周仕霖

(西安科技大学， 西安 710600)

1 引言

雷达脉冲重复频率(pulse repetition frequency，PRF)是雷达波形的一个关键参数，PRF的设计将直接影响雷达的探测性能。工作在中重频模式的雷达通常将不同的PRF组合在一起形成重频组[1]，实现解距离模糊和速度模糊，提升雷达波形的抗盲区性能。因此，重频组设计也成为雷达波形优化的重大课题。

雷达重频组可从多个方面进行优化，如解模糊、抗盲区、抗虚影等[2]。传统雷达重频组优化算法是将多目标问题转化为单目标问题求解，而对多目标雷达重频组优化的研究相对较少。如针对解模糊优化问题的重合算法(Coincidence Algorithm)、中国余数定理法[3]、一维集法[4]、滑窗聚类算法[5]及一系列衍生算法[6]等；针对波形盲区问题的遗传算法[7]、模拟退火算法[8]、蚁群算法[9]等，均是解决了雷达重频组的单目标优化问题。这些传统方法虽然具有一定的积极意义，但存在计算速度慢、优化结果受约束值和权重值影响较大的缺点[10]；并且，由于传统优化算法寻优能力有限，利用其对多目标雷达重频组进行优化时，不可避免的将多个目标函数主观结合为一个目标函数进行求解，造成目标函数主观性过强，难以保证得到理想的效果[11]。

随着帕累托(Pareto)概念的提出，针对多目标优化问题(multi-objective optimization problem，MOP)相继出现了多种智能优化算法，如非支配排序遗传算法(non-dominated sorting geniting algorithm Ⅱ,NSGA-Ⅱ)[12]、多目标粒子群算法(multi-objective particle swarm optimization， MOPSO)[13]、分布估计算法(estimation of distribution algorithm，EDA)[14]、基于分解的多目标进化算法(multi-objective evolutionary algorithm based on decomposition，MOEA/D)[15]等。但上述算法在对雷达重频组进行优化过程中存在多种问题，如NSGA-Ⅱ存在因交叉和变异随机性过大，导致帕累托前沿(PF)趋近度不够的问题[16]；……