现代雷达杂志已发表格式范文参考
1.基于群智能优化的多雷达协同任务分配算法
作者：韩如明;孙自强;汪晋
作者单位：南京电子技术研究所
关键词：相控阵雷达;协同任务调度;群智能优化
摘要: 针对多雷达协同探测场景下多种协同探测模式并存、多任务分配优化求解复杂的问题，提出了一种基于群智能优化 的多雷达协同任务分配算法，构建了以探测目标效能、可用协同模式、参与节点数量为参数的协同策略收益函数。在此基 础上，将多任务分配问题转换成了一个组合优化问题，并通过采用群智能优化算法，实现了快速优化求解。仿真结果表 明，该文提出的算法可以有效实现多雷达协同任务分配，求解效率高效，满足在线实时性要求。
0 引 言
相控阵雷达具有执行搜索、跟踪、确认、制导等不同 任务的能力，因此，在战场环境中发挥了越来越重要的 作用。然而，随着军事科学技术的进步和装备的不断推 陈出新，传统的单雷达探测方式已难以适应复杂多变的 战场环境需求，多雷达组网协同探测已成为当前雷达领 域研究的热点问题之一［1－4］。和单雷达相比，多雷达组 网协同探测具有节点数量多、组织形式灵活、生存能力 强等特点，通过多雷达之间的信息融合和协同工作，可 以有效实现对指定区域内的目标监测与跟踪等任务，最 大化体系信息感知优势。在多雷达组网协同过程中，并 不是时时刻刻都需要启用所有传感器对特定目标进行 探测，因此一个挑战性的问题就是如何在有限的资源约 束条件下实现探测任务与雷达节点之间的优化分配，即 如何根据当前的任务需求，选择有限的传感器节点组 合，完成对指定目标的探测任务，是多雷达组网协同探 测领域的一个重要的研究问题。
近年来，围绕这一问题学术界开展了一系列的研 究［5－10］。文献［7－8］针对单/多目标跟踪场景，提出了 两种多雷达节点选择优化算法。文献［9］针对多雷达 组网反导场景，提出了一种基于克拉美罗下界的节点 选择和驻留时间分配算法。文献［10］提出了一种基 于任务效用最大化的多雷达协同任务调度算法。然 而，当前大部分研究通常基于某一种特定的协同探测 模式，如多目标协同跟踪场景，开展多传感器多目标任 务优化分配，未考虑在同一探测群内的多部雷达可能 同时存在多种可用的协同模式( 如协同搜索、协同跟 踪、双/多基地、协同抗干扰等) 情形。在这一场景下， 如何在有限的探测节点数量和系统资源的约束下，选 择合适的协同节点组合并使探测收益最大化成为需要 解决的问题。同时，当参与组网协同的雷达节点众多 且可用的协同模式也较多时，调度寻优空间就会变得 十分巨大，导致问题求解困难，效率不高，难以满足工 程实际需求。
本文针对多种协同探测模式并存场景下的多任务 分配需求，提出了一种基于群智能优化的多雷达协同 任务分配算法。以探测任务性能、可用协同模式、参与 节点数量为参数构建协同任务分配效用函数。通过最 大化任务分配效用函数，将多种协同探测模式并存下 的多任务在线分配问题建模成了一个组合优化问题。 在此基础上，通过采用群智能优化算法，实现了快速优 化求解。最后，通过仿真试验，验证了算法的有效性。
1 多雷达协同任务分配建模
假定在某一多雷达组网协同探测场景中，参与组 网的雷达个数为 M( M＞1) ，这 M 部雷达共可以形成 K ( K＞1) 种不同的协同探测模式，其中，每一种协同模式 k 可以通过多种不同的雷达节点组合完成。场景中需 要探测的目标个数为 N( N≥1) ，针对某一个目标 j，M 部 雷达可以采用的协同探测模式为jk种( jk≤K) ，如 图 1 所示( 图 1 中若某一行全为×，则表示针对该目 标，该协同模式不可用) 。上述协同模式与雷达节点 组合可表示为
为了能够评价不同节点组合策略的优劣，定义协 同节点组合策略的收益函数为
收益函数F( B) 总共由三个部分组成。第一部分 f1( Ｒ) 是一个所有参与协同探测的传感器与对应的目 标 j 之间距离的函数。考虑到雷达大部分探测任务的 性能指标都与目标信噪比 SNＲ 相关，而当雷达设备参 数与目标参数一定时，SNＲ 主要受目标与雷达的相对 距离影响，同等条件下，目标 j 离节点 i 越近，则对应的 探测性能会更好。因此，不失一般性，本文定义了距离 效用函数，如式( 4) 所示，当目标距离越近时，效用值 越高。在此基础上，通过对参与探测的节点的距离效 用函数进行加权，得到总的距离效用值，如式( 3) 所 示。第二部分 f2( C) 是关于协同模式的效用函数，令 在某种工作方式下，共有 K 种协同模式，如协同跟踪、 双/多基地等，则根据不同协同模式需要满足的拓扑需 求及其他条件，计算当前的编码方式 B 能够支持的协 同模式，能够支持的模式数量越多，则当前节点组合策 略对应的协同方式越灵活，探测收益也越高。第三部 分 f3( M) 是一个对参与节点数量的惩罚项，即约束参 与协同的节点数量不能太多，参数 λ 用于控制惩罚项 的权重。综上，通过最大化式( 2) 所示的每个目标的收 益函数，即可得到最优节点组合策略，如式( 7) 所示。
式中: ＲeUti( m) 表示第 m 部雷达的资源使用情况; Ｒemax( m) 表示第 m 部雷达的资源最大限制。
为了求解上述问题，本文采用遗传算法进行优化 求解。遗传算法是一种群智能优化算法，通过模拟自 然界的遗传选择机制来进行快速搜索寻优，和其他算 法相比，遗传算法具有很强的全局性，适用于复杂系统 的调度，已在雷达资源调度等多个领域有广泛应用。 采用遗传算法进行优化的步骤主要包括: 参数编码、生 产初始群体、计算个体适应度、遗传操作，下面简要进 行说明。
1) 参数编码 使用遗传算法之前，需要将求解问题空间的参数， 转换为以位串形式表示的种群个体，以便于算法处理。
本文采用式( 1) 所示的节点组合策略作为算法的编码 方式输入。
2) 生成初始群体 根据式( 1) ，通过随机方式生成 L 个种群序列。
3) 计算个体适应度 遗传算法通过个体适应度函数来评价种群中每个 个体的优劣程度。这里采用式( 2) 定义的收益函数作 为个体的适应度函数。
4) 遗传操作 基于选择、交叉和变异等遗传操作，模拟自然选择 以及遗传过程中发生的选择、杂交和突变现象，生成新 的种群。这些遗传操作可以通过精英选择数量、交叉 概率、变异概率等参数控制。
最后，通过对种群进行多次遗传迭代，最终得到的 适应度最高的个体即为最佳的节点组合策略。算法流 程如图 2 所示。
2 仿真实验
本节通过仿真场景，验证算法的有效性。假定整 个场景中共包括 8 个不同的雷达节点，需要探测的目 标为 4 个，如图 3 所示。针对这 4 个目标，仿真中设置 了 7 种可用的协同模式，不同协同模式需要的拓扑条 件不同，从而约束了可参与协同的节点数量和构型。 仿真过程中遗传算法所使用的参数信息如表 1 所示。
基于式( 1) 随机生成初始种群序列，其中，0 表示节 点不参与协同，1 表示节点参与协同。通过 100 次遗传 迭代后，对于不同目标，其最优节点组合策略如表 2～表 5 所示。从仿真结果可以看出，针对不同目标，本文所 提出的算法能够根据所需探测目标的距离效用、可用协 同模式及拓扑约束等信息，有效分配合适的协同节点， 并且参与协同的节点数有限，从而避免了所有传感器都 针对同一目标进行探测而造成的资源浪费。
同时，以目标 A 为例，图 4 给出了遗传算法寻优 过程的收敛情况。从图 4 中可以看出，针对该仿真场 景，仅需要通过 10 次左右的迭代，即可到达最优调度分配收益，从而证明了算法的高效性。表 6 也给出了 针对本文所使用的仿真场景，在不同迭代次数下算法 的时间效率。
3 结束语
本文针对雷达组网协同探测方式下存在多种协同 探测模式时，多节点任务分配优化求解问题，提出了一 种基于群智能优化的多雷达协同任务分配算法，将协 同节点分配策略建模成以目标距离、可用协同模式、参 与节点数量为参数的效能函数寻优问题，在此基础上， 通过采用群智能优化算法，实现了上述问题的快速优 化求解。仿真结果表明，本文提出的算法可以有效实 现多雷达的协同任务分配，算法求解效率高，可以满足 多雷达协同探测任务分配需求。
