基于遺傳算法的多傳感器規劃技術

文/張龍龍 劉睿 趙坤 高湘飛

1 引言

面對世界反恐的嚴峻形勢以及國家國防安全的巨大需求，無人機由于其操控的靈活性以及低成本性，其相應技術的發展受到全球的高度重視，并廣泛應用于軍事偵察任務。無人偵察機可攜帶多種類、多類型偵察傳感器，實現對敵方電磁輻射源的偵察、定位，為指揮決策提供情報支援。對敵方輻射源進行無源定位是無人機偵察的一個重要應用。單站定位的實現過程通常是用單個運動平臺對輻射源進行連續測量，利用運動學原理測距，以振幅、相位或多普勒頻率法測向，依靠幾何學原理定位，實現單站對固定和運動輻射源的快速、高精度定位。

偵察機執行任務前對偵察傳感器進行有效、合理的規劃，結合偵察航線、針對待偵察的感興趣目標實現對傳感器監視區域、偵察參數的規劃，利用偵察機攜帶的多種類、多頻段偵察天線對電磁輻射源進行測向定位，合理的為不同的目標分配偵察天線，可有效提高傳感器工作效率和偵察任務的作戰效果。

當前偵察機多傳感器規劃技術面臨瓶頸，在于同時偵察多個目標時傳感器資源分配最優化問題。目前多傳感器規劃主要受限于：

（1）被偵察目標的輻射源信號類型、頻率范圍、數量的不斷增多；

（2）可選擇的偵察天線類型、頻率范圍的多樣化；

（3）后端處理設備對多樣化天線的處理能力。因此對傳感器資源進行合理科學選擇和分配，實現對目標有效的探測是傳感器規劃要解決的核心問題。

2 國內外研究現狀

表1：仿真實驗設備表

傳感器規劃最重要的內容就是設計最優的規劃標準，建立最優規劃模型，使用最優規劃模型來給不同的待偵察目標分配探測傳感器。文獻[1]使用有效觀測次數作為衡量遺傳算法價值的度量，但針對測向定位應用對目標觀測效果除了與觀測次數有關，還于觀測角度、觀測誤差等因素有關，僅憑觀測次數不能很好的衡量目標價值。文獻[2]采用的是傳統線性規劃方法，時效性較差。文獻[3][4]雖然采用的是遺傳算法思想，但其應用場景是針對單一目標的偵察，無法滿足當前同時對多目標偵察的需要。

本文針對測向定位偵察應用提出使用幾何精度稀疏因子GDOP(Geometric Dilution of Precision)作為衡量目標價值的指標,采用遺傳算法，解決傳感器資源對多目標同時偵察時規劃問題，并通過仿真分析了不同參數對算法效果的影響。

3 基于測向定位的目標價值計算

對敵方電磁輻射源進行無源定位是電子偵察的一個重要應用，可獲取敵方電磁輻射源的位置信息、部署情況，統計分析敵方輻射源活動規律，為指揮員制定作戰計劃提供情報保障。

針對目標輻射源定位的實際要求，本文選擇幾何精度稀疏因子GDOP(Geometric Dilution of Precision)作為傳感器規劃時對目標進行一次偵察獲取的目標價值。GDOP 反映的是定位誤差對測量誤差的放大程度，可將GDOP作為判定目標價值的參考。在既定航線條件下，結合偵察傳感器對目標的覆蓋范圍，使得GDOP 越小，表明對該目標進行偵察可獲得較高的定位精度，也即測量前后獲得的信息增量越大。

三維空間中的GDOP 定義為：

式中σx, σy, σz為x, y, z 方向的定位誤差均方差，可將作為評價傳感器規劃優劣的指標。

圖1：遺傳算法流程圖

可得

其中

由公式（1-5）可得：根據飛機飛行速度、每分鐘觀測次數、觀測位置與目標位置、可捕獲目標的長度可以計算出給定航線條件下，目標捕獲獲得的GDOP 值。GDOP 越小，表明對該目標進行偵察可獲得較高的定位精度，偵察效果越好。為了使計算過程更為快捷、計算結果更為直觀，目標單次價值p 取GDOP 的倒數，則價值越大偵察效果越好。

對于威脅等級為Threat，歷史捕獲次數為n 的目標，在實際偵察中捕獲N 次后已經基本探明目標相關信息及活動規律，歷史捕獲次數大于N 后，目標價值減小，則偵察目標獲取的價值P 可表示為：

威脅等級越高，目標價值越高；當捕獲次數大于N 后目標偵察價值急劇減少。

4 基于GDOP的多傳感器遺傳算法規劃

4.1 遺傳算法編碼

遺傳算法是基于生物進化論的自然選擇和遺傳學機制的隨機搜索算法，是通過模擬自然進化過程來搜索最優解。遺傳算法具有串集搜索、并行計算、自定義域、自適應、自學習等優點，在多傳感器資源規劃中具有較好的應用效果和前景。

傳感器規劃主要是為了解決電子偵察中為待偵察目標分配偵察天線的問題。在分配天線的過程中，需考慮天線偵察能力約束。假設一次偵察中有N 個待偵察目標，偵察機攜帶天線個數為M，則可建立1×N 維數組，數組的每一位代表一個目標，數組該位上的值代表偵察該目標使用的天線。

在天線分配的過程中需要考慮天線使用約束，包括可偵察任務類型約束、偵察任務數約束。因此需結合航線，按照偵察捕獲目標的先后順序對目標進行排序；同時，根據目標類型、工作頻率，以及偵察傳感器類型、工作頻率，為各個目標分配可用天線集，在目標的可用天線集合中為目標分配天線。可用天線集合中包含0 選項，代表不對目標進行偵察。

交叉操作采用部分映射雜交，選擇兩個個體，選擇對應位置的基因進行互換。針對傳感器規劃應用，假定有N 個待偵察目標，則在[1，N]區間內產生2 個隨機整數r1、r2，對兩位置中間的數據進行交叉。變異操作類似，選取一個個體，隨機選擇某一個基因，改變偵察該目標使用的天線即可。

圖 2：偵察目標與航線分布示意圖

圖3：交叉、突變概率對算法收斂及最優值的影響

4.2 基于遺傳算法的傳感器規劃

傳感器規劃屬于多約束規劃問題，初始化產生的種群、交叉變異產生的種群可能存在傳感器使用沖突，不滿足傳感器使用約束。因此，在產生種群后，需要結合目標捕獲的先后順序、目標使用天線的范圍，以及天線使用的約束，對每一個個體進行整理，根據目標捕獲的先后，判斷偵察機到達該目標捕獲起始點時，為該目標分配的天線是否可用（是否被占用偵察其他目標，或達到偵察目標數量上限）。若天線不可用，則在目標可用的天線集合中隨機為目標分配其他天線。每執行一次迭代，在計算個體適應度前，需要進行一次種群整理。

采用遺傳算法對整理后的目標集合中的每個目標分別配置偵察天線資源，以得到較優的目標偵察結果。遺傳算法中的參數包括：種群大小NIND、最大迭代次數Maxgen、交叉概率PC、變異概率PM 及代溝GGAP。算法處理流程如下：

使用遺傳算法對分配天線的情況進行優化，輸入的數據包括：排序后的目標集合、天線集合、電子偵察機航線信息和遺傳算法的種群大小NIND、最大迭代次數Maxgen、交叉概率PC、變異概率PM 及代溝GGAP。算法流程如圖1所示。

5 仿真分析

本文通過仿真實驗驗證了遺傳算法的有效性，仿真實驗采用的設備如表1所示。在制造模擬目標數據時，加入頻率相似、信號類型一致并且位置相近的沖突目標，在所有的天線偵察組合中都不能被完全偵察，所以要放棄偵察一些目標。如圖2所示，紅色星形表示可以被偵察的目標，粉色正方形表示沒有被偵察的目標，黑色折線表示航線。

遺傳算法交叉率、突變率等參數值會影響算法的收斂性，決定能否達到最優解。若種群個體攜帶了最優解的基因，則通過交叉操作使最優解的基因組合起來反復迭代達到最優解；若種群個體沒有攜帶最優解的基因，算法在迭代的過程中，則可通過變異操作產生最優解的基因。如圖3所示。

由仿真實驗分析可得出以下結論：

（1）遺傳算法交叉率、變異率的提高，可以更容易得到最優個體（最優解）；

（2）遺傳算法交叉率、變異率的提高，也容易退化產生的最優基因，得不到最優解。

（3）設置合適的交叉率和變異率值，在得到最優解時又不退化最優基因。

6 結束語

本研究針對無人偵察多傳感器規劃中的測向定位偵察應用，提出使用GDOP 作為衡量目標價值的方法，采用遺傳算法對多傳感器規劃，得到了最優解，且算法效率高；并通過仿真實驗分析了交叉率、變異率對規劃結果的影響。