CN107040879B - 一种基于遗传模糊树的无线传感网节点联合移动算法 - Google Patents

Abstract

本发明属于无线传感网节点移动领域，公开了一种基于遗传模糊树的无线传感网节点联合移动算法。首先进行传感器网络任务分配：输入传感器S_i的性能指标，将所述性能指标利用模糊逻辑系统A进行综合评分，所述综合评分最高的前N个传感器T_n移动，其余传感器保持静止；其次进行传感器联合路径规划：求出传感器T_n与目标之间的距离和传感器T_n与传感器T_j之间的距离，将所述距离值作为模糊逻辑系统B的输入进行处理，输出得到传感器T_n的移动距离值，T_n的移动方向由库伦定律决定；最后利用遗传算法对模糊逻辑树中的模糊逻辑系统A和模糊逻辑系统B进行优化，使规则库和数据库能自适应变化，使联合路径规划时间最短；采用此发明，可以有效的提高网络对目标的定位跟踪性能。

Description

一种基于遗传模糊树的无线传感网节点联合移动算法

技术领域

本发明属于无线传感网节点移动领域，具体涉及一种基于遗传模糊树的无线传感网节点联合移动算法。

背景技术

在早期的无线传感器网络研究中，由于传感器无充电能力，为了节省能耗传感器设计成静止不动的。随着大规模无线传感器网络的实际应用，人们发现静态无线传感器网络的一个显著弱点是部分传感器因担负着网络内较多负载而成为热点(hot spot)使电池迅速耗尽，从而造成整个无线传感器网络的死亡。瑞士洛桑联邦理工学院Luo等于2005年提出移动和路由联合算法，天津大学的石等于2007年提出移动协助数据收集模式(MADG)，均论证了依靠节点的移动性实现负载均衡，延长无线传感器网络寿命的可行性。此后涌现了大量的无线传感器网络文献，研究如何在移动节点的协助下实现网络覆盖与连通修复、移动MAC及路由协议、数据采集、节点定位这四项主要功能。针对各功能的需求，移动性研究集中在可移动模型与移动节点路径规划两个热点问题。

无线传感器网络可移动模型，根据移动节点间的位置或移动模式是否独立，被分为个体移动模型(individual model)与组移动模型(group model)。前者已被研究的较为充分，可细分为无记忆(Random Way和Random Waypoint)、有记忆(例如高斯-马尔科夫)及地理位置模型三类，而后者因相对复杂，相关研究较少。

对于无线传感器网络单移动节点的路径规划，国内外的理论与技术已发展的很完善，主要包括路线图法、确定性方法、概率性方法以及智能算法等。对于无线传感器网络多节点的联合移动路径规划，目前文献较少，主要是韩国首尔国立大学Chen等与加拿大英属哥伦比亚大学等单位的联合研究组2009年前后提出的基于中心位置、基于有向目标源分组、基于树的无线传感器网络路径规划，以及哈工大贾等2012年提出的基于遗传算法的多智能体路径规划；现有的组移动模型及多节点联合移动路径规划绝大多数都从减小数据采集的能耗与延迟，平衡负载的角度开展研究，并没有提高目标的实时跟踪性能。由于多节点的联合移动路径规划相比单节点能更好的优化无线传感器网络任务分配、减小数据延迟而提高无线传感器网络的时效性，但由于多节点移动算法比单节点多增加了一个维度，计算复杂度显著增加。

发明内容

本发明提供了一种基于遗传模糊树的无线传感网节点联合移动算法，旨在提高无线传感器网络中传感器对目标的自适应实时跟踪性能。

本发明采用的技术方案如下：

一种基于遗传模糊树的无线传感网节点联合移动算法，包括以下步骤：

步骤1：初始化模糊逻辑树中的模糊逻辑系统A和模糊逻辑系统B；

步骤2：将传感器S_i的性能指标利用模糊逻辑系统A得到传感器S_i的综合评分p_i，i表示无线传感器网络中传感器的序号；

步骤3：利用综合评分p_i进行无线传感器网络的任务分配，确定移动传感器集

n表示移动传感器集中传感器的序号，N表示综合评分p_i高的传感器的个数；

步骤4：利用模糊逻辑系统B对移动传感器T_n进行联合路径规划，得到移动传感器T_n的移动距离值；

步骤5：记录步骤2-4中传感器S_i响应总时间的评分q_i；

步骤6：对模糊逻辑树进行编码，将编码序列作为遗传算法的个体进行遗传优化，利用所述综合评分p_i和评分q_i设定所述遗传算法的适应度函数J，并设定繁衍代数Q，当所述适应度函数J达到最大值或者繁衍到第Q代时个体所对应的模糊树为最优模糊树，利用所述最优模糊树得到移动传感器T_n′，以及移动传感器T_n′的移动距离值和移动方向Q_n′为无线传感器网络的最终移动策略。

进一步的，所述步骤1中，所述模糊逻辑树中的模糊逻辑系统A包括K个性能指标隶属函数集A_k、规则库A_a和综合评分隶属函数集F_a；所述K个性能指标隶属函数集A_k经规则库A_a输出综合评分隶属函数集F_a；所述各个性能指标隶属函数集A_k中函数的个数为a_k，所述综合评分隶属函数集F_a中函数的个数为f_a，所述规则库A_a中规则的个数M_A为：

M_A＝a₁·a₂…··a_k·f_a (1)，

其中，k表示模糊逻辑系统A中性能指标隶属函数集的序号，k∈[1，K]；

所述模糊逻辑系统B包括距离S隶属函数集、距离F隶属函数集、规则库B_b和移动距离值隶属函数集F_b，所述距离S隶属函数集和距离F隶属函数集经规则库B_b输出移动距离值隶属函数集F_b，所述距离S隶属函数集中函数的个数为b₁，所述距离F隶属函数集中函数的个数为b₂，移动距离值隶属函数集F_b中函数的个数为f_b；

所述规则库B_b中规则的个数M_B为：

M_B＝b₁·b₂·f_b (2)

模糊逻辑树采用的规则总数M为：

M＝M_A+M_B＝a₁·a₂…··a_k·f_a+b₁·b₂·f_b (3)。

进一步的，所述步骤4中，所述路径规划的具体方法如下：

根据传感器T_n的坐标C_n与目标的坐标C，得到传感器T_n与目标之间的距离值S_n、传感器T_n与传感器T_j之间的距离值F_n，将所述距离值S_n和距离值F_n输入到所述模糊系统B得到传感器T_n的移动距离值，

且j≠n。

进一步的，所述步骤6中，所述模糊逻辑树的编码方式如下：

对模糊逻辑系统A进行编码：将K个性能指标隶属函数集A_k和综合评分隶属函数集F_a作为数据集A，按一定码长对数据集A和进行编码，得到数据集A的编码序列A₁，利用规则库A_a中不同规则对应的输出即综合评分对规则库A_a进行编码，得到规则库A_a的编码序列A₂；

对模糊逻辑系统B进行编码：将距离S隶属函数集、距离F隶属函数集和移动距离值隶属函数集F_b作为数据集B，按一定码长对数据集B和进行编码，得到数据集B的编码序列B₁，利用规则库B_b的输出即移动距离值对规则库B_b进行编码，得到规则库B_b的编码序列B₂；

将编码序列A₁、编码序列A₂、编码序列B₁和编码序列B₂进行组合得到整个模糊逻辑树的初始编码序列。

进一步的，所述步骤6中，所述适应度函数J的公式如下：

其中p_i表示传感器S_i的综合评分，h_i表示传感器S_i是否探测到目标，h_i＝1表示传感器S_i探测到目标，h_i＝0表示传感器S_i未探测到目标，q_i表示传感器S_i响应总时间的评分，静止传感器q_i＝0。

进一步的，所述步骤6中，移动方向Q_n′＝(α，β)的计算方法如下：

所述传感器T_n′的坐标C_n′＝(X_n，Y_n，Z_n)，目标的坐标C＝(X，Y，Z)，由库伦定律有：

其中，C_j表示在传感器T_j的坐标，

且j≠n。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

采用遗传算法，使每个模糊树中的隶属函数和规则库自适应变化，能使采用的模糊树有效逼近实际系统；

遗传算法的自适应函数中包含传感器响应时间的评分，可以充分利用该评分来使模糊逻辑树朝缩短路径规划时间的方向优化，从而提高无线传感器实时跟踪的性能；

采用有两个模糊逻辑系统模糊逻辑树与遗传算法相结合的可进行并行化处理的系统，在保留模糊逻辑树自适应力与鲁棒性能的同时大幅降低运算量；

遗传算法采用十进制编码方式，十进制编码的编码长度短，可操作性强，易于译码及编程实现，且对于变异操作的种群稳定性比二进制编码好；

本发明采用遗传模糊逻辑树为系统提供深度学习与高效能的计算能力，使无线传感网络对不可预见的环境和变化有极强的适应力；该模糊逻辑树可以学习不同场景、多种移动目标情形下的联合移动策略，获取各条件下的最优解，提高无线传感器网络对目标的定位跟踪性能；当面临实际目标时，系统根据初判的目标移动状态选取对应的策略，且随时间变化不断更新。

附图说明

图1是本发明的系统流程图；

图2是模糊逻辑系统的结构图；

图3是实施例3中模糊逻辑系统A中各输入隶属度函数；

图4是实施例3中模糊逻辑系统B中各输入隶属度函数；

图5是实施例3中模糊逻辑系统A和模糊逻辑系统B的输出隶属度函数；

具体实施方式

本说明书中公开的所有特征，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合附图对本发明作详细说明。

一种基于遗传模糊树的无线传感网节点联合移动算法，包括以下步骤：

步骤1：初始化模糊逻辑树中的模糊逻辑系统A和模糊逻辑系统B；

所述模糊逻辑树中的模糊逻辑系统A包括K个性能指标隶属函数集A_k、规则库A_a和综合评分隶属函数集F_a；所述K个性能指标隶属函数集A_k经规则库A_a输出综合评分隶属函数集F_a；所述各个性能指标隶属函数集A_k中函数的个数为a_k，所述综合评分隶属函数集F_a中函数的个数为f_a，所述规则库A_a中规则的个数M_A为：

M_A＝a₁·a₂…··a_k·f_a (7)；

其中，k表示模糊逻辑系统A中性能指标隶属函数集的序号，k∈[1，K]；

所述模糊逻辑系统B包括距离S隶属函数集、距离F隶属函数集、规则库B_b和移动距离值隶属函数集F_b，所述距离S隶属函数集和距离F隶属函数集经规则库B_b输出移动距离值隶属函数集F_b，所述距离S隶属函数集中函数的个数为b₁，所述距离F隶属函数集中函数的个数为b₂，移动距离值隶属函数集F_b中函数的个数为f_b；

所述规则库B_b中规则的个数M_B为：

M_B＝b₁·b₂·f_b (8)；

模糊逻辑树采用的规则总数M为：

M＝M_A+M_B＝a₁·a₂…··a_k·f_a+b₁·b₂·f_b (9)。

步骤2：将传感器S_i的K个性能指标利用模糊逻辑系统A得到传感器S_i的综合评分p_i，i表示无线传感器网络中传感器的序号；

步骤3：利用综合评分p_i进行无线传感器网络的任务分配，确定移动传感器集

n表示移动传感器集中传感器的序号，N表示综合评分p_i高的传感器的个数；

步骤4：利用模糊逻辑系统B对移动传感器T_n进行联合路径规划，根据传感器T_n的坐标C_n与目标的坐标C，得到传感器T_n与目标之间的距离值S_n、传感器T_n与传感器T_j之间的距离值F_n，将所述距离值S_n和距离值F_n输入到所述模糊系统B得到传感器T_n的移动距离值，

且j≠n；

步骤5：记录步骤2-4中传感器S_i响应总时间的评分q_i；

步骤6：对模糊逻辑树进行编码，对模糊逻辑系统A进行编码：将K个性能指标隶属函数集A_k和综合评分隶属函数集F_a作为数据集A，按一定码长对数据集A和进行编码，得到数据集A的编码序列A₁，利用规则库A_a中不同规则对应的输出即综合评分对规则库A_a进行编码，得到规则库A_a的编码序列A₂；

对模糊逻辑系统B进行编码：将距离S隶属函数集、距离F隶属函数集和移动距离值隶属函数集F_b作为数据集B，按一定码长对数据集B和进行编码，得到数据集B的编码序列B₁，利用规则库B_b的输出即移动距离值对规则库B_b进行编码，得到规则库B_b的编码序列B₂；

将编码序列A₁、编码序列A₂、编码序列B₁和编码序列B₂进行组合得到整个模糊逻辑树的初始编码序列；

将初始编码序列作为遗传算法的个体进行遗传优化，设定所述遗传算法的适应度函数J以及繁衍代数Q，所述适应度函数J的公式如下：

其中p_i表示传感器S_i的综合评分，h_i表示传感器S_i是否探测到目标，h_i＝1表示传感器S_i探测到目标，h_i＝0表示传感器S_i未探测到目标，q_i表示传感器S_i响应总时间的评分，静止传感器q_i＝0；

当所述适应度函数J达到最大值或者繁衍到第Q代时个体所对应的模糊树为最优模糊树，利用所述最优模糊树得到移动传感器T_n′，以及移动传感器T_n′的移动距离值和移动方向Q_n′为无线传感器网络的最终移动策略；

移动方向Q_n′＝(α，β)的计算方法如下：

所述传感器T_n′的坐标C_n′＝(X_n，Y_n，Z_n)，目标的坐标C＝(X，Y，Z)，由库伦定律有：

其中，C_j表示在传感器T_j的坐标，

且j≠n。

本发明的工作原理是：初始化模糊逻辑树的编码序列，当移动目标出现时，将传感器的K个性能指标输入模糊逻辑系统A进行综合评分，评分高的传感器移动，评分低的传感器静止；利用移动传感器的坐标和目标的坐标，得出移动传感器与目标的距离以及移动传感器之间的距离，将距离值输入到模糊逻辑系统B，得出移动传感器的移动距离值，利用库伦定律得出移动传感器的移动方向；利用遗传算法对模糊逻辑系统A和模糊逻辑系统B中的隶属函数和规则库进行优化，得出最优的模糊逻辑树；利用最优模糊逻辑树得出的移动传感器的移动距离值和方向即为无线传感器网络最终的路径规划。

下面，结合具体实施例来对本发明做进一步详细说明。

具体实施例

实施例1

普通模糊逻辑树与本发明采用模糊逻辑树中规则个数的对比：设系统输入的性能指标隶属函数集的个数为K＝3，且3个性能指标隶属函数集、距离S隶属函数集、距离F隶属函数集中函数的个数均为3；系统输出综合评分隶属函数集F_a和移动距离值隶属函数集F_b两个输出隶属函数集；其中3个性能指标隶属函数集与综合评分隶属函数集F_a相关，距离S隶属函数集和距离F隶属函数集与移动距离值隶属函数集F_b相关；

普通模糊逻辑树将以上5个输入隶属函数集利用一个规则库，输出两个隶属函数集，采用的规则个数为：G＝3×3×3×3×3×2＝486(13)；

利用本发明模糊逻辑树采用的规则个数为：

M＝3×3×3×1+3×3×1＝36(14)；

G＞＞M，由此可知，使用本发明采用的模糊逻辑树的结构，可大大降低使用规则的数量。

实施例2

本发明采用的模糊逻辑系统A的运算过程如下：

模糊逻辑系统包括模糊器、推理机制、规则和解模糊器，输入量输入模糊逻辑系统，首先模糊化，然后利用模糊规则和隶属函数通过推理机制得到输出模糊集，再经过解模糊器将模糊值转化为具体的值输出。

1、本发明采用单点模糊器，设传感器的性能指标个数K＝3，将3个性能指标作为输入向量，则输入向量为x＝(x₁，x₂，x₃)，利用单点模糊器将传感器的3个性能指标转化为单点模糊集合，所采用的公式如下：

其中，x_k表示第k个性能指标，x′_k表示第k个性能指标的输入值，

表示第k个性能指标的模糊集合；

2、本发明采用的模糊规则的结构为：

R^l：If x₁ is F₁ ^l and x₂ is

and x₃ is

Then y is G^l l＝1，...，M

设3个性能指标隶属函数集中函数的个数均为3，则规则总数M＝3×3×3＝27；

表示第l个规则中输入第k个元素的语言描述，G^l表示第l个规则中输出的语言描述；第l个规则中输入第k个元素采用的高斯隶属度函数为：

其中，

表示该高斯隶属度函数的期望，为需要进行优化的变量，

表示该高斯隶属度函数的方差，本发明中均为定值1；

3、推理机制结合模糊规则将输入模糊集合映射到输出模糊集合，其表示结构为：

其数学表达式可简化为：

其中，*表示模糊逻辑中t-norm运算(最小值运算或乘法运算)，

表示第l个规则的输出模糊集，

表示第l个规则中输出的隶属度函数。

4、对不同规则的推理机制结果使用重心法解模糊方法，得出最终输出：

其中，c^l为第l个规则的输出隶属度函数的重心对应的y轴的值。

本发明采用的模糊逻辑系统B的运算过程类比模糊逻辑系统A的运算过程。

实施例3

在无线传感器网络中部署100个节点，一个传感器对应一个节点，假设其中两个节点移动则移动传感器集为{T₁，T₂}。

1、初始化模糊逻辑系统A的规则库A_a(如表1)

移动性能	检测性能	剩余电量	输出得分
				差	差	低	低
差	差	中等	低
				差	差	高	低
差	中等	低	低
				差	中等	中等	低
差	中等	高	中等
				差	好	低	低
差	好	中等	中等
				差	好	高	高
中等	差	低	低
				中等	差	中等	中等
中等	差	高	中等
				中等	中等	低	中等
中等	中等	中等	中等
				中等	中等	高	高
中等	好	低	中等
				中等	好	中等	高
中等	好	高	高
				好	差	低	低
好	差	中等	中等
				好	差	高	高
好	中等	低	中等
				好	中等	中等	高
好	中等	高	高
				好	好	低	中等
好	好	中等	高
				好	好	高	高

表1

初始化模糊逻辑系统B的规则库B_b(如表2)

表2

用输出对规则库A_a和规则库B_b进行编码，对模糊逻辑系统A来说，“0”对应得分低，“1”对应得分中等，“2”对应得分高，则表1对应编码为000001012011112122012122122：

同理，对模糊逻辑系统B来说，“0”对应传感器T_n移动距离小，“1”对应传感器T_n移动距离中等，“2”对应传感器T_n移动距离大，则表2对应编码为001012122。

2、图3表示传感器移动性能、探测性能和剩余电量的隶属度函数，图4表示传感器与目标距离以及传感器与另一传感器的隶属度函数，图5表示模糊逻辑系统A的输出分数隶属度函数以及糊逻辑系统B的输出距离隶属度函数；以图3-5中的均值位置作为参考位置，对各隶属度函数的均值进行编码，“5”表示位置不变，大于5的数表示向右移动，小于5的数表示向左移动；移动幅度与数字呈比例关系且最大移动距离为两格，即“9”对应右移两格，“0”对应左移两格。所以模糊逻辑系统A数据库初始编码为555555555555，模糊逻辑系统B数据库初始编码为555555555；

结合规则库A_a和规则库B_b的编码序列可知，整个模糊逻辑树系统的初始编码为：000001012011112122012122122001012122555555555555555555555。

3、利用遗传算法对模糊逻辑树进行优化(设迭代次数为50次，每代种群中个体数目为30个)。优化步骤如下：

(1)初始种群的产生：将上述初始化的模糊逻辑树作为一个个体，所述个体编码序列中前36位按照30％的概率±1，40％的概率不变。后21位按照10％的概率±2，25％的概率±1，30％的概率不变，再生成29个新个体组成初始种群。

(2)选择：计算初始种群中每个个体的适应度函数值J，按照轮赌法原理选择30个个体作为下一代的父母样本，其中适应度函数值J最大的两个个体直接复制到下一代，删除适应度值最小的两个个体，用适应度函数值J最大的两个个体交叉后得到的一对子个体代替删除的两个个体。

(3)交叉：将剩下的26个个体两两配对，每队按照交叉概率P_c＝0.8进行单点交叉操作得到下一代个体。

(4)变异：上述进行交叉后得到的下一代个体按照变异概率P_m＝0.1进行变异操作。

重复进行步骤(2)(3)(4)，当遗传算法迭代到第50代时，选取当前种群中适应度函数值J最大的个体所对应的模糊逻辑树作为最终的决策系统。

根据最优的模糊逻辑树确定传感器T_n的移动距离和移动方向，实现多节点无线传感器网络的路径规划。

如上所述即为本发明的实施例。本发明不局限于上述实施方式，任何人应该得知在本发明的启示下做出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。

Claims (5)

1.一种基于遗传模糊树的无线传感网节点联合移动算法，其特征在于：包括以下步骤：

步骤1：初始化模糊逻辑树中的模糊逻辑系统A和模糊逻辑系统B；

步骤2：将传感器S_i的性能指标利用模糊逻辑系统A得到传感器S_i的综合评分p_i，i表示无线传感器网络中传感器的序号；

步骤3：利用综合评分p_i进行无线传感器网络的任务分配，确定移动传感器集

n表示移动传感器集中传感器的序号，N表示综合评分p_i高的传感器的个数；

步骤4：利用模糊逻辑系统B对移动传感器T_n进行联合路径规划，得到移动传感器T_n的移动距离值；

所述路径规划的具体方法如下：

根据传感器T_n的坐标C_n与目标的坐标C，得到传感器T_n与目标之间的距离值S_n、传感器T_n与传感器T_j之间的距离值F_n，将所述距离值S_n和距离值F_n输入到所述模糊系统B得到传感器T_n的移动距离值，

且j≠n；

步骤5：记录步骤2-4中传感器S_i响应总时间的评分q_i；

步骤6：对模糊逻辑树进行编码，将编码序列作为遗传算法的个体进行遗传优化，利用所述综合评分p_i和评分q_i设定所述遗传算法的适应度函数J，并设定繁衍代数Q，当所述适应度函数J达到最大值或者繁衍到第Q代时个体所对应的模糊树为最优模糊树，利用所述最优模糊树得到移动传感器T_n′，以及移动传感器T_n′的移动距离值和移动方向Q_n′为无线传感器网络的最终移动策略。

2.根据权利要求1所述的一种基于遗传模糊树的无线传感网节点联合移动算法，其特征在于：所述步骤1中，所述模糊逻辑树中的模糊逻辑系统A包括K个性能指标隶属函数集A_k、规则库A_a和综合评分隶属函数集F_a；所述K个性能指标隶属函数集A_k经规则库A_a输出综合评分隶属函数集F_a；所述各个性能指标隶属函数集A_k中函数的个数为a_k，所述综合评分隶属函数集F_a中函数的个数为f_a，所述规则库A_a中规则的个数M_A为：

M_A＝a₁·a₂·····a_k·f_a；

其中，k表示模糊逻辑系统A中性能指标隶属函数集的序号，k∈[1，K]；

所述模糊逻辑系统B包括距离S隶属函数集、距离F隶属函数集、规则库B_b和移动距离值隶属函数集F_b，所述距离S隶属函数集和距离F隶属函数集经规则库B_b输出移动距离值隶属函数集F_b，所述距离S隶属函数集中函数的个数为b₁，所述距离F隶属函数集中函数的个数为b₂，移动距离值隶属函数集F_b中函数的个数为f_b；

所述规则库B_b中规则的个数M_B为：

M_B＝b₁·b₂·f_b；

模糊逻辑树采用的规则总数M为：

M＝M_A+M_B＝a₁·a₂·····a_k·f_a+b₁·b₂·f_b。

3.根据权利要求1所述的一种基于遗传模糊树的无线传感网节点联合移动算法，其特征在于：所述步骤6中，所述模糊逻辑树的编码方式如下：

对模糊逻辑系统A进行编码：将K个性能指标隶属函数集A_k和综合评分隶属函数集F_a作为数据集A，按一定码长对数据集A和进行编码，得到数据集A的编码序列A₁，利用规则库A_a中不同规则对应的输出即综合评分对规则库A_a进行编码，得到规则库A_a的编码序列A₂；

对模糊逻辑系统B进行编码：将距离S隶属函数集、距离F隶属函数集和移动距离值隶属函数集F_b作为数据集B，按一定码长对数据集B和进行编码，得到数据集B的编码序列B₁，利用规则库B_b的输出即移动距离值对规则库B_b进行编码，得到规则库B_b的编码序列B₂；

将编码序列A₁、编码序列A₂、编码序列B₁和编码序列B₂进行组合得到整个模糊逻辑树的初始编码序列。

4.根据权利要求1所述的一种基于遗传模糊树的无线传感网节点联合移动算法，其特征在于：所述步骤6中，所述适应度函数J的公式如下：

其中p_i表示传感器S_i的综合评分，h_i表示传感器S_i是否探测到目标，h_i＝1表示传感器S_i探测到目标，h_i＝0表示传感器S_i未探测到目标，q_i表示传感器S_i响应总时间的评分，静止传感器q_i＝0。

5.根据权利要求1所述的一种基于遗传模糊树的无线传感网节点联合移动算法，其特征在于：所述步骤6中，移动方向Q_n′＝(α，β)的计算方法如下：

所述传感器T_n′的坐标C_n′＝(X_n，Y_n，Z_n)，目标的坐标C＝(X，Y，Z)，由库伦定律有：

其中，C_j表示在传感器T_j的坐标，

且j≠n。

Images