CN101820676A - 传感器节点定位方法 - Google Patents

Abstract

本发明公开了一种传感器节点定位方法，包括：在待定位节点处收集通信范围内各个信标节点的位置信息，以得到各个信标节点的位置信息集；由待定位节点将所述位置信息集广播给所述各个信标节点；各个信标节点根据所述位置信息集分别独立地运行粒子群算法，以分别得到对应的最优粒子位置信息；以及待定位节点对最优粒子位置信息进行检测，以确定待定位节点的坐标位置。本发明可以显著减少待定位节点的计算消耗。

Description

传感器节点定位方法

技术领域

本发明属于无线传感器网络，分布式和进化计算交叉技术领域，尤其涉及一种传感器节点定位方法。

背景技术

随着传感器的应用越来越广泛，如何进行传感器节点的快速、精确定位就显得愈发重要。目前提出的一些定位算法，例如极大似然估计法(MLE)，无搜索拟牛顿法(MNSQN)，无搜索最速下降法(NSSD)等都是在待定位节点S上运行定位算法，消耗待定位节点的计算资源同时对优化的初值要求很严格。

另外，目前在传感器节点定位应用中还提出了粒子群优化算法，但是这些算法存在明显的缺点：属于集中式的算法，待定位节点的计算资源消耗很高。另外，这些算法采用单种群策略，容易使得算法陷入局部最优解。因此，关于节点定位的精度不高。

发明内容

本发明的目的旨在至少解决现有技术中的上述问题之一。

为此，本发明的实施例提出一种能够减少待定位节点计算消耗的传感器节点定位方法。

根据本发明的一个方面，本发明实施例提出了一种传感器节点定位方法，所述定位方法包括以下步骤：a)在待定位节点处收集通信范围内各个信标节点的位置信息，以得到所述各个信标节点的位置信息集；b)由所述待定位节点将所述位置信息集广播给所述各个信标节点；c)所述各个信标节点根据所述位置信息集分别独立地运行粒子群算法，以分别得到所述各个信标节点对应的最优粒子位置信息；以及d)所述待定位节点对所述最优粒子位置信息进行检测，以确定所述待定位节点的坐标位置。

根据本发明进一步的实施例，所述最优粒子位置信息为所述各个信标节点对应的粒子群根据粒子群算法分别得到的阶段性全局最优解。在执行所述步骤d之前，还包括以预定概率将所述阶段性全局最优解在所述各个信标节点对应的粒子群之间互相迁移的步骤。

根据本发明进一步的实施例，所述步骤d包括：所述待定位节点根据所述各个信标节点对应的最优粒子位置信息以及评价函数F，分别计算每个最优粒子位置信息对应的F值；以及根据所述F值确定所述待定位节点的坐标位置。

根据本发明再一步的实施例，根据每个最优粒子位置信息对应的F值，选择F值小于预定阈值的最优粒子位置信息；以及取所选择的最优粒子位置信息的坐标平均值作为所述待定位节点的坐标位置。

根据本发明再一步的实施例，选择每个最优粒子位置信息对应F值的最小值作为所述待定位节点的坐标位置。

本发明使得待定位节点将计算分布到其他的信标节点上，利用信标节点的高性能、计算能力强进行计算，降低了待定位节点的计算资源消耗，减轻了待定位节点的负担。同时，采用并行的技术，提高了定位的速度。

此外，对于信标节点根据传统粒子群算法得到的粒子群全局最优解，在计算过程中引入多种群迁移，从而避免单独的粒子群算法陷入局部最小化问题，进一步提高待定位节点的定位精度。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的传感器节点定位方法步骤流程图；

图2为本发明实施例的无线传感器网络节点定位示意图；

图3为本发明实施例的信标节点粒子群迁移过程示意图；

图4-5为本发明的节点定位方法与现有定位方法的定位精度比较示意图；

图6-8为粒子群算法不同性能参数对本发明节点定位方法的定位精度影响示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

参考图1，该图为本发明实施例的传感器节点定位方法步骤总体流程图。

如图所示，本发明的定位方法包括以下步骤：

首先，在待定位节点处收集通信范围内各个信标节点的位置信息，以得到各个信标节点的位置信息集(步骤102)。然后，待定位节点将收集的位置信息集广播给通信范围内的各个信标节点(步骤104)。

上述位置信息集包括各个信标节点的坐标及其距离待定位节点的距离，待定位节点收到所有通信范围内信标节点的坐标以及它到信标节点的距离之后，可以将这些位置信息保存到一张表上。然会将所有的坐标和距离信息分发给每个信标节点，以执行分布式运算，将计算分摊到每个信标节点上。

例如图2所示，待定位节点S坐标为(x，y，z)，其通信范围内有三个及以上的已定位节点，例如1到9的9个传感器信标节点，每个信标节点具有自己的坐标位置。

节点10是通信范围外的节点，所以对待定位节点S的定位没有影响，在步骤101收集信标节点位置信息的过程中，待定位节点可以收集节点10的位置信息，但是在步骤104中，并没有将信息分发给节点10。

D1-D9是测得的待定位节点到信标节点的距离，其中各个信标节点根据信号强度测量待定位节点S到其的距离，然后将自身的坐标以及距离信息发送给待定位节点S。

各个信标节点在接收到位置信息集之后，分别独立地运行粒子群算法，以分别得到各个信标节点对应的最优粒子位置信息(步骤106)。

每个信标节点在执行粒子群算法时，对应形成一个随机的进化种群，该进化种群中包括多个粒子，这些粒子阶段性的移动，并结合评价函数F来得到该信标节点对应种群中的最优粒子。

我们认为一个粒子经过评价函数F作用后的值越小，则这个粒子就越优，在评价一个粒子是否是最优时使用的评价函数F为：

$F(x,y,z)=\underset{i=1}{\overset{i=n}{\mathrm{\Σ}}}(\sqrt{({(x-x_i)}^2+{(y-y_i)}^2+{(z-z_i)}^2)}-d_i)$

其中(x，y，z)为各个信标节点对应粒子群中粒子的坐标，(x_i，y_i，z_i)为信标节点i的坐标，d_i为信标节点i到待定位节点S的距离。这样，通过上述步骤，每个信标节点最终都能得到一个最优粒子(每个粒子的值就是待定位节点的位置估计)。

所述最优粒子位置信息为各个信标节点对应的粒子群根据粒子群算法分别得到的阶段性全局最优解。

粒子群优化算法(PSO)是基于群体智能理论的一种新兴演化计算技术，是基于鸟类搜索食物行为的启发提出的。

在执行粒子群算法时，每个信标节点首先在可行解空间和速度空间随机初始化微粒群，即确定微粒子的数目、初试位置和初试速度，其中位置表征问题解。例如在d维搜索空间中的第i个粒子的位置和速度可以分别表示为Xi＝[x_i，1，x_i，2，...，x_i，d]和Vi＝[v_i，1，v_i，2，v_i，3，...，v_i，d]。通过评价各微粒的目标函数，确定t时刻每个微粒所经过的最佳位置(pbest)Pi＝[p_i，l，p_i，2，...，P_i，d]以及群体所发现的最佳位置gbest(p_g)，再按如下公式分别更新各粒子的速度和位置：

V_i，j(t+1)＝WV_i，j(t)+C1r1[P_i，j-x_i，j(t)]+C2r₂[p_g，j-x_i，j(t)]……(1)

x_i，j(t+1)＝x_i，j(t)+V_i，j(t+1)，j＝1，...，d                  ……(2)

其中w为惯性权因子，C1和C2为正的加速常数，r₁和r₂为在0到1之间均匀分布的随机数。可以通过设置微粒的速度区间[V_min，V_max]和位置范围[x_min，x_max]，则可以对微粒的移动进行适当的限制。粒子每更新一次，信标节点就会得到一个阶段性的全局最优解。

每个信标节点根据粒子群算法经过预定次数迭代后，得到对应粒子群的一个全局最优粒子。

信标节点运行完粒子群算法后，将得到的全局最优粒子的坐标发送给待定位节点S。待定位节点S对所有收到的最优粒子进行二次检测，利用所有通过检测的粒子的坐标得出待定位节点的坐标(步骤108)。

具体来说，待定位节点分析收到的所有信标节点的最优粒子信息，对所有收到的最优粒子信息进行检测，得出待定位节点的坐标位置。

本发明中，待定位节点在最终确定待定位节点的坐标位置时，可以具有以下两种实施例：

实施例1：在收到所有信标节点的最优粒子的坐标后，待定位节点根据各个信标节点对应的最优粒子位置信息以及评价函数F，分别计算每个最优粒子位置信息对应的F值。

然后，找出其中所有满足F＜ε的粒子。其中阈值ε可以根据实际情况，例如实验结果进行选择，一般选择阈值ε在10到30之间。

最后，取所选择的最优粒子位置信息的坐标平均值作为待定位节点的坐标位置。在一个实施例中，通过下面公式得出待定位节点的位置：

$\left\{\begin{array}{c}x=\frac{\underset{i=1,F_i<\mathrm{\&epsiv;}}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{{\mathrm{gbest}}_i}}{N_{\mathrm{gbest}}}\\ y=\frac{\underset{i=1,F_i<\mathrm{\&epsiv;}}{\overset{n}{\mathrm{\&Sigma;}}}{y}_{{\mathrm{gbest}}_i}}{N_{\mathrm{gbest}}}\\ z=\frac{\underset{i=1,F_i<\mathrm{\&epsiv;}}{\overset{n}{\mathrm{\&Sigma;}}}{z}_{{\mathrm{gbest}}_i}}{N_{{\mathrm{gbest}}_i}}\end{array}\right.$

在上述公式中，N_gbest是所有F值小于阈值ε的粒子的个数。粒子经过很多次的迭代进化之后，所有的粒子都会在待定位节点的坐标位置周围。

实施例2：在收到所有信标节点的最优粒子的坐标后，待定位节点根据各个信标节点对应的最优粒子位置信息以及评价函数F，分别计算每个最优粒子位置信息对应的F值。然后，选择每个最优粒子位置信息对应F值的最小值作为待定位节点的坐标位置。即，使用所有F值最小的粒子坐标作为待定位节点的坐标。

通过实验数据可以得出，相对于实施例2中使用F值最小的粒子坐标位置作为待定位节点所在的位置，实施例1中使用这些粒子坐标位置的平均值会更加精确。

在步骤106中，每个信标节点各自对应得到的阶段性全局最优粒子，可能存在陷入局部最优化的问题。因此，在一个实施例中，为了进一步提高待定位节点的定位精度，在执行上述二次检测步骤之前，首先以预定概率在各个信标节点对应的粒子群之间互相迁移，如图3所示。

其中预定概率P根据节点的能量和算法所需要的精度进行设置，其范围在(0，1]之间。概率越接近1，节点之间的信息交流越多，能耗越大，但是精度会越高，概率越接近0，则精度会越低，但节点的能耗会越小，当概率为0时，相当于没有进行种群迁移，这时就不能解决粒子群的局部最优化问题。具体概率的选择需要平衡节点的能耗和定位的精度，根据经验综合考虑上述两种因素，优选地选择概率P在[0.4，0.6]范围之间。

对于信标节点根据传统粒子群算法得到的粒子群全局最优的个体，即每个信标节点的粒子群进化过程中的全局最优解，在计算过程中引入种群迁移。即，在每一次粒子群阶段性进化结束时，根据上述预定的概率P，随机的将子种群i中的最优粒子发送给子种群j。子种群i是待定位节点S通信范围的其中一个信标节点i对应的种群，也就是信标节点i自身运行粒子群算法产生的粒子群。

迁移是在不同的种群之间进行，也就是说在不同的信标节点之间进行。信标节点i对应的子种群i将其全局最优个体g_besti以概率P_ij传送给信标节点j的子种群j，可有效的解决单个信标节点的粒子群(单种群)计算所导致的局部最小化问题。单独的粒子群算法可能会陷入局部最小化，采用上述了多种群迁移之后就可以有效的防止粒子陷入局部最小化，提高待定位节点的定位精度。

根据本发明，待定位节点将计算分布到其他的信标节点上，利用信标节点的高性能、计算能力强进行计算，而不是由待定位节点自身进行计算。因此，与现有的MLE算法、MNSQN算法、NSSD算法以及单节点粒子群算法等集中式算法，本发明可以大大缩短了传统粒子群算法的运行时间，降低了待定位节点的计算资源消耗，减轻了待定位节点的负担。同时，采用并行的技术和信标节点的高计算性能，提高了定位的速度。

除降低待定位节点的计算资源之外，与现有的MLE算法、MNSQN算法以及NSSD算法相比，本发明还具有更高的定位精度。

下面，结合图4-5的实施例试验仿真对本发明节点定位方法与现有定位方法的定位精度进行比较。

图4为测距误差符合正态分布时不同定位算法的定位误差比较示意图，其中MLE是极大似然估计法，MNSQN是无搜索拟牛顿法，NSSD是无搜索最速下降法，FMin和FMean是本发明实施例1和2提出的定位方法。从图4可以看出，随着测距误差的增加，定位误差增大，即定位精度在不断降低，但相对于其他的算法，本发明的FMin和FMean定位算法具有更高的定位精度。

参考图5为测距误差符合均匀分布时不同定位算法的定位误差比较示意图，从图中我们可以看出，在测距误差符合均匀分布的时候，除了MLE之外，随着测距误差的增大，定位算法的定位精度变化并不是很大。但相对于其他算法，本发明的FMin和FMean定位算法具有更高的定位精度。

因此，在不同的测距误差模型下，通过与现有的MLE、MNSQN、NSSD算法对比，发现本发明的传感器节点定位算法不但大大减少了待定位节点的计算量并且提高了定位精度。仿真结果表明，与传统算法MLE、MNSQN和NSSD相比，在测距误差小于30％的情况下本发明在定位精度上提高了8％～40％。

另外，对于本发明的定位方法通过仿真实验分析发现，在各个信标节点在运行粒子群算法时，粒子参数的不同取值对待定位节点的定位精度存在影响，因此结合图6-8的实施例进一步确定了本发明中粒子群参数合适的取值范围。

参考图6，该图给出了粒子群算法中的参数C1和C2在取不同值时本发明实施例1和2对应的F_Min和F_Mean算法的定位误差比较，其中的C2＝4.1-C1。

通过仿真试验，可以得出当C1在1.5和2.0之间时，F_Mean的定位误差相对较小，当C1接近0或者4.1时，F_Mean的定位误差相对较大，综合考虑，我们在实际应用中选择C1＝1.6，C2＝2.5。

参考图7，该图给出了不同的迭代次数对F_Min和F_Mean的定位误差比较，从图中可以看到，随着迭代次数的增加，定位的精度也在增加。综合考虑定位的精度和计算量，在实际应用中，可以选择迭代的次数为10～20之间。

参考图8，该图显示了在不同的粒子数目下，F_Min和F_Mean的定位误差比较。从图中我们可以看到，随着粒子数的增加，定位的精度在不断的提高，并且F_Mean的方法相对来说具有更高的稳定性。综合考虑到计算的复杂度和定位的精度，实际应用中，可以选择算法的粒子数目为20～40的范围之间。

在对传感器节点进行定位时，本发明通过在信标节点上部署粒子种群进行待定位节点坐标位置的计算，减少待定位节点计算消耗。此外，采用多种群协同迁移进化来有效避免局部最优的问题，很好的实现了算法的并行性，提高了定位的精度。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同限定。

Claims (10)

1.一种传感器节点定位方法，其特征在于，所述定位方法包括以下步骤：

a)在待定位节点处收集通信范围内各个信标节点的位置信息，以得到所述各个信标节点的位置信息集；

b)由所述待定位节点将所述位置信息集广播给所述各个信标节点；

c)所述各个信标节点根据所述位置信息集分别独立地运行粒子群算法，以分别得到所述各个信标节点对应的最优粒子位置信息；以及

d)所述待定位节点对所述最优粒子位置信息进行检测，以确定所述待定位节点的坐标位置。

2.如权利要求1所述的定位方法，其特征在于，所述位置信息集包括所述各个信标节点的坐标及其距离所述待定位节点的距离，其中所述各个信标节点分别根据信号强度测量其到所述待定位节点的距离。

3.如权利要求1所述的定位方法，其特征在于，所述最优粒子位置信息为所述各个信标节点对应的粒子群根据粒子群算法分别得到的阶段性全局最优解。

4.如权利要求3所述的定位方法，其特征在于，在执行所述步骤d之前，还包括以预定概率将所述阶段性全局最优解在所述各个信标节点对应的粒子群之间互相迁移的步骤。

5.如权利要求4所述的定位方法，其特征在于，所述预定概率为[0.4，0.6]范围之间。

6.如权利要求1所述的定位方法，其特征在于，所述步骤d包括：

所述待定位节点根据所述各个信标节点对应的最优粒子位置信息以及评价函数F，分别计算每个最优粒子位置信息对应的F值；以及

根据所述F值确定所述待定位节点的坐标位置。

7.如权利要求6所述的定位方法，其特征在于，根据每个最优粒子位置信息对应的F值，选择F值小于预定阈值的最优粒子位置信息；以及

取所选择的最优粒子位置信息的坐标平均值作为所述待定位节点的坐标位置。

8.如权利要求7所述的定位方法，其特征在于，所述预定阈值的范围在10～30之间。

9.如权利要求6所述的定位方法，其特征在于，选择每个最优粒子位置信息对应F值的最小值作为所述待定位节点的坐标位置。

10.如权利要求6-9其中任一项所述的定位方法，其特征在于，所述评价函数F表示为：

$F(x,y,z)=\underset{i=1}{\overset{i=n}{\mathrm{\&Sigma;}}}(\sqrt{({(x-x_i)}^2+{(y-y_i)}^2+{(z-z_i)}^2)}-d_i),$

其中(x，y，z)为所述各个信标节点对应粒子群中粒子的坐标，(x_i，y_i，z_i)为信标节点i的坐标，d_i为信标节点i到所述待定位节点的距离。

Images