CN100505763C - 无线传感器网络分布式协同信息处理方法 - Google Patents

Abstract

一种无线传感器网络分布式协同信息处理方法，先在各节点端建立势场模型及激活概率更新模型，然后各节点端根据各自当前睡眠/激活概率确定当前自身状态，所有被激活的各节点端检测目标，具有智能体的宿主节点端根据智能体所携带的信息处理算法信息对自身采集的数据进行处理以形成中间结果同时将自身信息发送，而收到宿主节点端发送的信息且检测到目标的各节点端分别根据势场模型计算各自对智能体移动路径决策的作用势，并将相关信息发送，宿主节点端根据接收到的各对智能体移动路径决策的作用势确定智能体下一跳应移动至的节点端，同时各被激活的节点端根据激活概率更新模型及接收到的信息更新自身的睡眠/激活概率，如此实现数据的分布式协同处理。

Description

无线传感器网络分布式协同信息处理方法

技术领域

本发明涉及一种无线传感器网络的信息处理方法，特别涉及一种无线传感器网络分布式协同信息处理方法。

背景技术

无线传感器网络因其在军事国防、工农业、城市管理、生物医疗、环境监测、抢险救灾、防恐反恐等方面展现的广阔应用前景引起了世界学术界和工业界的高度重视并引发了无线传感器网络研究的热潮。无线传感器网络是由大规模随机布设的无线传感器节点或簇点等组成的以感知现实物理空间为目的的网络。然而，由于物理空间信号及其状态的不确定性和动态多变特点，如何协同多个传感器节点并从它们采集到的不确定的、不完整的、局部残缺甚至错误的信号中获得正确的有关物理世界信息是智能信息处理的重要课题。而同时，无线传感器网络本身也面临重大挑战，由于无线传感器网络中的网络节点的能量、节点的通信距离、节点的计算能力和节点的存储容量都受到高度限制，因此如何开发能量有效的可应用于无线传感器网络的协议是实现信息处理任务的又一重要课题。只有将上述两重要课题的内容有机的结合起来才是无线传感器网络走向最终应用必不可缺少的步骤。

目前，分布式协同信息处理实现方法是无线传感器网络研究的重要内容。当前在无线传感器网络中多址接入、分簇、路由等方面已有一些代表性的研究结果，如S-MAC协议、LEACH分簇协议和定向扩散协议等，这些都是从网络组网及网络协议本身出发，不是以高效地实现信息处理任务为设计导向的。再有，针对无线传感器中的典型信息处理任务如目标检测、识别和跟踪，研究人员也开发了相应的信息处理算法，这些算法包括神经网络分类器、模糊分类器、卡尔曼滤波器等，这些算法大部分以集中式处理为假设，即将传感器采集到的数据传送至某个中心处理节点如簇头集中处理，如此大量的数据发送和簇头集中处理会消耗大量的能量，而无线传感器网络节点能量和计算能力方面高度受限，这些算法在具体实现时都存在较大困难。若将传感器节点采集到的数据在节点本地进行分布式处理，之后通过有效的协同机制最终完成信息处理任务，这是突破无线传感器网络自身限制的有效途径，同时动态成簇和本地信息处理相结合也是实现无线传感器网络分布式协同处理有效方法之一，通过动态成簇使得网络中节点能量均衡消耗，可提高网络的寿命。不过，虽然节点本地信息处理算法将来自于本地传感器的大量数据转换为数据量小的中间结果或局部结果，但簇内节点将这些中间结果或局部结果发送至动态簇头仍然属于集中式处理方式。由于网络节点的密集布设，网络节点采集到的信息包含较多的冗余信息，而以上在动态簇头集中式处理方式中，簇成员节点间冗余信息的发送仍然会带来较大额外的能量消耗。

随着智能体技术的诞生和发展，其必然并首先应用于移动业务处理、电子商务、网络管理和信息检测等领域。智能体具有自治性、反应性、移动性等重要属性，所谓自治性指智能体能在没有用户干预的情况下自行工作；反应性指智能体能感知所处的环境，并对相关事件做出适当反应；移动性指智能体为了完成自己的任务，可以从某地移动到其它地方，以获得其它地方的信息或资源，并可以与其它智能体协作完成任务。在无线传感器网络应用中，目标或者环境会发生动态的非预订的变化，如目标位置或状态的变化和网络中节点本身状态的变化，为高效地完成信息处理任务，要求节点及其信息处理算法能感知这种变化，并自治地做出反应，这一要求与智能体的属性相一致。因此，如何将智能体技术引入到无线传感器网络以实现分布式协同信息处理，成为本领域技术人员亟待解决的技术课题。

发明内容

本发明的目的在于提供一种无线传感器网络分布式协同信息处理方法，以实现数据的分布式协同处理及无线传感器网络各节点端能量的均衡消耗，以提高网络的寿命。

为了达到上述目的，本发明提供的无线传感器网络分布式协同信息处理方法，包括步骤：1)预先在无线传感器网络中的各节点端分别根据各节点端最大检测距离、最大通信距离、剩余能量、信息处理算法性能参数及势场模型参数建立自身位置、目标位置、具有智能体的宿主节点位置及节点端对所述智能体移动路径决策的作用势之间关系的势场模型，同时还分别根据通信节点端之间距离和节点端的最大通信距离及相关激活概率更新参数建立自身激活概率更新模型；2)所述各节点端根据各自当前睡眠/激活概率确定当前自身的状态，并根据所确定的状态对自身具有的各部件予以相应设置，其中，所述状态包括睡眠及激活状态，各节点端的初始睡眠/激活概率预先被设置，当一节点端处于激活状态时，其具有的传感器及数据采集单元被开启以进行目标检测及目标信号的采集，同时其具有的信息收发单元也被开启；3)具有智能体的宿主节点端根据所述智能体所携带的信息处理算法信息对自身采集的传感器数据进行处理以形成相应处理结果，同时所述宿主节点端将自身位置信息、最大通信距离及相应的激活概率更新参数予以发送，其中，初始宿主节点端由所述无线传感网络中的簇头端指定或在已检测到目标的各节点端中随机生成；4)收到所述宿主节点端发送的信息且检测到目标的各节点端分别根据自身预先所建立的势场模型计算各自对所述智能体移动路径决策的作用势，同时收到所述宿主节点端发送的信息且处于激活状态的各节点端还分别根据自身预先所建立的激活概率更新模型计算所述宿主节点端对自身的相应激活概率更新值；5)收到所述宿主节点端发送的信息且检测到目标的各节点端以随机竞争广播方式将各自计算出的对所述智能体移动路径决策的作用势及自身位置信息、最大通信距离和相应的激活概率更新参数予以发送；6)所述宿主节点端根据接收到的各对所述智能体移动路径决策的作用势确定所述智能体下一跳应移动至的节点端，并更新所述智能体所携带的信息处理算法信息，同时所述无线传感器网络中的处于激活状态的各节点端分别根据激活概率更新模型、接收到的位置信息、最大通信距离和相应的激活概率更新参数分别计算出相应其他检测到目标的各节点端对自身的相应各激活概率更新值，并根据所述宿主节点端和其他检测到目标的各节点端对自身的相应激活概率更新值更新各自的睡眠/激活概率值；7)所述智能体根据所述宿主节点端所确定的下一跳应移动至的节点端移动至相应的节点端使所述节点端成为新的宿主节点端，并重复步骤2)至步骤7)的全过程，其中，当宿主节点端按照步骤3)将相应信息发送后，若没有如步骤6)所述接收到相应信息，也就是没有其他节点端检测到目标，则宿主节点将所述智能体中的信息处理结果转发至所述无线传感器网络簇头端。

较佳的，所建立的势场模型为：

其中，

Φ_i(x₀，y₀；t)为t时刻节点端i对所述智能体移动路径决策的作用势，(x_i，y_i)为节点端i的位置坐标，(x_target，y_target)为目标的位置坐标，(x₀，y₀)为宿主节点端的位置坐标，D_{detection_max}为节点端i的最大检测距离，D_{comm_max}为节点端i的最大通信距离，E_i为节点端i的剩余能量、IPCP_i为节点端i的信息处理算法性能参数值，IPCP_max为节点端i的信息处理算法性能参数最大值，E_max为节点端i的初始能量值，C₁、C₂、C₃为势场模型参数。

较佳的，所建立的激活概率更新模型为： ${\mathrm{\γ}}_i(x_i,y_i;x_0,y_0;t)=e^{-C_4\frac{{(x_0\left(t\right)-x_i)}^2+{(y_0\left(t\right)-y_i)}^2}{{D^2}_{\mathrm{comm}\_\max }}},$ 其中，γ_i(x_i，y_i；x₀，y₀；t)为t时刻节点端i对节点端0的激活概率更新值，D_{comm_max}为节点端i的最大通信距离，C₄为节点端0的激活概率更新参数。

较佳的，所述宿主节点端可根据 $j^{*}=\arg \underset{j}{\max }{\mathrm{\Φ}}_j(x_h,y_h;t)$ 确定所述智能体下一跳应移动至的节点端，其中，Φ_j(x_h，y_h；t)为节点端j对所述智能体移动路径决策的作用势，也可根据 $j^{*}=\arg \underset{j}{\max }\frac{\∂\left(\underset{i}{\mathrm{\Σ}}{\mathrm{\Φ}}_i(x_h,y_h;t)\right)}{\∂l_j}{|}_{(x_h,y_h)}$ 确定所述智能体下一跳应移动至的节点端，其中，

为收到所述宿主节点端发送的信息且检测到目标的各节点端对所述智能体移动路径决策的作用势总和，

为对所述智能体移动路径决策的各作用势在l_j方向上的方向导数，l_j为由收到所述宿主节点端发送的信息且检测到目标的节点端j至所述宿主节点端位置连线的方向。

较佳的，处于激活状态的一节点端根据P(x₀，y₀；t)＝M*P(x₀，y₀；t-1)+Γ(x₀，y₀；t)更新自身的睡眠/激活概率值，其中， $\mathrm{\Γ}(x_0,y_0;t)=\underset{i}{\mathrm{\Σ}}{\mathrm{\γ}}_i(x_i,y_i;x_0,y_0;t),$ P(x₀，y₀；t-1)为t-1时刻的睡眠/激活概率，P(x₀，y₀；t)为更新后即t时刻的睡眠/激活概率，M为睡眠/激活概率更新记忆因子，γ_i(x_i，y_i；x₀，y₀；t)为t时刻节点端i对节点端0的激活概率更新值。

较佳的，可使所述智能体携带下一跳应移动至的节点端所需的完整信息处理算法代码以更新所述智能体所携带的信息处理算法信息，也可使所述智能体携带下一跳应移动至的节点端所需的执行信息处理算法代码脚本以更新所述智能体所携带的信息处理算法信息。

综上所述，本发明的无线传感器网络分布式协同信息处理方法通过以势场模型和智能体的有效移动为核心，实现数据的分布式计算及无线传感器网络各节点端能量的均衡消耗，以提高网络的寿命。

附图说明

图1为本发明的无线传感器网络分布式协同信息处理方法的基本流程示意图。

图2为本发明的无线传感器网络分布式协同信息处理方法的传感器网络节点端依据势场模型对宿主节点作用关系示意图。

图3为本发明的无线传感器网络分布式协同信息处理方法的周期性工作时序示意图。

图4为本发明的无线传感器网络分布式协同信息处理方法的各节点端依据激活概率更新模型完成自身睡眠/激活概率更新示意图。

图5为本发明的无线传感器网络分布式协同信息处理方法的智能体携带信息处理算法代码动态更新示意图。

图6为本发明的无线传感器网络分布式协同信息处理方法的应用于一个具体运动目标跟踪识别时运行结果示意图。

具体实施方式

本发明的无线传感器网络分布式协同信息处理方法具体步骤如下：

步骤1：预先在无线传感器网络中的各节点端分别根据各节点端最大检测距离、最大通信距离、剩余能量、信息处理算法性能参数及第一模型参数建立自身位置、目标位置、具有智能体的宿主节点位置及节点端对所述智能体移动路径决策的作用势之间关系的势场模型，同时还分别根据通信节点端之间距离和节点端的最大通信距离及相关激活概率更新参数建立自身激活概率更新模型，请参见图1，所述无线传感器网络具有10个节点端(即节点1至节点10)，每一节点端分别建立一势场模型，例如可为：

其中，

Φ_i(x₀，y₀；t)为t时刻节点端i对所述智能体移动路径决策的作用势，(x_i，y_i)为节点端i的位置坐标，(x_target，y_target)为目标的位置坐标，(x₀，y₀)为宿主节点端的位置坐标，D_{detection_max}为节点端i的最大检测距离，D_{comm_max}为节点端i的最大通信距离，E_i为节点端i的剩余能量、IPCP_i为节点端i的信息处理算法性能参数值，IPCP_max为节点端i的信息处理算法性能参数最大值，E_max为节点端i的初始能量值，C₁、C₂、C₃为势场模型参数；

每一节点端分别建立一激活概率更新模型，例如可为： ${\mathrm{\γ}}_i(x_i,y_i;x_0,y_0;t)=e^{-C_4\frac{{(x_0\left(t\right)-x_i)}^2+{(y_0\left(t\right)-y_i)}^2}{{D^2}_{\mathrm{comm}\_\max }}},$ 其中，γ_i(x_i，y_i；x₀，y₀；t)为t时刻节点端i对节点端0的激活概率更新值，D_{comm_max}为节点端i的最大通信距离，C₄为节点端0的激活概率更新参数。

步骤2：所述各节点端根据各自当前睡眠/激活概率确定当前自身的状态，并根据所确定的状态对自身具有的各部件予以相应设置，其中，所述状态包括睡眠及激活状态，各节点端的初始睡眠/激活概率预先被设置，请一并参见图2，在所述无线传感器网络中，有6个节点端(即节点1至4、节点6及节点10)处于激活状态，该些节点端具有的传感器及数据采集单元被开启以进行目标检测及目标信号的采集，同时其具有的信息收发单元也被开启，而其余4个节点端(即节点5、节点7至9)处于睡眠状态时，则相应该些节点端具有的处理器、收发单元、传感器和数据采集单元都被关闭，使该些节点端处于高度节能的状态，同时这些节点端具有的定时器被设置，以便在下一周期开始时重新根据睡眠/激活概率确定是否被激活，显然，当该些处于睡眠状态的节点端不能进行目标检测和节点端间的通信。

步骤3：具有智能体的宿主节点端根据所述智能体所携带的信息处理算法信息对自身采集的传感器数据进行处理以形成相应处理结果，同时所述宿主节点端将自身位置信息、最大通信距离及相应的激活概率更新参数予以发送，其中，初始宿主节点端由所述无线传感网络中的簇头端指定或在已检测到目标的各节点端中随机生成，当初始宿主节点端生成后，其会自动生成相应的智能体，生成的方法为本领域技术人员所知悉，在此不再详述，在本实施例中，节点1成为宿主节点，其生成智能体，所述宿主节点端根据所述智能体所携带的信息处理算法信息(如识别算法、跟踪算法和定位算法等)对采集的传感器数据(例如声、震、磁敏、图像等信号)进行处理以得到中间结果，同时节点1按照图3所示的周期性工作时序在相应的睡眠/激活决策宿主节点广播时序发送相应的信息，发送的信息可包括宿主节点号、宿主节点的位置、局部时钟同步信息、最大通信距离及相应的激活概率更新参数等。

步骤4：收到所述宿主节点端发送的信息且检测到目标的各节点端分别根据自身预先所建立的势场模型计算各自对所述智能体移动路径决策的作用势，同时收到所述宿主节点端发送的信息且处于激活状态的各节点端还分别根据自身预先所建立的激活概率更新模型计算所述宿主节点端对自身的相应激活概率更新值，如图2所示，节点1、2、3、4处于目标最大检测距离内，而节点6、10则处于目标最大检测距离外，不能检测到目标，同时，节点2、3、4又都处于宿主节点(即节点1)的最大通信距离内，故节点2、3、4分别根据前述所建立的势场模型计算各自对所述智能体移动路径决策的作用势，同时还分别根据前述所建立的激活概率更新模型计算所述宿主节点端对自身的相应激活概率更新值，需注意的是，睡眠节点5、7至9及未检测到目标的激活节点6和10对所述智能体移动路径决策的作用势为0，同样该些节点对其他各节点端的激活概率更新值也为0。

步骤5：收到所述宿主节点端发送的信息且检测到目标的各节点端以随机竞争广播方式将各自计算出的对所述智能体移动路径决策的作用势及自身位置信息、最大通信距离和相应的激活概率更新参数予以发送，即节点2、3、4按照图3所示的周期性工作时序在相应的势广播时序发送相应的信息，各节点所发送的信息可包括节点号、节点的位置、节点对用于智能体移动路径决策的作用势、节点最大通信距离及相应的激活概率更新参数等。

步骤6：在图3所示的动态路径决策、智能体跳转及睡眠/激活概率更新时序，所述宿主节点端根据接收到的各对所述智能体移动路径决策的作用势确定所述智能体下一跳应移动至的节点端，并更新所述智能体所携带的信息处理算法信息，同时所述无线传感器网络中的处于激活状态的各节点端分别根据激活概率更新模型、接收到的位置信息、最大通信距离和相应的激活概率更新参数分别计算出相应其他检测到目标的各节点端对自身的相应各激活概率更新值，并根据所述宿主节点端和其他检测到目标的各节点端对自身的相应激活概率更新值更新各自的睡眠/激活概率值，通常所述宿主节点端确定所述智能体下一跳应移动至的节点端的决策方法有两种：

方法一：根据 $j^{*}=\arg \underset{j}{\max }{\mathrm{\Φ}}_j(x_h,y_h;t)$ 确定所述智能体下一跳应移动至的节点端，其中，Φ_j(x_h，y_h；t)为节点端j对所述智能体移动路径决策的作用势，即直接根据节点2、3、4对所述智能体移动路径决策的作用势的值来确定，显然，在本实施例中，节点2对所述智能体移动路径决策的作用势最大，故所述智能体下一跳应移动至的节点端为节点2。

方法二：根据 $j^{*}=\arg \underset{j}{\max }\frac{\∂\left(\underset{i}{\mathrm{\Σ}}{\mathrm{\Φ}}_i(x_h,y_h;t)\right)}{\∂l_j}{|}_{(x_h,y_h)}$ 确定所述智能体下一跳应移动至的节点端，其中，

为收到所述宿主节点端发送的信息且检测到目标的各节点端对所述智能体移动路径决策的作用势总和，

为对所述智能体移动路径决策的各作用势在l_j方向上的方向导数，l_j为由收到所述宿主节点端发送的信息且检测到目标的节点端j至所述宿主节点端位置连线的方向，即直接根据节点2、3、4对所述智能体移动路径决策的作用势总和的方向导数来确定。

当确定了所述智能体下一跳应移动至的节点端(即节点2)，所述宿主节点端更新所述智能体所携带的信息处理算法信息，更新可采用以下两种模式：

模式1：使所述智能体携带下一跳应移动至的节点端所需的完整信息处理算法代码以更新所述智能体所携带的信息处理算法信息。

模式2：使所述智能体携带下一跳应移动至的节点端所需的执行信息处理算法代码脚本以更新所述智能体所携带的信息处理算法信息。

同时，请参见图4，由于节点3处于节点1和节点2最大通信距离内且节点1和2均检测到目标，因此节点3能成功收到节点2发送至的相应信息(位置信息、最大通信距离和相应的激活概率更新参数)，并根据所述相应信息及激活概率更新模型计算出节点2对自身的激活概率更新值，而节点3处在节点4的最大通信距离之外，因此不能收到节点4发送出的相应信息，故无须考虑节点4对自身的激活概率更新值，节点3根据节点1和节点2对自身的激活概率更新值，按照P(x₀，y₀；t)＝M*P(x₀，y₀；t-1)+Γ(x₀，y₀；t)来更新自身的睡眠/激活概率值，其中， $\mathrm{\Γ}(x_0,y_0;t)=\underset{i}{\mathrm{\Σ}}{\mathrm{\γ}}_i(x_i,y_i;x_0,y_0;t),$ P(x₀，y₀；t-1)为t-1时刻的睡眠/激活概率，P(x₀，y₀；t)为更新后即t时刻的睡眠/激活概率，M为睡眠/激活概率更新记忆因子，γ_i(x_i，y_i；x₀，y₀；t)为t时刻节点端i对节点端0的激活概率更新值，此外，所有被激活节点均根据前述说明应做类似的计算以更新自身的睡眠/激活概率，在此不再一一说明。

步骤7：请参见图5，当下一跳应移动至的节点端(即节点2)自身没有信息处理算法(即算法代码号1和算法代码1)，则节点1采用模式1对所述智能体进行更新，使智能体携带完整信息处理算法代码(即算法代码1)移动到节点2并更新节点2当前信息处理算法代码存储器，使其包含算法代码号1和算法代码1，若节点2自身具有完整的算法代码，则节点1采用模式2对所述智能体进行更新，使智能体仅携带用于执行该代码的脚本(即算法代码1执行脚本)移动至节点2，须注意的是，节点2具有的算法代码2为所述智能体实现不同信息处理任务时所需要携带的算法代码。当所述智能体移动至的节点2时，节点2成为新的宿主节点端，然后重复步骤2)至步骤7)的全过程，其中，当宿主节点端按照步骤3)将相应信息发送后，若没有如步骤6)所述接收到相应信息，也就是没有其他节点端检测到目标，则宿主节点将所述智能体中的信息处理结果转发至所述无线传感器网络簇头端，并进而送至Sink节点端，在本实施例中，所述智能体的移动路径如图1所示，即由节点1—节点2—节点3—节点4，显然当智能体到达节点2后，在所述节点2中执行指定信息处理算法再一次更新得到又一中间结果，如此可依次渐进提高中间结果的精度，最后在节点4完成无线传感器网络中的分布式协同信息处理，最终完成目标识别、跟踪和定位等应用需求，减少了冗余信息的发送。

以下为本发明的无线传感器网络分布式协同信息处理方法应用于无线传感器网络运动目标识别和跟踪的一个具体实施例。

无线传感器网络运动目标识别和跟踪应用背景描述如下：

跟踪区域大小(长×宽)：500米×500米；

无线传感器网络节点端数目：100个；节点端通信距离：不大于200米；节点端检测距离：不大于80米；

运动目标的运动参数：从左侧或底部随机初始位置向区域内运动，运动方向和速度按正态分布随机变化，速度均值为20米/秒，标准差为15米/秒。

本发明应用于上述背景时其工作参数如下：

节点端工作时序周期：100毫秒；节点端初始激活概率：0.1；

节点端初始能量值为0.5J；C₁＝C₂＝C₃＝2.0；C₄＝5.0；

节点端信息处理算法参数值：IPCP＝0.9，0.8，0.7；随机配置；IPCPmax＝1.0；

请参见图6，其为本发明应用于具体运动目标跟踪识别时运行结果示意图。图中实心黑圆点为当前睡眠节点，空心圆点为当前激活节点，节点旁的数字标示着节点的不同配置。“+”为运动目标轨迹线，节点间实线表示智能体在节点间的移动。整个折线表示智能体移动的路径，由图6可见，智能体的移动能够有效地跟踪目标的运动轨迹，在约40秒时间内智能体移动次数为10次，显示本发明方法的高效性。

以上描述仅为本发明的一个典型实施例，本发明的应用范围包括无线传感器网络中各种以分布式协同信息处理为核心的如目标检测、目标识别、目标跟踪、节点自定位等应用场合。本发明的保护范围并非局限于上述具体实施例，凡本领域技术人员根据本发明所做出的显而易见的改动均落在本发明的保护范围内。

综上所述，本发明的无线传感器网络分布式协同信息处理方法以无线传感器网络中分布式协同信息处理任务为背景，以势能模型和智能体的移动为核心构建分布式协同信息处理计算框架，提出了完整可行的、高效的分布式协同信息处理实现方法，为能量、通信、计算资源、存储能力等方面高度受限的无线传感器网络中应用开发提供了有效的途径，可有效实现数据的分布式协同处理及无线传感器网络各节点端能量的均衡消耗，提高了无线传感器网络的寿命。

Claims (8)

1.一种无线传感器网络分布式协同信息处理方法，其特征在于包括步骤：

1)预先在无线传感器网络中的各节点端分别根据各节点端最大检测距离、最大通信距离、剩余能量、信息处理算法性能参数及势场模型参数建立自身位置、目标位置、具有智能体的宿主节点位置及节点端对所述智能体移动路径决策的作用势之间关系的势场模型，同时还分别根据通信节点端之间距离和节点端的最大通信距离及相关激活概率更新参数建立自身激活概率更新模型；

2)所述各节点端根据各自当前睡眠/激活概率确定当前自身的状态，并根据所确定的状态对自身具有的各部件予以相应设置，其中，所述状态包括睡眠及激活状态，各节点端的初始睡眠/激活概率预先被设置，当一节点端处于激活状态时，其具有的传感器及数据采集单元被开启以进行目标检测及目标信号的采集，同时其具有的信息收发单元也被开启；

3)具有智能体的宿主节点端根据所述智能体所携带的信息处理算法信息对自身采集的传感器数据进行处理以形成相应处理结果，同时所述宿主节点端将自身位置信息、最大通信距离及相应的激活概率更新参数予以发送，其中，初始宿主节点端由所述无线传感网络中的簇头端指定或在已检测到目标的各节点端中随机生成；

4)收到所述宿主节点端发送的信息且检测到目标的各节点端分别根据自身预先所建立的势场模型计算各自对所述智能体移动路径决策的作用势，同时收到所述宿主节点端发送的信息且处于激活状态的各节点端还分别根据自身预先所建立的激活概率更新模型计算所述宿主节点端对自身的相应激活概率更新值；

5)收到所述宿主节点端发送的信息且检测到目标的各节点端以随机竞争广播方式将各自计算出的对所述智能体移动路径决策的作用势及自身位置信息、自身最大通信距离和相应的激活概率更新参数予以发送；

6)所述宿主节点端根据接收到的各对所述智能体移动路径决策的作用势确定所述智能体下一跳应移动至的节点端，并更新所述智能体所携带的信息处理算法信息，同时所述无线传感器网络中的处于激活状态的各节点端分别根据激活概率更新模型、接收到的位置信息、最大通信距离和相应的激活概率更新参数分别计算出相应其他检测到目标的各节点端对自身的相应各激活概率更新值，并根据所述宿主节点端和其他检测到目标的各节点端对自身的相应激活概率更新值更新各自的睡眠/激活概率值；

7)所述智能体根据所述宿主节点端所确定的下一跳应移动至的节点端移动至相应的节点端使所述节点端成为新的宿主节点端，并重复步骤2)至步骤7)的全过程，其中，当宿主节点端按照步骤3)将相应信息发送后，如果没有按照步骤6)所述接收到相应信息，也就是没有其他节点端检测到目标，那么宿主节点将所述智能体中的信息处理结果转发至所述无线传感器网络簇头端。

2.如权利要求1所述的无线传感器网络分布式协同信息处理方法，其特征在于：所建立的势场模型为：

其中，

Φ_i(x₀，y₀；t)为t时刻节点端i对所述智能体移动路径决策的作用势，(x_i，y_i)为节点端i的位置坐标，(x_target，y_target)为目标的位置坐标，(x₀，y₀)为宿主节点端的位置坐标，D_{detection_max}为节点端i的最大检测距离，D_{comm_max}为节点端i的最大通信距离，E_i为节点端i的剩余能量、IPCP_i为节点端i的信息处理算法性能参数值，IPCP_max为节点端i的信息处理算法性能参数最大值，E_max为节点端i的初始能量值，C₁、C₂、C₃为势场模型参数。

3.如权利要求1所述的无线传感器网络分布式协同信息处理方法，其特征在于：所建立的激活概率更新模型为： ${\mathrm{\γ}}_i(x_i,y_i;x_0,y_0;t)=e^{-C_4\frac{{(x_0\left(t\right)-x_i)}^2+{(y_0\left(t\right)-y_i)}^2}{{D^2}_{\mathrm{comm}\_\max }},}$ 其中，γ_i(x_i，y_i；x₀，y₀；t)为t时刻节点端i对节点端0激活概率更新值，D_{comm_max}为节点端i的最大通信距离，C₄为节点端0的激活概率更新参数，其中，(x_i，y_i)为节点端i的位置坐标，(x₀，y₀)为节点端0的位置坐标。

4.如权利要求1所述的无线传感器网络分布式协同信息处理方法，其特征在于：所述宿主节点端根据 $j*=\underset{j}{\arg \max }{\mathrm{\Φ}}_j(x_h,y_h;t)$ 确定所述智能体下一跳应移动至的节点端，其中，Φ_j(x_h，y_h；t)为节点端j对所述智能体移动路径决策的作用势，其中，(x_h，y_h)为节点端h的位置坐标，t为时刻。

5.如权利要求1所述的无线传感器网络分布式协同信息处理方法，其特征在于：所述宿主节点端根据 $j*=\underset{j}{\arg \max }\frac{\left(\underset{i}{\mathrm{\Σ}}{\mathrm{\Φ}}_i(x_h,y_h;t)\right)}{\∂l_j}{|}_{(x_h,y_h)}$ 确定所述智能体下一跳应移动至的节点端，其中，

为收到所述宿主节点端发送的信息且检测到目标的各节点端对所述智能体移动路径决策的作用势总和，

为对所述智能体移动路径决策的各作用势在l_j方向上的方向导数，l_j为由收到所述宿主节点端发送的信息且检测到目标的节点端j至所述宿主节点端位置连线的方向，其中，(x_h，y_h)为节点端h的位置坐标，t为时刻。

6.如权利要求1所述的无线传感器网络分布式协同信息处理方法，其特征在于：处于激活状态的一节点端根据P(x₀，y₀；t)＝M*P(x₀，y₀；t-1)+Γ(x₀，y₀；t)更新自身的睡眠/激活概率值，其中， $\mathrm{\Γ}(x_0,y_0;t)=\underset{i}{\mathrm{\Σ}}{\mathrm{\γ}}_i(x_i,y_i;x_0,y_0;t),$ P(x₀，y₀；t-1)为t-1时刻的睡眠/激活概率，P(x₀，y₀；t)为更新后即t时刻的睡眠/激活概率，M为睡眠/激活概率更新记忆因子，γ_i(x_i，y_i；x₀，y₀；t)为t时刻节点端i对节点端0的激活概率更新值，其中，(x_i，y_i)为节点端i的位置坐标，(x₀，y₀)为节点端0的位置坐标。

7.如权利要求1所述的无线传感器网络分布式协同信息处理方法，其特征在于：使所述智能体携带下一跳应移动至的节点端所需的完整信息处理算法代码以更新所述智能体所携带的信息处理算法信息。

8.如权利要求1所述的无线传感器网络分布式协同信息处理方法，其特征在于：使所述智能体携带下一跳应移动至的节点端所需的执行信息处理算法代码脚本以更新所述智能体所携带的信息处理算法信息。

Images