溫 雅，賈 婧，張 賓，王 洋，安 琪

（1.北方自動(dòng)控制技術(shù)研究所，太原 030006；2.駐太原地區(qū)第二軍代室，太原 030006）

0 引言

在陸、海、空、天、電五維一體的聯(lián)合作戰(zhàn)背景下，針對(duì)云、煙、霧、塵等復(fù)雜氣象環(huán)境以及復(fù)雜電磁環(huán)境，為滿足復(fù)雜戰(zhàn)場環(huán)境態(tài)勢感知理解的需求，需要微波、毫米波、可見光、紅外、雷達(dá)、電子支援措施、敵我識(shí)別等有源、無源傳感器的合理分配，實(shí)現(xiàn)智能的感知環(huán)境和目標(biāo)。因此，作為聯(lián)合作戰(zhàn)的“千里眼”的傳感器協(xié)同感知智能分配方法研究已成為一項(xiàng)迫切的任務(wù)，具有重要的現(xiàn)實(shí)意義。

Nash［1］在1977 年提出一種利用線性規(guī)劃技術(shù)對(duì)跟蹤目標(biāo)進(jìn)行傳感器-目標(biāo)分配方法，最先將優(yōu)化技術(shù)用于傳感器管理，2010 年，Hitchings 等人基于滾動(dòng)時(shí)域控制［2］，提出一種隨機(jī)控制逼近算法。國內(nèi)對(duì)傳感器分配方法的相關(guān)研究大都以傳感器-目標(biāo)的效能因子［3］為中心，效能最大化為目標(biāo)函數(shù)提出的人工智能優(yōu)化算法，如遺傳算法［4-5］、蟻群算法［6］等，這些算法都是基于效能最大化實(shí)現(xiàn)傳感器智能分配，沒有考慮異構(gòu)傳感器的感知能力及對(duì)復(fù)雜戰(zhàn)場環(huán)境的抗干擾能力。近年來，隨著戰(zhàn)場環(huán)境復(fù)雜化，目標(biāo)環(huán)境機(jī)動(dòng)性增強(qiáng)、復(fù)雜的氣象環(huán)境和電磁環(huán)境對(duì)傳感器產(chǎn)生較強(qiáng)干擾，單一傳感器獲取空間目標(biāo)信息不完備問題突出［7］。

針對(duì)以上難題，本文引入異構(gòu)傳感器智能感知［8］的概念，針對(duì)不同傳感器自身特征，考慮了傳感器抗干擾性能等因素，提出一種傳感器信息感知能力評(píng)估指標(biāo)體系并構(gòu)建了傳感器感知能力定量評(píng)價(jià)模型，計(jì)算出傳感器指數(shù)，再利用傳感器指數(shù)，考慮了有效覆蓋率、電磁環(huán)境變化、態(tài)勢變化等因素作為目標(biāo)函數(shù)，研究基于粒子群算法的智能傳感器分配方法。粒子群算法［9］采用了多粒子的并行運(yùn)算，是全局優(yōu)化算法里比較新的算法，在求解多維數(shù)、非線性和不可微的復(fù)雜問題上有著良好的表現(xiàn)。將該方法用于本研究，提高了傳感器的總體感知能力及資源有效利用率，優(yōu)化了傳感器網(wǎng)絡(luò)對(duì)監(jiān)視區(qū)域的有效覆蓋率。

1 傳感器感知能力建摸

傳感器指數(shù)［10］（傳感器感知信息能力指數(shù)）是衡量傳感器信息獲取能力的重要標(biāo)志，與裝備器材的各項(xiàng)性能直接相關(guān)。傳感器在作戰(zhàn)過程中的性能通過傳感器信息感知能力評(píng)估指標(biāo)體系綜合反映。結(jié)合復(fù)雜戰(zhàn)場環(huán)境下戰(zhàn)場態(tài)勢感知的軍事需求呈現(xiàn)出范圍廣、數(shù)量多、連續(xù)性、實(shí)時(shí)化和干擾因素多的特點(diǎn)［11］，本文建立了傳感器信息感知能力評(píng)估指標(biāo)體系如圖1 所示。

圖1 傳感器信息感知能力評(píng)估指標(biāo)體系

1）確定指標(biāo)權(quán)重的方法。采用問卷調(diào)查法，設(shè)計(jì)傳感器指數(shù)問卷向?qū)＜野l(fā)放，根據(jù)專家的反饋結(jié)果，利用特征根法及判斷矩陣一致性檢驗(yàn)方法計(jì)算出各指標(biāo)的權(quán)。

2）傳感器評(píng)估指標(biāo)值的確定及其規(guī)范化。本文傳感器信息感知能力評(píng)估指標(biāo)體系中的戰(zhàn)術(shù)技術(shù)性能指標(biāo)，都屬于其值越大越好的屬性，這些屬性的值通常由各個(gè)廠家在傳感器出廠時(shí)提供，只需對(duì)其收集整理。對(duì)于沒有提供的，例如，抗干擾能力，采用專家打分的方法給出屬性值。指標(biāo)的量化如表1 所示。

表1 定性效益型指標(biāo)的量化

3）加權(quán)和法計(jì)算傳感器指數(shù)。設(shè)傳感器感知能力模型第3 層的第j 個(gè)指標(biāo)的權(quán)為ωj及其屬性值為zij，因此，第i 個(gè)傳感器的指數(shù)為：

其中，n 為指標(biāo)數(shù)。先從各傳感器的戰(zhàn)術(shù)技術(shù)性能表中查出各種所需參數(shù)，不能查出的或較難確定的采用專家打分方法確定。然后將數(shù)據(jù)進(jìn)行規(guī)范化處理，結(jié)合指數(shù)各指標(biāo)的權(quán)重值，采用加權(quán)和法獲得指數(shù)。

2 異構(gòu)傳感器智能分配

2.1 粒子群優(yōu)化算法概述

粒子群優(yōu)化（PSO）算法［12］采用速度-位置搜索模型，每個(gè)粒子代表解空間中的一個(gè)解，適應(yīng)度函數(shù)決定解的優(yōu)劣程度。該算法隨機(jī)初始化為一群粒子，每個(gè)粒子在初始速度和位置的基礎(chǔ)上，基于自己歷史最好位置和群體的歷史最好位置來更新自己的速度和位置。該算法具有便于理解、概念簡明、實(shí)現(xiàn)方便、快速收斂及參數(shù)設(shè)置少等優(yōu)點(diǎn)［13］。

設(shè)粒子群中的一個(gè)粒子代表一種傳感器的位置分布方案。若傳感器個(gè)數(shù)為Nc，則粒子id 在第t代的狀態(tài)表示為：

式（4）中，第1 部分為粒子運(yùn)動(dòng)慣性，表示粒子運(yùn)動(dòng)且保持向前運(yùn)動(dòng)狀態(tài)的趨勢。ω 為慣性權(quán)重因子。指粒子關(guān)于歷史值的保留程度。ω 較大，即式（4）第1部分的乘積值較大，粒子在搜索域的搜索步長較大，粒子下次位置與上次位置的距離較大，則粒子全局搜索能力較強(qiáng)，但局部搜索能力較弱；ω 較小，則粒子在搜索域的搜索步長較小，在局部區(qū)域中的搜索次數(shù)較多，局部搜索能力強(qiáng)，但全局搜索能力較弱。在本文中ω 取值為0.5。

式（4）中，r1和r2為加速常數(shù)，為［0，1］內(nèi)均勻分布的隨機(jī)數(shù)，第2 部分代表粒子對(duì)于自己在搜索域運(yùn)動(dòng)的歷史最優(yōu)值的借鑒程度，粒子下一次運(yùn)動(dòng)時(shí)會(huì)依據(jù)自己歷史最優(yōu)位置；第3 部分目的是縮小其他粒子與全局最優(yōu)粒子之間的位置。

粒子群算法中各粒子通過依據(jù)自己的歷史位置并與群體中其他粒子保持信息共享，來搜索全局最優(yōu)解。r1和r2影響粒子對(duì)自己歷史經(jīng)驗(yàn)的借鑒程度和群體中其他粒子運(yùn)動(dòng)信息的程度。本文中r1和r2取值為2。

2.2 面向傳感器分配的粒子群優(yōu)化算法

根據(jù)干擾源的位置，重新部署傳感器，定義適應(yīng)度函數(shù)：

根據(jù)態(tài)勢變化（某一區(qū)域出現(xiàn)多個(gè)目標(biāo)，重點(diǎn)偵察），重新部署傳感器，定義適應(yīng)度：

4）根據(jù)式（11）和式（14）更新粒子，生成新的粒子群。

5）判斷最終結(jié)果是否滿足所求問題的優(yōu)化目標(biāo)，滿足則結(jié)束迭代，否則返回步驟2）。

3 仿真結(jié)果

從各傳感器的戰(zhàn)術(shù)技術(shù)性能表中查出各種所需參數(shù)，結(jié)合氣象環(huán)境對(duì)幾種常用傳感器的指數(shù)進(jìn)行計(jì)算，傳感器1 為可見光傳感器，傳感器2 為紅外傳感器，傳感器3 為探測雷達(dá)。

表2 晴天各傳感器指數(shù)

以上結(jié)果表明，晴天條件下，可見光、紅外、雷達(dá)傳感器指數(shù)相差不大；在惡劣氣象條件下（雨、霧、沙塵）下，可見光和雷達(dá)傳感器指數(shù)相差不大，但是大氣對(duì)紅外輻射的衰減嚴(yán)重，導(dǎo)致傳感器的指數(shù)降低。

表3 雨（霧、沙塵）天各傳感器指數(shù)

利用粒子群優(yōu)化算法對(duì)傳感器的位置進(jìn)行可見光、紅外、雷達(dá)傳感器進(jìn)行部署，首先針對(duì)電磁環(huán)境，避開干擾區(qū)域；其次，選擇傳感器感知能力高的傳感器類型進(jìn)行部署。本次實(shí)驗(yàn)中利用兩種傳感器對(duì)50 km*50 km 的區(qū)域進(jìn)行部署，圖2 表示算法訓(xùn)練過程，圖3 是部署結(jié)果，覆蓋率達(dá)到83.6%。仿真結(jié)果表明，粒子群算法初始化時(shí)，傳感器探測區(qū)域重疊程度高，有效覆蓋率較低，隨著迭代次數(shù)增加，目標(biāo)區(qū)域有效覆蓋率在達(dá)到較高值（83.6 %）后，趨于平穩(wěn)，但傳感器探測區(qū)域仍有盲區(qū)。

圖2 算法訓(xùn)練過程

圖3 傳感器部署結(jié)果

當(dāng)目標(biāo)識(shí)別概率低時(shí)，要求對(duì)重點(diǎn)目標(biāo)區(qū)域進(jìn)行多重覆蓋，提高識(shí)別概率，本實(shí)驗(yàn)基于兩種傳感器對(duì)黃色目標(biāo)區(qū)域進(jìn)行二重覆蓋，采用粒子群優(yōu)化算法對(duì)傳感器進(jìn)行分配，分配結(jié)果如圖4 所示。

圖4 重點(diǎn)區(qū)域傳感器部署結(jié)果

設(shè)置電磁環(huán)境干擾源，然后根據(jù)干擾源的位置，重新部署傳感器，如圖5 所示。

圖5 電磁干擾源環(huán)境下傳感器部署結(jié)果

依據(jù)態(tài)勢變化當(dāng)某一區(qū)域出現(xiàn)多個(gè)目標(biāo)時(shí)，將該區(qū)域設(shè)置為重點(diǎn)區(qū)域，重點(diǎn)區(qū)域需要完全覆蓋。圖6 是迭代次數(shù)500 次，重點(diǎn)目標(biāo)區(qū)域覆蓋度達(dá)到98%，非重點(diǎn)目標(biāo)區(qū)域達(dá)到42.6%；圖7 是迭代次數(shù)1 000 次，重點(diǎn)目標(biāo)區(qū)域覆蓋度達(dá)到100 %，非重點(diǎn)目標(biāo)區(qū)域達(dá)到73.2%。

圖6 依據(jù)態(tài)勢變化傳感器部署結(jié)果（a）

圖7 依據(jù)態(tài)勢變化傳感器部署結(jié)果（b）

仿真結(jié)果表明，粒子群算法在保證重點(diǎn)目標(biāo)區(qū)域優(yōu)先覆蓋的前提下，相當(dāng)程度上擴(kuò)大了目標(biāo)區(qū)域的覆蓋范圍。雖然非重點(diǎn)區(qū)域存在盲區(qū)，但此部署方案是綜合考慮優(yōu)先滿足重點(diǎn)區(qū)域全覆蓋，以及減少傳感器資源不必要的浪費(fèi)的結(jié)果，利用有限的傳感器資源最大程度上實(shí)現(xiàn)了目標(biāo)區(qū)域的有效覆蓋。

4 結(jié)論

在瞬息萬變的戰(zhàn)場環(huán)境中，戰(zhàn)場態(tài)勢、電磁環(huán)境等隨時(shí)都在變化，無疑增加了傳感器對(duì)環(huán)境的感知難度和復(fù)雜度，如何合理地部署傳感器尤其重要。本文提出的算法針對(duì)異構(gòu)傳感器自身特征，在構(gòu)建傳感器感知能力指標(biāo)體系時(shí)，考慮了傳感器的抗干擾性能等因素，通過驗(yàn)證，利用本文提出的基于粒子群優(yōu)化算法的異構(gòu)傳感器分配方法，能夠隨著環(huán)境變化對(duì)異構(gòu)傳感器進(jìn)行合理的分配。該算法提高了傳感器的總體感知能力及資源有效利用率。