CN105591875A - 一种面向多任务的自组网动态匹配选择方法 - Google Patents

Abstract

本发明公开了一种面向多任务的自组网动态匹配选择方法。使用本发明能够在多任务情况下，根据任务需求以及节点自身能力进行节点筛选，以此来实现多个功能节点根据实际情况进行自组网并共同完成任务，完成不同任务的动态自组网分配。本发明中，功能节点首先根据任务需求分析和自身能力属性分析，进行多任务初步筛选；然后接收与其相匹配的任务。如果接收任务唯一，则功能节点将任务输入至自组织网络中，执行任务；如果任务不唯一，则执行优先级别高的任务；如果优先级别相同，则采用基于TOPSIS改进算法的多属性判决，根据任务需求、功能节点自身能力以及其所对应的多重属性，对优先级别相同的任务进行进一步排序，然后选择执行优先级高的任务。

Description

一种面向多任务的自组网动态匹配选择方法

技术领域

本发明涉及天地一体化网络规划技术领域，具体涉及一种面向多任务的自组网动态匹配选择方法。

背景技术

自组网系统可认为是一个网络节点的结合，其能够相互协调以形成网络，力求以更有效的方式完成各项空间任务，其应用遍布于军事通信、移动网络、和突发事件处理等领域。

目前关于自组网的研究多集中在路由选择的优化算法和拓扑控制算法，其中对于延长网络的生存时间、减小通信干扰、提高MAC(mediaaccesscontrol)协议和路由协议的效率等具有重要意义的拓扑控制已经形成了功率控制和睡眠调度两个主流研究方向。

目前，大多数研究是在默认现有功能节点全部符合任务需求的情况下进行，虽然部分研究会通过睡眠调度，控制功能节点在工作状态和睡眠状态之间的转换，但是往往忽略了网络功能节点自身能力与多任务的匹配问题。

“面向任务能力的自组织网络体系结构”(系统工程与电子技术，第35卷第5期，2013年5月)一文中，考虑到节点自身能力与任务之间的关系，从具有任务生命周期的应用需求角度出发，提出了基于资源的物理限制在认知域给出平台的优化分配，但是其忽略功能节点与任务匹配时任务需求所具有的区间性。

“一种基于任务匹配的联盟生成策略”(系统工程理论与实践，第27卷第7期，2007年7月)一文虽然针对任务匹配提出了通过协商的功能节点自组网的方法，但是该方法需要参考历史任务集，并缺少对于不同优先级任务实时发布的考虑。

目前自组网技术缺乏一种有效的任务排序及选择方法，导致在多任务环境下，无法结合功能节点的特性，完成针对不同任务的动态自组网分配。

发明内容

有鉴于此，本发明提供了一种面向多任务的自组网动态匹配选择方法，能够在多任务情况下，根据任务需求以及节点自身能力进行节点筛选，以此来实现多个功能节点根据实际情况进行自组网并共同完成任务，完成不同任务的动态自组网分配。

本发明的面向多任务的自组网动态匹配选择方法，包括如下步骤：

步骤1，用户节点发布任务至控制节点；控制节点将这些任务广播至功能节点；

步骤2，具有自适应组网功能的各可用功能节点对任务进行获取，并根据任务需求，判断其自身是否具有任务所需功能且满足任务的最低属性要求，如是，则接收该任务，对外显示已用状态，转入步骤3；否则放弃该任务，等待下一个任务的发布，返回步骤1；

步骤3，针对每一个接收了任务的功能节点，如果功能节点只接收了一个任务，则与其他接收了同样任务的功能节点组成网络共同完成任务，任务完成后，对外显示可用状态，返回步骤1；如果功能节点同时满足多个任务需求，则按任务的预先设定的优先级，选择完成优先级别最高的任务，如果优先级相同，则转入步骤4；

步骤4，针对每一个功能节点，采用改进的TOPSIS算法对功能节点接收到的优先级相同的任务进行排序，包括如下子步骤：

步骤4.1，建立方案集X＝{x₁，x₂，…，x_m}，其中x₁为功能节点，x₂～x_m为该功能节点接收到的任务；方案集X的属性集U为功能节点接收到的所有任务的任务属性的集合，U＝{u₁，u₂，…，u_n}；

构建决策矩阵A，其中，为方案x_i在属性u_j下的属性值，其中，为属性值的上界，为属性值的下界，i＝1,2，…，m，j＝1,2，…，n；若任务没有该属性，则其对应方案的属性值为0；

步骤4.2，根据属性的类型，对决策矩阵A进行规范化，获得规范化矩阵

其中，对于效益型属性值，有：

$r_{ij}^L=a_{ij}^L/\sqrt{{\mathrm{\Σ}}_{i=1}^n{\left(a_{ij}^U\right)}^2},r_{ij}^U=a_{ij}^U\sqrt{{\mathrm{\Σ}}_{i=1}^n-{\left(a_{ij}^L\right)}^2};$

对于成本型属性值，有：

$r_{ij}^L=\left(1/a_{ij}^U\right)/\sqrt{{\mathrm{\Σ}}_{i=1}^n{\left(1/a_{ij}^L\right)}^2},r_{ij}^U=\left(1/a_{ij}^L\right)/\sqrt{{\mathrm{\Σ}}_{i=1}^n{\left(1/a_{ij}^U\right)}^2};$

步骤4.3，构造加权规范决策矩阵

其中， $z_{ij}=\{z_{ij}^L,z_{ij}^U\}=\{{\mathrm{\ω}}_j{r}_{ij}^L,{\mathrm{\ω}}_j{r}_{ij}^U\},$ w_j为待求取的属性权重；

步骤4.4，确定正、负理想点；

步骤4.4.1，确定正理想点 $v^{+}={(v_1^{+},v_2^{+},v_3^{+},...,v_n^{+})}^T,$

其中， $v_j^{+}=\{v_j^{(+L)},v_j^{\left(+U\right)}\}=\{z_{1j}^L,z_{1j}^U\}=\{{\mathrm{\ω}}_j{r}_{1j}^L,{\mathrm{\ω}}_j{r}_{1j}^U\},$ j＝1,2，…，n；

步骤4.4.2，确定负理想点 $v^{-}={\left(v_1^{-},v_2^{-},v_3^{-},\mathrm{...},v_n^{-}\right)}^T:$

针对同一属性j，j＝1,2，…，n，不同方案i与功能节点之间的距离c_ij为：

当属性值为效益型时，

$C_{ij}^U=\{\begin{array}{c}{r}_{ij}^U-r_{1j}^U,r_{ij}^U-r_{1j}^U\&GreaterEqual;0\\ -\mathrm{\&alpha;}\&CenterDot;\left(r_{ij}^U-r_{1j}^U\right),r_{ij}^U-r_{1j}^U<0\end{array},C_{ij}^L=\left\{\begin{array}{c}{r}_{ij}^L-r_{1j}^L,r_{ij}^L-r_{1j}^L\&GreaterEqual;0\\ -\mathrm{\&alpha;}\&CenterDot;(r_{ij}^L-r_{1j}^L),r_{ij}^L-r_{1j}^L<0\end{array}\right.$

当属性值为成本型时，

$C_{ij}^U=\{\begin{array}{c}\mathrm{\&alpha;}\&CenterDot;\left(r_{ij}^U-r_{1j}^U\right),r_{ij}^U-r_{1j}^U\&GreaterEqual;0\\ -\left(r_{ij}^U-r_{1j}^U\right),r_{ij}^U-r_{1j}^U<0\end{array},C_{ij}^L=\left\{\begin{array}{c}\mathrm{\&alpha;}\&CenterDot;(r_{ij}^L-r_{1j}^L),r_{ij}^L-r_{1j}^L\&GreaterEqual;0\\ -\left(r_{ij}^L-r_{1j}^L\right),r_{ij}^L-r_{1j}^L<0\end{array}\right.$

其中，α为修正系数；同一属性j下，取最大值对应的方案k₂，和最大值对应的方案k₁，则属性j的负理想点为

$v_j^{-}=\{v_j^{(-L)},v_j^{(-U)}\}\&lsqb;v_j^{(-L)},v_j^{(-U)}\&rsqb;=\{z_{k_{1}j}^L,z_{k_{2}j}^U\}=\{{\mathrm{\&omega;}}_j{r}_{k_{1}j}^L,{\mathrm{\&omega;}}_j{r}_{k_{2}j}^U\};$

步骤4.5，求取属性权重w_j，即D取最小值时对应的w_j；其中，

$D=\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;{({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{(+L)})}^2+{({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{(+U)})}^2-{({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{(-L)})}^2-{({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{(-U)})}^2\&rsqb;;$

步骤4.6，根据步骤4.5计算获得的w_j，求取各方案与正理想点之间的距离各方案与负理想点之间的距离其中，

$d_i^{+}=\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;{({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{\left(+L\right)})}^2+{\left({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{\left(+U\right)}\right)}^2\&rsqb;$

$d_i^{-}=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\&lsqb;{\left({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{\left(-L\right)}\right)}^2+{\left({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{\left(-U\right)}\right)}^2\&rsqb;$

则功能节点与其接收到的各方案之间的相对接近度为

步骤4.7，确定功能节点选择最大值对应的方案，执行该方案对应的任务，完成任务后，返回步骤1。

进一步的，功能节点或任务的属性值为固定值时，步骤4.1中的为该固定值下浮1％，为该固定值上浮1％。

有益效果：

针对现有系统中缺少对任务需求的动态匹配，人工设定任务权值的考虑，并且忽略任务需求所具有的区间性等问题，本发明提出了面向任务的自组网系统中的匹配选择方法。在对自组网系统所需参数进行分析的基础上，设计了面向任务的自组网的总体框架，在保证通用性和灵活性的基础上，使任务目标所需要的资源与功能节点所提供的资源对等，实现了面向任务自组网的决策，可以保证任务科学有效的完成，具有广泛的应用。

附图说明

图1为本发明任务选择流程图。

图2为本发明实施例中20个随机功能节点分布。

图3为本发明实施例中经优先级筛选后功能节点接受任务的结果。

图4为本发明实施例中功能节点方案的相对接近度。

图5为本发明实施例中功能节点选择任务的结果。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种面向多任务的自组网动态匹配选择方法。

面向任务的卫星自组网系统包括用户节点、控制节点和功能节点三个部分。

一个或多个用户节点将其任务发布给控制节点，再由控制节点将这些任务广播到功能节点上，并且在一些情况下，这三者可集成在一个设备当中。

功能节点是具有执行和完成某项任务所需能力的设备，其具有一定的决策能力、执行能力以及一种或多种功能。具体功能可为遥感、定位、通信等。本发明主要考察功能节点的可实现功能、存储容量、通信速率、时延和误码率等。其可涵盖传感器、便携式终端、卫星等多种设备。

在功能节点接收到这些任务后，需采用功能节点筛选的动态匹配选择算法，即功能节点如何在任务间选择决策，最终得到与任务匹配度最高的功能节点集进行自组织网络构建。

本发明以功能节点自身能力为出发点，考虑任务需求，使功能节点与任务之间的匹配度最高，具体通过以下步骤实现：

步骤一：一个或多个用户节点发布各自任务至控制节点。

步骤二：控制节点将这些任务广播至功能节点。

步骤三：具有自适应组网功能的可用功能节点进行任务的获取。

步骤四：功能节点根据任务需求分析和自身能力属性分析，判断备选功能节点是否具有任务所需功能及能力，可看作初步筛选的过程。

其具体是分别考虑任务所需性能参数及功能节点的能力，例如延迟，数据量缓存等，并进行逐项比较，当功能节点参数符合任务需求的边界时，即可认为匹配。若此功能节点与该任务匹配，则其接收任务；否则放弃任务，继续获取下一个任务。

步骤五：功能节点在接收任务后：

如果接收任务唯一，则功能节点将任务输入至自组织网络中，执行任务。如果任务不唯一，则先需对事先人为设定的任务重要性权值进行排序。不同的任务会根据人为判断而赋予不同的权重，选择其中优先级高的任务输入。

当任务优先级相同时，功能节点需要进行任务间的选择决策，本发明对于这些任务进行基于TOPSIS(TechniqueforOrderPreferencebySimilaritytoanIdealSolution)改进算法的多属性判决，并主要考虑组网任务需求、功能节点自身能力以及其所对应的多重属性，以此得出最后的优先级序列，然后选择优先级高的任务输出，被功能节点执行。

对于任务间选择决策而言，考虑到当多个任务的事先设定的优先级别相同时，功能节点任务间选择决策的复杂性和不确定性较大，并且由于功能节点的动态性，很多属性参数都是以区间的形式给出，故区间数多属性决策方法更适合功能节点任务间选择决策；同时，考虑到功能节点与任务匹配的问题，本发明依据TOPSIS算法中利用正负理想点进行决策的思想进行任务间的选择决策，并对TOPSIS算法进行改进，使其能够很好地应用于任务的筛选中。具体改进如下：

(1)不同的属性可表示为不同的形式

无论是任务还是功能节点的属性，根据其实际情况，有区间形式的表示，也有固定值形式的表示。在考虑鲁棒性的条件下，引入浮动误差可对固定值进行处理，在原有固定值的基础上分别加减固定值的1％，以此组成区间便于后续处理。

(2)将任务与功能节点之间的匹配引入TOPSIS算法

在原有TOPSIS算法中，只考虑了在一些方案中根据一些属性值的不同选取最优的方案，并没有引入匹配的概念。在本场景中需要考虑任务与功能节点的匹配，故将功能节点引入到方案集中，最优的概念变化为与功能节点最匹配的任务。在改进算法中，方案集已暗含“最优”的选择，即功能节点，同时功能节点对应的属性也为“最优”的，利用本改进算法得到的功能节点方案的接近度应为1，而方案集中对应的“次优解”即为最匹配的任务。

(3)正理想点的选择

因考虑了匹配的需要，结合正理想点是最优方案的定义，这里最匹配的方案即功能节点本身，所以将正理想点定义为功能节点的规范化属性值。

(4)负理想点的选择

根据负理想点的定义：虚拟的最差方案，是离正理想点距离最远的方案。在选取时需根据效益型或成本型的不同来进行考虑，距离不再为一个绝对值，而是具有正负的。本发明将正负替换为修正系数。以效益型的属性为例，属性值越大越好，故即使对于处在正理想点左右，但距离相同的方案，其所代表的实际距离应不同。

此处以功能节点A的任务选择决策过程为例，其他功能节点选择任务时的步骤相同，具体步骤如下：

设某一个多属性决策问题的方案集为X＝{x₁，x₂，…，x_m}，其中方案集中包括了功能节点A以及功能节点A接收到的各任务，例如：方案集X＝{功能节点A，任务1，任务2，任务3}。方案集X的属性集U为功能节点接收到的所有任务的任务属性的集合，U＝{u₁，u₂，…，u_n}，例如：属性集U＝{通信速率，存储容量，延迟时间，误码率}。方案x_i∈X在属性u_j∈U下的属性值为a_ij，对于以区间的形式给出的属性，则得到属性的可行范围，即上界和下界而对于只给出固定值的属性，在考虑鲁棒性的条件下，可在给出固定值的基础上加入1％的浮动误差，从而变成区间的形式。从而由a_ij构成决策矩阵A，此处的a_ij是含有两个元素为了利于之后的说明，此处令功能节点A的在第j属性的上下界分别表示为决策矩阵A的每行代表不同的方案，每列代表不同的属性，若某方案没有该属性，则该属性为0；

其算法如下所示：

步骤5.1，在向量标准化的规范化的基础上根据区间数运算的法则，采用下列公式将决策矩阵A，转化为规范化矩阵R。属性类型主要包括效益型和成本型两种，其中效益型是指属性值越大越好的属性，例如：通信速率、存储容量等；成本型是指属性值越小越好的属性，例如：延迟时间、误码率等。

属性值为效益型：

$r_{ij}^L=a_{ij}^L/\sqrt{{\mathrm{\&Sigma;}}_{i=1}^n{\left(a_{ij}^U\right)}^2}---\left(1\right)$

$r_{ij}^U=a_{ij}^U/\sqrt{{\mathrm{\&Sigma;}}_{i=1}^n{\left(a_{ij}^L\right)}^2}---\left(2\right)$

属性值为成本型：

$r_{ij}^L=\left(1/a_{ij}^U\right)/\sqrt{{\mathrm{\&Sigma;}}_{i=1}^n{\left(1/a_{ij}^L\right)}^2}---\left(3\right)$

$r_{ij}^U=(1/a_{ij}^L)/\sqrt{{\mathrm{\&Sigma;}}_{i=1}^n{\left(1/a_{ij}^U\right)}^2}---\left(4\right)$

此处与分别表示规范化后的属性值的下界与上界，根据区间数多属性决策的属性类型选择公式，对于两种计算方法的与不做符号上区分。

步骤5.2，构造加权规范决策矩阵

其中，其中，w_j为待求取的属性权重；

步骤5.3，确定正负理想点：

其中，1)正理想点 $v^{+}={(v_1^{+},v_2^{+},v_3^{+},...,v_n^{+})}^T$

结合任务匹配的需要，本发明将正理想点定义为功能节点的规范化属性值，即：

$v_j^{+}=\{v_j^{(+L)},v_j^{\left(+U\right)}\}=\{z_{1j}^L,z_{1j}^U\}=\left\{{\mathrm{\&omega;}}_j{r}_{1j}^L,{\mathrm{\&omega;}}_j{r}_{1j}^U\right\}---\left(5\right)$

其中r_1j是对功能节点的第j个属性进行的规范化后结果。

2)负理想点 $v^{-}={\left(v_1^{-},v_2^{-},v_3^{-},\mathrm{...},v_n^{-}\right)}^T$

负理想点即虚拟的最差方案，是离正理想点距离最远的方案，选取时需根据效益型或成本型的不同来进行考虑。

对于效益型属性来说，属性值越大越好。故即使对于距离正理想点相同的方案其所代表的实际距离应该是不同的。换句话说，此时小于正理想点的方案要比大于理想点的方案距离更远，即需要对小于方案的距离乘以一个大于1的修正系数α，以体现属性具有效益型的特点。在这里本发明不妨取α＝1.5。

同理，对于成本型属性来说，将对于大于正理想点的距离乘以一个修正系数。

属性值为效益型：

$C_{ij}=\left\{\begin{array}{c}{r}_{ij}-r_{1j},r_{ij}-r_{1j}\&GreaterEqual;0\\ -\mathrm{\&alpha;}\&CenterDot;\left(r_{ij}-r_{1j}\right),r_{ij}-r_{1j}<0\end{array}\right.---\left(6\right)$

属性值为成本型：

$C_{ij}=\left\{\begin{array}{c}\mathrm{\&alpha;}\&CenterDot;\left(r_{ij}-r_{1j}\right),r_{ij}-r_{1j}\&GreaterEqual;0\\ -\left(r_{ij}-r_{1j}\right),r_{ij}-r_{1j}<0\end{array}\right.---\left(7\right)$

同一属性j下，分别计算各方案属性值的上边界与功能节点之间的距离和下边界与功能节点之间的距离取对应的方案k₂，取对应的方案k₁，则属性j的负理想点为

$v_j^{-}=\left\{v_j^{\left(-L\right)},v_j^{\left(-U\right)}\right\}\&lsqb;v_j^{\left(-L\right)},v_j^{\left(-U\right)}\&rsqb;=\left\{z_{k_{1}j}^L,z_{k_{2}j}^U\right\}=\left\{{\mathrm{\&omega;}}_j{r}_{k_{1}j}^L,{\mathrm{\&omega;}}_j{r}_{k_{2}j}^U\right\}---\left(8\right)$

步骤5.4，确定每个任务与正负理想点的距离：

根据距离的定义式可得任务方案与正负理想点之间的距离分别为

$d_i^{+}=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\&lsqb;{\left({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{\left(+L\right)}\right)}^2+{\left({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{\left(+U\right)}\right)}^2\&rsqb;---\left(9\right)$

$d_i^{-}=\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;{\left({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{(-L)}\right)}^2+{\left({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{\left(-U\right)}\right)}^2\&rsqb;---\left(10\right)$

其中i＝1,2,…,m。

根据最佳方案是选取既靠近正理想点又远离负理想点的这一思路，故可通过下列多目标优化模型确定属性权重ω_j

$\left\{\begin{array}{c}{\mathrm{mind}}_i^{+}=\min \underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\&lsqb;{\left({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{\left(+L\right)}\right)}^2+{\left({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{\left(+U\right)}\right)}^2\&rsqb;\\ {\mathrm{maxd}}_i^{-}=\min \underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\&lsqb;{\left({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{\left(-L\right)}\right)}^2+{\left({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{\left(-U\right)}\right)}^2\&rsqb;\end{array}\right.---\left(11\right)$

且需满足归一化约束条件 ${\mathrm{\&Sigma;}}_{j=1}^n{\mathrm{\&omega;}}_j=1,0\&le;{\mathrm{\&omega;}}_j\&le;\mathrm{0.5.}$

进一步该双目标优化模型可以转化成如下的单目标优化形式：

$\begin{array}{c}\min D=\underset{i}{\overset{m}{\mathrm{\&Sigma;}}}\left({\mathrm{mind}}_i^{+}-{\mathrm{maxd}}_i^{-}\right)\\ =\underset{i}{\overset{m}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\&lsqb;{\left({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{\left(+L\right)}\right)}^2+{\left({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{\left(+U\right)}\right)}^2-{\left({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{\left(-L\right)}\right)}^2\\ -{\left({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{\left(-U\right)}\right)}^2\&rsqb;\end{array}---\left(12\right)$

步骤5.5，计算相对接近度s_i

将得到的每个属性的权重带入式(9)和式(10)，分别计算对于每一个任务方案计算其与正负理想点的距离，并根据如下计算公式得到相对接近度。

$s_i^{*}=\frac{d_i^{-}}{d_i^{-}+d_i^{+}}---\left(13\right)$

步骤5.6，排列方案的优先次序

将由大到小的顺序排列，排在前面的方案优先采用，为功能节点接受哪一项具体任务提供依据。

下面结合具体数据进行进一步说明。

假设功能节点随机分布在功能节点网络中，如图2所示。20个功能节点同时收到3个任务，各项任务具体要求如表1所示，其中优先级是事先根据具体任务的情况人为设定的。

表1

与任务所给出的具体参数要求相对应，对于每个功能节点都考虑其所具有的功能、通信速率、存储容量、延迟时间以及误码率。各功能节点的具体参数如表2所示。其中，中继节点只需满足任务属性即可。

表2

首先，根据表1和表2中的具体参数进行功能节点和任务的匹配判决，即从功能节点的角度来看，需要判断自身是否具有任务所需功能，且是否达到该功能属性所需的最低能力，以此来进行初步的任务筛选，其结果可能会出现3种情况。

(1)不满足以上3种任务的需求而等待其他任务的功能节点；

(2)只满足1种任务需求而直接接受该任务的功能节点；

(3)满足了2-3个任务的需求而需要进一步的判断。

接着，对于情况(3)中的节点再进行任务优先级的判决，得出如图3的结果。其中空心圆中的数字表示其接受的任务，“x”表示没有接受任何一个任务。实心的圆表示同时满足任务1和任务2的功能节点，对于这样的功能节点需要进行多属性判决。其中需要考虑通信速率、存储容量、延迟时间和误码率四种属性。前两者为效益型属性，而后两者(延迟时间和误码率)为成本型属性。为了解决该决策判决问题，可按照前述的计算步骤进行。

对于每个功能节点，根据式(1)-式(4)，计算出其规范化决策矩阵。根据对正负理想点的修正定义，可直接得到正理想点的值，即功能节点的规范化属性值。并进一步根据式(6)和式(7)得到负理想点。再求解二次规划问题，得到对于每个功能节点来说的属性权重向量。方案距正、负理想点的距离如表3所示：

表3

最后，根据式(13)求解相对接近度，给出最后功能节点选择任务的结果，如图4所示。

综上，全部的功能节点选择情况如表4和图5所示。可以看出，本发明在保证通用性和灵活性的基础上，使任务目标所需要的资源与功能节点所提供的资源对等，实现了面向任务自组网的决策，为保证任务科学有效的完成提供了坚实的基础，具有广泛的应用。

表4

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种面向多任务的自组网动态匹配选择方法，其特征在于，包括如下步骤：

步骤1，用户节点发布任务至控制节点；控制节点将这些任务广播至功能节点；

步骤2，具有自适应组网功能的各可用功能节点对任务进行获取，并根据任务需求，判断其自身是否具有任务所需功能且满足任务的最低属性要求，如是，则接收该任务，对外显示已用状态，转入步骤3；否则放弃该任务，等待下一个任务的发布，返回步骤1；

步骤3，针对每一个接收了任务的功能节点，如果功能节点只接收了一个任务，则与其他接收了同样任务的功能节点组成网络共同完成任务，任务完成后，对外显示可用状态，返回步骤1；如果功能节点同时满足多个任务需求，则按任务的预先设定的优先级，选择完成优先级别最高的任务，如果优先级相同，则转入步骤4；

步骤4，针对每一个功能节点，采用改进的TOPSIS算法对功能节点接收到的优先级相同的任务进行排序，包括如下子步骤：

步骤4.1，建立方案集X＝{x₁，x₂，…，x_m}，其中x₁为功能节点，x₂～x_m为该功能节点接收到的任务；方案集X的属性集U为功能节点接收到的所有任务的任务属性的集合，U＝{u₁，u₂，…，u_n}；

构建决策矩阵A，其中，为方案x_i在属性u_j下的属性值，其中，为属性值的上界，为属性值的下界，i＝1,2，…，m，j＝1,2，…，n；若任务没有该属性，则其对应方案的属性值为0；

步骤4.2，根据属性的类型，对决策矩阵A进行规范化，获得规范化矩阵

其中，对于效益型属性值，有：

$r_{ij}^L=a_{ij}^L/\sqrt{{\mathrm{\&Sigma;}}_{i=1}^n{\left(a_{i=1}^U\right)}^2},$ $r_{ij}^U=a_{ij}^U/\sqrt{{\mathrm{\&Sigma;}}_{i=1}^n{\left(a_{i=1}^L\right)}^2};$

对于成本型属性值，有：

$r_{ij}^L=(1/a_{ij}^U)/\sqrt{{\mathrm{\&Sigma;}}_{i=1}^n{(1/a_{ij}^L)}^2},$ $r_{ij}^U=(1/a_{ij}^L)/\sqrt{{\mathrm{\&Sigma;}}_{i=1}^n{(1/a_{ij}^U)}^2};$

步骤4.3，构造加权规范决策矩阵Z＝[z_ij]_m×n；

其中， $z_{ij}=\{z_{ij}^L,z_{ij}^U\}=\{{\mathrm{\&omega;}}_j{r}_{ij}^L,{\mathrm{\&omega;}}_j{r}_{ij}^U\},$ w_j为待求取的属性权重；

步骤4.4，确定正、负理想点；

步骤4.4.1，确定正理想点 $v^{+}={(v_1^{+},v_2^{+},v_3^{+},\mathrm{...},v_n^{+})}^T,$

其中， $v_j^{+}=\{v_j^{(+L)},v_j^{(+U)}\}=\{z_{1j}^L,z_{1j}^U\}=\{{\mathrm{\&omega;}}_j{r}_{1j}^L,{\mathrm{\&omega;}}_j{r}_{1j}^U\},j=\mathrm{1,2},...,n;$

步骤4.4.2，确定负理想点 $v^{-}={(v_1^{-},v_2^{-},v_3^{-},\mathrm{...},v_n^{-})}^T:$

针对同一属性j，j＝1,2，…，n，不同方案i与功能节点之间的距离c_ij为：

当属性值为效益型时，

$C_{ij}^U=\left\{\begin{array}{c}{r}_{ij}^U-r_{1j}^U,r_{ij}^U-r_{1j}^U\&GreaterEqual;0\\ -\mathrm{\&alpha;}\&CenterDot;(r_{ij}^U-r_{1j}^U),r_{ij}^U-r_{1j}^U<0\end{array}\right.,$ $C_{ij}^L=\left\{\begin{array}{c}{r}_{ij}^L-r_{1j}^L,r_{ij}^L-r_{1j}^L\&GreaterEqual;0\\ -\mathrm{\&alpha;}\&CenterDot;(r_{ij}^L-r_{1j}^L),r_{ij}^L-r_{1j}^L<0\end{array}\right.$

当属性值为成本型时，

$C_{ij}^U=\{\begin{array}{c}\mathrm{\&alpha;}\&CenterDot;(r_{ij}^U-r_{1j}^U),r_{ij}^U-r_{1j}^U\&GreaterEqual;0\\ -(r_{ij}^U-r_{1j}^U),r_{ij}^U-r_{1j}^U<0\end{array},$ $C_{ij}^L=\left\{\begin{array}{c}\mathrm{\&alpha;}\&CenterDot;(r_{ij}^L-r_{1j}^L),r_{ij}^L-r_{1j}^L\&GreaterEqual;0\\ -(r_{ij}^L-r_{1j}^L),r_{ij}^L-r_{1j}^L<0\end{array}\right.$

其中，α为修正系数；同一属性j下，取最大值对应的方案k₂，和最大值对应的方案k₁，则属性j的负理想点为

$v_j^{-}=\{v_j^{(-L)},v_j^{(-U)}\}\&lsqb;v_j^{(-L)},v_j^{(-U)}\&rsqb;=\{z_{k_{1}j}^L,z_{k_{2}j}^U\}=\{{\mathrm{\&omega;}}_j{r}_{k_{1}j}^L,{\mathrm{\&omega;}}_j{r}_{k_{2}j}^U\};$

步骤4.5，求取属性权重w_j，即D取最小值时对应的w_j；其中，

$D=\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;{({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{(+L)})}^2+{({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{(+U)})}^2-{({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{(-L)})}^2-{({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{(-U)})}^2\&rsqb;;$

步骤4.6，根据步骤4.5计算获得的w_j，求取各方案与正理想点之间的距离d_i ⁺、各方案与负理想点之间的距离d_i ^-；其中，

$d_i^{+}=\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;{({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{(+L)})}^2+{({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{(+U)})}^2\&rsqb;$

$d_i^{-}=\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;{({\mathrm{\&omega;}}_j{r}_{ij}^L-v_j^{(-L)})}^2+{({\mathrm{\&omega;}}_j{r}_{ij}^U-v_j^{(-U)})}^2\&rsqb;$

则功能节点与其接收到的各方案之间的相对接近度为

步骤4.7，确定功能节点选择最大值对应的方案，执行该方案对应的任务，完成任务后，返回步骤1。

2.如权利要求1所述的面向多任务的自组网动态匹配选择方法，其特征在于，功能节点或任务的属性值为固定值时，步骤4.1中的为该固定值下浮1％，为该固定值上浮1％。