趙坤 劉睿 張龍龍 郭博雷

摘要 隨著無人機技術及偵察設備小型化的發(fā)展，無人偵察機可攜帶多頻段、多類型電磁信號偵察傳感器進行偵察，在航空偵察領域得到了廣泛應用。對有限傳感器進行合理規(guī)劃可以大大提高無人機偵察效果及傳感器利用率，本文提出一種基于遺傳算法的偵察傳感器任務自動規(guī)劃算法，可有效提高偵察傳感器的利用率，并仿真分析了不同參數(shù)對算法收斂性及結果最優(yōu)值的影響。

【關鍵詞】傳感器 任務規(guī)劃 無人偵察機

1 引言

無人偵察機可搭載多頻段、多類型的偵察天線對電磁目標進行偵察，具有針對多源多頻段目標的偵察能力，可對敵方通信、雷達等設備進行偵察，獲取敵方電磁輻射源的信息、部署情況，為作戰(zhàn)提供信息保障。對有限傳感器進行合理規(guī)劃可以大大提高無人機偵察效果及傳感器利用率。

多傳感器多目標分配的最優(yōu)化問題屬于組合爆炸問題，傳統(tǒng)的數(shù)學規(guī)劃方法雖然在理論上可得到最優(yōu)解，但需要大量的計算，時效性差。同時，由于不同類型的天線受限于頻率范圍及后端處理設備處理能力，可偵察的輻射源信號類型、頻段范圍以及可偵察目標數(shù)量上限不同，傳感器和偵察目標之間為多對多的復雜約束關系：一個傳感器可偵察多種目標，但針對不同目標的偵察項數(shù)量上限不同，部分偵察目標之間存在互斥關系;某一類偵察目標可選擇多種天線進行偵察。因此合理的為偵察目標分配天線，將有限的傳感器資源分配給哪個目標是亟待解決的問題。

2 國內(nèi)外研究現(xiàn)狀

傳感器管理的核心問題就是依據(jù)一定的最優(yōu)準則，建立目標函數(shù)，然后通過優(yōu)化目標函數(shù)來選定執(zhí)行任務的傳感器以及其工作模式或工作參數(shù)。文獻[1]提出了基于目標權重和信息增量的傳感器管理方法，該方法本質上是用線性規(guī)劃的方式來求解，實時性較低。文章[2][3]針對多傳感器多目標跟蹤問題，建立目標效能函數(shù)，基于遺傳算法的思想給出了一種以效能函數(shù)為目標函數(shù)的傳感器管理算法。但文獻中應用場景針對的是目標跟蹤任務，傳感器執(zhí)行的任務類型單一，僅包含目標跟蹤任務，根據(jù)傳感器對目標的跟蹤、覆蓋能力分配天線即可，無法解決復雜約束下多信號類型、多頻段、不同類型傳感器偵察項資源分配問題。

本文提出一種基于遺傳算法的無人偵察機多傳感器任務規(guī)劃技術，針對測向定位偵察提出一種目標價值計算方法;結合目標價值，利用遺傳算法解決多目標多傳感器、復雜約束條件下的傳感器偵察任務規(guī)劃問題，并結合通過仿真驗證算法的有效性并分析了不同參數(shù)對算法效果的影響，可有效的提高傳感器利用效率及偵察效果。

3 基于遺傳算法的多傳感器任務規(guī)劃算法

3.1 目標價值的計算

實際偵察中不同目標的威脅等級、歷史捕獲情況、航線對目標的可捕獲范圍均不相同，為威脅等級高、歷史捕獲次數(shù)較少的目標在資源競爭時優(yōu)先分配資源，可獲得較高的偵察價值;同時，對某一目標偵察覆蓋的時間越長，單次偵察獲取的信息越多。因此，有必要結合目標覆蓋范圍、歷史捕獲次數(shù)、威脅等級確定目標價值，在資源競爭時為偵察價值高的目標分配資源以獲取更好的偵察效果。

針對目標輻射源定位的實際要求，以觀測次數(shù)的多少來衡量目標單次被偵察價值，其中電子偵察機的飛行速度為Vkm/min，每分鐘對目標偵測次數(shù)為k，目標被捕獲距離為Lkm，假設最少對目標進行K次偵測才能有效的對目標進行定位，則目標單次被偵察價值p可用如下公式表示：

對于威脅等級為Threat，歷史被捕獲次數(shù)為n的目標，在實際偵察中捕獲N次后已經(jīng)基本探明目標相關信息，歷史被捕獲次數(shù)大于N后，目標被偵察價值減小，則目標被偵察價值P可表示為：

3.2 基于遺傳算法的傳感器規(guī)劃

遺傳算法是一種借鑒生物界自然選擇和自然遺傳機制的隨機搜索算法。遺傳算法通過模擬生物進化過程來搜索最優(yōu)解，根據(jù)應用場景進行編碼設計種群數(shù)字串，模擬由這些數(shù)字串構成的群體的進化過程。遺傳算法以其并行計算能力和群體搜索特性等優(yōu)點，在傳感器任務規(guī)劃中具有很好的效果及應用前景。

利用遺傳算法進行傳感器任務規(guī)劃前，需對目標數(shù)據(jù)進行可用天線分配、捕獲范圍計算、價值計算以及目標排序，假設無人偵察機搭載M個天線（A1，A2，…，A_M）對N個目標（T1，T2，…，T_N）進行偵察，整理步驟如下：

（1）根據(jù)目標n的類型、頻率及天線偵察目標屬性和天線可偵察的頻率范圍選擇偵察目標可用的天線集合TAn=（0，TA1，TA2…，TA_k），其中0表示不為該目標分配偵察天線，即不偵察該目標，不同目標的可用天線集合長度不一定相同;

（2）根據(jù)天線的偵察半徑范圍，計算規(guī)劃的航線上可捕獲該目標的起始及終止位置，根據(jù)捕獲范圍，利用公式（2）計算目標價值;

（3）根據(jù)目標捕獲起始位置的先后，對目標進行排序。

經(jīng)過目標整理后，使用遺傳算法為目標分配偵察天線，以獲得較高的目標價值總和。其中，遺傳算法的種群大小為NIND、最大迭代次數(shù)MaxGen、交叉概率PC、變異概率PM及代溝GGAP。流程如下：

（1）隨機產(chǎn)生初始種群。初始種群為NIND xN維矩陣，矩陣的每一行代表一個個體，為一個lxN的一維矩陣。個體中的每個值表示針對目標n，在目標可用天線集合TA_n中隨機選擇一個天線k對目標進行偵察。種群中的一個個體表示一種可選的傳感器規(guī)劃方法。當選擇目標偵察傳感器選擇0時，表示不偵察該目標。

（2）種群整理。對初始化的種群進行整理，依據(jù)天線約束條件，對初始化的種群進行天線沖突判定及消解。根據(jù)目標偵察的先后順序進行判斷，針對目標T_n選擇天線A_m進行偵察，若天線A_m正在被使用，判斷天線A_m的可偵察目標屬性約束及可偵察目標數(shù)量約束是否滿足要求。若滿足天線能力約束，則將目標T_n加入天線A_m正在偵察隊列。若目標T_n與天線A_m正在偵察的目標屬性沖突或超出可偵察目標上限，則從該目標的其他可用傳感器中選擇傳感器，若所有可用傳感器均不能使用，則不偵察該目標（種群中該目標選擇天線0）。

（3）計算種群個體的價值。對整理過后的種群計算種群價值，計算分配偵察天線的目標價值總和，作為種群價值。

（4）種群交叉。使用輪盤賭的方法從父代種群中篩選出GGAPxNIND個個體;隨機從篩選后的種群中選取兩個個體，以PC的概率進行交叉操作，即隨機選取個體中的某些維數(shù)進行互換，交叉過后按照步驟2所述方法重新整理種群，對天線沖突進行消解。

（5）種群變異。交叉整理后的種群中每個個體都有的概率發(fā)生變異，變異操作的方法為：隨機選擇個體中的某一維，在該目標可用天線集合中隨機選擇除當前選擇天線以外的其他天線對該目標進行偵察.并按照步驟2重新整理種群，最終形成子代種群;

（6）從父代種群中選取價值最高的前（l-GGAP）xNIND個個體加入子代種群中，形成新的種群;

（7）不斷迭代，重復第3-7條，直到達到最大的迭代次數(shù)MaxGen，得到最優(yōu)解。

4 仿真分析

為驗證算法的有效性，對算法進行仿真分析。仿真中設置偵察天線11個，其中天線的屬性包括：天線可偵察的目標類型（雷達信號、通信信號、雷達和通信信號都可偵察）、天線可偵察的起始頻率和終止頻率、天線可同時偵察目標的個數(shù);設置偵察目標72個，偵察目標的屬性包括：類型（雷達信號、通信信號）、目標頻率、目標的坐標、在該條航線上計算出的目標價值。偵察目標與航線分布示意圖如圖l。

在制造目標數(shù)據(jù)時，人為加入了有沖突的目標，這些沖突目標的頻率相似、信號類型一致并且位置相近，在所有的天線偵察組合中都不能被完全偵察，所以要放棄偵察一些目標。如圖1所示，紅色星形表示可以被偵察的目標，粉色正方形表示沒有被偵察的目標，黑色折線表示航線。

傳感器規(guī)劃算法的收斂圖如圖2所示。

圖2的三條收斂曲線分別是遺傳算法的三種典型收斂結果，青色曲線和藍色曲線都收斂到了最優(yōu)解，而粉色曲線收斂到了次優(yōu)解，陷入了局部最優(yōu)。因為在初始種群時，種群個體攜帶了最優(yōu)解的基因，在算法不斷迭代的過程中，通過交叉操作使最優(yōu)解的基因組合起來，所以青色曲線可以收斂到最優(yōu)解。當種群初始階段種群個體沒有攜帶最優(yōu)解的基因，算法在迭代的過程中，通過變異操作產(chǎn)生了最優(yōu)解的基因，所以藍色曲線可以收斂到最優(yōu)解。當種群初始時種群個體沒有攜帶最優(yōu)解的基因并且在迭代過程中通過變異也沒有操作產(chǎn)生最優(yōu)解基因，算法的收斂曲線并不能收斂到最優(yōu)解，如粉色曲線所示。所以遺傳算法的參數(shù)設置十分重要。本文仿真統(tǒng)計了不同交叉、變異率下，算法達到的價值與迭代次數(shù)值進行比較分析。遺傳算法參數(shù)交叉概率設置如表1所示。

表1表示在種群大小為100，代溝為0.9，變異概率為0.05的情況下，改變交叉概率，運行25次的最優(yōu)值、最差值、中值及平均值，最優(yōu)值使用黑體強調，最差值使用斜體強調。從表2中可以看出當交叉概率為0.8時，算法的結果最優(yōu)。

表2表示在種群大小為100，代溝為0.9，交叉概率為0.8的情況下，改變突變概率，運行25次的最優(yōu)值、最差值、中值及平均值，最優(yōu)值使用黑體強調，最差值使用斜體強調。從表中可以看出當變異概率為0.05時，算法的結果最優(yōu)。

通過分析可知，提高遺傳算法交叉率、變異率可以更好的達到最優(yōu)解，因為交叉和變異可以使得種群中更容易出現(xiàn)攜帶最優(yōu)基因的個體;但是交叉率、變異率并不是越大越好，交叉、變異率越大越容易將產(chǎn)生的最優(yōu)基因退化，會跳過最優(yōu)解，僅達到次優(yōu)解。所以針對仿真設定的場景，參數(shù)設置成種群大小為100，代溝為0.9，交叉概率為0.8，變異概率為0.05時可以較好的達到最優(yōu)解。

5 結束語

本研究偵察無人偵察機多傳感器任務規(guī)劃方法，提出一種針對測向定位偵察的目標價值計算方法，應用遺傳算法進行傳感器偵察項規(guī)劃的方法，可以很好的達到最優(yōu)解、次優(yōu)解;并通過仿真分析了遺傳算法參數(shù)對規(guī)劃效果和效率的影響。

參考文獻

[1]劉先省，周林等，基于目標權重和信息增量的傳感器管理方法[J].電子學報，2005，33 （09）.

[2]張廣遠，王福軍.一種基于遺傳算法的多傳感器管理算法[J].現(xiàn)代防御技術，2008. 36 （06）.

[3]伊鑫，李輝，基于遺傳算法的多傳感器管理[J].艦船電子工程，2010，30 （08）.

[4]曲向平，張穎.改進的遺傳算法對模糊控制的優(yōu)化及應用[J]自動控制，2009.