協(xié)同干擾技術(shù)應(yīng)用研究

梁猛，檀雷，陳飛，梁斌，楊帥

（中國(guó)航天科工集團(tuán)8511研究所，江蘇 南京 210007）

0 引言

隨著電子信息、人工智能等新技術(shù)的發(fā)展，體系化、網(wǎng)絡(luò)化對(duì)抗的復(fù)雜對(duì)抗電磁環(huán)境，對(duì)現(xiàn)有的單干擾設(shè)備及其干擾技術(shù)的使用方式提出了非常嚴(yán)峻的挑戰(zhàn)。單干擾設(shè)備的載荷能力相對(duì)較小，信息處理能力相對(duì)較弱，執(zhí)行任務(wù)時(shí)存在較大限制［1］，如執(zhí)行干擾任務(wù)時(shí)，設(shè)備可能會(huì)因?yàn)樾盘?hào)波束的限制而不能覆蓋整個(gè)區(qū)域；或因?yàn)樽R(shí)別能力有限而難以針對(duì)性地對(duì)敵方實(shí)施有效干擾；或受限于自身設(shè)備的能量、強(qiáng)度等性能因素，實(shí)施干擾的效果達(dá)不到預(yù)期目標(biāo)等。因此，如何充分地利用資源、有效地協(xié)同干擾、最大程度地綜合發(fā)揮干擾效能成為研究熱點(diǎn)。

在電子戰(zhàn)設(shè)備研制方面，美軍研制了ADM2141A無(wú)人機(jī)、MALD 和小型空射誘餌等誘餌無(wú)人機(jī)等，有力支撐網(wǎng)絡(luò)化協(xié)同干擾的實(shí)現(xiàn)［2］。此外，美軍Darpa-Code項(xiàng)目中的無(wú)人機(jī)協(xié)同技術(shù)、Locust項(xiàng)目中“蜂群”組網(wǎng)與協(xié)同技術(shù)等研究［3］，都旨在提高下一代體系化對(duì)抗能力。國(guó)內(nèi)許多學(xué)者進(jìn)行了大量研究，圍繞雷達(dá)組網(wǎng)方面，提出了協(xié)同干擾部署方法［4］、多種雷達(dá)干擾資源分配模型［5］等，提高了干擾資源的利用效率；針對(duì)協(xié)同干擾決策方面，研究基于生物群智能的協(xié)同任務(wù)分配和干擾決策方法［6］等，近幾年，深度強(qiáng)化學(xué)習(xí)算法［7］、博弈論［8］等理論工具被廣泛應(yīng)用于解決復(fù)雜場(chǎng)景下多干擾協(xié)同領(lǐng)域的智能化協(xié)同干擾問題，也推動(dòng)著電子戰(zhàn)技術(shù)與應(yīng)用的智能化發(fā)展［9］。

上述國(guó)內(nèi)外研究主要是對(duì)雷達(dá)組網(wǎng)、干擾資源分配等具體技術(shù)進(jìn)行了研究，本文在此基礎(chǔ)上，圍繞協(xié)同干擾系統(tǒng)涉及的關(guān)鍵技術(shù)、協(xié)同干擾的形式等方面做分析和研究。

1 協(xié)同干擾技術(shù)

1.1 關(guān)鍵技術(shù)

協(xié)同干擾，即多個(gè)電子干擾設(shè)備按照一定的部署位置、工作方式，在時(shí)、頻、空等域動(dòng)態(tài)調(diào)度資源和調(diào)整行為，以期最優(yōu)地完成對(duì)抗目標(biāo)的過程［10］。在協(xié)同過程中，需要綜合考慮目標(biāo)協(xié)同、資源協(xié)同、過程協(xié)同、結(jié)果協(xié)同。即如何構(gòu)建合適的協(xié)同模型/機(jī)制、如何高效進(jìn)行數(shù)據(jù)融合和處理、如何優(yōu)化任務(wù)分解與分配、如何優(yōu)化協(xié)同干擾決策和配置干擾資源、如何建立全面的干擾效能評(píng)估，是實(shí)現(xiàn)高效協(xié)同干擾的關(guān)鍵。

1.2 協(xié)同模型

協(xié)同干擾系統(tǒng)需要協(xié)調(diào)的是干擾設(shè)備之間的相互關(guān)系，協(xié)同模型就是要提供一個(gè)對(duì)干擾設(shè)備之間的相互作用進(jìn)行規(guī)范的形式化框架。協(xié)同模型架構(gòu)設(shè)計(jì)主要包括各單體之間的通信方式和控制模式。常用模型架構(gòu)有集中式、分布式和混合式3種［11］。

1）集中式結(jié)構(gòu)。集中式結(jié)構(gòu)中存在一個(gè)中央節(jié)點(diǎn)，該節(jié)點(diǎn)負(fù)責(zé)系統(tǒng)的全局信息處理、任務(wù)規(guī)劃以及資源的統(tǒng)籌協(xié)調(diào)等。其他節(jié)點(diǎn)按照分配的任務(wù)進(jìn)行具體問題的解決，且具備同時(shí)處理任務(wù)的能力。

2）分布式結(jié)構(gòu)。分布式結(jié)構(gòu)中節(jié)點(diǎn)無(wú)主次之分，各個(gè)節(jié)點(diǎn)具備同樣的信息處理、交互、決策的能力。

3）混合式結(jié)構(gòu)?；旌鲜浇Y(jié)構(gòu)綜合了上述2種模式的優(yōu)點(diǎn)，是最常用的一種協(xié)同關(guān)系模型。系統(tǒng)中的節(jié)點(diǎn)具備層次結(jié)構(gòu)，上層節(jié)點(diǎn)具備對(duì)下層節(jié)點(diǎn)的任務(wù)分配、資源分配等調(diào)度權(quán)力。而同層級(jí)的節(jié)點(diǎn)地位、能力等同，且具備信息交互的能力。

1.3 數(shù)據(jù)融合技術(shù)

協(xié)同系統(tǒng)具有對(duì)多種信息的感知能力、如何實(shí)時(shí)地、精確地處理多維信息是實(shí)現(xiàn)協(xié)同的第一步［12］。圍繞信息融合處理的深度，信息融合分為數(shù)據(jù)層融合、特征層融合以及決策層融合［13］。數(shù)據(jù)融合技術(shù)層次架構(gòu)如圖1所示。

圖1 數(shù)據(jù)融合技術(shù)層次架構(gòu)

1）數(shù)據(jù)層融合。數(shù)據(jù)層融合直接對(duì)原始數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換、異常處理等預(yù)處理。優(yōu)點(diǎn)是不存在信息丟失，結(jié)果可信度最高。但是對(duì)數(shù)據(jù)的數(shù)據(jù)格式、系統(tǒng)的數(shù)據(jù)傳輸能力、時(shí)空一致性等要求嚴(yán)格。數(shù)據(jù)處理采用的主要數(shù)學(xué)方法是卡爾曼濾波、貝葉斯估計(jì)和參數(shù)估計(jì)法等［14］。

2）特征層融合。特征層融合利用特征提取等手段實(shí)現(xiàn)數(shù)據(jù)的降維梳理和融合。該技術(shù)對(duì)系統(tǒng)的數(shù)據(jù)處理能力和通信能力要求相對(duì)較低，但存在信息丟失的問題及精度下降的缺點(diǎn)。特征處理主要采用搜索樹方法［15］、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法［16］等。

3）決策層融合。決策層融合是在各節(jié)點(diǎn)將信息處理完之后再進(jìn)行認(rèn)知層面的融合。決策層融合具有抗干擾能力強(qiáng)、通信量小、對(duì)傳感器依賴程度低等優(yōu)點(diǎn)，但對(duì)節(jié)點(diǎn)的能力要求較高。決策層融合技術(shù)可采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法［16］、貝葉斯方法［17］、證據(jù)理論法［18］等。

1.4 任務(wù)分解與分配

單個(gè)干擾機(jī)的能力是有限的，需要通過合作才能完成復(fù)雜的任務(wù)。因此，在數(shù)據(jù)處理后，需要將復(fù)雜的任務(wù)進(jìn)行分解，并將任務(wù)分配給合適的節(jié)點(diǎn)來(lái)完成，最終完成整個(gè)任務(wù)。任務(wù)分解是分配的前提，一個(gè)好的任務(wù)分解方法可以使系統(tǒng)的執(zhí)行變得更加容易和高效。

任務(wù)分解需要遵守一定的準(zhǔn)則，如考慮任務(wù)所消耗的時(shí)間、費(fèi)用等因素。通常，任務(wù)分解遵循以下原則。

1）層次型原則。通過構(gòu)建合理的任務(wù)層次結(jié)構(gòu)，將復(fù)雜問題進(jìn)一步分解為更容易執(zhí)行的子問題。

2）獨(dú)立性原則。任務(wù)分解的粒度應(yīng)與單節(jié)點(diǎn)的能力相適應(yīng)。獨(dú)立性原則可以提高系統(tǒng)節(jié)點(diǎn)的并行能力，增強(qiáng)系統(tǒng)的穩(wěn)健性。

3）完整性原則。完整性指子任務(wù)的解決等價(jià)于整體任務(wù)的解決。

4）均勻性原則。均勻性原則是指分解后的任務(wù)粒度相當(dāng)，避免不同任務(wù)執(zhí)行時(shí)間不均而導(dǎo)致負(fù)載不均衡等問題。

在任務(wù)分解之后，通常進(jìn)行協(xié)同干擾集的劃分，即任務(wù)目標(biāo)的分配，基本過程如圖2所示。任務(wù)分配是干擾節(jié)點(diǎn)分組的活動(dòng)，目的是為干擾機(jī)確定任務(wù)目標(biāo)。常用的任務(wù)分配方法分為2類，一種是基于運(yùn)籌學(xué)的方法［19］，如利用狼群算法在可行解空間中隨機(jī)搜索，實(shí)現(xiàn)最佳的任務(wù)目標(biāo)分配方案；另一種是基于多智能體協(xié)作的方法［20］，每個(gè)智能體依據(jù)感知信息和協(xié)同信息實(shí)現(xiàn)目標(biāo)的自主規(guī)劃和解決，最終實(shí)現(xiàn)任務(wù)目標(biāo)的劃分，具有強(qiáng)大的自主能力。

圖2 任務(wù)分解與分配

1.5 協(xié)同干擾決策

協(xié)同干擾決策是協(xié)同干擾系統(tǒng)的核心模塊，能根據(jù)獲得的態(tài)勢(shì)和任務(wù)目標(biāo)去輸出合適的干擾策略決策，在決策過程中，進(jìn)行干擾資源的分配和調(diào)度。同時(shí)，根據(jù)干擾效果的評(píng)估結(jié)果優(yōu)化下一次干擾決策策略。協(xié)同干擾決策的架構(gòu)如圖3所示。

協(xié)同決策技術(shù)是平臺(tái)控制技術(shù)與智能算法的高度融合，通過對(duì)決策問題進(jìn)行推理和智能判斷，不僅可以對(duì)決策者進(jìn)行一定的決策輔助，而且可以在特定領(lǐng)域中代替人類進(jìn)行自主決策、制定方案，減少由人自身主觀情感等原因?qū)е碌臎Q策失誤或偏差，以達(dá)到精準(zhǔn)、快速?zèng)Q策的目的［21］。

干擾資源的分配調(diào)度是干擾決策的基礎(chǔ)。在多目標(biāo)干擾任務(wù)中，如何最優(yōu)地為不同的干擾設(shè)備分配資源是一種多目標(biāo)優(yōu)化問題。根據(jù)不同分配算法的特點(diǎn)，如基于傳統(tǒng)遍歷搜索算法［4］、基于群智能算法［5］或者基于機(jī)器學(xué)習(xí)的資源分配算法［22］等，干擾資源分配的效果也大不一樣。

1.6 干擾效果評(píng)估

協(xié)同干擾效果評(píng)估是協(xié)同系統(tǒng)的最終環(huán)節(jié)，評(píng)估結(jié)果一方面反映系統(tǒng)協(xié)同能力、干擾效果的高低，另一方面，可作為協(xié)同干擾策略改善的依據(jù)。協(xié)同干擾效果評(píng)估主要包括評(píng)估準(zhǔn)則的確定和評(píng)估指標(biāo)的選取，并且不同樣式的干擾信號(hào)對(duì)評(píng)估準(zhǔn)則的影響因子也不同［23］。合理的干擾指標(biāo)能更好地反映干擾的效能。

一種可行的協(xié)同干擾評(píng)估方法是在選取評(píng)估指標(biāo)（如截獲概率和跟蹤精度）之后，針對(duì)不同的雷達(dá)給出相應(yīng)的指標(biāo)評(píng)估值并將其重要性作為權(quán)重獲得系統(tǒng)的干擾效能評(píng)估。其中，重點(diǎn)是建立系統(tǒng)的干擾效益矩陣和目標(biāo)函數(shù)。協(xié)同干擾效果評(píng)估模型架構(gòu)如圖4所示。

圖4 協(xié)同干擾效果評(píng)估模型架構(gòu)

2 協(xié)同干擾的典型應(yīng)用形式

隨著信息化的高度發(fā)展，傳統(tǒng)對(duì)抗形式正向著體系化多維對(duì)抗轉(zhuǎn)變，這種轉(zhuǎn)變促使信息戰(zhàn)也向多功能、多任務(wù)的綜合性方向發(fā)展［24］。在新形勢(shì)下。協(xié)同干擾便是其中重要的趨勢(shì)。根據(jù)使用方法的區(qū)別，協(xié)同干擾分為3種形式，一是目前主流的雷達(dá)組網(wǎng)協(xié)同系統(tǒng)［3］；二是基于生物集群算法的協(xié)同干擾，一般應(yīng)用于大規(guī)模集群系統(tǒng)中［5］；三是基于多智能體算法的協(xié)同，是新一代高效干擾系統(tǒng)的重要發(fā)展方向［24］。

2.1 基于雷達(dá)組網(wǎng)的協(xié)同干擾應(yīng)用

現(xiàn)代戰(zhàn)場(chǎng)上，組網(wǎng)雷達(dá)的體系對(duì)抗已是一種重要的對(duì)抗模式，它突破了設(shè)備一對(duì)一對(duì)抗的局限性。組網(wǎng)雷達(dá)給傳統(tǒng)干擾手段帶來(lái)嚴(yán)峻挑戰(zhàn)，與之對(duì)抗的協(xié)同干擾技術(shù)也逐漸發(fā)展起來(lái)。雷達(dá)組網(wǎng)的典型架構(gòu)如圖5所示，組網(wǎng)內(nèi)含有不同類型的雷達(dá)等設(shè)備，通過有線或無(wú)線的方式將這些部署在不同位置的設(shè)備聯(lián)系起來(lái)構(gòu)成一個(gè)干擾系統(tǒng)。組網(wǎng)內(nèi)各雷達(dá)將感知到的信息統(tǒng)一交由信息中心進(jìn)行處理，并由該中心進(jìn)行任務(wù)的下發(fā)和資源的協(xié)調(diào)，從而完成整體干擾或防御等任務(wù)。

在雷達(dá)組網(wǎng)協(xié)同干擾系統(tǒng)中主要包括3大技術(shù)，一是自組網(wǎng)的部署方式，二是多傳感器的信息融合技術(shù)，三是協(xié)同干擾資源分配技術(shù)。

協(xié)同干擾資源分配是實(shí)施協(xié)同干擾的關(guān)鍵一步，是建立在自組網(wǎng)通信與數(shù)據(jù)融合基礎(chǔ)上的一種協(xié)同技術(shù)。它根據(jù)系統(tǒng)內(nèi)傳輸?shù)恼J(rèn)知信息來(lái)進(jìn)行干擾任務(wù)的分配和資源的調(diào)度，以實(shí)現(xiàn)最佳干擾效果。大量專家學(xué)者針對(duì)資源分配、組網(wǎng)干擾效果進(jìn)行了研究。如張大琳［25］針對(duì)多目標(biāo)組網(wǎng)雷達(dá)系統(tǒng)場(chǎng)景，提出了面向干擾任務(wù)的多干擾機(jī)資源聯(lián)合優(yōu)化分配方法；張樣瑞［26］等人基于檢測(cè)概率，研究雷達(dá)網(wǎng)協(xié)同干擾效果評(píng)估方法等。

2.2 基于群智能算法的協(xié)同干擾應(yīng)用

生物集群在局部感知、個(gè)體行為簡(jiǎn)單的條件下實(shí)現(xiàn)了復(fù)雜的行為模式，與協(xié)同干擾系統(tǒng)實(shí)現(xiàn)干擾的協(xié)同與自主控制的要求相符合，對(duì)如何設(shè)計(jì)協(xié)同系統(tǒng)，使之能夠相互協(xié)調(diào)合作，完成復(fù)雜的任務(wù)，具有非常重要的參考意義。

典型的生物群體行為通過獨(dú)特的機(jī)制可形成協(xié)調(diào)有序的群體。許多學(xué)者從群智能算法中受到了啟發(fā)，比如，唐國(guó)強(qiáng)將蟻群算法進(jìn)行了改進(jìn)，用于解決協(xié)同干擾資源的多目標(biāo)分配問題［27］；陳奕琪利用群智能算法實(shí)現(xiàn)了多目標(biāo)的干擾決策［28］；柳向等人提出了基于改進(jìn)遺傳算法的協(xié)同干擾資源分配方法等［29］。

一種基于智能生物集群算法的協(xié)同干擾系統(tǒng)方案如圖6所示。該方案包括：1）數(shù)據(jù)處理系統(tǒng)，負(fù)責(zé)多源數(shù)據(jù)的采集、融合以及態(tài)勢(shì)分析；2）通信系統(tǒng)，負(fù)責(zé)信息的傳輸與交互；3）決策系統(tǒng)，協(xié)同系統(tǒng)的核心，負(fù)責(zé)任務(wù)的分配，包括集群任務(wù)協(xié)同決策、個(gè)體干擾行為決策以及協(xié)同效果評(píng)估；4）控制系統(tǒng)，負(fù)責(zé)干擾機(jī)等設(shè)備的具體行為控制。其中，集群的協(xié)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）實(shí)現(xiàn)。

2.3 基于多智能體系統(tǒng)的協(xié)同干擾應(yīng)用

多智能體系統(tǒng)（MAS），也稱為自組織系統(tǒng)，是由多個(gè)交互的智能主體組成的協(xié)同系統(tǒng)，可以解決單個(gè)智能體或整個(gè)系統(tǒng)難以解決或無(wú)法解決的問題。一般地，MAS具有以下3個(gè)特點(diǎn)：1）有限的自主能力。系統(tǒng)中每個(gè)節(jié)點(diǎn)具備環(huán)境感知、信息處理、推理決策以及為解決復(fù)雜任務(wù)與周圍節(jié)點(diǎn)進(jìn)行信息交互的能力。2）較高的靈活性和擴(kuò)展性。智能體系統(tǒng)因其節(jié)點(diǎn)的自主能力通常采用分布式控制模式，系統(tǒng)具備應(yīng)對(duì)節(jié)點(diǎn)的退出或中途加入的能力。3）目標(biāo)的一致性。單個(gè)節(jié)點(diǎn)對(duì)抗效果最大化的決策目標(biāo)與系統(tǒng)的決策目標(biāo)“協(xié)同效果最優(yōu)”相一致。

智能體的概念產(chǎn)生于人工智能領(lǐng)域，一個(gè)智能體是處在某個(gè)環(huán)境的計(jì)算機(jī)系統(tǒng)，該系統(tǒng)能根據(jù)自身對(duì)環(huán)境的觀察和感受，按照自己的知識(shí)做出行為與環(huán)境交互并基于反饋改善自身行為。一個(gè)智能體如圖7所示，具有環(huán)境感知模塊、信息處理與認(rèn)知模塊、智能決策模塊、行為模塊等。

MAS由分布式人工智能演化而來(lái)，其研究是為通過自身資源和計(jì)算能力有限的單智能體之間的協(xié)同來(lái)應(yīng)對(duì)錯(cuò)綜復(fù)雜的現(xiàn)實(shí)環(huán)境［30］?；贛AS的協(xié)同干擾系統(tǒng)是多智能體思想與協(xié)同干擾的有機(jī)結(jié)合，如圖8所示是一種基于MAS的協(xié)同干擾系統(tǒng)方案［7］。

在系統(tǒng)中，一個(gè)干擾設(shè)備稱為一個(gè)智能體，其具備主動(dòng)感知戰(zhàn)場(chǎng)環(huán)境，并與系統(tǒng)內(nèi)其他智能體進(jìn)行交互來(lái)實(shí)現(xiàn)干擾任務(wù)的自主分配和協(xié)同的能力。同時(shí)，根據(jù)應(yīng)用效果評(píng)估和環(huán)境的反饋，能夠不斷優(yōu)化自身的行為和協(xié)同策略，最終學(xué)習(xí)到最優(yōu)的協(xié)同策略。

3 結(jié)束語(yǔ)

在當(dāng)前電子對(duì)抗體系化、智能化的發(fā)展背景下，協(xié)同干擾技術(shù)的實(shí)戰(zhàn)化應(yīng)用仍面臨嚴(yán)峻的挑戰(zhàn)：電磁環(huán)境具有強(qiáng)對(duì)抗性和動(dòng)態(tài)性，干擾機(jī)在未知的狀態(tài)下難以實(shí)時(shí)地進(jìn)行各種干擾任務(wù)的協(xié)同與決策；當(dāng)前多干擾機(jī)協(xié)同需要一種新的適應(yīng)異構(gòu)群體的協(xié)同對(duì)抗策略作為支撐，但由于對(duì)環(huán)境的重度依賴難以形成某領(lǐng)域的通用性策略。雷達(dá)干擾涉及信號(hào)層面對(duì)抗，深入結(jié)合信號(hào)傳播、耦合等效應(yīng)的協(xié)同干擾仍有待研究和攻克。

當(dāng)然，在以體系對(duì)抗體系的現(xiàn)代化對(duì)抗中，協(xié)同干擾技術(shù)是新電子戰(zhàn)技術(shù)的熱點(diǎn)，認(rèn)知化、智能化應(yīng)用更是領(lǐng)域共識(shí)。在協(xié)同電子對(duì)抗關(guān)鍵技術(shù)方面，仍需要就主動(dòng)感知技術(shù)、自主干擾決策技術(shù)、協(xié)同與控制技術(shù)、多干擾要素耦合條件下的干擾協(xié)同等技術(shù)展開研究來(lái)應(yīng)對(duì)新背景下的新挑戰(zhàn)。