CN103517338B - 面向三维无线传感网的采用移动锚节点的定位方法 - Google Patents

Abstract

本发明的面向三维无线传感网的采用移动锚节点的定位方法，包括：a).部署移动锚节点；b).在希尔伯特曲线的拐点处广播信标信息；c).信标信息的接收；d).信标信息的选取；e).建立目标函数；f).建立搜索空间；g).产生位置与飞行速度分别为、的个粒子；h).求取个体最佳位置；i).求取全局最佳位置；j).全局最佳位置的判断；k).求取新的、；l).获取估算位置。本发明的定位方法，不仅实现了对无线传感器网络中各节点的准确定位，而且整个计算方法简单，耗能低，适于传感器节点采用；同时还有效实现了网络节点定位精度与能耗的均衡。

Description

面向三维无线传感网的采用移动锚节点的定位方法

技术领域

本发明涉及一种无线传感器网络的节点定位方法。具体而言，提出了一种采用移动锚节点技术和粒子群优化技术实现无线传感器网络节点自定位的方法。

背景技术

无线传感器网络是由大量微型传感器节点通过无线电通信形成的一个多跳的自组织网络系统，将其部署在监测区域内，可实现对网络覆盖区域内的被监测对象信息的协作感知、采集和处理，并将信息发送给观察者。

位置信息是被监测信息的重要组成部分，没有位置信息的监测信息通常是没有意义的。因此，以获取节点位置为目的的定位技术成为无线传感网的关键技术之一。

由于传感器节点的计算能力、存储能力和能量供应有限，必须采用专门的定位技术和方法。由于基于锚节点的定位方法可以获取网络节点的全局位置信息，而且定位精度高，所以得到广泛采用。显然这种方法中使用的锚节点越多，定位精度越高，但锚节点需要使用GPS或手工部署来获取自身位置，比普通传感器节点的成本要高很多。其次，传统的节点位置估算方法计算复杂性较高，不太适宜于实际应用中的无线传感器网络。再次，传感器网络越来越多的应用于水下、太空等三维空间，亟需提出适用于三维无线传感器网络的定位方法。

发明内容

本发明为了克服上述技术问题的缺点，提供了一种面向三维无线传感网的采用移动锚节点的定位方法。

本发明的面向三维无线传感网的采用移动锚节点的定位方法，其特别之处在于，包括以下步骤：

a).部署移动锚节点，在待定位的无线传感器网络中部署可进行移动的锚节点；b).广播信标信息，移动锚节点以速度v沿希尔伯特曲线对整个网络进行遍历，并且在希尔伯特曲线的拐点处广播信标信息；按顺序对希尔伯特曲线的拐点按照1，2，3，…进行编号，广播的信标信息包括广播信标信息时移动锚节点的坐标、信标信息编号、测距信息；希尔伯特曲线上相邻两拐点之间的距离s满足不等式(1)：

$s\≤\sqrt{\frac{4}{11}}R---\left(1\right)$

其中，R为设移动锚节点的通信半径；c).信标信息的接收，传感器节点接收移动锚节点发送的信标信息；d).信标信息的选取，传感器节点从接收的信标信息中，选择出4个不共面的信标信息；e).建立目标函数，建立如公式(2)所示的粒子群优化算法的目标函数：

$f(\tilde{x},\tilde{y},\tilde{z})=\frac{1}{4}\underset{i=1}{\overset{4}{\Σ}}{\left(\sqrt{{(\tilde{x}-x_i)}^2+{(\tilde{y}-y_i)}^2+{(\tilde{z}-z_i)}^2}-d_i)\right)}^2---\left(2\right)$

其中，为待定位的传感器节点的估算坐标，(x_i，y_i，z_i)为步骤d)中所选择的4个信标信息中第i个的坐标，d_i是传感器节点测得的与第i个信标信息的距离；i∈(1，2，3，4)；f).建立搜索空间，设定如公式(3)所示的粒子群优化算法中的粒子搜索空间space：

space＝[x_min，x_max]×[y_min，y_max]×[z_min，z_max](3)

其中，x_min＝max(x_i-R)，x_max＝min(x_i+R)；

y_min＝max(y_i-R)，y_max＝min(y_i+R)；

z_min＝max(z_i-R)，z_max＝min(z_i+R)；

(x_i，y_i，z_i)为步骤d)中所选择的4个信标信息中第i个的坐标，i∈(1，2，3，4)；

g).产生粒子群，随机产生N个粒子，设X_j＝(x_j1，x_j2，x_j3)、V_j＝(v_j1，v_j2，v_j3)分别是第j个粒子的当前位置与飞行速度；h).求取个体最佳位置，设P_j＝(v_j1，v_j2，v_j3)是第j个粒子所经历的最佳位置，即使目标函数取最小值时的坐标值；P_j通过公式(4)进行求取：

$P_j(t+1)=\left\{\begin{array}{cc}{P}_j\left(t\right)& \begin{array}{cc}if& f\left(X_j\right(t+1\left)\right)\≥f\left(P_j\right(t\left)\right)\end{array}\\ X_j(t+1)& otherwise\end{array}\right.---\left(4\right)$

其中，t为迭代次数，为正整数；随机粒子群优化的进化方程X_j(t+1)为：

$\begin{array}{c}{V}_i(t+1)=c_1{r}_1(P_i-X_i(t\left)\right)+c_2{r}_2(P_g-X_i(t\left)\right)\\ X_i(t+1)=X_i\left(t\right)+V_i(t+1)\end{array}---\left(5\right)$

其中c₁、c₂是加速常数，r₁、r₂是在(0,1)内均匀分布且相互独立的随机变量；i).求取全局最佳位置，根据步骤h)中获取的单个粒子的最佳位置，求取所有粒子所经历过的最好位置P_g(t)，即全局最佳位置；

P_g(t)＝argmin{f(P_j(t))|j＝1，2，3，...，N}(6)

其中，函数表达式argmin{}为使目标函数取最小值的P_j(t)的坐标值；j).全局最佳位置的判断，判断步骤i)中获取的全局最佳位置所对应的目标函数值，是否小于或等于给定的阈值δ，如果小于或等于δ，则执行步骤l)；如果大于δ，则执行步骤k)；k).求取新的P_j、P_g，通过产生新的粒子或采用对公式(5)对粒子进行进化，求取新的P_j、P_g，重新执行步骤j)，以避免目标函数陷入局部最优；l).获取估算位置，全局最佳位置即为该传感器节点的估算位置。

本发明的面向三维无线传感网的采用移动锚节点的定位方法，步骤c)中所述的信标信息的接收通过以下步骤来实现：c-1).节点被唤醒，传感器节点接收到移动锚节点广播的第一个信标信息时被唤醒，并存储第一个信标信息；c-2).设定生存时间，设置生存时间自传感器节点最近接收到信标信息时刻起，生存时间TTL每隔1秒进行减1操作；其中，α是一个预定义常数；c-3).判断是否继续等待接收信标信息，判断TTL＞0是否成立，如果成立，则继续保持唤醒状态，在接收到信标信息后，保存该信标信息，并重置并按步骤c-2)进行减1操作；如果不成立，则执行步骤d)。

本发明的面向三维无线传感网的采用移动锚节点的定位方法，步骤d)中所述的信标信息的选取通过以下方法来实现：

d-1).查找最近信标信息，传感器节点通过计算其与移动锚节点发送信标信息时的距离，查找出距离传感器节点最近的信标信息的编号，设其编号为m；d-2).处理最近的信标信息的序号，令集合Δ＝{m}，令n＝8×index-7；为对取整；d-3).选取信标信息，判断编号为m的信标信息与编号为n的信标信息之间的距离是否等于s，如果等于s，则令Δ＝Δ∪{n}；并令n＝n+1，执行步骤d-4)；d-4).判断选取是否完毕，判断n＞8×index是否成立，如果不成立，则跳转执行步骤d-3)；如果成立，则最佳信标信息的选取结束。

本发明的面向三维无线传感网的采用移动锚节点的定位方法，步骤k)中所述的求取新的P_j、P_g通过以下步骤来实现：k-1).令j的初始值为1，判断第j个粒子的个体最佳位置P_j与全局最佳位置P_g是否相同，如果相同，则执行步骤k-2)；如果不相同，则执行步骤k-3)；k-2).重新产生粒子，传感器节点重新产生具有初始位置坐标和飞行速度的粒子，对当前的粒子j进行替换，执行步骤k-4)；k-3).对粒子进行进化，传感器节点通过公式(5)对当前粒子进行进化，执行步骤k-4)；k-4).判断粒子数目，首先令j＝j+1，然后判断j≤N是否成立，如果成立，则跳转执行步骤k-1)；如果不成立，则执行步骤k-5)；k-5).重新计算P_j、P_g，通过公式(4)和公式(6)分别计算出最新获取的N个粒子在搜索空间内的个体最佳位置和全局最佳位置，执行步骤j)。

本发明的面向三维无线传感网的采用移动锚节点的定位方法，所述粒子群优化算法中，粒子的数目N取40，迭代次数t＝500，加速常数c₁＝c₂＝2.0，阈值δ＝10^-3。

本发明的有益效果是：本发明的面向三维无线传感网的采用移动锚节点的定位方法，首先利用移动锚节点沿希尔伯特曲线运动并在拐点处广播信标信息，然后通过选取的信标信息建立传感器节点估算坐标的目标函数，最后采用随机粒子群优化方法，获取传感器节点的最佳估算坐标；不仅实现了对无线传感器网络中各节点的准确定位，而且整个计算方法简单，耗能低，适于传感器节点采用；同时还有效实现了网络节点定位精度与能耗的均衡。

本发明的采用移动锚节点的定位方法的优点主要体现在以下几个方面：

1)采用移动锚节点代替静止锚节点，极大降低了无线传感器网络的部署成本；

2)通过使用移动锚节点遍历整个网络部署区域，可以使得每个普通的传感器节点直接利用锚节点所提供的参考信息进行定位，从而极大提高定位精度；

3)粒子群优化算法易于硬件实现，而且计算复杂性较低，对无线传感器网络的适用性更强；

4)通过采取随机粒子群优化算法代替标准粒子群优化算法，提高了定位精度，降低了算法复杂性，防止了定位算法陷入局部最优；

5)采用希尔伯特曲线对网络部署区域进行遍历，既可保证所有传感器节点被定位，也可保证所广播的定位参考信息(即信标信息)不共面、不重复；

6)定位过程中，传感器节点只有在接收信标信息及位置估算过程中是唤醒状态，其余时间处于休眠状态，从而尽可能降低定位能耗；

7)该方法仅利用4个最佳的不共面信标信息进行定位，进一步降低了算法复杂性。

附图说明

图1中，图a、图b分别为1阶和2阶希尔伯特曲线在空间内的走向和拐点编号的结构示意图；

图2为移动锚节点所广播的信标信息的格式；

图3为本发明中利用随机粒子群优化估算传感器节点位置的流程；

图4为本发明提出的定位方法与现有方法的结果比较图；

图5为希尔伯特曲线上相邻两拐点之间的距离s的求取原理图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

本发明的面向三维无线传感网的采用移动锚节点的定位方法，通过以下步骤来实现：

a).部署移动锚节点，在待定位的无线传感器网络中部署可进行移动的锚节点；

b).广播信标信息，移动锚节点以速度v沿希尔伯特曲线对整个网络进行遍历，并且在希尔伯特曲线的拐点处广播信标信息；按顺序对希尔伯特曲线的拐点按照1，2，3，…进行编号，广播的信标信息包括广播信标信息时移动锚节点的坐标、信标信息编号、测距信息；希尔伯特曲线上相邻两拐点之间的距离s满足不等式(1)：

$s\≤\sqrt{\frac{4}{11}}R---\left(1\right)$

其中，R为设移动锚节点的通信半径；

如图1所示，给出了1阶和2阶希尔伯特曲线在空间内的走向和拐点编号的结构示意图，按照希尔伯特曲线的走向，在每个拐点处进行依次编号；移动锚节点运动至每个拐点处时均进行广播信标信息；如图2所示，给出了移动锚节点所广播的信标信息的格式，传感器节点获取信标信息后，可计算传感器节点与广播信标信息时移动锚节点之间的距离。

如图5所示，给出了希尔伯特曲线上相邻两拐点之间的距离s的求取原理图，当位于O、O1、O2、O3、O4、O5、O6、O7这8个位置上的节点能够被定位时，立方体内的所有节点都可被定位，而且上述8个位置是对称的，所以只需证明位于位置O的节点可以被定位即可。

设dist(A,B)表示三维空间中A、B两点之间的距离，那么显然有：

dist(O,6)<dist(O,3)＝dist(O,5)＝dist(O,7)<dist(O,2)＝dist(O,4)

＝dist(O,8)<dist(O,1)。从而，位于O的节点可以被定位当且仅当dist(O,3)≤R，而dist(O,3)＝所以：

c).信标信息的接收，传感器节点接收移动锚节点发送的信标信息；

该步骤可以通过以下的方法来实现：

c-1).节点被唤醒，传感器节点接收到移动锚节点广播的第一个信标信息时被唤醒，并存储第一个信标信息；

c-2).设定生存时间，设置生存时间自传感器节点最近接收到信标信息时刻起，生存时间TTL每隔1秒进行减1操作；其中，α是一个预定义常数；

c-3).判断是否继续等待接收信标信息，判断TTL＞0是否成立，如果成立，则继续保持唤醒状态，在接收到信标信息后，保存该信标信息，并重置并按步骤c-2)进行减1操作；如果不成立，则执行步骤d)。

TTL进行减1操作，当TTL被减至小于或等于0时，说明传感器节点不能再接收到移动锚节点广播的信标信息，传感器节点进入信标信息的选取步骤。

d).信标信息的选取，传感器节点从接收的信标信息中，选择出4个不共面的信标信息；该步骤可以通过以下的方法来实现：

d-1).查找最近信标信息，传感器节点通过计算其与移动锚节点发送信标信息时的距离，查找出距离传感器节点最近的信标信息的编号，设其编号为m；

d-2).处理最近的信标信息的序号，令集合Δ＝{m}，令n＝8×index-7；为对取整；

d-3).选取信标信息，判断编号为m的信标信息与编号为n的信标信息之间的距离是否等于s，如果等于s，则令Δ＝Δ∪{n}；并令n＝n+1，执行步骤d-4)；

d-4).判断选取是否完毕，判断n＞8×index是否成立，如果不成立，则跳转执行步骤d-3)；如果成立，则最佳信标信息的选取结束。

步骤d-2)中，通过令n＝8×index-7，即可在最近的编号m的前后进行信标信息的选取。例如，在图1中，如果经判断，在编号5出发送的信标信息距离传感器节点的距离最近，则n的初始值n＝8×index-7＝1，故其是从编号为1的节点进行判断，一直判断到编号为8的节点；步骤d-3)中又限定选取的节点需满足与最近的节点之间的距离为s，对于标号为5的节点来说，与其距离为s的节点为4、6、8节点，故最终获得的集合Δ＝{4，5，6，8}，同时又保证了获得的4个节点4、5、6、8不在同一平面内。

e).建立目标函数，建立如公式(2)所示的粒子群优化算法的目标函数：

$f(\tilde{x},\tilde{y},\tilde{z})=\frac{1}{4}\underset{i=1}{\overset{4}{\&Sigma;}}{\left(\sqrt{{(\tilde{x}-x_i)}^2+{(\tilde{y}-y_i)}^2+{(\tilde{z}-z_i)}^2}-d_i)\right)}^2---\left(2\right)$

其中，为待定位的传感器节点的估算坐标，(x_i，y_i，z_i)为步骤d)中所选择的4个信标信息中第i个的坐标，d_i是传感器节点测得的与第i个信标信息的距离；i∈(1，2，3，4)；

f).建立搜索空间，设定如公式(3)所示的粒子群优化算法中的粒子搜索空间space：

space＝[x_min，x_max]×[y_min，y_max]×[z_min，z_max](3)

其中，x_min＝max(x_i-R)，x_max＝min(x_i+R)；

y_min＝max(y_i-R)，y_max＝min(y_i+R)；

z_min＝max(z_i-R)，z_max＝min(z_i+R)；

(x_i，y_i，z_i)为步骤d)中所选择的4个信标信息中第i个的坐标，i∈(1，2，3，4)；

g).产生粒子群，随机产生N个粒子，设X_j＝(x_j1，x_j2，x_j3)、V_j＝(v_j1，v_j2，v_j3)分别是第j个粒子的当前位置与飞行速度；

h).求取个体最佳位置，设P_j＝(v_j1，v_j2，v_j3)是第j个粒子所经历的最佳位置，即使目标函数取最小值时的坐标值；P_j通过公式(4)进行求取：

$P_j(t+1)=\left\{\begin{array}{cc}{P}_j\left(t\right)& \begin{array}{cc}if& f\left(X_j\right(t+1\left)\right)\&GreaterEqual;f\left(P_j\right(t\left)\right)\end{array}\\ X_j(t+1)& otherwise\end{array}\right.---\left(4\right)$

其中，t为迭代次数，为正整数；随机粒子群优化的进化方程X_j(t+1)为：

$\begin{array}{c}{V}_i(t+1)=c_1{r}_1(P_i-X_i(t\left)\right)+c_2{r}_2(P_g-X_i(t\left)\right)\\ X_i(t+1)=X_i\left(t\right)+V_i(t+1)\end{array}---\left(5\right)$

其中c₁、c₂是加速常数，r₁、r₂是在(0,1)内均匀分布且相互独立的随机变量；

i).求取全局最佳位置，根据步骤h)中获取的单个粒子的最佳位置，求取所有粒子所经历过的最好位置，即全局最佳位置P_g(t)；

P_g(t)＝argmin{f(P_j(t))|j＝1，2，3，...，N}(6)

其中，函数表达式argmin{}为使目标函数取最小值的P_j(t)的坐标值；

j).全局最佳位置的判断，判断步骤i)中获取的全局最佳位置所对应的目标函数值，是否小于或等于给定的阈值δ，如果小于或等于δ，则执行步骤l)；如果大于δ，则执行步骤k)；

k).求取新的P_j、P_g，通过产生新的粒子或采用对公式(5)对粒子进行进化，求取新的P_j、P_g，重新执行步骤j)，以避免目标函数陷入局部最优；

该步骤可以通过以下的方法来实现：

k-1).令j的初始值为1，判断第j个粒子的个体最佳位置P_j与全局最佳位置P_g是否相同，如果相同，则执行步骤k-2)；如果不相同，则执行步骤k-3)；

k-2).重新产生粒子，传感器节点重新产生具有初始位置坐标和飞行速度的粒子，对当前的粒子j进行替换，执行步骤k-4)；

k-3).对粒子进行进化，传感器节点通过公式(5)对当前粒子进行进化，执行步骤k-4)；

k-4).判断粒子数目，首先令j＝j+1，然后判断j≤N是否成立，如果成立，则跳转执行步骤k-1)；如果不成立，则执行步骤k-5)；

k-5).重新计算P_j、P_g，通过公式(4)和公式(6)分别计算出最新获取的N个粒子在搜索空间内的个体最佳位置和全局最佳位置，执行步骤j)。

l).获取估算位置，全局最佳位置即为该传感器节点的估算位置。

作为一个具体的实施方式，对在100×100×100m³的空间内随机部署的200个传感器节点进行定位，锚节点的通信半径设定为60m，静止锚节点有30个，且传感器节点和静止锚节点均为随机、均匀分布在指定空间中；粒子群优化方法中使用40个粒子，迭代次数t＝500，加速常数c₁＝c₂＝2.0，阈值δ＝10^-3，其结果如图4所示。图4中，SA方法指使用静止锚节点时采用常见的多边测量法进行定位的方法，MA-PSO方法指移动锚节点辅助的标准粒子群优化节点定位方法，MA-SPSO即本文所提出的方法。可见，本发明的面向三维无线传感网的采用移动锚节点的定位方法具有较为精准的定位效果。

Claims (5)

1.一种面向三维无线传感网的采用移动锚节点的定位方法，其特征在于，包括以下步骤：

a).部署移动锚节点，在待定位的无线传感器网络中部署可进行移动的锚节点；

b).广播信标信息，移动锚节点以速度v沿希尔伯特曲线对整个网络进行遍历，并且在希尔伯特曲线的拐点处广播信标信息；按顺序对希尔伯特曲线的拐点按照1,2,3，…进行编号，广播的信标信息包括广播信标信息时移动锚节点的坐标、信标信息编号、测距信息；希尔伯特曲线上相邻两拐点之间的距离s满足不等式(1)：

$s\&le;\sqrt{\frac{4}{11}}R---\left(1\right)$

其中，R为设移动锚节点的通信半径；

c).信标信息的接收，传感器节点接收移动锚节点发送的信标信息；

d).信标信息的选取，传感器节点从接收的信标信息中，选择出4个不共面的信标信息；

e).建立目标函数，建立如公式(2)所示的粒子群优化算法的目标函数：

$f(\tilde{x},\tilde{y},\tilde{z})=\frac{1}{4}\underset{i=1}{\overset{4}{\&Sigma;}}{\left(\sqrt{{(\tilde{x}-x_i)}^2+{(\tilde{y}-y_i)}^2+{(\tilde{z}-z_i)}^2}-d_i)\right)}^2---\left(2\right)$

其中，为待定位的传感器节点的估算坐标，(x_i,y_i,z_i)为步骤d)中所选择的4个信标信息中第i个的坐标，d_i是传感器节点测得的与第i个信标信息的距离；i∈(1,2,3,4)；

f).建立搜索空间，设定如公式(3)所示的粒子群优化算法中的粒子搜索空间space：

space＝[x_min，x_max]×[y_min，y_max]×[z_min×z_max](3)

其中，x_min＝max(x_i-R),x_max＝min(x_i+R)；

y_min＝max(y_i-R),y_max＝min(y_i+R)；

z_min＝max(z_i-R),z_max＝min(z_i+R)；

(x_i,y_i,z_i)为步骤d)中所选择的4个信标信息中第i个的坐标，i∈(1,2,3,4)；

g).产生粒子群，随机产生N个粒子，设X_j＝(x_j1,x_j2,x_j3)、V_j＝(v_j1,v_j2,v_j3)分别是第j个粒子的当前位置与飞行速度；

h).求取个体最佳位置，设P_j＝(v_j1,v_j2,v_j3)是第j个粒子所经历的最佳位置，即使目标函数取最小值时的坐标值；P_j通过公式(4)进行求取：

$P_j(t+1)=\left\{\begin{array}{cc}{P}_j\left(t\right)& \begin{array}{cc}if& f\left(X_j\right(t+1\left)\right)\&GreaterEqual;f\left(P_j\right(t\left)\right)\end{array}\\ X_j(t+1)& otherwise\end{array}\right.---\left(4\right)$

其中，t为迭代次数，为正整数；随机粒子群优化的进化方程X_j(t+1)为：

$\begin{array}{c}{V}_i(t+1)=c_1{r}_1(P_i-X_i(t\left)\right)+c_2{r}_2(P_g-X_i(t\left)\right)\\ X_i(t+1)=X_i\left(t\right)+V_i(t+1)\end{array}---\left(5\right)$

其中c₁、c₂是加速常数，r₁、r₂是在(0,1)内均匀分布且相互独立的随机变量；

i).求取全局最佳位置，根据步骤h)中获取的单个粒子的最佳位置，求取所有粒子所经历过的最好位置，即全局最佳位置P_g(t)；

P_g(t)＝argmin{f(P_j(t))|j＝1,2,3,...,N}(6)

其中，函数表达式argmin{}为使目标函数取最小值的P_j(t)的坐标值；

j).全局最佳位置的判断，判断步骤i)中获取的全局最佳位置所对应的目标函数值，是否小于或等于给定的阈值δ，如果小于或等于δ，则执行步骤l)；如果大于δ，则执行步骤k)；

k).求取新的P_j、P_g，通过产生新的粒子或采用对公式(5)对粒子进行进化，求取新的P_j、P_g，重新执行步骤j)，以避免目标函数陷入局部最优；

l).获取估算位置，全局最佳位置即为该传感器节点的估算位置。

2.根据权利要求1所述的面向三维无线传感网的采用移动锚节点的定位方法，其特征在于，步骤c)中所述的信标信息的接收通过以下步骤来实现：

c-1).节点被唤醒，传感器节点接收到移动锚节点广播的第一个信标信息时被唤醒，并存储第一个信标信息；

c-2).设定生存时间，设置生存时间自传感器节点最近接收到信标信息时刻起，生存时间TTL每隔1秒进行减1操作；其中，α是一个预定义常数；

c-3).判断是否继续等待接收信标信息，判断TTL＞0是否成立，如果成立，则继续保持唤醒状态，在接收到信标信息后，保存该信标信息，并重置并按步骤c-2)进行减1操作；如果不成立，则执行步骤d)。

3.根据权利要求1或2所述的面向三维无线传感网的采用移动锚节点的定位方法，其特征在于，步骤d)中所述的信标信息的选取通过以下方法来实现：

d-1).查找最近信标信息，传感器节点通过计算其与移动锚节点发送信标信息时的距离，查找出距离传感器节点最近的信标信息的编号，设其编号为m；

d-2).处理最近的信标信息的序号，令集合Δ＝{m}，令n＝8×index-7；为对取整；

d-3).选取信标信息，判断编号为m的信标信息与编号为n的信标信息之间的距离是否等于s，如果等于s，则令Δ＝Δ∪{n}；并令n＝n+1，执行步骤d-4)；

d-4).判断选取是否完毕，判断n＞8×index是否成立，如果不成立，则跳转执行步骤d-3)；如果成立，则最佳信标信息的选取结束。

4.根据权利要求1或2所述的面向三维无线传感网的采用移动锚节点的定位方法，其特征在于，步骤k)中所述的求取新的P_j、P_g通过以下步骤来实现：

k-1).令j的初始值为1，判断第j个粒子的个体最佳位置P_j与全局最佳位置P_g是否相同，如果相同，则执行步骤k-2)；如果不相同，则执行步骤k-3)；

k-2).重新产生粒子，传感器节点重新产生具有初始位置坐标和飞行速度的粒子，对当前的粒子j进行替换，执行步骤k-4)；

k-3).对粒子进行进化，传感器节点通过公式(5)对当前粒子进行进化，执行步骤k-4)；

k-4).判断粒子数目，首先令j＝j+1，然后判断j≤N是否成立，如果成立，则跳转执行步骤k-1)；如果不成立，则执行步骤k-5)；

k-5).重新计算P_j、P_g，通过公式(4)和公式(6)分别计算出最新获取的N个粒子在搜索空间内的个体最佳位置和全局最佳位置，执行步骤j)。

5.根据权利要求1或2所述的面向三维无线传感网的采用移动锚节点的定位方法，其特征在于：所述粒子群优化算法中，粒子的数目N取40，迭代次数t＝500，加速常数c₁＝c₂＝2.0，阈值δ＝10^-3。