聲納浮標(biāo)陣目標(biāo)搜索優(yōu)化布放算法

匡貢獻(xiàn)，謝志敏

（總參謀部氣象水文局，北京 100081）

利用聲納浮標(biāo)搜索潛艇是反潛戰(zhàn)的一種重要形式，如何優(yōu)化浮標(biāo)陣的投放位置一直是研究熱點(diǎn)。關(guān)于這方面的文獻(xiàn)較多，主要有3大類：第1種是如何針對先驗信息采用合適的陣形，文獻(xiàn)[1]描述了方位線陣、垂直航向陣和圓形陣的使用方法，文獻(xiàn)[1-2]討論了攔截陣和包圍陣在應(yīng)召搜索中的使用時機(jī)；第2種是針對優(yōu)化某一陣形參數(shù)從而達(dá)到提高搜索概率的目的，文獻(xiàn)[3-5]討論了螺旋線陣、方形陣和圓形陣的陣形參數(shù)對搜索概率的影響；第3種是權(quán)衡所有的陣形參數(shù)進(jìn)行優(yōu)化布放，文獻(xiàn)[6-8]討論了遺傳算法在浮標(biāo)優(yōu)化布放中的應(yīng)用，文獻(xiàn)[9]利用Lipschitz Global Optimizer軟件和模擬退火算法優(yōu)化布放多基地聲納浮標(biāo)。

浮標(biāo)優(yōu)化布放本質(zhì)上屬于箱約束的非線性全局優(yōu)化理論研究范疇，解決這一類問題的方法較多。本文首先討論了潛艇運(yùn)動模型和搜索概率計算方法，然后提出了利用多點(diǎn)隨機(jī)搜索算法、基于分區(qū)的分支界定算法和遺傳算法優(yōu)化布放浮標(biāo)陣的方法，對比分析它們的優(yōu)化效能。

1 問題描述

1.1 目的

在某海區(qū)Q 一批次投放n枚聲納浮標(biāo)搜索單艘潛艇，搜索時間 t ∈[t1,t2]預(yù)先規(guī)定。假定浮標(biāo)在搜索時間內(nèi)一直能正常工作。優(yōu)化布陣的目的就是利用n枚浮標(biāo)在總的搜索時間內(nèi)盡可能搜索到潛艇，衡量陣形好壞的指標(biāo)是積累搜索概率(Cumulative Detection Probability，CDP)。

1.2 目標(biāo)運(yùn)動模型

應(yīng)召搜潛通常通過其他途徑得知某海域有潛艇活動信息，如紅外設(shè)備觀測到潛艇廢氣、海流特征等，但不知道潛艇的具體位置和運(yùn)動狀態(tài)。其初始位置散布特征和運(yùn)動要素散布特征一般根據(jù)具體海洋環(huán)境、戰(zhàn)場態(tài)勢和量測信息進(jìn)行設(shè)定。本文仿真假定目標(biāo)初始位置服從圓正態(tài)分布，目標(biāo)作勻速直線運(yùn)動，航速在一定區(qū)間內(nèi)均勻分布，航向在一定角度內(nèi)均勻分布。

1.3 累積搜索概率計算方法

在實際過程中，由于海洋環(huán)境的復(fù)雜性，目標(biāo)的初始散布特征和運(yùn)動特征可能很復(fù)雜，加上浮標(biāo)的漂移影響，使搜索概率計算不便于用某一解析式表達(dá)。因此，避開了復(fù)雜的數(shù)學(xué)推導(dǎo)，采用蒙特卡羅法(Monte-carlo，MC)計算搜索概率。

本文產(chǎn)生了3 000條MC目標(biāo)軌跡，所有布放方案均針對這些軌跡運(yùn)算，這樣可以減少重復(fù)運(yùn)算。對于被動聲納浮標(biāo)，其作用距離還與目標(biāo)的速度有關(guān)，速度越大其聲源級越大，作用距離越大，反之亦反。為了加快運(yùn)算速度，浮標(biāo)作用距離計算往往根據(jù)各影響要素預(yù)先制表，以便在優(yōu)化過程中不占用太多時間計算搜索概率，有關(guān)單雙基地聲納的作用距離計算方法參考文獻(xiàn)[10-12]。本文采用了一種簡化檢測準(zhǔn)則，目標(biāo)處于浮標(biāo)有效探測半徑r 內(nèi)時，探測概率為1，否則為0。實際搜潛過程中，應(yīng)當(dāng)以浮標(biāo)本身的ROC曲線為準(zhǔn)。

2 浮標(biāo)陣優(yōu)化布放技術(shù)

浮標(biāo)布放位置優(yōu)化可以表示為

式中：f (x)為不被搜索到的概率；l、u分別為x的范圍。

對于由單基地浮標(biāo)組成的規(guī)則浮標(biāo)陣，需要優(yōu)化的變量較少，常用的均勻圓形包圍陣只需要優(yōu)化陣半徑和陣心的位置，V形攔截陣需要優(yōu)化頂點(diǎn)位置和V形張角；對于雙/多基地浮標(biāo)陣，不僅需要優(yōu)化接收基站的陣形，而且還要對聲源基站的位置進(jìn)行優(yōu)化，總體需要優(yōu)化的變量較多。即使對于較少的變量，由于搜索空間大，不可能進(jìn)行遍歷搜索，需要利用合適的優(yōu)化算法解決。目前最優(yōu)化問題總體分為局部優(yōu)化和全局優(yōu)化。局部優(yōu)化算法較多，如解非線性問題的最速下降法、擬牛頓法和可行方向法等。全局最優(yōu)算法有遺傳算法、蟻群算法、模擬退火算法、分支界定法、區(qū)間方法和填充函數(shù)等。

本文采用了3種全局優(yōu)化算法優(yōu)化浮標(biāo)陣的布放位置，即多點(diǎn)隨機(jī)搜索方法(Multi-start Random Search Algorithms，MS)、分區(qū)分支界定算法(branch-and-bound Based Partition Algorithms，BBP)和遺傳算法(Genetic Algorithms，GA)。

2.1 多點(diǎn)隨機(jī)搜索方法

該方法是一種簡單的全局優(yōu)化算法，不能保證找到全局最優(yōu)點(diǎn)，表述如下。

Step1：設(shè)定停止準(zhǔn)則(優(yōu)化時間T 大于某值或連續(xù)M次優(yōu)化值差別小于一給定足夠小的正數(shù)ε 或循環(huán)次數(shù)大于某預(yù)設(shè)值N)，循環(huán)計數(shù)器i=0；

Step4：如滿足停止條件取 Pi+1對應(yīng)的終止；否則，i=i+1，轉(zhuǎn)step3。

可見多點(diǎn)隨機(jī)搜索方法能否找到全局最優(yōu)主要取決于采樣點(diǎn)的遍歷性。另外，該方法具有并行特征，如果并行運(yùn)算，大規(guī)模采樣是可行的。

2.2 基于分區(qū)分支界定算法

以規(guī)則浮標(biāo)陣的陣形參數(shù)作為自變量的不被搜索概率函數(shù)f是一種Lipschitz 連續(xù)函數(shù)，可以用BBP技術(shù)進(jìn)行全局優(yōu)化，并能保證找到全局最優(yōu)解。區(qū)間技術(shù)主要用來計算目標(biāo)函數(shù)的全局信息、函數(shù)界限和Lipschitz 常數(shù)，具體證明和性質(zhì)可參考文獻(xiàn)[13]。對于多維變量一般都采用分支界定策略以“剪除”明顯不滿足要求的區(qū)間。對于n個變量的范數(shù)算法描述如下。

Step1：設(shè)定停止準(zhǔn)則(優(yōu)化時間T 大于某值或f的上界與下界絕對值小于一給定的正數(shù)或循環(huán)次數(shù)大于某預(yù)設(shè)值N)，設(shè)定上界的初值為1，下界的初值為戰(zhàn)術(shù)上允許目標(biāo)不被搜索的概率的最大值。循環(huán)開始i=0。

Step2：在[l,u]上各區(qū)間上采樣，利用采樣值求Lipschitz 常數(shù)L 并更新上界，求第j 區(qū)間的弱化自變量及其弱化函數(shù)若說明該區(qū)間的最小值都大于規(guī)定的下界，可以“剪枝”，并將對于弱化自變量所在區(qū)間細(xì)分。對于二分法，一個分區(qū)裂成2n個小分區(qū)，i=i+1。

這種區(qū)間方法的優(yōu)點(diǎn)是可以很容易求出各區(qū)間上的上下界并能保證找到最優(yōu)點(diǎn)，缺點(diǎn)是運(yùn)算速度慢，如果不能及早“剪枝”可能產(chǎn)生區(qū)間“爆炸”，因此說該方法只適合優(yōu)化較少的變量。

2.3 遺傳算法

遺傳算法具有全局搜索能力，特別適用于多變量、多峰函數(shù)的最優(yōu)化，關(guān)于基本遺傳算法的實現(xiàn)原理可參考相關(guān)文獻(xiàn)。整個過程表述如下。

Step1：設(shè)定停止準(zhǔn)則(優(yōu)化時間T 大于某值或進(jìn)化代數(shù)大于某設(shè)定值)，循環(huán)計數(shù)器。

Step2：初始化種群，在[l,u]之間產(chǎn)生多個隨機(jī)點(diǎn) x0j(j=1,2,…,J)，并進(jìn)行實數(shù)編碼，取種群規(guī)模popsize=100。

Step3：進(jìn)行選擇、交叉和變異操作，交叉概率取0.6 變異概率取0.02。

Step4：如果滿足停止條件，終止；否則，轉(zhuǎn)step3。

3 仿真與分析

3.1 單基地聲納浮標(biāo)陣優(yōu)化布放的仿真

假定目標(biāo)初始位置服從圓正態(tài)分布 N (0,σ2)，即

式中：x y、分別為橫縱坐標(biāo)；標(biāo)準(zhǔn)差σ=5n mile。目標(biāo)作勻速直線方式運(yùn)動，航速[5,15)節(jié)內(nèi)服從均勻分布，航向在[5π/6,π/6)服從均勻分布，海洋環(huán)境各向同性。從基準(zhǔn)時刻到開始搜索時延遲時間為1 h，搜索持續(xù)時間為1 h。這種已知敵潛艇航行扇面條件，采用攔截浮標(biāo)陣較好，用文獻(xiàn)[3]提供的算法布設(shè)3層攔截陣，共24枚浮標(biāo)，每層均為8枚，攔截陣距基準(zhǔn)點(diǎn)的距離分別為20、15和12 n mile。由于內(nèi)圈的攔截陣主要針對低速目標(biāo)，對應(yīng)的目標(biāo)輻射噪聲小，相應(yīng)被動聲納的作用距離也小，因此雖然內(nèi)圈的跨度小，但還是布設(shè)相同的浮標(biāo)數(shù)。對應(yīng)極低航速的目標(biāo)，如果再利用被動聲納浮標(biāo)探測，其探測性能必然急劇減少，此時要實現(xiàn)無縫攔截需消耗大量的浮標(biāo)，據(jù)此只布設(shè)了3 道攔截陣。

這種傳統(tǒng)浮標(biāo)布放方法能達(dá)到0.80的搜索概率，浮標(biāo)布局如圖1a)所示，能否有更好的布放算法提高搜索概率？以下內(nèi)容利用多點(diǎn)隨機(jī)搜索方法、分區(qū)分支界定算法和遺傳算法進(jìn)行優(yōu)化布放，并與傳統(tǒng)布放方法進(jìn)行對比。設(shè)目標(biāo)函數(shù)為式(1)表示的不被搜索到的概率，變量x為

x：[第1-3層攔截陣到基準(zhǔn)點(diǎn)的距離，d1、d2、d3，對應(yīng)各層的浮標(biāo)數(shù)n1、n2、n3]

利用式(4)可將6個參數(shù)化為5個參數(shù)，采用上述3種方法進(jìn)行優(yōu)化。為了對比它們的性能，設(shè)置停止準(zhǔn)則均為優(yōu)化時間大于30 min。優(yōu)化后的結(jié)果如圖1b) ～ d)所示，MS、GA和BBP的CDP分別為0.82、0.85和0.90。雖然MS 布放方法的搜索概率超過了傳統(tǒng)布放方法，但是與GA和BBP的優(yōu)化結(jié)果相比，由于內(nèi)圈浮標(biāo)數(shù)量過多，致使實際搜索范圍變小，因此在3種優(yōu)化結(jié)果中其CDP是最小的。由于需要優(yōu)化的參數(shù)只有5個，BBP 比GA 更能找到最優(yōu)點(diǎn)，雖然兩者優(yōu)化的最終浮標(biāo)布局相似，但BBP 具有更好的性能。

圖14 種布放方法的被動聲納浮標(biāo)布局及搜索概率對比，浮標(biāo)數(shù)為24

3.2 雙基地聲納浮標(biāo)陣優(yōu)化布放的仿真

假定目標(biāo)初始位置特性和運(yùn)動特性均與3.1仿真類似，目標(biāo)初始位置誤差標(biāo)準(zhǔn)差σ=2n mile，航速在[4,6]節(jié)內(nèi)服從均勻分布。對于這種低速目標(biāo)，被動聲納浮標(biāo)的作用距離很小，必須采用主動探測，為了增強(qiáng)探測的隱蔽性，傳感器采用雙基地聲納浮標(biāo)，其中發(fā)射基站1個，接收基站5個。雖然3.1仿真證明了MS、BBP和GA在被動浮標(biāo)布放中有效，為進(jìn)一步對比它們的性能，將其應(yīng)用于雙基地聲納浮標(biāo)陣的優(yōu)化布放。由于目前中文公開文獻(xiàn)中沒有關(guān)于雙基地聲納浮標(biāo)的傳統(tǒng)布放方法，性能對比只限于3種優(yōu)化方法之間，接收基站均采用了V形陣。

目標(biāo)函數(shù)仍為式(1)中的不被搜索到的概率，變量x為

x：[V形頂點(diǎn)位置 xv、yv，V形的張開角θ，浮標(biāo)的間隔d，發(fā)射基站位置 xs、ys]。

有6個需要優(yōu)化的參數(shù)，設(shè)置停止準(zhǔn)則均為優(yōu)化時間大于30 min。進(jìn)化后的結(jié)果如圖2a)～c)所示，MS、GA和BBP的CDP分別為0.77、0.90和0.84。MS 由于遍歷不夠充分，性能最差，與仿真3.1相比多了1個參數(shù)，BBP的性能稍弱于GA。三者的進(jìn)化曲線如圖3所示，由圖可知，雖然MS的最終性能差于其他兩種方法，但在進(jìn)化前期MS的結(jié)果是最好的，也就是說，如果要求運(yùn)算時間短，采用MS 優(yōu)化布放聲納浮標(biāo)是可行的。

圖2 雙基地聲納浮標(biāo)的優(yōu)化布放，5個接收基站，1個發(fā)射基站

圖3 MS、BBP和GA在雙基地聲納浮標(biāo)優(yōu)化布放的進(jìn)化曲線

4 總結(jié)

本文仿真比較了3種浮標(biāo)優(yōu)化布放方法，結(jié)果表明這3種方法相對于傳統(tǒng)布放方法能提高搜索概率，對于相同的進(jìn)化時間，多點(diǎn)隨機(jī)搜索方法優(yōu)化性能最差，但前期進(jìn)化效果較好，適合短時間內(nèi)制定浮標(biāo)布放方案；分區(qū)分支界定算法保證能搜索到最優(yōu)點(diǎn)，但優(yōu)化參數(shù)不能太多；遺傳算法較適合優(yōu)化具有很多參數(shù)的復(fù)雜浮標(biāo)陣，但是需要較長的進(jìn)化時間。為了加快運(yùn)算速度，下一步可以從兩方面入手：一方面，在具有一定魯棒性的前提下，通過調(diào)整遺傳算子的相關(guān)參數(shù)加快運(yùn)算速度；另一方面利用遺傳算法的并行性。

本文介紹的方法與實際浮標(biāo)搜潛過程相比，有一些因素沒有考慮，如浮標(biāo)漂移、投放時間、浮標(biāo)可靠性等，在實際應(yīng)用時，這些都是必須考慮的因素。另外就是沒有在實際的復(fù)雜海洋環(huán)境下仿真。

[1]葉敬禮,羅德剛,宋裕農(nóng).艦載飛機(jī)使用聲納浮標(biāo)搜潛陣式分析[J].火力與指揮控制,2002,27(增)∶53-55.

[2]叢紅日.聲納浮標(biāo)陣搜潛效能通用仿真模型研究[J].系統(tǒng)仿真技術(shù),2010,6(2)∶104-106.

[3]楊日杰,王正紅,周旭,張丹.浮標(biāo)陣形對搜潛效能影響的研究[J].計算機(jī)仿真,2009,26(12)∶16-20.

[4]王磊,吳福初,陳鈺寧,史海龍.基于聲納浮標(biāo)的反潛直升機(jī)應(yīng)召搜潛仿真研究[J].指揮控制與仿真,2010,32(2)∶84-88.

[5]叢紅日,吳福初,王宗杰.圓形聲納浮標(biāo)陣搜潛效能模型研究[J].海軍航空工程學(xué)院學(xué)報,2010,25(1)∶93-96.

[6]周旭,楊日杰,高學(xué)強(qiáng),韓建輝.基于遺傳算法的被動浮標(biāo)陣優(yōu)化布放技術(shù)研究[J].電子與信息學(xué)報,，2008,30(10)∶2533-2536.

[7]墨巖峰,楊日杰,周旭.基于遺傳算法的浮標(biāo)優(yōu)化布陣算法研究[J].微計算機(jī)信息,2010,26(7)∶208-210.

[8]墨巖峰,楊日杰,徐瑞來.遺傳算法優(yōu)化浮標(biāo)布陣的可行性研究[J].國外電子測量技術(shù),2010,29(1)∶23-27.

[9]GAMMON M A,SCHWARTZ B,PINTER J D.Enhancement of optimization capability in tactool using the lipschitz global optimizer (LGO) program[R].Defence R&D Canada-Atlantic,2007∶6- 12.

[10]楊日杰,何友,孫明太.主/被動聯(lián)合多基地航空搜潛范圍分析[J].航空學(xué)報,2004,25(4)∶381-384.

[11]楊日杰,何友,孫明太.航空搜潛裝備搜潛范圍建模與仿真研究[J].系統(tǒng)仿真學(xué)報,2003,15(11)∶1547-1550.

[12]凌青,楊麗,蔡志明.雙(多)基地聲納浮標(biāo)系統(tǒng)在反潛中的應(yīng)用研究[J].海軍工程大學(xué)學(xué)報,2006,18(2)∶47-49.

[13]PINTER J D.Global Optimization in Action[M].LONDON∶Kluwer academic publishers,1997∶91-108.