本發(fā)明屬于雷達(dá)資源管理的技術(shù)領(lǐng)域，特別涉及一種基于變化監(jiān)視需求的MIMO雷達(dá)移動(dòng)平臺(tái)快速機(jī)動(dòng)部署方法。

背景技術(shù)：

近年來，由于可以獲得空間分集增益，MIMO雷達(dá)這種新的雷達(dá)體制受到越來越多的關(guān)注。MIMO雷達(dá)的性能很大程度上依賴于雷達(dá)天線的位置，因此關(guān)于MIMO雷達(dá)網(wǎng)的部署問題也引起了國(guó)內(nèi)外學(xué)者的濃厚興趣。在現(xiàn)代戰(zhàn)場(chǎng)環(huán)境下，戰(zhàn)場(chǎng)環(huán)境是隨著時(shí)間不斷變化的，變化的環(huán)境就會(huì)產(chǎn)生變化的監(jiān)視需求，如何在雷達(dá)節(jié)點(diǎn)有限的情況下通過雷達(dá)節(jié)點(diǎn)的高效部署來滿足變化的戰(zhàn)場(chǎng)監(jiān)視需求是急需解決的問題，然而，現(xiàn)有的雷達(dá)網(wǎng)部署方法，往往計(jì)算效率極低且只考慮了雷達(dá)網(wǎng)絡(luò)的一次性部署，且一旦部署，雷達(dá)站點(diǎn)不再移動(dòng)，這很難滿足不斷變化的戰(zhàn)場(chǎng)監(jiān)視需求。

隨著無人機(jī)技術(shù)的飛速發(fā)展，無人機(jī)的成本大大降低，其作為攜帶雷達(dá)的移動(dòng)平臺(tái)成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。相較于大型靜止平臺(tái)，移動(dòng)平臺(tái)的成本低且部署更靈活、更快速、代價(jià)更小，因此雷達(dá)網(wǎng)絡(luò)移動(dòng)平臺(tái)的使用既可以大大降低整個(gè)雷達(dá)網(wǎng)絡(luò)部署的成本，又可以通過重新部署移動(dòng)平臺(tái)來滿足廣闊戰(zhàn)場(chǎng)領(lǐng)域變化的監(jiān)視需求。在文獻(xiàn)“Antenna placement and power allocation optimization in MIMO detection,IEEE Trans.Aerosp.Electron.Syst.,vol.50,no.2,pp.1468-1478,Jul.2014.”中，通過雷達(dá)布站區(qū)域的離散化，提出了一種順序窮舉的方法，然而在實(shí)際應(yīng)用中，布站區(qū)域往往非常廣闊且需要部署的雷達(dá)很多，窮舉的方法將會(huì)產(chǎn)生巨大的計(jì)算量。在文獻(xiàn)“Target velocity estimation and antenna placement for MIMO radar with widely separated，IEEE Signal Process.Mag.,vol.4,no.1,pp.79-100,Apr.2010.”中，考慮目標(biāo)僅位于單一的分辨單元，而實(shí)際的情況里，由于監(jiān)視區(qū)域往往非常廣闊，考慮監(jiān)視區(qū)域包含多個(gè)分辨單元更加合理，這也必然會(huì)產(chǎn)生更大的計(jì)算量。上述算法只考慮了雷達(dá)網(wǎng)絡(luò)的一次性部署且所提算法計(jì)算量極大，很難適應(yīng)現(xiàn)代戰(zhàn)場(chǎng)不斷變化的監(jiān)視需求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種利用了遺傳算法解決高維問題的優(yōu)勢(shì)，成功解決了以往方法計(jì)算量巨大的問題，并且性能優(yōu)秀，可以通過快速機(jī)動(dòng)部署雷達(dá)網(wǎng)絡(luò)移動(dòng)平臺(tái)來滿足不斷變化的戰(zhàn)場(chǎng)監(jiān)視需求的基于變化監(jiān)視需求的MIMO雷達(dá)移動(dòng)平臺(tái)快速機(jī)動(dòng)部署方法。

本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：基于變化監(jiān)視需求的MIMO雷達(dá)移動(dòng)平臺(tái)快速機(jī)動(dòng)部署方法，包括以下步驟：

S1、建立MIMO雷達(dá)移動(dòng)平臺(tái)機(jī)動(dòng)部署優(yōu)化模型；

S2、建立優(yōu)化模型的目標(biāo)函數(shù)；

S3、計(jì)算單次機(jī)動(dòng)部署的目標(biāo)函數(shù)；

S4、運(yùn)用遺傳算法計(jì)算單次機(jī)動(dòng)部署的最優(yōu)解；

S5、依次求解每次機(jī)動(dòng)部署的最優(yōu)解，通過優(yōu)化模型得到整體機(jī)動(dòng)部署的最優(yōu)解。

進(jìn)一步地，步驟S1具體實(shí)現(xiàn)方法為：假設(shè)監(jiān)視需求改變一次就有一個(gè)新的監(jiān)視區(qū)域需要監(jiān)視，機(jī)動(dòng)部署移動(dòng)平臺(tái)一次；監(jiān)視需求改變了I次，即相繼有I個(gè)新的監(jiān)視區(qū)域需要監(jiān)視，需要機(jī)動(dòng)部署I次移動(dòng)平臺(tái)；設(shè)MIMO雷達(dá)網(wǎng)絡(luò)包含J個(gè)移動(dòng)平臺(tái)和K個(gè)靜止平臺(tái)，定義Θ＝[μ₁，μ₂，...,μ_K]表示K個(gè)靜止平臺(tái)的位置，為第i次部署后的J個(gè)移動(dòng)平臺(tái)的位置，記i＝1,2,...,I，則優(yōu)化模型為：

$\underset{i=1}{\overset{I}{\∪}}{\widehat{\mathrm{\Θ}}}_i=\arg \underset{{\widehat{\mathrm{\Θ}}}_i}{\max }F\left(H_i\right)$

$s.t.\left|\right|{\mathrm{\θ}}_i^j-{\mathrm{\θ}}_{i-1}^j|{|}_2\≤D_{max},i=1,2,...,I---\left(1\right)$

其中，D_max為移動(dòng)平臺(tái)在一次部署中的最大移動(dòng)距離。

進(jìn)一步地，步驟S2具體實(shí)現(xiàn)方法為：用和分別表示監(jiān)視區(qū)域、布站區(qū)域和有效覆蓋區(qū)域，則覆蓋率定義為：

結(jié)合步驟S1中建立的優(yōu)化模型，定義優(yōu)化模型的目標(biāo)函數(shù)為：

表示雷達(dá)網(wǎng)有效覆蓋的區(qū)域是關(guān)于H_i的函數(shù)，area()表示該區(qū)域的面積，表示第i個(gè)監(jiān)視區(qū)域；上述目標(biāo)函數(shù)為包含所有雷達(dá)節(jié)點(diǎn)位置向量H_i的函數(shù)。

進(jìn)一步地，步驟S3具體實(shí)現(xiàn)方法為：為了計(jì)算目標(biāo)函數(shù)，需要確定監(jiān)視區(qū)域是否被覆蓋，將監(jiān)視區(qū)域離散化為L(zhǎng)個(gè)分辨單元，監(jiān)視區(qū)域被覆蓋的單元的個(gè)數(shù)與監(jiān)視區(qū)域總的單元個(gè)數(shù)L的比值即為該監(jiān)視區(qū)域的覆蓋率；每個(gè)監(jiān)視單元通過MIMO網(wǎng)絡(luò)對(duì)每個(gè)分辨單元的檢測(cè)概率P_d來判斷該監(jiān)視區(qū)域是否被覆蓋，若對(duì)某個(gè)分辨單元的檢測(cè)概率滿足P_d≥P_dt，則稱該單元被覆蓋，否則該單元未被覆蓋，其中P_dt為設(shè)置的檢測(cè)門限；MIMO雷達(dá)網(wǎng)絡(luò)包含M個(gè)發(fā)射天線和N個(gè)接收天線，則第l(l＝1,2,...,L)個(gè)分辨單元的檢測(cè)概率P_d計(jì)算如下：

$P_d\left({\widehat{\mathrm{\θ}}}_l\right)=Q_{M\×N}(\sqrt{2\×{\mathrm{\ξ}}_l},\sqrt{2\×{\mathrm{\γ}}_T})---\left(4\right)$

$P_{fa}=e^{-{\mathrm{\γ}}_T}{\mathrm{\Σ}}_{i=1}^{M\×N-1}{{\mathrm{\γ}}_T}^i/i!---\left(5\right)$

其中，為第l個(gè)分辨單元的位置；Q_M×N為馬庫姆函數(shù)；γ_T為根據(jù)虛警概率P_fa設(shè)定的檢測(cè)門限，通過公式(5)求出；ξ_l為所有通道總的信噪比；

當(dāng)雷達(dá)資源和設(shè)計(jì)的性能指標(biāo)確定后，M、N和P_fa都是確定的，所以為了計(jì)算P_d只需計(jì)算ξ_l，假設(shè)M＝N＝J+K，由單基及雙基雷達(dá)距離方程推導(dǎo)知，ξ_l計(jì)算如下：

${\mathrm{\ξ}}_l={\Σ}_{m=1}^{J+K}{\Σ}_{m=1}^{J+K}{D}_0\frac{{\mathrm{\σ}}_{m,n}{\left(R_{max}\right)}^4}{\mathrm{\σ}{\left(R_{tm}{R}_{rn}\right)}^2}---\left(6\right)$

其中，D₀是滿足所設(shè)檢測(cè)性能的檢測(cè)因子，σ_m,n是雙基雷達(dá)檢測(cè)下目標(biāo)的RCS，σ是單基雷達(dá)檢測(cè)下目標(biāo)的RCS，R_max是單基雷達(dá)的最大探測(cè)距離，R_tm是第m個(gè)雷達(dá)到第l個(gè)分辨單元的歐氏距離，R_rn是第n個(gè)雷達(dá)到第l個(gè)分辨單元的歐氏距離；由此可知，通過第l個(gè)分辨單元的位置、所有雷達(dá)的位置和目標(biāo)的RCS等參數(shù)即可計(jì)算ξ_l。

進(jìn)一步地，步驟S4具體實(shí)現(xiàn)方法為：根據(jù)實(shí)際情況設(shè)定檢測(cè)門限P_dt、虛警概率P_fa、檢測(cè)因子D₀、單基雷達(dá)檢測(cè)下目標(biāo)的RCS值σ、雙基雷達(dá)檢測(cè)下目標(biāo)的RCS值σ_m,n和移動(dòng)平臺(tái)一次的最大移動(dòng)距離D_max，設(shè)定遺傳算法的迭代次數(shù)T、種群大小S、交叉概率p_c和變異概率p_m；并通過以下子步驟來求解單詞機(jī)動(dòng)部署的最優(yōu)解：

S41、種群初始化，隨機(jī)生成包含所有雷達(dá)位置的向量H_i，將其作為一個(gè)個(gè)體，生成S個(gè)個(gè)體構(gòu)成初始種群；

S42、計(jì)算適應(yīng)度，將目標(biāo)函數(shù)作為適應(yīng)度函數(shù)，用t表示種群的代數(shù)，利用式(3)、(4)、(5)和(6)計(jì)算第t代種群中每個(gè)個(gè)體H_i的適應(yīng)度F(H_i)，t＝1時(shí)即計(jì)算步驟S41得到的初始種群中每個(gè)個(gè)體H_i的適應(yīng)度F(H_i)，并保存適應(yīng)度值最大的個(gè)體；

S43、種群的選擇、交叉和變異運(yùn)算：使用輪盤賭的方法對(duì)第t代種群進(jìn)行選擇運(yùn)算得到大小仍為S的種群；隨機(jī)將種群平均分為A和B兩個(gè)子群，將A中每個(gè)個(gè)體與B中每個(gè)體按存儲(chǔ)順序進(jìn)行兩兩配對(duì)；對(duì)每對(duì)個(gè)體，首先隨機(jī)生成a∈[0,1]，若a≤p_c，則對(duì)該對(duì)個(gè)體進(jìn)行交叉運(yùn)算得到兩個(gè)新個(gè)體，否則保存兩個(gè)個(gè)體至新的種群，所有對(duì)個(gè)體都執(zhí)行以上操作，得到新的種群；對(duì)新種群的每個(gè)個(gè)體，首先隨機(jī)生成b∈[0,1]，若b≤p_m，則對(duì)其進(jìn)行變異操作，否則保留個(gè)體至新的種群；

S44、種群代數(shù)t加1，重復(fù)步驟S42和S43，直至種群代數(shù)t達(dá)到迭代次數(shù)T，輸出全局適應(yīng)度值最大的個(gè)體即為單次機(jī)動(dòng)部署的最優(yōu)解。

進(jìn)一步地，步驟S5具體實(shí)現(xiàn)方法為：求解出每次機(jī)動(dòng)部署的最優(yōu)解后，通過公式(1)，得到每次機(jī)動(dòng)部署最優(yōu)解的集合，作為整體機(jī)動(dòng)部署的最優(yōu)解。

本發(fā)明的有益效果是：本發(fā)明在MIMO雷達(dá)網(wǎng)絡(luò)中加入了可移動(dòng)的平臺(tái)，當(dāng)監(jiān)視需求變化時(shí)(如監(jiān)視區(qū)域的變化)，通過移動(dòng)平臺(tái)的機(jī)動(dòng)部署來適應(yīng)這種變化，不但減少了雷達(dá)網(wǎng)絡(luò)的部署成本，而且增加了雷達(dá)網(wǎng)絡(luò)的靈活性、適應(yīng)性，成功解決了以往方法單次部署難以滿足變化監(jiān)視需求的問題；本發(fā)明利用了遺傳算法解決高維問題的優(yōu)勢(shì)，成功解決了以往方法計(jì)算量巨大的問題，這也使得MIMO雷達(dá)網(wǎng)絡(luò)的快速機(jī)動(dòng)部署成為可能；采用基于遺傳算法的布站算法計(jì)算量小、性能優(yōu)秀，可以通過快速機(jī)動(dòng)部署雷達(dá)網(wǎng)絡(luò)移動(dòng)平臺(tái)來滿足不斷變化的戰(zhàn)場(chǎng)監(jiān)視需求。

附圖說明

圖1是本發(fā)明提供方法的流程圖；

圖2是為MIMO雷達(dá)移動(dòng)平臺(tái)機(jī)動(dòng)部署示意圖；

圖3是本發(fā)明提出的布站算法、隨機(jī)布站、窮舉法布站算法隨移動(dòng)平臺(tái)數(shù)增加的覆蓋率對(duì)比圖，其中圖(a)是對(duì)第一塊監(jiān)視區(qū)域的覆蓋率對(duì)比，圖(b)是對(duì)第二塊監(jiān)視區(qū)域的覆蓋率對(duì)比；

圖4是是本發(fā)明提出的布站算法與窮舉法布站算法在分辨單元兩種不同大小情況下，隨移動(dòng)平臺(tái)數(shù)增加的計(jì)算量對(duì)比圖，其中(a)為乘法計(jì)算量對(duì)比，(b)為加法計(jì)算量對(duì)比。

具體實(shí)施方式

為了便于描述本發(fā)明的內(nèi)容，首先對(duì)以下術(shù)語進(jìn)行解釋：

術(shù)語1：覆蓋率

將監(jiān)視區(qū)域離散化為許多小的分辨單元，雷達(dá)網(wǎng)絡(luò)對(duì)某個(gè)分辨單元的檢測(cè)概率達(dá)到某個(gè)門限，就稱該單元被覆蓋，被覆蓋單元個(gè)數(shù)占總分辨單元個(gè)數(shù)的比率叫做覆蓋率。

本發(fā)明主要采用仿真實(shí)驗(yàn)的方法進(jìn)行驗(yàn)證，所有步驟、結(jié)論都在Matlab2010上驗(yàn)證正確。下面結(jié)合附圖和具體實(shí)施例進(jìn)一步說明本發(fā)明的技術(shù)方案。

如圖1所示，本發(fā)明的一種基于變化監(jiān)視需求的MIMO雷達(dá)移動(dòng)平臺(tái)快速機(jī)動(dòng)部署方法，包括以下步驟：

S1、建立MIMO雷達(dá)移動(dòng)平臺(tái)機(jī)動(dòng)部署優(yōu)化模型；具體實(shí)現(xiàn)方法為：本發(fā)明的MIMO雷達(dá)移動(dòng)平臺(tái)機(jī)動(dòng)部署示意圖如圖2所示，假設(shè)監(jiān)視需求改變一次就有一個(gè)新的監(jiān)視區(qū)域需要監(jiān)視，機(jī)動(dòng)部署移動(dòng)平臺(tái)一次；監(jiān)視需求改變了I次，即相繼有I個(gè)新的監(jiān)視區(qū)域需要監(jiān)視，需要機(jī)動(dòng)部署I次移動(dòng)平臺(tái)；設(shè)MIMO雷達(dá)網(wǎng)絡(luò)包含J個(gè)移動(dòng)平臺(tái)和K個(gè)靜止平臺(tái)，定義Θ＝[μ₁，μ₂，...,μ_K]表示K個(gè)靜止平臺(tái)的位置，為第i次部署后的J個(gè)移動(dòng)平臺(tái)的位置，記i＝1,2,...,I，則優(yōu)化模型為：

$\underset{i=1}{\overset{I}{\∪}}{\widehat{\mathrm{\Θ}}}_i=\arg \underset{{\widehat{\mathrm{\Θ}}}_i}{\max }F\left(H_i\right)$

$s.t.\left|\right|{\mathrm{\θ}}_i^j-{\mathrm{\θ}}_{i-1}^j|{|}_2\≤D_{max},i=1,2,...,I---\left(1\right)$

其中，D_max為移動(dòng)平臺(tái)在一次部署中的最大移動(dòng)距離。為了減小仿真難度，本實(shí)施例取I＝2。

S2、建立優(yōu)化模型的目標(biāo)函數(shù)；具體實(shí)現(xiàn)方法為：用和分別表示監(jiān)視區(qū)域、布站區(qū)域和有效覆蓋區(qū)域，則覆蓋率定義為：

結(jié)合步驟S1中建立的優(yōu)化模型，定義優(yōu)化模型的目標(biāo)函數(shù)為：

表示雷達(dá)網(wǎng)有效覆蓋的區(qū)域是關(guān)于H_i的函數(shù)，area()表示該區(qū)域的面積，表示第i個(gè)監(jiān)視區(qū)域；上述目標(biāo)函數(shù)為包含所有雷達(dá)節(jié)點(diǎn)位置向量H_i的函數(shù)。

S3、計(jì)算單次機(jī)動(dòng)部署的目標(biāo)函數(shù)；具體實(shí)現(xiàn)方法為：為了計(jì)算目標(biāo)函數(shù)，需要確定監(jiān)視區(qū)域是否被覆蓋，將監(jiān)視區(qū)域離散化為L(zhǎng)個(gè)分辨單元，監(jiān)視區(qū)域被覆蓋的單元的個(gè)數(shù)與監(jiān)視區(qū)域總的單元個(gè)數(shù)L的比值即為該監(jiān)視區(qū)域的覆蓋率；每個(gè)監(jiān)視單元通過MIMO網(wǎng)絡(luò)對(duì)每個(gè)分辨單元的檢測(cè)概率P_d來判斷該監(jiān)視區(qū)域是否被覆蓋，若對(duì)某個(gè)分辨單元的檢測(cè)概率滿足P_d≥P_dt，則稱該單元被覆蓋，否則該單元未被覆蓋，其中P_dt為設(shè)置的檢測(cè)門限；MIMO雷達(dá)網(wǎng)絡(luò)包含M個(gè)發(fā)射天線和N個(gè)接收天線，則第l(l＝1,2,...,L)個(gè)分辨單元的檢測(cè)概率P_d計(jì)算如下：

$P_d\left({\widehat{\mathrm{\θ}}}_l\right)=Q_{M\×N}(\sqrt{2\×{\mathrm{\ξ}}_l},\sqrt{2\×{\mathrm{\γ}}_T})---\left(4\right)$

$P_{fa}=e^{-{\mathrm{\γ}}_T}{\mathrm{\Σ}}_{i=1}^{M\×N-1}{{\mathrm{\γ}}_T}^i/i!---\left(5\right)$

其中，為第l個(gè)分辨單元的位置；Q_M×N為馬庫姆函數(shù)；γ_T為根據(jù)虛警概率P_fa設(shè)定的檢測(cè)門限，通過公式(5)求出；ξ_l為所有通道總的信噪比；

當(dāng)雷達(dá)資源和設(shè)計(jì)的性能指標(biāo)確定后，M、N和P_fa都是確定的，所以為了計(jì)算P_d只需計(jì)算ξ_l，假設(shè)M＝N＝J+K，由單基及雙基雷達(dá)距離方程推導(dǎo)知，ξ_l計(jì)算如下：

${\mathrm{\ξ}}_l={\Σ}_{m=1}^{J+K}{\Σ}_{m=1}^{J+K}{D}_0\frac{{\mathrm{\σ}}_{m,n}{\left(R_{max}\right)}^4}{\mathrm{\σ}{\left(R_{tm}{R}_{rn}\right)}^2}---\left(6\right)$

其中，D₀是滿足所設(shè)檢測(cè)性能的檢測(cè)因子，σ_m,n是雙基雷達(dá)檢測(cè)下目標(biāo)的RCS，σ是單基雷達(dá)檢測(cè)下目標(biāo)的RCS，R_max是單基雷達(dá)的最大探測(cè)距離，R_tm是第m個(gè)雷達(dá)到第l個(gè)分辨單元的歐氏距離，R_rn是第n個(gè)雷達(dá)到第l個(gè)分辨單元的歐氏距離；由此可知，通過第l個(gè)分辨單元的位置、所有雷達(dá)的位置和目標(biāo)的RCS等參數(shù)即可計(jì)算ξ_l。

S4、運(yùn)用遺傳算法計(jì)算單次機(jī)動(dòng)部署的最優(yōu)解；具體實(shí)現(xiàn)方法為：根據(jù)實(shí)際情況設(shè)定檢測(cè)門限P_dt、虛警概率P_fa、檢測(cè)因子D₀、單基雷達(dá)檢測(cè)下目標(biāo)的RCS值σ、雙基雷達(dá)檢測(cè)下目標(biāo)的RCS值σ_m,n和移動(dòng)平臺(tái)一次的最大移動(dòng)距離D_max，設(shè)定遺傳算法的迭代次數(shù)T、種群大小S、交叉概率p_c和變異概率p_m；本實(shí)施例設(shè)定的仿真參數(shù)為：P_dt＝0.8，P_fa＝10^-6，D₀＝12.5Db，σ＝1，σ_m,n＝|α|²，α為零均值復(fù)高斯隨機(jī)變量，D_max＝200km，T＝50，S＝100，p_c＝0.9，p_m＝0.1；通過以下子步驟來求解單詞機(jī)動(dòng)部署的最優(yōu)解：

S41、種群初始化，隨機(jī)生成包含所有雷達(dá)位置的向量H_i，將其作為一個(gè)個(gè)體，生成S個(gè)個(gè)體構(gòu)成初始種群；

S42、計(jì)算適應(yīng)度，將目標(biāo)函數(shù)作為適應(yīng)度函數(shù)，用t表示種群的代數(shù)，利用式(3)、(4)、(5)和(6)計(jì)算第t代種群中每個(gè)個(gè)體H_i的適應(yīng)度F(H_i)，t＝1時(shí)即計(jì)算步驟S41得到的初始種群中每個(gè)個(gè)體H_i的適應(yīng)度F(H_i)，并保存適應(yīng)度值最大的個(gè)體；

S43、種群的選擇、交叉和變異運(yùn)算：使用輪盤賭的方法對(duì)第t代種群進(jìn)行選擇運(yùn)算得到大小仍為S的種群；隨機(jī)將種群平均分為A和B兩個(gè)子群，將A中每個(gè)個(gè)體與B中每個(gè)體按存儲(chǔ)順序進(jìn)行兩兩配對(duì)；對(duì)每對(duì)個(gè)體，首先隨機(jī)生成a∈[0,1]，若a≤p_c，則對(duì)該對(duì)個(gè)體進(jìn)行交叉運(yùn)算得到兩個(gè)新個(gè)體，否則保存兩個(gè)個(gè)體至新的種群，所有對(duì)個(gè)體都執(zhí)行以上操作，得到新的種群；對(duì)新種群的每個(gè)個(gè)體，首先隨機(jī)生成b∈[0,1]，若b≤p_m，則對(duì)其進(jìn)行變異操作，否則保留個(gè)體至新的種群；

S44、種群代數(shù)t加1，重復(fù)步驟S42和S43，直至種群代數(shù)t達(dá)到迭代次數(shù)T，輸出全局適應(yīng)度值最大的個(gè)體即為單次機(jī)動(dòng)部署的最優(yōu)解，適應(yīng)度值越大代表個(gè)體越優(yōu)秀，即雷達(dá)所在位置對(duì)監(jiān)視區(qū)域的覆蓋率越大，因此將將適應(yīng)度值大小作為衡量最優(yōu)解的指標(biāo)。

S5、依次求解每次機(jī)動(dòng)部署的最優(yōu)解，通過優(yōu)化模型得到整體機(jī)動(dòng)部署的最優(yōu)解；具體實(shí)現(xiàn)方法為：求解出每次機(jī)動(dòng)部署的最優(yōu)解后，通過公式(1)，得到每次機(jī)動(dòng)部署最優(yōu)解的集合，作為整體機(jī)動(dòng)部署的最優(yōu)解。

圖3是實(shí)施例的布站算法、隨機(jī)布站、窮舉法布站算法隨移動(dòng)平臺(tái)數(shù)增加的覆蓋率對(duì)比圖，其中圖(a)是對(duì)第一塊監(jiān)視區(qū)域的覆蓋率對(duì)比，圖(b)是對(duì)第二塊監(jiān)視區(qū)域的覆蓋率對(duì)比。從圖中可以看出，本發(fā)明的不占算法對(duì)監(jiān)視區(qū)域的覆蓋率遠(yuǎn)遠(yuǎn)高于隨機(jī)布站算法，與窮舉法布站算法的覆蓋率十分接近。

圖4是本發(fā)明提出的布站算法與窮舉法布站算法在分辨單元兩種不同大小情況下，隨移動(dòng)平臺(tái)數(shù)增加的計(jì)算量對(duì)比圖，其中圖(a)為乘法計(jì)算量對(duì)比，圖(b)為加法計(jì)算量對(duì)比。從圖中可以看出，本發(fā)明的計(jì)算量遠(yuǎn)遠(yuǎn)小于窮舉法布站算法。

本領(lǐng)域的普通技術(shù)人員將會(huì)意識(shí)到，這里所述的實(shí)施例是為了幫助讀者理解本發(fā)明的原理，應(yīng)被理解為本發(fā)明的保護(hù)范圍并不局限于這樣的特別陳述和實(shí)施例。本領(lǐng)域的普通技術(shù)人員可以根據(jù)本發(fā)明公開的這些技術(shù)啟示做出各種不脫離本發(fā)明實(shí)質(zhì)的其它各種具體變形和組合，這些變形和組合仍然在本發(fā)明的保護(hù)范圍內(nèi)。