一种基于改进人工蜂群算法的协同电子干扰任务调度方法与流程

本发明涉及协同干扰领域，特别是一种基于改进人工蜂群算法的协同电子干扰任务调度方法。
背景技术：
：对协同干扰任务调度问题的研究，本质上也就是对WTA问题的研究。其内容也是主要包括干扰效果评估指标的选取、任务调度模型的建立以及目标函数最优解的求取三个方面。由于雷达信号发射与处理技术的复杂性，干扰机在对其进行干扰的评估指标也具有多面性。选择不同的评估指标对协同任务干扰调度方案的选取会产生不同，从而导致最终的干扰效果也会不同。干扰效果评估准则主要指的是在评估干扰效果时，所选择的评估指标和所确定的干扰效果等级划分。评估指标是指在评估中需要检测的被干扰对象与干扰效应有关的关键性能指标。干扰效果等级划分则是指根据上述评估指标量值大小对被干扰对象性能的影响程度，确定出与干扰无效、有效或一级、二级、三级等量化等级对应的评估指标的阈值。目前，国内外研究学者普遍认同的评价指标有干扰频率、干扰功率、干扰样式等等。针对不同的任务调度模型，许多学者都提出了各自不同的求解算法，大致可以分成两种类型，即传统算法、智能优化算法及其改进算法。传统算法通常是把任务调度问题的实际约束和核心建模进行剥离，只是对任务调度问题本身进行求解，采用一定策略对解空间中所有的解决方案进行评价，从而来确定全局解空间中的最优解，并以此作为最终的调度方案。传统算法的特点是算法思想较为简单，能够在小规模问题上得到较为精确的解。但是当目标数目增多时，收敛速度慢。因此，对于大规模的任务调度问题，传统算法无法在有限时间内给出全局最优解。智能优化算法是人们从生物进化的机理和一些物理现象中受到启发而提出的用于解决复杂优化问题的新方法。智能算法凭借其高效的优化性能、能够在复杂空间中随机搜索等优点，受到学者们的重视与研究。国内外学者们将WTA问题的研究与智能优化算法的研究相结合，旨在提高WTA问题求解的效率与效能，用以加深对WTA问题的研究。人工蜂群算法是土耳其埃尔吉耶斯大学Karaboga提出的一种新型进化算法，因其参数设置少、收敛速度快、收敛精度高、且不容易陷入局部最优等特点得到研究者的广泛关注。由于ABC算法是一种新型仿生智能优化算法，对于ABC算法改进研究工作还不多见。且现有的关于协同电子干扰任务调度的模型与求解算法无论在时间效率上还是解的质量上均存在不足。因此，目前急需一种适用于求解协同电子干扰任务调度方法，但是现有技术中尚无相关描述。技术实现要素：本发明的目的是针对UCAV(unmannedcombataerialvehicle)协同干扰多部敌方雷达的任务调度这一问题，以及现有模型的不足，提供一种基于改进人工蜂群算法的协同电子干扰任务调度方法。为了解决上述技术问题，本发明是通过以下技术方案实现的：一种基于改进人工蜂群算法的协同电子干扰任务调度方法，包括以下步骤：步骤1，综合UCAV对目标雷达的分析干扰效果，给出任务调度评估指标集及干扰效果评估指标的定量计算方法，并进行归一化处理。所述干扰效果评估指标的定量计算方法为：(1)协同干扰压制概率qjp(eji,j)可以表示为：其中，α、β表示由目标类型确定的经验值常数，powjp(i)是指干扰信号功率，powds(j)是目标回波功率。(2)协同干扰覆盖空间qjs(eji,j)可以表示为：其中，γ为取决于目标类型确定的经验值常数或常量函数，λ是小于1的常数，表示安全系数，rej(i)是编号为i的UCAV进行干扰的有效半径，dis(i,j)为编号为i的UCAV与编号为j的目标的距离，rsafe是指最小安全距离。(3)协同干扰工作频段qjf(eji,j)可以表示为：其中，frejp(i)表示编号为i的UCAV的干扰信号频谱，freds(j)表示编号为j的目标的信号频谱，freqin(i,j)表示编号为i的UCAV的干扰信号频谱与编号为j的目标的信号频谱相交的部分。(4)协同干扰样式qjt(eji,j)可以表示为：其中，假设UCAV包含Nstyle种干扰样式，且已经按照干扰效果排列，第i个UCAV对第j个目标可采用的干扰样式集为StyleSet[ti]，其中ti∈[0,Nstyle]，en_used(i)表示的是编号为i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤ti.表示的是编号为i的UCAV产生的干扰效果。(5)续航能力qea(eji,j)可以表示为：其中，en_consu(i)表示的是编号为i的UCAV消耗的能量，en_all(i)表示的是编号为i的UCAV初始时刻拥有的总能源。步骤2，确定协同干扰的任务调度约束条件，建立协同电子干扰任务调度模型CEJ-TSM。所述协同电子干扰任务调度模型CEJ-TSM为：s.t.其中，模型的目的是用来寻找使目标函数最大化的调度方案，ωk是指第k维指标的权重，UniQk是指第k维指标的归一化值。约束条件用来保证算法所求的调度方案中每个UCAV对目标雷达进行干扰的时候满足干扰频率、干扰样式等的要求。UD＝{UD1,UD2,…,UDn},UDi(i＝1,2…,n)表示的是将第i架UCAV分配给干扰目标雷达的设备号；VAj(j＝1,2,…,m)表示的是对第j部目标雷达进行干扰的价值量；duij表示第i架UCAV是否对第j部目标雷达进行干扰，若为0则表示不进行干扰，否则就进行干扰；lmax表示每部目标雷达最多分配UCAV的架数。步骤3，采用改进的全局人工蜂群算法IGABC对协同电子干扰任务调度模型进行求解。其中改进的全局人工蜂群算法步骤具体包含：步骤3.1：初始化种群：规定蜂群的大小，雇佣蜂、观察蜂和侦察蜂的数目，循环次数及最大邻域搜索值。步骤3.2：雇佣蜂进行邻域搜索，搜索公式为：其中，通过调节ξ的值来平衡算法的探索与开发能力，i为从m维数组中随机选择的一个维度，i∈{1,2,…,m}，表示雇佣蜂进行邻域搜索后得到新食物源位置vd的第i个元素，为当前雇佣蜂所依附食物源xd的第i个元素，为食物源xε的第i个元素，ε∈{1,2,…,SN}且ε≠d，为当前最佳方案Gbest_xd的第i个元素，若超出[lb,ub]边界，则使用边界值。步骤3.3：计算其适应度值，参考遗传算法的遗传策略，运用选择、交叉和变异算子，将邻域搜索后的解与迭代最优解进行交叉、变异操作，按照贪婪法则选择新解，搜索公式为：其中，rand是一个对每个分量都产生的[0,1]之间的均匀分布的随机值，CR是一个交叉概率，通过调节ξ的值来平衡算法的探索与开发能力，i为从m维数组中随机选择的一个维度，i∈{1,2,…,m}，表示雇佣蜂进行邻域搜索后得到新食物源位置vd的第i个元素，为当前雇佣蜂所依附食物源xd的第i个元素，为食物源xε的第i个元素，ε∈{1,2,…,SN}且ε≠d，为当前最佳方案Gbest_xd的第i个元素，若超出[lb,ub]边界，则使用边界值。步骤3.4：计算观察蜂跟随概率，公式为：其中，fit(xd)是食物源xd代表的解的适应度。通过调节系数μ和ν来协调算法的探索能力和开发能力，μ为[0.5,1]之间的随机数，ν为[0,0.5]之间的随机数，且μ和ν满足μ+ν＝1。步骤3.5：观察蜂转化成雇佣蜂，计算其适应度值，参考遗传算法的遗传策略，运用选择、交叉和变异算子，将邻域搜索后的解与迭代最优解进行交叉、变异操作，按照贪婪法则选择新解。步骤3.6：判断雇佣蜂、观察蜂搜寻次数是否超过限定次数Limit，若雇佣蜂、观察蜂搜寻次数超过限定次数Limit，仍然没有找到更高适应度的蜜源，则放弃该蜜源，同时蜜蜂的角色由雇佣蜂或者观察蜂转化为侦察蜂，并随机产生一个新的蜜源；否则就记录当前的位置信息。步骤3.7：记录当前所有蜜蜂找到的最优蜜源，并跳至步骤3.2，直到满足最大迭代次数maxCycle的条件或小于优化误差时输出全局最优位置。步骤4，根据IGABC算法的结果获得协同电子干扰任务调度方案。本发明与现有技术相比，其显著优点为：本发明引入消极指标，重新定义任务调度评估指标集，并且给出了干扰效果评估指标的定量计算方法，建立协同电子干扰任务调度模型，设计新算法对模型进行求解。本发明在UCAV协同干扰多部敌方雷达的任务调度的问题上能够显著提高了最优解的搜索能力，同时也提高了任务调度方案生成的效率和准确性。附图说明图1为基于改进人工蜂群算法的协同电子干扰任务调度流程图。图2为UCAV干扰频谱与目标频谱的关系图，其中图(a)和(b)表示UCAV干扰频谱与目标频谱完全不重叠的两种情况，图(c)表示UCAV干扰频谱完全包含目标频谱，图(d)和图(e)表示UCAV干扰频谱与目标频谱不完全重叠的两种情况。图3为整数数组编码方案。图4为编码方案举例。图5为算法平均运行时间对比。图6为算法收敛速度对比(迭代次数为50)。图7为算法收敛速度对比(迭代次数为500)。具体实施方式结合图1，本发明的一种基于改进人工蜂群算法的协同电子干扰任务调度方法，包括以下步骤：步骤1、根据任务调度评估指标集及干扰效果评估指标的定量计算方法，综合分析UCAV对目标雷达的干扰效果，并进行归一化处理；所述干扰效果评估指标的定量计算方法为：步骤1-1、确定协同干扰压制概率qjp(eji,j)，所用公式为：其中，α、β表示由目标类型确定的经验值常数，powjp(i)是指干扰信号功率，powds(j)是目标回波功率；步骤1-2、确定协同干扰覆盖空间qjs(eji,j)，所述公式为：其中，γ为取决于目标类型确定的经验值常数或常量函数，λ是小于1的常数，表示安全系数，rej(i)是编号为i的UCAV进行干扰的有效半径，dis(i,j)为编号i的UCAV与编号j的目标的距离，rsafe是指最小安全距离；步骤1-3、确定协同干扰工作频段qjf(eji,j)，所述公式为：其中，frejp(i)表示编号为i的UCAV的干扰信号频谱，freds(j)表示编号为j的目标的信号频谱，freqin(i,j)表示编号为i的UCAV的干扰信号频谱与编号为j的目标的信号频谱相交的部分；步骤1-4、确定协同干扰样式qjt(eji,j)，所述公式为：其中，UCAV包含Nstyle种干扰样式，且已经按照干扰效果排列，第i个UCAV对第j个目标采用的干扰样式集为StyleSet[ti]，其中ti∈[0,Nstyle]，en_used(i)表示的是编号为i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤ti.表示的是编号为i的UCAV产生的干扰效果；步骤1-5、确定续航能力qea(eji,j)，所述公式为：其中，en_consu(i)表示的是编号为i的UCAV消耗的能量，en_all(i)表示的是编号为i的UCAV初始时刻拥有的总能源。步骤2、确定协同干扰的任务调度约束条件，建立协同电子干扰任务调度模型CEJ-TSM；所述协同电子干扰任务调度模型CEJ-TSM为：s.t.其中，ωk是指第k维指标的权重，UniQk是指第k维指标的归一化值，UD＝{UD1,UD2,…,UDn},UDi(i＝1,2…,n)表示的是将第i架UCAV分配给干扰目标雷达的设备号；VAj(j＝1,2,…,m)表示的是对第j部目标雷达进行干扰的价值量；duij表示第i架UCAV是否对第j部目标雷达进行干扰，若为0则表示不进行干扰，否则就进行干扰；lmax表示每部目标雷达最多分配UCAV的架数。步骤3、采用改进的全局人工蜂群算法IGABC对协同电子干扰任务调度模型进行求解；具体包含以下步骤：步骤3-1、初始化种群：规定蜂群的大小，雇佣蜂、观察蜂和侦察蜂的数目，循环次数及最大领域搜索值；步骤3-2、雇佣蜂进行邻域搜索，搜索公式为：其中，通过调节ξ的值来平衡算法的探索与开发能力，i为从m维数组中随机选择的一个维度，i∈{1,2,…,m}，表示雇佣蜂进行邻域搜索后得到新食物源位置vd的第i个元素，为当前雇佣蜂所依附食物源xd的第i个元素，为食物源xε的第i个元素，ε∈{1,2,…,SN}且ε≠d，为当前最佳方案Gbest_xd的第i个元素，若超出[lb,ub]边界，则使用边界值；步骤3-3、计算其适应度值，采用遗传算法的遗传策略，运用选择、交叉和变异算子，将邻域搜索后的解与迭代最优解进行交叉、变异操作，按照贪婪法则选择新解，搜索公式为：其中，rand是一个对每个分量都产生的[0,1]之间的均匀分布的随机值，CR是一个交叉概率，通过调节ξ的值来平衡算法的探索与开发能力，i为从m维数组中随机选择的一个维度，i∈{1,2,…,m}，表示雇佣蜂进行邻域搜索后得到新食物源位置vd的第i个元素，为当前雇佣蜂所依附食物源xd的第i个元素，为食物源xε的第i个元素，ε∈{1,2,…,SN}且ε≠d，为当前最佳方案Gbest_xd的第i个元素，若超出[lb,ub]边界，则使用边界值；步骤3-4、计算观察蜂跟随概率，公式为：其中，pd表示观察蜂跟随概率，fit(xd)是食物源xd代表的解的适应度，μ为[0.5,1]之间的随机数，ν为[0,0.5]之间的随机数，且μ和ν满足μ+ν＝1；步骤3-5、观察蜂计算其适应度值，参考遗传算法的遗传策略，运用选择、交叉和变异算子，将邻域搜索后的解与迭代最优解进行交叉、变异操作，按照贪婪法则选择新解；步骤3-6、判断雇佣蜂、观察蜂搜寻次数是否超过限定次数Limit，若雇佣蜂、观察蜂搜寻次数超过限定次数Limit，仍然没有找到更高适应度的蜜源，则放弃该蜜源，同时蜜蜂的角色由雇佣蜂或者观察蜂转化为侦察蜂，并随机产生一个新的蜜源；否则就记录当前的位置信息；步骤3-7、记录当前所有蜜蜂找到的最优蜜源，并跳至步骤3-2，直到满足最大迭代次数maxCycle的条件或小于优化误差时输出全局最优位置。步骤4、根据IGABC算法的结果获得协同电子干扰任务调度方案。本发明在UCAV协同干扰多部敌方雷达的任务调度的问题上能够显著提高了最优解的搜索能力，同时也提高了任务调度方案生成的效率和准确性。为了使本领域技术人员更好地理解本申请中的技术问题、技术方案和技术效果，下面结合附图和具体实施方式对本发明一种基于改进的人工蜂群算法的协同电子干扰任务调度方法作进一步详细说明。本发明首先，综合分析干扰效果，给出可信任务调度评估指标集及定量计算方法，并进行归一化处理。其次，确定协同干扰的任务调度约束条件，建立协同电子干扰任务调度模型CEJ-TSM。然后，采用改进的全局人工蜂群算法IGABC对协同电子干扰任务调度模型进行求解。最后，根据IGABC算法的结果获得协同电子干扰任务调度方案。本发明提供一种基于改进人工蜂群算法的协同电子干扰任务调度方法，基本流程如图2所示。首先，对干扰效果评估指标进行了综合分析以及重新确定了定量计算方法，建立可信任务调度评估指标集，同时将这些指标分为积极指标和消极指标两大类，并进行归一化处理。其次，基于这些评估指标提出了一种协同电子干扰任务调度模型(CooperativeElectronicJammingTaskSchedulingModel，CEJ-TSM)。然后，将UCAV协同干扰多部敌方雷达的任务调度这一问题表示成一个目标优化求解问题，结合改进的全局人工蜂群算法IGABC来求解该问题。最后，生成协同干扰任务调度方案。步骤1，根据任务调度评估指标集及干扰效果评估指标的定量计算方法，综合分析UCAV对目标雷达的干扰效果，并进行归一化处理。所述干扰效果评估指标的定量计算方法为：(1)协同干扰压制概率qjp(eji,j)可以表示为：其中，α、β表示由目标类型确定的经验值常数(根据压制干扰效果的理论分析，在本实施例中，α＝0.23，β＝2)，powjp(i)是指干扰信号功率，powds(j)是目标回波功率。(2)协同干扰覆盖空间qjs(eji,j)可以表示为：其中，γ为取决于目标类型确定的经验值常数或常量函数，λ是小于1的常数，表示安全系数，rej(i)是编号为i的UCAV进行干扰的有效半径，dis(i,j)为编号为i的UCAV与编号为j的目标的距离，rsafe是指最小安全距离。(3)协同干扰工作频段qjf(eji,j)可以表示为：其中，frejp(i)表示编号为i的UCAV的干扰信号频谱，freds(j)表示编号为j的目标的信号频谱，freqin(i,j)表示编号为i的UCAV的干扰信号频谱与编号为j的目标的信号频谱相交的部分。(4)协同干扰样式qjt(eji,j)可以表示为：其中，假设UCAV包含Nstyle种干扰样式，且已经按照干扰效果排列，第i个UCAV对第j个目标可采用的干扰样式集为StyleSet[ti]，其中ti∈[0,Nstyle]，en_used(i)表示的是编号为i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤ti.表示的是编号为i的UCAV产生的干扰效果。(5)续航能力qea(eji,j)可以表示为：其中，en_consu(i)表示的是编号为i的UCAV消耗的能量，en_all(i)表示的是编号为i的UCAV初始时刻拥有的总能源。步骤2，确定协同干扰的任务调度约束条件，建立协同电子干扰任务调度模型CEJ-TSM。针对各指标的不同，聚合操作有平均AVERAGE、最小MIN、求和SUM、三种形式，可以得到表1。表1聚合函数采用简单加权和法(SimpleAdditiveWeighting,SAW)，给各指标按照重要程度赋予不同的权重，再通过加权和计算得到综合评价值。但由于指标评价时采用了不同的方法且量纲也不同，因此首先必须将指标进行归一化。在归一化阶段，可以将指标分为积极指标和消极指标两类。在进行归一化时要分别处理，，归一化处理方法如下。积极指标的归一化计算：消极指标的归一化计算：其中maxQk(minQk)表示所有任务调度方案中第k维指标的最大值(最小值)，如果两者相等，则指标的归一化值为1。令ωk为第k维指标的权重，本发明采用AHP方法来确定ωk的值。协同电子干扰任务调度模型CEJ-TSM为：s.t.其中，模型的目的是用来寻找使目标函数最大化的调度方案，ωk是指第k维指标的权重，UniQk是指第k维指标的归一化值。约束条件用来保证算法所求的调度方案中每个UCAV对目标雷达进行干扰的时候满足干扰频率、干扰样式等的要求。UD＝{UD1,UD2,…,UDn},UDi(i＝1,2…,n)表示的是将第i架UCAV分配给干扰目标雷达的设备号；VAj(j＝1,2,…,m)表示的是对第j部目标雷达进行干扰的价值量；duij表示第i架UCAV是否对第j部目标雷达进行干扰，若为0则表示不进行干扰，否则就进行干扰；lmax表示每部目标雷达最多分配UCAV的架数。步骤3，采用改进的全局人工蜂群算法IGABC对协同电子干扰任务调度模型进行求解。本发明通过采用改进人工蜂群算法来进行全局状态下的任务调度的方案选择，蜂群觅食行为与任务调度问题的对应关系如表2所示。采用的编码方案如图3所示。如某阶段需要对敌方3部雷达进行干扰，现出动5架UCAV执行此任务，对3部雷达的威胁程度按照从大到小的顺序进行编号，同时也对5架UCAV的作战能力按照从大到小的顺序进行编号，则可能出现的编码方案如图4所示。图4表示的含义是编号为1和3的UCAV干扰目标雷达1，编号为4的UCAV干扰目标雷达2，编号为2和5的UCAV干扰目标雷达3。表2蜂群觅食行为与任务调度问题的对应关系蜂群觅食行为任务调度问题食物源位置任务调度方案蜜源质量适应度函数值寻找及觅食的速度算法优化速度最佳食物源任务调度最佳方案食物源的维度任务调度评估指标的个数改进的全局人工蜂群算法步骤具体包含：步骤3-1：初始化种群：规定蜂群的大小，雇佣蜂、观察蜂和侦察蜂的数目，循环次数及最大邻域搜索值。步骤3-2：雇佣蜂进行邻域搜索，搜索公式为：其中，通过调节ξ的值来平衡算法的探索与开发能力，i为从m维数组中随机选择的一个维度，i∈{1,2,…,m}，表示雇佣蜂进行邻域搜索后得到新食物源位置vd的第i个元素，为当前雇佣蜂所依附食物源xd的第i个元素，为食物源xε的第i个元素，ε∈{1,2,…,SN}且ε≠d，为当前最佳方案Gbest_xd的第i个元素，若超出[lb,ub]边界，则使用边界值。步骤3-3：采用遗传算法的遗传策略，运用选择、交叉和变异算子，将邻域搜索后的解与迭代最优解进行交叉、变异操作，按照贪婪法则选择新解，搜索公式为：其中，rand是一个对每个分量都产生的[0,1]之间的均匀分布的随机值，CR是一个交叉概率，通过调节ξ的值来平衡算法的探索与开发能力，i为从m维数组中随机选择的一个维度，i∈{1,2,…,m}，表示雇佣蜂进行邻域搜索后得到新食物源位置vd的第i个元素，为当前雇佣蜂所依附食物源xd的第i个元素，为食物源xε的第i个元素，ε∈{1,2,…,SN}且ε≠d，为当前最佳方案Gbest_xd的第i个元素，若超出[lb,ub]边界，则使用边界值。步骤3-4：计算观察蜂跟随概率，公式为：其中，pd表示观察蜂跟随概率，fit(xd)是食物源xd代表的解的适应度。通过调节系数μ和ν来协调算法的探索能力和开发能力，μ为[0.5,1]之间的随机数，ν为[0,0.5]之间的随机数，且μ和ν满足μ+ν＝1。步骤3-5：观察蜂计算其适应度值，参考遗传算法的遗传策略，运用选择、交叉和变异算子，将邻域搜索后的解与迭代最优解进行交叉、变异操作，按照贪婪法则选择新解。步骤3-6：判断雇佣蜂、观察蜂搜寻次数是否超过限定次数Limit，若雇佣蜂、观察蜂搜寻次数超过限定次数Limit，仍然没有找到更高适应度的蜜源，则放弃该蜜源，同时蜜蜂的角色由雇佣蜂或者观察蜂转化为侦察蜂，并随机产生一个新的蜜源；否则就记录当前的位置信息。步骤3-7：记录当前所有蜜蜂找到的最优蜜源，并跳至步骤3-2，直到满足最大迭代次数maxCycle的条件或小于优化误差时输出全局最优位置。步骤4，生成协同电子干扰任务调度方案。实施本发明的方法时，以电子战编队远程支援干扰为例，假设编队中有10架UCAV，需要对敌方地面的6部雷达进行干扰，对每部雷达的作战价值进行评估，并按照作战价值大小进行排序编号，如表3所示。IGABC和ABC算法、DE-ABC算法以及DGABC算法中蜂群的参数设置相同，种群规模SN为20，单个蜜蜂的迭代限制次数limit为50，分别进行5、10、15、20、25、30、35、40、45、50次重复实验，记录这些实验的运行时间，并计算这些时间的平均值。本发明方法与改进前的算法的性能比较如图5、图6、图7所示。表3雷达作战价值评估表雷达编号123456作战价值0.950.870.820.650.490.36根据雷达的一些性能参数，假设已知这些雷达的发射功率、雷达天线的有效面积、雷达的工作波长、压制系数以及我方UCAV的发射功率、工作频段、干扰样式集合等参数，根据上述的干扰效果评估指标，可以计算出单架UCAV对各雷达的干扰效果矩阵，如下所示：表4干扰压制概率效果度量雷达1雷达2雷达3雷达4雷达5雷达6UCAV10.650.880.560.810.350.41UCAV20.800.710.910.420.590.78UCAV30.330.450.750.590.550.84UCAV40.680.310.580.620.830.55UCAV50.900.860.760.320.880.79UCAV60.540.810.470.940.830.69UCAV70.360.930.590.410.490.86UCAV80.850.720.610.570.420.53UCAV90.570.630.450.730.540.77UCAV100.920.690.440.870.790.65表5干扰覆盖空间效果度量雷达1雷达2雷达3雷达4雷达5雷达6UCAV100.890.780.490.630.20UCAV20.4600.650.860.320UCAV30.940.710.3400.790.19UCAV40.230.4900.5600.98UCAV50.57000.890.120UCAV600.750.530.410.370.69UCAV70.720.160.490.530.740.23UCAV80.150.790.880.910.230.66UCAV90.880.460.21000.11UCAV100.660.470.190.110.860.92表6干扰工作频段效果度量雷达1雷达2雷达3雷达4雷达5雷达6UCAV100.900.740.450.590.15UCAV20.4100.6110.330.70UCAV30.910.670.3100.770.26UCAV40.170.4800.510.560.34UCAV50.59100.850.190.56UCAV600.710.430.370.330.64UCAV70.650.130.470.460.710.29UCAV80.440.290.770.4100.41UCAV90.810.430.19000.51UCAV100.740.690.220.190.730.81表7干扰样式效果度量雷达1雷达2雷达3雷达4雷达5雷达6UCAV100.850.700.310.670.11UCAV20.7300.840.910.650.86UCAV30.960.770.5000.810.34UCAV40.200.4500.560.780.41UCAV50.560.9500.820.110.77UCAV600.780.460.390.360.65UCAV70.780.110.700.700.890.45UCAV80.770.550.790.6900.47UCAV90.910.590.33000.55UCAV100.780.630.160.130.830.93表8续航能力效果度量雷达1雷达2雷达3雷达4雷达5雷达6UCAV110.150.310.710.360.80UCAV20.320.990.210.130.370.26UCAV30.100.230.5010.190.66UCAV40.800.5510.440.230.59UCAV50.440.0910.230.900.23UCAV610.230.540.610.110.55UCAV70.260.880.300.290.110.58UCAV80.100.410.690.3910.53UCAV90.110.380.33110.61UCAV100.130.250.810.710.270.10图5为本发明方法和改进前算法的平均运行时间对比图，图中的横坐标是算法运行次数，纵坐标是算法平均运行时间。从图中可以发现IGABC算法的运行平均时间明显比ABC算法和DE-ABC算法短，这是因为IGABC算法收敛速度快，收敛到最优解所需的迭代次数少，算法收敛速度的实验结果如图6和图7所示。图6和图7为本发明方法和改进前算法的收敛速度对比图，图中的横坐标是算法迭代次数，纵坐标是算法计算得到的适应度值。由图6和图7可以看出，IGABC算法的收敛速度均大于其他三种算法，且在迭代相同时，IGABC获得的适应度值大部分都优于其他三种算法，这是因为IGABC算法一方面利用了遗传算法中选择、交叉和变异算子改进邻域搜索方式来保持种群个体多样性，另一方面改进了跟随概率公式，一定程度上改善了个体退化现象。IGABC算法在保持个体多样性的同时，也使得个体能够向好的方向上进化，有效地减少了算法迭代的次数，提高了算法的收敛速度。因此，相比ABC算法、DE-ABC算法以及DGABC算法，IGABC算法具有更快的收敛速度以及较强的全局搜索能力，且不易陷入局部解，可以提高任务调度的有效性。上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。当前第1页1 2 3