强对抗环境下电子防空光电干扰目标分配

现代战争中空袭因其突然性和破坏力成为袭击敌方重要目标的主要手段,因此,构建严密的电子防空体系成为对抗空袭的重要举措。光电干扰作为电子防空体系的重要组成部分[1],通过削弱和破坏敌方光电设备和光电制导武器,来达到保护己方重要目标安全的目的。然而在军事强国间的战争中,光电干扰不仅会因空袭兵器的发展而导致难以有效地干扰目标,还会因空袭作战样式变化而导致所需干扰的目标数量增多,并且作为防空配系的光电干扰装备也将成为空袭所打击的重点。因此针对强对抗环境下光电干扰目标的变化,合理分配光电干扰资源,既可使干扰效能最大化,又可以节约干扰资源,从而更好地保护己方重要目标的安全。

目前,国内针对光电干扰目标分配的研究,主要集中于光电干扰目标分配模型的建立和求解算法的改进。文献[2]首次将遗传算法与光电干扰目标分配模型相结合,提供了光电干扰目标分配的思路,文献[3]则在文献[2]的基础上使用了量子计算理论对遗传算法求解过程进行了优化,文献[4]提出了基于知识推理的威胁等级判定方法,建立以干扰效能指数最大化为目标的干扰分配数学模型,文献[5]以光电干扰威胁度作为目标分配的重要依据,并使用了遗传算法进行求解。

然而,现有的光电干扰目标分配模型一方面不适用于多模制导武器或拥有多模探测能力的作战飞机来袭时的目标分配,另一方面当干扰目标数量较少时,往往会为目标过度地分配干扰资源,导致在强对抗环境下光电干扰装备暴露自身从而易遭敌方打击。此外,当近饱和干扰时,目标分配受威胁度评估主观影响也不够合理。因此针对以上问题,本文提出了强对抗环境下电子防空光电干扰目标分配模型,模型根据强对抗环境下光电干扰目标的变化,重新设计了光电干扰效能函数,优化了目标威胁程度,并设置干扰资源使用度作为奖励条件。此外,结合光电干扰装备的作战特点对遗传算法进行了改进,通过设置奖励函数并将基于约束条件生成的初始种群与分段交叉变异的策略相结合,使算法在提升搜索精度的同时无需在交叉操作中进行冲突消解,进一步加快了算法的运行速度。

1 强对抗环境下光电干扰目标分析

强对抗环境通常产生于军事强国间的战争中,且仅出现在战役战争的局部。在强对抗环境中,参战各方不仅均在信息化和智能化的作战体系下实施作战,还会在作战中投入大量的对抗兵力和先进的武器装备,导致攻守难度和对抗的激烈程度大大增加,因此强对抗环境下作战胜负将直接影响到战争全局。而空袭作为现代战争的开端,因战争各方的兵力和武器装备均处于完备状态,通常将在强对抗环境下实施,因此为在强对抗环境下能够高效打击目标从而夺取并保持制空权,空袭发生了以下变化:

1) 作战飞机趋向隐身。遂行空袭的作战飞机不仅要躲避防空体系的预警侦察以达成空袭的突然性,还要在与敌方拦截飞机和地空导弹的对抗中获得优势。因此作战飞机,尤其穿透敌防空区实施空袭的作战飞机均会具备隐身能力。

2) 有人无人混合编组。随着空袭作战目标的增多,作战飞机需要携带更多武器实施打击,受限于有人机造价高昂且载弹量少,因此通常会为有人机配备2架以上的成本较低的无人僚机协同作战。

3) 防区内外联动打击。空袭不仅使用隐身飞机穿透防空区实施临空轰炸,还在防空区外增加可发射大量巡航导弹或高超音速导弹的“武库机”实施远程精确打击。

因此伴随着强对抗环境下空袭的变化,光电干扰目标也呈现出以下的特点:

1) 多模制导难以干扰。常见的单模光电制导武器如“宝石路”、“小牛”等,一方面因其体积重量较大,不利于隐身飞机携带,另一方面单模制导受天气影响和光电干扰影响较大,因此新型制导武器在减少体积重量的同时还集成了多种制导模式,以美军GBU-53/B“风暴破坏者”为例,在GPS/INS制导的基础上不仅加装了集激光半主动制导、红外制导和毫米波制导于一体的导引头,还装备了双向数据链,使得光电干扰难度大大增加。

2) 依托隐身难以侦察。机载光电设备包括前视红外设备、激光测距设备和光电探测设备等,而隐身飞机则将这些设备集成于机载光电瞄准系统和分布式孔径系统中,依托作战飞机本身的隐身能力,不轻易进行主动探测,因此难以被预警侦察体系发现。此外,部分防区外制导武器也使用隐身手段来躲避防空体系的预警侦察,如美军AGM-158B“联合防区外空对地导弹”,在使用隐身结构设计和吸波涂料的基础上进行低空飞行,被探测到的可能性大大降低。

3) 数量增多难以防抗。尽管在强对抗环境下空袭依然将精确打击作为主要手段,但由于无人僚机和“武库机”提升了空袭的打击能力,因此单个目标可能会遭受更多的制导武器打击,并且由于作战飞机数量增多,机载光电设备也随之增多。此外,在基于杀伤链的快速打击流程下,若既定目标未被摧毁或探测到新目标,空袭作战飞机可在短时间内实施更大规模的重复打击。

2 光电干扰目标分配模型

2.1 分配方案

假设为保护己方某重要目标安全,在重要目标附近共部署m个光电干扰装备,某时刻空情和光电对抗系统共侦察到n个来袭的作战飞机和制导武器,需要为光电干扰装备分配干扰目标,因此建立光电干扰目标分配方案矩阵:

2.2 多模制导命中率和探测成功率

光电干扰目的是为了降低光电制导武器和机载光电设备对被保护目标的毁伤和探测,因此光电制导武器对被保护目标的命中率和作战飞机探测被保护目标的成功率是衡量光电干扰效能的首要因素,但强对抗环境下光电制导武器和作战飞机通常拥有多种光电制导和探测模式,当仅对其中某一种制导或探测模式进行干扰时,光电制导武器和作战飞机依旧可以凭借未被干扰的模式进行正常制导和探测,因此必须干扰制导武器和作战飞机全部的制导探测模式,才能有效降低其制导命中率和探测成功率。

假设来袭的第j个光电干扰目标共有x种光电制导(探测)模式,在未受到干扰时每种光电制导(探测)模式对目标的命中(成功)率记为pjs, s=1,2,3,…,x,pjs通常可以通过作战统计和性能测试得出。第i个光电干扰装备对第j个目标干扰后,每种光电制导(探测)模式对目标的命中(成功)率记为pijs,pijs通常可以通过光电干扰装备的效能评估得出。

因此当按照分配方案A实施干扰时,第i个光电干扰装备下的第j个光电干扰目标的每种光电制导(探测)模式的命中(成功)率为

由于光电干扰目标的每种制导(探测)模式均可能受到多个光电干扰装备同时干扰,但多个光电干扰装备复合干扰对目标命中(成功)率的影响难以评判,因此基于最大限度地考量光电干扰目标命中或探测到己方被保护目标的概率,故当按照分配方案A实施干扰时,第j个光电干扰目标的第s种光电制导(探测)模式的命中(成功)率Ps应为各个光电干扰装备下第j个光电干扰目标的第s种光电制导(探测)模式命中(成功)率bijs中的最小值,即:

光电干扰目标在当前光电制导(探测)模式无法正常工作时,往往会采用未被干扰的光电制导(探测)模式以提高命中(成功)率,因此第j个光电干扰目标对被保护目标的命中(成功)率Pt应为其全部光电制导(探测)模式命中(成功)率Ps中的最大值,即:

考虑每个光电干扰目标对被保护目标的命中(成功)率是独立的,因此被保护目标未被任意光电干扰目标命中和探测到的概率P为

2.3 干扰目标威胁程度

光电干扰目标的威胁程度与多种因素有关,但装备有双向数据链的制导武器和作战飞机在被干扰时依旧可以利用其他制导武器和作战飞机提供的情报完成打击,因此在强对抗环境下,根据干扰目标的距离、速度和高度等因素评判威胁程度,以期优先干扰威胁程度更大的目标,既无必要也不尽准确,而应将进入光电干扰装备有效工作距离的目标视为具有相同威胁,全部进行干扰。此外,对尚未进入光电干扰装备有效工作范围的目标,为其分配光电干扰装备,不仅会导致在近饱和目标来袭时无法为进入有效工作范围的目标分配足够的干扰资源,还有可能暴露自身的位置信息,因此光电干扰目标的威胁程度为

式(7)中:Li为第i个光电干扰装备的有效工作距离;dj为第j个光电干扰目标地面投影与被保护目标之间的距离。

2.4 干扰效能函数

光电干扰效能与被保护目标未被任意光电干扰目标命中和探测到的概率P和干扰目标威胁程度μj有关,因此根据式(6)和式(7),强对抗环境下光电干扰效能可表示为

由于每种光电干扰装备分配的目标不能超过其最大可同时对抗目标数量Ni,因此光电干扰效能函数F(A)需约束于:

2.5 奖励条件

光电干扰装备作为防空配系的重要组成部分,一旦被敌方探测到同样将成为被打击的重点,因此在相同的干扰效能下,分配方案使用的干扰资源越少,越能减少下一波次来袭目标的数量,因此干扰资源使用度为

3 基于改进遗传算法的光电干扰目标分配求解

电子防空光电干扰目标分配对最优解的求解时间将随着干扰目标与干扰装备的增多而呈指数型增长,因此选用合适的算法在要求时间内求出满意解,可以在满足作战需要的同时最大限度的保护重要目标安全。结合强对抗环境下的光电干扰目标分配模型,在传统的遗传算法基础上,一方面通过引入奖励函数对适应度函数进行优化,一方面将基于约束条件生成的初始种群与分段交叉变异的策略相结合,使得算法的搜索精度和运行速度能够满足光电干扰的作战需要。

3.1 染色体编码与初始种群生成

常用的遗传编码策略包括二进制编码[12]、实整数编码[13]和排列编码[14]等,二进制编码不仅容易理解,而且易于实施变异和交叉操作,并且光电干扰分配方案矩阵A中的元素可直接表示为二进制编码染色体基因,因此选用二进制编码方式,即A={aij}, i=1,2,3,…,m; j=1,2,3…n,由此基于约束条件采用随机生成法生成由t个染色体所组成的初始种群。

3.2 适应度函数计算

种群中个体的适应度代表着分配方案的优劣,适应度越大证明对应的分配方案越能更好地保护目标,因此适应度函数应与光电干扰效能函数F(A)强相关。尽管光电干扰效能函数F(A)对适应度函数起决定性影响F(A),但当多种方案干扰效能相同时,干扰资源使用度GA越大,则光电干扰装备被敌方探测到的可能性越大,越不利于被保护目标的安全,因此还需为奖励条件设置奖励函数。故光电干扰目标分配适应度函数为

式(12)中,maxF表示种群中所有个体的光电干扰效能中的最大值。

3.3 选择

首先使用精英复制策略[15],选出种群中适应度最高的个体直接复制到下一代种群中,从而减少后续交叉和变异操作对可能的最优解的干扰,而后使用轮盘赌策略[16]从种群中选择t-1个个体与精英复制策略所选择的适应度最高的个体共同组成下一代种群。在轮盘赌策略中,个体适应度越大,被选中的概率就越大,适应度为H(Ak)的第k个个体被选中的概率为

3.4 交叉

对于通过轮盘赌所得到t-1个个体,采取两两随机的方式配对,而为使每个个体都能参与配对以提高算法效率,因此种群规模t通常应为奇数。对于已配对的2个个体,由于个体中每行所代表的含义相同且均为可行解。因此可采用分段交叉的方式,以Pc的交叉概率为已配对的2个个体所对应的每一行随机生成区间为(0,1)的数r,当r≤Pc时,2个个体对应执行交叉,当r>Pc时,不执行交叉。

3.5 变异

对交叉操作后得到t-1个个体的全部基因以Pm的变异概率执行变异,即将原来为0的基因替换为1,原来为1的基因替换为0。而当个体中某一基因产生变异后,还需判断变异后基因所位于的行是否能满足式(9),当变异后的个体满足约束条件时,转为对下一基因执行变异;而当变异后的个体不满足约束条件时,则需要从变异基因所在行等于1的基因中随机选取1个再执行变异以保证个体始终满足约束条件。

3.6 算法终止

当算法迭代次数达到预设值时,或算法输出个体的光电干扰效能F满足期望时,终止迭代并输出当前种群中最优个体及其光电干扰效能。当算法迭代次数未达到预设值或输出个体的光电干扰效能F不满足期望时,则重新进行选择、交叉、变异操作。

4 仿真实例

为了验证光电干扰目标分配模型和改进遗传算法的可行性和有效性,在处理器为Intel(R) Core(TM) i5-11300H @ 3.10 GHz,内存为16 GB的计算机上使用Matlab 2021a软件进行仿真,并设置文献[5]中使用的传统遗传算法作为对比。

假设t0时某部接上级通报,发现M国在己方领海边界处进行兵力集结,可能对己方本土实施打击,因此为保护某重点目标安全,该部在重点目标周围部署了强激光干扰装备I1、高重频激光干扰装备I2、激光角度欺骗干扰装备I3各1个,烟幕干扰装备I4、I5共2个、重点目标与光电干扰装备可近似视为同一点目标,气象条件良好,各型光电干扰装备参数如表1所示。

4.1 少量目标来袭

t1时己方空情和光电侦察系统共显示有1枚GBU-53/B制导炸弹t1、1架F-35A作战飞机J2和1枚AGM-158B巡航导弹J3向己方重要目标袭来,来袭目标参数及其制导(探测)模式遭受不同光电干扰装备干扰后的命中(成功)率如表2和表3所示。

算法参数设置分别为:种群规模n=21,交叉概率Pc=0.8,变异概率Pm=0.1,算法终止条件为迭代次数H=100。随着迭代次数的增加,最优个体的光电干扰效能及干扰资源使用度如图1所示。

改进遗传算法输出的最优个体A1为

传统遗传算法输出的最优个体A2为

改进遗传算法最优个体的光电干扰效能F(A1)和传统遗传算法最优个体的光电干扰效能F(A2)的光电干扰效能均为0.650 2,改进遗传算法运行时间为0.178 s,传统遗传算法运行时间为0.220 s。

4.2 近饱和目标来袭

假设采取A1的分配方案对目标进行干扰后,Pjs、J2、J3均未命中和探测到己方重要目标,敌方评估目标尚未被摧毁并获取了己方强激光干扰装备I1和烟幕干扰装备I4的位置信息,故使用作战飞机向被保护目标投放了2枚GBU-53/B制导炸弹,并向I1、I4各投放了1枚GBU-53/B制导炸弹。

因此t2时空情和光电侦察系统显示有4枚GBU-53/B制导炸弹J4、J5、J6、J7和2架F-35A作战飞机J8、J9来袭,来袭目标地面投影与被保护目标之间的距离D分别为20、20、20、20、25、40 km,来袭目标的光电制导(探测)模式与成功率与J1、J2一致,算法参数设置不变,随着迭代次数的增加,最优个体的光电干扰效能及干扰资源使用度如图2所示。

改进遗传算法输出的最优个体A3为

传统遗传算法输出的最优个体A4为

改进遗传算法最优个体的光电干扰效能F(A3)和传统遗传算法最优个体的光电干扰效能F(A4)的光电干扰效能均为0.650 2,改进遗传算法运行时间为0.244 s,传统遗传算法运行时间为0.250 s。

4.3 饱和目标来袭

假设采取A3的分配方案对目标进行干扰后,J4、J5、J6、J7均未命中和探测到己方重要目标,敌方向I1、I4、I5和被保护目标各投放了2枚GBU-53/B制导炸弹。

因此t3时空情和光电侦察系统显示有8枚GBU-53/B制导炸弹J10、J11、J12、J13、J14、J15、J16、J17来袭,来袭目标地面投影与被保护目标之间的距离D均为20 km,来袭目标的光电制导(探测)模式与成功率与J1一致,算法参数设置不变,随着迭代次数的增加,最优个体的光电干扰效能及干扰资源使用度如图3所示。

改进遗传算法输出的最优个体A5为

传统遗传算法输出的最优个体A2为

改进遗传算法最优个体的光电干扰效能F(A5)和传统遗传算法最优个体的光电干扰效能F(A6)的光电干扰效能均为0.001 9,改进遗传算法运行时间为0.296 s,传统遗传算法运行时间为0.348 s。

4.4 结果分析

考虑到光电干扰防抗制导武器和作战飞机的实际,光电干扰目标和光电干扰装备的数量通常是有限的,因此在3种仿真情况下,改进遗传算法和传统遗传算法均能够在设置的迭代次数内找到光电干扰效能最大的分配方案。但从3种仿真情况下,改进遗传算法相较于传统遗传算法可以以更少的迭代次数和运行时间找到光电干扰效能最大的分配方案,对于需要的极强时效性的光电干扰来说,更少的迭代次数和运行时间意味着可以更早对光电干扰目标施放干扰。此外,改进遗传算法和传统遗传算法输出的最优个体来看,改进遗传算法输出的最优个体的干扰资源使用度均小于传统遗传算法输出的干扰资源使用度,说明强对抗环境下的光电干扰目标分配模型可以减少光电干扰装备被敌方打击的概率。综上所述,仿真实例验证了所提出的光电干扰目标分配模型和改进遗传算法的可行性和有效性。

5 结论

1) 先进空袭武器装备在强对抗环境下,不仅需要多型光电干扰装备对目标实施复合干扰,还需要对装备有效工作范围内的全部目标实施干扰,光电干扰的难度陡增。

2) 光电干扰系统一方面要增加如强激光干扰、烟幕干扰等多模干扰装备的数量,另一方面需要与GPS干扰、数据链干扰紧密协同,方可提升强对抗环境下的光电干扰系统的防抗能力。

3) 需构建火力防空与电子防空高效协同的防空体系来确保重要目标的安全。

[1] 唐凤兰,常天.光电对抗手段在现代防空作战中的应用[J].红外与激光工程,2007(S2):468-471.TANG Fenglan,CHANG Tian.Modern antiair warfare application of electro-optical countermeasures method[J].Infrared and Laser Engineering,2007(S2):468-471.

[2] 王铁红,吕跃广,刘珍阳,等.基于遗传算法的光电干扰资源优化分配研究[J].红外与激光工程,2007(6):963-967.WANG Tiehong,LYU Yueguang,LIU Zhenyang,et al.Optimization assignment model for electro-optic jamming resources based on genetic algorithms[J].Infrared and Laser Engineering,2007(6):963-967.

[3] 吴涛,王迅.基于量子遗传算法的光电干扰资源优化分配研究[J].舰船电子工程,2011,31(10):156-158.WU Tao,WANG Xun.Optimization assignment model for electro-optic jamming resources based on quantumgenetic algorithms[J].Ship Electronics Engineering,2011,31(10):156-158.

[4] 欧阳志宏,丁锋,马奎.电子防空光电对抗目标识别与威胁评估方法[J].电光与控制,2018,25(10):6-9.OUYANG Zhihong,DING Feng,MA Kui.Electro-optical countermeasure target recognition and threat assessment method in electronic air defense[J].ElectronicsOptics and Control,2018,25(10):6-9.

[5] 杜宇,焦均均,孟令杰.基于遗传算法的光电干扰任务分配模型[J].科技导报,2019,37(4):76-80.DU Yu,JIAO Junjun,MENG Lingjie.A genetic algorithm based electro-optic interference task allocation model[J].Science and Technology Bulletin,2019,37(4):76-80.

[6] 唐俊林,张栋,王孟阳,等.改进链式多种群遗传算法的防空火力任务分配[J].哈尔滨工业大学学报,2022,54(6):19-27.TANG Junlin,ZHANG Dong,WANG Mengyang,et al.Air defense firepower task assignment based on improved chain like multi-population genetic algorithm[J].Journal of Harbin Institute of Technology,2022,54(6):19-27.

[7] 叶媛媛,闵春平,沈林成,等.基于混合遗传算法的多UCAV协同任务分配方法[J].东南大学学报(自然科学版),2005(S2):53-58.YE Yuanyuan,MIN Chunping,SHEN Lincheng,et al.Hybrid genetic algorithm based method for multiple cooperative UCAVs mission assigning[J].Journal of Southeast University(Natural Science Edition),2005(S2):53-58.

[8] 王梦云,武孟宇.排列序编码的遗传算法性能分析及应用[J].太原理工大学学报,2003(3):350-353.WANG Mengyun,WU Mengyu.Performance analysis and application of genetic algorithm based on permutation encoding[J].Journal of Taiyuan University of Technology,2003(3):350-353.

[9] 许鹏程,舒健生,武健,等.基于改进遗传算法的联合防空目标分配优化[J].舰船电子工程,2020,40(11):30-33,63.XU Pengcheng,SHU Jiansheng,WU Jian,et al.Optimization of joint air defense target allocation based on improved genetic algorithm[J].Ship Electronics Engineering,2020,40(11):30-33,63.

[10] 宫华,张勇,许可,等.改进遗传算法的地对空防御武器系统多目标优化[J].兵器装备工程学报,2022,43(7):87-95.GONG Hua,ZHANG Yong,XU Ke,et al.Multi-objective optimization of surface-to-air defense weapon system based on improved genetic algorithm[J].Journal of Ordnance Equipment Engineering,2022,43(7):87-95.