基于自适应差分的粒子群定位算法
【技术领域】
[0001] 本发明属于无线传感器网络技术领域，设及一种基于自适应差分的粒子群定位算 法。
【背景技术】
[0002] 随着物联网研究和应用深入，无线传感器网络在其中起到了关键的推动作用。无 线传感器网络已经在军事、民用等领域有很多应用，包括环境监测、网站安全、医疗诊断、战 场监视、灾害救助和辅助生活等。生活中很多应用与位置有关，无线传感器网络易于部署、 可扩展性高、成本低等特点使其在室内定位中具有很大的优势
[0003] 定位技术是无线传感器网络的主要支撑技术之一，受到研究人员的广泛关注。现 有的无线传感器网络定位主要可分为基于测距的定位和无需测距的定位算法，其主要区别 在于是否需要距离信息。基于测距的定位算法中节点使用测距技术获得距离信息，定位精 度较高但是需要额外的设备，而无需测距的定位算法仅依靠相邻节点间的连通关系进行定 位，无需基础网络设施的支持，定位精度较低。
[0004] 在无线传感器网络中，最小二乘算法是比较常用的定位方法，定位原理简单易于 实现，只需要利用目标到3个参考节点距离相交于一点，只要3个参考节点不在一条直线上， 就可W计算出目标的位置，如图1(a)所示。当网络中的错节点的部署密度十分高时，利用多 个错节点的信息往往可W取得较高的定位精度。在实际应用中，需要考虑到得不仅仅是定 位的精度，还有错节点的密度、计算开销和硬件成本。为了提高定位精度和降低成本，通常 对最小二乘算法进行加权或者采用粒子群算法捜索目标位置。如图1(b)所示，由于测距产 生的误差，定位所需的圆大多数都是交汇于一个区域，造成定位结果估算误差大和误差累 积严重的现象。而利用最小二乘算法容易受到环境的影响，往往测得信号强度小于实际测 量的信号强度，会造成定位结果的误差累积;通过粒子群算法迭代捜寻目标位置，易陷入局 部最优解，造成较大的定位误差。对于粒子群算法，种群的多样性和加强局部捜索能力成为 影响定位的主要问题，改进粒子群算法提高定位精度显得尤为重要。
[0005] 假设(x，y)为未知节点的位置，（xi，yi)为错节点的位置，di为未知节点到错节点的 距离，最小二乘算法的定位模型为：
H)
[0007]改写成矩阵形式：
[000引 n
一 ". . 'I \ ' .1 -. I I ./ (' 2 )
[0009] 简写为
[0010] Hx=b
[0013] 运个方程的最小方差解为
[0014] X=化化)-1肿 (3)
【发明内容】
[0015] 本文发明的目的是解决基于粒子群定位收敛速度慢和定位不稳定的问题，提出一 种基于自适应差分粒子群定位算法。首先利用未知节点收到错节点的距离信息，采用最小 二乘算法计算位置，然后利用改进的自适应差分算法生成新的种群，再用粒子群算法和新 的变异策略进行局部捜索，与适应值比较反复迭代逐渐渐近收敛，最后得出未知节点位置。
[0016] 按照本发明提供的技术方案，基于自适应差分的粒子群算法在无线传感器网络中 的定位方法，具体如下。
[0017] (1)在目标区域随机部署一定数量的错节点和未知节点，错节点周期性地广播自 身的信息；
[0018] (2)未知节点根据错节点发送的信号强度估算出其错节点之间距离，计算错节点 到未知节点的距离采用公式(5);
[0019] (3)网络中与未知节点相邻的错节点在硬件环境下运行后，根据提出的算法初始 化确定种群规模m，划分种群个数j，W及各粒子的位置矢量pi = (pii，pi2,…，PU)和速度矢 mvi=(vii,vi2,-"Vij)；
[0020] (4)为了保障种群的多样性，利用差分算法生成新的粒子群和新的算子，采用公式 (6)变异粒子群；
[0021] (5)对新生成的粒子群，采用公式（11)更新新的粒子群位置和速度矢量，并且采用 公式(13)获取各个粒子的适应值；
[0022] (6)通过粒子适应值与最优解Pbest的适应值对比不断更新Pibest;
[0023] (7)对比粒子最优解Pibest和全局最优解Pbest的适应值，不断更新Pbest;
[0024] (8)假如当前迭代次数达到满意解则算法终止，否则进入(4)进行循环迭代直到满 意为止；
[002引（9)输出Pbest,即可得到未知节点的位置，算法结束。
[00%]本发明的优点是：
[0027] (1)采用粒子群算法和权重调节在全局中捜索最优解，通过与适应值的比对，最终 获得未知节点的位置。本发明采用自适应差分算法生成新的粒子群，保证了粒子群的多样 性，扩大目标在个体种群中的捜索范围，增强算法的探索能力，粒子群算法和差分算法联合 捜索局部最优解，加快了收敛速度。
[0028] (2)传统的差分算法都是靠经验模型设置参数，种群规模、缩放因子和交叉概率因 子对算法的全局寻优能力、收敛速度和稳定性等都有较大影响。本发明的自适应差分算法 在变异策略和参数设置都加 W改进，参数随着进化不断的调整，在收敛速度和鲁棒性上具 有明显的优势。
[0029] (3)在室内情况下，由于受到环境的干扰，造成较大测距误差，采用最小二乘算法 定位精度不太理想，往往需要大量的错节点才能高的定位精度，增加了定位的硬件成本。本 发明充分利用了定位节点的资源，减小了定位成本。
【附图说明】
[0030] 图1为S边距离测量对比图。图1(a)为理想状态下的距离交汇图，图1(b)为实际情 况下的距离交汇图
[0031] 图2为不同迭代次数的平均定位误差曲线。
[0032] 图3为不同错节点比例的平均定位误差曲线。
[0033] 图4为不同网络连通度的平均定位误差曲线。
[0034] 图5为不同测距误差的平均定位误差曲线。
【具体实施方式】
[0035] 基于自适应差分的粒子群定位算法，主要包括差分变异粒子群、选择算子和粒子 群算法与差分算法联合捜索局部最优解和比较适应值。本发明WlOOmX IOOm作为实验仿真 的区域，仿真区域内所有节点之间通信正常，通信半径为30m;种群规模为NP = 30,最大迭代 次数为gmax = 60，最大速度Vmax = 10，初始惯性权重Wmax = O . 8，最终权重Wmin = O . 1，Cl = C2 = 2， 所有仿真试验均进行500次，利用平均定位误差判断算法定位精度：
(41
[0037] 其中，J为未知节点估计的平均位置，X为未知节点实际位置，Q为网络中未知节点 个数，R为通信半径。
[0038] 本发明基于自适应差分的粒子群定位算法包括W下步骤：
[0039] (1)在目标区域随机部署一定数量的错节点和未知节点，错节点周期性地广播自 身的信息；
[0040] (2)未知节点根据错节点发送的信号强度估算出其错节点之间距离，其计算方式 如下
巧）
[0042] 其中，Po(do)为参考节点do处的信号强度，Pr(d)为在距离d处的未知节点的信号强 度，n为路径损耗系数，通常取值在2~