双层随机机会约束规划的通信干扰任务分配优化仿真

胡 波，侯 琳

（1.解放军电子工程学院，合肥 230037；2.北京遥感研究所，北京 100092）

双层随机机会约束规划的通信干扰任务分配优化仿真

胡 波1，侯 琳2

（1.解放军电子工程学院，合肥 230037；2.北京遥感研究所，北京 100092）

研究不确定条件下的通信干扰任务分配优化问题具有重要的军事意义。基于干扰效益因子的概念，剖析了影响通信干扰任务分配的不确定性因素，建立了基于双层随机机会约束规划的通信干扰任务分配优化模型，设计了遗传蚁群智能算法，实例计算得到了通信干扰任务分配的最佳策略。

通信干扰，任务分配优化，随机机会约束规划

引言

通信干扰任务分配优化是充分发挥各作战单元的整体优势，在给定条件下寻求符合分配原则的通信干扰任务分配最佳方案的过程［1］。应用优化理论，根据作战任务和作战单元建立数学模型，通过计算机求解满足约束条件的目标函数，可以使有限数量的通信干扰装备得到最优分配，获取最大干扰效益。但是，受敌情、战场环境以及我方装备工作误差等客观不确定性因素的影响，通信干扰任务分配优化问题很难应用经典数学规划和其他传统的优化方法进行求解。本文通过剖析影响通信干扰任务分配的不确定性因素，建立基于双层随机约束规划的通信干扰任务分配优化模型，并设计了遗传蚁群混合智能求解算法。结合仿真实例得到了最优分配方案，并分析了随机不确定性因素对干扰效益的影响。本文研究更贴近战场实际情况，为通信对抗指挥辅助决策提供了有力的支持。

1 问题描述

假设某种作战样式下，我方通信干扰力量根据作战需要编成I个作战单元，每个作战单元内部包含Ki（i=1，…，I）种通信干扰装备，其中，第k（k=1，…，Ki）种通信干扰装备的数量为Nik。设目标数量为M，目标价值分别为{G1，…，GM}。为了充分描述我方通信干扰装备被分配执行针对敌方目标的干扰任务所得收益［1］情况，定义通信干扰效益评估因子，当干扰效益评估因子的总和越大时，任务分配方案就越好。

2 通信干扰任务分配不确定性因素分析

战场环境的复杂性和战场态势的多变性，使得侦察情报信息获取的难度越来越大，大量的决策在不确定的环境中进行，其中模糊因素和随机因素的影响不可忽视。对影响式（1）中干扰效益的3个因素的不确定性分析如下：

（3）战场环境随机因素，主要包括天气情况、战场态势等随机因素。这些随机因素彼此独立，其对通信对抗装备干扰效能的综合影响为随机变量，，其中，μ∈［-1，1］［5］。当μ∈［-1，0），表示通信干扰装备受到环境随机因素的负面的影响；当μ∈［0，1），表示通信干扰装备受到环境随机因素的正面的影响，有利于提高和保证作战效能。

3 基于双层随机机会约束规划的通信干扰任务分配优化模型

建立通信干扰任务分配优化模型的目标是实现I个作战单元总干扰效益最大且每个作战单元的干扰效益最大。根据不确定规划的思想，建立基于双层随机机会约束规划的通信干扰任务分配优化模型如下。

上层模型：

上层模型的目标函数表示I个作战单元的总干扰效益最大，约束条件表示实际总干扰效益大于总干扰效益极大值T0的可能性不低于置信水平χ。

下层模型：

4 通信干扰任务分配优化模型的遗传蚁群求解算法研究

通信干扰任务分配实质上是非线性整数混合规划问题，蚁群算法［5］、遗传算法［7］等方法均能对其求解。但是，蚁群算法不能同时兼顾全局和局部的优化问题，而遗传算法求取局部精确解的效率低。本文将利用蚁群算法、遗传算法结合形成混合智能算法求解任务分配优化模型。算法求解步骤具体描述如下：

Step1初始化。假设至少要从Q个全局解中选取最优化，初始化Q=0。

Step2根据前面对通信干扰任务分配决策信息不确定性的分析，用随机模拟的方法，为不确定函数产生训练样本，训练神经元网络以逼近不确定函数。

Step3利用遗传算法产生一个全局解，Q=Q+1；初始化i=1。

Step4初始化迭代次数nc=0，根据第i个作战单元的局部解在路径上留下信息素，目标集合与通信干扰作战单元集合的信息素由下式确定［1，8］：

Step5 nc=nc+1，将R只蚂蚁置于n（干扰目标数量）个顶点上。

式中：Tikyj为第i个作战单元的第k种第y部通信干扰装备对第j个目标的干扰效益。

Step7将R只蚂蚁的路径作为原始种群。

Step8评价种群中R个染色体的适应度，剔出不可行的染色体，保留可行的染色体。

Step9对可行染色体进行交叉和变异运算，交叉概率为Pc，变异概率为Pm。

评价种群中各个染色体的适应度，剔出不可行的染色体，保留可行的染色体。

Step10计算蚂蚁路径长度，得到当前最好解，即第i个作战单元取得干扰效益最大的分配方案。

Step11对路径长度小于给定值的路径，按更新方程（4）更新蚂蚁路径上局部信息素。

Step12若nc＜nc_max（nc_max为预定的最大迭代次数）且无退化行为（即找到的都是相同解）则转入Step3；否则，转入Step13。

Step13输出目前最优解，即单个作战单元的干扰效益极大值0i。

Step14若未完成下层模型所有目标函数的求解（i＜I），则转入Step15；否则，i=i+1，转入Step4。

Step15输出一个满足各个作战单元局部最优的全局解。

Step16若未得到Q个满足局部最优的全局解，则转入Step3；否则，转入Step17。

Step17对全局解进行排序，输出兼顾局部和全局最优的I个作战单元的总干扰效益的极大值T0。

结束计算。

5 仿真算例

5.1 仿真参数和任务分配方案设计

设某一时刻任务区域内有M=5个目标，相关仿真参数和仿真方案设计如表1～表4所示。

表1 通信干扰目标参数表

表2 通信干扰机参数表

表3 影响通信干扰装备干扰效益的随机不确定性信息表

表4 仿真方案的设计目的和详细设计

表5 方案1的计算结果表

表6 方案2的计算结果表

5.2 计算结果分析

方案1和方案2的计算结果分别如上页表5和表6所示。图1给出了分别利用混合智能算法（遗传蚁群算法）和遗传算法求解时，综合干扰效益和迭代代数关系图。

图1 综合干扰效益随迭代代数变化曲线

由上述计算结果可分析得到：

（1）利用两种不同算法对模型进行求解，得到的综合干扰效益和形成的干扰策略不同；混合智能算法（遗传蚁群算法）和遗传算法求解得到的解均为满意解。

（2）利用混合智能算法（遗传蚁群算法）求解得到的综合干扰效益大于遗传算法求解得到的综合干扰效益，混合智能算法（遗传蚁群算法）求解得到的干扰策略优于遗传算法求解得到的干扰策略。

（3）在保证干扰策略更优的情况下，混合智能算法在模型求解过程中，表现出比遗传算法更快的收敛速度。

6 结束语

现代战争中，具有不确定性通信干扰任务分配决策问题始终是指挥员较难把握的问题。基于干扰效益因子的概念，剖析了影响通信干扰任务分配的不确定性因素，建立了基于双层随机机会约束规划的通信干扰任务分配优化模型，设计了遗传蚁群智能算法，实例计算得到了通信干扰任务分配的最佳策略。本文研究方法能够较好地解决具有不确定的大规模通信干扰任务分配优化问题，所得结论丰富了通信干扰装备的作战运用的研究成果。

［1］李新生，单琳锋.高技术条件下通信对抗指挥决策研究［M］.北京:解放军出版社，1998.

［2］刘 冬，刘 忠.通信对抗目标选择与任务分配评估指标体系研究［J］.舰船电子工程，2008（2）：56-60.

［3］刘宝碇，彭 锦.不确定理论教程［M］.北京：清华大学出版社，2006.

［4］曾庆红，华健将.投掷式干扰的压制概率分析［J］.电子对抗，2007（3）:10-12.

［5］张 莉，张 安，沈建冬.随机环境下编队协同队地攻防对抗决策方法研究［J］.计算机工程与应用，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］韩瑞锋.遗传算法原理与应用实例［M］.北京：兵器工业出版社，2010.

［8］雷秀娟.群智能优化算法及其应用［M］.北京：科学出版社，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，湖北荆州人，硕士，副教授。研究方向：电子对抗建模与仿真、软件工程。