CN116047423B - 一种干扰资源分配方法及其分配系统 - Google Patents

Abstract

本发明公开一种干扰资源分配方法及其分配系统，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，通过天牛须算法优化目标函数，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，通过天牛须搜索算法优化干扰资源分配方案，运用天牛须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。

Description

一种干扰资源分配方法及其分配系统

技术领域

本发明属于雷达对抗技术领域，具体涉及一种干扰资源分配方法及其分配系统。

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。

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。例如，使用麻雀搜索算法来优化干扰资源分配方案，这种现有方案原理复杂、涉及参数较多、计算量大。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种干扰资源分配方法。

技术方案：本发明的一种干扰资源分配方法，包括以下步骤：

步骤S1：获取当前干扰资源分配场景下各元素位置信息(即是指天牛左右须的位置)；

步骤S2：基于检测概率构建五个干扰效能评估指标G_a、G_b、G_c、G_d和G_e，并设定权重矩阵ω'，计算得到干扰机对随机一部雷达的实际干扰效益矩阵e_j，j＝1,2,…,n；然后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E；

其中，G_a表示识别距离损失度，G_b表示识别概率损失度，G_c表示干扰样式隶属度，G_d表示敌方系统抗干扰技术隶属度，G_e表示时空频评因子隶属度；

步骤S3：建立干扰资源分配优化的目标函数，获得总干扰效益Z，依据威胁程度大小决定分配干扰资源的优先级，进而得到雷达威胁矩阵T；

步骤S4：运用优化后的天牛须搜索算法进行优化求解

步骤S41：优化干扰效益矩阵e_j和雷达对干扰机的威胁程度；

步骤S42：设置BAS算法参数；

步骤S43：构建BAS的适应度函数f()，确认优化的目标函数；

步骤S44：通过位置更新数据得到最佳的干扰效益决策矩阵；

步骤S45：获取多干扰资源对多系统的最大总干扰效益，BAS算法即为天牛须搜索算法；

步骤S5：输出干扰资源分配方案。

进一步地，所述步骤S2中实际干扰效益矩阵e_j为：

G表示性能指标的矩阵，m表示干扰机数量，n为雷达组网中带干扰雷达数量；e_ij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；

则对组网雷达协同干扰时获得的干扰效益决策矩阵E如下：

e_n'表示任意一部干扰机对地方第j个雷达的干扰效益。

进一步地，所述步骤S3中干扰资源分配优化的目标函数表达如下：

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，t_j为n个敌方目标识别系统对我方的威胁程度，根据雷达的抗干扰性能得到t_j，t_j取值为[0,1]；然后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,…,t_n]，x_ij表示决策变量，1≤j≤n。

进一步地，依据威胁程度大小决定分配干扰资源的优先级的具体方法如下：

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。

进一步地，所述步骤S4的详细内容如下：

通过随机设定天牛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，得到天牛的初始位置为：

其中，pop指的是天牛搜索空间的维度，d表示天牛的个数，即对应敌方干扰机的个数；原始的天牛须搜索算法是针对一只天牛进行研究，这里增加了研究的天牛个数；s_pop,d+1是指第pop维度、d+1个天牛的初始位置；

所述BAS算法参数包括天牛左须空间坐标、右须空间坐标、左右须的相对距离和随机方向向量；

构建BAS的适应度函数，确认优化的目标函数如下：

其中，M为我方干扰机数量，N为地方目标识别系统数量；

然后通过更新天牛左须空间坐标、右须空间坐标、左右须的相对距离和随机方向向量得到最佳的干扰效益决策矩阵E和t_j；

天牛两须相对距离d^t的更新公式为：

δ^t＝eta*δ^t-1

d^t＝δ^t/c

其中，δ^t为第t次迭代的天牛须搜索步长，初始值一般设置很大以保证足够的搜索范围；eta一般取[0,1]；c为常数；

随机方向向量的公式为：

其中，k表示空间维度；rand()表示随机函数；

天牛须左S_tl和右须S_tr空间坐标的更新公式为：

S_tl＝S^t+d^t*a

S_tr＝S^t-d^t*a

其中，S_tl、S_tr分别表示天牛左须和右须在第t次迭代时的空间坐标，d^t为左右须的相对距离；a是指随机方向向量；

最后，将天牛左右两须的空间坐标代入到确认优化的目标函数中，得到f(S_tl)和f(S_tr)，其中f()为适应度函数，即目标函数；天牛位置更新公式为：

S^t＝S^t-1+δ^t*a*sign(f_l-f_r)

其中，f_r和f_l分别为左右须的适应度值。

进一步地，当迭代次数最大时或者精度满足要求时，迭代结束，否则重复上述操作，直至满足迭代停止条件；迭代结束后，将最佳的干扰效益决策矩阵E和t_j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。

本发明还公开一种用于实现干扰资源分配方法的分配系统，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构建模型指标和权重，所述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，所述参数优化模块优化目标函数，所述目标信息更新模块更新目标数据，所述分配模型求解模块通过天牛须搜索法对分配模型进行优化求解，所述干扰资源分配模块依据模型求解结果分配干扰资源。

有益效果：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，通过天牛须算法优化目标函数，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，通过天牛须搜索算法优化干扰资源分配方案，运用天牛须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

图1为本发明的系统结构示意图；

图2为本发明一实施例中各迭代次数下的适应度折线图。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

如图1所示，本发明基于优化的天牛须算法，具有参数少以及计算量少等优点，在处理低维优化目标时具有非常大的优势；本发明通过天牛须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，通过天牛须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。

本发明的整体系统如图1所示，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构建模型指标和权重，所述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，所述参数优化模块优化目标函数，所述目标信息更新模块更新目标数据，所述分配模型求解模块通过天牛须搜索法对分配模型进行优化求解，所述干扰资源分配模块依据模型求解结果分配干扰资源。其具体实现干扰资源分配方法为：

包括以下步骤：

步骤S1：获取当前干扰资源分配场景下各元素位置信息；

步骤S2：基于检测概率构建五个干扰效能评估指标G_a、G_b、G_c、G_d和G_e，并设定权重矩阵ω'，计算得到干扰机对随机一部雷达的实际干扰效益矩阵e_j，j＝1,2,…,n；然后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E；

其中，G_a表示识别距离损失度，G_b表示识别概率损失度，G_c表示干扰样式隶属度，G_d表示敌方系统抗干扰技术隶属度，G_e表示时空频评因子隶属度；

步骤S3：建立干扰资源分配优化的目标函数，获得总干扰效益Z，依据威胁程度大小决定分配干扰资源的优先级，进而得到雷达威胁矩阵T；

步骤S4：运用优化后的天牛须搜索算法进行优化求解

步骤S41：优化干扰效益矩阵e_j和雷达对干扰机的威胁程度；

步骤S42：设置BAS算法参数；

步骤S43：构建BAS的适应度函数f()，确认优化的目标函数；

步骤S44：通过位置更新数据得到最佳的干扰效益决策矩阵；

步骤S45：获取多干扰资源对多系统的最大总干扰效益，BAS算法即为天牛须搜索算法；

步骤S5：输出干扰资源分配方案。

进一步地，所述步骤S2中实际干扰效益矩阵e_j为：

G表示性能指标的矩阵，m表示干扰机数量，n为雷达组网中带干扰雷达数量；e_ij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；

则对组网雷达协同干扰时获得的干扰效益决策矩阵E如下：

进一步地，所述步骤S3中干扰资源分配优化的目标函数表达如下：

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，t_j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,…,t_n]，x_ij表示决策变量，1≤j≤n。

进一步地，依据威胁程度大小决定分配干扰资源的优先级的具体方法如下：

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。

进一步地，所述步骤S4的详细内容如下：

通过随机设定天牛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，得到天牛的初始位置为：

其中，pop指的是天牛搜索空间的维度，d表示天牛的个数，即对应敌方干扰机的个数；原始的天牛须搜索算法是针对一只天牛进行研究，这里增加了研究的天牛个数；

所述BAS算法参数包括天牛左须空间坐标、右须空间坐标、左右须的相对距离和随机方向向量；

构建BAS的适应度函数，确认优化的目标函数如下：

然后通过更新天牛左须空间坐标、右须空间坐标、左右须的相对距离和随机方向向量得到最佳的干扰效益决策矩阵E和t_j；

天牛两须相对距离d^t的更新公式为：

δ^t＝eta*δ^t-1

d^t＝δ^t/c

其中，δ^t为第t次迭代的天牛须搜索步长，初始值一般设置很大以保证足够的搜索范围；eta一般取[0,1]；c为常数；

随机方向向量的公式为：

其中，k表示空间维度；rand()表示随机函数；

天牛须左S_tl和右须S_tr空间坐标的更新公式为：

S_tl＝S^t+d^t*a

S_tr＝S^t-d^t*a

其中，S_tl、S_tr分别表示天牛左须和右须在第t次迭代时的空间坐标，d^t为左右须的相对距离；

最后，将天牛左右两须的空间坐标代入到确认优化的目标函数中，得到f(S_tl)和f(S_tr)，其中f()为适应度函数，即目标函数；天牛位置更新公式为：

S^t＝S^t-1+δ^t*a*sign(f_l-f_r)

其中，f_r和f_l分别为左右须的适应度值。

进一步地，当迭代次数最大时或者精度满足要求时，迭代结束，否则重复上述操作，直至满足迭代停止条件；迭代结束后，将最佳的干扰效益决策矩阵E和t_j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。

如图2所示，本实施例展示了各迭代次数下的适应度折线图，当迭代10000次时，函数基本能够收敛，取得适应度(函数最优值)约为0.56。

Claims (6)

1.一种干扰资源分配方法，其特征在于：包括以下步骤：

步骤S1：获取当前干扰资源分配场景下各元素位置信息；

步骤S2：基于检测概率构建五个干扰效能评估指标G_a、G_b、G_c、G_d和G_e，并设定对应权重矩阵ω'，计算得到干扰机对随机一部雷达的实际干扰效益矩阵e_j，j＝1,2,…,n；然后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E；

其中，G_a表示识别距离损失度，G_b表示识别概率损失度，G_c表示干扰样式隶属度，G_d表示敌方系统抗干扰技术隶属度，G_e表示时空频评因子隶属度；

步骤S3：建立干扰资源分配优化的目标函数，获得总干扰效益Z，依据威胁程度大小决定分配干扰资源的优先级，进而得到雷达威胁矩阵T；

步骤S4：运用优化后的天牛须搜索算法进行优化求解

通过随机设定天牛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，得到天牛的初始位置为：

其中，pop指的是天牛搜索空间的维度，d表示天牛的个数，即对应敌方干扰机的个数；s_pop,d+1是指第pop维度、d+1个天牛的初始位置；

BAS算法参数包括天牛左须空间坐标、右须空间坐标、左右须的相对距离和随机方向向量；

构建BAS的适应度函数，确认优化的目标函数fitness如下：

其中，M为我方干扰机数量，N为地方目标识别系统数量；

然后通过更新天牛左须空间坐标、右须空间坐标、左右须的相对距离和随机方向向量得到最佳的干扰效益决策矩阵E和t_j；

天牛两须相对距离d^t的更新公式为：

δ^t＝eta*δ^t-1

d^t＝δ^t/c

其中，δ^t为第t次迭代的天牛须搜索步长；eta取[0,1]；c为常数；

随机方向向量的公式为：

其中，k表示空间维度；rand()表示随机函数；

天牛须左S_tl和右须S_tr空间坐标的更新公式为：

S_tl＝S^t+d^t*a

S_tr＝S^t-d^t*a

其中，S_tl、S_tr分别表示天牛左须和右须在第t次迭代时的空间坐标，d^t为左右须的相对距离；a是指随机方向向量；

最后，将天牛左右两须的空间坐标代入到确认优化的目标函数中，得到f(S_tl)和f(S_tr)，其中f()为适应度函数，即目标函数；天牛位置更新公式为：

S^t＝S^t-1+δ^t*a*sign(f_l-f_r)

其中，f_r和f_l分别为左右须的适应度值；sign()为符号函数；

步骤S5：输出干扰资源分配方案。

2.根据权利要求1所述的干扰资源分配方法，其特征在于：所述步骤S2中实际干扰效益矩阵e_j为：

G表示性能指标的矩阵，m表示干扰机数量，n为雷达组网中带干扰雷达数量；e_ij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；

则对组网雷达协同干扰时获得的干扰效益决策矩阵E如下：

e_n'表示任意一部干扰机对地方第j个雷达的干扰效益。

3.根据权利要求1所述的干扰资源分配方法，其特征在于：所述步骤S3中干扰资源分配优化的目标函数表达如下：

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，t_j为n个敌方目标识别系统对我方的威胁程度，t_j根据雷达的抗干扰性能所得，其取值为[0,1]，然后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,…,t_n]，x_ij表示决策变量，1≤j≤n。

4.根据权利要求3所述的干扰资源分配方法，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的具体方法如下：

若m＝n，即干扰资源数与敌方目标识别系统的数目相同时，则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，则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，则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，则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。

5.根据权利要求1所述的干扰资源分配方法，其特征在于：

当迭代次数最大时或者精度满足要求时，迭代结束，否则重复上述操作，直至满足迭代停止条件；迭代结束后，将最佳的干扰效益决策矩阵E和t_j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。

6.一种用于实现权利要求1至5任意一项所述干扰资源分配方法的分配系统，其特征在于：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构建模型指标和权重，所述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，所述参数优化模块优化目标函数，所述目标信息更新模块更新目标数据，所述分配模型求解模块通过天牛须搜索法对分配模型进行优化求解，所述干扰资源分配模块依据模型求解结果分配干扰资源。