监视台站布站方法和装置

摘要

本发明涉及空管领域，具体而言，涉及监视台站布站方法和装置。其中，监视台站布站方法，包括：对期望以监视台站覆盖服务的每个对象分别建立一个覆盖目标参数模型；对覆盖目标参数模型进行计算以设定布站区域；对布站区域进行站点优化布网分析，以确定监视台站布站方案。本发明提供的监视台站布站方法和装置，与现有技术中相比，避免了人工在野外或在地图上采集候选点，以及不断地人工选取与计算，而是采用计算机分析设置候选点，以及通过计算机分析来缺点最优站点布局，所以结果分析快速高效，大幅降低了成本。

说明书

技术领域

本发明涉及空管领域，具体而言，涉及监视台站布站方法和装 置。

背景技术

空管监视台站的种类和数量都在逐年增加，分布也越来越广泛。 监视台站组网规划主要目的是在指定类型的空管服务区域内，科学 规划一定数量的监视台站，使监视台站覆盖范围最大化覆盖服务区 域。现有的组网规划方法大都采用半人工半自动化的方法，即先人 工在野外或在地图上采集候选点，再利用相关方法计算指定类型的 设备在该位置的覆盖范围结果，并将结果与规划区域地图进行叠加， 通过不断的人工选取与计算，最终确定最佳候选点。

然而发明人发现，该方法候选点的选取对技术人员的技术和经 验要求较高，因此人工成本较高，导致增加了组网规划成本。

发明内容

本发明的目的在于提供监视台站布站方法和装置，以解决上述 的问题。

在本发明的实施例中提供了一种监视台站布站方法，包括：对 对期望以监视台站覆盖服务的每个对象分别建立一个覆盖目标参数 模型；对覆盖目标参数模型进行计算以设定布站区域；对布站区域 进行站点优化布网分析，以确定监视台站布站方案。

在本发明的实施例中提供了一种监视台站布站装置，包括：模 型创建模块，用于对期望以监视台站覆盖服务的每个对象分别建立 一个覆盖目标参数模型；布站区域设定模块，用于对覆盖目标参数 模型进行计算以设定布站区域；优化布网分析模块，用于对布站区 域进行站点优化布网分析，以确定监视台站布站方案。

本发明实施例提供的监视台站布站方法和装置，与现有技术 中相比，避免了人工在野外或在地图上采集候选点，以及不断地 人工选取与计算，而是采用计算机分析设置候选点，以及通过计算 机分析来确定最优站点布局，所以结果分析快速高效，大幅降低了 成本。

附图说明

图1示出了根据本发明实施例的监视台站布站方法的流程图；

图2示出了根据本发明优选实施例的监视台站布站方法的流程 图；

图3示出了根据本发明优选实施例的二次雷达信号覆盖模型示 意图；

图4示出了根据本发明优选实施例的站点优化布网分析算法流 程图；

图5示出了根据本发明优选实施例的邻近台站之间顶空盲区补 盲示意图；

图6示出了根据本发明优选实施例的约束性判断与修正流程 图；

图7示出了根据本发明实施例的监视台站布站装置的示意图。

具体实施方式

下面通过具体的实施例子并结合附图对本发明做进一步的详细 描述。

图1示出了根据本发明实施例的监视台站布站方法的流程图， 包括：

步骤S10，对期望以监视台站覆盖服务的每个对象分别建立一 个覆盖目标参数模型；

步骤S20，对覆盖目标参数模型进行计算以设定布站区域；

步骤S30，对布站区域进行站点优化布网分析，以确定监视台 站布站方案。

本实施例的监视台站布站方法，通过规范统一多源监视台站组 网规划流程，组网规划所需的资源，从而为多源监视台站组网规划 自动化奠定基础。通过自动化过程，本实施例避免了人工在野外或 在地图上采集候选点，以及不断地人工选取与计算，而是采用计算 机分析设置候选点，以及通过计算机分析来确定最优站点布局，所 以结果分析快速高效，大幅降低了成本。

优选地，对期望以监视台站覆盖服务的每个对象分别建立一个 覆盖目标参数模型包括设置以下至少一个参数：

覆盖目标高度参数，整型数组，用于描述监视台站规划覆盖高 度；布站数量参数，整型，用于描述规划布网台站个数；终端区覆 盖重数参数，整型，用于描述规划设备台站多重覆盖度要求，最低 满足一重覆盖；覆盖终端区参数，浮点型二维数组，用于描述布网 站点覆盖的区域，坐标设定格式为[R1,R2,..Rm],其中R1为 [x1,y1,x2,y2,...,xn,yn](n≥3)，m≥0,当m=0时，表示当前组网规划与 覆盖区域无关；覆盖航路参数，浮点型二维数组，用于描述覆盖航 路坐标设定，格式为[L1,L2,..Lm],其中L1为 [x1,y1,x2,y2,...,xn,yn](n≥2)，m≥0,当m=0时，表示当前组网规划与 覆盖航路无关；航路覆盖重数参数，整型，用于描述规划台站对航 路覆盖重数要求；布网区域参数，浮点型数组，用于描述布网区域 坐标格式[x1,y1,x2,y2,...,xn,yn](n≥3)；航路覆盖宽度参数，整型，用 于描述为航路左右延展的宽度；航路合法布站宽度参数，整型，用 于描述为航路附近合法的布站区域宽度；实际覆盖搜索控制参数， 布尔型，用于描述当前组网规划是否考虑现有监视台站覆盖；实际 覆盖搜寻区域参数，浮点型数组，用于描述当前组网规划考虑的现 有设备必须在该搜索区域内，其坐标格式为 [x1,y1,x2,y2,...,xn,yn](n≥3)。

优选地，对覆盖目标参数模型进行计算以设定布站区域包括：

读取覆盖目标参数模型的配置；判断覆盖目标参数模型中的布 网区域参数是否为空；如果布网区域参数为空，则判断覆盖目标参 数模型中的覆盖航路参数是否为空，如果不为空，则以覆盖目标参 数模型中的航路覆盖宽度、航路合法布站宽度为缓冲半径分别通过 缓冲区分析得到航路覆盖面集合、航路合法布站区集合，以航路合 法布站区集合进行合并，得到的合并区域作为新参数值赋给布站区 域；如果覆盖航路参数为空，则将覆盖目标参数模型中的覆盖终端 区参数的值赋给布站区域；如果布网区域参数不为空，则判断覆盖 目标参数模型中的覆盖航路参数是否为空，如果不为空，则以覆盖 目标参数模型中的航路覆盖宽度、航路合法布站宽度为缓冲半径分 别通过缓冲区分析得到航路覆盖面集合、航路合法布站区集合，将 航路合法布站区集合的合并区域与覆盖目标参数模型中的布网区域 参数取交集，将交集结果赋给布站区域；如果覆盖航路参数为空， 则将覆盖目标参数模型中的布网区域参数的值赋给布站区域。

优选地，采用遗传算法对布站区域进行站点优化布网分析。

优选地，确定监视台站布站方案包括：当站点优化布网分析满 足终止条件，则根据需求输出指定个数的适应度值最高的最优个体 方案，每个方案输出内容包括组网站点坐标集合，站点所在覆盖结 果集。

图2示出了根据本发明优选实施例的监视台站布站方法的流程 图，包括：

步骤S202，地理数据准备；

步骤S204，运行参数预处理；

步骤S206，布站区域设定；

步骤S208，运行数据预处理；

步骤S210，站点优化布网分析；

步骤S212，优化部署方案输出。

本优选实施例中引入候选站点参数模型、覆盖目标参数模型作 为多约束参数条件；其中，监视设备类型包括一次雷达，二次雷达， 广播式自动监视ADS-B，多点定位MLAT，每一种设备类型对应一 种候选站点参数模型，该参数模型将规划台站布站约束条件进行规 范化，保证了规划目标约束条件正确初始化。覆盖目标参数模型是 对布网台站覆盖服务的对象进行约束。后三步是监视台站组网分析 与结果输出验证步骤，先根据参考覆盖目标参数模型、候选站点参 数模型设置值，确定选址布网区域，然后随机生成初始布站群方案， 通过多约束条件判定，符合条件的布站群方案进入遗传算法进行适 应度计算、选择、交叉和变异等，最终得到多组优化布站方案。通 过对优化方案中站点地址进行微调，最终形成台站组网规划方案供 决策部门参考。

优选地，对每种类型的监视台站分别建立一个候选站点参数模 型包括设置以下至少一个参数：

设备类型参数，字符串型，用于描述监视台站的类型；天线高 度参数，浮点型，用于描述监视台站的规划设备天线的高度；设备 仰角参数，浮点型，用于描述监视台站的设备仰角；塔台限制高度 参数，浮点型，用于描述监视台站的塔台设置的高度限制；地形作 用距离参数，浮点型，用于描述地形对监视台站的信号覆盖影响范 围的距离限制；低空盲区高度参数，整型，用于描述监视台站的低 空不能覆盖的高度限制；高空盲区高度参数，整型，用于描述监视 台站的高空不能覆盖的高度限制；建筑物干扰源参数，字符串类型 数组，用于描述监视台站的建筑物图层数据集名称数组；建筑设施 限制半径参数，浮点型，用于描述监视台站的不应有金属建筑物、 密集的居民楼、高压输电线的限制半径；有源干扰源参数，字符串 类型数组，用于描述监视台站的有源信号干扰源；有源干扰设施半 径参数，浮点型，用于描述监视台站的指定半径范围内，不应有能 产生有源干扰的电气设施。

方案详细说明如下：

步骤S202，地理数据准备

地理数据是指带空间数据和属性数据的各类地图或图集，是台 站组网规划必须条件，主要包括等高线数据（大比例尺，如1:25万）、 数字高程DEM数据（大比例尺，如1:25万）、地面交通数据、居民 区数据、各类建筑物干扰源数据集，各类有源干扰源分布数据、现 有四类监视设备台站分布数据，其中建筑物干扰源数据有居民区、 金属建筑物、高压输电线等数据，有源干扰源数据包括气象雷达、 高频炉等分布数据。以上为常见地理数据，也可以更加实际需要增 加其他地理数据，这些添加的地理数据与覆盖目标参数模型和候选 站点参数模型中的参数相关。

步骤S204，运行参数预处理

参数预处理是对候选站点参数模型、覆盖目标参数模型和遗传 算法参数模型进行参数配置。三个参数模型中设置了当前规划监视 站点的台站建设约束条件，只有满足这些条件的监视台站，才能符 合规划组网要求。

候选站点参数模型中参数为：设备类型，天线高度，设备仰角， 建筑设施限制半径，有源干扰设施半径等。具体说明参考表1。该 模型为组网设备内部约束条件，模型参数值为该类型设备中国民用 航空行业标准参考值，具有通用性，也可以根据实际行业应用做对 应调整。

表1候选站点参数模型

覆盖目标参数模型中参数为：覆盖目标高度，布站数量，终端 区覆盖重数，覆盖终端区，覆盖航路，航路覆盖重数，布网区域， 航路覆盖宽度，航路合法布站宽度，实际覆盖搜索控制，实际覆盖 搜索区域，具体说明参见表2，该模型为组网设备外部约束条件， 其中参数中覆盖终端区与覆盖航路2个参数配置不能同时为空；模 型参数值为当前规划设备覆盖服务对象的限制条件，配置值只对当 前规划组网有效。

表2覆盖目标参数模型

遗传算法参数模型是遗传算法的运行参数，参数为：种群规模， 个体编码长度，编码精度，终止迭代数，适应度变化阈，交叉率， 变异率，最优个体保存率，具体参数说明参见表3，该参数模型参 数值一般采用经验值。

表3遗传算法参数模型

步骤S206，布网区域设定

布网区域是规划台站布站有效范围限定，该区域范围受到上述 中的覆盖目标参数模型配置和航路覆盖预处理结果影响，通过该步 骤，最终确定实际布网区域RealPlanRegion。设定方法如下：

（1）首先读取覆盖目标参数模型配置；判断布网区域参数值是 否为空，如果该参数为空，则执行第（2）步；否则执行第（3）步。

（2）判断覆盖航路是否为空，如果不为空，则将步骤S208得 到的航路合法布站区集合进行合并，得到的合并区域作为新参数值 赋给RealPlanRegion。如果为空，则将覆盖终端区参数值赋给 RealPlanRegion。

（3）判断覆盖航路是否为空，如果不为空，则将步骤S208得 到的航路合法布站区集合进行合并，得到的合并区域与布网区域参 数取交集，交集结果作为新参数值赋给RealPlanRegion。如果为空， 则RealPlanRegion为配置参数布网区域的值。

布网区域的重新设定，为台站布网缩小搜索范围。

步骤S208，运行数据预处理：航路覆盖预处理和设备覆盖预处 理。

步骤S206与步骤S208可以交换执行秩序。

航路覆盖预处理和设备覆盖预处理是站点优化布网分析前的数 据准备，该两个处理过程是否执行，受到覆盖目标参数模型中参数 配置值的控制。

（1）航路覆盖预处理：

根据配置的覆盖目标参数模型，如果覆盖航路参数配置不为空， 则以配置的覆盖航路为对象，然后分别以航路覆盖宽度为缓冲半径 通过缓冲区分析得到航路覆盖面集合，以航路合法布站宽度为缓冲 半径通过缓冲分析得到航路合法布站区集合。

（2）设备覆盖预处理：

设备覆盖预处理实现在指定监视设备类型的信号覆盖模型基础 上计算监视设备信号在某高度上的覆盖。以二次雷达为例，根据2.2 中配置的模型参数，如果实际覆盖搜索控制参数配置为TRUE，则 查询地理数据中二次雷达数据集中所有落在指定实际覆盖搜索区域 内二次雷达站点，并计算这些站点在覆盖目标高度上的信号覆盖。 因此该步骤关键在于信号覆盖模型的建立。以下为监视设备通用信 号覆盖模型建立的说明：

图3示出了根据本发明优选实施例的二次雷达信号覆盖模型示 意图。如图3，假设当前监视设备站点其在一个方位上发现目标的 仰角范围是0°～45°（该仰角范围根据设备出厂设置为准），考虑 遮蔽物的影响，对于某一高度层的空域被划分为顶空盲区、可视区 和遮蔽区。考虑一阶球面近似可以得到遮蔽角θ_s计算公式：

${\theta }_s=\arctan \{\frac{h_s-h_a}{l_s}-\frac{l_s}{2a_e}\}$

其中a_e为等效地球半径，h_s为设备视线上最高遮蔽点的海拔高 度，l_s为遮蔽点到天线的斜距，h_a为天线海拔高度（即设备台站的海 拔标高+天线高度）。在图中所示方位，海拔高度h_r的空域可视区在 监视设备仰角[θ_s，45°]范围内。

在遮蔽角θ_s下，监视设备天线到高度h_r的视在距离：

$R_s\left({\theta }_s\right)=\sqrt{{\left(a_e\tan {\theta }_s\right)}^2+2a_e(h_r-h_a)}-a_e\tan {\theta }_s$

在遮蔽角θ_s下，监视设备的实际作用距离为：

$R_r\left({\theta }_s\right)=R_{\max }\sqrt{G\left({\theta }_s\right)}$

其中R_max是监视设备的最大作用距离，典型的最大作用距离约 为360km；G(θ)是监视设备天线的归一化方向图，由监视设备特性 决定，不同的类型，G(θ)是不同的。

监视设备不同高度层上可视区（覆盖范围）计算步骤：

（1）选择空域高度h_r；

（2）计算不同方位扇区（0～360°）的遮蔽角，初始记方位a_i=0 （0≦i<360)；

（3）计算以设备为起点，地形作用距离为长度，方位ai上相 交的等高线，其中该射线与等高线的交点为地形遮蔽点；

（4）根据上步求出的等高线的地理信息，找出高程值最大且距 站点最近的等高线L，并获得L上的遮蔽点坐标；

（5）计算该设备站点到上述遮蔽点的视在距离R_s(θ_s)；

（6）如果R_s(θ_s)≤R_r(θ_s)，如图2，高度h_r上可视区范围[θ_s，45°]；

（7）如果R_s(θ_s)>R_r(θ_s)，令R_s(θ_n)=R_r(θ_n)，求得θ_n，则高度h_r上 可视区范围[θ_n，45°]；

（8）以设备位置为中心，由球面公式和直接坐标公式可以计算 在a_i方位角度上可视区角度θ_n上的作用距离在平面上相对设备位置 的偏移量，从而得到ai方位上水平覆盖坐标点；

（9）i=i+1，a_i=a_i+1，循环执行(2)～(8)，直到i=360；

（10）分别将0～360°方位上获取的水平覆盖坐标点组成多边 形区域，该区域则是设备信号水平覆盖区域。

步骤S210，站点优化布网分析

站点优化布网分析是在前面步骤的基础上，采用遗传算法思想， 解决布网区域内布站最优化的问题。遗传算法是一种基于生物自然 选择与遗传机理的随机搜索算法，一种有效的解最优化问题的方法。

本方案结合遗传算法和GIS（Geography Information System， 地理信息系统）来解决复杂的空间优化配置问题，具有智能的搜索 算法可以大大提高空间的搜索能力。在基于进化的优化过程中，根 据GIS的空间数据来计算不同解决方案（染色体）的适应度。

图4示出了根据本发明优选实施例的站点优化布网分析算法流 程图。如图4所示，以监视设备二次雷达为例，站点优化布网分析 的步骤是：

步骤S302，根据设定的布网区域，初始布站方案群体；

群体方案中的每个个体可以表示为A：（F,Pts,Code,P),F为个体 适应度，Pts表示初始化个体中站点的坐标数组[（x₁,y₁）,（x₂,y₂）,..., （x_n,y_n）]，Code为染色体串（经纬度坐标二进制编码），P为个体适 应度概率。

通过步骤S206中得到的RealPlanRegion区域可能是规则或不 规则区域得到该区域的最小外接矩形，从而得到布网站点的地理坐 标范围，经度[X_min,X_max],纬度[Y_min,Y_max]。

设雷达网由N部雷达单元组成，以网内各雷达单元的地理位置 坐标为染色体，采用二进制编码方式，即各雷达单元的地理位置分 别用Lx,Ly位二进制编码表示，N部雷达单元的染色体串可表示为：

$x_1^{\mathrm{Lx}}{x}_1^{\mathrm{Lx}-1}{x}_1^{\mathrm{Lx}-2}···x_1^3{x}_1^2{x}_1^1{y}_1^{\mathrm{Ly}}{y}_1^{\mathrm{Ly}-1}{y}_1^{\mathrm{Ly}-2}···y_1^3{y}_1^2{y}_1^1{x}_2^{\mathrm{Lx}}{x}_2^{\mathrm{Lx}-1}{x}_2^{\mathrm{Lx}-2}···x_2^3{x}_2^2{x}_2^1{y}_2^{\mathrm{Ly}}{y}_2^{\mathrm{Ly}-1}{y}_2^{\mathrm{Ly}-2}···y_2^3{y}_2^2{y}_2^1$

$x_N^{\mathrm{Lx}}{x}_N^{\mathrm{Lx}-1}{x}_N^{\mathrm{Lx}-2}···x_N^3{x}_N^2{x}_N^1{y}_N^{\mathrm{Ly}}{y}_N^{\mathrm{Ly}-1}{y}_N^{\mathrm{Ly}-2}···y_N^3{y}_N^2{y}_N^1$

Code=N(L_x+Ly)位编码形成染色体串对应着一种雷达网部署方案。

Lx或Ly位长度可以根据遗传算法公式：

$\delta =\frac{U\max -U\min }{2^L-1}$公式1

x=x_Lx_L-1x_L-2...x₂x₁  公式2

$x=U\min +(\underset{i=1}{\overset{L}{\Sigma }}\mathrm{bi}·2^{i-1})·\frac{U\max -U\min }{2^L-1}$公式3

计算得到，其中公式1为二进制编码精度公式，公式2为一个 个体的编码，公式3为解码公式，U_max，U_min分别是随机数值的最 大值、最小值，L为二进制编码长度，δ为二进制编码的编码精度。 根据上述三个公式可以很容易进行编码和解码。

步骤S304，进行多约束条件判定和群体修正；

多约束条件判定是为了保障初始化站点方案群或当前方案群体 中的所有个体都要满足布站基本要求。根据候选站点参数模型中配 置条件进行站点过滤。多约束条件判定条件可以分为环境约束条件 和性能约束条件。

环境约束条件包括布网点RealPlanRegion实际布网区域；候选 站点参数模型中的建筑设施限制半径，有源干扰设施半径，即以候 选站点为中心，在配置半径范围内如果有建筑设施或有源干扰设施， 则该站点不符合条件。

性能约束条件是指监视设备台站建设应满足相邻单元之间最小 部署距离d_min，相邻单元最大部署距离d_max等条件。

d_min是为了避免设备之间近距离的信号干扰而要求的最小部署 距离，可以根据现有公式得到：P_T+G_T-P_L+G_R=P_min， P_L=K+20lg(f)+20lg(d_min)

其中：P_T=发射机功率（dBm），G_T=发射机天线增益（dB），P_L= 路径损耗，

G_R=接收机天线旁瓣增益（dB），f=频率（MHz），K=32.45（距 离以km为单位）

则：$d_{\min }={10}^{P_T+G_T+G_R-P_{\min }-K-20\lg \left(f\right)}.$

dmax是为了防止由于相邻单元设备之间的距离太远而产生顶 空盲区而要求的最大部署距离，这样设备之间才具有一定的高空和 顶空补盲作用。邻近站间最大距离由以下的两个参数决定：低空盲 区高度H_l和顶空盲区高度H_h，如图5所示。具体的计算方法可根据 监视设备天线的方向图和地球曲率半径求得不同H_l和H_h要求下相 邻设备站点的最大距离d_max(H_i)和d_max(H_h)，则最终相邻雷达的最大部 署距离表示为：d_max=min[d_max(H_i),d_max(H_h)]，如要求H_l不超过3km和H_h不超过6km的条件下，计算得到相邻雷达间的距离应当小于230 km。

如图6所示，种群方案多约束条件判定与群体修正具体详细操 作如下：

步骤S602，输入种群方案；

步骤S604，对种群中每个个体的单元进行约束条件（1）判断；

步骤S606，对不满足的个体单元进行局部修正，即在原有坐标 的基础上加入随机项将该单元移出干扰区域，直到所有个体单元都 满足约束条件（1）；

步骤S608，对种群中每个个体进行约束条件（2）判断，如果 群体中存在不满足约束条件（2）的个体，执行以下的步骤610-616； 如果所有个体都满足约束条件（2），则执行步骤S618；

步骤S610，以个体中某个单元坐标(x₁,y₁)为基准；

步骤S612，随机产生[0,2π]上均匀分布的随机数θ和[d_min,d_max]上 均匀分布随机数k；

步骤S614，对不满足约束条件（2）的个体，相邻单元的位置 调整为(x₂,y₂)=(x₁,y₁)+k(cosθ,sinθ)；

步骤S616，对修正后的个体单元进行约束条件（1）判断，如 果不满足，则返回执行步骤S612；直到所有的个体都满足约束条件 （1），则执行步骤S618；

步骤S618，输出修正后的种群；修正后的种群保证了所有个体 都同时满足了约束条件（1）和（2）。

其中，条件（1）为环境约束条件判定，条件（2）为性能约束 条件判定。

步骤S306，进行覆盖适应度计算和规划站点覆盖计算；

遗传算法对一个个体（解）的好坏用适应度函数值来评价，适 应度函数值越大，解的质量越好。适应度函数是遗传算法进化过程 的驱动力，也是进行自然选择的唯一标准，它的设计应结合求解问 题本身的要求而定。

本方案根据监视台站布站条件，设计适合本方案的覆盖适应度 函数，具体说明如下：

假设系统由N部监视设备（D₁D₂…D_N）组成，航路覆盖区为S_h， 终端管制区为S_z，M为高度层数（一般分为4个高度层分别是 3600m、4800m、6000m、8400m），S_ij为监视台站i在第j高度层的 覆盖区域（与不同设备的覆盖能力及地形因素相关）。ω_j为加权系数， ω_j取决于对各个高度层的关心程度，取值在[0，1]上，组 网覆盖性能达到最优要求满足以下两个条件：

1）管制区覆盖范围最大化

管制空域内覆盖范围越大，则覆盖连续性和严密性越好。可用 覆盖系数ρ描述，取值范围为[0,1]，即：

$\rho =\underset{j=1}{\overset{M}{\Sigma }}\left({\omega }_j\right[\left({\cup }_{j=1}^M{S}_{\mathrm{ij}}\right)\cap S_g]/S_g)$公式4

其中S_g为管制空域面积，包括终端区S_z和航路覆盖区S_h。

2)不同管制空域覆盖层数要求

如终端区域要求覆盖重数为N_zc=3，航路要求覆盖层N_hc=2，用 冗余系数μ描述，取值[0，1]，μ_z为终端区覆盖冗余系数，μ_h为 航路覆盖冗余系数：

${\mu }_z=\underset{j=1}{\overset{M}{\Sigma }}{\omega }_j\left\{\right[\left(\underset{i>k>m}{\overset{N}{\underset{i,k,m=1}{\cup }}}(S_{\mathrm{ij}}\cap S_{\mathrm{kj}}\cap S_{\mathrm{mj}})\right)]\cap S_z-[\left(\underset{i>k>m>n}{\overset{N}{\underset{i,k,m,n=1}{\cup }}}(S_{\mathrm{ij}}\cap S_{\mathrm{kj}}\cap S_{\mathrm{mj}}\cap S_{\mathrm{nj}})\right)]\cap S_z\}/S_z$公式5

${\mu }_h=\underset{j=1}{\overset{M}{\Sigma }}{\omega }_j\left\{\right[\left(\underset{i>k>m}{\overset{N}{\underset{i,k=1}{\cup }}}(S_{\mathrm{ij}}\cap S_{\mathrm{kj}})\right)]\cap S_h-[\left(\underset{i>k>m}{\overset{N}{\underset{i,k,m=1}{\cup }}}(S_{\mathrm{ij}}\cap S_{\mathrm{kj}}\cap S_{\mathrm{mj}})\right)]\cap S_h\}/S_h$公式6

μ=μ_z+μ_h  公式7

其中$\left[\left(\underset{i>k>m>n}{\overset{N}{\underset{i,k,m,n=1}{\cup }}}(S_{\mathrm{ij}}\cap S_{\mathrm{kj}}\cap S_{\mathrm{mj}}\cap S_{\mathrm{nj}})\right)\right]\cap S_z$为覆盖冗余因子。

综合公式5、6、7可设计优化目标函数（适应度函数）如下：

f=k₁ρ+k₂μ  公式8

其中k₁,k₂，是权重系数，表示终端区覆盖与航路覆盖的重要程 度，可以通过层次分析方法得到。这些都是统计值，与经验值有关

在上述理论公式的基础上，具体覆盖适应度计算操作过程如下：

（I）令当前迭代次数为t，第一次初始化t=1，t<T；

（II）根据候选站点设备类型，分别计算M个群体方案中所有 候选站点在指定的地理位置上的信号覆盖：

（III）判定实际覆盖搜索控制，如果该参数为TRUE，覆盖适 应度需要考虑现有台站覆盖，执行（IV）；否则执行（V）；

（IV）通过步骤S206可以得知覆盖条件的现有台站个数为N₁， 规划台站数配置值为N₂，则公式5中的设备个数为N=N₁+N₂；

（V）如果没有现有台站参与规划，则N=N₂；

（VI）判定覆盖目标模型参数配置，确定此次规划是正对终端 区、航路或二者。如果正对终端区（即覆盖终端区域参数不为空， 覆盖航路参数为空），则执行第（ⅥI)；如果正对航路，则执行（Ⅶ I）；如果正对二者，则执行（IX）。

（VII）结合公式4～8，令管制空域面积S_g=S_z，μ_h=0，μ=μ_z；

（VIII）结合公式4～8，令管制空域面积S_g=S_h，μ_z=0， μ=μ_h；

（IX）结合公式4～8，令管制空域面积S_g=S_z∪S_h， μ=μ_z+μ_h；

（X）以i=0，循环计算群体方案M个个体的适应度 F_i=f_i=k₁ρ_i+k₂μ_i；其中当N_zc>=N,冗余系数公式5和6中的冗余因 子为0.

其中，方案中单个候选站点信号覆盖计算方法如下：

（i）利用DEM高程数据获取候选点Pt所在位置的高程值；

（ii）计算候选点Pt的天线海拔高度=高程值+塔台限制高度；

（iii）根据当前配置的设备类型，利用该设备类型归一化方向 图计算该候选站点在指定高度上的信号覆盖。

上面的地形数据DEM和等高线可以通过预先准备地理数据来 获取。

地理数据是指带空间数据的各类地图或图集，是台站组网规划 必须条件，主要包括等高线（大比例尺，如1:25万）、数字高程DEM 图（大比例尺，如1:25万）、各类空管区分布图集、航路图、地面 交通图、居民区图、干扰源设备分布图、现有四类监视设备台站分 布图；其中空管区分布图集包括管制区、情报区、管制扇区、进近 管制区、进近管制扇区、终端区等区域，这些区域都可能成为监视 台站布站区域。以上为常见地理数据，也可以更加实际需要增加其 他地理数据，这些添加的地理数据与覆盖目标参数模型和候选站点 参数模型中的参数相关。

步骤S308，终止判断；

GA遗传算法是一种反复迭代的随机搜索算法，它通过多次进 化逐步逼近最优解，因此需要确定终止条件。这里采用规定遗传代 数和个体适应度判断相结合的方法作为终止条件。当遗传代数大于 设定值T或群体适应度平均值变化小于门限β时，则终止搜索。操 作如下：

（I）设全局变量F_avg为群体适应度平均值，F_cavg为当前群体适 应度平均值，计算

（II）判断当前迭代数t，当t=1时，F_avg=F_cavg；执行第S310 步；否则执行第Ⅲ步。

（III）当t<T且F_avg-F_cavg<=β，或t=T时，终止迭代，执行第 S212步输出最优方案。否则执行第S310步。

步骤S310，存储最佳个体

（I）对群体的所有个体按适应度大小F_i进行降序排序。

（II）如果当前迭代数t=1时，令全局变量ColonyGroup表示 迄今为止的适应度最高最好个体，大小为G·M；否则通过适应度将 ColonyGroup数组中最优个体与当前群体中的G·M个适应度最高的 个体进行比较，将适应度最高的G·M个个体保存到ColonyGroup数 组中。也就是当前群体中最佳个体的适应度比总的迄今为止的最好 个体的适应度还要高，则以当前群体中的最佳个体作为新的迄今为 止的最好个体。

（III）将迄今为止的ColonyGroup数组中最好的个体替换当前 群体中G·M个适应度最差的个体。

（IV）重新按照适应度对群体个体排序。

（V）计算当前群体中每个个体适应度概率各个 个体分配到的概率作为其能够被遗传到下一代的概率，基于这些概 率值用比例选择的方法产生下一代群体。

步骤S312，选择交叉变异；

执行经典遗传算法产生下一代新个体。经典遗传算法包括选择、 交叉、变异。

（I）选择：即从当前群体中按照一定的概率选出优良的个体， 使它们有机会作为父代繁殖下一代子孙形成新群体，新群体个体个 数为M。

（II）交叉：将选择得到的新群体个体进行两两相互配对，配 对的染色体依据交叉概率Pc按照某种方式交互其部分基因，从而形 成两个新的个体，将新个体保存到新的群体中。

（III）变异：针对新群体个体通过一个变异率(p_n)改变染色体 位串上的某一个或某一些基因，将变异后的个体添入新群体中。

（IV）分别将新群体中的M个个体染色体进行解码，将解码后 的地理坐标数组赋给Pts。

（V）至此一次站点优化布网分析结束，t=t+1，进入第S304 步，执行多约束条件判定。

步骤S212，优化部署方案输出

当站点优化布网分析满足终止条件，则根据需求输出指定个数 的适应度值最高的最优个体方案。每个方案输出内容包括组网站点 坐标集合，站点所在覆盖结果集。

图7示出了根据本发明实施例的监视台站布站装置，包括：

模型创建模块10，用于对期望以监视台站覆盖服务的每个对象 分别建立一个覆盖目标参数模型；

布站区域设定模块20，用于对覆盖目标参数模型进行计算以设 定布站区域；

优化布网分析模块30，用于对布站区域进行站点优化布网分 析，以确定监视台站布站方案。

本实施例避免了人工在野外或在地图上采集候选点，以及不断 地人工选取与计算，而是采用计算机分析设置候选点，以及通过计 算机分析来确定最优站点布局，所以结果分析快速高效，大幅降低 了成本。

优选地，优化布网分析模块采用遗传算法对布站区域进行站点 优化布网分析。

从以上的描述中可以看出，本发明具有以下优点：

1、结果分析快速高效

2、充分考虑了民用航空监视台站选址规范和标准，使分析结果 根据符合实际；

3、方法灵活性大，适用于各类监视设备类型。

显然，本领域的技术人员应该明白，上述的本发明的各模块或 各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算 装置上，或者分布在多个计算装置所组成的网络上，可选地，它们 可以用计算装置可执行的程序代码来实现，从而，可以将它们存储 在存储装置中由计算装置来执行，或者将它们分别制作成各个集成 电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模 块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明， 对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在 本发明的精神和原则之内，所作的任何修改、等同替换、改进等， 均应包含在本发明的保护范围之内。