基于HDABC算法的传感器资源调度方法

基于hdabc算法的传感器资源调度方法
技术领域
1.本发明涉及传感器资源调度技术领域，具体涉及一种基于hdabc算法的传感器资源调度方法。


背景技术：

2.随着空天领域技术的不断提升，各类飞行器的技术水平不断提高，多传感器协同探测已成为应对复杂环境的必要条件。研究如何合理调度传感器资源，快速准确生成传感器调度方案，使得多传感器协同探测效能得以充分发挥，具有十分重要的实用价值。资源调度问题不仅是一个组合优化的问题，而且也是一个具有多约束且计算复杂特性的np完全问题，因此需要运用高效精确的智能算法进行优化计算。
3.混合离散人工蜂群(hdabc)算法是在abc算法的基础上进行改进优化。abc算法通过模拟蜜蜂采蜜的生物行为，可以实现雇佣蜂、观察蜂和侦察蜂三种蜂型之间的互相转换。雇佣蜂的作用是保存优良信息，跟随蜂提高了算法的收敛能力，侦察蜂则是用于跳出局部最优。三种蜜蜂相辅相成，动态转换角色，使得算法性能优于其他基础算法。


技术实现要素：

4.针对上述存在的问题，本发明提出了一种基于hdabc算法的传感器资源调度方法。
5.为了实现上述目的，本发明所采用的技术方案如下：
6.一种基于hdabc算法的传感器资源调度方法，其特征在于，包括以下步骤：
7.步骤1：构建传感器-目标序列的编码策略，采用传感器-目标序列的编码方法对原始abc算法进行初始化，生成输入信息；
8.步骤2：根据传感器规模和传感器探测容量，构建传感器资源调度模型，并设定蜂群规模与最大迭代次数，得到初始条件下的全局最优值；
9.步骤3：雇佣蜂基于ddm方法更新蜜源，并对更新后的蜜源进行适应度值计算，利用贪心策略保留最优值；
10.步骤4：观察蜂接收到雇佣蜂的信息后，根据sap方法选取一定规模的蜜源，并通过步骤3的方法得到新的蜜源，将新的蜜源与旧的蜜源进行适应度比较，利用贪心策略保留最优值；
11.步骤5：重复步骤3-4，直至所有雇佣蜂和观察蜂完成搜索，若迭代n次后该蜜源没有改进，则放弃该蜜源，并记录在禁忌表中；同时将该蜜源对应的雇佣蜂转为侦察蜂，并按照传感器-目标序列的编码策略随机产生一个新蜜源；
12.步骤6：判断当前迭代次数是否到达最大迭代次数，若达到，则得到最优蜜源个体x
best
以及最大适应度值fit
best
；
13.步骤7：基于传感器-目标序列的编码策略，将在最优蜜源个体x
best
反编码，输出最优调度方案。
14.进一步地，步骤1所述的传感器-目标序列的编码策略构建步骤为：将所有s个传感
器与其对应的t个目标的可视目标序列一一对应，从而将传感器调度决策矩阵编码为传感器对应的可视目标序列集合，并将该可视目标序列集合中不具有可视关系的位置用0进行填充，此时，传感器调度决策矩阵编码长度d为：
[0015][0016]
其中，k表示第k个传感器，c
max
为各预警雷达最大跟踪能力。
[0017]
进一步地，步骤2构建的传感器资源调度模型以综合探测收益最大化为目标函数，其具体包括：
[0018]
1)目标函数
[0019]
maxu(x)＝(u(x
(1)
)+u(x
(2)
)+...+u(x
(k)
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0020]
其中，u(x)为综合探测收益；
[0021]
且综合探测收益函数为：
[0022][0023]
其中，thr
ij
为威胁度因子，为探测收益因子，han
(s)
为目标交接因子，m表示第m个传感器，n表示第n个目标；
[0024]
2)决策变量
[0025][0026]
其中，为决策变量，用于描述第k部传感器对第i个目标的第j个探测任务的执行情况；
[0027]
3)约束条件
[0028][0029]
进一步地，所述探测收益因子、威胁度因子以及目标交接因子分别为：
[0030]
1)探测收益因子
[0031][0032]
其中，为目标与传感器的空间距离因子；为传感器探测目标的平均视界角与最佳角度之间的偏离程度；pri
(k)
为传感器的跟踪能力因子；为传感器对目标的连续跟踪能力因子；l1,l2,l3,l4为探测收益权重，表示各个因子所占的比例，且l1+l2+l3+l4＝1；
[0033]
2)威胁度因子
[0034]
thri＝idei(η1·
clai+η2·
fini)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0035]
其中，idei为目标的敌我识别信息；clai为目标的类别信息；fini为目标的飞行诸
元信息；η1、η2为威胁度权重，且有η1+η2＝1；
[0036]
3)目标交接因子
[0037][0038]
其中，式中，为异或运算，表示传感器是否切换跟踪目标；m表示第m个传感器，n表示第n个目标。
[0039]
进一步地，步骤3的具体操作步骤包括：
[0040]
步骤31：基于ddm方法，重定义蜜源的更新策略公式为：
[0041][0042]
其中，比例因子为[0,1]之间的随机数，分别为当代最优蜜源、第i个蜜源和第k个蜜源，i,k∈[1,np]，np为种群规模；
[0043]
步骤32：计算更新策略公式中的部分：
[0044]
步骤321：先将运算定义为：
[0045][0046]
其中，d表示编码的位置，d∈[1,d]；
△i＝[δ
i1
,δ
i2
,...,δ
id
]；
[0047]
步骤322：运算时逐位对比第i个蜜源和第k个蜜源的编码：
[0048]
i)当两个蜜源的第d位编码非零且相同时，输出结果为0；
[0049]
ii)当两个蜜源的第d位编码均为零，输出结果为[1,n]之间的随机整数；
[0050]
iii)当两个蜜源的第d位编码不同时，输出结果为第i个蜜源的d位编码；
[0051]
步骤33：计算更新策略公式中的部分：
[0052]
将运算定义为：
[0053][0054]
其中，round(
·
)为取整函数；ρi＝[ρ
i1
,ρ
i2
,...,ρ
id
]为变异算子；
[0055]
步骤34：计算更新策略公式中的部分：
[0056]
步骤341：将运算定义为：
[0057][0058]
步骤342：逐位编码进行变异，若ρd＝0，x
id
保持不变；若ρd≠0且则将xi的第ρd位和第d位进行交换；若ρd≠0且则将xi的第ρd位插入至第d位，其余位置依次后移。
[0059]
进一步地，步骤4的观察蜂自适应选择概率sap计算公式为：
[0060][0061]
其中，r为根据适应度值对所有蜜源进行排序后的序标，蜜源的适应度越大，位置越靠前；a为最低选择概率，即对排序较低的蜜源的选择概率；b为自适应控制系数，np为蜂群算法的种群规模，t为算法迭代的次数。
[0062]
本发明相较于现有技术，其有益效果是：
[0063]
本发明所提方法在基本abc算法的基础上，通过调整算法编码策略，生成基于传感器-目标的编码序列，在雇佣蜂阶段利用基于差分变异方法(ddm)的蜜源更新策略，提高蜜源全局搜索能力和局部开采能力，在侦察蜂阶段采用自适应蜜源选择概率(sap)方法，使其更容易跳出局部最优。结果表明，基于hdabc算法的传感器资源调度方法能够实现传感器资源的最优调度，生成最优调度方案，且该方法在收敛精度、全局寻优能力等方面有明显提升，表明该方法在传感器资源调度问题中的可行性与实用性。
附图说明
[0064]
图1为本发明所提调度方法的流程图。
[0065]
图2(a)-(c)为不同规模的资源调度仿真实验结果。
[0066]
图3为hdabc算法性能对比图。
[0067]
图4(a)-(c)分别为不同实验规模下的hdabc与其他算法的仿真结果对比图。
[0068]
图5(a)-(c)分别为不同实验规模下的hdabc与其他算法的仿真结果箱线图。
[0069]
图6为传感器-目标序列编码策略。
[0070]
图7为基于ddm的蜜源更新方法。
[0071]
图8为自适应选择概率自变化曲线。
具体实施方式
[0072]
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
[0073]
本发明提供一种hdabc算法的传感器资源调度方法，其包括以下步骤：
[0074]
1、hdabc算法
[0075]
原始abc算法是基于蜜蜂采蜜行为的一种群智能算法。该算法模拟了蜜蜂采蜜的生物行为，可以实现雇佣蜂、观察蜂和侦察蜂三种蜂型之间的互相转换，实现蜜源寻优的目的。为了模拟蜂群，通常采用以下公式表示：
[0076]
(1)初始化阶段。在一个d维搜索空间中，种群规模为np，则各蜜源第t次迭代后的位置为蜜源的适应度用表示。其中，u(x)为适应度函数，在传感器资源调度问题中为综合探测收益函数。
[0077]
(2)雇佣蜂阶段。每一个雇佣蜂对应一个蜜源，按照相应的蜜源更新策略，在其周围搜索得到一个新的蜜源vi，并计算其适应度值fiti'。根据贪心策略保留适应度值更优的蜜源。新蜜源更新策略：
[0078][0079]
式中，是[-1,1]上的随机数，xk、xj为随机蜜源。
[0080]
(3)观察蜂阶段。观察蜂接收到雇佣蜂的信息后，根据选择概率pi选取一定蜜源，根据蜜源更新策略寻找新的蜜源进行适应度比较，同样选择适应度更优的蜜源。
[0081][0082]
(4)侦察蜂阶段。在所有雇佣蜂和观察蜂完成搜索后，若迭代lim次后该蜜源没有改进，则放弃该蜜源，并记录在禁忌表中。同时该蜜源对应的雇佣蜂转为侦察蜂，按照初始化条件随机产生一个新蜜源。
[0083]
(5)重复步骤(2)至(4)，直至满足终止条件，输出最好的蜜源位置。
[0084]
为了进一步提高abc算法的寻优能力和收敛速度，减小寻优空间，同时使其编码方式更适用于资源调度问题，因此。本发明首先在初始化阶段采用基于传感器-目标序列的编码方式，其次采用ddm方法的蜜源更新策略进行蜜源更新，并将对观测蜂选择概率由轮盘赌方法改进为自适应选择概率(sap)。
[0085]
首先，本发明采用了基于传感器-目标序列的编码策略来进行初始化，从而缩小算法变量空间，其蜂群个体可直接用于求解计算。通过该方法编码产生的个体，有效降低了算法维度，且每个传感器所分配的目标数量均不超过目标容量，便于直接表达调度方案。基于传感器-目标序列编码策略如图6所示，该编码策略构建方法为：
[0086]
将所有s个传感器与其对应的t个目标的可视目标序列一一对应，从而将传感器调度决策矩阵编码为传感器对应的可视目标序列集合，并将该可视目标序列集合中不具有可视关系的位置用0进行填充，此时传感器调度决策矩阵编码长度由各预警雷达最大跟踪能力决定，且编码长度d为：
[0087][0088]
式中，k表示s个传感器中的第k个传感器，c
max
为各预警雷达最大跟踪能力。
[0089]
其次，如图7所示的蜜源更新方法为：采用基于ddm的方法将式(1)改进为式(4)，从而进行蜜源更新：
[0090][0091]
其中，比例因子为[0,1]之间的随机数，分别为当代最优蜜源、第i个蜜源和第k个蜜源，i,k∈[1,np]，np为种群规模；
[0092]
式(4)的计算步骤可分为两部分：
[0093]
1)计算部分，运算定义为：
[0094][0095]
式中，d表示编码的位置，d∈[1,d]；
△i＝[δ
i1
,δ
i2
,...,δ
id
]。
[0096]
运算过程中将逐位对比第i个蜜源和第k个蜜源的编码，当两个蜜源的第d位编码非零且相同时，输出结果为0；两个蜜源的第d位编码均为零，输出结果为[1,n]之间的随机整数；两个蜜源的第d位编码不同时，输出结果为第i个蜜源的d位编码；
[0097]
2)计算部分，将运算定义为：
[0098][0099]
其中，round(
·
)为取整函数；ρi＝[ρ
i1
,ρ
i2
,...,ρ
id
]为变异算子；
[0100]
通过该运算，概率性地将某位的编码转换为[1,d]内的整数；
[0101]
3)计算部分，将运算定义为：
[0102][0103]
该运算逐位编码进行变异，其方法为：若ρd＝0，x
id
保持不变；若ρd≠0且则将xi的第ρd位和第d位进行交换；若ρd≠0且则将xi的第ρd位插入至第d位，其余位置依次后移。
[0104]
最后，本发明将观测蜂选择概率由轮盘赌方法改进为自适应选择概率sap的方法，该方法计算的选择概率与目标函数值没有直接关系，只与优势蜜源的顺序和迭代的次数相关，是一种在迭代过程中有效的控制选择能力的方法，通过该方法的概率计算公式从而将式(2)更新为：
[0105][0106]
其中，r为根据适应度值对所有蜜源进行排序后的序标，蜜源的适应度越大，位置越靠前；a为最低选择概率，即对排序较低的蜜源的选择概率；b为自适应控制系数。
[0107]
自适应蜜源选择概率的变化曲线示意如图8所示，采用该方法计算的蜜源选择概率呈现出随迭代次数自适应变化的趋势。在迭代初期，侦察蜂对各个蜜源的选择概率较为均衡，从而保持种群的多样性，增强全局搜索能力；在迭代后期，侦察蜂对各个蜜源的选择概率逐渐倾向于优势蜜源，增强了对优势蜜源的局部开采，从而使算法能够快速收敛。
[0108]
2、传感器资源调度模型
[0109]
当多传感器进行协同探测时，为权衡传感器对每个目标探测的合理性，采用调度方案综合探测收益来描述调度方案的有效性。以综合探测收益函数为目标函数，其主要由
探测收益因子、目标威胁因子、目标交接因子等因素组成，故而该模型的目标函数为：
[0110]
maxu(x)＝(u(x
(1)
)+u(x
(2)
)+...+u(x
(k)
))
ꢀꢀꢀ
(9)
[0111]
其中，u(x)为综合探测收益，表示为：
[0112][0113]
其中，thr
ij
为威胁度因子，为探测收益因子，han
(s)
为目标交接因子。为决策变量，描述第k部传感器对第i个目标的第j个探测任务的执行情况，具体表示为：
[0114][0115]
(1)探测收益因子表示为：
[0116][0117]
式中，为目标与传感器的空间距离因子。为传感器探测目标的平均视界角与最佳角度之间的偏离程度。pri
(k)
为传感器的跟踪能力因子。为传感器对目标的连续跟踪能力因子，且有l1+l2+l3+l4＝1。
[0118]
(2)威胁度因子thr
ij
表示为：
[0119]
thri＝idei(η1·
clai+η2·
fini)
ꢀꢀꢀꢀ
(13)
[0120]
式中，idei为目标的敌我识别信息；clai为目标的类别信息；fini为目标的飞行诸元信息；η1、η2为威胁度权重，且有η1+η2＝1。
[0121]
(3)目标交接因子han
(k)
用来衡量目标调度交接对跟踪任务的影响程度。表示为：
[0122][0123]
(4)约束条件：
[0124]
从探测任务全局角度出发，需要保证每个目标尽量都能被探测到，且具有时间重叠的目标只占据一个传感器资源；从资源负载限制出发，分配目标数不能高于传感器目标容量，且应留出一定的冗余，避免因资源过载而无法响应突发性任务，故表示为：
[0125][0126]
基于上述介绍，可以看出，hdabc算法具有更优寻优能力和收敛速度，能够被用于优化传感器资源调度问题的复杂求解中，提出了基于hdabc算法的传感器资源调度方法，如附图1所示，该方法的步骤包括：
[0127]
步骤1：建立传感器资源调度模型，包含目标函数(式9)、决策变量(式11)和约束条件(式15)，通过将传感器与其可视目标的序列进行一一对应，形成传感器-目标序列的编码策略，来对abc算法进行初始化，生成输入信息；根据传感器规模和传感器探测容量，设定蜂
群规模与最大迭代次数，根据式(9)所述适应度函数得到初始条件下的全局优值；
[0128]
步骤2：雇佣蜂根据式(4)所述ddm方法更新蜜源，并进行适应度计算，根据贪心策略保留最优值；
[0129]
步骤3：观察蜂根据式(8)所述sap方法选择一定规模的蜜源，并进行适应度计算，根据贪心策略保留最优值；
[0130]
步骤4：侦察蜂在所有雇佣蜂和观察蜂完成搜索后，若迭代lim次后该蜜源没有改进，则放弃该蜜源，并记录在禁忌表中。同时该蜜源对应的雇佣蜂转为侦察蜂，按照初始化条件随机产生一个新蜜源。判断迭代次数是否达到最大迭代次数，如果达到，则循环终止，得到最优蜜源个体x
best
以及最大适应度值fit
best
。
[0131]
步骤5：通过使用基于传感器-目标序列的编码方式，将最优蜜源个体x
best
反编码，对应形成决策变量即为最优调度方案，表示为：
[0132][0133]
实施例
[0134]
为了验证本发明提出的基于hdabc算法的传感器资源调度方法的可行性以及效果，进行以下仿真实验。
[0135]
1、实验环境
[0136]
硬件配置：cpu为amd ryzen r7-5800h 3.2ghz，内存16gb，硬盘512gb；
[0137]
操作系统：windows11；
[0138]
测试平台：matlab r2021b；stk11.0
[0139]
2、实验方法
[0140]
选择不同的规模的资源调度场景，分别进行基于hdabc的调度方案寻优实验、算法对比实验。
[0141]
(1)基于hdabc的调度方案寻优实验
[0142]
实验参数设置：通过stk软件生成多传感器探测场景，生成中规模探测场景主要包含：探测性能不同的2型传感器，各2个；生成飞行目标15个，每个目标各带有2个伴飞的假目标(共30个假目标)。其中部分飞行目标的数据如表1。具体实验场景见附图2。hdabc算法的参数设置见表2。
[0143]
表1部分飞行目标参数表
[0144]
[0145]
表2hdabc算法参数设置
[0146][0147]
在上述3个实验中，均执行对传统的离散abc算法(abc)、本发明的hdabc算法、不使用启发式初始化规则的hdabc算法(abc-1)、不使用离散差分变异方法的hdabc算法(abc-2)和不使用自适应选择概率的hdabc算法(abc-3)进行比较，目的是验证改进本发明的有效性。
[0148]
实验结果如附图3。可以看出，相较于其他四种算法，hdabc算法性能是最好的。其中，hdabc算法与abc-1算法的差异较小，这是因为采用了启发式初始化规则的hdabc算法在早期迭代时拥有更好的食物源，提高了收敛速度；而hdabc算法与abc-2算法的最大区别在于，基于离散差分变异方法的蜜源更新策略增加了算法的优化能力。
[0149]
此外，为了对比算法的稳定性，在对上述模拟场景进行蒙特卡罗模拟20次后将结果取平均值。五种算法的仿真比较结果如表3所示。计算结果表明，hdabc算法在各项指标上都有明显的改进。
[0150]
表3hdabc算法的性能对比
[0151][0152]
(2)算法对比实验
[0153]
算法性能对比实验主要是为了验证hdabc算法与不同算法在求解不同规模下的ssa问题时的性能。本节使用了hdabc算法、iga算法、sappso算法、pso-vns算法进行比较。
[0154]
实验1：通过stk软件生成多传感器探测场景，生成小规模探测场景主要包含：探测性能不同的2型传感器，各1个；生成飞行目标5个，每个目标各带有2个伴飞的假目标(共10个假目标)。
[0155]
实验2：通过stk软件生成多传感器探测场景，生成中规模探测场景主要包含：探测性能不同的2型传感器，各2个；生成飞行目标15个，每个目标各带有2个伴飞的假目标(共30个假目标)。
[0156]
实验3：通过stk软件生成多传感器探测场景，生成大规模探测场景主要包含：探测性能不同的2型传感器，各4个；生成飞行目标30个，每个目标各带有2个伴飞的假目标(共60个假目标)。
[0157]
图4比较了不同算法的结果。从结果可以看出，在处理不同规模的传感器资源调度问题时，hdabc算法比其他算法具有更好的收敛能力。特别是对于中等规模和大规模资源调度问题，hdabc算法收敛速度快，能快速得到最优解。
[0158]
对上述小、中、大规模算法对比实验进行了20次蒙特卡洛模拟并取平均值后，绘制箱线图如图5所示，分析结果如表4所示。从分析结果可以看出，对于中等规模和大规模资源
调度问题，hdabc算法能够找到最优解，与其他算法相比具有更好的收敛性，算法结果更加可靠。从大规模场景实验数据可以得出，hdabc算法获得的调度值率比iga、pso-vns和sappso算法分别提高了16.72％、10.74％和11.41％。综上，本发明所提基于hdabc算法的传感器资源调度方法具有优势求解精度高、有效性强等特点。
[0159]
表4不同规模下的算法结果对比表
[0160][0161]
以上显示和描述了本发明的基本原理、主要属性和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.基于hdabc算法的传感器资源调度方法，其特征在于，包括以下步骤：步骤1：构建传感器-目标序列的编码策略，采用传感器-目标序列的编码方法对原始abc算法进行初始化，生成输入信息；步骤2：根据传感器规模和传感器探测容量，构建传感器资源调度模型，并设定蜂群规模与最大迭代次数，得到初始条件下的全局最优值；步骤3：雇佣蜂基于ddm方法更新蜜源，并对更新后的蜜源进行适应度值计算，利用贪心策略保留最优值；步骤4：观察蜂接收到雇佣蜂的信息后，根据sap方法选取一定规模的蜜源，并通过步骤3的方法得到新的蜜源，将新的蜜源与旧的蜜源进行适应度比较，利用贪心策略保留最优值；步骤5：重复步骤3-4，直至所有雇佣蜂和观察蜂完成搜索，若迭代n次后该蜜源没有改进，则放弃该蜜源，并记录在禁忌表中；同时将该蜜源对应的雇佣蜂转为侦察蜂，并按照传感器-目标序列的编码策略随机产生一个新蜜源；步骤6：判断当前迭代次数是否到达最大迭代次数，若达到，则得到最优蜜源个体x
best
以及最大适应度值fit
best
；步骤7：基于传感器-目标序列的编码策略，将在最优蜜源个体x
best
反编码，输出最优调度方案。2.如权利要求1所述的基于hdabc算法的传感器资源调度方法，其特征在于，步骤1所述的传感器-目标序列的编码策略构建步骤为：将所有s个传感器与其对应的t个目标的可视目标序列一一对应，从而将传感器调度决策矩阵编码为传感器对应的可视目标序列集合，并将该可视目标序列集合中不具有可视关系的位置用0进行填充，此时，传感器调度决策矩阵编码长度d为：其中，k表示第k个传感器，c
max
为各预警雷达最大跟踪能力。3.如权利要求2所述的一种基于hdabc算法的传感器资源调度方法，其特征在于，步骤2构建的传感器资源调度模型以综合探测收益最大化为目标函数，其具体包括：1)目标函数maxu(x)＝(u(x
(1)
)+u(x
(2)
)+...+u(x
(k)
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)其中，u(x)为综合探测收益；且综合探测收益函数为：其中，thr
ij
为威胁度因子，为探测收益因子，han
(s)
为目标交接因子，m表示第m个传感器，n表示第n个目标；2)决策变量
其中，为决策变量，用于描述第k部传感器对第i个目标的第j个探测任务的执行情况；3)约束条件4.如权利要求3所述的一种基于hdabc算法的传感器资源调度方法，其特征在于，所述探测收益因子、威胁度因子以及目标交接因子分别为：1)探测收益因子其中，为目标与传感器的空间距离因子；为传感器探测目标的平均视界角与最佳角度之间的偏离程度；pri
(k)
为传感器的跟踪能力因子；为传感器对目标的连续跟踪能力因子；l1,l2,l3,l4为探测收益权重，表示各个因子所占的比例，且l1+l2+l3+l4＝1；2)威胁度因子thr
i
＝ide
i
(η1·
cla
i
+η2·
fin
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)其中，ide
i
为目标的敌我识别信息；cla
i
为目标的类别信息；fin
i
为目标的飞行诸元信息；η1、η2为威胁度权重，且有η1+η2＝1；3)目标交接因子其中，式中，为异或运算，表示传感器是否切换跟踪目标；m表示第m个传感器，n表示第n个目标。5.如权利要求2所述的一种基于hdabc算法的传感器资源调度方法，其特征在于，步骤3的具体操作步骤包括：步骤31：基于ddm方法，重定义蜜源的更新策略公式为：其中，比例因子为[0,1]之间的随机数，分别为当代最优蜜源、第i个蜜源和第k个蜜源，i,k∈[1,np]，np为种群规模；步骤32：计算更新策略公式中的部分：步骤321：先将运算定义为：
其中，d表示编码的位置，d∈[1,d]；
△
i
＝[δ
i1
,δ
i2
,...,δ
id
]；步骤322：运算时逐位对比第i个蜜源和第k个蜜源的编码：i)当两个蜜源的第d位编码非零且相同时，输出结果为0；ii)当两个蜜源的第d位编码均为零，输出结果为[1,n]之间的随机整数；iii)当两个蜜源的第d位编码不同时，输出结果为第i个蜜源的d位编码；步骤33：计算更新策略公式中的部分：将运算定义为：其中，round(
·
)为取整函数；ρ
i
＝[ρ
i1
,ρ
i2
,...,ρ
id
]为变异算子；步骤34：计算更新策略公式中的部分：步骤341：将运算定义为：步骤342：逐位编码进行变异，若ρ
d
＝0，x
id
保持不变；若ρ
d
≠0且则将x
i
的第ρ
d
位和第d位进行交换；若ρ
d
≠0且则将x
i
的第ρ
d
位插入至第d位，其余位置依次后移。6.如权利要求2所述的一种基于hdabc算法的传感器资源调度方法，其特征在于，步骤4的观察蜂自适应选择概率sap计算公式为：其中，r为根据适应度值对所有蜜源进行排序后的序标，蜜源的适应度越大，位置越靠前；a为最低选择概率，即对排序较低的蜜源的选择概率；b为自适应控制系数，np为蜂群算法的种群规模，t为算法迭代的次数。

技术总结
本发明公开了一种基于HDABC算法的传感器资源调度方法，其基于原始ABC算法的基础上，通过调整算法编码策略，生成基于传感器-目标的编码序列，在雇佣蜂阶段利用基于差分变异方法(DDM)的蜜源更新策略，提高蜜源全局搜索能力和局部开采能力，在侦察蜂阶段采用自适应蜜源选择概率(SAP)方法，使其更容易跳出局部最优。结果表明，基于HDABC算法的传感器资源调度方法能够实现传感器资源的最优调度，生成最优调度方案，且该方法在收敛精度、全局寻优能力等方面有明显提升，表明该方法在传感器资源调度问题中的可行性与实用性。问题中的可行性与实用性。问题中的可行性与实用性。


技术研发人员：刘昌云 刘伟 王刚 郭相科 韦刚 李松 张春梅
受保护的技术使用者：中国人民解放军空军工程大学
技术研发日：2023.06.01
技术公布日：2023/10/7