5之间。X。是标准差为0、均值为零的高斯分布随机变 量。
[0043] (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 量 Vi=(Vil,Vi2,…Vij);
[0044] (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，变异粒子 群的方式如下所示：
[0045] Vi, g = Wi, gX+ki, g( Xbest, g-Xi, g)+Fi, g( Xibest,广 Xi, g) (6)
[0046] 其中，X为随机选择的基向量，为了保证种群的多样性能。Xbest,g为g代种群中的最 优解，Xibest,g是第i个个体在第g代之前所有的父代个体、变异个体和实验个体之中的最优 解。W、k和F是设置的参数，参数设置的方式如下：
[0051] 其中，上式中fiti,g为第g代种群中第i个个体的适应值，参数We[0.1，0.9]，ke [0.3,0.9] ,Fe [0.1,0.9]，和交叉因子CRe [0.1,0.9]。
[0052] (5)对新生成的粒子群，利用粒子群算法更新新的粒子群位置和速度矢量，更新方 式如下所示：
[0化3] Vfi =贷巧(pj-玉;)+?任(片-為） ' 一 C Illi 矿1=捉+V;
[0054]式中：i = l，2，'''N;t为迭代代数；CO为加权因子，在0.1~0.9之间；ci，C2为学习因 子;ri、n是对角线元素为均匀分布在[0，1]的随机数组成的维的对角线矩阵。粒子通过不断 学习更新，最后找到的化是全局最优解。惯性权重W表达式为
a2)
[0056] 式中:Wmax为初始权重，Wmin为最终权重，t为当前迭代次数，T为总的迭代次数
[0057] 粒子群在不断学习更新过程中需要获取各个粒子的适应值，其计算方式如下：
(巧）
[0059] 其中：（x，y)为待估计坐标，fiti为各个粒子的适应值。
[0060] (6)通过粒子适应值与最优解Pbest的适应值对比不断更新Pibest;
[0061 ] (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;
[0062] (8)假如当前迭代次数达到满意解则算法终止，必须满足设置的阔值Pu
[006引（9)输出Pbest,即可得到未知节点的位置，算法结束。
[0064] 4算法分析
[00化]n收敛速度
[0066] 对于优化的粒子群定位方法，在捜索全局最优解的过程中，当局部最优解达到目 前捜索的最优解比历史的全局最优解大时，停止捜索，达到局部最优解，陷入"早熟"现象。 在捜索的过程中，粒子群丧失了多样性，容易造成结果单一性，W及收敛速度慢的缺陷。如 图2所示店IOmX IOm的定位区域，可W看出本发明不仅收敛速度快而且定位精度高。
[0067] 2)错节点密度
[0068] 无线传感器网络节点定位是通过未知节点周围错节点的距离信息求解未知节点 的位置，该方法对错节点部署数量要求很高，当未知节点周围错节点部署密度高时，定位算 法表现出较好的性能，当错节点的数量减少时，定位精度大幅度下降。如图3所示，在IOmX IOm定位区域，新的定位方法在错节点比例较低的情况下，任然能够保持较高的定位精度， 随着错节点比例增加，定位精度提高比较明显。
[0069] 3)定位成本
[0070] 通常一个定位系统的成本包括硬件成本和算法成本。本发明从图2中可W看出收 敛速度快，定位时间短，相比优化的粒子群算法计算量小;从图4中可W看出，在保持一定的 定位精度的情况下，有效传感器的数量相对较少。
[0071] 4)定位的精度
[0072] 对于一种给定的定位算法，定位精度显示了节点的计算位置和物理位置的匹配程 度。具体而言，定位精度被定为一个未知节点的定位估计值与其真实位置之间的距离。在无 线传感器网络中，室内定位的精度普遍不高，无法满足市场的需求。如图5所示，在IOmX IOm 的定位区域，可W看出本发明在测距误差较大的情况下仍然能够保持较高的定位精度，不 会因为周围环境复杂而造成较大误差。
【主权项】
1. 基于自适应差分的粒子群定位算法，其特征在于，包括W下步骤： (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； (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； (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)和速度矢量Vi = (Vil，Vi2，...V：ij); (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； (5) 对新生成的粒子群，更新新的粒子群位置和速度矢量，并且获取各个粒子的适应 值； (6) 通过粒子适应值与最优解Pbest的适应值对比不断更新Pibest,对比粒子最优解Pibest 和全局最优解Pbest的适应值，不断更新Pbest; (7) 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； (8) 输出Pbest，即可得到未知节点的位置。2. 根据权利要求1所述的基于自适应差分的粒子群定位算法，其特征在于步骤(4)中， 生成新的粒子群w、k和F参数必须满足公式：其中，上式中为第g代种群中第i个个体的适应值。3. 根据权利要求1所述的基于自适应差分的粒子群定位算法，其特征在于步骤(5)中各 个粒子的适应值必须满足公式：其中：（x，y)为待估计坐标，fiti为各个粒子的适应值。4. 根据权利要求1所述的基于自适应差分的粒子群定位算法，其特征在于步骤(6)中的 局部最优解Pibest优于历史全局最优解Pbest,更新的全局最优解Pbest必须优于之后捜索的局 部最优解Pibest，才会停止捜索。5. 根据权利要求书1所示的基于自适应差分的粒子群定位算法，其特征在于步骤(7)中 的粒子群算法在新的种群中捜索局部最优解，如果没有达到全局最优解，返回步骤(4)对粒 子群进行新的变异。
【专利摘要】本发明涉及一种基于自适应差分的粒子群定位算法。本发明主要包括建立信号强度与距离关系和最小二乘算法位置计算，以及新的搜索方法。首先利用未知节点收到锚节点的距离信息，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搜索，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。新的差分算法生成的种群，保证种群的多样性，粒子群算法和差分算法结合进行局部搜索，加快了收敛速度，提高了定位精度。
【IPC分类】H04W64/00, H04W84/18
【公开号】CN105517150
【申请号】CN201511016779
【发明人】卢先领, 夏文瑞
【申请人】江南大学
【公开日】2016年4月20日
【申请日】2015年12月29日