CN109444832A - 基于多干扰效能值的群智能干扰决策方法 - Google Patents

Abstract

本发明属于电子干扰技术领域，具体涉及一种基于多干扰效能值的群智能干扰决策方法；包括飞行器从电磁环境中获取侦测目标信息，利用组网雷达检测概率和定位精度的自适应加权和构建目标函数，通过群智能技术对目标函数寻优，将连续解离散化，同时引入遗传算法交叉思想，最终将生成的干扰策略送至飞行器干扰设备；本发明联合多指标对干扰效果进行评估，将组网雷达的检测概率和定位精度两个评估指标结合作为干扰决策目标函数，有效提高了计算目标函数值的可靠性，进而提升了干扰决策的正确性，同时，本发明结合自适应加权和方法与群智能算法，提高了算法的收敛速度，提高了寻优的适应性，降低了计算复杂度，并且增强了算法的全局搜索能力。

Description

基于多干扰效能值的群智能干扰决策方法

技术领域

本发明属于电子干扰技术领域，具体涉及一种基于多干扰效能值的群智能干扰决策方法。

背景技术

干扰决策是电子干扰中极为重要的环节，其准确性和实时性直接影响着对侦测目标的干扰效果。雷达干扰决策是针对侦察系统获得的侦测目标数量、位置及参数等信息，结合我方现有的干扰资源及战术需求，有效地评估环境态势，快速合理地分配资源以达到充分利用干扰资源的过程。传统独立的干扰方式已经不能完全满足干扰需要，制定一个可靠而有效的评估方法，已成为技术革新的瓶颈，目前的评估方法主要包括评估因子法和博弈论。另外，利用智能技术合理分配干扰资源已成为亟待解决的问题。

评估因子法是将影响干扰效果的因子赋权后相加来计算干扰效能值，并将所得结果作为干扰决策的目标函数，这种方法的参数可见且模型可解释性强，但是该方法易受人为因素影响使得其适应性和可靠性差，导致其正确性难以保证。此外，该方法受到评估参数规模限制，处理数据时需要大矩阵运算，因此其复杂度高。基于博弈论的评估方法中博弈收益矩阵复杂度高，使得该方法在处理此类问题时速度慢；同时由于该方法针对性强，环境存在差异，导致其正确率难以保证，方法适应能力弱。

发明内容

本发明的目的在于提供一种基于多干扰效能值的群智能干扰决策方法，其能够解决环境复杂多变、干扰策略效能低、适应性弱、可靠性差、复杂度高、收敛速度慢的问题。

一种基于多干扰效能值的群智能干扰决策方法，具体包括如下步骤：

步骤1、飞行器从电磁环境中获取侦测目标信息，对其进行雷达信号处理及雷达数据处理，从中获取相应评估指标；

步骤2、从侦察到的信息中，提取飞行器与雷达的径向距离，自适应调整权重，进一步将组网雷达检测概率与定位精度的加权和作为干扰决策目标函数；

步骤3、将连续解离散化，减少搜索求解范围，提取干扰样式与干扰对象库，进行干扰策略编码，生成干扰策略变量矩阵；

步骤4、用蜂群算法和鱼群算法两种寻优策略生成两类初始干扰决策集并获取种群个体适应度值，利用轮盘赌机制更新两类种群；

步骤5、每次干扰迭代都会产生全局最优解，针对全局最优解在迭代的解内元素基本不变的情况，利用遗传算法中染色体交叉运算的操作，将全局最优解进行交叉运算，实现全局最优解的更新；当干扰迭代寻优工作达到最大迭代次数，生成全局最优干扰策略；

步骤6、将最优干扰策略对应的干扰对象和干扰样式送至飞行器，使飞行器干扰设备对侦测目标进行干扰。

所述一种基于多干扰效能值的群智能干扰决策方法，步骤1中飞行器从电磁环境中获取侦测目标信息包括组网雷达有干扰时的检测概率P_d(R)与无干扰时的检测概率P′_d(R)、每种干扰策略下组网雷达定位精度P_g(R)、距离R、组网雷达最大与最小探测距离R_max和R_min、不同距离航线上评估指标权重ω(R)。

所述一种基于多干扰效能值的群智能干扰决策方法，步骤2具体包括如下步骤：

步骤2.1、根据步骤1获得的信息，分别计算组网雷达检测概率的干扰效能值y₁(R)和定位精度的干扰效能值y₂(R)：

y₁(R)＝|P_d(R)-P′_d(R)| (1)

y₂(R)＝|P_g(R)| (2)

步骤2.2、采用分段加权求和的方式计算协同干扰效果评估值：

步骤2.3、将步骤2.2的干扰效果评估值归一化：

其中，max(F_i)为干扰策略最为得当的最大干扰效果评估值，min(F_i)为干扰策略安排最差得到的最小干扰效果评估值；

步骤2.4、获得基于多效能值的干扰决策目标函数：

C＝λ₁F₁'+λ₂F′₂ (6)

其中，λ₁为组网雷达检测概率的权值，λ₂为组网雷达定位精度的权值，且λ₁+λ₂＝1；

步骤2.5、将步骤2.4的目标函数的权值进行自适应调整，设所以有对式(6)整理得

所述一种基于多干扰效能值的群智能干扰决策方法，步骤3具体包括如下步骤：

步骤3.1、将干扰策略可实现化即将连续解离散化，干扰对象编码是一个N维向量，向量的维数对应雷达数，可行解位置编码为X_p＝[x₁,x₂,...,x_N]，其中1≤x_j≤2^N-1，它代表一种任务指派的方案，每一个X_p是1～M自然数的一个全排列，x_j表示第j台雷达由第x_j台干扰设备负责，各x_j转换为有M个状态的独热码后，分别对应干扰对象分配矩阵的每一列，组成干扰对象分配矩阵供后续计算使用，干扰样式可行解的位置编码为Y_p＝[y₁,y₂,...,y_M]，y_i表示第i部干扰机采用第y_i种干扰样式进行干扰；

步骤3.2、获得干扰对象分配矩阵Q：

其中，干扰对象分配矩阵行代表干扰机，列代表雷达，M为干扰机数量，N为雷达数量，i＝1,2,…M，j＝1,2,…N，q_ij＝0代表第i部干扰机不干扰第j部雷达，q_ij＝1代表分配第i部干扰机干扰第j部雷达；

步骤3.3、获得干扰样式分配矩阵W：

其中，干扰样式分配矩阵行代表干扰机，列代表干扰样式，M为干扰机数量，K为干扰样式总数，k＝0,1,2,…K，w_ik＝0代表第i部干扰机不采用第k种干扰样式干扰雷达，w_ik＝1代表第i部干扰机采用第k种干扰样式；

步骤3.4、结合干扰对象分配矩阵Q与干扰样式分配矩阵W计算决策变量矩阵为Z：

其中，决策变量矩阵为Z中的元素z_k是目标函数的解即C(z_k)。

所述一种基于多干扰效能值的群智能干扰决策方法，步骤4具体包括如下步骤：

步骤4.1、初始化蜂群算法运行次数runtime，迭代循环次数maxCycle，随机产生蜂群A和鱼群Y且大小都为NP，全局最优适应度值的交叉阈值L，迭代次数的交叉阈值G，设定鱼群步长Step，鱼群可视域值Visual；

步骤4.2、根据决策变量矩阵计算种群个体适应度值：

步骤4.3、利用轮盘赌机理更新两类种群，更新的概率为：

更新的形式为：

其中代表交换，NP、NP-1、NP-2代表适应度值最低的三个种群个体。

所述一种基于多干扰效能值的群智能干扰决策方法，步骤5具体包括如下步骤：

步骤5.1、蜂群寻优技术进行邻域搜索，利用遗传算法中染色体交叉运算的操作，具体表达式为：

runtime>G或fitness(j)＞L (14)

为随机选取的全局最优解，为当次迭代的全局最优解；

步骤5.2、将步骤十中鱼群个体的最优适应度的值赋给公告板，鱼群个体通过聚群行为即步骤5.3和追尾行为即步骤5.4更新自己，生成新鱼群，并更新鱼群公告板；

步骤5.3、将适应度的值fitness(k)与适应度均值比较，当时，执行聚群行为，使人工鱼朝中心位置z_c前进一步：

z_c＝z_c+z_k+Visual·rand(0,1) (15)

步骤5.4、当时，执行追尾行为，使人工鱼朝邻域内最优值z_max移动：

步骤5.5、每独立计算一次比较取最优，当runtime＜maxCycle时，runtime＝runtime+1；当runtime＝maxCycle时的最优适应值作为目标函数的最优参数，实现应用两个算法的联合对目标函数的参数寻优。

本发明的有益效果在于：

本发明联合多指标对干扰效果进行评估，将组网雷达的检测概率和定位精度两个评估指标结合作为干扰决策目标函数，有效提高了计算目标函数值的可靠性，进而提升了干扰决策的正确性。同时，本发明结合自适应加权和方法，将评估指标的权重进行自适应调整，利用数据标准化处理技术，将组网雷达的检测概率和定位精度两个评估指标归一化处理，有效提高了计算目标函数的准确性，使干扰决策的正确性得到加强。另一方面，本发明结合群智能算法，对干扰策略进行寻优，有效提高了算法的收敛速度，提高了寻优的适应性，降低了计算复杂度，并且增强了算法的全局搜索能力。

附图说明

图1为本发明涉及的雷达信息各处理环节图；

图2为本发明的方案设计图；

图3为本发明最终得到的最优干扰策略对应的干扰对象；

图4为本发明最终得到的最优干扰策略对应的干扰样式。

具体实施方式

下面结合附图对本发明作进一步描述：

设定飞行器携带4部干扰设备(M＝4，分别编号“1”～“4”)，每部干扰设备的干扰样式为随机噪声调频干扰、灵巧噪声卷积干扰、假目标欺骗干扰，并将其编号为“1”、“2”、“3”，对8部组网雷达(N＝8，分别编号“1”～“8”)进行干扰。如附图3所示，为本发明最终得到的最优干扰策略对应的干扰对象；图4为本发明最终得到的最优干扰策略对应的干扰样式。

如附图1所示，为本发明涉及的雷达信息各处理环节图；附图2为本发明的方案设计图；具体包括如下步骤：

步骤1、飞行器从电磁环境中获取组网雷达有干扰时的检测概率P_d(R)与无干扰时的检测概率P_d'(R)、每种干扰策略下组网雷达定位精度P_g(R)、距离R、组网雷达最大与最小探测距离R_max和R_min、不同距离航线上评估指标权重ω(R)等信息并对其进行雷达信号处理和雷达数据处理。

步骤2、根据步骤一获得的信息，分别计算组网雷达检测概率的干扰效能值y₁(R)和定位精度的干扰效能值y₂(R)：

y₁(R)＝|P_d(R)-P′_d(R)| (1)

y₂(R)＝|P_g(R)| (2)

步骤3、采用分段加权求和的方式计算协同干扰效果评估值：

步骤4、将步骤3的干扰效果评估值归一化：

其中，max(F_i)为干扰策略最为得当的最大干扰效果评估值，min(F_i)为干扰策略安排最差得到的最小干扰效果评估值。

步骤5、获得基于多效能值的干扰决策目标函数：

C＝λ₁F′₁+λ₂F′₂ (6)

其中，λ₁为组网雷达检测概率的权值，λ₂为组网雷达定位精度的权值，且λ₁+λ₂＝1。

步骤6、将步骤五的目标函数的权值进行自适应调整，设所以有对式(6)整理得

步骤7、将干扰策略可实现化即将连续解离散化。干扰对象编码是一个N维向量，向量的维数对应雷达数，可行解位置编码为X_p＝[x₁,x₂,...,x_N]，其中1≤x_j≤2^N-1，它代表一种任务指派的方案；每一个X_p是1～M自然数的一个全排列；x_j表示第j台雷达由第x_j台干扰设备负责，各x_j转换为有M个状态的独热码后，分别对应干扰对象分配矩阵的每一列，组成干扰对象分配矩阵供后续计算使用；干扰样式可行解的位置编码为Y_p＝[y₁,y₂,...,y_M]，y_i表示第i部干扰机采用第y_i种干扰样式进行干扰。

步骤8、获得干扰对象分配矩阵Q：

其中，干扰对象分配矩阵行代表干扰机，列代表雷达，M为干扰机数量，N为雷达数量，i＝1,2,…M，j＝1,2,…N，q_ij＝0代表第i部干扰机不干扰第j部雷达，q_ij＝1代表分配第i部干扰机干扰第j部雷达；

获得干扰样式分配矩阵W：

其中，干扰样式分配矩阵行代表干扰机，列代表干扰样式，M为干扰机数量，K为干扰样式总数，k＝0,1,2,…K，w_ik＝0代表第i部干扰机不采用第k种干扰样式干扰雷达，w_ik＝1代表第i部干扰机采用第k种干扰样式。

结合干扰对象分配矩阵Q与干扰样式分配矩阵W计算决策变量矩阵为Z：

其中，决策变量矩阵为Z中的元素z_k是目标函数的解即C(z_k)。

步骤9、初始化蜂群算法运行次数runtime，迭代循环次数maxCycle，随机产生蜂群A和鱼群Y且大小都为NP，全局最优适应度值的交叉阈值L，迭代次数的交叉阈值G，设定鱼群步长Step，鱼群可视域值Visual。

步骤10、根据决策变量矩阵计算种群个体适应度值：

步骤11、利用轮盘赌机理更新两类种群，更新的概率为：

更新的形式为：

其中代表交换，NP、NP-1、NP-2代表适应度值最低的三个种群个体。

步骤12、蜂群寻优技术进行邻域搜索，利用遗传算法中染色体交叉运算的操作，具体表达式为：

runtime>G或fitness(j)＞L (14)

为随机选取的全局最优解，为当次迭代的全局最优解。

步骤13、将步骤十中鱼群个体的最优适应度的值赋给公告板，鱼群个体通过聚群行为即步骤14和追尾行为即步骤15更新自己，生成新鱼群，并更新鱼群公告板。

步骤14、将适应度的值fitness(k)与适应度均值比较，当时，执行聚群行为，使人工鱼朝中心位置z_c前进一步：

z_c＝z_c+z_k+Visual·rand(0,1) (15)

步骤15、当时，执行追尾行为，使人工鱼朝邻域内最优值z_max移动：

步骤16、每独立计算一次比较取最优。当runtime＜maxCycle时，runtime＝runtime+1；当runtime＝maxCycle时的最优适应值作为目标函数的最优参数，实现应用两个算法的联合对目标函数的参数寻优。

步骤17、根据最优值并依据表1、表2，得到最优干扰策略，将其送入飞行器，使飞行器对侦测目标进行干扰。

图3、图4给出了本发明最优干扰策略的最优函数值，其最优值接近理论最大值1，表明了本发明具有较高的准确率。并根据最优值确定图3、图4中最优干扰策略对应的干扰对象与干扰样式，表明本发明的可靠性好。

本发明提供了一种基于多干扰效能值的群智能干扰决策方法，具体实现该技术方案的方法和途径有很多，以上所述仅是本发明的优选实施方案。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (6)

1.一种基于多干扰效能值的群智能干扰决策方法，其特征在于，具体包括如下步骤：

步骤1、飞行器从电磁环境中获取侦测目标信息，对其进行雷达信号处理及雷达数据处理，从中获取相应评估指标；

步骤2、从侦察到的信息中，提取飞行器与雷达的径向距离，自适应调整权重，进一步将组网雷达检测概率与定位精度的加权和作为干扰决策目标函数；

步骤3、将连续解离散化，减少搜索求解范围，提取干扰样式与干扰对象库，进行干扰策略编码，生成干扰策略变量矩阵；

步骤4、用蜂群算法和鱼群算法两种寻优策略生成两类初始干扰决策集并获取种群个体适应度值，利用轮盘赌机制更新两类种群；

步骤5、每次干扰迭代都会产生全局最优解，针对全局最优解在迭代的解内元素基本不变的情况，利用遗传算法中染色体交叉运算的操作，将全局最优解进行交叉运算，实现全局最优解的更新；当干扰迭代寻优工作达到最大迭代次数，生成全局最优干扰策略；

步骤6、将最优干扰策略对应的干扰对象和干扰样式送至飞行器，使飞行器干扰设备对侦测目标进行干扰。

2.根据权利要求1所述一种基于多干扰效能值的群智能干扰决策方法，其特征在于：步骤1中所述飞行器从电磁环境中获取侦测目标信息包括组网雷达有干扰时的检测概率P_d(R)与无干扰时的检测概率P_d'(R)、每种干扰策略下组网雷达定位精度P_g(R)、距离R、组网雷达最大与最小探测距离R_max和R_min、不同距离航线上评估指标权重ω(R)。

3.根据权利要求1所述一种基于多干扰效能值的群智能干扰决策方法，其特征在于，步骤2具体包括如下步骤：

步骤2.1、根据步骤1获得的信息，分别计算组网雷达检测概率的干扰效能值y₁(R)和定位精度的干扰效能值y₂(R)：

y₁(R)＝|P_d(R)-P′_d(R)|

y₂(R)＝|P_g(R)|

步骤2.2、采用分段加权求和的方式计算协同干扰效果评估值：

步骤2.3、将步骤2.2的干扰效果评估值归一化：

其中，max(F_i)为干扰策略最为得当的最大干扰效果评估值，min(F_i)为干扰策略安排最差得到的最小干扰效果评估值；

步骤2.4、获得基于多效能值的干扰决策目标函数：

C＝λ₁F′₁+λ₂F′₂

其中，λ₁为组网雷达检测概率的权值，λ₂为组网雷达定位精度的权值，且λ₁+λ₂＝1；

步骤2.5、将步骤2.4的目标函数的权值进行自适应调整，设所以有对式(6)整理得

4.根据权利要求1所述一种基于多干扰效能值的群智能干扰决策方法，其特征在于，步骤3具体包括如下步骤：

步骤3.1、将干扰策略可实现化即将连续解离散化，干扰对象编码是一个N维向量，向量的维数对应雷达数，可行解位置编码为X_p＝[x₁,x₂,...,x_N]，其中1≤x_j≤2^N-1，它代表一种任务指派的方案，每一个X_p是1～M自然数的一个全排列，x_j表示第j台雷达由第x_j台干扰设备负责，各x_j转换为有M个状态的独热码后，分别对应干扰对象分配矩阵的每一列，组成干扰对象分配矩阵供后续计算使用，干扰样式可行解的位置编码为Y_p＝[y₁,y₂,...,y_M]，y_i表示第i部干扰机采用第y_i种干扰样式进行干扰；

步骤3.2、获得干扰对象分配矩阵Q：

其中，干扰对象分配矩阵行代表干扰机，列代表雷达，M为干扰机数量，N为雷达数量，i＝1,2,…M，j＝1,2,…N，q_ij＝0代表第i部干扰机不干扰第j部雷达，q_ij＝1代表分配第i部干扰机干扰第j部雷达；

步骤3.3、获得干扰样式分配矩阵W：

其中，干扰样式分配矩阵行代表干扰机，列代表干扰样式，M为干扰机数量，K为干扰样式总数，k＝0,1,2,…K，w_ik＝0代表第i部干扰机不采用第k种干扰样式干扰雷达，w_ik＝1代表第i部干扰机采用第k种干扰样式；

步骤3.4、结合干扰对象分配矩阵Q与干扰样式分配矩阵W计算决策变量矩阵为Z：

其中，决策变量矩阵为Z中的元素z_k是目标函数的解即C(z_k)。

5.根据权利要求1所述一种基于多干扰效能值的群智能干扰决策方法，其特征在于，步骤4具体包括如下步骤：

步骤4.1、初始化蜂群算法运行次数runtime，迭代循环次数maxCycle，随机产生蜂群A和鱼群Y且大小都为NP，全局最优适应度值的交叉阈值L，迭代次数的交叉阈值G，设定鱼群步长Step，鱼群可视域值Visual；

步骤4.2、根据决策变量矩阵计算种群个体适应度值：

步骤4.3、利用轮盘赌机理更新两类种群，更新的概率为：

更新的形式为：

其中代表交换，NP、NP-1、NP-2代表适应度值最低的三个种群个体。

6.根据权利要求1所述一种基于多干扰效能值的群智能干扰决策方法，其特征在于，步骤5具体包括如下步骤：

步骤5.1、蜂群寻优技术进行邻域搜索，利用遗传算法中染色体交叉运算的操作，具体表达式为：

runtime>G或fitness(j)＞L

为随机选取的全局最优解，为当次迭代的全局最优解；

步骤5.2、将步骤十中鱼群个体的最优适应度的值赋给公告板，鱼群个体通过聚群行为即步骤5.3和追尾行为即步骤5.4更新自己，生成新鱼群，并更新鱼群公告板；

步骤5.3、将适应度的值fitness(k)与适应度均值比较，当时，执行聚群行为，使人工鱼朝中心位置z_c前进一步：

z_c＝z_c+z_k+Visual·rand(0,1)

步骤5.4、当时，执行追尾行为，使人工鱼朝邻域内最优值z_max移动：

步骤5.5、每独立计算一次比较取最优，当runtime＜maxCycle时，runtime＝runtime+1；当runtime＝maxCycle时的最优适应值作为目标函数的最优参数，实现应用两个算法的联合对目标函数的参数寻优。