基于优化算法的多传感器自动规划技术

刘睿 赵坤

（中国电子科技集团公司第二十七研究所 河南省郑州市 450047）

1 引言

无人探测平台搭载探测传感器，实现对敌目标的探测、定位，完成目标活动规律的分析，为指挥决策提供支撑。

随着电子技术与数据信息处理技术的发展，无人探测平台可同时装载多种探测传感器，同时接收不同频段、不同类型的信号，实现宽频段、多类型信号的探测，无人探测平台的探测能力不断提升。单纯依靠人工制定任务规划方法的效率越来越低，并且已经不能满足探测需求。主要原因有以下几个方面：

（1）目标搭载的辐射源增加、信号复杂多样，判断目标能否被无人探测平台捕获的条件增多，针对目标捕获情况的建模更加困难；

（2）随着传感器探测能力的提升，可以同时探测到的目标越来越多，但是由于传感器数据处理能力的限制，不能同时处理所有探测到的目标，需要合理舍弃目标，提高效率；

（3）随着目标的增多、传感器探测能力的增加和传感器处理能力的限制，在同一时刻传感器分配的排列组合增加，导致各传感器资源竞争使用的机率增加，大大增加了传感器规划的复杂度和时间。

多传感器规划所讨论的问题不仅仅要求传感器可以探测到价值最大的目标，同时要求传感器可以探测到尽可能多的目标。传感器资源有限，随着目标数目的增加，会存在传感器资源不足的问题，为此，优先将有限的传感器资源分配给哪个目标是传感器资源配置要解决的核心问题。

多传感器资源配置问题是一个有约束的优化问题，而遗传算法一般解决的是无约束的优化问题。用遗传算法解决约束优化问题有两种方式：一种是利用惩罚函数将有约束的优化问题转化成无约束的优问题，这种方法缺点是增加了算法适应度函数的复杂度使算法的计算量增大；一种是在遗传算法迭代优化的过程中加上约束条件的计算，缺点是增加了算法算子的复杂度，在寻优过程中效率降低。一般来说，为了减少算法的复杂度，保证算法的搜索效率，将有约束的优化问题转换为无约束的优化问题是比较常用的方法。但是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，可探测的目标信号类型、频段范围以及可探测的目标数量上限不同，多传感器资源配置问题的约束条件比较复杂，不能直接转换成无约束的优化问题，所以使用后一种方法解决该问题。

2 国内外研究现状

传感器规划算法主要思想是建立目标价值的模型，根据目标价值进行搜索寻优，合理舍弃目标，实现对高价值目标的有效探测。一般所使用的智能优化算法有遗传算法、蚁群算法、粒子群算法等元启发式方法[1]。文献[2][3]使用了任务拆分聚合和的方法将任务需求转化为规划需求效率较高的任务元，但是该方法主要是解决数据中继卫星资源有限且任务需求不断增长的问题，没有用于解决无人探测平台的多传感器任务规划问题。文献[4]讨论了多目标的任务规划提取方法，在约束空间内通过融合不同目标目标规划求解任务执行策略，文献中解决多约束问题的方法是基于相应的任务约束构建空间机械臂操作任务的约束空间，并根据具体的限定值，构建相应的约束子空间，在满足任务约束的前提下，选择最小化目标函数的解。文献[5]使用有效观测次数作为衡量遗传算法价值的度量，但没有考虑到传感器频繁开关、切换及目标长时间占用一个传感器所影响的规划效率。文献[6]使用遗传算法和模拟退火算法来解决空间目标地基监视调度问题这种大规模调度问题，但是求解算法复杂，在寻优过程中使用模拟退火算法进行全局寻优，使用遗传算法进行局部寻优，两个算法之间的参数设置复杂且不易寻找算法之间使用的平衡。

本文提出的多传感器资源配置技术主要根据目标被捕获情况对目标进行拆分和捕获信息的合并，计算目标价值，建立一种新的适应度函数，使用遗传算法对资源配置问题进行迭代寻优，利用有限的资源高效的搜索出最优的传感器资源配置方法。

3 多传感器自动规划技术

3.1 目标价值分析

本文选用遗传算法解决多传感的自动规划问题。遗传算法的搜索过程不是直接作用在探测目标上，而是作用在探测目标的价值建模上，所以要将目标抽象成评价函数，作为算法的适应度函数，提供算法寻找最优解的依据。建立遗传算法的优化模型是算法搜索效率的重要因素。

目标的侦测价值由目标的威胁等级，目标可以被侦测的总次数及目标历史被捕获的次数决定。目标的威胁等级越高，越需要被不断侦测，其侦测价值越高。目标被侦测到的次数是根据目标被捕获的时间和单位时间内目标被侦测的次数计算得出。目标的历史捕获次数越多，目标的定位识别结果越准确，当目标的历史捕获次数大于一定的阈值时，目标参数已基本探明，其活动规律已基本掌握，再次侦测该目标的意义已经不大。假设，目标的威胁等级为Threat，在航线上目标可被探测到的距离为Lkm，无人探测平台的飞行速度为Vkm/s，每秒对目标的侦测次数为k，目标最少需要被侦测K 次以上才能进行定位，当目标被侦测M 次时，目标已经可以被精确识别定位，再次探测的价值不会增加，那么在不考虑历史捕获次数的目标价值p 的计算公式为：

假设，该历史捕获该目标次数为n，历史捕获次数的阈值为N，那么该目标的价值P 表示为：

在航线上目标可被探测到的距离根据无人探测搭载传感器的探测能力范围、目标的位置及航线确定的。

如图1 所示，目标T1 在无人探测平台飞到航路段AB 和航路段BC 上的红色线段A’B’和B”C’可以被无人探测平台探测到。当B’B + BB”的长度小于设定的阈值且是在A’B’和B”C’均被使用同一传感器侦测到时，为了避免传感器频繁开关和切换影响到传感器的侦测效率，对目标被捕获的航路段进行合并，该目标被侦测的距离变成A’C’；当B’B”的长度大于设定的阈值时或目标在A’B’和B”C’被不同的传感器侦测且目标T2 和目标T1可以被同一传感器侦测到时，为避免目标T1 长时间占用同一传感器，导致目标T2 不能被侦测，可以将目标T1 拆分成目标T1’和T1”，这样目标T1 和T2 都可以被侦测到。

图1：目标被捕获距离示意图

仿真使用的航线及目标的示意图如图2 所示。

图2：航线与目标示意图

如图2 所示，蓝色线段表示飞机的飞行航线，红色的*表示目标的分布，目标T1、T2、T3 的信号类型一致，频率相近，并且只能使用天线1，天线1 只能同时探测1 个信号，3 个目标的被探测范围是红色圆圈所包含的航线。目标T1 的坐标为（-950，1340），信号频率为10MHz，目标的价值为0.04；目标T2 的坐标为（-1500，1600），信号频率为10MHz，目标的价值为0.0221640473625973；目标T3 的坐标为（-2000，1100），信号频率为10MHz，目标的价值为0.0191642030938842。未进行目标拆分时，目标排序后，目标T1 编号为9、T2 编号为10、T3 编号为11，3 个目标只能被探测一个；使用拆分目标方法时，目标T1 被拆分成编号为9、15、27 的目标，T2 被拆分成编号10 和13 的目标，T3 被拆分成编号为11 和12 的目标，其中编号为27、10、13、11、12 的目标均可被探测到，原目标T1、T2、T3 均可被探测到。目标的捕获情况如表1 所示。

3.2 遗传算法

遗传算法是建立在自然选择和群体遗传学基础上的一种非数值计算优化方法。将优化问题的解表示成个体，有多个个体组成一个种群。随机产生一个初始种群，通过对初始种群使用交叉和变异算子不断进化并使用适应度函数去评价个体的价值，使种群中的个体向最优解的方向收敛，从而搜索到最优解。

表1：目标拆分与未拆分被传感器探测的情况

3.2.1 算法前期准备

多传感器资源配置的解表示为目标分配的传感器。假设目标拆分合并后的个数是N，传感器的个数是M，那么遗传算法的个体表示为1×N 的数组：

上述公式中，TK表示第K 个目标，ArK表示目标TK使用的传感器，在初始个体中，该传感器是从M 个传感器中随机选取的能够侦测目标TK的传感器，其中rK 是小于M 的符合传感器约束条件的随机数整数，当rK 是0 时，表示该目标没有传感器探测。

其中个体的适应度函数f(x)用可以被侦测的目标的价值和表示。

3.2.2 算法流程

当完成目标的拆分合并之后，使用遗传算法进行寻优。假设初始种群的大小为NIND，随机产生NIND 个个体，最大迭代次数为MaxGen，交叉概率PC，变异概率PM及代沟GGAP。算法的流程图3 如所示。

图3：遗传算法流程图

在每一次迭代过程中，交叉操作和变异操作不能使用传统的遗传算法中的交叉和变异算子直接进行计算，需要考虑约束条件。

交叉操作使用轮盘赌的方式随机选取GGAP×NIND 的个体，将侦测该目标所使用的传感器进行替换，但是在替换时需要判断约束条件，若目标不能被所替换的传感器侦测，那么从可以侦测该目标的传感器中随机选取一个传感器（包括不被传感器侦测的情况）去侦测该目标。

变异操作同样需要从可以侦测该目标的传感器中选取传感器，当没有备选传感器时，则将该目标设置成不被传感器侦测。

4 仿真分析

试验数据准备：仿真中设置传感器个数为11，目标的个数为72，计算目标侦测信息，将目标拆分成86 个。为了确定算法的参数，增加算法的性能，此章节通过对算法参数改变的收敛图和具体的数据，分析参数的变化对算法的影响。为了减小初始种群的质量对结果影响，增加算法的普遍性和可信度，所有试验结果均运行25 次取平均值,图4 表示各个参数改变的收敛图。

从图4(a)可以看出，当GGAP=0.99 时，父代遗传直接传递至子代的优秀个体较少，优秀基因在种群基因中所占比重较低，算法迭代200 次还无法收敛；当GGAP=0.5 时较多父代基因传递至子代，不利于基因的多样性，收敛虽快，算法易陷入局部最优，GGAP=0.7 时算法找到最优解价。从图4(b)中可以看出，当Pc=0.8时算法找到最优解，当Pc=0.5 时，基因交互较少，导致算法收敛至局部最优解；当Pc=1 时，所有个体都进行基因交换，种群基因稳定性较差，收敛慢。从图4(c)可以看出，当Pm=0.08 时算法找到最优解，Pm=0.01 时，由于基因突变概率减小，种群基因依赖于初始种群，不利于产生新的基因，大概率陷入局部最优解。从图4(d)可以看出，当NIND=140 时种群的价值最大，NIND=60 时，算法的结果最差，种群不能大小，否则基因的多样性会受到影响。因为种群的大小和目标有关，该实验设置的目标有72 个，所以种群大小设置成140。一般来说，目标的个数越多，种群的规模也应该越大。

图5 为引入新的目标计算方法得到的试验结果。

图5：拆分合并目标的收敛图

从表2 中可以看出拆分合并目标增加了整个种群的价值，从表2 可知该方法没有对算法的收敛速度有大的影响，所以目标的拆分与合并方法提高了传感器的利用率。

5 结束语

本研究解决了无人探测平台多传感器自动规划问题，为了减少传感器的资源浪费并且是传感器侦测到更多的目标，提出目标拆分与合并的方法，并使用遗传算法对该问题进行搜索寻优，通过仿真分析了该方法对解决多传感器自动规划问题的结果及效率，证明了该方法的可行性。

表2：目标拆分与合并算法运行结果表（Pc=0.9，Pm=0.1，GGAP=0.9，NIND=120）