CN117875575A - 一种基于混合仿生算法的干扰资源分配方法 - Google Patents
一种基于混合仿生算法的干扰资源分配方法 Download PDFInfo
- Publication number
- CN117875575A CN117875575A CN202410276975.0A CN202410276975A CN117875575A CN 117875575 A CN117875575 A CN 117875575A CN 202410276975 A CN202410276975 A CN 202410276975A CN 117875575 A CN117875575 A CN 117875575A
- Authority
- CN
- China
- Prior art keywords
- interference
- radar
- jammer
- algorithm
- matching degree
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 88
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013468 resource allocation Methods 0.000 title claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000011161 development Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 230000002452 interceptive effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000010287 polarization Effects 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000003016 pheromone Substances 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000003592 biomimetic effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及电子对抗专业资源分配技术领域,公开了一种基于混合仿生算法的干扰资源分配方法,其包括:定义干扰资源分配数学建模;通过考虑干扰资源对雷达干扰效能指标的影响,建立干扰对象分配的资源调度数学模型;构建干扰机任务分配模型;设计混合仿生算法:基于干扰资源任务分配数学模型,以粒子群算法为基础,引入遗传算法中的交叉及变异操作,完成混合仿生优化算法的开发,通过粒子与粒子极值两两交叉、粒子自身变异和拟制之间相互学习沟通的方式使粒子能探索到新的搜索空间,得到最优任务分配方案。本发明能够有效应用于电子对抗干扰资源分配。
Description
技术领域
本发明涉及电子对抗专业资源分配技术领域,特别是一种基于混合仿生算法的干扰资源分配方法。
背景技术
随着电子技术的发展,电子对抗已经对作战双方的信息获取、通信、指挥控制等方面有着重要的影响,是取得战场胜利的基础,对战双方围绕电子设备使用效能的对抗与反对抗已经成为信息化战争的主要内容之一。随着战场涉频装备呈指数增长,双方围绕电磁频谱优势的斗争已经逐渐从传统的单装对抗发展成为了体系对抗。如何使用己方有限的电子干扰资源完成在雷达、通信、光电和导航等方面的最佳干扰效果,是电磁频谱体系作战指挥决策所需要研究的重要课题。
近年来,不同的研究团队针对干扰资源分配问题开展了大量的研究,主要集中在干扰资源的数学模型构建及其优化求解算法方面,其中优化求解算法主要以智能优化算法为主,包括遗传算法、蚁群算法、粒子群算法、布谷鸟算法和人工免疫算法等,目前这些算法已被成功应用于干扰资源分配问题,与传统的数值计算方法相比,这些算法具有实现简单、求解较优解效率高等特点,但也存在求解结果具有随机性、容易陷入局部最优、结论存在泛化性等不足。另外由于上述各类智能优化算法各具特点,在不同条件下表现出不同的优势,所以对于各种不同类别的智能优化算法之间的性能对比目前还没有一个统一的定论,这也是上述各类方法之间相互借鉴融合发展的重要原因之一。通过融合各类方法之长的综合方法性能会进一步提升,这也是干扰资源分配问题的各类智能优化求解方法后续的重要发展趋势之一。但是这些算法在通用性、鲁棒性、准确性和全局最优方面存在着局限。
发明内容
鉴于此,本发明提供一种基于混合仿生算法的干扰资源分配方法,通过分析电子对抗过程中的时域、空域、频域和干扰样式等方面对干扰效能的影响,建立了以整体作战效能最优为目标函数的干扰目标分配数学模型。通过融合遗传算法、粒子群算法和蚁群算法等传统智能优化算法,提出一种混合仿生优化算法,对干扰资源目标分配数学模型进行求解,并从计算准确性、时效性和鲁棒性等维度对算法进行仿真验证,验证结果表明该算法可有效应用于电子对抗干扰资源分配。
本发明公开了一种基于混合仿生算法的干扰资源分配方法,其包括:
定义干扰资源分配数学建模:根据电子对抗作战效能评估的指标体系特点,以层次分析法作为基础,通过定性与定量相结合的方式处理各种决策因素,将影响干扰分配的因素分解为各子因素,并通过支配关系将各子因素分组为层次结构,通过比较确定每个因素在层次中的重要性;
通过考虑干扰资源对雷达干扰效能指标的影响,建立干扰对象分配的资源调度数学模型;
构建干扰机任务分配模型;
设计混合仿生算法:基于干扰资源任务分配数学模型,以粒子群算法为基础,引入遗传算法中的交叉及变异操作,完成混合仿生优化算法的开发,通过粒子与粒子极值两两交叉、粒子自身变异和拟制之间相互学习沟通的方式使粒子能探索到新的搜索空间,得到最优任务分配方案。
进一步地,所述资源调度数学模型需要考虑的因素包括频段匹配程度、方位匹配程度、引导时间、干扰样式匹配程度、干扰距离和有效干扰扇面;
频段匹配程度是干扰机发射干扰信号的频率范围与敌方雷达信号频率重合程度;方位匹配程度是干扰机的天线指向与敌方雷达真实方向对准的程度;引导时间是干扰设备从侦察到敌方雷达信号开始,到引导发射出有效干扰信号之间的时间;干扰样式匹配程度指标主要考虑干扰机具备的干扰样式是否能匹配目标雷达的信号样式,干扰机在完成敌方雷达时,采取的手段包括噪声调频干扰、灵巧噪声卷积和间歇采用重复转发;当干扰信号功率与雷达回波信号功率之比等于干扰压制系数时,雷达有信号质量探测跟踪目标,此时雷达到目标的距离为干扰距离;有效干扰扇面是雷达受到压制性干扰时,其荧光屏上出现干扰信号的角度范围,在该角度范围内雷达无法发现和跟踪目标。
进一步地,频段匹配程度表示为:
其中,为频段匹配程度,干扰机的频率范围为/>,敌方雷达的频率范围为/>,频段匹配程度越高,说明干扰信号与敌方雷达信号频段匹配程度越高;
方位匹配程度表示为:
其中,为方位匹配程度,/>为偏移敌方雷达天线主瓣的角度;/>为敌方雷达天线在/>方向的增益,/>为敌方雷达天线在主瓣方向的增益,方位匹配程度指标越高,说明干扰机天线指向与敌方雷达真实方向对准程度越高;
引导时间表示为:
其中,为引导时间,/>为干扰机引导所需时间;
将可对雷达实施成功干扰的所有干扰样式记为集合U;如果干扰机在干扰该雷达时,选择的干扰样式属于集合U,则干扰样式匹配程度取值为1,否则,干扰样式匹配程度取值为0;
干扰距离表示为:
其中,为干扰距离,/>为雷达距我方干扰机的距离;当/>时,我方干扰机无法形成有效干扰;当/>时,我方干扰机能有效干扰;/>和/>分别为干扰信号和雷达回波信号;/>和/>分别为干扰发射功率和雷达发射功率;/>和/>分别为干扰天线增益和雷达天线增益;/>和/>是干扰信号对雷达天线极化系数和目标雷达截面;/>为雷达天线在干扰方向上的增益;/>和/>分别为干扰机到雷达的距离和雷达到目标的距离;/>称为干扰机的最小有效干扰距离;
有效干扰扇面表示为:
其中,为雷达馈线损耗系数;/>为干扰信号对天线的极化系数;/>为与天线特性有关的常数;/>为有效干扰扇面的角度,/>为压制系数,/>为有效干扰扇面,/>为雷达天线波瓣宽度。
进一步地,所述构建干扰机任务分配模型包括:
确定最终目标,并分析影响目标的因素,将其作为效能指标,将系统划分为从上至下存在支配关系的不同层次;
通过比较最低层次的指标,通过一致性排序法确定层次结构中每个因素的权重和最低层次的指标的综合权重,并完成评价打分;/>表示第i个因素对应的权重,/>表示第z个因素对应的权重;层次结构中的因素包括频段匹配程度、方位匹配程度、引导时间、干扰样式匹配程度、干扰距离和有效干扰扇面;
计算干扰效果的总体效能,并对总体效能中的每个效能指标值进行归一化,,z为大于1的正整数,表示权重的总数;基于归一化后的总体效能,确定作战效能。
进一步地,所述计算干扰效果的总体效能,包括:
若存在个干扰机,/>个敌方雷达,则在第i个因素的总体效能/>表示为:
其中,表示针对第i个因素,第/>个干扰机对b个敌方雷达的效能指标值,/>表示针对第i个因素,第/>个干扰机对/>个敌方雷达的效能指标值,效能指标值通过各指标的隶属度函数求得;/>为大于1且小于m的正整数,b为大于1且小于n的正整数。
进一步地,所述效能指标值的归一化的形式表示为:
其中,表示最大的效能指标值,/>表示在第i个因素,第/>个干扰机对b个敌方雷达归一化后的效能指标,/>的值越高,代表干扰机在该因素的能力越强。
进一步地,若总体效能中的一个效能指标值为0,则说明干扰机无法对敌方雷达实现有效干扰,则第个干扰机对b个敌方雷达效能作战效能/>表示为:
。
进一步地,干扰机协同作战任务分配作为NP-Hard问题,即满足约束条件下,将任务合理分配给各干扰机;任务分配的目的是使得作战效能最大化,即:
其中,代表第/>个干扰机对第b个敌方雷达的作战效能,/>代表决策,即第/>个干扰机对第b个敌方雷达辐射源是否执行任务;/>为1时代表执行任务,/>为0时代表不执行任务。
进一步地,所述设计混合仿生算法包括:
步骤101:确定混合仿生算法的初始化参数;初始化参数包括种群数量和迭代次数;随机生成初始粒子;
步骤102:根据效能指标体系建立干扰资源任务分配数学模型,计算目标函数值;根据目标函数值,更新种群的粒子,即得到并记录种群的个体极值粒子和群体极值粒子;种群中每个粒子根据交叉概率、变异概率,进行交叉、变异操作;若得到的新个体目标函数值优于旧个体,则用新个体替换旧个体进行之后的操作,同时将信息素进行更新;更新种群的粒子;
步骤103:判断混合仿生算法是否结束;如果未结束,即迭代次数未达到最大次数,则重复步骤102至步骤103;如果迭代次数达到最大次数,则混合仿生算法结束;
步骤104:得到种群的最优粒子,即最优任务分配方案。
进一步地,还包括:仿真试验和分析;在确定混合仿生算法的参数后,对干扰机任务分配场景进行仿真计算,并与传统算法的计算结果和计算时间进行对比,其中,混合仿生算法的参数包括种群规模、迭代次数、交叉概率、变异概率、惯性因子最大值、惯性因子最小值和选择概率。
由于采用了上述技术方案,本发明具有如下的优点:
1.在时效性方面,与传统的遗传算法、粒子群算法相比,本发明提出的算法可以在较短时间内得到符合目标的最优任务分配方案;
2.可有效解决传统仿生算法易陷入局部最优等问题,能在满足资源分配约束条件的基础上,计算得到全局最优资源分配方案;
3.在鲁棒性方面,本算法由于综合了多个算法的优势,可问题求解约束条件下的资源分配方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于混合仿生优化算法的资源分配方法的流程示意图;
图2为本发明实施例的一种混合仿生算法流程示意图;
图3为本发明实施例的一种基于混合仿生优化算法资源分配效能迭代曲线示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
参见图1,本发明提供了一种基于混合仿生算法的干扰资源分配方法的实施例,其包括:
定义干扰资源分配数学建模:根据电子对抗作战效能评估的指标体系特点,以层次分析法作为基础,通过定性与定量相结合的方式处理各种决策因素,将影响干扰分配的因素分解为各子因素,并通过支配关系将各子因素分组为层次结构,通过比较确定每个因素在层次中的重要性;
通过考虑干扰资源对雷达干扰效能指标的影响,建立干扰对象分配的资源调度数学模型;
构建干扰机任务分配模型;
设计混合仿生算法:基于干扰资源任务分配数学模型,以粒子群算法为基础,引入遗传算法中的交叉及变异操作,完成混合仿生优化算法的开发,通过粒子与粒子极值两两交叉、粒子自身变异和拟制之间相互学习沟通的方式使粒子能探索到新的搜索空间,得到最优任务分配方案,如图2所示。
本实施例中,资源调度数学模型需要考虑的因素包括频段匹配程度、方位匹配程度、引导时间、干扰样式匹配程度、干扰距离和有效干扰扇面;
频段匹配程度是干扰机发射干扰信号的频率范围与敌方雷达信号频率重合程度;方位匹配程度是干扰机的天线指向与敌方雷达真实方向对准的程度;引导时间是干扰设备从侦察到敌方雷达信号开始,到引导发射出有效干扰信号之间的时间;干扰样式匹配程度指标主要考虑干扰机具备的干扰样式是否能匹配目标雷达的信号样式,干扰机在完成敌方雷达时,采取的手段包括噪声调频干扰、灵巧噪声卷积和间歇采用重复转发;当干扰信号功率与雷达回波信号功率之比等于干扰压制系数时,雷达有信号质量探测跟踪目标,此时雷达到目标的距离为干扰距离;有效干扰扇面是雷达受到压制性干扰时,其荧光屏上出现干扰信号的角度范围,在该角度范围内雷达无法发现和跟踪目标。
本实施例中,频段匹配程度表示为:
其中,为频段匹配程度,干扰机的频率范围为/>,敌方雷达的频率范围为/>,频段匹配程度越高,说明干扰信号与敌方雷达信号频段匹配程度越高;
方位匹配程度表示为:
其中,为方位匹配程度,/>为偏移敌方雷达天线主瓣的角度;/>为敌方雷达天线在/>方向的增益,/>为敌方雷达天线在主瓣方向的增益,方位匹配程度指标越高,说明干扰机天线指向与敌方雷达真实方向对准程度越高;
引导时间表示为:
其中,为引导时间,/>为干扰机引导所需时间;
将可对雷达实施成功干扰的所有干扰样式记为集合U;如果干扰机在干扰该雷达时,选择的干扰样式属于集合U,则干扰样式匹配程度取值为1,否则,干扰样式匹配程度取值为0;
干扰距离表示为:
其中,为干扰距离,/>为雷达距我方干扰机的距离;当/>时,我方干扰机无法形成有效干扰;当/>时,我方干扰机能有效干扰;/>和/>分别为干扰信号和雷达回波信号;/>和/>分别为干扰发射功率和雷达发射功率;/>和/>分别为干扰天线增益和雷达天线增益;/>和/>是干扰信号对雷达天线极化系数和目标雷达截面;/>为雷达天线在干扰方向上的增益;/>和/>分别为干扰机到雷达的距离和雷达到目标的距离;/>称为干扰机的最小有效干扰距离;
有效干扰扇面表示为:
其中,为雷达馈线损耗系数;/>为干扰信号对天线的极化系数;/>为与天线特性有关的常数;/>为有效干扰扇面的角度,/>为压制系数,/>为有效干扰扇面,/>为雷达天线波瓣宽度。
本实施例中,构建干扰机任务分配模型包括:
确定最终目标,并分析影响目标的因素,将其作为效能指标,将系统划分为从上至下支配关系的不同层次;
确定最终目标,并分析影响目标的因素,将其作为效能指标,将系统划分为从上至下存在支配关系的不同层次;
通过比较最低层次的指标,通过一致性排序法确定层次结构中每个因素的权重和最低层次的指标的综合权重,并完成评价打分;/>表示第i个因素对应的权重,/>表示第z个因素对应的权重;层次结构中的因素包括频段匹配程度、方位匹配程度、引导时间、干扰样式匹配程度、干扰距离和有效干扰扇面;
计算干扰效果的总体效能,并对总体效能中的每个效能指标值进行归一化,,z为大于1的正整数,表示权重的总数;基于归一化后的总体效能,确定作战效能。
本实施例中,计算干扰效果的总体效能,包括:
若存在个干扰机,/>个敌方雷达,则在第i个因素的总体效能/>表示为:
其中,表示针对第i个因素,第/>个干扰机对b个敌方雷达的效能指标值,/>表示针对第i个因素,第/>个干扰机对/>个敌方雷达的效能指标值,效能指标值通过各指标的隶属度函数求得;/>为大于1且小于m的正整数,b为大于1且小于n的正整数。
本实施例中,效能指标值的归一化的形式表示为:
其中,表示最大的效能指标值,/>表示在第i个因素,第/>个干扰机对b个敌方雷达归一化后的效能指标,/>的值越高,代表干扰机在该因素的能力越强。
本实施例中,确定作战效能包括:
若总体效能中的一个效能指标值为0,则说明干扰机无法对敌方雷达发挥作战效果;作战效能表示为:
若总体效能中的一个效能指标值为0,则说明干扰机无法对敌方雷达实现有效干扰,则第个干扰机对b个敌方雷达效能作战效能/>表示为:
。
本实施例中,干扰机协同作战任务分配作为NP-Hard问题,即满足约束条件下,将任务合理分配给各干扰机;任务分配的目的是使得作战效能最大化,即:
其中,代表第/>个干扰机对第b个敌方雷达的作战效能,/>代表决策,即第/>个干扰机对第b个敌方雷达辐射源是否执行任务;/>为1时代表执行任务,/>为0时代表不执行任务。
本实施例中,设计混合仿生算法包括:
步骤101:确定混合仿生算法的初始化参数;初始化参数包括种群数量和迭代次数;随机生成初始粒子;
步骤102:根据效能指标体系建立干扰资源任务分配数学模型,计算目标函数值;根据目标函数值,更新种群的粒子,即得到并记录种群的个体极值粒子和群体极值粒子;种群中每个粒子根据交叉概率、变异概率,进行交叉、变异操作;若得到的新个体目标函数值优于旧个体,则用新个体替换旧个体进行之后的操作,同时将信息素进行更新;更新种群的粒子;
步骤103:判断混合仿生算法是否结束;如果未结束,即迭代次数未达到最大次数,则重复步骤102至步骤103;如果迭代次数达到最大次数,则混合仿生算法结束;
步骤104:得到种群的最优粒子,即最优任务分配方案。
本实施例中,还包括:仿真试验和分析;在确定混合仿生算法的参数后,对干扰机任务分配场景进行仿真计算,并与传统算法的计算结果和计算时间进行对比;其中,混合仿生算法的参数包括种群规模、迭代次数、交叉概率、变异概率、惯性因子最大值、惯性因子最小值和选择概率。
图3是本发明实施提供的一种基于混合仿生优化算法资源分配效能迭代曲线图。在确定干扰任务分配算法的参数的基础上,本发明对电子对抗干扰资源任务分配场景进行仿真计算,整体计算效能值随着迭代次数的变化。随着迭代次数的增多,干扰机整体效能将会收敛到一个稳定的值,即获得最优任务分配方案。
对应的编码粒子为[4,3,5,1,2,6,10,8,7,9],任务分配方案具体如表1所示,该任务分配方案具体为第1号干扰机(J=1)负责4号(T4)和10号(T10)雷达,第2号干扰机(J=2)负责3号(T3)和8号(T8)雷达,第3号干扰机(J=3)负责6号(T6)和7号(T7)雷达,第4个干扰机(J=4)负责1号(T1)和5号(T5)雷达,第5个干扰机(J=5)负责2号(T2)和9号(T9)雷达,且该分配方案的最大干扰效能值为6.22。
表1 干扰机最优任务分配方案
同时将混合仿生优化算法与遗传算法和粒子群算法进行比较,主要比较求解干扰机任务分配的准确性以及算法消耗时间上。各种算法的参数设置如表2所示。
表2 各算法参数设置
通过各种算法对侦察节点任务分配问题进行1000次独立仿真计算,可得如表3所示的结果。
表3 各算法求解结果
从表3中可以看出,混合仿生优化算法在求解干扰机任务分配的准确度超过遗传算法和粒子群算法,且算法求解消耗时间在可接受的范围内。该结果可以表明,混合仿生优化算法在求解干扰机任务分配问题上具有良好的鲁棒性、有效性和准确性。可以在较短时间内得到符合作战目标的最优任务分配方案,并且各干扰机根据最优任务分配方案执行任务可以得到最大的干扰效能值。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于混合仿生算法的干扰资源分配方法,其特征在于,包括:
定义干扰资源分配数学建模:根据电子对抗作战效能评估的指标体系特点,以层次分析法作为基础,通过定性与定量相结合的方式处理各种决策因素,将影响干扰分配的因素分解为各子因素,并通过支配关系将各子因素分组为层次结构,通过比较确定每个因素在层次中的重要性;
通过考虑干扰资源对雷达干扰效能指标的影响,建立干扰对象分配的资源调度数学模型;
构建干扰机任务分配模型;
设计混合仿生算法:基于干扰资源任务分配数学模型,以粒子群算法为基础,引入遗传算法中的交叉及变异操作,完成混合仿生优化算法的开发,通过粒子与粒子极值两两交叉、粒子自身变异和拟制之间相互学习沟通的方式使粒子能探索到新的搜索空间,得到最优任务分配方案。
2.根据权利要求1所述的方法,其特征在于,所述资源调度数学模型需要考虑的因素包括频段匹配程度、方位匹配程度、引导时间、干扰样式匹配程度、干扰距离和有效干扰扇面;
频段匹配程度是干扰机发射干扰信号的频率范围与敌方雷达信号频率重合程度;方位匹配程度是干扰机的天线指向与敌方雷达真实方向对准的程度;引导时间是干扰设备从侦察到敌方雷达信号开始,到引导发射出有效干扰信号之间的时间;干扰样式匹配程度指标主要考虑干扰机具备的干扰样式是否能匹配目标雷达的信号样式,干扰机在完成敌方雷达时,采取的手段包括噪声调频干扰、灵巧噪声卷积和间歇采用重复转发;当干扰信号功率与雷达回波信号功率之比等于干扰压制系数时,雷达有信号质量探测跟踪目标,此时雷达到目标的距离为干扰距离;有效干扰扇面是雷达受到压制性干扰时,其荧光屏上出现干扰信号的角度范围,在该角度范围内雷达无法发现和跟踪目标。
3.根据权利要求2所述的方法,其特征在于,频段匹配程度表示为:
其中,为频段匹配程度,干扰机的频率范围为/>,敌方雷达的频率范围为,频段匹配程度越高,说明干扰信号与敌方雷达信号频段匹配程度越高;
方位匹配程度表示为:
其中,为方位匹配程度,/>为偏移敌方雷达天线主瓣的角度;/>为敌方雷达天线在/>方向的增益,/>为敌方雷达天线在主瓣方向的增益,方位匹配程度指标越高,说明干扰机天线指向与敌方雷达真实方向对准程度越高;
引导时间表示为:
其中,为引导时间,/>为干扰机引导所需时间;
将可对雷达实施成功干扰的所有干扰样式记为集合U;如果干扰机在干扰该雷达时,选择的干扰样式属于集合U,则干扰样式匹配程度取值为1,否则,干扰样式匹配程度/>取值为0;
干扰距离表示为:
其中,为干扰距离,/>为雷达距我方干扰机的距离;当/>时,我方干扰机无法形成有效干扰;当/>时,我方干扰机能有效干扰;/>和/>分别为干扰信号和雷达回波信号;/>和/>分别为干扰发射功率和雷达发射功率;/>和/>分别为干扰天线增益和雷达天线增益;/>和/>是干扰信号对雷达天线极化系数和目标雷达截面;/>为雷达天线在干扰方向上的增益;/>和/>分别为干扰机到雷达的距离和雷达到目标的距离;/>称为干扰机的最小有效干扰距离;
有效干扰扇面表示为:
其中,为雷达馈线损耗系数;/>为干扰信号对天线的极化系数;/>为与天线特性有关的常数;/>为有效干扰扇面的角度,/>为压制系数,/>为有效干扰扇面,/>为雷达天线波瓣宽度。
4.根据权利要求1所述的方法,其特征在于,所述构建干扰机任务分配模型包括:
确定最终目标,并分析影响目标的因素,将其作为效能指标,将系统划分为从上至下存在支配关系的不同层次;
通过比较最低层次的指标,通过一致性排序法确定层次结构中每个因素的权重和最低层次的指标的综合权重,并完成评价打分;/>表示第i个因素对应的权重,/>表示第z个因素对应的权重;层次结构中的因素包括频段匹配程度、方位匹配程度、引导时间、干扰样式匹配程度、干扰距离和有效干扰扇面;
计算干扰效果的总体效能,并对总体效能中的每个效能指标值进行归一化,,z为大于1的正整数,表示权重的总数;基于归一化后的总体效能,确定作战效能。
5.根据权利要求4所述的方法,其特征在于,所述计算干扰效果的总体效能,包括:
若存在个干扰机,/>个敌方雷达,则在第i个因素的总体效能/>表示为:
其中,表示针对第i个因素,第/>个干扰机对b个敌方雷达的效能指标值,/>表示针对第i个因素,第/>个干扰机对/>个敌方雷达的效能指标值,效能指标值通过各指标的隶属度函数求得;/>为大于1且小于m的正整数,b为大于1且小于n的正整数。
6.根据权利要求5所述的方法,其特征在于,所述效能指标值的归一化的形式表示为:
其中,表示最大的效能指标值,/>表示在第i个因素,第/>个干扰机对b个敌方雷达归一化后的效能指标,/>的值越高,代表干扰机在该因素的能力越强。
7.根据权利要求6所述的方法,其特征在于,若总体效能中的一个效能指标值为0,则说明干扰机无法对敌方雷达实现有效干扰,则第个干扰机对b个敌方雷达效能作战效能/>表示为:
。
8.根据权利要求7所述的方法,其特征在于,干扰机协同作战任务分配作为NP-Hard问题,即满足约束条件下,将任务合理分配给各干扰机;任务分配的目的是使得作战效能最大化,即:
其中,代表第/>个干扰机对第b个敌方雷达的作战效能,/>代表决策,即第/>个干扰机对第b个敌方雷达辐射源是否执行任务;/>为1时代表执行任务,/>为0时代表不执行任务。
9.根据权利要求1所述的方法,其特征在于,所述设计混合仿生算法包括:
步骤101:确定混合仿生算法的初始化参数;初始化参数包括种群数量和迭代次数;随机生成初始粒子;
步骤102:根据效能指标体系建立干扰资源任务分配数学模型,计算目标函数值;根据目标函数值,更新种群的粒子,即得到并记录种群的个体极值粒子和群体极值粒子;种群中每个粒子根据交叉概率、变异概率,进行交叉、变异操作;若得到的新个体目标函数值优于旧个体,则用新个体替换旧个体进行之后的操作,同时将信息素进行更新;更新种群的粒子;
步骤103:判断混合仿生算法是否结束;如果未结束,即迭代次数未达到最大次数,则重复步骤102至步骤103;如果迭代次数达到最大次数,则混合仿生算法结束;
步骤104:得到种群的最优粒子,即最优任务分配方案。
10.根据权利要求1所述的方法,其特征在于,还包括:仿真试验和分析;在确定混合仿生算法的参数后,对干扰机任务分配场景进行仿真计算,并与传统算法的计算结果和计算时间进行对比,其中,混合仿生算法的参数包括种群规模、迭代次数、交叉概率、变异概率、惯性因子最大值、惯性因子最小值和选择概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410276975.0A CN117875575B (zh) | 2024-03-12 | 一种基于混合仿生算法的干扰资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410276975.0A CN117875575B (zh) | 2024-03-12 | 一种基于混合仿生算法的干扰资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117875575A true CN117875575A (zh) | 2024-04-12 |
CN117875575B CN117875575B (zh) | 2024-05-28 |
Family
ID=
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU9815198A (en) * | 1994-07-22 | 1999-03-04 | Broadcom Corporation | Hierarchical communication system providing intelligent data, program and processing migration |
US20120282269A1 (en) * | 2010-11-04 | 2012-11-08 | Boehringer Ingelheim International Gmbh | Anti-IL-23 Antibodies |
CN103729680A (zh) * | 2013-12-24 | 2014-04-16 | 西安电子科技大学 | 基于多智能体进化算法的rfid网络布局方法 |
CN104503425A (zh) * | 2014-11-24 | 2015-04-08 | 中国电子科技集团公司第二十九研究所 | 基于半实物仿真的雷达对抗装备效能评估方法 |
KR20150111427A (ko) * | 2014-03-21 | 2015-10-06 | 인하대학교 산학협력단 | 소형 셀에서의 자원 할당 방법 및 시스템 |
CN110225578A (zh) * | 2019-05-30 | 2019-09-10 | 华南师范大学 | 一种基于图着色的d2d资源分配的方法 |
CN110839227A (zh) * | 2019-11-25 | 2020-02-25 | 重庆邮电大学 | 蜂窝系统密集分布用户组的d2d资源分配方法及装置 |
CN112422227A (zh) * | 2020-11-25 | 2021-02-26 | 湘潭大学 | 卫星可信导航干扰资源调度方法和装置 |
CN114641006A (zh) * | 2022-03-23 | 2022-06-17 | 山东建筑大学 | 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 |
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 |
CN116483559A (zh) * | 2023-03-30 | 2023-07-25 | 北京理工大学 | 一种基于多智能体强化学习的多机协同干扰资源分配方法 |
CN117391364A (zh) * | 2023-10-24 | 2024-01-12 | 南京理工大学 | 一种多站协同电子干扰资源分配方法 |
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU9815198A (en) * | 1994-07-22 | 1999-03-04 | Broadcom Corporation | Hierarchical communication system providing intelligent data, program and processing migration |
US20120282269A1 (en) * | 2010-11-04 | 2012-11-08 | Boehringer Ingelheim International Gmbh | Anti-IL-23 Antibodies |
CN103729680A (zh) * | 2013-12-24 | 2014-04-16 | 西安电子科技大学 | 基于多智能体进化算法的rfid网络布局方法 |
KR20150111427A (ko) * | 2014-03-21 | 2015-10-06 | 인하대학교 산학협력단 | 소형 셀에서의 자원 할당 방법 및 시스템 |
CN104503425A (zh) * | 2014-11-24 | 2015-04-08 | 中国电子科技集团公司第二十九研究所 | 基于半实物仿真的雷达对抗装备效能评估方法 |
CN110225578A (zh) * | 2019-05-30 | 2019-09-10 | 华南师范大学 | 一种基于图着色的d2d资源分配的方法 |
CN110839227A (zh) * | 2019-11-25 | 2020-02-25 | 重庆邮电大学 | 蜂窝系统密集分布用户组的d2d资源分配方法及装置 |
CN112422227A (zh) * | 2020-11-25 | 2021-02-26 | 湘潭大学 | 卫星可信导航干扰资源调度方法和装置 |
CN114641006A (zh) * | 2022-03-23 | 2022-06-17 | 山东建筑大学 | 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 |
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 |
CN116483559A (zh) * | 2023-03-30 | 2023-07-25 | 北京理工大学 | 一种基于多智能体强化学习的多机协同干扰资源分配方法 |
CN117391364A (zh) * | 2023-10-24 | 2024-01-12 | 南京理工大学 | 一种多站协同电子干扰资源分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444832B (zh) | 基于多干扰效能值的群智能干扰决策方法 | |
CN113873022A (zh) | 一种可划分任务的移动边缘网络智能资源分配方法 | |
CN112329348A (zh) | 一种面向非完全信息条件下军事对抗博弈的智能决策方法 | |
CN108805430A (zh) | 一种防空反导体系作战能力评估方法与装置 | |
CN111222776B (zh) | 基于卷积神经网络的卫星网络协调态势评估方法及系统 | |
CN110069815A (zh) | 指标体系构建方法、系统及终端设备 | |
CN109960863B (zh) | 一种基于网络拓扑路径的复杂仿真系统可信度评估方法 | |
CN112422227B (zh) | 卫星可信导航干扰资源调度方法和装置 | |
CN110768745A (zh) | 一种禁忌搜索人工蜂群算法下的干扰决策方法 | |
CN105739304B (zh) | 一种基于对立思想改进遗传算法的多ucav在线打击目标分配方法 | |
CN117875575B (zh) | 一种基于混合仿生算法的干扰资源分配方法 | |
CN117875575A (zh) | 一种基于混合仿生算法的干扰资源分配方法 | |
CN114879195A (zh) | 基于资源调度的无人机集群雷达通信一体化方法 | |
CN110515845A (zh) | 基于改进ipo策略的组合测试用例优化生成方法 | |
Pan et al. | Radar jamming strategy allocation algorithm based on improved chaos genetic algorithm | |
CN116187207B (zh) | 一种陆战装备体系仿真评估方法、装置以及存储介质 | |
CN106851689B (zh) | 无线传感器及执行器网络中多因素任务分配方法 | |
CN113747447A (zh) | 基于先验知识的双动作强化学习频谱接入方法和系统 | |
CN114527435A (zh) | 基于干扰向量和nsga-ii算法的干扰资源分配方法 | |
CN113887888A (zh) | 一种联合打击目标自适应评分及关联推荐方法和系统 | |
CN116896420A (zh) | 一种电磁空间中的智能频谱分配方法 | |
Ab. Rashid et al. | A new multiobjective tiki-taka algorithm for optimization of assembly line balancing | |
CN113376593B (zh) | 基于mpbi分解的stap雷达分布式干扰方法 | |
Zhao et al. | SE-DEA-SVM evaluation method of ECM operational disposition scheme | |
Li et al. | Feature engineering based intelligent wireless propagation model for RSRP prediction |
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 |