基于鲸鱼优化算法的层次化传感器部署方法

摘要

本申请提供基于鲸鱼优化算法的层次化传感器部署方法，方法包括初始化传感器组的参数，传感器数量，根据战场环境信息初始化战场网络模型和战场布阵约束矩阵；以最大化有效覆盖率为目标函数对传感器组中的静态传感器进行优化部署，根据鲸鱼优化算法的步骤，迭代得到优化后的静态传感器位置；根据当前战场的环境和态势，以更细致的目标函数来对传感器组中的动态传感器进行优化布站；本申请提供的方法中传感器网络由静态传感器和动态传感器组成。静态传感器级别更高，可以获得所侦察区域的所有动态传感器位置，动态传感器具有移动能力，能够准确的移动至优化后的位置。本方法实现了在复杂战场环境下面对高机动目标仍能准确地获取其目标信息。

权利要求

1.基于鲸鱼优化算法的层次化传感器部署方法，其特征在于，所述方法包括：步骤1、初始化传感器组的参数，传感器数量，根据战场环境信息初始化战场网络模型和战场布阵约束矩阵；

步骤2、以最大化有效覆盖率为目标函数对传感器组中的静态传感器进行优化部署，根据鲸鱼优化算法的步骤，迭代得到优化后的静态传感器位置；

步骤3、根据当前战场的环境和态势，以多传感器优化部署模型来对传感器组中的动态传感器进行优化布站；

步骤4、检测战场环境和态势是否发生变化，判断是否需要优化当前传感器网络的部署，若需要则执行步骤3；

战场网络模型通过以下方法确定：

假设整个传感器探测区域为二维平面，且数字化为L×M的网格；

传感器可以部署在网格中的任一点内，整个探测区域做了正方形分割；

每个传感器覆盖的单元格根据传感器的覆盖范围确定；

战场布站约束矩阵中，将不能布站的区域定义为Aunable，可以布站的区域定义为Aable，则战场地理约束条件表示为：bij∈Aable≠Aunable

目标函数满足的指标包括核心区域覆盖、反隐身能力、避免同频干扰能力、抗干扰能力以及资源利用能力；

目标函数的指标定义为：

(1)核心区域覆盖：核心区域覆盖系数β定义为实际获得的核心探测区域与核心区域Ac的比值，式中N表示传感器的总数，Ai与Ac相交表示第i个传感器实际获得的核心探测区域：(2)反隐身能力：反隐身能力系数α定义为个侦察系统实际获得的责任探测区域与责任区域Ar的比值，式中N表示传感器的总数，Ai与Ar相交表示第i个传感器实际获得的实际获得的责任探测区域：(3)避免同频干扰：为了避免因频率干扰影响系统的探测性能，频率有重叠的传感器不能相距太近，避免同频干扰，因此同频干扰系数θ定义为相邻传感器i与传感器j之间同频干扰的程度，式中N表示传感器的总数，fi表示传感器i的频率范围，fj表示传感器j的频率范围，fi交fj表示两传感器之间的重叠频率：(4)抗干扰能力：抗干扰能力系数μ定义为N部雷达所覆盖的有效责任区域占总责任区域的比重，式中S为给定责任区域，Si为第i部雷达对隐身目标的探测区域；

(5)资源利用能力：资源利用系数η定义为3部以下传感器的覆盖区域与核心区域Ac的比值：为了满足以上5条原则，综合考虑战场地理约束和战术条件限制，运用加权法建立如下的多传感器优化部署模型：

2.根据权利要求1所述的方法，其特征在于，根据当前战场的环境和态势，以更细致的目标函数来对传感器组中的动态传感器进行优化布站，包括:用[(x1，y1)，(x2，y2)，…，(xn，yn)表示鲸鱼个体，其中(xi，yi)为第i个传感器的坐标位置，传感器位于网格中，n为传感器数量；

根据战场中的态势变化来部署传感器；战场中的态势变化包括目标区域出现重点目标，进行重点侦察；或者目标区域的环境出现变化，传感器无法部署或需要撤离；

其中，鲸鱼优化算法的步骤包括：

步骤31，初始化传感器组的参数以及战场环境参数，其中，传感器组的参数包括传感器数量、各传感器最大探测半径、各传感器的检测功率和探测概率；战场环境参数包括战场中需要侦察的区域面积、战场布阵约束矩阵；

步骤32，初始化鲸鱼优化算法的参数，鲸鱼优化算法的参数包括鲸鱼数量、最大迭代次数；

步骤33，根据目标函数，计算种群适应度，找出种群当前的全局最优解的位置；

步骤34，判断随机数P是否小于0.5，若是则执行步骤35；否则根据以下方法进行螺旋式位置更新：步骤35，更新参数A，若|A|<1，则根据式(1)更新鲸鱼位置，否则根据式(2)更新；

步骤36，判断算法是否达到最大迭代次数，若达到则输出全局最优解，即最优各参数和对应各传感器部署的位置坐标；否则执行步骤33进行下一次迭代。

说明书

基于鲸鱼优化算法的层次化传感器部署方法

技术领域

[0001] 本发明属于传感器组网部署领域，特别涉及基于鲸鱼优化算法的层次化传感器部署方法。

背景技术

[0002] 在网络化协同火控系统中，侦察感知网的任务是对作战空间的各种信息进行采集和预处理，把得到的信息融合成一致的战场态势。目前对传感器分配方法的相关研究大都以传感器目标的有效覆盖率、效能因子最大化为目标函数提出的人工智能优化算法，如遗传算法、蚁群算法等，这些算法都是基于效能最大化实现传感器智能分配。

[0003] 当战场中存在高机动目标，战场态势变化的很快，此时的目标函数值也会发生较大变化。若要适应这种快速变化的环境，须不断的优化传感器的位置。而基于各类传感器的特性、用途不同，不停的优化所有传感器的位置，效率低下，且会造成不必要的资源浪费。

发明内容

[0004] 本发明所要解决的技术问题在于提供了一种解决不断变化的战场态势的导致传感器部署优化效率低下，资源浪费的问题。

[0005] 实现本发明的技术方案为，一种基于鲸鱼优化算法的层次化传感器部署方法，包括以下步骤：

[0006] 步骤1、初始化传感器组的参数，传感器数量，根据战场环境信息初始化战场网络模型和战场布阵约束矩阵。

[0007] 步骤2、以最大化有效覆盖率为目标函数对传感器组中的静态传感器进行优化部署，根据鲸鱼优化算法的步骤，迭代得到优化后的静态传感器位置。

[0008] 步骤3、根据当前战场的环境和态势，以多传感器优化部署模型来对传感器组中的动态传感器进行优化布站。

[0009] 步骤4、检测战场环境和态势是否发生变化，判断是否需要优化当前传感器网络的部署，若需要则进行步骤3。

[0010] 可选的，战场网络模型通过以下方法确定：

[0011] 假设整个传感器探测区域为二维平面，且数字化为L×M的网格；

[0012] 传感器可以部署在网格中的任一点内，整个探测区域做了正方形分割；

[0013] 每个传感器覆盖的单元格根据传感器的覆盖范围确定。

[0014] 战场布站约束矩阵中，将不能布站的区域定义为Aunable，可以布站的区域定义为Aable，则战场地理约束条件表示为：

[0015] bij∈Aable≠Aunable。

[0016] 可选的，目标函数满足的指标包括核心区域覆盖、反隐身能力、避免同频干扰能力、抗干扰能力以及资源利用能力。

[0017] 可选的，目标函数的指标定义为：

[0018] (1)核心区域覆盖：核心区域覆盖系数β定义为实际获得的核心探测区域与核心区域Ac的比值，式中N表示传感器的总数，Ai与Ac相交表示第i个传感器实际获得的核心探测区域：

[0019]

[0020] (2)反隐身能力：反隐身能力系数α定义为个侦察系统实际获得的责任探测区域与责任区域Ar的比值，式中N表示传感器的总数，Ai与Ar相交表示第i个传感器实际获得的实际获得的责任探测区域：

[0021]

[0022] (3)避免同频干扰：为了避免因频率干扰影响系统的探测性能，频率有重叠的传感器不能相距太近，避免同频干扰，因此同频干扰系数θ定义为相邻传感器i与传感器j之间同频干扰的程度，式中N表示传感器的总数，fi表示传感器i的频率范围，fj表示传感器j的频率范围，fi交fj表示两传感器之间的重叠频率：

[0023]

[0024] (4)抗干扰能力：抗干扰能力系数μ定义为N部雷达所覆盖的有效责任区域占总责任区域的比重，式中S为给定责任区域，Si为第i部雷达对隐身目标的探测区域。

[0025]

[0026] (5)资源利用能力：资源利用系数η定义为3部以下传感器的覆盖区域与核心区域Ac的比值：

[0027]

[0028] 为了满足以上5条原则，综合考虑战场地理约束和战术条件限制，运用加权法建立如下的多传感器优化部署模型：

[0029]

[0030] 可选的，根据当前战场的环境和态势，以更细致的目标函数来对传感器组中的动态传感器进行优化布站，包括:

[0031] 用[(x1，y1)，(x2，y2)，...，(xn，yn)]表示鲸鱼个体，其中(xi，yi)为第i个传感器的坐标位置，传感器位于网格中，n为传感器数量；

[0032] 根据战场中的态势变化(例如某个区域出现重点目标，需要重点侦察，又或者某个区域的环境出现变化，传感器无法部署或需要撤离)来部署传感器；战场中的态势变化包括目标区域出现重点目标，进行重点侦察；或者目标区域的环境出现变化，传感器无法部署或需要撤离；

[0033] 其中，鲸鱼优化算法的步骤包括：

[0034] 步骤31，初始化传感器组的参数以及战场环境参数，其中，传感器组的参数包括传感器数量、各传感器最大探测半径、各传感器的检测功率和探测概率；战场环境参数包括战场中需要侦察的区域面积、战场布阵约束矩阵；

[0035] 步骤32，初始化鲸鱼优化算法的参数，鲸鱼优化算法的参数包括鲸鱼数量、最大迭代次数；

[0036] 步骤33，根据目标函数，计算种群适应度，找出种群当前的全局最优解的位置；

[0037] 步骤34，判断随机数P是否小于0.5，若是则执行步骤35；否则根据以下方法进行螺旋式位置更新：

[0038]

[0039] 步骤35，更新参数A，若|A|<1，则根据式(1)更新鲸鱼位置，否则根据式(2)更新。

[0040]

[0041]

[0042] 步骤36，判断算法是否达到最大迭代次数，若达到则输出全局最优解，即最优各参数和对应各传感器部署的位置坐标；否则执行步骤33进行下一次迭代。

[0043] 本发明有如下技术优势

[0044] (1)相比于将所有传感器统一优化部署的传感器优化部署方法，本发明提供了一种基于鲸鱼优化算法的层次化传感器部署方法，将传感器分类成静传感器和动传感器两类，静传感器级别更高可以控制范围内的动传感器，能够提供更合理的传感器部署策略。且本发明提供的方法能够节约资源，提供更快的优化部署速度。

[0045] (2)本发明提供的基于鲸鱼优化算法的层次化传感器部署方法在优化传感器位置时使用了鲸鱼优化算法。经实验测试，该种优化算法相比常用的优化算法，可以在提供较好的寻优精度同时，拥有较快的迭代速度。

附图说明

[0046] 图1为本发明基于鲸鱼优化算法的层次化传感器部署方法流程图。

[0047] 图2为本发明实施例中PSO算法的传感器优化部署迭代过程。

[0048] 图3为本发明实施例中GA算法的传感器优化部署迭代过程。

[0049] 图4为本发明实施例中GA‑PSO算法的传感器优化部署迭代过程。

[0050] 图5为本发明实施例中WOA算法的传感器优化部署迭代过程。

具体实施方式

[0051] 结合图1，本发明基于鲸鱼优化算法的层次化传感器部署方法，包括以下步骤：

[0052] 步骤1、初始化传感器组的参数，传感器数量、各传感器最大探测半径、各传感器的检测功率、探测概率，根据战场环境信息初始化战场网络模型和战场布阵约束矩阵。

[0053] 步骤2、以最大化有效覆盖率为目标函数对传感器组中的静态传感器进行优化部署，根据鲸鱼优化算法的步骤，迭代得到优化后的静态传感器位置。

[0054] 步骤3、根据当前战场的环境和态势，以多传感器优化部署模型来对传感器组中的动态传感器进行优化布站。

[0055] 步骤4、检测战场环境和态势是否发生变化，判断是否需要优化当前传感器网络的部署，若需要则进行步骤3。

[0056] 进一步地，步骤1所述战场传感器部署模型具体为：假设整个传感器探测区域为是个二维平面，且数字化为L×M的网格，传感器可以部署在网格中的任一点内，整个探测区域做了正方形分割，每个传感器覆盖的单元格可以根据传感器的覆盖范围计算得出。

[0057] 假设传感器具有不同的感知半径rs和不确定的感知范围δ·rs(δ＜1)，网格中心点坐标T(xi，yi)与某一传感器Sj(xsj，ysj)间距离为 在二进制传感器覆盖模型中，传感器节点对网格区域T的感知概率为：

[0058]

[0059] 式中，λ为传感器感知能力指数。当网格区域感知概率大于某个阈值时，则认为该网格能被该传感器节点感知，该区域为有效覆盖点；否则，认为该区域能不被此传感器节点感知。通常单个传感器对某一区域的感知概率小于1，这意味着探测过程中需采用多个传感器同时探测，以提高目标感知概率。

[0060] 网格中，将不能布站的区域定义为Aunable，可以布站的区域定义为Aable，则战场地理约束条件可以表示为

[0061] bij∈Aable≠Aunable

[0062] 此外，为了实现传感器之间的信息交互、协同探测、相互补盲功能，任意两个传感器之间要有一定的距离限制，不能过大，也不能过小。相邻的两个传感器之间的距离可以用下式来约束：

[0063] |ri‑rj|≤d(Si，Sj)≤ri+rj

[0064] 进一步地，步骤2和步骤3中的目标函数定义为：

[0065] 为了实现传感器网络抗干扰、反隐身等战术要求，在部署传感器时应该遵从以下原则：

[0066] (1)核心区域覆盖：在实际应用中，某些区域为重点侦察区域，应重点覆盖，因此核心区域覆盖系数β定义为实际获得的核心探测区域与核心区域Ac的比值，式中N表示传感器的总数，Ai与Ac相交表示第i个传感器实际获得的核心探测区域：

[0067]

[0068] (2)反隐身能力：基于现有雷达资源对典型隐身目标实现尽可能大的探测范围，反隐身能力系数α定义为个侦察系统实际获得的责任探测区域与责任区域Ar的比值，式中N表示传感器的总数，Ai与Ar相交表示第i个传感器实际获得的实际获得的责任探测区域：

[0069]

[0070] (3)避免同频干扰能力：为了避免因频率干扰影响系统的探测性能，频率有重叠的传感器不能相距太近，避免同频干扰，因此同频干扰系数θ定义为相邻传感器i与传感器j之间同频干扰的程度，式中N表示传感器的总数，fi表示传感器i的频率范围，fj表示传感器j的频率范围，fi交fj表示两传感器之间的重叠频率：

[0071]

[0072] (4)抗干扰能力：适当的空域覆盖冗余度可以在遭受到环境或敌军干扰时有较强的生存能力，但是过多的冗余则会造成资源的浪费，抗干扰能力系数μ定义为N部雷达所覆盖的有效责任区域占总责任区域的比重，式中S为给定责任区域，Si为第i部雷达对隐身目标的探测区域。

[0073]

[0074] (5)资源利用能力：通常2部传感器覆盖区域有重叠视为合理，3部及以上传感器覆盖区域有重叠视为浪费，因此，资源利用系数η定义为3部以下传感器的覆盖区域与核心区域Ac的比值：

[0075]

[0076] 为了满足以上5条原则，综合考虑战场地理约束和战术条件限制，运用加权法建立如下的多传感器优化部署模型：

[0077]

[0078] 步骤3，在面向传感器分配的鲸鱼优化算法中，用[(x1，y1)，(x2，y2)，...，(xn，yn)]表示鲸鱼个体，其中(xi，yi)为第i个传感器的坐标位置，传感器位于网格中，n为传感器数量。根据战场中的态势变化(例如某个区域出现重点目标，需要重点侦察，又或者某个区域的环境出现变化，传感器无法部署或需要撤离)来部署传感器。下面是面向传感器分配的鲸鱼优化算法的具体算法步骤：

[0079] 步骤31，初始化传感器组的参数以及战场环境参数，其中，传感器组的参数包括传感器数量、各传感器最大探测半径、各传感器的检测功率和探测概率；战场环境参数包括战场中需要侦察的区域面积、战场布阵约束矩阵。

[0080] 步骤32，初始化鲸鱼优化算法的参数，鲸鱼优化算法的参数包括鲸鱼数量、最大迭代次数。

[0081] 步骤33，根据目标函数，计算种群适应度，找出种群当前的全局最优解的位置。

[0082] 步骤34，判断随机数P是否小于0.5，若是则执行步骤35；否则根据下式进行螺旋式位置更新。

[0083]

[0084] 步骤35，更新参数A，若|A|<1，则根据式(1)更新鲸鱼位置，否则根据式(2)更新。

[0085]

[0086]

[0087] 步骤36，判断算法是否达到最大迭代次数，若达到则输出全局最优解，即最优各参数和对应各传感器部署的位置坐标；否则执行步骤33进行下一次迭代。

[0088] 实施例

[0089] 结合图1，本发明针对于复杂陆战场中高机动目标检测的的层次化传感器部署方法，包括以下内容：

[0090] (1)初始化传感器组的参数，包括传感器数量、各传感器最大探测半径、各传感器的检测功率、探测概率，战场中需要侦察的区域面积、战场布阵约束矩阵。

[0091] (2)以最大化有效覆盖率为目标函数对传感器组中的静态传感器进行优化部署，根据鲸鱼优化算法的步骤，迭代得到优化后的静态传感器位置。

[0092] (3)根据当前战场的环境和态势，以更细致的目标函数来对传感器组中的动态传感器进行优化布站。

[0093] (4)检测战场环境和态势是否发生变化，判断是否需要优化当前传感器网络的部署，若需要则进行步骤3。

[0094] 本实施例中目标设定战场的侦察区域范围为100km×100km，核心区域范围为20km×20km。对传感器的数量进行限制，采用2部静态传感器、进行布站，传感器的最大探测半径(km)分别设置为20km、25km，探测概率为0.8，目标函数权重系数设置为1，0，0，0。动态传感器一共8部，最大探测半径(km)设置为5km、4km、3km、3.5km，检测频率设置为[5,7.5]、[0.3,0.6]、[7,8]、[0.5,1.5]，探测概率为0.8。

[0095] 初始化鲸鱼种群数量为50，最大迭代次数为200，本实施例中分别采用PSO、GA、GA‑PSO算法与WOA算法进行10轮仿真取平均值，仿真结果如表1所示，可以看出WOA算法在拥有和PSO算法，GA‑PSO算法接近的寻优精度的同时拥有最快的迭代速度，且覆盖率也较好。

[0096] 表1仿真结果

[0097]

[0098] 基于最优值绘制的布站情况图如图2‑图5所示。基于WOA算法优化布站所求出的4部传感器的最优位置，较其他3种算法所求出的布站位置有了明显改进，会更好的避免了传感器布置在不能布站的区域，更好的遵循布站原则。当态势发生变化时，重点区域需要完整覆盖，重点区域覆盖率几乎可以达到百分之百；当出现干扰时，重新布站会对干扰地区进行探测范围的适当冗余。

[0099] 本发明有如下技术优势

[0100] (1)相比于将所有传感器统一优化部署的传感器优化部署方法，本发明提供了一种基于鲸鱼优化算法的层次化传感器部署方法，将传感器分类成静传感器和动传感器两类，静传感器级别更高可以控制范围内的动传感器，能够提供更合理的传感器部署策略。且本发明提供的方法能够节约资源，提供更快的优化部署速度。

[0101] (2)本发明提供的基于鲸鱼优化算法的层次化传感器部署方法在优化传感器位置时使用了鲸鱼优化算法。经实验测试，该种优化算法相比常用的优化算法，可以在提供较好的寻优精度同时，拥有较快的迭代速度。