[发明专利]无线传感器及执行器网络中多因素任务分配方法

说明书

本发明提供的无线传感器及执行器网络中多因素任务分配方法，将其作为任务完成效果的评判指标。对目标参数和节点自身状态等多种影响任务效能的因素进行分析，通过极差正规化对正向和逆向指标区别处理，建立线性加权的任务效能函数，更全面地反映目标威胁程度和节点价值对系统的综合影响。对多因素任务分配问题进行分析，构建以任务效能函数为评价指标的数学模型，以获得系统整体最大综合任务效能为优化目标。

技术领域

本发明属于技术领域，具体涉及无线传感器及执行器网络中多因素任务分配方法。

背景技术

无线传感器及执行器网络(Wireless Sensor and Actuator Network,WSAN)通常由一组传感器节点和执行器节点协作形成自组织网络，共同实现分布式感知和动作执行。传感器收集来自物理世界的信息，而执行器作出决定，对环境采取相应的动作。由于结合了无线传感器网络和网络控制系统的优势，无线传感器及执行器网络在抢险救灾、精准农业、智能家居、国防军事等领域有着广阔的应用前景。

在诸如智能雷场等WSAN的军事应用中，所有雷弹节点通过分布式传感器对复杂战场环境数据进行采集，在网络间进行信息交互，协同决策分析得到最优化操作方案，将其依据一定的指令格式在网络中发布，各执行器节点根据接收到的指令对来袭目标群进行攻击。在这样的应用中，目标任务分配决策的核心问题是如何利用采集到的战场环境数据分析得到最优化的节点-目标分配方案。

有些现有方法利用排队论结合目标速度等因素分析智能雷场对目标的作战效能，为作战效能分析提供了理论基础。有些现有技术综合考虑雷弹与目标间距离、角度、速度等相对关系，将智能雷场中弹目分配问题，从进行威胁分析，以最小化敌方威胁作为优化目标，建立智能雷场综合攻击决策模型，通过蚁群方法进行解算，并给出了仿真结果。有些现有技术分析了智能雷场中目标分配问题的优选准则，从空间关系、时间约束和物质约束等方面考虑目标分配的约束条件，并给出相应条件下的优选目标函数，随后对应用场景进行仿真和模型解算。该优选目标函数更多的考虑雷弹本身的电量、模块工作状态，通信条件等，未过多考虑目标威胁对优选目标分配的影响。

发明内容

针对现有技术中的缺陷，本发明提供无线传感器及执行器网络中多因素任务分配方法，能够结合多种影响任务效能的因素进行分析，更全面地反映目标威胁程度和节点价值对系统的综合影响。

无线传感器及执行器网络中多因素任务分配方法，包括以下步骤：

S1：建立无线传感器及执行器网络监控范围内节点的相对坐标系，通过探测计算得到目标方位，得到节点和目标的相对态势；

S2：分析影响任务效能的因素，通过各因素值和任务效能的正负相关性确定正向指标和逆向指标，利用目标与节点的参数值构成指标矩阵；

S3：进行指标无量纲化：采用极差正规化方法，得到各指标矩阵的正规化形式；

S4：建立任务效能的线性加权和公式，通过层次分析法确定线性加权和公式中各项权重系数，列出指派问题的系数矩阵；

S5：将指派问题的系数矩阵转换为标准指派问题的系数矩阵，建立多因素任务分配问题的数学模型；

S6：通过多尺度量子谐振子优化算法求解多因素任务分配问题的数学模型，输出优化后的节点目标分配方案。

优选地，所述步骤S3中，各指标矩阵的正规化形式如下：

式中，V_i为第i项指标评价值；X_i为第i项指标实测值；X_imax为第i项指标最大值；X_imin为第i项指标最小值；其中positive为正向指标，表示该指标与任务效能正相关；negative为逆向指标，表示该指标与任务效能负相关。