CN111709584A - 一种基于人工蜂群算法的雷达组网优化部署方法 - Google Patents

Abstract

本发明涉及一种基于人工蜂群算法的雷达组网优化部署方法，属于雷达优化部署领域。本发明为了克服传统的雷达部署存在资源浪费、低效重复和可能的自我干扰，且基本依靠战勤人员手工作业，难以完成日益复杂的雷达部署任务的问题，通过综合考虑与具体作战任务密切相关的多重因素，构建更符合体系化作战环境的雷达部署优化目标函数，并充分利用人工蜂群算法具有参数少，鲁棒性好、不易陷入局部最优的优势，结合雷达部署限制条件和“登高看远”的先验知识，改善迭代寻优的收敛性和收敛速度，从而提升算法计算效率。通过本发明，能快速评估雷达网的整体探测能力，对雷达装备优化部署提供科学决策支撑。

Description

一种基于人工蜂群算法的雷达组网优化部署方法

技术领域

本发明属于雷达优化部署技术领域，具体涉及一种基于人工蜂群算法的雷达组网优化部署方法。

背景技术

随着世界新军事变革及电子技术的迅猛发展，各种航空航天飞行器及突防手段不断出现，使雷达网面临着既难以探测目标又易被摧毁的双重挑战。雷达装备的合理配置与部署必须按照当前敌我双方武器战技性能、所采用的战术手段，以及战场可能的电子战环境进行，部署应既有利于整个雷达网形成强有力的探测能力，同时还保证具有较高的抗毁和再生能力。

传统的雷达部署基于单雷达探测威力图，仅定性考虑组网雷达间的距离、高度、频段上的交替衔接，在主要方向上的部署缺乏严格的数学规划，造成资源浪费、低效重复和可能的自我干扰，且基本依靠战勤人员手工作业，难以完成日益复杂的雷达部署任务。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何提供一种基于人工蜂群算法的雷达组网优化部署方法，以克服传统的雷达部署基于单雷达探测威力图，仅定性考虑组网雷达间的距离、高度、频段上的交替衔接，在主要方向上的部署缺乏严格的数学规划，造成资源浪费、低效重复和可能的自我干扰，且基本依靠战勤人员手工作业，难以完成日益复杂的雷达部署任务的问题。

(二)技术方案

为了解决上述技术问题，本发明提出一种基于人工蜂群算法的雷达组网优化部署方法，该方法包括如下步骤：

步骤1)初始化蜜源，包括初始化算法各参数、初始化蜜源中的各雷达位置和计算蜜源适应度；

步骤2)跟随蜂选择蜜源；

步骤3)跟随峰尝试更新蜜源中的雷达部署位置；

步骤4)引领蜂尝试更新对应蜜源中的雷达部署位置；

步骤5)迭代计算，重复步骤2)-3)，直至计算达到指定迭代次数退出，其最优的蜜源位置即为最终结果。

进一步地，所述初始化算法各参数，包括初始化雷达的型号、数量、探测威力和部署范围，重点监视空域、高度层和目标，引领蜂数量，跟随蜂数量，以及算法最大迭代次数，导入地形DEM数据。

进一步地，所述初始化各雷达位置具体包括：每部雷达位置可看成由经度、纬度组成的2维变量，则N部雷达就是2N个变量，对每一只引领蜂，都使用下面策略初始化各雷达位置作为蜜源位置：(a)对于只能在预设阵地部署的雷达，随机选择某阵地，其坐标作为该雷达在蜜源中的初始位置；(b)对于高机动雷达，在其能机动到达的范围内随机选择位置，并搜索其局部邻域的最高海拔点，其坐标作为该雷达在蜜源中的初始位置。

进一步地，所述计算蜜源适应度具体包括：

设共有N部雷达，其部署的位置分别为(x_n,y_n)，n≥1，可定义其目标函数：

max{F(x₁,x₂…x_N,y₁,y₂…y_N)＝∑_Ω∑_σω_Ωω_σf(Ω,σ)} (1)

其中，Ω为战场空间的数字化方格，σ为不同飞行目标的反射截面积RCS，ω_Ω为空间加权系数；ω_σ为目标加权系数；f(Ω,σ)为雷达网对该方格处指定RCS值目标的探测能力，0≤f(Ω,σ)≤1；将N部雷达按频段划分为K种类型，则f(Ω,σ)可定义如下：

g(x)＝x/(x+α) x≥0 (3)

α可取默认值1，ω_n为单雷达探测精度因子；p(x_n,y_n,Ω,σ)为该方格是否被雷达探测覆盖，定义如下：

式中，r、θ、h为方格距雷达位置(x_n,y_n)的相对距离、方位和高度，R_h,σ为雷达对相对高度为h、反射截面积为σ的飞行目标的自由空间探测距离，

为雷达因电磁干扰引起的各方位衰减因子，

r_z(θ)为受地形遮蔽限制的各方位最远探测距离；

使得目标函数值最大的(x_n,y_n)n∈[1,N]即为最终的雷达部署位置。

进一步地，对于f(Ω,σ)的取值，探测范围覆盖该方格的雷达数量越多，f(Ω,σ)的值越接近于1；在覆盖数量相同的情形下，雷达的工作频段越分散，f(Ω,σ)的值值越接近于1。

进一步地，在计算蜜源适应度的过程中，雷达位置一旦调整，R_h,σ、

r_z(θ)都要重新求值。

进一步地，所述步骤2)具体包括：对每一只跟随蜂，采用轮盘赌方式选择蜜源：设当前所有蜜源的最大适应度值为F_max，则计算门限值：

Th＝rand(0,1)·F_max (6)

从所有适应度大于门限的蜜源中随机选择一个作为该跟随蜂的跟随目标。

进一步地，所述步骤3)具体包括：设所述步骤2)中选择的蜜源编号为i，然后随机选择其第n部雷达尝试进行位置调整，设其当前位置为(x_n,i,y_n,i)，随机选择另一个质量较好的蜜源j，根据其对应雷达位置(x_n,j,y_n,j)，计算新位置

其中，rand(-1,1)是生成区间(-1,1)的随机数，当雷达只能在预设阵地机动时，需要寻找除当前阵地外离

最近的阵地，其坐标作为新位置值；

采用公式(1)计算新位置后的蜜源适应度，如果适应度更好，则将蜜源中第n部雷达的位置(x_n,j,y_n,j)更新为

否则保持不变。

进一步地，所述步骤4)包括：每只引领蜂采用如同步骤3)的方式尝试更新对应蜜源中的雷达部署位置。

进一步地，所述步骤4)还包括：如果蜜源位置长时间未更新，则采用步骤1)的方法再次随机选择蜜源位置。

(三)有益效果

本发明提出一种基于人工蜂群算法的雷达组网优化部署方法，通过综合考虑空域覆盖范围、空域重叠系数、多频段探测互补，以及重点探测区域、重点高度范围、重点目标类型、及敌可能电抗装备部署情形等与具体作战任务密切相关的多重因素，构建更符合体系化作战环境的雷达部署优化目标函数，并充分利用人工蜂群算法具有参数少，鲁棒性好、不易陷入局部最优的优势，结合雷达部署限制条件和“登高看远”的先验知识，改善迭代寻优的收敛性和收敛速度，从而提升算法计算效率。通过本发明，能快速评估雷达网的整体探测能力，对雷达装备优化部署提供科学决策支撑。

附图说明

图1为本发明一种基于人工蜂群算法的雷达组网优化部署方法的流程图。

具体实施方式

为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

本发明提出一种基于人工蜂群算法的雷达组网优化部署方法。

多雷达部署主要考虑因素有：

(1)探测空间严密。雷达探测区域应覆盖整个责任区/战场空间，无死角盲区；

(2)目标探测能力。能对高空、中空、低空、超低空各高度层的大型机、小型机均能有效探测；

(3)抗干扰能力。这就要求应有多部雷达能同时探测到目标，如果这些雷达工作于不同频段，则抗干扰效果更佳。

在实际作战情形中，常伴有额外的考虑因素：

(1)针对具体的作战行动和作战任务，指挥员能设置重点监视区域、重点监视高度层及重点监视目标类型；

(2)针对敌可能的干扰装备部署情况，需考虑雷达在全方位或某些方位会遭受一定程度的探测威力衰减；

(3)目前我雷达装备多样，性能差异也较大，应该能根据雷达探测精度、数据更新周期、杂波抑制能力等，赋予雷达相应的探测质量。

根据上述要求，本发明一体设计了雷达部署优化的目标函数。设共有N部雷达，其部署的位置分别为(x_n,y_n)，n≥1，可定义其目标函数：

max{F(x₁,x₂…x_N,y₁,y₂…y_N)＝∑_Ω∑_σω_Ωω_σf(Ω,σ)} (1)

其中，Ω为战场空间的数字化方格(含经度、纬度、高度三个维度)，σ为不同飞行目标的反射截面积RCS，可取典型值{10,2,0.1,0.01}，ω_Ω为空间加权系数，默认值为1，对位于重要区域/高度层的方格，可适当增大加权系数；ω_σ为目标加权系数，默认值为1，对于重点关注目标，其权重可适当增加。f(Ω,σ)为雷达网对该方格处指定RCS值目标的探测能力，0≤f(Ω,σ)≤1，探测范围覆盖该方格的雷达数量越多，其值越接近于1；在覆盖数量相同的情形下，雷达的工作频段越分散，其值越接近于1。将N部雷达按频段划分为K种类型，则f(Ω,σ)可定义如下：

g(x)＝x/(x+α) x≥0 (3)

可见，函数定义满足前面对f(Ω,σ)的各项要求，α可取默认值1，ω_n为单雷达探测精度因子，默认值为1，如某雷达性能先进，其ω_n值可适当增大；p(x_n,y_n,Ω,σ)为该方格是否被雷达探测覆盖，定义如下：

式中，r、θ、h为方格距雷达位置(x_n,y_n)的相对距离、方位和高度，R_h,σ为雷达对相对高度为h、反射截面积为σ的飞行目标的自由空间探测距离，

为雷达因电磁干扰引起的各方位衰减因子，

可根据敌方干扰装备类型、数量和部署情况进行估算，r_z(θ)受地形遮蔽限制的各方位最远探测距离，可根据高程数据计算得到。

使得目标函数值最大的(x_n,y_n)n∈[1,N]即为最终的雷达部署位置，在计算过程中，雷达位置一旦调整，R_h,σ、

r_z(θ)等都要重新求值，涉及大量的三角函数和矩阵运算，复杂度高。

本发明采用人工蜂群算法(ABC)进行优化求解，人工蜂群算法是一种高效的仿生智能优化算法，基本概念包括蜜源和人工蜂群，蜜源为优化问题的可行解，本发明中即为各雷达的部署位置。人工蜂群又可分为引领蜂和跟随蜂两大类，引领蜂与蜜源一一对应，主要负责发现蜜源，并吸引跟随蜂共同进行邻域寻优，跟随蜂则根据蜜源质量进行响应，通过引领蜂和跟随蜂的信息共享和分工协作，使雷达部署效能不断向高效的方向进化。主要步骤如下：

步骤1)初始化蜜源，包括初始化算法各参数、初始化蜜源中的雷达位置和计算蜜源适应度。

初始化算法各参数，包括雷达的型号/数量/探测威力/部署范围、重点监视空域/高度层/目标，以及引领蜂数量、跟随蜂数量、算法最大迭代次数等，导入地形DEM数据。

每部雷达位置可看成由经度、纬度组成的2维变量，则N部雷达就是2N个变量。考虑实际现状，有的预警雷达只能在有限的预设阵地间部署，而高机动雷达往往架设在车辆上，只要车轮能到达的地方，都能快速架设撤收。对每一只引领蜂，都使用下面策略初始化各雷达位置作为蜜源位置，并根据式(1)评估蜜源的适应度：

(a)对于只能在预设阵地部署的雷达，随机选择某阵地，其坐标作为该雷达在蜜源中的初始位置；

(b)一般而言，雷达架设的海拔高度越高，其受地形遮蔽影响越小，探测威力范围越大。因此，对于高机动雷达，在其能机动到达的范围内随机选择位置，并搜索其局部邻域的最高海拔点，其坐标作为该雷达在蜜源中的初始位置。

步骤2)跟随蜂选择蜜源

对每一只跟随蜂，采用轮盘赌方式选择蜜源：设当前所有蜜源的最大适应度值为F_max，则计算门限值：

Th＝rand(0,1)·F_max (6)

从所有适应度大于门限的蜜源中随机选择一个作为该跟随蜂的跟随目标；

步骤3)跟随蜂尝试更新蜜源中的雷达部署位置。设步骤2)中跟随蜂选择的蜜源编号为i，然后随机选择其第n部雷达尝试进行位置调整，设其当前位置为(x_n,i,y_n,i)，一般是随机选择另一个质量较好的蜜源j，根据其对应雷达位置(x_n,j,y_n,j)，计算新位置

其中，rand(-1,1)是生成区间(-1,1)的随机数，可见，新位置是以中心点(x_m,y_m)为圆心，半径为r的圆区域中的随机点。

当雷达只能在预设阵地机动时，需要寻找除当前阵地外离

最近的阵地，其坐标作为新位置值。

采用公式(1)计算新位置后的蜜源适应度，如果适应度更好，则将蜜源中第n部雷达的位置(x_n,j,y_n,j)更新为

否则保持不变。

步骤4)引领蜂尝试更新对应蜜源中的雷达部署位置

每只引领蜂对其对应的蜜源进行尝试更新，步骤同步骤3)。如果该蜜源位置长时间未更新，则再次随机选择蜜源位置，选择方法同步骤1)。

步骤5)迭代计算

重复步骤2)-4)，直至计算达到指定迭代次数退出。其最优的蜜源位置即为最终结果。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于人工蜂群算法的雷达组网优化部署方法，其特征在于，该方法包括如下步骤：

步骤1)初始化蜜源，包括初始化算法各参数、初始化蜜源中的各雷达位置和计算蜜源适应度；

步骤2)跟随蜂选择蜜源；

步骤3)跟随峰尝试更新蜜源中的雷达部署位置；

步骤4)引领蜂尝试更新对应蜜源中的雷达部署位置；

步骤5)迭代计算，重复步骤2)-4)，直至计算达到指定迭代次数退出，其最优的蜜源位置即为最终结果。

2.如权利要求1所述的基于人工蜂群算法的雷达组网优化部署方法，其特征在于，所述初始化算法各参数，包括初始化雷达的型号、数量、探测威力和部署范围，重点监视空域、高度层和目标，引领蜂数量，跟随蜂数量，以及算法最大迭代次数，导入地形DEM数据。

3.如权利要求1所述的基于人工蜂群算法的雷达组网优化部署方法，其特征在于，所述初始化各雷达位置具体包括：每部雷达位置可看成由经度、纬度组成的2维变量，则N部雷达就是2N个变量，对每一只引领蜂，都使用下面策略初始化各雷达位置作为蜜源位置：(a)对于只能在预设阵地部署的雷达，随机选择某阵地，其坐标作为该雷达在蜜源中的初始位置；(b)对于高机动雷达，在其能机动到达的范围内随机选择位置，并搜索其局部邻域的最高海拔点，其坐标作为该雷达在蜜源中的初始位置。

4.如权利要求1-3任一项所述的基于人工蜂群算法的雷达组网优化部署方法，其特征在于，所述计算蜜源适应度具体包括：

设共有N部雷达，其部署的位置分别为(x_n,y_n)，n≥1，可定义其目标函数：

m ax{F(x₁,x₂…x_N,y₁,y₂…y_N)＝∑_Ω∑_σω_Ωω_σf(Ω,σ)} (1)

其中，Ω为战场空间的数字化方格，σ为不同飞行目标的反射截面积RCS，ω_Ω为空间加权系数；ω_σ为目标加权系数；f(Ω,σ)为雷达网对该方格处指定RCS值目标的探测能力，0≤f(Ω,σ)≤1；将N部雷达按频段划分为K种类型，则f(Ω,σ)可定义如下：

g(x)＝x/(x+α) x≥0 (3)

α可取默认值1，ω_n为单雷达探测精度因子；p(x_n,y_n,Ω,σ)为该方格是否被雷达探测覆盖，定义如下：

式中，r、θ、h为方格距雷达位置(x_n,y_n)的相对距离、方位和高度，R_h,σ为雷达对相对高度为h、反射截面积为σ的飞行目标的自由空间探测距离，

为雷达因电磁干扰引起的各方位衰减因子，

r_z(θ)为受地形遮蔽限制的各方位最远探测距离；

使得目标函数值最大的(x_n,y_n)n∈[1,N]即为最终的雷达部署位置。

5.如权利要求4所述的基于人工蜂群算法的雷达组网优化部署方法，其特征在于，对于f(Ω,σ)的取值，探测范围覆盖该方格的雷达数量越多，f(Ω,σ)的值越接近于1；在覆盖数量相同的情形下，雷达的工作频段越分散，f(Ω,σ)的值值越接近于1。

6.如权利要求4所述的基于人工蜂群算法的雷达组网优化部署方法，其特征在于，在计算蜜源适应度的过程中，雷达位置一旦调整，R_h,σ、

r_z(θ)都要重新求值。

7.如权利要求4所述的基于人工蜂群算法的雷达组网优化部署方法，其特征在于，所述步骤2)具体包括：对每一只跟随蜂，采用轮盘赌方式选择蜜源：设当前所有蜜源的最大适应度值为F_max，则计算门限值：

Th＝rand(0,1)·F_max (6)

从所有适应度大于门限的蜜源中随机选择一个作为该跟随蜂的跟随目标。

8.如权利要求7所述的基于人工蜂群算法的雷达组网优化部署方法，其特征在于，所述步骤3)具体包括：设所述步骤2)中选择的蜜源编号为i，然后随机选择其第n部雷达尝试进行位置调整，设其当前位置为(x_n,i,y_n,i)，随机选择另一个质量较好的蜜源j，根据其对应雷达位置(x_n,j,y_n,j)，计算新位置

其中，rand(-1,1)是生成区间(-1,1)的随机数，当雷达只能在预设阵地机动时，需要寻找除当前阵地外离

最近的阵地，其坐标作为新位置值；

采用公式(1)计算新位置后的蜜源适应度，如果适应度更好，则将蜜源中第n部雷达的位置(x_n,j,y_n,j)更新为

否则保持不变。

9.如权利要求8所述的基于人工蜂群算法的雷达组网优化部署方法，其特征在于，所述步骤4)包括：每只引领蜂采用如同步骤3)的方式尝试更新对应蜜源中的雷达部署位置。

10.如权利要求9所述的基于人工蜂群算法的雷达组网优化部署方法，其特征在于，所述步骤4)还包括：如果蜜源位置长时间未更新，则采用步骤1)的方法再次随机选择蜜源位置。

Images