尹航　張博　李民杰

【摘 要】本文基于ANN-GA相結(jié)合的方法建立了士官考核系統(tǒng)的模型。士官考核的GA-ANN的模型結(jié)構(gòu)為7-8-1，在模型中的動量因子和學(xué)習(xí)速率分別為0.6和0.8。士官考核的GA-ANN的模型其最大的測試模型測試數(shù)值為為6.98%?；谑抗倏己讼到y(tǒng)的GA-ANN模型具有運(yùn)算速度快、模擬精度高的特點(diǎn)，可有效的通過士官的基礎(chǔ)數(shù)據(jù)模擬評估出該士官的綜合水平，為有效的選拔基層士官提供了一種新方法。

【關(guān)鍵詞】士官考核；模型；ANN；GA

0 目的

隨著國際局勢的復(fù)雜性和多樣性的變化，這對未來國際間局部戰(zhàn)爭提出了更高的要求。未來戰(zhàn)爭的主要力量是基層士官，其主要擔(dān)負(fù)著執(zhí)行上級教官的命令和任務(wù)，肩負(fù)著管理基層部隊的責(zé)任。切實(shí)以科學(xué)發(fā)展觀抓好新時期中基層士官的培訓(xùn)和教育工作，加速推進(jìn)軍隊人才管理和評估工作對于提高部隊整體水平、增強(qiáng)我軍戰(zhàn)斗力有著十分重要的理論和實(shí)踐意義。對基層士官的各項(xiàng)內(nèi)容進(jìn)行評估是目前考核和選拔基層軍官的方法之一?；鶎邮抗俚脑u估項(xiàng)目主要有軍事知識技能學(xué)習(xí)、團(tuán)隊協(xié)助技能、責(zé)任感、計劃執(zhí)行能力、學(xué)習(xí)能力、有效溝通、心理技能及事業(yè)心等[1]。然在上述內(nèi)容主要靠人為主觀性的測量和評判，難以達(dá)成統(tǒng)一的共識，這就造成了部分優(yōu)秀的基層士官漏選的可能性，對我黨和人民造成了極大的損失。人工神經(jīng)網(wǎng)絡(luò)方法（ANN）是目前迅速發(fā)展的學(xué)科之一，其基于大數(shù)據(jù)理論，可從海量的數(shù)據(jù)中尋找出事物邏輯關(guān)系[2]。遺傳算法（GA）是基于人工智能尋優(yōu)的方法之一，該方法可從海量的數(shù)據(jù)中尋找最優(yōu)的結(jié)果[3]。本文基于ANN與GA相結(jié)合的方法，以5年內(nèi)1000例基層士官的數(shù)據(jù)統(tǒng)計為基礎(chǔ)，建立士官選拔的ANN-GA模型，為選拔基層優(yōu)秀士官提供一種新方法。

1 理論

選取某院5年內(nèi)1000例基層士官的軍事知識技能學(xué)習(xí)成績、團(tuán)隊協(xié)助技能考核成績、責(zé)任感評分、計劃執(zhí)行能力評分、有效溝通評分、心理技能評分及事業(yè)心評分。然后采用隨機(jī)抽樣的方式分析出實(shí)際實(shí)驗(yàn)組（500例）、模擬組（460例）及測試模擬組（40例）。其中人工實(shí)驗(yàn)組先用人工進(jìn)行評分，然后代入模型中進(jìn)行模擬。測試組用來測試模擬結(jié)果的準(zhǔn)確性。通過相對擬合率（Correlation Coef cient， 簡稱R值）來描述實(shí)際值與網(wǎng)絡(luò)輸出值之間的精度，當(dāng)R=1時候說明擬合效果最好。公式（1）是R值的表達(dá)形式。

其中Ei 實(shí)際實(shí)測結(jié)果，Pi是網(wǎng)絡(luò)輸出值，E和P分別為實(shí)測結(jié)果和網(wǎng)絡(luò)輸出值的平均值。其中Ti 實(shí)際實(shí)測結(jié)果，Yi是網(wǎng)絡(luò)輸出值。

相對誤差（relative error，簡稱 RE）來測試實(shí)際值與網(wǎng)絡(luò)模擬值之間的精度，公式（2）為RE值的表達(dá)形式：

其中，Ti 和 Yi分別為實(shí)際實(shí)測結(jié)果和網(wǎng)絡(luò)輸出值

2 理論

2.1 ANN神經(jīng)網(wǎng)絡(luò)

ANN神經(jīng)網(wǎng)絡(luò)主要通過數(shù)據(jù)的反復(fù)迭代和反饋從而實(shí)現(xiàn)數(shù)據(jù)輸入和輸出數(shù)據(jù)之間的聯(lián)系。通過數(shù)據(jù)的不斷往復(fù)傳播促使網(wǎng)絡(luò)的計算結(jié)果接近實(shí)驗(yàn)數(shù)據(jù)，其求解過程如下：

（1）將數(shù)據(jù)輸入模型中，促使模型初始化。隨后模型中隨機(jī)產(chǎn)生一個權(quán)值和閾值。根據(jù)實(shí)際的輸入域輸出結(jié)果確立模型輸入與輸出的期望值；

（2）數(shù)據(jù)依次從輸入層、隱含層、輸出層進(jìn)行傳遞；

（3）根據(jù)步驟（2）的結(jié)果不斷計算出模型總誤差；

（4）調(diào)整模型修正權(quán)值和閾值，確保誤差最??；

（5）如果輸出結(jié)果與期望結(jié)果（誤差精度和運(yùn)算迭代次數(shù)）滿足要求，停止運(yùn)算并輸出模擬結(jié)果，否則返回步驟（2）。

2.2 遺傳算法

遺傳算法（簡稱為GA）是模擬生物界遺傳和變異的方法形成的一種新的求解方式。該模型在研究樣本時將樣本每個數(shù)據(jù)看做單獨(dú)的個體，組成樣本的數(shù)據(jù)可以近似看成“生物體”的染色體，并分解成二進(jìn)制的字符串。在運(yùn)算過程中通過不斷的交換、突變等遺傳操做，促使數(shù)據(jù)接近目標(biāo)結(jié)果值。

2.3 ANN-GA模型

ANN-GA的模型結(jié)構(gòu)示意圖如圖1所示，其具體運(yùn)算流程如下：

（1）以所有士官的統(tǒng)計數(shù)據(jù)為ANN網(wǎng)絡(luò)輸入點(diǎn)，并將該數(shù)據(jù)結(jié)果設(shè)置為GA算法的個體；以各項(xiàng)目考核結(jié)果的最大值作為遺傳算法的判定結(jié)果；

（2）在建立好的ANN模型范圍內(nèi)隨機(jī)產(chǎn)生一個數(shù)據(jù)樣本，每個樣本按照生物遺傳的關(guān)系自行進(jìn)行復(fù)制、交叉、變異、遺傳并產(chǎn)生一組新的樣本；

（3）將產(chǎn)生的新樣本迭代入ANN中進(jìn)行預(yù)測，并計算和評估出每個樣本數(shù)據(jù)的結(jié)果。

（4）若計算出的樣本數(shù)據(jù)結(jié)果滿足系統(tǒng)設(shè)置的函數(shù)值，則輸出每個士官的考核結(jié)果，若不滿足則從新進(jìn)行計算。直至計算結(jié)束。

3 結(jié)果與分析

3.1 構(gòu)建模型

士官考核系統(tǒng)的ANN-GA模型下的R值與隱含層單元數(shù)的關(guān)系圖如圖2所示。圖3和圖4表明動量因子為0.6，學(xué)習(xí)速率為0.8時，網(wǎng)絡(luò)的均方誤差最小。因此，GA-ANN的模型結(jié)構(gòu)為7-8-1，在模型中的動量因子和學(xué)習(xí)速率分別為0.6和0.8。

3.2 模型測試結(jié)果

為了士官考核系統(tǒng)的ANN-GA模型模擬結(jié)果，用預(yù)留的40樣本數(shù)據(jù)來進(jìn)行測試。其結(jié)果如圖5所示。其最大的測試模型測試數(shù)值為為6.98%。從圖5可以看出：基于士官考核系統(tǒng)的GA-ANN模型具有運(yùn)算速度快、模擬精度高的特點(diǎn)，可有效的通過士官的基礎(chǔ)數(shù)據(jù)模擬評估出該士官的綜合水平，為有效的選拔基層士官提供了一種新方法。

4 結(jié)論

4.1 本文基于ANN-GA相結(jié)合的方法建立了士官考核系統(tǒng)的模型。

4.2 士官考核的GA-ANN的模型結(jié)構(gòu)為7-8-1，在模型中的動量因子和學(xué)習(xí)速率分別為0.6和0.8。

4.3 士官考核的GA-ANN的模型其最大的測試模型測試數(shù)值為為6.98%。

4.4 基于士官考核系統(tǒng)的GA-ANN模型具有運(yùn)算速度快、模擬精度高的特點(diǎn)，可有效的通過士官的基礎(chǔ)數(shù)據(jù)模擬評估出該士官的綜合水平，為有效的選拔基層士官提供了一種新方法。

【參考文獻(xiàn)】

[1]趙野，張紅.把握陸軍轉(zhuǎn)型方向培養(yǎng)新型陸軍指揮軍官[J].軍隊軍事理論研究，2016，17（2）：79-81.

[2]李國勇.神經(jīng)模糊控制理論及應(yīng)用[M].北京，電子工業(yè)出版社，2009：18-67.

[3]李國勇.智能控制及其MATLAB實(shí)現(xiàn)[M].北京，電子工藝出版社，2005：20-30.