基于群智能優(yōu)化的目標(biāo)跟蹤節(jié)點(diǎn)調(diào)度技術(shù)研究.pdf

1、無(wú)線傳感器網(wǎng)絡(luò)(wireless sensor networks,WSN)是集成了監(jiān)測(cè)、控制以及無(wú)線通信的網(wǎng)絡(luò)系統(tǒng)，網(wǎng)絡(luò)的分布式信息處理、快速展開、抗毀性強(qiáng)等特點(diǎn)，使得WSN在軍事偵察、環(huán)境監(jiān)測(cè)、目標(biāo)跟蹤、空間探索和災(zāi)難搶險(xiǎn)等特殊領(lǐng)域得到了廣泛應(yīng)用，其中目標(biāo)跟蹤成為了WSN最具代表性的應(yīng)用之一。目標(biāo)跟蹤是實(shí)現(xiàn)區(qū)域監(jiān)測(cè)的關(guān)鍵手段，能夠?yàn)榛鹆刂?、敵情分析、威脅評(píng)估、態(tài)勢(shì)估計(jì)等民用和軍用指揮系統(tǒng)提供實(shí)時(shí)有效的決策支持，因此，研究相關(guān)的WSN

2、目標(biāo)跟蹤算法具有重要意義。由于WSN的能量、帶寬、存儲(chǔ)等資源受限，WSN必須動(dòng)態(tài)地對(duì)網(wǎng)絡(luò)資源進(jìn)行管理，在滿足跟蹤性能需求的同時(shí)盡可能地延長(zhǎng)網(wǎng)絡(luò)生命周期。本文以目標(biāo)跟蹤為背景，重點(diǎn)研究了WSN目標(biāo)跟蹤中的節(jié)點(diǎn)調(diào)度技術(shù)。
　　基于WSN的目標(biāo)跟蹤節(jié)點(diǎn)調(diào)度技術(shù)，在每個(gè)感知時(shí)刻動(dòng)態(tài)地選擇合理的傳感器組合對(duì)目標(biāo)進(jìn)行跟蹤，實(shí)質(zhì)是帶約束的組合優(yōu)化問題，目標(biāo)跟蹤的性能和網(wǎng)絡(luò)開銷與WSN的節(jié)點(diǎn)調(diào)度模型密切相關(guān)；群智能優(yōu)化方法收斂速度快，是求解復(fù)雜最

3、優(yōu)化問題的重要工具，但容易陷入局部最優(yōu)，因此，找到算法陷入局部最優(yōu)的原因，并對(duì)算法進(jìn)行改進(jìn)是有必要的。本文從構(gòu)建目標(biāo)跟蹤的節(jié)點(diǎn)調(diào)度模型和改進(jìn)群智能優(yōu)化算法兩個(gè)方面展開。其研究對(duì)WSN的目標(biāo)跟蹤技術(shù)發(fā)展具有重要意義。
　　本文基于群智能優(yōu)化方法，面向WSN目標(biāo)跟蹤節(jié)點(diǎn)調(diào)度的研究需求，主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下：
　　1.針對(duì)目標(biāo)優(yōu)先級(jí)排序問題，揭示了目標(biāo)屬性與目標(biāo)優(yōu)先級(jí)間的非線性關(guān)系，提出了一種基于加權(quán)戰(zhàn)術(shù)意義標(biāo)繪（weight

4、ed tactical significance map，WTSM）的目標(biāo)優(yōu)先級(jí)排序算法。該算法結(jié)合了線性加權(quán)法和戰(zhàn)術(shù)意義標(biāo)繪的思想，將影響目標(biāo)優(yōu)先級(jí)的因素分為相對(duì)態(tài)勢(shì)和目標(biāo)本身屬性兩個(gè)部分，利用層次分析法計(jì)算兩部分的權(quán)值。WTSM算法有效地解決了目標(biāo)屬性與優(yōu)先級(jí)間的非線性映射問題，避免了單個(gè)屬性控制整體優(yōu)先級(jí)的情況，為建立多目標(biāo)跟蹤節(jié)點(diǎn)調(diào)度模型提供理論基礎(chǔ)。
　　2.從改進(jìn)搜索算法的角度展開研究，針對(duì)能量非受限的WSN目標(biāo)跟蹤節(jié)

5、點(diǎn)調(diào)度問題，以最大化跟蹤精度為優(yōu)化目標(biāo)，提出了一種基于改進(jìn)二進(jìn)制粒子群優(yōu)化（binary particle swarm optimization,BPSO)的節(jié)點(diǎn)調(diào)度模型及算法。該算法基于目標(biāo)的預(yù)測(cè)位置及目標(biāo)的優(yōu)先級(jí)，以計(jì)算復(fù)雜度低的費(fèi)舍爾信息矩陣的跡為精度度量，構(gòu)建最大化跟蹤精度的節(jié)點(diǎn)調(diào)度模型。在深入分析BPSO陷入局部最優(yōu)原因的基礎(chǔ)上，提出了BPSO的改進(jìn)形式(MBPSO)，并用于節(jié)點(diǎn)調(diào)度模型的求解。MBPSO采用矢量的二進(jìn)制編碼方

6、式、約束滿足的循環(huán)移位種群初始化方法以及帶V型轉(zhuǎn)換函數(shù)的位置更新規(guī)則，并設(shè)計(jì)了引導(dǎo)因子引導(dǎo)粒子群的進(jìn)化。仿真結(jié)果表明，所提出的節(jié)點(diǎn)調(diào)度算法能夠有效地應(yīng)用于多目標(biāo)跟蹤問題，與典型的智能優(yōu)化算法相比，MBPSO算法能夠在全局尋優(yōu)和局部探索間取得平衡，且能夠有效地避免局部最優(yōu)。該算法能夠有效地應(yīng)用于以跟蹤精度為優(yōu)化目標(biāo)且能量非受限的節(jié)點(diǎn)調(diào)度問題。
　　3.為了解決WSN目標(biāo)跟蹤應(yīng)用中跟蹤性能與網(wǎng)絡(luò)生命周期的折衷問題，在動(dòng)態(tài)分簇的調(diào)度結(jié)構(gòu)

7、下，面向能量受限的WSN，構(gòu)建了包含跟蹤精度、能量消耗和能量均衡三個(gè)指標(biāo)的節(jié)點(diǎn)調(diào)度模型，提出了兩種能量有效的自適應(yīng)節(jié)點(diǎn)調(diào)度模型：(1)針對(duì)高節(jié)點(diǎn)密度的WSN網(wǎng)絡(luò)，深入分析得出，影響網(wǎng)絡(luò)生命周期的關(guān)鍵因素在于簇內(nèi)通信、簇?cái)?shù)量及節(jié)點(diǎn)的能量分布，因此，提出了一種基于幾何容忍度的簇保留節(jié)點(diǎn)調(diào)度模型；(2)針對(duì)基于一步預(yù)測(cè)的節(jié)點(diǎn)調(diào)度可能只獲得局部最優(yōu)調(diào)度方案的問題，從多步預(yù)測(cè)的角度展開研究，分析了目標(biāo)運(yùn)動(dòng)軌跡和預(yù)測(cè)位置間的關(guān)系，提出了一種基于多步

8、預(yù)測(cè)的自適應(yīng)節(jié)點(diǎn)調(diào)度模型。兩種模型均采用具有全局優(yōu)化能力的二進(jìn)制蝙蝠群算法(binary bat algorithm，BBA)進(jìn)行求解。仿真結(jié)果表明，在節(jié)點(diǎn)密集部署的網(wǎng)絡(luò)中，基于簇保留策略的節(jié)點(diǎn)調(diào)度算法能夠在滿足跟蹤性能的同時(shí)，減少能量消耗，均衡節(jié)點(diǎn)能量，延長(zhǎng)網(wǎng)絡(luò)生命周期。此外，該算法還有效地解決了頻繁變更任務(wù)簇所帶來(lái)的通信擁塞和信息冗余的問題，可有效應(yīng)用于大規(guī)模的WSN；基于多步預(yù)測(cè)的節(jié)點(diǎn)調(diào)度算法能夠有效地減少網(wǎng)絡(luò)的能量消耗，均衡節(jié)點(diǎn)

9、能量分布，不僅減少了任務(wù)簇的數(shù)量，而且減少了局部最優(yōu)調(diào)度方案帶來(lái)的網(wǎng)絡(luò)開銷，可有效應(yīng)用于非強(qiáng)機(jī)動(dòng)性的目標(biāo)跟蹤場(chǎng)景。
　　4.針對(duì)WSN目標(biāo)跟蹤節(jié)點(diǎn)調(diào)度算法缺乏開放性驗(yàn)證平臺(tái)的問題，基于C#和GMAP環(huán)境設(shè)計(jì)并實(shí)現(xiàn)了集跟蹤、定位和節(jié)點(diǎn)調(diào)度為一體的、可擴(kuò)展的仿真系統(tǒng)。該系統(tǒng)主要包括地圖模塊、節(jié)點(diǎn)布設(shè)模塊、觀測(cè)模塊、狀態(tài)預(yù)測(cè)與估計(jì)模塊、節(jié)點(diǎn)調(diào)度模塊和性能評(píng)估模塊，通過將本文的節(jié)點(diǎn)調(diào)度算法嵌入系統(tǒng)并進(jìn)行分析和實(shí)驗(yàn)，充分驗(yàn)證了本文模型和算法