基于改進粒子群的分布式通信干擾資源分配

趙經緯　張君毅　李佳

關鍵詞：人工智能技術;粒子群算法;改進粒子群算法;分布式通信干擾;資源分配

中圖分類號：TN975 文獻標識碼：A DOI： 10.7535/hbgykj.2023yx01007

當今各軍事強國都在追求復雜電磁環境下的信息優勢，通信對抗對敵方通信鏈路進行干擾阻斷，破壞敵方的指揮控制和信息傳送，是獲取戰場信息優勢的重要手段。隨著“電磁頻譜戰”等作戰概念的不斷深入，體系化作戰已成為必然趨勢，如何高效運行己方作戰力量、實現“多目標-多裝備”高效資源分配，是未來分布式通信對抗作戰指揮決策的核心關鍵。

傳 統通信干擾資源分配主要依靠人工經驗對多部干擾機/干擾力量進行分配調度，主觀性較強，在針對單個目標時尚能達到較好的干擾效果/效益，但是在“多目標-多裝備”場景下，不同指揮人員的經驗對干擾效果存在很大的影響，干擾效益難以得到有效保障。因此，干擾資源分配調度對干擾效益和整體作戰效能起著決定性作用。

干擾資源分配實際上是一類非線性整數組合優化問題，是一類NP難問題。針對此類問題，傳統的優化算法主要包括0-1 規劃、動態規劃、博弈論等[1-4]，這些算法已無法滿足當前需要。目前常用的進化算法包括遺傳算法、蟻群算法、粒子群算法等等。文獻[5—12]主要針對雷達網干擾資源分配場景進行建模和分配，證明了進化計算算法在資源分配問題中的有效性。文獻[5—7]通過對遺傳算法的編碼方式進行改進或者與其他算法進行融合，改善了算法的局部搜索能力。文獻[8—9]對蟻群算法在路徑選擇和信息素更新方面提出了改進，應用于資源分配問題中，提升了算法搜索速度和尋優能力。文獻[10]將粒子群算法引入干擾資源分配問題中，驗證了算法在資源分配問題中應用的可行性。文獻[11—12]對粒子在解空間中的多樣性和均勻性進行優化，避免算法陷入局部最優，提高迭代效率。通信干擾資源調度模型與雷達干擾資源調度模型本質上都要求干擾效益最大化，但二者建模的背景條件、目標函數和約束有所不同。在通信干擾方面，文獻[13]針對通信對抗目標分配問題，在瞄準式干擾的背景下應用分布式拍賣算法，并對算法競拍序列的產生使用輪盤賭策略進行優化，干擾效益更高，但是存在局部搜索能力較弱、易于陷入局部最優的問題。

本文針對分布式通信干擾資源高效分配需求，首先構建分布式通信干擾場景及資源分配數學模型;然后，為了對模型求解，針對粒子群算法收斂速度慢、易陷入局部極值的特點，提出一種改進的粒子群算法（improved particle swarm optimization，IPSO），實現干擾效益優化;最后，從干擾效益、迭代速度、收斂誤差等角度出發，驗證了本文所提算法的收斂性能。IPSO 算法采用自適應慣性因子和學習因子，引入遺傳算法的變異策略，并實施精英保留策略，提升了干擾平均效益以及尋優概率。

1 分布式通信干擾場景及資源分配模型

首先構建分布式通信干擾場景如下：假設我方M 部干擾機位置固定，均采取瞄準式干擾，且每部干擾機最多能夠發射L 條干擾波束，以目標方向為法線方向發射干擾波束對其進行干擾。同時，所有干擾機的干擾波束功率P_j均可自主調節，且所有波束功率之和不得超過P_max。假設作戰場景中有N 架飛機攜帶超短波通信電臺組成若干定頻通信網， 各通信目標的威脅程度W =[_w1，_w2，…，_wN]^T、通信功率P_t 已通過前期偵察及情報綜合分析獲取，利用多部干擾機對多個通信目標進行分布式協同干擾的場景如圖1所示。

相比于基本粒子群算法，本文改進的粒子群算法在后期種群平均Hamming距離更低，說明算法向gbest收斂的性能更好。

3.3 算法性能對比

3.3.1 干擾效益對比

為驗證所提算法的性能，選擇按照3.1節參數進行迭代，得到本文改進粒子群算法（IPSO）、文獻[5]的改進小生境遺傳算法、基本粒子群算法（PSO）和基本遺傳算法（GA）的單次運行收斂曲線，如圖3所示。

首先進行單次收斂對比。由圖3可看出，算法單次收斂曲線具有階梯型的特征，這說明干擾資源分配問題的目標函數是一種多峰的非線性函數，也說明算法在進行全局尋優。本文改進粒子群算法通過15代收斂至全局最優值6.835 7，文獻[5]算法在第217代收斂至全局最優值6.835 7。而粒子群算法和遺傳算法分別在78代和102代收斂至局部最優值6.829 4和6.806 0。由此可見，改進的粒子群算法在收斂速度以及避免陷入局部極值的性能上均更優。

進行多次實驗驗證本文算法的性能優勢。在上述場景和參數設置的條件下，分別使用IPSO、文獻[5]的改進小生境遺傳算法、PSO 和GA 進行100次迭代后取平均，得到的結果和平均收斂曲線分別如表2和圖4所示。

如表2和圖4可見，改進的粒子群算法在干擾效益高于文獻[5]算法、PSO 和GA 的同時，所需的收斂代數和收斂時間均更低。這說明本文算法具有更好的搜索能力，提高了收斂性。

將干擾機數量M 、干擾波束數量L、目標飛機數量N 進行更改，重新進行實驗。為了測試算法在不同場景的適應性，采取隨機生成數據的方式進行驗證，在保證對于同一規模下的不同算法，輸入的通信功率、天線增益、距離等參數均相同的條件下，進行100次蒙特卡洛實驗。計算平均干擾效益（目標函數值），得到的結果如表3所示。

從以上數據可以看出，改進粒子群算法相較于文獻[5]算法、PSO 和GA 在不同干擾機數量、干擾波束數量、目標數量的情況下，均能獲得較高的干擾效益，對干擾資源進行更加合理的分配。這說明算法相對于文獻[5]算法、PSO 和GA 搜索能力更強，跳出局部極值的能力更強。

3.3.2 收斂誤差對比

對比算法的收斂誤差。本文定義算法的收斂誤差由式（10）計算：

error=E_best-E， （10）

式中：error為收斂誤差;E_best為全局最優目標函數值;E 為一次實驗所獲得的干擾效益值。

根據式（10）及表3中場景進行蒙特卡洛實驗所獲得的每一次實驗的干擾效益值與全局最優值作差，計算算法的收斂誤差，所得結果如圖5和表4所示。

如圖5所示，經過100次實驗，本文算法在各種場景下的收斂誤差均明顯低于文獻[5]算法、PSO和GA，更加接近全局最優。

在圖5和表4中場景①到場景⑥的條件下，在場景規模增大的情況下，由圖5可見，本文算法在這些場景下的收斂誤差和平均收斂誤差均低于文獻[5]算法、PSO和GA。由此可見，本文算法的收斂性能優于文獻[5]算法、PSO和GA，具有較好的統計性能。

4 結語

針對分布式通信干擾場景下面臨的資源分配效率低、干擾效益無保障等問題，首先設計了分布通信干擾場景的數學模型;其次為了改進粒子群算法易“早熟”收斂的特點，采用將自適應慣性因子和學習因子引入遺傳算法中的變異策略，并采取精英保留策略，對粒子群算法進行了改進。仿真實驗表明，改進的粒子群算法相較于小生境遺傳算法、粒子群算法和遺傳算法，搜索能力更強，在場景規模增大的情況下，能夠獲得更高的干擾效益，并且所需的收斂時間更短、收斂誤差更小。

因此，本文改進的粒子群算法能夠實現對干擾資源的合理調度與分配。下一步將在數學建模中考慮更多的因素，并進一步提升粒子群的收斂速度，以適應更廣泛的場景，實現對干擾資源更合理的分配。