CN106851689B

CN106851689B - 无线传感器及执行器网络中多因素任务分配方法

Info

Publication number: CN106851689B
Application number: CN201710084148.1A
Authority: CN
Inventors: 穆磊
Original assignee: Southwest Minzu University
Current assignee: Southwest Minzu University
Priority date: 2017-02-16
Filing date: 2017-02-16
Publication date: 2019-07-30
Anticipated expiration: 2037-02-16
Also published as: CN106851689A

Abstract

本发明提供的无线传感器及执行器网络中多因素任务分配方法，将其作为任务完成效果的评判指标。对目标参数和节点自身状态等多种影响任务效能的因素进行分析，通过极差正规化对正向和逆向指标区别处理，建立线性加权的任务效能函数，更全面地反映目标威胁程度和节点价值对系统的综合影响。对多因素任务分配问题进行分析，构建以任务效能函数为评价指标的数学模型，以获得系统整体最大综合任务效能为优化目标。

Description

无线传感器及执行器网络中多因素任务分配方法

技术领域

本发明属于技术领域，具体涉及无线传感器及执行器网络中多因素任务分配方法。

背景技术

无线传感器及执行器网络(Wireless Sensor and Actuator Network,WSAN)通常由一组传感器节点和执行器节点协作形成自组织网络，共同实现分布式感知和动作执行。传感器收集来自物理世界的信息，而执行器作出决定，对环境采取相应的动作。由于结合了无线传感器网络和网络控制系统的优势，无线传感器及执行器网络在抢险救灾、精准农业、智能家居、国防军事等领域有着广阔的应用前景。

在诸如智能雷场等WSAN的军事应用中，所有雷弹节点通过分布式传感器对复杂战场环境数据进行采集，在网络间进行信息交互，协同决策分析得到最优化操作方案，将其依据一定的指令格式在网络中发布，各执行器节点根据接收到的指令对来袭目标群进行攻击。在这样的应用中，目标任务分配决策的核心问题是如何利用采集到的战场环境数据分析得到最优化的节点-目标分配方案。

有些现有方法利用排队论结合目标速度等因素分析智能雷场对目标的作战效能，为作战效能分析提供了理论基础。有些现有技术综合考虑雷弹与目标间距离、角度、速度等相对关系，将智能雷场中弹目分配问题，从进行威胁分析，以最小化敌方威胁作为优化目标，建立智能雷场综合攻击决策模型，通过蚁群方法进行解算，并给出了仿真结果。有些现有技术分析了智能雷场中目标分配问题的优选准则，从空间关系、时间约束和物质约束等方面考虑目标分配的约束条件，并给出相应条件下的优选目标函数，随后对应用场景进行仿真和模型解算。该优选目标函数更多的考虑雷弹本身的电量、模块工作状态，通信条件等，未过多考虑目标威胁对优选目标分配的影响。

发明内容

针对现有技术中的缺陷，本发明提供无线传感器及执行器网络中多因素任务分配方法，能够结合多种影响任务效能的因素进行分析，更全面地反映目标威胁程度和节点价值对系统的综合影响。

无线传感器及执行器网络中多因素任务分配方法，包括以下步骤：

S1：建立无线传感器及执行器网络监控范围内节点的相对坐标系，通过探测计算得到目标方位，得到节点和目标的相对态势；

S2：分析影响任务效能的因素，通过各因素值和任务效能的正负相关性确定正向指标和逆向指标，利用目标与节点的参数值构成指标矩阵；

S3：进行指标无量纲化：采用极差正规化方法，得到各指标矩阵的正规化形式；

S4：建立任务效能的线性加权和公式，通过层次分析法确定线性加权和公式中各项权重系数，列出指派问题的系数矩阵；

S5：将指派问题的系数矩阵转换为标准指派问题的系数矩阵，建立多因素任务分配问题的数学模型；

S6：通过多尺度量子谐振子优化算法求解多因素任务分配问题的数学模型，输出优化后的节点目标分配方案。

优选地，所述步骤S3中，各指标矩阵的正规化形式如下：

式中，V_i为第i项指标评价值；X_i为第i项指标实测值；X_imax为第i项指标最大值；X_imin为第i项指标最小值；其中positive为正向指标，表示该指标与任务效能正相关；negative为逆向指标，表示该指标与任务效能负相关。

优选地，所述步骤S4中，设Y₁,Y₂,…,Y_n为所述因素的决策变量，n为指标总项数，任务效能c函数为：

式中，W₁,W₂,…,W_n是线性加权系数，其满足：W_i≥0且

优选地，所述步骤S5中，多因素任务分配问题为：拟分配m个节点攻击k个点目标，假定每个节点只能攻击1个点目标，若分配第i个节点去攻击第j个点目标，其任务效能函数值为C_ij；引入变量A_ij，若节点i去攻击第j个点目标，则取A_ij＝1，否则取A_ij＝0；所述多因素任务分配问题的数学模型为：

式中，z为系统整体综合任务效能。

由上述技术方案可知，本发明提供的无线传感器及执行器网络中多因素任务分配方法，将其作为任务完成效果的评判指标。对目标参数和节点自身状态等多种影响任务效能的因素进行分析，通过极差正规化对正向和逆向指标区别处理，建立线性加权的任务效能函数，更全面地反映目标威胁程度和节点价值对系统的综合影响。对多因素任务分配问题进行分析，构建以任务效能函数为评价指标的数学模型，以获得系统整体最大综合任务效能为优化目标。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为实施例中节点和目标相对态势图。

图2为实施例中最优节点目标分配方案。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

实施例：

包括以下步骤：

S2：分析影响任务效能的因素，通过各因素值和任务效能的正负相关性确定正向指标和逆向指标，利用目标与节点的各项参数值构成指标矩阵；

S6：通过多尺度量子谐振子优化算法(MQHOA,Multi-Scale Quantum HarmonicOscillator Algorithm)求解多因素任务分配问题的数学模型，输出优化后的节点目标分配方案。

MQHOA包括同尺度上量子波函数收敛和尺度的收缩过程，多次迭代后收敛到最优解，将所求解定义为节点编号序列，序列中每个位置上的编号代表该位置对应目标分配的任务节点，如节点3分配目标2，节点7分配目标1，节点2分配目标3，此时的节点编号序列为[7 3 2]

具体求解步骤：

6.1初始化采样点数p、尺度大小σ和尺度收缩因子λ；

6.2随机产生p个初始节点编号序列；

6.3根据p个初始节点编号序列产生p×q个节点编号序列，q代表节点数量；

6.4保留p个任务效能参数较优的节点编号序列；

6.5计算这p个节点编号序列的标准差σ^p；

6.6若σ^p<σ，则σ←σ/λ，否则，重复6.3-6.5；

6.7若σ^p持续保持不变，算法结束，输出最优的节点编号序列。

1、任务效能的影响因素。

智能雷场的对抗任务涉及到攻防双方，因而其任务效能受雷弹和目标的多种因素影响，系统最优任务效能应该综合目标威胁程度和节点自身状态两方面来对进行分析，建立全面描述攻防双方的任务效能评价指标体系非常必要。

目标威胁程度由以下属性决定：

1)目标的径向速度为目标在雷弹节点视线方向上的速度分量，决定了目标相对雷弹节点的机动能力，径向速度越大，威胁越大。

2)目标和雷弹之间的距离决定了目标到达雷弹节点的近似时间，距离越小，到达时间越短，威胁越大。

3)目标类型在一定程度上表明目标的威胁性，装甲武装车辆的威胁性比工程车辆的威胁性大。

因此，目标类型、径向速度、距离是影响目标威胁评估的主要属性。对于较严格的目标威胁估计，还要考虑敌方目标作战性能和攻击能力等多种属性。

雷弹节点的自身状态代表了雷弹节点对系统的价值，由下列属性决定：

1)雷弹节点的能量通过节点电压来描述，决定了节点对区域的封锁压制时间和持续运算及通信能力，电压越小，持续运算能力越弱，优先选为攻击节点。

2)节点连通度，由可和本节点通信的节点数量来描述，反映了该位置处节点的疏密程度，连通度越大，说明周围节点越密集，对网络拓扑结构的影响越小，优先选为攻击节点。

在应用中，可根据实际情况对任务效能的影响因素进行取舍。对于节点，也可考虑增加节点成本、可靠性等更为详尽的因素描述节点状态对任务效能的影响。

选择最优节点进行攻击，获得系统最佳的任务效能，要综合考虑到上述各个因素，包括目标的参数和雷弹节点本身的状况，这样的问题显然是多目标决策问题，可通过分层序列法，目标规划法，多属性效用法，层次分析法等求解。2、任务效能函数。

根据上节对智能雷场任务效能的分析，可以得到智能雷场任务效能函数的主要决定因素有：目标径向速度，目标距离，目标类型，节点电量和节点连通度。

设Y₁,Y₂,…,Y_n为对应各因素(每个因素对应一个指标)的决策变量，n为指标总项数，对任务效能有线性加权形式的评价函数，即任务效能函数为：

式中，W₁,W₂,…,W_n是线性加权系数，其满足：W_i≥0且

采用线性加权和法构造评价函数，将复杂多因素的决策问题转为简单决策问题，合理确定权系数是求解的重要环节。由于各个指标的含义、测量量纲以及取值优劣标准不尽相同，为了消除不同的量纲和量纲单位带来的不可公度性，对评估对象进行多指标综合评估，需要把各种指标值转化成一个相对统一的尺度，即对指标值进行无量纲化。无量纲化处理后，各个权系数的大小就能充分反映其对应指标在多指标综合评估中的重要程度，而不受指标值相对大小的影响。

在多指标综合评价问题中，指标无量纲化常用方法主要有最大值标准化、极差正规化法、初始值化法、均值化法和区间值化法等。极差反映数据之间的最大差距，级差正规化法是多元统计理论中数据标准化的重要处理方法，本发明采用级差正规化法进行无量纲化，其主要计算方法如下：

式中，V_i为第i项指标评价值；X_i为第i项指标实测值；X_imax为第i项指标最大值；X_imin为第i项指标最小值。其中正向(positive)指标表示该指标与任务效能正相关，即指标值越大任务效能越好；逆向(negative)指标则相反，表示该指标与任务效能负相关。显然极差正规化的结果是最大值为1，最小值为0。

求解任务效能函数前，首先要合理选择各个因素在任务效能函数中的权重系数，不同的权系数体现决策者不同的意图，求解得到的方案也不同。层次分析法将专家的思维过程定量化，并且可以通过一致性检验处理专家意见不一致的情形，以其系统性、实用性和简洁性得到了广泛的应用。应用层次分析法对任务效能影响因素权重向量进行解算，经过一致性检验，得到目标距离，目标类型，目标径向速度，节点连通度，节点电量对应的权重系数分别为：0.4378，0.2852，0.1677，0.0722，0.0372。

任务效能函数在不同的应用中可根据实际情况进行灵活扩展。首先，分析影响任务效能的各种因素，确定各因素值和任务效能的正负相关性来区分正向指标和逆向指标；其次，利用层次分析法确定任务效能函数各影响因素的权重系数；最后，通过极差正规化对正向指标和逆向指标分别处理，即可求解相应的任务效能。

3、多因素任务分配问题建模。

结合上述章节的分析，针对智能雷场应用，多因素任务分配问题可描述为：拟分配m个雷弹节点攻击k个点目标，假定每个雷弹节点可以攻击1个且只能攻击1个点目标，若分配第i个雷弹节点去攻击第j个点目标，其任务效能函数值为C_ij，应如何进行目标分配才能使系统总的任务效能最大。这样的条件下，多因素任务分配问题实质转换为指派问题。要给出一个指派问题的实例，只需给出矩阵C＝(C_ij)，C被称为指派问题的系数矩阵。

引入变量A_ij，若雷弹节点i去攻击第j个点目标，则取A_ij＝1，否则取A_ij＝0。上述多因素任务分配问题的数学模型为

上式的可行解可以用一个矩阵(称为指派方阵)表示，其每行每列均有且只有一个元素为1，其余元素均为0。

如果m＝k，雷弹节点和目标一一对应，则称为平衡指派问题，否则为非平衡指派问题。多因素任务分配问题的指派模型，实质上是最大化指派问题，是一种非标准的指派问题。解决此类最大化指派问题的途径是通过系数矩阵的等价转换将最大化指派问题转化为标准指派问题。

4、数值仿真。

假设有以下多因素任务分配算例，有5个节点可以对3个目标A、B、C进行打击，通过建立节点自身的相对坐标系和通过探测计算得到的目标方位，得到节点和目标的相对态势如图1所示，其中圆圈点表示节点及其编号，方块点表示目标，线段表示目标的速度矢量，其长度表示速度的大小：

节点探测到目标与节点自身的各项参数值如表1-表3所示，构成指标矩阵：

表1目标A指标矩阵表

表2目标B指标矩阵表

表3目标C指标矩阵表

节点的属性指标矩阵如表4所示，节点剩余电量用电池的电压来表示。

表4节点属性指标矩阵表

为了简化描述，目标类型的指标矩阵由正整数组成，数值越大，目标的威胁程度越大，指标矩阵如表5所示：

表5目标类型指标矩阵表

由以上指标矩阵，首先进行指标无量纲化，采用极差正规化方法，得到各指标矩阵的正规化形式，其中节点电量和目标距离是逆向指标。然后根据任务效能的线性加权和公式以及确定的权重系数，求出节点i对应目标j的任务效能函数值C_ij，列出指派问题的系数矩阵如表6所示：

表6指派系数矩阵表

在本实例中，多因素任务分配问题是最大化指派问题，用1减去指派系数矩阵的每个元素，即可转换为标准指派问题的系数矩阵。节点数大于目标数量，属于不平衡指派问题，处理方法是增设虚拟目标D和E进行扩展。经过变换后的系数矩阵如表7所示：

表7变换后系数矩阵表

通过以上步骤，将最大化不平衡指派问题转化为标准指派问题。进行解算，得到指派方阵如表8所示：

表8解算得到的指派方阵

由最优指派方阵可知，最优目标分配方案为：节点1攻击目标B，节点3攻击目标C，节点5攻击目标A，这时系统可以获得最佳任务效能。目标和节点的分配结果如图2所示，虚线两端连接的节点和目标表示在此次决策中的节点-目标分配方案。

5、试验验证。

本发明采用微控制器MSP430F449和无线收发芯片CC2500组成的节点硬件平台进行验证，设定每个硬件平台具有唯一的ID。如果需要的话，每个节点都有机会通过特定的选举机制被选择成为簇头，执行相应的功能。所有和表1到表5指标矩阵的相关数据都已经获得，存储在簇头节点的flash中。试验依据上述分析的结果，任务效能函数中目标距离，目标类型，目标径向速度，节点连通度，节点电量对应的权重系数分别为0.4378，0.2852，0.1677，0.0722，0.0372。

簇头节点通过极差正规化的方法对不同类型的数据进行无量纲变换，计算不同节点-目标组合的任务效能函数来组成多因素任务分配问题的系数矩阵。根据多因素任务分配问题模型进行求解后，簇头节点将最优任务分配方案通过指令在网络中进行广播。各个节点根据接收到的指令，判断是否对目标进行攻击以及对哪个目标进行攻击。

任务分配指令帧格式如表9所示：

表9任务分配指令帧格式

任务分配指令帧包括4字节的前导和4字节的同步字，1字节的数据包长度域。其类型域为0x07，表明为任务分配指令帧。目的节点地址域为0xFF，代表簇内网络所有节点都是该命令的目的节点。主要数据负载为可变字节，其含义为节点和目标的一一对应分配方案。

节点系统时钟为8MHz，数据速率为250kbps，开启CRC校验。通过簇头节点的按钮启动任务分配机制，簇头节点根据多因素任务分配模型从存储器中获取所需数据，按照模型解算获得最优的目标节点分配方案，然后组织任务分配指令数据包并将指令发送到簇内所有节点。所有的节点收到指令后依据指令执行相应的动作。

试验系统运行正常，和数值仿真得到相同的结果，表明应用于智能雷场的多因素任务分配机制具有较好的实用性和可实现性，与上节的数值仿真具有较好的一致性。

6、结论。

本发明建立了考虑多因素影响的任务效能函数作为多因素任务分配问题的评价指标，以智能雷场应用为例，提出该应用中多因素分配问题的具体模型，从攻防对抗双方综合考虑，从节点状态和目标威胁两方面详细分析了智能雷场任务效能的影响因素，通过层次分析法，以及正向指标和逆向指标无量纲变换，构建线性加权的任务效能函数，依此作为多因素任务分配模型最优化方案的选择依据。在智能雷场此类特定应用中，多因素任务分配问题可以转换为指派问题进行求解，通过仿真和应用验证了模型的实用性和可行性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims

1.无线传感器及执行器网络中多因素任务分配方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的无线传感器及执行器网络中多因素任务分配方法，其特征在于，所述步骤S3中，各指标矩阵的正规化形式如下：

3.根据权利要求1所述的无线传感器及执行器网络中多因素任务分配方法，其特征在于，所述步骤S4中，设Y₁,Y₂,…,Y_n为所述因素的决策变量，n为指标总项数，任务效能c函数为：

式中，W₁,W₂,…,W_n是线性加权系数，其满足：W_i≥0且

4.根据权利要求1所述的无线传感器及执行器网络中多因素任务分配方法，其特征在于，所述步骤S5中，多因素任务分配问题为：拟分配m个节点攻击k个点目标，假定每个节点只能攻击1个点目标，若分配第i个节点去攻击第j个点目标，其任务效能函数值为C_ij；引入变量A_ij，若节点i去攻击第j个点目标，则取A_ij＝1，否则取A_ij＝0；所述多因素任务分配问题的数学模型为：

式中，z为系统整体综合任务效能。