协同干扰技术应用研究

梁猛，檀雷，陈飞，梁斌，杨帅

（中国航天科工集团8511研究所，江苏 南京 210007）

0 引言

随着电子信息、人工智能等新技术的发展，体系化、网络化对抗的复杂对抗电磁环境，对现有的单干扰设备及其干扰技术的使用方式提出了非常严峻的挑战。单干扰设备的载荷能力相对较小，信息处理能力相对较弱，执行任务时存在较大限制［1］，如执行干扰任务时，设备可能会因为信号波束的限制而不能覆盖整个区域；或因为识别能力有限而难以针对性地对敌方实施有效干扰；或受限于自身设备的能量、强度等性能因素，实施干扰的效果达不到预期目标等。因此，如何充分地利用资源、有效地协同干扰、最大程度地综合发挥干扰效能成为研究热点。

在电子战设备研制方面，美军研制了ADM2141A无人机、MALD 和小型空射诱饵等诱饵无人机等，有力支撑网络化协同干扰的实现［2］。此外，美军Darpa-Code项目中的无人机协同技术、Locust项目中“蜂群”组网与协同技术等研究［3］，都旨在提高下一代体系化对抗能力。国内许多学者进行了大量研究，围绕雷达组网方面，提出了协同干扰部署方法［4］、多种雷达干扰资源分配模型［5］等，提高了干扰资源的利用效率；针对协同干扰决策方面，研究基于生物群智能的协同任务分配和干扰决策方法［6］等，近几年，深度强化学习算法［7］、博弈论［8］等理论工具被广泛应用于解决复杂场景下多干扰协同领域的智能化协同干扰问题，也推动着电子战技术与应用的智能化发展［9］。

上述国内外研究主要是对雷达组网、干扰资源分配等具体技术进行了研究，本文在此基础上，围绕协同干扰系统涉及的关键技术、协同干扰的形式等方面做分析和研究。

1 协同干扰技术

1.1 关键技术

协同干扰，即多个电子干扰设备按照一定的部署位置、工作方式，在时、频、空等域动态调度资源和调整行为，以期最优地完成对抗目标的过程［10］。在协同过程中，需要综合考虑目标协同、资源协同、过程协同、结果协同。即如何构建合适的协同模型/机制、如何高效进行数据融合和处理、如何优化任务分解与分配、如何优化协同干扰决策和配置干扰资源、如何建立全面的干扰效能评估，是实现高效协同干扰的关键。

1.2 协同模型

协同干扰系统需要协调的是干扰设备之间的相互关系，协同模型就是要提供一个对干扰设备之间的相互作用进行规范的形式化框架。协同模型架构设计主要包括各单体之间的通信方式和控制模式。常用模型架构有集中式、分布式和混合式3种［11］。

1）集中式结构。集中式结构中存在一个中央节点，该节点负责系统的全局信息处理、任务规划以及资源的统筹协调等。其他节点按照分配的任务进行具体问题的解决，且具备同时处理任务的能力。

2）分布式结构。分布式结构中节点无主次之分，各个节点具备同样的信息处理、交互、决策的能力。

3）混合式结构。混合式结构综合了上述2种模式的优点，是最常用的一种协同关系模型。系统中的节点具备层次结构，上层节点具备对下层节点的任务分配、资源分配等调度权力。而同层级的节点地位、能力等同，且具备信息交互的能力。

1.3 数据融合技术

协同系统具有对多种信息的感知能力、如何实时地、精确地处理多维信息是实现协同的第一步［12］。围绕信息融合处理的深度，信息融合分为数据层融合、特征层融合以及决策层融合［13］。数据融合技术层次架构如图1所示。

图1 数据融合技术层次架构

1）数据层融合。数据层融合直接对原始数据进行格式转换、异常处理等预处理。优点是不存在信息丢失，结果可信度最高。但是对数据的数据格式、系统的数据传输能力、时空一致性等要求严格。数据处理采用的主要数学方法是卡尔曼滤波、贝叶斯估计和参数估计法等［14］。

2）特征层融合。特征层融合利用特征提取等手段实现数据的降维梳理和融合。该技术对系统的数据处理能力和通信能力要求相对较低，但存在信息丢失的问题及精度下降的缺点。特征处理主要采用搜索树方法［15］、神经网络学习法［16］等。

3）决策层融合。决策层融合是在各节点将信息处理完之后再进行认知层面的融合。决策层融合具有抗干扰能力强、通信量小、对传感器依赖程度低等优点，但对节点的能力要求较高。决策层融合技术可采用神经网络学习方法［16］、贝叶斯方法［17］、证据理论法［18］等。

1.4 任务分解与分配

单个干扰机的能力是有限的，需要通过合作才能完成复杂的任务。因此，在数据处理后，需要将复杂的任务进行分解，并将任务分配给合适的节点来完成，最终完成整个任务。任务分解是分配的前提，一个好的任务分解方法可以使系统的执行变得更加容易和高效。

任务分解需要遵守一定的准则，如考虑任务所消耗的时间、费用等因素。通常，任务分解遵循以下原则。

1）层次型原则。通过构建合理的任务层次结构，将复杂问题进一步分解为更容易执行的子问题。

2）独立性原则。任务分解的粒度应与单节点的能力相适应。独立性原则可以提高系统节点的并行能力，增强系统的稳健性。

3）完整性原则。完整性指子任务的解决等价于整体任务的解决。

4）均匀性原则。均匀性原则是指分解后的任务粒度相当，避免不同任务执行时间不均而导致负载不均衡等问题。

在任务分解之后，通常进行协同干扰集的划分，即任务目标的分配，基本过程如图2所示。任务分配是干扰节点分组的活动，目的是为干扰机确定任务目标。常用的任务分配方法分为2类，一种是基于运筹学的方法［19］，如利用狼群算法在可行解空间中随机搜索，实现最佳的任务目标分配方案；另一种是基于多智能体协作的方法［20］，每个智能体依据感知信息和协同信息实现目标的自主规划和解决，最终实现任务目标的划分，具有强大的自主能力。

图2 任务分解与分配

1.5 协同干扰决策

协同干扰决策是协同干扰系统的核心模块，能根据获得的态势和任务目标去输出合适的干扰策略决策，在决策过程中，进行干扰资源的分配和调度。同时，根据干扰效果的评估结果优化下一次干扰决策策略。协同干扰决策的架构如图3所示。

协同决策技术是平台控制技术与智能算法的高度融合，通过对决策问题进行推理和智能判断，不仅可以对决策者进行一定的决策辅助，而且可以在特定领域中代替人类进行自主决策、制定方案，减少由人自身主观情感等原因导致的决策失误或偏差，以达到精准、快速决策的目的［21］。

干扰资源的分配调度是干扰决策的基础。在多目标干扰任务中，如何最优地为不同的干扰设备分配资源是一种多目标优化问题。根据不同分配算法的特点，如基于传统遍历搜索算法［4］、基于群智能算法［5］或者基于机器学习的资源分配算法［22］等，干扰资源分配的效果也大不一样。

1.6 干扰效果评估

协同干扰效果评估是协同系统的最终环节，评估结果一方面反映系统协同能力、干扰效果的高低，另一方面，可作为协同干扰策略改善的依据。协同干扰效果评估主要包括评估准则的确定和评估指标的选取，并且不同样式的干扰信号对评估准则的影响因子也不同［23］。合理的干扰指标能更好地反映干扰的效能。

一种可行的协同干扰评估方法是在选取评估指标（如截获概率和跟踪精度）之后，针对不同的雷达给出相应的指标评估值并将其重要性作为权重获得系统的干扰效能评估。其中，重点是建立系统的干扰效益矩阵和目标函数。协同干扰效果评估模型架构如图4所示。

图4 协同干扰效果评估模型架构

2 协同干扰的典型应用形式

随着信息化的高度发展，传统对抗形式正向着体系化多维对抗转变，这种转变促使信息战也向多功能、多任务的综合性方向发展［24］。在新形势下。协同干扰便是其中重要的趋势。根据使用方法的区别，协同干扰分为3种形式，一是目前主流的雷达组网协同系统［3］；二是基于生物集群算法的协同干扰，一般应用于大规模集群系统中［5］；三是基于多智能体算法的协同，是新一代高效干扰系统的重要发展方向［24］。

2.1 基于雷达组网的协同干扰应用

现代战场上，组网雷达的体系对抗已是一种重要的对抗模式，它突破了设备一对一对抗的局限性。组网雷达给传统干扰手段带来严峻挑战，与之对抗的协同干扰技术也逐渐发展起来。雷达组网的典型架构如图5所示，组网内含有不同类型的雷达等设备，通过有线或无线的方式将这些部署在不同位置的设备联系起来构成一个干扰系统。组网内各雷达将感知到的信息统一交由信息中心进行处理，并由该中心进行任务的下发和资源的协调，从而完成整体干扰或防御等任务。

在雷达组网协同干扰系统中主要包括3大技术，一是自组网的部署方式，二是多传感器的信息融合技术，三是协同干扰资源分配技术。

协同干扰资源分配是实施协同干扰的关键一步，是建立在自组网通信与数据融合基础上的一种协同技术。它根据系统内传输的认知信息来进行干扰任务的分配和资源的调度，以实现最佳干扰效果。大量专家学者针对资源分配、组网干扰效果进行了研究。如张大琳［25］针对多目标组网雷达系统场景，提出了面向干扰任务的多干扰机资源联合优化分配方法；张样瑞［26］等人基于检测概率，研究雷达网协同干扰效果评估方法等。

2.2 基于群智能算法的协同干扰应用

生物集群在局部感知、个体行为简单的条件下实现了复杂的行为模式，与协同干扰系统实现干扰的协同与自主控制的要求相符合，对如何设计协同系统，使之能够相互协调合作，完成复杂的任务，具有非常重要的参考意义。

典型的生物群体行为通过独特的机制可形成协调有序的群体。许多学者从群智能算法中受到了启发，比如，唐国强将蚁群算法进行了改进，用于解决协同干扰资源的多目标分配问题［27］；陈奕琪利用群智能算法实现了多目标的干扰决策［28］；柳向等人提出了基于改进遗传算法的协同干扰资源分配方法等［29］。

一种基于智能生物集群算法的协同干扰系统方案如图6所示。该方案包括：1）数据处理系统，负责多源数据的采集、融合以及态势分析；2）通信系统，负责信息的传输与交互；3）决策系统，协同系统的核心，负责任务的分配，包括集群任务协同决策、个体干扰行为决策以及协同效果评估；4）控制系统，负责干扰机等设备的具体行为控制。其中，集群的协同控制算法通常利用生物集群智能算法（如蜂群算法、粒子群算法）实现。

2.3 基于多智能体系统的协同干扰应用

多智能体系统（MAS），也称为自组织系统，是由多个交互的智能主体组成的协同系统，可以解决单个智能体或整个系统难以解决或无法解决的问题。一般地，MAS具有以下3个特点：1）有限的自主能力。系统中每个节点具备环境感知、信息处理、推理决策以及为解决复杂任务与周围节点进行信息交互的能力。2）较高的灵活性和扩展性。智能体系统因其节点的自主能力通常采用分布式控制模式，系统具备应对节点的退出或中途加入的能力。3）目标的一致性。单个节点对抗效果最大化的决策目标与系统的决策目标“协同效果最优”相一致。

智能体的概念产生于人工智能领域，一个智能体是处在某个环境的计算机系统，该系统能根据自身对环境的观察和感受，按照自己的知识做出行为与环境交互并基于反馈改善自身行为。一个智能体如图7所示，具有环境感知模块、信息处理与认知模块、智能决策模块、行为模块等。

MAS由分布式人工智能演化而来，其研究是为通过自身资源和计算能力有限的单智能体之间的协同来应对错综复杂的现实环境［30］。基于MAS的协同干扰系统是多智能体思想与协同干扰的有机结合，如图8所示是一种基于MAS的协同干扰系统方案［7］。

在系统中，一个干扰设备称为一个智能体，其具备主动感知战场环境，并与系统内其他智能体进行交互来实现干扰任务的自主分配和协同的能力。同时，根据应用效果评估和环境的反馈，能够不断优化自身的行为和协同策略，最终学习到最优的协同策略。

3 结束语

在当前电子对抗体系化、智能化的发展背景下，协同干扰技术的实战化应用仍面临严峻的挑战：电磁环境具有强对抗性和动态性，干扰机在未知的状态下难以实时地进行各种干扰任务的协同与决策；当前多干扰机协同需要一种新的适应异构群体的协同对抗策略作为支撑，但由于对环境的重度依赖难以形成某领域的通用性策略。雷达干扰涉及信号层面对抗，深入结合信号传播、耦合等效应的协同干扰仍有待研究和攻克。

当然，在以体系对抗体系的现代化对抗中，协同干扰技术是新电子战技术的热点，认知化、智能化应用更是领域共识。在协同电子对抗关键技术方面，仍需要就主动感知技术、自主干扰决策技术、协同与控制技术、多干扰要素耦合条件下的干扰协同等技术展开研究来应对新背景下的新挑战。