[发明专利]基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法

说明书

一种基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法，主要提高弹药贮存可靠性评估的精度和稳健性，削弱了蚁群算法易陷入局部最优解的问题，弥补了BP神经网络易陷入局部极小、算法结果不稳定的缺陷。其规划步骤为：利用弹药贮存可靠性数据的变化规律，建立神经网络预测模型；在蚁群算法中引入后代蚂蚁信息素贡献因子，合理调整后代蚁群贡献的信息素浓度数量；利用改进蚁群算法的全局搜索能力优化BP神经网络的权值和阈值，通过蚁群觅食探索最短路线的寻优过程优化网络结构参数，进行弹药贮存可靠性评估。本发明通过改进方法更新信息素，有效避免了局部最优解问题，并通过智能优化BP神经网络的权值和阈值，克服了BP神经网络易陷入局部极小问题。

技术领域

本发明涉及弹药贮存可靠性技术领域，具体涉及一种基于改进蚁群算法优化BP神经网络的弹药贮存可靠性评估方法。

背景技术

弹药具有“长期贮存，一次使用”的特点，这使得弹药贮存可靠性成为衡量弹药质量的重要技术指标，科学合理的评估弹药在贮存中的可靠性是军队战斗力的重要保障。近年来，国内外学者对弹药贮存可靠性的评估方法进行了大量研究，包括基于模型评估法、基于马尔可夫过程、基于模糊数评估法、基于人工神经网络的评估方法及基于神经网络组合模型的评估等数理统计方法和智能算法，还有学者对武器系统的贮存寿命评估方法进行了研究，验证了利用神经网络评估模型的自适应性和较好的非线性映射的优点，使得其在可靠性评估模型中效果更优。但神经网络具有收敛速度慢，容易陷入局部极小值等问题，在此基础上提出基于神经网络组合模型的评估方法；同时，有很多学者对BP算法进行了大量的改进，但所得到的收敛速度和精度是有限的，容易陷入局部最优解，有学者和专家将具有全局优化性能的群智能算法应用于BP神经网络，如遗传算法、粒子群算法等，这些算法能够克服BP算法的缺陷，但智能算法本身又存在自己的缺陷，如遗传算法在搜索全局最优解的过程中因其复杂的遗传操作导致了网络训练时间和复杂程度的指数级增长，且算法缺乏局部区域的有效搜索机制，在算法后期收敛速度缓慢甚至出现停滞现象。

蚁群算法是指在自然界中蚂蚁在寻找食物时会在经过的路径上留下一种称为信息素的分泌物，蚁群中其他蚂蚁通过前面蚂蚁留下的信息素的浓度自适应地寻找出到达食物源最短路径的方法。蚁群觅食的这种集体协作行为构成了信息的正反馈现象，蚁群算法恰是受到了自然界蚁群觅食行为的启发，模拟了此过程中信息积累和传递的优化机制，通过个体之间的信息交流与相互协作最终找到全局最优解，但蚁群算法一般需要较长的搜索时间，存在易陷入局部最优的缺点。

目前，在其他领域中，有学者已经提出使用蚁群优化算法(即ACO算法)与BP神经网络相结合进行预测与评估，其中，ACO算法的记忆性、避障原则和并行性可以有效避免遗传算法的缺陷，并在模式分类、多目标化、任务分配和高维复杂的数据处理等问题均有应用。

由于ACO算法发展时间不长，理论基础和应用推广还需进一步深入研究，国内外将ACO算法与BP神经网络相结合应用到贮存可靠性的评估，有关文献还很少；特别是将改进ACO算法优化BP神经网络运用于弹药贮存可靠性评估的这一特殊领域，目前国内外还未查到有关文献。

因此希望设计一种基于改进蚁群算法优化BP神经网络对弹药贮存可靠性的评估方法，可以克服或至少减轻现有技术的上述缺陷。

发明内容

本发明要解决的技术问题是针对现有技术中的不足，设计一种基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法，在蚁群算法中引入后代蚂蚁信息素贡献因子，合理调整后代蚁群贡献的信息素浓度数量，智能优化BP神经网络初始权值，弥补BP神经网络易陷入局部极小、算法结果不稳定的缺陷，提高弹药贮存可靠性评估的精度和稳健性。

本发明提供的技术方案如下：

一种基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法，首先，利用弹药贮存可靠性数据的变化规律，建立神经网络预测模型；进一步，利用改进蚁群算法(即IACO算法)优化BP神经网络的权值和阈值，进行弹药贮存可靠性评估。具体过程包括如下几个步骤：