کاربرد الگوریتم ژنتیک و شبکه های عصبی در بهینه سازی سامانه C4I زیردریایی

با توجه به اهمیت مباحثی مانند BMS و C و CFI و CFISR در سطح جهان و رشد روز افزون این فناوری ها مخصوصا در زیردریایی ها، هوشمند نمودن این سامانه ها، کاهش زمان پردازش اطلاعات و افزایش دقت اطلاعات منتجه، از مباحث اساسی حوزه دفاع دریایی می باشد. از این رو انتخاب هوشمندانه حسگرهای جمع آوری اطلاعات و کشف و آشکارسازی اهداف از مباحث جدی این عرصه خواهد بود. به همین منظور در این مقاله سعی گردیده است تا با استفاده از ابزارهایی مانند الگوریتم ژنتیک و شبکه های عصبی، انتخاب حسگرها را به گونهای هوشمند طرح ریزی نماییم. استفاده از شبکه عصبی در واقع به منظور دستیابی به مقدار برازندگی هر کروموزوم الگوریتم ژنتیک می باشد که به وسیله آن قادر خواهیم بود بهترین پیکربندی 6 حسگری را برای پایش محیط مورد نظر با توجه به شرایط محیطی، کارآیی حسگرها و ویژگی اهداف بدست آوریم. بدین منظور الگوهای متنوع در شرایط متفاوت برای حسگر مختلف اعمال گردید و مقادیر نرخ تشخیص وجود هدف توسط این حسگرها جمع آوری گردید، که از این مقادیر نیز برای فرآیند آموزش شبکه عصبی استفاده شده است. با توجه به این که در زیردریایی ها در هر شرایط حداقل یکی از حسگرها دارای خروجی نبوده و خاموش بودن آن تاثیری در کشف و آشکارسازی هدف ندارد بنابراین می توان با دستورات منطقی آن حسگر را از ورودی شبکه عصبی حذف کرده و با توجه به کاهش ورودی ها و در نتیجه تعداد نرونها و پارامترها سرعت و عملکرد شبکه عصبی را بهبود بخشید. در پایان نیز نتایج حاصل از اجرای این روش با حالات معمول مقایسه گردیده است که نشان دهنده افزایش سرعت و بهبود عملکرد شبکه خواهد بود.

Keywords:

سونار , نرخ تشخیص وجود هدف , الگوریتم ژنتیک , میزان برازندگی , شبکه عصبی