杜海艦,徐新喜,徐卸古,王運(yùn)斗,張曉峰
(1.軍事醫(yī)學(xué)科學(xué)院衛(wèi)生裝備研究所,天津 300161;2.軍事醫(yī)學(xué)科學(xué)院,北京 100850)
由于軍事行動(dòng)多樣化及戰(zhàn)時(shí)衛(wèi)勤保障立體化的需求,救護(hù)直升機(jī)的論證與研制是一項(xiàng)迫在眉睫的任務(wù)。作為救護(hù)直升機(jī)研制的立項(xiàng)論證,救護(hù)直升機(jī)效能評(píng)估及指標(biāo)的綜合論證至關(guān)重要,尤其是在確定救護(hù)直升機(jī)機(jī)型的基礎(chǔ)上,如何對(duì)救護(hù)直升機(jī)指標(biāo)進(jìn)行選優(yōu)并最終評(píng)估其保障能力,目前還沒(méi)有一個(gè)科學(xué)有效的評(píng)價(jià)手段。文獻(xiàn)[3]采用集對(duì)分析方法對(duì)救護(hù)直升機(jī)的機(jī)型選擇進(jìn)行了初步研究,但基本上還是采用了線性加權(quán)的思想進(jìn)行評(píng)估,沒(méi)有考慮到影響因素和輸出之間的非線性關(guān)系,因此有必要采用其它較科學(xué)有效的評(píng)價(jià)方法進(jìn)行研究。
目前,裝備評(píng)估有很多方法,如德?tīng)柗品?、層次分析法、模糊綜合評(píng)判法等,但多數(shù)以改進(jìn)算法為主,系統(tǒng)性較差[1]。本文試圖采用混沌遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法研究救護(hù)直升機(jī)的效能,并對(duì)救護(hù)直升機(jī)的指標(biāo)優(yōu)化進(jìn)行初步探討。首先建立救護(hù)直升機(jī)效能評(píng)估指標(biāo)體系,然后建立BP神經(jīng)網(wǎng)絡(luò),接著采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,期間對(duì)遺傳算法的種群初始化采用混沌隨機(jī)序列構(gòu)造初始種群,從而提高遺傳算法的搜索效率。最后BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)用遺傳算法得到最優(yōu)個(gè)體對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值,網(wǎng)絡(luò)經(jīng)訓(xùn)練后預(yù)測(cè)樣本輸出。BP算法的優(yōu)點(diǎn)是尋優(yōu)具有精確性,但同時(shí)存在一些缺點(diǎn),最主要的是易陷入局部極小、收斂速度慢和引起振蕩效應(yīng)等。由于遺傳算法具有很強(qiáng)的宏觀搜索能力,且能以較大的概率找到全局最優(yōu)解,所以用它來(lái)完成前期搜索能較好地克服BP算法的缺點(diǎn)[2]。將二者結(jié)合起來(lái),形成一種混合訓(xùn)練算法-GA-BP算法,達(dá)到優(yōu)化網(wǎng)絡(luò)的目的,從而為救護(hù)直升機(jī)的效能及指標(biāo)的優(yōu)化提供一個(gè)科學(xué)的評(píng)估手段,為救護(hù)直升機(jī)研制提供論證基礎(chǔ)。
考慮到救護(hù)直升機(jī)效能及指標(biāo)選優(yōu)是一項(xiàng)復(fù)雜的系統(tǒng)工程,為便于科學(xué)有效地對(duì)救護(hù)直升機(jī)的效能進(jìn)行評(píng)估,需要對(duì)救護(hù)直升機(jī)的效能指標(biāo)進(jìn)行分類(lèi)整理。在前期的數(shù)據(jù)處理過(guò)程中,采用了主成分分析的方法對(duì)影響指標(biāo)進(jìn)行篩選,這里,主要從作業(yè)能力、機(jī)動(dòng)能力、可靠性、成本四個(gè)方面著手研究。圖1所示為所建立的評(píng)估指標(biāo)體系[3]:
各指標(biāo)的具體含義如下:
1)作業(yè)能力:體現(xiàn)救護(hù)直升機(jī)基本功能的能力。這里從運(yùn)送傷病員的人數(shù)和救治能力兩個(gè)方面來(lái)考慮。
2)機(jī)動(dòng)能力:包括巡航速度、續(xù)航時(shí)間、最大航程、升限、機(jī)艙容積、最大載重、艙門(mén)面積、起降場(chǎng)地直徑等8個(gè)方面。
3)可靠性:包括衛(wèi)生裝備連續(xù)工作的能力、發(fā)生故障時(shí)的可維修性、壽命周期和裝備管理的便利性。這里主要從平均故障間隔時(shí)間來(lái)考慮可靠性(MTBF)。
4)采購(gòu)成本:主要是購(gòu)機(jī)成本。
圖1 救護(hù)直升機(jī)效能指標(biāo)體系
2.1.1 輸入層、隱含層、輸出層的設(shè)計(jì)[4]
對(duì)于效能評(píng)估,應(yīng)當(dāng)依據(jù)其關(guān)鍵要素來(lái)確定輸入層各因素,在神經(jīng)網(wǎng)絡(luò)模型中,輸入層各因素之間沒(méi)有相互聯(lián)系,根據(jù)圖1建立的評(píng)估指標(biāo)體系可知其輸入單元數(shù)為12,隱含層節(jié)點(diǎn)的確定參考下面單元計(jì)算公式:
其中c為隱層單元數(shù),n為輸入神經(jīng)元個(gè)數(shù),m為輸出神經(jīng)元個(gè)數(shù),a為1~10之間的常數(shù)。本文中,隱層單元數(shù)計(jì)算如下:
根據(jù)c的計(jì)算值,由小到大改變節(jié)點(diǎn)數(shù)訓(xùn)練并檢驗(yàn)其精度,當(dāng)節(jié)點(diǎn)數(shù)的增加誤差不進(jìn)一步減小時(shí),其臨界值即為應(yīng)采用的值。最后,經(jīng)過(guò)網(wǎng)絡(luò)的實(shí)際訓(xùn)練結(jié)果比較,選定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)為9,此時(shí)網(wǎng)絡(luò)能較快地收斂至所要求的精度。2.1.2 目標(biāo)值及學(xué)習(xí)步長(zhǎng)的選取
效能評(píng)估之前,應(yīng)先根據(jù)影響效能評(píng)估的因素進(jìn)行綜合預(yù)測(cè)。在實(shí)際操作時(shí),還應(yīng)結(jié)合經(jīng)驗(yàn)值。若Sigmoid函數(shù)選取反對(duì)稱(chēng)函數(shù)——雙曲正切函數(shù),綜合評(píng)估指標(biāo)的目標(biāo)值D的范圍也應(yīng)在[-1,1]之間,也即是綜合指標(biāo)的無(wú)量綱數(shù)值在[0,1]之間。通常輸出單元的局部梯度比輸入端的大,所以輸出單元的學(xué)習(xí)的步長(zhǎng)應(yīng)比輸入單元小一些。
通過(guò)以上分析可得網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2。利用matlab編制了BP人工神經(jīng)網(wǎng)絡(luò)模型計(jì)算機(jī)程序進(jìn)行訓(xùn)練集樣本訓(xùn)練,訓(xùn)練樣本數(shù)為5,表1為效能評(píng)估輸入訓(xùn)練樣本和檢測(cè)樣本,誤差給定為 E=0.0000005,學(xué)習(xí)步長(zhǎng)為 0.1。
圖2 效能評(píng)估三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
遺傳算法(Genetic Algorithm-GA)是一種基于自然選擇和基因遺傳學(xué)原理的優(yōu)化搜索方法。它將“優(yōu)勝劣汰,適者生存”的生物進(jìn)化原理引入到優(yōu)化參數(shù)形成的編碼串群體中,按照一定的適配值函數(shù)及一系列遺傳操作對(duì)各個(gè)體進(jìn)行篩選,從而使適配值高的個(gè)體被保留下來(lái),組成新的群體,新群體中各個(gè)體適應(yīng)度不斷提高,直至滿(mǎn)足一定的極限條件。此時(shí),群體中適配值最高的個(gè)體即為待優(yōu)化參數(shù)的最優(yōu)解。正是由于遺傳算法獨(dú)具的工作原理,使它能夠在復(fù)雜空間進(jìn)行全局優(yōu)化搜索,并且具有較強(qiáng)的魯棒性[2]。
遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程如圖3所示:
圖3 GA-BP算法流程
遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3個(gè)部分。其中,BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定部分根據(jù)輸入輸出參數(shù)個(gè)數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),進(jìn)而確定遺傳算法個(gè)體的長(zhǎng)度。遺傳算法優(yōu)化使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,種群中的每個(gè)個(gè)體都包含了一個(gè)網(wǎng)絡(luò)所有權(quán)值和閾值,個(gè)體通過(guò)適應(yīng)度函數(shù)計(jì)算個(gè)體適應(yīng)度值,遺傳算法通過(guò)選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對(duì)應(yīng)個(gè)體。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)用遺傳算法得到最優(yōu)個(gè)體對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值,網(wǎng)絡(luò)經(jīng)訓(xùn)練后預(yù)測(cè)函數(shù)輸出。
由于救護(hù)直升機(jī)效能有12個(gè)輸入?yún)?shù)、1個(gè)輸出參數(shù),所以設(shè)置的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為12—9—1,即輸入層有12個(gè)節(jié)點(diǎn),隱含層有9個(gè)節(jié)點(diǎn),輸出層有1個(gè)節(jié)點(diǎn),共有12×9+9×1=117個(gè)權(quán)值,9+1=10個(gè)閾值,所以遺傳算法個(gè)體編碼長(zhǎng)度為117+10=127。從機(jī)型表中隨機(jī)找出5種機(jī)型作為訓(xùn)練數(shù)據(jù),把訓(xùn)練數(shù)據(jù)預(yù)測(cè)誤差絕對(duì)值之和作為個(gè)體適應(yīng)度值,個(gè)體適應(yīng)度值越小,該個(gè)體越優(yōu)。
遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括種群初始化、適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作。由于篇幅限制,這里就不再過(guò)多敘述遺傳算法的建模過(guò)程。需要強(qiáng)調(diào)的是:在使用遺傳算法初始化種群的過(guò)程中,初始種群選取的優(yōu)劣直接影響遺傳算法可行解的分布和算法的收斂速率,而傳統(tǒng)遺傳算法往往是隨機(jī)生成初始種群,這種隨機(jī)性會(huì)導(dǎo)致初始可行解的不均勻分布,尤其是當(dāng)種群規(guī)模較小時(shí)。因此,為了保證初始種群的多樣性和均勻性,使得初始可行解盡可能均勻分散分布在整個(gè)解空間[5],本文利用混沌隨機(jī)序列構(gòu)造初始種群,從而提高遺傳算法的搜索效率。
通過(guò)收集國(guó)內(nèi)外直升機(jī)基本性能數(shù)據(jù),主要以我國(guó)現(xiàn)有直升機(jī)機(jī)型做為考察對(duì)象,根據(jù)圖1建立指標(biāo)數(shù)據(jù)表。選出救護(hù)直升機(jī)效能的三級(jí)指標(biāo)12個(gè),除起降場(chǎng)地直徑和采購(gòu)成本2個(gè)指標(biāo)為成本型外,其余10個(gè)指標(biāo)均為效益型指標(biāo)。為了取消各維數(shù)據(jù)間數(shù)量級(jí)差別,避免因?yàn)檩斎胼敵鰯?shù)據(jù)數(shù)量級(jí)差別較大而造成網(wǎng)絡(luò)預(yù)測(cè)誤差較大,必須對(duì)輸入樣本進(jìn)行歸一化,如表2所示。
為了檢驗(yàn)神經(jīng)網(wǎng)絡(luò)方法的有效性,以表2的前5個(gè)樣本為訓(xùn)練數(shù)據(jù),以后2個(gè)樣本為檢測(cè)數(shù)據(jù),分別用純BP算法和GA-BP混合算法分別進(jìn)行測(cè)試。如表3和表4所示為樣本訓(xùn)練次數(shù)網(wǎng)絡(luò)誤差。
表1 救護(hù)直升機(jī)效能評(píng)估數(shù)據(jù)表[6,7]
表2 救護(hù)直升機(jī)效能評(píng)估樣本(歸一化)
表3 純BP訓(xùn)練樣本訓(xùn)練次數(shù)網(wǎng)絡(luò)誤差
表4 GA-BP訓(xùn)練樣本訓(xùn)練次數(shù)網(wǎng)絡(luò)誤差
從表3和表4中可以看出,采用GA-BP混合算法只需要3次訓(xùn)練即可滿(mǎn)足精度要求,而純BP算法需要4次訓(xùn)練才能滿(mǎn)足精度要求,可見(jiàn)采用GA-BP混合算法要比純BP算法節(jié)省學(xué)習(xí)次數(shù),效率要高。通常神經(jīng)網(wǎng)絡(luò)方法對(duì)樣本訓(xùn)練時(shí),學(xué)習(xí)次數(shù)一般都需要幾百次的訓(xùn)練才能達(dá)到精度要求,本例在訓(xùn)練樣本時(shí)只需2-3次即可滿(mǎn)足精度要求,說(shuō)明救護(hù)直升機(jī)評(píng)估的輸出指標(biāo)與選定的輸入指標(biāo)有良好的趨勢(shì)性,因此可以更加快速地達(dá)到訓(xùn)練要求。圖4、圖5顯示出了兩種算法的誤差隨訓(xùn)練次數(shù)的變化過(guò)程。
圖4 純BP樣本訓(xùn)練學(xué)習(xí)誤差推移圖
從測(cè)試結(jié)果看,采用GA-BP算法除具有較高的效率外,還具有較好的測(cè)試精確度,這是由于混合算法先采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)重及閾值進(jìn)行了優(yōu)化,進(jìn)而提高了測(cè)試的準(zhǔn)確性。圖6、圖7所示分別為采用遺傳算法進(jìn)化100代時(shí)的適度度和誤差平方和隨遺傳代數(shù)的變化圖。
圖5 GA-BP樣本訓(xùn)練學(xué)習(xí)誤差推移圖
圖6 GA算法適度度曲線
圖7 GA算法誤差平方和
從圖6和圖7中可以看出,大約進(jìn)化到第35代時(shí),適度度曲線及誤差平方和基本沒(méi)有變化,表明種群已經(jīng)到達(dá)優(yōu)化的目的,可以為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提供優(yōu)化的初始權(quán)重及閾值。根據(jù)遺傳優(yōu)化結(jié)果,可以得出隱含單元到各輸入單元的權(quán)值和閾值及輸出單元到各隱含單元的權(quán)值和閾值調(diào)整為表5和表6所示。
由于效能評(píng)估神經(jīng)網(wǎng)絡(luò)模型經(jīng)訓(xùn)練后,網(wǎng)絡(luò)精度已經(jīng)達(dá)到要求,可以用檢驗(yàn)樣本檢測(cè)預(yù)測(cè)效果,如表7所示。
表5 隱含單元到各輸入單元的權(quán)值和閾值
表6 輸出單元到各隱含單元的權(quán)值和閾值
表7 救護(hù)直升機(jī)測(cè)試樣本誤差
從表7中可以看出,測(cè)試救護(hù)直升機(jī)評(píng)估值時(shí)采用GA-BP混合算法的精度要比單純的BP算法的高。如測(cè)試“黑鷹”救護(hù)直升機(jī)時(shí),GA-BP預(yù)測(cè)評(píng)估值為0.559801,而單純BP算法的救護(hù)直升機(jī)評(píng)估值為 0.582354,二者的誤差分別為 0.007432405和0.029985405,二者的誤差數(shù)量級(jí)為10多倍,說(shuō)明采用GA-BP算法能夠更加精確地評(píng)估救護(hù)直升機(jī)的效能。
從測(cè)試結(jié)果中同時(shí)可以看出,采用GA-BP算法測(cè)出的救護(hù)直升機(jī)評(píng)估值最高為0.838912,為米171機(jī)型,與實(shí)際評(píng)估值0.835679非常接近,誤差僅為0.003232744,表明采用神經(jīng)網(wǎng)絡(luò)的方法能夠?qū)茸o(hù)直升機(jī)進(jìn)行評(píng)估并能夠準(zhǔn)確預(yù)測(cè)出其效能。
同樣,在對(duì)救護(hù)直升機(jī)進(jìn)行評(píng)估時(shí),還可以通過(guò)逆向思維反推,對(duì)救護(hù)直升機(jī)的指標(biāo)進(jìn)行優(yōu)化,以期對(duì)救護(hù)直升機(jī)的總體方案提出建設(shè)性意見(jiàn)。
在已知救護(hù)直升機(jī)樣本數(shù)據(jù)的基礎(chǔ)上,通過(guò)本文介紹的遺傳算法尋找最優(yōu)試驗(yàn)條件。思路為:首先根據(jù)試驗(yàn)條件數(shù)和試驗(yàn)結(jié)果數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),然后把試驗(yàn)條件作為輸入數(shù)據(jù),試驗(yàn)結(jié)果作為輸出數(shù)據(jù)訓(xùn)練BP網(wǎng)絡(luò),訓(xùn)練后的網(wǎng)絡(luò)就可以預(yù)測(cè)一定試驗(yàn)條件下的試驗(yàn)結(jié)果。然后把試驗(yàn)條件作為遺傳算法中種群個(gè)體,把網(wǎng)絡(luò)預(yù)測(cè)的試驗(yàn)結(jié)果作為個(gè)體適應(yīng)度值,通過(guò)遺傳算法推導(dǎo)最優(yōu)試驗(yàn)結(jié)果及其對(duì)應(yīng)試驗(yàn)條件[2,8]。其基本思路如圖8所示:
圖8 神經(jīng)網(wǎng)絡(luò)遺傳算法
從表1和表7中可以看出,米171的評(píng)估值最大為0.817912,其對(duì)應(yīng)的指標(biāo)分別為運(yùn)送傷員12名、救治能力5分、巡航速度250km/h、采購(gòu)成本7596萬(wàn)元等。在評(píng)估數(shù)據(jù)的基礎(chǔ)上,采用神經(jīng)網(wǎng)絡(luò)遺傳算法尋優(yōu),選擇的BP網(wǎng)絡(luò)結(jié)構(gòu)為12—9—1,遺傳算法的迭代次數(shù)是100次,種群規(guī)模是20,交叉概率0.4,變異概率0.2,采用浮點(diǎn)數(shù)編碼,個(gè)體長(zhǎng)度為12(即基因由12個(gè)指標(biāo)實(shí)數(shù)據(jù)構(gòu)成),最后得到的最優(yōu)實(shí)驗(yàn)結(jié)果為0.8473625,對(duì)應(yīng)的實(shí)驗(yàn)條件為[10.5 4.6 248.6 3 850.6 5623.5 19.65 4.6 2.65 55 3.8 7600.2]。從優(yōu)化結(jié)果可以看出,運(yùn)送傷員數(shù)10人左右、巡航速度248.6km及最大載重4.6t等為宜,該結(jié)果可以救護(hù)直升機(jī)的指標(biāo)論證提供參考。
本文采用遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法研究救護(hù)直升機(jī)的效能評(píng)估,建立評(píng)估指標(biāo)與效能評(píng)估值的非線性關(guān)系,克服了傳統(tǒng)線性評(píng)估方法的不足,結(jié)果表明GA-BP算法能夠很好地評(píng)估救護(hù)直升機(jī)效能,并保持了很高的精確度;同時(shí),為進(jìn)一步對(duì)救護(hù)直升機(jī)的指標(biāo)進(jìn)行優(yōu)化,以期對(duì)救護(hù)直升機(jī)的總體技術(shù)方案提供參考意見(jiàn),本文又用BP-GA算法對(duì)救護(hù)直升機(jī)的指標(biāo)進(jìn)行了優(yōu)化,結(jié)果同樣表明該方法可以有效地優(yōu)化救護(hù)直升機(jī)指標(biāo),對(duì)今后的救護(hù)直升機(jī)的工程設(shè)計(jì)提供指導(dǎo)意見(jiàn)。主要結(jié)論為:
1)與傳統(tǒng)的AHP方法相比,GA-BP神經(jīng)網(wǎng)絡(luò)更能夠有效地反應(yīng)各因素與綜合評(píng)估之間的非線性關(guān)系,更適合評(píng)估救護(hù)直升機(jī)效能。
2)采用純BP算法及GA-BP算法都能夠較精確地評(píng)估救護(hù)直升機(jī)效能,采用GA-BP算法計(jì)算救護(hù)直升機(jī)效能,能夠表現(xiàn)出更高的效率及準(zhǔn)確性,結(jié)果與實(shí)際評(píng)估值完全吻合。
3)采用BP-GA算法能夠?qū)茸o(hù)直升機(jī)的指標(biāo)進(jìn)行優(yōu)化,這是該方法的獨(dú)到之處,可為救護(hù)直升機(jī)的總體技術(shù)方案提供參考意見(jiàn),表現(xiàn)出了很強(qiáng)大的應(yīng)用能力。
[1]張振明.現(xiàn)代 CAPP的應(yīng)用與發(fā)展趨勢(shì)[J].CAD/CAM與制造業(yè)信息化,2004(1):25-26.
[2]史峰,王小川,郁磊,等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2010.
[3]杜海艦,王運(yùn)斗,徐卸谷,等.救護(hù)直升機(jī)機(jī)型選擇綜合評(píng)價(jià)[J].醫(yī)療衛(wèi)生裝備,2012(5):32-36.
[4]杜海艦,伍瑞昌.神經(jīng)網(wǎng)絡(luò)在未來(lái)作戰(zhàn)中的床位預(yù)測(cè)研究[J].醫(yī)療衛(wèi)生裝備,2006,27(5):99-101.
[5]楊蕾,林紅.基于混沌免疫遺傳算法的神經(jīng)網(wǎng)絡(luò)及應(yīng)用[J].智能計(jì)算機(jī)與應(yīng)用,2011,1(2):10-13.
[6]石海明,楊海平,趙伯誠(chéng).直升機(jī)醫(yī)學(xué)救護(hù)與救援[M].北京:人民軍醫(yī)出版社,2010.
[7]陳圣斌,周曉光,陳大祿..基于神經(jīng)網(wǎng)絡(luò)的直升機(jī)可靠性預(yù)計(jì)[J].直升機(jī)技術(shù),2009(3):31-34.
[8]陳麗娟,余隋懷,初建杰.基于BP神經(jīng)網(wǎng)絡(luò)的飛機(jī)裝備維護(hù)人員綜合素質(zhì)評(píng)估[J].航空制造技術(shù),2011(7):93-95.
[9]Kohonen T.Self-Organization and Associative Memory[M].Berlin Heidelberg:Springer-Verlag,1984.
[10]Farber L A.Nonlinear signal processing using neural networks:prediction and system modeling[R].Technical Report LA-UR-87-2662,Los Alam os National Laboratory.Los Alamos.NM,1987.