基于改进遗传算法的干扰资源分配方法研究.pdf

第 卷 第 期(总第 期)年 月火控雷达技术 ()收稿日期:作者简介:郝万兵()男工程师 研究方向为电子对抗系统设计与信号处理技术基于改进遗传算法的干扰资源分配方法研究郝万兵 张 军 张 昕(西安电子工程研究所 西安)摘 要:针对分布式对抗系统对敌方分布式雷达的干扰效率问题设计一种基于二进制编码的改进遗传算法用于提高系统自主干扰资源分配效率 首先通过前期侦察获取雷达的性能参数得到每部干扰机对每部雷达的干扰效能参数生成干扰效能矩阵以干扰总效能最大化为原则构建目标效能函数然后根据干扰机与雷达的数量差异建立干扰资源分配模型确定约束条件最后利用改进遗传算法通过选择、交叉、变异、淘汰、继承等算子操作对模型的最优值进行求解并给出具体算法流程 仿真结果表明改进算法需要更少的迭代次数能够得到最优解能够较好地解决文中构设场景下的分布式协同干扰资源优化分配问题关键词:分布式对抗干扰资源分配遗传算法干扰效能中图分类号:文献标志码:文章编号:()引用格式:郝万兵张军张昕 基于改进遗传算法的干扰资源分配方法研究 火控雷达技术():/():.:引言现代信息化战争中电磁空间的争夺愈演愈烈 作为战场上重要的电磁要素敌我双方雷达与干扰装备的对抗呈现日益激烈的态势 实际作战中雷达多采用分布式多节点布站形式对战场区域内威胁目标进行联合探测以获取更准第 期郝万兵等:基于改进遗传算法的干扰资源分配方法研究确、有效、及时的目标信息干扰方需要采用多部干扰 机 同 时 干 扰 方 式 应 对 分 布 式 雷 达 探 测威胁干扰方在干扰分布式雷达探测系统过程中需要根据各干扰机对不同雷达的差异化效能将可利用的干扰资源进行合理分配使干扰对抗系统发挥最大优势对雷达网形成最大破坏力 战前需要对敌方威胁雷达网的辐射源数量、位置、信号特征、功率等参数进行侦察根据我方遂行作战任务制定电磁攻击、防御方案基于电磁作战计划确定各威胁辐射源威胁等级参考历史对抗数据、专家系统、智能对抗推理系统等确定干扰效能矩阵传统干扰资源分配多采用经典组合优化方法当对抗系统资源规模较小时可采用 规划、贴近度、模糊多属性动态规划等最优质求解方法确定最优资源分配组合 当对抗系统规模超过一定范围时组合优化方法的弊端凸显除消耗较大的运算开销外还会增加无法求解的可能性此时可以考虑启发式优化方法求解 遗传算法()最早是由美国的 于 世纪 年代提出该算法是根据大自然中生物体进化规律而设计提出的 该算法作为一种经典的启发式优化方法在较多求解优化问题场景中得到应用在干扰资源分配问题的求解中有学者采用遗传算法及其改进算法对模型求解进行了研究 在改进算法中从编码方式、算子选择、遗传迭代、小生境问题等方面做了大量尝试 本文基于传统遗传算法采用二进制编码形式与排序选择算子在父代遗传环节可以将优秀的基因直接遗传通过 仿真验证了改进算法的高效性 干扰资源分配模型假设战场中我方干扰机为 干扰机数量为 则我方干扰机的集合为 ()假设战场中敌方雷达为 雷达数量为 则敌方雷达的集合为 ()根据敌方雷达威胁等级进行干扰资源分配时分配矩阵为干扰对象分配策略矩阵分配方法如图 所示图 策略矩阵方法示意图 定义策略矩阵元素()策略变量()表示第 部干扰机对第 部雷达的电磁攻击行为参数值当 时代表第 部干扰机对第 部雷达实施电磁干扰否则不干扰当策略矩阵选择最优值时干扰系统总干扰效能达到峰值因此干扰总效能的求解为 ()()其中:为不同的评估指标权重系数 为评估指标个数为第 个评估指标下第 部干扰机对第部雷达的干扰效能分别为干扰机与雷达的数量为不同场景下的干扰效能指标实际作战中一个任务规划时隙内单部干扰机只能对战场中其中一部威胁雷达进行电磁攻击任意一部雷达可被多部干扰机同时电磁攻击根据我方干扰机与敌方雷达规模情况的不同按照下述三种情况分析)干扰机数量与雷达数量相同:此时 干扰机数量与雷达数量相同任意一部雷达在一个任务规划时隙内只受其中一部干扰机电磁攻击则在求解干扰总效能时定义下述约束条件如式()所示 ()()干扰机数量大于雷达数量:此时 干扰机数量大于雷达数量任意一部雷达在一个任务规划时隙内可以受到超过一部干扰机电磁攻击则在求解干扰总效能时定义下述约束条件如式()所示火 控 雷 达 技 术第 卷 ()干扰机数量小于雷达数量:此时 干扰机数量小于雷达数量在一个任务规划时隙内部分雷达无法被电磁攻击则在求解干扰总效能时定义下述约束条件如式()所示 ()基于改进遗传算法的模型最优值求解遗传算法是最常用的智能算法之一基本思想是:在问题求解过程中把搜索空间视为遗传空间把问题的每一个可能解看作一个染色体所有染色体组成一个种群首先随机选择部分染色体组成初始种群依据某种评价标准(适应度函数)对种群中每一个染色体进行评价淘汰适应度值小的保留适应度值大的并借助于自然遗传学的遗传算子产生出代表新的解集的种群遗传算法具有适用性广、搜索方向性强、自组织、自适应、自变迁等优点但效率相比传统算法低、容易过早收敛、定量分析性不足等问题的存在也带来了一定的局限性传统遗传算法主要包括算子选择、染色体片段交叉、基因变异三个基本的操作根据干扰资源分配实际问题的特点将传统遗传算法进行改进采用二进制编码形式与排序选择算子在父代遗传环节可以将优秀的基因直接遗传具体步骤如下:)选择编码策略:编码是表现映射到基因型的过程常用的编码方式包括二进制编码、实数编码、整数编码等二进制编码形式简单但在分配规模过大时存在编码过长的问题实数编码在离散型变量场景中需要离散化处理计算量激增的同时引入计算误差在论文设定场景中干扰机对雷达的状态包括干扰与不干扰两种因此选择二进制编码形式基因数为 为基因项染色体为二维矩阵用来表示为染色体种群序号则:()初始种群的生成:在式()、式()、式()约束条件下采用随机数填充矩阵生成个初始染色体为种群规模数量以此作为迭代起点)适应度函数构建:遗传算法中采用适应度函数来表征进化中个体的优劣是遗传进化过程中优胜劣汰的准则根据式()中对干扰效能的定义生成目标函数来评估个体的适应程度()()选择算子:遗传算法中搜索的方向性与随机性互为矛盾增加随机性可以更大的概率找到最优解但降低了算法的收敛速度反之容易陷入局部最优循环本文采用排序选择的操作方法按照式()计算适应度函数值按照降序排序产生一组维概率向量为概率向量列向量个数将向量中的元素同步做降序排列按照适应度值的次序将概率向量中相应的元素分配给单个染色体总之适应度高的个体更有可能进入下一代迭代即:()()()交叉算子:为了提高算法的全局寻优能力采用基于位置的多点交叉方式进行算子交叉交叉个体随机、交叉基因段随机首先以一定的概率随机选择两个父代染色体然后在选中的父代染色体中相同位置设置多个交叉点通过个体交叉、基因片段交叉产生新生代染色体)变异算子:为了增加种群的多样性与局部搜索能力选择动态自适应概率 对算子进行变异操作 ()小生境淘汰:当遗传至某一个峰值时容易陷入局部最优问第 期郝万兵等:基于改进遗传算法的干扰资源分配方法研究题导致邻近个体进化停止 采用小生境淘汰模式避免该情况设定合理门限当变异后的个体间的欧式距离小于该门限且适应度函数较低时对该变异进行惩罚淘汰变异后的劣势个体)精英代直接保留:将父代精英个体中适应度较高的个体进行直接进化保留优秀的个体)终止迭代:经过多次迭代后种群不再进化或达到迭代次数的上限终止迭代算法流程如图 所示 仿真实验)实验一假定我方 部干扰机()对敌方 部雷达()实施干扰 采用随机生成法预设每部干扰机对每部雷达的干扰效能指标如表 所示利用改进遗传算法进行最优分配方案求解图 算法流程图表 雷达干扰效能矩阵 经过 次迭代获取最优解最佳染色体为 即第 部干扰机干扰第 部雷达第 部干扰机干扰第 部雷达第 部干扰机干扰第 部雷达第 部干扰机干扰第 部雷达第 部干扰机干扰第 部雷达第 部干扰机干扰第 部雷达第 部干扰机干扰第 部雷达第 部干扰机干扰第 部干扰机最大干扰效能为 仿真计算结果如图 所示改进方法中总干扰效能与迭代次数的关系如图 所示迭代次数为 次时生成最优解火 控 雷 达 技 术第 卷图 改进遗传算法总干扰效能与迭代次数的关系图 最优分配方案仿真结果如图 所示图 最优分配方案仿真结果示意图)实验二设定条件与实验一中相同采用 部干扰机对 对雷达干扰干扰效能矩阵如表 所示使用传统遗传算法进行仿真迭代同样可以得到最优分配方案分配结果与实验一一致但迭代次数较多迭代 次后得到最优解 总干扰效能与迭代次数的关系如图 所示迭代次数为 次时生成最优解图 传统遗传算法总干扰效能与迭代次数的关系图 结束语本文采用了改进型遗传算法对分布式干扰中资源分配问题进行求解采用二进制编码形式、排序选择算子、自适应动态调整变异、小生境淘汰、精英遗传等方法得到较优的分配方案和较少的迭代次数通过 仿真实验对传统方法与改进方法的分配结果与迭代次数进行了对比改进方案迭代速度更优实际使用过程中干扰效能矩阵中元素值较接近时会增加迭代次数在后续研究中需要进一步改进参考文献:赵国庆.雷达对抗原理.西安:西安电子科技大学.电子战原理与应用.北京:电子工业出版社.张养瑞李云杰高梅国.协同干扰资源优化分配模型及算法.系统工程与电子技术():.雷磊周青松张剑云等.基于小生境遗传算法的干扰资源调度研究.现代防御技术():.张伟平殿发张韫.云模型在雷达干扰资源多目标优化配置中的应用.指挥控制与仿真():.():.柳向李东生胡瑞.改进遗传算法在协同干扰资源问题中的应用.探测与控制学报():.宗思光刘涛梁善永.基于改进遗传算法的干扰资源分配问题研究.电光与控制():.郑树泉.工业智能技术与应用.上海:上海科学技术出版社.