基于搜索引擎結構的多傳感器管理機制

(重慶工商大學融智學院大數據研究所，重慶 401320)

0 引言

傳感器管理是數據融合[1]的反饋環節，包括多傳感器提示和傳感器控制兩個方面，主要解決多個傳感器探測(包括檢測、識別、跟蹤)多個目標時的資源調度問題[2]。傳感器管理具有集中式、分散式和混合式三種結構[3]，管理機制有基于英式拍賣協商協議的傳感器管理機制[4]，管理方法有決策論、信息論、規劃論等多種[5]，管理理念上引進動態聯盟的思想[6]，其最終目的是確定多目標多傳感器分配方案并根據戰場態勢實時調整，以達到傳感器網絡的最佳探測效能。在傳感器管理方法方面：文獻[7]介紹了一種基于能量感知的傳感器節點選擇算法，參考傳感器節點的信息效用、通信能耗和剩余能量進行傳感器分配。文獻[8]提出了一個帶整數線性規劃的多項式時間三階段啟發式算法來求取傳感器分配方案。文獻[9]建立了傳感器提示過程中無線傳感器的能耗模型，提出了一種蝙蝠算法優化神經網絡算法。文獻[10]提出一種利用目標戰術重要性函數量化求解目標優先級的方法。文獻[11]研究三目標任務分配問題，基于0-1非線性規劃理論建立代價函數，用離散粒子群優化算法求解傳感器分配方案。

上述模型存在兩方面缺點：一是在研究傳感器管理時，對傳感器的實時性探測跟蹤問題考慮較少，僅僅研究靜態的傳感器分配問題而不結合動態需求；二是傳感器管理過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目標的探測精度和能耗需求。本文針對此問題，提出了基于搜索引擎結構模型的傳感器管理機制，用改進人工狼群算法在此機制下求解多傳感器對多目標跟蹤聯盟方案。

1 多傳感器管理機制

傳感器管理的開展是建立在對傳感器網絡中的傳感器信息已知和對來襲目標信息進行了一定預判的條件下進行的。當傳感器網絡同時對多個目標進行跟蹤時，由于傳感器資源有限和沒必要對威脅度低的目標保持較高跟蹤精度，對目標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構模型的多傳感器管理機制，在滿足對目標的跟蹤精度需求和能耗需求的條件下，尋找適應度最佳的傳感器跟蹤聯盟方案。

1.1 搜索引擎結構模型

搜索引擎一般定義為：以信息檢索的方式尋找網絡中用戶所需信息資源的數據庫服務系統[13]，基本結構如圖1所示。

各部分名稱及其功能：

搜集器：搜集、整理并向數據庫上傳信息；

搜集端數據庫：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，分析整理好的數據，建立索引，并向檢索端數據庫上傳信息；

檢索端數據庫：接收索引器上傳的信息，保存與檢索相關的信息；

檢索器：接受用戶請求，對用戶的檢索請求作出響應；

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：記錄有關用戶檢索的信息。

1.2 多傳感器管理結構

基于搜索引擎模型的傳感器管理機制如圖2所示。

搜集器：搜集有關傳感器網絡和目標的信息，包括傳感器類型、位置和性能等，以及目標屬性、速度、類型等，將搜集到的信息上傳給傳感器信息數據庫和目標信息數據庫；

傳感器信息數據庫：接收、整理并保存搜集器搜集的關于傳感器網絡的信息；

目標信息數據庫：接收、整理并保存搜集器搜集的關于來襲目標的信息；

分析器：對分配多傳感器，建立分配方案，將分配方案上傳給分配方案數據庫；

索引器：根據給定的分配方案評價方法，計算各個分配方案的評價指標值，并把該評價指標值作為索引上傳到索引數據庫；

檢索端數據庫：接收、整理并保存索引器上報的索引；

檢索器：對用戶的檢索請求作出響應，搜索檢索端數據庫為用戶提供傳感器管理方案；

用戶界面：輸入對目標的跟蹤精度和能耗需求，顯示傳感器分配結果。

1.3 傳感器管理流程

傳感器網絡中共有個m傳感器，某時刻有目標t來襲。當各數據庫建立完成后，開始對傳感器資源進行管理并組建針對該目標跟蹤任務的動態聯盟。

在對多目標建立傳感器跟蹤聯盟過程中，對目標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盟，傳感器初步聯盟方案為以下幾種類型：

①不存在滿足目標跟蹤精度需求或能耗需求的傳感器跟蹤聯盟方案；

②不存在滿足目標能耗需求的傳感器跟蹤聯盟方案，而存在滿足目標跟蹤精度需求的方案。

③存在滿足目標跟蹤精度需求的傳感器跟蹤聯盟方案，而不存在滿足目標能耗需求的方案。

④存在同時滿足目標的跟蹤精度需求和能耗需求的傳感器跟蹤聯盟方案。

在此，根據作戰態勢把傳感器對目標的跟蹤任務類型type分為三類：

A類：執行此類任務時傳感器資源充足，對目標的探測跟蹤任務緊急，以保證對目標的跟蹤精度需求為主導地位。當滿足①和②時，優先提高能耗需求以保證跟蹤精度需求。當所有傳感器均加入到對該目標的跟蹤聯盟依舊滿足不了對該目標的跟蹤精度需求時，降低跟蹤精度需求；

B類：執行此類任務時傳感器資源緊缺，對目標的探測跟蹤任務不緊急，以節省傳感器資源為主導地位。當滿足條件①和③時，優先降低跟蹤精度需求以滿足能耗需求；

C類：執行此類任務時傳感器資源較為充足，對目標的探測跟蹤任務不緊急，保證對目標的跟蹤精度和節省傳感器資源占據幾乎同等重要地位，當滿足條件①時任意降低跟蹤精度需求和提高能耗需求，當滿足②時降低跟蹤精度需求，當滿足③時降低能耗需求。

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

(1)

式中，傳感器分配方案Xk共m個元素，取值為0或1，有：

(2)

其中，pi為傳感器si對目標t的跟蹤精度；ci為傳感器si對目標t跟蹤時消耗的傳感器資源。

針對目標t建立傳感器跟蹤聯盟，其傳感器管理流程如圖3所示。

對目標t建立傳感器跟蹤聯盟步驟為：

步驟1：聯盟組建開始；

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

步驟3：檢索器對數據庫進行檢索；

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盟方案有多種，則按照適應度最佳原則，選擇適應度最佳的方案輸出，顯示器顯示該方案，跳到步驟7；

步驟6：若沒有同時滿足跟蹤精度需求和能耗需求的傳感器跟蹤聯盟方案，按照任務類型type執行相應操作；

步驟7：回到步驟1。

步驟8：聯盟組建結束。

2 多傳感器跟蹤聯盟模型

2.1 基本模型

傳感器網絡中共有個m傳感器，某時刻共有n個目標來襲。

設多傳感器聯盟方案X為一個m×n階的0-1矩陣，有：

(3)

傳感器對目標的探測精度P為一個m×n階矩陣，其中pij為傳感器si對目標tj的探測精度。

傳感器si對目標tj探測能力pij由式(4)計算得出。

pij=(nij×tij)/(N×T)

(4)

式中，nij表示si對tj探測到的特征個數，tij表示si探測到tj的有效時間，N表示所需探測tj的總特征個數，T表示tj在傳感器網絡中飛行的總時間。

多傳感器聯盟X對目標tj探測精度為：

(5)

式中，Pj為聯盟方案對目標tj的探測精度。

傳感器si重要級importanti表征該傳感器在傳感器網絡中的重要程度，其值大小采用歸一化后的值。當占用該傳感器時，能耗值costi為：

costi=importanti/Ni

(6)

式中，Ni為傳感器si可同時探測目標個數，即傳感器探測能力。

多傳感器聯盟X探測目標tj的能耗為：

(7)

式中，Cj為聯盟方案對目標tj探測時的能耗值。

在組建聯盟過程中，應使聯盟方案X對所有目標的總探測精度P最大和總能耗C最小。因此有目標函數：

(8)

(9)

本文討論的情況傳感器可同時對多個目標進行探測，但傳感器si實際同時探測的目標個數ni不能超過其可同時探測的最多目標個數Ni。在傳感器分配過程中，針對目標tj組建的多傳感器聯盟中傳感器個數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實際探測目標個數，nj為針對目標tj組建的探測聯盟中的傳感器個數。

多傳感器聯盟X的適應度F(X)表征該傳感器方案優劣程度。F(X)應與系統總能耗成反比，與系統總探測精度成正比，因此有以下基本計算公式：

F(X)=P/C

(12)

若采用此種方法計算適應度值，作為評判聯盟方案的依據，容易選擇以下兩種存在問題的方案作為分配結果：

1)適應度值較高可能是由于能耗過小造成的，不一定能夠保證對目標的探測精度需求；

2)適應度值較高可能是由于探測精度過高造成的，不一定能夠保證對目標的能耗需求。

針對此問題，并考慮目標tj對我方的威脅度Rj，傳感器分配方案X的適應度值大小的可用下式計算：

(13)

式中，αj和βj分別為給定的對目標tj的最低探測精度和最高能耗。

由式(13)可知，只有當Pj>αj且Cj<βj時，該式才成立，因此使用該式所為適應度函數時能夠保證求得的最終多傳感器聯盟方案滿足對每個目標的探測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制中，檢索器采用改進人工狼群搜索算法(多傳感器跟蹤聯盟方案求解算法)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算法，具有較好的全局收斂性和計算魯棒性[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”頭狼產生機制和“強者生存”的狼群更新機制[15-16]，其關系如圖4所示。

文獻[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的問題，在此對其進行改進，提出改進人工狼群算法。

在基本人工狼群算法中，進行尋優的狼群只有一個，當頭狼對猛狼進行召喚時，無論猛狼與該頭狼距離遠、近，都向該只狼群靠攏。在改進人工狼群算法中采取N0個狼群同時搜索的策略，算法初始化和狼群更新時選取適應度排名較高的前N0個狼作為頭狼，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。采用改進后的人工狼群算法，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的時間，提高算法收斂速度。

設N個0-1矩陣X1,X2，…，XN為算法初始化過程中N個探狼對應傳感器跟蹤聯盟方案，探狼Xt和Xr之間的距離采用曼哈頓距離：

(14)

應用改進人工狼群算法解決多傳感器跟蹤聯盟問題，算法步驟如圖5所示。

3 仿真實驗與結果分析

假設一傳感器網絡由6個傳感器構成，某一時刻共有5個目標來襲。傳感器對目標的探測能力見表1。

表1 傳感器對目標跟蹤精度表Tab.1 Tracking precision of sensors to targets

在仿真實驗過程中，狼群個數N0，探狼個數N，猛狼個數N1和循環次數k越大，算法收斂速度越慢，運行時間越長，但全局搜索能力越強結果精度越高；狼群個數N0，探狼個數N，猛狼個數N1和循環次數k越小，算法收斂速度越快，運行時間越短，但全局搜索能力越弱，結果精度越高。經過多次實驗，四個參數可取如下值，既能保證較強的全局搜索能力，又能取得較為理想的算法運行時間：取狼群個數N0=3，探狼個數N=10，猛狼個數N1=30，循環次數k=50。

3.1 針對單目標的傳感器跟蹤聯盟組建過程

當僅考慮單目標t1來襲時，對目標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。

任務類型type=A時，傳感器網絡對該目標建立跟蹤聯盟的過程如表2所示。

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

任務類型type=B時，傳感器網絡對該目標建立跟蹤聯盟的過程如表3所示。

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

任務類型type=C時，傳感器網絡對該目標建立跟蹤聯盟的過程如表4所示。

任務類型不同時所得聯盟方案的實際跟蹤精度和能耗變化對比如圖6所示。

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

3.2 針對多目標的傳感器跟蹤聯盟方案

當對目標t1，目標t2，目標t2，目標t4，目標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，采用基本人工狼群算法與改進狼群算法計算最佳適應度，分別進行100次試驗并取平均值，其結果曲線變化如圖7所示。

由圖7可知，采用基本人工狼群算法和改進人工狼群算法都能夠有效得到傳感器跟蹤聯盟方案。但基本人工狼群算法在計算34次后收斂，得到的聯盟方案的適應度為3.563，改進人工狼群算法在計算13次后收斂，得到的聯盟方案的適應度為3.969。人工狼群算法在改進后，算法在尋優過程中更易跳出局部最優解，且收斂速度有所提高，尋優能力增強。

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

人工狼群算法在改進后尋優能力增強的原因：一方面增加了狼群個數，算法的全局搜索能力增強，使得在計算過程中更易跳出局部最優解；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 模型改進前后對比

當對目標t1，目標t2，目標t2，目標t4，目標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，應用改進狼群算法計算最佳適應度，分別進行100次試驗并取平均值，其結果曲線變化如圖8所示。

由圖8可知，當限定對目標的跟蹤精度下限和能耗上限時，與不限定對目標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盟方案的適應度降低。不限定對目標的跟蹤精度下限和能耗上限時，雖能得到適應度較高的傳感器跟蹤聯盟方案，但一味追求較高的適應度而不能保證對每個傳感器的跟蹤精度需求和能耗需求。例如，得到的方案中，對目標t1的跟蹤任務僅由傳感器s5完成，對目標t1的跟蹤精度為0.632 4，沒有達到要求的跟蹤精度下限0.80，從這一角度來說，并沒有完成對目標t1的跟蹤任務。

表6 傳感器跟蹤聯盟方案Tab.6 The collation scheme

限定對目標的跟蹤精度下限和能耗上限與不限定對目標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，符合算法尋優條件的可行解個數較少，搜索范圍降低，故在較短時間內就能找到最佳聯盟方案；分配方案適應度降低的原因是，由于限制了對目標的跟蹤精度和能耗，對目標的跟蹤效果較為苛刻，必然以犧牲聯盟方案的適應度為代價。

4 結論

本文提出了基于搜索引擎結構的多傳感器管理機制。該機制以對單目標的跟蹤精度需求和能耗需求為關鍵詞搜索傳感器跟蹤聯盟方案，并介紹了以該機制為基礎的傳感器網絡對目標建立跟蹤聯盟方案的過程。建立了在多目標來襲的情況下考慮目標跟蹤精度需求和能耗需求的傳感器跟蹤聯盟模型，繼而提出檢索器檢索傳感器跟蹤聯盟方案的改進人工狼群算法。仿真結果表明，采用基于搜索引擎結構的多傳感器管理機制，以改進人工狼群算法作為檢索算法，能夠有效找到既滿足單目標跟蹤精度需求和能耗需求，又具有較高適應度的傳感器跟蹤聯盟方案，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. 基于多代理技術的傳感器管理系統[J]. 現代雷達，2004,26(2)：9-14.

[4]樊浩.多傳感器交叉提示技術及其在目標探測中的應用研究[D]. 西安：空軍工程大學，2012.

[5]劉先省,申石磊,潘泉. 傳感器管理及方法綜述[J]. 電子學報, 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探測動態聯盟技術研究[J].宇航學報，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. 蝙蝠算法優化神經網絡的無線傳感器網絡數據融合[J]. 激光雜志,2015,36(4):164-168.

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

[11]蔣志強，廖曉峰，劉群. 基于0-1規劃的異構傳感器網絡任務分配策略[J]. 計算機應用，2012，32(4):913-916.

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

[13]李紅梅. 智能元搜索引擎關鍵技術研究[D]. 西安: 空軍電子科技大學, 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]. 系統工程與電子技術, 2013, 35(11): 2430-2438.

[16]周強, 周永權. 一種基于領導者策略的狼群智能算法[J]. 計算機應用研究, 2013, 30(9): 2629-2632.