面向电子战网络系统的覆盖优化算法研究

面向电子战网络系统的覆盖优化算法研究

陈晋玮

中国船舶集团有限公司第七二三研究所  江苏扬州

摘要：本文旨在研究电子战网络系统中覆盖优化算法的应用。电子战作为现代战争的重要组成部分，其网络系统的覆盖优化对于保障信息安全和战场效能至关重要。本文结合实际需求和技术挑战，针对电子战网络系统的特点，提出了一种基于覆盖优化的算法，以实现更高效的信息传输和网络覆盖。通过对现有算法进行分析比较，并在模拟环境和实际场景中进行验证和优化，本文提出的算法在提升电子战网络系统覆盖效能方面取得了显著成果。

关键词：电子战；网络系统；覆盖优化算法；信息安全；战场效能

一、引言

随着通信技术的急速发展与无线频谱资源的稀缺，各国正专注于研究如何显著提高无线通信网络的覆盖效率，尤其是在军民通信领域。针对无线通信网络，高精度探测其信号覆盖范围，已经成为当前研究的焦点之一。这项技术被广泛认为是通信网络领域的前沿技术之一[1]。电子战作为现代战争的重要组成部分，其在信息安全、通信保障和战场效能方面的作用日益凸显。在当今高度信息化的战争环境下，电子战网络系统的覆盖优化成为确保战场信息传输稳定、有效的关键之一[2]。

电子战网络系统的覆盖优化不仅关系到战场通讯的畅通，更涉及到对敌方信息干扰和保障本方信息传输的关键性问题。传统的覆盖算法在应对复杂、动态的战场环境时可能显得局限，因此，针对电子战网络系统的特殊性和需求，发展出一种高效、动态的覆盖优化算法具有重要意义。通信保障也是电子战网络系统的一项紧迫任务[3]。在战场上，每一秒的延迟或信息传输的中断都可能对决策和行动产生严重影响。覆盖优化的发展可以保障通信的稳定性，确保在极端环境中依然能够保持连通性，保证指挥系统的实时有效运作[4]。

本文旨在探索面向电子战网络系统的覆盖优化算法，并通过深入分析和实践验证，寻求在信息传输效率、网络稳定性和战场应对能力方面的突破。在算法研发过程中，结合了实际场景和战场需求，力求提出一种可靠性高、实用性强的覆盖优化方案，以应对日益复杂的电子战网络环境。

二、电子战网络协同覆盖技术分类

（一）基于覆盖对象的分类

针对电子战网络的覆盖问题，可将覆盖对象的不同特性归纳为以下三类：目标覆盖、栅栏覆盖以及区域覆盖。目标覆盖着重于保障特定目标或目标区域的通信和信息传输。这种覆盖需求可能集中在特定目标的通信覆盖上，例如战术性通信或对特定目标的情报传输。此类覆盖要求需要高度精准和灵活性，确保在目标活动范围内的信息传输畅通可靠[5]。栅栏覆盖指的是针对某一区域边界或线路的覆盖需求。这可能涉及到在边界区域建立完整的通信栅栏或覆盖网，以监测敌方通信的进出或保障关键区域的信息安全。这种覆盖类型注重在特定区域内建立稳定、无缝的通信覆盖。区域覆盖则更为广泛，它关注于整个区域的通信和信息传输。这可能是针对一个较大范围内的信息传输需求，例如战场区域、行动范围内的信息覆盖等。区域覆盖需要考虑到大范围内的通信连通性和稳定性。以上三种分类方式旨在帮助针对不同类型的覆盖需求开展电子战网络协同覆盖技术的研究与实践[6]。了解和分类不同的覆盖对象有助于更精准地设计和优化覆盖方案，以满足不同场景下的实际需求。电子战网络系统的集中式架构如图1所示。

图1 电子战网络系统的集中式架构

（二）基于节点特性的分类

根据电子战节点的特性，覆盖问题可分为以下三类：静态电子战网络覆盖、移动电子战网络覆盖以及混合电子战网络覆盖。静态电子战网络覆盖是指固定节点构成的电子战网络覆盖形式。这些节点通常在布置时是固定不动的，其覆盖范围相对稳定，不会频繁变化[7]。这类覆盖适用于不需要频繁移动或变更节点位置的场景，如固定设施、基地或特定区域的通信需求。移动电子战网络覆盖指的是由移动节点组成的电子战网络覆盖模式。这些节点在运作中具有移动性，可能是随着作战行动或任务需求而不断改变位置的。这种覆盖模式适用于需要随机机动或跟随特定目标行动的情景。混合电子战网络覆盖则是将静态和移动节点相结合的覆盖形式[8]。这种模式下，一部分节点是固定不动的，而另一部分节点则具有移动性。这种混合型的覆盖方案适用于同时需要固定和移动节点支持的复杂通信网络需求，能够灵活应对不同场景的通信要求。这三种基于节点特性的分类有助于更好地理解电子战网络覆盖的不同形式。根据节点的固定性和移动性特点，可针对不同的作战需求选择合适的覆盖模式，从而更有效地满足电子战网络的通信覆盖需求。

三、电子战网络系统的协同覆盖优化算法性能分析

基于静态电子战网络系统，本文提出了一新的协同覆盖探测算法PSO-BP-Kriging(Particle Swarm Optimization-Back-Propagation neural network-Kriging)。该算法通过在目标区域内随机部署静态电子战节点来共同感知和采集战场无线通信网络的接收信号强度。这些静态节点的部署能够全面覆盖目标区域，实现对信号强度的全面感知。接下来，本文结合了变异函数以重构BP神经网络的目标函数。同时，引入了改进粒子群模型来优化初始权重系数，以提高BP神经网络的准确性和性能。这些改进措施旨在使神经网络更好地学习和模拟无线信号强度的变化规律。

以关键节点的战场无线通信网络为例，本文选取4000m×4000m的野战环境进行仿真实验，对34个采样点进行600次随机独立抽取实验，分别采用普通Kriging 算法、BP算法、BP-Kriging算法以及PSO-BP-Kriging 算法对插值点的RSSI (Received Signal Strength Indication) 值进行预测，并对多次实验的平均均方根误差RMSE (Root Mean Square Error) 和平均决定系数R2进行计算，得到四种算法的性能对比如表1所示。

表1 性能对比

由表中数据可知，PSO-BP-Kriging预测结果的平均 RMSE表现最佳，为5.8715，相较于其他算法表现更为精确。而在这个指标上，BP-Kriging（6.5298）、BP（6.6689）和Kriging（6.5824）的表现依次递减，显示出不同程度的预测误差。R2衡量了模型对观测值变异性的解释程度。PSO-BP-Kriging同样在这个指标上取得了最优结果，其平均R2为0.6619，显示出较高的拟合程度和预测能力。BP-Kriging的平均R2为0.6253、BP的平均R2为0.6132，Kriging的平均R2为0.5877，但整体上均略低于PSO-BP-Kriging。综合来看，PSO-BP-Kriging在这两项性能指标上表现出相对更优秀的预测准确性和拟合能力，而其他算法在这些指标上则呈现出各自程度的较小差异。

四、结果与讨论

本文致力于探索面向电子战网络系统的覆盖优化算法，并深入分析了不同算法在信息传输效率、网络稳定性和战场应对能力方面的表现。通过研究和实践验证，得出了一些关键性结论。首先，针对电子战网络覆盖问题，提出了一种新颖且有效的覆盖优化算法PSO-BP-Kriging，该算法不仅在覆盖范围的精确性和准确性方面表现出色，还展现出了对战场无线通信网络中信号覆盖状况的有力感知能力。其次，本文研究观察到在不同算法之间存在着明显的性能差异。PSO-BP-Kriging算法在平均RMSE和平均R2等指标上表现优异，相较其他算法具备更为精准的预测和更高的拟合能力。这一结果直接反映了该算法在提高通信系统效率和信息传输准确性方面的巨大潜力。综上所述，本文的成果为电子战网络系统的覆盖优化提供了新的思路和解决方案。这些发现能够为电子战技术的发展和应用，特别是在覆盖优化领域，提供有益的参考，并推动电子战网络系统的进一步发展与应用。

参考文献

[1]旷生玉，李高云，李福林，张伟，张谦.面向电子战的可解释智能应用研究[J].中国电子科学研究院学报,2023,18(08):697-701.

[2]Ahangar M R H, Talati S, Rahmati A, et al. The Use of Electronic Warfare and Information Signaling in Network-based Warfare[J]. Majlesi Journal of Telecommunication Devices, 2020, 9(2): 93-97.

[3]曹家华，李晨正.电子对抗技术发展综述[J].飞机设计,2023,43(05):59-63.

[4]王健，杨渡佳，黄科举，李小帅，杨俊安.认知电子战发展趋势：从单体智能到群体智能[J].信息对抗技术,2023,2(Z1):151-170.

[5]Seo S, Han S, Kim D. D-CEWS: DEVS-Based Cyber-Electronic Warfare M&S Framework for Enhanced Communication Effectiveness Analysis in Battlefield[J]. Sensors, 2022, 22(9): 3147.

[6]Cardillo E, Cananzi R, Vita P, et al. Dual-conversion microwave down converter for nanosatellite electronic warfare systems[J]. Applied Sciences, 2022, 12(3): 1524.

[7]赵全东，郝文娟.基于SDN的电力通信网络覆盖优化算法研究[J].能源与环保,2021,43(11):227-232.

[8]刘国满，任航，聂旭娜，王俊岭，黄剑，李朋远.一种认知电子战雷达对抗教学训练系统[J].实验室研究与探索,2023,42(03):246-250.