[发明专利]视频传感器网络中基于双倍体遗传算法的多移动目标动态监测优化方法

摘要

一种视频传感器网络中基于双倍体遗传算法的多移动目标动态监测优化方法，在监测区域内随机部署视频传感器节点，线性预测移动目标下一时刻的位置，并给出了如何基于双倍体遗传算法来调度视频传感器节点动态监测移动目标的过程。该方法能够计算出每个监测节点为覆盖到尽可能多的移动目标需要旋转的角度，并且由服务器全局计算较优解，最后通知所有节点进行旋转。该发明能够有效地提高多移动目标的覆盖质量，动态地监测多移动目标，并用双倍体遗传算法的优化方法为实现高效的多目标动态监测提供了可能。

主权项

一种视频传感器网络中基于双倍体遗传算法的多移动目标动态监测优化方法，其特征在于：所述的方法包括以下步骤：(1)在监测区域内随机部署多个视频传感器节点，从服务器获取视频传感器节点集合S＝{Sj|j＝1,2,…m}；(2)从服务器更新监测移动目标序列，对新监测到的移动目标进行编号，并加入到移动目标集合T＝{Ti|i＝1,2,…n}中；(3)预测移动目标的下一刻位置(3.1)根据每个移动目标的前两个轨迹点线性预测下一个时刻的位置，设定移动目标当前位置为Pi<Xi,Yi>，移动目标Ti前两个轨迹点是Ti,t‑1<Xi,t‑1,Yi,t‑1>和Ti,t<Xi,t,Yi,t>，Ti,t‑1表示移动目标Ti在t‑1时刻的位置，Ti,t表示移动目标Ti在t时刻的位置，Pi由Ti,t‑1，Ti,t通过计算推出，假设在时间间隔Δt内目标i从点Ti,t<Xi,t,Yi,t>到Pi<Xi,Yi>以速度V做匀速直线运动，计算得到Ti,tPi所在的直线方程：y=Yi,t-Yi,t-1Xi,t-Xi,t-1X+Yi,t-Yi,t-Yi,t-1Xi,t-Xi,t-1Xi,t,]]>结合V=(Xi-Xi,t)2+(Yi-Yi,t)2Δt]]>计算得到移动目标Ti的预测位置Pi<Xi,Yi>Xi=Xi,t+(VΔt)2k2+1,ifXi,t-Xi,t-1≥0Xi,t-(VΔt)2k2+1,ifXi,t-Xi,t-1<0,]]>其中k=Yi,t-Yi,t-1Xi,t-Xi,t-1]]>Yi＝k(Xi‑Xi,t)+Yi,t(3.2)根据预测所有移动目标的位置和监测节点的可监测区确定节点可覆盖节点集合Y＝{Yij|i＝1,2…n,j＝1,2…m}，以监测节点位置为圆心，感知半径L为半径的圆形区域，称为可监测区，位于监测节点i可监测区内的移动目标j称为Yij；(4)监测节点创建一张覆盖旋转角度表(4.1)监测节点Sj依照Yij中给出可监测区内的所有移动目标，对每个移动目标Ti计算覆盖旋转角度，构成集合ΔA＝{ΔAj(i)|i＝1,2…n,j＝1,2…m}，节点根据自身的感知方向角计算出覆盖到移动目标Ti预测位置Pi需要旋转的角度ΔA，将信息添加到覆盖旋转角度表中；根据节点位置Sj和预测位置Pi计算向量的方向角di，计算节点的感知方向角与di的逆时针夹角angle；如果angle大于π，监测节点Sj需要旋转的角度ΔAj(i)＝2π‑angle‑α/2；如果angle小于π，监测节点Sj需要旋转的角度ΔAj(i)＝‑angle+α/2；(4.2)每个监测节点向服务器发送自己的覆盖旋转角度表；(5)基于双倍体遗传算法决策监测节点旋转(5.1)每个个体具有两条染色体，一条是显性染色体，一条是隐性染色体，分别对两条染色体进行编码，初始状态显性和隐性设置为相同的参数，其中，v为显性染色体，v’为隐性染色体；{v[ΔA1(i),ΔA2(i)...ΔAm(i)]，v’[ΔA1(i),ΔA2(i)...ΔAm(i)]}，i＝1,2...n；每条染色体都有m个基因位，每个基因位代表监测点Sj的旋转角度，并初始化群体；(5.2)设计适应度函数F：其中βi为的方向角(5.3)按照每个个体的显性染色体的适应度分配其被选择的概率，随机选择两个个体进行交叉操作；(5.4)对被选择的两个个体的显性染色体和隐性染色体分别进行交叉操作，在两条显性染色体上分别随机选择两个交叉点1≤a,b≤m，然后将两个交叉点之间的基因v1[ΔAa(i),ΔAa+1(i)...ΔAb(i)]，相互交换；交换后两条染色体分别为v1[ΔA1(i)...ΔA~a(i),ΔA~a+1(i)...ΔA~b(i)...ΔAm(i)],]]>v2[ΔA~1(i)...ΔAa(i),ΔAa+1(i)...ΔAb(i)...ΔA~m(i)];]]>隐性染色体交叉操作与显性染色体相同；(5.5)取群体中的个体，对其显性染色体作变异操作，随机挑选多个基因位ΔAj(i)以变异概率Pc作变动，即ΔAj(i)＝ΔAj(i)±ΔΛ，ΔΛ∈[0，2π]，对隐形染色体以变异概率Pc′作变动，Pc′∈(2Pc,1)；(5.6)对所有个体的染色体显隐性进行重新排定，个体中的两条染色体分别作适应度计算，适应值较大的染色体定为显性染色体，适应值较小的染色体定为隐性染色体；(5.7)从(5.3)开始循环每一个步骤直到达到迭代次数；(6)监测节点按照较优解旋转(6.1)遗传算法结束后，服务器获得遗传算法解得的较优个体，其显性染色体v[ΔA1(i),ΔA2(i)...ΔAm(i)]为较优解，每个基因位代表对应节点应旋转的角度ΔA；(6.2)服务器将较优解回传给每个监测节点，节点寻找到自己的基因位，并且进行旋转；(6.3)等待一个时间步长后重新计算，直至监测结束。