[发明专利]监视台站布站方法和装置

摘要

本发明涉及空管领域，具体而言，涉及监视台站布站方法和装置。其中，监视台站布站方法，包括对期望以监视台站覆盖服务的每个对象分别建立一个覆盖目标参数模型；对覆盖目标参数模型进行计算以设定布站区域；对布站区域进行站点优化布网分析，以确定监视台站布站方案。本发明提供的监视台站布站方法和装置，与现有技术中相比，避免了人工在野外或在地图上采集候选点，以及不断地人工选取与计算，而是采用计算机分析设置候选点，以及通过计算机分析来缺点最优站点布局，所以结果分析快速高效，大幅降低了成本。

主权项

一种监视台站布站方法，其特征在于，包括：对期望以所述监视台站覆盖服务的每个对象分别建立一个覆盖目标参数模型；对所述覆盖目标参数模型进行计算以设定布站区域；对所述布站区域进行站点优化布网分析，以确定监视台站布站方案，其中，采用遗传算法对所述布站区域进行站点优化布网分析；所述遗传算法采用了遗传算法参数模型，所述遗传算法参数模型包括以下至少一个参数：种群规模参数，整型，用于描述群体中所含个体的数量，一般取20～100；个体编码长度参数，整型，用于描述个体编码长度，同时决定了编码精度；编码精度参数，浮点型，用于描述求解台站位置坐标小数精度；终止迭代数参数，整型，用于描述传算法终止进化代数；适应度变化阈参数，浮点型，用于描述根据实际问题的求解过程得到的经验值；交叉率参数，浮点型，用于描述进化过程中交叉操作的概率；变异率参数，浮点型，用于描述进化过程中变异操作的概率；最优个体保存率参数，浮点型，用于描述产生新一代群体时保留上一代最佳个体的百分率；所述遗传算法采用了遗传算法参数模型，所述遗传算法参数模型包括以下至少一个参数：种群规模参数，整型，用于描述群体中所含个体的数量，一般取20～100；个体编码长度参数，整型，用于描述个体编码长度，同时决定了编码精度；编码精度参数，浮点型，用于描述求解台站位置坐标小数精度；终止迭代数参数，整型，用于描述传算法终止进化代数；适应度变化阈参数，浮点型，用于描述根据实际问题的求解过程得到的经验值；交叉率参数，浮点型，用于描述进化过程中交叉操作的概率；变异率参数，浮点型，用于描述进化过程中变异操作的概率；最优个体保存率参数，浮点型，用于描述产生新一代群体时保留上一代最佳个体的百分率；采用遗传算法对所述布站区域进行站点优化布网分析包括：(a)确定所述监视台站的信号覆盖区域，具体包括：设置遮蔽角其中ae为等效地球半径，hs为设备视线上最高遮蔽点的海拔高度，ls为遮蔽点到天线的斜距，ha为天线海拔高度；设置在遮蔽角θs下，所述监视台站天线到高度hr的视在距离设置在遮蔽角θs下，所述监视台站的实际作用距离其中Rmax是所述监视台站的最大作用距离，G(θ)是所述监视台站天线的归一化方向函数；设置所述监视台站不同高度层上的可视区，步骤如下：(a.1)选择空域高度hr；(a.2)计算不同方位扇区的遮蔽角，初始记方位ai＝0，其中0≦i<360；(a.3)计算以所述监视台站为起点，地形作用距离为长度，方位ai上相交的等高线，其中该长度与等高线的交点为地形遮蔽点；(a.4)根据上步求出的等高线的地理信息，找出高程值最大且距站点最近的等高线L，并获得L上的遮蔽点坐标；(a.5)计算所述监视台站到上述遮蔽点的视在距离Rs(θs)；(a.6)如果Rs(θs)≤Rr(θs)，则设置高度hr上可视区范围[θs，45°]；(a.7)如果Rs(θs)＞Rr(θs)，令Rs(θn)＝Rr(θn)，求得θn，则设置高度hr上可视区范围[θn，45°]；(a.8)以所述监视台站为中心，由球面坐标公式和直角坐标公式计算在ai方位角度上可视区角度θn上的作用距离在平面上相对设备位置的偏移量，从而得到ai方位上水平覆盖坐标点；(a.9)i＝i+1，ai＝ai+1，循环执行(a.2)～(a.8)，直到ai＝360；(a.10)分别将0～360°方位上获取的水平覆盖坐标点组成多边形区域，设置该区域为所述监视台站的信号覆盖区域；(b)设置初始布站方案群体，具体包括：布站方案群体中的每个个体表示为A：(F,Pts,Code,P)，F为个体适应度，Pts表示初始化个体中站点的坐标数组[(x1,y1),(x2,y2),...,(xn,yn)]，Code为对应经纬度坐标二进制编码的染色体串，P为个体适应度概率；确定所述布站区域的最小外接矩形的经度[Xmin,Xmax]和纬度[Ymin,Ymax]；设雷达网由N部雷达单元组成，以网内各雷达单元的地理位置坐标为染色体，各雷达单元的地理位置分别用Lx,Ly位二进制编码表示，N部雷达单元的染色体串表示为：x1Lxx1Lx-1x1Lx-2...x13x12x11y1Lyy1Ly-1y1Ly-2...y13y12y11x2Lxx2Lx-1x2Lx-2...x23x22x21y2Lyy2Ly-1y2Ly-2...y23y22y21]]>xNLxxNLx-1xNLx-2...xN3xN2xN1yNLyyNLy-1yNLy-2...yN3yN2yN1]]>Code＝N(Lx+Ly)位编码形成染色体串对应着一种雷达网部署方案；Lx或Ly位长度根据遗传算法公式计算得到，公式如下：x＝xLxL‑1xL‑2...x2x1      公式2其中公式1为二进制编码精度公式，公式2为一个个体的编码，公式3为解码公式，Umax，Umin分别是随机数值的最大值、最小值，L为二进制编码长度，δ为二进制编码的编码精度；(c)进行多约束条件判定和群体修正，具体包括：多约束条件判定条件分为环境约束条件和性能约束条件，环境约束条件包括实际布网区域；候选站点参数模型中的建筑设施限制半径，有源干扰设施半径；性能约束条件包括所述监视台站应满足的相邻单元之间最小部署距离dmin和相邻单元最大部署距离dmax，设置：dmin=10PT+GT+GR-Pmin-K-20lg(f);]]>dmax＝min[dmax(Hi),dmax(Hh)]；其中：PT＝发射机功率(dBm)，GT＝发射机天线增益(dB)，PL＝路径损耗，GR＝接收机天线旁瓣增益(dB)，f＝频率(MHz)，K＝32.45(距离以km为单位)；(c.1)输入种群方案；(c.2)对种群中每个个体的单元进行环境约束条件判断，对不满足的个体单元，在原有坐标的基础上加入随机项将该单元移出干扰区域，直到所有个体单元都满足环境约束条件；(c.3)对种群中每个个体进行性能约束条件判断，如果群体中存在不满足性能约束条件的个体，执行步骤(c.4)‑(c.6)；如果所有个体都满足性能约束条件，则执行步骤(c.7)；(c.4)随机产生[0,2π]上均匀分布的随机数θ和[dmin,dmax]上均匀分布随机数k；(c.5)对不满足性能约束条件的个体，以个体中某个单元坐标(x1,y1)为基准，相邻单元的位置调整为(x2,y2)＝(x1,y1)+k(cosθ,sinθ)；(c.6)对修正后的个体单元进行环境约束条件判断，如果不满足，则返回执行步骤(c.3)；直到所有的个体都满足环境约束条件，则执行步骤(c.7)；(c.7)输出修正后的种群；(d)确定覆盖适应度和规划站点覆盖，具体包括：假设系统由N部所述监视台站(D1D2...DN)组成，航路覆盖区为Sh，终端区Sz，M为高度层数，Sij为监视台站i在第j高度层的所述信号覆盖区域，ωj为加权系数，ωj取决于对各个高度层的关心程度，取值在[0，1]上，组网覆盖性能达到最优要求满足以下两个条件：管制区覆盖范围最大化设置覆盖系数ρ，取值范围为[0,1]，计算如下：其中Sg为管制空域面积，包括终端区Sz和航路覆盖区Sh；不同管制空域覆盖层数要求设置冗余系数μ，取值[0，1]，μz为终端区覆盖冗余系数，μh为航路覆盖冗余系数，计算如下：μ＝μz+μh      公式7其中为覆盖冗余因子；设置f＝k1ρ+k2μ    公式8其中k1，k2，是权重系数，表示终端区覆盖与航路覆盖的重要程度；具体覆盖适应度计算操作过程如下：(d.1)令当前迭代次数为t，第一次初始化t＝1，t<T；(d.2)根据候选站点设备类型，分别计算Q个群体方案中所有候选站点在指定的地理位置上的信号覆盖：(d.3)判定实际覆盖搜索控制，如果该参数为TRUE，执行步骤(d.4)；否则执行步骤(d.5)；(d.4)如果已知覆盖条件的现有台站个数为N1，规划台站数配置值为N2，则设置公式5中的设备个数为N＝N1+N2；(d.5)如果没有现有台站参与规划，则设置N＝N2；(d.6)判定覆盖目标模型参数配置，确定此次规划是正对终端区、航路或二者，如果正对终端区，则执行步骤(d.7)；如果正对航路，则执行步骤(d.8)；如果正对二者，则执行步骤(d.9)；(d.7)结合公式4～8，令管制空域面积Sg＝Sz，μh＝0，μ＝μz；(d.8)结合公式4～8，令管制空域面积Sg＝Sh，μz＝0，μ＝μh；(d.9)结合公式4～8，令管制空域面积Sg＝Sz∪Sh，μ＝μz+μh；(d.10)以i＝0，循环计算群体方案Q个个体的适应度Fi＝fi＝k1ρi+k2μi；其中当Nzc>＝N，冗余系数公式5和6中的冗余因子为0，Nzc为终端区域要求覆盖重数；其中，方案中单个候选站点信号覆盖计算方法如下：(1)利用DEM高程数据获取候选点Pt所在位置的高程值；(2)计算候选点Pt的天线海拔高度＝高程值+塔台限制高度；(3)根据当前配置的设备类型，利用该设备类型归一化方向函数计算该候选站点在指定高度上的信号覆盖；(e)终止判断，具体包括：当遗传代数大于设定值T或群体适应度平均值变化小于门限β时，则终止搜索，操作如下：设全局变量Favg为群体适应度平均值，Fcavg为当前群体适应度平均值，计算(e.1)判断当前迭代数t，当t＝1时，Favg＝Fcavg，执行第f步；否则执行步骤(e.2)；(e.2)当t<T且Favg‑Fcavg<＝β，或t＝T时，终止迭代，输出最优方案；否则执行第f步；(f)存储最佳个体，具体包括：(f.1)对群体的所有个体按适应度大小进行降序排序；(f.2)如果当前迭代数t＝1时，令全局变量ColonyGroup表示迄今为止的适应度最高最好个体，大小为G·Q；否则通过适应度将ColonyGroup数组中最优个体与当前群体中的G·Q个适应度最高的个体进行比较，将适应度最高的G·Q个个体保存到ColonyGroup数组中，其中G为最优个体保存率；(f.3)将迄今为止的ColonyGroup数组中最好的个体替换当前群体中G·Q个适应度最差的个体；(f.4)重新按照适应度对群体个体排序；(f.5)计算当前群体中每个个体适应度概率各个个体分配到的概率作为其能够被遗传到下一代的概率，基于这些概率值用比例选择的方法产生下一代群体；(g)选择交叉变异；执行经典遗传算法产生下一代新个体，包括：(g.1)选择：从当前群体中按照一定的概率选出优良的个体，使它们有机会作为父代繁殖下一代子孙形成新群体，新群体个体个数为Q；(g.2)交叉：将选择得到的新群体个体进行两两相互配对，配对的染色体依据交叉概率Pc按照某种方式交互其部分基因，从而形成两个新的个体，将新个体保存到新的群体中；(g.3)变异：针对新群体个体通过一个变异率(pn)改变染色体位串上的一个或多个基因，将变异后的个体添入新群体中；(g.4)分别将新群体中的Q个个体染色体进行解码，将解码后的地理坐标数组赋给Pts；(g.5)至此一次站点优化布网分析结束，t＝t+1，进入第(c)步，执行多约束条件判定。