基于帕累托最優(yōu)的雷達(dá)-通信共享孔徑研究

石長安 劉一民 王希勤 于 鵬

?

基于帕累托最優(yōu)的雷達(dá)-通信共享孔徑研究

石長安①②劉一民*①王希勤①于 鵬②

①(清華大學(xué)電子工程系 北京 100084)②(中國洛陽電子裝備試驗中心 洛陽 471003)

針對雷達(dá)-通信綜合射頻系統(tǒng)，該文提出一種基于環(huán)境信息的共享孔徑動態(tài)分配方法。首先基于帕累托最優(yōu)理論將共享孔徑分配建模為一個多目標(biāo)優(yōu)化問題，并建立了雷達(dá)陣列方向圖的峰值旁瓣電平和多輸入多輸出(MIMO)通信系統(tǒng)的信道容量兩個優(yōu)化目標(biāo)函數(shù)。然后提出一種基于整數(shù)編碼的改進(jìn)粒子群算法，通過迭代求解以帕累托前沿的形式給出一組最優(yōu)解，供決策者根據(jù)任務(wù)需求從中選出一個最滿意的解。最后，仿真結(jié)果驗證了該方法的有效性。

共享孔徑；綜合射頻系統(tǒng)；多目標(biāo)優(yōu)化；粒子群算法；帕累托最優(yōu)

1 引言

為了適應(yīng)信息化戰(zhàn)爭對作戰(zhàn)平臺多任務(wù)、多功能的需求，現(xiàn)代飛機(jī)、艦艇裝備的雷達(dá)、通信、電子戰(zhàn)設(shè)備越來越多，所占的體積、重量、功耗和成本也日益擴(kuò)大，甚至造成了嚴(yán)重的電磁干擾。因此，利用綜合孔徑實現(xiàn)雷達(dá)、通信、電子戰(zhàn)等多功能集成的綜合射頻系統(tǒng)已經(jīng)成為電子信息系統(tǒng)發(fā)展的重要方向，引起了世界各國的高度重視。工程實踐表明，綜合射頻系統(tǒng)在一個共用的射頻孔徑上同時實現(xiàn)雷達(dá)、通信、電子戰(zhàn)等功能，可以改善作戰(zhàn)平臺的電磁兼容性和隱身性能，從而提升武器系統(tǒng)的整體作戰(zhàn)效能。自20世紀(jì)80年代起，美國通過持續(xù)不斷地研究取得了令人矚目的成績。美國空軍相繼開展了“寶石柱”(Pave Pillar)計劃、“寶石臺”(Pave Pale)計劃等，逐步將多功能一體化向縱深方向推進(jìn)；美國海軍先后開展了先進(jìn)共用孔徑(ASAP)項目、先進(jìn)多功能射頻概念(AMRFC)項目、集成上層建筑(InTop)項目等，主要致力于孔徑綜合方面的研究，以解決天線數(shù)量增加帶來的電磁干擾嚴(yán)重、裝備隱身性差、維護(hù)保養(yǎng)困難等問題；美國國防部高級研究計劃局(DARPA)開展了可重構(gòu)孔徑(RECAP)項目，重點研究通過微電子機(jī)械系統(tǒng)(MEMS)技術(shù)對天線進(jìn)行重構(gòu)。此外，歐洲防務(wù)局(EDA)開展的可擴(kuò)展多功能射頻系統(tǒng)(SMRF)項目，意大利與瑞典聯(lián)合開展的多功能有源電子掃描陣天線(M-AESA)項目等也都取得良好的成績。

在美國海軍的AMRFC演示驗證系統(tǒng)中，發(fā)射陣面被劃分為4個相同的子陣，用于同時實現(xiàn)雷達(dá)、通信、電子戰(zhàn)等功能[1]。這種固定的陣面劃分方式缺乏足夠的靈活性，不能隨著任務(wù)需求或環(huán)境信息的變化而動態(tài)調(diào)整資源的分配狀態(tài)。鑒于目前尚未發(fā)現(xiàn)共享孔徑動態(tài)分配方面的公開文獻(xiàn)，本文擬從雷達(dá)-通信綜合射頻系統(tǒng)入手，深入探討基于環(huán)境信息的共享孔徑動態(tài)分配方法。后續(xù)內(nèi)容安排如下：第2節(jié)建立了共享孔徑分配的多目標(biāo)優(yōu)化模型，給出了雷達(dá)陣列和通信陣列優(yōu)化的目標(biāo)函數(shù)，第3節(jié)介紹了帕累托最優(yōu)的相關(guān)概念，提出了基于整數(shù)編碼的改進(jìn)粒子群算法，第4節(jié)給出了幾種典型的仿真實驗及結(jié)果分析，最后一節(jié)總結(jié)了本文的研究工作，并指出了下一步的研究方向。

2 共享孔徑分配的多目標(biāo)優(yōu)化模型

相對于有源相控陣體制，數(shù)字陣列體制利用數(shù)字方式對天線各陣元獨立地進(jìn)行發(fā)射/接收控制，不僅陣面劃分靈活，而且每個子陣的波束指向、形狀、頻率和功率可以單獨控制，是現(xiàn)階段實現(xiàn)綜合射頻系統(tǒng)的最佳技術(shù)體制。因此，本文以1維數(shù)字陣列為例，研究雷達(dá)-通信共享孔徑動態(tài)分配方法。

圖1 均勻線陣示意圖

由天線理論可知，陣列天線的輻射場是各陣元輻射場的矢量和。假定均勻線陣采用無方向性陣元，其陣列方向圖可表示為

共享孔徑分配的目的是通過調(diào)整各陣元的使用狀態(tài)，使得雷達(dá)陣列和通信陣列同時獲得良好的性能。

2.1雷達(dá)陣列優(yōu)化的目標(biāo)函數(shù)

對于雷達(dá)系統(tǒng)來說，共享孔徑分配相當(dāng)于附加了通信陣列約束的稀疏陣列優(yōu)化問題。研究表明，與相同孔徑的周期陣列(標(biāo)準(zhǔn)滿陣，陣元間距為波長的一半)相比，稀疏陣列方向圖的主瓣寬度基本不變，但是旁瓣電平會劇烈起伏。因此，在稀疏陣列優(yōu)化問題中，人們通常采用峰值旁瓣電平作為優(yōu)化目標(biāo)函數(shù)。

(4)

陣列方向圖的峰值旁瓣電平(Peak Side-Lobe Level, PSLL)可表示為

綜上，雷達(dá)陣列優(yōu)化的目標(biāo)函數(shù)取為

為了保持雷達(dá)陣列的孔徑不變，在本文后續(xù)的理論分析及仿真實驗中，圖1所示陣列的最左和最右兩個陣元始終分配給雷達(dá)使用，即。

2.2 通信陣列優(yōu)化的目標(biāo)函數(shù)

與單天線收發(fā)通信系統(tǒng)相比，MIMO(Multiple Input Multiple Output)通信系統(tǒng)在不增加帶寬和天線總發(fā)射功率的情況下，可以極大地提高系統(tǒng)的信道容量[10,11]。假定MIMO系統(tǒng)有個發(fā)射天線，個接收天線，其信道矩陣可表示為

MIMO信道容量可表示為[11]

當(dāng)發(fā)射端天線采用均勻功率分配方式時，信道容量可簡化為[10]

研究表明，當(dāng)信道存在相關(guān)性時，MIMO信道容量將急劇下降。人們對相關(guān)信道模型的研究已經(jīng)趨于成熟。不失一般性，假定相關(guān)信道采用Kronecker相關(guān)模型[12]，信道矩陣可表示為

(10)

在實際環(huán)境中，天線間隔是影響信道相關(guān)性的主要因素之一。天線間隔越小，相關(guān)性越大；天線間隔越大，相關(guān)性越小。根據(jù)這一特點，有人提出了單參數(shù)的指數(shù)相關(guān)模型[13]，相關(guān)矩陣的元素取值為

對于通信系統(tǒng)來說，共享孔徑分配相當(dāng)于附加了雷達(dá)陣列約束的天線選擇問題[14,15]。不失一般性，這里采用最大化信道容量準(zhǔn)則，即從個發(fā)射天線中選出個，也就是從中選出列構(gòu)成新的信道矩陣，使得信道容量最大[15]。

為了便于寫成最小化問題，通信陣列優(yōu)化的目標(biāo)函數(shù)取為

3 共享孔徑分配的算法設(shè)計

與單目標(biāo)優(yōu)化問題不同，多目標(biāo)優(yōu)化問題的各個目標(biāo)沒有共同的度量標(biāo)準(zhǔn)，而且可能相互沖突，即一個目標(biāo)的改善會以其它目標(biāo)的惡化為代價，從而導(dǎo)致不存在使所有目標(biāo)同時達(dá)到最優(yōu)的全局最優(yōu)解。換句話說，當(dāng)存在多個優(yōu)化目標(biāo)時，“最優(yōu)解”的概念產(chǎn)生了變化。本文以帕累托最優(yōu)作為衡量資源分配優(yōu)劣的標(biāo)準(zhǔn)，來協(xié)調(diào)處理兩個不兼容目標(biāo)的聯(lián)合優(yōu)化問題。

3.1帕累托最優(yōu)理論

帕累托最優(yōu)(Pareto Optimality)是博弈論中的重要概念。如果改變資源分配狀態(tài)，在不使任何目標(biāo)變壞的前提下，可以使至少一個目標(biāo)得到改善，稱為帕累托改進(jìn)。帕累托最優(yōu)是指沒有帕累托改進(jìn)余地的資源分配狀態(tài)，即在不使其他目標(biāo)變壞的情況下，不可能再使任何一個目標(biāo)變好。

為了評價多目標(biāo)問題解的優(yōu)劣性，通常會用到以下幾個定義[16]：

(1)帕累托支配關(guān)系(Pareto dominance relations)。對于任意兩個決策矢量,(支配)，當(dāng)且僅當(dāng)

(2)帕累托最優(yōu)解(Pareto optimal solutions)。決策矢量稱為帕累托最優(yōu)解，當(dāng)且僅當(dāng)

(14)

帕累托最優(yōu)解又稱為帕累托非支配解。

(3)帕累托最優(yōu)集(Pareto optimal set)。所有帕累托最優(yōu)解的集合稱為該問題的帕累托最優(yōu)集。

(4)帕累托前沿(Pareto front)。所有帕累托最優(yōu)解對應(yīng)的目標(biāo)向量集合稱為該問題的帕累托前沿。

(16)

多目標(biāo)優(yōu)化問題一般不存在唯一的最優(yōu)解，而是存在一個帕累托最優(yōu)集。求解多目標(biāo)優(yōu)化問題就是設(shè)法尋找盡可能多的帕累托最優(yōu)解，并盡量使這些解在帕累托前沿上分布均勻。在實際應(yīng)用中，根據(jù)對問題的了解程度和個人偏好，決策者可以從帕累托最優(yōu)集中選出一個最滿意的解。

3.2改進(jìn)粒子群算法

本文的共享孔徑分配是一個組合優(yōu)化問題，難以獲得解析解。粒子群優(yōu)化算法(Particle swarm optimization)是一種基于群體智能的啟發(fā)式搜索算法，在解決大規(guī)模復(fù)雜優(yōu)化問題、空間函數(shù)尋優(yōu)、動態(tài)目標(biāo)尋優(yōu)等方面得到了廣泛應(yīng)用。本文在借鑒PAES[21], SPEA2[22,23], NSGA-II[24,25]等算法的基礎(chǔ)上，提出了一種基于整數(shù)編碼的改進(jìn)粒子群算法。該算法采用了基于擁擠距離的選擇算子[17]、非支配解排序[24]、精英保留以及變異操作等多種策略，不需要準(zhǔn)確衡量各優(yōu)化目標(biāo)之間的權(quán)重關(guān)系，而且可以同時處理一組最優(yōu)解。

在粒子群算法中，每個個體稱為一個“粒子”，代表一個潛在的可行解。在一個維的目標(biāo)搜索空間中，設(shè)粒子群規(guī)模為，第個粒子的當(dāng)前位置為，飛行速度為，該粒子迄今為止搜索到的最優(yōu)位置為，整個粒子群迄今為止搜索到的最優(yōu)位置為,。

在迭代過程中，粒子根據(jù)式(17)和式(18)進(jìn)行速度和位置更新。

在共享孔徑分配問題中，由于粒子位置為整數(shù)變量，故將位置更新公式修改為

(20)

在進(jìn)行速度更新時，改進(jìn)算法采用可變的慣性因子，迭代公式為

為了避免陷入局部最優(yōu)，按式(17)完成位置更新之后，改進(jìn)算法會以很小的變異概率從該粒子中隨機(jī)選出1維按式(20)進(jìn)行賦值，用來實現(xiàn)變異操作。

除了速度更新和位置更新，改進(jìn)算法還包括以下3種更新：

(1)外部集更新。從當(dāng)前群體中找出所有的帕累托最優(yōu)解，按照帕累托支配關(guān)系對外部集進(jìn)行更新。如果外部集已滿，則刪除最擁擠的粒子，讓新粒子進(jìn)入，這樣既不損失最優(yōu)解，又能給群體帶來多樣性。

(2)個體最優(yōu)更新。從粒子的當(dāng)前位置和歷史最優(yōu)位置中選擇較優(yōu)者，作為當(dāng)前的個體最優(yōu)，若兩者無支配關(guān)系，則隨機(jī)選擇一個作為當(dāng)前的個體最優(yōu)。

(3)全局最優(yōu)更新。計算當(dāng)前外部集中各粒子的擁擠距離，然后從擁擠距離排名靠前的粒子(如前10%)中依次通過隨機(jī)抽取為當(dāng)前群體中的各粒子指定其全局最優(yōu)。個體的擁擠距離越大，說明其所處的區(qū)域越稀疏，在進(jìn)化過程中越應(yīng)該被保留，這樣優(yōu)化出的帕累托前沿在分布上會更加均勻。

迭代結(jié)束后，最終的外部集就是帕累托最優(yōu)集，該集合中所有元素對應(yīng)的適應(yīng)度值，共同構(gòu)成了目標(biāo)函數(shù)空間中的帕累托前沿。

圖2為改進(jìn)粒子群算法的流程圖。

圖2 改進(jìn)粒子群算法的流程圖

4 仿真實驗及結(jié)果分析

本文研究共享孔徑動態(tài)分配主要出于兩種考慮：一種是環(huán)境信息(信道狀態(tài)信息)改變了，要想獲得期望的信道容量，需要優(yōu)化調(diào)整各陣元的分配狀態(tài)；另一種是環(huán)境信息基本未變(一般來說，信道狀態(tài)不會一成不變，只是變化快與慢的區(qū)別)，但任務(wù)需求(對雷達(dá)性能和通信性能的重視程度)改變了，也需要優(yōu)化調(diào)整各陣元的分配狀態(tài)。

下面通過計算機(jī)仿真驗證本文所提方法的有效性。共享陣列的參數(shù)：均勻線陣，陣元數(shù)，陣元間距，波長；假定通信系統(tǒng)發(fā)射天線相關(guān)，給定天線相關(guān)系數(shù)，由式(11)可得到發(fā)射相關(guān)矩陣；假定接收天線不相關(guān)，即接收相關(guān)矩陣，且接收端陣元數(shù)，接收信噪比。粒子群算法的參數(shù)：群體規(guī)模，最大迭代次數(shù)，慣性因子,，學(xué)習(xí)因子，外部集的規(guī)模。

圖3給出了兩種環(huán)境信息下的共享孔徑動態(tài)分配問題的帕累托前沿，其中圖3(a)的發(fā)射天線相關(guān)系數(shù)，圖3(b)的發(fā)射天線相關(guān)系數(shù)。圖中藍(lán)色曲線上的“*”點為帕累托最優(yōu)解，其他區(qū)域的“.”點為優(yōu)化算法搜索過的所有可行解。帕累托最優(yōu)解僅僅是可以接受的“不壞”的解，彼此之間并沒有優(yōu)劣之別，它們共同構(gòu)成的帕累托前沿刻畫出了在各種可能的資源分配狀態(tài)下系統(tǒng)所能達(dá)到的性能邊界。

圖3 兩種環(huán)境信息下共享孔徑分配問題的帕累托前沿

對比圖3(a)和圖3(b)可以看出，信道相關(guān)性的改變對信道容量的影響非常大。在第2種環(huán)境下，無論如何分配陣列資源都無法達(dá)到那條線。從理論上來說，雷達(dá)性能指標(biāo)(方向圖的峰值旁瓣電平)不受信道狀態(tài)信息的影響，仿真結(jié)果也證明了這一點。圖3(a)和圖3(b)所能達(dá)到的最優(yōu)旁瓣電平之所以存在細(xì)微差別，是因為智能優(yōu)化算法無法保證每次尋找到的最優(yōu)解完全一樣?？傊?，當(dāng)環(huán)境信息發(fā)生變化時，必須相應(yīng)地調(diào)整各陣元的分配狀態(tài)，才能實現(xiàn)共享孔徑資源的最佳利用。

從圖3還可以看出，無論在哪種環(huán)境信息下，雷達(dá)陣列和通信陣列都無法同時達(dá)到最優(yōu)性能。在實際應(yīng)用中，決策者可以根據(jù)對雷達(dá)性能和通信性能的不同重視程度，從帕累托前沿上選出一個最滿意的解。以圖3(a)為例，如果更加重視通信性能，比如要求信道容量優(yōu)于，可以選擇點作為最滿意的解；如果更加重視雷達(dá)性能，比如要求峰值旁瓣電平優(yōu)于，可以選擇點作為最滿意的解。點和點分別對應(yīng)不同的陣列分配方案，各方案中所有陣元的分配狀態(tài)如表1所示。

表1兩種不同的陣列分配方案

圖4給出了上述分配方案A和B所對應(yīng)的雷達(dá)陣列方向圖與相同孔徑的周期陣列(標(biāo)準(zhǔn)滿陣)方向圖的對比情況，這3種陣列均未進(jìn)行陣元幅度加權(quán)?？梢钥闯?，與周期陣列的峰值旁瓣電平相比，方案A由于偏重通信性能，其峰值旁瓣電平僅與周期陣列相當(dāng)；方案B由于偏重雷達(dá)性能，其峰值旁瓣電平比周期陣列改善了約4.8 dB。在雷達(dá)陣列的陣元位置確定之后，如果采用陣元幅度加權(quán)進(jìn)行優(yōu)化，可以進(jìn)一步降低其旁瓣電平，這表明該動態(tài)分配方法具有一定的實際應(yīng)用價值。

圖4 多目標(biāo)優(yōu)化后的雷達(dá)陣列方向圖

5 結(jié)束語

對于雷達(dá)-通信綜合射頻系統(tǒng)來說，如何靈活高效地配置共享孔徑資源是提高系統(tǒng)整體性能的關(guān)鍵環(huán)節(jié)之一。本文從多目標(biāo)優(yōu)化的角度來處理共享孔徑分配問題，首先建立了基于帕累托最優(yōu)的多目標(biāo)優(yōu)化模型，然后提出了基于整數(shù)編碼的改進(jìn)粒子群算法，通過迭代求解以帕累托前沿的形式給出一組最優(yōu)解，供決策者根據(jù)任務(wù)需求從中選擇一個最滿意的解。在仿真實驗中，不僅對比分析了兩種環(huán)境信息下所得帕累托前沿的異同，而且討論了相同環(huán)境信息、不同任務(wù)需求下所得雷達(dá)陣列方向圖的區(qū)別，從而驗證了實現(xiàn)共享孔徑動態(tài)分配的可行性與有效性。下一步將深入研究已知雷達(dá)系統(tǒng)雜波信息和通信系統(tǒng)信道狀態(tài)信息情況下的共享孔徑分配問題。

[1] TAVIK G C, HILTERBRICK C L, EVINS J B,. The advanced multifunction RF concept[J]., 2005, 53(3): 1009-1020. doi: 10.1109/TMTT.2005.843485.

[2] 張明友. 雷達(dá)-電子戰(zhàn)-通信一體化概論[M]. 北京: 國防工業(yè)出版社, 2010: 1-15.

ZHANG Mingyou. The Conspectus of Integrated Radar- Electronic Warfare-Communication[M]. Beijing: National Defense Industry Press, 2010: 1-15.

[3] 吳遠(yuǎn)斌. 多功能射頻綜合一體化技術(shù)的研究[J]. 現(xiàn)代雷達(dá), 2013, 35(8): 70-74.

WU Yuanbin. Research on technology of multifunction radio frequency integration[J]., 2013, 35(8): 70-74.

[4] QUAN Siji, QIAN Weiping, GUO Junhai,. Radar- communication integration: An overview[C]. 2014 IEEE 7th International Conference on Advanced Infocomm Technology (ICAIT), Fuzhou, China, 2014: 98-103. doi: 10.1109/ ICAIT.2014.7019537.

[5] 胡元奎, 靳學(xué)明, 范忠亮. 多功能綜合射頻系統(tǒng)技術(shù)研究[J]. 雷達(dá)科學(xué)與技術(shù), 2015, 13(3): 233-239. doi: 10.3969/j.issn. 1672-2337.2015.03.003.

HU Yuankui, JIN Xueming, and FAN Zhongliang. Research on multi-function integrated RF system technology[J]., 2015, 13(3): 233-239. doi: 10.3969/ j.issn.1672-2337.2015.03.003.

[6] KHODIER M M and CHRISTODOULOU C G. Linear array geometry synthesis with minimum sidelobe level and null control using particle swarm optimization[J]., 2005, 53(8): 2674-2679. doi: 10.1109/TAP.2005.851762.

[7] HA B V, ZICH R E, MUSSETTA M,. Thinned array optimization by means of M-cGA[C]. 2014 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting, Tennessee, USA, 2014: 1956-1957. doi: 10.1109/APS.2014.6905305.

[8] WANG Xiangrong, ABOUTANIOS E, and AMIN M G. Thinned array beampattern synthesis by iterative soft- thresholding-based optimization algorithms[J]., 2014, 62(12): 6102-6113. doi: 10.1109/TAP.2014.2364048.

[9] 嚴(yán)韜, 陳建文, 鮑拯. 基于改進(jìn)遺傳算法的天波超視距雷達(dá)二維陣列稀疏優(yōu)化設(shè)計[J]. 電子與信息學(xué)報, 2014, 36(12): 3014-3020. doi: 10.3724/SP.J.1146.2013.02011.

YAN Tao, CHEN Jianwen, and BAO Zheng. Optimization design of sparse 2-D arrays for over-the-horizon radar (OTHR) based on improved genetic algorithm[J].&, 2014, 36(12): 3014-3020. doi: 10.3724/SP.J.1146.2013.02011.

[10] FOSCHINI G J and GANS M J. On limits of wireless communications in a fading environment when using multiple antennas[J]., 1998, 6(3): 311-335. doi: 10.1109/TVT.2014.2363170.

[11] TELATAR E. Capacity of multi-antenna gaussian channels [J]., 1999, 10(6): 585-595. doi: 10.1002/ett.4460100604.

[12] POURAHMADI V, KOHANDANI F, and MOBASHER A. On the accuracy of channel modeling based on the Kronecker product[C]. 2010 IEEE 72nd Vehicular Technology Conference Fall (VTC 2010-Fall), Ottawa, Canada, 2010: 1-5. doi: 10.1109/VETECF.2010.5594341.

[13] LOYKA S L. Channel capacity of MIMO architecture using the exponential correlation matrix[J]., 2001, 5(9): 369-371. doi: 10.1109/4234.951380.

[14] GOROKHOV A. Antenna selection algorithms for MEA transmission systems[C]. 2002 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), Orlando, FL, USA, 2002, III: 2857-2860. doi: 10.1109/ ICASSP.2002.5745244.

[15] SANAYEI S and NOSRATINIA A. Capacity of mimo channels with antenna selection[J]., 2007, 53(11): 4356-4362. doi: 10.1109/ TIT.2007.907476.

[16] REYES-SIERRA M and COELLO C C. Multi-objective particle swarm optimizers: a survey of the state-of-the-art[J]., 2006, 2(3): 287-308.

[17] RAQUEL C R and NAVAL Jr P C. An effective use of crowding distance in multiobjective particle swarm optimization[C]. The 7th Annual conference on Genetic and Evolutionary Computation, Washington, DC, USA, 2005: 257-264. doi: 10.1145/1068009.1068047.

[18] KENNEDY J and EBERHART R. Particle swarm optimization[C]. IEEE International Conference on Neural Networks, 1995, 4: 1942-1948. doi: 10.1109/ICNN.1995. 488968.

[19] NANBO J and RAHMAT-SAMII Y. Advances in particle swarm optimization for antenna designs: real-number, binary, single-objective and multiobjective implementations[J]., 2007, 55(3): 556-567. doi: 10.1109/TAP.2007.891552.

[20] YUAN Quan and YIN G. Analyzing convergence and rates of convergence of particle swarm optimization algorithms using stochastic approximation methods[J]., 2015, 60(7): 1760-1773. doi: 10.1109/ TAC.2014.2381454.

[21] KNOWLES J and CORNE D. Approximating the nondominated front using the pareto archived evolution strategy[J]., 2000, 8(2): 149-172. doi: 10.1162/106365600568167.

[22] MAHETA H H and DABHI V K. An improved SPEA2 multi objective algorithm with non dominated elitism and generational crossover[C]. 2014 International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT), Ghaziabad, India, 2014: 75-82. doi: 10.1109/ ICICICT.2014.6781256.

[23] KARIMI F and LOTFI S. Solving multi-objective problems using SPEA2 and Tabu search[C]. 2014 Iranian Conference on Intelligent Systems (ICIS), Bam, Iran, 2014: 1-6. doi: 10.1109/IranianCIS.2014.6802566.

[24] DEB K, PRATAP A, AGARWAL S,. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]., 2002, 6(2): 182-197. doi: 10.1109/4235.996017.

[25] KONAK A, COIT D W, and SMITH A E. Multi-objective optimization using genetic algorithms: A tutorial[J].&, 2006, 91(9): 992-1007. doi: 10.1016/j.ress.2005.11.018.

Optimal Allocation of Shared Aperture in Radar-communication Integrated System Based on Pareto Optimality

SHI Changan①②LIU Yimin①WANG Xiqin①YU Peng②

①(Department of Electronic Engineering, Tsinghua University, Beijing 100084, China)②(Luoyang Electronic Equipment Test Center of China, Luoyang 471003, China)

In this work, considering a radar-communication integrated radio frequency system, a dynamic allocation method of shared aperture using relevant environmental information is proposed. Firstly, the shared aperture allocation task is formulated as a Multi-Objective Optimization (MOO) problem based on Pareto optimality, which uses the peak side-lobe level of radar array pattern and the channel capacity of Multiple Input Multiple Output (MIMO) communication system as its objective function. Then, an improved particle swarmoptimization algorithm based on integer encoding is proposed to solve the MOO problem. The iterative algorithm can find out a set of optimal solutions in the form of Pareto front, one of which can be chosen by decision makers as the most satisfactory solution according to mission requirements. Finally, the simulation results verify the effectiveness of the proposed method.

Shared aperture; Integrated radio frequency system; Multi-objective optimization; Particle swarm optimization; Pareto optimality

TN957

A

1009-5896(2016)09-2351-07

10.11999/JEIT151377

2015-12-08；

2016-05-13；

2016-07-04

國家自然科學(xué)基金(61571260)

The National Natural Science Foundation of China (61571260)

劉一民 yiminliu@tsinghua.edu.cn

石長安： 男，1978年生，博士生，研究方向為雷達(dá)信號處理.

劉一民： 男，1983年生，副教授，研究方向為雷達(dá)信號處理.

王希勤： 男，1968年生，教授，研究方向為雷達(dá)信號處理、智能交通信息系統(tǒng).