摘要：针对传统干扰资源分配算法在处理非线性组合优化问题时需要较完备的先验信息,同时决策维度小,无法满足现代通信对抗要求的问题,该文提出一种融合噪声网络的深度强化学习通信干扰资源分配算法(FNNDRL)。借鉴噪声网络的思想,该算法设计了孪生噪声评估网络,在避免Q值高估的基础上,通过提升评估网络的随机性,保证了训练过程的探索性;基于概率熵的物理意义,设计了基于策略分布熵改进的策略网络损失函数,在最大化累计奖励的同时最大化策略分布熵,避免策略优化过程中收敛到局部最优。仿真结果表明,该算法在解决干扰资源分配问题时优于所对比的平均分配和强化学习方法,同时算法稳定性较高,对高维决策空间适应性强。

摘要：针对干扰机群掩护目标突防组网雷达场景下的干扰资源分配的问题,提出了一种基于深度强化学习的干扰资源分配方法。该文将干扰资源分配模型描述为一个马尔可夫决策过程,并提出了一种基于动作密钥编码的双延迟深度确定性策略梯度(AKE-TD3)网络训练算法,将混合整数优化问题转化为连续变量优化问题,解决了算法难以收敛的问题。仿真结果表明,文中所设计的干扰资源分配方法对组网雷达有更好的干扰效果,且稳定性更高,有效地提升了干扰机群的作战性能。

摘要：智能干扰技术已成为认知电子战的重要研究方向。文中研究了对抗场景下最优干扰与有限资源分配的策略优化问题,通过设计一个可以自适应调整干扰策略的认知干扰器,选择出当前状态下最优的干扰参数,满足干扰资源分配的实时性和有效性需求。为了进一步降低干扰能耗,引入了干扰持续时间这一干扰参数,同时考虑了能量有限的约束条件。此外,为加快干扰机的学习速度,还提出了一种具有平行学习独立决策功能的深度强化学习干扰资源快速分配算法。仿真结果表明,所提算法能够在满足干扰效果的前提下,其干扰能量利用率和训练速度均优于其他的深度强化学习干扰算法,同时对比差距会随着干扰决策空间维度的增加而扩大。

摘要：针对分布式对抗系统对敌方分布式雷达的干扰效率问题,设计一种基于二进制编码的改进遗传算法,用于提高系统自主干扰资源分配效率。首先,通过前期侦察,获取雷达的性能参数,得到每部干扰机对每部雷达的干扰效能参数,生成干扰效能矩阵,以干扰总效能最大化为原则,构建目标效能函数;然后根据干扰机与雷达的数量差异建立干扰资源分配模型,确定约束条件;最后利用改进遗传算法,通过选择、交叉、变异、淘汰、继承等算子操作对模型的最优值进行求解,并给出具体算法流程。Matlab仿真结果表明,改进算法需要更少的迭代次数,能够得到最优解,能够较好地解决文中构设场景下的分布式协同干扰资源优化分配问题。

摘要：研究了在以蓝方电磁环境和红方飞行编队为背景下的综合电子战仿真系统中干扰资源分配与作战想定模块设计的基本原理及其实现的具体方法。

摘要：针对协同电子战中跳频通信干扰协同决策难题,通过构建“整体优化、逐站决策”的协同决策模型,基于深度强化学习技术,设计了在Actor-Critic算法架构下融合优势函数的决策算法,并在奖励函数中嵌入专家激励机制以提高算法的探索能力,采用集中式训练方法优化决策网络,使算法能够输出资源利用率最高的干扰方案,并大幅提高决策效率.仿真结果表明,相比于现有智能决策算法,本文算法给出的干扰方案能够节约8%干扰资源,决策效率提高50%以上,具有较大实用价值.

摘要：针对传统干扰功率分配方法在干扰目标策略未知的情况下容易造成资源浪费和干扰效费比低的问题,本文提出一种基于深度强化学习的动态自适应干扰功率分配方法 .在目标通信功率及功率控制策略完全未知的情况下,该方法将空间分布的侦察节点的观测值作为连续状态输入,利用深度强化学习方法进行干扰功率的辅助决策,可通过对目标策略的有效学习实现自适应稳定干扰.为进一步提升算法性能,本文设计了基于时序误差的优先经验回放机制和自适应探索策略.仿真结果表明,所提方法在与传统干扰功率分配方法干扰效果相当的情况下可节约42.5%的功率资源,提升了干扰效费比,且成功率和功率损耗皆优于对比的智能算法.

摘要：为了能够迅速准确地对进行支援干扰时的多部干扰机做出分配,以突防任务为作战前提,分别从干扰机的干扰程度、干扰位置部署和干扰角度3个方面设计了新的干扰效果评价指标,建立了针对突防路线的雷达干扰效果评价指标体系。应用新的干扰效果评价指标对干扰资源分配模型进行求解。通过仿真绘制了干扰区域图形并设计了突防航迹区域的GUI仿真界面,并由此得到新的干扰效果评价指标体系下的干扰资源分配。仿真结果表明,分配方案对执行突防路线规划任务前的雷达干扰资源分配更加具有针对性,同时也更加注重对突防路线的保护。