关键词:
雷达对抗
多无人机
协同干扰
航迹规划
干扰资源分配
认知干扰决策
摘要:
随着雷达科学技术的发展,传统干扰技术面临巨大挑战,为了达到更好的干扰效果,多机协同干扰技术逐渐发展起来。无人机能够代替有人驾驶飞机在危险环境中执行任务,是一种理想的干扰机载体,同时与单架无人机相比,多无人机协同工作能够执行更为复杂的任务。因此,采用多无人机的方式进行协同干扰是一种有效途径。本文着眼于多无人机协同干扰雷达的军事需求,从飞行控制、资源管理到干扰决策的全流程智能控制层面出发,针对现有技术存在的问题分别提出相应解决方法,提升协同干扰效果。本文的主要工作及创新点如下:1.多无人机协同干扰雷达研究课题较为新颖,缺乏该场景下航迹规划的专用方法,已有航迹规划方法未考虑多机编队及其所处环境特点,迁移到该场景下效果不佳。因此本文首先从航迹长度、航迹可行性、航迹安全性、机间协调以及任务完成效果五个方面出发,结合编队及其所处环境特点,完成航迹规划模型构建。此外,针对现有航迹规划求解方法中存在的问题,为有效描述每架飞机的机动特性以及伴飞干扰机与目标飞机间的联系,本文提出基于多球面矢量(Multi-Spherical vector-based,MS)的方法;为避免航迹点信息相互干扰,本文提出逐航迹点学习混合粒子群(Hybrid Particle Swarm Optimization with Flight path point by Flight path point Learning Capabilities,FLHPSO)优化算法,并将两者相结合,形成基于MS-FLHPSO的模型求解方法。仿真结果表明,在不同场景的最优解平均值比较中,MS方法的平均提升幅度在30%以上,FLHPSO优化算法相较于HIPSO-MSOS算法平均提升10%以上,同时本文算法最优解的其余指标均优于其它算法,充分说明本文算法能够在保证稳定性的前提下规划具有更高可信度的编队航迹。2.在已完成的航迹规划基础上,为进一步提高干扰资源利用率,本文提出一种基于组合搜索策略(Combination Search Strategy,CSS)-改进粒子群(Improved Particle Swarm Optimization,IPSO)的多干扰机协同资源分配方法。现有多干扰机波束指向和发射功率资源联合优化方法采用的是两步求解方法,往往只对子问题进行优化,导致干扰资源利用率不高。针对此问题,本文提出了CSS方法,通过构建相应决策变量描述波束指向与发射功率的组合关系,能够直接找到原始问题的全局解决方案。由于CSS方法导致决策变量复杂度增加,为进一步改善PSO算法的优化性能,本文引入自纠正策略,同时提出逐变量学习策略,得到IPSO算法。仿真结果表明,相较于两步求解方法,CSS的单次实验时间平均降低约1.5s,检测概率平均降低约8个百分点,充分说明CSS方法能够在较短的时间内获得更好的资源分配结果,同时IPSO能够进一步保证资源分配结果的稳定性。3.依托资源管理环节建立的干扰机与雷达的对应关系,本文将编队中的干扰机视为智能体,针对目前基于强化学习理论的认知干扰决策方法难以满足雷达对抗高实时性要求,提出一种基于异步优势行动者评论家算法(Asynchronous Advantage Actor-Critic,A3C)的雷达认知干扰决策方法。本文将A3C引入到认知干扰决策领域,设计了包括干扰机模型、环境模型以及交互机制的认知干扰决策整体框架,制定了干扰决策流程,干扰机模型利用异步多线程方式与环境模型进行交互训练。仿真结果表明,在扩充雷达任务转换关系表的基础上,本文方法与基于深度Q神经网络(Deep Q Network,DQN)的认知干扰决策系列方法相比,极大地提高了时间效率,平均决策时间降低30倍以上,并且在决策准确度上有着明显优势,表明本文方法能够为多无人机协同干扰雷达领域的智能决策研究提供有力的技术支撑。