针对部分可观多传感器多目标协同跟踪问题,提出了一种基于潜博弈的分布式优化算法。以传感器为博弈方,选择广义Fisher信息矩阵(Generalized Fisher Information Matrix,GFIM)为跟踪收益函数,将探测和通信约束下的多传感器多目标分配问...针对部分可观多传感器多目标协同跟踪问题,提出了一种基于潜博弈的分布式优化算法。以传感器为博弈方,选择广义Fisher信息矩阵(Generalized Fisher Information Matrix,GFIM)为跟踪收益函数,将探测和通信约束下的多传感器多目标分配问题描述为一个局部信息博弈模型,证明了该模型是一个潜博弈模型,至少存在一个可行的纯策略纳什均衡(Nash Equilibrium,NE)。为了提高计算效率,设计了一种改进并行最佳响应动态(Modified Parallel Best Response Dynamic,MPBRD)的分布式决策算法,分析了算法的复杂度。仿真结果显示,在小规模场景下,基于潜博弈的分布式优化算法能够达到集中式全枚举优化算法的跟踪性能,计算时间大大缩短。在大规模场景下,基于潜博弈的分布式优化算法具有较好的收敛性,满足大规模传感器决策的实时性需求。展开更多
文摘针对部分可观多传感器多目标协同跟踪问题,提出了一种基于潜博弈的分布式优化算法。以传感器为博弈方,选择广义Fisher信息矩阵(Generalized Fisher Information Matrix,GFIM)为跟踪收益函数,将探测和通信约束下的多传感器多目标分配问题描述为一个局部信息博弈模型,证明了该模型是一个潜博弈模型,至少存在一个可行的纯策略纳什均衡(Nash Equilibrium,NE)。为了提高计算效率,设计了一种改进并行最佳响应动态(Modified Parallel Best Response Dynamic,MPBRD)的分布式决策算法,分析了算法的复杂度。仿真结果显示,在小规模场景下,基于潜博弈的分布式优化算法能够达到集中式全枚举优化算法的跟踪性能,计算时间大大缩短。在大规模场景下,基于潜博弈的分布式优化算法具有较好的收敛性,满足大规模传感器决策的实时性需求。