论文部分内容阅读
摘 要:文章针对干扰机进行多部雷达协同干扰的场景,结合传统干扰策略的分配算法在实际计算和分析中存在的问题与不足,改用遗传算法进行雷达协同干扰策略分配应用,并对其具体计算和分析进行优化和改进,通过仿真模拟,对其在实践中的应用进行验证,促进雷达协同干扰分配策略最优化目标实现。
关键词:雷达;协同干扰;策略;干扰措施
0 引言
协同干扰概念是针对组网雷达所提出的雷达对抗措施。值得注意的是,在雷达协同干扰策略中,对协同干扰编队中的干扰机如何进行有效利用,以有效降低其目标暴露概率以及合理分配干扰资源,是当前有关领域研究和关注的重点之一,对提升现代雷达的对抗效能,有着较为重要的作用和影响。为此,本文将针对雷达协同干扰场景,对其干扰策略的分配算法进行研究,促进雷达协同干扰分配策略的计算和分析更加优化,以供参考。
1 雷达协同干扰策略的算法研究
雷达协同干扰策略的制定过程,实际上是侦干设备对各方向的雷达辐射源信号进行截获和测量后,在分选识别基础上实现对雷达网中的各雷达信息获取,从而对其进行威胁评估和干扰的过程。其中,雷达协同干扰策略分配的传统计算方法中,以动态规划算法与0-1规划算法等最为典型,但上述计算方法在具体应用中缺乏相应的实时性,导致其计算分析后的协同干扰策略分配最优化目标不能满足作战需求。针对这种情况,进行雷达协同干扰策略分配算法的优化和改进,从而为雷达协同干扰策略分配计算的最优化实现提供良好支持[1-2]。
1.1 雷达协同干扰策略分配模型建立
雷达协同干扰策略分配算法中,不仅对现有的干扰资源分配较为关注,同时还要关注干扰样式的分配等问题。根据这一情况,在进行雷达协同干扰策略的分配模型构建中,可通过对整个干扰系统中的干扰资源以及所接收的威胁目标进行假设,将威胁等级与几何精度因子结合作为目标函数,考虑高威胁等级的雷达干扰因素,建立基于威胁等级的协同干扰任务分配模型,式(1)、(2):
上式中,pij为第i部干扰机信号进入第j部雷达接收机时的信噪比,ωj为雷达威胁等级。在进行各目标的威胁等级判定和求值计算后,根据判定计算结果按照从高至低的顺序对威胁等级进行排列,并在干扰分配中将干扰资源向目标威胁程度为最大的雷达倾斜,最后再将剩余的干扰资源分配给威胁等级相对较小的雷达,直至所有干扰资源全部分配完为止。
1.2 计算方法研究
根据上述所建立的雷达协同干扰策略分配模型,在进行干扰策略的分配计算中,传统的动态规划算法是根据一定规则对所有的干扰分配以穷举法进行干扰分配下的具体效果计算,从而获得雷达协同干扰策略分配的最优解[3]。
其中,遗传算法进行干扰策略分配计算是根据适应度的大小,以“优胜劣汰”为原则进行个体计算,并在遗传学的遗传算子支持下对个体进行组合、交叉与变异等操作,最终实现新的种群获取。值得注意的是,采用遗传算法进行雷达协同干扰策略分配计算中,由于遗传算法中的交叉与变异概率对算法收敛有着重要的影响,而基本遗传算法中的交叉与变异概率为定值,为此,本文在采用遗传算法进行雷达协同干扰策略分配计算中,结合每一代种群的最优适应度与平均适应度情况,采用自适应的交叉与变异概率,对其迭代计算中的最优解寻找能力进行提升,以避免其计算分析中过早陷入局部最优解,对整个计算分析结果产生影响。首先,在对遗传算法的选择操作进行改进中,由于基本的遗传算法是采用“优胜劣汰”原则进行个体选择,而所选择个体均为对应种群中求解问题的最优解,并会作为下一代种群因子在交叉与变异操作中完成迭代计算,对下一步的操作进行支持。因此,本文在对遗传算法的选择操作改进中,通过将最优个体的基因组成进行保留,不参与后续交叉与变异等操作,而是将具有较高适应度的个体进行选择以进行交叉和变异,废除了基本遗传算法中随机选择个体进行交叉、变异等操作,从而使最优个体在竞争过程中实现更优个体获取和保留,最终确保各种群中的个体均具有较高的适应度。其次,在对上述遗传算法的交叉操作改进中,由于对交叉操作中染色体的选取,是从交叉概率等因素方面进行考虑,而基本遗传算法的交叉概率为一定的情况,容易导致该算法中交叉概率过大时适应度较好的个体被交叉,对其算法收敛产生不利影响,反之则不能实现种群个体的多样性保证。针对这种情况,为实现算法收敛与初期种群个体多样性等要求的平衡,本文还采用了自适应的交叉概率进行遗传算法交叉操作改进,其具体计算公式(3)所示。该公式中的favg为种群个体平均适应度,f为种群中需要交叉的个体适应度,A表示调整系数,Pemax,Pemin分别为最大、最小交叉概率,fmax,fmin分别表示的是种群的最大、最小适应度。
此外,上述雷达协同干扰策略分配算法中,对遗传算法的变异操作改进所采用的变异概率计算公式(4)所示。该公式中的Pmmax,Pmmin分别为最大、最小变异概率。
2 仿真分析
根据上述所建立的雷达协同干扰策略分配模型及其算法研究,在对其算法验证中,以某战场区域中的雷达网组成和干扰机编队情况、雷达干扰目的等为例,在掌握其雷达网的布站以及雷达、干扰机编队位置与航迹、目标等情况下,通过获取干扰机侦察分选获得的各雷达信息,按照上述算法对其进行计算分析,结果显示通过改进后的遗传算法在雷达协同干扰策略分配中的最优解计算和寻找性能明显得到优化和提升,具有较好的应用效果。图1与图2即为采用基本遗传算法与改进后的遗传算法对上述模拟场景进行仿真研究的结果示意图。
3 结语
总之,本文结合雷达协同干扰策略分配中传统动态规划算法的不足,通过建立新的雷达协同干扰策略分配模型,采用遗传算法与粒子群算法进行干扰策略分配研究,以实现雷达协同干扰策略分配的计算方法优化,经仿真研究显示,优化后的雷达协同干扰策略分配算法,不仅具有更快的收敛速度,能够有效避免陷入局部最优解情况发生,而且能够实现每次计算分析的最优分配策略获取,效果较为显著。
[参考文献]
[1]戴少怀,杨革文,李旻,等.改进粒子群算法的组网雷达协同干扰资源分配[J].航天电子对抗,2020(4):29-34,45.
[2]譙梁,杨帅,王鑫,等.雷达干扰效果评估与协同干扰策略分配算法研究[J].航天电子对抗,2019(3):27-32.
[3]付昕莹.雷达协同干扰策略及干扰方法研究[D].成都:电子科技大学,2020.
(编辑 何 琳)
关键词:雷达;协同干扰;策略;干扰措施
0 引言
协同干扰概念是针对组网雷达所提出的雷达对抗措施。值得注意的是,在雷达协同干扰策略中,对协同干扰编队中的干扰机如何进行有效利用,以有效降低其目标暴露概率以及合理分配干扰资源,是当前有关领域研究和关注的重点之一,对提升现代雷达的对抗效能,有着较为重要的作用和影响。为此,本文将针对雷达协同干扰场景,对其干扰策略的分配算法进行研究,促进雷达协同干扰分配策略的计算和分析更加优化,以供参考。
1 雷达协同干扰策略的算法研究
雷达协同干扰策略的制定过程,实际上是侦干设备对各方向的雷达辐射源信号进行截获和测量后,在分选识别基础上实现对雷达网中的各雷达信息获取,从而对其进行威胁评估和干扰的过程。其中,雷达协同干扰策略分配的传统计算方法中,以动态规划算法与0-1规划算法等最为典型,但上述计算方法在具体应用中缺乏相应的实时性,导致其计算分析后的协同干扰策略分配最优化目标不能满足作战需求。针对这种情况,进行雷达协同干扰策略分配算法的优化和改进,从而为雷达协同干扰策略分配计算的最优化实现提供良好支持[1-2]。
1.1 雷达协同干扰策略分配模型建立
雷达协同干扰策略分配算法中,不仅对现有的干扰资源分配较为关注,同时还要关注干扰样式的分配等问题。根据这一情况,在进行雷达协同干扰策略的分配模型构建中,可通过对整个干扰系统中的干扰资源以及所接收的威胁目标进行假设,将威胁等级与几何精度因子结合作为目标函数,考虑高威胁等级的雷达干扰因素,建立基于威胁等级的协同干扰任务分配模型,式(1)、(2):
上式中,pij为第i部干扰机信号进入第j部雷达接收机时的信噪比,ωj为雷达威胁等级。在进行各目标的威胁等级判定和求值计算后,根据判定计算结果按照从高至低的顺序对威胁等级进行排列,并在干扰分配中将干扰资源向目标威胁程度为最大的雷达倾斜,最后再将剩余的干扰资源分配给威胁等级相对较小的雷达,直至所有干扰资源全部分配完为止。
1.2 计算方法研究
根据上述所建立的雷达协同干扰策略分配模型,在进行干扰策略的分配计算中,传统的动态规划算法是根据一定规则对所有的干扰分配以穷举法进行干扰分配下的具体效果计算,从而获得雷达协同干扰策略分配的最优解[3]。
其中,遗传算法进行干扰策略分配计算是根据适应度的大小,以“优胜劣汰”为原则进行个体计算,并在遗传学的遗传算子支持下对个体进行组合、交叉与变异等操作,最终实现新的种群获取。值得注意的是,采用遗传算法进行雷达协同干扰策略分配计算中,由于遗传算法中的交叉与变异概率对算法收敛有着重要的影响,而基本遗传算法中的交叉与变异概率为定值,为此,本文在采用遗传算法进行雷达协同干扰策略分配计算中,结合每一代种群的最优适应度与平均适应度情况,采用自适应的交叉与变异概率,对其迭代计算中的最优解寻找能力进行提升,以避免其计算分析中过早陷入局部最优解,对整个计算分析结果产生影响。首先,在对遗传算法的选择操作进行改进中,由于基本的遗传算法是采用“优胜劣汰”原则进行个体选择,而所选择个体均为对应种群中求解问题的最优解,并会作为下一代种群因子在交叉与变异操作中完成迭代计算,对下一步的操作进行支持。因此,本文在对遗传算法的选择操作改进中,通过将最优个体的基因组成进行保留,不参与后续交叉与变异等操作,而是将具有较高适应度的个体进行选择以进行交叉和变异,废除了基本遗传算法中随机选择个体进行交叉、变异等操作,从而使最优个体在竞争过程中实现更优个体获取和保留,最终确保各种群中的个体均具有较高的适应度。其次,在对上述遗传算法的交叉操作改进中,由于对交叉操作中染色体的选取,是从交叉概率等因素方面进行考虑,而基本遗传算法的交叉概率为一定的情况,容易导致该算法中交叉概率过大时适应度较好的个体被交叉,对其算法收敛产生不利影响,反之则不能实现种群个体的多样性保证。针对这种情况,为实现算法收敛与初期种群个体多样性等要求的平衡,本文还采用了自适应的交叉概率进行遗传算法交叉操作改进,其具体计算公式(3)所示。该公式中的favg为种群个体平均适应度,f为种群中需要交叉的个体适应度,A表示调整系数,Pemax,Pemin分别为最大、最小交叉概率,fmax,fmin分别表示的是种群的最大、最小适应度。
此外,上述雷达协同干扰策略分配算法中,对遗传算法的变异操作改进所采用的变异概率计算公式(4)所示。该公式中的Pmmax,Pmmin分别为最大、最小变异概率。
2 仿真分析
根据上述所建立的雷达协同干扰策略分配模型及其算法研究,在对其算法验证中,以某战场区域中的雷达网组成和干扰机编队情况、雷达干扰目的等为例,在掌握其雷达网的布站以及雷达、干扰机编队位置与航迹、目标等情况下,通过获取干扰机侦察分选获得的各雷达信息,按照上述算法对其进行计算分析,结果显示通过改进后的遗传算法在雷达协同干扰策略分配中的最优解计算和寻找性能明显得到优化和提升,具有较好的应用效果。图1与图2即为采用基本遗传算法与改进后的遗传算法对上述模拟场景进行仿真研究的结果示意图。
3 结语
总之,本文结合雷达协同干扰策略分配中传统动态规划算法的不足,通过建立新的雷达协同干扰策略分配模型,采用遗传算法与粒子群算法进行干扰策略分配研究,以实现雷达协同干扰策略分配的计算方法优化,经仿真研究显示,优化后的雷达协同干扰策略分配算法,不仅具有更快的收敛速度,能够有效避免陷入局部最优解情况发生,而且能够实现每次计算分析的最优分配策略获取,效果较为显著。
[参考文献]
[1]戴少怀,杨革文,李旻,等.改进粒子群算法的组网雷达协同干扰资源分配[J].航天电子对抗,2020(4):29-34,45.
[2]譙梁,杨帅,王鑫,等.雷达干扰效果评估与协同干扰策略分配算法研究[J].航天电子对抗,2019(3):27-32.
[3]付昕莹.雷达协同干扰策略及干扰方法研究[D].成都:电子科技大学,2020.
(编辑 何 琳)