CN114527436A - 基于最优干扰规划模型的集群协同干扰规划方法 - Google Patents
基于最优干扰规划模型的集群协同干扰规划方法 Download PDFInfo
- Publication number
- CN114527436A CN114527436A CN202210151246.3A CN202210151246A CN114527436A CN 114527436 A CN114527436 A CN 114527436A CN 202210151246 A CN202210151246 A CN 202210151246A CN 114527436 A CN114527436 A CN 114527436A
- Authority
- CN
- China
- Prior art keywords
- interference
- radar
- jammer
- flight
- target
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于最优干扰规划模型的集群协同干扰规划方法,其实现步骤是:构建一个包含包括至少2部干扰机和1架任务飞机的集群协同系统,在集群系统下根据任务飞机的飞行距离以及干扰机对目标雷达的功率与干扰机距目标雷达距离的比值构建规划模型目标函数;采用多目标粒子群算法优化干扰规划模型的目标函数,产生最优解集,最优解集中每组参数对应其相应的干扰规划方案,得到关于每个干扰机空间位置、每个干扰机对雷达的功率分配以及任务飞机飞行航线的多种干扰规划方案。本发明提高了多部干扰机干扰雷达的干扰效果和干扰资源的利用效率。
Description
技术领域
本发明属于通信技术领域,更进一步涉及雷达干扰技术领域中的一种基于最优干扰规划模型的集群协同干扰规划方法。本发明可用于对我方集群系统关于干扰机空间位置、功率分配以及作战飞机航迹的规划,保证干扰方能够有效地对组网雷达进行干扰。
背景技术
集群系统是今后信息对抗装备发展的重要趋势。集群系统与传统单机干扰相比,具备组协同功能的“集群”在对组网雷达的有效干扰具有较大的潜力与优势,主要表现在集群编队能够在空域以及时域相互协同配合,对敌方组网雷达协同干扰,为后续航线规划提供一片安全的可规划空间。但现有技术主要侧重于电子干扰飞机的作战效能和和干扰压制效果等方面,对集群系统的干扰规划方面仍存在一定问题和不足。而集群系统下干扰机的功率分配、空间位置都会对干扰效果以及突防飞机飞行航迹产生巨大的影响,因此对集群系统进行干扰规划就显现的尤为重要。
电子科技大学在其申请的专利文献“安全走廊任务目标下的干扰源配置方法”(申请号201710579395.9,申请公开号:CN 107271969 A)中公开了一种基于安全走廊任务目标下的干扰源配置方法。该方法在远距离支援干扰模式下,根据任务目标需求,给出干扰源兵力计算模型。在达到任务目标的情况下,实现最节省资源的干扰源功率计算和位置分配。本发明的有益效果为,本发明针对远距离支援干扰下任务目标的实现,即在敌方雷达探测区域形成安全走廊,保护我方作战兵力在安全走廊区域不被敌雷达发现,采用了具有针对性的干扰资源配置方法,实现干扰资源的有效利用。但是,该方法仍然存在的不足之处是,在工程实践中,多使用由多部雷达组成的组网雷达,而该方法只考虑了干扰机多单部雷达干扰效果,形成有效的安全走廊,但当多部干扰机在组网雷达下对多部雷达进行干扰时,使用此方法所形成的安全走廊可能处于组网雷达中其他雷达的探测范围内,导致干扰效果较差甚至无效。
张欢等人在其发表的论文“多机协同电子战规划压制干扰布阵研究”(《系统工程与电子技术》2017,39(03):542-548)中,针对电子战任务规划中的多机协同压制敌防空雷达网的干扰布阵问题,提出了航线规划安全区概念,基于数学形态学方法对安全区最小宽度进行求解,以安全区最小宽度和各部干扰机距敌方雷达网中心距离之和作为目标函数,构建了干扰布阵的多目标优化模型,采用多目标粒子群优化算法对模型进行求解,通过仿真实验对求解出的Pareto最优解集进行分析,得出了各部干扰机压制敌雷达网的最优干扰布阵方式。该方法验证了多目标粒子群优化算法在求解多机协同电子战干扰布阵问题是可行的、有效的。但是,该方法仍然存在的不足之处是,在工程实践中,根据此种方法求得的最优解集为干扰机对组网雷达执行干扰后组网雷达的最大空白探测区,干扰机干扰的航段可能不能完全满足当前突防任务的航段以及对任务航线干扰效果分布部不均匀,干扰资源没有根据飞行航线得到最大化利用,导致任务飞机飞行航线较长,部分航线干扰效果较差。
综上所述,对于干扰规划方法在雷达协同干扰方向的应用,目前已有技术的方法无法解决组网雷达下对干扰编队根据实时飞行任务进行有效的干扰机布阵、干扰能量资源分配的干扰规划,使干扰资源最大化利用,形成稳定安全的飞行航线的问题。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于最优干扰规划模型的集群协同干扰规划方法,以解决现有技术存在的多部干扰机缺少协同,导致对组网雷达干扰效果较差,以及多部干扰机的对雷达网的干扰航段可能不能完全满足突防任务的航段以及对任务航线干扰效果分布部不均匀,干扰资源无法根据飞行航线得到最大化利用的问题。
实现本发明目的的技术思路是:本发明构建了集群协同系统,使各个干扰机与任务飞机具有协同性,多个干扰机协同对雷达网实施干扰,形成稳定全走廊更加安全有效,解决了干扰机对组网雷达干扰效果较差的问题。本发明根据任务飞机的飞行距离以及干扰机对目标雷达的功率与干扰机距目标雷达距离的比值构建规划模型目标函数,使干扰规划方案与任务飞机飞行航线相结合,干扰资源能尽可能得到最大化利用。使用多目标粒子群算法优化干扰规划模型的目标函数,生成最优解集,得到关于每个干扰机空间位置、每个干扰机对雷达的功率分配以及任务飞机飞行航线的多种干扰规划方案。解决了现有技术多部干扰机的对雷达网的干扰航段可能不能完全满足突防任务的航段以及对任务航线干扰效果分布部不均匀,干扰资源无法根据飞行航线得到最大化利用的问题。
实现发明目的的具体步骤包括如下:
步骤1,构建集群协同系统:
(2a)构建一个包括至少2部干扰机和1架任务飞机的集群协同系统;
(2b)在集群系统中,每个干扰机在雷达网探测范围之外,对雷达网中的雷达进行支援压制干扰,掩护任务飞机,保证任务飞机的航线安全;
步骤2,构建干扰规划模型目标函数如下:
f=min[f1,f2]
其中,f表示干扰规划模型的目标函数,min(·)表示取最小值操作,f1表示支援压制干扰期间任务飞机的飞行距离,f2表示支援压制干扰期间干扰机对目标雷达的功率与干扰机距目标雷达距离的比值,s表示任务飞机飞行航线航迹点的总数,i表示任务飞机飞行航线航迹点的序号,i=1,2,...,s,xi,yi表示任务飞机飞行航线的第i个航迹点对应的位置坐标,xi,Rj表示受到集群系统干扰后的雷达网探测范围,xi+1,yi+1分别表示任务飞机在第i+1个航迹点的位置坐标,xi+1=xi+vit cosθi,yi+1=yi+vit sinθi,vi表示任务飞机在第i个航迹点的飞行速度,vmin<vi<vmax,vmin,vmax表示任务飞机最低和最高飞行速度,t表示第i个航迹点到第i+1个航迹点所需的时间,cos表示余弦操作,sin表示正弦操作,θi表示任务飞机在第i个航迹点的飞行拐角,θi<θmax,θmax表示任务飞机飞行的最大拐角,nj表示集群系统中干扰机的总数,j表示集群系统中干扰机的序号,j=1,2,...,nj,rj表示第j部干扰机能够干扰雷达的总数,r表示干扰机能够干扰的雷达的序号,r=1,2,...,rj,xj,yj表示集群系统中第j部干扰机的位置,xj,R表示受到干扰后雷达网的探测范围,xjr,yjr表示受到集群系统中第j部干扰机干扰的第r部雷达对应的位置坐标,Prj表示第j部干扰机对第r部雷达进行干扰时分配的干扰功率, 表示第j部干扰机的最大发射功率, 表示第j部干扰机的有效干扰航段,lJ表示任务飞机飞行航线所需的有效干扰航段;
步骤3,采用多目标粒子群算法优化干扰规划模型的目标函数:
(3a)在满足所有干扰机位置在雷达网探测范围以外,以及每部干扰机总发射功率在干扰机最大发射功率以内,随机生成m组参数,m≥20,每组参数包括所有干扰机位置以及所有干扰机对目标雷达进行干扰的发射功率;
(3b)将每组参数分别代入到干扰规划模型目标函数中,得到该组支援压制干扰期间任务飞机的飞行距离参数,以及干扰机对目标雷达的功率与干扰机距目标雷达距离的比值参数的适应度值,将m组参数与其对应的所有适应度值组成Stem矩阵,从Stem矩阵中,选择适应度值最小的一组参数作为当前个体最优参数组;
(3c)将Stem矩阵中逐次选取一个参数组,将所选参数组中的适应度值均小于外部档案集任意一组参数对应的适应度值的所有参数组均添加到外部档案集中;
(3d)将外部档案集中每个参数组按照其适应度值从小到大进行排序,从所有排序后的参数组的前10%的参数组中随机选取一组,将随机选取的所有参数组组成当前全局最优参数集;
(3e)利用干扰机位置更新公式以及干扰机对目标雷达进行干扰的发射功率更新公式,对所有排序后参数组中的每部干扰机位置以及每部干扰机对目标雷达进行干扰的发射功率进行更新;
(3f)判断当前外部档案集中的所有适应度值是否收敛,若是,则将该外部档案集为最优解集,否则,将当前迭代更新后的每组参数组分别代入到干扰规划模型目标函数中执行步骤(4b);
步骤4,组成合适干扰规划方案:
将最优解集中每组参数中所有干扰机的位置、所有干扰机对目标雷达进行干扰的发射功率,以及支援压制干扰期间任务飞机的飞行距离参数组成该组的干扰规划方案,得到最优解集中每组参数对应的干扰规划方案。
本发明与现有技术相比,具有以下优点:
第一,本发明构建了在多部干扰机时所形成的安全走廊可能处于组网雷达中其他雷达的探测范围内的集群协同系统,克服了现有技术在多部干扰机时存在的干扰效果较差甚至无效的缺陷,使得本发明多部干扰机协同干扰雷达,提高多部干扰机干扰雷达的干扰效果。
第二,本发明在集群协同系统下构建干扰规划模型目标函数,生成多目标粒子群算法优化干扰规划模型的目标函数的最优解集,得到关于每个干扰机空间位置、每个干扰机对雷达的功率分配以及任务飞机飞行航线的多种干扰规划方案,克服了现有技术中干扰机干扰的航段不能完全满足当前任务的航段以及对任务航线干扰效果分布部不均匀,干扰资源没有根据飞行航线得到最大化利用的不足,使得本发明可以进一步对干扰机的位置、功率以及飞行航线进行规划,进而提高干扰资源的利用效率。
附图说明
图1为本发明的流程图;
图2为本发明实施例的雷达网探测范围图;
图3为本发明实施例中受到集群系统干扰后雷达网探测范围示意图;
图4是本发明实施例最优解集适应度值分布图。
图5是本发明实施例的干扰规划方案图。
具体实施方式
以下结合附图和实施例对本发明做进一步的详细描述。
参照图1,对本发明的实现步骤做进一步的详细描述。
步骤2,构建集群协同系统。
本发明的实施例中构建了一个由三部干扰机和一架任务飞机组成的集群协同系统。
本发明的实施例的集群系统中,每个干扰机在雷达网探测的范围外对雷达网中的雷达进行支援压制干扰,缩小雷达的探测范围,使任务飞机的飞行航线在雷达探测范围之外,掩护任务飞机,保证任务飞机的航线安全。
在本发明的实施例的集群系统可以由下式表示:
其中,X表示本发明的实施例的集群系统,表示第j部干扰机的发射功率,表示第j部干扰机的天线增益,表示第j部干扰机发射信号的带宽,表示第j部干扰机干扰信号的综合损耗,Tarj表示第j部干扰机的目标分配,vmin,vmax表示任务飞机最低和最高飞行速度,θmax表示任务飞机飞行最大拐角。
本发明的实施例中部署了一个由三部雷达组成的雷达网,三个雷达参数以及位置如表1,表2所示。
表1三个雷达参数表
表2三个雷达位置参数表
雷达编号 | x/m | y/m |
雷达1 | 4.7×10<sup>5</sup> | 3×10<sup>5</sup> |
雷达2 | 2×10<sup>5</sup> | 2.8×10<sup>5</sup> |
雷达3 | 3×10<sup>5</sup> | 5×10<sup>5</sup> |
在本发明的实施例中,vmin=200m/s,vmax=400m/s,θmax=90°,三部干扰机的参数表3所示:
表3三个干扰机的参数表
功率/kW | 天线增益 | 带宽/Hz | 损耗 | 干扰目标 | |
干扰机1 | 300 | 6 | 2×10<sup>6</sup> | 20 | 雷达1,雷达2 |
干扰机2 | 300 | 4 | 2×10<sup>6</sup> | 20 | 雷达2,雷达3 |
干扰机3 | 300 | 6 | 5×10<sup>6</sup> | 20 | 雷达3,雷达1 |
按照下式,计算每部雷达的最大探测范围:
其中,表示雷达网中第l部雷达的最大探测范围,l=1,2,3,表示雷达网中第l部雷达的峰值发射功率,表示雷达网中第l部雷达发射天线的增益,λl表示雷达网中第l部雷达发射的电磁波的波长,σl表示雷达网中第l部雷达接收目标的截面积,π表示圆周率,k表示玻尔兹曼常数,k=1.38×10-23J/K,T0表示标准环境温度,在本发明的实施例中,室温17C°,T0=290K,表示雷达网中第l部雷达的工作带宽,表示雷达网中第l部雷达的噪声系数,Ll表示雷达网中第l部雷达损耗,表示雷达网中第l部雷达所需检测目标的最小输出信噪比。
参照图2,对本发明实施例的雷达网中所有雷达探测范围的并集生成雷达网的探测范围作进一步的描述。
图2中的三个圆形分别代表雷达1、雷达2、雷达3的二维探测范围,每个圆心为雷达的设置位置,三个雷达探测范围的并集,即最外侧部分组成雷达网的探测范围。
步骤3,构建干扰规划模型。
根据任务飞机的飞行距离以及干扰机对目标雷达的功率与干扰机距目标雷达距离的比值构建干扰规划模型的目标函数如下:
f=min[f1,f2]
其中,f表示干扰规划模型的目标函数,min(·)表示取最小值操作,f1表示支援压制干扰期间任务飞机的飞行距离,f2表示支援压制干扰期间干扰机对目标雷达的功率与干扰机距目标雷达距离的比值,s表示任务飞机飞行航线航迹点的总数,i表示任务飞机飞行航线航迹点的序号,i=1,2,...,s,xi,yi表示任务飞机飞行航线的第i个航迹点对应的位置坐标,xi,Rj表示受到集群系统干扰后的雷达网探测范围,xi+1,yi+1分别表示任务飞机在第i+1个航迹点的位置坐标,xi+1=xi+vit cosθi,yi+1=yi+vit sinθi,vi表示任务飞机在第i个航迹点的飞行速度,vmin<vi<vmax,vmin,vmax表示任务飞机最低和最高飞行速度,t表示第i个航迹点到第i+1个航迹点所需的时间,cos表示余弦操作,sin表示正弦操作,θi表示任务飞机在第i个航迹点的飞行拐角,θi<θmax,θmax表示任务飞机飞行的最大拐角,nj表示集群系统中干扰机的总数,j表示集群系统中干扰机的序号,j=1,2,....,jra,jra表示第j部干扰机能够干扰雷达的总数,r表示干扰机能够干扰的雷达的序号,r=1,2,...,rj,xj,yj表示集群系统中第j部干扰机的位置,xj,R表示受到干扰后雷达网的探测范围,xjr,yjr表示受到集群系统中第j部干扰机干扰的第r部雷达对应的位置坐标,Prj表示第j部干扰机对第r部雷达进行干扰时分配的干扰功率, 表示第j部干扰机的最大发射功率, 表示第j部干扰机的有效干扰航段,lJ表示任务飞机飞行航线所需的有效干扰航段,所述的有效干扰航段是指在满足所需最小安全间隔的前提下,任务飞机能够避开雷达网探测的飞行航段。
按照下式,计算每部雷达受到干扰后的探测范围;
其中,Rl表示第l部雷达受到干扰后的探测范围,表示第j部干扰机的发射功率,表示第j部干扰机的天线增益,表示第l部雷达的最小压制系数,表示第l部雷达天线在第j部干扰机干扰方向上的增益,表示第j部干扰机极化损失,表示第l部雷达接收机的信号带宽,Rlj表示第l部雷达与第j部干扰机之间的距离,表示第j部干扰机干扰信号的综合损耗,表示第j部干扰机发射信号的带宽,π表示圆周率;
参照图3,对本发明实施例的受到集群系统干扰后的雷达网探测范围进一步的描述。
图3中以“*”标示的部分代表在本发明的实施例中三部干扰机的位置,三个不规则图形分别代表雷达1、雷达2、雷达3受到干扰后的探测范围,三个雷达探测范围的并集构成雷达网受到集群系统干扰后的雷达网探测范围。
步骤4,采用多目标粒子群算法优化干扰规划模型的目标函数。
第一步,在满足所有干扰机位置在雷达网探测范围以外,以及每部干扰机总发射功率在干扰机最大发射功率以内,随机生成m组参数,m≥20,每组参数包括所有干扰机位置以及所有干扰机对目标雷达进行干扰的发射功率。
在本发明的实施例中,参数组m=20,每组参数包括三部干扰机位置以及三部干扰机对目标雷达进行干扰的发射功率。
第二步,将每组参数分别代入到干扰规划模型目标函数中,得到该组支援压制干扰期间任务飞机的飞行距离参数,以及干扰机对目标雷达的功率与干扰机距目标雷达距离的比值参数的适应度值,将m组参数与其对应的所有适应度值组成Stem矩阵,从Stem矩阵中,选择适应度值最小的一组参数作为当前更新迭代的个体最优参数组。
在本发明的实施例中,Stem矩阵包含20组参数以及其对应的两个适应度值,为14×20的矩阵。
第三步,在Stem矩阵中逐次选取一个参数组,将所选参数组中适应度值均小于外部档案集任意一组参数对应的适应度值的所有参数组添加到外部档案集中。
第四步,将外部档案集中每个参数组按照其适应度值从小到大进行排序,从所有排序后的参数组的前10%的参数组中随机选取一组,将随机选取的所有参数组组成当前全局最优参数集。
第五步,利用干扰机位置更新公式和发射功率更新公式,分别更新所有排序后参数组中每部干扰机的位置和该部干扰机对目标雷达进行干扰的发射功率。
所述干扰机位置更新公式如下:
其中,Xj′表示第j部干扰机更新后的位置,Xj表示第j部干扰机更新前的位置,表示惯性因子,vj表示第j部干扰机更新前的更新速度,c1,c2表示学习因子,为非负常数,r1,r2表示(0,1)之间的随机数,表示当前更新迭代的个体最优参数组中第j部干扰机的位置,表示当前更新迭代的全局最优参数组中第j部干扰机的位置。
所述发射功率更新公式如下:
其中,Prj′表示第j部干扰机对第r部雷达进行干扰时更新后分配的干扰功率,Prj表示第j部干扰机对第r部雷达进行干扰时更新前分配的干扰功率,Pvrj表示第j部干扰机对第r部雷达进行干扰时分配的干扰功率更新后的速度,表示当前更新迭代的个体最优参数组中第j部干扰机对第r部雷达进行干扰时分配的个体最优干扰功率,表示当前更新迭代的全局最优集中第j部干扰机对第r部雷达进行干扰时分配的全局最优干扰功率。
在本发明的实施例中,干扰机初始更新速度vj=1000,学习因子c1=c2=2.0,随机数r1=0.2,r2=0.8,最大更新迭代次数T=300。
第六步,判断当前外部档案集中的所有适应度值是否收敛,若是,则将该外部档案集作为最优解集后执行步骤5,否则,将当前迭代更新后的每组参数组分别代入到干扰规划模型目标函数后执行本步骤的第二步。
参照图4对本发明实施例获得的最优解集适应度值分布作进一步的描述。
图4中的x轴表示每组参数中飞行距离适应度值对应的适应度值,y轴表示干扰机对目标雷达的功率与干扰机距目标雷达距离的比值适应度值对应适应度值。从图4中可以看出,适应度值组成点的点构成了Pareto面,且在中间分布较为均匀,说明更新迭代300次后适应度值已经收敛。
步骤5,筛选合适干扰规划方案。
将最优解集中每组参数中所有干扰机的位置、所有干扰机对目标雷达进行干扰的发射功率,以及支援压制干扰期间任务飞机的飞行距离参数组成该组的干扰规划方案,得到最优解集中每组参数对应的干扰规划方案。
参照图5对本发明实施例中的一个任务飞行航线较短的干扰规划方案作进一步的描述。
图5中的虚线为本发明干扰规划方案下任务飞机的飞行航线,虚线中以方形和五角星形标示的位置为任务飞机的起点和目标点,三个不规则的图形分别代表本发明干扰规划方案下雷达1、雷达2、雷达3受到干扰后的探测范围,以“*”标示的位置分别为本发明干扰规划方案中三个干扰机位置。
表4三个干扰机对目标雷达的发射功率表
干扰机编号 | 对雷达1发射功率/kW | 对雷达2发射功率/kW |
干扰机1 | 250 | 50 |
对雷达2分配功率/kW | 对雷达3功率/kW | |
干扰机2 | 200 | 100 |
对雷达3分配功率/kW | 对雷达1分配功率/kW | |
干扰机3 | 300 | 0 |
本发明干扰规划方案中,三个干扰机对目标雷达的发射功率如表4所示。
Claims (6)
1.一种基于最优干扰规划模型的集群协同干扰规划方法,其特征在于,在集群协同系统下构建干扰规划模型目标函数,采用多目标粒子群算法优化干扰规划模型的目标函数,得到关于每个干扰机空间位置、每个干扰机对雷达的功率分配以及任务飞机飞行航线的多种干扰规划方案;该方法具体步骤包括如下:
步骤1,构建集群协同系统:
(1a)构建一个包括至少2部干扰机和1架任务飞机的集群协同系统;
(1b)在集群系统中,每个干扰机在雷达网探测范围之外对雷达网中的雷达进行支援压制干扰,掩护任务飞机,保证任务飞机的航线安全;
步骤2,构建干扰规划模型目标函数如下:
f=min[f1,f2]
其中,f表示干扰规划模型的目标函数,min(·)表示取最小值操作,f1表示支援压制干扰期间任务飞机的飞行距离,f2表示支援压制干扰期间干扰机对目标雷达的功率与干扰机距目标雷达距离的比值,s表示任务飞机飞行航线航迹点的总数,i表示任务飞机飞行航线航迹点的序号,i=1,2,...,s,xi,yi表示任务飞机飞行航线的第i个航迹点对应的位置坐标,xi,Rj表示受到集群系统干扰后的雷达网探测范围,xi+1,yi+1分别表示任务飞机在第i+1个航迹点的位置坐标,xi+1=xi+vit cosθi,yi+1=yi+vit sinθi,vi表示任务飞机在第i个航迹点的飞行速度,vmin<vi<vmax,vmin,vmax表示任务飞机最低和最高飞行速度,t表示第i个航迹点到第i+1个航迹点所需的时间,cos表示余弦操作,sin表示正弦操作,θi表示任务飞机在第i个航迹点的飞行拐角,θi<θmax,θmax表示任务飞机飞行的最大拐角,nj表示集群系统中干扰机的总数,j表示集群系统中干扰机的序号,j=1,2,...,nj,rj表示第j部干扰机能够干扰雷达的总数,r表示干扰机能够干扰的雷达的序号,r=1,2,...,rj,xj,yj表示集群系统中第j部干扰机的位置,xj,R表示受到干扰后雷达网的探测范围,xjr,yjr表示受到集群系统中第j部干扰机干扰的第r部雷达对应的位置坐标,Prj表示第j部干扰机对第r部雷达进行干扰时分配的干扰功率, 表示第j部干扰机的最大发射功率, 表示第j部干扰机的有效干扰航段,lJ表示任务飞机飞行航线所需的有效干扰航段;
步骤3,采用多目标粒子群算法优化干扰规划模型的目标函数:
(3a)在满足所有干扰机位置在雷达网探测范围以外,以及每部干扰机总发射功率在干扰机最大发射功率以内,随机生成m组参数,m≥20,每组参数包括所有干扰机位置以及所有干扰机对目标雷达进行干扰的发射功率;
(3b)将每组参数分别代入到干扰规划模型目标函数中,得到该组支援压制干扰期间任务飞机的飞行距离参数,以及干扰机对目标雷达的功率与干扰机距目标雷达距离的比值参数的适应度值,将m组参数与其对应的所有适应度值组成Stem矩阵,从Stem矩阵中,选择适应度值最小的一组参数作为当前更新迭代的个体最优参数组;
(3c)在Stem矩阵中逐次选取一个参数组,将所选参数组中适应度值均小于外部档案集任意一组参数对应的适应度值的所有参数组添加到外部档案集中;
(3d)将外部档案集中每个参数组按照其适应度值从小到大进行排序,从所有排序后的参数组的前10%的参数组中随机选取一组,将随机选取的所有参数组组成当前全局最优参数集;
(3e)利用干扰机位置更新公式和发射功率更新公式,分别更新所有排序后参数组中每部干扰机的位置和该部干扰机对目标雷达进行干扰的发射功率;
(3f)判断当前外部档案集中的所有适应度值是否收敛,若是,则将该外部档案集作为最优解集后执行步骤5,否则,将当前迭代更新后的每组参数组分别代入到干扰规划模型目标函数后执行步骤(4b);
步骤4,组成合适干扰规划方案:
将最优解集中每组参数中所有干扰机的位置、所有干扰机对目标雷达进行干扰的发射功率,以及支援压制干扰期间任务飞机的飞行距离参数组成该组的干扰规划方案,得到最优解集中每组参数对应的干扰规划方案。
2.根据权利要求1所述的基于最优干扰规划模型的集群协同干扰规划方法,其特征在于,步骤(1b)中所述的雷达网探测范围是由下式确定的;
3.根据权利要求1所述的基于最优干扰规划模型的集群协同干扰规划方法,其特征在于,步骤2中所述的受到干扰后雷达网的探测范围是由下式确定的:
其中,Rl表示第l部雷达受到干扰后的探测范围,表示第j部干扰机的发射功率,表示第j部干扰机的天线增益,表示第l部雷达的最小压制系数,表示第l部雷达天线在第j部干扰机干扰方向上的增益,表示第j部干扰机极化损失,表示第l部雷达接收机的信号带宽,Rlj表示第l部雷达与第j部干扰机之间的距离,表示第j部干扰机干扰信号的综合损耗,表示第j部干扰机发射信号的带宽,π表示圆周率;
4.根据权利要求1所述的基于最优干扰规划模型的集群协同干扰规划方法,其特征在于,步骤2中所述的任务飞机飞行航线所需的有效干扰航段lJ指的是,在满足所需最小安全间隔的前提下,任务飞机能够避开雷达网探测范围的飞行航段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210151246.3A CN114527436A (zh) | 2022-02-16 | 2022-02-16 | 基于最优干扰规划模型的集群协同干扰规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210151246.3A CN114527436A (zh) | 2022-02-16 | 2022-02-16 | 基于最优干扰规划模型的集群协同干扰规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114527436A true CN114527436A (zh) | 2022-05-24 |
Family
ID=81623553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210151246.3A Pending CN114527436A (zh) | 2022-02-16 | 2022-02-16 | 基于最优干扰规划模型的集群协同干扰规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114527436A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781191A (zh) * | 2022-06-16 | 2022-07-22 | 航天宏图信息技术股份有限公司 | 一种复杂电磁环境的雷达探测能力仿真方法及装置 |
CN115902873A (zh) * | 2022-12-21 | 2023-04-04 | 扬州宇安电子科技有限公司 | 一种基于物联网的雷达控制预警调节系统及方法 |
CN116520256A (zh) * | 2023-07-03 | 2023-08-01 | 中国人民解放军空军预警学院 | 一种基于深度学习的机载预警雷达干扰识别方法和装置 |
-
2022
- 2022-02-16 CN CN202210151246.3A patent/CN114527436A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781191A (zh) * | 2022-06-16 | 2022-07-22 | 航天宏图信息技术股份有限公司 | 一种复杂电磁环境的雷达探测能力仿真方法及装置 |
CN114781191B (zh) * | 2022-06-16 | 2022-09-09 | 航天宏图信息技术股份有限公司 | 一种复杂电磁环境的雷达探测能力仿真方法及装置 |
CN115902873A (zh) * | 2022-12-21 | 2023-04-04 | 扬州宇安电子科技有限公司 | 一种基于物联网的雷达控制预警调节系统及方法 |
CN115902873B (zh) * | 2022-12-21 | 2023-09-12 | 扬州宇安电子科技有限公司 | 一种基于物联网的雷达控制预警调节系统及方法 |
CN116520256A (zh) * | 2023-07-03 | 2023-08-01 | 中国人民解放军空军预警学院 | 一种基于深度学习的机载预警雷达干扰识别方法和装置 |
CN116520256B (zh) * | 2023-07-03 | 2023-09-01 | 中国人民解放军空军预警学院 | 一种基于深度学习的机载预警雷达干扰识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114527436A (zh) | 基于最优干扰规划模型的集群协同干扰规划方法 | |
CN108616302B (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
CN105158756B (zh) | 集中式mimo雷达射频隐身时多目标跟踪波束指向方法 | |
CN108008361B (zh) | 基于射频隐身的分布式mimo雷达干扰波形设计方法 | |
CN111812599B (zh) | 博弈条件下基于低截获性能的组网雷达最优波形设计方法 | |
CN107944597B (zh) | 一种面对先进无源探测系统的编队雷达资源管理方法 | |
CN113203993B (zh) | 针对组网雷达的自适应多干扰机协同压制干扰方法 | |
CN113109770B (zh) | 一种干扰资源分配方法及系统 | |
CN111060884A (zh) | 一种基于搜索资源管理的机载机会阵雷达目标搜索算法 | |
CN108834209A (zh) | 频谱共存环境下基于纳什议价解的组网雷达功率分配方法 | |
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 | |
Zhang et al. | Joint jamming beam and power scheduling for suppressing netted radar system | |
CN116299408B (zh) | 一种多雷达自主协同探测系统及探测方法 | |
Ye et al. | Multiobjective Cognitive Cooperative Jamming Decision‐Making Method Based on Tabu Search‐Artificial Bee Colony Algorithm | |
Du et al. | Time and aperture resource allocation strategy for multitarget ISAR imaging in a radar network | |
CN114879195A (zh) | 基于资源调度的无人机集群雷达通信一体化方法 | |
Zhang et al. | Blanket jamming targets assignment based on adaptive genetic algorithm | |
CN116227345A (zh) | 一种基于强化学习的短波侦察与干扰阵位优化方法 | |
CN111709584A (zh) | 一种基于人工蜂群算法的雷达组网优化部署方法 | |
CN113376594B (zh) | 基于moea/d-gas的stap雷达分布式干扰方法 | |
Bi et al. | Optimization method of passive omnidirectional buoy array in on-call anti-submarine search based on improved NSGA-II | |
CN116359858A (zh) | 基于改进麻雀搜索算法的协同干扰资源调度方法 | |
Deng et al. | Interference resource scheduling algorithm based on potential game for UAV cooperative combat | |
Li et al. | Robust jamming resource allocation for cooperatively suppressing multi-station radar systems in multi-jammer systems | |
Sun et al. | A hybrid optimization approach for suppressing sidelobe level and reducing transmission power in collaborative beamforming |
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 |