CN104156584A

CN104156584A - 多目标优化差分进化算法的传感器目标分配方法及系统

Info

Publication number: CN104156584A
Application number: CN201410379566.XA
Authority: CN
Inventors: 李伦; 吴汉宝; 黄友澎; 胡忠辉
Original assignee: 709th Research Institute of CSIC
Current assignee: 709th Research Institute of CSIC
Priority date: 2014-08-04
Filing date: 2014-08-04
Publication date: 2014-11-19
Anticipated expiration: 2034-08-04
Also published as: CN104156584B

Abstract

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。

Description

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

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

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。

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。

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。

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

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。

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：

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；

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；

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；

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；

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；

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；

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；

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。

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：

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。

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。

附图说明

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；

图2是图1中步骤S3的子流程图；

图3是传感器目标分配方案编码示意图；

图4是传感器目标分配方案Pareto前端解集示意图；

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；

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

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：

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。

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w_i(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。

所述步骤S1中，目标重要程度计算公式如下：

其中m表示有m个目标，目标i的目标重要程度为w_i。

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。

可选地，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，n表示有n个传感器，目标i的目标重要程度为w_i。传感器目标感知概率模型如下:

其中，m表示有m个目标，x_ij取值为0或1，0表示第j个传感器不对第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，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，m^max _j表示m个传感器的最大监测目标批数，表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：

\{\begin{matrix} \min f_{1} = 1 - Σ_{i = 1}^{n} w_{i} Π_{j = 1}^{m} (1 - p_{R_{ij}} x_{ij}) \\ \min f_{2} = \frac{Σ_{i = 1}^{n} Σ_{j = 1}^{m} x_{ij}}{Σ_{j = 1}^{S} {m^{\max}}_{j}} \\ Σ_{j = 1}^{m} x_{ij} &GreaterEqual; 1 \\ Σ_{i = 1}^{n} x_{ij} \leq {m^{\max}}_{j} \end{matrix},

其中f1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。

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。

优选地，如图2所示，所述步骤S3包括如下子步骤：

S31、对多传感器目标分配方案按照二进制形式进行编码。

S32、按目标顺序排列确定是否分配该目标给各种传感器。

S33、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。

具体编码的方法可以如下：假定有a个需要监测的目标，多平台传感器有b个传感器。采用二进制0-1编码，每个分配方案由按目标顺序排列的传感器编号组成，其中每个小片段表示一批目标的分配结果，分配方案的长度为a*b。如图3给出了编码示意图，a取3，b取4，则分配方案种群的1个分配方案010110100001表示一个火力分配方案，即目标1由传感器2和传感器4进行监测，目标2由传感器1和传感器3进行监测，目标3只由传感器4进行监测。

对于进化类优化算法来说，初始种群的个体特性对后期算法寻优效果将产生重要影响，具有良好多样性的分配方案的初始种群，其分配方案个体分布均匀、彼此离散度高，有助于提高算法的收敛速度和求解精度，能够降低算法陷入局部极值的概率，可以有效的缓解算法早熟现象。本发明实施例通过结合迭代终止条件生成一个比所需群体规模要大很多的初始种群，从该初始种群中再随机选取适合所要的群体规模的分配方案个体，选择以后对所选的初始种群进行评价，如果它的最好分配方案个体的适应值达到了理论适应值的0.8左右，则选择，否则重新生成大规模的初始种群进行选择。最终选择的初始种群规模在100～200。

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。

优选地，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。

非劣解是指由这样一些解组成的集合(又称非劣解集)：与集合之外的任何解相比它们至少有一个目标函数比集合之外的解好而其它目标函数又不比集合之外的解差。

如图4所示，根据每个分配方案个体的在约束多目标优化模型平面中的位置来确定其优劣性，然后进行统计可以得到其所处的分层结构，图4中给出了三个分层曲线，第1层由五个分配方案组成，称为Pareto前端，即第一非劣层，可以看到如个体A所对应的占优区内个体数目均为0，其分配方案个体对应的的秩为1；第二层由五个分配方案个体组成，称为第二非劣层，其分配方案个体均如分配方案个体B，对应的占优区包含的分配方案个体数目均未1，其分配方案个体对应的秩为2；第三层为四个分配方案个体，称为第三非劣层，其分配方案个体特征均如分配方案个体C，对应的占优区分配方案个体数目为2，其个体对应的秩为3。Pareto集非劣分层就是将解空间中的所有分配方案个体进行类似有效的非劣分层，以区分其优劣关系，进而为选择具有优势的解集合提供依据。

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。Pareto最优解集是指若x*∈C,且在C中不存在比x*更优越的解x,则称x*是多目标最优化模型式的Pareto最优解,又称为有效解。

可选地，可以采用迭代步数或者分配方案种群平均适应度作为迭代终止条件。

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。

差分进化算法的具体操作为：

A.差分变异的操作，对每个分配方案编码变异如下：

V_i,G＝X_r1,G+F·(X_r2,G-X_r3,G)，其中，r₁,r₂,r₃∈[1,2,…,N]为随机选择的不同于i的互不相同的三个整数；G表示进化的代数，X_i,G为第i代产生的新的分配方案个体，V_i,G表示第i个分配方案个体的变异分配方案个体，F为缩放因子，且F∈[0,2]。

B.交叉操作，对于染色体X_i,G，将其与差分变异操作A中产生的变异分配方案个体V_i,G进行交叉操作，其交叉规则如下：

其中，R∈[0,1]为交叉概率因子。

C.选择操作，标准DE算法，在交叉操作之后，采用贪婪选择产生子代分配方案个体，具体如下：凡是交叉后产生的子代分配方案个体目标函数优于其父代分配方案个体的，就替代父代进入下一代循环；否则保留父代分配方案个体，其规则可以表示为：

其中，f(X)表示分配方案个体X的适应度函数。微分进化算法(DE算法)适用于无约束连续变量的全局优化问题，包括线性规划、非线性规划、非光滑优化。扩展后的为划分进化算法还可以求解离散变量问题和约束优化问题。

对于传感器目标分配方案种群中的个体差分变异操作与标准DE算法一样进行，交叉过程中采用遗传算法中基因重组的形式产生两个子分配方案个体，选择过程采用Pareto占优的概念，在所产生的两个分配方案个体和父本分配方案个体中选择最优的分配方案个体，如果三个分配方案个体无差别，则在两个子分配方案个体中随机选择一个分配方案个体。

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。

优选地，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。

本发明实施例提供的多目标优化差分进化算法的传感器目标分配方法，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。

如图5所示，本发明实施例还提供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：

目标重要程度确定模块10，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20，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。

可选地，所述优化函数生成模块20中传感器目标监测效能函数如下：

其中m表示有m个目标，n表示有n个传感器，目标i的目标重要程度为w_i。

传感器目标感知概率模型如下:

其中，m表示有m个目标，x_ij取值为0或1，0表示第j个传感器不对第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，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：

约束多目标优化模型如下：

\{\begin{matrix} \min f_{1} = 1 - Σ_{i = 1}^{n} w_{i} Π_{j = 1}^{m} (1 - p_{R_{ij}} x_{ij}) \\ \min f_{2} = \frac{Σ_{i = 1}^{n} Σ_{j = 1}^{m} x_{ij}}{Σ_{j = 1}^{S} {m^{\max}}_{j}} \\ Σ_{j = 1}^{m} x_{ij} &GreaterEqual; 1 \\ Σ_{i = 1}^{n} x_{ij} \leq {m^{\max}}_{j} \end{matrix},

初始种群生成模块30，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。

可选地，如图6所示，所述初始种群生成模块30包括如下单元：

编码单元31，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32，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33，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。

Pareto前端解集获取模块40，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。

可选地，所述Pareto前端解集获取模块40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。

迭代终止条件判断模块50，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60的功能；

子代种群生成模块60，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70，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。

可选地，所种群合并与筛选模块70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。

跳转模块80，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。

以上装置实施例与方法实施例是一一对应的，装置实施例简略之处，参见方法实施例即可。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应超过本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可檫除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims

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：

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；

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，n表示有n个传感器，目标i的目标重要程度为w_i；

传感器目标感知概率模型如下:

传感器使用率函数如下：

其中，m^max _j表示m个传感器的最大监测目标批数，表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：

\{\begin{matrix} \min f_{1} = 1 - Σ_{i = 1}^{n} w_{i} Π_{j = 1}^{m} (1 - p_{R_{ij}} x_{ij}) \\ \min f_{2} = \frac{Σ_{i = 1}^{n} Σ_{j = 1}^{m} x_{ij}}{Σ_{j = 1}^{S} {m^{\max}}_{j}} \\ Σ_{j = 1}^{m} x_{ij} &GreaterEqual; 1 \\ Σ_{i = 1}^{n} x_{ij} \leq {m^{\max}}_{j} \end{matrix},

其中f₁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：

S31、对多传感器目标分配方案按照二进制形式进行编码；

S32、按目标顺序排列确定是否分配该目标给各种传感器；

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。

6.一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：

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：

传感器目标感知概率模型如下:

传感器使用率函数如下：

约束多目标优化模型如下：

\{\begin{matrix} \min f_{1} = 1 - Σ_{i = 1}^{n} w_{i} Π_{j = 1}^{m} (1 - p_{R_{ij}} x_{ij}) \\ \min f_{2} = \frac{Σ_{i = 1}^{n} Σ_{j = 1}^{m} x_{ij}}{Σ_{j = 1}^{S} {m^{\max}}_{j}} \\ Σ_{j = 1}^{m} x_{ij} &GreaterEqual; 1 \\ Σ_{i = 1}^{n} x_{ij} \leq {m^{\max}}_{j} \end{matrix},

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。