算法进行作战效能的评估。实验数据集为参考文献[3]中表4.1的数据，选取了前25个数据作为为训练集，后5条数据为测试集展开实例研究。为了验证本文算法的预测效果，本文以APSO-SVM[4]和LS-SVM算法[5]进行比较分析。具体结果如图3所示。

从图3中可以看出，本文所提算法与原始数据最为吻合，APSO-SVM算法在第26、27和30组预测偏差较大，LS-SVM算法在第26组和30组偏差较大，因此，与其他两种算法相比，本文算法的预测准确性较高。

为了方便分析，在这里引入相对误差进行分析，相对误差数据见如表1所示，其比较分析如图4所示。

从图4和表1可以看出，与APSO-SVM算法和最小支持向量机回归算法相比，本文算法的相对误差较低，预测误差绝对值都在4%以内，而且相对比较稳定。

综上实例分析，本文提出的遗传-支持向量机算法在作战效能评估方面有较好的预测准确率，具有较好的鲁棒性和快速适应性，可以满足在复杂场景下侦察无人机作战效能的评估。

5  结论

本文构建了遗传-支持向量机模型对侦察无人机的作战效能进行了评估。通过遗传算法对支持向量机的惩罚参数和核参数进行了参数的优选处理，提高了支持向量机回归算法的计算效率。通过实例证明相较于APSO-SVM算法和LS-SVM算法，本文所提的算法具有较好的预测准确率，同时具有较好的鲁棒性和可扩展性，可以对场景复杂、扰动因素较多的作战效能进行评估，这为不同作战体系下的效能评估提供了重要的技术支撑，具有较高的实用价值。

参考文献：

[1] Saunders C，Stitson M O，Weston J， et al. Support vector machine[J]. 2002，1（4）：1-28.

[2]  Kalyanmoy， AGRAWAL， Samir， et al. A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization： NSGA-II [M]. Parallel Problem Solving from Nature PPSN VI. 2000：258-269

[3] 胡乃宽. 神经网络与支持向量机在无人机效能评估的应用[D].沈阳航空航天大学，2018.

[4] 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， 043（010）：31-34.

[5] 代耀宗， 沈建京， 郭晓峰，等. 基于LS-SVM算法的实兵对抗演习作战效能评估[J]. 火力与指挥控制， 2019， 44（04）：19-23.

作者简介：

吕建科（1974-），男，汉，河北省辛集市，本科，高工，研究方向：软件工程，信息融合.