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

技术特征：

1.一种基于改进人工蜂群算法的协同电子干扰任务调度方法，其特征在于，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；

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；

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；

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。

2.如权利要求1所述的基于改进人工蜂群算法的协同电子干扰任务调度方法，其特征在于：步骤1中，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q_jp(ej_i,j)，所用公式为：

$q_{jp}\left({\mathrm{ej}}_{i,j}\right)=1-\exp (-\mathrm{\α}\frac{{\mathrm{pow}}_{jp}\left(i\right)}{{\mathrm{pow}}_{ds}\left(j\right)}\mathrm{\β})$

其中，α、β表示由目标类型确定的经验值常数，pow_jp(i)是指干扰信号功率，pow_ds(j)是目标回波功率；

步骤1-2、确定协同干扰覆盖空间q_js(ej_i,j)，所述公式为：

$q_{js}\left({\mathrm{ej}}_{i,j}\right)=\left\{\begin{array}{cc}0& dis(i,j)\>r_{ej}\left(i\right)\\ \mathrm{\γ}\frac{dis{(i,j)}^2}{r_{ej}{\left(i\right)}^2}& r_{safe}\≤dis(i,j)\≤r_{ej}\left(i\right)\\ \mathrm{\λ}\frac{dis{(i,j)}^2}{r_{ej}{\left(i\right)}^2}& dis(i,j)\<r_{safe}\end{array}\right.$

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，r_ej(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，r_safe是指最小安全距离；

步骤1-3、确定协同干扰工作频段q_jf(ej_i,j)，所述公式为：

$q_{jf}\left({\mathrm{ej}}_{i,j}\right)=\left\{\begin{array}{cc}0& {\mathrm{freq}}_{in}(i,j)=0\\ \frac{{\mathrm{freq}}_{in}(i,j)}{{\mathrm{fre}}_{jp}\left(i\right)}& 0\<{\mathrm{freq}}_{in}(i,j)\<{\mathrm{fre}}_{ds}\left(j\right)\\ 1& {\mathrm{freq}}_{in}(i,j)={\mathrm{fre}}_{ds}\left(j\right)\end{array}\right.$

其中，fre_jp(i)表示编号为i的UCAV的干扰信号频谱，fre_ds(j)表示编号为j的目标的信号频谱，freq_in(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q_jt(ej_i,j)，所述公式为：

$q_{jt}\left({\mathrm{ej}}_{i,j}\right)=\left\{\begin{array}{cc}0& t_i=0\\ \underset{k=1,\mathrm{....},t_i}{max}\left(\frac{effect(i,j,StyleSet\[k\])}{en\_used\left(i\right)}\right)& otherwise\end{array}\right.$

其中，UCAV包含N_style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[t_i]，其中t_i∈[0,N_style]，en_used(i)表示的是编号为i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤t_i.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q_ea(ej_i,j)，所述公式为：

$q_{ea}\left({\mathrm{ej}}_{i,j}\right)=1-\frac{en\_consu\left(i\right)}{en\_all\left(i\right)}$

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。

3.如权利要求1所述的基于改进人工蜂群算法的协同电子干扰任务调度方法，其特征在于：步骤2中的协同电子干扰任务调度模型CEJ-TSM为：

$\max EJ={\mathrm{\Σ}}_{k=1}^5{\mathrm{\ω}}_k*{\mathrm{UniQ}}_k$

s.t.

$\left\{\begin{array}{c}1\≤{\mathrm{UD}}_i\≤m,{\mathrm{UD}}_i\∈N\\ 0\<{\mathrm{VA}}_j\<1,\∀j\∈D\\ {\mathrm{\Σ}}_{j=1}^m{\mathrm{du}}_{ij}=1,\∀i\∈U\\ {\mathrm{du}}_{ij}\∈\{0,1\},\∀i\∈U;\∀j\∈D\\ {\mathrm{\Σ}}_{i=1}^n{\mathrm{du}}_{ij}\≤l\max ,\∀j\∈D\end{array}\right.$

其中，ω_k是指第k维指标的权重，UniQ_k是指第k维指标的归一化值，UD＝{UD₁,UD₂,…,UD_n},UD_i(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；VA_j(j＝1,2,…,m)表示的是对第j部目标雷达进行干扰的价值量；du_ij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。

4.如权利要求1所述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，其特征在于：步骤3中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v_d的第i个元素，为当前雇佣蜂所依附食物源x_d的第i个元素，为食物源x_ε的第i个元素，ε∈{1,2,…,SN}且ε≠d，为当前最佳方案Gbest_x_d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v_d的第i个元素，为当前雇佣蜂所依附食物源x_d的第i个元素，为食物源x_ε的第i个元素，ε∈{1,2,…,SN}且ε≠d，为当前最佳方案Gbest_x_d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：

$p_d=\mathrm{\μ}*\frac{fit\left(x_d\right)}{{\max }_{d=1}^{SN}fit\left(x_d\right)}+\mathrm{\ν}$

其中，p_d表示观察蜂跟随概率，fit(x_d)是食物源x_d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。