基于改进象群算法的多传感器资源调度方法.pdf

第45卷第5期2023年10 月探测与控制学报Journal of Detection&ControlVol.45 No.5Oct.2023基于改进象群算法的多传感器资源调度方法李琦1，韦道知1，谢家豪1（1.空军工程大学防空反导学院，陕西西安7 10 0 43;2.解放军936 0 5部队，北京10 2 10 0）摘要：针对传统多传感器调度模型构建时要素考虑不周全，求解算法控制参数多、全局寻优能力弱、收敛速度慢等问题，在综合考虑传感器探测有利度、传感器负载、传感器交接次数和约束条件下优化传感器调度模型，借鉴正余弦算法（SCA)和反向学习（OBL）机制对象群（EHO)算法进行改进，并将其应用到传感器调度模型求解过程中。仿真实验结果表明,该算法显著增强了全局搜索能力和收敛速度,验证了调度模型的可行性。关键词：多传感器调度方法；改进象群算法；调度最佳方案中图分类号：TP212Multi-sensor Collaborative Detection Resource Scheduling MethodBased on Improved Elephant Optimization AlgorithmLI Qil-2,WEI Daozhi,XIE Jiahaol(1.Air Defense and Anti-Missile College,Air Force Engineering University,Xian 710043,China;2.Unit 93605 of PLA,Beijing 102100,China)Abstract:Aiming at the problems of insufficient consideration of the elements in the construction of the tradi-tional multi-sensor scheduling model,the problem of multiple control parameters,weak global optimization abil-ity,and slow convergence speed of the algorithm,the sensor scheduling model was optimized under the condi-tion of comprehensive consideration of sensor detection favorability,sensor load,sensor handover times and con-straints,and then the elephant optimization algorithm(EHO)was improved by referring to the sine-cosine algo-rithm(SCA)and reverse learning(OBL)mechanism,and applied to the sensor scheduling model solvingprocess.Simulation experiments showed that the algorithm significantly enhanced the global search ability andconvergence speed,and verified the feasibility of the scheduling model.Key words:multi-sensor scheduling;improved elephant optimization algorithm;target detection0引言在当前信息化、智能化作战背景下，空天作战能力迅猛发展。面对“隐身化、无人化、多域化、集群化、智能化”等新型空天目标威肋，单个传感器在探测范围、探测信息类别、探测精度等方面能力有限，很难完成对目标信息的整体跟踪探测，更难以适应复杂多变的作战环境和作战需求。在此情况下，需要多传感器协同进行优化以发挥传感器网络最大效能。*收稿日期：2 0 2 3-0 4-2 0基金项目：国家自然科学基金项目（6 17 0 342 4)作者简介：李琦（1995一），男，江苏徐州人，硕士研究生。通信作者：韦道知（197 7 一），男，陕西西安人，教授，博士生导师。文献标志码：A文章编号：10 0 8-1194(2 0 2 3)0 5-0 10 6-0 7对于“传感器协同探测”来讲，其核心就是根据某种度量指标确定传感器之间的最佳“协同方式”,在传感器调度过程中也被称为“传感器调度方案 1-4。在过去的十年中，大量的群智能优化算法被提出，鲸鱼优化算法（WOA）51、黏菌优化算法(SMA)6、粒子群算法（PSO)7、布谷鸟算法(CSA)8和象群算法（EHO)9等在解决多种优化问题方面有很多成功的应用。除此之外，近几年群智能优化算法在传感器资源分配问题方面的研究也成为热点10-12。文献13在传统的粒子群算法中引(6)李琦等：基于改进象群算法的多传感器资源调度方法人免疫策略，较大程度提升了算法的全局搜索能力，减少了传感器网络的能耗。文献14在多部雷达分配目标时引用萤火虫算法，一定程度提高了目标分配的速度和效果。文献15在研究传感器分配中，通过引人粒子群算法并进行优化，提高了传感器资源分配效率。文献16 提出了基于蚁群算法的多传感器优化分配模型，通过仿真实验证明了其可行性。文献17 通过精英策略对蛙跳算法进行升级，提高了传感器网络配置算法的收敛速度与时间满意度，文献18 通过引人种群进化策略对布谷鸟算法进行改进，提高了目标分配的速度和精度。文献19通过改进猴群算法对传感器配置进行优化，寻优能力和收敛精度得到加强。文献2 0 在解决多约束条件下目标分配问题中通过研究引人多种群遗传算法，提高了算法的搜索能力。文献2 1在多传感器任务调度中，通过添加方向系数和远离因子对粒子群算法进行优化，解决了局部收敛的缺陷。上述文献中，虽然调度算法在收敛性或稳定性等某一方面得到了改善，但在多目标、复杂和复合多传感器调度优化问题中，调度模型构建考虑因素不全面,缺少说服力；并且在智能搜索算法运用中，由于算法本身的随机特征，存在控制参数设置过多、计算复杂、容易陷人局部最优等缺陷。针对以上问题，由于EHO算法具有全局优化能力、控制参数数量少、实现策略简单等优点，本文选择将EHO算法和反向学习机制(OBL)22及正余弦算法(SCA)23相结合，提出一种基于IEHO算法的多传感器调度方法，并将其应用到求解传感器调度模型中。1传感器调度模型建立1.1决策变量1,在调度区间T内传感器i对目标可视tT=(O,在调度区间T内传感器i对目标；不可视(1)矩阵t=给门表示传感器对目标的可视化矩阵。（1，传感器i对目标i探测跟踪SAT(0，传感器i不对目标i探测跟踪矩阵S=s T 门表示传感器对目标的探测跟踪矩阵。(1,传感器i在探测区间T内与目标i匹配冷T=0,传感器i在探测区间T内与目标不匹配(3)107因此，传感器调度方案可以写成式（4)的解矩阵，该矩阵包含目标、传感器和时间三维信息。XT=T-tTJsT=：Laiti1Tsi：Lti1tT Lsi1.2目标函数1）传感器探测效益最大为提高传感器的探测跟踪效果，在对目标进行探测跟踪时，应选择探测跟踪效益最大的传感器执行任务，在进行多传感器调度建模过程中，由于不同类型的传感器探测影响因素不同，接收到的目标信息不同，本文以传感器和目标之间的距离以及传感器的探测角度来研究传感器探测效益。传感器对目标的探测效益函数可定义为fi=2=1 j=1eitimeT(max一minmax一 min式（5）、式（6)中，6 分T表示传感器i对目标i探测效益；I表示传感器数量；J表示目标数量；sm表示传感器i对目标i的开始时间；efre表示传感器i探测目标i的结束时间；l表示传感器i对目标i探测距离；Lmax、Lmi n 分别为传感器i对目标i最大和最小探测距离；0,表示传感器i对目标j探测角度；max、m i n 分别为传感器i对目标j最大和最小探测角度。2）传感器负载最小当传感器i对目标探测全过程中，传感器完成探测跟踪任务的负载为time.timeeiSi在传感器调度时间区间T内，各类传感器的总负载为(2)3）传感器交接次数最少当目标的运动超过传感器的探测范围或者传感器状态发生改变时，需要考虑在调度区间内传感器之间的交接。对调度区间内的传感器的交接次数进：Si.time(4)(5)Lmin(Lmaxax-LminLmaxLnin.AT。i-1 j-1(7)(8)108行统计有利于判断传感器是否存在跟丢目标的情况，将相邻两个传感器的探测跟踪矩阵对应元素进行“异或逻辑运算，可以计算出发生状态改变的传感器数目。f=i=1 j=11.3约束条件1）传感器探测跟踪可行性约束本文建立的模型的求解是指在调度区间T内随着传感器与目标的可视化情况对应生成的传感器对目标探测跟踪与否的方案，故矩阵t与s内的对应元素存在如下关系：0tTsAT1。2）传感器观测时间约束传感器在执行探测跟踪任务时，观测时间应在调度区间内,即taTef-sfAT,ViEIjEJ。3）传感器探测跟踪能力约束不同传感器因其自身能力与容量设计存在差异，导致每个传感器的探测跟踪目标的数量不能超过其最大的探测跟踪能力，即(12)j-14）传感器探测跟踪目标最大数量约束为防止出现多个传感器同时探测跟踪一个目标，根据不同传感器的性能要求，要在实现对目标的连续探测和稳定跟踪的同时避免传感器资源的浪费，应约束传感器资源的最大数量。即2C(13)i-11.4调度模型在前面建立的目标函数和约束条件的基础上，建立如下多传感器调度多目标的调度模型：maxf(.)=afi(.)-bf2()-cf:(.)0TsT1e-sAT,ViEl.jEJS.t.3SmaxCmxi=1式(14)中,a、b、c 分别为探测效益函数、负载函数以及切换函数的权重比，a十b十c=1。探测与控制学报2多传感器调度算法2.1基本象群(EHO)算法原理1）部落更新操作(9)象群算法（elephant herding optimization，EHO)是通过模拟自然界大象部落放牧过程中的社会行为来求解问题的近似解或者最优解2 4-2 5。算法主要分为两个过程，即部落更新操作和部落分离操作。来自不同部落的大象在其女族长的领导下一起生活,其他大象的位置都根据女族长和自身的位置进(10)行更新，位置更新公式如式(15)所示。女族长的位置根据部落中心的位置进行更新，由式(16)表示。Cnew.c=a.+X(Cbest.c-c.)X,式(15)中，new.c和.分别是大象在部落c中的新位(11)置和旧位置；代表部落中女族长对大象个体的影响因子,E0,1;用来增加每一代的种群多样性，EO,1；C b e s t,c 定义了部落中最适合的大象个体。每个象群部落中最合适的大象位置更新可以如下实现Cbest.c=X(acenter.c),式(16)中,设置为0 和1之间的随机数，它控制着部落中心对女族长位置的影响，其中部落中心被定义为Cenered=Zn式(17)中，n.是部落c中的大象数量，c.a是大象个体。的第d个维度,1 dD,D是搜索空间的总维数。2）部落分离操作每个部落c中适应度最差的个体在当它成熟时将远离部落，在空间中进行随机搜索以增加全局搜索性能，它们的位置更新表达式为worst.c=min+(amax一min+1)Xrand，(18)，式（18)中，max和min分别表示种群中大象搜索位置的上、下限,randEo,1。2.2改进象群(IEHO)算法原理虽然基本象群算法能够较好地解决寻优问题，(14)算法简单，易于实现，但是由于象群优化算法的初始解都是随机生成的，且在空间进行随机搜索,存在收敛速度较慢和易陷人次优区域的问题，同时在部落分离操作位置更新中，采用的是随机更换的方式，适(15)(16)(17)开始反向象群部落并计算其适应度从种群和反向种群中选择最好的个体李琦等：基于改进象群算法的多传感器资源调度方法应度最差的个体可能被移动到更差的位置，不能保证搜索获取更优解。针对此问题，通过引人交替使用正余弦算法（SCA)和反向学习机制（OBL)对算法性能进行改进。2.2.1正余弦算法(SCA)正余弦算法是Seyedali于2 0 16 年提出的利用正余弦函数的数学模型使解震荡性地趋于最优解的一种方法2 0。针对算法分离操作步骤中适应度最差个体的位置随机替换，采用正余弦算法使适应度最差个体的每个位置都采用了信息正余弦函数共享策略进行替换，使其总是在当前局部最优解周围更新位置,这样能够保证搜索不断趋向于空间的最佳区域，获取更优解。其位置更新方程为Cwost.e+n X sin(r2)X rg Xabest.cwors.e l,r40.5式(19)中,%2 E(0,2元),E(0,2),4E(0,1)为均匀分布的随机数；best.c为当前最优解个体的位置；1为控制参数，表示为1=a(式(2 0)中，a为一个常数，t为当前迭代次数，Tmax为最大化迭代次数。2.2.2反向学习策略(OBL)反向学习策略是由Tizhoosh等人提出的用于改进元启发式算法的收敛性，找到优化问题全局最优解的一种重要方法2 1。它是通过反向学习产生候选解的反向位置,随后采取贪策略从当前候选解和反向候选解中寻找最优解决方案，求解思路如下：1）更新当前的搜索区域区间；2）设定一个反向学习跳变率P(P。E0,1,且为一个常数),产生一个随机数rand(randEo,1，且为一个常数)，如果randJ。，则进行反向学习；否则，不进行反向学习；3）根据一般反向学习公式，产生与N个候选解对应的N个反向候选解，其由式(2 1)表示：X/=Xmx+Xmin-X,X,EXmx,Xmin,(21)式(2 1)中,X,是d 维空间中的一个候选解,X;是X;的反向候选解；4）从候选解U反向候选解2 N个总体中选择109最好的N个个体组成新的群体。本文的OBL算法具体实现：首先，在象群总体初始化中使用OBL，通过在整个搜索域中搜索解，提高收敛速率，避免陷入局部最优；其次，在总体解更新阶段，使用OBL来检查相反方向的更新是否优于当前更新。2.2.3算法流程改进象群算法(IEHO)流程图如图1所示。对象群部落进行初始化(Tmx,N、Xma x,Xmi n)通过反向学习产生反向象群部落根据适应度对大象进行排序，从初始种群和反向种群中选择前N个个体组成新象群部落进行部落更新和部落分离操作，(19)寻找象群部落中最优解和最差解通过正余弦算法更新当前最差解位置(20)更新种群，通过反向学习产生T.max组成最新群体否是否结束寻优是输出最终结果结束图1改进象群算法(IEHO)流程图Fig.1 Improved elephant algorithm(IEHO)flow chart3仿真实验结果与分析3.1仿真条件为验证本文算法的有效性，仿真参数如下：侦察卫星8 颗，部署高度为30 0 km，采用2 2 2 的Walker星座模型，轨道倾角为55。X波段地基雷达1个,L波段球载雷达1个，探测距离30 0 0 1105000km,空基预警机1个，探测距离7 0 0 1000km，探测容量均为10。假设在某时刻有8 个目标1目标2目标3目标4目标5目标6 目标7目标8探测能力能耗传感器10.044传感器20.654传感器30.058传感器40.281传感器50.448传感器60.439传感器70.007传感器80.173传感器90.983传感器100.0403.2算法改进前后传感器调度方案求解对比分析分别采用基本象群算法(EHO)和改进象群算法(IEHO)对调度方案进行求解。种群容量N=100，最大迭代次数Tmx=100，仿真结果对比如图2所示，传感器调度最优方案对比如表2 所示。1.00.950.900.850.800.750.700.650.60%102030405060708090100送代次数图2 改进前后算法适应度值对比Fig.2 Comparison of algorithm fitness values beforeand after algorithm improvement从图2 可以看出，虽然两个算法最终都收敛到定值，但是收敛速度和最终收敛的值存在差异性，IEHO算法收敛速度较快，在第10 次达到稳定，能更快地得到更好的解，最终收敛到0.98 1,EHO算法收敛速度较慢，在第2 5次达到稳定最终收敛到0.786,这说明了IEHO算法的优越性。探测与控制学报空袭目标,则传感器对目标探测精度及能耗归一化后如表1 所示。表1传感器对目标的探测能力及能耗Tab.1Sensor target detection capability and energy consumption0.0810.7120.6010.3880.3490.4000.0940.0470.9170.2750.8620.5420.2210.7520.1960.9710.0330.4150.1630.612?10y0.9808325￥0.7 8 580.8920.0320.3320.9450.4630.4710.1580.9880.3880.940Improved EHO algorthmEHOalgorithm0.3310.5150.5710.5010.2110.2610.0160.0730.9890.501Tab.2Comparison of optimal sensor scheduling schemes基本象群优化算法目标传感器适应度能耗传感器适应度能耗11、5.6、1022、5、6、833、8.9、1043.5、751、8、1063、5.8、972、3、5、8.1084、5、7、10从表2 中可以看出，采用IEHO算法生成的方案中对于每个目标的探测跟踪过程中传感器利用率比较高，减少了传感器资源浪费问题，并且适应度和能耗方面均优于EHO算法。3.3改进前后算法时间复杂度分析上述两种优化算法的计算复杂度主要取决于种群容量N、最大代次数T和搜索空间的总维数D。EH O 算法的时间复杂度为O(NXDXT),基于EHO种群初始化方法的时间复杂度为ONXD),利用正余弦算法更新搜索阶段位置的时间复杂度为O(NXDXt)，假设引用OBL反向学习实现时0.9370.1720.9160.6520.2330.5480.0360.8000.6620.652表2 最优传感器调度方案对比改进象群优化算法0.6830.111.100.7410.12.6、100.8750.070.8860.091.3.90.9330.080.7750.090.7370.071.100.8540.091.3.80.9110.111.3.50.9630.080.5530.110.0440.7170.1480.6560.1720.7580.3920.7410.6790.6560.159100.670100.766140.633120.098100.60180.713100.12970.616100.633140.8450.0530.9570.020.8830.050.9360.071.50.7530.060.030.020.020.020.030.030.040.020.030.02李琦等：基于改进象群算法的多传感器资源调度方法间为t,则此时算法的时间复杂度为 O(NXDXT十t)=O(NXDXT)。由此可以看出 IEHO算法增加了复杂度，但两者处于同一数量级，计算成本没什么差别,因此可以认为，在没有额外成本的情况下,IE-HO算法比EHO算法性能更好。3.4使用不同优化算法求解对比分析为进一步说明IEHO算法的优势，将本文算法与鲸鱼优化算法（WOA）、黏菌优化算法（SMA）、基本象群算法(EHO)、粒子群优化算法（PSO)和布谷鸟算法(CSA),关于求解目标函数适应度值、算法运行时间以及探测精度进行对比。各算法参数设置如表3所示。表3算法参数设置Tab.3Algorithm parameter setting算法N=100,Tmax=100,o=0.5,=0.1,po=0.3,IEHOCbest.c=2,ri E2,0,r2=(2元)Xrand(),rs=2XrandO,r4=rand()SMAN=100,Tmax=100,V,E-1,1,V.E0,1WOAN=100,Tmx=100,b=1EHON=100,Tmax=100,=0.5,=0.1,Cbest.=2PSON=100,Tmx=100,w=1,wdamp=0.99CSAN=100,Tmax=100,Pa=0.25,P,=0.6图3中给出了上述不同算法求解目标函数的适应度值曲线。图4给出了不同算法的迭代次数、运行时间和求解精度对比曲线。1.00.90.80.70.60.50.40.3102030405060708090100送代次数图3不同算法适应度值对比Fig.3Comparison of fitness values of different algorithms从图3中可以看出，尽管所有的算法最终都收敛到定值，但是收敛速度和最终收敛的值存在差异。结合图4可以看出IEHO算法比其他算法都能更快地得到更好的解，收敛速度最快，最终收敛到1110.956,这说明了IEHO算法的优越性。EHO算法收敛速度最慢，最终收敛到0.6 9 8。主要是因为本文设计算法时将算法在每个阶段存在的劣势进行改进，优化了解的质量。选代欢数180160140数12 021008088980IEHO SMA WOA EHO PSOCSA图4不同算法迭代次数、运行时间和求解精度对比Fig.4Comparison of fitness values of different algorithms从图4中不同算法的迭代次数、运行时间和求解精度对比结果可以注意到IEHO算法的优势,IE-参数设置HO算法的迭代次数、运行时间和求解精度均优于其他算法，与EHO算法相比，迭代次数减少39次，求解精度提高6 2%，运行时间提高90%。主要原因是IEHO算法通过利用正弦算法在搜索阶段对算法中种群的位置进行更新，在开发阶段通过反向学习更新算法位置方程来不断寻找新的有前景的区域。这种方法有助于防止算法陷入局部最优，改进了EHO算法的局部搜索。4结论本文提出基于改进象群算法的多传感器调度方法。首先建立多传感器调度多目标优化模型，其次通过交替使用正余弦机制和反向学习策略对象群算90.87845y0.88136470.7213632y0.7163运行时间一求解精度法的种群多样性、搜索开发之间的平衡和容易陷人局部最优的问题进行了改进。通过仿真实验，进一0.698.4560SMA algorthmaproved EHO algorthmEHO.algorithmWOAalgorithmPsoalgorithmCSA.algorithm步验证了改进后的算法具有较强的全局寻优能力和较快的收敛速度，在多传感器调度应用中具有较高的可行性和实效性。参考文献：1JPANG C,SHAN G L.The prediction formula and arisk-based sensor scheduling method in target detectionwith guiding informationJJ.Defence Technology,2020,16(2):447-452.2WANG H,GE J J,ZHANG D,et al.Sensor selectionfor target tracking based on single dimension informationgain J.The Journal of Engineering,2019(20):6562-1126565.3JGONG Y,MA Z,WANG M,et al.A new multi-sens-or fusion target recognition method based on complemen-tarity analysis and neutrosophic set J.Symmetry,2020,12(9):1435.4SHAN G,XU G,QIAO C.A non-myopic schedulingmethod of radar sensors for maneuvering target trackin-gand radiation controlJ.Defence Technology,2020,16(1):242-250.5JMIRJALILI S,LEWIS A.The whale optimization algo-rithmJJ.Advances in Engineering Software,2016,95:51-67.6JLI S,CHEN H,WANG M,et al.Slime mould algorit-hm:A new method for stochastic optimizationJ.Fu-ture Generation Computer Systems,2020,111:300-323.7JWANG Y,LI B,WEI S T,et al.Self-adaptive learn-ing based particle swarm optimizationJ.InformationSciences,2011,181(20):4515-4538.8JSHADKAM E,BIJARI M.Evaluation the efficiency ofCucko0 optimization algorithmJJ.Eprint Arxiv,2014,4(2):1398-403.9ELHOSSEINI M A,EI S R A,RASHWAN Y I,et al.On the performance improvement of elephant herding op-timization algorithm J.Knowledge-Based Systems,2019,166(FEB.15):58-70.1oJCHAUDHARI B.Role of swarm intelligence algorith-ms on secured wireless network sensor environment-Acomprehensive reviewJ.International Journal of Per-formability Engineering,2022(2):18.11JPANG C,SHAN G L.Risk-based sensor schedulingfor target detectionJ.Computers&,Electrical Engi-neering,2019,77:179-190.12JWANG W,WANG W F,LI C Y,et al.Multi-sensorscheduling method based on Cuckoo and particle swarmoptimization algorithmJ.Journal of Physics:Confer-ence Series,2020,1651(1).13唐丽晴，胡云琴.改进免疫粒子群算法的传感器网络预警系统J.电子测试，2 0 2 1（13）：6 2-6 4.14JSEKIGUCHI H,FUNAKI T.Proposal for measure-ment method of transfer impedence of current probe探测与控制学报J.IEEE Transactions on Electromagnetic Compatibil-ity,2014,56(4):871.15温雅，贾婧,张宾等。一种基于粒子群优化算法的异构传感器分配方法J.火力与指挥控制，2 0 2 1，46（4）：54-58.16陈鹏波，那彦.多传感器优化分配问题蚁群算法求解J，电子科技，2 0 11,2 4（3）：94-96.17XIAO J,LIU Y,ZHANG Y,et al.A novel sensortask allocation method based on quantum elite shuffledfrog leaping algorithm in IWSNsJ.Journal of Phys-ics:Conference Series,2021,1924(1).18李宜芮，张云志，王刚，等.基于改进布谷鸟算法的目标分配问题J.火力与指挥控制，2 0 18，43（1）：6 2-6 6.19杜国璋,马丽.改进的猴群算法在传感器优化布置中的应用J.传感器与微系统，2 0 15,34（8：152-155.20周凯，姜文志，陈邓安.基于多种群遗传算法的直升机编队目标分配J.计算机与数字工程，2 0 16，44（9）：16 95-1699.21史国庆,武凡,张林，等。一种基于改进粒子群算法的机载多传感器任务分配方法J.西北工业大学学报，2018,36(4):722-727.22ABEB-ALGUNI B H,AIDEEN N A,AZMI M A,etal.Opposition-based sine cosine optimizer utilizing re-fraction learning and variable neighborhood search forfeature selectionJ.Applied intelligence(Dordrecht,Netherlands),2022,53(11):1-11.23JLONG W,WU T,LIANG X,et al.Solving high di-mensionalglobal optimization problems using an im-proved sine c-osine algorithmJJ.Expert Systems WithApplic-ations,2018,123:108-126.24JYASSERI R,MOSTAFA A E,RAGAB A E,et al.On the performance improvement of elephant herdingoptimization algorithmJJ.Knowledge-Based Systems,2019,166:58-70.25MEENA N K,PARASHAR S,SWARNKAR A,etal.Improved elephant herding optimization for multiob-jective DER accommodation in distribution systemsJJ.IEEE Transactions on Industrial Informatics,2018,14(3):1029-1039.