基于改進(jìn)粒子群的分布式通信干擾資源分配

趙經(jīng)緯　張君毅　李佳

關(guān)鍵詞：人工智能技術(shù);粒子群算法;改進(jìn)粒子群算法;分布式通信干擾;資源分配

中圖分類號(hào)：TN975 文獻(xiàn)標(biāo)識(shí)碼：A DOI： 10.7535/hbgykj.2023yx01007

當(dāng)今各軍事強(qiáng)國都在追求復(fù)雜電磁環(huán)境下的信息優(yōu)勢(shì)，通信對(duì)抗對(duì)敵方通信鏈路進(jìn)行干擾阻斷，破壞敵方的指揮控制和信息傳送，是獲取戰(zhàn)場(chǎng)信息優(yōu)勢(shì)的重要手段。隨著“電磁頻譜戰(zhàn)”等作戰(zhàn)概念的不斷深入，體系化作戰(zhàn)已成為必然趨勢(shì)，如何高效運(yùn)行己方作戰(zhàn)力量、實(shí)現(xiàn)“多目標(biāo)-多裝備”高效資源分配，是未來分布式通信對(duì)抗作戰(zhàn)指揮決策的核心關(guān)鍵。

傳 統(tǒng)通信干擾資源分配主要依靠人工經(jīng)驗(yàn)對(duì)多部干擾機(jī)/干擾力量進(jìn)行分配調(diào)度，主觀性較強(qiáng)，在針對(duì)單個(gè)目標(biāo)時(shí)尚能達(dá)到較好的干擾效果/效益，但是在“多目標(biāo)-多裝備”場(chǎng)景下，不同指揮人員的經(jīng)驗(yàn)對(duì)干擾效果存在很大的影響，干擾效益難以得到有效保障。因此，干擾資源分配調(diào)度對(duì)干擾效益和整體作戰(zhàn)效能起著決定性作用。

干擾資源分配實(shí)際上是一類非線性整數(shù)組合優(yōu)化問題，是一類NP難問題。針對(duì)此類問題，傳統(tǒng)的優(yōu)化算法主要包括0-1 規(guī)劃、動(dòng)態(tài)規(guī)劃、博弈論等[1-4]，這些算法已無法滿足當(dāng)前需要。目前常用的進(jìn)化算法包括遺傳算法、蟻群算法、粒子群算法等等。文獻(xiàn)[5—12]主要針對(duì)雷達(dá)網(wǎng)干擾資源分配場(chǎng)景進(jìn)行建模和分配，證明了進(jìn)化計(jì)算算法在資源分配問題中的有效性。文獻(xiàn)[5—7]通過對(duì)遺傳算法的編碼方式進(jìn)行改進(jìn)或者與其他算法進(jìn)行融合，改善了算法的局部搜索能力。文獻(xiàn)[8—9]對(duì)蟻群算法在路徑選擇和信息素更新方面提出了改進(jìn)，應(yīng)用于資源分配問題中，提升了算法搜索速度和尋優(yōu)能力。文獻(xiàn)[10]將粒子群算法引入干擾資源分配問題中，驗(yàn)證了算法在資源分配問題中應(yīng)用的可行性。文獻(xiàn)[11—12]對(duì)粒子在解空間中的多樣性和均勻性進(jìn)行優(yōu)化，避免算法陷入局部最優(yōu)，提高迭代效率。通信干擾資源調(diào)度模型與雷達(dá)干擾資源調(diào)度模型本質(zhì)上都要求干擾效益最大化，但二者建模的背景條件、目標(biāo)函數(shù)和約束有所不同。在通信干擾方面，文獻(xiàn)[13]針對(duì)通信對(duì)抗目標(biāo)分配問題，在瞄準(zhǔn)式干擾的背景下應(yīng)用分布式拍賣算法，并對(duì)算法競(jìng)拍序列的產(chǎn)生使用輪盤賭策略進(jìn)行優(yōu)化，干擾效益更高，但是存在局部搜索能力較弱、易于陷入局部最優(yōu)的問題。

本文針對(duì)分布式通信干擾資源高效分配需求，首先構(gòu)建分布式通信干擾場(chǎng)景及資源分配數(shù)學(xué)模型;然后，為了對(duì)模型求解，針對(duì)粒子群算法收斂速度慢、易陷入局部極值的特點(diǎn)，提出一種改進(jìn)的粒子群算法（improved particle swarm optimization，IPSO），實(shí)現(xiàn)干擾效益優(yōu)化;最后，從干擾效益、迭代速度、收斂誤差等角度出發(fā)，驗(yàn)證了本文所提算法的收斂性能。IPSO 算法采用自適應(yīng)慣性因子和學(xué)習(xí)因子，引入遺傳算法的變異策略，并實(shí)施精英保留策略，提升了干擾平均效益以及尋優(yōu)概率。

1 分布式通信干擾場(chǎng)景及資源分配模型

首先構(gòu)建分布式通信干擾場(chǎng)景如下：假設(shè)我方M 部干擾機(jī)位置固定，均采取瞄準(zhǔn)式干擾，且每部干擾機(jī)最多能夠發(fā)射L 條干擾波束，以目標(biāo)方向?yàn)榉ň€方向發(fā)射干擾波束對(duì)其進(jìn)行干擾。同時(shí)，所有干擾機(jī)的干擾波束功率P_j均可自主調(diào)節(jié)，且所有波束功率之和不得超過P_max。假設(shè)作戰(zhàn)場(chǎng)景中有N 架飛機(jī)攜帶超短波通信電臺(tái)組成若干定頻通信網(wǎng)， 各通信目標(biāo)的威脅程度W =[_w1，_w2，…，_wN]^T、通信功率P_t 已通過前期偵察及情報(bào)綜合分析獲取，利用多部干擾機(jī)對(duì)多個(gè)通信目標(biāo)進(jìn)行分布式協(xié)同干擾的場(chǎng)景如圖1所示。

相比于基本粒子群算法，本文改進(jìn)的粒子群算法在后期種群平均Hamming距離更低，說明算法向gbest收斂的性能更好。

3.3 算法性能對(duì)比

3.3.1 干擾效益對(duì)比

為驗(yàn)證所提算法的性能，選擇按照3.1節(jié)參數(shù)進(jìn)行迭代，得到本文改進(jìn)粒子群算法（IPSO）、文獻(xiàn)[5]的改進(jìn)小生境遺傳算法、基本粒子群算法（PSO）和基本遺傳算法（GA）的單次運(yùn)行收斂曲線，如圖3所示。

首先進(jìn)行單次收斂對(duì)比。由圖3可看出，算法單次收斂曲線具有階梯型的特征，這說明干擾資源分配問題的目標(biāo)函數(shù)是一種多峰的非線性函數(shù)，也說明算法在進(jìn)行全局尋優(yōu)。本文改進(jìn)粒子群算法通過15代收斂至全局最優(yōu)值6.835 7，文獻(xiàn)[5]算法在第217代收斂至全局最優(yōu)值6.835 7。而粒子群算法和遺傳算法分別在78代和102代收斂至局部最優(yōu)值6.829 4和6.806 0。由此可見，改進(jìn)的粒子群算法在收斂速度以及避免陷入局部極值的性能上均更優(yōu)。

進(jìn)行多次實(shí)驗(yàn)驗(yàn)證本文算法的性能優(yōu)勢(shì)。在上述場(chǎng)景和參數(shù)設(shè)置的條件下，分別使用IPSO、文獻(xiàn)[5]的改進(jìn)小生境遺傳算法、PSO 和GA 進(jìn)行100次迭代后取平均，得到的結(jié)果和平均收斂曲線分別如表2和圖4所示。

如表2和圖4可見，改進(jìn)的粒子群算法在干擾效益高于文獻(xiàn)[5]算法、PSO 和GA 的同時(shí)，所需的收斂代數(shù)和收斂時(shí)間均更低。這說明本文算法具有更好的搜索能力，提高了收斂性。

將干擾機(jī)數(shù)量M 、干擾波束數(shù)量L、目標(biāo)飛機(jī)數(shù)量N 進(jìn)行更改，重新進(jìn)行實(shí)驗(yàn)。為了測(cè)試算法在不同場(chǎng)景的適應(yīng)性，采取隨機(jī)生成數(shù)據(jù)的方式進(jìn)行驗(yàn)證，在保證對(duì)于同一規(guī)模下的不同算法，輸入的通信功率、天線增益、距離等參數(shù)均相同的條件下，進(jìn)行100次蒙特卡洛實(shí)驗(yàn)。計(jì)算平均干擾效益（目標(biāo)函數(shù)值），得到的結(jié)果如表3所示。

從以上數(shù)據(jù)可以看出，改進(jìn)粒子群算法相較于文獻(xiàn)[5]算法、PSO 和GA 在不同干擾機(jī)數(shù)量、干擾波束數(shù)量、目標(biāo)數(shù)量的情況下，均能獲得較高的干擾效益，對(duì)干擾資源進(jìn)行更加合理的分配。這說明算法相對(duì)于文獻(xiàn)[5]算法、PSO 和GA 搜索能力更強(qiáng)，跳出局部極值的能力更強(qiáng)。

3.3.2 收斂誤差對(duì)比

對(duì)比算法的收斂誤差。本文定義算法的收斂誤差由式（10）計(jì)算：

error=E_best-E， （10）

式中：error為收斂誤差;E_best為全局最優(yōu)目標(biāo)函數(shù)值;E 為一次實(shí)驗(yàn)所獲得的干擾效益值。

根據(jù)式（10）及表3中場(chǎng)景進(jìn)行蒙特卡洛實(shí)驗(yàn)所獲得的每一次實(shí)驗(yàn)的干擾效益值與全局最優(yōu)值作差，計(jì)算算法的收斂誤差，所得結(jié)果如圖5和表4所示。

如圖5所示，經(jīng)過100次實(shí)驗(yàn)，本文算法在各種場(chǎng)景下的收斂誤差均明顯低于文獻(xiàn)[5]算法、PSO和GA，更加接近全局最優(yōu)。

在圖5和表4中場(chǎng)景①到場(chǎng)景⑥的條件下，在場(chǎng)景規(guī)模增大的情況下，由圖5可見，本文算法在這些場(chǎng)景下的收斂誤差和平均收斂誤差均低于文獻(xiàn)[5]算法、PSO和GA。由此可見，本文算法的收斂性能優(yōu)于文獻(xiàn)[5]算法、PSO和GA，具有較好的統(tǒng)計(jì)性能。

4 結(jié)語

針對(duì)分布式通信干擾場(chǎng)景下面臨的資源分配效率低、干擾效益無保障等問題，首先設(shè)計(jì)了分布通信干擾場(chǎng)景的數(shù)學(xué)模型;其次為了改進(jìn)粒子群算法易“早熟”收斂的特點(diǎn)，采用將自適應(yīng)慣性因子和學(xué)習(xí)因子引入遺傳算法中的變異策略，并采取精英保留策略，對(duì)粒子群算法進(jìn)行了改進(jìn)。仿真實(shí)驗(yàn)表明，改進(jìn)的粒子群算法相較于小生境遺傳算法、粒子群算法和遺傳算法，搜索能力更強(qiáng)，在場(chǎng)景規(guī)模增大的情況下，能夠獲得更高的干擾效益，并且所需的收斂時(shí)間更短、收斂誤差更小。

因此，本文改進(jìn)的粒子群算法能夠?qū)崿F(xiàn)對(duì)干擾資源的合理調(diào)度與分配。下一步將在數(shù)學(xué)建模中考慮更多的因素，并進(jìn)一步提升粒子群的收斂速度，以適應(yīng)更廣泛的場(chǎng)景，實(shí)現(xiàn)對(duì)干擾資源更合理的分配。