基于自適應(yīng)遺傳算法的空管雷達部署優(yōu)化*

劉 帥，秦姍姍

（民航西北空中交通管理局寧夏分局，寧夏 銀川 750001）

0 引 言

隨著民航事業(yè)的突發(fā)猛進，為了提升民航空管區(qū)域管制區(qū)、進近管制區(qū)的監(jiān)視性能精度和可靠性，空管部門大規(guī)模部署了一二次合裝監(jiān)視雷達、S波段進程一次雷達和L波段遠程一次雷達。當(dāng)前，民航空管在雷達覆蓋布站規(guī)劃中缺乏嚴謹?shù)?、科學(xué)的規(guī)劃方案和手段，簡單從補盲的角度出發(fā)，設(shè)置站點用于填充空域和航路中的盲區(qū)，造成部分地區(qū)雷達覆蓋多重冗余，有的甚至能達到四重覆蓋，造成了嚴重的資源浪費。優(yōu)化布站是雷達組網(wǎng)的一個重要組成部分，而適當(dāng)?shù)睦走_組網(wǎng)布站可以大幅度提升監(jiān)視范圍，提高監(jiān)視系統(tǒng)的可靠性和精度。如何在有限的空域和雷達資源下科學(xué)確定多部雷達的部署位置，最大范圍覆蓋空域，構(gòu)建合理冗余度的覆蓋重點管制區(qū)，以達到整個雷達網(wǎng)的效能最優(yōu)，是優(yōu)化雷達布站的首要任務(wù)。本文針對民航空管監(jiān)視要求，給出了雷達組網(wǎng)優(yōu)化部署的原則，分析了探測范圍、空域覆蓋冗余度等，并將部署原則量化成指標(biāo)，進而建立了更加合理的雷達布站數(shù)學(xué)模型。

優(yōu)化布站是一種多約束、多目標(biāo)組合優(yōu)化問題。遺傳算法在多目標(biāo)優(yōu)化的各個方面得到了應(yīng)用。文獻[1]提出利用遺傳算法對雷達布站進行優(yōu)化，但該算法局部搜索遲鈍，會陷入局部最優(yōu)。本文提出了帶有精英策略的自適應(yīng)遺傳算法，可快速收斂于全局最優(yōu)。利用自適應(yīng)遺傳算法對該問題進行求解并仿真，得到了在給定雷達資源情況下合理規(guī)劃雷達的部署。仿真結(jié)果表明，帶精英策略的自適應(yīng)遺傳算法滿足約束條件，符合部署原則，且在解決問題時具有更高的效率。

1 空管雷達組網(wǎng)系統(tǒng)模型優(yōu)化

1.1 空管雷達組網(wǎng)約束條件

在空管雷達組網(wǎng)中，將需要覆蓋的空域劃分為區(qū)域管制區(qū)和進近管制區(qū)。在雷達數(shù)目和性能確定的條件下，要求區(qū)域管制區(qū)最大化覆蓋，進近管制區(qū)需要至少達到雙重冗余覆蓋[2]。因此，空管雷達組網(wǎng)模型要滿足以下約束條件。

約束條件一：區(qū)域管制區(qū)覆蓋最大化。用Ag表示區(qū)域與管制區(qū)某一高度層面積，定義空域覆蓋系數(shù)ρ，表示區(qū)域管制區(qū)的空域覆蓋最大探測范圍，則在某一高度層其覆蓋系數(shù)為：

其中Ai表示第i部雷達在當(dāng)前高度層的覆蓋范圍，i=1,2…n。

約束條件二：進近管制區(qū)能且只能達到雙重覆蓋。用Ac表示進近管制區(qū)某一高度層面積，定義冗余覆蓋系數(shù)η，表示進近管制區(qū)內(nèi)雷達冗余覆蓋系數(shù)。在進近管制區(qū)，考慮雙重冗余覆蓋為最佳覆蓋，三重級以上覆蓋均為資源浪費。因此，某一高度層進近管制區(qū)的冗余覆蓋系數(shù)為：

其中，i＞j＞ k，Aic、Ajc、Akc表示第i、j、k部雷達在重點管制區(qū)的覆蓋范圍。

約束條件三：民航MH/T 4003.2-2014《民用航空通信導(dǎo)航監(jiān)視臺（站）設(shè)置場地規(guī)范第2部分：監(jiān)視》文件中明確規(guī)定，近程一次監(jiān)視雷達于無線電輻射工業(yè)設(shè)施最小保護間距為0.80 km[3]。

1.2 空管雷達組網(wǎng)優(yōu)化模型

N部雷達組網(wǎng)需要獲得盡可能大的區(qū)域管制區(qū)覆蓋范圍和進近管制區(qū)雙重覆蓋率。理論上，區(qū)域管制區(qū)覆蓋率和進近管制區(qū)雙重覆蓋率是矛盾的?？紤]區(qū)域空域覆蓋率、進近管制區(qū)冗余覆蓋率和雷達規(guī)范標(biāo)準(zhǔn)，采用加權(quán)法將多目標(biāo)優(yōu)化轉(zhuǎn)為單目標(biāo)優(yōu)化問題，則空管雷達組網(wǎng)模型為：

其中，ρ為區(qū)域管制區(qū)覆蓋率，η為進近管制區(qū)雙重覆蓋率，λ為進近管制區(qū)重要系數(shù)。

2 自適應(yīng)遺傳算法

標(biāo)準(zhǔn)遺傳算法采用選擇、交叉好變異算子模仿自然界生物遺傳的特性，以選取適應(yīng)自然的個體，已成功應(yīng)用于各個領(lǐng)域。但是，它具有局部搜索遲鈍、隨機游走和局部收斂等問題，導(dǎo)致算法收斂性差。Rudolph利用有限馬爾科夫鏈證明了遺傳算法不能收斂到全局最優(yōu)值。De Jong在其博士論文中提出了“精英選擇（Elitist Selection or Elitism）”策略。精英個體是種群進化到當(dāng)前為止遺傳算法搜索到的適應(yīng)度值最高的個體。精英選擇是指在每代種群中出現(xiàn)的最優(yōu)個體將直接進入下一代種群，不受遺傳算子的影響。具體算法實現(xiàn)中，利用種群中的最優(yōu)個體代替下代中的最差個體，實現(xiàn)種群數(shù)量的恒定。Rudolph已經(jīng)從理論上證明了具有精英保留的遺傳算法是全局收斂的[4-5]。因此，本文利用帶精英策略的自適應(yīng)遺傳算法（Adaptive Genetic Algorithm，AGA）進行雷達組網(wǎng)優(yōu)化。

AGA算法流程如圖1所示。根據(jù)現(xiàn)實情況進行染色體編碼，隨機生成種群，通過特定適應(yīng)度對個體進行評價，并存儲最優(yōu)個體。通過選擇、交叉、變異3個遺傳算子完成種群的遺傳操作，生成新的子代。利用父代最優(yōu)個體替換子代最差個體，實現(xiàn)精英保留策略。同時，利用父代的最大適應(yīng)度、最小適應(yīng)度和平均適應(yīng)度，自適應(yīng)調(diào)整交叉概率和變異概率，解決標(biāo)準(zhǔn)遺傳算法的局部收斂和隨機發(fā)散問題[6]。

AGA算法在雷達組網(wǎng)優(yōu)化中的實現(xiàn)步驟具體如下。

（1）初始化AGA算法參數(shù)，主要包括種群規(guī)模、最大遺傳代數(shù)、個體交叉概率和染色體變異概率等。

（2）染色體編碼。染色體編碼一般有實數(shù)編碼和二進制編碼兩種，本文采用二進制編碼，對每部雷達的(x, y)坐標(biāo)均進行二進制編碼。假設(shè)N部雷達的坐標(biāo)組成一組染色體，其需要覆蓋的范圍為L×L，LSB=0.01，則二進制編碼的位數(shù)為Nbits=log2(L/LSB)，染色體總體編碼為((x1,y1),(x2,y2),…,(xn,yn))，長度為2nN bits。

圖1 AGA算法流程

（3）自適應(yīng)遺傳操作。自適應(yīng)遺傳操作主要包括選擇算子、交叉算子和變異算子。本文采用錦標(biāo)賽選擇算子，隨機抽取個體A和個體B，然后根據(jù)個體A和個體B的適應(yīng)度值，選擇其中適應(yīng)度值最好的個體進入子代種群。精英算子則將每代最佳個體直接保留至下一代，用來替代遺傳操作后適應(yīng)度最低的個體。交叉算子和變異算子用于遺傳交叉和變異。過小的交叉概率pc和變異概率pm會導(dǎo)致算法陷入局部最優(yōu)解；過大的pc和pm會導(dǎo)致算法近似于隨機算法，從而發(fā)散過大失去遺傳算法意義。AGA算法根據(jù)每一代種群的平均適應(yīng)度，自動調(diào)節(jié)當(dāng)代種群的交叉概率pc和變異概率

其中，f'為待交叉?zhèn)€體較大的適應(yīng)度，f為待變異的個體適應(yīng)度，favg為種群平均適應(yīng)度，fmax為種群中最大的適應(yīng)度，k1,k2,k3,k4∈[0,1]。

（4）適應(yīng)度函數(shù)。適應(yīng)度用于評價遺傳種群中個體適應(yīng)環(huán)境的優(yōu)劣程度。在雷達組網(wǎng)自適應(yīng)遺傳算法中，直接選取雷達組網(wǎng)模型函數(shù)f作為適應(yīng)度函數(shù)，對每個個體在區(qū)域管制區(qū)覆蓋率和進近管制區(qū)雙重覆蓋率方面做出優(yōu)劣評價。適應(yīng)度越高，說明該個體越優(yōu)。

3 仿真分析

假設(shè)某一區(qū)域管制區(qū)范圍為500 km×500 km，進近管制區(qū)范圍為100 km×100 km，且該區(qū)域由4部不同型號雷達進行組網(wǎng)覆蓋。在2 400 m、6 800 m、10 000 m高度層，假設(shè)4部雷達探測范圍均為圓形區(qū)域，雷達A的探測范圍為130 km、270 km、350 km，雷達B的探測范圍為100 km、200 km、300 km，雷達C的探測范圍為80 km、150 km、200 km，雷達D的探測范圍為120 km、220 km、280 km。進近管制區(qū)重要系數(shù)λ=0.6，最小交叉概率pc∈[0.6,0.9]，變異概率pm=[0.001,0.01]，染色體長N=2×4×16=128位，算法迭代代數(shù)200，初始化種群100。于是，3個高度層200次的迭代結(jié)果如表1所示。

表1 三個高度層AGA算法迭代結(jié)果

200次迭代后，2 400 m高度層最優(yōu)個體適應(yīng)度為0.847 53，區(qū)域管制區(qū)覆蓋率僅為49.177 5%，進近管制區(qū)雙重覆蓋率達到100%，即進近管制區(qū)全部區(qū)域均為雙重覆蓋；6 800 m高度層最優(yōu)個體適應(yīng)度為0.987 23，區(qū)域管制區(qū)覆蓋率為95.941 6%，進近管制區(qū)雙重覆蓋率為99.991 5%；10 000 m高度層最優(yōu)個體適應(yīng)度為1.0，區(qū)域管制區(qū)覆蓋率為100%，進近管制區(qū)雙重覆蓋率達到100%。2 400 m高度層適應(yīng)度低，覆蓋率低是因為空管雷達在低高度層最大作用距離較小。

在2 400 m、6 800 m、10 000 m高度層的每代平均適應(yīng)度如圖2所示。由圖2可以看出，2 400 m高度層在0～50代適應(yīng)度迅速上升，50～126代出現(xiàn)抖動，126代達到最優(yōu)解0.847 53；6 800 m高度層在0～159處于搜索上升期，159代達到最優(yōu)解0.987 23；10 000 m高度層在進化初期適應(yīng)度迅速上升并達到1.0，后續(xù)由于個體變異在140～150代出現(xiàn)了局部平均適應(yīng)度下降的抖動，150代后重新達到全局最優(yōu)解。

圖2 三高度層AGA算法平均適應(yīng)度

圖3 、圖4、圖5分別為高度層2 400 m、6 800 m、10 000 m高度層的組網(wǎng)優(yōu)化效果圖，其中黑色矩形區(qū)域為進近管制區(qū)。

圖3 2 400 m高度層組網(wǎng)優(yōu)化效果

圖4 6 800 m高度層組網(wǎng)優(yōu)化效果

圖5 10 000 m高度層組網(wǎng)優(yōu)化效果

4 結(jié) 語

本文分析了當(dāng)前民航空管監(jiān)視雷達部署方面造成的空域覆蓋率低、雷達利用率低等問題，建立了雷達優(yōu)化部署方案，提出利用自適應(yīng)遺傳算法進行雷達部署優(yōu)化。仿真結(jié)果表明，自適應(yīng)遺傳算法能夠在要求空域范圍內(nèi)迅速收斂于最優(yōu)解，且得到的雷達部署方案能夠有效指導(dǎo)現(xiàn)實雷達部署規(guī)劃，提高了組網(wǎng)優(yōu)化效率。但是，該雷達部署數(shù)學(xué)模型在雷達作用距離方面沒有考慮現(xiàn)實地理環(huán)境對雷達作用距離的影響，也沒有考慮有限管制區(qū)域多部雷達之間的電磁兼容對雷達作用距離的影響。因此，今后的工作重點為基于電磁兼容的復(fù)雜環(huán)境下空管監(jiān)視雷達的部署優(yōu)化問題。

參考文獻：

[1] 楊仕明,柯炳清,薛正輝.基于遺傳算法的區(qū)域雷達網(wǎng)優(yōu)化布站方法[J].北京理工大學(xué)學(xué)報,2005(06):534-537.YANG Shi-ming,KE Bing-qing,XUE Zheng-hui.Optimized Deployment Method of Regional Radar Network Based on Genetic Algorithm[J].Beijing Institute of Technology,2005(06):534-537.

[2] 高尚.雷達部署優(yōu)化模型[J].應(yīng)用科學(xué)學(xué)報,2006(04):437-440.GAO Shang.Optimization Model for Radar Deployment[J].Journal of Applied Sciences,2006(04):437-440.

[3] MH/T 4003.2-2014 民用航空通信導(dǎo)航監(jiān)視臺(站)設(shè)置場地規(guī)范第2部分:監(jiān)視[S].2014.MH/T 4003.2-2014 Specification for Aeronautical Communication,Navigation and Surveillance Station Siting Criteria Part2:Surveillance[S].2014.

[4] 付鑫,張峰,馮占林.基于并行計算的混沌遺傳算法對反導(dǎo)預(yù)警雷達部署優(yōu)化研究[J].中國電子科學(xué)研究院學(xué)報,2016,11(03):276-282.FU Xin,ZHANG Feng,FENG Zhan-lin.Research of Chaos Genetic Algorithm Based on Parallel Computing for Anti-Missile Warning Radar Dispositon[J].Journal of CAFIT,2016,11(03):276-282.

[5] Fauzi M J.A Review of Genetic Algorithms and Parallel Genetic Algorithms on Graphics Processing Unit(GPU)[C].IEEE International Conference on Control System,Computing and Engineering(ICCSCE),2013.

[6] 曹潔,張玲.自適應(yīng)遺傳算法的Multi-Agent交通信號優(yōu)化控制[J].計算機工程與應(yīng)用,2016,52(13):265-270.CAO Jie,ZHANG Ling.Multi-Agent Traffic Signal Control Based on Adaptive Genetic Algorithm[J].Comupyter Engineering and Applicatinos,2016,52(13):265-270.

[7] KONG Hai-peng,LI Ni,SHEN Yu-zhong.Adaptive Double Chain Quantum Genetic Algorithm for Constrained Optimization Problems[J].Chinese Journal of Aeronautics,2015,28(01):214-228.

[8] 張玉萍.自適應(yīng)遺傳算法的研究及應(yīng)用[D].哈爾濱:哈爾濱工業(yè)大學(xué),2009.ZHANG Yu-ping.Research and Application of The Auto-Adapted Genetic Algorithm[D].Harbin:Harbin Institute of Technology,2009.