CN101650879A - 空管通信导航监视设备的布网优化的方法 - Google Patents

Abstract

公开了一种空管通信导航监视设备的布网优化的方法，包括以下步骤：(1)用户提出特定的布网优化请求；(2)判断是区域布网优化还是航路布网优化，如为区域布网优化则转步骤(3)，如为航路布网优化则转步骤(4)；(3)预处理区域布网优化请求；(4)预处理航路布网优化请求；(5)获取区域或航路上历史设备的覆盖情况；(6)进行布网优化问题编码；(7)利用改进的遗传算法求解；(8)获取每轮寻优后最优解的预估台站覆盖情况，并结合历史设备覆盖情况，对当前最优解的表现进行评估；(9)进行布网优化问题解码。该方法依据空管设备配置规范，采用了改进的快速收敛的遗传算法实现了通信导航监视设备的全局布网优化，对区域及航路布网优化问题提出了一种通用的解决方案，为我国空管基础台站设施的科学规划和统一管理提供了有力的技术方法支持和辅助决策手段。

Description

空管通信导航监视设备的布网优化的方法

技术领域

本发明涉及一种空管通信导航监视(Communication NavigationSurveillance，简称CNS)设备的布网优化的方法，适用于各种通信导航监视设备各高度层以及各种管制区域和航路的布网优化。

背景技术

从全国台站布局规划来看，目前我国民航在设备配置方面还存在一些缺陷，主要是：通信设备布局缺乏统一规划，重复建站现象明显；导航设备装备总体数量不足，布局不尽合理；监视设备布局不均衡。例如，我国民航华东局部署了大量的通信导航监视设备，数量上甚至达到了澳大利亚全境部署的数量，并且使用了国际上领先的EUROCAT-X型空管***，但民航华东局并不完全具备雷达管制能力，这正是由于缺乏统一合理布局规划造成的。而空管新技术的广泛应用，对台站布局规划提出了更高的要求。在未来几年内我国民航将在重点地区完善VOR(Very-high-frequency Omnidirectional Range，甚高频全向信标)/DME(Distance Measuring Equipment，测距机)网络，大力推进DME/DME网络，以推广区域导航技术的应用；也将大力推广ADS-B(Automatic Dependent Surveillance Broadcast，自动相关监视)技术的应用，根据需求建设ADS-B和VHF(Very High Frequency，甚高频)基站。

在这种形势下，台站设备的合理规划、布局也越来越为重要。为了规范台站布局、配置，我国民航颁发了《民航空管地空话音通信***配置规范》，其中定义了各管制单位(包括终端区管制、进近管制、多跑道机场塔台管制、单跑道大中型机场塔台管制、小型机场塔台管制、1类区域管制、2类区域管制)的地空话音通信***配置规范，具体包括VHF设备管制频率配置要求、VHF设备覆盖重数及范围要求、VHF主备机配置要求、应急设备配置要求、供电保障要求、终端设施要求和传输设施要求。另外，我国民航还颁发了《航空无线电导航台和空中交通管制雷达站设置场地规范》，对无方向性信标台、航向信标台、下滑信标台、指点信标台、全向信标台、测距台、精密进近雷达站、空管近程一次监视雷达站、空管远程一次监视雷达站及空管二次雷达站的选址、设置、场地及环境等方面也制定了明确的规范要求。这些规范为台站布网、优化提供了标准依据。但是，目前仍存在军民航现行台站布局中覆盖备份不足、管制区边界重复建站、各类台站未公用等问题。

发明内容

本发明要解决的技术问题是提供了一种使军民航现行台站布局覆盖备份充足、管制区边界无重复建站、各类台站可公用的空管通信导航监视设备的布网优化的***。

本发明的技术方案是：这种空管通信导航监视设备的布网优化的方法包括以下步骤：(1)用户提出特定的布网优化请求；(2)判断是区域布网优化还是航路布网优化，如为区域布网优化则转步骤(3)，如为航路布网优化则转步骤(4)；(3)预处理区域布网优化请求；(4)预处理航路布网优化请求；(5)获取区域或航路上历史设备的覆盖情况；(6)进行布网优化问题编码；(7)利用改进的遗传算法求解；(8)获取每轮寻优后最优解的预估台站覆盖情况，并结合历史设备覆盖情况，对当前最优解的表现进行评估；(9)进行布网优化问题解码。

该方法使军民航现行台站布局覆盖备份充足、管制区边界无重复建站、各类台站可公用。其依据高度层覆盖模型，分别实现各主要高度层的优化布网；依据各类职能区域的台站配置规范，分别实现终端区台站优化布网、进近区台站优化布网、多跑道机场台站优化布网、单跑道机场台站优化布网、区域台站优化布网。同时为了实现全国统一布局的目标，提供任意区域优化布局功能，其综合航路主要高度层的布网模型和各职能区域的布局模型，实现台站布局的统一规划。

附图说明

图1为本发明的流程图；

图2为本发明的步骤(3)的流程图；

图3为本发明的步骤(4)的流程图；

图4为本发明的步骤(6)的流程图；

图5为本发明的步骤(7)的流程图；

图6为本发明的空管通信导航监视设备的布网优化***的结构示意图；

图7为本发明的***中的GIS信息处理模块的结构示意图；

图8为本发明的***中的优化算法实现模块的结构示意图；

图9为本发明的空管通信导航监视设备的布网优化***的具体实施例的结构示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

图1为本发明的流程图。这种空管通信导航监视设备的布网优化的方法包括以下步骤：(1)用户提出特定的布网优化请求；(2)判断是区域布网优化还是航路布网优化，如为区域布网优化则转步骤(3)，如为航路布网优化则转步骤(4)；(3)预处理区域布网优化请求；(4)预处理航路布网优化请求；(5)获取区域或航路上历史设备的覆盖情况；(6)进行布网优化问题编码；(7)利用改进的遗传算法求解；(8)获取每轮寻优后最优解的预估台站覆盖情况，并结合历史设备覆盖情况，对当前最优解的表现进行评估；(9)进行布网优化问题解码。

图2为本发明的步骤(3)的流程图，所述步骤(3)包括以下分步骤：

(3.1)接收用户选择的高度层作为布网优化目标高度层；

(3.2)接收用户选择的多边形区域Region作为布网优化目标区域，Region可以是用户选定的已存在的各种管制区，也可以是用户手绘的任意多边形；

(3.3)接收用户选择的设备类型作为布网优化目标设备类型，可以是任意的通信导航监视设备；

(3.4)获得多边形区域的外接矩形Rect，这是SuperMap中提供的功能；

(3.5)从矩形Rect的一个顶点出发，分别沿着横轴和纵轴按照一定的长度l等间隔采样，获得采样点集Set1，长度l是一个经验取值，如VHF通信设备最大作用距离370km的二分之一；

(3.6)由等间隔采样点集Set1生成泰森多边形，以多边形区域Region为边界；

(3.7)对每个泰森多边形，利用全国数字高程数据求其海拔最高点组成点集Set2，此功能可通过SuperMap的栅格数据表面分析函数编码实现；

(3.8)利用设备覆盖计算模块的功能，获得多边形区域Region的历史覆盖情况；

(3.9)传递参数点集Set2，多边形Region和容易产生干扰的覆盖重数n到优化算法实现模块进行布网优化；

其中，步骤(3.1)、(3.2)、(3.3)须并行执行，步骤(3.4)、(3.5)、(3.6)、(3.7)、(3.8)须并行执行。

图2所示的区域布网优化预处理的技术方案主要包括以下几个操作：对目标布网优化区域多边形进行等间隔采样获得采样点集，对采样点集进行泰森多边形分割，求每个分割后泰森多边形的地理最高点。此预处理方案的主要目的是为之后的优化算法寻优确定一个较优的目标初始点集，利用对空域通信导航监视设备布网优化领域知识的了解来加快目标寻优的过程。影响通信导航监视台站覆盖的主要因素有空间自由传输损耗、地表遮挡、大气折射、大气吸收、地表反射等，空间自由传输损耗是覆盖计算的基础，此外影响覆盖范围最大的因素莫过于地表遮挡，因此选择地理制高点作为布网优化寻优的初始点比通常采用的随机初始点的方法更加接近目标最优点，极大地加快了寻优的进程。

图3为本发明的步骤(4)的流程图，所述步骤(4)包括以下分步骤：

(4.1)根据RVSM(Reduced Vertical Separation Minimum，缩小垂直间隔标准)有关航路宽度的规定生成航路的外接多边形Region1作为布网优化目标区域，即沿航路走向的狭长多边形；

(4.2)将航路宽度延长一定长度11后生成航路Route的外接多边形Region2，长度l1为一经验数值，如VHF通信设备最大作用距离370km；

(4.3)沿航路每隔一定长度l2做航路的垂线，以多边形Region2为边界生成新的截断多边形，长度l2为一经验数值，如VHF通信设备最大作用距离370km的二分之一；

(4.4)对每个截断多边形，利用全国数字高程数据(DEM)求其海拔最高点组成点集Set，其通过SuperMap的栅格数据表面分析函数编码实现。

图3所示的航路布网优化请求预处理流程与图2所示的区域布网优化请求预处理流程的差别主要体现在，区域布网优化请求的目标是一个多边形区域，而航路布网优化请求的目标是一个折线线段，为了下一步覆盖评估的要求，需要将折线线段延展成一个多边形区域，具体实现方案就是在原航路两侧作与原折线线段平行的并相距固定距离的两条折线线段，包围成一个多边形区域作为布网优化的目标区域。

图4为本发明的步骤(6)的流程图，所述步骤(6)包括以下分步骤：

(6.1)获取布网优化输入点集Set，多边形区域Region1，Region2和干扰重数n；

(6.2)以点集Set作为优化初始点，不足的以随机点补足，对于单台站优化而言，每一个初始点就是一个可行解，对于两台站优化的情况，随机选取两个初始点组成一个可行解，多台站优化情况类推；

(6.3)根据台站优化的顺序，将各台站的横坐标、纵坐标顺序串联成实数串作为遗传个体，如下所示：

台站1横坐标

台站1纵坐标

台站2横坐标

台站2纵坐标

台站n横坐标

台站n纵坐标

；

(6.4)判断各台站位置是否在区域Region2内作为约束条件，对遗传算法来说，不满足约束条件的个体将被赋予一个非常大的惩罚值，使其几乎没有机会遗传到下一代；

(6.5)计算联合覆盖、历史覆盖和Region1求并集后面积作为第一目标函数，求其最大值；

(6.6)计算联合覆盖、历史覆盖和Region1求并集后，n重以上覆盖的面积作为第二目标函数，求其最小值，参考《民航空管地空话音通信***配置规范》和《航空无线电导航台和空中交通管制雷达站设置场地规范》中相关规定设定n值，其意义就是将同频或串频干扰的风险最小化；

(6.7)采用以上步骤设定遗传算法相关参数和执行条件，利用改进的遗传算法进行优化。

图4所示布网优化问题编码处理流程的主要作用是，将上一阶段预处理过的用户布网优化问题编码成遗传算法可以接受的问题描述形式，遗传算法的问题描述主要包括：个体基因的定义，目标函数(可以有多个，本发明中定义为两个)以及个体生存需要满足的约束条件。布网优化目标就是要确定新增台站的具***置，也即是经纬度，因此将预设台站的经纬度坐标串联组成遗传个体的基因；布网优化的评估指标包括联合覆盖区域最大化以及同频串频干扰最小化，因此选择联合覆盖区域的面积作为第一目标函数，容易引发同频串频干扰的n重联合覆盖区域面积作为第二目标函数，第一目标函数越大且第二目标函数越小表明覆盖的效果越好；各种通信导航监视设备的作用距离都是有限的，因此对于指定的目标布网区域而言，无限大的选址范围是没有意义的，台站的选址应当在限定的多边形区域以内，将这个条件作为遗传基因个体生存所必须满足的约束条件。

图5为本发明的步骤(7)的流程图，所述步骤(7)包括以下分步骤：

(7.1)利用布网优化请求编码单元生成的问题描述初始化遗传算法，包括初始种群、约束条件以及目标函数；

(7.2)进化迭代次数gen＝0，收敛条件设定为迭代一定的次数后退出；

(7.3)使用经典GA产生下一代种群，经典遗传算法(SimpleGenetic Algorithm)包括选择、交叉、变异三个步骤；

(7.4)将新种群与父种群合并，计算种群中每个个体的第一、第二目标函数值；

(7.5)对合并后的种群进行快速非支配排序；

(7.6)计算种群中每个个体的拥挤度，用i_d表示；

(7.7)选择排名最高的一个非支配集放入下一代群体；

(7.8)判断新种群中个体的个数是否大于N；

(7.9)如果加入一个非支配层以后，新种群个体的数量大于N，则根据当前非支配层中拥挤度的大小按照降序排序，选择排名靠前的个体加入新种群直到新种群个体数量达到种群数量上限；

(7.10)根据虚拟适应度进行复制，使用虚拟适应度可以避免当目标函数取值范围上下界较大时，直接使用目标函数作为选择依据所带来的选择上较大的偏差，简单的虚拟适应度可以直接是个体的非支配排序层值；

(7.11)判断是否是第一次迭代；

(7.12)是第一次迭代则计算初始种群目标函数的方差，如下式所示，

${\mathrm{Var}}_0=\lg \left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(x_i\right)-{\stackrel{\‾}{f}}_j)}^2\right)$

其中N为种群规模，f_j代表第j个目标函数，f_j是第j个目标函数的均值；

(7.13)不是第一次迭代则按照下列方程改变遗传算法的交叉概率p_cross和突变概率p_mut，

$p\_\mathrm{cross}=\frac{\lg \left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(x_i\right)-{\stackrel{\‾}{f}}_j)}^2\right)}{{\mathrm{Var}}_0}(p\_{\mathrm{cross}}_{\max }-p\_\mathrm{cr}{\mathrm{oss}}_{\min })+p\_{\mathrm{cross}}_{\min }$

$p\_\mathrm{mut}=p\_{\mathrm{mut}}_{\max }-\frac{\lg \left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(x_i\right)-{\stackrel{\‾}{f}}_j)}^2\right)}{{\mathrm{Var}}_0}(p\_{\mathrm{mut}}_{\max }-p\_{\mathrm{mut}}_{\min });$

(7.14)执行交叉操作；

(7.15)执行变异操作；

(7.16)判断当前进化代数gen是否大于最大迭代次数；

(7.17)gen小于最大迭代次数，则未满足收敛条件，则设gen＝gen+1，返回到步骤(7.4)继续循环。

本发明提出的新算法是基于一种采用了快速排序、精英保留策略和小生境拥挤度计算的非支配排序遗传算法：

快速非支配排序降低了同代种群中个体非支配排序的算法复杂度，其主要思想为：对于种群中每个个体i都设有以下两个参数n_i和S_i，n_i为在种群中支配个体i的解个体的数量，S_i为被个体i所支配的解个体的集合，首先找到种群中所有n_i＝0的个体，将它们存入当前集合F1，然后对于当前集合F1中的每个个体j，考察它所支配的个体集S_j，将集合S_j中的每个个体k的n_k减去1，即支配个体k的解个体数减1(因为支配个体k的个体j已经存入当前集F1)，如果n_k-1＝0则将个体k存入另一个集H，最后将F1作为第一级非支配个体集合，并赋予该集合内个体一个相同的非支配序i_rank，然后继续对H作上述分级操作并赋予相应的非支配序，直到所有的个体都被分级。其计算复杂度为O(mN²)，m为目标函数个数，N为种群大小。

精英保留策略是将新种群与父种群合并并择优进入下一代实现的，使用精英保留策略后可以在理论上保证遗传算法收敛于全局最优解。

拥挤度是在种群中的给定点的周围个体的密度，用i_d表示，它指出了在个体i周围包含个体i本身但不包含其他个体的最小的长方形。拥挤度排序是一种小生境技术，是为了防止种群因多样性降低而引起的进化停滞，拥挤度越高表明个体周围密度越低，此个体就越有可能是携带不同基因的个体。

本发明提出的新算法是在上述算法的基础上，采用了自适应的交叉率和变异率来代替原本固定的交叉率和变异率，在迭代的早期执行强交叉、弱变异，在迭代的后期执行弱交叉、强变异，以此提高遗传算法的收敛效率，自适应交叉率p_cross和变异率p_mut的计算方法如下：

${\mathrm{Var}}_0=\lg \left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(x_i\right)-{\stackrel{\‾}{f}}_j)}^2\right)---\left(1\right)$

$p\_\mathrm{cross}=\frac{\lg \left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(x_i\right)-{\stackrel{\‾}{f}}_j)}^2\right)}{{\mathrm{Var}}_0}(p\_{\mathrm{cross}}_{\max }-p\_\mathrm{cr}{\mathrm{oss}}_{\min })+p\_{\mathrm{cross}}_{\min }---\left(2\right)$

$p\_\mathrm{mut}=p\_{\mathrm{mut}}_{\max }-\frac{\lg \left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(x_i\right)-{\stackrel{\‾}{f}}_j)}^2\right)}{{\mathrm{Var}}_0}(p\_{\mathrm{mut}}_{\max }-p\_{\mathrm{mut}}_{\min })---\left(3\right)$

其中N为种群规模，f_j代表第j个目标函数，f_j是第j个目标函数的均值。公式(1)代表初始种群目标函数的方差和。目标函数的方差与遗传算法的优化进度密切相关，随着优化进度的推进而减小，因此采用目标函数方差来反映当前优化的进度。

如图6所示，本发明还提供了一种空管通信导航监视设备的布网优化***。该***包括：GIS信息处理模块10，其处理管制区信息、航路信息、已有台站覆盖信息，为用户指定的布网优化请求提供平台；区域布网优化模块20与GIS信息处理模块10连接，用于接收塔台管制区、进近管制区、终端区、中高空管制区等区域内通信导航监视设备的布网优化请求，并进行预处理；航路布网优化模块30与GIS信息处理模块10连接，用于接收航路、航线上的通信导航监视设备布网优化请求，并进行预处理；优化算法实现模块40与区域布网优化模块20和航路布网优化模块30连接，用于接收区域布网优化模块和航路布网优化模块输出的布网优化请求，并使用改进的遗传算法进行优化；设备覆盖计算模块50与优化算法实现模块40连接，用于在指定设备类型、高度层和台站位置的情况下利用GIS(Geographic InformationSystem，地理信息***)***和数字高程模型(Digital ElevationModel，简称DEM)，计算出设备的工作区域即覆盖区域。

图7为本发明的***中的GIS信息处理模块的结构示意图，所述GIS信息处理模块包括：GIS数据导入单元11，其从oracle数据库中导入已有的GIS数据，该GIS数据包括全国数字高程模型数据、通信导航监视台站位置点数据集、各种管制区域面数据集、航路航线线数据集以及已有通信导航监视台站的覆盖数据；GIS信息显示单元12与GIS数据导入单元11连接，用于显示已导入的GIS数据，并进行放大缩小、平移、旋转和点、线、面等基本的显示操作，此处使用的GIS平台是SuperMap(超图软件)，此平台可以提供上述所有GIS数据导入和显示的功能；用户操作单元13与GIS信息显示单元12连接，用于为用户提供布网优化平台，包括：选择特定的管制区、航路、已有的台站以及任意多边形区域的选择等，对于已有管制区、航路、台站的选择，SuperMap提供了选择机制，前台用户的选择可以以面对象、线对象或点对象的方式传递给以后的模块，用户还可以手工绘制一个多边形区域，并将绘制区域的信息以面对象的方式传递给以后的模块。

图8为本发明的***中的优化算法实现模块的结构示意图，所述优化算法实现模块包括：布网优化请求编码单元41，其将区域或航路布网优化请求转化为优化算法可以接受的问题描述形式；改进的遗传算法实现单元42与布网优化请求编码单元41连接，用于对编码后的问题执行优化迭代操作来寻找全局最优解；布网优化结果译码单元43与改进的遗传算法实现单元42连接，用于将改进的遗传算法寻优后提供的最优解译码成现实台站的位置布局。

图9为空管通信导航监视设备的布网优化***具体实施例的结构示意图，可以进一步说明本发明空管通信导航监视设备的布网优化***的技术方案。历史覆盖信息获取单元51，用于从oracle数据库中获取指定的通信导航监视台站在指定高度层的单重或多重覆盖信息，或者获取指定管制区域、航路航线在指定高度层的历史单重或多重覆盖信息；预估台站覆盖单元52，用于在指定设备类型、台站位置、高度层的情况下利用GIS***、数字高程数据(DEM)及覆盖模型，计算台站的覆盖信息。首先用户在GIS信息处理模块10所提供的平台上提出布网优化请求，然后根据是区域布网优化还是航路布网优化，选择区域布网优化模块20或航路布网优化模块30进行布网优化请求预处理，在传递布网优化请求到优化算法实现模块40之前，需要先调用设备覆盖计算模块50的历史覆盖信息获取单元51来获取目标区域历史覆盖情况，最后调用优化算法实现模块40实现布网优化，其中须多次调用设备覆盖计算模块50的预估台站覆盖单元52来评估阶段寻优的进展情况。

本发明的方法依据空管设备配置规范，采用了改进的快速收敛的遗传算法实现了通信导航监视设备的全局布网优化，对区域及航路布网优化问题提出了一种通用的解决方案，为我国空管基础台站设施的科学规划和统一管理提供了有力的技术方法支持和辅助决策手段。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (5)

1、空管通信导航监视设备的布网优化的方法，其特征在于，该方法包括以下步骤：

(1)用户提出特定的布网优化请求；

(2)判断是区域布网优化还是航路布网优化，如为区域布网优化则转步骤(3)，如为航路布网优化则转步骤(4)；

(3)预处理区域布网优化请求；

(4)预处理航路布网优化请求；

(5)获取区域或航路上历史设备的覆盖情况；

(6)进行布网优化问题编码；

(7)利用改进的遗传算法求解；

(8)获取每轮寻优后最优解的预估台站覆盖情况，并结合历史设备覆盖情况，对当前最优解的表现进行评估；

(9)进行布网优化问题解码。

2、根据权利要求1所述的空管通信导航监视设备的布网优化的方法，其特征在于，所述步骤(3)包括以下分步骤：

(3.1)接收用户选择的高度层作为布网优化目标高度层；

(3.2)接收用户选择的多边形区域Region作为布网优化目标区域，Region可以是用户选定的已存在的各种管制区，也可以是用户手绘的任意多边形；

(3.3)接收用户选择的设备类型作为布网优化目标设备类型，可以是任意的通信导航监视设备；

(3.4)获得多边形区域的外接矩形Rect，这是SuperMap中提供的功能；

(3.5)从矩形Rect的一个顶点出发，分别沿着横轴和纵轴按照一定的长度l等间隔采样，获得采样点集Set1，长度l是一个经验取值，如VHF通信设备最大作用距离370km的二分之一；

(3.6)由等间隔采样点集Set1生成泰森多边形，以多边形区域Region为边界；

(3.7)对每个泰森多边形，利用全国数字高程数据求其海拔最高点组成点集Set2，此功能可通过SuperMap的栅格数据表面分析函数编码实现；

(3.8)利用设备覆盖计算模块的功能，获得多边形区域Region的历史覆盖情况；

(3.9)传递参数点集Set2，多边形Region和容易产生干扰的覆盖重数n到优化算法实现模块进行布网优化；

其中，步骤(3.1)、(3.2)、(3.3)须并行执行，步骤(3.4)、(3.5)、(3.6)、(3.7)、(3.8)须并行执行。

3、根据权利要求1所述的空管通信导航监视设备的布网优化的方法，其特征在于，所述步骤(4)包括以下分步骤：

(4.1)根据RVSM有关航路宽度的规定生成航路的外接多边形Region1作为布网优化目标区域，即沿航路走向的狭长多边形；

(4.2)将航路宽度延长一定长度11后生成航路Route的外接多边形Region2，长度11为一经验数值，如VHF通信设备最大作用距离370km；

(4.3)沿航路每隔一定长度l2做航路的垂线，以多边形Region2为边界生成新的截断多边形，长度l2为一经验数值，如VHF通信设备最大作用距离370km的二分之一；

(4.4)对每个截断多边形，利用全国数字高程数据求其海拔最高点组成点集Set，其通过SuperMap的栅格数据表面分析函数编码实现。

4、根据权利要求1所述的空管通信导航监视设备的布网优化的方法，其特征在于，所述步骤(6)包括以下分步骤：

(6.1)获取布网优化输入点集Set，多边形区域Region1，Region2和干扰重数n；

(6.2)以点集Set作为优化初始点，不足的以随机点补足，对于单台站优化而言，每一个初始点就是一个可行解，对于两台站优化的情况，随机选取两个初始点组成一个可行解，多台站优化情况类推；

(6.3)根据台站优化的顺序，将各台站的横坐标、纵坐标顺序串联成实数串作为遗传个体；

(6.4)判断各台站位置是否在区域Region2内作为约束条件，对遗传算法来说，不满足约束条件的个体将被赋予一个非常大的惩罚值，使其几乎没有机会遗传到下一代；

(6.5)计算联合覆盖、历史覆盖和Region1求并集后面积作为第一目标函数，求其最大值；

(6.6)计算联合覆盖、历史覆盖和Region1求并集后，n重以上覆盖的面积作为第二目标函数，求其最小值；

(6.7)采用以上步骤设定遗传算法相关参数和执行条件，利用改进的遗传算法进行优化。

5、根据权利要求1所述的空管通信导航监视设备的布网优化的方法，其特征在于，所述步骤(7)包括以下分步骤：

(7.1)利用布网优化请求编码单元生成的问题描述初始化遗传算法，包括初始种群、约束条件以及目标函数；

(7.2)进化迭代次数gen＝0，收敛条件设定为迭代一定的次数后退出；

(7.3)使用经典GA产生下一代种群，经典遗传算法包括选择、交叉、变异三个步骤；

(7.4)将新种群与父种群合并，计算种群中每个个体的第一、第二目标函数值；

(7.5)对合并后的种群进行快速非支配排序；

(7.6)计算种群中每个个体的拥挤度，用i_d表示；

(7.7)选择排名最高的一个非支配集放入下一代群体；

(7.8)判断新种群中个体的个数是否大于N；

(7.9)如果加入一个非支配层以后，新种群个体的数量大于N，则根据当前非支配层中拥挤度的大小按照降序排序，选择排名靠前的个体加入新种群直到新种群个体数量达到种群数量上限；

(7.10)根据虚拟适应度进行复制，使用虚拟适应度可以避免当目标函数取值范围上下界较大时，直接使用目标函数作为选择依据所带来的选择上较大的偏差，简单的虚拟适应度可以直接是个体的非支配排序层值；

(7.11)判断是否是第一次迭代；

(7.12)是第一次迭代则计算初始种群目标函数的方差，如下式所示，

${\mathrm{Var}}_0=\lg \left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(x_i\right)-{\stackrel{\‾}{f}}_j)}^2\right)$

其中N为种群规模，f_j代表第j个目标函数，f_j是第j个目标函数的均值；

(7.13)不是第一次迭代则按照下列方程改变遗传算法的交叉概率p_cross和突变概率p_mut，

$p\_\mathrm{cross}=\frac{\lg \left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(x_i\right)-{\stackrel{\‾}{f}}_j)}^2\right)}{{\mathrm{Var}}_0}(p\_{\mathrm{cross}}_{\max }-p\_{\mathrm{corss}}_{\min })+p\_{\mathrm{cross}}_{\min }$

$p\_\mathrm{mut}=p\_{\mathrm{mut}}_{\max }-\frac{\lg \left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(f_j\left(x_i\right)-{\stackrel{\‾}{f}}_j)}^2\right)}{{\mathrm{Var}}_0}(p\_{\mathrm{mut}}_{\max }-p\_{\mathrm{mut}}_{\min });$

(7.14)执行交叉操作；

(7.15)执行变异操作；

(7.16)判断当前进化代数gen是否大于最大迭代次数；

(7.17)gen小于最大迭代次数，则未满足收敛条件，则设gen＝gen+1，返回到步骤(7.4)继续循环。

Images