[發(fā)明專(zhuān)利]一種基于交流SCE-PSO算法的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)三維定位方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710988425.1
• 申請(qǐng)日: 2017-10-21
• 公開(kāi)（公告）號(hào): CN107613561B
• 公開(kāi)（公告）日: 2020-02-18
• 發(fā)明（設(shè)計(jì)）人: 劉偉;李卓;楊曉斐;劉亞榮;楊麗燕
• 申請(qǐng)（專(zhuān)利權(quán)）人: 桂林理工大學(xué)
• 主分類(lèi)號(hào): H04W64/00
• 分類(lèi)號(hào): H04W64/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明設(shè)計(jì)了一種基于交流SCE?PSO算法的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)三維定位方法。在SCE?PSO算法中的粒子速度更新過(guò)程中引入了各個(gè)復(fù)合形之間的信息交流，從而提出了一種新的算法交流SCE?PSO算法。與SCE?PSO算法相比，在搜索的過(guò)程中，交流SCE?PSO算法中的粒子能夠獲取更多的信息，從而可以加快收斂速度，提高解的質(zhì)量；而且交流SCE?PSO算法也繼承了SCE?PSO算法的優(yōu)點(diǎn)，其受優(yōu)化問(wèn)題維數(shù)的影響較小，非常適合無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的三維定位。本發(fā)明采用SCE?PSO算法進(jìn)行無(wú)線(xiàn)傳感器網(wǎng)絡(luò)三維節(jié)點(diǎn)的定位，提高了節(jié)點(diǎn)定位精度。

技術(shù)領(lǐng)域

本發(fā)明屬于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中的節(jié)點(diǎn)定位領(lǐng)域。

背景技術(shù)

無(wú)線(xiàn)傳感器網(wǎng)絡(luò)(Wireless Sensor Networks,WSN)節(jié)點(diǎn)的三維定位是當(dāng)前的研究熱點(diǎn)之一。根據(jù)是否需要測(cè)量節(jié)點(diǎn)之間的距離，無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)定位方法可以劃分為基于測(cè)距和基于非測(cè)距的兩種方法。其中基于測(cè)距的方法，由于定位精度高在無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位中被廣泛采用。基于測(cè)距的定位方法首先要測(cè)量節(jié)點(diǎn)之間的距離或角度，常用的測(cè)量方法有接收信號(hào)強(qiáng)度指示(Received Signal Strength Indicator，RSSI)、到達(dá)時(shí)間(Time of Arrival，TOA)、到達(dá)時(shí)間不同(Time Difference of Arrival，TDOA)和到達(dá)角度(Angle of Arrival，AOA)。

獲取節(jié)點(diǎn)之間的距離或角度信息后，基于測(cè)距的方法就可以采用一些定位方法對(duì)未知節(jié)點(diǎn)進(jìn)行定位，其中一類(lèi)方法是把獲取的距離或角度信息看作約束條件，將其轉(zhuǎn)化為一個(gè)目標(biāo)函數(shù)，然后用各種優(yōu)化算法尋找該目標(biāo)函數(shù)的最小值，從而對(duì)未知節(jié)點(diǎn)進(jìn)行定位。優(yōu)化方法可分為傳統(tǒng)的優(yōu)化方法和生物啟發(fā)式優(yōu)化方法。

傳統(tǒng)的優(yōu)化方法基于確定的搜索策略，在滿(mǎn)足一定的限制條件下，利用優(yōu)化問(wèn)題的導(dǎo)數(shù)、梯度等數(shù)學(xué)性質(zhì)進(jìn)行求解。該類(lèi)方法的缺點(diǎn)是運(yùn)算復(fù)雜度較高，并且隨著問(wèn)題的維數(shù)的增大其復(fù)雜度以指數(shù)倍增加，生物啟發(fā)式優(yōu)化方法可以有效地避免這個(gè)問(wèn)題，使計(jì)算更加有效，對(duì)優(yōu)化問(wèn)題所對(duì)應(yīng)的函數(shù)形式不做任何假設(shè)，而且不要求目標(biāo)函數(shù)的連續(xù)性或可導(dǎo)性的假設(shè)，算法簡(jiǎn)單，易于實(shí)現(xiàn)。

常見(jiàn)的生物啟發(fā)式優(yōu)化算法包括：模擬退火算法(Simulated Annealing，SA)、蟻群算法(Ant Colony Optimization，ACO)、遺傳算法(Genetic Algorithm，GA)、人工蜂群算法(Artificial Bee Colony，ABC)、細(xì)菌覓食算法(Bacterial Foraging Algorithm，BFA)、粒子群算法(Particle Swarm Optimization，PSO)。與其他生物啟發(fā)式優(yōu)化算法相比，粒子群算法具有容易執(zhí)行，收斂速度比較快的優(yōu)點(diǎn)。尤其是求解的問(wèn)題維數(shù)越多，其優(yōu)勢(shì)越明顯。因此，粒子群算法非常適用于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的三維定位。但是，在運(yùn)行過(guò)程中，粒子群算法可能會(huì)陷入局部最優(yōu)，出現(xiàn)早熟收斂現(xiàn)象。

針對(duì)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)三維定位采用粒子群算法時(shí)，粒子在搜索過(guò)程中會(huì)陷入局部最優(yōu)，出現(xiàn)早熟收斂，從而導(dǎo)致節(jié)點(diǎn)定位精度較低的問(wèn)題，我們?cè)?jīng)提出SCE-PSO算法，該算法通過(guò)與SCE-UA(shuffling complex evolution-University of Arizona)算法相結(jié)合，增加了搜索過(guò)程中粒子的多樣性，從而減少了粒子陷入局部最優(yōu)的概率，提高了解的質(zhì)量。在SCE-PSO算法中，采用粒子群算法進(jìn)化每一個(gè)復(fù)合形。每一個(gè)復(fù)合形在進(jìn)化過(guò)程中，其粒子的速度用下面的公式(1)更新。

v_id(t+1)＝w·v_id(t)+c₁·r₁[p_id-x_i(t)]+c₂·r₂[g-x_i(t)] (1)