论文部分内容阅读
网络化雷达系统是指通过组网技术,利用广域散布的多雷达节点协同工作,形成一个有机统一的雷达系统,具备资源高自由度、节点能力互增强、全空域覆盖等优点,是现代和未来雷达发展的主要形态之一。系统资源管理能够显著提升功率、孔径及频谱等资源的利用率,增强目标探测能力,是网络化雷达系统的关键技术之一,已成为国内外雷达领域的研究热点。本文针对网络化雷达的资源管理问题,重点开展了资源配置与调度方法研究,取得的主要创新点如下:1、针对常态任务下快速资源配置问题,建立了关键单指标约束的系统资源配置模型,提出了一种基于粒子群算法(PSO)的资源优化配置方法,仿真表明在取得同样优化性能条件下,能够大幅降低计算量,提高资源配置效率。2、针对常态任务下多功能同时兼顾问题,建立了多指标约束的系统资源配置模型,提出了基于拥挤距离多目标粒子群算法(MOPSO-CD)的优化配置方法,在指标数值差异较小时,可提供多种同时提升警戒监视区域覆盖与定位性能的资源配置方案,在多指标间进行侧重与妥协,可以满足低差异度指标集约束下的多样化资源配置需求。3、针对指标数值差异较大的资源优化配置问题,提出了基于非支配相对拥挤距离的多目标粒子群算法(MOPSO-NRCD),能够降低指标数值差异对拥挤距离的影响,合理地选取全局最优解,所提供的资源优化配置方案具有多性能指标综合提升幅度更高,多样性更好的优点,可以满足高差异度指标集约束下的多样化资源配置需求。4、针对多阶段随机任务下综合性能提升问题,建立了一种基于多阶段耦合特征与随机特性的雷达资源调度模型,提出了基于强化学习(Reinforcement Learning)的资源调度算法,改善了耦合多阶段随机任务下雷达资源调度面临的维数灾难问题,给出的资源调度方案具备更优的多阶段综合性能,且性能优势随着阶段数的增加而增加。上述提出的算法都通过仿真验证了有效性。