李　橫，郭　鵬，胡汝翼，黎泓志

(后勤工程學院 軍事油料應用與管理工程系，重慶　401311)

?

基于遺傳神經網絡的軍用油庫選址優(yōu)化模型

李橫，郭鵬，胡汝翼，黎泓志

(后勤工程學院 軍事油料應用與管理工程系，重慶401311)

摘要：影響軍用油庫選址的因素眾多且具有不確定性，傳統(tǒng)的憑人主觀選址和線性規(guī)劃等方法選址不能充分體現(xiàn)各影響因素的主次成分及相互關系，為了解決該問題，將遺傳算法和神經網絡相結合，利用德爾斐法建立選址指標體系并進行指標的量化及歸一化，將各底層指標的歸一化值作為神經網絡的輸入，將代表選址等級的布爾變量作為神經網絡的輸出，利用遺傳算法來優(yōu)化神經網絡的連接權值和閾值，然后用足夠的樣本借助Matlab工具訓練此模型，通過模型的自適應學習，直到得到能正確表示網絡內部特征的那組閾值。實際應用表明，所建模型的操作性和實用性強，為軍用油庫實際選址提供直接的決策依據(jù)。

關鍵詞：軍用油庫；選址；遺傳算法；神經網絡

Citation format:LI Heng, GUO Peng, HU Ru-yi, et al.Optimization Model of Military Depot Location Based on Genetic Neural Network[J].Journal of Ordnance Equipment Engineering,2016(2):69-73.

軍用油庫的首要任務是保障油料供應，軍用油庫具體庫址選擇的好壞，不僅關系到軍用油庫戰(zhàn)時本身生存問題，更直接關系到保障任務能否完成，甚至間接影響到戰(zhàn)爭的進程甚至是勝負[1-3]。因此，恰當選擇軍用油庫的具體庫址，對于提高作戰(zhàn)油料保障效能具有重要的理論價值和實際意義。

由于影響軍用油庫選址的因素眾多且具有很大的不確定性，而神經網絡具有大規(guī)模并行、分布式存儲和處理、自組織、自適應和自學習能力，特別適合于處理需要同時考慮許多因素和條件的、不精確的信息處理問題，但是，當搜索空間較大時，神經網絡就容易在局部極小值點停止搜索，影響精度[4-11]。而遺傳算法針對全凸決策問題具有全局優(yōu)化學習能力，能夠克服神經網絡的上述缺點。因此，完全可以基于遺傳神經網絡建立相應的軍用油庫選址優(yōu)化模型。

1遺傳算法優(yōu)化神經網絡初值的步驟

基于神經網絡建立的軍用油庫選擇模型，采用傳統(tǒng)BP算法進行求解，如果初始連接權值和閾值選取不當，網絡收斂速度較慢，且易使網絡學習陷入局部極小。而遺傳算法針對全凸決策問題具有全局優(yōu)化學習方法，采用遺傳算法容易找到最優(yōu)的網絡初值，既提高網絡結構的穩(wěn)定性和全局收斂速度，又避免網絡學習陷入局部極小。因此，本文選用遺傳算法來優(yōu)化神經網絡初值。遺傳算法優(yōu)化神經網絡初值的步驟如下：

1) 參數(shù)設置

設置遺傳算法的種群大小N、終止迭代次數(shù)T、交叉概率Pc和變異概率Pm。

2) 染色體編碼

隨機產生初始權重種群P，種群中的每一條染色體由權重向量和閾值向量組成，表示為Wi=(w1i,w2i,…,wui,b1i,b2i,…,bvi)，(i=1,2,…,N)，u為神經網絡結構中權重總的個數(shù)，v為神經網絡的隱含層和輸出層總的閾值。

3) 計算適應度

采用神經網絡的目的是使整個網絡的學習能夠滿足既定精度，即期望輸出和實際輸出之間的誤差在預設范圍之內，因此，可以將設定的神經網絡全局誤差作為適應度函數(shù)設計的基礎，某個個體i的適應度值為

(1)

4) 選擇

5) 交叉

2個父代個體相互交換部分信息，從而產生2個子代，此過程采用一致交叉，該交叉方法創(chuàng)造新染色體的能力比單點和多點交叉強，而且魯棒性更好。隨機產生一個交叉掩碼，如果掩碼的某一位是1，則從第一個親代復制該位，否則從第2代復制該位，然后將兩個親代位置互換，產生第2個子代。

6) 變異

變異能夠保持物種多樣性，是一種更重要的進化方式，并且可以防止群體收斂到局部最優(yōu)解。隨機選擇一個個體，以變異概率Pm將Pm×N位個體的值進行變異操作，即0變?yōu)閘，l變?yōu)?。

7) 迭代

如果神經網絡的輸出精度滿足給定要求或遺傳算法達到給定的迭代次數(shù)，則迭代停止，否則，轉步驟四。

2指標體系建立與指標量化及歸一化

1) 指標體系建立

采用德爾斐法，通過咨詢軍區(qū)油料部門、聯(lián)勤分部油料部門、軍用油庫的領導、專家，以及油料院校有關專家教授，歷經咨詢、回收、處理的循環(huán)過程，從最初的5個一級指標22個二級指標，增加、刪除、修改成圖1所示的4個一級指標13個二級指標的軍用油庫選址指標體系。

圖1　軍用油庫選址指標體系

2) 指標量化及歸一化處理

由圖1可知，戰(zhàn)役軍用油庫選址指標體系一共由13個最底層指標組成，其中有的指標是可以量化的，有的指標是不能量化的。其中C2，C3，C4，C5共4個指標屬于可以量化的正向指標(即其值越大越好)，A1，B1，B2，B3共4個指標屬于可以量化的反向指標(即其值越小越好)，而A2，A3，C1，D1，D2共5個指標屬于不能量化的指標。因此，不能直接將這13個指標作為神經網絡的輸入值，即使輸入到神經網絡也不能得到正確的輸出結果。為此，需要對指標進行量化分析和歸一化處理，即對具有不同量綱，代表不同類型和物理含義的指標歸一化到某一區(qū)間內，并能最大限度地反映被研究對象的真實水平。

（1）樁西中、古生界潛山在經歷了擠壓應力到張性斷裂的交替變化后，其發(fā)育的負反轉構造主要有截斷取直型負反轉、單條沖斷系負反轉和復雜沖斷系的局部負反轉3種構造樣式。

其基本原理是：對可以量化的正向指標和反向指標，參照以往軍用油庫選址的經驗值，結合院校與部隊油料勤務專家的意見，確定出其最大值和最小值，把最大值對應設為1，最小值對應設為0(對應正向指標)，或把最大值設為0，最小值設為1(對應反向指標)，實際值就參照相應歸一化公式進行量算，使其值置于0~1。對不可量化的指標，應將其分為3個等級，分別為好、一般、差，其對應的歸一化值分別確定為0.85、0.7、0.55。

所有指標經量化及歸一化處理后，各指標均變成了正指標，且生成值都在0～1之間，其最優(yōu)值為1，最劣值為0，從而相互間具備了一致性和可比性。若經一致性處理后的評估指標值都為最優(yōu)值1，則可認為該地址最適合開設軍用油庫。

3軍用油庫選址遺傳神經網絡集成算法

1)BP神經網絡選址模型結構確定

BP神經網絡算法簡單、易于實現(xiàn)，在實際應用中，有80%～90%的神經網絡模型采用BP算法。因此，本研究采用3層BP神經網絡建立軍用油庫選址模型。

輸入層：根據(jù)軍用油庫選址評估指標體系中最底層的13個評估指標，可將輸入層的結點數(shù)確定為13個，并將各指標經量化及歸一化處理后的值作為神經網絡的輸入。

輸出層：根據(jù)實際開設軍用油庫的反饋情況來看，在實際工作中，要尋找完全符合13個二級指標要求的地址是不現(xiàn)實的，因此，軍用油庫選址，其評估等級不宜設得太細，若設置太細，其操作性較差。通?？稍O為3級：好、一般、差。根據(jù)軍用油庫選址評估的3個等級，將神經網絡的輸出層結點數(shù)確定為Y1、Y2、Y3，分別對應于好、一般、差3個等級。

隱層：一般來說，當訓練樣本集確定之后，BP神經網絡的輸入層結點數(shù)和輸出層結點數(shù)隨之確定，但隱層數(shù)及隱層結點數(shù)的確定是神經網絡結構設計的關鍵問題，也是神經網絡設計中比較困難的一個問題。實驗表明，如果隱結點數(shù)過少，網絡不具有自學習能力和信息處理能力；反之，隱結點數(shù)過多，不僅會大大增加網絡結構的復雜性，網絡在學習過程中更易陷入局部極小點，而且會使網絡的學習速度變得很慢。常用的方法是實驗法，即用實驗預先測定隱層數(shù)及隱層結點數(shù)。

從理論上講，有兩個隱層的神經網絡可以擬合任何復雜的映射，但兩個隱層是擬合復雜映射函數(shù)的充分條件而不是必要條件，也就是說用一個隱層也可以擬合相當復雜的映射。本模型選用一個隱層的BP神經網絡結構。隱層結點數(shù)，可利用現(xiàn)有的經驗公式：

(2)

2) 軍用油庫選址遺傳神經網絡集成算法

為了提高前面所確定的3層BP神經網絡的速度和精度，避免神經網絡學習失敗，影響選址輸出結果，本文將遺傳算法和神經網絡算法有機結合。首先采用遺傳算法優(yōu)化神經網絡的初值，得到優(yōu)化的3層BP神經網絡結構，然后調用BP神經網絡算法進行軍用油庫選址。構建的軍用油庫選址遺傳神經網絡算法如圖2所示。

圖2　軍用油庫選址遺傳神經網絡集成算法

3) 實例分析

① 樣本集的構造

遺傳神經網絡模型學習所需的樣本，可對指標體系中最底層13個經過量化及歸一化處理后的輸入值進行等級劃分而得到，不失一般性和有效性。在構造樣本時作如下規(guī)定：

若16個指標經量化和歸一化處理后的值為：X≥0.8，可認為選址評估等級為“好”。

若16個指標經量化和歸一化處理后的值為：0.6≤X<0.8，可認為選址評估等級為“一般”。

若16個指標經量化和歸一化處理后的值為：X<0.6，可認為選址評估等級為“差”。

根據(jù)以上規(guī)定，構造了表1所示的12組學習樣本，每個輸出等級對應4組訓練樣本。

軍用油庫選址評估的3個等級對應的期望輸出，可用布爾向量表示：好(100)、一般(010)、差(001)。

② 模型訓練

利用Matlab軟件神經網絡工具對樣本進行反復學習，隱層、輸出層傳遞函數(shù)分別選為tansig、logsig，反向傳播網絡的訓練函數(shù)選為trainlm，將處理后的樣本輸入Matlab軟件的神經網絡工具中，對網絡模型進行訓練，網絡的輸入層取13個節(jié)點，隱層取10個節(jié)點，輸出層取3個節(jié)點，E≤0.05，學習率η=0.5，步長調節(jié)因子γ=l.05，λ=0.85。遺傳優(yōu)化過程中，取種群大小N=10，對種群中個體進行遺傳操作的交叉概率Pc=0.5，變異概率Pm=0.001，經過5 260次訓練后滿足精度要求，網絡呈穩(wěn)定狀態(tài)，得到相應的連接權值和閾值，這樣就建立了神經網絡從輸入到輸出之間的非線性映射關系。表2是12組樣本的實際輸出值。

表1　12組學習樣本

表2　12組樣本的實際輸出值

③ 模型測試

由上可知，經過5 260次遺傳神經網絡模型學習后，每一組學習樣本的輸出值與期望輸出值十分接近，軍用油庫選址評估神經網絡模型具備了模式識別的能力，能夠自己從輸入數(shù)據(jù)中找到變化規(guī)律，進而達到自動識別。為了測試模型的自動識別能力，選取近年來新建軍用油庫的3組選址數(shù)據(jù)，從實際油料保障效能來看，該3組數(shù)據(jù)分別代表了軍用油庫選址的不同等級，對應為好、一般和差。以此作為測試數(shù)據(jù)，得到模型的實際輸出值，將實際輸出值與樣本的期望輸出值進行比較，從表3可以看出兩者非常接近，誤差僅為1.49%，說明所建立的遺傳神經網絡模型具有具備良好的自組織、自學習和容錯能力，能夠用來對軍用油庫選址進行實際評估。

表3　3組測試樣本的實際輸出值與期望輸出值對比

4) 實際應用

將訓練好的基于遺傳神經網絡的軍用油庫選址模型進行實際應用時，用戶只需輸入13個指標的實際值，便可自動得到輸出結果，并給出選址結論，供用戶決策參考。

由于不同的指標靈敏度不一，對最終選址結果的影響也不同，因此，必須對同層指標進行兩兩對比，確定其權重。主成分分析法是一種實用的多元分析方法，它能夠將眾多原始指標簡化為包含原始資料信息的少量綜合指標，而且各指標之間互不相關或相關度很小。利用SPSS統(tǒng)計軟件對圖1 所示的底層指標進行主成分分析，確定了“在主戰(zhàn)方向A1、突出保障重點A2、靠近主要公路B1、隱蔽偽裝條件C1、遠離彈藥庫、軍械庫C2”5個指標為主要指標。若用戶只考察某一個或幾個主要指標是否滿足要求，如果滿足，就選用，反之，就另尋他址。此時，可不用本模型，而是由用戶直接按條件進行篩選。

4結論

本文立足部隊實際，將人工智能理論應用到油料保障領域，綜合考慮了軍用油庫選址各種相關影響因素，建立了比較理想的遺傳神經網絡模型，并對模型進行了實際應用。模型既簡化又逼近客觀實際，可操作性較強，為軍用油庫實際選址決策時提供參考依據(jù)。本文所建模型對其他倉庫選址，如軍械庫、彈藥庫等，均有較大借鑒意義。

參考文獻：

[1]劉鵬飛,査國云.基于GA-PSO的野戰(zhàn)給水站選址優(yōu)化模型[J].四川兵工學報,2014(10):64-67.

[2]董巨為,慕曉冬.基于ArcSDE和Oracle 11g的某裝備車選址數(shù)據(jù)庫設計[J].四川兵工學報,2012(8):126-128.

[3]朱來輝,曹煒.基于FAHP的民用機場選址方案優(yōu)選[J].四川兵工學報,2012(6):117-119.

[4]李海峰,康中敏.基于混合遺傳神經網絡的電動汽車充電站最優(yōu)選址的研究[J].四川電力技術,2012(4):49-52.

[5]張經博,郭凌.基于遺傳算法優(yōu)化BP神經網絡的供暖系統(tǒng)熱負荷預測模型[J].四川兵工學報,2014(4):152-156.

[6]趙建春,葉麗娜.遺傳算法在故障診斷中的應用[J].四川兵工學報,2013(3):132-134.

[7]李曄.基于排序選擇的改進遺傳算法優(yōu)化的神經網絡控制[J].四川兵工學報,2010(9):117-119.

[8]邱國慶,何雷.基于神經網絡的野戰(zhàn)給水能力評價模型[J].四川兵工學報,2009(2):32-35.

[9]黃國棟.基于遺傳神經網絡的短期負荷預測研究[J].中國電力教育,2014(2):261-262.

[10]胡錦宏.基于遺傳神經網絡的煤層氣含量預測[J].綠色科技,2015(2):260-263.

[11]楊曉段,李元左.非戰(zhàn)爭軍事行動裝備保障資源運輸方式選擇模型[J].四川兵工學報,2013(12):35-40.

(責任編輯唐定國)

Optimization Model of Military Depot Location Based on Genetic Neural Network

LI Heng, GUO Peng, HU Ru-yi, LI Hong-zhi

(Department of Oil Application & Management Engineering,Logistic Engineering University of PLA, Chongqing 401311, China)

Abstract:Because the factors that affect the location of military oil depot are numerous and uncertain, the traditional method of subjective location and linear programming can not fully reflect the primary and secondary components and their relationship. So the combination of genetic algorithm and neural network is suitable for dealing with the above problems. By the method of establishing index system of location, we quantified and normalized index. The normalized values of the underlying indicators were used as inputs to the neural network. The Boolean variable representing the location level is the output of the neural network. The connection weights and threshold used genetic algorithm to optimize the neural network, and then used the Matlab tool to train the model, through the model of adaptivet learning, until it can indicate the internal threshold characteristics of the network group correctly. The practical application shows that the operation and practicability of the model is strong, which provides a direct basis for the actual location of the military oil depot.

Key words:military oil depot; location; genetic algorithm; neural network

文章編號：1006-0707(2016)02-0069-05

中圖分類號：E233

文獻標識碼：A

doi:10.11809/scbgxb2016.02.018

作者簡介：李橫(1968—)，男，博士，教授，主要從事油料勤務及油料信息化研究。

基金項目：總后勤部2015年資助項目“高原高寒地區(qū)軍隊油庫安全管理研究”

收稿日期：2015-07-20；修回日期：2015-08-15

本文引用格式：李橫，郭鵬，胡汝翼，等.基于遺傳神經網絡的軍用油庫選址優(yōu)化模型[J].兵器裝備工程學報，2016(2):69-73.

【后勤保障與裝備管理】