技术领域
[0001] 本
发明涉及一种基于差分进化粒子群算法的优化定位算法，具体是指一种基于EDW-DPSO(指数衰减惯性权重的分裂粒子群
优化算法)的定位性能优化方法，属于无线
传感器网络定位技术领域。
背景技术
[0002]
无线传感器网络技术是一
门新兴的信息采集和处理技术，它是伴随着无线通信技术、传感器技术、分布式信息处理技术以及嵌入式技术的飞速发展而产生的。当今，在军事、工业以及社会生产中均会使用到无线传感器网络技术，而在这些应用中基于
位置的服务是所有应用的
基础。因此，无线定位技术是无线传感器网络应用中的关键技术之一，具有非常重要的研究意义和应用价值。
[0003] 无线定位技术是一种新的信息
感知和信息处理的技术，能够收集周围环境的信息，或者对周围物体进行监测。但是，如果获取或者监测到的信息不包含位置信息则是没有任何意义的。然而，限于应用成本等的限制，无线传感器网络中的大多数的传感器
节点是不能获得其自身位置信息的，这就意味着，确定未知传感器节点的位置信息，在无线传感器网络中是关键的问题之一。另外针对不同的应用场景，定位算法的性能指标需要不断的优化。目前无线传感器网络中的未知节点的定位方法主要有三边测量法、质心算法，DV-Hop算法等。
[0004] 在无线传感器网络中，DV-Hop算法是一种被广泛应用的与距离无关的定位算法，该算法中利用网络层的一个重要信息，即邻居锚节点的信息进行定位。DV-Hop定位算法不但适用于拥有三个以上邻居锚节点的情况，而且还适用于邻居锚节点的数量少于三个的情况，这个优势是很多其它定位算法不具备的(例如APIT算法)。
[0005] 起初，
粒子群优化算法(PSO)是通过模拟
鸟类的觅食行为来解决具体的优化问题。该算法基于种群的随机搜索技术和
群体智能(Swarm Intelligence，简称SI)算法，通过粒子间的竞争实现优化，使得粒子群优化算法有利于小参数的调整。粒子群优化算法广泛适用于各种优化问题中，例如单项性能指标和多项性能指标优化等方面。
[0006] 针对粒子群优化算法因种群多样性丧失而陷入局部最优、早熟收敛的问题，又提出一种基于指数衰减惯性权重的分裂粒子群优化算法(EDW-DPSO)。首先，采用半均匀初始化种群，使种群以整体均匀、局部随机的方式分布；其次，引入动态分裂算子，对满足分裂条件的粒子执行分裂操作，增加种群多样性，避免粒子陷入局部最优；最后，采用指数衰减的惯性权重，平衡粒子全局搜索和局部开发能
力。实验结果表明，该算法在前期有较大的搜索空间，种群多样性增加，后期则强调局部开发，提高收敛
精度和优化能力，加快粒子跳脱局部极值逼近全局最优。
[0007] 基于上述，本发明提出一种基于EDW-DPSO算法的定位性能优化方法，对无线传感器网络中未知节点的估计坐标进行优化，从而有效降低未知节点的定位误差率，解决
现有技术中存在的缺点和限制。
发明内容
[0008] 本发明的目的是提供一种基于EDW-DPSO算法的定位性能优化方法，通过对最终平均跳距的修正，以及采用EDW-DPSO算法对未知节点的坐标进行优化，有效降低未知节点的坐标定位误差率。
[0009] 为了达到上述目的，本发明提出一种基于EDW-DPSO算法的定位性能优化方法，适用于无线传感器网络，包含以下步骤：
[0010] S1、无线传感器网络中的每个锚节点广播发送信息，计算无线传感网络中的所有节点与每个锚节点之间的最小跳数；
[0011] S2、选择与未知节点在一跳范围内的所有锚节点，计算该些锚节点之间的平均跳距的均值；
[0012] S3、根据最小跳数和平均跳距的均值，计算锚节点之间的估计距离；
[0013] S4、根据锚节点之间的估计距离和实际距离，修正平均跳距的均值；
[0014] S5、根据平均跳距的均值和修正后的平均跳距的均值，计算最终平均跳距；
[0015] S6、根据最小跳数和最终平均跳距，计算未知节点与各个锚节点之间的估计距离；
[0016] S7、计算未知节点的估计坐标；
[0017] S8、采用EDW-DPSO算法对未知节点的估计坐标进行优化。
[0018] 所述的S1中，锚节点发送的信息包括：锚节点的id；锚节点的位置坐标；跳数，其初始值为0。
[0019] 所述的S1中，具体包含以下步骤：
[0020] S11、每个锚节点向其周围的邻居节点广播发送信息；
[0021] S12、每个锚节点接收到所有其他锚节点的信息，获取并记录其中的最小跳数；
[0022] S13、每个锚节点将获取到的最小跳数转发给周围的邻居节点；以此直至获取无线传感器网络中的所有节点与每个锚节点之间的最小跳数。
[0023] 所述的S2中，具体包含以下步骤：
[0024] S21、选择与未知节点在一跳范围内的所有锚节点，计算该些锚节点的平均跳距的均值，具体为：
[0025]
[0026] 其中，(xi，yi)和(xj，yj)分别表示锚节点i和锚节点j的坐标；hij表示锚节点i和锚节点j之间的最小跳数；HopSizeaverage表示平均跳距的均值；
[0027] S22、在无线传感器网络中，与未知节点在一跳范围内的所有锚节点均向其周围的邻居节点广播发送平均跳距的均值HopSizeaverage，未知节点对首次接收到的平均跳距的均值HopSizeaverage进行记录，并转发给周围的邻居未知节点。
[0028] 所述的S3中，在未知节点接收到平均跳距的均值HopSizeaverage之后，将其与最小跳数相乘，计算得到锚节点之间的估计距离，具体为：
[0029] dR-a＝HopSizeaverage×hij
[0030] 其中，dR-a表示锚节点i和锚节点j之间的估计距离。
[0031] 所述的S4中，具体包含以下步骤：
[0032] S41、计算锚节点i和锚节点j之间的实际距离与估计距离的差值，并除以实际距离，用相除所得作为修正百分比，具体为：
[0033]
[0034] 其中， 表示锚节点i和锚节点j之间的实际距离；表示修正百分比；
[0035] S42、利用修正百分比对平均跳距的均值进行修正，具体为：
[0036]
[0037] 其中，HopSizenew-average表示修正后的平均跳距的均值。
[0038] 所述的S5中，将平均跳距的均值与修正后的平均跳距的均值相加，再取平均值，计算得到最终平均跳距，具体为：
[0039]
[0040] 其中，HopSizeT-average表示最终平均跳距。
[0041] 所述的S6中，根据最终平均跳距与最小跳数的乘积，计算得到未知节点与各个锚节点之间的估计距离，具体为：
[0042] D＝HopSizeT-average×hiu
[0043] 其中，hiu表示未知节点u与锚节点i之间的最小跳数；D表示未知节点u与锚节点i之间的估计距离。
[0044] 所述的S7中，采用极大似然估计法计算未知节点的估计坐标，具体为：
[0045]
[0046] 其中，(xi，yi)表示锚节点i的坐标，D表示未知节点u与锚节点i之间的估计距离；通过上述函数求得的(x，y)的最小值即为未知节点u的估计坐标。
[0047] 所述的S8中，具体包含以下步骤：
[0048] S81、初始化EDW-DPSO算法的基本参数；其中，种群规模为NP；每维变量的搜索空间的上下界范围为 粒子的最大飞行速度为Vmax；最大
迭代次数为kmax；ω为惯性权重；学习因子为c1和c2；
[0049] S82、半均匀初始化种群，具体为：
[0050]
[0051] 其中，n表示种群向量维度为n维；i和j分别表示种群中第i个和第j个粒子，且i＝(1,2,…,NP/2)，j＝(NP/2+1,NP/2+2,…,NP)；t表示n维空间中的第t维空间，且t维粒子的搜索空间为 为第0代种群中第i,j个粒子的第t维空间的位置初始值；
[0052] S83、进入第k次迭代，1≤k≤kmax，更新粒子i的速度和位置，具体为：
[0053]
[0054]
[0055] 其中， 表示第i个粒子在第n维空间第k次迭代的速度； 表示第i个粒子在第n维空间第k次迭代的位置； 表示第i个粒子在第n维空间第k次迭代的个体最优位置； 表示第i个粒子在第n维空间第k次迭代的全局最优位置；
[0056] S84、根据设定的适应度函数计算粒子适应度值fit(i)，并相应更新 和[0057] S85、判断粒子是否满足分裂条件 满足则执行S86，否则执行S87；其中，Pi,j表示当前粒子i与粒子j之间的距离；Pi,best表示当前粒子i与位置最优粒子之间的距离；
[0058] S86、对粒子进行分裂，具体为：
[0059] 设定分裂算子：
[0060]
[0061] 其中， 和 是在区间 和 上均匀分布的随机数； 为设定的
阈值；
[0062] 根据以下动态分裂策略更新满足分裂条件的粒子：
[0063]
[0064] 其中，动态分裂策略是由分裂项 和粒子自身位置信息两部分组成；并继续执行S87；
[0065] S87、更新粒子i的速度，具体为：
[0066]
[0067]
[0068] 其中，r1、r2是[0，1]之间的随机数；
[0069] S88、判断k≥kmax是否成立，如是则表示对未知节点的估计坐标优化结束，输出当前粒子的适应度值，其即为未知节点优化后的定位坐标；如否，继续进行迭代计算，重复执行S83～S88。
[0070] 所述的S84中，具体包含以下步骤：
[0071] S841、适应度函数具体为；
[0072]
[0073] 其中，fi为S7中计算得到的fi(x,y)；
[0074] S842、对于每个粒子，将其适应度值fit(i)与个体最优位置 进行比较，若则将该适应度值fit(i)更新作为个体最优位置 反之，则保持个体最优位置 不变；
[0075] S843、对于每个粒子，将其适应度值fit(i)与全局最优位置 进行比较，若则将该适应度值fit(i)更新作为全局最优位置 反之，则保持全局最优位置 不变。
[0076] 综上所述，本发明所述的基于EDW-DPSO算法的定位性能优化方法，以DV-Hop算法为基础，并利用EDW-DPSO算法对未知节点的估计坐标进行优化。本发明对用于计算位置节点与各个锚节点之间估计距离的最终平均跳距进行了修正，有效提高距离计算的精度；并且本发明采用EDW-DPSO算法对未知节点的坐标进行优化，进一步提高了定位精度，降低未知节点的坐标定位误差率。
附图说明
[0077] 图1为本发明中的基于EDW-DPSO算法的定位性能优化方法的
流程图。
具体实施方式
[0078] 以下结合图1，通过优选
实施例对本发明的技术内容、构造特征、所达成目的及功效予以详细说明。
[0079] 如图1所示，为本发明提供的基于EDW-DPSO算法的定位性能优化方法，适用于无线传感器网络，包含以下步骤：
[0080] S1、无线传感器网络初始化，每个锚节点广播发送信息，计算无线传感网络中的所有节点与每个锚节点之间的最小跳数；
[0081] S2、选择与未知节点在一跳范围内的所有锚节点，计算该些锚节点之间的平均跳距的均值；
[0082] S3、根据最小跳数和平均跳距的均值，计算锚节点之间的估计距离；
[0083] S4、根据锚节点之间的估计距离和实际距离，修正平均跳距的均值；
[0084] S5、根据平均跳距的均值和修正后的平均跳距的均值，计算最终平均跳距；
[0085] S6、根据最小跳数和最终平均跳距，计算未知节点与各个锚节点之间的估计距离；
[0086] S7、计算未知节点的估计坐标值；
[0087] S8、采用EDW-DPSO算法对未知节点的估计坐标进行优化。
[0088] 所述的S1中，锚节点发送的信息包括：锚节点的标识(id)；锚节点的位置坐标；跳数，其初始值为0。
[0089] 所述的S1中，具体包含以下步骤：
[0090] S11、每个锚节点向其周围的邻居节点(邻居节点是指在该锚节点的通信半径内，可以直接与该锚节点通信的所有其他节点)广播发送信息；
[0091] S12、每个锚节点接收到所有其他锚节点的信息，获取并记录其中的最小跳数；此时需要忽略来自同一个锚节点的较大跳数；
[0092] S13、每个锚节点将获取到的最小跳数转发给周围的邻居节点；以此直至获取无线传感器网络中的所有节点与每个锚节点之间的最小跳数。
[0093] 所述的S2中，具体包含以下步骤：
[0094] S21、选择与未知节点在一跳范围内的所有锚节点，计算该些锚节点的平均跳距的均值，具体为：
[0095]
[0096] 其中，(xi，yi)和(xj，yj)分别表示锚节点i和锚节点j的坐标；hij表示锚节点i和锚节点j之间的最小跳数；HopSizeaverage表示平均跳距的均值；
[0097] S22、在无线传感器网络中，与未知节点在一跳范围内的所有锚节点均向其周围的邻居节点广播发送平均跳距的均值HopSizeaverage，未知节点对首次接收到的平均跳距的均值HopSizeaverage进行记录，并转发给周围的邻居未知节点。
[0098] 所述的S3中，在未知节点接收到平均跳距的均值HopSizeaverage之后，将其与最小跳数相乘，计算得到锚节点之间的估计距离，具体为：
[0099] dR-a＝HopSiZeaverage×hij
[0100] 其中，HopSizeaverage表示平均跳距的均值；hij表示锚节点i和锚节点j之间的最小跳数；dR-a表示锚节点i和锚节点j之间的估计距离。
[0101] 所述的S4中，具体包含以下步骤：
[0102] S41、计算锚节点i和锚节点j之间的实际距离与估计距离的差值，并除以实际距离，用相除所得作为修正百分比，具体为：
[0103]
[0104] 其中， 表示锚节点i和锚节点j之间的实际距离；表示修正百分比；
[0105] S42、利用修正百分比对平均跳距的均值进行修正，具体为：
[0106]
[0107] 其中，HopSizenew-average表示修正后的平均跳距的均值。
[0108] 所述的S5中，将S2中得到的平均跳距的均值与S4中得到的修正后的平均跳距的均值相加，再取平均值，计算得到最终平均跳距，具体为：
[0109]
[0110] 其中，HopSizeT-average表示最终平均跳距；后续采用该HopSizeT-average计算未知节点与锚节点之间的距离时，将显著提高未知节点的位置精度。
[0111] 所述的S6中，根据最终平均跳距与最小跳数的乘积，计算得到未知节点与各个锚节点之间的估计距离，具体为：
[0112] D＝HopSiZeT-average×hiu
[0113] 其中，hiu表示未知节点u与锚节点i之间的最小跳数；D表示未知节点u与锚节点i之间的估计距离。
[0114] 所述的S7中，采用极大似然估计法计算未知节点的估计坐标，具体为：
[0115]
[0116] 其中，(xi，yi)表示锚节点i的坐标，D表示未知节点u与锚节点i之间的估计距离；通过上述函数求得的(x，y)的最小值即为未知节点u的估计坐标。
[0117] 所述的S8中，具体包含以下步骤：
[0118] S81、初始化EDW-DPSO算法的基本参数；其中，种群规模为NP；每维变量的搜索空间的上下界范围为 粒子的最大飞行速度为Vmax；最大迭代次数为kmax；ω为惯性权重，常为非负数，且(ωmin，ωmax)＝(a，b)，用于调节解空间的搜索范围；学习因子为c1和c2，且(c1，c2)＝(2.0，2.0)，影响种群多样性与收敛速度；
[0119] S82、半均匀初始化种群，具体为：
[0120]
[0121] 其中，n表示种群向量维度为n维；i和j分别表示种群中第i个和第j个粒子，且i＝(1,2,…,NP/2)，j＝(NP/2+1,NP/2+2,…,NP)；t表示n维空间中的第t维空间，且t维粒子的搜索空间为 为第0代种群中第i,j个粒子的第t维空间的位置初始值；
[0122] S83、进入第k次迭代，1≤k≤kmax，更新粒子i的速度和位置，得到新一代种群，具体为：
[0123]
[0124]
[0125] 其中， 表示第i个粒子在第n维空间第k次迭代(形成的第k代种群)的速度；表示第i个粒子在第n维空间第k次迭代的位置； 表示第i个粒子在第n维空间第k次迭代的个体最优位置； 表示第i个粒子在第n维空间第k次迭代的全局最优位置；
[0126] S84、根据当前粒子的速度和位置设定适应度函数，根据适应度函数计算粒子适应度值fit(i)，并相应更新 和
[0127] S85、判断粒子是否满足分裂条件 满足则执行S86，否则执行S87；其中，Pi,j表示当前粒子i与粒子j之间的距离；Pi,best表示当前粒子i与位置最优粒子之间的距离，该位置最优粒子根据个体最优位置 被选取；
[0128] S86、对粒子进行分裂，具体为：
[0129] 为了充分利用Pi,j，平衡全局搜索和局部开发性能，设定分裂算子：
[0130]
[0131] 其中， 和 是在区间 和 上均匀分布的随机数； 为设定的阈值；
[0132] 为了提高种群多样性和找到全局最优解，根据以下动态分裂策略更新满足分裂条件的粒子：
[0133]
[0134] 其中，动态分裂策略是由分裂项 和粒子自身位置信息两部分组成；并继续执行S87；
[0135] S87、更新粒子i的速度，具体为：
[0136]
[0137]
[0138] 其中，r1、r2是[0，1]之间的随机数，用于增加粒子的随机性；
[0139] S88、判断k≥kmax是否成立，如是则表示对未知节点的估计坐标优化结束，输出当前粒子的适应度值，其即为未知节点优化后的定位坐标；如否，继续进行迭代计算，重复执行S83～S88。
[0140] 所述的S84中，具体包含以下步骤：
[0141] S841、适应度函数具体为；
[0142]
[0143] 其中，fi为S7中计算得到的fi(x,y)；
[0144] 所述的适应度函数用来进行粒子群的迭代计算，在达到设定的迭代次数之后，当前粒子的适应度值即为优化后的未知节点坐标，因此通过S8中始终在更新计算的粒子速度和位置来进行所述的迭代计算；且通过该适应度函数对S7中求得的未知节点的估计坐标(x，y)进一步进行优化；
[0145] S842、对于每个粒子，将其适应度值fit(i)与个体最优位置 进行比较，若则将该适应度值fit(i)更新作为个体最优位置 反之，则保持个体最优位置 不变；
[0146] S843、对于每个粒子，将其适应度值fit(i)与全局最优位置 进行比较，若则将该适应度值fit(i)更新作为全局最优位置 反之，则保持全局最优位置 不变。
[0147] 综上所述，本发明所述的基于EDW-DPSO算法的定位性能优化方法，以DV-Hop算法为基础，并利用EDW-DPSO算法对未知节点的估计坐标进行优化。相比现有技术，具有以下的有益效果和有点：本发明主要从两个方面降低未知节点的坐标定位误差率，首先是用于计算位置节点与各个锚节点之间估计距离的最终平均跳距，在本发明中进行过修正，由此能够大大提高计算精度；其次是在未知节点的坐标计算中，采用EDW-DPSO算法进行优化，更进一步提高了定位精度。
[0148] 尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种
修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的
权利要求来限定。
