中国指挥与控制学会会刊 
在现代战争中,信息优势已成为决定战争胜负的关键因素之一。通信网络作为信息系统的重要组成部分,其稳定性和安全性直接关系到战场情报的传递效率和军事行动的有效指挥。因此,破坏敌方通信网络,削弱其信息传输能力,已成为现代电子战的主要战术之一。相应地,开发高效的通信干扰策略,以优化干扰效果,减少资源消耗,成为电子战领域的重要研究方向。
通信干扰策略的优化不仅可以提高干扰效率,还可以在资源有限的条件下实现最大化的战术效果。目前,通信干扰策略优化的研究主要围绕静态分析与动态优化两类方法展开。在静态分析方面,周成[1]等人设计通信干扰信道功率智能决策算法,通过博弈论优化干扰强度,但其计算复杂度较高;甘志春[2]等人基于战术通信网拓扑建模,提出节点删除法评估网络抗毁性,但未考虑干扰资源的动态分配问题。在动态优化领域,陈浩然[3]等人利用深度强化学习生成应急通信网拓扑规划策略,但其依赖大量训练数据且实时性不足;史白[4]针对多用户无线通信网络,提出干扰策略博弈模型,但未解决全局搜索效率低的问题。此外,张剑[5]等人基于雅可比显著图实现电磁信号快速对抗攻击,但其方法局限于单节点干扰场景。上述研究多聚焦于单一优化维度,缺乏对网络动态特性与多策略协同机制的深度融合。
本文提出的NPDOA算法[6]通过模拟多个人脑神经群在执行认知活动时神经元放电的动态过程,构建了吸引子趋向、耦合扰动、信息投射3种搜索策略。相较于传统群体智能算法,NPDOA在解决复杂优化问题时展现出更强的动态平衡能力,但由于算法初始化阶段完全采用随机参数配置,原始NPDOA缺乏针对通信网络拓扑特征的针对性设计,导致在解决网络干扰等具有复杂结构关联的优化问题时存在初始化质量不足的问题。本研究在继承NPDOA动态机制优势的基础上,创新性地融入网络拓扑特征分析,设计并实现一个基于神经种群动态算法的通信干扰策略优化框架。通过该框架,能够有效地识别敌方通信网络中的关键节点和链路,动态生成最优的干扰策略,从而最大限度地破坏敌方通信能力。
1 通信干扰策略问题描述
通信干扰策略是在特定战术或战略背景下,通过技术手段对敌方通信网络实施有目的的干扰,旨在削弱或消除其通信能力。这些策略旨在通过干扰信号的发送,影响敌方通信设备的正常运行,从而达到延迟、阻断或误导敌方信息传递的目的。图1构建了由指挥中心节点协同综合接入节点及骨干传输节点的3级战术网络模型,标识出多层次干扰实施的物理路径与策略选择依据,并提出了基于NPDOA算法的通信干扰策略优化方法。
战术通信网的网络拓扑是进行有效干扰的基础,如图2所示。本研究构建了一个包含骨干层和接入层的复合网络拓扑。骨干层主要由20个节点和20条边构成,采用星型连接方式,确保核心通信的高效性和稳定性。接入层由60个节点和36条边构成,其中35个节点为固定用户,15个为移动用户,每个节点的可靠性为0.9,每条边的可靠性为0.85。本文采用混合拓扑结构,以提供灵活的通信服务。
目标函数旨在最大化敌方网络性能的损失,具体表达式如下:
Maximize f(x)= $\sum _{i=1}^{N}$ wi·(1-Ri(xi))
其中,N是网络中节点和边的总数。wi是节点或边的权重,代表其在网络中的重要性。Ri(xi) 是节点或边在干扰xi下的剩余可靠性。xi是分配给节点或边的干扰资源。可靠性函数Ri(xi) 表示节点或边的可靠性,即在分配给节点或边的干扰资源xi下的可靠性。目标函数的设计需要考虑如下因素:
节点和边的可靠性基础值:在没有干扰的情况下,节点和边的可靠性。
干扰资源xi的影响:干扰资源xi的增加会降低节点或边的可靠性。
饱和效应:随着干扰资源的增加,可靠性下降的速度会减缓,即存在饱和效应[9]。
在没有干扰的情况下,节点和边的可靠性分别为 Rnode 和Redge。干扰资源xi的增加会导致可靠性呈指数下降,但存在饱和效应,因此使用指数衰减函数来表示节点或边的可靠性:
Ri(xi)=Rbase·e-α·xi
其中,Rbase是基础可靠性值(对于节点为Rnode,对于边为Redge)。α是一个常数,表示干扰资源对可靠性的影响程度。xi是分配给节点或边的干扰资源。
为了考虑饱和效应,引入一个阈值xmax,当xi超过这个阈值时,可靠性不再显著下降,将函数修改为
Ri(xi)=Rbase·${e}^{-\alpha ·min({x}_{i},{x}_{max})}$
当xi超过xmax时,可靠性不再显著下降,从而模拟饱和效应。
假设节点的基础可靠性Rnode=0.9,边的基础可靠性Redge=0.85,干扰资源影响系数α=0.1,饱和阈值xmax=1。
对于节点:
Rnode(xi)=0.9·e-0.1·min(xi,1)
对于边:
Redge(xi)=0.85·e-0.1·min(xi,1)
通过上述设计,可以得到一个可靠性函数Ri(xi),它考虑了基础可靠性、干扰资源的影响以及饱和效应。这个函数可以用于优化通信干扰策略,以最大化对战术通信网的干扰效果。
2 NPDOA算法描述
NPDOA算法基于理论神经科学中的神经元集群动态学说。该学说认为,神经元群体(而非单个神经元)是大脑多个区域的基本计算单元,其动态行为通过群体内神经元放电率的协同变化实现认知功能。通过监测这些集群内每个神经元放电频率的波动,科研人员能够洞察大脑执行多样化功能的机制。在本文采用NPDOA方法中,其模拟了神经种元集动力学中的两大策略:吸引子趋势策略和耦合扰动策略[10]。信息投影策略通过通信子空间调控动态策略间的交互,具体表现为:利用邻接矩阵描述神经种群间的连接关系,通过通信强度矩阵量化信息传递效率,从而平衡探索与开发过程。本文详细阐述了初始化流程以及所采用的3种搜索策略:吸引子趋势、耦合干扰与信息投影。吸引子趋势策略能够驱动神经元集群向全局最优解方向收敛,从而体现算法的开发能力;耦合干扰策略通过种群间的相互作用来避免陷入局部最优,进而体现算法的探索能力;信息投影策略通过动态调整吸引子趋势策略和耦合干扰策略的权重,实现了从探索阶段到开发阶段的平滑过渡。
2.1 基于节点重要性的种群初始化
NPDOA通过模拟认知活动时具有相同数量神经元的多个神经种群的状态来解决优化问题。对于D维优化问题,问题的解x= (x1, x2,…, xD)被视为一个具有D个神经元的神经种群的神经状态。解中的每个决策变量xi(i ∈ {1, 2,…,D})代表神经种群中的一个神经元,其值表示该神经元的发放率。目标值f(x)对应于大脑做出的决策或行动。
标准的NPDOA算法采用随机初始化,易忽略网络拓扑特性。本文提出融合节点度中心性与介数中心性的重要性评分机制,初始化时,30%的个体通过重要性阈值筛选生成(优先选择关键节点),其余个体采用概率随机初始化(选择概率为0.3),既保留多样性又强化初始种群质量。之后根据3种神经种群动态策略,神经种群的神经状态发生变化。
2.2 吸引子趋势策略
设定吸引子总数为[α·N],其中α∈[0,1]表示吸引子占比系数,N∈N+为神经种群总数,[·]表示向下取整函数。模拟神经状态的变化具有一定难度,因为生物电路大多数情况下是非线性且高维的。常用的简化方法是忽略其非线性特征,改用线性动态系统进行建模。本算法采用了一个简化的神经种群动态模型的线性动态系统来模拟神经种群的吸引子趋势行为。公式如下:
xattract,i=l· ${r}_{1}^{2}$ ·(attk-xi)+wi,wi~N(0,U-L)
其中l代表吸引子趋势的缩放因子,r1是[0,1]区间内的随机数,attk是吸引子集合att={att1, att2,…,att[a.n]}中的第k个吸引子,k是{1, 2,…, ⌊a·n」}中的随机值,Patt表示包含所有吸引子神经状态的种群子集,其中每个吸引子xi表示Patt中第i个神经种群的神经状态,wi是第i个神经状态的零均值高斯噪声向量,其协方差由U-L决定,U=(U1, U2,…, UD)为所有神经状态的最大值,L=(L1, L2,…, LD)为最小边界。
2.3 耦合干扰策略
某一特定神经群体的状态受到其他群体神经状态的影响。通常神经群体间的互动是通过加性或扩散耦合实现的。在本算法中,这两种耦合方式均被考虑应用于神经群体动态中。在加性耦合机制中,一个神经群体接收的输入是基于其他神经群体状态之和的函数。为了简化运算,该算法将其他神经群体的状态表示为所有状态之和的均值,相应的计算公式为
xadd,i=r2·$\frac{\sum _{j=1}^{n}{x}_{j}}{n}$
其中,r2 是一个介于[0,0.5]之间的随机数,n表示神经群体的数量。在扩散耦合机制中,一个神经群体的输入是该群体神经状态与其他群体状态差的总和的函数,其计算公式为
xdif,i=r3·$\frac{\sum _{j=1}^{n}\left({x}_{i}-{x}_{j}\right)}{n}$
其中,r3 是一个介于[0,0.5]之间的随机数,而xi代表第i个神经群体在Patt中的状态。
本算法结合使用这两种耦合方式来模拟其他神经群体的影响效果。该组合公式如下:
xcp,i=d·$\left({x}_{add,i}+{x}_{dif,i}\right)$
其中,d是耦合干扰的缩放系数。方程显示了通过两种耦合方式,一个神经群体如何受到另一群体的影响。其他神经群体的干扰导致该群体偏离原有吸引力的影响,此种基于神经群体耦合的搜索策略能有效提升算法的探索性能。
2.4 信息投影策略
如前文所述,神经群体间的信息交换与互动是通过通信子空间来进行。在这个新提出的算法中,采用表示邻近关系和通信强度的矩阵来定义神经群体间信息映射的通信子空间。在吸引过程中,一个吸引子和神经群体的其他神经状态之间的信息传递是通过一个1×D的邻接矩阵Cattract,i和一个1×D的通信强度矩阵Rattract,i来完成的。公式如下所示:
xCattract,i=Cattract,i·Rattract,i·xattract,i
其中,Cattract,i是一个1×D的包含二进制随机数的矩阵,Rattract,i是一个1×D的矩阵,其值在[0,1]之间随机生成,xattract,i是根据吸引趋势策略得到的动态向量。在耦合干扰中,神经群体间的信息传递同样通过一个1×D的邻接矩阵Ccp,i和一个1×D的通信强度矩阵Rcp,i来实现。此外,神经状态的干扰在过程的早期应有较大影响,在神经状态稳定前尤为重要。因此,耦合干扰的效果会逐步减弱。公式如下:
xC_cp,i=Ccp,i·Rcp,i·xcp,i·r4·$\left(1-\frac{FE}{F{E}_{max}}\right)$
其中,xC_cp,i是一个1×D的包含二进制随机数的矩阵,Rcp,i是一个1×D的在[0,1]中随机生成值的矩阵,xcp,i是根据耦合干扰策略获得的动态向量,r4是[0,1]中的一个随机数,FE是函数评估次数,FEmax是最大函数评估次数。随着迭代过程的推进,FE逐渐增加,而耦合干扰的影响逐渐减小。
最终,每个神经群体的状态都会受到来自吸引子和其他神经群体状态的共同影响。具体来说,当前神经群体的状态xi将按照以下方式进行更新:
$x_{new,i}=x_{i}+x_{C_{attract,i}}+x_{\text{C_cp,i}}$
本算法采用了前述策略,通过模拟神经群体间的信息映射,有效地促进了从探索阶段向利用阶段的过渡。
3 仿真实验分析
为验证NPDOA算法在通信干扰策略优化中的性能,作者设计了干扰策略节点选择实验和算法综合性能对比实验。实验硬件环境为Intel(R) Core(TM) i7-14 700 Hx处理器,16 GB内存,软件环境为Windows 11 64位操作系统及MATLAB 2024 b,算法参数配置如表1所示。测试数据基于第1节构建的战术通信网拓扑模型,实验参数设置如下:网络节点数N=80,边数E=56,种群规模为50,最大迭代次数100次,干扰资源约束条件设置为总干扰强度≤100%。对比算法包括粒子群算法(PSO)[11]、遗传算法(GA)[12]、灰狼优化算法(GWO)[13]、鲸鱼优化算法(WOA)[14]、哈里斯鹰优化算法(HHO)[15]和传统网络中心性指标法(度中心性、介数中心性、节点删除法)。所有算法均独立运行30次以消除随机性影响,实验结果取平均值。
表1 算法参数配置表Tab.1 Algorithm Parameter Configuration |
| 算法 | 主要参数 |
|---|---|
| NPDOA | AT=0.2,Nd=0.15,a=0.8,d=0.15 |
| PSO | w=0.7,c1=2,c2=2,vmax=4.0 |
| GA | pcrossover=0.8,pmutation=0.1 |
| GWO | ainitial=2,C1/C2/C3=2×rand |
| WOA | ainitial=2,l=(rand-0.5)×2,p=rand |
| HHO | E1=2×(1-iter/max_iter),J=2×(1-rand) |
3.1 干扰节点优选与性能对比实验
图3所示为各算法在同一通信拓扑图中进行的通信干扰节点选择策略,红点表示需干扰的通信节点,以达到对战术通信网的最大化干扰效果。
表2展示了各算法推荐的关键节点删除后网络性能的对比,NPDOA推荐的节点删除后,网络连通度损失超41.2%,其干扰造成的通联损伤显著高于其他算法。NPDOA资源效能比达1.85(即每单位干扰强度可降低1.85%连通度),效率较HHO(1.22)提升51.6%。实验显示,NPDOA选取的节点兼具高介数中心性和低冗余度的双重优势,算法表现排序为NPDOA > PSO > HHO > GWO > WOA > GA。
表2 各算法干扰效果对比Tab.2 Comparison of Interference Effects of Different Algorithms |
| 方法 | 通联下降 | 路径阻断 | 资源效能比 |
|---|---|---|---|
| NPDOA | -41.20% | 72.80% | 1.85 |
| PSO | -35.40% | 58.10% | 1.37 |
| GA | -12.70% | 19.40% | 0.69 |
| GWO | -27.90% | 49.20% | 1.18 |
| WOA | -25.30% | 43.70% | 1.05 |
| HHO | -29.60% | 51.30% | 1.22 |
3.2 算法性能分析
图4稳定性分析表明,随着迭代次数的增加,NPDOA、PSO、GWO、WOA和HHO的标准差逐渐减小并趋于稳定,最终达到一个相对较低的值,说明NPDOA在迭代过程中能够有效地调整和优化其参数,逐步收敛到一个稳定的解,具有一定的可靠性。
图5收敛曲线显示,在30次独立运行中,NPDOA在35±2次迭代时达到稳定,平均收敛值较PSO提升4.73%,较HHO提升7.23%,其快速收敛得益于3种动态策略的协同作用:吸引子趋势策略通过引导种群向高适应度区域迁移增强局部搜索效率;耦合干扰策略通过神经群体间的相互作用保持种群多样性;信息投影策略则通过矩阵调控显式优化维度间的关联特性。
执行时间统计表明,NPDOA单次运行平均耗时为1.492 4秒(标准差0.016 1),虽略高于基准算法(PSO:0.732 0秒),但相比其显著的性能提升具有可接受的代价。图6算法时间对比图进一步揭示,时间增量主要源于神经状态空间投影操作,此过程通过重要性因子筛选可进一步优化。
图7展示了30次独立实验的统计结果。NPDOA以平均目标函数值0.968 9显著优于其他算法(PSO:0.963 9,GWO:0.918 4,WOA:0.903 5,HHO:0.900 9),其标准差仅为0.011 4,验证了算法的强稳定性,GA算法因种群多样性不足导致早熟收敛,平均表现仅为0.238 8。NPDOA的解分布区间呈现高度聚集特征,证明其抗噪能力更强。
4 结束语
本文提出了一种基于神经种群动态优化算法(NPDOA)的通信干扰策略优化框架,通过模拟神经种群间的吸引子趋势、耦合干扰与信息投影机制,实现了对敌方通信网络关键节点的动态识别与干扰资源的高效分配。实验表明,相较于传统方法,NPDOA在干扰效能(通联损伤率提升41.2%)、资源利用率(资源效能比1.85)和收敛速度(较PSO提升4.73%)等方面均具有显著优势。该算法为解决复杂通信环境下的干扰资源动态分配问题提供了理论支持与技术手段。未来研究将结合多目标优化模型,进一步探索NPDOA在异构通信网络与多域协同干扰中的应用潜力。