基于SA-PSO算法的分布式干扰智能资源分配方法及系统

本发明属于雷达对抗，更进一步涉及一种分布式干扰智能资源分配方法及系统，可用于目标雷达的干扰资源智能优化配置，提高对目标雷达的协同干扰效能。并对非合作方相控阵雷达实施有效干扰。

背景技术：

1、机载雷达易受分布广泛的地物杂波影响，且载机的运动还会导致杂波谱的扩展，这对机载雷达的杂波抑制能力提出了要求。有源相控阵技术的发展不仅增强了雷达的性能，还拓展了作战飞机的作战模式。相比于其他机载雷达，搭载有源相控阵技术的机载相控阵雷达具有可对付多个目标、波束扫描不受惯性影响、反应速度快及抗干扰能力强等优势。对于相控阵雷达而言，利用空时自适应处理stap技术可以对空时二维进行联合处理，在杂波谱上形成陷波凹口从而实现杂波滤除，大大削弱了杂波对机载雷达的影响。此外，stap还可以在干扰入射方向形成干扰凹口，使得传统旁瓣有源干扰很难对其造成有效干扰。技术对杂波和干扰的优秀抑制能力使得传统干扰手段难以对机载相控阵雷达实施有效干扰。分布式干扰是针对这一类雷达实施干扰的一种有效措施，在有限的资源条件下，多个干扰机干扰资源的分配和调度尤为重要，若仅依靠人工进行分配，不仅需要消耗极大的人力成本，还可能会出现干扰覆盖密度过小，导致干扰效果差的结果，迫切需要提出可行的干扰资源分配方法。

2、公开号为cn121333347a的专利文献公开了一种侦察误差条件下的跳频干扰资源分配方法，其利用异步深度强化学习算法对所述跳频干扰资源分配问题进行求解，通过多个干扰任务对策略网络进行训练，得到对应多个干扰任务的多个策略梯度，利用梯度冲突消解机制对策略梯度进行修正，以得到优化的分配策略网络。但该方法在分布式干扰机群数量较多时，其构建的训练模型复杂，在实际的工作过程中实现复杂度较高。

3、席昕在其毕业论文“对机载预警雷达stap技术的分布式干扰研究”中提出了一种使用萤火虫算法优化分布式干扰的干扰资源分配方法，其通过萤火虫之间对发光亮度的吸引特性，来求解优化目标函数问题，并根据适应度函数评价当前分配方案的优劣。该方法虽然无需依赖目标函数的梯度信息就能展开寻优，但由于其采用的高亮度个体会过早主导种群，易陷入局部最优，且在种群规模较大时，个体之间的比较次数较多，导致计算复杂度会显著增高。

4、张连炜在其毕业论文“分布式干扰决策与评估技术”中提出了一种采用遗传算法优化分布式干扰的干扰资源分配，其通过将问题的解进行染色体编码，构建适应度函数求解每个个体的适应度值，并通过遗传操作过程完成寻优的结果输出。但该方法由于在遗传操作过程中每一代都需要进行选择、交叉和变异，容易产生不满足约束条件的个体，需要额外的修复机制或惩罚函数处理，导致收敛速度慢需要更多的世代才能迭代出所需结果。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足，提出一种基于sa-pso算法的分布式干扰智能资源分配方法及系统，以提升在干扰资源分配过程中的收敛速度，提高对机载相控阵雷达的干扰效果。

2、实现本发明的技术思路是：结合pso算法寻优过程，使粒子群在沿历史最优方向进化的同时，能够以概率形式接受劣解，显著减少了所需的平均迭代次数，提升在寻优过程的收敛速度；通过引入粒子群的迭代规则和模拟退火准则，将个体最优值和全局最优值进行比较得出最优结果，避免算法提早收敛而陷入局部最优，最终得出最优的资源分配方案，提高对机载相控阵雷达的干扰效果。

3、根据上述思路，本发明的技术方案包括：

4、1.一种基于sa-pso算法的分布式干扰智能资源分配方法

5、1. 一种基于sa-pso算法的分布式干扰智能资源分配方法，其特征在于，包括：

6、（1）建立面向机载相控阵雷达空时自适应处理的分布式干扰资源分配场景，获取机载相控阵雷达、待探测目标以及多个分布式干扰机的参数集；

7、（2）依据所述态势参数集和待分配干扰资源类型，构建分布式干扰资源决策向量；

8、（3）根据所述干扰资源决策向量建立资源约束；

9、（4）将满足约束的干扰资源决策向量映射为机载相控阵雷达空时自适应处理输入端的等效干扰协方差矩阵，并以降低空时自适应处理输出端目标信杂噪比为目标，构建分布式干扰资源分配优化模型；

10、（5）将所述干扰资源决策向量编码为粒子群算法中的粒子位置，初始化粒子群算法参数和模拟退火算法参数；

11、（6）依据粒子群更新规则更新粒子位置，对更新后的粒子位置进行约束计算目标信杂噪比，并利用模拟退火接受准则更新个体最优位置和全局最优位置；

12、（7）重复执行步骤（6）直至满足终止条件，将全局最优位置解码为各分布式干扰机的最优干扰资源分配方案并输出。

13、进一步，所述（4）中构建分布式干扰资源分配优化模型，其实现包括：

14、4a）依据所设的资源约束条件，对干扰功率进行非负截断和归一化，并将统一干扰样式、转发次数和采样脉冲宽度分别投影到对应可行集合，提取符合资源约束条件的干扰决策向量；

15、4b）根据干扰资源决策向量和第部分布式干扰机的空时导向矢量，计算第部分布式干扰机对机载相控阵雷达空时处理输入端的等效干扰贡献，并对所有分布式干扰机的等效干扰贡献进行叠加，得到由干扰资源决策向量确定的等效干扰协方差矩阵：

16、4d）利用4b）中构建的等效干扰协方差矩阵，定义最小化机载相控阵雷达空时自适应处理输出端目标信杂噪比。

17、进一步，所述（6）中对更新后的粒子位置进行约束计算目标信杂噪比，其实现包括：

18、6a）在第次迭代中，分别对粒子的速度和位置进行更新，得到第次迭代后的第个粒子的速度和位置：

19、6b）根据资源约束条件对进行约束后，依据优化分配模型计算第次迭代后的第个粒子对应的目标信噪比。

20、进一步，所述（6）中利用模拟退火接受准则更新个体最优位置和全局最优位置，其实现包括：

21、6c）将约束后的第次迭代粒子位置对应的候选干扰资源分配方案记为，将当前个体最优位置对应的资源分配方案记为，定义目标函数差值：

22、6d）根据目标函数差值的取值范围，选择接受的资源分配方案，并依据接受的资源分配方案更新当前个体最优位置：

23、当时，则接受为当前个体最优位置对应的资源分配方案，并更新当前个体最优位置；

24、当时，则按照概率选择是否接受：

25、若随机数满足，则接受为当前资源分配方案，并更新当前个体最优位置；

26、若时，则保留当前资源分配方案；

27、6e）根据目标函数值的大小，选择接受全局最优位置：

28、若全局最优位置对应目标函数值大于当前个体最优位置对应的目标函数值，则保留当前全局最优位置；

29、若全局最优位置对应目标函数值小于当前个体最优位置对应的目标函数值，则更新当前全局最优位置为；

30、6f）完成6a）至6e）后，更新温度；

31、2. 一种基于sa-pso算法的分布式干扰智能资源分配系统，其特征在于，包括：

32、场景建立模块，用于建立面向机载相控阵雷达空时自适应处理的分布式干扰资源分配场景，获取机载相控阵雷达、待探测目标以及多个分布式干扰机的参数集；

33、参数映射模块，用于将获取的参数集转化为分布式干扰资源决策向量，并依据分布式干扰资源决策向量构建资源约束和协同约束；

34、向量编码模块，用于构建分布式干扰资源分配优化模型，将分布式干扰决策向量编码为sa-pso算法的初始化参数，并依据参数映射模块的约束规则，对迭代后的粒子群参数进行修正；

35、更新迭代模块，用于对粒子群位置和速度等参数进行迭代更新，利用模拟退火接受准则更新个体最优位置和全局最优位置；

36、位置解码模块，用于输出最优干扰资源分配方案。

37、本发明与现有技术相比，具有如下优点：

38、其一，本发明通过将构建干扰资源决策向量，将干扰资源决策向量映射为sa-pso算法基本参数，明确粒子群参数迭代关系，引入模拟退火算法更新个体最优位置和全局最优位置，保持了粒子群的导向收敛性，提升在干扰资源分配过程中的收敛速度。

39、其二，本发明通过构建分布式干扰资源分配优化模型，以定义的最小化机载相控阵雷达空时自适应处理输出端目标信杂噪比为目标函数，以目标函数为导向建立模型迭代关系，选取最优干扰资源决策获取全局最小的信杂噪比，提高对机载相控阵雷达的干扰效果。