感知系統站點配置方法綜述

張天賢,陳 洋,張振興,楊益川,韓 毅

(1. 電子科技大學 信息與通信工程學院, 四川 成都 611731 2. 電磁空間安全全國重點實驗室, 四川 成都 610036)

0 引 言

現代及未來感知系統可綜合利用有源、無源等技術手段,從不同維度獲取、利用和塑造環境態勢信息,具備重要的軍事及民用價值。在應用需求牽引和科技進步推動下,感知系統形態正由傳統集中式、單功能向分布式、多功能加速演進。單平臺一體化多功能集成[1-2]、多平臺網絡化分布式協同[3-4]等技術的發展,賦予了感知系統更全信息獲取能力、更強環境適應能力,也帶來了資源管控難度增加、資源沖突風險提升等問題。需要綜合利用站點優化配置、任務統籌規劃、資源實時調整等手段管理控制感知系統,從不同角度優化調配資源、消解資源沖突,為系統高效運行提供保障。其中,站點配置是其他管控手段的前置環節,影響范圍廣、調整難度大,是保障系統性能充分發揮的核心要素之一,近年來得到了國內外研究人員的廣泛關注。

以探測雷達[5-13]、通信基站[14-18]、偵察機[19-30]和干擾機[31-36]等為代表,國內外研究人員圍繞單一功能感知系統站點配置取得了豐富的研究成果。針對二維規則平面(如正方形、矩形等)等場景,研究人員聚焦單性能指標(如探測覆蓋率或跟蹤精度等),通過指標優化設計、改進站點配置算法等方式實現對系統性能的評估和提升,形成了一套針對規則場景的站點配置技術。場景的簡化有利于技術有效性得到快速驗證,但其研究成果則面臨復雜因素(如環境動態變化、通信距離制約等)的限制以及多性能指標評估需求(如探測覆蓋率和跟蹤精度等)等挑戰,適用范圍較為受限。

據此,近年來研究人員針對不同實際場景的工程需求和條件限制,在優化配置模型構建與對應優化算法設計等方面重點開展研究,嘗試將相關技術研究成果向實際應用進行拓展。從工程實際出發,部分研究人員已經基于動態、偏好和通信受限等場景進行站點配置初步研究,并取得初步成果。針對變化環境,研究人員通過引入移動目標位置預測技術,實現動態環境站點優化配置[37-41]。針對非均勻火力分布場景,研究人員通過引入參考點-偏好模型,對多個目標/區域指定不同的系統性能閾值,研究基于性能偏好的站點配置技術[42-44]。針對無線通信距離受限的場景,部分研究人員通過修正迭代坐標將距離約束嵌入位置解算過程[45-47],實現協同偵察系統的站點優化配置。此外,感知系統在單任務、多任務場景(如探測、通信、干擾和偵察等)中均可能面臨多指標評估需求,導致系統站點優化配置需同時兼顧多種指標。針對多性能指標評估需求驅動的感知系統站點配置,研究人員通常基于多指標加權求和、帕累托優化等多目標優化理論開展研究[48-52]。

綜合國內外研究動態,本文將站點配置技術研究分為單性能指標驅動和多性能指標驅動兩類。前者相關成果可進一步細分為規則場景、動態場景、偏好場景和通信受限場景的站點配置研究;后者主要關注單任務場景以及多任務場景的站點配置問題。因此,本文分別總結基于單性能指標的規則/動態/偏好/通信受限場景的站點配置技術的研究進展、基于多性能指標的單/多任務場景的站點配置技術的研究進展,針對其中典型技術難點以及解決方案進行了分析、梳理和總結,在此基礎上對該技術未來的發展趨勢進行了展望。

1 單性能指標

1.1 場景設置及研究思路

基于單性能指標的站點配置,就是以提升某一核心性能指標為目標,對系統站點配置方案進行優化設計。性能指標通常根據感知系統實際應用來確定,以組網雷達為例,其常見任務包括區域防空[5]、目標跟蹤[28]、目標速度估計等[11],對應的單性能指標選項則有效覆蓋率(ECR)、跟蹤精度(RMSE)、信噪比(SNR)等。伴隨多功能集成發展趨勢,感知系統既可沿用雷達ECR等傳統單功能感知系統性能指標,也可引入其他功能對應指標進行研究:對于探測任務,典型性能評價指標包括ECR、SNR等;對于通信任務,典型指標則有有效通信覆蓋率、區域頻譜效率(ASE)等;對于偵察任務,典型指標則有幾何精度因子(GDOP)、定位誤差的克拉美羅下界(CRLB)平均值等。以提升組網雷達ECR為例[53],圖1給出一個感知系統站點配置典型場景。

圖1 監視區域、配置區域和有效覆蓋區域示意圖Fig.1 Schematic diagram of surveillance region, deployment region,and effective coverage area

首先選取性能指標(如ECR)和參數變量(如雷達站點坐標),根據指標選取結果及算力、存儲條件限制,設計目標函數(以二維平面為例,為避免窮舉所有可能位置帶來的計算量問題,可將監視區域按距離、方位分辨率等標準進行網格化離散)[9-10,26-27,29],根據所有網格中心位置性能指標來確定整個區域內的性能指標(如最低指標、平均指標等),完成模型構建。建模完畢后,采用合適的配置方案尋優算法(如粒子群優化(PSO)算法)對模型進行優化求解,最終得到站點優化配置方案,其基本流程如圖2所示。

圖2 感知系統站點配置流程圖Fig.2 Node deployment process for perception system

為避免混淆,本文做如下說明:以單功能感知系統同時探測多個目標為例,站點配置優化目標為多個同類指標時,其研究范疇仍劃歸為基于單性能指標的站點配置。接下來,在1.2小節中簡要梳理基于單性能指標的感知系統站點配置研究現狀。

1.2 研究成果梳理及分析

文獻[54]考慮主站、副站的覆蓋圓面在來襲方向存在90°凹口,以基線傾角(或頂角)與雷達間隔為變量,建立了一種先后確定主站、副站位置的站點配置模型,然而該文研究成果基于幾何方法推導,計算量大。此外,還有部分早期研究集中在多種典型部署構型,如環形、線形、扇形及多道防線等,并進行對比,從中優選出部署方案[8,19-20,31]。文獻[19]采用被動定位技術,考慮各站間通信受限,通過主站、副站協同定位,將多個副站按環形、傘形和線形圍繞主站配置,實現典型構型優選,但是該方法僅適用于較為簡單低維的偵察場景,難以應對復雜高維場景下節點配置問題。

在網絡化等技術推動下,感知系統站點數量、種類、可調資源參數逐步增多,配置問題的維數與優化求解計算量均急劇增加。此時,基于幾何方法推導的站點配置方法[11,32]與基于典型構型比對優選的站點配置方法,均難以應對大規模(或高維問題)站點優化配置帶來的計算量問題。因此,有研究人員借鑒生物學進化思想,更新迭代站點位置并獲取最優(或近似最優)方案,研究重點是建立站點優化配置模型以及改進優化配置算法。文獻[6]采用遺傳算法(GA),實現了兩部雷達、三部雷達以及四部雷達的最佳配置。為了將大規模雷達配置成最佳的多道防線分布,文獻[7]采用GA,結合坐標輪換法實現典型構型下的站點優化配置。然而,站點優化配置問題實際面臨約束條件(如地理條件制約),研究者一般將約束條件轉化為懲罰函數,或采用其他方法實現約束優化。文獻[27]將配置區域、設備工作仰角等作為約束,文獻[9]和文獻[29]不僅考慮地理因素,還將原有雷達位置列為制約因素,以此構造約束矩陣。

綜上,早期的站點配置方法圍繞幾何方法推導和典型構型優選展開較多研究,此后,站點優化配置方法因其適應高維度、大規模以及多約束問題的特點而受到廣泛關注。因此大量學者投入感知系統站點優化配置的研究,立足于站點配置場景的復雜程度,分別聚焦性能指標設計、優化配置模型及算法的創新。本文將已有的研究分為四個方面:(1)面向規則場景的站點配置;(2)面向動態場景的站點優化配置;(3)面向偏好場景的站點優化配置;(4)面向通信受限場景的站點優化配置。下一小節,本文將從這四個方面分別梳理總結站點配置的應用需求、存在問題以及關鍵技術。

1.2.1 面向規則場景的站點配置

在探測雷達、通信基站、干擾機等單任務感知系統的應用場景中,評估不同任務優劣需要不同的性能指標,因而部分研究人員注重性能指標設計,并將其用于構造感知系統站點優化配置模型。在構造模型之外,還可以根據特定場景改進尋優算法,進一步提升站點優化配置帶來的性能增益。筆者發現,性能指標種類繁多,大體可分別為探測、通信、干擾和偵察這四類性能指標,圖3展示了感知系統站點配置的不同性能指標設計,而常見的優化配置模型也可分為單/多目標優化模型。站點優化配置算法的研究重點在于保證配置方案的可靠性、實時性。對于單目標優化,可靠性、實時性主要體現在解集的收斂速度;而對于多目標優化,可靠性、實時性體現在解集的多樣化以及收斂速度。

(1)探測任務的站點配置

探測覆蓋面積是較早被引入探測雷達配置中的性能指標[6-7],文獻[11]以目標速度估計誤差的克拉美羅界(CRB)為性能指標,通過公式推導分析了收發天線的最佳配置方法。文獻[12]以目標位置估計的均方根誤差為性能指標,通過幾何方法結合數值仿真均勻地分配收發天線的數量,實現目標位置估計的均方根誤差減小。文獻[13]采用一套具有不同噪聲水平接收機的定位系統,在圓環上角間距對稱地放置收發天線(或在球體上均勻放置收發天線)以最小化定位誤差CRLB。文獻[5]以掩護價值為指標,構造區域防空系統站點的優化配置模型,為防空部署研究提供一種新思路。文獻[10]以探測覆蓋面積為指標,將站點配置建模為整數尋優問題,在PSO算法架構中引入魚群算法中的視距限制、擁擠度評價與隨機覓食機制,分別用于修正粒子速度、增加群體多樣性以及跳出局部最優,通過單目標測試集仿真驗證了所提算法(FPSO算法)的全局收斂性以及對多峰值函數尋優的有效性。文獻[53]累加所有信道的信噪比,并計算每個分辨率單元的檢測概率,簡化ECR指標的數學表達式,仿真驗證采用PSO算法具有更小計算量。以上研究成果表明,研究人員通常將探測任務的站點配置問題,建模為單性能指標的單目標優化問題,采用單目標優化算法獲取配置方案。事實上,若探測任務包含兩個或以上目標/區域,以上配置方法將難以應對。

(2)通信任務的站點配置

文獻[17]以多部無人機基站(UAV-BSs)的下行鏈路通信覆蓋范圍為指標,將約束條件轉化為懲罰函數,建立單目標最大化模型,提出一種基于模擬退火(SA)算法的站點配置方法,仿真驗證優化配置方案在服務質量和吞吐量方面優于靜態UAV-BSs布局,然而該研究成果并未考慮UAV-BSs的功耗等因素。在傳統宏基站(MS)的區域中配置微基站(SBSs)是一種異構通信系統,微基站覆蓋范圍很小,宏基站覆蓋范圍大但能源利用率低于微基站,運營商通常結合這兩種基站實現區域通信覆蓋。文獻[14]以單位能耗產生的網絡容量為性能指標,配置一定數量的微型基站以實現異構系統的能源效率最大化。后續一些與能耗相關的性能指標陸續被提出,文獻[15]將未配置微型基站和配置微型基站的能耗差異定義為能耗降低指數,文獻[16]將移動設備(MD)節省功率與配置新基站(BS)之后BS消耗功率的差異定義為功率指標。文獻[18]采用空中UAV-BSs與地面SBSs組成的異構通信系統,將移動用戶和最近UAV-BSs的平均距離作為指標,基于UAV-BSs部署約束建立最小化有約束模型,采用真實數據集仿真驗證所提分布式算法的收斂性,有效實現用戶位置未知時的UAV-BSs優化配置。以上研究成果表明,通信系統站點配置問題涵蓋覆蓋范圍、能源效率以及傳輸質量等多個層面的指標。

(3)干擾任務的站點配置

干擾方的作戰對象主要包括但不限于電磁探測、偵察和通信方。為通過壓制或欺騙等手段有效抑制敵方感知效能,電子干擾方也開展站點配置研究以最大化干擾效能。

面向壓制干擾的站點配置,文獻[31]以壓制系數為性能指標,將兩、三部干擾機按典型構型進行配置,其研究成果用于反制無人機的同時、分時、集中及游獵等進攻模式。文獻[32]以干擾覆蓋面積為指標,研究對合成孔徑雷達(SAR)成像的干擾問題,利用運籌學理論獲取SAR干擾機的最小數量和最佳位置,但是研究成果難以適應不規則配置區域的干擾機配置問題。針對衛星導航(GPS)和慣性導航(INS)聯合的導航系統,也可通過站點優化配置提升干擾性能,文獻[35]以最小干擾功率為指標,建立單目標最大化的站點優化配置模型,采用GA算法在使用最小化干擾功率的同時,優化得到了有效干擾GPS的配置方案。在多干擾機對單目標進行協同干擾場景下,文獻[36]根據干擾區域劃分與期望壓制距離等因素優化站點配置方案,以最少站點數目實現目標航路兩側配置站點構型下的干擾區域全覆蓋。為了節約計算成本和保證解集可靠性,文獻[55]和文獻[56]以最小的干擾功率密度為指標,建立多目標最大化模型,采用多目標粒子群優化(MOPSO)算法更新粒子并存儲非支配解,通過計算帕累托前沿之間的區間距離變化值,設置迭代收斂閾值,提出一種基于區間距離的自適應收斂準則,并完成站點最優配置。

面向欺騙干擾的站點配置,文獻[33]結合SAR信號處理知識,從距離向和方位向分析虛假目標的位置限制以及成像質量,提出一種欺騙干擾的配置策略:通過在距離向和方位向優化配置若干個干擾機,采用干擾機組網的方法,可以在SAR圖像中形成逼真的虛假目標。文獻[34]提出一種干擾機組和地面指揮部結合的干擾系統,該文通過干擾系統站點配置,實現了對探測系統航跡欺騙。

(4)偵察任務的站點配置

文獻[20]采用五機編隊定位技術,考慮主副戰機高度差和間距對定位精度的影響,通過仿真一定區域內定位精度的等高線圖,給出各個典型編隊的適用邊界,該文研究成果表明典型構型優選下的站點配置研究開始從二維向高維發展。文獻[21]基于文獻[20]進一步展開研究,提出PSO算法解決多機定位系統的站點優化配置問題,通過仿真對比典型構型優選與優化配置的定位精度等高線圖,有效實現多機無源定位系統的空間優化配置。文獻[22]考慮各站點對目標信號的截獲概率以及各站間存在通信距離限制,建立一個含隨機機會約束的站點優化配置模型,提出一種神經網絡結合GA的混合智能優化算法,與已有研究成果對比,驗證了模型和算法的有效性。文獻[23]采用一套到達時差(TDOA)定位系統,首先理論推導定位誤差平均(CRLB)的數學表達式,證明了將GA的染色體編碼和自適應函數用于定位系統站點配置的可行性,為站點位置的編碼提供思路,并仿真證明了模型和算法的可適用性。為了提高無源時差定位系統的定位精度,文獻[24]采用到達時間差和到達角(TDOA-AOA)混合定位方法來計算幾何精度因子(GDOP),考慮區域的整體定位精度,以最大化GDOP覆蓋率為目標,建立站點優化配置模型,然而該文只考慮了無源雷達中單個接收機優化配置問題。另外,文獻[25]基于非恒定高斯分布的TDOA測量誤差來提升定位效果,將GA與PSO算法用于無源定位系統站點優化配置,實驗結果表明采用PSO算法可提高配置模型求解效率,為改進無源定位系統站點配置方法提供新的思路。

除了TDOA定位技術,文獻[28]采用測向定位技術,根據定位原理推導出平均定位誤差作為性能指標,利用PSO算法求解定位系統的優化配置,再次驗證了PSO算法的效率高、收斂速度快等特性。文獻[26]采用多個電子偵察平臺,以最大化偵察覆蓋范圍為目標,建立海軍編隊的優化配置模型,為了克服PSO算法用于優化搜索時收斂過早和全局搜索能力差的缺點,在PSO算法架構下,引入交叉進化技術,提出一種網格劃分的CE-PSO算法以提升偵察覆蓋率。文獻[57]采用一套四站時差定位系統,以GDOP為優化指標,采用一種步長因子可變的螢火蟲算法(MFA),仿真證實所提算法可以加快收斂,提高配置效率。以上研究成果表明,定位系統的站點配置問題通常轉化為單目標優化模型。

1.2.2 面向動態場景的站點優化配置

實際應用中,感知系統面臨的態勢環境信息往往存在時變特征(例如:因目標運動導致的監視區域重新劃定)。此時,為保證對目標的穩定連續監測,站點配置方案需動態更新。文獻[37]針對移動目標定位的觀測站點配置問題,選擇基線長度和基線偏角作為參數變量,結合TDOA定位技術原理,分析推導帶有基線長度和基線偏角的二維GDOP表達式,將其作為性能指標。使用加權離散搜索算法優化性能指標,更新各觀測器每一時刻的最佳觀測位置,實時調整觀測器與目標間幾何關系。然而該文假設基線長度和基線偏角固定,則各觀測站之間存在幾何約束,制約了優化性能。

有研究人員提出自回歸(AR)預測模型結合多目標粒子群優化(MOPSO)方法(MOPSO-AR)[40]。采用FDA1測試問題,驗證MOPSO-AR算法比MOPSO算法具有更少的運算量,并能獲取更好的監視性能。利用預測模型結合優化算法解決動態配置問題的思路,文獻[38-39]聯合多個監視區域,以ECR作為性能指標,把實時天線站點配置問題建模成一個動態多目標優化問題,利用卡爾曼(Kalman)濾波預測目標運動規律,以目標先前的運動信息,預測當前時刻目標位置,并結合MOPSO算法,提出一種Kalman濾波結合MOPSO的站點優化配置方法(DMOPSO)。該文考慮一個動態監視區域,在前三個時刻采用MOPSO算法求解并構造粒子狀態向量,第四個時刻采用Kalman濾波預測最優粒子位置,在預測最優粒子的鄰域內初始化粒子群,并采用MOPSO算法進行優化求解,修正Kalman預測模型。在前三個時刻,通過每個時刻采集7個粒子的運動信息,構造狀態向量表示如下

k=1, 2, …, 7

(1)

其中,列向量的三個元素分別為粒子位置、速度和加速度。文獻[38-39]通過實驗仿真發現,相比MOPSO算法,DMOPSO算法所獲站點配置方案具有更大的ECR,所得非劣解與較理想非劣解的區間距離也更小,驗證了DMOPSO算法的站點優化配置性能更優且計算量更少。文獻[41]通過測試基準問題FDA3、dMOP2,進一步驗證了DMOPSO算法相比MOPSO算法在解集收斂性和多樣性上的優勢。

1.2.3 面向偏好場景的站點優化配置

多目標、多區域同時監測是感知系統的一種常見任務需求。該場景下,受限于資源總量,通常需要根據不同目標優先級,對有限的站點資源進行優化配置,因此有研究人員提出偏好需求驅動的站點優化配置問題。文獻[42-43]聯合多個監視區域,以最小聯合SNR作為性能指標,把基于偏好的天線站點配置問題建模成一個多目標優化問題,提出一種基于靜態參考點的MOPSO配置方法。該方法引入偏好信息模型,并結合MOPSO算法,采用一種全局最優粒子更新準則。首先初始化粒子群、新建外部檔案集,每一次迭代均更新全部粒子的位置和速度,按照互不支配原則更新外部檔案集,將外部檔案集中的粒子按距離升序排列,并從檔案集的前10%粒子中隨機選擇一個作為全局最佳位置。計算外部檔案集中所有粒子的距離如下(以第i個為例)

(2)

式中:fj(·)為第j個監視區域的性能指標值;vj代表第j個監視區域期望達到的性能指標值。因此,第i個粒子的距離等于M個監視區域中實際性能與期望性能之差的最大值。

然而以上研究成果中參考點位置始終固定,難以持續向動態的帕累托前沿有效牽引解集,面臨偏好區域逐漸偏離帕累托前沿等問題。文獻[44]提出一種基于動態參考點的MOPSO配置方法,參考點的位置在偏好方向上動態更新,不僅引導非支配解集收斂到偏好區域內的帕累托前沿上,而且保證解集的多樣性。該研究成果不僅側重保護重點區域,而且保證配置方案具有多樣性,圖4給出了由動態參考點得到的解集分布示意圖。文獻[44]基于MOPSO算法框架,采用三個測試函數(ZDT1、ZDT2和ZDT3)仿真對比靜態參考點策略與動態參考點策略,靜態參考點策略的超體積度量(HV)、多樣性均劣于動態參考點策略。

1.2.4 面向通信受限場景的站點優化配置

分布式感知系統站點通常對通信能力有一定的要求(支撐實現信息互傳融合、指控信息交互等需求)。在機動部署場景下,光纜等通信手段難度、代價過高,通常只能以無線通信的方式為站點提供通信支撐。但實際應用中,受限于地形遮擋、通信功率等因素,站點間無線通信距離面臨一定限制。以無線傳感器網絡(WSN)為代表,國內外研究人員針對不同場景,對感知系統站點配置算法開展研究[58]。針對移動節點組成的WSN[59-60],部分學者提出了一種基于虛擬力(VF)算法的傳感器配置技術,提高傳感器初始隨機放置后的覆蓋率。針對WSN中移動節點的密度,文獻[61]提出采用粒子群遺傳優化(PSGO)算法配置節點,該方法不僅提高覆蓋率,而且可以減少節點冗余。針對存在固定、可移動節點的混合節點型WSN,文獻[62]提出一種虛擬力導向的協同進化粒子群優化(VFCPSO)算法,在混合節點型WSN優化配置節點時,避免可移動節點受固定節點的虛擬力作用,同時提高了收斂速度。

其他常見的通信受限系統還有協同偵察定位系統等。文獻[37]采用一套三站式時差定位系統,考慮各觀測站之間存在通信距離約束,將觀測站間距離設置為常數,通過調整三個觀測站與目標的幾何關系實現優化配置,然而該文研究成果難以滿足多套多站式時差定位系統的需求。文獻[45]采用多套多站式時差定位系統,結合信息融合方式和最差性能最優準則,以所有分辨率單元中的最大GDOP最小化作為優化目標,將協同偵察系統站點配置問題建模為單目標有約束問題。該文將通信距離修正嵌入副站位置解算過程,提出一種基于混合編碼的PSO配置方法。在每一次迭代中,粒子編碼方式和副站位置解算方程分別如下。

(3)

(4)

表1 規則/動態/偏好/通信受限場景下站點配置方法的優缺點以及適用邊界Tab.1 Advantages, disadvantages, and applicable boundaries of node deployment methods in regular /dynamic/preference/communication constrained scenarios

表2 面向規則/動態/偏好/通信受限場景下單性能指標站點配置方法研究重點Tab.2 Research focus of single performance indicator node deployment methods in regular /dynamic/preference/communication constrained scenarios

2 多性能指標

2.1 場景設置及研究思路

大量實際場景存在態勢多變快變、任務數量多差異大等特征,迫使感知系統需要集成更強算力和更多功能,以具備單任務精細化處理能力與多任務并行處理能力。面向單任務精細化處理場景或多任務并行處理場景,感知系統需根據多種性能指標綜合評估結果進行站點優化配置。因而基于多性能指標的站點配置,需同時考慮至少兩種不同指標進行站點優化配置。對于多性能指標需求驅動的站點配置,研究重點通常在于如何在不同指標之間進行平衡與折中,按需改善系統綜合性能。

基于多性能指標的站點優化配置基本流程:確定待優化的多種指標和參數變量,研究人員通常采取以下兩種方法之一:

(1)部分指標加權或者轉化為約束:將多種性能指標整合為一個目標函數進行優化,或在優化一種性能指標時將其他性能指標作為約束,將站點配置問題建模為單目標有/無約束優化問題,采用單目標優化算法實現站點優化配置;

(2)基于帕累托優化理論:聯合多種性能指標,將站點配置問題建模為多目標優化問題,采用多目標優化算法尋優。

2.2 研究成果梳理及分析

當前,基于多性能指標的站點配置研究的難點和熱點是如何綜合考慮多種性能指標。多性能指標可以用于精細化評估單個任務,也可以用于評估多個并行任務。面向單任務場景的站點配置,多性能指標用于多層次、立體化評估單任務的諸多方面,以靈活、穩定地提升感知系統處理單個任務的性能。面向多任務場景的站點配置,多性能指標分別用于評估多個不同的并行任務,以提升感知系統同時處理多個任務的綜合性能。綜上,多性能指標評估需求驅動的站點配置研究主要分為兩類,即面向單任務場景的站點配置和面向多任務場景的站點配置,下面將分別敘述它們的研究現狀。

2.2.1 面向單任務場景的站點配置

多性能指標可定義為兩種及以上指標(如:探測雷達的威力和精度),采用多個指標可更全面地評估單個任務。隨著站點數量提升及組網技術發展,目標/區域呈現海/陸/空/天立體化、層次化的特點,組網系統面臨抗干擾、反隱身以及反低空小目標等難題,研究重點是定性、量化以及綜合各種指標,建立更加完善的站點優化配置模型。然而,組網系統資源有限,同時優化多種指標往往是一個互相沖突的多目標、多約束問題。因此,大量學者投入單任務場景下站點優化配置的研究,基于更全面、更精細的性能指標,建立配置模型,提出高效的站點優化配置算法,以提升感知系統綜合性能。

在復雜對抗環境下,組網雷達系統完成探測任務的前提是有效抑制有源噪聲壓制等干擾。文獻[63]以受干擾責任區覆蓋指數作為優化目標,將受干擾固有探測能力下降指數、未受干擾責任區覆蓋指數轉化為約束建立優化模型。考慮相鄰雷達探測區域間存在交叉覆蓋,文獻[64]基于文獻[63],進一步將特定高度層上相鄰雷達單元的銜接系數、雷達網的空域重疊系數和受干擾時探測能力下降指數作為約束,將站點配置問題建模為單目標多約束優化問題,然而以上問題模型均難以適應海上編隊雷達網的配置需求。為了精確評估海上編隊雷達網的探測性能和抗干擾性能,文獻[65]采用對空/海警戒區覆蓋指數、相鄰對海/空雷達間的銜接系數分別替換文獻[63]和文獻[64]的責任區覆蓋指數、相鄰雷達單元的銜接系數,并引入艦艇間機動距離約束,建立單目標多約束優化模型,有效評估海上編隊雷達網的抗干擾性能。然而文獻[63]和文獻[64]所提配置算法主要依賴局部尋優,往往只能提供準最優解,文獻[65]采用枚舉法,運算量較大。

文獻[66]考慮陣地環境制約等因素,將雷達網部署的陣地環境、相鄰雷達單元間的水平威力銜接系數以及威力銜接高度作為約束,而將空域不同高度層的覆蓋系數加權為優化目標,建立單目標多約束優化模型,提出一種基于內嵌多約束判決的GA配置方法,這種方法的原理是在采用GA進行全局尋優時,在初始種群生成后或每一代交叉、變異后,剔除不滿足約束條件的個體或種群,僅從滿足約束條件的父代中生成新的子代。文獻[67]也采用該方法有效求解配置問題,該文以7類雷達網性能評價因子歸一化加權作為指標,設置雷達型號、雷達數量和雷達位置為參數變量,將地理信息等因素作為約束,將配置問題建模為單目標多約束優化問題。文獻[68]采用內嵌約束判決的GA配置方法,將預警時間、生命周期跟蹤比率和火控支持時間加權后作為一條彈道的效能函數,多條彈道的效能函數加權作為優化目標,將雷達的極坐標以及陣面朝向設置為參數變量,將雷達參數、彈道導彈威脅權重和雷達銜接等作為約束,該文仿真對比了枚舉法,驗證所提方法更快獲取最優配置方案,求解高維度、大規模以及多約束配置問題更具優勢。

文獻[69]將責任區覆蓋系數和重點區覆蓋系數加權,并乘以約束系數指標作為優化目標,采用交叉概率、變異概率自適應調整策略,每一輪迭代均修正不滿足約束的個體,提出一種基于內嵌多約束判決的自適應GA配置方法,實際應用表明以上站點配置方法高效實用。文獻[70]為了保證組網雷達系統具有一定的“四抗”能力,考慮雷達頻率資源面臨重疊干擾,以責任區覆蓋系數、空間重疊覆蓋系數、頻率干擾系數和資源利用系數加權作為優化目標,將重點目標覆蓋系數作為約束條件,建立站點優化配置模型,提出一種基于內嵌約束判決的有序化GA配置方法,該文仿真實驗結果表明,所提模型和算法通過站點優化配置提升了雷達預警能力、抗干擾能力,并且改善了資源利用率,降低了頻率重疊干擾程度。文獻[71]以劃定區域的覆蓋率作為指標,設置雷達型號、雷達位置為參數變量,將雷達探測范圍銜接寬度作為約束,建立單目標約束優化模型,提出一種基于SA的站點優化配置算法,該文實例仿真表明,站點優化配置后預警能力、抗隱身能力和防低空突防能力均有所提升。文獻[72]提出了一種基于圖論的配置方法,將雷達作為一個獨立點集,陣地作為另外一個獨立點集,通過兩個獨立點集的配對實現雷達與陣地的配對,采用狀態壓縮將雷達配置方案數值化,獲取覆蓋范圍大、成本最小、重點區域重點覆蓋、冗余度滿足約束的站點配置方案。文獻[73]提出了一種基于基點賦權優選的配置方法,首先確定一個人工方案,新產生的方案以人工方案作為參考點,按綜合評價值排序所有方案,可得方案的優劣次序,易于編程計算。

防空預警雷達網由2部(含)以上架設于不同高度或地點的雷達組成,該組網系統通過站點情報融合提升探測覆蓋能力,但面臨高空火力打擊、電子干擾以及反輻射攻擊等難題。文獻[74]考慮覆蓋率、重疊度、“四抗”能力以及費效比,通過量化6個約束原則,建立6個指標加權的單目標優化模型,將備選陣地編號和裝備編號直接作為染色體基因,實現備選陣地與裝備一一對應,提出了一種基于混合實數編碼GA的配置方法,而采用混合決策收斂準則,使得算法收斂更靈活。當防空預警雷達網規模較大時,情報充分交互具有提升整體性能的潛力。文獻[75]提出探測效能和情報質量這兩個一級指標,可劃分為若干個二級評估指標,對兩級指標分別進行模糊歸一化、量化,采用模糊層次分析法(PAHP)可建立配置模型,該文基于GA求解上述模型,綜合提升了防空預警雷達網絡的整體性能。文獻[76]聚焦覆蓋空域的連續性和嚴密性,提出一種基于模擬退火遺傳(SAGA)算法的站點優化配置方法,分別對丘陵山地、平原兩種地形的陣地位置進行實數編碼和二維實數編碼,通過自適應交叉、全概率變異更新站點配置方案,所提算法避免了GA早熟、收斂速度慢等缺點。

文獻[49]考慮配置區域不連通(如:沼澤及深水域無法配置),將不連通的配置區域劃分為多個連通子區域的并集,將每個站點與子區域的對應關系映射為整數變量,將站點在子區域內的位置映射為二維連續變量,采用混合編碼方式定義站點的位置。該文以ECR和最小的SNR作為兩種性能指標,以站點位置為參數變量,站點優化配置模型建立為

(5)

式中:θj包含一個整數變量aj和一個連續變量(xj,yj),這兩個變量的約束條件分別為M個子區域、第m個子區域的范圍。θj映射為第j個雷達站點的混合坐標,則Θ匯總J個雷達站點的混合坐標編碼。該文將以上配置問題轉化為混合整數非線性規劃(MINP)問題,修改MOPSO粒子運動方程,提出一種多目標粒子群優化結合混合整數非線性規劃(MOPSO-MINP)算法,用于優化站點配置方案。該文還討論了另一種模型和算法,通過引入懲罰項來修正約束,轉化為無約束問題,提出一種基于擁擠距離(CD)的多目標粒子群優化(MOPSO-CD)算法,該方法引入CD排序選擇非支配解,增加配置方案的多樣性,防止過快陷入局部最優解。該文仿真結果表明,相比后一種模型及算法,前者求解的站點配置方案具有更好的多樣性和均勻性。當配置模型中,幾種性能指標數量級相差較大,MOPSO-CD算法也難以搜索到全局最優解。文獻[48]以ECR、最小總信號能量和噪聲功率之比(RTSN)作為性能指標,將站點配置問題建模為多目標約束優化問題,通過構造k個子群擴展帕累托前沿,一個主群尋找非支配解,提出一種基于非支配相對擁擠距離的多目標粒子群優化(MOPSO-NRCD)算法。該文仿真結果顯示MOPSO-NRCD的支配空間的平均大小和平均多樣性均大于MOPSO-CD,可以提供更好的配置候選方案。

干擾任務場景下,文獻[77]采用干擾源主動壓制敵方的導航信號,考慮敵武器對我方重要目標威脅程度,則我方干擾功率小和敵方威脅指數高均不利于我方,將干擾功率、威脅指數的倒數通過加權構成一個指標,建立單目標優化模型,通過GA求解優化配置方案,該方法可以提升區域內的最小干擾效益,然而難以優化干擾效益在區域內所有位置的整體分布。

通信任務場景下,文獻[78]以無人機基站數量、用戶數量和總體路徑損耗的加權值作為優化目標,以三維(3D)位置和發射功率為參數變量,根據無人機(UAV)連接要求和地面用戶覆蓋要求,提出5個約束條件,建立單目標多約束優化配置模型,提出一種基于多目標二元粒子群優化遺傳算法(MO-BPSO-GA)的站點優化配置方法,該方法結合了多目標粒子群優化(MOPSO)、二元粒子群優化(BPSO)和遺傳算法(GA)的優勢。該文仿真結果表明,MO-BPSO-GA在UAV連接要求和地面用戶覆蓋要求下,所提出的MO-BPSO-GA算法不僅可以部署最少數量的UAV,而且可以優化其3D位置以獲得更好的信道質量。文獻[50]以有效通信覆蓋率和ASE作為性能指標,采用MOPSO算法配置通信基站,選擇某城市地區作為仿真測試區域,驗證了該方法的有效性。

2.2.2 面向多任務場景的站點配置

感知系統的時/空/頻/能等資源通常受限,系統的多項任務間存在資源沖突,通過站點優化配置可實現資源利用率提升。在多任務場景中,部分學者提出了面向多任務場景的站點配置方法。以WSN為代表,受限能量供應通常會限制WSN壽命,因此能耗是無線傳感器節點配置的關鍵指標。文獻[80]將覆蓋率和能耗之比作為綜合指標,將WSN分為不同的集群,不同集群間協同工作以實現節點優化配置,提出分層VFCPSO算法,將集中式VFCPSO(C-VFCPSO)算法擴展到分布式VFCPSO(D-VFCPSO)算法、異構分層VFCPSO(Hetero-H-VFCPSO)算法和同構分層VFCPSO(Homo-H-VFCPSO)算法,仿真驗證了Homo-H-VFCPSO算法在傳感器節點優化配置方面的優勢。

為了綜合優化覆蓋率和通信能耗,可將站點配置問題建模為多目標優化問題。文獻[81]考慮WSN節點間通信距離受限,將傳感器節點配置問題建模為多目標約束優化問題,采用基于模糊邏輯的帕累托前沿最佳折中策略選擇方法,提出了一種基于MOPSO結合模糊決策的高效傳感器配置方法,并與非支配排序遺傳算法II(NSGA-II)進行對比,驗證了所提算法獲得的非支配解分布更均勻,所需計算時間更少。文獻[52]考慮采用5G相控陣的多基站協同感知系統,可以同時完成無線通信及低空目標檢測任務,以有效檢測覆蓋率和有效通信覆蓋率為性能指標,將所有基站的位置和天線偏角設置為參數變量,建立多目標優化模型,提出一種改進MOPSO算法,該文測試比較了傳統配置和優化配置在檢測和通信性能方面的優劣,驗證了所提方法的有效性和優勢。為了同時提高雷達系統探測和偵察性能,文獻[51]提出有效覆蓋率CR和監視區域平均幾何精度因子Ag兩個性能指標。希望獲得更高的CR和更小的Ag,將雷達站點位置作為參數變量,建立多目標優化模型為

(6)

式中:Θ為粒子位置,映射為雷達站點位置。該文提出了改進MOPSO算法,用于站點優化配置,并仿真驗證了所提算法的有效性。表3展示了單任務/多任務場景下站點配置方法的優缺點以及適用邊界。表4歸納了面向單任務/多任務場景下多性能指標站點配置的研究重點。

表3 單任務/多任務場景下站點配置方法的優缺點以及適用邊界Tab.3 Advantages, disadvantages, and applicable boundaries of node deployment methods in single task/multi-task scenarios

表4 面向單任務/多任務場景下多性能指標的站點配置方法研究重點Tab.4 Research focus of node deployment methods for multiple performance indicators in single task/multi-task scenarios

3 結束語

站點配置作為資源管控的重要環節,對感知系統性能具有基礎性、全局性影響,具有重要的研究意義。本文針對不同應用場景,梳理總結了站點配置技術國內外研究現狀。現有研究主要集中于規則場景的探索、聚焦單一性能指標的模型構建和算法設計,而在研究實際復雜環境部署條件限制、多指標按需折中平衡等方面不夠深入,相關研究仍需繼續探索挖掘。因此,本文嘗試對站點配置技術未來研究發展做如下三方面展望:

(1)感知系統站點配置指標設計與優化

現有站點配置研究成果中,單性能指標設計通常具有種類豐富、調整靈活的優勢,而對于多指標則大多采用指標加權或轉化為約束條件的方式進行簡化,站點優化配置未能充分挖掘系統多功能優勢。盡管該方向已有一定的研究成果,但在如何根據實際需求納入更多指標、如何平衡建模粒度與計算復雜度等方面仍需持續深入探索。

(2)感知系統站點配置算法改進與創新

現有站點優化配置算法研究成果集中于單任務場景,或僅考慮了同構感知系統、一維參數變量等簡單要素或限制條件。未來應針對異構站點配置、高維參數變量以及多性能綜合優化等挑戰,探索快速高效的感知系統站點優化配置算法,提升配置速度,增強系統對時變環境的適應能力。

(3)感知系統站點配置特定場景應用

現有研究大多基于規則通用場景,一定程度上制約了感知系統站點配置的實際工程應用。針對感知系統資源沖突風險增加的問題,未來需要探索基于站點配置方案的系統資源動態分配技術,降低、消解陸、海、空、天等場景下探、通、偵和干多任務一體化系統資源沖突帶來的影響。