本文通过机器学习方法提出了一种雷达任务选择的主动方法,并将其设计在雷达调度流程之前,以提高雷达资源管理过程中的性能和效率。该方法由两个过程组成:任务选择过程和任务调度过程,其中任务选择过程利用强化学习能力来探索和确定每个雷达任务的隐藏重要性。在雷达任务不堪重负的情况下(即雷达调度器超负荷工作),将主动选择重要性较高的任务,直到任务执行的时间窗口被占满,剩余的任务将被放弃。这样就能保证保留潜在的最重要任务,从而有效减少后续调度过程中的总时间消耗,同时使任务调度的全局成本最小化。本文对所提出的方法进行了数值评估,并将任务丢弃率和调度成本分别与单独使用最早开始时间(EST)、最早截止时间(ED)和随机偏移开始时间EST(RSST-EST)调度算法进行了比较。结果表明,与EST、ED和RSST-EST相比,本科学报告中提出的方法分别将任务丢弃率降低了7.9%、6.9%和4.2%,还将调度成本降低了7.8倍(EST为7.8倍)、7.5倍(ED为7.5倍)和2.6倍(RSST-EST为2.6倍)。使用我们的计算环境,即使在超负荷的情况下,拟议方法所消耗的时间也小于 25 毫秒。因此,它被认为是提高雷达资源管理性能的一种高效实用的解决方案。
雷达资源管理(RRM)对于优化作为飞机、舰船和陆地平台主要传感器的现代相控阵雷达的性能至关重要。报告》讨论了雷达资源管理,包括任务选择和任务调度。该课题对国防科技(S&T)非常重要,因为它与现代相控阵雷达的大多数应用相关。它对当前的海军雷达项目尤为重要,该项目探索了雷达波束控制的人工智能(AI)/机器学习(ML)方法。所提出的算法有可能升级未来的舰船雷达,从而做出更好的决策并提高性能。