基于强化学习的雷达干扰资源分配

 本项目对干扰机-雷达一对多场景下的干扰突防问题进行了强化学习建模，并采用DQN与DDPG两种算法，对雷达干扰资源分配问题进行了仿真，并对仿真结果进行了分析。

项目目录结构介绍

基于强化学习的雷达干扰资源分配
|—DQN          // 使用DQN算法实现干扰资源分配
|——RadarEnv.py     //针对DQN进行动作离散化的雷达-干扰机交互环境
|——rl_utils.py       // 强化学习常用函数
|——run_DQN.ipynb    //基于DQN的突防仿真实现
|—DDPG         // 使用DDPG算法实现干扰资源分配
|——RadarEnv_ddpg.py   //采用混合动作空间的雷达-干扰机交互环境
|——rl_utils.py       // 强化学习常用函数
|——tryDDPG.ipynb    //基于DDPG的突防仿真实现
|—Patent         //专利相关的仿真 |——RadarEnv_ddpg_n.py   //采用混合动作空间的多雷达-干扰机交互环境
|——rl_utils.py       // 强化学习常用函数
|——tryDDPG_n.ipynb    //基于DDPG的多雷达-单干扰机突防仿真实现
|—requirements.txt     // 依赖包
|—README.md      // 项目介绍

开发工具环境搭建

 Python 3.8 + Pytorch 2.1  环境使用的依赖包详见requirements.txt

项目运行方式

 使用Jupyter Notebook在配置好的虚拟环境中运行run_DQN.ipynb与tryDDPG.ipynb文件，运行结果将以内嵌形式展示。

项目开发人员

 刘骥远[[email protected]]

指导老师

 王博[[email protected]]