董詩音，范云鋒，孫全，趙佳歡，嚴春純

（1.上海機電工程研究所，上海 201109；2.南京航空航天大學 航天學院，江蘇 南京 210016；3.上海利正衛(wèi)星應用技術有限公司，上海 201109）

隨著裝備技術的發(fā)展，現(xiàn)代戰(zhàn)爭作戰(zhàn)節(jié)奏不斷加快。要素化集成各類傳感器、火力單元等核心裝備，構建柔性、靈活作戰(zhàn)體系成為現(xiàn)代戰(zhàn)爭重要的發(fā)展趨勢。其中，要素級防空部署優(yōu)化問題是體系化作戰(zhàn)準備階段的核心問題。

對于部署優(yōu)化問題，目前已經(jīng)有很多學者使用了多種思路進行建模與求解研究。文獻［1］以多要地保衛(wèi)為背景，采用遺傳算法求解多武器裝備部署問題；文獻［2］提出了基于狀態(tài)壓縮的雷達部署優(yōu)化模型，并基于圖論算法進行快速求解；文獻［3］提出了基于探測覆蓋、火力覆蓋分析的防空裝備優(yōu)化模型，并采用遺傳算法求解；文獻［4］采用粒子群算法優(yōu)化傳感器部署，采用匈牙利算法優(yōu)化火力單元部署?？傮w來說，部署優(yōu)化問題的研究已經(jīng)初具雛形［5-6］。

但是現(xiàn)有研究的部署對象往往是武器系統(tǒng)，難以適應未來要素級集成作戰(zhàn)運用的需求。同時，現(xiàn)有研究往往只關注尋優(yōu)過程，然而隨著問題規(guī)模的增大、考慮因素的增多，計算優(yōu)化目標函數(shù)的過程往往會消耗大量時間，也會影響優(yōu)化計算效率［7-8］。

因此，為解決要素級防空部署高效優(yōu)化問題，本文提出了一種基于代理模型的要素級防空部署混合優(yōu)化方法。即設計探測和火力2 個方面的部署方案評估指標，利用一維卷積神經(jīng)網(wǎng)絡建立部署評估代理模型，以裝備間的通信需求為約束條件，以提升部署方案評估指標為優(yōu)化目標，選用遺傳算法進行尋優(yōu)，并通過仿真實例對該方法的有效性進行對比驗證。

1 要素級防空部署優(yōu)化問題建模

1.1 要素級防空部署問題分析

要素級防空部署的核心是通過部署探測單元、火力單元和通信設備，實現(xiàn)對區(qū)域內多要地的最大化綜合防御。其中，探測單元的任務是針對典型目標完成預警、探測、識別等信息處理工作；火力單元的任務是根據(jù)攔截命令和目標信息執(zhí)行攔截工作，保衛(wèi)要地；通信設備的任務是聯(lián)結各類單元，傳遞交互信息，一般搭載于探測單元和火力單元上［3］。

其中，各個單元的部署均受地形參數(shù)限制，主要包括地形和地貌2 個部分；探測單元能力的發(fā)揮受地形遮蔽影響較大；火力單元能力的發(fā)揮受探測覆蓋范圍限制；探測單元和火力單元的串聯(lián)受通信單元能力限制。

根據(jù)上述分析，可見要素級防空部署問題為已知的保衛(wèi)要地、未知的來襲目標，在地形參數(shù)已知的部署區(qū)域內部署裝備，從而對保衛(wèi)要地形成最大程度的掩護。

優(yōu)化目標和約束函數(shù)如下：（1）有效作戰(zhàn)區(qū)域內的探測能力盡量大；（2）有效作戰(zhàn)區(qū)域內探測支撐下的火力單元掩護能力盡量大。

形成的約束條件如下：（1）可用探測單元和火力單元形成通信連接關系；（2）各個單元部署滿足地形要求。

1.2 要素級防空部署模型

1.2.1 屬性定義

設保衛(wèi)要地的位置為P（x，y），部署區(qū)域網(wǎng)格化后，各點Pij的地形參數(shù)取值為0 或1，1 表示支持部署，0 表示無法部署；有n個探測單元，每個探測單元有坐標pi=(xi，yi)，i=1，2，…，n，探測半徑Rs 有2 個屬性；有m個火力單元，每個火力單元有坐標pdj=(xj，yj)，j=1，2，…，m，有效射程d有2 個屬性；通信單元可以在通信距離限制內實現(xiàn)探測、火力單元的通聯(lián)。

1.2.2 約束條件

約束條件主要有各單元的部署條件約束以及性能約束。

部署條件約束可以描述為

性能約束主要為通信能力約束，已知探測單元與火力單元間的通信關系，則要求其部署距離r滿足如下約束：

1.2.3 目標函數(shù)

優(yōu)化目標為掩護能力最強，以保衛(wèi)要地為中心，計算任意來襲方向上目標被探測覆蓋的長度S，作為目標函數(shù)。

設保衛(wèi)要地發(fā)出的射線與火力單元有效射程相交的部分為掩護段，則被探測單元覆蓋的掩護段，即為有效掩護段fgi，i=1，2，…，g。

最終獲得部署優(yōu)化模型為

2 混合優(yōu)化模型設計

通過使用特定的優(yōu)化算法和損失函數(shù)，設計合適的一維卷積神經(jīng)網(wǎng)絡結構。

2.1 基于一維卷積神經(jīng)網(wǎng)絡的代理模型

采用一維卷積神經(jīng)網(wǎng)絡在模式學習平移不變性和空間層次結構中的優(yōu)勢進行多參數(shù)的回歸分析。使用Adam 優(yōu)化算法，兼顧自適應學習率梯度下降算法和動量梯度下降算法的優(yōu)點，既能適應稀疏梯度，又能緩解梯度振蕩的問題。其表達式如下：

式（1）中，gt為權重梯度，n為小批次樣本數(shù)量，θ為權重，t為時間步，f（x，θ）為卷積神經(jīng)網(wǎng)絡正向推理結果，y為真實標簽，L（y，y）為損失函數(shù)。

通過使用不同損失函數(shù)對本文的數(shù)據(jù)集進行訓練并選取最適用于本文的損失函數(shù)，最終確定使用均方誤差。本文使用Sigmoid激活函數(shù)。

卷積神經(jīng)網(wǎng)絡進行回歸分析時需要訓練數(shù)據(jù)集，而在部署評估代理模型中，我方保衛(wèi)要地、我方裝備能力、我方部署方案和部署方案評估可作為訓練數(shù)據(jù)集。

采取二進制方式對輸入進行編碼，其中保衛(wèi)要地、裝備能力等因素各占據(jù)一定長度。同時采用定長的卷積核對輸入編碼進行卷積操作。如圖1 所示。卷積輸出為

圖1 編碼方式示意圖Fig.1 Schematic diagram of coding mode

然后，采用“離線訓練”的應用方式，基于訓練數(shù)據(jù)集展開訓練，保證應用于遺傳算法框架中的代理模型較為準確和成熟，具體訓練流程如圖2所示。

圖2 代理模型訓練方式Fig.2 Training mode of agent model

2.2 遺傳優(yōu)化算法

2.2.1 初始種群的產(chǎn)生

根據(jù)部署區(qū)域的網(wǎng)格進行二進制編碼，則

任意部署方案染色體為

2.2.2 遺傳與變異操作

（1）交配池的產(chǎn)生。交配池為上一代染色體傳承到下一代的載體，池內的染色體數(shù)量與種群中的染色體總數(shù)相同。本文采用輪盤賭的方式在上一代染色體中選擇性復制，即更優(yōu)秀的個體有更大的概率被復制下來。

（2）染色體交叉操作。在產(chǎn)生交配池后，采用遺傳算法進行交叉操作產(chǎn)生新的個體，本文在被選中要執(zhí)行交叉操作的一對染色體上隨機取交叉點，將交叉點前的染色體點位進行對應的互換。

（3）染色體變異操作。在產(chǎn)生交配池后，采用遺傳算法進行變異操作產(chǎn)生新的個體，本文在選被中要執(zhí)行變異操作的一條染色體上隨機取一個變異點，然后隨機改變該點位的取值。

2.3 要素級防空部署混合優(yōu)化數(shù)學模型

按照本文的結構編碼方式，總體優(yōu)化算法流程如圖3 所示，首先隨機生成大量部署方案后，根據(jù)設計的部署方案評估指標計算得到部署方案及評估數(shù)據(jù)，并針對要素級部署優(yōu)化的特點，通過二進制編碼方式對我方保衛(wèi)要地、我方裝備能力、我方部署方案和部署方案評估等數(shù)據(jù)進行編碼，經(jīng)過一維卷積神經(jīng)網(wǎng)絡模型訓練得到部署評估代理模型。在該代理模型的基礎上，使用遺傳優(yōu)化算法進行尋優(yōu)。

3 仿真驗證

3.1 仿真場景及算例設計

假設保衛(wèi)要地的坐標為（0，0），保衛(wèi)要地附近部署范圍為100 km，網(wǎng)格邊長為1 km。

探測單元和火力單元各有3 種型號，相關屬性參數(shù)如表1所示，通信關系如表2所示。

表1 武器系統(tǒng)屬性參數(shù)Tab.1 Weapon system attribute parameters

表2 通信關系矩陣Tab.2 Communication relationship matrix

3.2 仿真結果及分析

由圖4 可以看出，種群在迭代過程中逐漸淘汰適應度較低的個體，產(chǎn)生并保留優(yōu)秀個體，也證實了算法的有效性。

圖4 “適應值-迭代次數(shù)”進化曲線Fig.4 “Fitness-iteration number” evolution curve

將同等條件下兵力部署場景要素參數(shù)作為傳統(tǒng)遺傳策略兵力部署優(yōu)化的輸入進行仿真，并將10 次仿真結果中最優(yōu)解適應值最大值、平均值、標準差與優(yōu)化計算時間取平均值，與基于改進遺傳算法的優(yōu)化仿真相應結果進行對比，結果如表3所示。

表3 傳統(tǒng)遺傳與混合優(yōu)化結果對比Tab.3 Comparison of traditional genetic and hybrid optimization results

4 總結

本文針對要素級防空部署優(yōu)化問題，構建要素級防空部署數(shù)學模型，設計合理的代理模型，并將其融入經(jīng)典遺傳算法框架中。在保證良好全局最優(yōu)解的基礎上有效降低算法優(yōu)化時間，提升效率，為處理可行解眾多、約束條件復雜的防空兵力部署優(yōu)化問題提供高效可行的新方法。后續(xù)可在此基礎上，進一步細化、豐富部署評估指標，切實解決要素級防空部署過程中的痛點、難點。