CN112749804B - 基于遗传算法的相控阵雷达脉冲交错波束驻留调度算法 - Google Patents
基于遗传算法的相控阵雷达脉冲交错波束驻留调度算法 Download PDFInfo
- Publication number
- CN112749804B CN112749804B CN202110029477.2A CN202110029477A CN112749804B CN 112749804 B CN112749804 B CN 112749804B CN 202110029477 A CN202110029477 A CN 202110029477A CN 112749804 B CN112749804 B CN 112749804B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- task
- tasks
- time
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Radar, Positioning & Navigation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达系统资源管理领域,特别涉及相控阵雷达应用脉冲交错技术的自适应波束驻留调度的算法。本发明提供了一种基于遗传算法的相控阵雷达脉冲交错波束驻留调度算法。发明首先对各个调度间隔中的雷达任务请求进行预筛选,基于筛选后的任务以实际执行时间进行编码;随后,综合考虑调度的工作方式优先级、截止期和期望执行时间准则,设计了个体的适应度函数;通过引入时间状态向量和能量状态向量,进行调度过程中的脉冲交错分析,实现了具有不同脉冲重复周期和个数的任务之间的交错;最后根据个体适应度值对种群进行选择交叉变异从而获得最终调度序列。
Description
技术领域
本发明属于雷达系统资源管理领域,特别涉及相控阵雷达应用脉冲交错技术的自适应波束驻留调度的方法。
背景技术
相控阵雷达(Phase Array Radar,PAR)是一种以电子扫描代替机械从而完成多种功能的目标探测与定位设备,其发射阵列由许多天线单元排列而成。相控阵雷达具有可靠性高,扫描速度快,多功能,探测距离远和被截获概率低等特点,因此受到了广泛的关注(见文献:王峰.相控阵雷达资源自适应调度研究[D].西北工业大学,2002)。由于相控阵雷达具备多功能特点,为了充分发挥相控阵雷达的性能,需要设计高效的波束驻留调度算法。
自从相控阵雷达诞生时起,波束驻留调度问题便被广泛关注和研究。相控阵雷达波束驻留调度算法主要分为基于模板法的调度算法和自适应调度算法两部分(见文献:Zhang H,Jun-Wei X,Ge J,et al.Task Interleaving Scheduling for Phased ArrayRadar in Multi-Target Tracking[C]//2018IEEE 4th International Conference onControl Science and Systems Engineering(ICCSSE).IEEE,2018)。对基于模板法的调度算法而言(见文献:Shih C S,Gopalakrishnan S,Ganti P,et al.Template-based real-time dwell scheduling with energy constraint[C]//Real-Time and EmbeddedTechnology and Applications Symposium,2003.Proceedings.The 9th IEEE.IEEE,2003;Shih C S,Gopalakrishnan S,Ganti P,et al.Scheduling real-time dwellsusing tasks with synthetic periods[C]//Real-time Systems Symposium.IEEE,2003;Shih C S,Ganti P,Gopalakrishnan S,et al.Synthesizing task periods for dwellsin multi-function phased array radars[C]//Radar Conference,2004.Proceedingsof the IEEE.IEEE,2004;),因实际情况复杂多变,模板库中有限的模板无法完全兼顾所有在线任务请求的情况,故其无法充分发挥出相控阵雷达的调度性能。因此,相较于基于模板法的调度算法,自适应调度算法被视为更佳的波束驻留调度算法,它可进一步分为基于启发式方法的波束驻留调度算法和基于智能搜索算法的波束驻留调度算法(见文献:HaoweiZ,Junwei X,Jiaang G,et al.A hybrid adaptively genetic algorithm for taskscheduling problem in the phased array radar[J].European Journal ofOperational Research,2018:S0377221718306179-)。
基于启发式方法的波束驻留调度算法采用启发式规则求解波束驻留调度优化问题。文献(Orman A J,Potts C N,Shahani A K,et al.Scheduling for a multifunctionphased array radar system[J].European Journal of Operational Research,1996,90(1):13-25)和文献(Haritsa,J.R,Livny,M,Carey.M.J.Earliest deadline schedulingfor real-time database systems[C]//Proceedings Twelfth Real-Time SystemsSymposium.IEEE,1991)分别提出了工作方式优先级高任务优先执行(Higher PriorityFirst,HPF)和截止时间早任务优先执行(Earliest Deadline First,EDF)两类方法。两种方法均只考虑了雷达任务请求某一任务属性,未能全面考虑任务请求的多种属性。文献(卢建斌,胡卫东,郁文贤.多功能相控阵雷达实时任务调度研究[J].电子学报,2006,34(4):732-736)将任务的工作方式优先级同任务的截止时间两个任务属性有机结合,设计出了同时兼顾二者的调度方法(Higher Priority Earliest Deadline First,HPEDF)。此外文献(Zhang H,Xie J,Zong B,et al.Dynamic priority scheduling method for the air-defence phased array radar[J].IET Radar Sonar&Navigation,2017,11(7):1140-1146)进一步将目标威胁度加入调度算法综合设计中。
上述方法均未采用脉冲交错技术。脉冲交错技术的原理是通过利用某个雷达任务的等待期进行另一个雷达波束的发射或接收从而进一步提升雷达性能。但脉冲交错技术在带来性能提升同时机遇时也给波束驻留调度算法带来了挑战。随着脉冲交错技术的引进,该问题的时间约束变得更为复杂,且需要考虑能量约束问题。文献(Cheng T,He Z,TangT.Novel radar dwell scheduling algorithm based on pulse interleaving[J].Journal of Systems Engineering and Electronics,2009,20(02):247-253)给出了交错的时间约束与能量约束,引入双时间指针判断当前时刻是否可进行交错调度,并给出了在两种不同的交错情况下时间指针的更新方式,从而实现了脉冲交错。但交错条件较为严苛,要求具有相同脉冲重复周期和脉冲重复个数的雷达任务才可进行交错,浪费了雷达的部分性能。文献(谢潇潇,张伟,陈杰,陈明燕.一种改进的相控阵雷达脉冲交错算法[J].雷达科学与技术,2013,11(02):185-191)引入时间指针指向调度分析时刻,分别从脉冲和波束的角度给出了三种脉冲重叠时间约束条件,在满足时间和能量资源的约束的条件下,选取综合优先级最高的雷达驻留任务进行调度,但交错的分析过程仍然不够简洁。文献(Zhang H,Xie J,Hu Q,et al.Online pulse interleaving task scheduling formultifunction radar[J].Journal of Scheduling,2019,22(2):183-192)考虑的是单脉冲情况下的波束驻留调度问题。在实际的波束驻留调度问题中,雷达需要重复发射多个脉冲重复周期以达到期望的回波信噪比,因此该文献提出的算法无法运用到实际场景。文献(Tan Q,Cheng T,Li X.Adaptive Dwell Scheduling Based on a Novel Online PulseInterleaving Technique for Phased Array Radar[C]//2019InternationalConference on Control,Automation and Information Sciences(ICCAIS).2019)通过引入时间状态向量和能量状态向量简化了交错的分析过程,且允许具有不同脉冲重复周期和脉冲重复个数的任务进行交错,进一步提升了调度性能。但实际上考虑脉冲交错的波束驻留调度问题已同传统的调度问题有了较大的区别,使用启发式方法求得的可行调度序列同最优调度序列已有了不小的差距。因此需要使用更为有效的方法获得性能更佳的调度序列。
智能搜索算法具有求解非凸、非线性优化问题能力强的特点,从而得到了广泛的应用。其中粒子群搜索算法(Particle Swarm Optimization,PSO)(见文献:张浩为,谢军伟,张昭建,宗彬锋,盛川.基于混合遗传-粒子群算法的相控阵雷达调度方法[J].系统工程与电子技术,2017,39(09):1985-1991),禁忌搜索算法(Tabu Search,TS)(见文献:MirH.An Optimization Model and Tabu Search Heuristic for Scheduling of Tasks ona Radar Sensor[J].IEEE Sensors Journal,2016,16(17):1-1),遗传算法(GeneticAlgorithm,GA)(见文献:L.Hao,X.Yang and S.Hu,Task scheduling of improved timeshifting based on genetic algorithm for phased array radar[C]//2016 IEEE 13thInternational Conference on Signal Processing(ICSP).2016;Hao-Wei Z,Jun-Wei X,Chuan S.Scheduling method for phased array radar over chaos adaptivelygenetic algorithm[C]//2016 Sixth International Conference on InformationScience and Technology(ICIST).IEEE,2016;Haowei Z,Junwei X,Jiaang G,et al.Ahybrid adaptively genetic algorithm for task scheduling problem in the phasedarray radar[J].European Journal of Operational Research,2018:S0377221718306179-;Zhang H,Xie J,Ge J,et al.Optimization model and onlinetask interleaving scheduling algorithm for MIMO radar[J].Computers&IndustrialEngineering,2019,127(JAN.):865-874)等智能算法已在波束驻留调度问题中得到了应用。但这些方法大多不考虑脉冲交错技术(见文献:Abdelaziz F B;Mir H.AnOptimization Model and Tabu Search Heuristic for Scheduling of Tasks on aRadar Sensor[J].IEEE Sensors Journal,2016,16(17):1-1;L.Hao,X.Yang and S.Hu,Task scheduling of improved time shifting based on genetic algorithm forphased array radar[C]//2016 IEEE 13th International Conference on SignalProcessing(ICSP).2016)或是考虑任务模型为单脉冲模型(见文献:张浩为,谢军伟,张昭建,宗彬锋,盛川.基于混合遗传-粒子群算法的相控阵雷达调度方法[J].系统工程与电子技术,2017,39(09):1985-1991;Hao-Wei Z,Jun-Wei X,Chuan S.Scheduling method forphased array radar over chaos adaptively genetic algorithm[C]//2016 SixthInternational Conference on Information Science and Technology(ICIST).IEEE,2016;Haowei Z,Junwei X,Jiaang G,et al.A hybrid adaptively genetic algorithmfor task scheduling problem in the phased array radar[J].European Journal ofOperational Research,2018:S0377221718306179-;Zhang H,Xie J,Ge J,etal.Optimization model and online task interleaving scheduling algorithm forMIMO radar[J].Computers&Industrial Engineering,2019,127(JAN.):865-874)。基于智能算法实现多脉冲交错的波束驻留调度问题尚未被考虑。
基于上述问题,本发明提出了一种基于遗传算法的相控阵雷达脉冲交错驻留调度方法。该算法首先对请求调度任务进行了预筛选,并基于预筛选后的任务请求进行遗传算法的编码,基于调度的工作方式优先级,截止期和期望时间准则下设计了适应度函数,并通过选择交叉变异操作得到适应度最高个体,将最高适应度个体解码获得任务调度序列。此外,该方法引入时间状态向量和能量状态向量简化交错的判断,从而实现了脉冲重复周期与个数不相同的多脉冲波束驻留任务之间的交错。仿真结果表明,与现有方法相比,该调度算法能有效地提高系统的调度性能。
发明内容
本发明提供了一种基于遗传算法的相控阵雷达脉冲交错波束驻留调度方法。
设在当前调度间隔[t0,t0+SI]有Ntotal个申请调度驻留任务。其中,t0为当前调度间隔的起始时刻,SI为一个调度间隔的时长,编号为i的某一个特定的波束驻留任务模型为Ti={Pi,rti,sti,tai,tdi,li,txi,twi,tri,prii,Mi,Pli},其中Pi为工作方式优先级,rti为实际执行时刻,sti为期望执行时刻,tai为最早可执行时刻,tdi为任务最晚可执行时刻,li为时间窗,txi为发射期,twi为等待期,tri为接收期,prii为脉冲重复间隔,Mi为脉冲重复个数,Pli为雷达波束发射功率。那么基于脉冲交错的相控阵雷达波束驻留调度包括如下步骤:
1、请求任务预筛选。
对Ntotal个申请调度驻留任务进行筛选,保留全部的高优先级任务Nh,对低优先级任务进行筛选。根据(1)式生成Nl。更新预筛选后的申请调度任务数为N=Nh+Nl。
2、参数初始化。
初始化个体个数NIND,个体染色体长度NVAR为申请调度任务数N,种群最大进化次数MAXGEN,精英保留个数ne,交叉概率Pc,变异概率Pm。根据式(2)计算NSI,按照(3)-(4)初始化时间状态向量S和能量状态向量E,
其中Eend为上一调度间隔结束时刻的系统消耗能量值,τ为回退参数。
3、个体编码。
根据式(6)为预筛选后的请求队列T=[T1,T2,…,TN]随机生成任务实际执行时间rt=[rt1,rt2,...,rtN],一共随机生成NIND个不同的rt作为每一个个体的编码,其中
rti∈[max(t0,tai),min(tdi,t0+SI-prii×Mi)] (6)
4、编码时间离散化。
根据式(7)将任务Ti的实际执行时刻rti调整到当前调度间隔的对应时刻点上,更新为新的rti。
5、适应度函数计算。
以某一个体适应度函数值计算为例,初始化某一个体适应度函数值fit=0,根据式(8)-(11)计算请求队列中每一个任务Ti的调度增益Gi。
按照任务增益值从高到低对任务进行排序,依次对任务进行调度分析。假设第i个任务Ti正在被分析。首先按照式(12)和式(13),(14)分别生成任务的时间状态向量△S和能量状态向量△E
然后根据式(15)-(16)判断该任务是否能在rti时刻被调度执行,如果可行,按照式(17)-(19)对时间状态向量S,能量状态向量E和适应度函数值fit进行更新,如果不可行,则按同样的方法继续分析增益值队列中的下一个任务。当请求队列T中全部任务被分析完毕后获得该个体的适应度函数值fit。
max(S+△S)≤1 (15)
max(E+△E)≤Eth (16)
S=S+△S (17)
E=E+△E (18)
fit=fit+Gi (19)
其中,Eth为能量阈值。
6、选择操作。
按照适应度函数值从大到小将种群中全部个体进行排序,每个个体有一个对应的排序序号ranki。将其中适应度函数值最大的ne个个体挑选出来直接遗传至下一代。对于余下NIND-ne个个体,将按照一定的概率随机抽取作为产生下一代的父本与母本。概率计算公式见式(20),prob为当前个体成为父本或母本的概率。
7、交叉操作。
随机选择父本染色体的某个位置作为交叉节点。保留父本染色体的前一部分,将父本染色体的后一部分用母本染色体对应位置进行替换,并获得子代。
8、变异操作。
选择子代某一个基因按照一定概率修改其值。修改染色体值应遵循式(6)的约束条件,若计算得到的值超出了式(6)的约束范围,则根据变异值的大小取变异值为式(6)的上界或下界。具体来说,若变异值大小超过上界,则取变异值为上界;反之若变异值低于下界,则取变异值为下界。修改完值之后还应按照式(7)对变异后基因的值进行调整。
9、判断进化是否结束。
更新迭代代数GEN=GEN+1。若GEN未超过MAXGEN,则重复步骤5。否则结束循环,得出本调度间隔内最优调度序列,本调度间隔分析结束。
发明原理
本发明中综合考虑调度的工作方式优先级、截止期和期望执行时间准则,设计了一种综合优先级计算方法,并根据相控阵雷达任务调度的特点提出了一种新的波束驻留调度算法,其中通过引入脉冲交错技术提高了雷达系统时间资源的利用率,下面对其原理进行阐述。
假设当前调度间隔中共有Ntotal个任务请求,记为为提升算法速度,本发明首先通过保留全部高优先级任务和部分低优先级任务对所有请求任务进行预筛选。由于在该调度间隔内最多可调度的低优先级任务的数目由调度间隔和其自身的驻留时间决定,所以采用式(1)确定保留下来的低优先级任务数量。此外当多个任务竞争同一执行时间段时,工作方式优先级较高的任务应被优先执行,式(9)反应了这一原则;截止期较早的任务也应被优先排序,式(10)反应了这一原则;任务的实际执行时间应尽可能的接近期望执行时刻,式(11)反应了这一原则。本方法综合考虑了这三个原则,综合优先级可由式(8)计算得出。因此一个调度间隔内的波束驻留调度优化问题的目标函数可设为式(21);
其中,N1代表实际调度任务数。
另外调度过程中由于系统资源有限,存在以下约束条件:第一,任务应该在可执行的时间窗内被执行;第二,不同任务的发射期不能重叠;第三,每个任务的发射期不能与其他任务的接收期重叠;第四,不同任务的接收期不能重叠;第五,调度任务序列应满足能量约束。基于此,可建立如下调度优化模型。
其中,t0和t0+SI分别为当前调度间隔开始时刻和结束时刻。N为预筛选后剩余的任务请求数量。N1,N2和N3分别为调度任务、延迟任务和删除任务的数量。显然有N=N1+N2+N3;系统消耗的能量其中P(x)为发射功率函数,τ为回退参数。只要在整个调度间隔内不等式E(t)≤Eth则满足能量约束。公式(22)中的前5个式子对应于上述的5个约束条件,最后两个条件用于判断未调度任务是否是延迟任务或删除任务。
公式(22)中的调度模型是一个非线性规划问题,很难得到最优解。参考车间调度问题和流水线调度问题的解决方案,该发明引入遗传算法用于解决该调度问题。遗传算法通过模拟自然界生物进化准则,能够有效搜索到问题的最优解。遗传算法主要包含编码,解码,适应度函数计算,选择,交叉,变异等操作。为使得遗传算法搜索最优解能力最大化,需设计有效的编码解码原则以包含尽可能多的可行解而不包含不可行解。该方法以实际执行时刻作为遗传算法编码,对每个调度间隔内实际执行时刻进行离散处理,并引入调度分析的时间和能量状态向量进行脉冲交错分析。其中通过时间状态向量判断交错如图1a-图1b所示。图1a的最上一部分反映出已被调度任务T1发射期和接收期在时间轴上的分布。其中高的阴影矩形代表T1发射期tx1,低的阴影矩形代表T1接收期tr1,时间轴上的线段代表最小时隙长度△t,且脉冲重复次数和脉冲重复间隔分别为4和6△t。在图中可以看到T1的实际执行时刻rt1在时间轴上某一线段的端点处以便于交错的判断。现分析脉冲重复次数和脉冲重复间隔分别为2和8△t的任务T2(空心矩形部分)在rt2时刻是否能同T1进行交错。图1a和图1b直观的反应了时间状态向量同任务在时间轴上占用情况的联系。观察两幅图可以发现,在时间轴未被任务占用的部分,状态向量S和状态变化向量△S对应的元素值S(j)和ΔS(j)为0;反之在时间轴被任务占用的部分,状态向量S和状态变化向量△S对应的元素值S(j)和ΔS(j)为1。当S+△S中的全部元素均小于等于1时,T1与T2不发生重叠,时间约束满足,若能量约束也满足,可认定为交错成功,结果如图1a最下一部分所示;当S+△S中的存在大于1的元素时,T1与T2发生重叠,时间约束不被满足,认定为交错失败,结果如图1b最下一部分所示。
附图说明
图1a-图1b是交错分析原理图,其中图1a是交错成功原理图,图1b是交错失败原理图;
图2是三种算法的SSR;
图3是三种算法的HVR;
图4是三种算法中跟踪任务的ATSR。
具体实施方式
仿真场景中考虑存在验证任务、精密跟踪任务、普通跟踪任务、地平线搜索任务和空域搜索任务。在预筛选步骤中,将验证任务、精密跟踪任务、普通跟踪任务作为高优先级任务,而将地平线搜索任务和空域搜索任务作为低优先级任务进行处理。仿真时长为12s,调度间隔时长设为50ms,能量阈值Eth设为10J,回退参数τ=200ms,精密跟踪任务数同普通任务跟踪数之比为1:4,初始化个体个数NIND=100,种群最大进化次数MAXGEN=200,精英保留个数ne=1,交叉概率Pc=0.5,变异概率Pm=0.1。
雷达任务参数见表1
表1雷达驻留任务参数表
为全面评估算法性能,这里采用调度成功率(Scheduling Success Ratio,SSR)、实现价值率(Hit Value Ratio,HVR)和平均时间偏移率(Average Time Shifting Ratio,ATSR)作为评估指标。SSR、HVR和ATSR的定义分别如(23)-(25)式:
任务丢失率(SSR):定义为成功调度任务数量与申请调度任务总数的比率。它可以表示为
SSR=Nexe/Ntotal (23)
其中,Nexe表示成功调度任务总数,Ntotal表示申请调度任务总数;
实现价值率(HVR):定义为成功调度任务所实现价值总和与申请调度任务所实现价值综合之比。它可以表示为
该指标用于反映高优先级任务被成功调度的比重;
时间偏移率(ATSR):反映跟踪任务的实际执行时间与期望执行时间之间的偏差。它可以表示为
其中,Ntra表示成功调度跟踪任务的数量。
采用本发明提出的基于遗传算法的相控阵雷达脉冲交错驻留调度方法进行波束驻留调度,并与算法A和算法B进行性能对比,其中算法A是基于遗传算法的相控阵雷达无脉冲交错调度算法(见文献:L.Hao,X.Yang and S.Hu,Task scheduling of improved timeshifting based on genetic algorithm for phased array radar[C]//2016 IEEE 13thInternational Conference on Signal Processing(ICSP).2016.),算法B是基于启发式方法的相控阵雷达脉冲调度交错算法(见文献:Tan Q,Cheng T,Li X.Adaptive DwellScheduling Based on a Novel Online Pulse Interleaving Technique for PhasedArray Radar[C]//2019 International Conference on Control,Automation andInformation Sciences(ICCAIS).2019.)。图2,图3,图4为100次蒙特卡罗的统计结果。
图2为总任务的调度成功率曲线。随着目标数量的增加,时间轴逐渐接近饱和。算法A是唯一没有采用交错技术的算法,因此通过观察图2可以看到算法A在任务数增加至25左右最早开始丢失任务。同时也可以看到算法A曲线斜率是最陡的。这是因为随着目标数的增多,跟踪任务数量开始增多。而搜索任务无法交错,只有跟踪任务可进行交错。其他的两类交错算法通过交错技术更进一步的增加了系统的时间利用率,减少了跟踪任务对时间轴的占用,使得更多任务能够被有效执行。事实上,跟踪任务数量越多,交错技术的优势也就越大。而将算法B同本发明提出的算法进行对比可以发现本算法的性能要优于算法B。这是因为遗传算法能够在整个调度间隔内有效的搜索调度最优解,而启发式方法依据经验进行调度,具有一定的盲目性。具体来说,启发式方法的核心思想是在某一时刻点找到最优的调度任务,而智能搜索算法的核心思想为某一任务分配出一个最优的执行时间。启发式方法存在着在某一时刻调度了一个最佳任务,但却影响了后续任务执行效果的问题。而智能搜索类算法并不存在这一问题,因为智能搜索算法不会受困于某一时刻的最优解,而是针对于整个调度间隔调度序列的最优解进行优化。
图3为实现价值率曲线。实现价值率曲线反应是否高优先级任务被更好的执行。从图中结果可以看出依旧是本算法性能最好,而算法A于算法B均逊色于本算法。同时也可以看出HVR曲线的下降趋势同SSR曲线的下降趋势是基本一致的,反应出该算法能够有效实现重要性准则,即高优先级任务被更好的执行。
图4为平均时间偏移率曲线。可以看出算法A和本算法的ATSR均是非常低的,而算法B的ATSR值相对来说偏高。这是因为只有算法A和本算法将期望时间准则引入了考虑,而算法B未将其引入考虑。
此外,还验证了本发明对申请调度任务进行预筛选的有效性。与未进行预筛选的方法相比,预筛选措施使得波束驻留调度算法的运算速度提升了8倍左右,但调度性能仅损失了大约2%。
综上所述,与不引入脉冲交错的算法相比,该算法能够大幅度提升任务执行成功率和实现价值率,与现有的启发式脉冲交错算法相比除了能提升以上两点性能外,还能够有效降低任务执行时间偏移率。
Claims (1)
1.基于遗传算法的相控阵雷达脉冲交错波束驻留调度算法,其特征如下:
假设在当前调度间隔[t0,t0+SI]有Ntotal个申请调度驻留任务;其中,t0为当前调度间隔的起始时刻,SI为一个调度间隔的时长,编号为i的某一个特定的波束驻留任务模型为Ti={Pi,rti,sti,tai,tdi,li,txi,twi,tri,prii,Mi,Pli},其中Pi为工作方式优先级,rti为实际执行时刻,sti为期望执行时刻,tai为最早可执行时刻,tdi为任务最晚可执行时刻,li为时间窗,txi为发射期,twi为等待期,tri为接收期,prii为脉冲重复间隔,Mi为脉冲重复个数,Pli为雷达波束发射功率;那么基于脉冲交错的相控阵雷达波束驻留调度包括如下步骤:
1、请求任务预筛选;
对Ntotal个申请调度驻留任务进行筛选,保留全部的高优先级任务Nh,对低优先级任务进行筛选;根据(1)式生成Nl;更新预筛选后的申请调度任务数为N=Nh+Nl;
2、参数初始化;
初始化个体个数NIND,个体染色体长度NVAR为申请调度任务数N,种群最大进化次数MAXGEN,精英保留个数ne,交叉概率Pc,变异概率Pm;根据式(2)计算NSI,按照(3)-(4)初始化时间状态向量S和能量状态向量E,
其中Eend为上一调度间隔结束时刻的系统消耗能量值,τ为回退参数;
3、个体编码;
根据式(6)为预筛选后的请求队列T=[T1,T2,…,TN]随机生成任务实际执行时间rt=[rt1,rt2,...,rtN],一共随机生成NIND个不同的rt作为每一个个体的编码,其中
rti∈[max(t0,tai),min(tdi,t0+SI-prii×Mi)] (6)
4、编码时间离散化;
根据式(7)将任务Ti的实际执行时刻rti调整到当前调度间隔的对应时刻点上,更新为新的rti;
5、适应度函数计算;
以某一个体适应度函数值计算为例,初始化某一个体适应度函数值fit=0,根据式(8)-(11)计算请求队列中每一个任务Ti的调度增益Gi;
按照任务增益值从高到低对任务进行排序,依次对任务进行调度分析;假设第i个任务Ti正在被分析;首先按照式(12)和式(13),(14)分别生成任务的时间状态向量△S和能量状态向量△E
然后根据式(15)-(16)判断该任务是否能在rti时刻被调度执行,如果可行,按照式(17)-(19)对时间状态向量S,能量状态向量E和适应度函数值fit进行更新,如果不可行,则按同样的方法继续分析增益值队列中的下一个任务;当请求队列T中全部任务被分析完毕后获得该个体的适应度函数值fit;
max(S+△S)≤1 (15)
max(E+△E)≤Eth (16)
S=S+△S (17)
E=E+△E (18)
fit=fit+Gi (19)
其中,Eth为能量阈值;
6、选择操作;
按照适应度函数值从大到小将种群中全部个体进行排序,每个个体有一个对应的排序序号ranki;将其中适应度函数值最大的ne个个体挑选出来直接遗传至下一代;对于余下NIND-ne个个体,将按照一定的概率随机抽取作为产生下一代的父本与母本;概率计算公式见式(20),prob为当前个体成为父本或母本的概率;
7、交叉操作;
随机选择父本染色体的某个位置作为交叉节点;保留父本染色体的前一部分,将父本染色体的后一部分用母本染色体对应位置进行替换,并获得子代;
8、变异操作;
选择子代某一个基因按照一定概率修改其值;修改染色体值应遵循式(6)的约束条件,若计算得到的值超出了式(6)的约束范围,则根据变异值的大小取变异值为式(6)的上界或下界;具体来说,若变异值大小超过上界,则取变异值为上界;反之若变异值低于下界,则取变异值为下界;修改完值之后还应按照式(7)对变异后基因的值进行调整;
9、判断进化是否结束;
更新迭代代数GEN=GEN+1;若GEN未超过MAXGEN,则重复步骤5;否则结束循环,得出本调度间隔内最优调度序列,本调度间隔分析结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110029477.2A CN112749804B (zh) | 2021-01-11 | 2021-01-11 | 基于遗传算法的相控阵雷达脉冲交错波束驻留调度算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110029477.2A CN112749804B (zh) | 2021-01-11 | 2021-01-11 | 基于遗传算法的相控阵雷达脉冲交错波束驻留调度算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749804A CN112749804A (zh) | 2021-05-04 |
CN112749804B true CN112749804B (zh) | 2022-08-23 |
Family
ID=75650652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110029477.2A Active CN112749804B (zh) | 2021-01-11 | 2021-01-11 | 基于遗传算法的相控阵雷达脉冲交错波束驻留调度算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749804B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673751B (zh) * | 2021-08-02 | 2023-04-07 | 电子科技大学 | 一种基于序贯处理的实时相控阵雷达波束驻留调度方法 |
CN114609589B (zh) * | 2022-03-09 | 2023-08-11 | 电子科技大学 | 一种基于启发式回溯的实时相控阵雷达波束驻留调度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777679A (zh) * | 2016-12-14 | 2017-05-31 | 中国人民解放军空军工程大学 | 一种基于脉冲交错的isar成像雷达资源自适应调度方法 |
CN110717142A (zh) * | 2019-09-27 | 2020-01-21 | 电子科技大学 | 一种基于新型脉冲交错技术的相控阵雷达自适应波束驻留调度方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7965226B2 (en) * | 2009-03-31 | 2011-06-21 | Raytheon Company | Agile beam pulse to pulse interleaved radar modes |
US8730088B2 (en) * | 2010-08-09 | 2014-05-20 | Raytheon Bbn Technologies Corp. | Radar coherent processing interval scheduling via ad hoc network |
CN102831009B (zh) * | 2012-08-24 | 2014-12-03 | 电子科技大学 | 相控阵雷达任务调度方法 |
CN103838623B (zh) * | 2013-05-07 | 2017-03-01 | 西安电子科技大学 | 相控阵雷达资源管理中的脉冲交错调度方法 |
CN108734343B (zh) * | 2018-05-02 | 2022-03-15 | 电子科技大学 | 一种基于调度收益与遗传算法的相控阵波束驻留调度方法 |
CN110009196B (zh) * | 2019-03-13 | 2022-10-14 | 电子科技大学 | 一种基于脉冲交错的数字阵列雷达自适应驻留调度方法 |
-
2021
- 2021-01-11 CN CN202110029477.2A patent/CN112749804B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777679A (zh) * | 2016-12-14 | 2017-05-31 | 中国人民解放军空军工程大学 | 一种基于脉冲交错的isar成像雷达资源自适应调度方法 |
CN110717142A (zh) * | 2019-09-27 | 2020-01-21 | 电子科技大学 | 一种基于新型脉冲交错技术的相控阵雷达自适应波束驻留调度方法 |
Non-Patent Citations (3)
Title |
---|
动态优先级下防空相控阵雷达在线交错调度算法;张浩为等;《电子学报》;20180115(第01期);58-63页 * |
基于混合自适应遗传算法的相控阵雷达任务调度;张浩为等;《兵工学报》;20170915(第09期);100-109页 * |
基于脉冲交错的ISAR成像雷达资源自适应调度算法;孟迪等;《空军工程大学学报(自然科学版)》;20170425(第02期);25-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112749804A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A hybrid adaptively genetic algorithm for task scheduling problem in the phased array radar | |
CN112749804B (zh) | 基于遗传算法的相控阵雷达脉冲交错波束驻留调度算法 | |
CN108734343B (zh) | 一种基于调度收益与遗传算法的相控阵波束驻留调度方法 | |
CN107728139B (zh) | 一种基于多目标跟踪的相控阵雷达组网系统资源管理方法 | |
CN106682820B (zh) | 一种基于脉冲交错的数字阵列雷达任务优化调度方法 | |
CN102831009B (zh) | 相控阵雷达任务调度方法 | |
CN109709535B (zh) | 一种针对协同分布式系统的波束驻留调度方法 | |
CN110717142B (zh) | 一种基于新型脉冲交错技术的相控阵雷达自适应波束驻留调度方法 | |
Zhang et al. | Optimization model and online task interleaving scheduling algorithm for MIMO radar | |
Jeauneau et al. | Radar tasks scheduling for a multifunction phased array radar with hard time constraint and priority | |
CN112907143B (zh) | 基于在线动态模板的dar实时自适应波束驻留调度方法 | |
Gaafar et al. | Reinforcement learning for cognitive radar task scheduling | |
CN113673751B (zh) | 一种基于序贯处理的实时相控阵雷达波束驻留调度方法 | |
Qu et al. | A machine learning radar scheduling method based on the EST algorithm | |
CN114814821B (zh) | 基于弧段截取的相控阵雷达调度冲突消解方法 | |
CN109634732B (zh) | 针对isar成像基于遗传算法的资源调度方法 | |
CN114237842B (zh) | 基于典型参数限定的相控阵雷达自适应任务调度方法 | |
Tan et al. | Adaptive dwell scheduling based on a novel online pulse interleaving technique for phased array radar | |
CN115963451A (zh) | 基于极化特性自适应阵元选择的同时多波束雷达的波束驻留调度方法 | |
Hao et al. | Task scheduling of improved time shifting based on genetic algorithm for phased array radar | |
Zhang et al. | Online task interleaving scheduling for the digital array radar | |
CN115034634A (zh) | 一种基于贪婪算法的相控阵雷达资源调度管理方法 | |
CN113869648A (zh) | 基于pso优化算法的mimo雷达资源调度方法 | |
CN110209487B (zh) | 基于遗传算法的isar资源调度方法 | |
CN115656936A (zh) | 基于脉冲交错的实时分布式雷达组网波束驻留调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |