1.一种基于区间多目标的水下无线传感器网络调度优化方法，其特征在于：通过UWSNs区间多目标调度优化模型和区间多目标文化基因算法来实现；

所述UWSNs区间多目标调度优化模型包括传感器区间覆盖模型、区间能耗模型和区间能量衡度模型；所述区间多目标文化基因算法包括局部搜索激活机制、局部搜索初始种群建立和局部搜索策略；

设三维水下监控区域为V＝L×L×L，目标点T＝(t1,t2,t3...tm)，其中m为目标点的个数，第j个目标点的坐标tj＝(xtj,ytj,ztj)；传感器节点S＝(s1,s2,s3...sn)，其中n为节点的个数，由于洋流、海洋生物不确定因素的影响，第i个节点会产生偏移，从而导致其位置具有不确定性，用区间表示其坐标，第i个节点的坐标记为 因此第i个节点与第j个目标点之间的距离记为 其中，在监控区域中，存在三种节点，簇头节点，簇内节点以及汇总簇头节点数据的sink节点；每个节点分别有四种状态，‑1表示死亡节点、0表示休眠的簇内节点、1表示激活的簇内节点、2表示簇头节点；

具体过程如下：在监控区域中随机生成一定数量的簇头节点，其余节点根据距离的下界选择最近的簇头加入该簇中，并把数据发送到该簇的簇头，所有的簇头节点通过计算自身与sink节点之间的距离，以距离下界把簇头分成不同的级别，离sink远的簇头把数据发送给离sink近的簇头，离sink近的簇头直接把数据发送给sink节点，通过距离来选择单跳或者多跳的方法将簇头节点收到的数据发送给sink节点；

所述传感器区间覆盖模型包括以下内容：

当目标点与传感器节点之间的距离小于节点感知半径时，则认为该目标点被网络所覆盖，即当节点s的感知半径为r，目标点t被节点s覆盖的概率：其中d(s,t)为目标点t与节点s之间的欧式距离，在传感器节点集S＝(s1,s2,s3...sn)中，由节点的状态，可以定义第i个节点si的工作状态:其中ai∈{‑1,0,1,2}，即xi＝1认为节点处于工作状态，反之不工作，i＝1,2,…,n；

第j个目标点tj被第i个节点si覆盖的概率可定义为 其中：则第j个目标点被网络覆盖的概率可定义为 其中U(tj)＝max{U(t1,j),U(t2,j),...,U(tn,j)}，由于最小化问题，因此把问题转化为最小化未被覆盖率；

网络未被覆盖率为 其中

所述区间能耗模型包括以下内容：

两个节点间传输数据的能耗可以表示为：

Ei,j＝A(d)×l

其中d为节点si,sj之间的欧式距离，l为传输数据包的大小，单位为bit，A(d)表示数据包在水下传输距离为d时的能量衰减，可以表示为：ηd

A(d)＝da

其中η为能量扩散因子，且η＝2，

a(f)为吸收系数，可以表示为：

其中f为载波频率；

每个节点都需要将数据发送给其他节点，需要计算自身与其他节点之间的欧氏距离，这个距离在不确定的复杂环境中也是一个区间值，所有该节点传输数据能耗的上下界可表示为：Ei＝A(dmin)×l

其中dmin、dmax分别为该节点与接收数据节点间距离的下界和上界；所以，整个网络的能耗 等于所有工作节点能耗的总和，其中：当节点si为激活状态时，xi＝1，反之xi＝0；

所述区间能量衡度模型包括以下内容：

假设第i个节点si的剩余能量为 第u个区域的节点个数为nu，u＝1,2,…,k，以每个区域的平均剩余能量作为区域的平均能量，则第u个区域的平均能量为：其中，

通过计算k个区域的平均能量，找出区域平均能量的最大值S(nu)max和最小值S(nu)min，再由区间的计算公式，可得网络的区间跨度 其中，区间跨度越小，说明网络的均衡性越好；

所述局部搜索激活机制包括以下内容：

对于多目标优化问题，计算获得的Pareto最优解集X的超体积定义为:其中，xref是参考点；λ是勒贝格测度； 是区间Pareto占优关系；

算法利用种群前后两代超体积的变化程度来决定是否激活局部搜索机制，局部搜索机制激活的主要过程如下：首先，由式 计算每代非支配解集的超

体积；然后，计算前后两代超体积的差值：Δt＝|Ht‑Ht‑1|；

最后，为超体积变化值设置阈值区间 其中，ξ∈(0,1)， 当时，激活局部搜索环节；

所述局部搜索初始种群建立包括以下内容：

将个体超体积贡献度和不确定度作为个体性能的评价指标，个体x的质量定义：式中，CH(x)、I(x)分别代表个体x的区间超体积和不确定度，α、β分别为调节超体积和不确定度对个体性能影响程度的权重，IP值越大，则个体的性能越高，通过该式子找出性能最高的个体，然后再以这个个体作为种群中心，找出距离该个体最近的N个体作为局部搜索的初始种群，N为局部搜索种群的大小；

所述局部搜索策略包括以下内容：通过局部搜索初始种群，给出具体的局部搜索策略，首先以局部搜索的初始种群通过交叉、变异遗传操作生成大小为Nlocal的临时种群，紧接着用该种群中的个体与父代种群个体分别进行比较，如果父代种群中存在个体的超体积小于该个体，且不确定度大于该个体，则将Nlocal种群中的该个体保留到子代种群中，最后再把子代种群和父代种群进行合并，通过个体的超体积贡献度进行排序，选择前Nlocal个个体作为下一代局部搜索的种群，当局部搜索终止时，将局部搜索得到的最优解集加入到全局搜索种群中，继续进行全局搜索。