1.一种面向不同优先级目标的异构有向传感器网络节点调度方法，其特征在于按照以下步骤进行：

S1：系统环境设置，在该系统环境中随机设置M个目标；部署N个异构有向传感器节点，用于对所述M个目标进行覆盖监测；设定所有异构有向传感器节点的参数信息、监测目标覆盖优先级、监测目标覆盖优先级阈值wthres和监测目标的覆盖要求Rfg；

覆盖要求Rfg为：

若监测目标覆盖优先级大于或等于优先级阈值wthres，则要求监测目标被至少m个异构有向传感器节点所覆盖；

若监测目标覆盖优先级小于优先级阈值wthres，要求监测目标被m’个异构有向传感器节点所覆盖,0

S2：引入遗传算法，初始化种群，设定最大迭代次数Nd，定义种群由q个染色体组成，每个染色体的长度Lrst等于符合覆盖目标的总集合数Qjh与部署的异构有向传感器节点数N的乘积；

S3：设定网络中异构有向传感器节点的剩余能量Ei和满足覆盖条件的集合个数K′为优化目标，将两个优化目标转化成总体目标Tm，并计算迭代次数为t时，种群中每个染色体i的目标适应度Fi(t)，i＝1,2,3,…q t表示迭代次数，t＝0,1,2…,Nd；

S4：对所有染色体的目标适应度进行排序，采用轮盘赌法，随机选择两个染色体，进入步骤S5；

S5：确定步骤S4中选择的两个染色体的交叉位置；引入交叉学习自动机，确定交叉候选动作，对交叉概率Pc选定，并设定交叉概率Pc的更新规则，将选定的交叉位置处的部分染色体进行交叉操作，得到交叉优化种群；

S6：引入变异学习自动机，确定变异候选动作，对变异概率Pm选定，并设定变异概率Pm的更新规则，对于所述优化种群中的每个染色体按照变异概率Pm设定变异点进行变异操作，得到变异优化种群；

c

S7：计算变异优化种群中每个染色体的目标适应度Fi(t)，i＝1,2,3,…q；

S8：比较原始种群和变异优化种群中相同序号染色体的目标适应度大小，也就是依次比较原始种群中第i个染色体目标适应度Fi(t)和变异优化后种群中第i个染色体的目标适c c

应度Fi(t)，若Fi(t)＞Fi(t)种群中改善染色体个数Ngs＝Ngs+1，Ngs初始值为0；i＝1,2,3,…q；

S9：设定改善染色体比例阈值 并计算改善染色体个数Ngs与染色体个数q的改善比值比较改善比值 与改善染色体比例阈值 的大小，并根据得到比较结果，对交叉操作的交叉候选动作根据交叉概率Pc的更新规则进行奖励或者惩罚；对变异操作的变异候选动作根据变异概率Pm的更新规则进行奖励或者惩罚；

S10：判断是否达到最大迭代次数Nd，若是，输出结果，否则返回步骤S4。

2.根据权利要求1所述的面向不同优先级目标的异构有向传感器网络节点调度方法，其特征在于步骤S1中的异构有向传感器节点S的参数信息至少包括：异构有向传感器节点的感知半径为RS、通信半径为RC、感知方向D的数量为|D|、感知角度为A、携带能量为E、位置PS、优先级w、工作时间wt以及节点消耗的能量Es，其中Es＝p′×wt×e(s)，p'为比例系数，e(s)为单位时间内节点处于工作状态消耗的能量。

3.根据权利要求1所述的面向不同优先级目标的异构有向传感器网络节点调度方法，其特征在于步骤S5交叉学习自动机对交叉概率Pc选定以及步骤S6中变异学习自动机对变异概率选定的具体内容为：

S51：确定遗传算法中交叉概率Pc或者变异概率Pm的取值范围，分别记为[Pc_min,Pc_max]和[Pm_min,Pm_max]；

S52：将交叉概率Pc在取值范围内均分为Nc个离散的值,记为将变异概率Pm在取值范围内均分为Nm个离散的值,记为集合S53：为交叉概率Pc配备一个交叉学习自动机LA1，为变异概率Pm配备一个变异学习自动机LA2；

S54：交叉学习自动机LA1有Nc个候选动作可选，变异学习自动机LA2有Nm个候选动作可选；每个候选动作选择概率相同；

初始化交叉学习自动机LA1和变异学习自动机LA2；分别对交叉学习自动机LA1和变异学习自动机LA2的四元参数{α,β,p,G}进行初始化，集合α,β,p都设为空集；

α代表候选动作的集合{α1,α2,α3,…,αr},r为动作的个数，其中候选动作α即为交叉概率Pc或者变异概率Pm的离散值；

β表示环境的反馈集合；

p是与候选动作集一一对应概率的集合{p1(n),p2(n),p3(n),…,pr(n)}，表示集合α中每个动作被选中的概率；交叉学习自动机LA1集合p中每个元素初始化为1/Nc；变异学习自动机LA2集合p中每个元素初始化为1/Nm；

pi(n)表示在时刻n对应于动作αi所选取的概率；

G代表学习自动机的更新规则；

S55：采用轮转法分别为交叉学习自动机或者变异学习自动机选取一个候选动作；

S56：根据步骤S55候选动作选取对应的交叉概率Pc或者变异概率Pm的值，即由学习自动机选择的候选动作所对应的概率集合元素的值为相应控制参数的值。

4.根据权利要求3所述的面向不同优先级目标的异构有向传感器网络节点调度方法，其特征在于更新规则G的映射关系为pi(n+1)＝G[α(n),β(n),pi(n)]；

对于有利的响应，更新动作概率的规则为：若 则对选择的交叉候选动作进行奖励并采用公式(1)对其对应的动作概率进行更新，剩余交叉候选动作进行惩罚并按照公式(2)更新其对应的动作概率；同时对选择的变异候选动作进行奖励并采用公式(1)对其对应的动作概率进行更新，剩余变异候选动作进行惩罚并按照公式(2)更新其对应的动作概率；

对于不利的响应，更新动作概率的规则为：若 则对选择的交叉候选动作进行惩罚，并采用公式(3)对其对应的动作概率进行更新，对剩余交叉候选动作进行奖励并按照公式(4)更新其对应的动作概率；同时对选择的变异候选动作进行惩罚，并采用公式(3)对其对应的动作概率进行更新，对剩余变异候选动作进行奖励并按照公式(4)更新其对应的动作概率。

5.根据权利要求4所述的面向不同优先级目标的异构有向传感器网络节点调度方法，其特征在于S55的具体内容为：

S551：对候选动作集合中每个动作编一个序号记为1,2，...,Nr；

S552：利用概率论中求分布函数的方法，设定X为随机变量，x为任意实数，则候选动作集合的分布函数

S553：产生一个随机数rand()，若该随机数F(xk‑1)＜rand()≤F(xk),k＝1,2,…,N；F(x0)＝0，则选取序号k对应的动作。

6.根据权利要求1或3或4或5所述的面向不同优先级目标的异构有向传感器网络节点调度方法，其特征在于步骤S6的变异操作中，对于种群中第i个染色体第j个位置的值进行变异公式为：

其中，％表示求余运算，|Dpos(j)|表示该染色体第j个位置对应的传感器节点的感知方向个数。

7.根据权利要求1所述的面向不同优先级目标的异构有向传感器网络节点调度方法，其特征在于：第i个染色体中满足覆盖要求条件的集合个数的适应度为： K′为符合覆盖要求的集合，K为符合覆盖要求的集合的上限，符合覆盖要求的集合的上限由初始部署时能覆盖最稀疏监测目标的感知方向个数d所决定，最稀疏监测目标的含义为能被集合中感知方向监测到，但被最少感知方向监测到的目标， 而 其中wt为每个覆盖集合工作时间；

S3中第i个染色体中节点的剩余能量的适应度为： Ej为第j节点的剩余能量；

迭代次数为t时目标种群中第i个染色体目标适应度为：Fi(t)＝γ1×f1(i)+γ2×f2(i)，γ1和γ2为子目标函数对应的权值，γ1,γ2∈[0,1]，且γ1+γ2＝1，γ1和γ2大小取决于用户对网络指标的综合要求，Fi为[0,1]之间的一个值。

8.根据权利要求1或7所述的面向不同优先级目标的异构有向传感器网络节点调度方法，其特征在于步骤S4染色体i被选中的概率p(Pi)与适应度的大小成正比，即为：其中，Fi(t)为迭代次数为t时，种群中第i个染色体的目标适应度。