无人侦察机多传感器任务规划技术研究

赵坤 刘睿 张龙龙 郭博雷

摘要 随着无人机技术及侦察设备小型化的发展，无人侦察机可携带多频段、多类型电磁信号侦察传感器进行侦察，在航空侦察领域得到了广泛应用。对有限传感器进行合理规划可以大大提高无人机侦察效果及传感器利用率，本文提出一种基于遗传算法的侦察传感器任务自动规划算法，可有效提高侦察传感器的利用率，并仿真分析了不同参数对算法收敛性及结果最优值的影响。

【关键词】传感器 任务规划 无人侦察机

1 引言

无人侦察机可搭载多频段、多类型的侦察天线对电磁目标进行侦察，具有针对多源多频段目标的侦察能力，可对敌方通信、雷达等设备进行侦察，获取敌方电磁辐射源的信息、部署情况，为作战提供信息保障。对有限传感器进行合理规划可以大大提高无人机侦察效果及传感器利用率。

多传感器多目标分配的最优化问题属于组合爆炸问题，传统的数学规划方法虽然在理论上可得到最优解，但需要大量的计算，时效性差。同时，由于不同类型的天线受限于频率范围及后端处理设备处理能力，可侦察的辐射源信号类型、频段范围以及可侦察目标数量上限不同，传感器和侦察目标之间为多对多的复杂约束关系：一个传感器可侦察多种目标，但针对不同目标的侦察项数量上限不同，部分侦察目标之间存在互斥关系;某一类侦察目标可选择多种天线进行侦察。因此合理的为侦察目标分配天线，将有限的传感器资源分配给哪个目标是亟待解决的问题。

2 国内外研究现状

传感器管理的核心问题就是依据一定的最优准则，建立目标函数，然后通过优化目标函数来选定执行任务的传感器以及其工作模式或工作参数。文献[1]提出了基于目标权重和信息增量的传感器管理方法，该方法本质上是用线性规划的方式来求解，实时性较低。文章[2][3]针对多传感器多目标跟踪问题，建立目标效能函数，基于遗传算法的思想给出了一种以效能函数为目标函数的传感器管理算法。但文献中应用场景针对的是目标跟踪任务，传感器执行的任务类型单一，仅包含目标跟踪任务，根据传感器对目标的跟踪、覆盖能力分配天线即可，无法解决复杂约束下多信号类型、多频段、不同类型传感器侦察项资源分配问题。

本文提出一种基于遗传算法的无人侦察机多传感器任务规划技术，针对测向定位侦察提出一种目标价值计算方法;结合目标价值，利用遗传算法解决多目标多传感器、复杂约束条件下的传感器侦察任务规划问题，并结合通过仿真验证算法的有效性并分析了不同参数对算法效果的影响，可有效的提高传感器利用效率及侦察效果。

3 基于遗传算法的多传感器任务规划算法

3.1 目标价值的计算

实际侦察中不同目标的威胁等级、历史捕获情况、航线对目标的可捕获范围均不相同，为威胁等级高、历史捕获次数较少的目标在资源竞争时优先分配资源，可获得较高的侦察价值;同时，对某一目标侦察覆盖的时间越长，单次侦察获取的信息越多。因此，有必要结合目标覆盖范围、历史捕获次数、威胁等级确定目标价值，在资源竞争时为侦察价值高的目标分配资源以获取更好的侦察效果。

针对目标辐射源定位的实际要求，以观测次数的多少来衡量目标单次被侦察价值，其中电子侦察机的飞行速度为Vkm/min，每分钟对目标侦测次数为k，目标被捕获距离为Lkm，假设最少对目标进行K次侦测才能有效的对目标进行定位，则目标单次被侦察价值p可用如下公式表示：

对于威胁等级为Threat，历史被捕获次数为n的目标，在实际侦察中捕获N次后已经基本探明目标相关信息，历史被捕获次数大于N后，目标被侦察价值减小，则目标被侦察价值P可表示为：

3.2 基于遗传算法的传感器规划

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法。遗传算法通过模拟生物进化过程来搜索最优解，根据应用场景进行编码设计种群数字串，模拟由这些数字串构成的群体的进化过程。遗传算法以其并行计算能力和群体搜索特性等优点，在传感器任务规划中具有很好的效果及应用前景。

利用遗传算法进行传感器任务规划前，需对目标数据进行可用天线分配、捕获范围计算、价值计算以及目标排序，假设无人偵察机搭载M个天线（A1，A2，…，A_M）对N个目标（T1，T2，…，T_N）进行侦察，整理步骤如下：

（1）根据目标n的类型、频率及天线侦察目标属性和天线可侦察的频率范围选择侦察目标可用的天线集合TAn=（0，TA1，TA2…，TA_k），其中0表示不为该目标分配侦察天线，即不侦察该目标，不同目标的可用天线集合长度不一定相同;

（2）根据天线的侦察半径范围，计算规划的航线上可捕获该目标的起始及终止位置，根据捕获范围，利用公式（2）计算目标价值;

（3）根据目标捕获起始位置的先后，对目标进行排序。

经过目标整理后，使用遗传算法为目标分配侦察天线，以获得较高的目标价值总和。其中，遗传算法的种群大小为NIND、最大迭代次数MaxGen、交叉概率PC、变异概率PM及代沟GGAP。流程如下：

（1）随机产生初始种群。初始种群为NIND xN维矩阵，矩阵的每一行代表一个个体，为一个lxN的一维矩阵。个体中的每个值表示针对目标n，在目标可用天线集合TA_n中随机选择一个天线k对目标进行侦察。种群中的一个个体表示一种可选的传感器规划方法。当选择目标侦察传感器选择0时，表示不侦察该目标。

（2）种群整理。对初始化的种群进行整理，依据天线约束条件，对初始化的种群进行天线冲突判定及消解。根据目标侦察的先后顺序进行判断，针对目标T_n选择天线A_m进行侦察，若天线A_m正在被使用，判断天线A_m的可侦察目标属性约束及可侦察目标数量约束是否满足要求。若满足天线能力约束，则将目标T_n加入天线A_m正在侦察队列。若目标T_n与天线A_m正在侦察的目标属性冲突或超出可侦察目标上限，则从该目标的其他可用传感器中选择传感器，若所有可用传感器均不能使用，则不侦察该目标（种群中该目标选择天线0）。

（3）计算种群个体的价值。对整理过后的种群计算种群价值，计算分配侦察天线的目标价值总和，作为种群价值。

（4）种群交叉。使用轮盘赌的方法从父代种群中筛选出GGAPxNIND个个体;随机从筛选后的种群中选取两个个体，以PC的概率进行交叉操作，即随机选取个体中的某些维数进行互换，交叉过后按照步骤2所述方法重新整理种群，对天线冲突进行消解。

（5）种群变异。交叉整理后的种群中每个个体都有的概率发生变异，变异操作的方法为：随机选择个体中的某一维，在该目标可用天线集合中随机选择除当前选择天线以外的其他天线对该目标进行侦察.并按照步骤2重新整理种群，最终形成子代种群;

（6）从父代种群中选取价值最高的前（l-GGAP）xNIND个个体加入子代种群中，形成新的种群;

（7）不断迭代，重复第3-7条，直到达到最大的迭代次数MaxGen，得到最优解。

4 仿真分析

为验证算法的有效性，对算法进行仿真分析。仿真中设置侦察天线11个，其中天线的属性包括：天线可侦察的目标类型（雷达信号、通信信号、雷达和通信信号都可侦察）、天线可侦察的起始频率和终止频率、天线可同时侦察目标的个数;设置侦察目标72个，侦察目标的属性包括：类型（雷达信号、通信信号）、目標频率、目标的坐标、在该条航线上计算出的目标价值。侦察目标与航线分布示意图如图l。

在制造目标数据时，人为加入了有冲突的目标，这些冲突目标的频率相似、信号类型一致并且位置相近，在所有的天线侦察组合中都不能被完全侦察，所以要放弃侦察一些目标。如图1所示，红色星形表示可以被侦察的目标，粉色正方形表示没有被侦察的目标，黑色折线表示航线。

传感器规划算法的收敛图如图2所示。

图2的三条收敛曲线分别是遗传算法的三种典型收敛结果，青色曲线和蓝色曲线都收敛到了最优解，而粉色曲线收敛到了次优解，陷入了局部最优。因为在初始种群时，种群个体携带了最优解的基因，在算法不断迭代的过程中，通过交叉操作使最优解的基因组合起来，所以青色曲线可以收敛到最优解。当种群初始阶段种群个体没有携带最优解的基因，算法在迭代的过程中，通过变异操作产生了最优解的基因，所以蓝色曲线可以收敛到最优解。当种群初始时种群个体没有携带最优解的基因并且在迭代过程中通过变异也没有操作产生最优解基因，算法的收敛曲线并不能收敛到最优解，如粉色曲线所示。所以遗传算法的参数设置十分重要。本文仿真统计了不同交叉、变异率下，算法达到的价值与迭代次数值进行比较分析。遗传算法参数交叉概率设置如表1所示。

表1表示在种群大小为100，代沟为0.9，变异概率为0.05的情况下，改变交叉概率，运行25次的最优值、最差值、中值及平均值，最优值使用黑体强调，最差值使用斜体强调。从表2中可以看出当交叉概率为0.8时，算法的结果最优。

表2表示在种群大小为100，代沟为0.9，交叉概率为0.8的情况下，改变突变概率，运行25次的最优值、最差值、中值及平均值，最优值使用黑体强调，最差值使用斜体强调。从表中可以看出当变异概率为0.05时，算法的结果最优。

通过分析可知，提高遗传算法交叉率、变异率可以更好的达到最优解，因为交叉和变异可以使得种群中更容易出现携带最优基因的个体;但是交叉率、变异率并不是越大越好，交叉、变异率越大越容易将产生的最优基因退化，会跳过最优解，仅达到次优解。所以针对仿真设定的场景，参数设置成种群大小为100，代沟为0.9，交叉概率为0.8，变异概率为0.05时可以较好的达到最优解。

5 结束语

本研究侦察无人侦察机多传感器任务规划方法，提出一种针对测向定位侦察的目标价值计算方法，应用遗传算法进行传感器侦察项规划的方法，可以很好的达到最优解、次优解;并通过仿真分析了遗传算法参数对规划效果和效率的影响。

参考文献

[1]刘先省，周林等，基于目标权重和信息增量的传感器管理方法[J].电子学报，2005，33 （09）.

[2]张广远，王福军.一种基于遗传算法的多传感器管理算法[J].现代防御技术，2008. 36 （06）.

[3]伊鑫，李辉，基于遗传算法的多传感器管理[J].舰船电子工程，2010，30 （08）.

[4]曲向平，张颖.改进的遗传算法对模糊控制的优化及应用[J]自动控制，2009.