[发明专利]一种基于改进人工蜂群算法的协同电子干扰任务调度方法

说明书

本发明提出了基于改进人工蜂群算法的任务调度方法，属于协同干扰领域。首先，综合UCAV对目标雷达的分析干扰效果，给出任务调度评估指标集及干扰效果评估指标的定量计算方法，并进行归一化处理。其次，确定协同干扰的任务调度约束条件，建立协同电子干扰任务调度模型CEJ‑TSM。然后，采用改进的全局人工蜂群算法IGABC对协同电子干扰任务调度模型进行求解。最后，根据IGABC算法的结果获得协同电子干扰任务调度方案。本发明在UCAV协同干扰多部敌方雷达的任务调度的问题上能够显著提高了最优解的搜索能力，同时也提高了任务调度方案生成的效率和准确性。

技术领域

本发明涉及协同干扰领域，特别是一种基于改进人工蜂群算法的协同电子干扰任务调度方法。

背景技术

对协同干扰任务调度问题的研究，本质上也就是对WTA问题的研究。其内容也是主要包括干扰效果评估指标的选取、任务调度模型的建立以及目标函数最优解的求取三个方面。

由于雷达信号发射与处理技术的复杂性，干扰机在对其进行干扰的评估指标也具有多面性。选择不同的评估指标对协同任务干扰调度方案的选取会产生不同，从而导致最终的干扰效果也会不同。干扰效果评估准则主要指的是在评估干扰效果时，所选择的评估指标和所确定的干扰效果等级划分。评估指标是指在评估中需要检测的被干扰对象与干扰效应有关的关键性能指标。干扰效果等级划分则是指根据上述评估指标量值大小对被干扰对象性能的影响程度，确定出与干扰无效、有效或一级、二级、三级等量化等级对应的评估指标的阈值。目前，国内外研究学者普遍认同的评价指标有干扰频率、干扰功率、干扰样式等等。

针对不同的任务调度模型，许多学者都提出了各自不同的求解算法，大致可以分成两种类型，即传统算法、智能优化算法及其改进算法。传统算法通常是把任务调度问题的实际约束和核心建模进行剥离，只是对任务调度问题本身进行求解，采用一定策略对解空间中所有的解决方案进行评价，从而来确定全局解空间中的最优解，并以此作为最终的调度方案。传统算法的特点是算法思想较为简单，能够在小规模问题上得到较为精确的解。但是当目标数目增多时，收敛速度慢。因此，对于大规模的任务调度问题，传统算法无法在有限时间内给出全局最优解。

智能优化算法是人们从生物进化的机理和一些物理现象中受到启发而提出的用于解决复杂优化问题的新方法。智能算法凭借其高效的优化性能、能够在复杂空间中随机搜索等优点，受到学者们的重视与研究。国内外学者们将WTA问题的研究与智能优化算法的研究相结合，旨在提高WTA问题求解的效率与效能，用以加深对WTA问题的研究。

人工蜂群算法是土耳其埃尔吉耶斯大学Karaboga提出的一种新型进化算法，因其参数设置少、收敛速度快、收敛精度高、且不容易陷入局部最优等特点得到研究者的广泛关注。由于ABC算法是一种新型仿生智能优化算法，对于ABC算法改进研究工作还不多见。且现有的关于协同电子干扰任务调度的模型与求解算法无论在时间效率上还是解的质量上均存在不足。因此，目前急需一种适用于求解协同电子干扰任务调度方法，但是现有技术中尚无相关描述。

发明内容

本发明的目的是针对UCAV(unmanned combat aerial vehicle)协同干扰多部敌方雷达的任务调度这一问题，以及现有模型的不足，提供一种基于改进人工蜂群算法的协同电子干扰任务调度方法。

为了解决上述技术问题，本发明是通过以下技术方案实现的：

一种基于改进人工蜂群算法的协同电子干扰任务调度方法，包括以下步骤：

步骤1，综合UCAV对目标雷达的分析干扰效果，给出任务调度评估指标集及干扰效果评估指标的定量计算方法，并进行归一化处理。所述干扰效果评估指标的定量计算方法为：

(1)协同干扰压制概率q_jp(ej_i,j)可以表示为：