尹航　张博　李民杰

【摘 要】本文基于ANN-GA相结合的方法建立了士官考核系统的模型。士官考核的GA-ANN的模型结构为7-8-1，在模型中的动量因子和学习速率分别为0.6和0.8。士官考核的GA-ANN的模型其最大的测试模型测试数值为为6.98%。基于士官考核系统的GA-ANN模型具有运算速度快、模拟精度高的特点，可有效的通过士官的基础数据模拟评估出该士官的综合水平，为有效的选拔基层士官提供了一种新方法。

【关键词】士官考核；模型；ANN；GA

0 目的

随着国际局势的复杂性和多样性的变化，这对未来国际间局部战争提出了更高的要求。未来战争的主要力量是基层士官，其主要担负着执行上级教官的命令和任务，肩负着管理基层部队的责任。切实以科学发展观抓好新时期中基层士官的培训和教育工作，加速推进军队人才管理和评估工作对于提高部队整体水平、增强我军战斗力有着十分重要的理论和实践意义。对基层士官的各项内容进行评估是目前考核和选拔基层军官的方法之一。基层士官的评估项目主要有军事知识技能学习、团队协助技能、责任感、计划执行能力、学习能力、有效沟通、心理技能及事业心等[1]。然在上述内容主要靠人为主观性的测量和评判，难以达成统一的共识，这就造成了部分优秀的基层士官漏选的可能性，对我党和人民造成了极大的损失。人工神经网络方法（ANN）是目前迅速发展的学科之一，其基于大数据理论，可从海量的数据中寻找出事物逻辑关系[2]。遗传算法（GA）是基于人工智能寻优的方法之一，该方法可从海量的数据中寻找最优的结果[3]。本文基于ANN与GA相结合的方法，以5年内1000例基层士官的数据统计为基础，建立士官选拔的ANN-GA模型，为选拔基层优秀士官提供一种新方法。

1 理论

选取某院5年内1000例基层士官的军事知识技能学习成绩、团队协助技能考核成绩、责任感评分、计划执行能力评分、有效沟通评分、心理技能评分及事业心评分。然后采用随机抽样的方式分析出实际实验组（500例）、模拟组（460例）及测试模拟组（40例）。其中人工实验组先用人工进行评分，然后代入模型中进行模拟。测试组用来测试模拟结果的准确性。通过相对拟合率（Correlation Coef cient， 简称R值）来描述实际值与网络输出值之间的精度，当R=1时候说明拟合效果最好。公式（1）是R值的表达形式。

其中Ei 实际实测结果，Pi是网络输出值，E和P分別为实测结果和网络输出值的平均值。其中Ti 实际实测结果，Yi是网络输出值。

相对误差（relative error，简称 RE）来测试实际值与网络模拟值之间的精度，公式（2）为RE值的表达形式：

其中，Ti 和 Yi分别为实际实测结果和网络输出值

2 理论

2.1 ANN神经网络

ANN神经网络主要通过数据的反复迭代和反馈从而实现数据输入和输出数据之间的联系。通过数据的不断往复传播促使网络的计算结果接近实验数据，其求解过程如下：

（1）将数据输入模型中，促使模型初始化。随后模型中随机产生一个权值和阈值。根据实际的输入域输出结果确立模型输入与输出的期望值；

（2）数据依次从输入层、隐含层、输出层进行传递；

（3）根据步骤（2）的结果不断计算出模型总误差；

（4）调整模型修正权值和阈值，确保误差最小；

（5）如果输出结果与期望结果（误差精度和运算迭代次数）满足要求，停止运算并输出模拟结果，否则返回步骤（2）。

2.2 遗传算法

遗传算法（简称为GA）是模拟生物界遗传和变异的方法形成的一种新的求解方式。该模型在研究样本时将样本每个数据看做单独的个体，组成样本的数据可以近似看成“生物体”的染色体，并分解成二进制的字符串。在运算过程中通过不断的交换、突变等遗传操做，促使数据接近目标结果值。

2.3 ANN-GA模型

ANN-GA的模型结构示意图如图1所示，其具体运算流程如下：

（1）以所有士官的统计数据为ANN网络输入点，并将该数据结果设置为GA算法的个体；以各项目考核结果的最大值作为遗传算法的判定结果；

（2）在建立好的ANN模型范围内随机产生一个数据样本，每个样本按照生物遗传的关系自行进行复制、交叉、变异、遗传并产生一组新的样本；

（3）将产生的新样本迭代入ANN中进行预测，并计算和评估出每个样本数据的结果。

（4）若计算出的样本数据结果满足系统设置的函数值，则输出每个士官的考核结果，若不满足则从新进行计算。直至计算结束。

3 结果与分析

3.1 构建模型

士官考核系统的ANN-GA模型下的R值与隐含层单元数的关系图如图2所示。图3和图4表明动量因子为0.6，学习速率为0.8时，网络的均方误差最小。因此，GA-ANN的模型结构为7-8-1，在模型中的动量因子和学习速率分别为0.6和0.8。

3.2 模型测试结果

为了士官考核系统的ANN-GA模型模拟结果，用预留的40样本数据来进行测试。其结果如图5所示。其最大的测试模型测试数值为为6.98%。从图5可以看出：基于士官考核系统的GA-ANN模型具有运算速度快、模拟精度高的特点，可有效的通过士官的基础数据模拟评估出该士官的综合水平，为有效的选拔基层士官提供了一种新方法。

4 结论

4.1 本文基于ANN-GA相结合的方法建立了士官考核系统的模型。

4.2 士官考核的GA-ANN的模型结构为7-8-1，在模型中的动量因子和学习速率分别为0.6和0.8。

4.3 士官考核的GA-ANN的模型其最大的测试模型测试数值为为6.98%。

4.4 基于士官考核系统的GA-ANN模型具有运算速度快、模拟精度高的特点，可有效的通过士官的基础数据模拟评估出该士官的综合水平，为有效的选拔基层士官提供了一种新方法。

【参考文献】

[1]赵野，张红.把握陆军转型方向培养新型陆军指挥军官[J].军队军事理论研究，2016，17（2）：79-81.

[2]李国勇.神经模糊控制理论及应用[M].北京，电子工业出版社，2009：18-67.

[3]李国勇.智能控制及其MATLAB实现[M].北京，电子工艺出版社，2005：20-30.