傅蔚阳，刘以安，薛松

严格来讲，目标威胁估计是一个NP困难问题[1]。在进行威胁估计时，给出一个各种因素与威胁程度的函数关系困难很大。文献[2]使用BP神经网络处理目标威胁估计问题获得了不错的结果，但BP神经网络也有着明显缺点，比如训练时间长、易陷入局部极值、学习率η选择敏感等。所以本文提出了改进的磷虾群算法(oppositionbased learning Krill Herd optimization, OKH)优化极限学习机的目标威胁估计模型。磷虾群算法是2012年由Gandomi等[3]提出的一种新的仿生优化算法。由于其参数少、模型简单、算法性能好而获得大量运用。但是在处理复杂的优化问题时，其易陷入局部极值和出现算法后期收敛速度变慢的问题[4]。极限学习机[5-6]是一种针对单隐含层前馈神经网络(single-hidden layer feedforward neural netwark, SLFN)的算法。该算法与传统训练方法相比，具有学习速度快、泛化性能好的优点，但对初始权值与阈值过度依赖[7]。为解决上述缺点，本文提出了OKH算法，利用收集到的目标威胁度数据建立了目标威胁估计模型 (extrem learning machine，ELM) ，并使用反向磷虾群算法优化ELM模型的初始参数。为了验证本模型的可靠性，将本模型与其他几种神经网络模型作了对比研究。

1 反向磷虾群算法

1.1 标准磷虾群算法

KH算法是基于自然界磷虾群寻找食物和相互通信的模拟，采用拉格朗日模型模拟磷虾的移动且引入了遗传算子来提高物种多样性[8-9]。在KH算法中，每个磷虾都代表了n维解空间中的一个潜在解，磷虾食物代表了算法寻优需要找到的全局最优解。与其他仿生算法相比，磷虾群算法实现起来较为容易，除了时间间隔依据需求人为设定，剩余参数都取自真实生态的研究结果，所以有效避免了因参数设置不当而导致的算法性能下降问题[10]。……