JP2004530208A - 遺伝的アルゴリズム最適化方法 - Google Patents

Abstract

本発明は、少なくとも１つの目標を追跡するためにセンサネットワークからセンサを選択するための方法を含み、この方法は、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップであって、各染色体は１つのセンサを表現するステップ、追跡の所望の属性に基づいて適応関数を定義するステップ、初期集団に含めるための１つまたは複数の個体を選択するステップ、および遺伝的アルゴリズムを初期集団において、定義された集束基準が満たされるまで実行するステップを有し、遺伝的アルゴリズムの実行は、最も適応度の高い個体を集団から選択するステップ、ランダムな個体を集団から選択するステップ、および、最も適応度が高く、ランダムに選択された個体から子孫を作成するステップを有する。本発明のもう１つの実施形態は、少なくとも１つの目標を追跡するためにセンサネットワークからセンサを選択するためのもう１つの方法を含み、この方法は、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップであって、各染色体は１つのセンサを表現するステップ、追跡の所望の属性に基づいて適応関数を定義するステップ、初期集団に含めるための１つまたは複数の個体を選択するステップ、および遺伝的アルゴリズムを集団において、定義された集束基準が満たされるまで実行するステップを有し、遺伝的アルゴリズムの実行は、最も適応度の高い個体を集団から選択するステップ、および、最も適応度の高い個体から子孫を作成するステップであって、子孫の作成は突然変異のみを通じて起こり、ｉ個の染色体のみがいずれか１つの突然変異中に突然変異され、ｉは２からｎ−１の値を有するステップを有する。本発明はまた、対象を追跡するためのセンサのネットワークも含み、このネットワークは、センサの数Ｎ、Ｎ個のセンサがコントローラと通信する手段、および、本発明の方法の１つを利用することによって、Ｎ個のセンサをコントロールかつ管理することができるコントローラを含む。
【選択図】図１

Description

【技術分野】
【０００１】
本発明は一般に、改善された最適化方法に関する。具体的には、本発明は遺伝的アルゴリズムに関し、多様性およびだまし関数を高度に最適化することに適用可能であり、その一例は、特定の目標の追跡において利用されるセンサのネットワークのうち個々のセンサを選択することである。
【背景技術】
【０００２】
本出願は、その開示が全体として参照により本明細書に組み込まれている、２００１年４月６日に出願したＧＥＮＥＴＩＣ ＡＬＧＯＲＩＴＨＭ ＯＰＴＩＭＩＺＡＴＩＯＮ ＭＥＴＨＯＤという名称の米国特許仮出願第６０／２８２，３６６号の優先権を主張するものである。
【０００３】
多数の独立変数を有する高度な多様性およびだまし関数の最適化は、それらの関数が示す探索空間が大きく、最適条件が多数であるため、大変時間がかかる。一般に、関数が有する独立変数が多いほど、最適化プロセスがより困難になる傾向がある。
【０００４】
特に最適化が困難である関数は一般にある特性を共有し、これには多様性、微分不可能性、不連続性、特徴型（順序なし）変数、および多数の独立変数が含まれる。このような関数の古典的な数学的例にはたとえば、Ｒａｓｔｒｉｎｇｉｎの関数、だまし関数、ＨｏｌｌａｎｄのＲｏｙａｌ Ｒｏａｄ関数が含まれる。
【０００５】
また、問題が高度な多様性および／またはだまし関数によって表される多数の実際的な状況もある。このような実際的な状況の例には、コンピュータ／ワイヤレスネットワークにおけるルータの選択、チップ上のトランジスタの編成、タンパク質の折り畳みおよびＲＮＡの折り畳みなどのバイオコンピューティング応用例、進化するハードウェア、ジョブショップ・スケジューリングおよびメンテナンス・スケジューリングの問題、時間割作成、センサネットワークによる目標の追跡、センサ配備プランニングツール、およびセンサのネットワークのコントロールおよび管理が含まれる。センサのネットワークのコントロールおよび管理はさらに、例示的な大きい多様性の実際的な問題として見なされるであろう。
【０００６】
無人地上センサ（Ｕｎａｔｔｅｎｄｅｄ ｇｒｏｕｎｄ ｓｅｎｓｏｒｓ（「ＵＧＳ」））は、軍事活動の効果および可能性を大幅に増すことができる。大抵の市販のＵＧＳは、独立して動作する多機能の統合センサプラットフォームである。ＵＧＳの一例は音響ＵＧＳであり、３つの音響マイクロフォン（正確な方角測定のため）、地震トランスデューサ、磁気センサ、全地球測位センサ、定位センサ、統合通信および信号処理電子装置、およびバッテリで構成される。このようなプラットフォームは一般に２８，３２０立方ｃｍ（約１立方フィート）であり、極めて高価である。これらの欠点のため、これらは一般に、小規模で迅速に配備可能な軍事活動のためのリモート監視応用例をサポートするために使用されない。
【０００７】
これらの比較的扱いにくい高価なセンサプラットフォームの代替案は、縮小型の約３３立方ｃｍ（約２立方インチ）のＵＧＳを使用することであり、これらは安価であり単独の戦闘員によって容易に配備される。これらの縮小型ＵＧＳにおいて利用されるものなど、より小型のセンサは一般に通信および目標検知のレンジがより短く、単一の目標特性（たとえば、地震の振動または化学物質検出）を検知することしかできない可能性がある。さらに、より小型のセンサは一般に、バッテリがより小さいので作動期間がより短い。これらの特性のため、これらの小型ＵＧＳのさらに多数が、それらのより大型の対応物と同じ目標を実施するために配備されなければならない。しかし、単独で機能する個々の縮小型ＵＧＳは、監視の目的を実行不可能となる。
【０００８】
この問題の１つの代替案は、これらの小型の低コストＵＧＳにより監視地域を「オーバーシード」し、これらのセンサがそれら自体を編成して共に協調的に動作できるようにすることである。このようなＵＧＳネットワークは、より扱いにくい単一機能センサでは得られない、いくつかの利点を有する。たとえば、中央に位置するＵＧＳは、より遠距離のセンサのための「短距離」通信中継器としての機能を果たすことができる。ネットワークにおけるより多数のセンサにより異なるタイプのセンサが可能となり、これらはネットワークの集合的なオペレーションにより幅広い機能性を与えるようになる。また、ネットワークに存在する組み込み冗長性により、シングルポイント障害および／またはセンサのドロップアウトを受けにくくなる。
【０００９】
多数の小型の安価なＵＧＳのネットワークが許容可能に機能するために、このようなネットワークを編成かつコントロールするためのアルゴリズムおよび方法が開発されなければならない。監視エリアに入る目標を検出、追跡、分類するためのセンサの最適なセットを選択すると同時に、センサネットワークの電力消費を最小限にする問題は、唯一の解決法のない多目的な最適化問題と見なされる。さらに、目標またはセンサの数が線形に増加するために、最適化は、指数的に増大する組み合わせ探索空間という結果となる。
【００１０】
米国特許第６，０５５，５２３号（Ｈｉｌｌｉｓ）は、１つまたは複数のセンサによる多目標追跡においてセンサレポートを割り当てるための方法を開示する。この方法は、少なくとも１つのセンサから、多数回の走査に渡ってセンサレポートを受信し、遺伝的アルゴリズムの集団における個体をセンサレポートの順列として公式化し、次いで標準の遺伝的アルゴリズム技術を使用して追跡対象の経路を発見する。この方法は遺伝的アルゴリズムを使用して追跡対象の経路を決定するが、利用するためのセンサまたはセンサレポートを選択しない。
【００１１】
したがって、いくつかの異なるパフォーマンスの変数を同時に最適化することを目標として、個々のセンサをネットワークから選択することができる、改良されたアルゴリズムの必要性が存在する。
【発明の開示】
【発明が解決しようとする課題】
【００１２】
本発明によれば、少なくとも１つの目標を追跡するためにセンサネットワークからセンサを選択するための方法が提供され、この方法は、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップであって、各染色体は１つのセンサを表現するステップ、追跡の所望の属性に基づいて適応関数を定義するステップ、初期集団に含めるための１つまたは複数の個体を選択するステップ、および遺伝的アルゴリズムを初期集団において、定義された集束基準が満たされるまで実行するステップを有し、遺伝的アルゴリズムの実行は、最も適応度の高い個体を集団から選択するステップ、ランダムな個体を集団から選択するステップ、および、最も適応度が高く、ランダムに選択された個体から子孫を作成するステップを有する。
【課題を解決するための手段】
【００１３】
本発明のさらにもう１つの実施形態によれば、少なくとも１つの目標を追跡するためにセンサネットワークからセンサを選択するための方法が提供され、この方法は、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップであって、各染色体は１つのセンサを表現するステップ、追跡の所望の属性に基づいて適応関数を定義するステップ、初期集団に含めるための１つまたは複数の個体を選択するステップ、および遺伝的アルゴリズムを集団において、定義された集束基準が満たされるまで実行するステップを有し、遺伝的アルゴリズムの実行は、最も適応度の高い個体を集団から選択するステップ、および、最も適応度の高い個体から子孫を作成するステップであって、子孫の作成は突然変異のみを通じて起こり、ｉ個の染色体のみがいずれか１つの突然変異中に突然変異され、ｉは２からｎ−１の値を有するステップを有する。
【００１４】
本発明のさらにもう１つの実施形態によれば、対象を追跡するためのセンサのネットワークが提供され、このネットワークは、センサの数Ｎ、Ｎ個のセンサがコントローラと通信する手段、および、本発明による方法を利用することによって、Ｎ個のセンサをコントロールかつ管理することができるコントローラを含む。
【００１５】
子孫の作成が、突然変異、乗換えまたはそれらの組み合わせによって実施されることが好ましい。子孫の変更が突然変異のみによって実施されることがより好ましい。
子孫の変更がｉ個の染色体で起こり、ｉは２からｎ−１の値を有し、ｎは染色体を構成する遺伝子の数であることが好ましい。ｉは２の値を有することがより好ましい。
【発明を実施するための最良の形態】
【００１６】
［発明のデバイス］
本発明によるデバイスは、少なくとも１つのセンサ、プロセッサおよび遺伝的アルゴリズムを含む。
【００１７】
「エンティティ」という用語が本発明の明細書を通じて使用される。エンティティという用語は、目標を検知するために使用されるか、あるいは使用することができるいずれかのセンサ、または、コンピュータまたはワイヤレスネットワークにおけるルータなど、いくつかの異なる電子的アイテムを含むように幅広く解釈されるべきである。エンティティはたとえば一般に、目標の特性を検出するために使用することができるいずれかのセンサを指す。このような特性の例には、速度、場所、方位、タイプ（または識別）、サイズが含まれる。本発明はいかなる特定のタイプまたは数のセンサにも限定されない。好ましい実施形態は小型の安価なセンサを含むが、全体で使用されるエンティティという用語はそれによって限定されない。あるいは、エンティティという用語はまた、たとえばセンサなど、いずれかのタイプのエンティティから受信されたデータを指すこともできる。
【００１８】
本発明の一実施形態で使用するためのセンサは、約３３立方ｃｍ（約２立方インチ）未満であり、製造および稼動が安価であり、容易に配備することができるセンサであることが好ましい。このようなセンサを実質的にいかなるタイプのものにすることもでき、これには、それだけに限定されないが、音響、地震、機械または半導体レーザが含まれる。いくつかの会社が、本発明の一実施形態で使用することができるセンサの製造に関連しており、このような会社の例には、それだけに限定されないが、Ｎｏｒｔｈｒｏｐ−Ｇｒｕｍｍａｎ、ＳｅｎＴｅｃｈ、Ｒａｙｔｈｅｏｎ、ＢＡＥ、ＡｌｉａｎｔおよびＲｏｃｋｗｅｌｌ Ｓｃｉｅｎｃｅｓ Ｃｅｎｔｅｒが含まれる。
【００１９】
「ネットワーク」という用語は、他のセンサと通信することができ、１つまたは多数のシステムまたはプロセッサによってコントロールされる複数のセンサを指す。ネットワークにおけるいくつかのセンサは使用不可能である可能性があり（たとえば、これらがレンジ外であるか、あるいはこれらのバッテリが切れている）、あるいは単に使用されない可能性があり、なおネットワークの一部であると見なされる。ネットワークにおける複数のセンサの間の通信を、ワイヤを介して、あるいはワイヤレス手段を通じて実施することができる。単一のプロセッサまたはいくつかの異なるプロセッサは、複数のセンサをコントロールするための単一のプランまたは方法がある限り、ネットワークをコントロールすることができる。
【００２０】
「プロセッサ」という用語は、複数のセンサをコントロールかつ管理する方法を決定し、ならびに実際にこれらをコントロールかつ管理することができるデバイスを指す。一般に、これには、この方法の必要なステップを実行することができ、ネットワークの個々のセンサをコントロールすることができる、いかなる使用可能な処理システムもが含まれる。プロセッサ機能を実行することができる処理システムの一例には、それだけに限定されないが、５００ＭＨｚ Ｃｏｍｐａｑラップトップコンピュータが含まれる。プログラマブルコンピュータをコントロールするソフトウェアプログラム、集積回路マイクロプロセッサを含む汎用またはカスタマイズ設計された集積回路デバイスからなるハードウェアベースの装置、およびメモリを含む永続的命令はすべて別法として、この方法を実施することができ、本発明のデバイスの一部になることができる。
【００２１】
「目標」という用語は、追跡される対象、動物または人間を指す。追跡される目標は、自動車または飛行機などの対象であることが好ましい。一般に、センサは、対象についてのあるタイプの情報を得るように構成される。この情報には、それだけに限定されないが、対象のサイズ、識別、速度および方位が含まれる。
【００２２】
「検知する」または「検知された」という用語は、対象についてのある情報を経時的に得るプロセスを指す。検知から得られた情報には、それだけに限定されないが、古典的な追跡が含まれる可能性があり、これは対象の場所を経時的に得ることを意味する。この場所は一般に２次元のｘ、ｙ座標、または３次元のｘ、ｙ、ｚ座標である。検知はまた、識別についての他の情報を得ることも含み、これはたとえば、対象のある物理的特性である。
【００２３】
［基本的な遺伝的アルゴリズム］
本発明の方法およびデバイスは、改良された遺伝的アルゴリズムを利用する。改良された遺伝的アルゴリズムを理解するために、基本的な遺伝的アルゴリズムおよびそれらの用語を最初に論じる。
【００２４】
遺伝的アルゴリズムは、自然淘汰および遺伝学に基づく探索アルゴリズムである。一般的に言えば、これらは、最も適応度の高いものが残存する概念を情報のランダム交換と組み合わせる。各遺伝的アルゴリズムの世代には、個体からなる集団がある。これらの個体を、解決中である問題への解決法の候補と見なすことができる。連続した各世代では、以前の世代の最も適応度の高いものの一部を使用して、新しいセットの個体が作成される。しかし、ランダム化された新しい情報もまた時折含まれるので、重要なデータが失われず、見逃されない。
【００２５】
図１は、遺伝的アルゴリズムが基づく構成を例示する。遺伝的アルゴリズムの基本概念は、それが集団における個体に関して、問題への可能な解決法を定義するということである。染色体１００はビットストリングとしても知られ、いくつかの遺伝子１０５から構成され、これは特徴、特性またはビットとしても知られる。各遺伝子１０５は対立遺伝子、または可能な値１１０を有する。特定の遺伝子１０５はまた、座またはストリングの位置１１５も有し、これは遺伝子１００におけるその位置を示す。
【００２６】
機能している遺伝的アルゴリズムでは、染色体１００が、問題の可能な解決法を符号化することによって決定される。たとえば、特定の目的地に到達するための可能なルート、および各々を完了するために必要な時間を考察する。いくつかの要素が、いずれかの特定のルートがどれだけの時間を要するかを決定し、これらの要素のいくつかにはたとえば、ルートの長さ、ルート上の交通状況、ルート上の道路状況およびルート上の天候が含まれる。各ルートについての染色体１００を、これらの各要素（または遺伝子１０５）に値（または対立遺伝子１１０）を与えることによって構築することができる。
【００２７】
遺伝子型は構造または個体１２０とも呼ばれ、１つまたは複数の染色体１００から構成することができる。図１では、遺伝子型１２０は３つの別々の染色体１００からなる。上記と同じ類比を適用すると、問題が、多数の区間を含む旅行全体のための可能なルートからなる場合、複数の染色体１００を有する遺伝子型または個体１２０が存在する。ルート全体の各区間は１つの都市（または染色体１００）を有するようになる。個体１２０のグループは集団１２０を構成する。集団１２５における個体１２０の数（いわゆる集団サイズ）は、解決中である特定の問題によって決まる。
【００２８】
その下で遺伝的アルゴリズムが機能する構成を説明したが、これらが機能する方法を次に論じる。図２は遺伝的アルゴリズムの機能を示す。
【００２９】
最初のステップは初期化ステップ１５０である。初期化は、遺伝的アルゴリズムが機能するであろう方法に関係するいくつかの詳細を指定するオペレータによって実施される。初期化ステップ１５０で指定または選択する必要のある可能性がある詳細にはたとえば、集団サイズ、あるオペレータが起こる確率、および最終的な解決法についての期待値が含まれる。初期化のために必要な詳細は、部分的には遺伝的アルゴリズムの厳密な機能によって決まる。初期化で選択されるパラメータは、遺伝的アルゴリズムを使用して所望の解決法を決定するために必要な時間およびリソースを指図することができる。初期化ステップ１５０はオプショナルであり、初期化ステップ１５０を通じて得られた情報のすべてをアルゴリズム自体に含めることができ、ユーザ入力を初期化ステップ中に必要としない可能性があることも理解されたい。
【００３０】
遺伝的アルゴリズムにおける次のステップは、初期集団の選択ステップ１５５である。初期集団の選択は通常、個体１２０のランダム選択を通じて実施されるが、他の方法によっても実施することができる。初期集団を構成する個体１２０の数は部分的には、初期化ステップ１５０で選択されたパラメータによって決定される。一般に、乱数発生器が使用されて初期集団が作成され、これは各染色体１００における各遺伝子１０５についての値１１０を決定することによって行われる。
【００３１】
次に、ランダム選択された集団の個体１２０の適応度が、適応度の決定ステップ１６０で決定される。個体１２０の適応度は、遺伝的アルゴリズムが最適化を課せられる特定の問題によって決まる。たとえば、適応度は、個体１２０のコスト、指定されたタスクについての個体１２０の効果、またはそれらの組み合わせによって決まる可能性がある。個体１２０の適応度は定量的に、たとえば公式を使用して測定かつ決定できなければならない。集団における各個体１２０は特定の適応度の値を有する。
【００３２】
次のステップは、集束基準が達成されているかどうかをチェックするステップ１６５である。古典的な遺伝的アルゴリズムでは、これはしばしば、個体の適応度がある定義された適応基準を満たすかどうかを確かめるためのチェックと呼ばれる。一般に、実際的な応用例では、可能または受け入れ可能なレベルの適応度がわからない可能性があり、そのため遺伝的アルゴリズムがいくつかの世代の後に、あるいは、たとえば最も適応度の高い個体において変化がないいくつかの世代の後に、停止される。いずれの状況でも、このステップは、要件である、世代の数または集団の適応度の値が満たされているかどうかを確かめるためにチェックする。いかなる所与の集団も、基準を満たすか、あるいは基準を満たさないようになる。集団が集束基準を満たす場合、これは目標を追跡するための最適なセンサの集団、最終集団と見なされる。この場合、次のステップは、最終集団の出力ステップ１８５である。最終集団の出力はいくつかの異なる方法で実施することができ、これには、それだけに限定されないが、最終集団の属性をハードコピーバージョンにプリントすること、最終集団の属性を電子的フォーマットで保存すること、または最終集団を使用してあるプロセスをコントロールまたは管理することが含まれる。
【００３３】
集束基準が達成されているかどうかをチェックするステップ１６５が、集団が必要とされた条件を満たしていないことを示した場合、次のステップは、交配プール選択ステップ１７０である。遺伝的アルゴリズムにおける交配プール選択ステップ１７０をいくつかの方法で実施することができるが、このステップは一般には部分的に、関連する個体の適応度に基づく。たとえば、バイアスルーレットを使用することによって個体を選択することができ、ただしバイアスは個体の適応度に基づく。もう１つの方法は、適応度の値に厳密に基づいて交配プールを選択し、集団においてあるパーセンテージの最も適応度の高い個体が交配するために選択される。さらにもう１つの方法はトーナメント選択を使用し、最初にｋ個の個体１２０がランダムに選択される。次いで、各ｋタプルの最も適応度の高い個体１２０が決定され、これらの個体１２０が交配プールにコピーされる。
【００３４】
次のステップは子孫の作成ステップ１８０である。このステップでは、交配プールの選択ステップ１７０で選択された親が、修正の有無にかかわらず結合されて、次の世代の子孫が作成される。交配プールのあらゆる作成されたメンバを、子孫の作成ステップ１８０で修正する必要があるのではない。しばしば、交配プールの特定のメンバが修正されるかどうかは、確率によって決定される。これらの確率を最初に指定することができ、あるいは、たとえば交配集団または交配ペアからの情報によって決定することができる。子孫の修正をいくつかの方法で実施することができ、これがオペレータと呼ばれる。通常、オペレータが所与の確率で交配プールのメンバに適用される。一般に、利用されたオペレータには、それに限定されないが、乗換え、突然変異、逆位、優性変化、分離および転座、および染色体内重複が含まれる。乗換えおよび突然変異のみを本明細書で説明する。
【００３５】
乗換えは、２つの異なる染色体１００上の遺伝子１０５が２つの染色体１００の間で分散されるプロセスである。１点乗換えは、染色体１００に沿って位置ｋをランダムに選択することによって実施され、この位置は１と、染色体の長さより１小さい長さの間である。２つの子孫は、位置ｋ＋１と、染色体１００の全長の間のすべての遺伝子１０５を交換することによって、作成される。いくつかの異なる型の乗換えがあり、これには、それだけに限定されないが、１点、２点、一様が含まれる。乗換えをまた、個体１２０上の１つまたは複数の染色体１００上で行うこともできる。一般に、これは１つの染色体上でのみ、あるいは各染色体上で行われる。
【００３６】
図３ａは、１点、１染色体乗換えを例示する。乗換え点１３０が２つの修正されていない子孫個体１２０上で選択される。乗換え点１３０を含む遺伝子１０５内の対立遺伝子１１０が、乗換え点１３０の後で交換される。遺伝子１０５はその染色体１００上でのみ交換される。乗換えの後、修正された子孫個体１２０’が作成される。図３ｂは、２点、１染色体乗換えを例示する。２点、１染色体乗換えでは、乗換え点１３０および第２の乗換え点１３２が同じ染色体１００内でランダムに選択される。この乗換えでは、乗換え点１３０の後の１つの染色体１００内の複数の対立遺伝子１１０が、第２の乗換え点１３２に到達するまでスワップされ、この点で対立遺伝子１１０は、それらが元の染色体１００にあったときと同じ状態で残る。理論的には、遺伝子１０５が存在する数と同数の乗換え点を、いずれか１つの染色体において選択することができる。
【００３７】
突然変異は、染色体１００上で１つまたは複数の遺伝子１０５が修正されるプロセスである。各遺伝子１０５が突然変異のために、通常は遺伝的アルゴリズムの初期化ステップで決定される突然変異の確率で選択される。染色体１００上の複数の遺伝子１０５が１つのイベントにおいて突然変異される可能性がある。突然変異の確率は一般に、乗換えの確率よりはるかに低い。突然変異は一般に、有効な遺伝子が失われないことを保証するための方法と考えられる。多数の突然変異が１つまたは複数の染色体１００上で起こる可能性がある。突然変異を有する可能性のある染色体１００の数は１からｎの範囲で起こり、ただしｎは個体１２０における染色体１００の数である。
【００３８】
図４ａは１染色体突然変異を表す。突然変異点１４０を占有する遺伝子１０５の対立遺伝子１１０が次いで、ある他の対立遺伝子１１０に変更される。２進コード化では、突然変異は０を１に、あるいは１を０に交換することである。これは通常低い確率で行われるので、ある遺伝子が突然変異を受け、ある遺伝子は受けない。子孫の作成ステップ１８０の後、適応度の決定ステップ１６０が繰り返され、その後に、集束基準が達成されているかどうかをチェックするステップ１６５が続く。このサイクルは、この集団が基準を満たさない場合、継続される。上述のように、集団が集束基準を満たした場合、出力ステップ１８５が行われ、アルゴリズムが完了する。
【００３９】
［改良された遺伝的アルゴリズム］
本発明は、センサネットワークのコントロールおよび管理など、多様性問題を解決するために、改良された遺伝的アルゴリズムを含む。以前の基本的な遺伝的アルゴリズムの考察は、本明細書で提供される改良されたアルゴリズムの基礎を形成する。本発明が利用する３つの別々の改良がある。これらの改良を別々に基本的な遺伝的アルゴリズムと共に使用する、合わせて基本的な遺伝的アルゴリズムと共に使用する、非基本的な遺伝的アルゴリズムと共に使用する、あるいはこれらのある組み合わせにすることができる。
【００４０】
本発明で利用される第１の改良は、Ｃ_i乗換えと呼ばれる。Ｃ_i乗換えは、個体１２０の厳密にｉ個の染色体１００に影響する乗換えの発生を表す。各乗換えをいかなる型の乗換えにすることもでき、これには、それだけに限定されないが、１点、多点または一様が含まれる。１点乗換えは、遺伝物質である対立遺伝子１１０のスワップが、影響される各染色体１００において１点のみで行われるときである。多点乗換えは、遺伝物質である対立遺伝子１１０のスワップが、影響される各染色体１００において多数の点で行われるときである（たとえば、２点乗換えは、親における２点の間のスワップを実行する）。一様乗換えは、２つの親からの遺伝子がランダムに組み替えられるときである。Ｃ_i乗換えのためのｉの値は１からｎまで変わる可能性があり、ただしｎは個体１２０における染色体１００の数である。本発明によるＣ_i乗換えのためのｉの値は２からｎ−１までであることが好ましい。Ｃ_i乗換えのためのｉの値は２であることがより好ましい。本発明の好ましいＣ₂乗換えはいかなる型の乗換えも含むことができ、これには、それだけに限定されないが、１点、２点または一様が含まれる。好ましいＣ₂乗換えは１点型の乗換えを含むことが好ましい。
【００４１】
図５は、２つの個体１２０の間の１点Ｃ₂乗換えを表す。１点Ｃ₂乗換えでは、乗換えを受ける２つの染色体が個体からランダムに選択される。次いで同じ乗換え点１３０がランダムに両方の個体１２０について選択される。染色体１００上の乗換え点１３０の後の対立遺伝子１１０が、２つの個体１２０の間で交換される。結果として生じる個体１２０’を図５の底部に示す。厳密に２つの染色体が乗換えを受ける。
【００４２】
本発明で利用されるもう１つの改良は、Ｃ_i突然変異と呼ばれる。Ｃ_i突然変異は、個体１２０の厳密にｉ個の染色体１００に影響する突然変異の発生を表す。Ｃ_i突然変異によって影響されるものはｉ個の染色体１００しかないが、複数の突然変異が各染色体１００上にある可能性がある。単一の染色体１００上で起こる可能性のある突然変異の数は１からｍまでの範囲に及ぶ可能性があり、ただしｍは染色体１００における遺伝子１０５の数である（これは、突然変異の確率によって決定される）。さらに、突然変異によって影響される複数の染色体１００がある場合（ｉが１より大きい場合）、影響される各染色体１００は、等しいかあるいは等しくない数の突然変異を有する可能性がある。
【００４３】
Ｃ_i突然変異のｉのためのｉの値は１からｎまで変わる可能性があり、ただしｎは個体１２０における染色体１００の数である。本発明によるＣ_i突然変異のためのｉの値は２からｎ−１までであることが好ましい。Ｃ_i突然変異のためのｉの値は２であることがより好ましい。
【００４４】
図６は、Ｃ₂突然変異を示す。個体１２０は少なくとも２つの染色体１００および１００’を有する。Ｃ₂突然変異のこの特定の実施例では、２つの染色体が、突然変異を受けるためにランダムに選択される。次いで、突然変異が、選択された各染色体の各遺伝子に、通常通りに突然変異の確率（初期化において、あるいはある他の方法によって定義される）で適用される。突然変異点１４０、１４２および１４４での遺伝子１０５の対立遺伝子１１０が、異なる対立遺伝子１１０と置き換えられる。結果として生じる、突然変異を受けた染色体１００”および１００”’が、突然変異を受けた子孫個体１２０’という結果となる。
【００４５】
本発明による遺伝的アルゴリズムにおいて利用されるさらにもう１つの改良は、交配ステップ１７５において交配するための親を選択する方法における改良である。一般に、両方の親がランダムに選択されるか、あるいは両方の親がそれらの適応度に基づいて選択される（先に述べたように、ルーレット選択、トーナメント選択、ランキング選択による）。本発明の遺伝的アルゴリズムで利用される改良は、キング遺伝的アルゴリズムと呼ばれる遺伝的アルゴリズムという結果となる。キング遺伝的アルゴリズムでは、交配するために選択された第１の親が常に集団において最も適応度の高い個体１２０である。集団において最も適応度の高い個体１２０は、このアルゴリズムで使用された適応度の特定の測度によって決定される。この親が第１の方として使用されて、次の世代の各メンバが作成される。第１の親と交配するために選択された親は第２の親と呼ばれ、ランダム法によって選択される。第２の親を選択するために使用される方法には、それだけに限定されないが、ルーレット選択、トーナメント選択または乱数発生が含まれる。
【００４６】
この改良は基本的な遺伝的アルゴリズムとは異なり、基本的な遺伝的アルゴリズムは一般に同じタイプの方法を利用して２つの親を選択する。たとえば、両方の親がルーレット選択によって選択され、あるいは両方の親がトーナメント選択によって選択される。
【００４７】
本発明による遺伝的アルゴリズムは、３つの改良のいずれかまたはそれらの組み合わせを有するものを含むが、本発明の好ましい遺伝的アルゴリズムは、Ｃ₂突然変異を利用するキング遺伝的アルゴリズム、およびＣ₂乗換えを利用するキング遺伝的アルゴリズムである。Ｃ₂突然変異を利用するキング遺伝的アルゴリズムは、集団において最も適応度の高い個体を親として選択すること、およびその後に続くＣ₂型の突然変異のみ（２つの染色体１００のみにおける作用）を含む。突然変異しかないので（乗換えの確率はゼロ、Ｐ_c＝０）、ただ１つの親のみが存在する必要があり、したがって第２の親が選択されない。しかし、いずれか１つの染色体１００上で突然変異を受ける可能性のある遺伝子１０５の数は制限されず、突然変異を受ける両方の染色体１００において同じ数の突然変異がある必要はない。
【００４８】
本発明の第２の好ましい遺伝的アルゴリズムは、Ｃ₂乗換えおよびＣ₂突然変異を利用するキング遺伝的アルゴリズムである。このアルゴリズムは、集団において最も適応度の高い個体１２０を親として選択すること、その後に続く第２の親のランダム選択、およびＣ₂型のみの乗換えおよび突然変異（２つの染色体のみにおける作用）を含む。しかし、いずれか１つの染色体１００上で突然変異を受ける可能性のある遺伝子１０５、または乗換え点の数が１に制限される必要はない。また、２つの異なる染色体１００上の突然変異または乗換え点の数が同じである必要はない。
【００４９】
［ＵＧＳネットワークへの遺伝的アルゴリズムの応用］
本発明の遺伝的アルゴリズムの１つの実際的な応用例は、ＵＧＳネットワークのコントロールおよび管理を含む。本発明による遺伝的アルゴリズムにより管理かつコントロールすることができるＵＧＳネットワークの一実施例の説明は以下の通りである。
【００５０】
１つのこのようなネットワークの一実施例は、目標の分類または識別および目標への方角をレポートすることができる音響センサからなる。このようなネットワークは実質的にいかなる数のセンサも有することができる。センサの数は部分的に、監視されるエリア、実行される任務のタイプ、センサの視野およびレンジによって決定される。このようなＵＧＳネットワークには一般に、監視エリアに入る目標を検出、追跡、分類するため、およびセンサの総合の電力消費を最小限にする（すなわち、ネットワークの運用年数を長くする）ための任務目的が課せられる。
【００５１】
たとえば、方角データを使用して三角測量することによって目標の位置を正確に突き止めるために、目標についての最小位置エラーを生じる３つのセンサのセットが最適なセンサセットとなる。ＵＧＳネットワークの機能に適用可能であるコスト測定基準、および組み合わせ探索空間を制約する効率的な最適化方法を使用することによって、ネットワークとして動作する多数のＵＧＳはそれ自体を自己編成し、最適に管理してリモートエリアの監視を実施することができる。
【００５２】
例示的ＵＧＳネットワークをコントロールすることができる本発明の遺伝的アルゴリズムのためのパラメータを決定するために、追跡プロセスをより十分に定義することが必要である。道路の制約なしにいかなる場所の目標をも追跡する能力は、ＵＧＳネットワークのための望ましい属性である。したがって、制約を受けない追跡を実施することができるＵＧＳネットワークを有することが好ましい。追跡は、センサの測定値から、センサの視野におけるすべての目標の位置を決定するプロセスである。音響を処理し、センサのみを有するとき、追跡を実行するために目標につき３つのセンサの必要性がある。
【００５３】
最適化の目的は、エラーを最小にして追跡プロセスを実施すると同時にコスト測定基準を最小限にすることができる、ＵＧＳネットワーク内の１セットのセンサを選択することである。異なるコスト測定基準を使用することができるが、しばしば考慮される一般の測定基準は、センサによって各瞬間に使用された総エネルギーである。多数の目的（すなわち、目標検出、追跡、およびセンサ電力使用の最小化）を考慮すると、ネットワークは最適なパフォーマンスを達成するために、そのセンサの使用をこれらの各目的の機能について最適化しなければならない。
【００５４】
本発明の遺伝的アルゴリズムは、目的を最適化するための準最適セットのセンサを選択するために使用される。この問題は、唯一の解決法のない多目的な最適化問題と見なされる。さらに、目標およびセンサの数が線形に増加するために、可能な解決法の数は、指数的に増大する組み合わせ探索空間という結果となる。最適なパフォーマンスを提供するセンサのセットを選択するために、適切なメリットの測度またはコスト測定基準がネットワークの各目的のために必要とされる。
【００５５】
目的の機能の最適化を、本発明の遺伝的アルゴリズムにより最も効率的に実施することができる。本発明の遺伝的アルゴリズムを使用することができる構成の一実施例をこのとき図７に関して説明する。遺伝的アルゴリズムの集団１２５の各個体１２０は、いくつかの染色体１００を含む。各染色体１００は、センサの識別を構成するいくつかの遺伝子１０５で構成される。遺伝的アルゴリズムによって、いずれかの所与の瞬間にアクティブになるように選択されるすべてのセンサは、染色体においてコード化された一意の２進コード化識別である、遺伝子１０５の対立遺伝子１１０を有する。ネットワークの目的は、推測された目標および目標に関連する必要とされたオペレーションからなる。追跡では、追跡のために必要であるセンサと同じ数の染色体１００が個体内にある。
【００５６】
一実施例として、５つの目標が追跡され、各目標を追跡するために３つのセンサ必要とされると仮定する。また、各染色体１００は、１つのセンサの一意の２進識別を有するために十分な数の遺伝子１０５を含むと仮定する。このシナリオでは、各個体１２０が１５個の染色体１００を有するようになり、これは５つの目標を追跡するために１５個のセンサが必要であることを表す。これらの１５個の染色体１００のうち、１つのセンサを複数の代わりにすることが可能である（また、これは全体として最適な解決法を表す）。センサが複数の代わりにされる場合、所与のセンサが複数の目標を追跡するために使用されることを意味する。集団１２５における個体１２０の数は、遺伝的アルゴリズムの特定の設計によって決まる。
【００５７】
本発明の遺伝的アルゴリズムで使用するための適応関数は、ユーザが望むいかなる数の変数も扱うことができる。可能な変数の例には、効率、センサ寿命、コスト、追跡エラー、および情報を得る速度が含まれる。ある例示的適応関数は２つの目的に対処する。すなわち、目標の場所の精度を最大限にする（すなわち、位置追跡エラーを最小限にする）こと、およびネットワーク電力消費を最小限にすることである。この適応関数を以下のように表すことができる。
【００５８】
【数１】

【００５９】
ただし、Ｅ_i（ｉ＝１，２，．．．，ｎ）は、ｉ番目の目標についての推定位置エラーであり、Ｐ_j（ｊ＝１，２，．．．，ｍ）はｊ番目のセンサの電力消費値であり、ｎは目標の数であり、ｍは選択されたセンサの総数であり、ｗ₁およびｗ₂は２つの重み定数である。ｗ₁およびｗ₂の値は、エラーおよび電力消費を最小限にする相対的な重要性によって決まる。
【００６０】
この遺伝的アルゴリズムおよび適応関数Ｆのための構成を、本発明による遺伝的アルゴリズムと組み合わせて、ＵＧＳセンサネットワークをコントロールかつ管理するための方法を作成することができる。
【００６１】
実施例
以下の実施例は、本発明の応用例および利点の限定されない例示を提供する。
【実施例１】
【００６２】
本発明によるアルゴリズムおよび本発明によらないアルゴリズムが、Ｒａｓｔｒｉｎｇｉｎの関数を最適化するために利用された。Ｒａｓｔｒｉｎｇｉｎの関数は以下の式によって与えられる。
【００６３】
【数２】

【００６４】
Ｒａｓｔｒｉｎｇｉｎの関数は１０個の独立変数により決定され、この形式では大いに多様性であると見なされる。遺伝的アルゴリズムを使用してこの関数を解くため、各独立変数が、遺伝的アルゴリズムの集団における別々の染色体として符号化される。各個体は、この場合は１０個の染色体から構成される。
【００６５】
この関数は、８つの異なるバージョンの遺伝的アルゴリズムにより最適化された。第１のものは、非特異的な乗換えおよび突然変異を利用した、基本的な遺伝的アルゴリズム（表１のＧＡ）であった。次は、同じく乗換えおよび突然変異の両方を使用したが、乗換えがＣ₂型乗換えに限定された、基本的な遺伝的アルゴリズム（表１のＧＡ＿Ｃ２）であった。その後は、非特異的な突然変異のみを利用する基本的な遺伝的アルゴリズム（表１のＧＡ突然変異）であった。次いで、Ｃ₂突然変異のみを利用する基本的な遺伝的アルゴリズム（表１のＧＡ突然変異＿Ｃ２）である。次に、非特異的な突然変異および乗換えの両方を使用するキング遺伝的アルゴリズム（表１のキングＧＡ）である。次は、非特異的な突然変異およびＣ₂乗換えのみの両方を使用するキング遺伝的アルゴリズム（表１のキングＧＡ＿Ｃ２）である。非特異的な突然変異のみを利用するキング遺伝的アルゴリズム（表１のキング突然変異）である。最後に、Ｃ₂突然変異のみを利用するキング遺伝的アルゴリズム（表１のキング突然変異＿Ｃ２）である。
【００６６】
この表は、検討された異なる各遺伝的アルゴリズムについての乗換えの確率Ｐ_c、突然変異の確率Ｐ_mを与える。集団サイズおよび反復された世代の数は、検討された異なるアルゴリズムに渡って一貫しており、それぞれ１００および４５０であった。最適数は、関数の最適値が決定された実行の数を表す。各アルゴリズムが合計３０回実行された。最適数および実行の総数が利用されて、様々なアルゴリズムの効果が計算され、これは、全体的な最適度に収束された実行のパーセンテージである。
【００６７】
【表１】

【００６８】
Ｃ₂突然変異のみが起こるキング遺伝的アルゴリズム（キング突然変異Ｃ₂）は、調査されたすべての遺伝的アルゴリズムのうち最良の結果を与えた。本発明の改良を使用しない基本的な遺伝的アルゴリズムと比較するとき、効果は５倍に増した。
【実施例２】
【００６９】
上の実施例１からの最良パフォーマンスのアルゴリズムが、Ｋ．Ｄｅｂ、Ｓ．Ａｇｒａｗａｌ著「遺伝的アルゴリズムパラメータ間の相互作用を理解する（Ｕｎｄｅｒｓｔａｎｄｉｎｇ Ｉｎｔｅｒａｃｔｉｏｎｓ Ａｍｏｎｇ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ Ｐａｒａｍｅｔｅｒｓ」、Ｆｏｕｎｄａｔｉｏｎｓ ｏｆ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍｓ） ５、Ｗ．Ｂａｎｚｈａｆ、Ｃ．Ｒｅｅｖｅｓ（ｅｄｓ．）、Ｍｏｒｇａｎ Ｋａｕｆｍａｎｎ Ｐｕｂｌｉｓｈｅｒｓ，Ｉｎｃ．、Ｓａｎ Ｆｒａｎｃｉｓｃｏ、ＣＡ、２６５〜２８６ページ、１９９９年（「Ｄｅｂ」）でテストされた遺伝的アルゴリズムの最良のものと比較された。
【００７０】
Ｄｅｂの最良の遺伝的アルゴリズムが、上で与えられたようにＲａｓｔｒｉｎｇｉｎの関数の最適化のためにテストされた。Ｃ₂突然変異のみを使用するキング遺伝的アルゴリズムのための集団サイズは、Ｄｅｂにおける遺伝的アルゴリズムのための集団のサイズ１０００と比較して、両方の実行について１０であった。参照からの遺伝的アルゴリズムは大きい集団でのみよいパフォーマンスであり、１０００の集団が、参照から利用されたものの最良であった。
【００７１】
本発明による遺伝的アルゴリズムおよびＤｅｂからの最良のものを使用した結果が、以下の表２において与えられる。この表は、検討された異なる各遺伝的アルゴリズムについての乗換えの確率Ｐ_cおよび突然変異の確率Ｐ_mを与える。集団サイズおよび反復された世代の数もまたこの表において与えられ、検討された異なるアルゴリズムに渡って一貫していないことがわかる。重要な要素は、各アルゴリズムによって実行された適応関数評価の数である。この値は、集団サイズに世代の数を掛けることによって得られる。この値は、このような各計算が要する時間の名目量のために重要である。適応関数を評価しなければならない回数が少ないほど、関数をより高速に最適化することができる。
【００７２】
最適数は、関数の最適値が得られた決定された実行の数を表す。実行の数も、本発明による遺伝的アルゴリズムおよびＤｅｂからのものでは異なった。次いで、効果が、最適な実行の数に基づいて計算される。この表はまた、関数を評価しなければならない回数も表示し（「関数評価の数」）、これが、Ｄｅｂからの最良のアルゴリズムに勝る、本発明による２つのアルゴリズムの時間節約を計算するために利用された。
【００７３】
【表２】

【実施例３】
【００７４】
この実施例では、本発明の遺伝的アルゴリズムが「だまし関数」のための基本的な遺伝的アルゴリズムと比較された。この実施例で最適化された関数は、ユニテーション関数であった。ユニテーション関数は、その値が、それが作用するストリングにおける１および０の数にのみ依存する関数である。ユニテーション関数ｕはストリングにおける１の数を計算する。次いで、この実施例で最適化されただまし関数は、以下の数式を有する。
【００７５】
【数３】

【００７６】
ただしｕはユニテーション関数である。
０から４までのユニテーション関数ｕの値についての関数ｇ（ｕ）の値が、以下で表３で与えられる。
【００７７】
【表３】

【００７８】
そのため、４ビットストリングについては、ｇ（ｕ）の結果は、以下の表４で与えられる通りである。
【００７９】
【表４】

【００８０】
ｆ₅は、解くことが困難であり、だまし関数であり、これはだましアトラクタ（すべてゼロのストリング）に対応する低位の基礎単位が、グローバルアトラクタ（すべて１のストリング）のものよりよいからである。
【００８１】
検討された遺伝的アルゴリズムは、上の実施例１で検討されたものと同じ８つの変形形態を含み、以下を含む。第１のものは、非特異的な乗換えおよび突然変異を利用した、基本的な遺伝的アルゴリズム（以下の表５のＧＡ）であった。次は、同じく乗換えおよび突然変異の両方を使用したが、乗換えがＣ₂型乗換えに限定された、基本的な遺伝的アルゴリズム（表５のＧＡ＿Ｃ２）であった。その後に、非特異的な突然変異のみを利用する基本的な遺伝的アルゴリズム（表５のＧＡ突然変異）が利用された。次いで、Ｃ₂突然変異のみを利用する基本的な遺伝的アルゴリズム（表５のＧＡ突然変異＿Ｃ２）が検討された。次は、非特異的な突然変異および乗換えの両方を使用するキング遺伝的アルゴリズム（表５のキングＧＡ）であった。次いで、非特異的な突然変異およびＣ₂乗換えのみの両方を使用するキング遺伝的アルゴリズム（表５のキングＧＡ＿Ｃ２）が検討された。非特異的な突然変異のみを利用するキング遺伝的アルゴリズム（表５のキング突然変異）が次であった。最後は、Ｃ₂突然変異のみを利用するキング遺伝的アルゴリズム（表５のキング突然変異＿Ｃ２）であった。
【００８２】
これらの比較についての結果は以下の表５で見られる。この表は、検討された異なる各遺伝的アルゴリズムについての乗換えの確率Ｐ_c、および突然変異の確率Ｐ_mを与える。集団サイズおよび通過された世代の数は、検討された異なる方法に渡って一貫しており、それぞれ１００および４５０であった。最適数は、関数の最適値が決定された実行の数を表す。各アルゴリズムが合計３０回実行された。最適数および実行の総数が利用されて、様々なアルゴリズムの効果が計算された。
【００８３】
【表５】

【００８４】
キング突然変異Ｃ２は、基本的なＧＡの結果の０．０と比較して、０．９７の大変高い効果を達成する。
【実施例４】
【００８５】
本発明の遺伝的アルゴリズムが、７個の目標を追跡するためのセンサテスト関数の最適化のための基本的な遺伝的アルゴリズムと比較された。
この実施例でシミュレートされたセンサネットワークは、目標の分類または識別および目標への方角をレポートすることができる音響センサからなる。このシミュレートされたセンサネットワークは１８１個のセンサを有し、それぞれが半径４ｋｍの３６０°のＦＯＶ（視野）を有し、６２５平方ｋｍの監視エリアに渡ってランダムに分散される。
【００８６】
このネットワークの任務目的は、監視エリアに入る目標を検出、追跡、分類すること、およびセンサの総合の電力消費を最小限にする（すなわち、ネットワークの運用年数を長くする）ことである。たとえば、方角データを使用して三角測量することによって目標の位置を正確に突き止めるために、最低の総合電力消費で目標についての最小位置エラーを生じる３つのセンサのセットが最適なセンサセットとなる。最適化することができる目的の機能を決定するために、これらの２つの要素のある特定の重み付けを有することが必要である。
【００８７】
７つの各目標について、３つのセンサを提供する必要性があるので、遺伝的アルゴリズムにおける各個体は７＊３＝２１個の染色体からなる。各染色体は、１つのセンサの識別番号を含む。使用された遺伝的アルゴリズムは、図８に示したものに類似した。
【００８８】
この遺伝的アルゴリズム構成で使用するための適応関数は２つの目的に対処する。すなわち、目標の場所の精度を最大限にする（すなわち、位置追跡エラーを最小限にする）こと、およびネットワーク電力消費を最小限にすることである。この適応関数を以下のように表すことができる。
【００８９】
【数４】

【００９０】
ただし、Ｅ_i（ｉ＝１，２，．．．，ｎ）は、ｉ番目の目標についての推定位置エラーであり、Ｐ_j（ｊ＝１，２，．．．，ｍ）はｊ番目のセンサの電力消費値であり、ｎは目標の数であり、ｍは選択されたセンサの総数であり、ｗ₁およびｗ₂は２つの重み定数である。ｗ₁およびｗ₂の値は、エラーおよび電力消費を最小限にする相対的な重要性によって決まる。
【００９１】
次いで、この遺伝的アルゴリズムが、シミュレートされた音響センサ測定データを使用して評価された。シミュレートされたデータはセンサの場所、方角測定値、および各センサからの目標識別データを含んだ。移動の軌道が、追跡された車両の種類に属する７個の目標についてシミュレートされた。これらの目標は同じ付近にあり、これは最適なセンサ選択が１つとなり、これにおいてあるセンサが共有されることを意味した。
【００９２】
【表６】

【００９３】
図９は、使用された異なるアルゴリズムについての平均最良適応度を示すグラフである。使用された遺伝的アルゴリズムに関係なく、Ｃ₂乗換えまたは突然変異のみを利用するものは常によりよく機能する。
【００９４】
図１０は、表６で検討された異なる遺伝的アルゴリズムのうち５つについての効果および必要時間を比較する。図１０で表された方法は、実験なしで集団サイズが５０である基本的な遺伝的アルゴリズム、実験後の基本的な遺伝的アルゴリズム（集団サイズが小さいほど、よりよい効果を与えた）、突然変異のみを利用する基本的な遺伝的アルゴリズム、突然変異のみを利用するキング遺伝的アルゴリズム、およびＣ₂型突然変異のみを利用するキング遺伝的アルゴリズムを含む。
【００９５】
図１１は、上の図１０で示されたものと同じ５つの遺伝的アルゴリズムの変形形態についての経時的なパーセントの改善を示す。
上の明細書、実施例およびデータは、本発明の構成の製造および使用の完全な説明を提供する。本発明の多数の実施形態を、本発明の精神および範囲から逸脱することなく作成することができるので、本発明は下に付属する特許請求の範囲において存在する。
【図面の簡単な説明】
【００９６】
【図１】遺伝的アルゴリズムの集団の全体的な構成を示す図である。
【図２】遺伝的アルゴリズムにおけるステップを表す全体的な流れ図を示す図である。
【図３】図３ａは１点、１染色体乗換えを示す図である。図３ｂは、２点、１染色体乗換えを示す図である。
【図４】図４ａは、突然変異の確率のために、ただ１つの遺伝子が突然変異された突然変異を示す図である。図４ｂは、突然変異の確率のために、２つの遺伝子が突然変異された突然変異を示す図である。
【図５】本発明による１点、Ｃ₂乗換えを示す図である。
【図６】本発明によるＣ₂突然変異を示す図である。
【図７】目標追跡／識別のために最適なセンサを選択するプロセスで使用するための遺伝的アルゴリズムの構成を示す図である。
【図８】本発明の一態様による、センサネットワークをコントロールかつ管理するための方法を表す全体的な流れ図を示す図である。
【図９】センサコントロールの最適化における８つのアルゴリズムのパフォーマンスについての平均最良適応度を示す図である。
【図１０】図９に表すアルゴリズムのうち５つについての最適化の効果および必要な時間を示す図である。
【図１１】図１０に示す５つのアルゴリズムについて経時的なパーセントの改善を示す図である。

Claims (54)

1. （ａ）各染色体は１つのセンサを表現する、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップと、
   （ｂ）追跡の所望の属性に基づいて適応関数を定義するステップと、
   （ｃ）初期集団に含めるための１つまたは複数の前記個体を選択するステップと、
   （ｄ）遺伝的アルゴリズムを前記集団において、定義された集束基準が満たされるまで実行するステップであって、前記遺伝的アルゴリズムの実行は、
   （ｉ）最も適応度の高い個体を前記集団から選択するステップと、
   （ｉｉ）ランダムな個体を前記集団から選択するステップと、
   （ｉｉｉ）前記最も適応度が高く、前記ランダムに選択された個体から子孫を作成するステップと、
   を含む少なくとも１つの目標を追跡するためにセンサネットワークからセンサを選択するための方法。
2. 前記センサを表現する前記染色体は、前記センサの２進または実数識別を含む、請求項１に記載の方法。
3. 個体を、ｎ個の染色体を含むものとして定義するステップをさらに含み、ｎは、前記目標を追跡するために必要なセンサの数に、追跡される前記目標の数を掛けたものである、請求項１に記載の方法。
4. ステップ（ｂ）の前記所望の属性は最小電力消費を含む、請求項１に記載の方法。
5. ステップ（ｂ）の前記所望の属性は最小追跡エラーを含む、請求項１に記載の方法。
6. ステップ（ｂ）の前記所望の属性は最小電力消費および最小追跡エラーを含む、請求項１に記載の方法。
7. ステップ（ｂ）の前記適応関数は以下の公式を含み、
   

   

   Ｅ_i（ｉ＝１，２，．．．，ｋ）は、ｉ番目の目標を追跡についての推定位置エラーであり、Ｐ_j（ｊ＝１，２，．．．，ｍ）はｊ番目のセンサの電力消費値であり、ｋは目標の数であり、ｍは選択されたセンサの総数であり、ｗ₁およびｗ₂は２つの重み定数である、請求項６に記載の方法。
8. ステップ（ｃ）における前記個体の前記初期選択がランダム法によって実施される、請求項１に記載の方法。
9. ステップ（ｄ）の前記集束基準は、指定された数の世代を含む、請求項１に記載の方法。
10. ステップ（ｄ）の前記集束基準は、その後で前記集団における最も適応度の高い個体において改善が見られない、指定された数の世代を含む、請求項１に記載の方法。
11. ステップ（ｄ）における前記集団の前記最も適応度の高い個体が、前記適応関数に基づいて選択される、請求項１に記載の方法。
12. ステップ（ｄ）における前記集団からの前記ランダムな個体が、ルーレット選択、トーナメント選択、乱数発生、またはそれらの組み合わせによって選択される、請求項１に記載の方法。
13. ステップ（ｄ）における前記子孫の前記作成が、突然変位、乗換えまたはそれらの組み合わせによって実施される、請求項１に記載の方法。
14. ステップ（ｄ）における前記子孫の前記作成が、突然変位、乗換えまたはそれらの組み合わせを通じて起こり、ｉ個の染色体のみがいずれか１つの突然変異または乗換え中に影響され、ｉは２からｎ−１の値を有する、請求項１３に記載の方法。
15. ｉは２の値を有する、請求項１４に記載の方法。
16. （ａ）各染色体は１つのセンサを表現する、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップと、
    （ｂ）追跡の所望の属性に基づいて適応関数を定義するステップと、
    （ｃ）初期集団に含めるための１つまたは複数の前記個体を選択するステップと、
    （ｄ）遺伝的アルゴリズムを前記集団において、定義された集束基準が満たされるまで実行するステップであって、前記遺伝的アルゴリズムの実行は、
    （ｉ）最も適応度の高い個体を前記集団から選択するステップと、
    （ｉｉ）前記最も適応度の高い個体から子孫を作成するステップであって、前記子孫の前記作成は突然変異のみを通じて起こり、ｉ個の染色体のみが１つの個体において突然変異され、ｉは２からｎ−１の値を有する、ステップとを含む、
    前記各ステップを含む少なくとも１つの目標を追跡するためにセンサネットワークからセンサを選択するための方法。
17. 前記センサを表現する前記染色体は、前記センサの２進または実数識別を含む、請求項１６に記載の方法。
18. 個体を、ｎ個の染色体を含むものとして定義するステップをさらに含み、ｎは、前記目標を追跡するために必要なセンサの数に、追跡される前記目標の数を掛けたものである、請求項１６に記載の方法。
19. ステップ（ｂ）の前記所望の属性は最小電力消費を含む、請求項１６に記載の方法。
20. ステップ（ｂ）の前記所望の属性は最小追跡エラーを含む、請求項１６に記載の方法。
21. ステップ（ｂ）の前記所望の属性は最小電力消費および最小追跡エラーを含む、請求項１６に記載の方法。
22. ステップ（ｂ）の前記適応関数は以下の公式を含み、
    

    

    Ｅ_i（ｉ＝１，２，．．．，ｋ）は、ｉ番目の目標を追跡についての推定位置エラーであり、Ｐ_j（ｊ＝１，２，．．．，ｍ）はｊ番目のセンサの電力消費値であり、ｋは目標の数であり、ｍは選択されたセンサの総数であり、ｗ₁およびｗ₂は２つの重み定数である、請求項２１に記載の方法。
23. ステップ（ｃ）における前記個体の前記初期選択がランダム法によって実施される、請求項１６に記載の方法。
24. ステップ（ｄ）の前記集束基準は、指定された数の世代を含む、請求項１６に記載の方法。
25. ステップ（ｄ）の前記集束基準は、その後で前記集団における最も適応度の高い個体において改善が見られない、指定された数の世代を含む、請求項１６に記載の方法。
26. ｉは２の値を有する、請求項１６に記載の方法。
27. （ａ）各染色体は１つのセンサを表現し、ｎ＝ｋ＊ｙであり、ただしｋは、追跡される目標の数であり、ｙは、１つの目標を追跡するために必要とされたセンサの数である、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップと、
    （ｂ）前記センサの電力消費および前記センサによって行われた追跡エラーに基づいて、適応関数を定義するステップと、
    （ｃ）初期集団に含めるための１つまたは複数の前記個体をランダムに選択するステップと、
    （ｄ）遺伝的アルゴリズムを前記初期集団において、定義された集束基準が満たされるまで実行するステップであって、前記集束基準は前記遺伝的アルゴリズムにおいて反復された世代の数に基づいており、前記遺伝的アルゴリズムの実行は、
    （ｉ）前記適応関数に基づいて、最も適応度の高い個体を前記集団から選択するステップと、
    （ｉｉ）前記最も適応度の高い個体から子孫を作成するステップであって、前記子孫の前記作成は突然変異のみを通じて起こり、２個の染色体のみが１つの個体において突然変異される、ステップとを含み、
    （ｅ）前記個体に基づいて、前記定義された集束基準が満たされる時間に存在する集団を含むセンサを選択するステップと、
    を含む目標を追跡するためにセンサネットワークからセンサを選択するための方法。
28. （Ａ）センサの数Ｎと、
    （Ｂ）前記Ｎ個のセンサをコントロールかつ管理することができるコントローラとを含み、前記コントローラは、目標を追跡するためにセンサネットワークからセンサを、１つの方法を実行することによって選択し、この方法は、
    （ｉ）各染色体は１つのセンサを表現する、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップと、
    （ｉｉ）追跡の所望の属性に基づいて適応関数を定義するステップと、
    （ｉｉｉ）初期集団に含めるための１つまたは複数の前記個体を選択するステップと、
    （ｉｖ）遺伝的アルゴリズムを前記集団において、定義された集束基準が満たされるまで実行するステップであって、前記遺伝的アルゴリズムの実行は、
    （ａ）最も適応度の高い個体を前記集団から選択するステップと、
    （ｂ）ランダムな個体を前記集団から選択するステップと、
    （ｃ）前記第１の、前記ランダムに選択された個体から子孫を作成するステップとを含み、さらに、
    （Ｃ）前記個々のセンサおよび前記コントローラが通信する手段と、
    を含む、対象を追跡するためのセンサのネットワーク。
29. 前記センサを表現する前記染色体は、前記センサの２進または実数識別を含む、請求項２８に記載のセンサのネットワーク。
30. 個体を、ｎ個の染色体を含むものとして定義するステップをさらに含み、ｎは、前記目標を追跡するために必要なセンサの数に、追跡される前記目標の数を掛けたものである、請求項２８に記載のセンサのネットワーク。
31. ステップ（ｂ）の前記所望の属性は最小電力消費を含む、請求項２８に記載のセンサのネットワーク。
32. ステップ（ｂ）の前記所望の属性は最小追跡エラーを含む、請求項２８に記載のセンサのネットワーク。
33. ステップ（ｉｉ）の前記所望の属性は最小電力消費および最小追跡エラーを含む、請求項２８に記載のセンサのネットワーク。
34. ステップ（ｉｉ）の前記適応関数は以下の公式を含み、
    

    

    Ｅ_i（ｉ＝１，２，．．．，ｋ）は、ｉ番目の目標を追跡についての推定位置エラーであり、Ｐ_j（ｊ＝１，２，．．．，ｍ）はｊ番目のセンサの電力消費値であり、ｋは目標の数であり、ｍは選択されたセンサの総数であり、ｗ₁およびｗ₂は２つの重み定数である、請求項３３に記載のセンサのネットワーク。
35. ステップ（ｃ）における前記個体の前記初期選択がランダム法によって実施される、請求項２８に記載のセンサのネットワーク。
36. ステップ（ｄ）の前記集束基準は、指定された数の世代を含む、請求項２８に記載のセンサのネットワーク。
37. ステップ（ｄ）の前記集束基準は、その後で前記集団における最も適応度の高い個体において改善が見られない、指定された数の世代を含む、請求項２８に記載のセンサのネットワーク。
38. ステップ（ｄ）における前記集団の前記最も適応度の高い個体が、前記適応関数に基づいて選択される、請求項２８に記載のセンサのネットワーク。
39. ステップ（ｄ）における前記集団からの前記ランダムな個体が、ルーレット選択、トーナメント選択、乱数発生、またはそれらの組み合わせによって選択される、請求項２８に記載のセンサのネットワーク。
40. ステップ（ｄ）における前記子孫の前記作成が、突然変位、乗換えまたはそれらの組み合わせによって実施される、請求項２８に記載のセンサのネットワーク。
41. ステップ（ｄ）における前記子孫の前記作成が、突然変位、乗換えまたはそれらの組み合わせを通じて起こり、ｉ個の染色体のみがいずれか１つの突然変異または乗換え中に影響され、ｉは２からｎ−１の値を有する、請求項２８に記載のセンサのネットワーク。
42. ｉは２の値を有する、請求項２８に記載のセンサのネットワーク。
43. （Ａ）センサの数Ｎと、
    （Ｂ）前記Ｎ個のセンサをコントロールかつ管理することができるコントローラとを含み、前記コントローラは、目標を追跡するためにセンサネットワークからセンサを、１つの方法を実行することによって選択し、この方法は、
    （ｉ）各染色体は１つのセンサを表現する、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップと、
    （ｉｉ）追跡の所望の属性に基づいて適応関数を定義するステップと、
    （ｉｉｉ）初期集団に含めるための１つまたは複数の前記個体を選択するステップと、
    （ｉｖ）遺伝的アルゴリズムを前記集団において、定義された集束基準が満たされるまで実行するステップであって、前記遺伝的アルゴリズムの実行は、
    （ａ）最も適応度の高い個体を前記集団から選択するステップと、
    （ｂ）前記最も適応度の高い個体から子孫を作成するステップであって、前記子孫の前記作成は突然変異のみを通じて起こり、ｉ個の染色体のみがいずれか１つの突然変異中に突然変異され、ｉは２からｎ−１の値を有するステップとを含むステップとを含み、さらに、
    （Ｃ）前記個々のセンサおよび前記コントローラが通信する手段を含む、
    対象を追跡するためのセンサのネットワーク。
44. 前記センサを表現する前記染色体は、前記センサの２進または実数識別を含む、請求項４３に記載のセンサのネットワーク。
45. 個体を、ｎ個の染色体を含むものとして定義するステップをさらに含み、ｎは、前記目標を追跡するために必要なセンサの数に、追跡される前記目標の数を掛けたものである、請求項４３に記載のセンサのネットワーク。
46. ステップ（ｉｉ）の前記所望の属性は最小電力消費を含む、請求項４３に記載のセンサのネットワーク。
47. ステップ（ｉｉ）の前記所望の属性は最小追跡エラーを含む、請求項４３に記載のセンサのネットワーク。
48. ステップ（ｉｉ）の前記所望の属性は最小電力消費および最小追跡エラーを含む、請求項４３に記載のセンサのネットワーク。
49. ステップ（ｉｉ）の前記適応関数は以下の公式を含み、
    

    

    Ｅ_i（ｉ＝１，２，．．．，ｋ）は、ｉ番目の目標を追跡についての推定位置エラーであり、Ｐ_j（ｊ＝１，２，．．．，ｍ）はｊ番目のセンサの電力消費値であり、ｋは目標の数であり、ｍは選択されたセンサの総数であり、ｗ₁およびｗ₂は２つの重み定数である、請求項４８に記載のセンサのネットワーク。
50. ステップ（ｃ）における前記個体の前記初期選択がランダム法によって実施される、請求項４３に記載のセンサのネットワーク。
51. ステップ（ｄ）の前記集束基準は、指定された数の世代を含む、請求項４３に記載のセンサのネットワーク。
52. ステップ（ｄ）の前記集束基準は、その後で前記集団における最も適応度の高い個体において改善が見られない、指定された数の世代を含む、請求項４３に記載のセンサのネットワーク。
53. ｉは２の値を有する、請求項４３に記載のセンサのネットワーク。
54. （Ａ）センサの数Ｎと、
    （Ｂ）前記Ｎ個のセンサをコントロールかつ管理することができるコントローラとを含み、前記コントローラは、目標を追跡するためにセンサネットワークからセンサを、１つの方法を実行することによって選択し、この方法は、
    （ｉ）各染色体は１つのセンサを表現し、ｎ＝ｋ＊ｙであり、ただしｋは、追跡される目標の数であり、ｙは、１つの目標を追跡するために必要とされたセンサの数である、ｎ個の染色体を有する遺伝的アルゴリズム構成の個体を定義するステップと、
    （ｉｉ）前記センサの電力消費および前記センサによって行われた追跡エラーに基づいて、適応関数を定義するステップと、
    （ｉｉｉ）初期集団に含めるための１つまたは複数の前記個体をランダムに選択するステップと、
    （ｉｖ）遺伝的アルゴリズムを前記初期集団において、定義された集束基準が満たされるまで実行するステップであって、前記集束基準は前記遺伝的アルゴリズムにおいて反復された世代の数に基づいており、前記遺伝的アルゴリズムの実行は、
    （ａ）前記適応関数に基づいて、最も適応度の高い個体を前記集団から選択するステップと、
    （ｂ）前記最も適応度の高い個体から子孫を作成するステップであって、前記子孫の前記作成は突然変異のみを通じて起こり、２個の染色体のみがいずれか１つの突然変異中に突然変異されるステップとを含むステップと、
    （ｖ）前記個体に基づいて、前記定義された集束基準が満たされる時間に存在する集団を含む、センサを選択するステップとを含み、さらに、
    （Ｃ）前記個々のセンサおよび前記コントローラが通信する手段を含む、
    対象を追跡するためのセンサのネットワーク。

Images