CN114444398A - 一种基于灰狼算法的组网雷达协同干扰资源分配方法 - Google Patents
一种基于灰狼算法的组网雷达协同干扰资源分配方法 Download PDFInfo
- Publication number
- CN114444398A CN114444398A CN202210118017.1A CN202210118017A CN114444398A CN 114444398 A CN114444398 A CN 114444398A CN 202210118017 A CN202210118017 A CN 202210118017A CN 114444398 A CN114444398 A CN 114444398A
- Authority
- CN
- China
- Prior art keywords
- radar
- interference
- wolf
- jammer
- representing
- 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.)
- Granted
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006855 networking Effects 0.000 title claims abstract description 53
- 238000013468 resource allocation Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 17
- 230000001629 suppression Effects 0.000 claims description 14
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 claims description 5
- 241000282421 Canidae Species 0.000 claims description 3
- 230000007123 defense Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 241001228114 Elaeagnus mollis Species 0.000 description 1
- 240000001866 Vernicia fordii Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002922 simulated annealing Methods 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于灰狼算法的组网雷达协同干扰资源分配方法,包括步骤S100:建立干扰机组,干扰机组对雷达组网中的各雷达进行信号侦查,建立距离矩阵;步骤S200:基于距离矩阵确定每架干扰机干扰的雷达编号,建立决策矩阵;步骤S300:基于决策矩阵建立干扰资源优化分配模型;步骤S400:基于实际干扰机数量、干扰样式数量、组网雷达中雷达数量对灰狼种群中的个体位置进行编码并对灰狼种群进行初始化:步骤S500:采用改进灰狼优化算法求解干扰资源优化分配模型;步骤S600:改进灰狼算法迭代完成后,记录最后一代灰狼种群中适应度最大值对应的灰狼位置矢量,根据矢量信息实施最佳干扰资源分配策略。
Description
技术领域
本发明涉及组网雷达干扰分配技术领域,具体为一种基于灰狼算法的组网雷达协同干扰资源分配方法。
背景技术
组网雷达相对于传统的单个雷达而言,具有多雷达数据集成和资源共享等优点;组网当中的不同雷达具备不同的频段范围、空域覆盖范围、工作方式等,并且互相之间能够实现信息互补;组网雷达具有更强的信号探测、目标跟踪、抗干扰和抗损毁的能力,其复杂多样的组网特性,对传统的一对一干扰方式带来巨大挑战。随着组网雷达的不断发展成熟,与之相对抗的协同干扰技术也应运而生,组网雷达协同干扰的关键在于干扰机之间的资源的合理分配,对有限的干扰资源实现最优分配,才能获得整个干扰系统的最佳干扰效果。
组网雷达协同干扰资源分配方法主要有两类:传统的组合优化分配法和基于启发式的优化分配法。传统的组合优化方法能够有效解决小规模干扰资源优化分配问题,但是随着组网雷达规模的增加,干扰资源的规模也必然随之增加,分配空间出现组合爆炸问题,传统的优化方法难以适应这样的问题,此时就要考虑采用启发式优化方法,即基于智能优化算法的干扰资源分配方法。目前已有的分配方法,包括基于模拟退火算法、遗传算法、粒子群算法以及对应改进算法的组网雷达协同干扰资源分配方法;但是经典的启发式算法面临着收敛速度慢、易陷入局部最优以及面对复杂系统时计算速度慢等缺点,这些缺点在现实战场环境下将给干扰机对雷达组网进行有效干扰带来较大阻碍。
发明内容
本发明的目的在于提供一种基于灰狼算法的组网雷达协同干扰资源分配方法,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:一种基于灰狼算法的组网雷达协同干扰资源分配方法,分配方法包括:
步骤S100:建立干扰机组,干扰机组由一架主机和若干架从机组成;在干扰机组内主机和若干架从机之间可相互通信;干扰机组对雷达组网中的各雷达进行信号侦查,建立距离矩阵;
步骤S200:基于距离矩阵确定每架干扰机干扰的雷达编号,建立决策矩阵;
步骤S300:基于决策矩阵建立干扰资源优化分配模型;将干扰资源优化分配模型得到的目标函数作为灰狼优化算法的适应度函数;
步骤S400:基于实际干扰机数量、干扰样式数量、组网雷达中雷达数量对灰狼种群中的个体位置进行编码并对灰狼种群进行初始化:
步骤S500:采用改进灰狼优化算法求解干扰资源优化分配模型;
步骤S600:改进灰狼算法迭代完成后,记录最后一代灰狼种群中适应度最大值对应的灰狼位置矢量,对灰狼位置矢量基于步骤S400中的编码方式进行解码得到最佳干扰资源分配策略;根据矢量信息实施最佳干扰资源分配策略。
进一步的,步骤S100包括:
步骤S101:若干架从机将各自侦查得到的雷达距离上传到主机上,主机对整个干扰机组的距离信息进行汇总,建立雷达组网与干扰机组之间的距离矩阵,距离矩阵为:
其中,dnm表示测得的第n台干扰机与第m台雷达之间的距离;
步骤S102:主机将距离矩阵中的每一行按照距离值从小到大的顺序进行排列,得到新距离矩阵D’。
进一步的,步骤S200建立决策矩阵的过程包括;
步骤S201:设干扰机组的集合为A{A1,A2,…,An},其中,An表示第n台干扰机,每一台干扰机的干扰样式集合为S{S1,S2,…,Sh},其中,Sh表示干扰机的第h种干扰样式;设组网雷达的雷达集合为R{R1,R2,…,Rm},其中,Rm表示组网雷达内第m台雷达;
步骤S202:建立决策矩阵,在决策矩阵内有坐标(An,Rn,Snh),其中An表示第n台干扰机;Rn表示在An的目标干扰雷达集内的任意一台雷达;Snh表示An中的第h种干扰样式;在决策矩阵中,将决策矩阵的元素设为f(xnm,ynH),其中,xnm表示第n台干扰机对第m台雷达实施干扰;ynH表示第n台干扰机采用第H种干扰样式实施干扰;
步骤S203:当f(xnm,ynh)=1表示第n部干扰机采用了第h种干扰样式对第m台雷达实施了干扰;当f(xnm,ynh)=0表示第n部干扰机未对第m部雷达实施干扰或者第n部干扰机对第m部雷达实施的干扰样式不是第h个。
进一步的,步骤S300中基于决策矩阵建立干扰资源优化分配模型的过程包括:
步骤S301:获取组网雷达内各雷达的检测概率Pd,各干扰机对各雷达的压制概率为Q=1-Pd;根据步骤S200得到干扰机组干扰资源分配后的干扰效能矩阵E={Q1,Q2,…,Qm};其中,Qm表示组网雷达内第m部雷达在干扰环境中的压制效能矩阵:
其中,QmnL(xnm,ynh)表示第n部干扰机对第m部雷达采用第h种干扰样式后,对第m部雷达产生压制的概率;即Qm为针对某一部雷达,在干扰环境下采用所有的干扰组合策略得到的压制概率的组合;
步骤S302:由于某一台干扰机只能对其目标干扰雷达集内的任意一台雷达实施干扰,故根据新距离矩阵D’,需要在压制概率矩阵中将不产生干扰的对应项置零;
步骤S303:设在组网雷达中,各雷达的优先权重为ω(ω1,ω2,…ωm),则干扰机组中第n部干扰机对第m部雷达采用h种干扰样式实施干扰后的目标函数为:
其中,M表示组网雷达内雷达总数;H表示每一台干扰机的干扰样式总数;
步骤S304:将干扰机运行突防的全过程划分为若干航段,在每个航段内去固定点,将所有固定点的目标函数进行加权求和;同时,最优目标函数需遵循约束条件;将加权求和的结果作为整个突防过程的干扰资源分配的目标函数:
其中,T1和T2分别表示在某一航段内的起点和终点;μ(T)表示飞机在固定位置T时的权重系数;N表示干扰机组内干扰机的总数;
由于飞机编队在突防过程中随着航机的变化,干扰压制的概率也会随之发生变化,所以将突防的全过程划分为若干个航段有利于兼顾干扰压制的概率发生变化时对目标函数带来的影响,得到一个能代表全过程的目标函数。
进一步的,步骤S304中最优目标函数需遵循的约束条件包括:
约束条件六:第n部干扰机可以对第m部雷达实施干扰,也可不实施干扰,可以选择l干扰样式,也可不选择;即xnm=0 or xnm=1;ynH=0 or ynH=1。
进一步的,步骤S400包括:
步骤S401:对灰狼种群中的个体位置二维的矢量数据表示进行编码;设某一灰狼个体的位置为其中,i、i+1表示干扰机标号,ai表示i干扰机对应的干扰雷达标号;ai+1表示i+1干扰机对应的干扰雷达的标号;bi表示i干扰机对ai选取的干扰样式标号;bi+1表示i+1干扰机对ai+1选取的干扰样式;
步骤S402:将新距离矩阵D’中的距离值排序作为干扰机组内各干扰机对雷达实施干扰的优先级排序;在新距离矩阵D’中将距离每一台干扰机最近的三台雷达汇集作为每一台干扰机的目标干扰雷达集,每一台干扰机只能对其目标干扰雷达集内的任意一台雷达实施干扰;
步骤S403:初始化灰狼算法的种群,初始化的方式采用反向学习的策略;设置灰狼种群规模W在25~30之间,按照对灰狼种群中的个体位置进行编码的编码方式,先随机初始化个灰狼个体,对于剩下的灰狼个体,第i个灰狼的第k维位置Pi,k,其中),采用反向学习机制生成:Pi,k=a+b-Pj,k;其中,a和b分别是随机生成的个灰狼个体的上下界;Pj,k表示随机生成的第j个灰狼个体的第k维位置数据。
进一步的,步骤S500包括:
步骤S502:设置划分阈值e1和划分阈值e2;其中e1>e2;将所有的灰狼个体中fi≥e1的灰狼个体划分为精英狼群;将所有的灰狼个体中e2≤fi<e1的灰狼个体划分为普通狼群;将所有的灰狼个体中fi<e1的灰狼个体划分为偏离狼群;
步骤S503:分别设置精英狼群、普通狼群的收敛因子以及偏离狼群的更新方式;每个种群中的灰狼个体根据对应的收敛因子或更新公式进行自身位置更新;对更新完的种群重新计算灰狼个体的适应度值,并重新执行步骤S502-步骤S503进行多次迭代更新,不停的更新灰狼个体位置;并在每次迭代完成之后,对每个灰狼个体矢量上的所有数值进行修正,直至达到终止条件,对各灰狼个体迭代更新位置结束;
适应度值越大表示目标函数的数值越大,即干扰效果越好,整个灰狼种群的迭代更新就是为了寻找目标函数的最大值;
由于传统的灰狼优化算法,在每一次迭代更新后,整个种群的更新方式没有变,所有灰狼个体仍然以同样的方式收缩搜索步长,进行位置更新,种群中所有灰狼个体搜索步长没有区分;这样,靠近全局最优的个体可能因为更新步长过长而出现过拟合现象,远离全局最优的个体会因为更新步长过短而收敛速度慢,整个种群缺乏灵活适配的更新方式;针对不同的种群设置不同的收敛因子和更新方式即可以实现针对不同种群采用最适合的更新方式,进而最终实现提高算法计算速度以及算法精度;
适应度均值反应整个种群中灰狼个体适应度值的平均水平,严重偏离和靠近全局最优的个体为少数,故设置两个划分阈值;每次种群迭代更新之后,大部分灰狼个体都较上一代更加接近全局最优,故适应度均值也相应减小,设置的两个阈值也跟着自适应变化,实现了种群的自适应划分。
筛选出来的精英灰狼适应度值较小,更加接近全局最优,应该保持小范围的搜索;普通灰狼因为相对远离全局最优,应该扩大搜索范围,所以分别两种种群采用不同的收敛因子;而偏离狼群与当前搜索到的最优值距离较远,我们将这一部分灰狼用于感知整个种群的融合信息,对其采用上述更新方式参考引进平行宇宙优化算法的思路;
从上述不同收敛因子及更新方式可以看出,精英狼群的收敛因子会随着迭代次数的增加从1线性递减到0,而普通灰狼种群的收敛因子从2线性递减到1,相比于普通灰狼种群,精英灰狼位置矢量中的数值更新变化步长始终保持在较短水平,表现在干扰资源分配的寻优方面,精英灰狼位置矢量所映射的干扰资源分配方法更加接近于最优分配方法,故干扰资源及干扰对象的调整只在相邻之间作微调,而普通灰狼因为更新的步长相对较大,干扰资源和干扰对象的调整幅度也较大,有利于干扰资源分配方案更快的线最优方案靠近;
上述偏离狼群由于适应度值远小于适应度均值,说明此时的偏离灰狼位置矢量所映射的干扰资源分配方法对雷达组网的干扰效果不佳,更新公式中二维位置矢量上的每一列都来自种群中不同个体对应的列,即融合了整个种群中干扰方案的部分信息。
进一步的,步骤S503中对每个灰狼个体矢量上的所有数值进行修正的公式为
y=int(a)+sgn[int(a+0.5)-int(a)]
与现有技术相比,本发明所达到的有益效果是:本发明与传统的优化分配方法相比,灰狼优化算法以小规模的单个粒子形式,展开全局范围内的最优值探索,能够很好的应对大规模干扰资源分配问题,不会出现数据爆炸的情况;本发明与已有的基于智能优化算法的组网雷达协同干扰资源分配方法相比,利用改进的灰狼算法实现了收敛速度更快且不易陷入局部最优进而提高了整个方案的计算速度。
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是本发明一种基于灰狼算法的组网雷达协同干扰资源分配方法的流程示意图;
图2是本发明一种基于灰狼算法的组网雷达协同干扰资源分配方法的实施例示意图一;
图3是本发明一种基于灰狼算法的组网雷达协同干扰资源分配方法的实施例示意图二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图3,本发明提供技术方案:一种基于灰狼算法的组网雷达协同干扰资源分配方法,分配方法包括:
步骤S100:建立干扰机组,干扰机组由一架主机和若干架从机组成;在干扰机组内主机和若干架从机之间可相互通信;干扰机组对雷达组网中的各雷达进行信号侦查,建立距离矩阵;
其中,步骤S100包括:
步骤S101:若干架从机将各自侦查得到的雷达距离上传到主机上,主机对整个干扰机组的距离信息进行汇总,建立雷达组网与干扰机组之间的距离矩阵,距离矩阵为:
其中,dnm表示测得的第n台干扰机与第m台雷达之间的距离;
步骤S102:主机将距离矩阵中的每一行按照距离值从小到大的顺序进行排列,得到新距离矩阵D’;
步骤S200:基于距离矩阵确定每架干扰机干扰的雷达编号,建立决策矩阵;
其中,步骤S200建立决策矩阵的过程包括;
步骤S201:设干扰机组的集合为A{A1,A2,…,An},其中,An表示第n台干扰机,每一台干扰机的干扰样式集合为S{S1,S2,…,Sh},其中,Sh表示干扰机的第h种干扰样式;设组网雷达的雷达集合为R{R1,R2,…,Rm},其中,Rm表示组网雷达内第m台雷达;
步骤S202:建立决策矩阵,在决策矩阵内有坐标(An,Rn,Snh(,其中An表示第n台干扰机;Rn表示在An的目标干扰雷达集内的任意一台雷达;Snh表示An中的第h种干扰样式;在决策矩阵中,将决策矩阵的元素设为f(xnm,ynH(,其中,xnm表示第n台干扰机对第m台雷达实施干扰;ynH表示第n台干扰机采用第H种干扰样式实施干扰;
步骤S203:当f(xnm,ynh(=1表示第n部干扰机采用了第h种干扰样式对第m台雷达实施了干扰;当f(xnm,ynh)=0表示第n部干扰机未对第m部雷达实施干扰或者第n部干扰机对第m部雷达实施的干扰样式不是第h个;
步骤S300:基于决策矩阵建立干扰资源优化分配模型;将干扰资源优化分配模型得到的目标函数作为灰狼优化算法的适应度函数;
其中,基于决策矩阵建立干扰资源优化分配模型的过程包括:
步骤S301:获取组网雷达内各雷达的检测概率Pd,各干扰机对各雷达的压制概率为Q=1-Pd;根据步骤S200得到干扰机组干扰资源分配后的干扰效能矩阵E={Q1,Q2,…,Qm};其中,Qm表示组网雷达内第m部雷达在干扰环境中的压制效能矩阵:
其中,QmnL(xnm,ynh)表示第n部干扰机对第m部雷达采用第h种干扰样式后,对第m部雷达产生压制的概率;即Qm为针对某一部雷达,在干扰环境下采用所有的干扰组合策略得到的压制概率的组合;
步骤S302:由于某一台干扰机只能对其目标干扰雷达集内的任意一台雷达实施干扰,故根据新距离矩阵D’,需要在压制概率矩阵中将不产生干扰的对应项置零;
步骤S303:设在组网雷达中,各雷达的优先权重为ω(ω1,ω2,…ωm),则干扰机组中第
n部干扰机对第m部雷达采用h种干扰样式实施干扰后的目标函数为:
其中,M表示组网雷达内雷达总数;H表示每一台干扰机的干扰样式总数;
步骤S304:将干扰机运行突防的全过程划分为若干航段,在每个航段内去固定点,将所有固定点的目标函数进行加权求和;同时,最优目标函数需遵循约束条件;将加权求和的结果作为整个突防过程的干扰资源分配的目标函数:
其中,T1和T2分别表示在某一航段内的起点和终点;μ(T)表示飞机在固定位置T时的权重系数;N表示干扰机组内干扰机的总数;
其中,目标函数需遵循的约束条件包括:
约束条件六:第n部干扰机可以对第m部雷达实施干扰,也可不实施干扰,可以选择l干扰样式,也可不选择;即xnm=0 or xnm=1;ynH=0 or ynH=1;
步骤S400:基于实际干扰机数量、干扰样式数量、组网雷达中雷达数量对灰狼种群中的个体位置进行编码并对灰狼种群进行初始化:
其中,步骤S400包括:
步骤S401:对灰狼种群中的个体位置二维的矢量数据表示进行编码;设某一灰狼个体的位置为其中,i、i+1表示干扰机标号,ai表示i干扰机对应的干扰雷达标号;ai+1表示i+1干扰机对应的干扰雷达的标号;bi表示i干扰机对ai选取的干扰样式标号;bi+1表示i+1干扰机对ai+1选取的干扰样式;
假如组网雷达中雷达个数为4,干扰机有4台,每台干扰机均具备相同的3种干扰样式,则可以初始化某一灰狼个体的位置为所以第一列表示第1部干扰机对第3部雷达采用第2中干扰方式实施干扰,第三列表示第3部干扰机对第4部雷达采用第3个干扰样式实施干扰;
步骤S402:将新距离矩阵D’中的距离值排序作为干扰机组内各干扰机对雷达实施干扰的优先级排序;在新距离矩阵D’中将距离每一台干扰机最近的三台雷达汇集作为每一台干扰机的目标干扰雷达集,每一台干扰机只能对其目标干扰雷达集内的任意一台雷达实施干扰;
步骤S403:初始化灰狼算法的种群,初始化的方式采用反向学习的策略;设置灰狼种群规模W在25~30之间,按照对灰狼种群中的个体位置进行编码的编码方式,先随机初始化个灰狼个体,对于剩下的灰狼个体,第i个灰狼的第k维位置Pi,k,其中),采用反向学习机制生成:Pi,k=a+b-Pj,k;其中,a和b分别是随机生成的个灰狼个体的上下界;Pj,k表示随机生成的第j个灰狼个体的第k维位置数据;
步骤S500:采用改进灰狼优化算法求解干扰资源优化分配模型;
其中,步骤S500包括:
步骤S502:设置划分阈值e1为和划分阈值e2为其中e1>e2;将所有的灰狼个体中fi≥e1的灰狼个体划分为精英狼群;将所有的灰狼个体中e2≤fi<e1的灰狼个体划分为普通狼群;将所有的灰狼个体中fi<e1的灰狼个体划分为偏离狼群;
步骤S503:分别设置精英狼群、普通狼群的收敛因子以及偏离狼群的更新方式;每个种群中的灰狼个体根据对应的收敛因子或更新公式进行自身位置更新;对更新完的种群重新计算灰狼个体的适应度值,并重新执行步骤S502-步骤S503进行多次迭代更新,不停的更新灰狼个体位置;并在每次迭代完成之后,对每个灰狼个体矢量上的所有数值进行修正,直至达到终止条件,对各灰狼个体迭代更新位置结束;
其中,对每个灰狼个体矢量上的所有数值进行修正的公式为:
y=int(a)+sgn[int(a+0.5)-int(a)]
步骤S600:改进灰狼算法迭代完成后,记录最后一代灰狼种群中适应度最大值对应的灰狼位置矢量,对灰狼位置矢量基于步骤S400中的编码方式进行解码得到最佳干扰资源分配策略;根据矢量信息实施最佳干扰资源分配策略;
假如该灰狼个体的位置为则求解出来最优的组网雷达干扰资源分配策略为:第1部干扰机对第3部雷达采用第2种干扰策略实施干扰;第2部干扰机对第2部雷达采用第1种干扰策略实施干扰;第3部干扰机对第4部雷达采用第3种干扰策略实施干扰;
在本实施例中采用4个经典的测试函数来验证改进灰狼优化算法的性能;其中f1和f2为单峰测试函数;f3和f4为多峰测试函数,测试函数的基本信息如图2所示;采用改进的灰狼优化算法对四个经典测试函数进行求解,并引进多元宇宙优化算法(MVO)、鲸鱼优化算法(WOA)和原始灰狼优化算法(GWO)作为对比算法,每种算法设置的种群规模都为30,迭代次数为500;各种优化算法的求解结果和运行速度如图3所示;从实验结果当中可以发现改进的灰狼算法在解决最优值问题的过程中,精度更高,运行速度更快。将其应用与组网雷达的协同干扰资源分配中,能够实现快速高效的干扰资源分配。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,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 (9)
1.一种基于灰狼算法的组网雷达协同干扰资源分配方法,其特征在于,所述分配方法包括:
步骤S100:建立干扰机组,所述干扰机组由一架主机和若干架从机组成;在所述干扰机组内所述主机和所述若干架从机之间可相互通信;所述干扰机组对雷达组网中的各雷达进行信号侦查,建立距离矩阵;
步骤S200:基于所述距离矩阵确定每架干扰机干扰的雷达编号,建立决策矩阵;
步骤S300:基于所述决策矩阵建立干扰资源优化分配模型;将所述干扰资源优化分配模型得到的目标函数作为灰狼优化算法的适应度函数;
步骤S400:基于实际干扰机数量、干扰样式数量、组网雷达中雷达数量对灰狼种群中的个体位置进行编码并对灰狼种群进行初始化:
步骤S500:采用改进灰狼优化算法求解所述干扰资源优化分配模型;
步骤S600:改进灰狼算法迭代完成后,记录最后一代灰狼种群中适应度最大值对应的灰狼位置矢量,对所述灰狼位置矢量基于所述步骤S400中的编码方式进行解码得到最佳干扰资源分配策略;根据矢量信息实施最佳干扰资源分配策略。
3.根据权利要求1所述的一种基于灰狼算法的组网雷达协同干扰资源分配方法,其特征在于,所述步骤S200建立决策矩阵的过程包括;
步骤S201:设干扰机组的集合为A{A1,A2,…,An},其中,An表示第n台干扰机,每一台干扰机的干扰样式集合为S{S1,S2,…,Sh},其中,Sh表示干扰机的第h种干扰样式;设组网雷达的雷达集合为R{R1,R2,…,Rm},其中,Rm表示组网雷达内第m台雷达;
步骤S202:建立决策矩阵,在所述决策矩阵内有坐标(An,Rn,Snh),其中An表示第n台干扰机;Rn表示在An的目标干扰雷达集内的任意一台雷达;Snh表示An中的第h种干扰样式;在所述决策矩阵中,将所述决策矩阵的元素设为f(xnm,ynH),其中,xnm表示第n台干扰机对第m台雷达实施干扰;ynH表示第n台干扰机采用第H种干扰样式实施干扰;
步骤S203:当f(xnm,Ynh)=1表示第n部干扰机采用了第h种干扰样式对第m台雷达实施了干扰;当f(xnm,ynh)=0表示第n部干扰机未对第m部雷达实施干扰或者第n部干扰机对第m部雷达实施的干扰样式不是第h个。
4.根据权利要求3所述的一种基于灰狼算法的组网雷达协同干扰资源分配方法,其特征在于,步骤S300中基于决策矩阵建立干扰资源优化分配模型的过程包括:
步骤S301:获取所述组网雷达内各雷达的检测概率Pd,各干扰机对各雷达的压制概率为Q=1-Pd;根据步骤S200得到所述干扰机组干扰资源分配后的干扰效能矩阵E={Q1,Q2,…,Qm};其中,Qm表示组网雷达内第m部雷达在干扰环境中的压制效能矩阵:
其中,QmnL(xnm,Ynh)表示第n部干扰机对第m部雷达采用第h种干扰样式后,对第m部雷达产生压制的概率;即Qm为针对某一部雷达,在干扰环境下采用所有的干扰组合策略得到的压制概率的组合;
步骤S302:由于某一台干扰机只能对其目标干扰雷达集内的任意一台雷达实施干扰,故根据所述新距离矩阵D’,需要在压制概率矩阵中将不产生干扰的对应项置零;
步骤S303:设在组网雷达中,各雷达的优先权重为ω(ω1,ω2,…ωm),则干扰机组中第n部干扰机对第m部雷达采用h种干扰样式实施干扰后的目标函数为:
其中,M表示组网雷达内雷达总数;H表示每一台干扰机的干扰样式总数;
步骤S304:将干扰机运行突防的全过程划分为若干航段,在每个航段内去固定点,将所有固定点的目标函数进行加权求和;同时,所述最优目标函数需遵循约束条件;将加权求和的结果作为整个突防过程的干扰资源分配的目标函数:
其中,T1和T2分别表示在某一航段内的起点和终点;μ(T)表示飞机在固定位置T时的权重系数;N表示干扰机组内干扰机的总数。
5.根据权利要求4所述的一种基于灰狼算法的组网雷达协同干扰资源分配方法,其特征在于,所述步骤S304中最优目标函数需遵循的约束条件包括:
约束条件六:第n部干扰机可以对第m部雷达实施干扰,也可不实施干扰,可以选择l干扰样式,也可不选择;即xnm=0 or xnm=1;ynH=0 or ynH=1。
6.根据权利要求1所述的一种基于灰狼算法的组网雷达协同干扰资源分配方法,其特征在于,所述步骤S400包括:
步骤S401:对灰狼种群中的个体位置二维的矢量数据表示进行编码;设某一灰狼个体的位置为其中,i、i+1表示干扰机标号,ai表示i干扰机对应的干扰雷达标号;ai+1表示i+1干扰机对应的干扰雷达的标号;bi表示i干扰机对ai选取的干扰样式标号;bi+1表示i+1干扰机对ai+1选取的干扰样式;
步骤S402:将新距离矩阵D’中的距离值排序作为所述干扰机组内各干扰机对雷达实施干扰的优先级排序;在所述新距离矩阵D’中将距离每一台所述干扰机最近的三台雷达汇集作为所述每一台所述干扰机的目标干扰雷达集,所述每一台干扰机只能对其所述目标干扰雷达集内的任意一台雷达实施干扰;
7.根据权利要求1所述的一种基于灰狼算法的组网雷达协同干扰资源分配方法,其特征在于,所述步骤S500包括:
步骤S502:设置划分阈值e1和划分阈值e2;其中e1>e2;将所有的灰狼个体中fi≥e1的灰狼个体划分为精英狼群;将所有的灰狼个体中e2≤fi<e1的灰狼个体划分为普通狼群;将所有的灰狼个体中fi<e1的灰狼个体划分为偏离狼群;
步骤S503:分别设置精英狼群、普通狼群的收敛因子以及偏离狼群的更新方式;每个种群中的灰狼个体根据对应的收敛因子或更新公式进行自身位置更新;对更新完的种群重新计算灰狼个体的适应度值,并重新执行所述步骤S502-步骤S503进行多次迭代更新,不停的更新灰狼个体位置;并在每次迭代完成之后,对每个灰狼个体矢量上的所有数值进行修正,直至达到终止条件,对各灰狼个体迭代更新位置结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118017.1A CN114444398B (zh) | 2022-02-08 | 2022-02-08 | 一种基于灰狼算法的组网雷达协同干扰资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210118017.1A CN114444398B (zh) | 2022-02-08 | 2022-02-08 | 一种基于灰狼算法的组网雷达协同干扰资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444398A true CN114444398A (zh) | 2022-05-06 |
CN114444398B CN114444398B (zh) | 2022-11-01 |
Family
ID=81371444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210118017.1A Active CN114444398B (zh) | 2022-02-08 | 2022-02-08 | 一种基于灰狼算法的组网雷达协同干扰资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444398B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114911269A (zh) * | 2022-06-17 | 2022-08-16 | 电子科技大学 | 一种基于无人机群的组网雷达干扰策略生成方法 |
CN115567353A (zh) * | 2022-09-30 | 2023-01-03 | 电子科技大学 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445755A (zh) * | 2018-03-07 | 2018-08-24 | 中国人民解放军空军工程大学 | 基于改进优化算法的电子干扰机空域划设方法 |
CN110095788A (zh) * | 2019-05-29 | 2019-08-06 | 电子科技大学 | 一种基于灰狼优化算法的rbpf-slam改进方法 |
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN111199127A (zh) * | 2020-01-13 | 2020-05-26 | 西安电子科技大学 | 基于深度强化学习的雷达干扰决策方法 |
CN111610495A (zh) * | 2020-06-02 | 2020-09-01 | 北京理工大学 | 基于资源分配与功率控制的uav网络雷达干扰抑制方法 |
CN113093124A (zh) * | 2021-04-07 | 2021-07-09 | 哈尔滨工程大学 | 一种基于dqn算法的雷达干扰资源实时分配方法 |
CN113985365A (zh) * | 2021-11-01 | 2022-01-28 | 扬州宇安电子科技有限公司 | 一种对导引头雷达实施拖引类干扰的实现方法 |
-
2022
- 2022-02-08 CN CN202210118017.1A patent/CN114444398B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN108445755A (zh) * | 2018-03-07 | 2018-08-24 | 中国人民解放军空军工程大学 | 基于改进优化算法的电子干扰机空域划设方法 |
CN110095788A (zh) * | 2019-05-29 | 2019-08-06 | 电子科技大学 | 一种基于灰狼优化算法的rbpf-slam改进方法 |
CN111199127A (zh) * | 2020-01-13 | 2020-05-26 | 西安电子科技大学 | 基于深度强化学习的雷达干扰决策方法 |
CN111610495A (zh) * | 2020-06-02 | 2020-09-01 | 北京理工大学 | 基于资源分配与功率控制的uav网络雷达干扰抑制方法 |
CN113093124A (zh) * | 2021-04-07 | 2021-07-09 | 哈尔滨工程大学 | 一种基于dqn算法的雷达干扰资源实时分配方法 |
CN113985365A (zh) * | 2021-11-01 | 2022-01-28 | 扬州宇安电子科技有限公司 | 一种对导引头雷达实施拖引类干扰的实现方法 |
Non-Patent Citations (2)
Title |
---|
HAOWEI ZHANG: "Bi-objective particle swarm optimization algorithm for the search and", 《ELSEVIER》 * |
涂拥军等: "基于粒子群算法的雷达网干扰资源分配技术研究", 《现代防御技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114911269A (zh) * | 2022-06-17 | 2022-08-16 | 电子科技大学 | 一种基于无人机群的组网雷达干扰策略生成方法 |
CN115567353A (zh) * | 2022-09-30 | 2023-01-03 | 电子科技大学 | 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 |
CN115567353B (zh) * | 2022-09-30 | 2024-04-02 | 电子科技大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN114444398B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444398B (zh) | 一种基于灰狼算法的组网雷达协同干扰资源分配方法 | |
Sihwail et al. | Improved harris hawks optimization using elite opposition-based learning and novel search mechanism for feature selection | |
CN111337931B (zh) | 一种auv目标搜索方法 | |
Luo et al. | Multi-phase modified shuffled frog leaping algorithm with extremal optimization for the MDVRP and the MDVRPTW | |
CN111639878B (zh) | 一种基于知识图谱构建的滑坡风险预测方法及系统 | |
CN111460597B (zh) | 一种基于改进的多目标粒子群优化算法的雷达布站方法 | |
CN107092812B (zh) | 一种在ppi网络中基于遗传算法识别关键蛋白质的方法 | |
CN111582428A (zh) | 一种基于灰色预测演化算法的多模态多目标优化方法 | |
CN111061165B (zh) | 一种船舶相对碰撞危险度模型的验证方法 | |
CN111381605A (zh) | 一种应用于多无人机大范围海域水下多目标协同搜索方法 | |
CN109190787B (zh) | 水下潜航器的双重粒子群多监测点访问路径规划方法 | |
CN114168971A (zh) | 一种基于强化学习的物联网覆盖漏洞修复方法 | |
CN114641006A (zh) | 一种基于二进制蜻蜓优化算法的认知无线电网络的频谱分配方法 | |
CN116933948A (zh) | 基于改进海鸥算法与反向传播神经网络的预测方法和系统 | |
Parsa et al. | Multi-objective hyperparameter optimization for spiking neural network neuroevolution | |
CN114004326B (zh) | 一种基于改进郊狼算法的elm神经网络优化方法 | |
CN114599004B (zh) | 一种基站布局方法和装置 | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
Kumar et al. | Data clustering using differential search algorithm | |
CN116359858A (zh) | 基于改进麻雀搜索算法的协同干扰资源调度方法 | |
CN115567131A (zh) | 一种基于降维复卷积网络的6g无线信道特性提取方法 | |
Dubois et al. | Improving multi-modal optimization restart strategy through multi-armed bandit | |
CN108416419B (zh) | 一种基于多元信号特征的wlan室内目标入侵检测方法 | |
CN111860755A (zh) | 基于支持向量机回归的改进粒子群算法 | |
Goyal et al. | Genetic algorithm: a metaheuristic approach of optimization |
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 | ||
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 |