技術(shù)特征：

1.一種基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法，其特征在于，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；

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；

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；

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。

2.如權(quán)利要求1所述的基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法，其特征在于：步驟1中，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q_jp(ej_i,j)，所用公式為：

$q_{jp}\left({\mathrm{ej}}_{i,j}\right)=1-\exp (-\mathrm{\α}\frac{{\mathrm{pow}}_{jp}\left(i\right)}{{\mathrm{pow}}_{ds}\left(j\right)}\mathrm{\β})$

其中，α、β表示由目標(biāo)類(lèi)型確定的經(jīng)驗(yàn)值常數(shù)，pow_jp(i)是指干擾信號(hào)功率，pow_ds(j)是目標(biāo)回波功率；

步驟1-2、確定協(xié)同干擾覆蓋空間q_js(ej_i,j)，所述公式為：

$q_{js}\left({\mathrm{ej}}_{i,j}\right)=\left\{\begin{array}{cc}0& dis(i,j)\>r_{ej}\left(i\right)\\ \mathrm{\γ}\frac{dis{(i,j)}^2}{r_{ej}{\left(i\right)}^2}& r_{safe}\≤dis(i,j)\≤r_{ej}\left(i\right)\\ \mathrm{\λ}\frac{dis{(i,j)}^2}{r_{ej}{\left(i\right)}^2}& dis(i,j)\<r_{safe}\end{array}\right.$

其中，γ為取決于目標(biāo)類(lèi)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)，r_ej(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，r_safe是指最小安全距離；

步驟1-3、確定協(xié)同干擾工作頻段q_jf(ej_i,j)，所述公式為：

$q_{jf}\left({\mathrm{ej}}_{i,j}\right)=\left\{\begin{array}{cc}0& {\mathrm{freq}}_{in}(i,j)=0\\ \frac{{\mathrm{freq}}_{in}(i,j)}{{\mathrm{fre}}_{jp}\left(i\right)}& 0\<{\mathrm{freq}}_{in}(i,j)\<{\mathrm{fre}}_{ds}\left(j\right)\\ 1& {\mathrm{freq}}_{in}(i,j)={\mathrm{fre}}_{ds}\left(j\right)\end{array}\right.$

其中，fre_jp(i)表示編號(hào)為i的UCAV的干擾信號(hào)頻譜，fre_ds(j)表示編號(hào)為j的目標(biāo)的信號(hào)頻譜，freq_in(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q_jt(ej_i,j)，所述公式為：

$q_{jt}\left({\mathrm{ej}}_{i,j}\right)=\left\{\begin{array}{cc}0& t_i=0\\ \underset{k=1,\mathrm{....},t_i}{max}\left(\frac{effect(i,j,StyleSet\[k\])}{en\_used\left(i\right)}\right)& otherwise\end{array}\right.$

其中，UCAV包含N_style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[t_i]，其中t_i∈[0,N_style]，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≤t_i.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q_ea(ej_i,j)，所述公式為：

$q_{ea}\left({\mathrm{ej}}_{i,j}\right)=1-\frac{en\_consu\left(i\right)}{en\_all\left(i\right)}$

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。

3.如權(quán)利要求1所述的基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法，其特征在于：步驟2中的協(xié)同電子干擾任務(wù)調(diào)度模型CEJ-TSM為：

$\max EJ={\mathrm{\Σ}}_{k=1}^5{\mathrm{\ω}}_k*{\mathrm{UniQ}}_k$

s.t.

$\left\{\begin{array}{c}1\≤{\mathrm{UD}}_i\≤m,{\mathrm{UD}}_i\∈N\\ 0\<{\mathrm{VA}}_j\<1,\∀j\∈D\\ {\mathrm{\Σ}}_{j=1}^m{\mathrm{du}}_{ij}=1,\∀i\∈U\\ {\mathrm{du}}_{ij}\∈\{0,1\},\∀i\∈U;\∀j\∈D\\ {\mathrm{\Σ}}_{i=1}^n{\mathrm{du}}_{ij}\≤l\max ,\∀j\∈D\end{array}\right.$

其中，ω_k是指第k維指標(biāo)的權(quán)重，UniQ_k是指第k維指標(biāo)的歸一化值，UD＝{UD₁,UD₂,…,UD_n},UD_i(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)；VA_j(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；du_ij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)。

4.如權(quán)利要求1所述的一種基于改進(jìn)人工蜂群算法的協(xié)同電子干擾任務(wù)調(diào)度方法，其特征在于：步驟3中采用改進(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(kāi)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v_d的第i個(gè)元素，為當(dāng)前雇傭蜂所依附食物源x_d的第i個(gè)元素，為食物源x_ε的第i個(gè)元素，ε∈{1,2,…,SN}且ε≠d，為當(dāng)前最佳方案Gbest_x_d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(kāi)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v_d的第i個(gè)元素，為當(dāng)前雇傭蜂所依附食物源x_d的第i個(gè)元素，為食物源x_ε的第i個(gè)元素，ε∈{1,2,…,SN}且ε≠d，為當(dāng)前最佳方案Gbest_x_d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：

$p_d=\mathrm{\μ}*\frac{fit\left(x_d\right)}{{\max }_{d=1}^{SN}fit\left(x_d\right)}+\mathrm{\ν}$

其中，p_d表示觀察蜂跟隨概率，fit(x_d)是食物源x_d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。