雙層隨機機會約束規劃的通信干擾任務分配優化仿真

胡 波，侯 琳

（1.解放軍電子工程學院，合肥 230037；2.北京遙感研究所，北京 100092）

雙層隨機機會約束規劃的通信干擾任務分配優化仿真

胡 波1，侯 琳2

（1.解放軍電子工程學院，合肥 230037；2.北京遙感研究所，北京 100092）

研究不確定條件下的通信干擾任務分配優化問題具有重要的軍事意義?；诟蓴_效益因子的概念，剖析了影響通信干擾任務分配的不確定性因素，建立了基于雙層隨機機會約束規劃的通信干擾任務分配優化模型，設計了遺傳蟻群智能算法，實例計算得到了通信干擾任務分配的最佳策略。

通信干擾，任務分配優化，隨機機會約束規劃

引言

通信干擾任務分配優化是充分發揮各作戰單元的整體優勢，在給定條件下尋求符合分配原則的通信干擾任務分配最佳方案的過程［1］。應用優化理論，根據作戰任務和作戰單元建立數學模型，通過計算機求解滿足約束條件的目標函數，可以使有限數量的通信干擾裝備得到最優分配，獲取最大干擾效益。但是，受敵情、戰場環境以及我方裝備工作誤差等客觀不確定性因素的影響，通信干擾任務分配優化問題很難應用經典數學規劃和其他傳統的優化方法進行求解。本文通過剖析影響通信干擾任務分配的不確定性因素，建立基于雙層隨機約束規劃的通信干擾任務分配優化模型，并設計了遺傳蟻群混合智能求解算法。結合仿真實例得到了最優分配方案，并分析了隨機不確定性因素對干擾效益的影響。本文研究更貼近戰場實際情況，為通信對抗指揮輔助決策提供了有力的支持。

1 問題描述

假設某種作戰樣式下，我方通信干擾力量根據作戰需要編成I個作戰單元，每個作戰單元內部包含Ki（i=1，…，I）種通信干擾裝備，其中，第k（k=1，…，Ki）種通信干擾裝備的數量為Nik。設目標數量為M，目標價值分別為{G1，…，GM}。為了充分描述我方通信干擾裝備被分配執行針對敵方目標的干擾任務所得收益［1］情況，定義通信干擾效益評估因子，當干擾效益評估因子的總和越大時，任務分配方案就越好。

2 通信干擾任務分配不確定性因素分析

戰場環境的復雜性和戰場態勢的多變性，使得偵察情報信息獲取的難度越來越大，大量的決策在不確定的環境中進行，其中模糊因素和隨機因素的影響不可忽視。對影響式（1）中干擾效益的3個因素的不確定性分析如下：

（3）戰場環境隨機因素，主要包括天氣情況、戰場態勢等隨機因素。這些隨機因素彼此獨立，其對通信對抗裝備干擾效能的綜合影響為隨機變量，，其中，μ∈［-1，1］［5］。當μ∈［-1，0），表示通信干擾裝備受到環境隨機因素的負面的影響；當μ∈［0，1），表示通信干擾裝備受到環境隨機因素的正面的影響，有利于提高和保證作戰效能。

3 基于雙層隨機機會約束規劃的通信干擾任務分配優化模型

建立通信干擾任務分配優化模型的目標是實現I個作戰單元總干擾效益最大且每個作戰單元的干擾效益最大。根據不確定規劃的思想，建立基于雙層隨機機會約束規劃的通信干擾任務分配優化模型如下。

上層模型：

上層模型的目標函數表示I個作戰單元的總干擾效益最大，約束條件表示實際總干擾效益大于總干擾效益極大值T0的可能性不低于置信水平χ。

下層模型：

4 通信干擾任務分配優化模型的遺傳蟻群求解算法研究

通信干擾任務分配實質上是非線性整數混合規劃問題，蟻群算法［5］、遺傳算法［7］等方法均能對其求解。但是，蟻群算法不能同時兼顧全局和局部的優化問題，而遺傳算法求取局部精確解的效率低。本文將利用蟻群算法、遺傳算法結合形成混合智能算法求解任務分配優化模型。算法求解步驟具體描述如下：

Step1初始化。假設至少要從Q個全局解中選取最優化，初始化Q=0。

Step2根據前面對通信干擾任務分配決策信息不確定性的分析，用隨機模擬的方法，為不確定函數產生訓練樣本，訓練神經元網絡以逼近不確定函數。

Step3利用遺傳算法產生一個全局解，Q=Q+1；初始化i=1。

Step4初始化迭代次數nc=0，根據第i個作戰單元的局部解在路徑上留下信息素，目標集合與通信干擾作戰單元集合的信息素由下式確定［1，8］：

Step5 nc=nc+1，將R只螞蟻置于n（干擾目標數量）個頂點上。

式中：Tikyj為第i個作戰單元的第k種第y部通信干擾裝備對第j個目標的干擾效益。

Step7將R只螞蟻的路徑作為原始種群。

Step8評價種群中R個染色體的適應度，剔出不可行的染色體，保留可行的染色體。

Step9對可行染色體進行交叉和變異運算，交叉概率為Pc，變異概率為Pm。

評價種群中各個染色體的適應度，剔出不可行的染色體，保留可行的染色體。

Step10計算螞蟻路徑長度，得到當前最好解，即第i個作戰單元取得干擾效益最大的分配方案。

Step11對路徑長度小于給定值的路徑，按更新方程（4）更新螞蟻路徑上局部信息素。

Step12若nc＜nc_max（nc_max為預定的最大迭代次數）且無退化行為（即找到的都是相同解）則轉入Step3；否則，轉入Step13。

Step13輸出目前最優解，即單個作戰單元的干擾效益極大值0i。

Step14若未完成下層模型所有目標函數的求解（i＜I），則轉入Step15；否則，i=i+1，轉入Step4。

Step15輸出一個滿足各個作戰單元局部最優的全局解。

Step16若未得到Q個滿足局部最優的全局解，則轉入Step3；否則，轉入Step17。

Step17對全局解進行排序，輸出兼顧局部和全局最優的I個作戰單元的總干擾效益的極大值T0。

結束計算。

5 仿真算例

5.1 仿真參數和任務分配方案設計

設某一時刻任務區域內有M=5個目標，相關仿真參數和仿真方案設計如表1～表4所示。

表1 通信干擾目標參數表

表2 通信干擾機參數表

表3 影響通信干擾裝備干擾效益的隨機不確定性信息表

表4 仿真方案的設計目的和詳細設計

表5 方案1的計算結果表

表6 方案2的計算結果表

5.2 計算結果分析

方案1和方案2的計算結果分別如上頁表5和表6所示。圖1給出了分別利用混合智能算法（遺傳蟻群算法）和遺傳算法求解時，綜合干擾效益和迭代代數關系圖。

圖1 綜合干擾效益隨迭代代數變化曲線

由上述計算結果可分析得到：

（1）利用兩種不同算法對模型進行求解，得到的綜合干擾效益和形成的干擾策略不同；混合智能算法（遺傳蟻群算法）和遺傳算法求解得到的解均為滿意解。

（2）利用混合智能算法（遺傳蟻群算法）求解得到的綜合干擾效益大于遺傳算法求解得到的綜合干擾效益，混合智能算法（遺傳蟻群算法）求解得到的干擾策略優于遺傳算法求解得到的干擾策略。

（3）在保證干擾策略更優的情況下，混合智能算法在模型求解過程中，表現出比遺傳算法更快的收斂速度。

6 結束語

現代戰爭中，具有不確定性通信干擾任務分配決策問題始終是指揮員較難把握的問題?；诟蓴_效益因子的概念，剖析了影響通信干擾任務分配的不確定性因素，建立了基于雙層隨機機會約束規劃的通信干擾任務分配優化模型，設計了遺傳蟻群智能算法，實例計算得到了通信干擾任務分配的最佳策略。本文研究方法能夠較好地解決具有不確定的大規模通信干擾任務分配優化問題，所得結論豐富了通信干擾裝備的作戰運用的研究成果。

［1］李新生，單琳鋒.高技術條件下通信對抗指揮決策研究［M］.北京:解放軍出版社，1998.

［2］劉 冬，劉 忠.通信對抗目標選擇與任務分配評估指標體系研究［J］.艦船電子工程，2008（2）：56-60.

［3］劉寶碇，彭 錦.不確定理論教程［M］.北京：清華大學出版社，2006.

［4］曾慶紅，華健將.投擲式干擾的壓制概率分析［J］.電子對抗，2007（3）:10-12.

［5］張 莉，張 安，沈建冬.隨機環境下編隊協同隊地攻防對抗決策方法研究［J］.計算機工程與應用，2007，43（26）：239-248.

［6］ Dorigo M，Di Caro G:Ant Colony Optimization:a New Meta-heuristic［C］//Proc.1999 Congress on Evolutionary Computation，1999，1470-1477.

［7］韓瑞鋒.遺傳算法原理與應用實例［M］.北京：兵器工業出版社，2010.

［8］雷秀娟.群智能優化算法及其應用［M］.北京：科學出版社，2012.

Research and Simulation of Communication Jamming Task Assignment Optimization Based on Bi-level Stochastic Chance-constraint Programming

HU Bo1，HOU lin2
（1.Electronic Engineering Institute of PLA，Hefei 230037，China；
2.Beijing Remote Sensing Research Institute，Beijing 100092，China）

Research under the condition of uncertain communication jamming task assignment optimization problem has important military significance.In this paper，based on the concept of jamming efficiency factors，the factors affecting the uncertainty of communication jamming task assignment is analyzed，based on double random chance constrained programming of communication jamming task assignment optimization model，a genetic intelligent ant colony algorithm is designed，the optimal strategy of communication jamming task assignment is obtained by example calculation.

communication jamming，task assignment optimization，stochastic chance-constraint programming

TP391.9

A

1002-0640（2014）11-0059-05

2013-08-05

2013-10-18

胡 波（1968- ）男，湖北荊州人，碩士，副教授。研究方向：電子對抗建模與仿真、軟件工程。