论文部分内容阅读
随着复杂系统仿真技术、计算能力和数据管理能力等的发展,作战仿真模型的规模日渐庞大,仿真数据逐步呈现大数据特点,对效能评估模型的构建也提出了新的挑战。效能指标体系呈现出高维度、高冗余、高相关等特点,需要采用更有效的数据处理方法来进行指标降维。同时,根据效能评估结果对仿真方案进行优化变得比评估本身更具有实际意义。论文结合人工智能技术,开展针对大数据背景下的效能评估分析技术研究。主要研究内容包括:（1）采用堆叠稀疏自编码神经网络对高冗余、高相关的仿真指标进行降维。实验中,通过对某次航母舰载机体系作战仿真实验统计得到了10个效能指标进行降维;对比发现,堆叠稀疏自编码神经网络的降维效果较自编码神经网络、主成分分析等传统降维方法效果更好,更有利于数据特征的提取。（2）提出TPN（Triple Path Network）神经网络模型。文中首先搭建6种基于CNN的深度神经网络架构进行效能评估实验,对比发现ResNet在论文使用的仿真数据中学习效果最佳。通过考虑模块化结构和网络层的并联操作,论文在ResNet和DPN网络基础上改进得到了TPN网络模型。TPN网络在MNIST数据集与CIFAR-10数据集中的分类准确率分别达到了99.28%和94.65%,较DPN网络性能有所提升。同时在效能评估实验中,TPN网络也取得了最好的训练效果,其回归误差最低,收敛效果最好。因此,根据训练得到的TPN网络模型,论文建立了智能化效能评估模型。（3）提出作战仿真参数的全局寻优改进蚁群算法（POIAC）。论文的蚁群算法中考虑了2种路径选择规则、4种信息素更新规则、3种信息素区间规则,其中在信息素更新规则方面,提出了改进精英蚁群规则AScomp。将设计的24组算法在航母舰载机体系作战仿真实验数据中进行对比实验,结果表明AScomp规则得到的平均最大效能评估值最大,全局寻优能力最强。在此基础上,利用改进蚁群算法实现了作战仿真参数的全局寻优,得到最大效能评估值对应的参数输入组合。