一種基于作戰效能的多傳感器優化選擇方法

文/劉筱 陸澤健 秦永剛

隨著新型空間打擊武器的威脅日益加劇，綜合運用傳感器管理技術，聯合各預警雷達系統組成連續探測、協同作戰的預警探測系統是對空間目標的早期預警、遠程跟蹤、精確識別有效手段。與此同時，當前越來越多的預警探測裝備會同時具備多種工作模式，如何從預警探測、支持作戰的角度出發，優化選擇這些預警探測資源對不同的目標進行探測是組網探測體系所要解決的重要問題之一。

本文針對空間目標見識過程中的多傳感器智能化選擇問題，建立了面向作戰效能的傳感器資源管理優化模型，在此基礎上，采用遺傳算法實現“傳感器-目標”配對的問題；最后，通過典型應用場景，對該方法的性能進行了仿真分析。

1 多傳感器優化選擇模型

裝備優化的過程就是合理分配資源、實現目標-傳感器優化配對的過程。在優化過程中，需要分析影響目標分配的約束條件，以線性規劃、動態規劃、信息熵理論、智能優化算法為基礎建立目標分配的效能目標函數，求解多約束條件下的基于效能函數的多目標優化問題。因此，預警裝備優化選擇的重要前提是根據預警作戰要求確定效能目標函數。不同目標的探測有可能選擇不同的效能目標函數，總的來說，目標函數應從目標探測能力、部署配置能力、協同探測能力、輔助打擊能力等4 個方面進行優化。在此基礎上，結合典型作戰樣式，給出不同作戰樣式下，典型威脅目標的傳感器優選準則及優選方案。基本原理如圖1所示。

1.1 作戰效能指標構建

在預警裝備優化選擇過程中，作戰效能指標的選擇是最重要的環節。優化效能指標應能從預警體系層面反映整個空間目標預警的作戰效能。在此選擇預警時間、生命周期跟蹤比率、多重覆蓋比率以及火控支持時間4 個優化指標，各指標定義如下：

圖1：多傳感器智能優化選擇模型

（1）預警時間：指預警雷達系統判斷來襲目標為威脅目標發出來襲告警的首點時刻至落地的時間段：

（2）生命周期跟蹤比率：雷達系統對目標正確形成航跡時間占目標整個生命周期的比值；

（3）多重覆蓋比率：在目標飛行生命周期中，有2 部或2 部以上雷達對目標進行共視的時間段。

（4）火控支持時間：制導雷達生成滿足攔截武器要求的火控支持信息首點時刻至落地的時間段；

在生成每個備選方案之后，需要將每個方案中所有雷達的4 類指標進行歸一化處理，得到每個方案中所有雷達的指標歸一化值：

計算每個選擇方案的綜合評分系數，所述綜合評分系數是各指標歸一化數值的加權。

1.2 多傳感器優化選擇流程

多傳感器優化選擇基于一定的威脅場景和備選裝備組合，通過建立作戰效能指標，采用智能優化算法選擇作戰效能最優的若干個方案，輔助作戰指揮員進行決策。首先，創建包括威脅目標以及預警雷達在內作戰場景，從場景中獲取目標軌道數據以及預警裝備數據；其次，計算威脅目標軌道數據，根據雷達探測威力計算各個雷達對目標的可探測弧段，形成目標可探測矩陣；然后選擇作戰效能指標，設置指標加權系數，建立作戰效能評估目標函數；第四，調用基于遺傳算法的智能優選擇模塊，計算得到作戰效能最優的三個方案，提供給用戶選擇。

2 基于遺傳算法的多傳感器優化選擇算法

2.1 傳感器優化選擇模型

多傳感器優化選擇就是要科學、合理的分配多個傳感器去探測多個來襲目標。假設傳感器網絡中包含M 部傳感器，威脅目標有N 個。在探測過程中同一個目標可能由多個傳感器來探測，則引入偽傳感器的概念，即對于一個目標，可能分配的傳感器組合為2M-1 個。面向協同感知的傳感器-目標分配模型如下式所示：

式中f 表示分配方案D 下總的預警作戰效能。Aij是表示第i 部傳感器是否能夠探測到目標，Aij=1 表示目標落在傳感器的探測范圍之內；Bij表示是否分配第i 部傳感器去探測該目標，Bij=1 表示分配該傳感器探測目標；分別表示該分配方案下預警時間、生命周期跟蹤比率、多重覆蓋系數以及火控支持時間歸一化數值。

約束條件：在傳感器分配過程中，需要滿足兩個約束條件。一是分配給各傳感器的探測目標數量不能超過傳感器目標容量；二是每個目標全程跟蹤的傳感器數量不宜超過一定數量。在生成分配方案D 后，計算每部預警裝備的跟蹤目標數量以及每個目標全程跟蹤的傳感器數量，當每部預警裝備的跟蹤目標數量超過傳感器跟蹤或者每個目標全程跟蹤的傳感器數量超過指定數量時，該方案的作戰效能置為-1。

2.2 智能優化算法流程

由上一小節可以看出，傳感器資源分配求解是一個組合爆炸的NP-hard 問題。本文采用遺傳算法求解該問題。整個遺傳算法具體步驟如下：

Step1：基因編碼。基因編碼操作是將待解決的問題的可行解進行數學量化，以便進一步進行交叉、變異、選擇等操作。

Step2：初始化種群。假設種群個體的數量設置為T，則隨機生成T 個染色體串，即產生含有T 個個體的初始種群。對于每個染色體中的每一個基因，隨機從[1，2M-1]之間選擇一個數字作為初始化分配結果。

Step3：個體選擇。選擇根據適者生存的原則選擇生成下一個個體方案的父本，以適應度為選擇原則，選擇出適應度大的分配方案直接傳給下一代，淘汰適應度低的方案。采用輪盤賭選擇方法對種群個體進行選擇。

Step4：交叉。在被選中用于繁殖下一代的個體中，以交叉概率pc隨機不重復地從中間群體中選擇兩兩個體對，等概率隨機選擇個體對中的基因交換位，對交換位前的基因進行交叉運算。

Step5：變異。變異是在交叉后的個體中，以變異概率pm對所有個體的基因位進行變異運算，隨機產生一個符合限制條件的數賦值給該位，生成子代群體。

Step6：交叉概率和變異概率的動態選取。本文采用調整遺傳算法控制參數較好的方法是動態自適應技術，其基本思想是使交叉概率pc和變異概率pm在進化過程中根據種群的實際情況，隨機調整大小。

3 仿真分析

以藍方6 個空間目標過境為背景，仿真試驗驗證紅方預警裝備分配對預警效能的影響。紅方在國土范圍內部署六部預警雷達，其中雷達A、雷達E 為P 波段預警雷達，雷達B、雷達C、雷達D 為X 波段雷達，可用于火控制導，雷達F 為S 波段雷達。在仿真過程中，假定每部雷達最大跟蹤容量上限為3 批，設定目標最多分配的雷達數量為3 部，同時在分配過程中各批目標威脅等級一致，各作戰效能參數權重一致。經過分配后，每個目標都分配了3 部雷達，并且至少有2 部X 波段雷達，保證對每個目標的穩定跟蹤，同時又可支持火控制導；每部雷達都分配了3 批目標，保證不超過雷達的跟蹤容量上限。經過分配后，經過分配后，每批目標的預警時間在900 秒左右、跟蹤比率在0.7 左右，多重覆蓋比率在0.5-0.65 之間，火控支持時間在800 秒左右，保證了對各批目標的及早預警、穩定跟蹤，同時又能夠為各批目標合理分配精跟識別雷達，為目標打擊提供及時、有效的信息支撐。

4 結論

如何從預警探測、支持作戰的角度出發，優化選擇這些預警探測資源對不同的目標進行探測是組網探測體系所要解決的重要問題之一。本文提出了一種面向作戰效能的多傳感器自適應管理方法，基于作戰體系效能建立了傳感器優化選擇模型，根據作戰場景和目標特性的需要來匹配最優的傳感器組合，同時采用智能優化算法提升“多傳感器-多目標”的分配效率。仿真結果表明，本文提出的方法能夠提高預警體系探測能力。