一种基于改进粒子群算法的雷达组网优化布站方法

1.一种基于改进粒子群算法的雷达组网优化布站方法，其特征在于，其步骤包括：S1、建立雷达组网优化布站模型；S11、确定雷达组网优化布站的性能指标，利用所述性能指标建立数学模型；S12、确定雷达组网优化布站的约束条件；S13、构造雷达组网优化布站的目标函数；S2、利用自适应反向学习算子改进粒子群算法，对雷达组网进行布站优化；S3、对雷达组网布站效果进行仿真分析验证；所述性能指标包括：空域覆盖系数、空域重叠覆盖系数、重点区域探测面积、频率干扰系数、资源利用系数；所述空域覆盖系数反映了空域有效覆盖范围的大小及雷达网探测隐身目标的能力，A(·)表示区域面积，空域覆盖系数ρ如下：式(1)中，s j 为责任区在第j高度层的范围；s ij 为第i部雷达在第j高度层的探测区域；m表示雷达的总数量；ρ表示的是雷达网覆盖的有效责任区域在总责任区所占的比重，其值越大雷达网在责任区内的空域覆盖冗余度越高，取值范围为[0,1]；所述空域重叠覆盖系数反映了雷达探测区域在责任区的重叠程度及雷达网的抗干扰能力，空域重叠覆盖系数μ如下：式(2)中，s j 为责任区在第j高度层的范围；s ij 为第i部雷达在第j高度层的探测区域；s kj 为第k部雷达在第j高度层的探测区域；m表示雷达的总数量；μ表示的是两部或两部以上雷达的重叠探测区域面积占总责任区面积的比重，其取值范围为[0,1]；所述重点区域探测面积是指实战情况下责任区内受到重点防护的某部分区域的探测面积，重点区域探测面积θ如下：式(3)中，s keyj 为责任区在第j高度层的重点区域；s ij 为第i部雷达在第j高度层的探测区域；m表示雷达的总数量；θ的取值范围为[0,1]，且θ≥ρ；所述频率干扰系数反映的是相邻雷达的同频干扰程度，频率干扰系数λ如下：式(4)中，s ij 为第i部雷达在第j高度层的探测区域；s kj 为第k部雷达在第j高度层的探测区域；m表示雷达的总数量；f表示雷达的频率；n表示探测区域有重叠的雷达的个数，当n部雷达频率相同探测区域完全重叠时，λ＝0；当其中任意两部雷达的频率不相重叠或探测区域都不重叠时，λ＝1，因此，λ的取值范围为[0,1]；所述资源利用系数τ为：式(5)中，s j 为责任区在第j高度层的范围；s ij 为第i部雷达在第j高度层的探测区域；s kj 为第k部雷达在第j高度层的探测区域；s pj 为第p部雷达在第j高度层的探测区域；m表示雷达的总数量；τ越大雷达网的资源利用越合理，τ的取值范围为[0,1]。 2.根据权利要求1所述的基于改进粒子群算法的雷达组网优化布站方法，其特征在于：所述约束条件是指相邻雷达的距离限制，这一约束可用衔接系数描述：式中，S CH 为相邻雷达的重叠探测面积，S rH 为探测半径较小的雷达的探测面积。 3.根据权利要求2所述的基于改进粒子群算法的雷达组网优化布站方法，其特征在于：所述目标函数F与对应的约束条件s.t.如下：式中k 1 、k 2 、k 3 、k 4 、k 5 为加权系数，表示各指标对雷达网性能的重要程度，可根据责任区担负的作战任务和雷达网的性能倾向性确定各系数的大小。 4.根据权利要求3所述的基于改进粒子群算法的雷达组网优化布站方法，其特征在于：根据责任区担负的作战任务和雷达网的性能倾向性，可分为通常情况、探测区域最大和抗电子干扰三种情形：Ⅰ)通常情况：均衡考虑各指标对雷达网探测性能的影响，加权系数的取值相等，即k 1 ＝k 2 ＝k 3 ＝k 4 ＝k 5 ＝0.2；Ⅱ)探测区域最大：即雷达网在责任区内获得尽可能大的覆盖区域，雷达网探测盲区最小，加权系数的取值提高k 1 的比重，分别取k 1 ＝0.4，k 2 ＝0.1，k 3 ＝0.2，k 4 ＝0.1，k 5 ＝0.2；Ⅲ)抗电子干扰：加权系数的确定要突出雷达探测区域在责任区的重叠程度，及两部或两部以上雷达的重叠覆盖区占总责任区的比重，此时取k 1 ＝0.2，k 2 ＝0.4，k 3 ＝0.2，k 4 ＝0.1，k 5 ＝0.1。 5.根据权利要求1所述的基于改进粒子群算法的雷达组网优化布站方法，其特征在于：所述粒子群算法为应用于雷达组网布站的基于种群优化的智能算法，解空间中有一个由若干粒子组成的种群，每个粒子定义为解空间的一个候选解，种群中的粒子通过追踪个体历史最佳位置和种群历史最佳位置来接近最优解，粒子速度v和位置x更新公式如下：其中，ω为惯性权值，本方法采用非线性递减权值策略，表达式如下：式中，t为当前迭代次数，T max 为最大迭代次数；学习因子c 1 、c 2 为非负常数，用于调节粒子向个体极值和全局极值学习的步长；r 1 、r 2 为[0,1]区间内服从均匀分布的独立随机数； 分别为第i个体历史最佳位置即个体极值和种群g历史最佳位置即全局极值在d维的分量。 6.根据权利要求5所述的基于改进粒子群算法的雷达组网优化布站方法，其特征在于：所述自适应反向学习算子是利用最优解的先验信息来确认反向搜索区间，当最优解靠近x时，在区间[x,m]内搜索效率更高；当最优解靠近x的反向点 时，在区间 内搜索效率更高，从而提高优化性能，表达式如下：其中，x best 为其最优解，m＝(a+b)/2，d(x 1 ,x 2 )＝|x 1 -x 2 |为距离计算函数。 7.根据权利要求6所述的基于改进粒子群算法的雷达组网优化布站方法，其特征在于：将自适应反向学习算子改进粒子群算法，得到自适应反向粒子群算法的步骤如下：A、初始化种群，计算粒子适应度值，粒子当前位置和个体极值为个体最佳位置和个体极值；通过比较个体极值的优劣找出全局极值；B、计算粒子x i 的自适应反向粒子 在原有粒子和自适应反向粒子中选取适应度值较好的粒子组成新种群；i依次取值1到N循环执行本步骤；C、根据式(8)、(9)更新种群粒子的速度和位置；更新粒子适应度值、个体极值和全局极值；迭代次数t＝t+1；D、未达到终止条件时，循环执行B、C两个步骤；E、输出最优解。 8.根据权利要求1所述的基于改进粒子群算法的雷达组网优化布站方法，其特征在于：所述仿真分析验证可采用网格分割法进行求解。