本發(fā)明涉及協(xié)同干擾領域，特別是一種基于改進人工蜂群算法的協(xié)同電子干擾任務調度方法。
背景技術：
：對協(xié)同干擾任務調度問題的研究，本質上也就是對WTA問題的研究。其內容也是主要包括干擾效果評估指標的選取、任務調度模型的建立以及目標函數(shù)最優(yōu)解的求取三個方面。由于雷達信號發(fā)射與處理技術的復雜性，干擾機在對其進行干擾的評估指標也具有多面性。選擇不同的評估指標對協(xié)同任務干擾調度方案的選取會產生不同，從而導致最終的干擾效果也會不同。干擾效果評估準則主要指的是在評估干擾效果時，所選擇的評估指標和所確定的干擾效果等級劃分。評估指標是指在評估中需要檢測的被干擾對象與干擾效應有關的關鍵性能指標。干擾效果等級劃分則是指根據上述評估指標量值大小對被干擾對象性能的影響程度，確定出與干擾無效、有效或一級、二級、三級等量化等級對應的評估指標的閾值。目前，國內外研究學者普遍認同的評價指標有干擾頻率、干擾功率、干擾樣式等等。針對不同的任務調度模型，許多學者都提出了各自不同的求解算法，大致可以分成兩種類型，即傳統(tǒng)算法、智能優(yōu)化算法及其改進算法。傳統(tǒng)算法通常是把任務調度問題的實際約束和核心建模進行剝離，只是對任務調度問題本身進行求解，采用一定策略對解空間中所有的解決方案進行評價，從而來確定全局解空間中的最優(yōu)解，并以此作為最終的調度方案。傳統(tǒng)算法的特點是算法思想較為簡單，能夠在小規(guī)模問題上得到較為精確的解。但是當目標數(shù)目增多時，收斂速度慢。因此，對于大規(guī)模的任務調度問題，傳統(tǒng)算法無法在有限時間內給出全局最優(yōu)解。智能優(yōu)化算法是人們從生物進化的機理和一些物理現(xiàn)象中受到啟發(fā)而提出的用于解決復雜優(yōu)化問題的新方法。智能算法憑借其高效的優(yōu)化性能、能夠在復雜空間中隨機搜索等優(yōu)點，受到學者們的重視與研究。國內外學者們將WTA問題的研究與智能優(yōu)化算法的研究相結合，旨在提高WTA問題求解的效率與效能，用以加深對WTA問題的研究。人工蜂群算法是土耳其埃爾吉耶斯大學Karaboga提出的一種新型進化算法，因其參數(shù)設置少、收斂速度快、收斂精度高、且不容易陷入局部最優(yōu)等特點得到研究者的廣泛關注。由于ABC算法是一種新型仿生智能優(yōu)化算法，對于ABC算法改進研究工作還不多見。且現(xiàn)有的關于協(xié)同電子干擾任務調度的模型與求解算法無論在時間效率上還是解的質量上均存在不足。因此，目前急需一種適用于求解協(xié)同電子干擾任務調度方法，但是現(xiàn)有技術中尚無相關描述。技術實現(xiàn)要素：本發(fā)明的目的是針對UCAV(unmannedcombataerialvehicle)協(xié)同干擾多部敵方雷達的任務調度這一問題，以及現(xiàn)有模型的不足，提供一種基于改進人工蜂群算法的協(xié)同電子干擾任務調度方法。為了解決上述技術問題，本發(fā)明是通過以下技術方案實現(xiàn)的：一種基于改進人工蜂群算法的協(xié)同電子干擾任務調度方法，包括以下步驟：步驟1，綜合UCAV對目標雷達的分析干擾效果，給出任務調度評估指標集及干擾效果評估指標的定量計算方法，并進行歸一化處理。所述干擾效果評估指標的定量計算方法為：(1)協(xié)同干擾壓制概率qjp(eji,j)可以表示為：其中，α、β表示由目標類型確定的經驗值常數(shù)，powjp(i)是指干擾信號功率，powds(j)是目標回波功率。(2)協(xié)同干擾覆蓋空間qjs(eji,j)可以表示為：其中，γ為取決于目標類型確定的經驗值常數(shù)或常量函數(shù)，λ是小于1的常數(shù)，表示安全系數(shù)，rej(i)是編號為i的UCAV進行干擾的有效半徑，dis(i,j)為編號為i的UCAV與編號為j的目標的距離，rsafe是指最小安全距離。(3)協(xié)同干擾工作頻段qjf(eji,j)可以表示為：其中，frejp(i)表示編號為i的UCAV的干擾信號頻譜，freds(j)表示編號為j的目標的信號頻譜，freqin(i,j)表示編號為i的UCAV的干擾信號頻譜與編號為j的目標的信號頻譜相交的部分。(4)協(xié)同干擾樣式qjt(eji,j)可以表示為：其中，假設UCAV包含Nstyle種干擾樣式，且已經按照干擾效果排列，第i個UCAV對第j個目標可采用的干擾樣式集為StyleSet[ti]，其中ti∈[0,Nstyle]，en_used(i)表示的是編號為i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤ti.表示的是編號為i的UCAV產生的干擾效果。(5)續(xù)航能力qea(eji,j)可以表示為：其中，en_consu(i)表示的是編號為i的UCAV消耗的能量，en_all(i)表示的是編號為i的UCAV初始時刻擁有的總能源。步驟2，確定協(xié)同干擾的任務調度約束條件，建立協(xié)同電子干擾任務調度模型CEJ-TSM。所述協(xié)同電子干擾任務調度模型CEJ-TSM為：s.t.其中，模型的目的是用來尋找使目標函數(shù)最大化的調度方案，ωk是指第k維指標的權重，UniQk是指第k維指標的歸一化值。約束條件用來保證算法所求的調度方案中每個UCAV對目標雷達進行干擾的時候滿足干擾頻率、干擾樣式等的要求。UD＝{UD1,UD2,…,UDn},UDi(i＝1,2…,n)表示的是將第i架UCAV分配給干擾目標雷達的設備號；VAj(j＝1,2,…,m)表示的是對第j部目標雷達進行干擾的價值量；duij表示第i架UCAV是否對第j部目標雷達進行干擾，若為0則表示不進行干擾，否則就進行干擾；lmax表示每部目標雷達最多分配UCAV的架數(shù)。步驟3，采用改進的全局人工蜂群算法IGABC對協(xié)同電子干擾任務調度模型進行求解。其中改進的全局人工蜂群算法步驟具體包含：步驟3.1：初始化種群：規(guī)定蜂群的大小，雇傭蜂、觀察蜂和偵察蜂的數(shù)目，循環(huán)次數(shù)及最大鄰域搜索值。步驟3.2：雇傭蜂進行鄰域搜索，搜索公式為：其中，通過調節(jié)ξ的值來平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機選擇的一個維度，i∈{1,2,…,m}，表示雇傭蜂進行鄰域搜索后得到新食物源位置vd的第i個元素，為當前雇傭蜂所依附食物源xd的第i個元素，為食物源xε的第i個元素，ε∈{1,2,…,SN}且ε≠d，為當前最佳方案Gbest_xd的第i個元素，若超出[lb,ub]邊界，則使用邊界值。步驟3.3：計算其適應度值，參考遺傳算法的遺傳策略，運用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進行交叉、變異操作，按照貪婪法則選擇新解，搜索公式為：其中，rand是一個對每個分量都產生的[0,1]之間的均勻分布的隨機值，CR是一個交叉概率，通過調節(jié)ξ的值來平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機選擇的一個維度，i∈{1,2,…,m}，表示雇傭蜂進行鄰域搜索后得到新食物源位置vd的第i個元素，為當前雇傭蜂所依附食物源xd的第i個元素，為食物源xε的第i個元素，ε∈{1,2,…,SN}且ε≠d，為當前最佳方案Gbest_xd的第i個元素，若超出[lb,ub]邊界，則使用邊界值。步驟3.4：計算觀察蜂跟隨概率，公式為：其中，fit(xd)是食物源xd代表的解的適應度。通過調節(jié)系數(shù)μ和ν來協(xié)調算法的探索能力和開發(fā)能力，μ為[0.5,1]之間的隨機數(shù)，ν為[0,0.5]之間的隨機數(shù)，且μ和ν滿足μ+ν＝1。步驟3.5：觀察蜂轉化成雇傭蜂，計算其適應度值，參考遺傳算法的遺傳策略，運用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進行交叉、變異操作，按照貪婪法則選擇新解。步驟3.6：判斷雇傭蜂、觀察蜂搜尋次數(shù)是否超過限定次數(shù)Limit，若雇傭蜂、觀察蜂搜尋次數(shù)超過限定次數(shù)Limit，仍然沒有找到更高適應度的蜜源，則放棄該蜜源，同時蜜蜂的角色由雇傭蜂或者觀察蜂轉化為偵察蜂，并隨機產生一個新的蜜源；否則就記錄當前的位置信息。步驟3.7：記錄當前所有蜜蜂找到的最優(yōu)蜜源，并跳至步驟3.2，直到滿足最大迭代次數(shù)maxCycle的條件或小于優(yōu)化誤差時輸出全局最優(yōu)位置。步驟4，根據IGABC算法的結果獲得協(xié)同電子干擾任務調度方案。本發(fā)明與現(xiàn)有技術相比，其顯著優(yōu)點為：本發(fā)明引入消極指標，重新定義任務調度評估指標集，并且給出了干擾效果評估指標的定量計算方法，建立協(xié)同電子干擾任務調度模型，設計新算法對模型進行求解。本發(fā)明在UCAV協(xié)同干擾多部敵方雷達的任務調度的問題上能夠顯著提高了最優(yōu)解的搜索能力，同時也提高了任務調度方案生成的效率和準確性。附圖說明圖1為基于改進人工蜂群算法的協(xié)同電子干擾任務調度流程圖。圖2為UCAV干擾頻譜與目標頻譜的關系圖，其中圖(a)和(b)表示UCAV干擾頻譜與目標頻譜完全不重疊的兩種情況，圖(c)表示UCAV干擾頻譜完全包含目標頻譜，圖(d)和圖(e)表示UCAV干擾頻譜與目標頻譜不完全重疊的兩種情況。圖3為整數(shù)數(shù)組編碼方案。圖4為編碼方案舉例。圖5為算法平均運行時間對比。圖6為算法收斂速度對比(迭代次數(shù)為50)。圖7為算法收斂速度對比(迭代次數(shù)為500)。具體實施方式結合圖1，本發(fā)明的一種基于改進人工蜂群算法的協(xié)同電子干擾任務調度方法，包括以下步驟：步驟1、根據任務調度評估指標集及干擾效果評估指標的定量計算方法，綜合分析UCAV對目標雷達的干擾效果，并進行歸一化處理；所述干擾效果評估指標的定量計算方法為：步驟1-1、確定協(xié)同干擾壓制概率qjp(eji,j)，所用公式為：其中，α、β表示由目標類型確定的經驗值常數(shù)，powjp(i)是指干擾信號功率，powds(j)是目標回波功率；步驟1-2、確定協(xié)同干擾覆蓋空間qjs(eji,j)，所述公式為：其中，γ為取決于目標類型確定的經驗值常數(shù)或常量函數(shù)，λ是小于1的常數(shù)，表示安全系數(shù)，rej(i)是編號為i的UCAV進行干擾的有效半徑，dis(i,j)為編號i的UCAV與編號j的目標的距離，rsafe是指最小安全距離；步驟1-3、確定協(xié)同干擾工作頻段qjf(eji,j)，所述公式為：其中，frejp(i)表示編號為i的UCAV的干擾信號頻譜，freds(j)表示編號為j的目標的信號頻譜，freqin(i,j)表示編號為i的UCAV的干擾信號頻譜與編號為j的目標的信號頻譜相交的部分；步驟1-4、確定協(xié)同干擾樣式qjt(eji,j)，所述公式為：其中，UCAV包含Nstyle種干擾樣式，且已經按照干擾效果排列，第i個UCAV對第j個目標采用的干擾樣式集為StyleSet[ti]，其中ti∈[0,Nstyle]，en_used(i)表示的是編號為i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤ti.表示的是編號為i的UCAV產生的干擾效果；步驟1-5、確定續(xù)航能力qea(eji,j)，所述公式為：其中，en_consu(i)表示的是編號為i的UCAV消耗的能量，en_all(i)表示的是編號為i的UCAV初始時刻擁有的總能源。步驟2、確定協(xié)同干擾的任務調度約束條件，建立協(xié)同電子干擾任務調度模型CEJ-TSM；所述協(xié)同電子干擾任務調度模型CEJ-TSM為：s.t.其中，ωk是指第k維指標的權重，UniQk是指第k維指標的歸一化值，UD＝{UD1,UD2,…,UDn},UDi(i＝1,2…,n)表示的是將第i架UCAV分配給干擾目標雷達的設備號；VAj(j＝1,2,…,m)表示的是對第j部目標雷達進行干擾的價值量；duij表示第i架UCAV是否對第j部目標雷達進行干擾，若為0則表示不進行干擾，否則就進行干擾；lmax表示每部目標雷達最多分配UCAV的架數(shù)。步驟3、采用改進的全局人工蜂群算法IGABC對協(xié)同電子干擾任務調度模型進行求解；具體包含以下步驟：步驟3-1、初始化種群：規(guī)定蜂群的大小，雇傭蜂、觀察蜂和偵察蜂的數(shù)目，循環(huán)次數(shù)及最大領域搜索值；步驟3-2、雇傭蜂進行鄰域搜索，搜索公式為：其中，通過調節(jié)ξ的值來平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機選擇的一個維度，i∈{1,2,…,m}，表示雇傭蜂進行鄰域搜索后得到新食物源位置vd的第i個元素，為當前雇傭蜂所依附食物源xd的第i個元素，為食物源xε的第i個元素，ε∈{1,2,…,SN}且ε≠d，為當前最佳方案Gbest_xd的第i個元素，若超出[lb,ub]邊界，則使用邊界值；步驟3-3、計算其適應度值，采用遺傳算法的遺傳策略，運用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進行交叉、變異操作，按照貪婪法則選擇新解，搜索公式為：其中，rand是一個對每個分量都產生的[0,1]之間的均勻分布的隨機值，CR是一個交叉概率，通過調節(jié)ξ的值來平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機選擇的一個維度，i∈{1,2,…,m}，表示雇傭蜂進行鄰域搜索后得到新食物源位置vd的第i個元素，為當前雇傭蜂所依附食物源xd的第i個元素，為食物源xε的第i個元素，ε∈{1,2,…,SN}且ε≠d，為當前最佳方案Gbest_xd的第i個元素，若超出[lb,ub]邊界，則使用邊界值；步驟3-4、計算觀察蜂跟隨概率，公式為：其中，pd表示觀察蜂跟隨概率，fit(xd)是食物源xd代表的解的適應度，μ為[0.5,1]之間的隨機數(shù)，ν為[0,0.5]之間的隨機數(shù)，且μ和ν滿足μ+ν＝1；步驟3-5、觀察蜂計算其適應度值，參考遺傳算法的遺傳策略，運用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進行交叉、變異操作，按照貪婪法則選擇新解；步驟3-6、判斷雇傭蜂、觀察蜂搜尋次數(shù)是否超過限定次數(shù)Limit，若雇傭蜂、觀察蜂搜尋次數(shù)超過限定次數(shù)Limit，仍然沒有找到更高適應度的蜜源，則放棄該蜜源，同時蜜蜂的角色由雇傭蜂或者觀察蜂轉化為偵察蜂，并隨機產生一個新的蜜源；否則就記錄當前的位置信息；步驟3-7、記錄當前所有蜜蜂找到的最優(yōu)蜜源，并跳至步驟3-2，直到滿足最大迭代次數(shù)maxCycle的條件或小于優(yōu)化誤差時輸出全局最優(yōu)位置。步驟4、根據IGABC算法的結果獲得協(xié)同電子干擾任務調度方案。本發(fā)明在UCAV協(xié)同干擾多部敵方雷達的任務調度的問題上能夠顯著提高了最優(yōu)解的搜索能力，同時也提高了任務調度方案生成的效率和準確性。為了使本領域技術人員更好地理解本申請中的技術問題、技術方案和技術效果，下面結合附圖和具體實施方式對本發(fā)明一種基于改進的人工蜂群算法的協(xié)同電子干擾任務調度方法作進一步詳細說明。本發(fā)明首先，綜合分析干擾效果，給出可信任務調度評估指標集及定量計算方法，并進行歸一化處理。其次，確定協(xié)同干擾的任務調度約束條件，建立協(xié)同電子干擾任務調度模型CEJ-TSM。然后，采用改進的全局人工蜂群算法IGABC對協(xié)同電子干擾任務調度模型進行求解。最后，根據IGABC算法的結果獲得協(xié)同電子干擾任務調度方案。本發(fā)明提供一種基于改進人工蜂群算法的協(xié)同電子干擾任務調度方法，基本流程如圖2所示。首先，對干擾效果評估指標進行了綜合分析以及重新確定了定量計算方法，建立可信任務調度評估指標集，同時將這些指標分為積極指標和消極指標兩大類，并進行歸一化處理。其次，基于這些評估指標提出了一種協(xié)同電子干擾任務調度模型(CooperativeElectronicJammingTaskSchedulingModel，CEJ-TSM)。然后，將UCAV協(xié)同干擾多部敵方雷達的任務調度這一問題表示成一個目標優(yōu)化求解問題，結合改進的全局人工蜂群算法IGABC來求解該問題。最后，生成協(xié)同干擾任務調度方案。步驟1，根據任務調度評估指標集及干擾效果評估指標的定量計算方法，綜合分析UCAV對目標雷達的干擾效果，并進行歸一化處理。所述干擾效果評估指標的定量計算方法為：(1)協(xié)同干擾壓制概率qjp(eji,j)可以表示為：其中，α、β表示由目標類型確定的經驗值常數(shù)(根據壓制干擾效果的理論分析，在本實施例中，α＝0.23，β＝2)，powjp(i)是指干擾信號功率，powds(j)是目標回波功率。(2)協(xié)同干擾覆蓋空間qjs(eji,j)可以表示為：其中，γ為取決于目標類型確定的經驗值常數(shù)或常量函數(shù)，λ是小于1的常數(shù)，表示安全系數(shù)，rej(i)是編號為i的UCAV進行干擾的有效半徑，dis(i,j)為編號為i的UCAV與編號為j的目標的距離，rsafe是指最小安全距離。(3)協(xié)同干擾工作頻段qjf(eji,j)可以表示為：其中，frejp(i)表示編號為i的UCAV的干擾信號頻譜，freds(j)表示編號為j的目標的信號頻譜，freqin(i,j)表示編號為i的UCAV的干擾信號頻譜與編號為j的目標的信號頻譜相交的部分。(4)協(xié)同干擾樣式qjt(eji,j)可以表示為：其中，假設UCAV包含Nstyle種干擾樣式，且已經按照干擾效果排列，第i個UCAV對第j個目標可采用的干擾樣式集為StyleSet[ti]，其中ti∈[0,Nstyle]，en_used(i)表示的是編號為i的UCAV消耗的能量，effect(i,j,StyleSet[k]),k≤ti.表示的是編號為i的UCAV產生的干擾效果。(5)續(xù)航能力qea(eji,j)可以表示為：其中，en_consu(i)表示的是編號為i的UCAV消耗的能量，en_all(i)表示的是編號為i的UCAV初始時刻擁有的總能源。步驟2，確定協(xié)同干擾的任務調度約束條件，建立協(xié)同電子干擾任務調度模型CEJ-TSM。針對各指標的不同，聚合操作有平均AVERAGE、最小MIN、求和SUM、三種形式，可以得到表1。表1聚合函數(shù)采用簡單加權和法(SimpleAdditiveWeighting,SAW)，給各指標按照重要程度賦予不同的權重，再通過加權和計算得到綜合評價值。但由于指標評價時采用了不同的方法且量綱也不同，因此首先必須將指標進行歸一化。在歸一化階段，可以將指標分為積極指標和消極指標兩類。在進行歸一化時要分別處理，，歸一化處理方法如下。積極指標的歸一化計算：消極指標的歸一化計算：其中maxQk(minQk)表示所有任務調度方案中第k維指標的最大值(最小值)，如果兩者相等，則指標的歸一化值為1。令ωk為第k維指標的權重，本發(fā)明采用AHP方法來確定ωk的值。協(xié)同電子干擾任務調度模型CEJ-TSM為：s.t.其中，模型的目的是用來尋找使目標函數(shù)最大化的調度方案，ωk是指第k維指標的權重，UniQk是指第k維指標的歸一化值。約束條件用來保證算法所求的調度方案中每個UCAV對目標雷達進行干擾的時候滿足干擾頻率、干擾樣式等的要求。UD＝{UD1,UD2,…,UDn},UDi(i＝1,2…,n)表示的是將第i架UCAV分配給干擾目標雷達的設備號；VAj(j＝1,2,…,m)表示的是對第j部目標雷達進行干擾的價值量；duij表示第i架UCAV是否對第j部目標雷達進行干擾，若為0則表示不進行干擾，否則就進行干擾；lmax表示每部目標雷達最多分配UCAV的架數(shù)。步驟3，采用改進的全局人工蜂群算法IGABC對協(xié)同電子干擾任務調度模型進行求解。本發(fā)明通過采用改進人工蜂群算法來進行全局狀態(tài)下的任務調度的方案選擇，蜂群覓食行為與任務調度問題的對應關系如表2所示。采用的編碼方案如圖3所示。如某階段需要對敵方3部雷達進行干擾，現(xiàn)出動5架UCAV執(zhí)行此任務，對3部雷達的威脅程度按照從大到小的順序進行編號，同時也對5架UCAV的作戰(zhàn)能力按照從大到小的順序進行編號，則可能出現(xiàn)的編碼方案如圖4所示。圖4表示的含義是編號為1和3的UCAV干擾目標雷達1，編號為4的UCAV干擾目標雷達2，編號為2和5的UCAV干擾目標雷達3。表2蜂群覓食行為與任務調度問題的對應關系蜂群覓食行為任務調度問題食物源位置任務調度方案蜜源質量適應度函數(shù)值尋找及覓食的速度算法優(yōu)化速度最佳食物源任務調度最佳方案食物源的維度任務調度評估指標的個數(shù)改進的全局人工蜂群算法步驟具體包含：步驟3-1：初始化種群：規(guī)定蜂群的大小，雇傭蜂、觀察蜂和偵察蜂的數(shù)目，循環(huán)次數(shù)及最大鄰域搜索值。步驟3-2：雇傭蜂進行鄰域搜索，搜索公式為：其中，通過調節(jié)ξ的值來平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機選擇的一個維度，i∈{1,2,…,m}，表示雇傭蜂進行鄰域搜索后得到新食物源位置vd的第i個元素，為當前雇傭蜂所依附食物源xd的第i個元素，為食物源xε的第i個元素，ε∈{1,2,…,SN}且ε≠d，為當前最佳方案Gbest_xd的第i個元素，若超出[lb,ub]邊界，則使用邊界值。步驟3-3：采用遺傳算法的遺傳策略，運用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進行交叉、變異操作，按照貪婪法則選擇新解，搜索公式為：其中，rand是一個對每個分量都產生的[0,1]之間的均勻分布的隨機值，CR是一個交叉概率，通過調節(jié)ξ的值來平衡算法的探索與開發(fā)能力，i為從m維數(shù)組中隨機選擇的一個維度，i∈{1,2,…,m}，表示雇傭蜂進行鄰域搜索后得到新食物源位置vd的第i個元素，為當前雇傭蜂所依附食物源xd的第i個元素，為食物源xε的第i個元素，ε∈{1,2,…,SN}且ε≠d，為當前最佳方案Gbest_xd的第i個元素，若超出[lb,ub]邊界，則使用邊界值。步驟3-4：計算觀察蜂跟隨概率，公式為：其中，pd表示觀察蜂跟隨概率，fit(xd)是食物源xd代表的解的適應度。通過調節(jié)系數(shù)μ和ν來協(xié)調算法的探索能力和開發(fā)能力，μ為[0.5,1]之間的隨機數(shù)，ν為[0,0.5]之間的隨機數(shù)，且μ和ν滿足μ+ν＝1。步驟3-5：觀察蜂計算其適應度值，參考遺傳算法的遺傳策略，運用選擇、交叉和變異算子，將鄰域搜索后的解與迭代最優(yōu)解進行交叉、變異操作，按照貪婪法則選擇新解。步驟3-6：判斷雇傭蜂、觀察蜂搜尋次數(shù)是否超過限定次數(shù)Limit，若雇傭蜂、觀察蜂搜尋次數(shù)超過限定次數(shù)Limit，仍然沒有找到更高適應度的蜜源，則放棄該蜜源，同時蜜蜂的角色由雇傭蜂或者觀察蜂轉化為偵察蜂，并隨機產生一個新的蜜源；否則就記錄當前的位置信息。步驟3-7：記錄當前所有蜜蜂找到的最優(yōu)蜜源，并跳至步驟3-2，直到滿足最大迭代次數(shù)maxCycle的條件或小于優(yōu)化誤差時輸出全局最優(yōu)位置。步驟4，生成協(xié)同電子干擾任務調度方案。實施本發(fā)明的方法時，以電子戰(zhàn)編隊遠程支援干擾為例，假設編隊中有10架UCAV，需要對敵方地面的6部雷達進行干擾，對每部雷達的作戰(zhàn)價值進行評估，并按照作戰(zhàn)價值大小進行排序編號，如表3所示。IGABC和ABC算法、DE-ABC算法以及DGABC算法中蜂群的參數(shù)設置相同，種群規(guī)模SN為20，單個蜜蜂的迭代限制次數(shù)limit為50，分別進行5、10、15、20、25、30、35、40、45、50次重復實驗，記錄這些實驗的運行時間，并計算這些時間的平均值。本發(fā)明方法與改進前的算法的性能比較如圖5、圖6、圖7所示。表3雷達作戰(zhàn)價值評估表雷達編號123456作戰(zhàn)價值0.950.870.820.650.490.36根據雷達的一些性能參數(shù)，假設已知這些雷達的發(fā)射功率、雷達天線的有效面積、雷達的工作波長、壓制系數(shù)以及我方UCAV的發(fā)射功率、工作頻段、干擾樣式集合等參數(shù)，根據上述的干擾效果評估指標，可以計算出單架UCAV對各雷達的干擾效果矩陣，如下所示：表4干擾壓制概率效果度量雷達1雷達2雷達3雷達4雷達5雷達6UCAV10.650.880.560.810.350.41UCAV20.800.710.910.420.590.78UCAV30.330.450.750.590.550.84UCAV40.680.310.580.620.830.55UCAV50.900.860.760.320.880.79UCAV60.540.810.470.940.830.69UCAV70.360.930.590.410.490.86UCAV80.850.720.610.570.420.53UCAV90.570.630.450.730.540.77UCAV100.920.690.440.870.790.65表5干擾覆蓋空間效果度量雷達1雷達2雷達3雷達4雷達5雷達6UCAV100.890.780.490.630.20UCAV20.4600.650.860.320UCAV30.940.710.3400.790.19UCAV40.230.4900.5600.98UCAV50.57000.890.120UCAV600.750.530.410.370.69UCAV70.720.160.490.530.740.23UCAV80.150.790.880.910.230.66UCAV90.880.460.21000.11UCAV100.660.470.190.110.860.92表6干擾工作頻段效果度量雷達1雷達2雷達3雷達4雷達5雷達6UCAV100.900.740.450.590.15UCAV20.4100.6110.330.70UCAV30.910.670.3100.770.26UCAV40.170.4800.510.560.34UCAV50.59100.850.190.56UCAV600.710.430.370.330.64UCAV70.650.130.470.460.710.29UCAV80.440.290.770.4100.41UCAV90.810.430.19000.51UCAV100.740.690.220.190.730.81表7干擾樣式效果度量雷達1雷達2雷達3雷達4雷達5雷達6UCAV100.850.700.310.670.11UCAV20.7300.840.910.650.86UCAV30.960.770.5000.810.34UCAV40.200.4500.560.780.41UCAV50.560.9500.820.110.77UCAV600.780.460.390.360.65UCAV70.780.110.700.700.890.45UCAV80.770.550.790.6900.47UCAV90.910.590.33000.55UCAV100.780.630.160.130.830.93表8續(xù)航能力效果度量雷達1雷達2雷達3雷達4雷達5雷達6UCAV110.150.310.710.360.80UCAV20.320.990.210.130.370.26UCAV30.100.230.5010.190.66UCAV40.800.5510.440.230.59UCAV50.440.0910.230.900.23UCAV610.230.540.610.110.55UCAV70.260.880.300.290.110.58UCAV80.100.410.690.3910.53UCAV90.110.380.33110.61UCAV100.130.250.810.710.270.10圖5為本發(fā)明方法和改進前算法的平均運行時間對比圖，圖中的橫坐標是算法運行次數(shù)，縱坐標是算法平均運行時間。從圖中可以發(fā)現(xiàn)IGABC算法的運行平均時間明顯比ABC算法和DE-ABC算法短，這是因為IGABC算法收斂速度快，收斂到最優(yōu)解所需的迭代次數(shù)少，算法收斂速度的實驗結果如圖6和圖7所示。圖6和圖7為本發(fā)明方法和改進前算法的收斂速度對比圖，圖中的橫坐標是算法迭代次數(shù)，縱坐標是算法計算得到的適應度值。由圖6和圖7可以看出，IGABC算法的收斂速度均大于其他三種算法，且在迭代相同時，IGABC獲得的適應度值大部分都優(yōu)于其他三種算法，這是因為IGABC算法一方面利用了遺傳算法中選擇、交叉和變異算子改進鄰域搜索方式來保持種群個體多樣性，另一方面改進了跟隨概率公式，一定程度上改善了個體退化現(xiàn)象。IGABC算法在保持個體多樣性的同時，也使得個體能夠向好的方向上進化，有效地減少了算法迭代的次數(shù)，提高了算法的收斂速度。因此，相比ABC算法、DE-ABC算法以及DGABC算法，IGABC算法具有更快的收斂速度以及較強的全局搜索能力，且不易陷入局部解，可以提高任務調度的有效性。上面結合附圖對本發(fā)明的實施方式作了詳細說明，但是本發(fā)明并不限于上述實施方式，在本領域普通技術人員所具備的知識范圍內，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。以上所述，僅是本發(fā)明的較佳實施例而已，并非對本發(fā)明作任何形式上的限制，雖然本發(fā)明已以較佳實施例揭露如上，然而并非用以限定本發(fā)明，任何熟悉本專業(yè)的技術人員，在不脫離本發(fā)明技術方案范圍內，當可利用上述揭示的技術內容做出些許更動或修飾為等同變化的等效實施例，但凡是未脫離本發(fā)明技術方案內容，依據本發(fā)明的技術實質，在本發(fā)明的精神和原則之內，對以上實施例所作的任何簡單的修改、等同替換與改進等，均仍屬于本發(fā)明技術方案的保護范圍之內。當前第1頁1 2 3