基因算法優(yōu)化方法

專利名稱：基因算法優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明總體上涉及改進(jìn)的優(yōu)化方法。特別地，本發(fā)明涉及基因算法并且可以用于對(duì)高度多模式和欺騙函數(shù)進(jìn)行優(yōu)化，其一個(gè)例子為選擇一個(gè)傳感器網(wǎng)絡(luò)的傳感器個(gè)體用于跟蹤一個(gè)特定目標(biāo)。
背景技術(shù)：
對(duì)具有多個(gè)獨(dú)立變量的高度多模式和欺騙函數(shù)進(jìn)行優(yōu)化是非常耗費(fèi)時(shí)間的，這是因?yàn)檫@些函數(shù)所展現(xiàn)出的大的搜索空間和多個(gè)最適合條件。通常，函數(shù)具有越多的獨(dú)立變量，優(yōu)化過程就越難實(shí)現(xiàn)。
特別難以優(yōu)化的函數(shù)通常共享某種特性，這些特性包含多模式、不可微分性、不連續(xù)性、特征類型(不規(guī)則)變量、以及大量的獨(dú)立變量。這種函數(shù)的經(jīng)典的數(shù)學(xué)例子包含例如Rastringin的函數(shù)、欺騙函數(shù)、Holland的Royal Road函數(shù)。
還存在許多實(shí)際的情況，在這些情況中，由高度多模式和/或欺騙函數(shù)來(lái)表示問題。這種實(shí)際情況的例子包含在計(jì)算機(jī)/無(wú)線網(wǎng)絡(luò)中對(duì)路由器的選擇、對(duì)芯片上晶體管的組織、例如蛋白質(zhì)折疊和RNA折疊的生物計(jì)算應(yīng)用、可展開的硬件、工作車間調(diào)度和維護(hù)調(diào)度問題、制定時(shí)間表、通過傳感器網(wǎng)絡(luò)跟蹤目標(biāo)、傳感器部署計(jì)劃工具以及對(duì)傳感器網(wǎng)絡(luò)的控制和管理。對(duì)傳感器網(wǎng)絡(luò)的控制和管理將作為一個(gè)示例性的大型多模式的實(shí)際問題被進(jìn)一步考慮。
無(wú)人看管的地面?zhèn)鞲衅?“UGS”)可以極大地增加軍事行動(dòng)的有效性和能力。在市場(chǎng)上最容易買到的UGS是獨(dú)立工作的多功能、集成傳感器平臺(tái)。UGS的一個(gè)例子是一種聲學(xué)UGS，該聲學(xué)UGS包含三個(gè)聲學(xué)麥克風(fēng)(用于實(shí)現(xiàn)準(zhǔn)確的方位角測(cè)量)、一個(gè)地震傳感器、一個(gè)磁傳感器、一個(gè)全球定位傳感器、一個(gè)方位傳感器、集成通信和信號(hào)處理電子器件，以及一個(gè)電池。這樣一個(gè)平臺(tái)的體積通常約為1ft3(28320cm3)，并且價(jià)格非常昂貴。因?yàn)榇嬖谶@些缺點(diǎn)，這種UGS通常不被用來(lái)支持用于小的、快速可部署的軍事行動(dòng)的遠(yuǎn)程監(jiān)視應(yīng)用。
對(duì)這種較大的、昂貴的傳感器平臺(tái)的一種替換的方案是使用大約為2in3(大約33cm3)的小型UGS，這種小型UGS比較便宜并且可方便地由單個(gè)戰(zhàn)斗機(jī)對(duì)其進(jìn)行部署。較小的傳感器，例如那些在這種小型UGS中使用的傳感器，通常只能在較短范圍內(nèi)進(jìn)行通信和目標(biāo)感應(yīng)，并且可能僅可以感應(yīng)單個(gè)目標(biāo)特性(如地震振動(dòng)或化學(xué)探測(cè))。另外，較小的傳感器通常具有較短的工作壽命，這是由于電池較小的緣故。由于這些特性，為了實(shí)現(xiàn)與較大的UGS所能實(shí)現(xiàn)的目標(biāo)相同的目標(biāo)，不得不部署更多的這種小UGS。但是，單獨(dú)進(jìn)行工作的單個(gè)小型UGS將不能執(zhí)行監(jiān)視任務(wù)。
對(duì)這種問題的一種替換的方案是將這種小的、低造價(jià)的UGS“散播”在監(jiān)視區(qū)域，并且使這些傳感器可以對(duì)它們自己進(jìn)行組織并協(xié)同工作。如這樣的一種UGS網(wǎng)絡(luò)將會(huì)具有體積較大的單個(gè)進(jìn)行工作的傳感器所不具有的許多優(yōu)點(diǎn)。例如，位于中間的UGS可以為位于較遠(yuǎn)位置的傳感器充當(dāng)“短距離”通信中繼站。一個(gè)網(wǎng)絡(luò)中具有更多傳感器可以允許具有不同類型的傳感器，這將使得網(wǎng)絡(luò)的聯(lián)合操作具備更廣泛的功能。另外，網(wǎng)絡(luò)中內(nèi)置的冗余將會(huì)使得該網(wǎng)絡(luò)受單點(diǎn)故障和/或傳感器信號(hào)丟失的影響較小。
為了使具有多個(gè)小的、便宜的UGS的網(wǎng)絡(luò)能夠以可以接受的方式進(jìn)行工作，必須開發(fā)出一種用來(lái)組織和控制這樣一種網(wǎng)絡(luò)的算法和方法。以下的問題被認(rèn)為是一個(gè)沒有唯一的解決方案的多目標(biāo)優(yōu)化問題選擇一個(gè)傳感器的最佳集合用來(lái)對(duì)進(jìn)入監(jiān)視區(qū)域的目標(biāo)進(jìn)行探測(cè)、跟蹤以及分類，而與此同時(shí)使該傳感器網(wǎng)絡(luò)的功率消耗最小化。另外，如果目標(biāo)或傳感器數(shù)目是按線性規(guī)律增加的，則優(yōu)化會(huì)導(dǎo)致組合的搜索空間按照指數(shù)規(guī)律增加。
美國(guó)專利No.6055523(Hillis)公開了一種用于在使用一個(gè)或多個(gè)傳感器進(jìn)行的多目標(biāo)跟蹤中分配傳感器報(bào)告的方法。該方法通過多次時(shí)間掃描從至少一個(gè)傳感器接收傳感器報(bào)告，使用公式將基因算法總體中的個(gè)體表示為這些傳感器報(bào)告的排列，并且然后使用標(biāo)準(zhǔn)基因算法技術(shù)來(lái)發(fā)現(xiàn)被跟蹤的目標(biāo)的路徑。該方法使用基因算法來(lái)確定被跟蹤的目標(biāo)的路徑，而不是選擇傳感器或傳感器報(bào)告以進(jìn)行使用。
因此，需要一種改進(jìn)的算法，該算法可以為了完成對(duì)性能的多個(gè)不同變量同時(shí)進(jìn)行優(yōu)化的目的而從網(wǎng)絡(luò)中選擇單個(gè)的傳感器。
發(fā)明概述根據(jù)本發(fā)明，提供了一種用于從一個(gè)傳感器網(wǎng)絡(luò)中選擇傳感器以用于對(duì)至少一個(gè)目標(biāo)進(jìn)行跟蹤的方法，該方法具有以下步驟定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器，根據(jù)想要的跟蹤的特性來(lái)定義適合性函數(shù)，選擇一個(gè)或多個(gè)個(gè)體并將其包含進(jìn)一個(gè)初始總體，對(duì)該初始總體執(zhí)行一種基因算法直到所規(guī)定的趨同(convergence)標(biāo)準(zhǔn)被滿足，其中基因算法的執(zhí)行具有以下步驟從該總體中選擇最適合的個(gè)體，從該總體中選擇隨機(jī)個(gè)體以及通過該最適合的和隨機(jī)選擇的個(gè)體來(lái)創(chuàng)造后代。
根據(jù)本發(fā)明的另一種實(shí)施方案，提供了一種用于從一個(gè)傳感器網(wǎng)絡(luò)中選擇傳感器以用于對(duì)至少一個(gè)目標(biāo)進(jìn)行跟蹤的方法，該方法具有以下步驟定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器，根據(jù)想要的跟蹤的特性來(lái)定義適合性函數(shù)，選擇一個(gè)或多個(gè)個(gè)體并將其包含進(jìn)一個(gè)初始總體，對(duì)該初始總體執(zhí)行一種基因算法直到所規(guī)定的趨同標(biāo)準(zhǔn)被滿足，其中對(duì)基因算法的執(zhí)行具有以下步驟從該總體中選擇最適合的個(gè)體，以及通過該最適合的個(gè)體創(chuàng)造后代，其中僅通過突變來(lái)實(shí)現(xiàn)對(duì)后代的創(chuàng)造，其中在任何一次突變期間僅有i個(gè)染色體發(fā)生突變，并且其中i的值為從2到n-1。
根據(jù)本發(fā)明的另一種實(shí)施方案，提供了一種用于跟蹤目標(biāo)的傳感器網(wǎng)絡(luò)，包含N個(gè)傳感器、一種用于N個(gè)傳感器與控制器進(jìn)行通信的裝置和一個(gè)可以通過利用根據(jù)本發(fā)明的方法從而控制和管理該N個(gè)傳感器的控制器。
優(yōu)選地，通過突變、交叉(crossover)或者它們的組合來(lái)創(chuàng)造后代。更加優(yōu)選地，僅通過突變來(lái)實(shí)現(xiàn)對(duì)后代的改變。
優(yōu)選地，后代的改變發(fā)生在i個(gè)染色體，其中i的值從2到n-1，其中n是組成一個(gè)染色體的基因的數(shù)目。更加優(yōu)選地，i的值為2。
附圖簡(jiǎn)述

圖1描述了一個(gè)基因算法的總體的一般結(jié)構(gòu)。
圖2描述了代表一個(gè)基因算法中的步驟的普遍化的流程圖。
圖3a描述了一種單點(diǎn)、單染色體交叉。
圖3b描述了一種雙點(diǎn)、單染色體交叉。
圖4a描述了一種突變，其中因?yàn)橥蛔兊母怕?，僅有一個(gè)基因發(fā)生了突變。圖4b描述了一種突變，其中因?yàn)橥蛔兊母怕?，兩個(gè)基因發(fā)生了突變。
圖5描述了一種根據(jù)本發(fā)明的單點(diǎn)、C2交叉。
圖6描述了一種根據(jù)本發(fā)明的C2突變。
圖7描述了一種基因算法的結(jié)構(gòu)，該基因算法用于為目標(biāo)跟蹤/標(biāo)識(shí)選擇最佳傳感器的過程。
圖8描述了一種代表根據(jù)本發(fā)明的一個(gè)方面的方法的普遍化的流程圖，該方法用于控制和管理一個(gè)傳感器網(wǎng)絡(luò)。
圖9描述了八種算法在使傳感器控制優(yōu)化方面的性能的平均最佳適合性。
圖10描述了圖9中所表示的五種算法所進(jìn)行的優(yōu)化所必需的時(shí)間和有效性。
圖11描述了圖10中所描述的五種算法改進(jìn)百分比隨時(shí)間發(fā)生變化的情況。
優(yōu)選實(shí)施方案詳述發(fā)明裝置根據(jù)本發(fā)明的一種裝置包含至少一個(gè)傳感器、一個(gè)處理器，以及一種基因算法。
術(shù)語(yǔ)“實(shí)體”將被用于對(duì)本發(fā)明的通篇描述。術(shù)語(yǔ)實(shí)體應(yīng)該被理解為廣泛地包含多種不同的電子術(shù)語(yǔ)，例如任何被用于感應(yīng)目標(biāo)或者可以被用于感應(yīng)目標(biāo)的傳感器，或者在計(jì)算機(jī)或無(wú)線網(wǎng)絡(luò)中的路由器。實(shí)體一般是指，例如可以被用來(lái)探測(cè)目標(biāo)的一種特性的傳感器。這種特性的例子包含速度、位置、方位、類型(或者標(biāo)識(shí))、大小。本發(fā)明并不限于任意特定類型或數(shù)量的傳感器。盡管一種優(yōu)選的實(shí)施方案包含小的、便宜的傳感器，通篇使用的實(shí)體這一術(shù)語(yǔ)并不受此限制?？商鎿Q地，術(shù)語(yǔ)實(shí)體還可以指從任意類型的實(shí)體(例如一個(gè)傳感器)中接收到的數(shù)據(jù)。
優(yōu)選地，用于本發(fā)明的一種實(shí)施方案的傳感器是這樣一種傳感器它小于大約2in3(大約33cm3)，它的生產(chǎn)和運(yùn)行成本都比較低，并且可以被容易地部署。這樣一種傳感器幾乎可以是任意類型的傳感器，包含但并不限于聲學(xué)傳感器、地震傳感器、機(jī)械傳感器，或者半導(dǎo)體激光傳感器。許多公司生產(chǎn)的傳感器都可以被用于本發(fā)明的一種實(shí)施方案，這樣的公司的例子包含但不限于Northrop-Grumman、SenTech、Raytheon、BAE、Aliant and Rockwell Sciences Center。
術(shù)語(yǔ)“網(wǎng)絡(luò)”是指多于一個(gè)的傳感器，這些傳感器可以與其它傳感器進(jìn)行通信并且受一個(gè)或多個(gè)系統(tǒng)或處理器的控制。網(wǎng)絡(luò)中的一些傳感器可能并不能被使用，例如因?yàn)樗鼈兛赡茉诜秶?，或者它們的電池沒電了，或者可能僅僅是它們未被使用但仍然被認(rèn)為是網(wǎng)絡(luò)的一部分。網(wǎng)絡(luò)中的傳感器之間的通信可以通過有線或無(wú)線方式來(lái)實(shí)現(xiàn)。只要存在用于控制傳感器的一個(gè)單獨(dú)的計(jì)劃或方法，一個(gè)單個(gè)的處理器或者多個(gè)不同的處理器就可以控制該網(wǎng)絡(luò)。
術(shù)語(yǔ)“處理器”是指一個(gè)或多個(gè)設(shè)備，這一個(gè)或多個(gè)設(shè)備可以確定如何控制和管理傳感器以及實(shí)際地對(duì)傳感器進(jìn)行控制和管理。通常，這種處理器包含可以執(zhí)行本方法的必要的步驟并可以控制網(wǎng)絡(luò)的單個(gè)傳感器的任意可以被使用的處理系統(tǒng)。可以執(zhí)行處理器功能的處理系統(tǒng)的例子包含但不限于一種500MHz Compaq膝上型計(jì)算機(jī)?？梢岳斫?，控制可編程計(jì)算機(jī)的軟件程序、基于硬件的裝置都可以替換地實(shí)施本方法并且是本發(fā)明的設(shè)備的一部分，其中基于硬件的裝置包含通用的或由客戶設(shè)計(jì)的集成電路設(shè)備，這些通用的或由客戶設(shè)計(jì)的集成電路設(shè)備包含集成電路微處理器和永久指令保持存儲(chǔ)器。
術(shù)語(yǔ)“目標(biāo)”是指正在被跟蹤的物體、動(dòng)物，或者人類。優(yōu)選地，正在被跟蹤的目標(biāo)為一個(gè)物體，例如一個(gè)陸地或空中交通工具。通常，對(duì)傳感器進(jìn)行配置從而獲得關(guān)于該目標(biāo)的一些類型的信息。這些信息可以包含但不限于該目標(biāo)的大小、標(biāo)識(shí)、速度，以及方位。
術(shù)語(yǔ)“感應(yīng)”或者“被感應(yīng)”是指獲得關(guān)于目標(biāo)的一些信息隨時(shí)間而發(fā)生變化的情況的過程。通過感應(yīng)而獲得的這些信息包含但不限于經(jīng)典的通過跟蹤、取平均值從而獲得的目標(biāo)位置隨時(shí)間發(fā)生變化的信息。這種位置通常為2維x、y坐標(biāo)，或者3維x、y、z坐標(biāo)。感應(yīng)還包含獲得其它關(guān)于標(biāo)識(shí)的信息，例如目標(biāo)的一些物理特性。
基本基因算法本發(fā)明的方法和設(shè)備使用改進(jìn)的基因算法。為了理解該改進(jìn)的基因算法，首先將對(duì)基本基因算法和它們的術(shù)語(yǔ)進(jìn)行討論。
基因算法是基于自然選擇和遺傳學(xué)的搜索算法。通常來(lái)講，它們將適者生存的概念和信息的隨機(jī)化交換結(jié)合在一起。每個(gè)基因算法代中都有一個(gè)包含個(gè)體的總體。這些個(gè)體可以被看作正被解決的問題的候選解決方案。在每個(gè)連續(xù)的代中，使用上一代的最適合的部分從而創(chuàng)造一個(gè)新的個(gè)體集合。但是，還要非經(jīng)常性地將隨機(jī)化新信息包含進(jìn)來(lái)，以便使重要數(shù)據(jù)不會(huì)丟失和被忽視掉。
圖1舉例說(shuō)明了基因算法所基于的結(jié)構(gòu)。基因算法的一個(gè)基本概念是它就一個(gè)總體中的個(gè)體而言對(duì)一個(gè)問題的可能的解決方案進(jìn)行了定義。染色體100，也被稱作位字符串，包含多個(gè)基因105，其中該基因105也被稱作特征、特性、或者位。每個(gè)基因105具有一個(gè)等位基因，或者可能值110。一個(gè)特定的基因105還具有一個(gè)位置或者字符串位置115，該位置或者字符串位置115表示基因在染色體100中的位置。
在一個(gè)正在運(yùn)行的基因算法中，通過對(duì)問題的可能的解決方案進(jìn)行編碼從而確定染色體100。例如，考慮到達(dá)一個(gè)特定目的地的可能的路線以及完成每種路線所需的時(shí)間。多種因素將會(huì)決定任意一種特定的路線將會(huì)花費(fèi)多長(zhǎng)的時(shí)間，這些因素中的一些因素包含，例如路線的長(zhǎng)度、該路線上的交通流量狀況、該路線上的路面狀況，以及該路線上的天氣情況?？梢酝ㄟ^為這些因素(或者基因105)的每個(gè)因素賦值(或者同位基因110)從而為每個(gè)路線構(gòu)建染色體100。
一個(gè)基因型，也被稱作結(jié)構(gòu)或者個(gè)體120，可以包含一個(gè)或多個(gè)染色體100。在圖1中，一個(gè)基因型120包含3個(gè)單獨(dú)的染色體100。依此類推，如果問題包含用于包含多個(gè)路段的總路程的多種可能的路線，那么就存在具有多于一個(gè)染色體100的基因型或者個(gè)體120。該總路程的每個(gè)路段將會(huì)有一座城市(或者染色體100)。一組個(gè)體120組成總體125?？傮w125中的個(gè)體120的數(shù)量(所謂的總體大小)取決于正在被解決的特定的問題。
在前面已經(jīng)解釋了基因算法運(yùn)行所基于的結(jié)構(gòu)，接下來(lái)將討論這些基因算法運(yùn)行的方式。圖2描述了一種基因算法的運(yùn)行情況。
第一步是初始化步驟150。初始化是通過由操作基因(operator)指定涉及基因算法運(yùn)行的方式的一些細(xì)節(jié)來(lái)實(shí)現(xiàn)的。需要在初始化步驟150被指定或者被選擇的細(xì)節(jié)包含，例如總體大小、特定的操作基因發(fā)生的概率，以及對(duì)最終解決方案的預(yù)期。初始化所必需的細(xì)節(jié)部分地取決于基因算法的準(zhǔn)確的運(yùn)行。在初始化時(shí)被選擇的參數(shù)可以使用基因算法支配為了確定想要的解決方案所必需的時(shí)間和資源。還應(yīng)該理解，該初始化步驟150是可選的，這是因?yàn)橥ㄟ^初始化步驟150獲得的所有信息可以被包含在算法自身當(dāng)中，并且在該初始化步驟期間可以不用要求用戶輸入。
基因算法中的下一步是對(duì)初始總體的選擇步驟155。對(duì)初始總體的選擇通常是通過對(duì)個(gè)體120的隨機(jī)選擇來(lái)實(shí)現(xiàn)的，但是也可以通過其它方法來(lái)實(shí)現(xiàn)。組成初始總體的個(gè)體120的數(shù)量部分地是由在初始化步驟150所選擇的參數(shù)來(lái)確定的。通常，使用一個(gè)隨機(jī)數(shù)發(fā)生器通過為每個(gè)染色體100中的每個(gè)基因105確定值110從而創(chuàng)建初始總體。
接下來(lái)，被隨機(jī)選擇的總體的個(gè)體120的適合性在適合性的確定步驟160中被確定。個(gè)體120的適合性取決于指派基因算法對(duì)其進(jìn)行優(yōu)化的特定的問題。例如，適合性可能取決于個(gè)體120的成本、個(gè)體120對(duì)于特定任務(wù)的有效性，或者它們的組合。個(gè)體120的適合性必須可以定量地被測(cè)量和確定，例如使用一個(gè)公式?？傮w中的每個(gè)個(gè)體120都具有一個(gè)特定的適合性值。
下一步是檢查趨同標(biāo)準(zhǔn)是否已經(jīng)被實(shí)現(xiàn)的步驟165。在經(jīng)典的基因算法中，這一步驟通常指在進(jìn)行檢查的時(shí)候查看個(gè)體的適合性是否滿足某些定義的適合性標(biāo)準(zhǔn)。通常，在實(shí)際的應(yīng)用中，適合性的可能的或者可接收的水平可能是未知的，所以基因算法例如在一些代后被停止，或者在其中最適合的個(gè)體不發(fā)生變化的一些代后被停止。在以上兩種情況的任意一種情況中，這一步驟檢查從而確定要求，即代的數(shù)量或是總體的適合值，是否已經(jīng)得到了滿足。任意給定的總體要么會(huì)滿足該標(biāo)準(zhǔn)，要么不會(huì)滿足該標(biāo)準(zhǔn)。如果總體滿足了趨同標(biāo)準(zhǔn)，該總體將會(huì)被認(rèn)為是用來(lái)跟蹤目標(biāo)的傳感器的最佳總體，也就是最終總體。在這種情況下，接下來(lái)的步驟是最終總體的輸出步驟185。最終總體的輸出可以通過多種不同的方式來(lái)實(shí)現(xiàn)，包含但不限于將最終總體的屬性打印為一種硬復(fù)制版本、將最終總體的屬性保存為電子格式，或者使用最終總體來(lái)控制或管理一些過程。
如果檢查趨同標(biāo)準(zhǔn)是否已經(jīng)被實(shí)現(xiàn)的步驟165顯示該總體并沒有滿足所要求的標(biāo)準(zhǔn)，那么接下來(lái)的步驟是交配集合選擇步驟170?；蛩惴ㄖ械慕慌浼线x擇步驟170可以通過多種方式來(lái)實(shí)現(xiàn)，但是通常部分地基于所涉及的個(gè)體的適合性。例如，可以使用偏置的輪盤來(lái)選擇個(gè)體，其中該偏置基于個(gè)體的適合性。用來(lái)選擇交配集合的另一種方法嚴(yán)格地基于適合性值；總體中的一定比例的最適合個(gè)體被選擇從而進(jìn)行交配。還有另一種方法使用比賽選擇，首先，隨機(jī)選擇k個(gè)個(gè)體120。然后，確定每k個(gè)元組中最適合的個(gè)體120，并且這些個(gè)體被復(fù)制進(jìn)交配集合。
接下來(lái)的步驟是后代的創(chuàng)造步驟180。在該步驟中，對(duì)在交配集合選擇步驟170中選擇的雙親進(jìn)行有修改或無(wú)修改地組合以創(chuàng)造后代。并不是交配集合所創(chuàng)造的每個(gè)成員都要在后代的創(chuàng)造步驟180中被修改。通常，交配集合的一個(gè)特定的成員是否要被修改是由概率確定的。例如，這些概率既可以在初始時(shí)被指定，也可以通過從交配總體或交配對(duì)中獲得的信息來(lái)確定。可以通過多種方式來(lái)實(shí)現(xiàn)對(duì)后代的修改，所述方式被稱作操作基因。通常，按照給定的概率對(duì)交配集合的成員施加操作基因。通常所使用的操作基因包含但不限于交叉、突變、倒位、優(yōu)勢(shì)改變、分離和易位，以及染色體內(nèi)復(fù)制。這里僅解釋交叉和突變。
交叉是這樣一種方法，通過該方法，兩個(gè)不同的染色體100上的基因105被分散到這兩個(gè)染色體100之間。單點(diǎn)交叉是通過沿染色體100隨機(jī)選擇一個(gè)位置k來(lái)實(shí)現(xiàn)的，該位置位于1和染色體長(zhǎng)度減1之間。兩個(gè)后代是通過交換位于位置k+1和染色體100的全長(zhǎng)之間的所有基因105被創(chuàng)造出來(lái)的。有多種不同類型的交叉，包含但不限于單點(diǎn)、雙點(diǎn)、一致(uniform)。還可以在一個(gè)個(gè)體120的一個(gè)或多個(gè)染色體100上實(shí)現(xiàn)交叉。通常，僅在一個(gè)染色體上或在每個(gè)染色體上實(shí)現(xiàn)交叉。
圖3a舉例說(shuō)明了一種單點(diǎn)、單染色體交叉。在兩個(gè)未經(jīng)修改的后代個(gè)體120上選擇一個(gè)交叉點(diǎn)130。位于包含交叉點(diǎn)130的基因105之內(nèi)的等位基因110被交換到交叉點(diǎn)130之后?；?05僅在該染色體100上被交換。在進(jìn)行完交叉之后，創(chuàng)造出了被修改的后代個(gè)體120’。圖3b舉例說(shuō)明了一種雙點(diǎn)、單染色體交叉。在雙點(diǎn)、單染色體交叉中，交叉點(diǎn)130和第二交叉點(diǎn)132是在同一個(gè)染色體100內(nèi)隨機(jī)選擇的。在這種交叉中，在到達(dá)第二交叉點(diǎn)132之前，在一個(gè)染色體100之內(nèi)位于交叉點(diǎn)130之后的等位基因110被交換，在第二交換點(diǎn)132處，等位基因110保持它們和在最初的染色體100中相同。理論上，在任意一個(gè)染色體中，有多少個(gè)基因105就可以選擇多少個(gè)交叉點(diǎn)。
突變是這樣一種方法，通過這種方法，染色體100上的一個(gè)或多個(gè)基因105被修改。按照通常在基因算法的初始化步驟中被確定的突變的概率來(lái)選擇用于突變的基因105。在一次事件中可以對(duì)一個(gè)染色體100上的多于一個(gè)基因105進(jìn)行突變。突變的概率通常比交叉的概率要低得多。突變通常被認(rèn)為是用來(lái)確保有用的基因不會(huì)丟失的一種方法。在一個(gè)或多于一個(gè)染色體100上可以發(fā)生多個(gè)突變?？梢园l(fā)生突變的染色體100的數(shù)量的范圍是從1到n，其中n是在一個(gè)個(gè)體120中的染色體100的數(shù)量。
圖4a表示了一種單染色體突變?；?05處的占據(jù)突變點(diǎn)140的等位基因110被改變?yōu)槟撤N其它的等位基因110。在一種二進(jìn)制編碼中，突變是將0變?yōu)?，或者將1變?yōu)?。因?yàn)橥ǔ０l(fā)生突變的概率比較低，所以某些基因發(fā)生突變，而某些基因不發(fā)生突變。在后代的創(chuàng)造步驟180之后，適合性的確定步驟160被重復(fù)，在適合性的確定步驟160之后跟有檢查是否已經(jīng)實(shí)現(xiàn)趨同標(biāo)準(zhǔn)的步驟165。如果總體沒有滿足標(biāo)準(zhǔn)的話，該循環(huán)就一直進(jìn)行。如上述，如果總體滿足了趨同標(biāo)準(zhǔn)，就執(zhí)行輸出步驟185并且算法被完成。
改進(jìn)的基因算法為了解決例如傳感器網(wǎng)絡(luò)的控制和管理的多模式問題，本發(fā)明包含改進(jìn)的基因算法。在前面進(jìn)行的對(duì)基本的基因算法的討論形成了在這里所提供的改進(jìn)的算法的基礎(chǔ)。本發(fā)明使用了三種單獨(dú)的改進(jìn)。這些改進(jìn)可以被分別用于基本的基因算法，可以被共同用于基本的基因算法，可以被用于非基本的基因算法，或者以上這幾種情況的組合。
在本發(fā)明中使用的第一種改進(jìn)被稱作Ci交叉。Ci交叉描述了這樣一種交叉的發(fā)生，該交叉恰好影響一個(gè)個(gè)體120中的i個(gè)染色體100。每個(gè)交叉可以為任意類型的交叉，包含但不限于單點(diǎn)、多點(diǎn)，或者一致。單點(diǎn)交叉是當(dāng)基因材料，也就是等位基因110，的交換僅發(fā)生在每個(gè)受到影響的染色體100的單個(gè)點(diǎn)處。多點(diǎn)交叉是當(dāng)基因材料，也就是等位基因110，的交換僅發(fā)生在每個(gè)受到影響的染色體100的多個(gè)點(diǎn)處(如雙點(diǎn)交叉執(zhí)行雙親中的兩個(gè)點(diǎn)之間的交換)。一致交叉是當(dāng)來(lái)自雙親的基因被隨機(jī)打亂。用于Ci交叉的i的值可以從1變化到n，其中n是個(gè)體120中的染色體100的數(shù)量。優(yōu)選地，根據(jù)本發(fā)明的用于Ci交叉的i的值從2到n-1。更加優(yōu)選地，用于Ci交叉的i的值是2。本發(fā)明的優(yōu)選的C2交叉可以包含任意類型的交叉，包含但不限于單點(diǎn)、雙點(diǎn)，或者一致。優(yōu)選地，優(yōu)選的C2交叉包含單點(diǎn)類型的交叉。
圖5表示在兩個(gè)個(gè)體120之間的一種單點(diǎn)、C2交叉。在一種單點(diǎn)C2交叉中，從個(gè)體中隨機(jī)選擇兩個(gè)染色體從而對(duì)其進(jìn)行交叉。然后為兩個(gè)個(gè)體120隨機(jī)選擇相同的交叉點(diǎn)130。染色體100上的位于交叉點(diǎn)130之后的等位基因110在兩個(gè)個(gè)體120之間被交換。所得到的個(gè)體120’被顯示在圖5的底部。恰好有兩個(gè)染色體經(jīng)歷了交叉。
在本發(fā)明中使用的另一種改進(jìn)被稱作Ci突變。Ci突變描述了這樣一種突變的發(fā)生，這種突變恰好影響一個(gè)個(gè)體120中的i個(gè)染色體100。盡管只有i個(gè)染色體100受到Ci突變的影響，在每個(gè)染色體100上可以有多于一個(gè)的突變。在單個(gè)的染色體100上可以發(fā)生的突變的數(shù)量的范圍可以從1到m，其中m是一個(gè)染色體100中的基因105的數(shù)量(這由突變的概率所決定)。進(jìn)一步，如果有多于一個(gè)染色體100受到突變的影響(如果i大于1)，那么每個(gè)受到影響的染色體100可以具有相等或者不相等的突變的數(shù)量。
用于Ci突變的i的值可以從1變化到n，其中n是個(gè)體120中染色體100的數(shù)量。優(yōu)選地，根據(jù)本發(fā)明的用于Ci突變的i的值為從2到n-1。更加優(yōu)選地，用于Ci突變的i的值為2。
圖6描述了C2突變。個(gè)體120至少具有兩個(gè)染色體100和100’。在C2突變這種特定的例子中，隨機(jī)選擇兩個(gè)染色體用于對(duì)其進(jìn)行突變。然后如通常所做的那樣，按照突變的概率(在初始化時(shí)被定義或者被某種其它的方法所定義)將突變應(yīng)用于每個(gè)被選擇的染色體的每個(gè)基因。在突變點(diǎn)140、142和144處的基因105的等位基因110會(huì)被不同的等位基因110所替代。得到的突變的染色體100”和100導(dǎo)致了突變的后代個(gè)體120’。
根據(jù)本發(fā)明在基因算法中使用的另一種改進(jìn)是對(duì)選擇要在交配步驟175中進(jìn)行交配的雙親的方法的改進(jìn)。通常，雙親都是被隨機(jī)選擇的，或者雙親是基于它們的適合性被選擇的(如通過在前面所提到過的輪盤選擇、比賽選擇、等級(jí)選擇)。在本發(fā)明的基因算法中使用的改進(jìn)會(huì)導(dǎo)致一種被稱作國(guó)王(king)基因算法的基因算法。在國(guó)王基因算法中，被選擇用于交配的第一雙親總是總體中最適合的個(gè)體120?？傮w中最適合的個(gè)體120是通過在算法中使用的適合性的特定的測(cè)量標(biāo)準(zhǔn)來(lái)被確定的。該雙親被用作第一配偶從而創(chuàng)造下一代的每個(gè)成員。被選擇用來(lái)與第一雙親進(jìn)行交配的雙親被稱作第二雙親，并且該第二雙親是通過一種隨機(jī)方法來(lái)選擇的。用于選擇第二雙親的方法包含但不限于輪盤選擇、比賽選擇，或者隨機(jī)數(shù)生成。
該改進(jìn)不同于基本的基因算法，這是因?yàn)榛镜幕蛩惴ㄍǔＪ褂孟嗤愋偷姆椒▉?lái)選擇雙親。例如，通過轉(zhuǎn)盤選擇來(lái)選擇雙親或者通過比賽選擇來(lái)選擇雙親。
盡管根據(jù)本發(fā)明的基因算法包含那些具有上述三種改進(jìn)中的任意一種改進(jìn)或者這些改進(jìn)的組合的基因算法，但本發(fā)明優(yōu)選的基因算法為使用C2突變的國(guó)王基因算法和使用C2交叉的國(guó)王基因算法。使用C2突變的國(guó)王基因算法包含選擇總體中最適合的個(gè)體作為雙親，接著僅進(jìn)行C2類型的突變(僅對(duì)2個(gè)染色體100進(jìn)行突變)。因?yàn)閮H發(fā)生突變(交叉的概率為零，Pc＝0)，所以僅需要出現(xiàn)一對(duì)雙親，因而第二雙親就不用被選擇。但是，在任意一個(gè)染色體100上可以發(fā)生突變的基因105的數(shù)量是不受限制的，并且在兩個(gè)發(fā)生突變的染色體100上所發(fā)生的突變的數(shù)量不必是相等的。
本發(fā)明的第二優(yōu)選的基因算法為使用C2交叉和C2突變的國(guó)王基因算法。該算法包含選擇總體中最適合的個(gè)體120作為第一雙親，隨后隨機(jī)選擇第二雙親，并且僅進(jìn)行C2類型的交叉和突變(僅在兩個(gè)染色體上進(jìn)行交叉和突變)。但是，可以發(fā)生突變的基因105的數(shù)量，或者說(shuō)在任意一個(gè)染色體100上的交叉點(diǎn)的數(shù)量并不限于1。另外，在兩個(gè)不同的染色體100上的突變或交叉點(diǎn)的數(shù)量并不必相同。
基因算法在UGS網(wǎng)絡(luò)上的應(yīng)用本發(fā)明的基因算法的一種實(shí)際應(yīng)用包含UGS網(wǎng)絡(luò)的控制和管理。接下來(lái)將描述可以通過根據(jù)本發(fā)明的一種基因算法從而被管理和控制的UGS網(wǎng)絡(luò)的例子。
這樣一種網(wǎng)絡(luò)的一個(gè)例子包含可以報(bào)告目標(biāo)的分類或標(biāo)識(shí)和目標(biāo)的方位角的聲學(xué)傳感器。這樣一種傳感器網(wǎng)絡(luò)幾乎可以具有任意數(shù)量的傳感器。傳感器的數(shù)量部分地由被監(jiān)視的區(qū)域、要被執(zhí)行的任務(wù)、傳感器的視野領(lǐng)域和范圍等決定。通常，將以下這樣一些任務(wù)目的分配給這種UGS網(wǎng)絡(luò)對(duì)進(jìn)入監(jiān)視區(qū)域的目標(biāo)進(jìn)行探測(cè)、跟蹤和分類并且使傳感器的組合功率消耗最小化(即延長(zhǎng)網(wǎng)絡(luò)的工作壽命)。
例如，為了使用方位角數(shù)據(jù)通過三角關(guān)系測(cè)量從而準(zhǔn)確地對(duì)目標(biāo)進(jìn)行定位，生成對(duì)于目標(biāo)是最小的位置誤差的一組三個(gè)傳感器的集合為最佳傳感器集合。通過使用可以被應(yīng)用于UGS網(wǎng)絡(luò)的運(yùn)行的費(fèi)用標(biāo)準(zhǔn)和限制組合搜索空間的一種有效的最佳策略，作為一個(gè)網(wǎng)絡(luò)進(jìn)行工作的多個(gè)UGS可以優(yōu)化地自我組織和對(duì)其自身進(jìn)行管理從而實(shí)現(xiàn)遠(yuǎn)程區(qū)域監(jiān)視。
為了確定用于可以對(duì)一種示例性UGS網(wǎng)絡(luò)進(jìn)行控制的本發(fā)明的基因算法的參數(shù)，有必要更充分地規(guī)定跟蹤過程。對(duì)于一個(gè)UGS網(wǎng)絡(luò)來(lái)說(shuō)，一個(gè)想要的屬性是能夠跟蹤目標(biāo)到任何地方，而不受道路的限制。因此，優(yōu)選地是具有一個(gè)可以實(shí)現(xiàn)不受限制的跟蹤的UGS網(wǎng)絡(luò)。跟蹤是這樣一種過程它通過傳感器測(cè)量結(jié)果來(lái)確定在傳感器視野內(nèi)的所有目標(biāo)的位置。當(dāng)使用只感測(cè)聲音、方位角的傳感器處理時(shí)，為了執(zhí)行跟蹤，每一個(gè)目標(biāo)需要三個(gè)傳感器。
優(yōu)化的目標(biāo)是選擇UGS網(wǎng)絡(luò)中的傳感器的一個(gè)集合，該集合可以在以最小的誤差完成跟蹤過程，同時(shí)使費(fèi)用標(biāo)準(zhǔn)最小化。當(dāng)可以使用不同的費(fèi)用標(biāo)準(zhǔn)時(shí)，經(jīng)常被考慮使用的一種通常的標(biāo)準(zhǔn)是每個(gè)時(shí)刻傳感器所使用的總能量。當(dāng)考慮需要完成多個(gè)目的時(shí)(即目標(biāo)探測(cè)、跟蹤，以及傳感器功率使用的最小化)，為了獲得最佳性能，網(wǎng)絡(luò)不得不對(duì)它的傳感器的使用進(jìn)行優(yōu)化從而滿足這些目的函數(shù)中的每一個(gè)。
本發(fā)明的一種基因算法被用來(lái)選擇傳感器的準(zhǔn)優(yōu)化集合從而對(duì)目的進(jìn)行優(yōu)化。這一問題被視作并不存在唯一解決方案的多目的優(yōu)化問題。進(jìn)一步，對(duì)于數(shù)量按線性規(guī)律增加的目標(biāo)或傳感器，可能的解決方案的數(shù)量將會(huì)導(dǎo)致組合搜索空間按指數(shù)規(guī)律增加。為了選擇可以提供最佳性能的傳感器集合，需要為網(wǎng)絡(luò)目的中的每個(gè)目的提供適合的測(cè)量標(biāo)準(zhǔn)或費(fèi)用標(biāo)準(zhǔn)。
使用本發(fā)明的一種基因算法可以最有效地實(shí)現(xiàn)對(duì)目的函數(shù)的優(yōu)化。現(xiàn)在將結(jié)合圖7解釋本發(fā)明的基因算法所基于的結(jié)構(gòu)的一個(gè)例子?；蛩惴傮w125的每個(gè)個(gè)體120包含多個(gè)染色體100。每個(gè)染色體100包含構(gòu)成傳感器標(biāo)識(shí)的多個(gè)基因105。被基因算法選擇從而在任意給定時(shí)刻起作用的所有傳感器具有在染色體中被編碼的唯一的、二進(jìn)制編碼的標(biāo)識(shí)，也就是基因105的等位基因110。網(wǎng)絡(luò)目的包含可疑的目標(biāo)和相關(guān)于該目標(biāo)的所需操作。對(duì)于跟蹤，有多少被用來(lái)實(shí)現(xiàn)跟蹤的傳感器，在個(gè)體中就有多少染色體100。
作為一個(gè)例子，假設(shè)要對(duì)5個(gè)目標(biāo)進(jìn)行跟蹤，并且跟蹤每個(gè)目標(biāo)需要3個(gè)傳感器。另外假設(shè)每個(gè)染色體100包含數(shù)量足夠多的基因105從而具有一個(gè)傳感器的一個(gè)唯一的二進(jìn)制標(biāo)識(shí)。在這種情況中，每個(gè)個(gè)體120都將具有代表跟蹤5個(gè)目標(biāo)所必需的15個(gè)傳感器的15個(gè)染色體100。在這15個(gè)染色體100當(dāng)中，有可能(并且通常代表了最佳解決方案)一個(gè)傳感器被代表了多于一次。如果一個(gè)傳感器被代表了多于一次，這意味著一個(gè)給定的傳感器將被用于跟蹤多于一個(gè)目標(biāo)。總體125中個(gè)體120的數(shù)量取決于基因算法的特殊的設(shè)計(jì)。
一種使用本發(fā)明的基因算法的適合性函數(shù)可以處理用戶所希望處理的任意數(shù)量的變量。可能的變量的例子包含效率、傳感器壽命、費(fèi)用、跟蹤誤差，以及獲得信息的速度。一個(gè)示例性適合性函數(shù)處理兩個(gè)目的使目標(biāo)位置的準(zhǔn)確度最大化(即使位置跟蹤誤差最小化)和使網(wǎng)絡(luò)功率消耗最小化。該適合性函數(shù)可以被表示為如下形式。
F=-(w1Σi=1nEi+w2Σj=1mPj)]]>其中Ei(i＝1，2，...，n)是為第i個(gè)目標(biāo)所估計(jì)的位置誤差；Pj(j＝1，2，...，m)是第j個(gè)傳感器的功率消耗值；n是目標(biāo)的數(shù)量；m是所選擇的傳感器的總數(shù)量，并且w1和w2是兩個(gè)加權(quán)常數(shù)。w1和w2的值將取決于使誤差最小化和使功率消耗最小化的相對(duì)重要性。
這種用于基因算法和適合性函數(shù)F的結(jié)構(gòu)可以與根據(jù)本發(fā)明的基因算法相結(jié)合從而創(chuàng)造用來(lái)控制和管理一個(gè)UGS傳感器網(wǎng)絡(luò)的方法。
工作實(shí)例下面的實(shí)例舉例說(shuō)明了本發(fā)明的應(yīng)用和好處，并且這些實(shí)例并不對(duì)本發(fā)明起限制作用。
實(shí)例1根據(jù)本發(fā)明的算法和不根據(jù)本發(fā)明的算法都被用來(lái)對(duì)Rastringin的函數(shù)進(jìn)行優(yōu)化。Rastringin的函數(shù)由下面的方程給出
f4(x1,...,x10)=200+Σ(xi2-10cos(2πxi))]]>Rastringin的函數(shù)由10個(gè)獨(dú)立的變量所確定，并且按照這種形式的Rastringin的函數(shù)被認(rèn)為是大規(guī)模多模式的。為了使用基因算法解這個(gè)函數(shù)，每個(gè)獨(dú)立的變量被編碼為基因算法總體中的獨(dú)立的染色體。在這種情況下每個(gè)個(gè)體包含10個(gè)染色體。
使用8種不同版本的基因算法對(duì)該函數(shù)進(jìn)行優(yōu)化。第一種算法為使用非特定交叉和突變的一種基本的基因算法(表1中的GA)。接下來(lái)是也使用交叉和突變但是其中的交叉僅限于C2類型的交叉的基本的基因算法(表1中的GA_C2)。在此之后是僅使用非特定突變的基本的基因算法(表1中的GA突變)。然后是僅使用C2突變的基本的基因算法(表1中的GA突變_C2)。接下來(lái)是使用非特定突變和交叉的國(guó)王基因算法(表1中的國(guó)王GA)。接下來(lái)是僅使用非特定突變和C2交叉的國(guó)王基因算法(表1中的國(guó)王GA_C2)。僅使用非特定突變的國(guó)王基因算法(表1中的國(guó)王突變)。最后是僅使用C2突變的國(guó)王基因算法(表1中的國(guó)王突變_C2)。
該表給出了用于所檢查的每種不同的基因算法的交叉的概率Pc，以及突變的概率Pm。總體大小以及被重復(fù)的代的數(shù)量對(duì)于所檢查的不同的算法來(lái)說(shuō)是保持一致的，并且分別是100和450。最佳次數(shù)代表函數(shù)的最佳值被確定時(shí)運(yùn)行過的次數(shù)。每種算法總共被運(yùn)行30次。最佳次數(shù)和運(yùn)行的總次數(shù)被用來(lái)計(jì)算各種算法的有效性，該有效性是趨同到全局優(yōu)化的運(yùn)行所占的百分比。
表1不同的基因算法在優(yōu)化Rastringin函數(shù)方面的性能
僅發(fā)生C2突變的國(guó)王基因算法(國(guó)王突變C2)給出了所有被研究的基因算法的最佳結(jié)果。當(dāng)與不使用這些本發(fā)明的改進(jìn)的基本的基因算法進(jìn)行比較的時(shí)候，有效性增加了5倍。
實(shí)例2將來(lái)自上述實(shí)例1的最佳表現(xiàn)的算法與在K.Deb，S.Agrawal所寫的“Understanding Interactions Among Genetic AlgorithmParameters(理解基因算法參數(shù)之間的相互作用)”(Foundations ofGenetic Algorithm 5(基因算法基礎(chǔ)5)，W.Banzhaf，C.Reeves(eds.)，Morgan Kaufmann出版有限公司，San Francisco，CA，第265-186頁(yè)，1999(“Deb”))中被測(cè)試的最佳基因算法進(jìn)行比較。
如上面給出的，為了優(yōu)化的Rastringin的函數(shù)，對(duì)Deb的最佳基因算法進(jìn)行測(cè)試。與用于Deb中基因算法的總體大小1000相比，僅使用C2突變的國(guó)王基因算法的總體大小對(duì)于兩次運(yùn)行都為10。來(lái)自該參考的基因算法僅在具有大的總體的時(shí)候才運(yùn)行良好，并且對(duì)來(lái)自參考的那些被使用的基因算法來(lái)說(shuō)，總體大小為1000是最佳的。
下面的表2給出了使用根據(jù)本發(fā)明的基因算法和來(lái)自Deb的最佳基因算法的結(jié)果。該表給出了用于所檢查的每種不同的基因算法的突變的概率Pm，以及交叉的概率Pc。該表還給出了總體大小以及被重復(fù)的代的數(shù)量，并且可以從中看出它們對(duì)于所檢查的不同的算法來(lái)說(shuō)并不是保持一致的。重要的因素是由每種算法所進(jìn)行的適合性函數(shù)評(píng)價(jià)的次數(shù)。該值是通過將總體大小與代的數(shù)量相乘而得到的。由于每個(gè)這樣的計(jì)算所花費(fèi)的名義上的時(shí)間的緣故，該值是重要的。對(duì)適合性函數(shù)所必須進(jìn)行的評(píng)價(jià)的次數(shù)越少，就可以越快實(shí)現(xiàn)對(duì)函數(shù)的優(yōu)化。
該最佳次數(shù)代表獲得函數(shù)的最佳值時(shí)運(yùn)行過的次數(shù)。運(yùn)行的次數(shù)對(duì)于根據(jù)本發(fā)明的基因算法和來(lái)自Deb的那些基因算法來(lái)說(shuō)也是不同的。然后，基于優(yōu)化運(yùn)行的次數(shù)來(lái)計(jì)算有效性。該表還顯示了函數(shù)必須被評(píng)價(jià)的次數(shù)(函數(shù)評(píng)價(jià)次數(shù))，該次數(shù)被用來(lái)計(jì)算根據(jù)本發(fā)明的兩種基因算法相對(duì)于來(lái)自Deb的最佳算法所節(jié)省的時(shí)間。
表2國(guó)王突變C2和Deb算法在優(yōu)化Rastringin函數(shù)方面的性能
實(shí)例3在該例中，將本發(fā)明的基因算法與用于一個(gè)“欺騙函數(shù)”的基本的基因算法進(jìn)行比較。在該例中被優(yōu)化的函數(shù)為單位函數(shù)。該單位函數(shù)為這樣一種函數(shù)它的值僅取決于它所作用的字符串中的1和0的數(shù)量。單位函數(shù)u計(jì)算一個(gè)字符串中的1的數(shù)量。在該例中被優(yōu)化的欺騙函數(shù)就具有下面的數(shù)學(xué)表達(dá)形式fs=Σi=110g(ui)]]>其中u是單位函數(shù)。
在下面的表3中給出了單位函數(shù)u的值從0到4時(shí)函數(shù)g(u)的值。
表3對(duì)于u的值從0到4的情況的g(u)的值
所以，對(duì)于一個(gè)4位字符串，下面的表4給出了g(u)的結(jié)果表4對(duì)于4位字符串的g(u)的值
fs是一種難解的欺騙函數(shù)，這是因?yàn)橄鄳?yīng)于欺騙吸引子(attractor)(全0字符串)的低階構(gòu)建塊比相應(yīng)于全局吸引子(全1字符串)的低階構(gòu)建塊要好。
被檢查的基因算法包含與在上述實(shí)例1中被檢查的8種變化相同的變化，并且包含以下的變化。第一種變化是使用非特定交叉和突變的基本的基因算法(下面表5中的GA)。接下來(lái)是也使用交叉和突變但是其中的交叉僅限于C2類型的交叉的基本的基因算法(表5中的GA-_C2)。在此之后是僅使用非特定突變的基本的基因算法(表5中的GA突變)。然后是僅使用C2突變的基本的基因算法(表5中的GA突變_C2)。接下來(lái)是使用非特定突變和交叉的國(guó)王基因算法(表5中的國(guó)王GA)。接下來(lái)是僅使用非特定突變和C2交叉的國(guó)王基因算法(表5中的國(guó)王GA_C2)。然后檢查的是僅使用非特定突變的國(guó)王基因算法(表5中的國(guó)王突變)。最后是僅使用C2突變的國(guó)王基因算法(表5中的國(guó)王突變_C2)。
下面的表5給出了這些比較的結(jié)果。該表給出了用于所檢查的每種不同的基因算法的交叉的概率Pc，以及突變的概率Pm?？傮w大小以及經(jīng)歷的代的數(shù)目對(duì)于所檢查的不同的方法來(lái)說(shuō)是保持一致的，并且分別是100和450。最佳次數(shù)代表函數(shù)的最佳值被確定時(shí)運(yùn)行過的次數(shù)。每種算法總共被運(yùn)行30次。最佳次數(shù)和運(yùn)行的總次數(shù)被用來(lái)計(jì)算各種算法的有效性。
表5本發(fā)明的不同基因算法改進(jìn)在欺騙函數(shù)優(yōu)化方面的性能
與基本的GA的結(jié)果為0.0的有效性相比，國(guó)王突變C2實(shí)現(xiàn)了達(dá)到0.97的非常高的有效性。
實(shí)例4本發(fā)明的基因算法與基本的基因算法相比較，用于對(duì)用于跟蹤7個(gè)目標(biāo)的傳感器測(cè)試函數(shù)進(jìn)行優(yōu)化。
在該實(shí)例中被模擬的傳感器網(wǎng)絡(luò)包含可以報(bào)告目標(biāo)的分類或識(shí)別和方位角的聲學(xué)傳感器。該被模擬的傳感器網(wǎng)絡(luò)具有181個(gè)傳感器，這181個(gè)傳感器每個(gè)都具有360°的FOV(視野)，其中半徑為4km，并且這181個(gè)傳感器被隨機(jī)地分布在面積為625km2的監(jiān)視區(qū)域上。
該網(wǎng)絡(luò)的任務(wù)目的是對(duì)進(jìn)入監(jiān)視區(qū)域的目標(biāo)進(jìn)行探測(cè)、跟蹤和分類并且使傳感器的聯(lián)合功率消耗最小化(即延長(zhǎng)網(wǎng)絡(luò)的工作壽命)。例如，為了使用方位角數(shù)據(jù)通過三角關(guān)系測(cè)量從而準(zhǔn)確地對(duì)目標(biāo)進(jìn)行定位，在最低的聯(lián)合功率消耗下生成對(duì)于目標(biāo)來(lái)說(shuō)是最小的位置誤差的一組三個(gè)傳感器的集合為最佳傳感器集合。為了確定可以被優(yōu)化的目的函數(shù)，有必要對(duì)這兩個(gè)因素進(jìn)行特殊地加權(quán)。
因?yàn)檫@7個(gè)目標(biāo)中的每個(gè)目標(biāo)都需要找到3個(gè)傳感器，所以基因算法中的每個(gè)個(gè)體包含7*3＝21個(gè)染色體。每個(gè)染色體包含一個(gè)傳感器的標(biāo)識(shí)號(hào)。被使用的基因算法與在圖8中描述的基因算法相似。
用于這種基因算法結(jié)構(gòu)的適合性函數(shù)處理兩個(gè)目的使目標(biāo)位置的準(zhǔn)確度最大化(即，使位置跟蹤誤差最小化)和使網(wǎng)絡(luò)功率消耗最小化。該適合性函數(shù)可以被表達(dá)如下。
F=-(w1Σi=1nEi+w2Σj=1mPj)]]>其中Ei(i＝1，2，...，n)是為第i個(gè)目標(biāo)所估計(jì)的位置誤差；Pj(j＝1，2，...，m)是第j個(gè)傳感器的功率消耗值；n是目標(biāo)的數(shù)量；m是所選擇的傳感器的總數(shù)量，并且w1和w2是兩個(gè)加權(quán)常數(shù)。w1和w2的值將取決于使誤差最小化和使功率消耗最小化的相對(duì)重要性。
然后使用模擬的聲學(xué)傳感器測(cè)量數(shù)據(jù)對(duì)基因算法進(jìn)行評(píng)價(jià)。該模擬的數(shù)據(jù)包含傳感器位置、方位角測(cè)量和來(lái)自每個(gè)傳感器的目標(biāo)識(shí)別數(shù)據(jù)。對(duì)屬于被跟蹤的交通工具的類的7個(gè)目標(biāo)的運(yùn)動(dòng)軌跡進(jìn)行模擬。這些目標(biāo)位于相同的鄰近范圍內(nèi)，這意味著最佳傳感器選擇將會(huì)是這樣一種選擇其中特定的傳感器被共享。
表6用于7個(gè)目標(biāo)的不同基因算法在優(yōu)化適合性函數(shù)方面的性能
圖9是描述所使用的不同算法的平均最佳適合性的圖?？梢钥闯?，無(wú)論所使用的是哪種基因算法，那些僅使用C2交叉或突變的基因算法的工作情況總是更好一些。
圖10比較了在表6中被檢查的5種不同的基因算法的有效性和所必需的時(shí)間。在圖10中被描述的這些方法包含以下一些基因算法沒有進(jìn)行試驗(yàn)并且總體大小為50的基本的基因算法、經(jīng)過試驗(yàn)后的基本的基因算法(較小的總體大小會(huì)產(chǎn)生更好的有效性)、僅使用突變的基本的基因算法、僅使用突變的國(guó)王基因算法，以及僅使用C2類型突變的國(guó)王基因突變。
圖11描述了對(duì)于在上述圖10中描述的相同的5種基因算法變化，其百分比改進(jìn)隨時(shí)間發(fā)生變化的情況。
以上的詳述、實(shí)例和數(shù)據(jù)提供了對(duì)本發(fā)明的組成的制造和使用的完整的描述。因?yàn)榭梢栽诓黄x本發(fā)明的精神和范圍的情況下實(shí)現(xiàn)本發(fā)明的多種實(shí)施方案，所以本發(fā)明歸屬于此后所附的權(quán)利要求。
權(quán)利要求
1.一種用于從用于跟蹤至少一個(gè)目標(biāo)的傳感器的網(wǎng)絡(luò)中選擇傳感器的方法，該方法包含以下步驟(a)定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器；(b)根據(jù)想要的跟蹤的特性，定義適合性函數(shù)；(c)選擇所述個(gè)體中的一個(gè)或多個(gè)，以便將其包含在初始總體中；(d)對(duì)所述總體執(zhí)行一種基因算法，直到所定義的趨同標(biāo)準(zhǔn)被滿足，其中對(duì)所述基因算法的執(zhí)行包含以下步驟(i)從所述總體中選擇最適合的個(gè)體；(ii)從所述總體中選擇隨機(jī)個(gè)體；以及(iii)通過所述最適合個(gè)體和所述隨機(jī)選擇的個(gè)體創(chuàng)造后代。
2.如權(quán)利要求1所述的方法，其中代表所述傳感器的所述染色體包含所述傳感器的二進(jìn)制或?qū)崝?shù)標(biāo)識(shí)。
3.如權(quán)利要求1所述的方法，進(jìn)一步包含將個(gè)體定義為包含n個(gè)染色體，其中n是通過將跟蹤所述目標(biāo)所必需的傳感器的數(shù)量與要被跟蹤的所述目標(biāo)的數(shù)量相乘得到的。
4.如權(quán)利要求1所述的方法，其中步驟(b)的所述想要的特性包含最小功率消耗。
5.如權(quán)利要求1所述的方法，其中步驟(b)的所述想要的特性包含最小跟蹤誤差。
6.如權(quán)利要求1所述的方法，其中步驟(b)的所述想要的特性包含最小功率消耗和最小跟蹤誤差。
7.如權(quán)利要求6所述的方法，其中步驟(b)的所述適合性函數(shù)包含公式F=-(w1Σi=1nEi+w2Σj=1mPj)]]>其中Ei(i＝1，2，...，k)是為跟蹤第i個(gè)目標(biāo)而估計(jì)的位置誤差，其中Pj(j＝1，2，...，m)是第j個(gè)傳感器的功率消耗值；k是目標(biāo)的數(shù)量；m是所選擇的傳感器的總數(shù)量，并且w1和w2是兩個(gè)加權(quán)常數(shù)。
8.如權(quán)利要求1所述的方法，其中步驟(c)中的對(duì)所述個(gè)體的所述初始選擇是通過隨機(jī)方法來(lái)實(shí)現(xiàn)的。
9.如權(quán)利要求1所述的方法，其中步驟(d)的所述趨同標(biāo)準(zhǔn)包含特定數(shù)量的代。
10.如權(quán)利要求1所述的方法，其中步驟(d)的所述趨同標(biāo)準(zhǔn)包含特定數(shù)量的代，經(jīng)過這些特定數(shù)量的代之后，所述總體中的最適合的個(gè)體不會(huì)再有改進(jìn)。
11.如權(quán)利要求1所述的方法，其中基于所述適合性函數(shù)選擇步驟(d)中的所述總體的所述最適合的個(gè)體。
12.如權(quán)利要求1所述的方法，其中通過輪盤選擇、比賽選擇、隨機(jī)數(shù)生成，或者它們的組合來(lái)實(shí)現(xiàn)在步驟(d)中從所述總體中選擇所述隨機(jī)個(gè)體。
13.如權(quán)利要求1所述的方法，其中通過突變、交叉，或者它們的組合來(lái)實(shí)現(xiàn)步驟(d)中的所述后代的所述創(chuàng)造。
14.如權(quán)利要求13所述的方法，其中通過突變、交叉，或者它們的組合來(lái)產(chǎn)生步驟(d)中的所述后代的所述創(chuàng)造，并且在任意一次突變或交叉中僅有i個(gè)染色體受到影響，其中i的值從2到n-1。
15.如權(quán)利要求14所述的方法，其中i的值為2。
16.一種用于從用于跟蹤至少一個(gè)目標(biāo)的傳感器的網(wǎng)絡(luò)中選擇傳感器的方法，該方法包含以下步驟(a)定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器；(b)基于想要的跟蹤的特性，定義適合性函數(shù)；(c)選擇所述個(gè)體中的一個(gè)或多個(gè)，以便將其包含在初始總體中；(d)對(duì)所述總體執(zhí)行一種基因算法，直到所定義的趨同標(biāo)準(zhǔn)被滿足，其中對(duì)所述基因算法的執(zhí)行包含以下步驟(i)從所述總體中選擇最適合的個(gè)體；以及(ii)從所述最適合的個(gè)體創(chuàng)造后代，其中僅通過突變來(lái)產(chǎn)生對(duì)所述后代的所述創(chuàng)造，其中在個(gè)體中僅有i個(gè)染色體發(fā)生突變，并且其中i的值為從2到n-1。
17.如權(quán)利要求16所述的方法，其中代表所述傳感器的所述染色體包含所述傳感器的二進(jìn)制或?qū)崝?shù)標(biāo)識(shí)。
18.如權(quán)利要求16所述的方法，進(jìn)一步包含將個(gè)體定義為包含n個(gè)染色體，其中n是通過將跟蹤所述目標(biāo)所必需的傳感器的數(shù)量與要被跟蹤的所述目標(biāo)的數(shù)量相乘得到的。
19.如權(quán)利要求16所述的方法，其中步驟(b)的所述想要的特性包含最小功率消耗。
20.如權(quán)利要求16所述的方法，其中步驟(b)的所述想要的特性包含最小跟蹤誤差。
21.如權(quán)利要求16所述的方法，其中步驟(b)的所述想要的特性包含最小功率消耗和最小跟蹤誤差。
22.如權(quán)利要求21所述的方法，其中步驟(b)的所述適合性函數(shù)包含公式F=-(w1Σi=1nEi+w2Σj=1mPj)]]>其中Ei(i＝1，2，...，k)是為跟蹤第i個(gè)目標(biāo)而估計(jì)的位置誤差；其中Pj(j＝1，2，...，m)是第j個(gè)傳感器的功率消耗值；k是目標(biāo)的數(shù)量；m是所選擇的傳感器的總數(shù)量，并且w1和w2是兩個(gè)加權(quán)常數(shù)。
23.如權(quán)利要求16所述的方法，其中步驟(c)中的對(duì)所述個(gè)體的所述初始選擇是通過隨機(jī)方法來(lái)實(shí)現(xiàn)的。
24.如權(quán)利要求16所述的方法，其中步驟(d)的所述趨同標(biāo)準(zhǔn)包含特定數(shù)量的代。
25.如權(quán)利要求16所述的方法，其中步驟(d)的所述趨同標(biāo)準(zhǔn)包含特定數(shù)量的代，經(jīng)過這些特定數(shù)量的代之后，所述總體中的最適合的個(gè)體不會(huì)再有改進(jìn)。
26.如權(quán)利要求16所述的方法，其中i的值為2。
27.一種用于從用于跟蹤目標(biāo)的傳感器的網(wǎng)絡(luò)中選擇傳感器的方法，該方法包含以下步驟(a)定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器，其中n＝k*y，k是要被跟蹤的目標(biāo)的數(shù)量并且y是跟蹤目標(biāo)所需的傳感器的數(shù)量；(b)基于所述傳感器的功率消耗和所述傳感器造成的跟蹤誤差，定義適合性函數(shù)；(c)隨機(jī)選擇所述個(gè)體中的一個(gè)或多個(gè)，以便將其包含在初始總體中；以及(d)對(duì)所述初始總體執(zhí)行一種基因算法，直到所定義的趨同標(biāo)準(zhǔn)被滿足，其中所述趨同標(biāo)準(zhǔn)基于所述基因算法中被重復(fù)的代的數(shù)量，其中對(duì)所述基因算法的執(zhí)行包含以下步驟(i)基于所述適合性函數(shù)從所述總體中選擇最適合的個(gè)體；以及(ii)從所述最適合的個(gè)體創(chuàng)造后代，其中僅通過突變來(lái)產(chǎn)生對(duì)所述后代的所述創(chuàng)造，其中在個(gè)體中僅有2個(gè)染色體發(fā)生突變。(e)基于當(dāng)所述定義的趨同標(biāo)準(zhǔn)被滿足時(shí)存在的包含總體的所述個(gè)體來(lái)選擇傳感器。
28.一種用于跟蹤目標(biāo)的傳感器的網(wǎng)絡(luò)，包含(A)N個(gè)傳感器；(B)一種可以控制和管理所述N個(gè)傳感器的控制器，其中所述控制器通過執(zhí)行一種方法來(lái)從用于跟蹤目標(biāo)的傳感器的網(wǎng)絡(luò)中選擇傳感器，該方法包含以下步驟(i)定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器；(ii)基于想要的跟蹤的特性，定義適合性函數(shù)；(iii)選擇所述個(gè)體中的一個(gè)或多個(gè)，以便將其包含在初始總體中；(iv)對(duì)所述總體執(zhí)行一種基因算法，直到所定義的趨同標(biāo)準(zhǔn)被滿足，其中對(duì)所述基因算法的執(zhí)行包含以下步驟(a)從所述總體中選擇最適合的個(gè)體；(b)從所述總體中選擇隨機(jī)個(gè)體；以及(c)通過所述最適合個(gè)體和所述被隨機(jī)選擇的個(gè)體創(chuàng)造后代；(C)一種用于所述個(gè)體傳感器與所述控制器進(jìn)行通信的裝置。
29.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中代表所述傳感器的所述染色體包含所述傳感器的二進(jìn)制或?qū)崝?shù)標(biāo)識(shí)。
30.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，進(jìn)一步包含將個(gè)體定義為包含n個(gè)染色體，其中n是通過將跟蹤所述目標(biāo)所必需的傳感器的數(shù)量與要被跟蹤的所述目標(biāo)的數(shù)量相乘得到的。
31.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中步驟(b)的所述想要的特性包含最小功率消耗。
32.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中步驟(b)的所述想要的特性包含最小跟蹤誤差。
33.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中步驟(ii)的所述想要的特性包含最小功率消耗和最小跟蹤誤差。
34.如權(quán)利要求33所述的傳感器的網(wǎng)絡(luò)，其中步驟(ii)的所述適合性函數(shù)包含公式F=-(w1Σi=1nEi+w2Σj=1mPj)]]>其中Ei(i＝1，2，...，k)是為跟蹤第i個(gè)目標(biāo)而估計(jì)的位置誤差，其中Pj(J＝1，2，...，m)是第j個(gè)傳感器的功率消耗值；k是目標(biāo)的數(shù)量；m是所選擇的傳感器的總數(shù)量，并且w1和w2是兩個(gè)加權(quán)常數(shù)。
35.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中步驟(c)中的對(duì)所述個(gè)體的所述初始選擇是通過隨機(jī)方法來(lái)實(shí)現(xiàn)的。
36.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中步驟(d)的所述趨同標(biāo)準(zhǔn)包含特定數(shù)量的代。
37.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中步驟(d)的所述趨同標(biāo)準(zhǔn)包含特定數(shù)量的代，經(jīng)過這些特定數(shù)量的代之后，所述總體中的最適合的個(gè)體不會(huì)再有改進(jìn)。
38.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中基于所述適合性函數(shù)選擇步驟(d)中的所述總體的所述最適合的個(gè)體。
39.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中通過輪盤選擇、比賽選擇、隨機(jī)數(shù)生成，或者它們的組合從而實(shí)現(xiàn)在步驟(d)中從所述總體中選擇所述隨機(jī)個(gè)體。
40.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中通過突變、交叉，或者它們的組合來(lái)實(shí)現(xiàn)步驟(d)中的所述后代的所述創(chuàng)造。
41.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中通過突變、交叉，或者它們的組合來(lái)產(chǎn)生步驟(d)中的所述后代的所述創(chuàng)造，并且在任意一次突變或交叉中僅有i個(gè)染色體受到影響，其中i的值從2到n-1。
42.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，其中i的值為2。
43.一種用于跟蹤目標(biāo)的傳感器的網(wǎng)絡(luò)，包含(A)N個(gè)傳感器；(B)一種可以控制和管理所述N個(gè)傳感器的控制器，其中所述控制器通過執(zhí)行一種方法來(lái)從用于跟蹤目標(biāo)的傳感器的網(wǎng)絡(luò)中選擇傳感器，該方法包含以下步驟(i)定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器；(ii)基于想要的跟蹤的特性，定義適合性函數(shù)；(iii)選擇所述個(gè)體中的一個(gè)或多個(gè)，以便將其包含在初始總體中；(iv)對(duì)所述總體執(zhí)行一種基因算法，直到所定義的趨同標(biāo)準(zhǔn)被滿足，其中對(duì)所述基因算法的執(zhí)行包含以下步驟(a)從所述總體中選擇最適合的個(gè)體；以及(b)從所述最適合的個(gè)體創(chuàng)造后代，其中僅通過突變來(lái)產(chǎn)生對(duì)所述后代的所述創(chuàng)造，其中在任意一次突變中僅有i個(gè)染色體發(fā)生突變，并且其中i的值為從2到n-1。
(C)一種用于所述個(gè)體傳感器與所述控制器進(jìn)行通信的裝置。
44.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，其中代表所述傳感器的所述染色體包含所述傳感器的二進(jìn)制或?qū)崝?shù)標(biāo)識(shí)。
45.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，進(jìn)一步包含將個(gè)體定義為包含n個(gè)染色體，其中n是通過將跟蹤所述目標(biāo)所必需的傳感器的數(shù)量與要被跟蹤的所述目標(biāo)的數(shù)量相乘得到的。
46.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，其中步驟(ii)的所述想要的特性包含最小功率消耗。
47.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，其中步驟(ii)的所述想要的特性包含最小跟蹤誤差。
48.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，其中步驟(ii)的所述想要的特性包含最小功率消耗和最小跟蹤誤差。
49.如權(quán)利要求48所述的傳感器的網(wǎng)絡(luò)，其中步驟(ii)的所述適合性函數(shù)包含公式F=-(w1Σi=1nEi+w2Σj=1mPj)]]>其中Ei(i＝1，2，...，k)是為跟蹤第i個(gè)目標(biāo)而估計(jì)的位置誤差，其中Pj(j＝1，2，...，m)是第j個(gè)傳感器的功率消耗值；k是目標(biāo)的數(shù)量；m是所選擇的傳感器的總數(shù)量，并且w1和w2是兩個(gè)加權(quán)常數(shù)。
50.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，其中步驟(c)中的對(duì)所述個(gè)體的所述初始選擇是通過隨機(jī)方法來(lái)實(shí)現(xiàn)的。
51.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，其中步驟(d)的所述趨同標(biāo)準(zhǔn)包含特定數(shù)量的代。
52.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，其中步驟(d)的所述趨同標(biāo)準(zhǔn)包含特定數(shù)量的代，經(jīng)過這些特定數(shù)量的代之后，所述總體中的最適合的個(gè)體不會(huì)再有改進(jìn)。
53.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，其中i的值為2。
54.一種用于跟蹤目標(biāo)的傳感器的網(wǎng)絡(luò)，包含(A)N個(gè)傳感器；(B)一種可以控制和管理所述N個(gè)傳感器的控制器，其中所述控制器通過執(zhí)行一種方法來(lái)從用于跟蹤目標(biāo)的傳感器的網(wǎng)絡(luò)中選擇傳感器，該方法包含以下步驟(i)定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器，其中n＝k*y，其中k是要被跟蹤的目標(biāo)的數(shù)量并且y是跟蹤目標(biāo)所需的傳感器的數(shù)量；(ii)基于所述傳感器的功率消耗和所述傳感器造成的跟蹤誤差，定義適合性函數(shù)；(iii)隨機(jī)選擇所述個(gè)體中的一個(gè)或多個(gè)，以便將其包含在初始總體中；以及(iv)對(duì)所述初始總體執(zhí)行一種基因算法，直到所定義的趨同標(biāo)準(zhǔn)被滿足，其中所述趨同標(biāo)準(zhǔn)基于所述基因算法中被重復(fù)的代的數(shù)量，其中對(duì)所述基因算法的執(zhí)行包含以下步驟(a)基于所述適合性函數(shù)從所述總體中選擇最適合的個(gè)體；和(b)從所述最適合的個(gè)體創(chuàng)造后代，其中僅通過突變來(lái)產(chǎn)生對(duì)所述后代的所述創(chuàng)造，其中在任意一次突變中僅有2個(gè)染色體發(fā)生突變；(v)基于當(dāng)所述定義的趨同標(biāo)準(zhǔn)被滿足時(shí)存在的包含總體的所述個(gè)體來(lái)選擇傳感器；(C)一種用于所述個(gè)體傳感器與所述控制器進(jìn)行通信的裝置。
全文摘要
本發(fā)明包含一種用于從一個(gè)用于對(duì)至少一個(gè)目標(biāo)進(jìn)行跟蹤的傳感器網(wǎng)絡(luò)中選擇傳感器的方法，該方法具有以下步驟定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器，基于想要的跟蹤的特性定義適合性函數(shù)，選擇個(gè)體中的一個(gè)或多個(gè)以便將其包含進(jìn)一個(gè)初始總體，對(duì)該初始總體執(zhí)行一種基因算法直到所定義的趨同標(biāo)準(zhǔn)被滿足，其中對(duì)基因算法的執(zhí)行具有以下步驟從該總體中選擇最適合的個(gè)體，從該總體中選擇隨機(jī)個(gè)體以及通過該最適合的個(gè)體和隨機(jī)選擇的個(gè)體創(chuàng)造后代。本發(fā)明的另一種實(shí)施方案包含另一種用于從一個(gè)用于對(duì)至少一個(gè)目標(biāo)進(jìn)行跟蹤的傳感器網(wǎng)絡(luò)中選擇傳感器的方法，該方法具有以下步驟定義具有n個(gè)染色體的基因算法結(jié)構(gòu)的個(gè)體，其中每個(gè)染色體代表一個(gè)傳感器，基于想要的跟蹤的特性定義適合性函數(shù)，選擇個(gè)體中的一個(gè)或多個(gè)以便將其包含進(jìn)一個(gè)初始總體，對(duì)該初始總體執(zhí)行一種基因算法直到所規(guī)定的趨同標(biāo)準(zhǔn)被滿足，其中對(duì)基因算法的執(zhí)行具有以下步驟從該總體中選擇最適合的個(gè)體，以及通過該最適合的個(gè)體創(chuàng)造后代，其中僅通過突變來(lái)實(shí)現(xiàn)對(duì)后代的創(chuàng)造，其中在任何一次突變期間僅有i個(gè)染色體發(fā)生突變，并且其中i的值為從2到n－1。本發(fā)明還包含一種用于跟蹤目標(biāo)的包含N個(gè)傳感器的傳感器網(wǎng)絡(luò)，一種用于N個(gè)傳感器與控制器進(jìn)行通信的裝置和一種通過利用本發(fā)明的其中一種方法而具備控制和管理該N個(gè)傳感器的能力的控制器。
文檔編號(hào)G06N3/12GK1533552SQ02811225
公開日2004年9月29日 申請(qǐng)日期2002年4月4日 優(yōu)先權(quán)日2001年4月6日
發(fā)明者A·L·布查克, H·王, A L 布查克 申請(qǐng)人:霍尼韋爾國(guó)際公司