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高度多模式和欺騙函數(shù)進(jìn)行優(yōu)化，其一個例子為選擇一個傳感器網(wǎng)絡(luò)的傳感器個體用于跟蹤一個特定目標(biāo)。
背景技術(shù)：
對具有多個獨(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)來表示問題。這種實(shí)際情況的例子包含在計(jì)算機(jī)/無線網(wǎng)絡(luò)中對路由器的選擇、對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)劃工具以及對傳感器網(wǎng)絡(luò)的控制和管理。對傳感器網(wǎng)絡(luò)的控制和管理將作為一個示例性的大型多模式的實(shí)際問題被進(jìn)一步考慮。
無人看管的地面?zhèn)鞲衅?“UGS”)可以極大地增加軍事行動的有效性和能力。在市場上最容易買到的UGS是獨(dú)立工作的多功能、集成傳感器平臺。UGS的一個例子是一種聲學(xué)UGS，該聲學(xué)UGS包含三個聲學(xué)麥克風(fēng)(用于實(shí)現(xiàn)準(zhǔn)確的方位角測量)、一個地震傳感器、一個磁傳感器、一個全球定位傳感器、一個方位傳感器、集成通信和信號處理電子器件，以及一個電池。這樣一個平臺的體積通常約為1ft3(28320cm3)，并且價格非常昂貴。因?yàn)榇嬖谶@些缺點(diǎn)，這種UGS通常不被用來支持用于小的、快速可部署的軍事行動的遠(yuǎn)程監(jiān)視應(yīng)用。
對這種較大的、昂貴的傳感器平臺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戰(zhàn)斗機(jī)對其進(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)單個目標(biāo)特性(如地震振動或化學(xué)探測)。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)行工作的單個小型UGS將不能執(zhí)行監(jiān)視任務(wù)。
對這種問題的一種替換的方案是將這種小的、低造價的UGS“散播”在監(jiān)視區(qū)域，并且使這些傳感器可以對它們自己進(jìn)行組織并協(xié)同工作。如這樣的一種UGS網(wǎng)絡(luò)將會具有體積較大的單個進(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)置的冗余將會使得該網(wǎng)絡(luò)受單點(diǎn)故障和/或傳感器信號丟失的影響較小。
為了使具有多個小的、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)為是一個沒有唯一的解決方案的多目標(biāo)優(yōu)化問題選擇一個傳感器的最佳集合用來對進(jìn)入監(jiān)視區(qū)域的目標(biāo)進(jìn)行探測、跟蹤以及分類，而與此同時使該傳感器網(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)化會導(dǎo)致組合的搜索空間按照指數(shù)規(guī)律增加。
美國專利No.6055523(Hillis)公開了一種用于在使用一個或多個傳感器進(jìn)行的多目標(biāo)跟蹤中分配傳感器報(bào)告的方法。該方法通過多次時間掃描從至少一個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)來發(fā)現(xiàn)被跟蹤的目標(biāo)的路徑。該方法使用基因算法來確定被跟蹤的目標(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性能的多個不同變量同時進(jìn)行優(yōu)化的目的而從網(wǎng)絡(luò)中選擇單個的傳感器。
發(fā)明概述根據(jù)本發(fā)明，提供了一種用于從一個傳感器網(wǎng)絡(luò)中選擇傳感器以用于對至少一個目標(biāo)進(jìn)行跟蹤的方法，該方法具有以下步驟定義具有n個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器，根據(jù)想要的跟蹤的特性來定義適合性函數(shù)，選擇一個或多個個體并將其包含進(jìn)一個初始總體，對該初始總體執(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體，從該總體中選擇隨機(jī)個體以及通過該最適合的和隨機(jī)選擇的個體來創(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傳感器網(wǎng)絡(luò)中選擇傳感器以用于對至少一個目標(biāo)進(jìn)行跟蹤的方法，該方法具有以下步驟定義具有n個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器，根據(jù)想要的跟蹤的特性來定義適合性函數(shù)，選擇一個或多個個體并將其包含進(jìn)一個初始總體，對該初始總體執(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體，以及通過該最適合的個體創(chuàng)造后代，其中僅通過突變來實(shí)現(xiàn)對后代的創(chuàng)造，其中在任何一次突變期間僅有i個染色體發(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個傳感器、一種用于N個傳感器與控制器進(jìn)行通信的裝置和一個可以通過利用根據(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)或者它們的組合來創(chuàng)造后代。更加優(yōu)選地，僅通過突變來實(shí)現(xiàn)對后代的改變。
優(yōu)選地，后代的改變發(fā)生在i個染色體，其中i的值從2到n-1，其中n是組成一個染色體的基因的數(shù)目。更加優(yōu)選地，i的值為2。
附圖簡述

圖1描述了一個基因算法的總體的一般結(jié)構(gòu)。
圖2描述了代表一個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)橥蛔兊母怕剩瑑蓚€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傳感器、一個處理器，以及一種基因算法。
術(shù)語“實(shí)體”將被用于對本發(fā)明的通篇描述。術(shù)語實(shí)體應(yīng)該被理解為廣泛地包含多種不同的電子術(shù)語，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)或無線網(wǎng)絡(luò)中的路由器。實(shí)體一般是指，例如可以被用來探測目標(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)、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)語并不受此限制?？商鎿Q地，術(shù)語實(shí)體還可以指從任意類型的實(shí)體(例如一個傳感器)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“網(wǎng)絡(luò)”是指多于一個的傳感器，這些傳感器可以與其它傳感器進(jìn)行通信并且受一個或多個系統(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線方式來實(shí)現(xiàn)。只要存在用于控制傳感器的一個單獨(dú)的計(jì)劃或方法，一個單個的處理器或者多個不同的處理器就可以控制該網(wǎng)絡(luò)。
術(shù)語“處理器”是指一個或多個設(shè)備，這一個或多個設(shè)備可以確定如何控制和管理傳感器以及實(shí)際地對傳感器進(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)。可以理解，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器。
術(shù)語“目標(biāo)”是指正在被跟蹤的物體、動物，或者人類。優(yōu)選地，正在被跟蹤的目標(biāo)為一個物體，例如一個陸地或空中交通工具。通常，對傳感器進(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、速度，以及方位。
術(shù)語“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，首先將對基本基因算法和它們的術(shù)語進(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。每個基因算法代中都有一個包含個體的總體。這些個體可以被看作正被解決的問題的候選解決方案。在每個連續(xù)的代中，使用上一代的最適合的部分從而創(chuàng)造一個新的個體集合。但是，還要非經(jīng)常性地將隨機(jī)化新信息包含進(jìn)來，以便使重要數(shù)據(jù)不會丟失和被忽視掉。
圖1舉例說明了基因算法所基于的結(jié)構(gòu)?；蛩惴ǖ囊粋€基本概念是它就一個總體中的個體而言對一個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，包含多個基因105，其中該基因105也被稱作特征、特性、或者位。每個基因105具有一個等位基因，或者可能值110。一個特定的基因105還具有一個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。
在一個正在運(yùn)行的基因算法中，通過對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)一個特定目的地的可能的路線以及完成每種路線所需的時間。多種因素將會決定任意一種特定的路線將會花費(fèi)多長的時間，這些因素中的一些因素包含，例如路線的長度、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)的每個因素賦值(或者同位基因110)從而為每個路線構(gòu)建染色體100。
一個基因型，也被稱作結(jié)構(gòu)或者個體120，可以包含一個或多個染色體100。在圖1中，一個基因型120包含3個單獨(dú)的染色體100。依此類推，如果問題包含用于包含多個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染色體100的基因型或者個體120。該總路程的每個路段將會有一座城市(或者染色體100)。一組個體120組成總體125?？傮w125中的個體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初始總體的選擇步驟155。對初始總體的選擇通常是通過對個體120的隨機(jī)選擇來實(shí)現(xiàn)的，但是也可以通過其它方法來實(shí)現(xiàn)。組成初始總體的個體120的數(shù)量部分地是由在初始化步驟150所選擇的參數(shù)來確定的。通常，使用一個隨機(jī)數(shù)發(fā)生器通過為每個染色體100中的每個基因105確定值110從而創(chuàng)建初始總體。
接下來，被隨機(jī)選擇的總體的個體120的適合性在適合性的確定步驟160中被確定。個體120的適合性取決于指派基因算法對其進(jìn)行優(yōu)化的特定的問題。例如，適合性可能取決于個體120的成本、個體120對于特定任務(wù)的有效性，或者它們的組合。個體120的適合性必須可以定量地被測量和確定，例如使用一個公式?？傮w中的每個個體120都具有一個特定的適合性值。
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)行檢查的時候查看個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滿足該標(biāo)準(zhǔn)，要么不會滿足該標(biāo)準(zhǔn)。如果總體滿足了趨同標(biāo)準(zhǔn)，該總體將會被認(rèn)為是用來跟蹤目標(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實(shí)現(xiàn)，但是通常部分地基于所涉及的個體的適合性。例如，可以使用偏置的輪盤來選擇個體，其中該偏置基于個體的適合性。用來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個個體120。然后，確定每k個元組中最適合的個體120，并且這些個體被復(fù)制進(jìn)交配集合。
接下來的步驟是后代的創(chuàng)造步驟180。在該步驟中，對在交配集合選擇步驟170中選擇的雙親進(jìn)行有修改或無修改地組合以創(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被指定，也可以通過從交配總體或交配對中獲得的信息來確定?？梢酝ㄟ^多種方式來實(shí)現(xiàn)對后代的修改，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，兩個不同的染色體100上的基因105被分散到這兩個染色體100之間。單點(diǎn)交叉是通過沿染色體100隨機(jī)選擇一個位置k來實(shí)現(xiàn)的，該位置位于1和染色體長度減1之間。兩個后代是通過交換位于位置k+1和染色體100的全長之間的所有基因105被創(chuàng)造出來的。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)。還可以在一個個體120的一個或多個染色體100上實(shí)現(xiàn)交叉。通常，僅在一個染色體上或在每個染色體上實(shí)現(xiàn)交叉。
圖3a舉例說明了一種單點(diǎn)、單染色體交叉。在兩個未經(jīng)修改的后代個體120上選擇一個交叉點(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體120’。圖3b舉例說明了一種雙點(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，在任意一個染色體中，有多少個基因105就可以選擇多少個交叉點(diǎn)。
突變是這樣一種方法，通過這種方法，染色體100上的一個或多個基因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選擇用于突變的基因105。在一次事件中可以對一個染色體100上的多于一個基因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)為是用來確保有用的基因不會丟失的一種方法。在一個或多于一個染色體100上可以發(fā)生多個突變?？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是在一個個體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個體120中的i個染色體100。每個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)生在每個受到影響的染色體100的單個點(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)生在每個受到影響的染色體100的多個點(diǎn)處(如雙點(diǎn)交叉執(zhí)行雙親中的兩個點(diǎn)之間的交換)。一致交叉是當(dāng)來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表示在兩個個體120之間的一種單點(diǎn)、C2交叉。在一種單點(diǎn)C2交叉中，從個體中隨機(jī)選擇兩個染色體從而對其進(jìn)行交叉。然后為兩個個體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在兩個個體120之間被交換。所得到的個體120’被顯示在圖5的底部。恰好有兩個染色體經(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個體120中的i個染色體100。盡管只有i個染色體100受到Ci突變的影響，在每個染色體100上可以有多于一個的突變。在單個的染色體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，如果有多于一個染色體100受到突變的影響(如果i大于1)，那么每個受到影響的染色體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。個體120至少具有兩個染色體100和100’。在C2突變這種特定的例子中，隨機(jī)選擇兩個染色體用于對其進(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)用于每個被選擇的染色體的每個基因。在突變點(diǎn)140、142和144處的基因105的等位基因110會被不同的等位基因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、等級選擇)。在本發(fā)明的基因算法中使用的改進(jìn)會導(dǎo)致一種被稱作國王(king)基因算法的基因算法。在國王基因算法中，被選擇用于交配的第一雙親總是總體中最適合的個體120?？傮w中最適合的個體120是通過在算法中使用的適合性的特定的測量標(biāo)準(zhǔn)來被確定的。該雙親被用作第一配偶從而創(chuàng)造下一代的每個成員。被選擇用來與第一雙親進(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▉磉x擇雙親。例如，通過轉(zhuǎn)盤選擇來選擇雙親或者通過比賽選擇來選擇雙親。
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突變的國王基因算法和使用C2交叉的國王基因算法。使用C2突變的國王基因算法包含選擇總體中最適合的個體作為雙親，接著僅進(jìn)行C2類型的突變(僅對2個染色體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)一對雙親，因而第二雙親就不用被選擇。但是，在任意一個染色體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突變的國王基因算法。該算法包含選擇總體中最適合的個體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，或者說在任意一個染色體100上的交叉點(diǎn)的數(shù)量并不限于1。另外，在兩個不同的染色體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)的一個例子包含可以報(bào)告目標(biāo)的分類或標(biāo)識和目標(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)對進(jìn)入監(jiān)視區(qū)域的目標(biāo)進(jìn)行探測、跟蹤和分類并且使傳感器的組合功率消耗最小化(即延長網(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)系測量從而準(zhǔn)確地對目標(biāo)進(jìn)行定位，生成對于目標(biāo)是最小的位置誤差的一組三個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，作為一個網(wǎng)絡(luò)進(jìn)行工作的多個UGS可以優(yōu)化地自我組織和對其自身進(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。對于一個UGS網(wǎng)絡(luò)來說，一個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量結(jié)果來確定在傳感器視野內(nèi)的所有目標(biāo)的位置。當(dāng)使用只感測聲音、方位角的傳感器處理時，為了執(zhí)行跟蹤，每一個目標(biāo)需要三個傳感器。
優(yōu)化的目標(biāo)是選擇UGS網(wǎng)絡(luò)中的傳感器的一個集合，該集合可以在以最小的誤差完成跟蹤過程，同時使費(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，經(jīng)常被考慮使用的一種通常的標(biāo)準(zhǔn)是每個時刻傳感器所使用的總能量。當(dāng)考慮需要完成多個目的時(即目標(biāo)探測、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。
本發(fā)明的一種基因算法被用來選擇傳感器的準(zhǔn)優(yōu)化集合從而對目的進(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)目的中的每個目的提供適合的測量標(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)對目的函數(shù)的優(yōu)化?，F(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)的一個例子?；蛩惴傮w125的每個個體120包含多個染色體100。每個染色體100包含構(gòu)成傳感器標(biāo)識的多個基因105。被基因算法選擇從而在任意給定時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，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。對于跟蹤，有多少被用來實(shí)現(xiàn)跟蹤的傳感器，在個體中就有多少染色體100。
作為一個例子，假設(shè)要對5個目標(biāo)進(jìn)行跟蹤，并且跟蹤每個目標(biāo)需要3個傳感器。另外假設(shè)每個染色體100包含數(shù)量足夠多的基因105從而具有一個傳感器的一個唯一的二進(jìn)制標(biāo)識。在這種情況中，每個個體120都將具有代表跟蹤5個目標(biāo)所必需的15個傳感器的15個染色體100。在這15個染色體100當(dāng)中，有可能(并且通常代表了最佳解決方案)一個傳感器被代表了多于一次。如果一個傳感器被代表了多于一次，這意味著一個給定的傳感器將被用于跟蹤多于一個目標(biāo)?？傮w125中個體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?？赡艿淖兞康睦影省鞲衅鲏勖?、費(fèi)用、跟蹤誤差，以及獲得信息的速度。一個示例性適合性函數(shù)處理兩個目的使目標(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個目標(biāo)所估計(jì)的位置誤差；Pj(j＝1，2，...，m)是第j個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)造用來控制和管理一個UGS傳感器網(wǎng)絡(luò)的方法。
工作實(shí)例下面的實(shí)例舉例說明了本發(fā)明的應(yīng)用和好處，并且這些實(shí)例并不對本發(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)明的算法都被用來對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函數(shù)，每個獨(dú)立的變量被編碼為基因算法總體中的獨(dú)立的染色體。在這種情況下每個個體包含10個染色體。
使用8種不同版本的基因算法對該函數(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)。接下來是使用非特定突變和交叉的國王基因算法(表1中的國王GA)。接下來是僅使用非特定突變和C2交叉的國王基因算法(表1中的國王GA_C2)。僅使用非特定突變的國王基因算法(表1中的國王突變)。最后是僅使用C2突變的國王基因算法(表1中的國王突變_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?？傮w大小以及被重復(fù)的代的數(shù)量對于所檢查的不同的算法來說是保持一致的，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突變的國王基因算法(國王突變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)行比較的時候，有效性增加了5倍。
實(shí)例2將來自上述實(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，1999(“Deb”))中被測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Deb的最佳基因算法進(jìn)行測試。與用于Deb中基因算法的總體大小1000相比，僅使用C2突變的國王基因算法的總體大小對于兩次運(yùn)行都為10。來自該參考的基因算法僅在具有大的總體的時候才運(yùn)行良好，并且對來自參考的那些被使用的基因算法來說，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于所檢查的不同的算法來說并不是保持一致的。重要的因素是由每種算法所進(jìn)行的適合性函數(shù)評價的次數(shù)。該值是通過將總體大小與代的數(shù)量相乘而得到的。由于每個這樣的計(jì)算所花費(fèi)的名義上的時間的緣故，該值是重要的。對適合性函數(shù)所必須進(jìn)行的評價的次數(shù)越少，就可以越快實(shí)現(xiàn)對函數(shù)的優(yōu)化。
該最佳次數(shù)代表獲得函數(shù)的最佳值時運(yùn)行過的次數(shù)。運(yùn)行的次數(shù)對于根據(jù)本發(fā)明的基因算法和來自Deb的那些基因算法來說也是不同的。然后，基于優(yōu)化運(yùn)行的次數(shù)來計(jì)算有效性。該表還顯示了函數(shù)必須被評價的次數(shù)(函數(shù)評價次數(shù))，該次數(shù)被用來計(jì)算根據(jù)本發(fā)明的兩種基因算法相對于來自Deb的最佳算法所節(jié)省的時間。
表2國王突變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“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時函數(shù)g(u)的值。
表3對于u的值從0到4的情況的g(u)的值
所以，對于一個4位字符串，下面的表4給出了g(u)的結(jié)果表4對于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)。接下來是使用非特定突變和交叉的國王基因算法(表5中的國王GA)。接下來是僅使用非特定突變和C2交叉的國王基因算法(表5中的國王GA_C2)。然后檢查的是僅使用非特定突變的國王基因算法(表5中的國王突變)。最后是僅使用C2突變的國王基因算法(表5中的國王突變_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)目對于所檢查的不同的方法來說是保持一致的，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，用于對用于跟蹤7個目標(biāo)的傳感器測試函數(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個傳感器，這181個傳感器每個都具有360°的FOV(視野)，其中半徑為4km，并且這181個傳感器被隨機(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)目的是對進(jìn)入監(jiān)視區(qū)域的目標(biāo)進(jìn)行探測、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)系測量從而準(zhǔn)確地對目標(biāo)進(jìn)行定位，在最低的聯(lián)合功率消耗下生成對于目標(biāo)來說是最小的位置誤差的一組三個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)，有必要對這兩個因素進(jìn)行特殊地加權(quán)。
因?yàn)檫@7個目標(biāo)中的每個目標(biāo)都需要找到3個傳感器，所以基因算法中的每個個體包含7*3＝21個染色體。每個染色體包含一個傳感器的標(biāo)識號。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個目標(biāo)所估計(jì)的位置誤差；Pj(j＝1，2，...，m)是第j個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重要性。
然后使用模擬的聲學(xué)傳感器測量數(shù)據(jù)對基因算法進(jìn)行評價。該模擬的數(shù)據(jù)包含傳感器位置、方位角測量和來自每個傳感器的目標(biāo)識別數(shù)據(jù)。對屬于被跟蹤的交通工具的類的7個目標(biāo)的運(yùn)動軌跡進(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是這樣一種選擇其中特定的傳感器被共享。
表6用于7個目標(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。可以看出，無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、僅使用突變的國王基因算法，以及僅使用C2類型突變的國王基因突變。
圖11描述了對于在上述圖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個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器；(b)根據(jù)想要的跟蹤的特性，定義適合性函數(shù)；(c)選擇所述個體中的一個或多個，以便將其包含在初始總體中；(d)對所述總體執(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體；(ii)從所述總體中選擇隨機(jī)個體；以及(iii)通過所述最適合個體和所述隨機(jī)選擇的個體創(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。
3.如權(quán)利要求1所述的方法，進(jìn)一步包含將個體定義為包含n個染色體，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個目標(biāo)而估計(jì)的位置誤差，其中Pj(j＝1，2，...，m)是第j個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)中的對所述個體的所述初始選擇是通過隨機(jī)方法來實(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體不會再有改進(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，或者它們的組合來實(shí)現(xiàn)在步驟(d)中從所述總體中選擇所述隨機(jī)個體。
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個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器；(b)基于想要的跟蹤的特性，定義適合性函數(shù)；(c)選擇所述個體中的一個或多個，以便將其包含在初始總體中；(d)對所述總體執(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體；以及(ii)從所述最適合的個體創(chuàng)造后代，其中僅通過突變來產(chǎn)生對所述后代的所述創(chuàng)造，其中在個體中僅有i個染色體發(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。
18.如權(quán)利要求16所述的方法，進(jìn)一步包含將個體定義為包含n個染色體，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個目標(biāo)而估計(jì)的位置誤差；其中Pj(j＝1，2，...，m)是第j個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)中的對所述個體的所述初始選擇是通過隨機(jī)方法來實(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體不會再有改進(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個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器，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)選擇所述個體中的一個或多個，以便將其包含在初始總體中；以及(d)對所述初始總體執(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體；以及(ii)從所述最適合的個體創(chuàng)造后代，其中僅通過突變來產(chǎn)生對所述后代的所述創(chuàng)造，其中在個體中僅有2個染色體發(fā)生突變。(e)基于當(dāng)所述定義的趨同標(biāo)準(zhǔn)被滿足時存在的包含總體的所述個體來選擇傳感器。
28.一種用于跟蹤目標(biāo)的傳感器的網(wǎng)絡(luò)，包含(A)N個傳感器；(B)一種可以控制和管理所述N個傳感器的控制器，其中所述控制器通過執(zhí)行一種方法來從用于跟蹤目標(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個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器；(ii)基于想要的跟蹤的特性，定義適合性函數(shù)；(iii)選擇所述個體中的一個或多個，以便將其包含在初始總體中；(iv)對所述總體執(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體；(b)從所述總體中選擇隨機(jī)個體；以及(c)通過所述最適合個體和所述被隨機(jī)選擇的個體創(chuàng)造后代；(C)一種用于所述個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。
30.如權(quán)利要求28所述的傳感器的網(wǎng)絡(luò)，進(jìn)一步包含將個體定義為包含n個染色體，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個目標(biāo)而估計(jì)的位置誤差，其中Pj(J＝1，2，...，m)是第j個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)中的對所述個體的所述初始選擇是通過隨機(jī)方法來實(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體不會再有改進(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個傳感器；(B)一種可以控制和管理所述N個傳感器的控制器，其中所述控制器通過執(zhí)行一種方法來從用于跟蹤目標(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個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器；(ii)基于想要的跟蹤的特性，定義適合性函數(shù)；(iii)選擇所述個體中的一個或多個，以便將其包含在初始總體中；(iv)對所述總體執(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體；以及(b)從所述最適合的個體創(chuàng)造后代，其中僅通過突變來產(chǎn)生對所述后代的所述創(chuàng)造，其中在任意一次突變中僅有i個染色體發(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。
45.如權(quán)利要求43所述的傳感器的網(wǎng)絡(luò)，進(jìn)一步包含將個體定義為包含n個染色體，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個目標(biāo)而估計(jì)的位置誤差，其中Pj(j＝1，2，...，m)是第j個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)中的對所述個體的所述初始選擇是通過隨機(jī)方法來實(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體不會再有改進(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個傳感器；(B)一種可以控制和管理所述N個傳感器的控制器，其中所述控制器通過執(zhí)行一種方法來從用于跟蹤目標(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個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器，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)選擇所述個體中的一個或多個，以便將其包含在初始總體中；以及(iv)對所述初始總體執(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體；和(b)從所述最適合的個體創(chuàng)造后代，其中僅通過突變來產(chǎn)生對所述后代的所述創(chuàng)造，其中在任意一次突變中僅有2個染色體發(fā)生突變；(v)基于當(dāng)所述定義的趨同標(biāo)準(zhǔn)被滿足時存在的包含總體的所述個體來選擇傳感器；(C)一種用于所述個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用于對至少一個目標(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個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器，基于想要的跟蹤的特性定義適合性函數(shù)，選擇個體中的一個或多個以便將其包含進(jìn)一個初始總體，對該初始總體執(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體，從該總體中選擇隨機(jī)個體以及通過該最適合的個體和隨機(jī)選擇的個體創(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用于對至少一個目標(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個染色體的基因算法結(jié)構(gòu)的個體，其中每個染色體代表一個傳感器，基于想要的跟蹤的特性定義適合性函數(shù)，選擇個體中的一個或多個以便將其包含進(jìn)一個初始總體，對該初始總體執(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體，以及通過該最適合的個體創(chuàng)造后代，其中僅通過突變來實(shí)現(xiàn)對后代的創(chuàng)造，其中在任何一次突變期間僅有i個染色體發(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個傳感器的傳感器網(wǎng)絡(luò)，一種用于N個傳感器與控制器進(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個傳感器的能力的控制器。
文檔編號G06N3/12GK1533552SQ02811225
公開日2004年9月29日 申請日期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 申請人:霍尼韋爾國際公司