CN111538950B - 一种多无人平台干扰资源分配方法 - Google Patents

Abstract

本发明提供一种多无人平台干扰资源分配方法，它针对多无人平台协同有源干扰多飞行目标末制导雷达问题，综合考虑无人机与无人艇异同和干扰双方性能，构建干扰效果评估定量化模型，其中针对干扰方干扰效能评估，确立干扰压制概率、干扰工作频段、干扰样式数量和干扰有效空间四类评估指标，针对飞行目标威胁度评估，确定目标速度、距离、俯仰角和高度四类评估指标；并以此为基础，通过构建协同干扰效果最优化目标函数和约束条件。本发明的优点是：增加无人艇干扰平台，充分考虑无人机和无人艇的区别，重点体现在平台位置采用三维坐标、干扰指标中干扰有效空间的建立上；综合考虑干扰方干扰性能和飞行目标威胁度，有效提取协同干扰效能的评估指标。

Description

一种多无人平台干扰资源分配方法

技术领域

本发明属于协同控制规划领域，涉及干扰效果评估技术和干扰资源规划技术，尤其涉及一种面向无人机与无人艇两种无人平台并综合考虑干扰双方性能的资源分配方法。

背景技术

当前协同干扰技术已成为电磁战场干扰态势构建的重要方法，由于涉及平台数量较多，因此需要科学的干扰资源规划方法，以保证协同干扰效果最优化，避免造成自身平台在空间和任务执行上发生冲突。当前针对该问题的基本解决方法是以雷达干扰效果评估为基础，借助数学建模方法和多目标优化理论，求取优质的协同干扰方案。

干扰效果评估技术目前尚没有形成统一的评估方法和准则，主要原因为雷达干扰效果评估中涉及的平台对象在干扰样式、雷达功能以及相应的自身体制等方面存在较大的差异性，且应用领域具有很强的军事保密性质。当前少量的公开成果表明，对雷达干扰效果进行评估的基本流程为：基于干扰平台的具体干扰样式，明确相应的评估准则，并采取合适的评估方法对干扰效果进行定量化计算。在干扰样式方面，雷达有源干扰包括压制式干扰和欺骗式干扰，两者又包含瞄准式压制、阻塞式压制、距离欺骗、速度欺骗等多种具体样式。而在评估准则方面，目前常用的准则包括信息准则、功率准则和效率准则。如，PLESSIS采用概率密度函数计算分析了单脉冲雷达在干扰前后角度信息的变化，达到量化两点源相干干扰方式干扰效果的目的(W P PLESSIS.“Limiting apparent target position in skin-return influenced cross-eye jamming”.IEEE Transactions on Aerospace andElectronic Systems,2013,49(3):2097-2101)Bachmann就采用自适应雷达检测器的工作性能变化程度作为该型雷达干扰效果的评估指标(D J Bachmann,R J Evans.“Gametheoretic analysis of adaptive radar jamming”.IEEE Transactions on Aerospaceand Electronic Systems.2011,47(2):1081-2000)。随着数学计算方法的不断进步，研究者基于雷达干扰样式和干扰准则，提出了一系列干扰效果评估方法。按照发展时间顺序，大致可以分为评估因子法、模糊综合评估法和智能评估法三大类。评估因子法基于现有的评估准则，选取代表性的影响因子直接用于干扰效果评估中；模糊综合评估法借鉴模糊数学思想，通过模糊算子定义干扰影响因子之间的关系，并定量化评估效果。智能评估法是在智能算法基础上发展起来的，旨在通过机器学习方式建立基础干扰评估数据与干扰效果之间的非线性关系，当前常用的是神经网络算法和支持向量机算法，如Yang将信号功率、信号复杂性等作为评估指标，采用模糊神经网络方法训练数据得到干扰效果评估结果(Yang L P,Xiong J J.“Method of optimal deployment for radar netting based on detectionprobability”,2009Conference on Computational Intelligence and SoftwareEngineering,Wuhan,CHINA,2009:1-5)。

当前在多无人平台协同干扰规划的优化方法研究方面，与一般的多无人平台协同控制问题采取的分析思路大致相同，先对问题对象进行任务分配数学建模，然后采用合适的优化方法进行最优化求解。对任务分配问题进行数学建模是多无人机协同控制领域研究的基础，目前国外已经开展了大量研究，如美国的MICA自治编队混合主动控制项目、欧洲COMETS项目等，涉及的主要任务类型主要包括侦察、搜索、监视等。Pena将协同侦察问题提取为多旅行商数学问题模型，确定无人机存活性为优化目标，侦察时间和续航时间为基本约束条件，并分别尝试采用搜索算法、粒子群算法等对模型进行解答(H.J.Ortiz-Pena,M.Karwan,M.Sudit,et al,“A multi-perspective optimization approach to UAVresource management for littoral surveillance”,Information Fusion(FUSION),2013 16th International Conference on.IEEE,2013)。在国内关于无人平台协同控制任务模型的研究起步较晚，直到2005年才有相关成果出现。李小莲将毁伤概率门限作为问题考虑因素，构建了火力分配数学模型(李小莲,”战时动态规划法的应用分析,”计算机时代,2019(06):53-55)。以协同干扰为代表的多无人平台协同控制问题是典型的离散组合优化问题，为有效解决此类问题，发展出一系列优化算法。早期的如动态规划算法、0-1规划法等，主要用于解决小规模一对一规划问题，但当规划对象逐渐增大时，计算难度呈指数型增长，此时传统算法不再适用。近年来研究者受自然现象和生物行为的启发，提出了大量人工智能算法，如蚁群算法、粒子群算法、人工免疫算法等，并尝试应用于协同控制资源调度优化过程中。如，Li Y通过遗传算法对多无人机任务规划模型进行分析，同时借鉴染色体结构特征，制定了深度、广度优先准则(Li Y,Dong Y,”Weapon-target assignment based onsimulated annealing and discrete particle swarm optimization in cooperativeair combat,”Acta Aeronautica Et Astronautica Sinica,2010,31(3):626-631)综合分析，当前对于干扰效果的评估均从干扰方从干扰样式和干扰准则方面进行提取，但协同干扰效果是干扰双方共同作用的结果，而在无人干扰平台上，仅主要考虑无人机平台，尚未见关于无人艇干扰平台的报道，因此当前思路不够全面客观。

为此，本发明针对多无人平台(无人机、无人艇)协同干扰飞行目标末制导雷达情境，综合考虑干扰方干扰性能和干扰目标威胁度，采用人工蜂群算法，提出一种协同干扰资源分配方法。

发明内容

本发明的目的在于提供一种基于面向无人机与无人艇两种无人平台，综合考虑干扰双方性能进行干扰效果评估的协同干扰资源分配方法。

为实现上述目的，本发明提供如下技术方案：

一种多无人平台干扰资源分配方法，包括以下具体步骤：

步骤1，确定干扰方功率信息、频率信息、干扰样式信息、无人平台速度与位置信息，通过侦察手段获取飞行目标末制导雷达功率信息、频率信息、速度信息、位置信息，计算干扰效益矩阵和威胁度矩阵；

步骤2，确定干扰效果矩阵E和一对一干扰效果f_effect；

步骤3，利用人工蜂群算法求取干扰资源分配最优解，通过参数初始化和种群个体初始化，经雇佣蜂阶段、观察蜂阶段进行新食物源搜索，计算新食物源位置的适应度值，通过适应度值比较和阈值Limit比较，完成迭代，输出全局最优解。

优选的，所述的干扰效益矩阵通过干扰压制概率J¹、干扰工作频谱J²、干扰样式数量J³和干扰有效空间J⁴四个变量来构建。

优选的，所述的威胁度矩阵通过目标速度M¹、目标距离M²、目标俯仰角M³和目标高度M⁴四个变量来构建。

优选的，通过下列步骤求取干扰效益矩阵：

步骤101，干扰压制概率采用目标回波功率pow_s和干扰信号功率pow_j的比值计算得到，

J¹＝pow_s/pow_j (1)

步骤102，干扰工作频谱用干扰平台频谱集合freq_j与飞行目标频谱集合freq_s中重合频率数目与飞行目标频谱频率总数的比值计算得到，

步骤103，干扰样式数量采用所分析的干扰平台干扰样式数量Style_j与总的干扰样式数量Style_z的比值表示，

J³＝Style_j/Style_z (3)

步骤104，干扰有效空间采用飞行目标有效干扰时间段内单个干扰平台的运行距离D_e与初始时刻干扰平台和飞行目标间距离D_JR的比值进行计算，

其中，对于无人机平台，D_e＝(v_A+v_R)t_e；对于无人艇干扰平台，由于其仅能在海平面移动，因此与飞行目标的连线方向的分速度为v_SSinθ，故D_e＝(v_SSinθ+v_R)t_e，采用t_e表示干扰平台实施有效干扰所需时间，v_A、v_S和v_R分别表示无人机平台、无人艇平台和飞行目标的运行速度，θ表示飞行目标与无人艇平台与竖直方向夹角；

步骤105，采用层次分析法确定干扰效益评估指标权益值α^p，p＝1,2,3,4分别表示干扰压制概率值、干扰工作频段值、干扰样式数量值和干扰有效空间值；

步骤106，确定干扰方的干扰效益矩阵

其中，J_ij表示第j个无人干扰平台干扰第i个飞行目标的干扰效益参数，

表示针对第j个无人干扰平台干扰第i个飞行目标的第p个干扰效能评估指标值。

优选的，所述的飞行目标威胁度矩阵，通过下列步骤获得：

步骤107，对侦察获取的飞行目标信息参数进行归一化处理，得到目标速度M¹、目标距离M²、目标俯仰角M³和目标高度M⁴；

步骤108，采用层次分析法确定威胁度评估指标权益值β^q，q＝1,2,3,4分别表示目标速度、目标距离、目标俯仰角和目标高度；

步骤109，确定飞行目标威胁度矩阵

M_ij表示第j个无人干扰平台干扰第i个飞行目标的飞行目标威胁度参数，

表示针对第j个无人干扰平台干扰第i个飞行目标的第q个威胁度评估指标值。

优选的，所述的确定干扰效果矩阵E和一对一干扰效果参数f_effect，其步骤包括：

步骤201，确定系统的干扰效果矩阵E：E＝(E_ij)_m×n,E_ij＝J_ij·M_ij；

步骤202，确定系统的干扰资源分配矩阵X：X＝(x_ij)_m×n，其中，

步骤203，依据系统的干扰效益矩阵和干扰资源分配矩阵，得到一对一干扰效果f_effect：f_effect＝E·X。

与现有技术比，本发明的有益效果是：增加无人艇干扰平台，充分考虑无人机和无人艇的区别，重点体现在平台位置采用三维坐标、干扰指标中干扰有效空间的建立上；综合考虑干扰方干扰性能和飞行目标威胁度，有效提取协同干扰效能的评估指标。

附图说明

图1是多无人平台干扰资源分配流程图；

图2是多无人平台协同干扰情境；

图3是算法迭代次数收敛图。

具体实施方式

下面结合实际案例对本发明方案的实施过程进行具体说明。

如图1-3所示，一种多无人平台干扰资源分配方法，包括以下具体步骤：

步骤1，确定干扰方功率信息、频率信息、干扰样式信息、无人平台速度与位置信息，通过侦察手段获取飞行目标末制导雷达功率信息、频率信息、速度信息、位置信息，计算干扰效益矩阵和威胁度矩阵；

所述的干扰效益矩阵通过干扰压制概率J¹、干扰工作频谱J²、干扰样式数量J³和干扰有效空间J⁴四个变量来构建。

通过下列步骤求取干扰效益矩阵：

步骤101，干扰压制概率采用目标回波功率pow_s和干扰信号功率pow_j的比值计算得到，

J¹＝pow_s/pow_j (1)

步骤102，干扰工作频谱用干扰平台频谱集合freq_j与飞行目标频谱集合freq_s中重合频率数目与飞行目标频谱频率总数的比值计算得到，

步骤103，干扰样式数量采用所分析的干扰平台干扰样式数量Style_j与总的干扰样式数量Style_z的比值表示，

J³＝Style_j/Style_z (3)

步骤104，干扰有效空间采用飞行目标有效干扰时间段内单个干扰平台的运行距离D_e与初始时刻干扰平台和飞行目标间距离D_JR的比值进行计算，

其中，对于无人机平台，D_e＝(v_A+v_R)t_e；对于无人艇干扰平台，由于其仅能在海平面移动，因此与飞行目标的连线方向的分速度为v_SSinθ，故D_e＝(v_SSinθ+v_R)t_e，采用t_e表示干扰平台实施有效干扰所需时间，v_A、v_S和v_R分别表示无人机平台、无人艇平台和飞行目标的运行速度，θ表示飞行目标与无人艇平台与竖直方向夹角；

步骤105，采用层次分析法确定干扰效益评估指标权益值α^p，p＝1,2,3,4分别表示干扰压制概率值、干扰工作频段值、干扰样式数量值和干扰有效空间值；

步骤106，确定干扰方的干扰效益矩阵

其中，J_ij表示第j个无人干扰平台干扰第i个飞行目标的干扰效益参数，

表示针对第j个无人干扰平台干扰第i个飞行目标的第p个干扰效能评估指标值。

所述的威胁度矩阵通过目标速度M¹、目标距离M²、目标俯仰角M³和目标高度M⁴四个变量来构建。所述的威胁度矩阵，通过下列步骤获得：

步骤107，对侦察获取的飞行目标信息参数进行归一化处理，得到目标速度M¹、目标距离M²、目标俯仰角M³和目标高度M⁴；

步骤108，采用层次分析法确定威胁度评估指标权益值β^q，q＝1,2,3,4分别表示目标速度、目标距离、目标俯仰角和目标高度；

步骤109，确定飞行目标威胁度矩阵

M_ij表示第j个无人干扰平台干扰第i个飞行目标的飞行目标威胁度参数，

表示针对第j个无人干扰平台干扰第i个飞行目标的第q个威胁度评估指标值。

步骤2，确定干扰效果矩阵E和一对一干扰效果f_effect，其步骤包括：

步骤201，确定系统的干扰效果矩阵E：E＝(E_ij)_m×n,E_ij＝J_ij·M_ij；

步骤202，确定系统的干扰资源分配矩阵X：X＝(x_ij)_m×n，其中，

步骤203，依据系统的干扰效益矩阵和干扰资源分配矩阵，得到一对一干扰效果f_effect：f_effect＝E·X。

步骤3，利用人工蜂群算法求取干扰资源分配最优解，通过参数初始化和种群个体初始化，经雇佣蜂阶段、观察蜂阶段进行新食物源搜索，计算新食物源位置的适应度值，通过适应度值比较和阈值Limit比较，完成迭代，输出全局最优解。

应用场景说明：

3台无人机干扰平台和3套无人艇干扰平台共同干扰4枚飞行目标，情境如图如图3所示，已知干扰方功率、频率、干扰样式数量以及速度矢量信息，以及飞行目标速度、距离、俯仰角和高度信息。

具体实现步骤：

①利用干扰双方信息，经计算和归一化处理，得到干扰方的干扰效益矩阵J和飞行目标威胁度矩阵M；

②采用层次分析法得到干扰效益评价指标和飞行目标威胁度评价指标的权益值：α＝(0.63 0.76 0.85 0.72)、β＝(0.54 0.62 0.46 0.71)；

③干扰方的干扰效益矩阵J和飞行目标威胁度矩阵M得到系统的干扰效果矩阵E：

④利用协同干扰效果最优化函数和约束条件，基于人工蜂群算法，设置种群数量NP＝100，单蜜源最大搜索次数limit＝100，最大迭代次数为100。

算法优化性能为：平均优化收益值为0.925，得到最优决策的平均迭代次数为35，得到最有决策概率为0.78。

干扰平台分配结果为：无人机1干扰导弹A，无人机2干扰导弹D，无人机3干扰导弹B，无人艇1干扰导弹C。

作为本发明进一步方案：采用人工蜂群算法进行干扰资源分配优化，具体步骤如下：

步骤1：初始化。设置算法的种群数量为2*SN、迭代次数M、维数D、阈值Limit、计数count等，根据公式(13)构造SN(这里食物源的数量和雇佣蜂的数量同为SN)个点作为初始食物源的位置。

r_kg＝(r_k1,r_k2,…,r_kD)表示第k个食物源，k＝1,2,…,SN，g＝1,2,…,D，g为D维解空间的维度，

和

分别为第g维的上、下界，rand是在[0,1]之间的一个随机数。

步骤2：雇佣蜂阶段。按照式(14)使雇佣蜂在蜜源附近搜索新食物源，

其中，

是[-1,1]之间的随机数，用于控制邻域搜索半径。g、a随机选取，a＝1,2…,SN，且k≠a。

若新食物源更优(适应度值更大)，则该雇佣蜂以新食物源位置更新其位置和适应度值。否则count_k＝count_k+1；

步骤3：观察蜂阶段。根据式(15)计算选择概率，观察蜂根据概率选择一只雇佣蜂进行跟随(轮盘赌机制)，并以式(14)在该个体的邻域进行搜索，记下新食物源的位置。

步骤4：计算新食物源位置的适应度值，若该处食物源的适应度值大于其所跟随的雇佣蜂处食物源的适应度值，则该雇佣蜂更新其食物源信息。否则count_k＝count_k+1。

步骤5：更新当前位置的全局最优解g_best。

步骤6：判断每个雇佣蜂的未更新次数count_k是否大于阈值Limit，若大于，接步骤7，否则，跳到步骤8。

步骤7：雇佣蜂转换为侦察蜂，根据公式(14)搜索更新后的食物源位置，根据贪婪保留策略，找到较优食物源位置。

步骤8：完成一次迭代，迭代次数m＝m+1，判断是否满足终止条件，若m＞M则输出全局最优解g_best，否则返回至步骤2。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此。任何采用面向无人机、无人艇两种无人平台，并综合考虑干扰方干扰效能和被干扰方威胁度的干扰资源分配思路，均应属于本发明所阐明的技术构思的保护范围，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，或者与现有公知技术的显而易见的结合，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种多无人平台干扰资源分配方法，其特征在于，包括以下具体步骤：

步骤1，确定干扰方功率信息、频率信息、干扰样式信息、无人平台速度与位置信息，通过侦察手段获取飞行目标末制导雷达功率信息、频率信息、速度信息、位置信息，计算干扰效益矩阵和威胁度矩阵；

步骤2，确定干扰效果矩阵E和一对一干扰效果参数f_effect；

步骤3，利用人工蜂群算法求取干扰资源分配最优解，通过参数初始化和种群个体初始化，经雇佣蜂阶段、观察蜂阶段进行新食物源搜索，计算新食物源位置的适应度值，通过适应度值比较和阈值Limit比较，完成迭代，输出全局最优解；

所述的干扰效益矩阵通过干扰压制概率J¹、干扰工作频谱J²、干扰样式数量J³和干扰有效空间J⁴四个变量来构建；

通过下列步骤求取干扰效益矩阵：

步骤101，干扰压制概率采用目标回波功率pow_s和干扰信号功率pow_j的比值计算得到，

J¹＝pow_s/pow_j (1)

步骤102，干扰工作频谱用干扰平台频谱集合freq_j与飞行目标频谱集合freq_s中重合频率数目与飞行目标频谱频率总数的比值计算得到，

步骤103，干扰样式数量采用所分析的干扰平台干扰样式数量Style_j与总的干扰样式数量Style_z的比值表示，

J³＝Style_j/Style_z (3)

步骤104，干扰有效空间采用飞行目标有效干扰时间段内单个干扰平台的运行距离D_e与初始时刻干扰平台和飞行目标间距离D_JR的比值进行计算，

其中，对于无人机平台，D_e＝(v_A+v_R)t_e；对于无人艇干扰平台，由于其仅能在海平面移动，因此与飞行目标的连线方向的分速度为v_SSinθ，故D_e＝(v_SSinθ+v_R)t_e，采用t_e表示干扰平台实施有效干扰所需时间，v_A、v_S和v_R分别表示无人机平台、无人艇平台和飞行目标的运行速度，θ表示飞行目标与无人艇平台与竖直方向夹角；

步骤105，采用层次分析法确定干扰效益评估指标权益值α^p，p＝1,2,3,4分别表示干扰压制概率值、干扰工作频段值、干扰样式数量值和干扰有效空间值；

步骤106，确定干扰方的干扰效益矩阵J＝(J_ij)_m×n,

其中，J_ij表示第j个无人干扰平台干扰第i个飞行目标的干扰效益参数，

表示针对第j个无人干扰平台干扰第i个飞行目标的第p个干扰效能评估指标值；

所述的威胁度矩阵通过目标速度M¹、目标距离M²、目标俯仰角M³和目标高度M⁴四个变量来构建；

所述的飞行目标威胁度矩阵，通过下列步骤获得：

步骤107，对侦察获取的飞行目标信息参数进行归一化处理，得到目标速度M¹、目标距离M²、目标俯仰角M³和目标高度M⁴；

步骤108，采用层次分析法确定威胁度评估指标权益值β^q，q＝1,2,3,4分别表示目标速度、目标距离、目标俯仰角和目标高度；

步骤109，确定飞行目标威胁度矩阵M＝(M_ij)_m×n,

M_ij表示第j个无人干扰平台干扰第i个飞行目标的飞行目标威胁度参数，

表示针对第j个无人干扰平台干扰第i个飞行目标的第q个威胁度评估指标值；

所述的确定干扰效果矩阵E和一对一干扰效果参数f_effect，其步骤包括：

步骤201，确定系统的干扰效果矩阵E：E＝(E_ij)_m×n,E_ij＝J_ij·M_ij；

步骤202，确定系统的干扰资源分配矩阵X：X＝(x_ij)_m×n，其中，

步骤203，依据系统的干扰效益矩阵和干扰资源分配矩阵，得到一对一干扰效果参数f_effect：f_effect＝E·X。

Images