CN114065518B - 一种干扰资源分配方法及系统 - Google Patents
一种干扰资源分配方法及系统 Download PDFInfo
- Publication number
- CN114065518B CN114065518B CN202111359759.5A CN202111359759A CN114065518B CN 114065518 B CN114065518 B CN 114065518B CN 202111359759 A CN202111359759 A CN 202111359759A CN 114065518 B CN114065518 B CN 114065518B
- Authority
- CN
- China
- Prior art keywords
- interference
- sparrows
- module
- matrix
- benefit
- 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
- 238000013468 resource allocation Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000008901 benefit Effects 0.000 claims abstract description 74
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 241000287127 Passeridae Species 0.000 claims description 86
- 239000011159 matrix material Substances 0.000 claims description 64
- 238000010845 search algorithm Methods 0.000 claims description 12
- 230000006855 networking Effects 0.000 claims description 10
- 244000062645 predators Species 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 230000002068 genetic effect Effects 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G01S7/38—Jamming means, e.g. producing false echoes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种干扰资源分配方法及系统,包括:数据采集模块、分配模型建立模块、分配模型分析模块、目标信息更新模块、参数优化模块、分配模型求解模块和干扰资源分配模块,通过数据采集模块获取当前干扰资源分配场景下各元素的位置数据,通过分配模型建立模块构建模型指标和权重,通过分配模型分析模块建立干扰资源分配目标函数,分析系统的干扰效益,通过参数优化模块优化目标函数,通过目标信息更新模块更新目标数据,通过分配模型求解模块对分配模型进行优化求解,通过干扰资源分配模块依据模型求解结果分配干扰资源,解决了现有技术全局寻优能力不高、收敛速度慢的问题,优化了干扰资源分配方案。
Description
技术领域
本发明涉及雷达干扰资源分配技术领域,具体为一种干扰资源分配方法及系统。
背景技术
随着电子对抗技术的发展,组网雷达相比于单基地雷达更加灵活多变,具有更高精度的定位能力和更快更广的搜索能力,并且已经对飞机编队执行突防和突击任务构成很大威胁,对突防方面而言,为提高作战飞机突防概率,降低己方力量的消耗,需要对组网雷达进行有效干扰;
干扰方在对雷达组网进行干扰破坏的过程中,要面临的首要问题是如何将有限的干扰资源进行合理的分配,使干扰方发挥出最大的干扰效能,对整个组网进行最大程度的破坏;
然而,现有技术中,干扰资源分配方法主要分为两类:经典组合优化方法和启发式优化方法,其中,经典组合优化方法虽能够很好地解决小规模干扰资源分配问题,但随着干扰资源分配规模的增加,分配解空间会出现组合爆炸问题,一般组合优化算法难以解决,采用启发式优化方法解决这一问题,目前使用的模拟退火算法、遗传算法、离散进化算法应用到干扰资源优化分配中,虽然具有一定的效果,但仍存在全局寻优能力不高、收敛速度慢等问题。
所以,人们需要一种干扰资源分配方法及系统来解决上述问题。
发明内容
本发明的目的在于提供一种干扰资源分配方法及系统,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种干扰资源分配系统,其特征在于:所述系统包括:数据采集模块、分配模型建立模块、分配模型分析模块、目标信息更新模块、参数优化模块、分配模型求解模块和干扰资源分配模块;
所述数据采集模块用于获取当前干扰资源分配场景下各元素的位置数据,所述分配模型建立模块用于构建模型指标和权重,所述分配模型分析模块用于建立干扰资源分配目标函数,并分析系统的干扰效益,所述参数优化模块用于优化目标函数,所述目标信息更新模块用于更新目标数据,所述分配模型求解模块用于对分配模型进行优化求解,所述干扰资源分配模块用于依据模型求解结果分配干扰资源。
进一步的,通过麻雀搜索算法对所述分配模型进行优化分解,得到模型优化求解结果后分配干扰资源,通过麻雀搜索算法提高了对分配模型的优化能力,在准确性、稳定性和收敛性上都比现有技术中采用模拟退火算法、遗传算法、离散进化算法对干扰资源分配更具优势,得到的干扰资源分配方案更佳。
一种干扰资源分配方法,其特征在于:包括以下步骤:
S1:获取当前干扰资源分配场景下各元素位置信息;
S2:基于检测概率构建干扰效能评估指标;
S3:建立干扰资源分配优化的目标函数;
S4:运用麻雀搜索算法进行优化求解;
S5:输出干扰资源分配方案。
进一步的,在步骤S1-S2中:构建性能指标:Ga、Gb、Gc、Gd和Ge,设定五个指标的权重矩阵为:
ω'=[ωa,ωb,ωc,ωd,ωe];
其中,Ga表示识别距离损失度,Gb表示识别概率损失度,Gc表示干扰样式隶属度,Gd表示敌方系统抗干扰技术隶属度,Ge表示时空频评因子隶属度,得到干扰机对随机一部雷达的实际干扰效益矩阵ej为:
其中,G表示性能指标的矩阵,M表示干扰机数量,获取到雷达组网中带干扰雷达数量为N,得到干扰效益矩阵集合为ej(j=1,2,…,N),根据干扰效益矩阵集合得到干扰波形对雷达干扰效益决策矩阵为E=[e′1,e'2,…,e'N],矩阵展开为:
其中,E表示对组网雷达协同干扰时获得的干扰效益决策矩阵,eij表示我方第i个干扰机对敌方第j个雷达检测指标的干扰效益,多部干扰机资源如何进行分配主要包含不同干扰机的干扰样式、干扰距离、干扰时机等问题,选择这五个指标可以达到最佳的干扰效果。
进一步的,在步骤S3中:根据干扰效益决策矩阵E=(eij)M×N进行干扰资源分配:得到总干扰效益Z:
其中,表示每部干扰机在同一时刻只能集中干扰一部雷达,表示一部雷达被一部或多部干扰机同时干扰,tj为N个敌方目标识别系统对我方的威胁程度,依据威胁程度大小决定分配干扰资源的优先级,得到雷达威胁矩阵T=[t1,t2,…,tN],tj(1≤j≤N),xij表示决策变量。
进一步的,依据威胁程度大小决定分配干扰资源的优先级:若M=N,即干扰资源数与敌方目标识别系统的数目相同时,直接进行一对一分配资源;若M>N,即干扰资源数大于敌方目标识别系统的数目时,确保每个系统都有一部干扰资源进行干扰后对多余的干扰资源进行分配;若M<N,即干扰资源数小于敌方目标识别系统的数目时,判断系统是否能够整合:若N个敌方目标识别系统中的任意两个或多个敌方目标识别系统不能整合,选取系统中威胁程度大的敌方目标识别系统进行干扰资源分配,此处的干扰资源数M即为干扰机数量,敌方目标识别系统数目N即为雷达组网中带干扰雷达数量。
进一步的,步骤S4包括以下步骤:
S11:优化干扰效益矩阵和雷达对干扰机的威胁程度;
S12:设置SSA算法参数;
S13:构建SSA的适应度函数,确认优化的目标函数;
S14:通过位置更新数据得到最佳的干扰效益决策矩阵;
S15:获取多干扰资源对多系统的最大总干扰效益,SSA算法即为麻雀搜索算法。
进一步的,在步骤S11中:通过随机设定麻雀的初始位置对总干扰效益表达式中的干扰效益矩阵和雷达对干扰机的威胁程度进行优化:设定最大迭代次数为itermax,得到麻雀种群S为:
其中,pop指的是组成种群的麻雀个数,d表示敌方干扰机的个数,s表示麻雀。
进一步的,在步骤S12-S13中:设置发现者数量、加入者数量、危险报警值和感知危险的麻雀数量,其中,发现者数量占麻雀总量的20%,设置危险报警值范围为[0,1],感知危险的麻雀数量占总数量的20%,构建SSA的适应度函数,确认优化的目标函数为:
其中,M表示干扰机数量,即干扰资源数量,N表示敌方雷达数量,即敌方目标识别系统的数量。
进一步的,在步骤S14-S15中:通过更新发现者、加入者和感知到危险的麻雀位置得到最佳的干扰效益决策矩阵E和tj(1≤j≤N),发现者的位置更新公式为:
更新发现者的位置可以更好地了解发现者觅食的轨迹,以及危险发生后,发现者带领种群飞向的位置。
其中,m表示当前迭代次数,k=1,2,…,pop,h=1,2,…,d,d+1,表示迭代m次时第k个麻雀的h维的值,θ∈(0,1),θ表示一个随机数,Q表示服从正态分布的随机数,U指的是1×(d+1)的全1矩阵,R2表示危险警报值,R2∈[0,1],ST表示设定的安全阈值,当R2<ST时,说明附近没有捕食者,发现者能够进入食物搜索模式;当R2≥ST时,说明部分麻雀已经发现捕食者,并想种群中其余麻雀发出警报,提醒所有麻雀飞向安全区域,加入者的位置更新公式为:
根据饥饿状态,对加入者进行区分,有利于及时了解那些跟随发现者的加入者的位置轨迹和飞向其他地方觅食的加入者的位置轨迹。
其中,SP表示当前发现者占据的最优位置,Sworst表示当前全局最差位置,A表示一个1×(d+1)的矩阵,其中,为矩阵中的每个元素随机赋值为1或-1,并且A+=AT(AAT)-1,当k>pop/2时,说明适应度值低的第k个发现者没有获取食物,处于饥饿状态,需要飞往其他地方觅食,感知到危险的麻雀的位置更新公式为:
其中,表示当前全局最优位置,λ表示步长控制参数,是均值为0、方差为1的随机数的正态分布,D是一个随机数,D∈[-1,1],fk表示当前麻雀的适应值,fg和fw分别表示当前的全局最优和最差适应值,ε表示最小的常数,在位置更新公式中加入常数有利于避免零分误差,更新感知到危险的麻雀的位置能够很好地消除局部最优的问题;
当fk>fg时,说明此时的麻雀正处于种群的边缘,感知到危险后会往种群中间移动;当fk=fg时,说明处于种群中间的麻雀感知到危险,需要靠近其他麻雀以减少被捕食的风险,将最佳的干扰效益决策矩阵E和tj(1≤j≤N)输入到总干扰效益表达式中,得到多干扰资源对多系统的最大总干扰效益值。
与现有技术相比,本发明所达到的有益效果是:
本发明通过数据采集模块获取当前干扰资源分配场景下各元素的位置数据,通过分配模型建立模块构建模型指标和权重,通过分配模型分析模块建立干扰资源分配目标函数,并分析系统的干扰效益,通过麻雀搜索算法优化目标函数,依据更新的目标数据对分配模型参数进行优化求解,根据求解到的干扰效益值分配雷达干扰资源,通过麻雀搜索算法优化干扰资源分配方案,运用麻雀搜索算法在满足目标函数和约束条件的前提下进行寻优,得到最佳的干扰资源分配方案,解决了现有技术中采用模拟退火算法、遗传算法、离散进化算法优化分配方案存在的全局寻优能力不高、收敛速度慢的问题。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的一种干扰资源分配方法的流程图;
图2是本发明的一种干扰资源分配系统的结构图;
图3是本发明的模型优化求解流程图;
图4是本发明的对提供的干扰资源分配方法进行仿真得到的各迭代次数下的适应度折线图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
请参阅图1-4,本发明提供技术方案:一种干扰资源分配系统,其特征在于:系统包括:数据采集模块、分配模型建立模块、分配模型分析模块、目标信息更新模块、参数优化模块、分配模型求解模块和干扰资源分配模块;
数据采集模块用于获取当前干扰资源分配场景下各元素的位置数据,分配模型建立模块用于构建模型指标和权重,分配模型分析模块用于建立干扰资源分配目标函数,并分析系统的干扰效益,参数优化模块用于优化目标函数,目标信息更新模块用于更新目标数据,分配模型求解模块用于对分配模型进行优化求解,干扰资源分配模块用于依据模型求解结果分配干扰资源。
通过麻雀搜索算法对分配模型进行优化分解,得到模型优化求解结果后分配干扰资源,麻雀搜索算法能够提高对分配模型的优化能力,在准确性、稳定性和收敛性上都比现有技术中采用模拟退火算法、遗传算法、离散进化算法对干扰资源分配更具优势,得到的干扰资源分配方案更佳。
一种干扰资源分配方法,其特征在于:包括以下步骤:
S1:获取当前干扰资源分配场景下各元素位置信息;
S2:基于检测概率构建干扰效能评估指标;
S3:建立干扰资源分配优化的目标函数;
S4:运用麻雀搜索算法进行优化求解;
S5:输出干扰资源分配方案。
在步骤S1-S2中:构建性能指标:Ga、Gb、Gc、Gd和Ge,设定五个指标的权重矩阵为:
ω'=[ωa,ωb,ωc,ωd,ωe];
其中,Ga表示识别距离损失度,Gb表示识别概率损失度,Gc表示干扰样式隶属度,Gd表示敌方系统抗干扰技术隶属度,Ge表示时空频评因子隶属度,得到干扰机对随机一部雷达的实际干扰效益矩阵ej为:
其中,G表示性能指标的矩阵,M表示干扰机数量,获取到雷达组网中带干扰雷达数量为N,得到干扰效益矩阵集合为ej(j=1,2,…,N),根据干扰效益矩阵集合得到干扰波形对雷达干扰效益决策矩阵为E=[e′1,e'2,…,e'N],矩阵展开为:
其中,E表示对组网雷达协同干扰时获得的干扰效益决策矩阵,eij表示我方第i个干扰机对敌方第j个雷达检测指标的干扰效益。
在步骤S3中:根据干扰效益决策矩阵E=(eij)M×N进行干扰资源分配:得到总干扰效益Z:
其中,表示每部干扰机在同一时刻只能集中干扰一部雷达,表示一部雷达被一部或多部干扰机同时干扰,tj为N个敌方目标识别系统对我方的威胁程度,依据威胁程度大小决定分配干扰资源的优先级,得到雷达威胁矩阵T=[t1,t2,…,tN],tj(1≤j≤N),xij表示决策变量。
依据威胁程度大小决定分配干扰资源的优先级:若M=N,即干扰资源数与敌方目标识别系统的数目相同时,直接进行一对一分配资源;若M>N,即干扰资源数大于敌方目标识别系统的数目时,确保每个系统都有一部干扰资源进行干扰后对多余的干扰资源进行分配;若M<N,即干扰资源数小于敌方目标识别系统的数目时,判断系统是否能够整合:若N个敌方目标识别系统中的任意两个或多个敌方目标识别系统不能整合,选取系统中威胁程度大的敌方目标识别系统进行干扰资源分配,当M<N时,理论上是应该存在一部干扰资源干扰多个系统的情况,但实际前提是这些系统需要满足时间一致、空间一致、频段一致等原则,即它们可以被整合,少对多问题就转化成一对一、多对少问题。
步骤S4包括以下步骤:
S11:优化干扰效益矩阵和雷达对干扰机的威胁程度;
S12:设置SSA算法参数;
S13:构建SSA的适应度函数,确认优化的目标函数;
S14:通过位置更新数据得到最佳的干扰效益决策矩阵;
S15:获取多干扰资源对多系统的最大总干扰效益。
在步骤S11中:通过随机设定麻雀的初始位置对总干扰效益表达式中的干扰效益矩阵和雷达对干扰机的威胁程度进行优化:设定最大迭代次数为itermax,得到麻雀种群S为:
其中,pop指的是组成种群的麻雀个数,d表示敌方干扰机的个数,s表示麻雀。
在步骤S12-S13中:设置发现者数量、加入者数量、危险报警值和感知危险的麻雀数量,其中,发现者数量占麻雀总量的20%,设置危险报警值范围为[0,1],感知危险的麻雀数量占总数量的20%,构建SSA的适应度函数,确认优化的目标函数为:
其中,M表示干扰机数量,即干扰资源数量,N表示敌方雷达数量,即敌方目标识别系统的数量。
在步骤S14-S15中:通过更新发现者、加入者和感知到危险的麻雀位置得到最佳的干扰效益决策矩阵E和tj(1≤j≤N),发现者的位置更新公式为:
其中,m表示当前迭代次数,k=1,2,…,pop,h=1,2,…,d,d+1,表示迭代m次时第k个麻雀的h维的值,θ∈(0,1),θ表示一个随机数,Q表示服从正态分布的随机数,U指的是1×(d+1)的全1矩阵,R2表示危险警报值,R2∈[0,1],ST表示设定的安全阈值,当R2<ST时,说明附近没有捕食者,发现者能够进入食物搜索模式;当R2≥ST时,说明部分麻雀已经发现捕食者,并想种群中其余麻雀发出警报,提醒所有麻雀飞向安全区域,加入者的位置更新公式为:
其中,SP表示当前发现者占据的最优位置,Sworst表示当前全局最差位置,A表示一个1×(d+1)的矩阵,其中,为矩阵中的每个元素随机赋值为1或-1,并且A+=AT(AAT)-1,当k>pop/2时,说明适应度值低的第k个发现者没有获取食物,处于饥饿状态,需要飞往其他地方觅食,感知到危险的麻雀的位置更新公式为:
其中,表示当前全局最优位置,λ表示步长控制参数,是均值为0、方差为1的随机数的正态分布,D是一个随机数,D∈[-1,1],fk表示当前麻雀的适应值,fg和fw分别表示当前的全局最优和最差适应值,ε表示最小的常数,在位置更新公式中加入常数能够避免零分误差;
当fk>fg时,说明此时的麻雀正处于种群的边缘,感知到危险后会往种群中间移动;当fk=fg时,说明处于种群中间的麻雀感知到危险,需要靠近其他麻雀,将最佳的干扰效益决策矩阵E和tj(1≤j≤N)输入到总干扰效益表达式中,得到多干扰资源对多系统的最大总干扰效益值。
实施例一:利用数据采集模块获取当前干扰资源分配场景下各元素的位置数据,利用分配模型建立模块构建性能指标:Ga、Gb、Gc、Gd和Ge,设定五个性能指标的权重矩阵ω',依据干扰机性能指标矩阵与权重矩阵相乘得到干扰机对随机一部雷达的实际干扰效益矩阵ej,得到干扰效益矩阵集合为ej(j=1,2,…,N),由干扰效益矩阵集合组成干扰波形对雷达的干扰效益决策矩阵E,根据干扰效益决策矩阵E进行干扰资源分配,得到总干扰效益Z:依据Z中的tj大小分配干扰资源的优先级:获取到M<N,即干扰资源数小于敌方目标识别系统的数目,发现N个敌方目标识别系统中的任意两个或多个敌方目标识别系统不能整合,优先选取系统中威胁程度大的敌方目标识别系统进行干扰资源分配,利用SSA算法对模型进行优化求解:将函数作为目标函数,即SSA的适应度函数,更新发现者、加入者和感知到危险的麻雀位置数据后得到最佳的干扰效益决策矩阵E,将最佳的干扰效益决策矩阵E和tj(1≤j≤N)输入到总干扰效益表达式中,得到多干扰资源对多系统的最大总干扰效益值,依据最佳的干扰效益决策矩阵E进行干扰资源分配。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种干扰资源分配系统,其特征在于:所述系统包括:数据采集模块、分配模型建立模块、分配模型分析模块、目标信息更新模块、参数优化模块、分配模型求解模块和干扰资源分配模块;
所述数据采集模块用于获取当前干扰资源分配场景下各元素的位置数据,所述分配模型建立模块用于构建模型指标和权重,所述分配模型分析模块用于建立干扰资源分配目标函数,并分析系统的干扰效益,所述参数优化模块用于优化目标函数,所述目标信息更新模块用于更新目标数据,所述分配模型求解模块用于对分配模型进行优化求解,所述干扰资源分配模块用于依据模型求解结果分配干扰资源;
运用麻雀搜索算法进行优化求解:优化干扰效益矩阵和雷达对干扰机的威胁程度:通过随机设定麻雀的初始位置对总干扰效益表达式中的干扰效益矩阵和雷达对干扰机的威胁程度进行优化:设定最大迭代次数为itermax,得到麻雀种群S为:
其中,pop指的是组成种群的麻雀个数,d表示敌方干扰机的个数,s表示麻雀;
设置SSA算法参数,构建SSA的适应度函数,确认优化的目标函数:设置发现者数量、加入者数量、危险报警值和感知危险的麻雀数量,其中,发现者数量占麻雀总量的20%,设置危险报警值范围为[0,1],感知危险的麻雀数量占总数量的20%,构建SSA的适应度函数,确认优化的目标函数为:
其中,M表示干扰机数量,即干扰资源数量,N表示敌方雷达数量,即敌方目标识别系统的数量;
通过位置更新数据得到最佳的干扰效益决策矩阵,获取多干扰资源对多系统的最大总干扰效益:通过更新发现者、加入者和感知到危险的麻雀位置得到最佳的干扰效益决策矩阵E和tj(1≤j≤N),发现者的位置更新公式为:
其中,m表示当前迭代次数,k=1,2,…,pop,h=1,2,…,d,d+1,表示迭代m次时第k个麻雀的h维的值,θ∈(0,1),θ表示一个随机数,Q表示服从正态分布的随机数,U指的是1×(d+1)的全1矩阵,R2表示危险警报值,R2∈[0,1],ST表示设定的安全阈值,当R2<ST时,说明附近没有捕食者,发现者能够进入食物搜索模式;当R2≥ST时,说明部分麻雀已经发现捕食者,并想种群中其余麻雀发出警报,提醒所有麻雀飞向安全区域,加入者的位置更新公式为:
其中,SP表示当前发现者占据的最优位置,Sworst表示当前全局最差位置,A表示一个1×(d+1)的矩阵,其中,为矩阵中的每个元素随机赋值为1或-1,并且A+=AT(AAT)-1,当k>pop/2时,说明适应度值低的第k个发现者没有获取食物,处于饥饿状态,需要飞往其他地方觅食,感知到危险的麻雀的位置更新公式为:
其中,表示当前全局最优位置,λ表示步长控制参数,是均值为0、方差为1的随机数的正态分布,D是一个随机数,D∈[-1,1],fk表示当前麻雀的适应值,fg和fw分别表示当前的全局最优和最差适应值,ε表示最小的常数;
当fk>fg时,说明此时的麻雀正处于种群的边缘,感知到危险后会往种群中间移动;当fk=fg时,说明处于种群中间的麻雀感知到危险,需要靠近其他麻雀,将最佳的干扰效益决策矩阵E和tj(1≤j≤N)输入到总干扰效益表达式中,得到多干扰资源对多系统的最大总干扰效益值。
2.根据权利要求1所述的一种干扰资源分配系统,其特征在于:通过麻雀搜索算法对所述分配模型进行优化分解,得到模型优化求解结果后分配干扰资源。
3.一种干扰资源分配方法,其特征在于:包括以下步骤:
S1:获取当前干扰资源分配场景下各元素位置信息;
S2:基于检测概率构建干扰效能评估指标;
S3:建立干扰资源分配优化的目标函数;
S4:运用麻雀搜索算法进行优化求解;
S5:输出干扰资源分配方案;
步骤S4包括以下步骤:
S11:优化干扰效益矩阵和雷达对干扰机的威胁程度;
S12:设置SSA算法参数;
S13:构建SSA的适应度函数,确认优化的目标函数;
S14:通过位置更新数据得到最佳的干扰效益决策矩阵;
S15:获取多干扰资源对多系统的最大总干扰效益;
在步骤S11中:通过随机设定麻雀的初始位置对总干扰效益表达式中的干扰效益矩阵和雷达对干扰机的威胁程度进行优化:设定最大迭代次数为itermax,得到麻雀种群S为:
其中,pop指的是组成种群的麻雀个数,d表示敌方干扰机的个数,s表示麻雀;
在步骤S12-S13中:设置发现者数量、加入者数量、危险报警值和感知危险的麻雀数量,其中,发现者数量占麻雀总量的20%,设置危险报警值范围为[0,1],感知危险的麻雀数量占总数量的20%,构建SSA的适应度函数,确认优化的目标函数为:
其中,M表示干扰机数量,即干扰资源数量,N表示敌方雷达数量,即敌方目标识别系统的数量;
在步骤S14-S15中:通过更新发现者、加入者和感知到危险的麻雀位置得到最佳的干扰效益决策矩阵E和tj(1≤j≤N),发现者的位置更新公式为:
其中,m表示当前迭代次数,k=1,2,…,pop,h=1,2,…,d,d+1,表示迭代m次时第k个麻雀的h维的值,θ∈(0,1),θ表示一个随机数,Q表示服从正态分布的随机数,U指的是1×(d+1)的全1矩阵,R2表示危险警报值,R2∈[0,1],ST表示设定的安全阈值,当R2<ST时,说明附近没有捕食者,发现者能够进入食物搜索模式;当R2≥ST时,说明部分麻雀已经发现捕食者,并想种群中其余麻雀发出警报,提醒所有麻雀飞向安全区域,加入者的位置更新公式为:
其中,SP表示当前发现者占据的最优位置,Sworst表示当前全局最差位置,A表示一个1×(d+1)的矩阵,其中,为矩阵中的每个元素随机赋值为1或-1,并且A+=AT(AAT)-1,当k>pop/2时,说明适应度值低的第k个发现者没有获取食物,处于饥饿状态,需要飞往其他地方觅食,感知到危险的麻雀的位置更新公式为:
其中,表示当前全局最优位置,λ表示步长控制参数,是均值为0、方差为1的随机数的正态分布,D是一个随机数,D∈[-1,1],fk表示当前麻雀的适应值,fg和fw分别表示当前的全局最优和最差适应值,ε表示最小的常数;
当fk>fg时,说明此时的麻雀正处于种群的边缘,感知到危险后会往种群中间移动;当fk=fg时,说明处于种群中间的麻雀感知到危险,需要靠近其他麻雀,将最佳的干扰效益决策矩阵E和tj(1≤j≤N)输入到总干扰效益表达式中,得到多干扰资源对多系统的最大总干扰效益值。
4.根据权利要求3所述的一种干扰资源分配方法,其特征在于:在步骤S1-S2中:构建性能指标:Ga、Gb、Gc、Gd和Ge,设定五个指标的权重矩阵为:
ω'=[ωa,ωb,ωc,ωd,ωe];
其中,Ga表示识别距离损失度,Gb表示识别概率损失度,Gc表示干扰样式隶属度,Gd表示敌方系统抗干扰技术隶属度,Ge表示时空频评因子隶属度,得到干扰机对随机一部雷达的实际干扰效益矩阵ej为:
其中,G表示性能指标的矩阵,M表示干扰机数量,获取到雷达组网中带干扰雷达数量为N,得到干扰效益矩阵集合为ej(j=1,2,…,N),根据干扰效益矩阵集合得到干扰波形对雷达干扰效益决策矩阵为E=[e′1,e'2,…,e'N],矩阵展开为:
其中,E表示对组网雷达协同干扰时获得的干扰效益决策矩阵,eij表示我方第i个干扰机对敌方第j个雷达检测指标的干扰效益。
6.根据权利要求5所述的一种干扰资源分配方法,其特征在于:依据威胁程度大小决定分配干扰资源的优先级:若M=N,即干扰资源数与敌方目标识别系统的数目相同时,直接进行一对一分配资源;若M>N,即干扰资源数大于敌方目标识别系统的数目时,确保每个系统都有一部干扰资源进行干扰后对多余的干扰资源进行分配;若M<N,即干扰资源数小于敌方目标识别系统的数目时,判断系统是否能够整合:若N个敌方目标识别系统中的任意两个或多个敌方目标识别系统不能整合,选取系统中威胁程度大的敌方目标识别系统进行干扰资源分配,此处的干扰资源数M即为干扰机数量,敌方目标识别系统数目N即为雷达组网中带干扰雷达数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111359759.5A CN114065518B (zh) | 2021-11-17 | 2021-11-17 | 一种干扰资源分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111359759.5A CN114065518B (zh) | 2021-11-17 | 2021-11-17 | 一种干扰资源分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065518A CN114065518A (zh) | 2022-02-18 |
CN114065518B true CN114065518B (zh) | 2022-06-17 |
Family
ID=80273069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111359759.5A Active CN114065518B (zh) | 2021-11-17 | 2021-11-17 | 一种干扰资源分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065518B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047423B (zh) * | 2022-12-13 | 2024-04-26 | 扬州宇安电子科技股份有限公司 | 一种干扰资源分配方法及其分配系统 |
CN117973785B (zh) * | 2024-02-02 | 2024-07-12 | 好品易链(山东)科技发展有限公司 | 一种企业服务管理分析系统及运行方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444832A (zh) * | 2018-10-25 | 2019-03-08 | 哈尔滨工程大学 | 基于多干扰效能值的群智能干扰决策方法 |
CN109872009A (zh) * | 2019-03-14 | 2019-06-11 | 西安电子科技大学 | 一种改进粒子群算法的干扰资源分配方法 |
WO2020233214A1 (zh) * | 2019-05-20 | 2020-11-26 | 华为技术有限公司 | 资源分配的指示方法及装置 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN113109770A (zh) * | 2021-04-12 | 2021-07-13 | 北京航空航天大学 | 一种干扰资源分配方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9843989B2 (en) * | 2014-02-10 | 2017-12-12 | Nokia Solutions And Networks Oy | Uniform UE initialization procedure for both in-coverage and out-of-coverage D2D communications |
-
2021
- 2021-11-17 CN CN202111359759.5A patent/CN114065518B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444832A (zh) * | 2018-10-25 | 2019-03-08 | 哈尔滨工程大学 | 基于多干扰效能值的群智能干扰决策方法 |
CN109872009A (zh) * | 2019-03-14 | 2019-06-11 | 西安电子科技大学 | 一种改进粒子群算法的干扰资源分配方法 |
WO2020233214A1 (zh) * | 2019-05-20 | 2020-11-26 | 华为技术有限公司 | 资源分配的指示方法及装置 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN113109770A (zh) * | 2021-04-12 | 2021-07-13 | 北京航空航天大学 | 一种干扰资源分配方法及系统 |
Non-Patent Citations (3)
Title |
---|
《Joint Radar Selection and Resource Allocation for Multi-Target Tracking in Radar Network under Communication Interference》;Jing Dong et., al.;《 2021 International Conference on Control, Automation and Information Sciences (ICCAIS)》;20211109;全文 * |
《一种新型的群智能优化技术的研究与应用 ——麻雀搜索算法》;薛建凯;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20210115;全文 * |
《改进的蚁群干扰资源分配方法》;王青云等;《系统仿真学报》;20210914;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114065518A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114065518B (zh) | 一种干扰资源分配方法及系统 | |
CN109444832B (zh) | 基于多干扰效能值的群智能干扰决策方法 | |
CN112995898B (zh) | 基于cassa优化的无人机集群置信传播协同定位方法 | |
CN113109770B (zh) | 一种干扰资源分配方法及系统 | |
CN112600795B (zh) | 一种不完全信息下的作战网络瓦解方法及系统 | |
CN112001309A (zh) | 基于无人机集群的目标搜索方法、装置、设备及存储介质 | |
US11586921B2 (en) | Method for forecasting health status of distributed networks by artificial neural networks | |
CN111881439B (zh) | 一种基于对抗性正则化的识别模型设计方法 | |
CN110298170B (zh) | 一种考虑盲目攻击因子的电力scada系统安全性评估方法 | |
CN115567353A (zh) | 一种面向雷达组网系统的干扰多波束调度和干扰功率联合优化方法 | |
CN112966741B (zh) | 一种可防御拜占庭攻击的联邦学习图像分类方法 | |
CN116709240B (zh) | 基于鲸鱼优化算法的层次化传感器部署方法 | |
CN117078182A (zh) | 一种异质网络的防空反导体系协同方法、装置及设备 | |
Tuba et al. | Multi-objective RFID network planning with probabilistic coverage model by guided fireworks algorithm | |
CN114200960B (zh) | 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法 | |
CN114501457B (zh) | 一种传感边缘云卸载链路的隐形干扰攻击防护方法及系统 | |
CN114143890B (zh) | 基于重叠信道的无人机通信中传输功率优化方法及系统 | |
CN115169131A (zh) | 基于韧性的作战体系节点保护方法、装置及电子设备 | |
CN116359858A (zh) | 基于改进麻雀搜索算法的协同干扰资源调度方法 | |
CN114202185A (zh) | 一种高功率微波武器协同防空的体系贡献率评估方法 | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
CN109523838B (zh) | 基于演化博弈的异质化协同飞行冲突解决方法 | |
CN116432872B (zh) | 基于hho算法的多约束资源调度方法及系统 | |
CN116047423B (zh) | 一种干扰资源分配方法及其分配系统 | |
CN117575220B (zh) | 一种面向异构多智能体的多任务策略博弈方法 |
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 | ||
CP03 | Change of name, title or address |
Address after: 225006 No. 15 Wenchang East Road, Yangzhou City, Jiangsu Province, No. 4 Building, Dongyuan, Jiangguang Wisdom City Patentee after: Yangzhou Yuan Electronic Technology Co.,Ltd. Country or region after: China Address before: 225006 No. 15 Wenchang East Road, Yangzhou City, Jiangsu Province, No. 4 Building, Dongyuan, Jiangguang Wisdom City Patentee before: YANGZHOU YU'AN ELECTRONIC TECHNOLOGY CO.,LTD. Country or region before: China |
|
CP03 | Change of name, title or address |