劉 瑜, 劉 俊, 徐從安, 王 聰, 齊 林, 丁自然

(1. 海軍航空大學信息融合研究所, 山東 煙臺 264001; 2. 北京航空航天大學電子信息工程學院, 北京 100191)

0 引 言

狀態(tài)估計是分布式傳感器網(wǎng)絡應用的核心關鍵技術[1-4]。為滿足諸多應用的實際需求,分布式傳感器網(wǎng)絡中所有節(jié)點或部分節(jié)點需要對感興趣的目標狀態(tài)實施精確的、一致的估計和預測,從而在每個傳感器中都能形成統(tǒng)一清晰的態(tài)勢信息,有利于在動態(tài)變化的監(jiān)測環(huán)境中提高網(wǎng)絡任務執(zhí)行的成功概率及高效性。通過節(jié)點協(xié)同對目標實施一致性狀態(tài)估計是分布式傳感器網(wǎng)絡中一種有效的估計融合方法[5]。該方法基于節(jié)點間信息交互式融合的迭代形式,網(wǎng)絡中每個傳感器都可以利用鄰居節(jié)點之間的有效信息不斷更新本地估計,通過多次迭代循環(huán),可使得每個傳感器的本地估計逐漸收斂于全局最優(yōu)估計,從而實現(xiàn)網(wǎng)絡中所有或部分節(jié)點對目標狀態(tài)具有一致的估計[6]。

為探索高效穩(wěn)定的分布式一致性狀態(tài)估計方法,國內(nèi)外已經(jīng)針對傳感器網(wǎng)絡目標偵察、搜索、定位、跟蹤以及攻擊等不同任務背景開展了大量多節(jié)點協(xié)同估計方法的研究項目[7-9]。2004年,文獻[10]首次提出了動態(tài)多節(jié)點網(wǎng)絡系統(tǒng)中構建及解決一致性估計問題的理論框架,受到國際狀態(tài)估計領域?qū)＜业膹V泛關注,并在傳感器網(wǎng)絡融合估計、協(xié)同決策、編隊控制、蜂擁、群移及聚集等多個領域得到了重點研究與應用[11-13];同年,文獻[5]基于微型卡爾曼濾波器網(wǎng)絡提出了分布式卡爾曼濾波(distributed Kalman filter, DKF)算法,其中每個微型卡爾曼濾波器內(nèi)嵌了高通高增益一致性協(xié)議,能夠在本地估計與鄰居信息的基礎上實現(xiàn)全局狀態(tài)估計,并消除節(jié)點之間的估計差異。然而,DKF僅僅實現(xiàn)了一致性濾波算法的框架設計,無法保證其濾波最優(yōu)性,可能導致較大的估計誤差;2005年,文獻[6]研究了DKF離散形式的最優(yōu)性,設計并實現(xiàn)了DKF的具體算法,并分解為2個動態(tài)一致性子問題:加權測量和逆協(xié)方差矩陣的計算。其主要思想是利用低通和帶通濾波器的分布式算法對數(shù)據(jù)進行一致性融合,從而達到降低通信代價和抑制噪聲的目的。在此基礎上,文獻[6]提出了經(jīng)典的卡爾曼一致性濾波(Kalman consensus filter, KCF)算法,其核心步驟是通過相鄰節(jié)點的信息交互與融合,對鄰居傳感器之間的狀態(tài)估計值進行一致化處理,從而獲取到關于目標真實狀態(tài)的最優(yōu)估計值。但是,KCF的運行條件是網(wǎng)絡對目標具有全觀測性。2009年,文獻[7]通過線性代數(shù)、李雅普諾夫和頻域分析等方法系統(tǒng)地研究了分布式一致性狀態(tài)估計問題,分析了一致性濾波器的收斂性、噪聲迭代衰減特性和信號快速跟蹤能力,研究了最小均方估計誤差意義下的KCF算法,闡述了傳感器數(shù)量和融合能力之間的關系。此外,為解決KCF中協(xié)方差更新不適于分布式計算的問題,提出了一種次優(yōu)KCF算法,并對這種分布式交互濾波算法的穩(wěn)定性和估計性能進行了有效分析。在此基礎上,文獻[14]將DKF算法應用于傳感器網(wǎng)絡群體移動問題,提供了一種用于多智能體網(wǎng)絡分布式群移算法設計的理論框架。文獻[15]研究了移動無線傳感器網(wǎng)絡中基于事件驅(qū)動機制的分布式濾波算法,其中核心估計技術是卡爾曼一致性濾波器。文獻[16]研究了網(wǎng)絡拓撲切換下的分布式估計問題,降低了算法所需的通信開銷,但估計誤差較大,且很難根據(jù)收斂條件選取算法中的參數(shù)。文獻[17]將動態(tài)一致性策略用到信息形式的采樣型卡爾曼濾波器(sigma-point Kalman filter, SPKF),提出了分布式SPKF(distributed SPKF,DSPKF)算法,其中每個節(jié)點利用本地和鄰居信息估計全局平均信息貢獻值,而不是利用網(wǎng)絡中全部的傳感器量測信息。然而,SPKF并未考慮節(jié)點觀測受限的情況。文獻[18]針對二進制傳感器網(wǎng)絡提出了一種分布式動態(tài)濾波算法,能夠均衡目標狀態(tài)估計精度與網(wǎng)絡開銷。2010年,文獻[19]通過在DKF算法的狀態(tài)更新之后增加一個擴散更新步驟,提出了一種分布式的diffKF算法,其中擴散更新的加入能夠在一定程度上改善分布式卡爾曼濾波算法的估計性能。2011年,文獻[20]針對H∞指標約束問題設計了一種分布式魯棒濾波算法,以線性矩陣不等式的形式給出了該算法收斂的充分條件;2012年,文獻[21]采用信息矩陣加權的方法提出了廣義的卡爾曼一致性濾波(generalized Kalman consensus filter, GKCF)算法,提高了分布式估計精度。2013年,文獻[22]考慮視頻傳感器網(wǎng)絡中存在盲節(jié)點的情況,研究了信息加權一致性濾波算法,獲得了逼近集中式估計方法的估計結果,但是該算法僅適用于小型傳感器網(wǎng)絡;文獻[23]研究了異構傳感器網(wǎng)絡中的無偏及最優(yōu)一致性濾波問題,提出了基于序貫設計的方法,用于處理兩種不同傳感器之間的一致性融合,但是該方法并未解決網(wǎng)絡盲節(jié)點問題。2014年,文獻[24]針對非線性系統(tǒng)中的一致性狀態(tài)估計問題,提出了基于平方根容積卡爾曼的信息濾波器,實現(xiàn)了估計精度的顯著提升。2015年,文獻[25]介紹了一種分布式穩(wěn)態(tài)濾波器,其結構包括來自相鄰節(jié)點的測量更新項和關于狀態(tài)估計的一致項,將濾波器增益的計算轉(zhuǎn)化為凸優(yōu)化問題。2016年,文獻[26]提出了一種分散動態(tài)狀態(tài)估計的遞推信息一致濾波器,但是未考慮通信網(wǎng)絡的拓撲結構;文獻[27]提出了一種基于加權平均一致性的不敏卡爾曼濾波算法,并驗證了估計誤差下界;2017年,文獻[28]研究了未知測量噪聲統(tǒng)計的非線性狀態(tài)估計問題,提出了一種變分貝葉斯一致性容積濾波方法;文獻[29]開發(fā)了一種適合密集部署的網(wǎng)絡信道模型,并引入了一類新的分布式加權一致性策略,可實現(xiàn)本地觀測的分布式學習來實現(xiàn)網(wǎng)絡定位。由于分布式無線傳感器網(wǎng)絡通常采用隨機部署方式,其網(wǎng)絡結構一般具有非均勻拓撲特性,甚至呈現(xiàn)局部小型網(wǎng)絡、多簇網(wǎng)絡等結構。因此,網(wǎng)絡中不同節(jié)點間的通信鏈接在一致性估計融合中應該具有不同的重要性,而KCF等傳統(tǒng)估計算法及其后續(xù)的改進算法在一致性信息迭代時將所有節(jié)點通信鏈接的對應權值視為相等,容易導致一致性收斂速度受到網(wǎng)絡中某些“橋梁”鏈接的負面影響。針對上述問題,本文研究了網(wǎng)絡資源受限條件下的節(jié)點協(xié)同一致性狀態(tài)估計框架,分析了目標狀態(tài)一致性的主要流程,并根據(jù)節(jié)點通信鏈接的重要性設計了基于網(wǎng)絡動態(tài)拓撲信息的自適應權值分配策略,并基于此權值分配策略,提出了基于自適應加權的卡爾曼一致性濾波算法(adaptive weighted Kalman consensus filter, AW-KCF)。仿真結果顯示,AW-KCF在節(jié)點稀疏等網(wǎng)絡非均勻拓撲情況下相對于KCF具有較為優(yōu)越的估計性能。

1 分布式傳感器網(wǎng)絡一致性狀態(tài)估計功能模型

對于大型分布式傳感器網(wǎng)絡中的目標狀態(tài)估計應用,由于網(wǎng)絡資源受限,節(jié)點的傳感區(qū)域和通信范圍通常是有限覆蓋的,因此單個時刻并不是每個節(jié)點都能實時觀測到穿越監(jiān)測區(qū)域的目標,僅在特定的時間段內(nèi)少數(shù)節(jié)點具有對目標的實時量測。此時,若要實現(xiàn)整個網(wǎng)絡中所有或大部分節(jié)點對目標的一致性狀態(tài)估計,則需要節(jié)點間執(zhí)行足夠多次的信息轉(zhuǎn)發(fā)與迭代,毫無疑問,這期間將耗費大量網(wǎng)絡通信與計算資源[30],且目標狀態(tài)的單個濾波周期與信息迭代次數(shù)相關,將直接影響到態(tài)勢生成速度。

實際上,網(wǎng)絡經(jīng)過隨機或人為部署后,自組織的通信方式能夠保證網(wǎng)絡中所有的連通節(jié)點都具有向上匯報監(jiān)測信息的路由通道[31]。因此,在資源受限的大型傳感器網(wǎng)絡中,并不都是隨時要求全網(wǎng)實現(xiàn)一致估計,只需網(wǎng)絡中部分節(jié)點形成對目標的統(tǒng)一估計便能滿足實際應用需求。此時,可以在單個估計時刻合理選擇一部分節(jié)點構成局部網(wǎng)絡(不妨稱為一致性節(jié)點集),通過集內(nèi)節(jié)點間合理高效的信息交互與融合,實現(xiàn)局部網(wǎng)絡對目標的分布式一致性狀態(tài)估計,以便于實施有效的目標跟蹤與預測。此外,隨著目標在監(jiān)測區(qū)域內(nèi)不斷移動,實施狀態(tài)估計的一致性節(jié)點集是動態(tài)變化的,因而可以在節(jié)點間的信息交互的過程中實時更新集內(nèi)成員信息。

對于一致性狀態(tài)估計流程,由于傳統(tǒng)兩級功能模型無法清晰地描述資源受限時分布式傳感器網(wǎng)絡中的一致性狀態(tài)估計問題,本文根據(jù)估計的功能層次,從估計過程出發(fā),把一致性狀態(tài)估計分為4級,依次是模型初始化層、信息處理層、一致性融合層和狀態(tài)估計層,如圖1所示。這是一種廣義的一致性狀態(tài)估計功能分級法,描述了狀態(tài)估計過程中各步驟之間的相互作用關系,是傳統(tǒng)兩層分級法的擴展形式,提供了一種通用的信息處理及流通模式,有利于一致性狀態(tài)估計技術的研究。以下分別描述各層的主要功能和內(nèi)容。

圖1 分布式傳感器網(wǎng)絡一致性狀態(tài)估計功能模型Fig.1 Functional model of consensus state estimation fordistributed sensor network

(1) 第1級是模型初始化層?；诟怕誓Ｐ蛯ΜF(xiàn)實環(huán)境進行抽象用以描述實際系統(tǒng),并且根據(jù)應用需求建立一致性節(jié)點集。其中,對實際系統(tǒng)的描述包括實際狀態(tài)、量測、狀態(tài)轉(zhuǎn)移和量測模型的精確表述;一致性節(jié)點集是指在濾波過程中參與信息交互與融合并最終實現(xiàn)對目標狀態(tài)一致估計的傳感器節(jié)點組合。

(2) 第2級是信息處理層。根據(jù)具體一致性算法,基于估計模型及目標量測等本地信息,網(wǎng)絡中各節(jié)點計算本地一致性參數(shù),為節(jié)點間的信息互傳與融合做好準備。

(3) 第3級是一致性融合層。一致性節(jié)點集內(nèi)的傳感器節(jié)點廣播本地一致性參數(shù),并接收鄰居節(jié)點發(fā)送的參數(shù),然后基于設定的估計融合規(guī)則,利用鄰居傳送的信息對本地一致性參數(shù)進行更新。此過程迭代足夠多次,最終實現(xiàn)一致性節(jié)點集內(nèi)的所有傳感器節(jié)點具有相同的一致性參數(shù)。

(4) 第4級是狀態(tài)估計層。網(wǎng)絡中各傳感器基于信息互傳及迭代處理后得到的一致性參數(shù),對目標狀態(tài)進行全局估計,并基于狀態(tài)轉(zhuǎn)移模型得到目標狀態(tài)的預測。至此,一致性節(jié)點集內(nèi)的所有節(jié)點均獲得了相同的目標狀態(tài)估計和預測。

為便于描述,表1給出了分布式傳感器網(wǎng)絡一致性狀態(tài)估計的具體實施流程。需要說明的是,本文所設計的一致性狀態(tài)估計算法均將采用上述4級功能模型中的信息處理與流通方式,且其研究重點在于節(jié)點對目標狀態(tài)的一致性融合規(guī)則。

表1 節(jié)點協(xié)同一致性狀態(tài)估計流程

從表1可見,在模型初始化層,當前觀測節(jié)點將前一時刻的目標狀態(tài)廣播至網(wǎng)絡中,并引入一跳鄰居盲節(jié)點參與一致性狀態(tài)估計過程中的信息交互與融合,能夠保證觀測節(jié)點及其一跳鄰居盲節(jié)點對目標狀態(tài)的一致估計。如此設計,便于下一時刻傳感器量測與已有目標航跡的數(shù)據(jù)互聯(lián),能夠有效防止因目標快速機動而導致估計失敗甚至目標丟失的情況,避免新航跡層出不窮、航跡不明等現(xiàn)象。此外,由表1所述可以看出,通過節(jié)點間的信息迭代交互與融合,各傳感器不斷獲取周圍鄰居節(jié)點的估計信息并基于合理有效的融合規(guī)則來更新本地估計,從而逐漸收斂于相對一致的全局估計。其中,信息交互的形式、內(nèi)容以及融合規(guī)則,將直接影響到一致性估計的精度和速度。

2 AW-KCF算法

2.1 問題描述

傳感器網(wǎng)絡中節(jié)點之間的通信連接可由無向圖G=(S,E)來表示,其中S={S1,S2,…,SNS} 包含了圖中所有的頂點,表示網(wǎng)絡中的通信節(jié)點,其中NS為節(jié)點數(shù)量,而集合E包含圖中所有的邊,表示網(wǎng)絡中不同節(jié)點建立起來的可行通信鏈接。此外,以Sk表示k時刻網(wǎng)絡中的節(jié)點集合,以Ni表示所有與Si有直接通信連接的節(jié)點的集合,即Ni中的每個節(jié)點都與Si構成圖中的某一條邊,都是Si的鄰居節(jié)點。不妨假設單個節(jié)點Si僅具有一個傳感器,在k時刻觀測到目標,則Si稱為觀測節(jié)點,其線性高斯系統(tǒng)中的狀態(tài)轉(zhuǎn)移及量測模型可表示為

xk+1=Φxk+wk,k=0,1,2,…

(1)

zi=Hixk+vi,k=0,1,2,…

(2)

式中,xk∈Rnx、zi,k∈Rnzi分別表示k時刻的目標狀態(tài)及傳感器Si的量測,其中nx為狀態(tài)維度,nzi為傳感器Si的量測維度;Φ∈Rnx×nx為狀態(tài)轉(zhuǎn)移矩陣,過程噪聲wk∈Rnx為零均值的高斯白噪聲,即wk～N(0,Q);Hi∈Rnzi×nx為傳感器Si的可時變觀測矩陣,vi∈Rnzi為零均值的高斯白噪聲,即vi,k～N(0,Ri)。

一致性狀態(tài)估計過程及其主要任務為:基于目標量測zk[z0,z1,…,zk],以分布式的方式解算被估目標的全局狀態(tài)信息,并以條件概率密度函數(shù)的形式表示估計結果,通過鄰居節(jié)點之間的信息迭代處理與融合實現(xiàn)網(wǎng)絡中所有或部分傳感器對目標的一致估計。

2.2 KCF算法

不失一般性,本文采用經(jīng)典的KCF算法[6]作為對比分析文獻。根據(jù)文獻[6]所述,作用于變量a的一致性單次迭代過程可以表示為

(3)

式中,l=1,2,…,L為迭代次數(shù);ζ為一致性速率因子。由式(3)可知,網(wǎng)絡中每個傳感器都能夠綜合相鄰節(jié)點的狀態(tài)信息,通過這種局部鄰居之間的信息傳遞與融合機制,所有傳感器對目標的最終狀態(tài)估計都將逐漸趨于一致[6]。

基于上述一致性信息迭代與融合過程,文獻[7]提出了經(jīng)典的KCF算法,首先在每個觀測傳感器內(nèi)執(zhí)行卡爾曼最優(yōu)濾波步驟,然后通過鄰近節(jié)點之間信息交互與融合實現(xiàn)狀態(tài)估計的一致性。該文對KCF算法進行了詳盡的算法推導及最優(yōu)濾波穩(wěn)定性分析,在此不再贅述。表2描述了KCF算法的具體步驟。

由表2中的公式推導可見,KCF算法采用了平均一致性方法綜合了鄰居節(jié)點之間的狀態(tài)估計(見表2中步驟6),并且所有節(jié)點的狀態(tài)估計在求和式中具有固定相同的一致性速率因子ζ。其中,ζ的取值空間通常為(0,1/Δmax),Δmax為網(wǎng)絡中最大的節(jié)點度[7]。

表2 KCF算法步驟

2.3 基于動態(tài)拓撲的自適應一致性速率因子

分布式傳感器網(wǎng)絡一般具有非均勻拓撲特性,實際上,節(jié)點之間的可行通信鏈接取決于是否在彼此的信號傳輸距離之內(nèi)。于是,隨機部署的分布式傳感器網(wǎng)絡中,相鄰節(jié)點可能擁有多個相同鄰居節(jié)點,也很可能并無相同鄰居節(jié)點,此時易于構成相互連通的多個局部小型網(wǎng)絡,即多簇結構[32],如圖2所示。

圖2 多簇結構的分布式傳感器網(wǎng)絡Fig.2 Distributed sensor network with multi-clusters

上述案例說明,在多簇結構等不均勻拓撲的分布式傳感器網(wǎng)絡中,節(jié)點之間的通信鏈接對信息的流通速度具有重要的影響力。因此,為加速網(wǎng)絡節(jié)點對目標狀態(tài)的一致性估計,需要根據(jù)網(wǎng)絡中節(jié)點間的拓撲特性來設計合理的一致性速率因子,即不同節(jié)點的信息在一致性融合過程中應具有不同的速率因子。從直觀上分析,一種加速一致性收斂的方法就是根據(jù)節(jié)點間通信鏈接的重要性來設計該鏈接對應的速率因子,也就是說,越為重要的鏈接應該賦予更高的權值,尤其是類似于圖2中連接了2個局部網(wǎng)絡的“橋梁”鏈接。

(4)

綜上,為提高不均勻拓撲網(wǎng)絡中節(jié)點對目標狀態(tài)的一致性收斂速度,基于Jaccard相似度,提出了基于動態(tài)拓撲的一致性速率因子分配(adaptive assignment algorithm for consensus-rate factor, ACF)算法,其具體設計過程如表3所示。節(jié)點首先廣播自身鄰居信息,然后根據(jù)自身與鄰居在拓撲結構方面的相似性來計算不同通信鏈接對應的一致性速率因子,具體總結如下。

表3 ACF具體步驟

2.4 AW-KCF算法描述

對于典型一致性狀態(tài)估計方法KCF,其假定的運行條件是網(wǎng)絡中所有傳感器均能實時觀測到目標,且需要預知固定且相同的一致性速率因子,這在節(jié)點觀測受限的大型分布式傳感器網(wǎng)絡中難以獲取滿意的估計性能。在此,本文在KCF的基礎上,引入第2.3節(jié)提出的動態(tài)自適應一致性速率因子計算方法ACF,將KCF擴展至分布式傳感器網(wǎng)絡一致性狀態(tài)估計框架,提出了AW-KCF算法(ACF也可用于其他類似的一致性估計方法),其具體估計過程如表4所示。

表4 AW-KCF算法步驟

續(xù)表4

3 驗證與分析

為驗證本文所提自適應權值分配策略ACF對一致性估計的有效性,以下構建了隨機拓撲的分布式傳感器網(wǎng)絡對所提方法AW-KCF與典型方法KCF進行仿真比較。需要說明的是,不失一般性,本文的仿真實驗中隱去了相關變量的距離單位,可根據(jù)具體應用參考本文中的仿真環(huán)境設置及仿真結果。本文仿真中,將NS=50個節(jié)點隨機部署在100×100的方形區(qū)域,各節(jié)點具有同等的通信半徑Rc。若任何兩個節(jié)點之間的距離小于Rc,則認為這兩點是可以進行正常通信的。圖3顯示了不同通信半徑下的隨機拓撲網(wǎng)絡。

圖3 不同通信半徑下的隨機拓撲網(wǎng)絡(50個節(jié)點)Fig.3 Random geometric graphs with different communicationradius (50 nodes)

由圖3可見,當通信半徑較小時(Rc=20),網(wǎng)絡展現(xiàn)出多簇結構,簇間的通信鏈接對一致性收斂速度影響較大。隨著通信半徑的增大,網(wǎng)絡中的可行通信鏈接逐漸增多,最終將實現(xiàn)全連通網(wǎng)絡。目標狀態(tài)轉(zhuǎn)移及量測模型如式(1)與式(2)所示,且有

此外,KCF采用AW-KCF中同樣的一致性迭代方式,只是KCF中設置一致性速率因子為固定值ζ=0.65/Δmax,其中Δmax為網(wǎng)絡中的最大節(jié)點度,而AW-KCF采用動態(tài)自適應的一致性速率因子。

為考察不同網(wǎng)絡拓撲情況下一致性速率因子對收斂速度的影響,假定網(wǎng)絡中的節(jié)點均能觀測到監(jiān)測區(qū)域中的目標,即NC=NS,均值估計誤差表示為

(5)

圖4 均值估計誤差隨一致性迭代次數(shù)變化情況Fig.4 Performance comparison of different number of consensus

由圖4可見,當節(jié)點的通信半徑較小時,AW-KCF的一致性收斂速度明顯快于KCF,并且在一致性迭代次數(shù)較少時取得優(yōu)于KCF的估計精度。這是因為,較小的通信半徑造成網(wǎng)絡連通較為稀疏,容易形成多簇結構,而對于一致性收斂,簇間的鏈接相對于其他節(jié)點間鏈接來說更為重要。此時,若將節(jié)點間所有鏈接對應的速率因子視為相等,一致性收斂速度勢必受到網(wǎng)絡中部分“橋梁”鏈接的負面影響。從方法設計及仿真結果來看,AW-KCF通過對網(wǎng)絡拓撲結構的分析,根據(jù)節(jié)點間通信鏈接的重要性設計了動態(tài)自適應的速率因子,能夠較好地分配速率權值,在收斂速度方面取得了改進效果。例如,圖4(a)中,KCF執(zhí)行9次一致性迭代才趨于收斂,而AW-KCF僅需5次。隨著節(jié)點通信半徑的增大,網(wǎng)絡中的通信鏈接不斷增多,單次一致性迭代所能融合的傳感器信息也在逐漸增加。因此,KCF與AW-KCF的均值估計誤差曲線逐漸趨于一致,如圖4(b)～圖4(d)所示。上述仿真結果說明,在稀疏連通的網(wǎng)絡中,有必要根據(jù)一致性節(jié)點集內(nèi)成員構成的拓撲結構來設計動態(tài)變化的速率因子,從而能夠加速網(wǎng)絡一致性收斂。

4 結 論

針對傳感器網(wǎng)絡中節(jié)點對目標的分布式一致性估計問題,研究了節(jié)點協(xié)同一致性狀態(tài)估計框架,根據(jù)狀態(tài)估計功能的層次性和信息處理及流通方式,提出了4級功能模型,揭示了一致性狀態(tài)估計技術中的數(shù)據(jù)處理及融合過程;其次,考慮到網(wǎng)絡不均勻拓撲時一致性收斂較慢的情況,根據(jù)節(jié)點間通信鏈接的重要性設計了基于網(wǎng)絡局部動態(tài)拓撲信息的自適應權值分配策略,并以經(jīng)典的KCF方法為例,基于動態(tài)自適應的一致性速率因子提出了相應的改進算法,在非均勻拓撲的稀疏網(wǎng)絡中顯著提高了一致性收斂速度。