摘要
随着飞行器的速度不断提高以及干扰平台不断趋于智能化，对相控阵雷达（Phased-ArrayRadar，PAR）资源分配的有效性和实时性上提出了更高的要求。能否快速且合理地制定PAR资源分配策略，使PAR在复杂多变的干扰情况下有效完成既定任务成为了研究的关键。本文结合机器学习算法和博弈理论研究了PAR的时间资源分配问题。本文主要工作内容如下： (1)针对引导信息下的相控阵雷达快速搜索问题，提出了一种基于混合变量规划的时间资源优化分配算法。将波束扫描顺序以及压制干扰考虑在内，建立了包含波束扫描顺序以及驻留时间变量的时间资源优化分配模型；使用离散变量连续化方法结合乘子法对模型进行求解，并在此基础上采用深度神经网络（DeepNeuralNetworks，DNN）对资源分配结果进行快速拟合。仿真实验表明，该方法有效地缩短了压制干扰下目标的发现时间，并将得到资源分配结果的时间降低了几十倍。 (2)针对PAR多目标跟踪下各目标威胁度不同的问题，提出了一种基于威胁度的多目标跟踪时间资源优化分配模型。该模型可根据目标威胁程度的不同采用不同的时间资源分配方法。由于传统的遗传算法对模型求解时耗时巨大，本文提出了一种基于堆栈自编码器（StackedAutoEncoder，SAE）的时间资源分配拟合方法，将各目标状态作为输入，各目标的驻留时间作为输出。计算机仿真表明，该模型及方法可以使得各目标跟踪维持在最佳状态，同时SAE将计算耗时降低了千倍之多。 (3)考虑到智能干扰平台实时变更干扰样式与强度对PAR时间资源分配的影响，提出了基于博弈论（GameTheory，GT）的PAR时间资源优化分配方法。以PAR和目标为博弈双方建立有限策略下的二人零和博弈（TwoPersonZero-SumGame，TPZSG）模型；依次分析单边博弈（UnilateralGame，UG）、等级博弈（HierachicalGame，HG）以及对称博弈（SymmetricGame，SG）下博弈双方的资源分配策略以及效益，通过对称博弈下的纳什均衡求解得到PAR最优的资源分配策略。实验结果表明，在动态干扰情况下，该方法不仅可以相对稳定地增加跟踪目标数，还能整体提高跟踪性能。
NETL