小型干扰机协同干扰任务分配方案研究

小型干扰机协同干扰任务分配方案研究

0多干扰机协同干扰任务分配问题随着信息技术和电子技术的快速发展，电子抵抗剂不再是一种再生。协同干扰技术正是在这种背景下产生的。它使用多个相互协作的小型化干扰机,采用干扰机联网技术,通过分布式网络结构进行数据交换,以分布式干扰来破坏敌人通信链路和雷达系统工作。协同干扰可以利用干扰机网络对干扰机进行有效的组织和调度,从全局的角度来协调干扰资源的使用,进而发挥干扰机网络的整体优势。近年来,多干扰机协同干扰已经成为了电子战领域研究热点,而干扰任务分配是多干扰机协同干扰的核心。多干扰机协同干扰任务分配是指:在满足各项战术和技术指标的前提下,为了达到期望的干扰目标,为每个干扰机分配任务的过程。现阶段,针对多雷达协同干扰任务分配的研究较多,而对通信网的研究却相对较少。文献使用非线性整数规划方法对多干扰机任务分配问题进行建模,模型简单、易于实现,但目标函数过于简单,不能完全描述干扰效能的关键指标。文献选择网络流为干扰对象,分别以对网络流干扰影响最大、干扰效率最佳以及任务分配平衡为目标函数,较为全面地描述了多干扰机协同干扰效能指标,该方案利用了网络流的流速和转发路径等参数,但没有考虑到侦察网络流的实际困难。干扰任务分配问题是一个典型的组合优化问题,并且是一个NP难题,求解困难。文献使用模拟退火算法和遗传算法对其求解,具有较强的鲁棒性和全局搜索能力。尤其是遗传算法易于实现、能够并发计算,因而受到广泛关注。文献通过构造与可行解相对应的编码机制,实现了遗传算法在多干扰机协同干扰资源优化中的应用,然而其染色体对解的描述能力不够直观,编译码过程容易浪费计算时间。此外,现有模型都是以干扰机能够干扰任何一个目标为假设条件,而在实际作战中,由于小型干扰机功率有限,所能选择的干扰目标也仅限在局部范围内,往往需要多个干扰机同时干扰一个目标,才能达到有效压制干扰时所要满足的功率要求。1全面干部干扰系统结构和网络机制的建设1.1指挥控制站及网络构建用C表示目标网络节点的集合。已知各节点保持静止,并且位置已通过预先侦察确定。用J表示在目标网络区域中布置的小型干扰机集合。所有干扰机类型相同,均采用一次性供电,且干扰功率可调,在指挥控制站的统一调度下工作。指挥控制站采用发电机供电,并搭载有高性能计算机,是协同干扰系统的中心处理单元。各干扰机保持静止,都有唯一的ID标识,可通过GPS或某些局部定位算法准确定位,并在目标区域内组网工作,网络中传递的信息包括干扰机位置信息、工作状态信息、指挥控制站指令控制信息等。假设干扰机的干扰频段能够覆盖目标网络的工作频率,干扰机和目标节点均使用全向天线。图1为协同干扰系统的典型任务想定。1.2任务簇集合的建立分布在目标区域中的小型干扰机以自组织形式组网,常采用基于簇的分层结构。以传感器数据融合问题的解决为启发,本文引入任务簇集合,设计了一种干扰机区域分簇的组网机制。在该机制中,首先将干扰机以单元格为基本区域分簇,然后根据干扰目标的实际分布,把相邻单元格簇聚合成任务簇集合并按照树的结构进行组织,以便在集合内实现对协同干扰任务的分配,进而缩小问题的求解规模,加快问题求解速度。具体步骤分为:1)簇区域划分。将目标区域划分为面积相等、位置相邻且互不重叠的单元格,干扰机节点根据自身位置信息归属到不同单元格中,如图1所示。单元格边长为minrj_max√2,rc_max√5rj_max2√,rc_max5√,其中rj_max表示单个干扰机的最大有效干扰半径,rc_max表示干扰机节点的通信距离。易知,只要干扰机与目标同处于一个单元格,干扰机就能对目标实施有效干扰,并且以rc_max√5rc_max5√划分的单元格,只有上、下、左、右四个方向的相邻单元格一定可达。2)簇首选择。在单元格中,簇首节点选举不仅与节点剩余能量有关,而且与节点执行的干扰任务有关,需要区分不同工作阶段进行考虑。一个是准备干扰阶段。该阶段中干扰机刚被投掷到目标区域内,尚未建立网络,也没有干扰任务下达,此时簇首选择主要考虑节点剩余能量,希望一个单元格中剩余能量最大的节点作为簇首,如果同时有多个,则挑选ID号最小的节点。另一个是实施干扰阶段。该阶段中干扰机节点上已明确分配有干扰任务,干扰能量档数越高,能耗就越大;干扰信号越强,干扰源就越容易暴露,反之亦然。从干扰机自身安全和能耗的角度出发,选取簇首主要考虑节点干扰任务,希望挑选干扰任务较轻、最好是无干扰任务的节点作为簇首,如果同时有多个,则再根据剩余能量和ID号来选择。3)任务簇集合建立。一个基本的任务簇集合由干扰目标所在单元格簇及其相邻单元格簇组成。当不同目标的基本任务簇集合存在区域重叠时,将它们合并,形成新的任务簇集合。挑选剩余能量大的簇首作为任务簇集合的簇首,并此为树根,利用簇树路由技术建立与其他簇首的连通关系。指挥控制站通过控制任务簇集合的簇首来管理整个集合。采用这种组织结构,即使在协同干扰系统与指挥控制站脱离的情况下,也能够有效地组织实施对目标网络的协同攻击,有利于提高系统鲁棒性。同时考虑可能采用无人机定期飞过网络上空充当指挥控制站,因此,建立任务簇集合也便于干扰机状态等数据信息的压缩和传递,大大降低了远程通信的机会。图2给出了一个典型的任务簇集合合并图例。其中,干扰目标A的基本任务簇集合TCA为{1,2,3,5,6,7,9,10,11},干扰目标B的基本任务簇集合TCB为{4,5,6,8,9,10,12,13,14},将两个簇集合合并后,形成新的任务簇集合{1,2,3,4,5,6,7,8,9,10,11,12,13,14}.从图中可以看出,新任务簇集合中不同簇首间以树状拓扑进行连接。需要指出的是,任务簇集合内部的通信并不是必须的,单纯就任务分发而言,指挥控制站也可以将指令直接下达给单元格簇,一种以指挥控制站作为协调器、集合内单元簇首为局部控制器的二级递阶协同控制结构也是可行的,如图3所示。2干扰覆盖的目标多干扰机协同干扰任务分配以整个干扰机网络的整体干扰效能最优为目标,而评价干扰效能的主要指标是目标网络的干扰覆盖、干扰机的能量损耗以及位置暴露造成的自身损耗。本文首先分析影响这三项指标的关键因素,分别建立干扰覆盖模型、能量损耗模型和实体损耗模型,在此基础上,以干扰覆盖最大化为主目标函数,建立基于区域覆盖的协同干扰任务分配模型。2.1目标ci通信的总体期望一般来说,小型干扰机发射干扰信号的能量分档可调,在不同干扰能量强度下,干扰机具有不同的有效干扰半径。设编号为k的小型干扰机jk具有最大M档能量强度,第m档干扰能量强度ENm对应的有效干扰半径为rk(m).根据文献中干扰机对目标通信影响的计算方法,ENm与rk(m)之间具有如下关系EΝmr2k(m)≤ε,(1)ENmr2k(m)≤ε,(1)其中,ε为干扰机对目标通信影响的最小能量强度门限值,通常考虑受干扰接收机在最大通信距离上接收到的有用信号功率。显然,当干扰机与目标的距离d超出干扰半径时,目标通信受干扰的影响可忽略不计,否则与d2成反比。因此目标通信受小型干扰机jk干扰的影响表达式为EFk={0,d>rk(m)；r2k(m)d2ε,d≤rk(m).(2)EFk={0,r2k(m)d2ε,d>rk(m)；d≤rk(m).(2)因为小型干扰机干扰能力有限,通常需要多个干扰机联合对目标发起协同干扰。假设在一个任务簇集合中,干扰目标集合为Ctc,干扰机集合为Jtc.从Jtc中挑选部分干扰机组成协同干扰集J′tc.定义J′tc={jk|tsk=S,tek=E,jk∈Jtc},其中tsk、tek表示干扰机jk的开始干扰时间和结束干扰时间,ts、te表示协同干扰集开始干扰时间和结束干扰时间。当J′tc中所有干扰机同时施放干扰时,干扰信号能量强度在目标ci处的累积值为∑jk∈J′tc∑jk∈J′tcr2k(m)d2ikεr2k(m)d2ikε,其中dik表示干扰机jk与干扰目标ci间的距离,ci∈Ctc.令xk表示干扰机jk是否加入J′tc,xk=1表示干扰机jk加入J′tc,xk=0表示干扰机jk未加入J′tc.易知,目标ci通信受协同干扰的影响值为∑jk∈Jtc∑jk∈Jtcxkr2k(m)d2ikε.xkr2k(m)d2ikε.考虑小型干扰机工作环境恶劣且距离敌方目标较近,容易遭受破坏或出现故障,假设干扰机jk的生存概率为qk,则协同干扰集中工作节点数目的数学期望为∑jk∈Jtc∑jk∈Jtcqkxk.当目标受到协同干扰集J′tc的干扰时,目标ci通信受协同干扰影响的期望值为∑jk∈Jtc∑jk∈Jtcqkxkr2k(m)d2ikεqkxkr2k(m)d2ikε.令Qi·ε表示对ci实施有效压制所要求达到的能量强度门限值。当发射机到受干扰目标的距离为L时,Qi的大小等于L2max2max/L2,其中Lmax表示最大通信距离。当干扰总期望值大于门限值时,即∑jk∈Jtc∑jk∈Jtcqkxkr2k(m)d2ikε≥Qi⋅ε(3)qkxkr2k(m)d2ikε≥Qi⋅ε(3)成立,则称目标ci被压制或被覆盖。定义干扰覆盖率为达到有效压制门限的目标节点数与目标网络中总节点数之比,即:Ι∑i=1∑i=1Iyi/I.其中,yi=1表示目标ci被覆盖,yi=0表示目标ci未被覆盖。显然,干扰覆盖率越大,协同干扰对目标网络的干扰效果越好。2.2干扰机能量消耗模型协同干扰损耗包括能量消耗和实体损耗两部分。干扰机能量消耗主要包括两个部分,一是发射机发射干扰信号的能量消耗,二是干扰机自身组网的能量消耗。由于军事通信中扩展频谱通信、自适应天线等抗干扰技术的广泛使用,即使是近距离干扰条件下,压制目标接收机通信所需的干扰信号发射功率也很大,狼群系统中干扰机的峰值功率已经达到了40W.另一方面,干扰机分布密度大,通信距离短,传输能耗低,单比特传输单位平方比所需的能量约为0.1nJ,并且由于受干扰目标静止,任务重分配和网络报文传输次数较少,这些特点使得干扰机用在组网以及消息传输上的能量消耗并不大。基于以上原因,本文中干扰机能量消耗模型,主要考虑干扰机在执行干扰任务时的能量消耗,认为干扰机在不施放干扰时能耗接近为0.由于能量消耗与有效干扰半径r2k(m)存在一定的比例关系,不妨令比例因子为δ,它表示干扰机将用于影响单比特信息接收的干扰信号传送单位平方米所耗的能量,单位为J/bit·m2.可得协同干扰时所有干扰机能耗的数学期望值为δΚ∑k=1qkxkr2k(m).实体损耗模型主要考虑干扰机开机工作导致的位置暴露因素。本文采用干扰机开机率来量化这一因素。定义干扰机开机率为开机工作的干扰机与干扰机总数之比,即Κ∑k=1qkxk/K.干扰机开机率越高,执行协同干扰任务中暴露的辐射源就越多,隐蔽性就越差,整个干扰机网络也就越容易遭受敌方的破坏。2.3能量消耗和干扰机节点的暴露建立协同干扰任务分配模型的目的是为了求解协同干扰集J′tc并分配集合中各个干扰机干扰任务,使得对目标网络的干扰效果最大。下面以干扰覆盖最大化为主目标函数,建立协同干扰最佳覆盖任务分配模型,在保证对目标节点最大干扰效果的前提下,尽可能地减少能量消耗和干扰机节点的暴露。由此,协同干扰任务分配模型为{maxF1(ˉy)=Ι∑i=1yi/Ι,(4)minF2(ˉx)=Κ∑k=1qkxk/Κ,(5)minF3(ˉr,ˉx)=Κ∑k=1qkxkr2k(m).(6)协同干扰任务分配应满足以下约束条件:1)xk∈{0,1},k=1,2,…,K;2){rk(m)>0,xk=1；rk(m)=0,xk=0.,表明小型干扰机工作时干扰半径不为零,不工作时干扰半径为零;3)目标ci被压制(或称为被覆盖)应满足式(7)、式(8),其中Ji表示与目标ci之间距离不大于r(M)的干扰机集合,dik表示干扰目标ci与Ji中干扰机jk之间的距离,Qi·ε表示干扰覆盖ci所要求满足的能量强度要求{rk≥dik,(7)∑jk∈Jiqkxkr2k(m)d2ikε≥Qi⋅ε⋅yi.(8)3覆盖优化方法在目标区域内,小型干扰机数目有限且分布不均匀,因此对处于不同位置目标节点的干扰效果也不同,按照强度可划分为强、中、弱三个不同等级。目标被覆盖属于强干扰。在条件允许的情况下,任务分配应保证所有目标都被覆盖,而在实际环境中,则需要进一步区分完全覆盖和不完全覆盖两种情况。所谓完全覆盖,是指目标区域内所有目标节点都被覆盖,而不完全覆盖则是指存在部分目标节点不能够被覆盖。对于不能够被覆盖的目标节点,应联合与目标之间距离不大于r(M)的所有干扰机以最大能量共同干扰,尽可能地增强干扰效果。而对于已经被覆盖的目标节点,需要通过优化算法,在保证覆盖的前提下尽量减少冗余能量损耗和节点暴露。下面首先给出问题求解的流程,然后求解其中的目标覆盖优化问题。需要说明的是,整个求解过程在指挥控制站中进行,计算完成后将分配结果通过网络分发给各个干扰机。3.1多选择知识产权干扰机首先,在保证对目标网络最佳干扰效果的前提下求解最小能耗问题,并说明问题的求解流程,最少开机问题的求解过程与之相似。具体步骤描述如下:1)确定与目标ci之间距离不大于r(M)的干扰机集合Ji;2)假设Ji中所有干扰机以最大干扰能量工作,它们的有效干扰半径是r(M),计算目标节点ci受到的干扰影响值并与门限值Qi·ε比较,统计yi,确定此时属于完全覆盖还是不完全覆盖情况;3)如果是完全覆盖,则将任务分配模型转换为多选择多维背包模型,以覆盖所有目标节点为约束条件,求解最小干扰能耗。模型形式表述如下:min∑jk∈JΜ∑m=1qkxkr2k(m)(9-1)s.t.{∑jk∈JiΜ∑m=1qkxkr2k(m)d2ikε≥Qi⋅ε;(9-2)Μ∑m=1rk(m)=1,rk(m)∈{0,1}.(9-3)约束(9-2)为干扰覆盖约束,Qi·ε为干扰覆盖目标ci的门限值,i=1,2,…,I,k=1,2,…,K,m=1,2,…,M;约束(9-3)表示干扰机只能选择一个有效干扰半径,其中rk(m)为0-1决策变量,当干扰机jk选择第m个有效干扰半径时,rk(m)=1,否则rk(m)=0.4)如果是不完全覆盖,则按以下步骤执行:a.确定未受覆盖目标节点集C0,联合在这些目标最大有效干扰半径r(M)范围内的所有干扰机以最大能量ENm共同实施干扰,这里的干扰机集合记为J0;b.确定受覆盖目标集合C1=C-C0,计算C1中目标节点受J0中干扰机的影响值,并从相应目标门限值中减去这一部分数值,重新更新C1中目标的覆盖门限;c.根据受覆盖目标的分布情况来确定任务分配模型,如果受覆盖目标孤立,则将任务分配模型转换为多选择背包模型,以对单目标实现覆盖为约束条件,求解最小干扰能耗;如果受覆盖目标相邻,则转换为步骤3中的多选择多维背包模型。下面给出单目标覆盖下的多选择背包模型,设目标编号为a,模型形式表述如下:min∑jk∈JaΜ∑m=1qkxkr2k(m)(10-1)s.t.{∑jk∈JaΜ∑m=1qkxkr2k(m)d2ikε≥Qa⋅ε;(10-2)Μ∑m=1rk(m)=1,rk(m)∈{0,1}.(10-3)约束(10-2)为对目标a的干扰覆盖约束,Qa·ε为干扰覆盖目标ca的门限值,约束(10-3)含义同于约束(9-3).3.2混合遗传的优化方法是按任务分配的结合问题的启发性知识,设计了一个混合遗传算法求解上述目标覆盖模型。下面主要对算法改进部分进行阐述。1干扰半径的确定采用整数编码。例如,在一类具有4种有效干扰半径的3个干扰机间进行任务分配的解可以表示为如下整数制串:x=(x1,x2,x3),xi∈{0,1,2,3},(0,2,3)表示1号干扰机不开机,2号干扰机选择第2档有效干扰半径,3号干扰机选择第3档有效干扰半径。利用整数编码方式比二进制编码方式具有更小的搜索空间复杂度,因此采用整数编码比二进制编码具有更快的搜索速度。2基于启发式算法的扩增控制初始种群构造过程和遗传操作(如交叉、变异)过程都会产生不可行解。这些不可行解不满足干扰覆盖约束,即目标受协同干扰的影响值小于门限值。采取增大干扰能量或增多干扰机数目的方式将它们转化为可行解。基于启发式算法中的贪婪策略,采用如下方式进行不可行解的修复:a.找出与干扰覆盖约束冲突最大的干扰目标编号i;b.将与目标ci之间距离不大于r(M)的干扰机按照距离大小升序排列;c.按以上排列的先后顺序,依次选择干扰机并增大其有效干扰半径,直至出现可行解为止。3干扰半径的确定种群初始化和遗传操作中产生的可行解会存在干扰覆盖冗余的问题。针对该问题,设计了一种可行解改进程序,对干扰机已经选择的有效干扰半径进行重新选择,使当前能耗值最小。改进程序规定当前解必须是可行的。对于干扰机jk,试探使用较小的干扰半径m′‚m′=argmin1≤m≤Μ{rk(m)|rk(m)<rk(mt)},其中mt为当前干扰半径档数。如果存在满足条件的干扰半径,则切换至该干扰半径工作,mt=m′;否则,继续对下一个干扰机进行新的搜索,直到所有干扰机处理结束。4干扰目标分布以某型无线电通信干扰弹的性能数据为基础,设置小型干扰机有效干扰半径参数集合为{0,350m,1050m,1750m},分别表示在不同档位干扰功率下的有效干扰半径,其中0表示当前干扰机关机,干扰效果计算参考式(1),干扰目标覆盖门限值为50ε.令干扰机在最大有效干扰半径下的能耗值为E,单位为J,则不同档位干扰功率下的能耗值为{0,0.04E,0.36E,E}.干扰机簇首选择和簇建立过程参照基于能量的簇树算法进行,要求单元格内干扰机分为一簇,并在任务簇集合中挑选剩余能量大的单元格簇首为树根建立生成树。假设干扰机投放区域是一个7×7个单元格组成的正方形区域,单元格长度为1238m,在区域中随机投放198个干扰机,干扰机生存概率为0.9,干扰机节点和干扰目标分布示意如图4所示,其中方块表示干扰机,圆点表示干扰目标。从图中可以出,区域内包含有9个干扰目标,采用网格形式分布。图5给出了协同任务分配与独立分配在能量消耗和开机数目上的对比示意。其中,协同任务分配下能耗和开机数目性能是对想定进行20次实验得出的平均结果。可见,协同任务分配能够大大减少能量消耗,对规模越大的小型干扰机群,效果就越明显。同时开机节点数目也有显著减少。表1给出了混合遗传算法HGA在求解能耗最小值上与标准遗传