基于遗传算法的干扰资源动态分配方法研究

船舶重工集团公司723所 张汉伟 周秀珍

本文提出了一种基于遗传算法的干扰资源动态分配方法，该方法通过适应度矩阵建立、特征群体选择、轮盘赌特征群体选择、基因交叉变异等步骤，解决了面对多部威胁目标时的干扰资源动态分配问题。在仿真场景中，对不同场景下的资源分配结果进行了仿真分析。该方法具有实时性高、方案趋优的特点，对多平台协同电子对抗的资源动态分配研究具有实际参考意义。

引言

在现代电子战的背景下，单平台电子干扰的干扰手段单一，容易被干扰对象被动跟踪干扰源，而多平台协同电子干扰可有效提高功率谱密度，提高目标欺骗概率，满足战场态势实时变化对干扰设备多样性的要求。多平台协同电子对抗需要解决面对多部威胁目标时的干扰资源动态分配问题，即选派哪些干扰设备进行协同干扰（设备选择），干扰哪些目标（目标分配），如何实施协同干扰（战术动作指标规划）使我方资源的期望损失最小，并且使取得的期望收益最大。本文将研究一种基于遗传算法的干扰资源动态分配方法，以适应协同电子对抗资源调度问题的需求。

1.干扰适应度评价方法

定义1 假设我方有w个干扰设备，用向量表示；假设敌方有t个目标雷达，用向量表示，用武器目标符号对表示指派我方干扰设备Ji对目标雷达Rj施放干扰，其中

根据干扰设备对目标雷达施放干扰能力的约束条件，干扰适应度期望收益值为：

设备干扰适应度期望损失值为：

设备干扰适应度值用于评价我方干扰设备对目标雷达的干扰综合适应度期望值，设备干扰适应度值为：

2 基于遗传算法的干扰资源动态分配算法

假设某时刻战场态势下有w个我方干扰设备和t个敌方目标雷达，对于每一个干扰设备的指派，资源动态分配的目标是使干扰设备干扰某目标时取得的收益达到最大，同时损失降低到最小。干扰资源动态分配问题是求解最优干扰设备集合对干扰目标集合的分配方案，该分配方案使对应的目标函数达到最大，其中必须满足的约束条件为干扰样式约束和干扰频段约束，即协同干扰样式必须为对目标雷达体制有效的干扰样式，并且协同干扰频段必须大于或等于干扰目标工作频段。

电子对抗资源动态分配问题是一个典型的优化问题。求解资源分配问题的算法有很多[1]，一般可分为精确算法（exact algorithm）和启发式算法（heuristics algorithm）两大类。本文研究基于免疫遗传学算法的资源动态分配算法。免疫遗传学算法主要分为适应度矩阵建立、特征群体选择、轮盘赌特征群体选择、基因交叉变异等步骤[2]。

目标分配问题的数学模型[3]为：

个体m被选择的概率定义：

3.仿真结果与分析

若我方干扰设备与敌方目标雷达数目相等时，可采用一对一进行编码；若我方干扰设备数目（W）大于敌方雷达数目（T），先将敌方雷达按威胁等级进行编号，然后选出前W-T个威胁等级较高的目标依次编号为T+1，T+2.......W，使其转化为W=T的问题进行编码，研究。

仿真场景一：

假设有4个武器和4个目标，THREAT=[0.85，0.5，0.95，0.3]为目标威胁度，设备干扰适应度矩阵为：

假设抗体C=1，4，2，3以一定的概率选取若干位，选取1～3位时，目标按威胁度排序得T1、T2、T4。对于T1，FITN1-1为最大，分配W1给T1；对于T2，FITN2-2最大，分配W2给T2；对于T4，FITN2-4﹥FITN1-4﹥FITN4-4，但是W1，W2已分配完毕，所以只能分配W4给T4，最终，抗体C被修改为C=1，2，4，3。

仿真场景二：

假设有10个干扰设备和6个目标雷达，6个目标雷达按威胁等级排序为（3，2，5，1，4，6），按十进制编码方案将6个目标扩展成10个目标，其中目标雷达7，8，9，10对应3，2，5，1。假设经贪婪调整操作后某抗体为（1，4，8，2，10，3，9，5，6，7），首先对该抗体还原操作变为（1，4，2，2，1，3，5，5，6，3）。然后对该抗体利用约束条件，对于符合约束条件且适应度值较高的位（>符合约束条件的位数）保持不变，对于不符合约束条件和适应度较低的10位随机交换YYY位置，则选择此前未确定的一个基因做交换两个父个体进行PMX交叉操作如图1所示，其中“┊”表示交叉点。

图1 父个体进行PMX交叉操作仿真结果

4.结束语

为适应协同电子对抗资源调度问题的需求，本文提出了一种基于遗传算法的干扰资源动态分配方法，该方法通过适应度矩阵建立、特征群体选择、轮盘赌特征群体选择、基因交叉变异等步骤，解决了面对多部威胁目标时的干扰资源动态分配问题。并在仿真场景中，对我方干扰设备与敌方目标雷达数目相等和不相等的不同场景，对资源分配结果进行了仿真分析。该方法具有实时性高、方案趋优的特点，对多平台协同电子对抗的资源动态分配研究具有实际参考意义。