一种基于粒子群优化算法的异构传感器分配方法*

温 雅，贾 婧，张 宾，王 洋，安 琪

（1.北方自动控制技术研究所，太原 030006；2.驻太原地区第二军代室，太原 030006）

0 引言

在陆、海、空、天、电五维一体的联合作战背景下，针对云、烟、雾、尘等复杂气象环境以及复杂电磁环境，为满足复杂战场环境态势感知理解的需求，需要微波、毫米波、可见光、红外、雷达、电子支援措施、敌我识别等有源、无源传感器的合理分配，实现智能的感知环境和目标。因此，作为联合作战的“千里眼”的传感器协同感知智能分配方法研究已成为一项迫切的任务，具有重要的现实意义。

Nash［1］在1977 年提出一种利用线性规划技术对跟踪目标进行传感器-目标分配方法，最先将优化技术用于传感器管理，2010 年，Hitchings 等人基于滚动时域控制［2］，提出一种随机控制逼近算法。国内对传感器分配方法的相关研究大都以传感器-目标的效能因子［3］为中心，效能最大化为目标函数提出的人工智能优化算法，如遗传算法［4-5］、蚁群算法［6］等，这些算法都是基于效能最大化实现传感器智能分配，没有考虑异构传感器的感知能力及对复杂战场环境的抗干扰能力。近年来，随着战场环境复杂化，目标环境机动性增强、复杂的气象环境和电磁环境对传感器产生较强干扰，单一传感器获取空间目标信息不完备问题突出［7］。

针对以上难题，本文引入异构传感器智能感知［8］的概念，针对不同传感器自身特征，考虑了传感器抗干扰性能等因素，提出一种传感器信息感知能力评估指标体系并构建了传感器感知能力定量评价模型，计算出传感器指数，再利用传感器指数，考虑了有效覆盖率、电磁环境变化、态势变化等因素作为目标函数，研究基于粒子群算法的智能传感器分配方法。粒子群算法［9］采用了多粒子的并行运算，是全局优化算法里比较新的算法，在求解多维数、非线性和不可微的复杂问题上有着良好的表现。将该方法用于本研究，提高了传感器的总体感知能力及资源有效利用率，优化了传感器网络对监视区域的有效覆盖率。

1 传感器感知能力建摸

传感器指数［10］（传感器感知信息能力指数）是衡量传感器信息获取能力的重要标志，与装备器材的各项性能直接相关。传感器在作战过程中的性能通过传感器信息感知能力评估指标体系综合反映。结合复杂战场环境下战场态势感知的军事需求呈现出范围广、数量多、连续性、实时化和干扰因素多的特点［11］，本文建立了传感器信息感知能力评估指标体系如图1 所示。

图1 传感器信息感知能力评估指标体系

1）确定指标权重的方法。采用问卷调查法，设计传感器指数问卷向专家发放，根据专家的反馈结果，利用特征根法及判断矩阵一致性检验方法计算出各指标的权。

2）传感器评估指标值的确定及其规范化。本文传感器信息感知能力评估指标体系中的战术技术性能指标，都属于其值越大越好的属性，这些属性的值通常由各个厂家在传感器出厂时提供，只需对其收集整理。对于没有提供的，例如，抗干扰能力，采用专家打分的方法给出属性值。指标的量化如表1 所示。

表1 定性效益型指标的量化

3）加权和法计算传感器指数。设传感器感知能力模型第3 层的第j 个指标的权为ωj及其属性值为zij，因此，第i 个传感器的指数为：

其中，n 为指标数。先从各传感器的战术技术性能表中查出各种所需参数，不能查出的或较难确定的采用专家打分方法确定。然后将数据进行规范化处理，结合指数各指标的权重值，采用加权和法获得指数。

2 异构传感器智能分配

2.1 粒子群优化算法概述

粒子群优化（PSO）算法［12］采用速度-位置搜索模型，每个粒子代表解空间中的一个解，适应度函数决定解的优劣程度。该算法随机初始化为一群粒子，每个粒子在初始速度和位置的基础上，基于自己历史最好位置和群体的历史最好位置来更新自己的速度和位置。该算法具有便于理解、概念简明、实现方便、快速收敛及参数设置少等优点［13］。

设粒子群中的一个粒子代表一种传感器的位置分布方案。若传感器个数为Nc，则粒子id 在第t代的状态表示为：

式（4）中，第1 部分为粒子运动惯性，表示粒子运动且保持向前运动状态的趋势。ω 为惯性权重因子。指粒子关于历史值的保留程度。ω 较大，即式（4）第1部分的乘积值较大，粒子在搜索域的搜索步长较大，粒子下次位置与上次位置的距离较大，则粒子全局搜索能力较强，但局部搜索能力较弱；ω 较小，则粒子在搜索域的搜索步长较小，在局部区域中的搜索次数较多，局部搜索能力强，但全局搜索能力较弱。在本文中ω 取值为0.5。

式（4）中，r1和r2为加速常数，为［0，1］内均匀分布的随机数，第2 部分代表粒子对于自己在搜索域运动的历史最优值的借鉴程度，粒子下一次运动时会依据自己历史最优位置；第3 部分目的是缩小其他粒子与全局最优粒子之间的位置。

粒子群算法中各粒子通过依据自己的历史位置并与群体中其他粒子保持信息共享，来搜索全局最优解。r1和r2影响粒子对自己历史经验的借鉴程度和群体中其他粒子运动信息的程度。本文中r1和r2取值为2。

2.2 面向传感器分配的粒子群优化算法

根据干扰源的位置，重新部署传感器，定义适应度函数：

根据态势变化（某一区域出现多个目标，重点侦察），重新部署传感器，定义适应度：

4）根据式（11）和式（14）更新粒子，生成新的粒子群。

5）判断最终结果是否满足所求问题的优化目标，满足则结束迭代，否则返回步骤2）。

3 仿真结果

从各传感器的战术技术性能表中查出各种所需参数，结合气象环境对几种常用传感器的指数进行计算，传感器1 为可见光传感器，传感器2 为红外传感器，传感器3 为探测雷达。

表2 晴天各传感器指数

以上结果表明，晴天条件下，可见光、红外、雷达传感器指数相差不大；在恶劣气象条件下（雨、雾、沙尘）下，可见光和雷达传感器指数相差不大，但是大气对红外辐射的衰减严重，导致传感器的指数降低。

表3 雨（雾、沙尘）天各传感器指数

利用粒子群优化算法对传感器的位置进行可见光、红外、雷达传感器进行部署，首先针对电磁环境，避开干扰区域；其次，选择传感器感知能力高的传感器类型进行部署。本次实验中利用两种传感器对50 km*50 km 的区域进行部署，图2 表示算法训练过程，图3 是部署结果，覆盖率达到83.6%。仿真结果表明，粒子群算法初始化时，传感器探测区域重叠程度高，有效覆盖率较低，随着迭代次数增加，目标区域有效覆盖率在达到较高值（83.6 %）后，趋于平稳，但传感器探测区域仍有盲区。

图2 算法训练过程

图3 传感器部署结果

当目标识别概率低时，要求对重点目标区域进行多重覆盖，提高识别概率，本实验基于两种传感器对黄色目标区域进行二重覆盖，采用粒子群优化算法对传感器进行分配，分配结果如图4 所示。

图4 重点区域传感器部署结果

设置电磁环境干扰源，然后根据干扰源的位置，重新部署传感器，如图5 所示。

图5 电磁干扰源环境下传感器部署结果

依据态势变化当某一区域出现多个目标时，将该区域设置为重点区域，重点区域需要完全覆盖。图6 是迭代次数500 次，重点目标区域覆盖度达到98%，非重点目标区域达到42.6%；图7 是迭代次数1 000 次，重点目标区域覆盖度达到100 %，非重点目标区域达到73.2%。

图6 依据态势变化传感器部署结果（a）

图7 依据态势变化传感器部署结果（b）

仿真结果表明，粒子群算法在保证重点目标区域优先覆盖的前提下，相当程度上扩大了目标区域的覆盖范围。虽然非重点区域存在盲区，但此部署方案是综合考虑优先满足重点区域全覆盖，以及减少传感器资源不必要的浪费的结果，利用有限的传感器资源最大程度上实现了目标区域的有效覆盖。

4 结论

在瞬息万变的战场环境中，战场态势、电磁环境等随时都在变化，无疑增加了传感器对环境的感知难度和复杂度，如何合理地部署传感器尤其重要。本文提出的算法针对异构传感器自身特征，在构建传感器感知能力指标体系时，考虑了传感器的抗干扰性能等因素，通过验证，利用本文提出的基于粒子群优化算法的异构传感器分配方法，能够随着环境变化对异构传感器进行合理的分配。该算法提高了传感器的总体感知能力及资源有效利用率。