胡 波，侯 琳

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

雙層隨機機會約束規(guī)劃的通信干擾任務(wù)分配優(yōu)化仿真

胡 波1，侯 琳2

（1.解放軍電子工程學(xué)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(wù)分配優(yōu)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(wù)分配的不確定性因素，建立了基于雙層隨機機會約束規(guī)劃的通信干擾任務(wù)分配優(yōu)化模型，設(shè)計了遺傳蟻群智能算法，實例計算得到了通信干擾任務(wù)分配的最佳策略。

通信干擾，任務(wù)分配優(yōu)化，隨機機會約束規(guī)劃

引言

通信干擾任務(wù)分配優(yōu)化是充分發(fā)揮各作戰(zhàn)單元的整體優(yōu)勢，在給定條件下尋求符合分配原則的通信干擾任務(wù)分配最佳方案的過程［1］。應(yīng)用優(yōu)化理論，根據(jù)作戰(zhàn)任務(wù)和作戰(zhàn)單元建立數(shù)學(xué)模型，通過計算機求解滿足約束條件的目標函數(shù)，可以使有限數(shù)量的通信干擾裝備得到最優(yōu)分配，獲取最大干擾效益。但是，受敵情、戰(zhàn)場環(huán)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(wù)分配優(yōu)化問題很難應(yīng)用經(jīng)典數(shù)學(xué)規(guī)劃和其他傳統(tǒng)的優(yōu)化方法進行求解。本文通過剖析影響通信干擾任務(wù)分配的不確定性因素，建立基于雙層隨機約束規(guī)劃的通信干擾任務(wù)分配優(yōu)化模型，并設(shè)計了遺傳蟻群混合智能求解算法。結(jié)合仿真實例得到了最優(yōu)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(zhàn)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(shè)某種作戰(zhàn)樣式下，我方通信干擾力量根據(jù)作戰(zhàn)需要編成I個作戰(zhàn)單元，每個作戰(zhàn)單元內(nèi)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(shù)量為Nik。設(shè)目標數(shù)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(zhí)行針對敵方目標的干擾任務(wù)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(wù)分配方案就越好。

2 通信干擾任務(wù)分配不確定性因素分析

戰(zhàn)場環(huán)境的復(fù)雜性和戰(zhàn)場態(tài)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(huán)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(zhàn)場環(huán)境隨機因素，主要包括天氣情況、戰(zhàn)場態(tài)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(huán)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(huán)境隨機因素的正面的影響，有利于提高和保證作戰(zhàn)效能。

3 基于雙層隨機機會約束規(guī)劃的通信干擾任務(wù)分配優(yōu)化模型

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

上層模型：

上層模型的目標函數(shù)表示I個作戰(zhàn)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(wù)分配優(yōu)化模型的遺傳蟻群求解算法研究

通信干擾任務(wù)分配實質(zhì)上是非線性整數(shù)混合規(guī)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(yōu)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(jié)合形成混合智能算法求解任務(wù)分配優(yōu)化模型。算法求解步驟具體描述如下：

Step1初始化。假設(shè)至少要從Q個全局解中選取最優(yōu)化，初始化Q=0。

Step2根據(jù)前面對通信干擾任務(wù)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(shù)產(chǎn)生訓(xùn)練樣本，訓(xùn)練神經(jīng)元網(wǎng)絡(luò)以逼近不確定函數(shù)。

Step3利用遺傳算法產(chǎn)生一個全局解，Q=Q+1；初始化i=1。

Step4初始化迭代次數(shù)nc=0，根據(jù)第i個作戰(zhàn)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(zhàn)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(shù)量）個頂點上。

式中：Tikyj為第i個作戰(zhàn)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(yīng)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(yīng)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(zhàn)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(yù)定的最大迭代次數(shù)）且無退化行為（即找到的都是相同解）則轉(zhuǎn)入Step3；否則，轉(zhuǎn)入Step13。

Step13輸出目前最優(yōu)解，即單個作戰(zhàn)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(shù)的求解（i＜I），則轉(zhuǎn)入Step15；否則，i=i+1，轉(zhuǎn)入Step4。

Step15輸出一個滿足各個作戰(zhàn)單元局部最優(yōu)的全局解。

Step16若未得到Q個滿足局部最優(yōu)的全局解，則轉(zhuǎn)入Step3；否則，轉(zhuǎn)入Step17。

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

結(jié)束計算。

5 仿真算例

5.1 仿真參數(shù)和任務(wù)分配方案設(shè)計

設(shè)某一時刻任務(wù)區(qū)域內(nèi)有M=5個目標，相關(guān)仿真參數(shù)和仿真方案設(shè)計如表1～表4所示。

表1 通信干擾目標參數(shù)表

表2 通信干擾機參數(shù)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(shè)計目的和詳細設(shè)計

表5 方案1的計算結(jié)果表

表6 方案2的計算結(jié)果表

5.2 計算結(jié)果分析

方案1和方案2的計算結(jié)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(shù)關(guān)系圖。

圖1 綜合干擾效益隨迭代代數(shù)變化曲線

由上述計算結(jié)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(yōu)于遺傳算法求解得到的干擾策略。

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

6 結(jié)束語

現(xiàn)代戰(zhàn)爭中，具有不確定性通信干擾任務(wù)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(wù)分配的不確定性因素，建立了基于雙層隨機機會約束規(guī)劃的通信干擾任務(wù)分配優(yōu)化模型，設(shè)計了遺傳蟻群智能算法，實例計算得到了通信干擾任務(wù)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(guī)模通信干擾任務(wù)分配優(yōu)化問題，所得結(jié)論豐富了通信干擾裝備的作戰(zhàn)運用的研究成果。

［1］李新生，單琳鋒.高技術(shù)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(wù)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(xué)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(huán)境下編隊協(xié)同隊地攻防對抗決策方法研究［J］.計算機工程與應(yīng)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(yīng)用實例［M］.北京：兵器工業(yè)出版社，2010.

［8］雷秀娟.群智能優(yōu)化算法及其應(yīng)用［M］.北京：科學(xué)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。