一种禁忌搜索人工蜂群算法下的干扰决策方法与流程

本发明属于电子对抗中协同干扰资源的决策分配领域，具体涉及一种禁忌搜索人工蜂群算法下的干扰决策方法。

背景技术：

美国海军认为，未来战争将远离基地，对信息技术的依赖程度将等同于对炸弹或导弹的依赖程度。这些构想表明，电子对抗在现代战争中扮演的角色越来越重要，甚至正逐渐成为战争的主要形式。而在电子对抗中，协同干扰资源的决策分配是作战指挥的核心环节，干扰决策行为起着至关重要的作用，直接影响到作战效能与收益。

对干扰资源采用恰当的决策方案使我方干扰资源对敌方雷达的干扰收益值达到最佳，是进行协同干扰决策的核心目标。协同干扰决策问题是非线性整数组合优化问题，可能得到的决策方案与干扰资源的数量呈指数型，传统枚举法越来越显现出其局限性。随着智能算法的兴起与发展，国内外出现了很多利用智能算法进行干扰决策问题的研究，主要集中在蚁群算法、遗传算法等算法的使用和改进上，但往往存在算法参数复杂，收敛速度与寻优概率仍有待提升的问题。此外，目前对干扰收益值的衡量主要集中在功率、频率、干扰空间和干扰样式等方面，都是从我方角度出发以求得最大化干扰效益。

技术实现要素：

本发明针对干扰收益值衡量标准的缺陷提出将干扰效益与干扰代价的加权和作为干扰收益值，针对蚁群算法与遗传算法收敛速度与寻优概率不高的问题，提出了一种禁忌搜索人工蜂群算法下的干扰决策方法。该方法将禁忌搜索算法与人工蜂群算法相结合，并提出了禁忌搜索过程中产生新解的新规则，可以加快干扰决策过程中的算法迭代次数，并提高寻优概率，具有一定的应用价值。

本发明的目的在于提出一种能够在干扰决策过程中减少迭代次数并提高寻优概率的干扰决策新方法，并完善了干扰收益值的衡量标准，实现此种标准下的干扰决策。

本发明的目的是这样实现的：

(1.1)通过认知侦察获取敌方雷达的工作频率、接收信号功率、干扰样式等相关信息参数，计算干扰效益对应的各指标的归一化函数值，求加权值得一对一干扰效益

(1.2)计算一对一干扰代价值干扰效益与干扰代价值的加权求和，得到一对一干扰收益矩阵；

(1.3)利用禁忌搜索人工蜂群算法进行干扰决策得到符合目标要求的最优解。所有蜜蜂产生蜜源之后分为“采蜜蜂”与“观察蜂”，观察蜂按概率选择采蜜蜂进行搜索，利用贪婪准则选出较优解。搜索达到一定次数且未改进后将其加入禁忌表并产生禁忌表范围之外的新解，迭代达到预设次数，输出最优决策方案。

本发明的核心技术内容在于在产生新解时，由于禁忌表中元素数量有限，为了进一步扩大初始解的产生范围增大搜索空间，除与禁忌表中元素完全相同的新解外，将于禁忌表中元素差距小于阈值的解也认为属于禁忌范围，新解需在禁忌表范围之外。

本发明包括的计算一对一干扰代价的部分，其主要内容为：计算干扰机与敌方雷达之间干扰功率、干扰频率、干扰覆盖空间和干扰样式四个指标下的归一化函数值，求加权和得到一对一干扰效益

本发明包括的计算一对一干扰代价的部分，其主要内容为：计算干扰机被敌方雷达发现的概率，以此作为干扰机对敌方雷达的干扰代价

本发明包括的利用禁忌搜索人工蜂群算法进行干扰决策的部分，其主要内容为：算法主要流程如前文所述，其中，在判断产生的新解是否在禁忌表中时，将于禁忌表中元素差距小于阈值的解也认为属于禁忌范围。由于常规的用元素间欧氏距离表示阈值thresholdvalue的方法在干扰决策背景下已失去意义，考虑干扰决策的目的是得到最大干扰收益值，因此将禁忌表中各个解所对应的收益值之差的最小值作为阈值

下面结合附图和具体实施例对本发明进行详细地说明。

附图说明

图1认知对抗场景描述图。

图2禁忌搜索人工蜂群算法流程图。

图3不同算法迭代次数对比图。

图4不同算法多次决策平均优化收益值对比图。

具体实施方式

本实施例提供一种能够在干扰决策过程中减少迭代次数并提高寻优概率的干扰决策新方法，具体包括以下步骤：

选取常用的干扰功率、干扰频率、干扰覆盖空间及干扰样式等指标来衡量干扰效益，用向量q＝[q1ij,q2ij,q3ij,q4ij]表示以上评估干扰效益的四个指标，根据战场的实际模式将四个指标的重要程度进行分级，[q1ij,q2ij]最为重要，[q3ij]次之，[q4ij]再次之。根据这个重要程度，利用层次分析法计算四个指标的权重向量，记为ε＝[ε1,ε2,ε3,ε4]。则干扰效益可表示为：

干扰功率指标：用功率压制效益函数来表示干扰机ui(i＝1,2,...,m)对雷达rj(j＝1,2,...,n)的干扰压制效果，选择使用干信比(pji/pjs)来对功率压制效益函数q1ij进行描述。若kj为雷达rj正常工作所需的最小干信比，归一化处理之后可得q1ij的表达式：

干扰频率指标：用频率对准效益函数来表示干扰机ui(i＝1,2,...,m)对雷达rj(j＝1,2,...,n)的干扰压制效果，选择频率对准度对频率对准效益函数q2ij进行描述。只有当干扰机ui的干扰频率与雷达rj的工作频率有交叉重叠时干扰机ui才能对雷达rj起到干扰作用。若用(fi1,fi2)表示干扰机工作频率，用(fj1,fj2)表示雷达工作频率，频率对准效益函数q2ij的表达式如下：

干扰覆盖空间指标：用目标受干扰程度函数q3ij来表示干扰机ui(i＝1,2,...,m)对雷达rj(j＝1,2,...,n)的干扰压制效果。无人机的最大干扰能量强度en与其所对应的有效干扰半径re有如下关系：

en/re²≤ε(4)

其中，ε是干扰机能对敌方雷达产生影响的最低能量强度门限值。若干扰机与目标之间的距离d超出干扰半径时，起不到干扰作用，即q3ij＝0，否则与d²成反比。目标受干扰程度函数q3ij的表达式如下：

干扰样式指标：用干扰样式效益函数来表示干扰机ui(i＝1,2,...,m)对雷达rj(j＝1,2,...,n)的干扰压制效果。设每个目标雷达(可能属于不同的体制类型)有m中有效的干扰样式，并且这些干扰样式已经按照理论干扰效果的优劣排序。若干扰机ui包含对雷达rj有效的干扰样式，则该干扰样式在排序中越靠前，干扰样式效益函数q4ij的值越大；若干扰机ui不包含对雷达rj有效的干扰样式，则干扰样式效益函数q4ij＝0。干扰样式效益函数q4ij的表达式如下：

除以上常用指标外，本发明还考虑了干扰代价指标，主要考虑我方的干扰机被敌方雷达所探测发现的概率。在已获得雷达参数的先验信息下，(t1,t2)内雷达rj发现我方干扰机ui的概率表达式如下：

其中，表示干扰机ui被雷达rj发现的瞬时概率密度，其中θ0.5是雷达天线半功率波束宽度，φ是雷达扫描角，fr为雷达脉冲重复频率，y0为雷达检测门限，sn为单个脉冲的信噪比。

则干扰代价可表示为：

在多目标认知协同干扰决策任务中，希望能够得到最大的干扰效益，与此同时，也希望尽可能减小干扰代价。因此，该多目标优化问题就转化成最大化干扰效益feffect且最小化干扰代价fcost，即：

maxy＝f(x)＝max[feffect,-fcost](10)

取得尽可能大的干扰效益和付出尽可能小的干扰代价在多目标认知协同干扰决策任务中具有同等重要的地位，因此，适应度函数可以表示为：

其中，xij为决策变量，xij＝0表示干扰机ui不对雷达rj进行干扰，xij＝1则表示干扰机ui对雷达rj进行干扰，m*n个xij构成决策矩阵x；ωj表示雷达rj的重要程度。通过仿真得到不同决策矩阵x对应下的不同决策方案，最后选取使得目标函数最大的决策矩阵x作为最终的决策方案。

由于干扰机一次能干扰的雷达数量受到限制，以及受到干扰机和雷达总数的限制，对目标函数进行以下约束：

其中，(1)表示干扰机i是否对雷达j进行干扰；(2)表示一部雷达至少被一台干扰机干扰；(3)表示一台干扰机i同时最多干扰αi部雷达，以保证干扰机对雷达组网的干扰效果。

下面用禁忌搜索人工蜂群算法进行干扰决策，步骤如下：

(1)初始化蜜蜂种群，此刻蜜蜂均是侦查蜂。全局随机产生n个干扰决策矩阵x对应n个蜜源，每种决策方案对应的ffit为其对应的适应度函数值。

xk＝[xij]mgni∈[1,m],j∈[1,n],k∈[1,n](13)

(2)将第(1)步中各决策矩阵所得的适应度值ffit较高的n/2只蜜蜂为“采蜜蜂”，其余为“观察蜂”。观察蜂按概率p选择其跟随的采蜜蜂。

(3)采蜜蜂在原决策矩阵周围搜索新决策矩阵，并计算其适应度值ffit。根据贪婪准则保留较优矩阵。

搜索公式为：xk'＝[xij']mgni∈[1,m],j∈[1,n],k∈[1,n/2](15)

[xij']mgn中，与rand2为[1,n]间不相等的随机整数。

(4)观察蜂根据概率选择其要跟随的采蜜蜂之后，对该采蜜蜂对应的决策矩阵改变干扰机分布方式形成新的干扰决策矩阵，同步骤(3)。

(5)若采蜜蜂和观察蜂对同一决策矩阵x的搜索次数超过限定次数limit,仍未找到更优决策方案，则将该解加入禁忌表中，蜜蜂角色转化为侦查蜂，并随机产生新解直到其不属于禁忌表的范围。认为与禁忌表中元素差距小于阈值的解属于禁忌范围。阈值计算公式如下：

thresholdvalue＝min(fitnessi-fitnessj)(16)

其中,i,j＝1,2,...,n，n为当前禁忌表中元素个数。

(6)记录当前所有决策矩阵中使适应度值最大的决策矩阵，并跳到步骤(2)，直到满足最大迭代次数maxcycle的条件，输出使适应度值达到最大的决策矩阵x，即为多目标下最佳的决策方案。

为了评价本发明的有效性，以上述干扰效益及干扰代价组成的收益值为目标函数设计了两组实验，实验一分别用改进蚁群算法、人工蜂群算法和禁忌搜索人工蜂群算法对“一对多”模式下的干扰决策进行仿真，验证tsabc的寻优能力；实验二分别将三种算法各自运行100次，通过其每次运行后的平均最优值及得到最优解的概率验证算法的鲁棒性。两次实验中的种群数量np＝40，单个蜜源最大搜索次数limit＝100，最大迭代次数maxcycle＝100。

实验一：假设我方干扰机数量m＝5，敌方雷达数量n＝8，每部干扰机可对多部雷达进行干扰，即“一对多”干扰模式。为保证干扰机的干扰效果，设每部干扰机最多可干扰2部雷达。求干扰机ui(i＝1,2,...,m)对雷达rj(j＝1,2,...,n)的干扰效益及干扰代价加权得和干扰效果矩阵f如下：

雷达重要程度矩阵ωj为：

ωj＝[0.69700.52670.51740.52280.29520.41990.67340.5706]

三种算法仿真结果对比如图3所示，图中横坐标是迭代次数，纵坐标是收益值。

实验二：将决策过程进行100次，记录三种算法每次决策之后的平均优化收益值及各自的寻优概率。仿真结果如图4所示，同样，图中横坐标是迭代次数，纵坐标是收益值。

将以上仿真结果整理得改进前后的算法性能比较如表1所示：

表1三种算法性能比较

将干扰效益与干扰代价的加权和作为多目标认知协同干扰决策的目标函数，保证了仿真所得干扰决策方案可以在得到极大干扰效益的前提下付出极小的干扰代价。由表1可知，tsabc的平均迭代次数少于另外两种算法，得到最优决策的概率大于另外两种算法，在寻优能力与寻优概率等性能方面均有提升，具有更好的鲁棒性。因此本发明的方法是非常有效和实用的。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。