CN103002575B - 基于粒子群算法的水下无线传感器网络节点定位方法 - Google Patents

Abstract

本发明涉及一种基于粒子群算法的水下无线传感器网络节点定位方法，首先根据GPS定位系统确定部署在水面的锚节点的坐标，再确定待定位节点的三维坐标。待定位节点坐标确定如下：首先利用水深与压强的关系求出节点的水深；然后将水下三维定位问题等效转换为二维定位。待定位节点的二维坐标确定如下：普通节点收集各锚节点的位置与距离信息，保存在一张表List上，然后广播给各锚节点；各锚节点根据表List独立的运行粒子群算法，分别求得各自的最优粒子，并把结果发给待定位节点；待定位节点检测锚节点所求的最优粒子，确定出节点的二维坐标。本发明可以显著减少待定位节点的能量和计算消耗。

Description

基于粒子群算法的水下无线传感器网络节点定位方法

技术领域

本发明属于水下无线传感器网络，群体智能的技术领域，主要涉及一种基于粒子群算法的水下无线传感器网络节点定位方法。

背景技术

随着人们对辽阔海洋探索的迫切渴望和沿海地区军事防御、商业开发等需求的日益增加，以无线传感器网络为基础的水下无线传感器网络(Underwater Wireless SensorNetworks，UWSN)引起了学术界和工业界的密切关注，它将在未来的水下监视预警系统中发挥重要的作用。

水下无线传感器网络中，节点的位置信息是许多应用必不可少的一部分，例如在水生环境监测中，航道的监控等应用中，获取的数据都必须与节点位置信息相关联。由于全球定位系统（Global Positioning System，GPS）不能用于水下网络定位，因此，水下节点设备精确定位成为了一个大的难点。

无线传感器网络定位算法可以分为基于距离(range-based)与距离无关(range-free)的两种定位算法。降维定位是一种针对水下三维传感器网络、降低计算复杂度的有效算法。它的基本思想是将稀疏布局的三维传感器网络的节点映射到平面上。在深度z可以通过压强求得的条件下，该映射是一一映射，从而将三维定位等效转换为二维定位。在二维定位中，可以利用粒子群优化算法来估算出节点的二维坐标。粒子群优化(particle swarmoptimization,简称PSO)算法是由Eberhart博士和Kennedy博士于1995提出来的一种新的群智能优化算法，与其他进化算法相比，其最吸引人的特征是简单实现和更强的全局优化能力。自PSO算法提出之后，引起了众多学者的极大关注,在短短几年内形成了一个研究热点并出现了大量的研究成果，大量实验结果也表明了PSO算法确实是一种有力的优化工具。

发明内容

本发明的目的在于提供一种基于粒子群算法的水下无线传感器网络节点定位方法，在深度已知条件下，通过映射将三维定位等效转换为二维定位，然后采用改进的粒子群算法来确定普通节点的二维坐标。本发明可以有效的节约普通节点的能量和提高定位速度。

本发明涉及的一种基于粒子群的水下无线传感器网络节点定位方法，包括已知位置的锚节点和待定位节点，与现有技术不同的是，所述待定位节点的坐标位置的确定方法包括以下步骤：

假设待定位节点为D，所述D的坐标为(x,y,z),其在水平面的投影为D′(x,y,0)，锚节点Ai（xi，yi，0）到待定位节点D的距离为Di,Di在海平面上的投影为di，

步骤1.每个锚节点Ai测量其到待定位节点D的距离Di，然后将自身的坐标以及距离信息发送给待定位节点。

步骤2.待定位节点利用水深与压强的关系求得节点的深度坐标z，并将其保存到一张位置信息表List上。

步骤3.待定位节点接收所有锚节点的位置信息，将位置信息保存到位置信息表List上，并求出每个Di在海平面上到投影di，保存到位置信息表List上。待定位节点将位置信息表List广播给所有其他锚节点。

步骤4.每个收到位置信息表List的锚节点，独立的运行粒子群算法，求取待定位节点的二维坐标(x,y)。

步骤5.每个锚节点的粒子群进化过程中的gbest，以一定概率P在种群之间迁移。

步骤6.锚节点运行完粒子群算法后，将得到的最优粒子的坐标发送给待定位节点。

步骤7.待定位节点在收到所有锚节点估算的最优粒子的坐标后，找出所有满足F<A的粒子，根据F_Mean法计算出待定位节点的二维坐标(x,y)，然后在结合开始求得的深度坐标z，即可得到其坐标(x,y,z)。

所述步骤1中的锚节点利用往返传播时间（Roundtrip-Time-Of-Flight,RTOF）法测量其到待定位节点D的距离。

所述位置信息表List包括普通节点的标识符；待定位节点的深度坐标z；每个锚节点的位置坐标及其与D的距离，利用位置信息表List可以把三维定位等效转换为二维定位，锚节点利用这张表可以计算出待定位节点的坐标。

所述步骤4包括用评价函数F来评估每个粒子的目标值，确定每个粒子的pbest以及全局最优值gbest，每个粒子记录它所经过的位置中F值最小的位置，保存在自身的最优解pbest中，在所有粒子的最优解pbest中F值最小的那个作为全局最优解gbest。

所述步骤4中，粒子群不断更新每个粒子的位置和速度，进化出下一代粒子，然后再一次使用评价函数F进行评估，这样不断循环，直到最大的进化代数或者目标值函数F的值小于等于0.01为止，粒子群进化停止，输出最后定位结果。

步骤7所述评价函数F_Mean方法就是取所有评价函数F值小于阙值A（本发明根据实验的结果确定其中A的取值范围是[10,30]）的粒子坐标的平均值作为待定位节点的坐标，具体的公式如下：

$\left\{\begin{array}{c}x=\frac{{\mathrm{\&Sigma;}}_{i=1}^N\mathrm{xg}{\mathrm{best}}_i}{N}\\ y=\frac{{\mathrm{\&Sigma;}}_{i=1}^N\mathrm{yg}{\mathrm{best}}_i}{N}\end{array}\right.$

在这个公式中，N指的是所有锚节点在运行粒子群算法之后，其中评价函数F值小于A的节点的总个数。

所述阙值A的取值范围是[10,30]。

所述评价函数F表示为:初始化完成后，本文使用一个F函数来评估每个粒子的目标值，本发明中的F函数如下：

$F(x,y)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\sqrt{({(x-\mathrm{xi})}^2+{(y-\mathrm{yi})}^2)}-\mathrm{di})$

本发明的技术效果体现在：本发明把水下三维定位等效转换为二维定位，减小了计算的复杂度；本发明在锚节点上分布式的实现复杂计算，一方面由于是锚节点进行运算，极大的提高了定位的速度，另一方面也节约了普通节点的能量消耗；本发明每个锚节点的粒子群进化过程中的gbest，以一定概率P在种群之间迁移，解决了局部最优化问题。

附图说明

图1是水下无线传感器网络的结构示意图；

图2是水下三维空间中的节点映射到水平面的示意图（将三维定位等效转换为二维定位）；

图3是粒子群算法的流程图；

图4是本发明定位算法的流程图。

图中：1.卫星 2.海平面 3.浮标锚节点 4.传感器节点 5.陆地基站。

具体实施方式

下面结合附图及具体实施例对本发明做进一步详细的说明。

本发明针对稀疏布局的水下三维传感器网络，在水深已知的前提下，将三维定位技术等效映射为二维定位技术。对于平面定位，利用粒子群优化算法来计算二维坐标。

参照图1、图2，它是基于水声通信而建立起来的一种无线的自治网络，由卫星1、布放在海底或海中的各类传感器节点4、海平面2上的浮标锚节点3和陆地基站5等设施组成。水下传感器节点4收集信息，在水下通过声信道互相连接，将信息汇聚后再进一步与陆地基站5的控制中心连接。这样，就建立起一种交互式的网络环境，远程陆地的用户能够实时地通过网络存取、分析水下传感器节点4的数据，反过来，又可以把控制信息传递给水下传感器节点4。网络中绝大多数的普通节点在网络初始状态没有位置信息，我们的目标是估算出普通节点的位置信息。

本发明的主要步骤详细分解如下：

1.初始化工作。锚节点利用GPS定位系统确定自己的位置，并用RTOF法测量其到待定位节点D的距离，然后广播给待定位节点；普通节点计算深度z，并收集锚节点发送的位置信息集，保存到一张表List上。

普通节点利用水深与压强的关系来计算深度z，公式为P=ρgh，P为压强，ρ表示液体的密度，g为重力加速度，h为测得压强处离液面的垂直距离。在测量得到压强信息的基础上可以得到各普通节点的z坐标，即水深。

2.在水深信息已知以及稀疏布局的水下三维无线传感器网络条件下，将三维水下定位工作等效变换为二维定位工作。

如图2所示，先建立空间直角坐标系，X轴和Y轴的方向在水平方向上展开，Z轴的方向垂直水平面向下，表示水深。在稀疏布局的水下三维无线传感器网络中，我们假设：几乎没有两个节点位于同一垂直线上，也就是说，几乎没有两个点的坐标同时满足x坐标和y坐标对应相等。在稀疏布局的UWSN中这种假设是合理的。

令待定位节点D的坐标为（x，y，z），其中z坐标可以根据压强关系求得，从D点向锚节点所在的水平面做垂线，交点为D′(x,y,0)。这样每个待定位节点都与海平面上的一个点形成映射对，根据前面假设，这种映射是一一映射，而且映射以后，各节点的x坐标和y坐标保持不变。所以在平面中定位得到的各普通节点的x坐标和y坐标即三维空间中的x坐标和y坐标。

我们假设锚节点Ai（xi，yi，0）到待定位节点D的距离（RTOF测量）为Di,Di在海平面上的投影为di，则有如下公式

Di²＝z²+di² (1)

di²＝(xi-x)²+(yi-y)² (2)

对公式（2）移项得

di²=Di²-z²=(xi-x)²+(yi-y)² （3）

$\mathrm{di}=\sqrt{{(\mathrm{xi}-x)}^2+{(\mathrm{yi}-y)}^2}=\sqrt{{\mathrm{Di}}^2-z^2}---\left(4\right)$

通过公式（4）我们可以求得每个Di在海平面上投影的距离，根据这个距离就可以在二维平面上求得待定位节点D的二维坐标(x,y),然后在结合开始得到的深度z就可以得到待定位 节点的位置(x,y,z)。本发明打算用改进的粒子群算法来求待定位节点的二维坐标（x，y）。

3.在二维定位中，利用粒子群算法来计算节点的二维坐标(x,y)。

PSO算法首先初始化N个随机粒子，每个粒子都被看作是没有体积没有质量的微粒，但是有自己的位置且以一定的速度飞行,算法根据粒子本身和同伴的飞行经验来动态地调整参数,通过迭代得到最优解。假设D（本发明中D=2）维搜索空间中的第i个粒子的位置和速度分别为Xi=(x_i1，x_i2····x_iD)和Vi=(v_i1，v_i2····v_iD)。根据目标函数，可以确定在t时刻，每个微粒所经过的位置中的最佳位置(pbest)Pi=(p_i1，p_i2····p_iD)以及整个粒子群的所经过位置中的最佳位置(gbest)Pg=(p_g1,p_g2····p_gD)。在每一次迭代中,粒子通过追踪个体最优值pbest和全局最优值gbest来更新自己。在找到这两个最优值时,粒子根据如下公式来更新自己的速度和新的位置。

v_ij(t+1)＝wv_ij(t)+c₁rand₁[p_ij-x_ij(t)]+c₂rand₂[p_gj-x_ij(t)] (5)

x_ij (t+1)=x_ij(t)+v_i+j(t+1),j＝1.2ΛD (6)

其中w为惯性权重;c1和c2为学习因子;rand1和rand2表示为0~1之间均匀分布的随机数。可以通过设置微粒的速度区间[Vmin,Vmax]和位置范围[Xmin,Xmax],对微粒的移动进行适当的限制。另外，Clerc和Kennedy[5]提出了一种新的调整方法，采用了压缩因子，可以通过合适选取参数，确保PSO算法的收敛性，并可以取消对速度的边界限制。

v_ij(k+1)＝X{v_ij(k)+c₁rand₁[p_ij(k)-x_ij(k)]+c₂rand₂[p_gj-x_ij(k)]} （7）

其中 $X=\frac{2}{|2-G\sqrt{G^2-4\&times;G}|},$ G＝c₁+c₂，G>4

参考图3，每个收到位置信息表的锚节点，独立的运行粒子群算法来计算节点的二维坐标，其又可细分为如下步骤：

步骤31：锚节点接收普通节点发来的位置信息表List。位置信息表List包括普通节点的标识符；普通节点的深度坐标z；每个锚节点的位置坐标及其与节点的距离Di。

步骤32：计算出每个锚节点与普通节点的距离在水平面上的投影di。

步骤33：粒子群初始化。随机产生n个粒子，n为粒子群的大小，并设定最大迭代次数为M。初始化每个粒子的初始速度和位置，根据锚节点的最大通信半径初步确定粒子的位置范围，这样可以更好的提高结果的精度。

步骤34：用F函数来评估每个粒子的目标值，确定每个粒子的pbest以及全局最优值gbest。如果这个粒子的坐标代入到这个函数中去之后，发现值很大的话，就说明这个粒子的位置并不是所要的位置，当然，因为这里的距离由于测距误差的存在，所以导致有一定的误差，严 格意义来说，任意一个粒子代入到函数F中，F的值都不会是0，但是这并不妨碍我们找到所需要的粒子，实际上，只需要找到相对值较小的粒子即可。每个粒子记忆下它所经过的位置中F值最小的位置，保存在自身的最优解pbest中，在所有粒子的最优解pbest中F值最小的那个作为全局最优解gbest。F函数如下：

$F(x,y)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\sqrt{({(x-\mathrm{xi})}^2+{(y-\mathrm{yi})}^2)}-\mathrm{di})---\left(8\right)$

步骤35：根据位置和速度的更新公式（5，6）来更新每个粒子的位置和速度，进化出下一代粒子，然后再一次使用F函数评估，算法不断运行。在各个种群进化过程中，阶段性的gbest解按照一定的概率P在种群之间互相迁移，最后求得最优化解。

步骤36：反复运行步骤34-35，直到最大的进化代数或者目标值函数F的值小于等于0.01为止，粒子群进化停止，输出最后定位结果。

4.所有锚节点都运行完粒子群算法之后，锚节点i将运行的结果(xgbest_i,ygbest_i)发送给待定位节点。待定位节点根据收到的所有锚节点的最优粒子信息，对所收到的最优粒子进行二次检测，获得所有F值小于阈值A的粒子，然后利用F_Mean方法求得待定位节点的坐标，即取所有F值小于阙值的粒子坐标的平均值作为待定位节点的坐标，具体的公式如下：

$\left\{\begin{array}{c}x=\frac{{\mathrm{\&Sigma;}}_{i=1}^N\mathrm{xg}{\mathrm{best}}_i}{N}\\ y=\frac{{\mathrm{\&Sigma;}}_{i=1}^N\mathrm{yg}{\mathrm{best}}_i}{N}\end{array}\right.---\left(9\right)$

在这个公式中，N指的是所有锚节点在运行粒子群算法之后，其中F值函数的值小于A的节点的总个数。

Claims (4)

1.一种基于粒子群算法的水下无线传感器网络节点定位方法，节点包括已知位置的锚节点和待定位节点，所述待定位节点位置的确定包括以下步骤：

假设待定位节点为D，所述D的坐标为(x,y,z),其在水平面的投影为D′(x,y,0)，锚节点Ai(xi，yi，0)到待定位节点D的距离为Di,Di在海平面上的投影为di，

步骤1.每个锚节点Ai测量其到待定位节点D的距离Di，然后将自身的坐标以及距离信息发送给待定位节点；

步骤2.待定位节点利用水深与压强的关系求得节点的深度坐标z，并将其保存到一张位置信息表List上；

步骤3.待定位节点接收所有锚节点的位置信息，将其保存到表List上，并求出每个Di在海平面上到投影di，保存到位置信息表List上；待定位节点将位置信息表List广播给所有其他锚节点；

步骤4.每个收到位置信息表List的锚节点，独立的运行粒子群算法，求取待定位节点的二维坐标(x,y)；

步骤5.每个锚节点的粒子群进化过程中的粒子群中所有粒子的全局最优解gbest，以一定概率P在种群之间迁移；

步骤6.锚节点运行完粒子群算法后，将得到的最优粒子的坐标发送给待定位节点；

步骤7.待定位节点在收到所有锚节点估算的最优粒子的坐标后，找出所有满足F<A的粒子，根据F_Mean法计算出待定位节点的二维坐标(x,y)，然后再结合开始求得的深度坐标z，即可得到其坐标(x,y,z)，所述F为评价函数，A为阙值；

其特征在于，所述步骤1中的锚节点利用往返传播时间(Roundtrip-Time-Of-Flight,RTOF)法测量其到待定位节点D的距离；所述步骤3中位置信息表List包括普通节点的标识符；待定位节点的深度坐标z；每个锚节点的位置坐标及其与D的距离，利用位置信息表List可以把三维定位等效转换为二维定位，锚节点利用这张表可以计算出待定位节点的坐标。

2.根据权利要求1所述的定位方法，其特征在于，所述步骤4中，粒子群不断更新每个粒子的位置和速度，进化出下一代粒子，然后再一次使用评价函数F进行评估，这样不断循环，直到最大的进化代数或者评价函数F的值小于等于0.01为止，粒子群进化停止，输出最后定位结果。

3.根据权利要求1所述的定位方法，其特征在于，步骤7评价函数F_Mean方法就是取所有评价函数F值小于阙值A的粒子坐标的平均值作为待定位节点的坐标，具体的公式如下：

$\left\{\begin{array}{c}x=\frac{{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{xgbest}}_i}{N}\\ y=\frac{{\mathrm{\&Sigma;}}_{i=1}^N{\mathrm{ygbest}}_i}{N}\end{array}\right.$

在这个公式中gbest指的是粒子群中所有粒子的全局最优解，N指的是所有锚节点在运行粒子群算法之后，其中评价函数F值小于A的节点的总个数。

4.根据权利要求3所述的定位方法，其特征在于：所述阙值A的取值范围是[10,30]。