CN108738031B - 面向协同感知的多传感器联合部署模型构建方法 - Google Patents

Abstract

本发明属于多传感器协同控制领域，具体涉及一种面向协同感知的多传感器联合部署模型构建及优化仿真方法，第一步：数学模型的构建，将待测区域定义为矩形区域，用网格分割成m行n列，X_m×n表示相应的区域探测矩阵；第二步：将问题转化为无约束问题；第三步：求解多传感器联合部署问题，基于蚁群算法求解多传感器联合部署问题。本发明基于蚁群算法求解多传感器联合部署问题，该算法具有良好的鲁棒性，正反馈机制和分布式计算的优点，在解决复杂的组合优化问题方面具有很大的优势。

Description

面向协同感知的多传感器联合部署模型构建方法

技术领域

本发明属于多传感器协同控制领域，具体涉及一种面向协同感知的多传感器联合部署模型构建方法。

背景技术

传感器技术是当今世界各发达国家普遍重视并大力发展的高新技术之一。在人类社会步入信息时代的今天，传感器技术已成为现代信息技术中必不可少的关键技术，在国民经济和国防建设中占有极其重要的地位。传感器是现代信息系统和各种装备必须的信息采集手段，对提高生产技术水平、增强国防实力有着举足轻重的作用。传感器信息获取技术已经从过去的单一化逐渐向集成化、微型化和网络化方向发展，多传感器网络技术已经成为当代研究的热点问题。

多传感器网络是随着无线通信和嵌入式计算技术、传感器技术、微机电技术的发展而发展起来的一种新兴的信息获取技术。多传感器网络中的传感器节点体积微小，但集成了信息采集、数据处理和短距离内无线通信等多种功能。多传感器网络就是由部署在监测区域内的大量微型传感器节点组成，通过无线通信方式形成一个多跳的自组织网络系统，其目的是协同地感知、采集和处理网络覆盖区域中感知对象的信息，并将信息发给观察者。传感器、感知对象和观察者构成了传感器网络的三个要素。协同感知、采集、处理、传送感知信息是多传感器网络的基本功能。

随着科技的发展,单一传感器提供信息已无法满足需要,为获得更精确的信息,种类和数量众多的传感器被用到了实时目标探测上,尽可能全面提供目标信息。高效的传感器部署策略变得越来越重要,如何优化部署传感器来提高传感器网的探测性能,尤其是异类传感器的组网原则和优化部署方法,是一个重要的研究方向。

目前对于传感器优化部署的研究,主要是针对具体的部署方案及其性能分析,而且绝大部分是针对于雷达传感器来研究的,异类传感器的优化部署方法还尚未有人研究。

鉴于种类和数量众多的传感器配合使用的情况，为了充分利用传感器资源和特性，提高传感器网络的协同感知性能，所以本发明给出了一种面向协同感知的多传感器联合部署方法。

发明内容

本发明提供了一种面向协同感知的多传感器联合部署模型构建方法，所解决的设计问题主要是利用传感器的不同特性将异类传感器配合使用，以整个区域的探测能力为优化目标，进行多传感器的联合部署，提高传感器网络的协同感知性能。面向协同感知的多传感器联合部署问题作为标准的组合优化问题来考虑，进而基于蚁群算法(ACO)求解多传感器联合部署问题。

(1)传感器的选择

激光雷达是利用电磁波发现目标并测定其位置、速度和其他特征的电子设备传感器，属于有源探测设备。它具有分辨率高、隐蔽性好、抗干扰能力强、低空探测性能好、体积小、重量轻的特点。

红外传感器是通过接收目标辐射的热能进行定位和探测，属于无源探测设备。具有测角精度高、目标识别能力强。

本发明主要考虑激光雷达的距离信息以及红外传感器的高精度的角度测量，通过探测数据的融合，实现得到目标的精确信息，所以选择激光雷达和红外两种传感器进行协同感知。

(2)探测能力的定义

考虑到激光雷达的工作是需要发射大功率的电磁波，所以激光雷达采用间断式工作模式，红外传感器采用连续式工作模式。

当激光雷达或红外传感器探测到目标后,红外传感器或激光雷达立即投入工作,当激光雷达获得目标距离信息之后立即关断,红外传感器继续进行目标的跟踪工作。在激光雷达下一个工作周期时,继续对目标进行探测,为红外传感器提供距离信息。

另外,在激光雷达探测不到的区域,使用单一的红外传感器虽然可进行目标的跟踪,但是无法得到目标的距离信息,这里可使用双红外传感器对目标进行跟踪和定位，从而达到多传感器的协同感知。

因此，如果一个区域同时被至少一个激光雷达和一个红外传感器探测到,这样就可以得到一个距离信息和一个角度信息，通过数据融合算法能够准确确定目标位置信息，认为这一区域具有探测能力；如果一个区域同时被至少两个红外探测到,这样也可以得到两个角度信息，通过的数据融合算法能够准确确定目标位置信息,认为这一区域具有探测能力；其他的情况下，认为该区域不具备探测能力。

(3)问题描述

将面向协同感知的多传感器联合部署问题作为标准的组合优化问题来考虑，优化的目标是多传感器联合部署方案的区域探测能力。

本发明基于待测区域面积偏大而传感器的资源有限的情况，无法实现对整个区域实现探测，所以只能让部分区域具有探测能力，将传感器部署在需要重点优先探测的区域内。

(4)数学模型的构建

将探测区域进行网格化，建立一个和网格行列数相同的矩阵，称为探测区域要求矩阵，如图1(a)和图1(b)所示，使用该矩阵描述探测区域某位置是否需要重点优先探测，元素1代表该探测区域位置需要优先探测，元素0代表不需要优先探测。

传感器都有不同的探测距离，多传感器的优化部署目的是使传感器网在区域内传感器探测能力达到最大，建立一个和区域网格行列数相同的矩阵，称为区域探测矩阵，如图2(a)和图2(b)所示，矩阵中的每个元素对应区域网格中相应位置的探测能力情况。元素1代表区域网格中该处位置具有探测能力，元素0代表区域网格中该处位置不具有探测能力。区域探测矩阵就是对区域探测能力的定量描述。

本发明的技术方案：

一种面向协同感知的多传感器联合部署模型构建方法，步骤如下：

第一步：数学模型的构建

将探测区域进行网格化，网格分割成m行n列，建立与网格行列数相同的矩阵，X_m×n表示相应的区域探测矩阵，Y_m×n表示相应的区域探测要求矩阵，S_m×n表示所有传感器的部署矩阵，T_m×n表示相应区域的约束矩阵。面向协同感知的多传感器联合部署问题的数学模型为：

目标函数：

其中，y_ij表示区域探测矩阵Y_m×n中的第i行第j列的元素；

等式约束条件为：

Sum(X_m×n-Y_m×n)＝0 (2)

设A＝Y-E，Sum函数表示对A矩阵中的所有元素进行求和运算，则定义A矩阵中的元素a_ij为：

Sum(S_m×n-T_m×n)＝0 (4)

设B＝S-T，Sum函数表示对B矩阵中的所有元素进行求和运算，则定义B矩阵中的元素b_ij为：

第二步：将问题转化为无约束问题模型

本发明采用罚函数法将有约束的问题转化为无约束的问题，则转化后的标准无约束优化问题模型minf_(x)表示为：

第三步：求解无约束优化问题模型minf_(x)

基于蚁群算法(ACO)求解无约束优化问题模型minf_(x)。

p_ijk(t)表示在时间t，蚂蚁k从节点i移动到节点j(节点j先前未被选择)的概率，蚂蚁k(k＝1,2,……，m)，由下式表示：

其中，

表示边缘(i,j)的可见度，并通过启发式算法

其中d_ij表示节点i和节点j之间的距离，α是信息启发式因子，β是预期的启发因子。

在完成从一个节点到另一个节点或完成访问所有节点之后，蚂蚁在每个路径上更新信息素，更新规则如下：

其中，ρ(0<ρ<1)是信息素挥发系数，

是在周期t到t+n的路径(i,j)中第k个蚂蚁的信息素；

其中Q是常数，L_K是第k个蚂蚁的总长度；

蚁群算法最初提出来解决一类NP问题，因此在部署设计时引入传感器节点需要根据具体问题建立具体的应用模型,传感器节点是传感器探测能力的中心点。

如果使用变量coverCP表示当前未由传感器节点部署的监视点，则可以定义：

η＝coverCP+1 (9)

从式(9)可以看出，蚂蚁会优先考虑那些能覆盖更多“陌生监控点”的网格点作为下一步部署传感器节点的位置，这点实质上就是蚂蚁的一种贪婪策略，即每一次都选择“最有用”的网格点部署传感器节点。如果单纯使用参数

则式(7)退化为局部贪婪算法，所得结果容易陷入早期收敛的局部最优解，因此在使用

的同时，蚁群算法又引入了τ_ij参数。

其中,ρ表示已有信息素的蒸发系数。使用(1-ρ)模拟蚂蚁遗留在移动路径上的信息素的自然蒸发过程，引入自然蒸发过程的目的是使不好的网格点选择随着迭代的进行慢慢地将已有的信息素蒸发掉，以减少对后面蚂蚁的“吸引力”，因此蒸发系数起到一个“优胜劣汰”的作用。

表示蚂蚁经过该网格点后在该网格点上增加的信息素，这个值是由该蚂蚁提供的解决方案的优劣决定的。那些经过最少跳数完成任务的蚂蚁一定会在其经过的网格点上留下较多的信息素，这样可以吸引后面的蚂蚁沿着这些网格点继续搜索更优的解，因此

起到一个经验值的作用，其定义如式(11)所示。

其中，Q是体现蚂蚁所留轨迹数量的一个常数，其值不会对

的变化产生影响。变量sensorUsed用来表示蚂蚁本次迭代使用传感器的数量。

本发明的有益效果：本发明基于蚁群算法(ACO)求解多传感器联合部署问题，该算法具有良好的鲁棒性，正反馈机制和分布式计算的优点，在解决复杂的组合优化问题方面具有很大的优势。

附图说明

图1(a)是要求区域网格。

图1(b)是要求区域网格探测要求矩阵。

图2(a)是探测区域网格。

图2(b)是探测区域网格探测矩阵。

图3是区域内传感器部署情况和不适合部署位置情况。

图4是多传感器联合部署的最优仿真结果图。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施例。

将探测区域进行网格化，建立一个和网格行列数相同的矩阵，称为探测区域要求矩阵，如图1(a)和图1(b)所示，使用该矩阵描述探测区域某位置是否需要重点优先探测，元素1代表该探测区域位置需要优先探测，元素0代表不需要优先探测。

传感器都有不同的探测距离，多传感器的优化部署目的是使传感器网在区域内探测能力达到最大，建立一个和区域网格行列数相同的矩阵，称为区域探测矩阵，如图2(a)和图2(b)所示，矩阵中的每个元素对应区域网格中相应位置的探测能力情况。元素1代表区域网格中该处位置具有探测能力，元素0代表区域网格中该处位置不具有探测能力。区域探测矩阵就是对区域探测能力的定量描述。

将待测区域定义为矩形区域，用网格分割成m行n列，X_m×n表示相应的区域探测矩阵，Y_m×n表示相应的区域探测要求矩阵，S_m×n表示所有传感器的部署矩阵，因为待测区域存在一些不适合传感器部署的位置，如河流、湖泊等，我们定义相应的约束矩阵T_m×n，则面向协同感知的多传感器联合部署问题的数学模型为：

目标函数：

其中，y_ij表示区域探测矩阵Y_m×n中的第i行第j列的元素；

等式约束条件：

Sum(X_m×n-Y_m×n)＝0 (2)

设A＝Y-E，Sum函数表示对A矩阵中的所有元素进行求和运算，则定义A矩阵中的元素a_ij为：

Sum(S_m×n-T_m×n)＝0 (4)

设B＝S-T，Sum函数表示对B矩阵中的所有元素进行求和运算，则定义B矩阵中的元素b_ij为：

第二步：本发明采用罚函数法将有约束的问题转化为无约束的问题，则转化后的标准无约束优化问题表示为：

蚁群优化(ACO)的灵感来自于蚂蚁在寻找食物途径的行为。该算法具有良好的鲁棒性，正反馈机制和分布式计算的优点，在解决复杂的组合优化问题方面具有很大的优势。

蚂蚁在运动的过程中，会留下一个称为信息素的东西，并会随距离移动，传播信息素越来越少，而蚂蚁本身将基于信息素选择方向，当然信息素越集中，被选择的概率越大，信息素本身具有一定程度的波动性。在蚁群算法中，蚂蚁根据信息素和启发式信息独立地使用概率选择策略来实现从一个节点到下一个节点的移动。

在初始时刻，每个路径上的信息素强度相等，并且蚂蚁k(k＝1,2,……，m)根据每个路径上的信息素强度构建完整路径，并确定节点之间的距离和下一移动的方向，p_ijk(t)表示在时间t，蚂蚁k从节点i移动到节点j(节点j先前未被选择)的概率，由下式表示：

表示边缘(i,j)的可见度，并通过启发式算法

其中d_ij表示节点i和节点j之间的距离，蚂蚁k的d_ij越小，

越大，α是信息启发式因子，用于控制信息素轨迹的相对重要性，反映了蚂蚁在运动过程中积累的信息素的影响。如果边缘(i,j)信息素强度越大，后来的蚂蚁越倾向于选择这条路径，因此蚂蚁之间的协作越强，β是预期的启发因子，指示可见性的相对重要性，反映运动过程中的蚂蚁启发信息在蚂蚁中选择下一条路径的注意程度，距离越短，节点被选择的的可能性越大。

在完成步骤(即从一个节点到另一个节点)或完成完整过程(即访问所有节点)之后，蚂蚁在每个路径上更新信息素。

更新规则如下：

其中，ρ(0<ρ<1)是信息素挥发系数，

是在周期t到t+n的路径(i,j)中第k个蚂蚁的信息素。通常，

Q是常数，L_K是第k个蚂蚁的总长度。

蚁群算法最初提出来解决一类NP问题，因此在部署设计时引入传感器节点需要根据具体问题建立具体的应用模型。

雷达红外联合部署中的蚁群模型如下所示。在部署中，如公式(7)所示定义从网格点i到网格点j的蚂蚁k的转移概率。

其中τ_ij表示当蚂蚁经过网格时保留在网格上的“信息素”，

表示选择相邻网格点的第k个蚂蚁的贪心因子，表示“信息素”效应的α和β以及贪婪选择网络两个网格点的相对系数。根据蚁群算法的理论，α和β代表先前的经验数据和这种独立搜索之间的相对重要性。

如果使用变量coverCP表示当前未由传感器节点部署的监视点，则可以定义：

η＝coverCP+1 (9)

从式(9)可以看出，蚂蚁会优先考虑那些能覆盖更多“陌生监控点”的网格点作为下一步部署传感器节点的位置，这点实质上就是蚂蚁的一种贪婪策略，即每一次都选择“最有用”的网格点部署传感器节点。

如果单纯使用参数

则式(7)退化为局部贪婪算法，所得结果容易陷入早期收敛的局部最优解，因此在使用

的同时，蚁群算法又引入了τ_ij参数。

其中,ρ表示已有信息素的蒸发系数。使用(1-ρ)模拟蚂蚁遗留在移动路径上的信息素的自然蒸发过程，引入自然蒸发过程的目的是使不好的网格点选择随着迭代的进行慢慢地将已有的信息素蒸发掉，以减少对后面蚂蚁的“吸引力”，因此蒸发系数起到一个“优胜劣汰”的作用。

表示蚂蚁经过该网格点后在该网格点上增加的信息素，这个值是由该蚂蚁提供的解决方案的优劣决定的。那些经过最少跳数完成任务的蚂蚁一定会在其经过的网格点上留下较多的信息素，这样可以吸引后面的蚂蚁沿着这些网格点继续搜索更优的解，因此

起到一个经验值的作用，其定义如式(11)所示。

其中，Q是体现蚂蚁所留轨迹数量的一个常数，其值不会对

的变化产生影响。变量sensorUsed用来表示蚂蚁本次迭代使用传感器的数量。

结合图1，通过仿真实验来证明本发明协同感知的多传感器联合部署方法的可行性，假设待测区域是一个长和宽均为100km的正方形区域,区域内传感器部署情况和不适合部署，如河流和湖泊的位置分布如图3所示,以区域中心为原点,东南西北30km内为重点探测区域。现有的传感器资源情况如表1所示

表1传感器资源列表

最优值f_(x)＝-0.554,即部署的结果完全满足约束条件和探测要求条件,防区内有效的探测覆盖度为55.4％，协同感知的多传感器联合部署的最优仿真结果如图4所示。

Claims (1)

1.面向协同感知的多传感器联合部署模型构建方法，其特征在于，步骤如下：

第一步：数学模型的构建

将探测区域进行网格化，网格分割成m行n列，建立与网格行列数相同的矩阵，X_m×n表示相应的区域探测矩阵，Y_m×n表示相应的区域探测要求矩阵，S_m×n表示所有传感器的部署矩阵，T_m×n表示相应区域的约束矩阵；面向协同感知的多传感器联合部署问题的数学模型为：

目标函数：

其中，y_ij表示区域探测矩阵Y_m×n中的第i行第j列的元素；

其中，等式约束条件为：

Sum(X_m×n-Y_m×n)＝0 (2)

设A＝Y-E，Sum函数表示对A矩阵中的所有元素进行求和运算，则定义A矩阵中的元素a_ij为：

Sum(S_m×n-T_m×n)＝0 (4)

设B＝S-T，Sum函数表示对B矩阵中的所有元素进行求和运算，则定义B矩阵中的元素b_ij为：

第二步：将问题转化为无约束问题

本发明采用罚函数法将有约束的问题转化为无约束的问题，则转化后的标准无约束优化问题模型min f_(x)表示为：

第三步：求解无约束优化问题模型min f_(x)

基于蚁群算法求解无约束优化问题模型min f_(x)，基于蚁群算法求解无约束优化问题模型min f_(x)，具体如下：

p_ijk(t)表示在时间t，蚂蚁k从节点i移动到节点j的概率，其中，节点j先前未被选择，蚂蚁k(k＝1,2,……，m)，由下式表示：

其中，

表示边缘(i,j)的可见度，并通过启发式算法

其中d_ij表示节点i和节点j之间的距离，α是信息启发式因子，β是预期的启发因子；

在完成从一个节点到另一个节点或完成访问所有节点之后，蚂蚁在每个路径上更新信息素，更新规则如下：

其中，ρ(0<ρ<1)是信息素挥发系数，

是在周期t到t+n的路径(i,j)中第k个蚂蚁的信息素；

其中Q是常数，L_K是第k个蚂蚁的总长度；

蚁群算法最初提出来解决一类NP问题，因此在部署设计时引入传感器节点需要根据具体问题建立具体的应用模型,传感器节点是传感器探测能力的中心点；

如果使用变量coverCP表示当前未由传感器节点部署的监视点，则可以定义：

η＝coverCP+1 (9)

从式(9)可以看出，如果单纯使用参数

则式(7)退化为局部贪婪算法，因此在使用

的同时，蚁群算法又引入了τ_ij参数；

其中,ρ表示已有信息素的蒸发系数；

表示蚂蚁经过该网格点后在该网格点上增加的信息素；那些经过最少跳数完成任务的蚂蚁一定会在其经过的网格点上留下较多的信息素，这样可以吸引后面的蚂蚁沿着这些网格点继续搜索更优的解，因此

起到一个经验值的作用，其定义如式(11)所示；

其中，Q是体现蚂蚁所留轨迹数量的一个常数，其值不会对

的变化产生影响；变量sensorUsed用来表示蚂蚁本次迭代使用传感器的数量。

Images