[發明專利]基于改進粒子群的多維標度節點定位方法

有效

• 申請號: 202110600209.1
• 申請日: 2021-05-31
• 公開（公告）號: CN113347561B
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 萬新旺;董帥;王鶴;李逸瑋;張海成
• 申請（專利權）人: 南京郵電大學
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W4/38;G01S19/42
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 姚姣陽

1.一種基于改進粒子群的多維標度節點定位方法，采用錨節點和未知節點兩種傳感器節點，所述錨節點通過GPS定位自身位置，所述未知節點與相鄰錨節點通信并通過網絡拓撲以實現其自身的定位，其特征在于，在坐標轉換階段引入具有交叉操作的粒子群算法，主要包括如下階段：

步驟1：初始化階段，對無線傳感器網絡進行初始化，網絡中各節點通過RSSI測距方法獲得相鄰節點的距離矩陣；

步驟2：分簇階段，對無線傳感器網絡進行聚類整合，再將聚類整合后的無線傳感器網絡劃分為多個以簇頭為計算中心的簇；

步驟3：簇內節點相對定位階段，根據輸入距離矩陣計算廣義平方距離矩陣，利用經典MDS算法對去中心化處理后的廣義平方距離矩陣進行奇異值分解，得到簇內節點的相對坐標；

步驟4：簇間融合階段，選取簇內公共節點多的一簇與相鄰簇進行融合，再采用基于最小二乘法的簇間坐標配準法，對各個簇進行坐標配準以達到融合；重復上述步驟直至所有節點被融合；

步驟5：坐標轉換階段，利用錨節點的絕對坐標與相對坐標，并利用具有交叉操作的粒子群優化算法優化坐標轉換參數的獲取，將每個未知節點的相對坐標轉換為絕對坐標，具體包括以下步驟：

步驟51：設置評估性的適應度函數，適應度函數的建立具體為：

步驟511：以錨節點參數組合看成一個粒子，利用錨節點的絕對坐標和相對坐標構建出適合的適應度函數：

其中(x₁,x₂)為錨節點相對坐標，(y₁,y₂)為錨節點絕對坐標，Δx₁,Δx₂為平移向量，α為旋轉角度，t為翻轉參數；

步驟512：設定誤差函數f(Δx₁,Δx₂,α,t)來衡量錨節點的實際坐標(X,Y)與估計的絕對坐標(x,y)的差異度，公式為：

其中，N為錨節點數，A＝[(x_icosα-ty_isinα)+Δx₁-X_i]²，B＝[(x_isinα+ty_icosα)+Δx₂-Y_i]²，f(Δx₁,Δx₂,α,t)越小則參數優化效果越好，定位誤差越小，將誤差函數f(Δx₁,Δx₂,α,t)用作為粒子群優化算法的適應度函數搜尋群體最佳P_g；

步驟52：利用新的粒子運動公式進行速度計算，利用算術交叉、差分進化交叉與選擇操作生成新的引導向量，并采用引導向量替代策略，將新的引導向量代入粒子運動公式，粒子運動公式具體為：

在D維的搜索空間中，一個粒子i具備兩個向量，一個是速度向量V_i＝(v_i1,v_i2,…v_id,…v_iD)，另一個是位置向量X_i＝(x_i1,x_i2,…x_id,…x_iD)，由所需搜索的空間，對各粒子的位置和速度向量進行隨機的初始化操作，之后利用位置和速度的更新公式對兩個參數進行迭代搜索更新，更新公式如下：

v_id＝wv_id+cr_d(GV_id-x_id)

其中，w為取值為正的慣性因子，c是加速因子，r_d是均勻分布于[0,1]之間的隨機數，GV_i則被稱為引導向量，變量t表示迭代次數，d則表示維度中的某一維，d∈[1,2]，引導向量GV_i構建方式包括以下步驟：

步驟521：算術交叉

讓兩個粒子P_i和P_j進行交叉，產生新的速度向量V_id：

V_id＝r₁P_i+(1-r₁)P_j

在進行交叉操作之前，將每個粒子的歷史最優位置(P₁,P₂,…,P_N)進行隨機置換排列，以此來對群體最佳P_g周圍做更多詳盡的局部搜索；

步驟522：差分進化交叉

差分進化交叉作用在速度向量V_i和目標向量T_i生成新的向量U_i：

其中CR為交叉因子；

步驟523：選擇操作

通過適應度函數來評價新產生的向量U_i，并將評價結果作為引導向量：

步驟524：替代策略

選取適應度最好的引導向量替代當前的引導向量，改變粒子的位置與速度走出局部最優；

步驟53：根據步驟52中生成的新的引導向量，計算新的適應度函數，利用所有錨節點的真實坐標與估計坐標的距離差值之和作為新的適應度函數評判粒子的適應度；

步驟54：判斷是否已達到預設精度或迭代最大次數，若達到則通過優化后的坐標轉換參數將所有未知節點的相對坐標轉換為絕對坐標；若沒有達到則依次重復步驟52和步驟53。