一种面向多任务的自组网动态匹配选择方法

摘要

本发明公开了一种面向多任务的自组网动态匹配选择方法。使用本发明能够在多任务情况下，根据任务需求以及节点自身能力进行节点筛选，以此来实现多个功能节点根据实际情况进行自组网并共同完成任务，完成不同任务的动态自组网分配。本发明中，功能节点首先根据任务需求分析和自身能力属性分析，进行多任务初步筛选；然后接收与其相匹配的任务。如果接收任务唯一，则功能节点将任务输入至自组织网络中，执行任务；如果任务不唯一，则执行优先级别高的任务；如果优先级别相同，则采用基于TOPSIS改进算法的多属性判决，根据任务需求、功能节点自身能力以及其所对应的多重属性，对优先级别相同的任务进行进一步排序，然后选择执行优先级高的任务。

主权项

一种面向多任务的自组网动态匹配选择方法，其特征在于，包括如下步骤：步骤1，用户节点发布任务至控制节点；控制节点将这些任务广播至功能节点；步骤2，具有自适应组网功能的各可用功能节点对任务进行获取，并根据任务需求，判断其自身是否具有任务所需功能且满足任务的最低属性要求，如是，则接收该任务，对外显示已用状态，转入步骤3；否则放弃该任务，等待下一个任务的发布，返回步骤1；步骤3，针对每一个接收了任务的功能节点，如果功能节点只接收了一个任务，则与其他接收了同样任务的功能节点组成网络共同完成任务，任务完成后，对外显示可用状态，返回步骤1；如果功能节点同时满足多个任务需求，则按任务的预先设定的优先级，选择完成优先级别最高的任务，如果优先级相同，则转入步骤4；步骤4，针对每一个功能节点，采用改进的TOPSIS算法对功能节点接收到的优先级相同的任务进行排序，包括如下子步骤：步骤4.1，建立方案集X＝{x₁，x₂，…，x_m}，其中x₁为功能节点，x₂～x_m为该功能节点接收到的任务；方案集X的属性集U为功能节点接收到的所有任务的任务属性的集合，U＝{u₁，u₂，…，u_n}；构建决策矩阵A，其中，为方案x_i在属性u_j下的属性值，其中，为属性值的上界，为属性值的下界，i＝1,2，…，m，j＝1,2，…，n；若任务没有该属性，则其对应方案的属性值为0；步骤4.2，根据属性的类型，对决策矩阵A进行规范化，获得规范化矩阵其中，对于效益型属性值，有：$r_{ij}^L=a_{ij}^L/\sqrt{{\Sigma }_{i=1}^n{\left(a_{i=1}^U\right)}^2},$$r_{ij}^U=a_{ij}^U/\sqrt{{\Sigma }_{i=1}^n{\left(a_{i=1}^L\right)}^2};$对于成本型属性值，有：$r_{ij}^L=(1/a_{ij}^U)/\sqrt{{\Sigma }_{i=1}^n{(1/a_{ij}^L)}^2},$$r_{ij}^U=(1/a_{ij}^L)/\sqrt{{\Sigma }_{i=1}^n{(1/a_{ij}^U)}^2};$步骤4.3，构造加权规范决策矩阵Z＝[z_ij]_m×n；其中，$z_{ij}=\{z_{ij}^L,z_{ij}^U\}=\{{\omega }_j{r}_{ij}^L,{\omega }_j{r}_{ij}^U\},$w_j为待求取的属性权重；步骤4.4，确定正、负理想点；步骤4.4.1，确定正理想点$v^{+}={(v_1^{+},v_2^{+},v_3^{+},\mathrm{...},v_n^{+})}^T,$其中，$v_j^{+}=\{v_j^{(+L)},v_j^{(+U)}\}=\{z_{1j}^L,z_{1j}^U\}=\{{\omega }_j{r}_{1j}^L,{\omega }_j{r}_{1j}^U\},j=\mathrm{1,2},...,n;$步骤4.4.2，确定负理想点$v^{-}={(v_1^{-},v_2^{-},v_3^{-},\mathrm{...},v_n^{-})}^T:$针对同一属性j，j＝1,2，…，n，不同方案i与功能节点之间的距离c_ij为：当属性值为效益型时，$C_{ij}^U=\left\{\begin{array}{c}{r}_{ij}^U-r_{1j}^U,r_{ij}^U-r_{1j}^U\ge 0\\ -\alpha ·(r_{ij}^U-r_{1j}^U),r_{ij}^U-r_{1j}^U<0\end{array}\right.,$$C_{ij}^L=\left\{\begin{array}{c}{r}_{ij}^L-r_{1j}^L,r_{ij}^L-r_{1j}^L\ge 0\\ -\alpha ·(r_{ij}^L-r_{1j}^L),r_{ij}^L-r_{1j}^L<0\end{array}\right.$当属性值为成本型时，$C_{ij}^U=\{\begin{array}{c}\alpha ·(r_{ij}^U-r_{1j}^U),r_{ij}^U-r_{1j}^U\ge 0\\ -(r_{ij}^U-r_{1j}^U),r_{ij}^U-r_{1j}^U<0\end{array},$$C_{ij}^L=\left\{\begin{array}{c}\alpha ·(r_{ij}^L-r_{1j}^L),r_{ij}^L-r_{1j}^L\ge 0\\ -(r_{ij}^L-r_{1j}^L),r_{ij}^L-r_{1j}^L<0\end{array}\right.$其中，α为修正系数；同一属性j下，取最大值对应的方案k₂，和最大值对应的方案k₁，则属性j的负理想点为$v_j^{-}=\{v_j^{(-L)},v_j^{(-U)}\}[v_j^{(-L)},v_j^{(-U)}]=\{z_{k_{1}j}^L,z_{k_{2}j}^U\}=\{{\omega }_j{r}_{k_{1}j}^L,{\omega }_j{r}_{k_{2}j}^U\};$步骤4.5，求取属性权重w_j，即D取最小值时对应的w_j；其中，$D=\underset{i=1}{\overset{m}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}[{({\omega }_j{r}_{ij}^L-v_j^{(+L)})}^2+{({\omega }_j{r}_{ij}^U-v_j^{(+U)})}^2-{({\omega }_j{r}_{ij}^L-v_j^{(-L)})}^2-{({\omega }_j{r}_{ij}^U-v_j^{(-U)})}^2];$步骤4.6，根据步骤4.5计算获得的w_j，求取各方案与正理想点之间的距离d_i⁺、各方案与负理想点之间的距离d_i^‑；其中，$d_i^{+}=\underset{j=1}{\overset{n}{\Sigma }}\left[{({\omega }_j{r}_{ij}^L-v_j^{(+L)})}^2+{({\omega }_j{r}_{ij}^U-v_j^{(+U)})}^2\right]$$d_i^{-}=\underset{j=1}{\overset{n}{\Sigma }}\left[{({\omega }_j{r}_{ij}^L-v_j^{(-L)})}^2+{({\omega }_j{r}_{ij}^U-v_j^{(-U)})}^2\right]$则功能节点与其接收到的各方案之间的相对接近度为步骤4.7，确定功能节点选择最大值对应的方案，执行该方案对应的任务，完成任务后，返回步骤1。