Please use this identifier to cite or link to this item:
https://hdl.handle.net/11264/1801
Title: | A Comparison of Two Stochastic Global Optimization Methods for the Generation of Electronic Countermeasures Techniques |
Authors: | Vogelsang, Dean T. Royal Military College of Canada / Collège militaire royal du Canada Bray, Joey |
Keywords: | Electronic Countermeasures ECM Electronic Warfare EW Deception Jamming MATLAB Global Optimization Genetic Algorithm Particle Swarm Optimization PSO Tactical Engagement Simulation Software TESS |
Issue Date: | 2-Oct-2019 |
Abstract: | Choosing the optimal set of parameters of an electronic countermeasures technique from the vast solution space provided by modern deception jamming systems is time consuming and non trivial. Optimization algorithms can be used to find the optimal parameter set to a given problem in a fraction of the time required of direct search methods. Both the genetic algorithm and particle swarm optimization have been shown to be effective when dealing with electromagnetic engineering problems. Previous attempts to improve electronic countermeasures techniques have used a genetic algorithm in a limited fashion to generate range gate pull off and velocity gate pull off techniques using a hardware-in-the-loop simulation. In the public domain, the particle swarm optimization has never been used for this specific problem.
This thesis compares the effectiveness and efficiency of the genetic algorithm and the particle swarm optimization when applied to the problem of electronic countermeasure technique parameter selection. To do so, the MATLAB® Global Optimization Toolbox and Tactical Engagement Simulation Software (TESS™) were integrated to provide a fitness evaluation of each candidate solution generated via the iterative process. Multiple optimizations were conducted for engagement scenarios between a ground based radio frequency command guided surface to air missile system and an airborne target aircraft using a self-protection deception jammer. Simulation results show that effective electronic countermeasures deception jamming techniques can be generated using both optimization algorithms. However, the particle swarm optimization found effective techniques more often and in less time than the genetic algorithm. Les systèmes modernes de brouillage déceptif exigent plusieurs paramètres d’entrée. L’optimisation des paramètres d’une technique de contre-mesure électronique s’avère alors d’une tâche longue et difficile. Des algorithmes d’optimisation sont souvent plus rapides que la méthode de recherche directe pour estimer la solution optimale d’un problème à paramètres multiples. L’algorithme génétique et l’optimisation des essaims particulaires se sont révélés efficaces pour traiter certains problèmes de génie électromagnétique. Des tentatives précédentes visant à améliorer les techniques de contre-mesures électroniques ont utilisé l’algorithme génétique de manière limitée pour générer des techniques de déréglage des portes de distance et de vitesse dans une simulation de matériel incorporé. Cependant, les sources publiées ne mentionnent pas l’optimisation des essaims particulaires pour cette tâche. Dans cette thèse, l’efficacité et l’efficience de l’algorithme génétique et de l’optimisation des essaims particulaires sont comparées pour l’estimation des paramètres optimaux des techniques de brouillage déceptif. Pour ce faire, la boîte à outils d’optimisation globale MATLAB® et le logiciel de simulation d’engagement tactique (TESS™) ont été intégrés pour évaluer les solutions candidates générées lors des itérations. De multiples optimisations ont été effectuées pour des engagements simulés entre un système de missile sol-air guidé par commande radiofréquences et un aéronef cible auto-protégé par un brouilleur de déception. Les résultats démontrent que les deux algorithmes d’optimisation sont capables de générer des techniques de brouillage déceptif efficaces. Cependant, l’optimisation des essaims particulaires a identifié des techniques efficaces plus souvent et plus rapidement que l’algorithme génétique. |
URI: | https://hdl.handle.net/11264/1801 |
Appears in Collections: | Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Thesis_Vogelsang_Final_Accepted.pdf | Final Thesis Document | 3.54 MB | Adobe PDF | View/Open |
Items in eSpace are protected by copyright, with all rights reserved, unless otherwise indicated.