基于群智能優(yōu)化的目標跟蹤節(jié)點調(diào)度技術(shù)研究.pdf

1、無線傳感器網(wǎng)絡(wireless sensor networks,WSN)是集成了監(jiān)測、控制以及無線通信的網(wǎng)絡系統(tǒng)，網(wǎng)絡的分布式信息處理、快速展開、抗毀性強等特點，使得WSN在軍事偵察、環(huán)境監(jiān)測、目標跟蹤、空間探索和災難搶險等特殊領域得到了廣泛應用，其中目標跟蹤成為了WSN最具代表性的應用之一。目標跟蹤是實現(xiàn)區(qū)域監(jiān)測的關鍵手段，能夠為火力控制、敵情分析、威脅評估、態(tài)勢估計等民用和軍用指揮系統(tǒng)提供實時有效的決策支持，因此，研究相關的WSN

2、目標跟蹤算法具有重要意義。由于WSN的能量、帶寬、存儲等資源受限，WSN必須動態(tài)地對網(wǎng)絡資源進行管理，在滿足跟蹤性能需求的同時盡可能地延長網(wǎng)絡生命周期。本文以目標跟蹤為背景，重點研究了WSN目標跟蹤中的節(jié)點調(diào)度技術(shù)。
　　基于WSN的目標跟蹤節(jié)點調(diào)度技術(shù)，在每個感知時刻動態(tài)地選擇合理的傳感器組合對目標進行跟蹤，實質(zhì)是帶約束的組合優(yōu)化問題，目標跟蹤的性能和網(wǎng)絡開銷與WSN的節(jié)點調(diào)度模型密切相關；群智能優(yōu)化方法收斂速度快，是求解復雜最

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，并對算法進行改進是有必要的。本文從構(gòu)建目標跟蹤的節(jié)點調(diào)度模型和改進群智能優(yōu)化算法兩個方面展開。其研究對WSN的目標跟蹤技術(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目標跟蹤節(jié)點調(diào)度的研究需求，主要研究內(nèi)容和創(chuàng)新點如下：
　　1.針對目標優(yōu)先級排序問題，揭示了目標屬性與目標優(yōu)先級間的非線性關系，提出了一種基于加權(quán)戰(zhàn)術(shù)意義標繪（weight

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

5、點調(diào)度問題，以最大化跟蹤精度為優(yōu)化目標，提出了一種基于改進二進制粒子群優(yōu)化（binary particle swarm optimization,BPSO)的節(jié)點調(diào)度模型及算法。該算法基于目標的預測位置及目標的優(yōu)先級，以計算復雜度低的費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)點調(diào)度模型。在深入分析BPSO陷入局部最優(yōu)原因的基礎上，提出了BPSO的改進形式(MBPSO)，并用于節(jié)點調(diào)度模型的求解。MBPSO采用矢量的二進制編碼方

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，并設計了引導因子引導粒子群的進化。仿真結(jié)果表明，所提出的節(jié)點調(diào)度算法能夠有效地應用于多目標跟蹤問題，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用于以跟蹤精度為優(yōu)化目標且能量非受限的節(jié)點調(diào)度問題。
　　3.為了解決WSN目標跟蹤應用中跟蹤性能與網(wǎng)絡生命周期的折衷問題，在動態(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指標的節(jié)點調(diào)度模型，提出了兩種能量有效的自適應節(jié)點調(diào)度模型：(1)針對高節(jié)點密度的WSN網(wǎng)絡，深入分析得出，影響網(wǎng)絡生命周期的關鍵因素在于簇內(nèi)通信、簇數(shù)量及節(jié)點的能量分布，因此，提出了一種基于幾何容忍度的簇保留節(jié)點調(diào)度模型；(2)針對基于一步預測的節(jié)點調(diào)度可能只獲得局部最優(yōu)調(diào)度方案的問題，從多步預測的角度展開研究，分析了目標運動軌跡和預測位置間的關系，提出了一種基于多步

8、預測的自適應節(jié)點調(diào)度模型。兩種模型均采用具有全局優(yōu)化能力的二進制蝙蝠群算法(binary bat algorithm，BBA)進行求解。仿真結(jié)果表明，在節(jié)點密集部署的網(wǎng)絡中，基于簇保留策略的節(jié)點調(diào)度算法能夠在滿足跟蹤性能的同時，減少能量消耗，均衡節(jié)點能量，延長網(wǎng)絡生命周期。此外，該算法還有效地解決了頻繁變更任務簇所帶來的通信擁塞和信息冗余的問題，可有效應用于大規(guī)模的WSN；基于多步預測的節(jié)點調(diào)度算法能夠有效地減少網(wǎng)絡的能量消耗，均衡節(jié)點

9、能量分布，不僅減少了任務簇的數(shù)量，而且減少了局部最優(yōu)調(diào)度方案帶來的網(wǎng)絡開銷，可有效應用于非強機動性的目標跟蹤場景。
　　4.針對WSN目標跟蹤節(jié)點調(diào)度算法缺乏開放性驗證平臺的問題，基于C#和GMAP環(huán)境設計并實現(xiàn)了集跟蹤、定位和節(jié)點調(diào)度為一體的、可擴展的仿真系統(tǒng)。該系統(tǒng)主要包括地圖模塊、節(jié)點布設模塊、觀測模塊、狀態(tài)預測與估計模塊、節(jié)點調(diào)度模塊和性能評估模塊，通過將本文的節(jié)點調(diào)度算法嵌入系統(tǒng)并進行分析和實驗，充分驗證了本文模型和算法