文摘
对未来的信息对抗,一个干扰模式并不有效,由于复杂的电磁环境。选择适当的干扰协调干扰资源分配的决定是电子对抗的发展方向。大多数现有的研究对干扰决定只注意干扰的好处,而忽略干扰成本。此外,传统的人工蜂群算法需要太多的迭代,和改进的蚁群算法(IAC)很容易落入局部最优解。针对这个问题,本文介绍了干扰成本的概念认知协作干扰决策模型和改进多目标之一。此外,本文提出了一种禁忌search-artificial蜜蜂殖民地(TSABC)算法来认知cooperative-jamming决定。介绍了禁忌列表到人工蜂群(ABC)算法和存储解决方案,没有更新一定数量的搜索到禁忌列表后为了避免会议时生成一个新的解决方案,因此,该算法减少了不必要的迭代过程,它是不容易陷入局部最优。仿真结果表明,找到最优解的搜索能力和概率的新算法比其他两个。它具有更好的鲁棒性,这是更好的“一对多”的干扰模式。
1。介绍
随着net-defender技术、信息对抗发挥了越来越重要的作用在现代战争中,和各模式multiattackers电子攻击的主要方式。传统的基于点对点的干扰资源分配算法分配不适合现代战争由于其低效率。认知干扰合作将成为一种趋势在信息对抗由于认知能力的技术自主环境感知和实时优化操作参数(1,2]。认知冲突是一个闭环学习处理系统基于动态知识库perception-recognition决策action-perception,它是用于提高作战效能的一个复杂电磁环境下电子设备(3]。在这个闭环系统的决策起着至关重要的作用,直接影响作战效能和效益(4- - - - - -6]。
决策的一个主要目标是改善干扰效益,主要以权力来衡量,频率,干扰的空间,和干扰模式在现有的研究7- - - - - -11]。这些研究,然而,这不能反映真正的战场情况,只考虑如何从攻击者干扰效益最大化而忽视干扰成本。文献[12)需要的干扰成本账户,但它是相当模糊的。为了更接近实际应用场景中,本文考虑了干扰的好处和干扰成本在一起,选择探测概率作为攻击者攻击者的成本来衡量效果与权力,频率,干扰的空间,和干扰模式。
决策是一个非线性的整数组合优化问题13,14]。目前,智能算法如遗传算法(GA),改进的蚁群算法(IAC)和粒子群优化(PSO)被广泛用于解决这个问题。文献[15)用遗传算法解决multi-UAV无人机任务规划问题。文献[16)提出了一个量子遗传算法使用一个量子位编码通信参数。它使用量子旋转盖茨更新人口和分配算法的非线性特征。然而,这种算法是高复杂性和缓慢的收敛性。文献[17]介绍了蚁群算法的智能决策问题和提高了收敛速度。文献[18)提出了一个IAC算法优化多目标后卫干扰资源配置,加快搜索速度优化。文献[19使用粒子群优化决策。然而,最聪明的算法需要许多复杂的参数,还有一些改进的空间收敛速度。这个问题,文献[20.]应用人工蜂群算法抗干扰通信决策,减少了参数的数量和加强收敛。然而,传统的ABC算法容易陷入局部最大值较差的鲁棒性。本文结合了ABC算法和禁忌搜索算法,提出了一个新的规则搜索新的解决方案。优化算法的概率提高,同时保证更少的参数和快速收敛性。
2。多目标模型的认知协作干扰的决定
假设有攻击者果酱后卫,如图1。矩阵用于表示干扰决策方案可以通过人工智能算法,在那里 意味着攻击者被分配给果酱后卫;否则, 。不同于之前的研究,我们建议干扰成本的概念和传统的模型转换成多目标协同干扰决策模型。
2.1。干扰和干扰成本中获益
摘要干扰效益衡量四个元素(权力压制利益,频率调整利益,干扰覆盖空间的好处,和干扰模式的好处),可由向量表示 。
(1)权力压制受益。首先,我们运用干扰和信号的比值(JSR)来描述电源抑制利益代表后卫的抑制效应 从攻击者 。电源抑制效益函数可以表示为 。只有当收到干扰的力量比权力和回波信号的力量是大于最低JSR认为攻击者的干扰是有效的。攻击者的力量信号,接收到的有效回波信号功率的后卫所示 在哪里和分别代表这名后卫的传动功率和攻击者,后卫主瓣增益,攻击者的利益,的散射面积是自卫的飞机,相当于后卫天线的接收区,然后呢是后卫和攻击者之间的距离。
表示最低比率的干扰和信号,这表明后卫正常工作所必需的。因此,我们可以推导出决策准则。归一化后,可以表示为
(2)频率对齐受益。然后,频率对齐功能中受益是写给报告攻击者的干扰抑制效果 在后卫 。攻击者只能果酱后卫吗如果攻击者的干扰频率与后卫的工作频率。 是指攻击者的工作频率 表示这名后卫的工作频率。因此,可以表示为
(3)干扰覆盖空间的好处。之后,我们介绍了干扰覆盖空间效益功能代表干扰覆盖空间利益代表对攻击者的覆盖空间干扰抑制的影响 在后卫 。攻击者的最大干扰能源强度EN和其相应的有效干扰半径满足关系 在哪里是最低的能源强度阈值影响的后卫。如果攻击者和目标之间的距离超过了干扰半径,干扰是无效的。否则,成反比 。 可以表示为
(4)干扰模式的好处。最后,干扰模式效益函数采用描述干扰模式受益代表攻击者的干扰抑制效果 在后卫 。假设每个后卫(可能是不同的系统类型)有效类型的干扰模式和排序根据理论干扰效应的优点和缺点。如果攻击者包含后卫的干扰模式是有效的 ,然后干扰模式是排名越高,价值越大干扰模式的效益函数。否则, 。 可以表示为
四项指标的权向量计算 使用层次分析法。因此,干扰的好处可以表示为
所有上述指标的最大化干扰福利和忽视干扰成本。根据上述干扰影响因素,本文将形成一个多目标的认知协作干扰决策模型。因此,目的是最大限度地干扰好处同时最小化攻击者被发现的概率。
干扰成本,本文我们主要考虑的概率是攻击者发现了后卫。攻击者被发现的概率的后卫应该尽可能最小化,确保干扰受益。后卫发现攻击者的概率表达式来被定义为 在哪里 表明攻击者的瞬时概率密度发现的后卫。
因此,干扰成本可以表示为
2.2。目标函数和约束
认知合作干扰的多目标决策任务,我们打算获得的最大干扰的好处,以及最小干扰成本,最小化也可以认为是最大化 ,就像
获得最大的干扰收益和付出最小的干扰成本是同样重要的是在多目标认知协作干扰决策任务。因此,适应度函数可以表示为 在哪里是决策变量, 意味着攻击者不堵塞的后卫 ,和 意味着攻击者堵塞的后卫 。决策矩阵是由 。 意味着防守的重要性 。
我们得到不同的决策方案对应于不同的决策矩阵通过模拟。最后,决策矩阵选择最大化目标函数作为最终的决策方案。
因为防守球员的数量可以挤在同一时间有限,以及攻击者的总数和捍卫者,目标函数应该限制 (1)意味着一个后卫应该被攻击者在列表和(2)意味着一个攻击者可以堵塞最多防守队员一次,确保对后卫网络干扰的影响。
3所示。禁忌Search-Bee蚁群算法
近年来,智能算法,如遗传算法(GA) [15,16],改进的蚁群算法(IAC) [17,18)和粒子群优化(PSO) (19),被广泛用于解决干扰决策问题。其中,IAC算法是应用最广泛的,因为它可以极大地提高优化速度和减少运行时间达到最佳的决策。然而,IAC算法中的参数依赖于手动选择缺乏客观性和可信度。针对这个问题,我们提出了人工蜂群(ABC)算法来解决干扰决策问题,因为ABC算法只需要更少的参数和拥有更高的客观性21]。干扰决策的使用步骤使用ABC算法如下:(1)初始化蜜蜂数量。人口有三个参数:(一)蜜蜂的总数:(蜜蜂生产花蜜干扰决策矩阵)(b)最大迭代:maxCycle(c)最大数量的寻找每一种食物来源:极限因为所有的蜜蜂都是侦察兵没有先验信息,算法随机生成干扰决策矩阵总体形势对应食物来源。每一个决策方案的干扰效应是其盈利能力 。在这个时候,所有的蜜蜂都童子军没有先验信息。该算法随机生成干扰决策矩阵总体形势对应食物来源。每一个决策方案的干扰效应是其盈利能力 。 (2)除以所有蜜蜂觅食者和旁观者根据每个决策矩阵的干扰效应步骤(1),其中,/ 2蜜蜂更高值受聘觅食,和其他/ 2蜜蜂是旁观者。旁观者选择觅食者遵循根据概率的前者的价值/ 2决策矩阵。 (3)每个使用抢劫者搜索一个新的决策矩阵在旧并计算其盈利能力。如果它比旧的,那么根据贪婪准则代替它。搜索公式 在哪里 1,2之间是不平等的随机整数 。(4)旁观者变化的分布模式相对应的攻击者采用觅食后得到一个新的决策矩阵选择他们,类似在步骤(3)中。(5)如果采用觅食者和旁观者有限多次搜索决策矩阵,找到任何决定方案有更好的盈利能力,那么放弃这个决策矩阵,把蜜蜂的角色变成童子军,生成一个新的决策矩阵满足约束条件。(6)记录决策矩阵的最大干扰效果,转到步骤(2),直到最大迭代数maxCycle满意。决策矩阵使利润最大是最好的决策方案干扰效果。
干扰的决定基于ABC算法不仅能保证算法的优化速度,而且解决问题的IAC算法需要大量的初参数根据手动选择。它是一种有效改善IAC算法。
然而,也有一些ABC算法面临的主要问题。当优化域或平面面积大,新解决方案有时重叠已经搜索解决方案,进一步导致不必要的重复搜索。因此,算法的全局搜索能力降低,而且有时候容易落入局部最大值。由于限制禁忌表的禁忌搜索算法陷入局部最优解的概率可以大大减少22- - - - - -24]。为了避免算法陷入局部最优,提高最优解的概率,我们介绍了禁忌搜索算法的干扰决策领域,引入新的禁忌search-artificial蜜蜂殖民地(TSABC)算法干扰问题的决策。
这是第一次,TSABC算法引入干扰的问题的决策。禁忌表中的元素是决策矩阵对应于不同的决策方案,无法计算和欧氏距离。因此,传统的方法使用元素之间的欧氏距离来表示阈值在干扰决策已经失去了它的意义。我们提出一种新的阈值的计算方法和新策略来生成一个新的解决方案。具体的改进如下。
如果采用觅食者和旁观者有限多次搜索决策矩阵,找到任何决定方案有更好的盈利,然后加入解决禁忌列表,蜜蜂字符转换成巡防队,随机生成一个新的解决方案,满足约束条件。禁忌列表的元素数量是有限的。为了扩大搜索空间,我们认为解决方案与禁忌列表中的元素的差距小于阈值也在禁忌的范围内。由于禁忌表中的元素是决策矩阵对应于不同的决策方案,欧几里得距离不能计算。考虑到决策的目的是获取最大干扰在干扰决策问题中获益,我们建议的最小值之间的差异健身禁忌列表中每两个解决方案作为一个阈值。它可以计算的 在哪里 ; 是在禁忌列表中元素的数量。
如果不同的健身新解决方案和解决方案之间的禁忌列表小于阈值,我们认为这个新的解决方案是在禁忌列表的范围,并将不断生成新的解决方案,直到禁忌列表。
应用ABC的禁忌搜索算法的干扰决策算法所示1。
|
||||||||||||||||||||||||||||
4所示。仿真分析
验证鲁棒性和能力改进禁忌search-artificial蜂群算法的多目标协同干扰决策,我们设置了两个不同的干扰模式叫“一对一”、“一对多”的仿真验证使用上述目标函数。
“一对一”干扰模式:假设攻击者的数量 ,和后卫的数量 。每个攻击者可以堵塞一个后卫。计算的加权和干扰,干扰攻击者的成本中获益 来的后卫 ;然后干扰效应矩阵所示(18)和(19)。
“一对多”干扰模式:假设攻击者的数量 ,和后卫的数量 。每一个攻击者可以阻塞多个捍卫者。计算的加权和干扰,干扰攻击者的成本中获益 来的后卫 ;然后干扰效应矩阵所示(20.)和(21)。
我们设计两组实验来验证禁忌搜索算法的优化速度和优化概率人工蜂群算法。在两个实验, , ,和 。
实验1:IAC算法,ABC算法,和TSABC算法用于模拟干扰决定“一对一”、“一对多”的模式,验证优化能力的TSABC算法优于IAC算法和ABC算法。然后,比较三种算法的仿真结果在数字展出2和3。
从数据可以看出2和3IAC算法需要更多的迭代的“一对一”模式。尽管它是“一对多”模式,减少了搜索的能力也降低了。TSABC算法不需要重复搜索过程在ABC算法由于禁忌列表中,这有助于达到用更少的迭代最优值。上述结果表明,TSABC算法更好的优化能力。
接下来,我们可以获得各自的最优决策矩阵通过模拟在两种模式。相应的干扰决策方案如表所示1和2。
表1和2显示干扰的匹配方案。从表可以看出,每个后卫都有一个相应的攻击者果酱。后卫卡/攻击者的数量是1在一对一的模式和不超过2“一对多”模式,满足约束集。
为了避免一个优化的偶然事件,我们引入蒙特卡罗模拟执行100次两种模式下的决策过程,分别记录每个操作后的平均数量的迭代。三个算法的优化能力两种模式数据所示4和5。
这显然是在数据4和5迭代的数量波动在一个固定的值。TSABC算法的迭代次数小于其他两个,这进一步表明,TSABC算法具有更强的优化能力。
实验2:蒙特卡罗模拟是隐蔽地用于执行决策过程的两种模式100次,分别记录的平均概率优化值和优化算法在每个决定。两种模式的平均优化值数据所示6和7。
平均优化值的差异之间的一对一的模式是小TSABC算法和ABC算法和局部放大图所示8。
从数据可以看出5和6的优化概率TSABC算法优于IACA算法和ABC算法。这一现象表明,与其他两种算法相比,TSABC算法能够跳出局部最优更有效地找到最优解,提高搜索概率。因此,验证了该算法的鲁棒性。
为了进一步证明该算法的优越性,这三种算法的性能比较如表所示3。
在表3的加权和,我们将干扰效益和干扰成本为目标函数的多目标认知合作干扰的决定,确保仿真解决方案可以支付一个很小的干扰成本而获得巨大的干扰的好处。从表可以看出3平均TSABC算法的迭代次数小于其他两种算法。最重要的是,TSABC算法获得最优解的概率远远大于其他两个,这意味着其优化概率更大。显然,该算法的优化能力和优化概率都增强。此外,TSABC算法具有更好的鲁棒性。优势更明显的在一个许多模式。
5。结论
在现代战争中,信息对抗中发挥着越来越重要的作用,认知干扰合作将成为一种趋势,由于认知能力的技术自主环境感知和实时优化操作参数。干扰决策起着至关重要的作用在闭环的认知冲突。针对的问题干扰效益最大化为决策目标在现有干扰决策模型,在本文中,两个目标函数作为干扰提出了成本效益和干扰测量的干扰影响,和具体指标的计算方法和他们的收入值,分别。目标函数的增加改变了协作干扰决策问题转化为一个多目标优化问题和改进模型的多目标认知协作干扰的决定。方面的决策算法,针对缺陷改进蚁群算法的干扰决策问题,本文介绍了禁忌搜索人工蜂群算法的干扰决策问题,并通过仿真,证明了该算法的优越性。仿真结果表明,改进后的算法TSABC大于比较方法优化能力和优化概率和具有更好的鲁棒性和较高的应用价值认知冲突。
数据可用性
研究数据和软件代码用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
本文由中国国家自然科学基金资助(批准号61701134),中国国家重点研究和发展计划(批准号2016 yff0102806),中国黑龙江省自然科学基金(批准号F2017004),中央大学的基础研究基金(没有。HEUCFM180802)。