(重慶工商大學(xué)融智學(xué)院大數(shù)據(jù)研究所，重慶 401320)

0 引言

傳感器管理是數(shù)據(jù)融合[1]的反饋環(huán)節(jié)，包括多傳感器提示和傳感器控制兩個(gè)方面，主要解決多個(gè)傳感器探測(cè)(包括檢測(cè)、識(shí)別、跟蹤)多個(gè)目標(biāo)時(shí)的資源調(diào)度問(wèn)題[2]。傳感器管理具有集中式、分散式和混合式三種結(jié)構(gòu)[3]，管理機(jī)制有基于英式拍賣協(xié)商協(xié)議的傳感器管理機(jī)制[4]，管理方法有決策論、信息論、規(guī)劃論等多種[5]，管理理念上引進(jìn)動(dòng)態(tài)聯(lián)盟的思想[6]，其最終目的是確定多目標(biāo)多傳感器分配方案并根據(jù)戰(zhàn)場(chǎng)態(tài)勢(shì)實(shí)時(shí)調(diào)整，以達(dá)到傳感器網(wǎng)絡(luò)的最佳探測(cè)效能。在傳感器管理方法方面：文獻(xiàn)[7]介紹了一種基于能量感知的傳感器節(jié)點(diǎn)選擇算法，參考傳感器節(jié)點(diǎn)的信息效用、通信能耗和剩余能量進(jìn)行傳感器分配。文獻(xiàn)[8]提出了一個(gè)帶整數(shù)線性規(guī)劃的多項(xiàng)式時(shí)間三階段啟發(fā)式算法來(lái)求取傳感器分配方案。文獻(xiàn)[9]建立了傳感器提示過(guò)程中無(wú)線傳感器的能耗模型，提出了一種蝙蝠算法優(yōu)化神經(jīng)網(wǎng)絡(luò)算法。文獻(xiàn)[10]提出一種利用目標(biāo)戰(zhàn)術(shù)重要性函數(shù)量化求解目標(biāo)優(yōu)先級(jí)的方法。文獻(xiàn)[11]研究三目標(biāo)任務(wù)分配問(wèn)題，基于0-1非線性規(guī)劃理論建立代價(jià)函數(shù)，用離散粒子群優(yōu)化算法求解傳感器分配方案。

上述模型存在兩方面缺點(diǎn)：一是在研究傳感器管理時(shí)，對(duì)傳感器的實(shí)時(shí)性探測(cè)跟蹤問(wèn)題考慮較少，僅僅研究靜態(tài)的傳感器分配問(wèn)題而不結(jié)合動(dòng)態(tài)需求；二是傳感器管理過(guò)程中僅僅考慮分配方案綜合效能的高低，而不考慮是否滿足單個(gè)目標(biāo)的探測(cè)精度和能耗需求。本文針對(duì)此問(wèn)題，提出了基于搜索引擎結(jié)構(gòu)模型的傳感器管理機(jī)制，用改進(jìn)人工狼群算法在此機(jī)制下求解多傳感器對(duì)多目標(biāo)跟蹤聯(lián)盟方案。

1 多傳感器管理機(jī)制

傳感器管理的開展是建立在對(duì)傳感器網(wǎng)絡(luò)中的傳感器信息已知和對(duì)來(lái)襲目標(biāo)信息進(jìn)行了一定預(yù)判的條件下進(jìn)行的。當(dāng)傳感器網(wǎng)絡(luò)同時(shí)對(duì)多個(gè)目標(biāo)進(jìn)行跟蹤時(shí)，由于傳感器資源有限和沒(méi)必要對(duì)威脅度低的目標(biāo)保持較高跟蹤精度，對(duì)目標(biāo)的跟蹤精度并不是越高越好[12]。在此提出一種基于搜索引擎結(jié)構(gòu)模型的多傳感器管理機(jī)制，在滿足對(duì)目標(biāo)的跟蹤精度需求和能耗需求的條件下，尋找適應(yīng)度最佳的傳感器跟蹤聯(lián)盟方案。

1.1 搜索引擎結(jié)構(gòu)模型

搜索引擎一般定義為：以信息檢索的方式尋找網(wǎng)絡(luò)中用戶所需信息資源的數(shù)據(jù)庫(kù)服務(wù)系統(tǒng)[13]，基本結(jié)構(gòu)如圖1所示。

各部分名稱及其功能：

搜集器：搜集、整理并向數(shù)據(jù)庫(kù)上傳信息；

搜集端數(shù)據(jù)庫(kù)：接收并保存搜集器上傳的信息，向挖掘器提供參考信息；

分析器：分析查找用戶所需信息，并向索引器上傳信息；

索引器：接收分析器上傳的信息，分析整理好的數(shù)據(jù)，建立索引，并向檢索端數(shù)據(jù)庫(kù)上傳信息；

檢索端數(shù)據(jù)庫(kù)：接收索引器上傳的信息，保存與檢索相關(guān)的信息；

檢索器：接受用戶請(qǐng)求，對(duì)用戶的檢索請(qǐng)求作出響應(yīng)；

挖掘器：提取和分析用戶檢索信息，提高用戶檢索效率；

用戶信息庫(kù)：記錄有關(guān)用戶檢索的信息。

1.2 多傳感器管理結(jié)構(gòu)

基于搜索引擎模型的傳感器管理機(jī)制如圖2所示。

搜集器：搜集有關(guān)傳感器網(wǎng)絡(luò)和目標(biāo)的信息，包括傳感器類型、位置和性能等，以及目標(biāo)屬性、速度、類型等，將搜集到的信息上傳給傳感器信息數(shù)據(jù)庫(kù)和目標(biāo)信息數(shù)據(jù)庫(kù)；

傳感器信息數(shù)據(jù)庫(kù)：接收、整理并保存搜集器搜集的關(guān)于傳感器網(wǎng)絡(luò)的信息；

目標(biāo)信息數(shù)據(jù)庫(kù)：接收、整理并保存搜集器搜集的關(guān)于來(lái)襲目標(biāo)的信息；

分析器：對(duì)分配多傳感器，建立分配方案，將分配方案上傳給分配方案數(shù)據(jù)庫(kù)；

索引器：根據(jù)給定的分配方案評(píng)價(jià)方法，計(jì)算各個(gè)分配方案的評(píng)價(jià)指標(biāo)值，并把該評(píng)價(jià)指標(biāo)值作為索引上傳到索引數(shù)據(jù)庫(kù)；

檢索端數(shù)據(jù)庫(kù)：接收、整理并保存索引器上報(bào)的索引；

檢索器：對(duì)用戶的檢索請(qǐng)求作出響應(yīng)，搜索檢索端數(shù)據(jù)庫(kù)為用戶提供傳感器管理方案；

用戶界面：輸入對(duì)目標(biāo)的跟蹤精度和能耗需求，顯示傳感器分配結(jié)果。

1.3 傳感器管理流程

傳感器網(wǎng)絡(luò)中共有個(gè)m傳感器，某時(shí)刻有目標(biāo)t來(lái)襲。當(dāng)各數(shù)據(jù)庫(kù)建立完成后，開始對(duì)傳感器資源進(jìn)行管理并組建針對(duì)該目標(biāo)跟蹤任務(wù)的動(dòng)態(tài)聯(lián)盟。

在對(duì)多目標(biāo)建立傳感器跟蹤聯(lián)盟過(guò)程中，對(duì)目標(biāo)t提出跟蹤精度需求α和能耗需求β，然后建立傳感器跟蹤聯(lián)盟，傳感器初步聯(lián)盟方案為以下幾種類型：

①不存在滿足目標(biāo)跟蹤精度需求或能耗需求的傳感器跟蹤聯(lián)盟方案；

②不存在滿足目標(biāo)能耗需求的傳感器跟蹤聯(lián)盟方案，而存在滿足目標(biāo)跟蹤精度需求的方案。

③存在滿足目標(biāo)跟蹤精度需求的傳感器跟蹤聯(lián)盟方案，而不存在滿足目標(biāo)能耗需求的方案。

④存在同時(shí)滿足目標(biāo)的跟蹤精度需求和能耗需求的傳感器跟蹤聯(lián)盟方案。

在此，根據(jù)作戰(zhàn)態(tài)勢(shì)把傳感器對(duì)目標(biāo)的跟蹤任務(wù)類型type分為三類：

A類：執(zhí)行此類任務(wù)時(shí)傳感器資源充足，對(duì)目標(biāo)的探測(cè)跟蹤任務(wù)緊急，以保證對(duì)目標(biāo)的跟蹤精度需求為主導(dǎo)地位。當(dāng)滿足①和②時(shí)，優(yōu)先提高能耗需求以保證跟蹤精度需求。當(dāng)所有傳感器均加入到對(duì)該目標(biāo)的跟蹤聯(lián)盟依舊滿足不了對(duì)該目標(biāo)的跟蹤精度需求時(shí)，降低跟蹤精度需求；

B類：執(zhí)行此類任務(wù)時(shí)傳感器資源緊缺，對(duì)目標(biāo)的探測(cè)跟蹤任務(wù)不緊急，以節(jié)省傳感器資源為主導(dǎo)地位。當(dāng)滿足條件①和③時(shí)，優(yōu)先降低跟蹤精度需求以滿足能耗需求；

C類：執(zhí)行此類任務(wù)時(shí)傳感器資源較為充足，對(duì)目標(biāo)的探測(cè)跟蹤任務(wù)不緊急，保證對(duì)目標(biāo)的跟蹤精度和節(jié)省傳感器資源占據(jù)幾乎同等重要地位，當(dāng)滿足條件①時(shí)任意降低跟蹤精度需求和提高能耗需求，當(dāng)滿足②時(shí)降低跟蹤精度需求，當(dāng)滿足③時(shí)降低能耗需求。

若A、B、C三類初步聯(lián)盟方案滿足條件④且傳感器跟蹤聯(lián)盟方案僅有一種，則選擇該方案為最終聯(lián)盟方案；若不止一種，則采用適應(yīng)度最佳原則，選擇適應(yīng)度最佳的聯(lián)盟方案作為對(duì)目標(biāo)t的最終跟蹤聯(lián)盟方案。設(shè)同時(shí)滿足目標(biāo)t跟蹤精度需求和能耗需求的聯(lián)盟方案共K種，第k種方案Xk的適應(yīng)度計(jì)算公式為：

(1)

式中，傳感器分配方案Xk共m個(gè)元素，取值為0或1，有：

(2)

其中，pi為傳感器si對(duì)目標(biāo)t的跟蹤精度；ci為傳感器si對(duì)目標(biāo)t跟蹤時(shí)消耗的傳感器資源。

針對(duì)目標(biāo)t建立傳感器跟蹤聯(lián)盟，其傳感器管理流程如圖3所示。

對(duì)目標(biāo)t建立傳感器跟蹤聯(lián)盟步驟為：

步驟1：聯(lián)盟組建開始；

步驟2：對(duì)該目標(biāo)提出并向用戶界面輸入跟蹤精度需求α和能耗需求β,并確定任務(wù)種類type(A、B、C)；

步驟3：檢索器對(duì)數(shù)據(jù)庫(kù)進(jìn)行檢索；

步驟4：若滿足跟蹤精度需求和能耗需求的傳感器跟蹤聯(lián)盟方案有且僅有一種，則輸出該方案，顯示器顯示該方案，跳到步驟7；

步驟5：若滿足跟蹤精度需求和能耗需求且傳感器跟蹤聯(lián)盟方案有多種，則按照適應(yīng)度最佳原則，選擇適應(yīng)度最佳的方案輸出，顯示器顯示該方案，跳到步驟7；

步驟6：若沒(méi)有同時(shí)滿足跟蹤精度需求和能耗需求的傳感器跟蹤聯(lián)盟方案，按照任務(wù)類型type執(zhí)行相應(yīng)操作；

步驟7：回到步驟1。

步驟8：聯(lián)盟組建結(jié)束。

2 多傳感器跟蹤聯(lián)盟模型

2.1 基本模型

傳感器網(wǎng)絡(luò)中共有個(gè)m傳感器，某時(shí)刻共有n個(gè)目標(biāo)來(lái)襲。

設(shè)多傳感器聯(lián)盟方案X為一個(gè)m×n階的0-1矩陣，有：

(3)

傳感器對(duì)目標(biāo)的探測(cè)精度P為一個(gè)m×n階矩陣，其中pij為傳感器si對(duì)目標(biāo)tj的探測(cè)精度。

傳感器si對(duì)目標(biāo)tj探測(cè)能力pij由式(4)計(jì)算得出。

pij=(nij×tij)/(N×T)

(4)

式中，nij表示si對(duì)tj探測(cè)到的特征個(gè)數(shù)，tij表示si探測(cè)到tj的有效時(shí)間，N表示所需探測(cè)tj的總特征個(gè)數(shù)，T表示tj在傳感器網(wǎng)絡(luò)中飛行的總時(shí)間。

多傳感器聯(lián)盟X對(duì)目標(biāo)tj探測(cè)精度為：

(5)

式中，Pj為聯(lián)盟方案對(duì)目標(biāo)tj的探測(cè)精度。

傳感器si重要級(jí)importanti表征該傳感器在傳感器網(wǎng)絡(luò)中的重要程度，其值大小采用歸一化后的值。當(dāng)占用該傳感器時(shí)，能耗值costi為：

costi=importanti/Ni

(6)

式中，Ni為傳感器si可同時(shí)探測(cè)目標(biāo)個(gè)數(shù)，即傳感器探測(cè)能力。

多傳感器聯(lián)盟X探測(cè)目標(biāo)tj的能耗為：

(7)

式中，Cj為聯(lián)盟方案對(duì)目標(biāo)tj探測(cè)時(shí)的能耗值。

在組建聯(lián)盟過(guò)程中，應(yīng)使聯(lián)盟方案X對(duì)所有目標(biāo)的總探測(cè)精度P最大和總能耗C最小。因此有目標(biāo)函數(shù)：

(8)

(9)

本文討論的情況傳感器可同時(shí)對(duì)多個(gè)目標(biāo)進(jìn)行探測(cè)，但傳感器si實(shí)際同時(shí)探測(cè)的目標(biāo)個(gè)數(shù)ni不能超過(guò)其可同時(shí)探測(cè)的最多目標(biāo)個(gè)數(shù)Ni。在傳感器分配過(guò)程中，針對(duì)目標(biāo)tj組建的多傳感器聯(lián)盟中傳感器個(gè)數(shù)nj不能為0。因此有約束條件：

ni≤Ni

(10)

nj≥0

(11)

式中，ni為傳感器si實(shí)際探測(cè)目標(biāo)個(gè)數(shù)，nj為針對(duì)目標(biāo)tj組建的探測(cè)聯(lián)盟中的傳感器個(gè)數(shù)。

多傳感器聯(lián)盟X的適應(yīng)度F(X)表征該傳感器方案優(yōu)劣程度。F(X)應(yīng)與系統(tǒng)總能耗成反比，與系統(tǒng)總探測(cè)精度成正比，因此有以下基本計(jì)算公式：

F(X)=P/C

(12)

若采用此種方法計(jì)算適應(yīng)度值，作為評(píng)判聯(lián)盟方案的依據(jù)，容易選擇以下兩種存在問(wèn)題的方案作為分配結(jié)果：

1)適應(yīng)度值較高可能是由于能耗過(guò)小造成的，不一定能夠保證對(duì)目標(biāo)的探測(cè)精度需求；

2)適應(yīng)度值較高可能是由于探測(cè)精度過(guò)高造成的，不一定能夠保證對(duì)目標(biāo)的能耗需求。

針對(duì)此問(wèn)題，并考慮目標(biāo)tj對(duì)我方的威脅度Rj，傳感器分配方案X的適應(yīng)度值大小的可用下式計(jì)算：

(13)

式中，αj和βj分別為給定的對(duì)目標(biāo)tj的最低探測(cè)精度和最高能耗。

由式(13)可知，只有當(dāng)Pj>αj且Cj<βj時(shí)，該式才成立，因此使用該式所為適應(yīng)度函數(shù)時(shí)能夠保證求得的最終多傳感器聯(lián)盟方案滿足對(duì)每個(gè)目標(biāo)的探測(cè)精度要求和能耗需求。

2.2 求解方法

在基于搜索引擎模型的傳感器管理機(jī)制中，檢索器采用改進(jìn)人工狼群搜索算法(多傳感器跟蹤聯(lián)盟方案求解算法)檢索傳感器分配方案。人工狼群算法是2007年Yang等人模擬狼群捕食行為提出的一種智能尋優(yōu)算法，具有較好的全局收斂性和計(jì)算魯棒性[14]。在人工狼群算法中，存在探狼、頭狼、猛狼3種分工，游走、召喚、圍攻3種智能行為，及“勝者為王”頭狼產(chǎn)生機(jī)制和“強(qiáng)者生存”的狼群更新機(jī)制[15-16]，其關(guān)系如圖4所示。

文獻(xiàn)[14]介紹的基本人工狼群算法存在求解精度不高和易陷入局部最優(yōu)的問(wèn)題，在此對(duì)其進(jìn)行改進(jìn)，提出改進(jìn)人工狼群算法。

在基本人工狼群算法中，進(jìn)行尋優(yōu)的狼群只有一個(gè)，當(dāng)頭狼對(duì)猛狼進(jìn)行召喚時(shí)，無(wú)論猛狼與該頭狼距離遠(yuǎn)、近，都向該只狼群靠攏。在改進(jìn)人工狼群算法中采取N0個(gè)狼群同時(shí)搜索的策略，算法初始化和狼群更新時(shí)選取適應(yīng)度排名較高的前N0個(gè)狼作為頭狼，按照距離最近原則把N1只猛狼分成N0類，探狼只接受距離它最近的頭狼召喚，并向其移動(dòng)。采用改進(jìn)后的人工狼群算法，一方面可以提高算法的全局搜索能力，另一方面還能縮短猛狼向頭狼方向移動(dòng)的時(shí)間，提高算法收斂速度。

設(shè)N個(gè)0-1矩陣X1,X2，…，XN為算法初始化過(guò)程中N個(gè)探狼對(duì)應(yīng)傳感器跟蹤聯(lián)盟方案，探狼Xt和Xr之間的距離采用曼哈頓距離：

(14)

應(yīng)用改進(jìn)人工狼群算法解決多傳感器跟蹤聯(lián)盟問(wèn)題，算法步驟如圖5所示。

3 仿真實(shí)驗(yàn)與結(jié)果分析

假設(shè)一傳感器網(wǎng)絡(luò)由6個(gè)傳感器構(gòu)成，某一時(shí)刻共有5個(gè)目標(biāo)來(lái)襲。傳感器對(duì)目標(biāo)的探測(cè)能力見表1。

表1 傳感器對(duì)目標(biāo)跟蹤精度表Tab.1 Tracking precision of sensors to targets

在仿真實(shí)驗(yàn)過(guò)程中，狼群個(gè)數(shù)N0，探狼個(gè)數(shù)N，猛狼個(gè)數(shù)N1和循環(huán)次數(shù)k越大，算法收斂速度越慢，運(yùn)行時(shí)間越長(zhǎng)，但全局搜索能力越強(qiáng)結(jié)果精度越高；狼群個(gè)數(shù)N0，探狼個(gè)數(shù)N，猛狼個(gè)數(shù)N1和循環(huán)次數(shù)k越小，算法收斂速度越快，運(yùn)行時(shí)間越短，但全局搜索能力越弱，結(jié)果精度越高。經(jīng)過(guò)多次實(shí)驗(yàn)，四個(gè)參數(shù)可取如下值，既能保證較強(qiáng)的全局搜索能力，又能取得較為理想的算法運(yùn)行時(shí)間：取狼群個(gè)數(shù)N0=3，探狼個(gè)數(shù)N=10，猛狼個(gè)數(shù)N1=30，循環(huán)次數(shù)k=50。

3.1 針對(duì)單目標(biāo)的傳感器跟蹤聯(lián)盟組建過(guò)程

當(dāng)僅考慮單目標(biāo)t1來(lái)襲時(shí)，對(duì)目標(biāo)t1提出的跟蹤精度需求和能耗需求：跟蹤精度下限α1=0.98，能耗上限β1=0.02。

任務(wù)類型type=A時(shí)，傳感器網(wǎng)絡(luò)對(duì)該目標(biāo)建立跟蹤聯(lián)盟的過(guò)程如表2所示。

表2 傳感器跟蹤聯(lián)盟建立過(guò)程(type=A)Tab.2 The process of building multi-sensor tracking coalition(type=A)

任務(wù)類型type=B時(shí)，傳感器網(wǎng)絡(luò)對(duì)該目標(biāo)建立跟蹤聯(lián)盟的過(guò)程如表3所示。

表3 傳感器跟蹤聯(lián)盟建立過(guò)程(type=B)Tab.3 The process of building multi-sensor tracking coalition(type=B)

任務(wù)類型type=C時(shí)，傳感器網(wǎng)絡(luò)對(duì)該目標(biāo)建立跟蹤聯(lián)盟的過(guò)程如表4所示。

任務(wù)類型不同時(shí)所得聯(lián)盟方案的實(shí)際跟蹤精度和能耗變化對(duì)比如圖6所示。

表4 傳感器跟蹤聯(lián)盟建立過(guò)程(type=C)Tab.4 The process of building multi-sensor tracking coalition(type=C)

3.2 針對(duì)多目標(biāo)的傳感器跟蹤聯(lián)盟方案

當(dāng)對(duì)目標(biāo)t1，目標(biāo)t2，目標(biāo)t2，目標(biāo)t4，目標(biāo)t5的跟蹤精度下限分別為：0.80，0.85，0.85，0.61，0.75，能耗上限分別為：0.15，0.16，0.15，0.12，0.10時(shí)，采用基本人工狼群算法與改進(jìn)狼群算法計(jì)算最佳適應(yīng)度，分別進(jìn)行100次試驗(yàn)并取平均值，其結(jié)果曲線變化如圖7所示。

由圖7可知，采用基本人工狼群算法和改進(jìn)人工狼群算法都能夠有效得到傳感器跟蹤聯(lián)盟方案。但基本人工狼群算法在計(jì)算34次后收斂，得到的聯(lián)盟方案的適應(yīng)度為3.563，改進(jìn)人工狼群算法在計(jì)算13次后收斂，得到的聯(lián)盟方案的適應(yīng)度為3.969。人工狼群算法在改進(jìn)后，算法在尋優(yōu)過(guò)程中更易跳出局部最優(yōu)解，且收斂速度有所提高，尋優(yōu)能力增強(qiáng)。

表5 傳感器跟蹤聯(lián)盟方案Tab.5 The multi-sensor tracking collation scheme

人工狼群算法在改進(jìn)后尋優(yōu)能力增強(qiáng)的原因：一方面增加了狼群個(gè)數(shù)，算法的全局搜索能力增強(qiáng)，使得在計(jì)算過(guò)程中更易跳出局部最優(yōu)解；另一方面，猛狼只接受離其最近的頭狼的召喚并向其靠攏，算法的收斂速度有所提高。

3.3 模型改進(jìn)前后對(duì)比

當(dāng)對(duì)目標(biāo)t1，目標(biāo)t2，目標(biāo)t2，目標(biāo)t4，目標(biāo)t5的跟蹤精度下限分別為：0.80，0.85，0.85，0.61，0.75，能耗上限分別為：0.15，0.16，0.15，0.12，0.10時(shí)，應(yīng)用改進(jìn)狼群算法計(jì)算最佳適應(yīng)度，分別進(jìn)行100次試驗(yàn)并取平均值，其結(jié)果曲線變化如圖8所示。

由圖8可知，當(dāng)限定對(duì)目標(biāo)的跟蹤精度下限和能耗上限時(shí)，與不限定對(duì)目標(biāo)的跟蹤精度下限和能耗上限相比，收斂速度有所提高，但得到的傳感器跟蹤聯(lián)盟方案的適應(yīng)度降低。不限定對(duì)目標(biāo)的跟蹤精度下限和能耗上限時(shí)，雖能得到適應(yīng)度較高的傳感器跟蹤聯(lián)盟方案，但一味追求較高的適應(yīng)度而不能保證對(duì)每個(gè)傳感器的跟蹤精度需求和能耗需求。例如，得到的方案中，對(duì)目標(biāo)t1的跟蹤任務(wù)僅由傳感器s5完成，對(duì)目標(biāo)t1的跟蹤精度為0.632 4，沒(méi)有達(dá)到要求的跟蹤精度下限0.80，從這一角度來(lái)說(shuō)，并沒(méi)有完成對(duì)目標(biāo)t1的跟蹤任務(wù)。

表6 傳感器跟蹤聯(lián)盟方案Tab.6 The collation scheme

限定對(duì)目標(biāo)的跟蹤精度下限和能耗上限與不限定對(duì)目標(biāo)的跟蹤精度下限和能耗上限相比，收斂速度有所提高的原因是，符合算法尋優(yōu)條件的可行解個(gè)數(shù)較少，搜索范圍降低，故在較短時(shí)間內(nèi)就能找到最佳聯(lián)盟方案；分配方案適應(yīng)度降低的原因是，由于限制了對(duì)目標(biāo)的跟蹤精度和能耗，對(duì)目標(biāo)的跟蹤效果較為苛刻，必然以犧牲聯(lián)盟方案的適應(yīng)度為代價(jià)。

4 結(jié)論

本文提出了基于搜索引擎結(jié)構(gòu)的多傳感器管理機(jī)制。該機(jī)制以對(duì)單目標(biāo)的跟蹤精度需求和能耗需求為關(guān)鍵詞搜索傳感器跟蹤聯(lián)盟方案，并介紹了以該機(jī)制為基礎(chǔ)的傳感器網(wǎng)絡(luò)對(duì)目標(biāo)建立跟蹤聯(lián)盟方案的過(guò)程。建立了在多目標(biāo)來(lái)襲的情況下考慮目標(biāo)跟蹤精度需求和能耗需求的傳感器跟蹤聯(lián)盟模型，繼而提出檢索器檢索傳感器跟蹤聯(lián)盟方案的改進(jìn)人工狼群算法。仿真結(jié)果表明，采用基于搜索引擎結(jié)構(gòu)的多傳感器管理機(jī)制，以改進(jìn)人工狼群算法作為檢索算法，能夠有效找到既滿足單目標(biāo)跟蹤精度需求和能耗需求，又具有較高適應(yīng)度的傳感器跟蹤聯(lián)盟方案，模型具有合理性，算法具有效性。

[1]LeBlanck, Saffiotti. A multi-robet location: fuzzy fusion approsch[J]. IEEE Transon Systems, Man, and Cybernetics, PartB: Cybernetics,2009,39(5):1259-1276.

[2]Ng G W, Ng K H, Wong L T. Sensor management-control and cue[C]// The 3rd international conference on information fusion, Singapore, 2000.

[3]田康生，朱光喜，徐毓. 基于多代理技術(shù)的傳感器管理系統(tǒng)[J]. 現(xiàn)代雷達(dá)，2004,26(2)：9-14.

[4]樊浩.多傳感器交叉提示技術(shù)及其在目標(biāo)探測(cè)中的應(yīng)用研究[D]. 西安：空軍工程大學(xué)，2012.

[5]劉先省,申石磊,潘泉. 傳感器管理及方法綜述[J]. 電子學(xué)報(bào), 2002(3):394-398.

[6]樊浩，黃樹彩，高美鳳，等.多傳感器交叉提示多目標(biāo)探測(cè)動(dòng)態(tài)聯(lián)盟技術(shù)研究[J].宇航學(xué)報(bào)，2011,32(11)：2380-2386.

[7] KANG H，LI Xiaolin. Power-aware sensor selection in wireless sensor networks[C]//Proc of the 5th International Conference on Information Processing in Sensor Networks.2006.

[8] YU Y,VIKTOR K P. Energy-balanced task allocation for collaborative processing in wireless sensor networks[J].Mobile Networks and Applications, 2005,10(12):115-131.

[9]王華東，王大羽. 蝙蝠算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合[J]. 激光雜志,2015,36(4):164-168.

[10]朱衛(wèi)宵，祝前旺，陳康. 一種基于遺傳算法的多傳感器多目標(biāo)分配方法[J]. 電子信息對(duì)抗技術(shù)，2015,30(3)：30-34.

[11]蔣志強(qiáng)，廖曉峰，劉群. 基于0-1規(guī)劃的異構(gòu)傳感器網(wǎng)絡(luò)任務(wù)分配策略[J]. 計(jì)算機(jī)應(yīng)用，2012，32(4):913-916.

[12]王琳,于雷,寇英信,等. 以任務(wù)需求為驅(qū)動(dòng)的多傳感器資源管理方法[J]. 系統(tǒng)工程與電子技術(shù), 2010, 32(9): 1925-1930.

[13]李紅梅. 智能元搜索引擎關(guān)鍵技術(shù)研究[D]. 西安: 空軍電子科技大學(xué), 2009.

[14] YANG Chenguang，TU Xuyan，CHEN Jie.Algorithm of marriage inhoney bees optimization based on the wolf pack search[C]//Proc of International Conference on Intelligent Pervasive Computing,2007:462-467.

[15]吳虎勝，張鳳鳴，吳廬山. 一種新的群體智能算法——狼群算法[J]. 系統(tǒng)工程與電子技術(shù), 2013, 35(11): 2430-2438.

[16]周強(qiáng), 周永權(quán). 一種基于領(lǐng)導(dǎo)者策略的狼群智能算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2013, 30(9): 2629-2632.