[发明专利]基于蒙特卡洛树搜索的网络化雷达节点遴选方法

摘要

本发明公开了一种基于蒙特卡洛树搜索的网络化雷达节点遴选方法，主要解决现有技术对资源不加筛选，使得数据采集量和信号处理压力过大，节点资源浪费的问题。其实现方案是：1)确定节点遴选输入参数并定义蒙特卡洛搜索树中树节点属性；2)根据输入参数和节点属性构建一棵蒙特卡洛搜索树,得到一组遴选方案；3)计算得到的遴选方案性能，并对此次搜索中所有访问过的节点修改属性；4)根据修改后的节点属性判断遴选是否结束；5)未结束时更新起始根节点返回2)。本发明通过对现有资源加以筛选，降低了数据采集量和信号处理压力，避免了节点资源浪费，减小了空间增益损失，可用于物流和通信网中资源的筛选。

主权项

1.一种基于蒙特卡洛树搜索的网络化雷达节点遴选方法，其特征在于，包括如下：(1)确定节点遴选输入参数：随机确定一组由目标的方位角θ、俯仰角总数量为N的雷达节点坐标、节点遴选数M、俯仰角步长Δθ、方位角步长预设训练迭代次数T、目标高度h_t、探测距离R、基准方位角θ₀、基准探测距离R₀、波长λ组成的输入数据；(2)定义蒙特卡洛搜索树中树节点属性：设蒙特卡洛搜索树的节点i属性包括：当前节点的访问次数n_i、当前节点的奖励值r_i、当前节点所包含的根路径Set集合、当前节点所包含子节点的Children集合、当前节点距离叶子节点的距离、d当前层数、当前迭代次数；(3)构建一棵蒙特卡洛搜索树,得到一组遴选方案：一次训练迭代开始，从当前层根节点逐层访问子节点，直至访问到叶子节点时,蒙特卡洛树构建完毕，将该叶子节点Set集合中的节点作为一次遴选方案，其实现如下：(3a)判断当前节点是否为树的叶子节点：如果当前节点为树的叶子节点，将该叶子节点Set集合中的节点作为一次遴选方案，执行(4)；如果当前节点不是叶子节点，且当前节点的所有子节点均没有被访问过，则随机访问子节点，并将随机访问到的子节点作为新的节点，执行(3c)；如果当前节点不是叶子节点，且当前节点的子节点只有部分被访问过，或者都被访问过，则设置一个概率值p，0<p<1，执行(3b)。(3b)对当前节点已被访问过的子节点和尚未被访问过的子节点进行概率选取：对子节点中已访问过的子节点计算上置信值，选取上置信值UCB最大的子节点作为新的节点，以概率p将得到的新节点执行(3c)；对子节点中尚未访问过的子节点随机访问，将随机访问到的子节点作为新的节点，以概率(1‑p)将得到的新节点执行(3c)；(3c)判断新的节点是否为树的叶子节点：如果新的节点是叶子节点，执行(4)如果新的节点不是叶子节点，执行(3d)(3d)对所有不是叶子节点的新节点的子节点的访问状态继续进行判断：如果新节点的所有子节点均没有被访问过，则随机访问这些子节点，并将随机访问到的子节点作为新的节点，返回(3c)；如果新的节点的子节点只有部分被访问过，或者都被访问过，则设置一个概率值p，0<p<1，执行(3e)；(3e)对新节点中已被访问过的子节点和尚未被访问过的子节点进行概率选取：对子节点中已访问过的子节点计算上置信值，选取上置信值UCB最大的子节点作为新的节点，以概率p将得到的新节点返回(3c)；对子节点中尚未访问过的子节点随机访问，将随机访问到的子节点作为新的节点，以概率(1‑p)将得到的新节点返回(3c)；(4)利用评价函数D计算(3)得到的遴选方案性能，并根据D量化设定一个奖励函数r，计算D对应的奖励值r；(5)通过(4)计算出的r，修改节点的访问次数和当前奖励值，即所有访问过的节点的访问次数加1，奖励值加上r；(6)判断当前训练次数、当前层数，根据判决结果决定遴选是否结束：如果当前训练次数达到T次、当前层数达到M层，基于蒙特卡洛树算法的节点遴选到此结束；如果当前训练次数低于T次，当前层数低于M层，将训练次数加1，返回(3)；如果当前层数达到T次，当前层数低于M层，则执行(7)；(7)更新训练迭代的起始根节点，即选取当前层UCB值最大的子节点作为下层起始根节点，将当前层的层数加1，返回(3)。