基于優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的氣象環(huán)境下軍事通信效能評估*

邱少明，王雪珂，杜秀麗，呂亞娜

（大連大學(xué)通信與網(wǎng)絡(luò)重點實驗室，遼寧 大連 116622）

0 引言

未來戰(zhàn)爭中作戰(zhàn)指揮越來越趨向數(shù)字化，戰(zhàn)術(shù)通信網(wǎng)絡(luò)性能的優(yōu)劣將直接影響作戰(zhàn)效能，由于戰(zhàn)場環(huán)境受電磁干擾、地形和天氣等因素的影響，戰(zhàn)術(shù)通信網(wǎng)絡(luò)性能也呈現(xiàn)隨機(jī)性和不確定性，如何確定當(dāng)前環(huán)境中戰(zhàn)術(shù)通信網(wǎng)絡(luò)效能是否滿足作戰(zhàn)需求和通信需求是至關(guān)重要的。

Passino 在2002 年從微生物的角度出發(fā)，提出了細(xì)菌覓食算法（Bacterial Foraging Optimization，BFO），該算法模擬大腸桿菌覓食的過程，通過細(xì)菌群體的競爭與協(xié)作來實現(xiàn)優(yōu)化，成為仿生計算研究領(lǐng)域的新熱點。與其他智能算法相比，BFO 算法具有并行搜索，易跳出局部極小值的優(yōu)點，而且簡單靈活，可以和其他算法融合產(chǎn)生新的優(yōu)化算法，有較強(qiáng)的適應(yīng)性和魯棒性，可用于解決多方面的應(yīng)用問題。

為了提高BFO 算法的性能，文獻(xiàn)［5］提出余弦函數(shù)遞減的自適應(yīng)游動步長，提高了算法的局部搜索能力；文獻(xiàn)［6］提出一種動態(tài)高斯變異和隨機(jī)變異融合的自適應(yīng)細(xì)菌覓食優(yōu)化算法，解決了BFO 在高維函數(shù)優(yōu)化上性能較差的問題；文獻(xiàn)［7］在趨化操作引入粒子思想，將粒子作為細(xì)菌處理，提高了全局搜索能力，但此時趨化算子并沒有起到作用；文獻(xiàn)［8］引入了差分進(jìn)化算法中的交叉和變異操作，增加了種群的多樣性，但是容易導(dǎo)致群體中優(yōu)秀個體的缺失。從相關(guān)文獻(xiàn)可以看出，大多數(shù)改進(jìn)都是針對趨化算子和繁殖算子，對遷移算子的改進(jìn)較少，現(xiàn)有算法沒有利用搜索的任何環(huán)境信息，遷移后的解對于提高算法全局尋優(yōu)能力的幫助有限。

另外，目前采用的通信效能評估方法主要有層次分析法、試驗統(tǒng)計法、BP 神經(jīng)網(wǎng)絡(luò)等。文獻(xiàn)［10］對戰(zhàn)術(shù)通信網(wǎng)絡(luò)效能進(jìn)行層次化分析，提出了戰(zhàn)術(shù)通信網(wǎng)絡(luò)效能層析結(jié)構(gòu)模型，驗證了層次分析法在戰(zhàn)術(shù)通信網(wǎng)絡(luò)效能評估領(lǐng)域的科學(xué)性。文獻(xiàn)［11］提出了一種結(jié)合熵權(quán)法和ADC 方法的效能評估改進(jìn)方法，該方法克服了ADC 方法在求解能力向量C 時缺少規(guī)范的指標(biāo)體系的缺點。但是以上方法依賴專家打分，主觀性太強(qiáng)。

因此，本文提出了一種基于優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的氣象環(huán)境下軍事通信效能評估方法，該方法首先將蟻群算法信息素濃度思想引入細(xì)菌覓食算法中的遷移算子，對細(xì)菌經(jīng)過的環(huán)境信息進(jìn)行標(biāo)識，指引細(xì)菌向信息素濃度高的位置進(jìn)行遷移，從而提高全局尋優(yōu)能力。然后，將改進(jìn)的BFOP 算法用于優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，最后應(yīng)用于解決軍事通信效能評估問題。

1 相關(guān)背景介紹

1.1 影響軍事通信效能的氣象環(huán)境因素

由于戰(zhàn)場環(huán)境隨著地理位置的不同以及季節(jié)的變化而呈現(xiàn)出較大的差異，不同天氣因素下的通信狀況也各不相同。影響軍事通信效能的氣象要素主要為風(fēng)速、雷暴幾率、沙塵高度、能見度、降水量等。

在地面上，不同風(fēng)速會引起氣溶膠粒子濃度發(fā)生劇烈變化，無線信號在空氣中傳播時，受到氣溶膠的影響發(fā)生衰減，產(chǎn)生誤碼。傳輸距離一定時，風(fēng)速增大，誤碼率上升。無線信號傳播過程中與大氣環(huán)境相互作用，隨著風(fēng)速增大，信道容量減小，信道平均保真度減小。

雷暴是自然界的一種天氣現(xiàn)象，常伴有大風(fēng)、暴雨等災(zāi)害性天氣，雷暴發(fā)生時，無線通信性能會受到雷暴云中大氣帶電粒子的影響。雷暴云中大氣帶電粒子濃度越高、粒子電荷密度越大時，誤碼率上升，對信道容量的衰減也隨之增強(qiáng)，對信道的平均保真度衰減就越大。

沙塵分為沙暴和塵暴兩類，影響無線信號通信的最大因素就是沙塵氣溶膠粒子的衰減和散射作用。在沙塵暴和戰(zhàn)場爆炸環(huán)境下，無線通信頻段越高，通信鏈路衰減越大。沙塵粒子濃度越高，信噪比越低，通信質(zhì)量越不好。

霧天能見度較低，無線信號在大氣傳輸過程中與大氣中的霧滴粒子會發(fā)生較強(qiáng)的散射作用，能見度越高，無線信號路徑損耗越小，通信性能越好。無線信號在多路徑效應(yīng)的影響下，接收端和發(fā)送端各脈沖間會產(chǎn)生重疊，如果重疊量過大，通信誤碼率會直線上升，影響通信質(zhì)量。

雨衰指的是無線信號穿過降雨區(qū)后受到雨滴的吸收與輻射，產(chǎn)生衰減的情況。雨粒具有介質(zhì)損耗引起吸收衰減，電波被雨粒反射而再反射導(dǎo)致雨粒散射衰減。降雨量越大，雨衰幅度也就越大，無線信號損耗越多，通信質(zhì)量越不好。

通過以上分析得出，不同氣象因素影響的通信指標(biāo)比較復(fù)雜，一個氣象因素可能影響多個通信指標(biāo)，從而影響評估目標(biāo)，即軍事通信效能值。軍事通信網(wǎng)絡(luò)效能指標(biāo)體系構(gòu)建如下頁圖1 所示。

圖1 軍事通信網(wǎng)絡(luò)效能評估指標(biāo)體系

1.2 細(xì)菌覓食算法

BFO 算法通過對趨化、繁殖、遷移3 個主要算子執(zhí)行循環(huán)操作，進(jìn)行迭代優(yōu)化。

1）初始化細(xì)菌位置。采用式（1）產(chǎn)生初始化位置X，計算細(xì)菌初始適應(yīng)度J 值即目標(biāo)函數(shù)值。

其中，X、X是在目標(biāo)函數(shù)中X 取值范圍的上限和下限。rand 是隨機(jī)數(shù)，均勻分布在0～1 之間。

2）趨化操作。趨化算子是模擬細(xì)菌實現(xiàn)最優(yōu)覓食的一種行為，包含翻轉(zhuǎn)和游動。

算法定義細(xì)菌向任意方向移動的單位步長為一次翻轉(zhuǎn)，細(xì)菌翻轉(zhuǎn)的公式如下所示：

其中，P（i，j，k，l）表示第i 個細(xì)菌的空間位置向量，j表示第j 代趨化循環(huán)，k 表示第k 代繁殖循環(huán)，l 表示第l 代遷移循環(huán)。C（i）表示按選定的方向游動的步長，Δ（i）為隨意翻轉(zhuǎn)生成的隨機(jī)向量，φ（i）表示進(jìn)行方向調(diào)整后選定的方向。

計算翻轉(zhuǎn)過后的適應(yīng)值如下：

其中，J是細(xì)菌感知適應(yīng)度值，引入細(xì)菌感知機(jī)制后，計算細(xì)菌適應(yīng)度需疊加J值。

3）繁殖操作。細(xì)菌完成一次趨化循環(huán)后進(jìn)行繁殖。繁殖能量較高的一半細(xì)菌，分裂出來的子細(xì)菌具有和母細(xì)菌相同的位置和步長。

細(xì)菌能量表達(dá)式為：

4）遷移操作。為了提高算法的全局尋優(yōu)能力，BFO 通過設(shè)定一個固定遷移概率Ped，如果rand 小于Ped，就對每個細(xì)菌進(jìn)行隨機(jī)性遷移，在解空間內(nèi)按照式（1）初始化。

2 基于改進(jìn)細(xì)菌覓食算法的神經(jīng)網(wǎng)絡(luò)設(shè)計

2.1 基于信息素的細(xì)菌覓食改進(jìn)算法

由于BFO 算法沒有利用搜索的任何信息，是一種局部優(yōu)化的方法。而蟻群算法是一種啟發(fā)式的概率搜索方式，每個個體可以通過信息素濃度感知周圍環(huán)境的變化，易于找到全局最優(yōu)解。因此，為了提高BFO 算法的全局尋優(yōu)能力，將蟻群信息素濃度與BFO 算法中遷移算子融合，通過信息素濃度計算轉(zhuǎn)移概率，比較轉(zhuǎn)移概率與遷移概率大小，決定細(xì)菌遷移的位置。當(dāng)轉(zhuǎn)移概率大于遷移概率時，對細(xì)菌位置進(jìn)行大范圍的調(diào)整；否則，進(jìn)行小范圍的調(diào)整。

信息素的濃度由目標(biāo)函數(shù)確定，目標(biāo)函數(shù)的適應(yīng)值越好，表明此位置的信息素濃度越高。信息素濃度根據(jù)遷移循環(huán)實時更新，更新公式如下：

其中，X 是細(xì)菌的初始位置，由式（1）計算得出。F（X）是待尋優(yōu)的目標(biāo)函數(shù)。

設(shè)定一個固定遷移概率Ped，如果P大于或等于固定遷移概率，那么當(dāng)前細(xì)菌距離信息素濃度最高的細(xì)菌較遠(yuǎn)，需要對當(dāng)前細(xì)菌位置進(jìn)行大范圍的調(diào)整。如果P小于固定遷移概率，則當(dāng)前細(xì)菌距離信息素濃度最高的細(xì)菌較近，只需要進(jìn)行小范圍的位置移動，就能到達(dá)信息素濃度高的位置，遷移過后的細(xì)菌位置公式如下：

改進(jìn)的細(xì)菌覓食算法流程圖如圖2 所示。

圖2 改進(jìn)的細(xì)菌覓食算法流程圖

2.2 基于改進(jìn)細(xì)菌覓食算法的神經(jīng)網(wǎng)絡(luò)設(shè)計

以改進(jìn)的細(xì)菌覓食算法來訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)，每一個細(xì)菌就是一個神經(jīng)網(wǎng)絡(luò)，細(xì)菌的分量包括神經(jīng)網(wǎng)絡(luò)所有節(jié)點之間的連接權(quán)值和閾值。設(shè)置BP神經(jīng)網(wǎng)絡(luò)的隱含層為1 層，輸入層節(jié)點個數(shù)為m，隱含層節(jié)點個數(shù)為n，輸出層節(jié)點個數(shù)為l，則優(yōu)化維度D=n×m+l×n+n+l；

定義輸入層到隱含層的權(quán)值矩陣為IW，隱含層和輸出層的權(quán)值矩陣為LW，則

此外，定義輸入層到隱含層的閾值向量B；隱含層到輸出層的閾值向量B，則

由上式得出，單個細(xì)菌在維度上的順序編碼為：

根據(jù)BP 神經(jīng)網(wǎng)絡(luò)權(quán)值及閾值計算其隱含層輸出和輸出層輸出，隱含層輸出公式如下：

其中，j=1，2，…，n，h為隱含層中第j 個神經(jīng)元節(jié)點輸出；f 為輸入層到隱含層的傳遞函數(shù)。x為輸入層第i 個神經(jīng)元的輸入，即氣象因素數(shù)據(jù)。

其輸出層輸出公式如下：

其中，j=1，2，…，n，k=1，2，…，l，d為輸出層第k 個節(jié)點的輸出，即軍事通信效能值。

細(xì)菌的適應(yīng)度函數(shù)設(shè)為神經(jīng)網(wǎng)絡(luò)實際輸出與目標(biāo)輸出間的均方誤差MSE：

其中，d是神經(jīng)網(wǎng)絡(luò)的實際輸出，t是目標(biāo)輸出，m是輸出層節(jié)點個數(shù)，n 是訓(xùn)練集樣本數(shù)。

基于改進(jìn)細(xì)菌覓食算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法的簡要描述如下：

1）參數(shù)設(shè)置：確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定輸入層、隱含層和輸出層神經(jīng)元個數(shù)，確定傳遞函數(shù)和輸出函數(shù)，訓(xùn)練精度；對細(xì)菌規(guī)模數(shù)S，遷移次數(shù)Ned、繁殖次數(shù)Nre、趨化次數(shù)Nc，游動次數(shù)Ns，遷移概率Ped 等參數(shù)進(jìn)行設(shè)定。

2）初始化細(xì)菌的位置：對每個細(xì)菌采用式（1）產(chǎn)生細(xì)菌位置，依照訓(xùn)練樣本集設(shè)定神經(jīng)網(wǎng)絡(luò)的輸入和目標(biāo)輸出。

3）初始化網(wǎng)絡(luò)：將細(xì)菌分量轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，初始化網(wǎng)絡(luò)并輸入訓(xùn)練數(shù)據(jù)，根據(jù)式（12）計算適應(yīng)度值。

4）趨化操作：按照式（2）進(jìn)行翻轉(zhuǎn)，按照式（4）計算翻轉(zhuǎn)一次后的適應(yīng)度值，若適應(yīng)值變好，細(xì)菌則按照翻轉(zhuǎn)方向移動相應(yīng)的步長，直到適應(yīng)值不再改善，或達(dá)到預(yù)定的Ns 為止，一次趨化操作完成，達(dá)到Nc 后，結(jié)束趨化操作。

5）繁殖操作：根據(jù)式（5）計算細(xì)菌能量，淘汰掉細(xì)菌能量較差的一半細(xì)菌，繁殖較好的一半細(xì)菌，一次繁殖操作完成。返回4）繼續(xù)執(zhí)行趨化操作，達(dá)到Nre 后，結(jié)束繁殖操作。

6）遷移操作：根據(jù)式（6）計算當(dāng)前細(xì)菌的信息素濃度，根據(jù)式（8）計算轉(zhuǎn)移概率P，由式（9）更新細(xì)菌位置，根據(jù)式（10）計算位置更新后的適應(yīng)度值，返回4）繼續(xù)趨化操作，向下循環(huán)執(zhí)行。達(dá)到Ned 后，結(jié)束遷移操作。

7）輸出群體最優(yōu)解，將最優(yōu)解轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，算法結(jié)束。

算法流程圖如圖3 所示：

圖3 改進(jìn)細(xì)菌覓食算法的神經(jīng)網(wǎng)絡(luò)流程圖

3 軍事通信網(wǎng)絡(luò)效能評估步驟

軍事通信網(wǎng)絡(luò)是各類軍事信息系統(tǒng)的基礎(chǔ)和支撐，其主要執(zhí)行軍事信息傳輸任務(wù)，軍事通信網(wǎng)絡(luò)效能是指在作戰(zhàn)環(huán)境中，通信網(wǎng)絡(luò)完成規(guī)定通信任務(wù)從而達(dá)到一定戰(zhàn)術(shù)要求的程度?；趦?yōu)化BP 神經(jīng)網(wǎng)絡(luò)的軍事通信效能評估流程具體如圖4 所示。

由圖4 可知，基于優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的軍事通信效能評估步驟如下：

圖4 基于優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的軍事通信效能評估流程圖

1）確定影響軍事通信效能的氣象環(huán)境因素。選擇風(fēng)速、沙塵高度、能見度、降水、雷暴幾率作為評估指標(biāo)。

2）確定用于仿真實驗的數(shù)據(jù)樣本。在查閱相關(guān)資料與文獻(xiàn)的基礎(chǔ)上，通過相關(guān)實踐得到。

3）對數(shù)據(jù)樣本進(jìn)行歸一化處理。為了使軍事通信效能評估結(jié)果更加符合實際，需要對數(shù)據(jù)樣本進(jìn)行歸一化處理，歸一化公式如下：

4）確定BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，BP 神經(jīng)網(wǎng)絡(luò)輸入層個數(shù)與氣象因素個數(shù)相同。輸出層為軍事通信效能評估值，取值范圍為{1，2，3}，其中，1 表示效能一般，2 表示效能良好，3 表示效能優(yōu)秀。通過訓(xùn)練樣本數(shù)據(jù)訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)。

5）利用測試樣本數(shù)據(jù)對優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)性能進(jìn)行測試，將網(wǎng)絡(luò)輸出實際值與樣本數(shù)據(jù)期望值之間的誤差作為該神經(jīng)網(wǎng)絡(luò)性能評價指標(biāo)。

4 仿真實驗與分析

4.1 改進(jìn)細(xì)菌覓食優(yōu)化算法的性能測試

仿真實驗采用Rosenbrock（f）、Rastrigin（f）、Griewank（f）和Ackley（f）4 個測試函數(shù)進(jìn)行分析。這幾個典型的標(biāo)準(zhǔn)函數(shù)都是NP 難問題，全局極小值均為0。其中，f和f是單峰函數(shù)，f和f是多峰函數(shù)。單峰測試函數(shù)主要用來測試算法的尋優(yōu)速度，多峰函數(shù)則用來測試算法的全局尋優(yōu)能力和精度。

仿真參數(shù)設(shè)置如下：細(xì)菌數(shù)量S=30，遷移次數(shù)Ned=8，繁殖次數(shù)Nre=4，趨化次數(shù)Nc=20，游動次數(shù)Ns=4，遷移概率Ped=0.25，游動步長C=0.01，迭代次數(shù)約為600 次。

將本文提出的基于信息素的細(xì)菌覓食改進(jìn)算法BFOP 與BFO 算法、改進(jìn)細(xì)菌覓食算法PSOBFO進(jìn)行仿真對比，實驗結(jié)果如圖5～圖8 所示。

圖5 f1 函數(shù)目標(biāo)收斂曲線

圖6 f2 函數(shù)目標(biāo)收斂曲線

圖7 f3 函數(shù)目標(biāo)收斂曲線

圖8 f4 函數(shù)目標(biāo)收斂曲線

表1 標(biāo)準(zhǔn)測試函數(shù)及其搜索范圍

由圖5 可知，PSOBFO 和BFOP 的尋優(yōu)精度相同，PSOBFO 約在500 次收斂，而BFOP 在100 次收斂，BFOP 的收斂速度明顯大于PSOBFO。由圖7 可知，BFO 算法約在130 次收斂，而BFOP 約在180 次收斂，雖然BFO 的收斂速度大于BFOP，但是BFOP的尋優(yōu)精度更好。由圖8 可知，BFO 和BFOP 均在300 次左右收斂，收斂速度相同，BFO 的適應(yīng)值趨于1，而BFOP 的適應(yīng)值趨于0，BFOP 的尋優(yōu)精度優(yōu)于BFO。由圖6 可知，f函數(shù)中BFOP 的收斂速度和尋優(yōu)精度均優(yōu)于其他兩種算法。

同時將本文提出的基于信息素的細(xì)菌覓食改進(jìn)算法BFOP 與BFO 算法以及改進(jìn)細(xì)菌覓食算法PSOBFO 在f、f、f、f函數(shù)中分別測試30 次，測試指標(biāo)包括平均值、標(biāo)準(zhǔn)差、最優(yōu)值。其中，平均值是所有搜索結(jié)果中的最優(yōu)平均值，用來評估算法的全局尋優(yōu)能力；標(biāo)準(zhǔn)差是算法搜索30 次最優(yōu)值的標(biāo)準(zhǔn)差，用來評估算法的魯棒性；最優(yōu)值是30 次測試的最好結(jié)果，用來評估算法的尋優(yōu)精度。算法的性能測試結(jié)果如表2 所示。

表2 基于30 維的算法測試結(jié)果

由表2 可知，本文提出的細(xì)菌覓食改進(jìn)算法BFOP 在f和f即多峰函數(shù)中，標(biāo)準(zhǔn)差均小于其他兩種算法，說明改進(jìn)后的算法相對穩(wěn)定，魯棒性好。同時，BFOP 的平均值在f、f、f、f函數(shù)中較其他兩種算法均有提升，且最優(yōu)值均小于其他兩種算法，表明該算法在全局尋優(yōu)能力和尋優(yōu)能力上都有一定優(yōu)勢。

4.2 BP 神經(jīng)網(wǎng)絡(luò)的實驗分析

為驗證模型的有效性，本文采用項目實踐中生成的數(shù)據(jù)來測試神經(jīng)網(wǎng)絡(luò)的性能，部分如表3所示。

表3 氣象環(huán)境下通信網(wǎng)絡(luò)效能實驗數(shù)據(jù)

神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：輸入層節(jié)點個數(shù)為5，隱含層節(jié)點個數(shù)為6，輸出層節(jié)點個數(shù)為3，則每個細(xì)菌優(yōu)化維度D 為57；傳遞函數(shù)和輸出函數(shù)分別取logsig、purelin 和traingdx；最大迭代次數(shù)設(shè)為500，當(dāng)誤差達(dá)到設(shè)定值（此處設(shè)為0.01）或達(dá)到最大訓(xùn)練次數(shù)時，訓(xùn)練停止。

由圖9 可知，原始BP 神經(jīng)網(wǎng)絡(luò)的均方誤差為0.013，迭代次數(shù)在370 次收斂，而本文所提出的改進(jìn)細(xì)菌覓食算法優(yōu)化過后的BP 神經(jīng)網(wǎng)絡(luò)約在200次的時候，均方誤差收斂到0.01。改進(jìn)后的BP 神經(jīng)網(wǎng)絡(luò)迭代次數(shù)由370 次降低到200 次，收斂性能變好。均方誤差由0.013 降低到0.01，較原來降低了23.07%。

圖9 神經(jīng)網(wǎng)絡(luò)收斂曲線對比圖

測試集是選取的數(shù)據(jù)集的12 個樣本，每4 個樣本為一類，預(yù)測分類的準(zhǔn)確性，各個樣本的分類情況如圖9 所示，將改進(jìn)后的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測值與測試集真實值進(jìn)行對比。

由圖10 可知，改進(jìn)后的BP 神經(jīng)網(wǎng)絡(luò)的性能更好，對軍事通信效能值評估的準(zhǔn)確率達(dá)到了91.67%。由于BP 神經(jīng)網(wǎng)絡(luò)融合了改進(jìn)后的細(xì)菌覓食算法BFOP，每個細(xì)菌相當(dāng)于一個神經(jīng)網(wǎng)絡(luò)，改進(jìn)后的細(xì)菌覓食算法全局尋優(yōu)能力和尋優(yōu)精度都有所提高，因此，最優(yōu)解對應(yīng)的神經(jīng)網(wǎng)絡(luò)性能也就更好，評估結(jié)果也更準(zhǔn)確。

圖10 測試集的實際分類和預(yù)測分類圖

5 結(jié)論

本文主要研究了在氣象因素影響下的軍事通信效能，提出了一種基于優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的氣象環(huán)境下的軍事通信效能評估方法。在BP 神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上融合了改進(jìn)的細(xì)菌覓食算法BFOP，該算法針對細(xì)菌覓食算法中遷移算子進(jìn)行循環(huán)操作后，會陷入局部最優(yōu)的問題，引入了信息素濃度的思想。通過實驗分析得出，改進(jìn)的細(xì)菌覓食算法在全局尋優(yōu)能力和尋優(yōu)精度都得到了提高。應(yīng)用到軍事通信效能評估，提高了評估結(jié)果的準(zhǔn)確性。但本文只研究改進(jìn)了遷移算子，提高了BFO 算法的全局尋優(yōu)能力，下一步還可以繼續(xù)對趨化算子、繁殖算子進(jìn)行研究改進(jìn)，提高BFO 算法的效率和種群多樣性。