多目标优化差分进化算法的传感器目标分配方法及系统的制作方法
【专利摘要】本发明公开了一种多目标优化差分进化算法的传感器目标分配方法，该方法包括：根据目标信息进行目标重要程度计算，建立传感器目标分配约束多目标优化函数，分配方案编码和初始种群染色体生成，利用差分进化算法产生子代方案种群，种群合并与筛选，获取分配方案Pareto前端解集等。本发明结合差分进化算法在群体差异启发式随机搜索方面简单易用，鲁棒性好，且具有强有力的全局搜索能力等特点，提供了一种Pareto集多目标优化分配策略；在传感器目标监测效能函数的基础上增加了传感器使用率函数，将分配问题转化为多目标优化问题，可在满足监测精度要求下尽量节约传感器资源，实现传感器资源合理有效的分配。
【专利说明】多目标优化差分进化算法的传感器目标分配方法及系统
【技术领域】
[0001] 本发明涉及信息融合【技术领域】，尤其涉及一种多目标优化差分进化算法的传感器 目标分配方法及系统。
【背景技术】
[0002] 随着科技的发展，各种面向复杂应用背景的多传感器系统大量涌现，已广泛应用 在工业、农业、交通、气象预报、环境监测、地球科学观测等各个领域。为了充分发挥多传感 器系统的协同探测性能，必须对传感器资源进行科学合理的分配，因此产生了信息融合领 域传感器管理的概念。传感器管理是指利用多个传感器收集关于目标与环境的信息，以任 务为导向，在一定的约束条件下，合理分配参与执行任务的传感器，通过使传感器信息在 网络中实现共享，恰当分配或驱动多传感器协同工作完成相应的任务，以使一定的任务性 能最优。其中，传感器目标分配是传感器管理的一项重要内容，即对多传感器多目标监测任 务进行分配调度，在满足监测精度的条件下不至于过渡浪费资源，从而发挥多传感器协同 探测的能力。
[0003] 多传感器多目标分配问题是典型的最优化问题，传统的求解方法是根据传感器目 标感知概率建立目标监测效能函数，然后采用传统规划类或新兴智能优化方法进行求解。 这种方法求解属于单目标优化问题，往往能够获取全局最优解，且监测的效能能实现最大 化，但往往分配结果会过多的使用传感器资源，造成一定程度的资源浪费。可以通过增加一 个传感器使用率函数，即在监测效能函数最大化的基础上，使传感器使用率最小。这样就可 以将传感器目标分配问题转化为多目标优化问题。
[0004] 多目标优化问题是指多个目标函数在解的可行域上的优化问题，在科学研究和工 程实践中许多优化问题均可归结为多目标优化问题，包括目标分配、城市运输、能量分配、 网络优化、资本预算、工业制造等。传统的多目标优化方法是将多个目标函数通过偏好加权 转化为单目标优化问题，而现实工程应用中决策者不易获取偏好权值，使得决策造成困难。
[0005] 因此，现有的多传感器多目标分配的方法存在偏好权值不易获得，进而使得决策 造成困难的缺陷。
【发明内容】
[0006] 有鉴于此，有必要提供一种能够克服现有的多传感器多目标分配的方法存在偏好 权值不易获得缺陷的多目标优化差分进化算法的传感器目标分配方法及系统。
[0007] -种多目标优化差分进化算法的传感器目标分配方法，其包括以下步骤：
[0008] S1、获取监测目标的特征参数，对所述特征参数进行评估以获得目标的目标重要 程度，对目标重要程度进行归一化处理得到目标威胁权重；
[0009] S2、根据传感器目标感知概率模型以及所述目标威胁权重生成传感器目标监测效 能函数；根据传感器的使用情况，生成传感器使用率函数；对所述传感器目标监测效能函 数和所述传感器使用率函数进行标准化处理，得到约束多目标优化模型；
[0010] S3、对传感器目标分配方案进行编码，并在分配方案的解集合内随机生成若干个 分配方案，形成分配方案的初始种群；
[0011] S4、根据所述约束多目标优化模型对初始种群中每种分配方案计算传感器目标监 测效能函数值和传感器使用率函数值；通过所述传感器目标监测效能函数值以及传感器使 用率函数值建立坐标系计算每种分配方案的秩，并根据分配方案的秩的大小进行Pareto 集非劣分层和计算分配方案适应度，并记录为最优非劣层的亲代分配方案种群，所述最优 非劣层的分配方案集即Pareto前端解集；
[0012] S5、判断初始种群是否满足迭代终止条件，如果满足终止条件，则初始种群中的所 有第一非劣层解即构成Pareto最优解集；如果不满足迭代终止条件，则跳转到步骤S6 ;
[0013] S6、对于初始种群按照差分进化算法的差分变异、交叉和选择算子进行差分进化 操作，产生传感器目标分配方案的子代分配方案种群；
[0014] S7、合并所述初始种群和所述子代分配方案种群，并筛选出与初始种群规模相同 的分配方案种群；
[0015] S8、跳转到步骤S5对所述分配方案种群进行是否满足迭代终止条件的判断，直至 获得Pareto最优解集，根据Pareto最优解集对传感器目标进行分配。
[0016] 一种多目标优化差分进化算法的传感器目标分配系统，其包括以下模块：
[0017] 目标重要程度确定模块，用于获取监测目标的特征参数，对所述特征参数进行评 估以获得目标的目标重要程度，对目标重要程度进行归一化处理得到目标威胁权重；
[0018] 优化函数生成模块，用于根据传感器目标感知概率模型以及所述目标威胁权重生 成传感器目标监测效能函数；并用于根据传感器的使用情况，生成传感器使用率函数；还 用于对所述传感器目标监测效能函数和所述传感器使用率函数进行标准化处理，得到约束 多目标优化模型；
[0019] 初始种群生成模块，用于对传感器目标分配方案进行编码，并在分配方案的解集 合内随机生成若干个分配方案，形成分配方案的初始种群；
[0020] Pareto前端解集获取模块，用于根据所述约束多目标优化模型对初始种群中每种 分配方案计算传感器目标监测效能函数值和传感器使用率函数值；并用于通过所述传感器 目标监测效能函数值以及传感器使用率函数值建立坐标系计算每种分配方案的秩，并根据 分配方案的秩的大小进行Pareto集非劣分层和计算分配方案适应度，并记录为最优非劣 层的亲代分配方案种群，所述最优非劣层的分配方案集即Pareto前端解集；
[0021] 迭代终止条件判断模块，用于判断初始种群是否满足迭代终止条件，当满足终止 条件时，确定初始种群中的所有第一非劣层解即构成Pareto最优解集；当不满足迭代终止 条件时，则启动子代种群生成模块的功能；
[0022] 子代种群生成模块，用于对于初始种群按照差分进化算法的差分变异、交叉和选 择算子进行差分进化操作，产生传感器目标分配方案的子代分配方案种群；
[0023] 种群合并与筛选模块，用于合并所述初始种群和所述子代分配方案种群，并筛选 出与初始种群规模相同的分配方案种群；
[0024] 跳转模块，用于启动迭代终止条件判断模块的功能对所述分配方案种群进行是否 满足迭代终止条件的判断，直至获得Pareto最优解集，根据Pareto最优解集对传感器目标 进行分配。
[0025] 本发明提供的多目标优化差分进化算法的传感器目标分配方法及系统，在传感器 目标监测效能函数的基础上，增加了传感器使用率函数，将传感器目标分配优化问题转化 为了多目标优化问题，可在满足监测精度要求下尽量节约传感器资源，实现资源合理有效 的分配；采用基于差分进化算法直至获得Pareto最优解集来对多传感器目标进行分配，结 合了差分进化算法全局搜索能力强和Pareto集非劣分层方法适应实际决策情况的特点， 可为决策者提供多种决策方案供参考。从而克服了现有的多传感器多目标分配的方法存在 偏好权值不易获得，进而使得决策造成困难的缺陷。
【专利附图】
【附图说明】
[0026] 图1是本发明一较佳实施例的多目标优化差分进化算法的传感器目标分配方法 流程图；
[0027] 图2是图1中步骤S3的子流程图；
[0028] 图3是传感器目标分配方案编码示意图；
[0029] 图4是传感器目标分配方案Pareto前端解集示意图；
[0030] 图5是本发明一较佳实施例的多目标优化差分进化算法的传感器目标分配系统 的结构框图；
[0031] 图6是图5中初始种群生成模块的子结构框图。
【具体实施方式】
[0032] 图1为本发明实施例提供的一种多目标优化差分进化算法的传感器目标分配方 法，其包括以下步骤：
[0033] S1、获取监测目标的特征参数，对所述特征参数进行评估以获得目标的目标重要 程度，对目标重要程度进行归一化处理得到目标威胁权重。
[0034] 比如从需要监测的信息中获取了 m个目标，提取特征参数，目标重要程度估计分 别为Wi (i = 1，2,…，m)，具体目标重要程度估计可采用常见的多属性决策、模糊逻辑方法、 贝叶斯网络或神经网络等方法进行计算。对得到的目标重要程度进行归一化威胁权重计 算。
[0035] 所述步骤S1中，目标重要程度计算公式如下：
【权利要求】
1. 一种多目标优化差分进化算法的传感器目标分配方法，其特征在于，其包括以下步 骤： 51、 获取监测目标的特征参数，对所述特征参数进行评估以获得目标的重要程度，对目 标重要程度进行归一化处理得到目标威胁权重； 52、 根据传感器目标感知概率模型以及所述目标威胁权重生成传感器目标监测效能函 数；根据传感器的使用情况，生成传感器使用率函数；对所述传感器目标监测效能函数和 所述传感器使用率函数进行标准化处理，得到约束多目标优化模型； 53、 对传感器目标分配方案进行编码，并在分配方案的解集合内随机生成若干个分配 方案，形成分配方案的初始种群； 54、 根据所述约束多目标优化模型对初始种群中每种分配方案计算传感器目标监测效 能函数值和传感器使用率函数值；通过所述传感器目标监测效能函数值以及传感器使用率 函数值建立坐标系计算每种分配方案的秩，并根据分配方案的秩的大小进行Pareto集非 劣分层和计算分配方案适应度，并记录为最优非劣层的亲代分配方案种群，所述最优非劣 层的分配方案集即Pareto前端解集； 55、 判断初始种群是否满足迭代终止条件，如果满足终止条件，则初始种群中的所有第 一非劣层解即构成Pareto最优解集；如果不满足迭代终止条件，则跳转到步骤S6 ; 56、 对于初始种群按照差分进化算法的差分变异、交叉和选择算子进行差分进化操作， 产生传感器目标分配方案的子代分配方案种群； 57、 合并所述初始种群和所述子代分配方案种群，并筛选出与初始种群规模相同的分 配方案种群； 58、 跳转到步骤S5对所述分配方案种群进行是否满足迭代终止条件的判断，直至获得 Pareto最优解集，根据Pareto最优解集对传感器目标进行分配。
2. 如权利要求1所述的多目标优化差分进化算法的传感器目标分配方法，其特征在 于， 所述步骤S2中：传感器目标监测效能函数如下：
，其中m表示有m个目标，η表示有η个传感器，目标i的目标重 要程度为K; 传感器目标感知概率模型如下：
其中，m表示有m个目标，&取值为0或1，0表示第j个传 t 感器不对第i个目标进行跟踪，取值为1表示第j个传感器对第i个目标进行监测，i7% 表示第j个传感器对目标i的感知概率； 传感器使用率函数如下： 其中，nf'_表示m个传感器的最大监测目标批数，^表
?=1 j 示每个传感器分配监测目标的批数； 约束多目标优化模型如下：
其中和f2分别表示标准化后的监测效能函 数和传感器使用率函数。
3. 如权利要求2所述的多目标优化差分进化算法的传感器目标分配方法，其特征在 于，所述步骤S3包括如下子步骤： 531、 对多传感器目标分配方案按照二进制形式进行编码； 532、 按目标顺序排列确定是否分配该目标给各种传感器； 533、 将每个目标分配的传感器的码字串在一起，形成一个分配方案。
4. 如权利要求3所述的多目标优化差分进化算法的传感器目标分配方法，其特征在 于，所述步骤S4中所述Pareto集非劣分层包括将解集合中的所有分配方案进行类似有效 的非劣分层用以区分分配方案的优劣关系，进而为选择具有优势的解集合提供依据。
5. 如权利要求4所述的多目标优化差分进化算法的传感器目标分配方法，其特征在 于， 所步骤S7中通过Pareto占优的方式选择与初始种群规模相同的分配方案种群，选择 的依据为Pareto非劣分层和个体拥挤距离。
6. -种多目标优化差分进化算法的传感器目标分配系统，其特征在于，其包括以下模 块： 目标重要程度确定模块，用于获取监测目标的特征参数，对所述特征参数进行评估以 获得目标的目标重要程度，对目标重要程度进行归一化处理得到目标威胁权重； 优化函数生成模块，用于根据传感器目标感知概率模型以及所述目标威胁权重生成传 感器目标监测效能函数；并用于根据传感器的使用情况，生成传感器使用率函数；还用于 对所述传感器目标监测效能函数和所述传感器使用率函数进行标准化处理，得到约束多目 标优化模型； 初始种群生成模块，用于对传感器目标分配方案进行编码，并在分配方案的解集合内 随机生成若干个分配方案，形成分配方案的初始种群； Pareto前端解集获取模块，用于根据所述约束多目标优化模型对初始种群中每种分配 方案计算传感器目标监测效能函数值和传感器使用率函数值；并用于通过所述传感器目标 监测效能函数值以及传感器使用率函数值建立坐标系计算每种分配方案的秩，并根据分配 方案的秩的大小进行Pareto集非劣分层和计算分配方案适应度，并记录为最优非劣层的 亲代分配方案种群，所述最优非劣层的分配方案集即Pareto前端解集； 迭代终止条件判断模块，用于判断初始种群是否满足迭代终止条件，当满足终止条件 时，确定初始种群中的所有第一非劣层解即构成Pareto最优解集；当不满足迭代终止条件 时，则启动子代种群生成模块的功能； 子代种群生成模块，用于对于初始种群按照差分进化算法的差分变异、交叉和选择算 子进行差分进化操作，产生传感器目标分配方案的子代分配方案种群； 种群合并与筛选模块，用于合并所述初始种群和所述子代分配方案种群，并筛选出与 初始种群规模相同的分配方案种群； 跳转模块，用于启动迭代终止条件判断模块的功能对所述分配方案种群进行是否满足 迭代终止条件的判断，直至获得Pareto最优解集，根据Pareto最优解集对传感器目标进行 分配。
7.如权利要求6所述的多目标优化差分进化算法的传感器目标分配系统，其特征在 于， 所述优化函数生成模块中目标监测效能函数如下： n m / = Σ叫0(1 - /?.?)，其中m表示有m个目标，η表示有η个传感器，目标i的目标重 i~S ι~1 要程度为Wi ; 传感器目标感知概率模型如下： m 馬-1一ΓΤ(1 -其中，m表示有m个目标，xu取值为0或1，0表示第j个传 j-? f 感器不对第i个目标进行跟踪，取值为1表示第j个传感器对第i个目标进行监测，/7彳7 表示第j个传感器对目标i的感知概率； 传感器使用率函数如下：
f每个传感器分配监测目标的批数； 其中，nf'表示m个传感器的最大监测目标批数，_ =2：^表示 1-1 约束多目标优化模型如下：
其中Π和f2分别表示标准化后的监测效能函 > 数和传感器使用率函数。
8. 如权利要求7所述的多目标优化差分进化算法的传感器目标分配系统，其特征在 于，所述初始种群生成模块包括如下单元： 编码单元，用于对多传感器目标分配方案按照二进制形式进行编码； 分配单元，用于按目标顺序排列确定是否分配该目标给各种传感器； 合成单元，用于将每个目标分配的传感器的码字串在一起，形成一个分配方案。
9. 如权利要求8所述的多目标优化差分进化算法的传感器目标分配系统，其特征在 于，所述Pareto前端解集获取模块中所述Pareto集非劣分层包括将解集合中的所有分配 方案进行类似有效的非劣分层用以区分分配方案的优劣关系，进而为选择具有优势的解集 合提供依据。
10. 如权利要求9所述的多目标优化差分进化算法的传感器目标分配系统，其特征在 于： 所种群合并与筛选模块中通过Pareto占优的方式选择与初始种群规模相同的分配方 案种群，选择的依据为Pareto非劣分层和个体拥挤距离。
【文档编号】G06F19/00GK104156584SQ201410379566
【公开日】2014年11月19日 申请日期:2014年8月4日 优先权日:2014年8月4日
【发明者】李伦, 吴汉宝, 黄友澎, 胡忠辉 申请人:中国船舶重工集团公司第七0九研究所