本發(fā)明涉及協(xié)同干擾領(lǐng)域，特別是一種基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法。
背景技術(shù)：
：對(duì)協(xié)同干擾任務(wù)調(diào)度問(wèn)題的研究，本質(zhì)上也就是對(duì)WTA問(wèn)題的研究。其內(nèi)容也是主要包括干擾效果評(píng)估指標(biāo)的選取、任務(wù)調(diào)度模型的建立以及目標(biāo)函數(shù)最優(yōu)解的求取三個(gè)方面。由于雷達(dá)信號(hào)發(fā)射與處理技術(shù)的復(fù)雜性，干擾機(jī)在對(duì)其進(jìn)行干擾的評(píng)估指標(biāo)也具有多面性。選擇不同的評(píng)估指標(biāo)對(duì)協(xié)同任務(wù)干擾調(diào)度方案的選取會(huì)產(chǎn)生不同，從而導(dǎo)致最終的干擾效果也會(huì)不同。干擾效果評(píng)估準(zhǔn)則主要指的是在評(píng)估干擾效果時(shí)，所選擇的評(píng)估指標(biāo)和所確定的干擾效果等級(jí)劃分。評(píng)估指標(biāo)是指在評(píng)估中需要檢測(cè)的被干擾對(duì)象與干擾效應(yīng)有關(guān)的關(guān)鍵性能指標(biāo)。干擾效果等級(jí)劃分則是指根據(jù)上述評(píng)估指標(biāo)量值大小對(duì)被干擾對(duì)象性能的影響程度，確定出與干擾無(wú)效、有效或一級(jí)、二級(jí)、三級(jí)等量化等級(jí)對(duì)應(yīng)的評(píng)估指標(biāo)的閾值。目前，國(guó)內(nèi)外研究學(xué)者普遍認(rèn)同的評(píng)價(jià)指標(biāo)有干擾頻率、干擾功率、干擾樣式等等。針對(duì)不同的任務(wù)調(diào)度模型，許多學(xué)者都提出了各自不同的求解算法，大致可以分成兩種類型，即傳統(tǒng)算法、智能優(yōu)化算法及其改進(jìn)算法。傳統(tǒng)算法通常是把任務(wù)調(diào)度問(wèn)題的實(shí)際約束和核心建模進(jìn)行剝離，只是對(duì)任務(wù)調(diào)度問(wèn)題本身進(jìn)行求解，采用一定策略對(duì)解空間中所有的解決方案進(jìn)行評(píng)價(jià)，從而來(lái)確定全局解空間中的最優(yōu)解，并以此作為最終的調(diào)度方案。傳統(tǒng)算法的特點(diǎn)是算法思想較為簡(jiǎn)單，能夠在小規(guī)模問(wèn)題上得到較為精確的解。但是當(dāng)目標(biāo)數(shù)目增多時(shí)，收斂速度慢。因此，對(duì)于大規(guī)模的任務(wù)調(diào)度問(wèn)題，傳統(tǒng)算法無(wú)法在有限時(shí)間內(nèi)給出全局最優(yōu)解。智能優(yōu)化算法是人們從生物進(jìn)化的機(jī)理和一些物理現(xiàn)象中受到啟發(fā)而提出的用于解決復(fù)雜優(yōu)化問(wèn)題的新方法。智能算法憑借其高效的優(yōu)化性能、能夠在復(fù)雜空間中隨機(jī)搜索等優(yōu)點(diǎn)，受到學(xué)者們的重視與研究。國(guó)內(nèi)外學(xué)者們將WTA問(wèn)題的研究與智能優(yōu)化算法的研究相結(jié)合，旨在提高WTA問(wèn)題求解的效率與效能，用以加深對(duì)WTA問(wèn)題的研究。人工蜂群算法是土耳其埃爾吉耶斯大學(xué)Karaboga提出的一種新型進(jìn)化算法，因其參數(shù)設(shè)置少、收斂速度快、收斂精度高、且不容易陷入局部最優(yōu)等特點(diǎn)得到研究者的廣泛關(guān)注。由于ABC算法是一種新型仿生智能優(yōu)化算法，對(duì)于ABC算法改進(jìn)研究工作還不多見。且現(xiàn)有的關(guān)于協(xié)同電子干擾任務(wù)調(diào)度的模型與求解算法無(wú)論在時(shí)間效率上還是解的質(zhì)量上均存在不足。因此，目前急需一種適用于求解協(xié)同電子干擾任務(wù)調(diào)度方法，但是現(xiàn)有技術(shù)中尚無(wú)相關(guān)描述。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是針對(duì)UCAV(unmannedcombataerialvehicle)協(xié)同干擾多部敵方雷達(dá)的任務(wù)調(diào)度這一問(wèn)題，以及現(xiàn)有模型的不足，提供一種基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法。為了解決上述技術(shù)問(wèn)題，本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：一種基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法，包括以下步驟：步驟1，綜合UCAV對(duì)目標(biāo)雷達(dá)的分析干擾效果，給出任務(wù)調(diào)度評(píng)估指標(biāo)集及干擾效果評(píng)估指標(biāo)的定量計(jì)算方法，并進(jìn)行歸一化處理。所述干擾效果評(píng)估指標(biāo)的定量計(jì)算方法為：(1)協(xié)同干擾壓制概率qjp(eji,j)可以表示為：其中，α、β表示由目標(biāo)類型確定的經(jīng)驗(yàn)值常數(shù)，powjp(i)是指干擾信號(hào)功率，powds(j)是目標(biāo)回波功率。(2)協(xié)同干擾覆蓋空間qjs(eji,j)可以表示為：其中，γ為取決于目標(biāo)類型確定的經(jīng)驗(yàn)值常數(shù)或常量函數(shù)，λ是小于1的常數(shù)，表示安全系數(shù)，rej(i)是編號(hào)為i的UCAV進(jìn)行干擾的有效半徑，dis(i,j)為編號(hào)為i的UCAV與編號(hào)為j的目標(biāo)的距離，rsafe是指最小安全距離。(3)協(xié)同干擾工作頻段qjf(eji,j)可以表示為：其中，frejp(i)表示編號(hào)為i的UCAV的干擾信號(hào)頻譜，freds(j)表示編號(hào)為j的目標(biāo)的信號(hào)頻譜，freqin(i,j)表示編號(hào)為i的UCAV的干擾信號(hào)頻譜與編號(hào)為j的目標(biāo)的信號(hào)頻譜相交的部分。(4)協(xié)同干擾樣式qjt(eji,j)可以表示為：其中，假設(shè)UCAV包含Nstyle種干擾樣式，且已經(jīng)按照干擾效果排列，第i個(gè)UCAV對(duì)第j個(gè)目標(biāo)可采用的干擾樣式集為StyleSet[ti]，其中ti∈[0,Nstyle]，en_used(i)表示的是編號(hào)為i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤ti.表示的是編號(hào)為i的UCAV產(chǎn)生的干擾效果。(5)續(xù)航能力qea(eji,j)可以表示為：其中，en_consu(i)表示的是編號(hào)為i的UCAV消耗的能量，en_all(i)表示的是編號(hào)為i的UCAV初始時(shí)刻擁有的總能源。步驟2，確定協(xié)同干擾的任務(wù)調(diào)度約束條件，建立協(xié)同電子干擾任務(wù)調(diào)度模型CEJ-TSM。所述協(xié)同電子干擾任務(wù)調(diào)度模型CEJ-TSM為：s.t.其中，模型的目的是用來(lái)尋找使目標(biāo)函數(shù)最大化的調(diào)度方案，ωk是指第k維指標(biāo)的權(quán)重，UniQk是指第k維指標(biāo)的歸一化值。約束條件用來(lái)保證算法所求的調(diào)度方案中每個(gè)UCAV對(duì)目標(biāo)雷達(dá)進(jìn)行干擾的時(shí)候滿足干擾頻率、干擾樣式等的要求。UD＝{UD1,UD2,…,UDn},UDi(i＝1,2…,n)表示的是將第i架UCAV分配給干擾目標(biāo)雷達(dá)的設(shè)備號(hào)；VAj(j＝1,2,…,m)表示的是對(duì)第j部目標(biāo)雷達(dá)進(jìn)行干擾的價(jià)值量；duij表示第i架UCAV是否對(duì)第j部目標(biāo)雷達(dá)進(jìn)行干擾，若為0則表示不進(jìn)行干擾，否則就進(jìn)行干擾；lmax表示每部目標(biāo)雷達(dá)最多分配UCAV的架數(shù)。步驟3，采用改進(jìn)的全局人工蜂群算法IGABC對(duì)協(xié)同電子干擾任務(wù)調(diào)度模型進(jìn)行求解。其中改進(jìn)的全局人工蜂群算法步驟具體包含：步驟3.1：初始化種群：規(guī)定蜂群的大小，雇傭蜂、觀察蜂和偵察蜂的數(shù)目，循環(huán)次數(shù)及最大鄰域搜索值。步驟3.2：雇傭蜂進(jìn)行鄰域搜索，搜索公式為：其中，通過(guò)調(diào)節(jié)ξ的值來(lái)平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機(jī)選擇的一個(gè)維度，i∈{1,2,…,m}，表示雇傭蜂進(jìn)行鄰域搜索后得到新食物源位置vd的第i個(gè)元素，為當(dāng)前雇傭蜂所依附食物源xd的第i個(gè)元素，為食物源xε的第i個(gè)元素，ε∈{1,2,…,SN}且ε≠d，為當(dāng)前最佳方案Gbest_xd的第i個(gè)元素，若超出[lb,ub]邊界，則使用邊界值。步驟3.3：計(jì)算其適應(yīng)度值，參考遺傳算法的遺傳策略，運(yùn)用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進(jìn)行交叉、變異操作，按照貪婪法則選擇新解，搜索公式為：其中，rand是一個(gè)對(duì)每個(gè)分量都產(chǎn)生的[0,1]之間的均勻分布的隨機(jī)值，CR是一個(gè)交叉概率，通過(guò)調(diào)節(jié)ξ的值來(lái)平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機(jī)選擇的一個(gè)維度，i∈{1,2,…,m}，表示雇傭蜂進(jìn)行鄰域搜索后得到新食物源位置vd的第i個(gè)元素，為當(dāng)前雇傭蜂所依附食物源xd的第i個(gè)元素，為食物源xε的第i個(gè)元素，ε∈{1,2,…,SN}且ε≠d，為當(dāng)前最佳方案Gbest_xd的第i個(gè)元素，若超出[lb,ub]邊界，則使用邊界值。步驟3.4：計(jì)算觀察蜂跟隨概率，公式為：其中，fit(xd)是食物源xd代表的解的適應(yīng)度。通過(guò)調(diào)節(jié)系數(shù)μ和ν來(lái)協(xié)調(diào)算法的探索能力和開發(fā)能力，μ為[0.5,1]之間的隨機(jī)數(shù)，ν為[0,0.5]之間的隨機(jī)數(shù)，且μ和ν滿足μ+ν＝1。步驟3.5：觀察蜂轉(zhuǎn)化成雇傭蜂，計(jì)算其適應(yīng)度值，參考遺傳算法的遺傳策略，運(yùn)用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進(jìn)行交叉、變異操作，按照貪婪法則選擇新解。步驟3.6：判斷雇傭蜂、觀察蜂搜尋次數(shù)是否超過(guò)限定次數(shù)Limit，若雇傭蜂、觀察蜂搜尋次數(shù)超過(guò)限定次數(shù)Limit，仍然沒(méi)有找到更高適應(yīng)度的蜜源，則放棄該蜜源，同時(shí)蜜蜂的角色由雇傭蜂或者觀察蜂轉(zhuǎn)化為偵察蜂，并隨機(jī)產(chǎn)生一個(gè)新的蜜源；否則就記錄當(dāng)前的位置信息。步驟3.7：記錄當(dāng)前所有蜜蜂找到的最優(yōu)蜜源，并跳至步驟3.2，直到滿足最大迭代次數(shù)maxCycle的條件或小于優(yōu)化誤差時(shí)輸出全局最優(yōu)位置。步驟4，根據(jù)IGABC算法的結(jié)果獲得協(xié)同電子干擾任務(wù)調(diào)度方案。本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為：本發(fā)明引入消極指標(biāo)，重新定義任務(wù)調(diào)度評(píng)估指標(biāo)集，并且給出了干擾效果評(píng)估指標(biāo)的定量計(jì)算方法，建立協(xié)同電子干擾任務(wù)調(diào)度模型，設(shè)計(jì)新算法對(duì)模型進(jìn)行求解。本發(fā)明在UCAV協(xié)同干擾多部敵方雷達(dá)的任務(wù)調(diào)度的問(wèn)題上能夠顯著提高了最優(yōu)解的搜索能力，同時(shí)也提高了任務(wù)調(diào)度方案生成的效率和準(zhǔn)確性。附圖說(shuō)明圖1為基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度流程圖。圖2為UCAV干擾頻譜與目標(biāo)頻譜的關(guān)系圖，其中圖(a)和(b)表示UCAV干擾頻譜與目標(biāo)頻譜完全不重疊的兩種情況，圖(c)表示UCAV干擾頻譜完全包含目標(biāo)頻譜，圖(d)和圖(e)表示UCAV干擾頻譜與目標(biāo)頻譜不完全重疊的兩種情況。圖3為整數(shù)數(shù)組編碼方案。圖4為編碼方案舉例。圖5為算法平均運(yùn)行時(shí)間對(duì)比。圖6為算法收斂速度對(duì)比(迭代次數(shù)為50)。圖7為算法收斂速度對(duì)比(迭代次數(shù)為500)。具體實(shí)施方式結(jié)合圖1，本發(fā)明的一種基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法，包括以下步驟：步驟1、根據(jù)任務(wù)調(diào)度評(píng)估指標(biāo)集及干擾效果評(píng)估指標(biāo)的定量計(jì)算方法，綜合分析UCAV對(duì)目標(biāo)雷達(dá)的干擾效果，并進(jìn)行歸一化處理；所述干擾效果評(píng)估指標(biāo)的定量計(jì)算方法為：步驟1-1、確定協(xié)同干擾壓制概率qjp(eji,j)，所用公式為：其中，α、β表示由目標(biāo)類型確定的經(jīng)驗(yàn)值常數(shù)，powjp(i)是指干擾信號(hào)功率，powds(j)是目標(biāo)回波功率；步驟1-2、確定協(xié)同干擾覆蓋空間qjs(eji,j)，所述公式為：其中，γ為取決于目標(biāo)類型確定的經(jīng)驗(yàn)值常數(shù)或常量函數(shù)，λ是小于1的常數(shù)，表示安全系數(shù)，rej(i)是編號(hào)為i的UCAV進(jìn)行干擾的有效半徑，dis(i,j)為編號(hào)i的UCAV與編號(hào)j的目標(biāo)的距離，rsafe是指最小安全距離；步驟1-3、確定協(xié)同干擾工作頻段qjf(eji,j)，所述公式為：其中，frejp(i)表示編號(hào)為i的UCAV的干擾信號(hào)頻譜，freds(j)表示編號(hào)為j的目標(biāo)的信號(hào)頻譜，freqin(i,j)表示編號(hào)為i的UCAV的干擾信號(hào)頻譜與編號(hào)為j的目標(biāo)的信號(hào)頻譜相交的部分；步驟1-4、確定協(xié)同干擾樣式qjt(eji,j)，所述公式為：其中，UCAV包含Nstyle種干擾樣式，且已經(jīng)按照干擾效果排列，第i個(gè)UCAV對(duì)第j個(gè)目標(biāo)采用的干擾樣式集為StyleSet[ti]，其中ti∈[0,Nstyle]，en_used(i)表示的是編號(hào)為i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤ti.表示的是編號(hào)為i的UCAV產(chǎn)生的干擾效果；步驟1-5、確定續(xù)航能力qea(eji,j)，所述公式為：其中，en_consu(i)表示的是編號(hào)為i的UCAV消耗的能量，en_all(i)表示的是編號(hào)為i的UCAV初始時(shí)刻擁有的總能源。步驟2、確定協(xié)同干擾的任務(wù)調(diào)度約束條件，建立協(xié)同電子干擾任務(wù)調(diào)度模型CEJ-TSM；所述協(xié)同電子干擾任務(wù)調(diào)度模型CEJ-TSM為：s.t.其中，ωk是指第k維指標(biāo)的權(quán)重，UniQk是指第k維指標(biāo)的歸一化值，UD＝{UD1,UD2,…,UDn},UDi(i＝1,2…,n)表示的是將第i架UCAV分配給干擾目標(biāo)雷達(dá)的設(shè)備號(hào)；VAj(j＝1,2,…,m)表示的是對(duì)第j部目標(biāo)雷達(dá)進(jìn)行干擾的價(jià)值量；duij表示第i架UCAV是否對(duì)第j部目標(biāo)雷達(dá)進(jìn)行干擾，若為0則表示不進(jìn)行干擾，否則就進(jìn)行干擾；lmax表示每部目標(biāo)雷達(dá)最多分配UCAV的架數(shù)。步驟3、采用改進(jìn)的全局人工蜂群算法IGABC對(duì)協(xié)同電子干擾任務(wù)調(diào)度模型進(jìn)行求解；具體包含以下步驟：步驟3-1、初始化種群：規(guī)定蜂群的大小，雇傭蜂、觀察蜂和偵察蜂的數(shù)目，循環(huán)次數(shù)及最大領(lǐng)域搜索值；步驟3-2、雇傭蜂進(jìn)行鄰域搜索，搜索公式為：其中，通過(guò)調(diào)節(jié)ξ的值來(lái)平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機(jī)選擇的一個(gè)維度，i∈{1,2,…,m}，表示雇傭蜂進(jìn)行鄰域搜索后得到新食物源位置vd的第i個(gè)元素，為當(dāng)前雇傭蜂所依附食物源xd的第i個(gè)元素，為食物源xε的第i個(gè)元素，ε∈{1,2,…,SN}且ε≠d，為當(dāng)前最佳方案Gbest_xd的第i個(gè)元素，若超出[lb,ub]邊界，則使用邊界值；步驟3-3、計(jì)算其適應(yīng)度值，采用遺傳算法的遺傳策略，運(yùn)用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進(jìn)行交叉、變異操作，按照貪婪法則選擇新解，搜索公式為：其中，rand是一個(gè)對(duì)每個(gè)分量都產(chǎn)生的[0,1]之間的均勻分布的隨機(jī)值，CR是一個(gè)交叉概率，通過(guò)調(diào)節(jié)ξ的值來(lái)平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機(jī)選擇的一個(gè)維度，i∈{1,2,…,m}，表示雇傭蜂進(jìn)行鄰域搜索后得到新食物源位置vd的第i個(gè)元素，為當(dāng)前雇傭蜂所依附食物源xd的第i個(gè)元素，為食物源xε的第i個(gè)元素，ε∈{1,2,…,SN}且ε≠d，為當(dāng)前最佳方案Gbest_xd的第i個(gè)元素，若超出[lb,ub]邊界，則使用邊界值；步驟3-4、計(jì)算觀察蜂跟隨概率，公式為：其中，pd表示觀察蜂跟隨概率，fit(xd)是食物源xd代表的解的適應(yīng)度，μ為[0.5,1]之間的隨機(jī)數(shù)，ν為[0,0.5]之間的隨機(jī)數(shù)，且μ和ν滿足μ+ν＝1；步驟3-5、觀察蜂計(jì)算其適應(yīng)度值，參考遺傳算法的遺傳策略，運(yùn)用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進(jìn)行交叉、變異操作，按照貪婪法則選擇新解；步驟3-6、判斷雇傭蜂、觀察蜂搜尋次數(shù)是否超過(guò)限定次數(shù)Limit，若雇傭蜂、觀察蜂搜尋次數(shù)超過(guò)限定次數(shù)Limit，仍然沒(méi)有找到更高適應(yīng)度的蜜源，則放棄該蜜源，同時(shí)蜜蜂的角色由雇傭蜂或者觀察蜂轉(zhuǎn)化為偵察蜂，并隨機(jī)產(chǎn)生一個(gè)新的蜜源；否則就記錄當(dāng)前的位置信息；步驟3-7、記錄當(dāng)前所有蜜蜂找到的最優(yōu)蜜源，并跳至步驟3-2，直到滿足最大迭代次數(shù)maxCycle的條件或小于優(yōu)化誤差時(shí)輸出全局最優(yōu)位置。步驟4、根據(jù)IGABC算法的結(jié)果獲得協(xié)同電子干擾任務(wù)調(diào)度方案。本發(fā)明在UCAV協(xié)同干擾多部敵方雷達(dá)的任務(wù)調(diào)度的問(wèn)題上能夠顯著提高了最優(yōu)解的搜索能力，同時(shí)也提高了任務(wù)調(diào)度方案生成的效率和準(zhǔn)確性。為了使本領(lǐng)域技術(shù)人員更好地理解本申請(qǐng)中的技術(shù)問(wèn)題、技術(shù)方案和技術(shù)效果，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明一種基于改進(jìn)的人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法作進(jìn)一步詳細(xì)說(shuō)明。本發(fā)明首先，綜合分析干擾效果，給出可信任務(wù)調(diào)度評(píng)估指標(biāo)集及定量計(jì)算方法，并進(jìn)行歸一化處理。其次，確定協(xié)同干擾的任務(wù)調(diào)度約束條件，建立協(xié)同電子干擾任務(wù)調(diào)度模型CEJ-TSM。然后，采用改進(jìn)的全局人工蜂群算法IGABC對(duì)協(xié)同電子干擾任務(wù)調(diào)度模型進(jìn)行求解。最后，根據(jù)IGABC算法的結(jié)果獲得協(xié)同電子干擾任務(wù)調(diào)度方案。本發(fā)明提供一種基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法，基本流程如圖2所示。首先，對(duì)干擾效果評(píng)估指標(biāo)進(jìn)行了綜合分析以及重新確定了定量計(jì)算方法，建立可信任務(wù)調(diào)度評(píng)估指標(biāo)集，同時(shí)將這些指標(biāo)分為積極指標(biāo)和消極指標(biāo)兩大類，并進(jìn)行歸一化處理。其次，基于這些評(píng)估指標(biāo)提出了一種協(xié)同電子干擾任務(wù)調(diào)度模型(CooperativeElectronicJammingTaskSchedulingModel，CEJ-TSM)。然后，將UCAV協(xié)同干擾多部敵方雷達(dá)的任務(wù)調(diào)度這一問(wèn)題表示成一個(gè)目標(biāo)優(yōu)化求解問(wèn)題，結(jié)合改進(jìn)的全局人工蜂群算法IGABC來(lái)求解該問(wèn)題。最后，生成協(xié)同干擾任務(wù)調(diào)度方案。步驟1，根據(jù)任務(wù)調(diào)度評(píng)估指標(biāo)集及干擾效果評(píng)估指標(biāo)的定量計(jì)算方法，綜合分析UCAV對(duì)目標(biāo)雷達(dá)的干擾效果，并進(jìn)行歸一化處理。所述干擾效果評(píng)估指標(biāo)的定量計(jì)算方法為：(1)協(xié)同干擾壓制概率qjp(eji,j)可以表示為：其中，α、β表示由目標(biāo)類型確定的經(jīng)驗(yàn)值常數(shù)(根據(jù)壓制干擾效果的理論分析，在本實(shí)施例中，α＝0.23，β＝2)，powjp(i)是指干擾信號(hào)功率，powds(j)是目標(biāo)回波功率。(2)協(xié)同干擾覆蓋空間qjs(eji,j)可以表示為：其中，γ為取決于目標(biāo)類型確定的經(jīng)驗(yàn)值常數(shù)或常量函數(shù)，λ是小于1的常數(shù)，表示安全系數(shù)，rej(i)是編號(hào)為i的UCAV進(jìn)行干擾的有效半徑，dis(i,j)為編號(hào)為i的UCAV與編號(hào)為j的目標(biāo)的距離，rsafe是指最小安全距離。(3)協(xié)同干擾工作頻段qjf(eji,j)可以表示為：其中，frejp(i)表示編號(hào)為i的UCAV的干擾信號(hào)頻譜，freds(j)表示編號(hào)為j的目標(biāo)的信號(hào)頻譜，freqin(i,j)表示編號(hào)為i的UCAV的干擾信號(hào)頻譜與編號(hào)為j的目標(biāo)的信號(hào)頻譜相交的部分。(4)協(xié)同干擾樣式qjt(eji,j)可以表示為：其中，假設(shè)UCAV包含Nstyle種干擾樣式，且已經(jīng)按照干擾效果排列，第i個(gè)UCAV對(duì)第j個(gè)目標(biāo)可采用的干擾樣式集為StyleSet[ti]，其中ti∈[0,Nstyle]，en_used(i)表示的是編號(hào)為i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤ti.表示的是編號(hào)為i的UCAV產(chǎn)生的干擾效果。(5)續(xù)航能力qea(eji,j)可以表示為：其中，en_consu(i)表示的是編號(hào)為i的UCAV消耗的能量，en_all(i)表示的是編號(hào)為i的UCAV初始時(shí)刻擁有的總能源。步驟2，確定協(xié)同干擾的任務(wù)調(diào)度約束條件，建立協(xié)同電子干擾任務(wù)調(diào)度模型CEJ-TSM。針對(duì)各指標(biāo)的不同，聚合操作有平均AVERAGE、最小MIN、求和SUM、三種形式，可以得到表1。表1聚合函數(shù)采用簡(jiǎn)單加權(quán)和法(SimpleAdditiveWeighting,SAW)，給各指標(biāo)按照重要程度賦予不同的權(quán)重，再通過(guò)加權(quán)和計(jì)算得到綜合評(píng)價(jià)值。但由于指標(biāo)評(píng)價(jià)時(shí)采用了不同的方法且量綱也不同，因此首先必須將指標(biāo)進(jìn)行歸一化。在歸一化階段，可以將指標(biāo)分為積極指標(biāo)和消極指標(biāo)兩類。在進(jìn)行歸一化時(shí)要分別處理，，歸一化處理方法如下。積極指標(biāo)的歸一化計(jì)算：消極指標(biāo)的歸一化計(jì)算：其中maxQk(minQk)表示所有任務(wù)調(diào)度方案中第k維指標(biāo)的最大值(最小值)，如果兩者相等，則指標(biāo)的歸一化值為1。令ωk為第k維指標(biāo)的權(quán)重，本發(fā)明采用AHP方法來(lái)確定ωk的值。協(xié)同電子干擾任務(wù)調(diào)度模型CEJ-TSM為：s.t.其中，模型的目的是用來(lái)尋找使目標(biāo)函數(shù)最大化的調(diào)度方案，ωk是指第k維指標(biāo)的權(quán)重，UniQk是指第k維指標(biāo)的歸一化值。約束條件用來(lái)保證算法所求的調(diào)度方案中每個(gè)UCAV對(duì)目標(biāo)雷達(dá)進(jìn)行干擾的時(shí)候滿足干擾頻率、干擾樣式等的要求。UD＝{UD1,UD2,…,UDn},UDi(i＝1,2…,n)表示的是將第i架UCAV分配給干擾目標(biāo)雷達(dá)的設(shè)備號(hào)；VAj(j＝1,2,…,m)表示的是對(duì)第j部目標(biāo)雷達(dá)進(jìn)行干擾的價(jià)值量；duij表示第i架UCAV是否對(duì)第j部目標(biāo)雷達(dá)進(jìn)行干擾，若為0則表示不進(jìn)行干擾，否則就進(jìn)行干擾；lmax表示每部目標(biāo)雷達(dá)最多分配UCAV的架數(shù)。步驟3，采用改進(jìn)的全局人工蜂群算法IGABC對(duì)協(xié)同電子干擾任務(wù)調(diào)度模型進(jìn)行求解。本發(fā)明通過(guò)采用改進(jìn)人工蜂群算法來(lái)進(jìn)行全局狀態(tài)下的任務(wù)調(diào)度的方案選擇，蜂群覓食行為與任務(wù)調(diào)度問(wèn)題的對(duì)應(yīng)關(guān)系如表2所示。采用的編碼方案如圖3所示。如某階段需要對(duì)敵方3部雷達(dá)進(jìn)行干擾，現(xiàn)出動(dòng)5架UCAV執(zhí)行此任務(wù)，對(duì)3部雷達(dá)的威脅程度按照從大到小的順序進(jìn)行編號(hào)，同時(shí)也對(duì)5架UCAV的作戰(zhàn)能力按照從大到小的順序進(jìn)行編號(hào)，則可能出現(xiàn)的編碼方案如圖4所示。圖4表示的含義是編號(hào)為1和3的UCAV干擾目標(biāo)雷達(dá)1，編號(hào)為4的UCAV干擾目標(biāo)雷達(dá)2，編號(hào)為2和5的UCAV干擾目標(biāo)雷達(dá)3。表2蜂群覓食行為與任務(wù)調(diào)度問(wèn)題的對(duì)應(yīng)關(guān)系蜂群覓食行為任務(wù)調(diào)度問(wèn)題食物源位置任務(wù)調(diào)度方案蜜源質(zhì)量適應(yīng)度函數(shù)值尋找及覓食的速度算法優(yōu)化速度最佳食物源任務(wù)調(diào)度最佳方案食物源的維度任務(wù)調(diào)度評(píng)估指標(biāo)的個(gè)數(shù)改進(jìn)的全局人工蜂群算法步驟具體包含：步驟3-1：初始化種群：規(guī)定蜂群的大小，雇傭蜂、觀察蜂和偵察蜂的數(shù)目，循環(huán)次數(shù)及最大鄰域搜索值。步驟3-2：雇傭蜂進(jìn)行鄰域搜索，搜索公式為：其中，通過(guò)調(diào)節(jié)ξ的值來(lái)平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機(jī)選擇的一個(gè)維度，i∈{1,2,…,m}，表示雇傭蜂進(jìn)行鄰域搜索后得到新食物源位置vd的第i個(gè)元素，為當(dāng)前雇傭蜂所依附食物源xd的第i個(gè)元素，為食物源xε的第i個(gè)元素，ε∈{1,2,…,SN}且ε≠d，為當(dāng)前最佳方案Gbest_xd的第i個(gè)元素，若超出[lb,ub]邊界，則使用邊界值。步驟3-3：采用遺傳算法的遺傳策略，運(yùn)用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進(jìn)行交叉、變異操作，按照貪婪法則選擇新解，搜索公式為：其中，rand是一個(gè)對(duì)每個(gè)分量都產(chǎn)生的[0,1]之間的均勻分布的隨機(jī)值，CR是一個(gè)交叉概率，通過(guò)調(diào)節(jié)ξ的值來(lái)平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機(jī)選擇的一個(gè)維度，i∈{1,2,…,m}，表示雇傭蜂進(jìn)行鄰域搜索后得到新食物源位置vd的第i個(gè)元素，為當(dāng)前雇傭蜂所依附食物源xd的第i個(gè)元素，為食物源xε的第i個(gè)元素，ε∈{1,2,…,SN}且ε≠d，為當(dāng)前最佳方案Gbest_xd的第i個(gè)元素，若超出[lb,ub]邊界，則使用邊界值。步驟3-4：計(jì)算觀察蜂跟隨概率，公式為：其中，pd表示觀察蜂跟隨概率，fit(xd)是食物源xd代表的解的適應(yīng)度。通過(guò)調(diào)節(jié)系數(shù)μ和ν來(lái)協(xié)調(diào)算法的探索能力和開發(fā)能力，μ為[0.5,1]之間的隨機(jī)數(shù)，ν為[0,0.5]之間的隨機(jī)數(shù)，且μ和ν滿足μ+ν＝1。步驟3-5：觀察蜂計(jì)算其適應(yīng)度值，參考遺傳算法的遺傳策略，運(yùn)用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進(jìn)行交叉、變異操作，按照貪婪法則選擇新解。步驟3-6：判斷雇傭蜂、觀察蜂搜尋次數(shù)是否超過(guò)限定次數(shù)Limit，若雇傭蜂、觀察蜂搜尋次數(shù)超過(guò)限定次數(shù)Limit，仍然沒(méi)有找到更高適應(yīng)度的蜜源，則放棄該蜜源，同時(shí)蜜蜂的角色由雇傭蜂或者觀察蜂轉(zhuǎn)化為偵察蜂，并隨機(jī)產(chǎn)生一個(gè)新的蜜源；否則就記錄當(dāng)前的位置信息。步驟3-7：記錄當(dāng)前所有蜜蜂找到的最優(yōu)蜜源，并跳至步驟3-2，直到滿足最大迭代次數(shù)maxCycle的條件或小于優(yōu)化誤差時(shí)輸出全局最優(yōu)位置。步驟4，生成協(xié)同電子干擾任務(wù)調(diào)度方案。實(shí)施本發(fā)明的方法時(shí)，以電子戰(zhàn)編隊(duì)遠(yuǎn)程支援干擾為例，假設(shè)編隊(duì)中有10架UCAV，需要對(duì)敵方地面的6部雷達(dá)進(jìn)行干擾，對(duì)每部雷達(dá)的作戰(zhàn)價(jià)值進(jìn)行評(píng)估，并按照作戰(zhàn)價(jià)值大小進(jìn)行排序編號(hào)，如表3所示。IGABC和ABC算法、DE-ABC算法以及DGABC算法中蜂群的參數(shù)設(shè)置相同，種群規(guī)模SN為20，單個(gè)蜜蜂的迭代限制次數(shù)limit為50，分別進(jìn)行5、10、15、20、25、30、35、40、45、50次重復(fù)實(shí)驗(yàn)，記錄這些實(shí)驗(yàn)的運(yùn)行時(shí)間，并計(jì)算這些時(shí)間的平均值。本發(fā)明方法與改進(jìn)前的算法的性能比較如圖5、圖6、圖7所示。表3雷達(dá)作戰(zhàn)價(jià)值評(píng)估表雷達(dá)編號(hào)123456作戰(zhàn)價(jià)值0.950.870.820.650.490.36根據(jù)雷達(dá)的一些性能參數(shù)，假設(shè)已知這些雷達(dá)的發(fā)射功率、雷達(dá)天線的有效面積、雷達(dá)的工作波長(zhǎng)、壓制系數(shù)以及我方UCAV的發(fā)射功率、工作頻段、干擾樣式集合等參數(shù)，根據(jù)上述的干擾效果評(píng)估指標(biāo)，可以計(jì)算出單架UCAV對(duì)各雷達(dá)的干擾效果矩陣，如下所示：表4干擾壓制概率效果度量雷達(dá)1雷達(dá)2雷達(dá)3雷達(dá)4雷達(dá)5雷達(dá)6UCAV10.650.880.560.810.350.41UCAV20.800.710.910.420.590.78UCAV30.330.450.750.590.550.84UCAV40.680.310.580.620.830.55UCAV50.900.860.760.320.880.79UCAV60.540.810.470.940.830.69UCAV70.360.930.590.410.490.86UCAV80.850.720.610.570.420.53UCAV90.570.630.450.730.540.77UCAV100.920.690.440.870.790.65表5干擾覆蓋空間效果度量雷達(dá)1雷達(dá)2雷達(dá)3雷達(dá)4雷達(dá)5雷達(dá)6UCAV100.890.780.490.630.20UCAV20.4600.650.860.320UCAV30.940.710.3400.790.19UCAV40.230.4900.5600.98UCAV50.57000.890.120UCAV600.750.530.410.370.69UCAV70.720.160.490.530.740.23UCAV80.150.790.880.910.230.66UCAV90.880.460.21000.11UCAV100.660.470.190.110.860.92表6干擾工作頻段效果度量雷達(dá)1雷達(dá)2雷達(dá)3雷達(dá)4雷達(dá)5雷達(dá)6UCAV100.900.740.450.590.15UCAV20.4100.6110.330.70UCAV30.910.670.3100.770.26UCAV40.170.4800.510.560.34UCAV50.59100.850.190.56UCAV600.710.430.370.330.64UCAV70.650.130.470.460.710.29UCAV80.440.290.770.4100.41UCAV90.810.430.19000.51UCAV100.740.690.220.190.730.81表7干擾樣式效果度量雷達(dá)1雷達(dá)2雷達(dá)3雷達(dá)4雷達(dá)5雷達(dá)6UCAV100.850.700.310.670.11UCAV20.7300.840.910.650.86UCAV30.960.770.5000.810.34UCAV40.200.4500.560.780.41UCAV50.560.9500.820.110.77UCAV600.780.460.390.360.65UCAV70.780.110.700.700.890.45UCAV80.770.550.790.6900.47UCAV90.910.590.33000.55UCAV100.780.630.160.130.830.93表8續(xù)航能力效果度量雷達(dá)1雷達(dá)2雷達(dá)3雷達(dá)4雷達(dá)5雷達(dá)6UCAV110.150.310.710.360.80UCAV20.320.990.210.130.370.26UCAV30.100.230.5010.190.66UCAV40.800.5510.440.230.59UCAV50.440.0910.230.900.23UCAV610.230.540.610.110.55UCAV70.260.880.300.290.110.58UCAV80.100.410.690.3910.53UCAV90.110.380.33110.61UCAV100.130.250.810.710.270.10圖5為本發(fā)明方法和改進(jìn)前算法的平均運(yùn)行時(shí)間對(duì)比圖，圖中的橫坐標(biāo)是算法運(yùn)行次數(shù)，縱坐標(biāo)是算法平均運(yùn)行時(shí)間。從圖中可以發(fā)現(xiàn)IGABC算法的運(yùn)行平均時(shí)間明顯比ABC算法和DE-ABC算法短，這是因?yàn)镮GABC算法收斂速度快，收斂到最優(yōu)解所需的迭代次數(shù)少，算法收斂速度的實(shí)驗(yàn)結(jié)果如圖6和圖7所示。圖6和圖7為本發(fā)明方法和改進(jìn)前算法的收斂速度對(duì)比圖，圖中的橫坐標(biāo)是算法迭代次數(shù)，縱坐標(biāo)是算法計(jì)算得到的適應(yīng)度值。由圖6和圖7可以看出，IGABC算法的收斂速度均大于其他三種算法，且在迭代相同時(shí)，IGABC獲得的適應(yīng)度值大部分都優(yōu)于其他三種算法，這是因?yàn)镮GABC算法一方面利用了遺傳算法中選擇、交叉和變異算子改進(jìn)鄰域搜索方式來(lái)保持種群個(gè)體多樣性，另一方面改進(jìn)了跟隨概率公式，一定程度上改善了個(gè)體退化現(xiàn)象。IGABC算法在保持個(gè)體多樣性的同時(shí)，也使得個(gè)體能夠向好的方向上進(jìn)化，有效地減少了算法迭代的次數(shù)，提高了算法的收斂速度。因此，相比ABC算法、DE-ABC算法以及DGABC算法，IGABC算法具有更快的收斂速度以及較強(qiáng)的全局搜索能力，且不易陷入局部解，可以提高任務(wù)調(diào)度的有效性。上面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作了詳細(xì)說(shuō)明，但是本發(fā)明并不限于上述實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。以上所述，僅是本發(fā)明的較佳實(shí)施例而已，并非對(duì)本發(fā)明作任何形式上的限制，雖然本發(fā)明已以較佳實(shí)施例揭露如上，然而并非用以限定本發(fā)明，任何熟悉本專業(yè)的技術(shù)人員，在不脫離本發(fā)明技術(shù)方案范圍內(nèi)，當(dāng)可利用上述揭示的技術(shù)內(nèi)容做出些許更動(dòng)或修飾為等同變化的等效實(shí)施例，但凡是未脫離本發(fā)明技術(shù)方案內(nèi)容，依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)，在本發(fā)明的精神和原則之內(nèi)，對(duì)以上實(shí)施例所作的任何簡(jiǎn)單的修改、等同替換與改進(jìn)等，均仍屬于本發(fā)明技術(shù)方案的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)1 2 3