基于优化XGBoost的无人机集群作战效能评估及分析

摘要

针对无人机集群作战过程的高时效性、行为复杂性、信息数据庞大等特点在作战效能评估方面产生的巨大挑战，提出一种基于粒子群优化(particle swarm optimization, PSO)-极端梯度提升(extreme gradient boosting,XGBoost)-沙普利加性解释(Shapley additive explanations, SHAP)模型的数据驱动效能评估方法。由系统评估指标出发，采用XGBoost算法建立效能评估模型，基于仿真数据分析验证指标数据与作战效能间的映射关系，挖掘无人机集群体系作战效能；利用PSO算法优化XGBoost模型超参数，提高评估精度与效率；为兼顾评估工作的预测性与可解释性，采用SHAP机制对效能评估过程进行解释，给出指标优化改进方向。通过Vensim平台采集的无人机集群作战仿真数据进行验证，相比支持向量回归(support vector regression, SVR)、随机森林(random forest, RF)算法、轻量级梯度提升机(light gradient boosting machine, LightGBM)算法及反向传播(back propagation, BP)神经网络方法，所提模型具有更好的评估精度及可解释性。

关键词

无人机集群 / 作战效能评估 / 机器学习 / XGBoost / SHAP