CN105101090A - 一种环境监测无线传感网的节点定位方法 - Google Patents

Abstract

本发明公开了一种环境监测无线传感网的节点定位方法，将待监测区域划分为若干个正方形的网格，在每个网格的4个顶点上分别部署带有GPS装置的信标节点，相邻的两个信标节点之间的距离为信标节点的无线通信半径；在监测区域内随机部署未知节点；根据未知节点的连通率以及通信范围内检测到信标节点的个数，将待测区域作划分计算出未知节点的坐标。本发明通过无线传感器网络实现各节点之间的通信，无需布线，结构简单，安装维护简便；本发明综合考虑了环境监测中节点分布的各种情况，对监测区域进行了详细的划分，可以应对实际中的各种节点分布情况，实用性强。

Description

一种环境监测无线传感网的节点定位方法

技术领域

本发明涉及环境监测技术领域，特别是一种环境监测无线传感网的节点定位方法。

背景技术

近年来，随着污染日益严重，我国的生态环境越来越差。如何有效地监测环境和治理污染已经成为中国政府和社会各界关注的头等重要的问题。对比传统方法中布置少量环境监测站和人工采样相结合的策略，利用物联网技术构造大规模分布式的环境监测网具有实时性高、成本低、维护简单、智能化程度高等优点，为环境监测提供了一种切实可行的解决方案。在环境监测无线传感网应用中，节点的位置信息对于网络的监测活动显得尤为重要。如果没有准确的监测节点的位置信息，节点采集的环境参数信息便没有实际意义。因此，传感器节点的定位技术成为无线传感网应用的关键技术之一，也是本发明亟待解决的问题。

目前的关于节点的定位方法有很多。在户外环境中使用最广泛的便是GPS定位。但是对于基于嵌入式的微传感器系统设计的监测节点而言，GPS的体积大、价格高、能耗大，难以在大规模分布式的传感网中为每一个节点配备。常见的无线传感网的定位算法可以分为基于测距的定位算法和与距离无关的定位算法。其中，基于测距的定位算法主要包括基于RSSI测距的定位算法、基于TOA的定位算法和基于TDOA的定位算法等等，由于此类算法在定位过程中需要测量节点之间的距离或角度，因此对节点的硬件要求比较高并且受环境的影响较大。无需测距的定位算法的典型代表有质心定位算法和DV-HOP定位算法。此类算法在定位过程中不需要测量节点之间的距离或角度，而是采用节点之间的估算距离来实现节点的定位，因此硬件的实现成本低，但定位的精度较差。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种环境监测无线传感网的节点定位方法，本发明综合考虑了环境监测中节点分布的各种情况，对监测区域进行了详细的划分，可以应对实际中的各种节点分布情况，实用性强。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种环境监测无线传感网的节点定位方法，包括以下步骤：

步骤1、将待监测区域划分为若干个正方形的网格，在每个网格的4个顶点上分别部署带有GPS装置的信标节点，相邻的两个信标节点之间的距离为信标节点的无线通信半径；

步骤2、在监测区域内随机部署未知节点；

步骤3、根据未知节点的连通率以及通信范围内检测到信标节点的个数，将待测区域作如下划分：

301、将每个网格中的区域划分为区域I、区域II和区域III；所述区域I中的未知节点需满足能检测到4个信标节点，区域II中的未知节点需满足能检测到3个信标节点，区域III中的未知节点需满足能检测到2个信标节点；

302、将待测区域中的网格划分为密集分布网格和稀疏分布网格：

所述密集分布网格中至少存在一个分布在区域I或区域II中的未知节点，区域III中若有未知节点，该区域III中的未知节点至少需满足能检测到1个分布在区域I或区域II中的邻居节点；

所述稀疏分布网格中需满足存在孤岛节点，孤岛节点是分布在区域III中的未知节点，且检测不到分布在区域I或区域II中的邻居节点；

步骤4、对处在密集分布网格中区域I和区域II中的未知节点，采用自适应PSO定位算法计算出未知节点的坐标；

步骤5、对于处在密集分布网格中区域III中的未知节点，选择步骤4中已定位的节点作为新的参考信标节点，采用自适应PSO定位算法计算出未知节点的坐标；

步骤6、对于处在稀疏分布网格中的孤岛节点，引入带有GPS的可移动节点并移动至稀疏分布网格的中心位置，将可移动节点作为新的信标节点，采用自适应PSO定位算法计算出孤岛节点的坐标。

作为本发明所述的一种环境监测无线传感网的节点定位方法进一步优化方案，所述步骤6中可移动节点移动至稀疏分布网格的中心位置是采用遗传算法计算出可移动节点在监测区域中移动的最佳路径。

作为本发明所述的一种环境监测无线传感网的节点定位方法进一步优化方案，所述自适应PSO定位算法包括如下步骤：

Step1：设置粒子群的种群大小为num，初始化各粒子的速度和位置；将各粒子当前的历史最优位置p_best设为初始位置；

Step2：计算每个粒子的适应度，选择适应度最小的粒子位置为全局极值g_best；

Step3：更新粒子的速度和位置；

Step4：计算位置更新后每个粒子的适应度，将每一个粒子的更新过的适应度与其历史最优位置p_best所对应的适应度进行比较，如果新的适应度的值小于其历史最优位置p_best所对应的适应度，则将历史最优位置p_best更新为新的适应度所对应的该粒子所在的位置；

Step5：将每一个粒子的更新过的适应度与全体粒子所经历过的最好位置g_best所对应的适应度进行比较，如果新的适应度的值小于最好位置g_best所对应的适应度，则将全局极值g_best更新为新的适应度所对应的该粒子所在的位置；

Step6：当计算得到的适应度没有达到预设的适应度值且循环迭代的次数未达到了预设的最大次数时，跳转至Step3。

作为本发明所述的一种环境监测无线传感网的节点定位方法进一步优化方案，所述Step2中每个粒子的适应度是采用下列公式计算得到：

$f(x_n,y_n)=\stackrel{k}{\underset{i=1}{\Σ}}\frac{{(\sqrt{{(x_n-x_{n,i})}^2+{(y_n-y_{n,i})}^2}-d_{n,i})}^2}{d_{n,i}};$

其中，f(x_n,y_n)为每个粒子的适应度，k为通信范围内的信标节点个数，(x_n，y_n)为未知节点的坐标，(x_n,i，y_n,i)是未知节点的第i个信标节点的坐标，d_n,i是未知节点与其第i个信标节点通过RSSI测距算法测得的距离。

作为本发明所述的一种环境监测无线传感网的节点定位方法进一步优化方案，所述Step3中更新粒子的速度和位置是采用如下方法：

每个粒子根据所经历的历史最优位置p_best和群体所发现的全局极值g_best这两个极值按照以下公式来更新自己的速度和位置：

v_ij(t+1)＝wv_ij(t)+c₁r₁(p_ij-x_ij(t))+c₂r₂(p_gj-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，x_ij(t)为第i个粒子当前时刻在第j维空间的位置，v_ij(t)为第i个粒子当前时刻在第j维空间的速度，x_ij(t+1)是该粒子下一时刻的位置，v_ij(t+1)是该粒子下一时刻的速度，p_ij表示第i个粒子截至到第j维空间循环搜索到的最优位置，p_gj表示第i个粒子截至到第j维空间循环搜索到的全局极值，C₁和C₂为学习因子，r₁和r₂为0到1之间均匀分布的随机数，t为时间，w是惯性权重系数；

$w=\left\{\begin{array}{c}{w}_{min}-\frac{(w_{max}-w_{min})*(f-f_{min})}{f_{avg}-f_{\min }},f\≤f_{avg}\\ w_{max},f\≥f_{avg}\end{array}\right.$

其中，w_max是w的最大值，w_min是w的最小值，f是微粒当前的目标函数值，f_avg是当前所有微粒的平均目标值，f_min是当前所有微粒的最小目标值。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明通过无线传感器网络实现各节点之间的通信，无需布线，结构简单，安装维护简便；

(2)本发明综合考虑了环境监测中节点分布的各种情况，对监测区域进行了详细的划分，可以应对实际中的各种节点分布情况，实用性强；

(3)本发明采用了自适应粒子群算法进行最优化求解来定位未知节点的位置，在增加少量成本的情况下有效的提高了节点定位的精度；

(4)本发明中提出的方法的适用面广，适用性强，稍作修改便可应用于别的应用场合。

附图说明

图1为网格化节点部署示意图。

图2为本发明的定位方法流程图。

图3为基于自适应PSO的定位算法的流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，假设在野外环境中随机部署一些传感器节点，这些传感器节点是静止的，可以分为信标节点和未知节点两类。同时，在环境中还布置少量的可移动节点。信标节点和可移动节点上都装有GPS装置，可准确获得自身的坐标。

在上述构建的无线传感网中，每个传感器节点都配置了一个微控制器和射频收发器。当节点接收到无线信号时，可以通过射频收发器测量出通信半径R内接收到的别的节点信号的RSSI值。这里采用了经典的Shadowing模型。

在传感网的初始化阶段需要对待监测区域进行正方形的网格划分，并将信标节点部署在每个正方形的4个顶点处，如图1所示。图1中的9个信标节点构造了4个网格，分别记为网格1、网格2、网格3和网格4，现以网格1为例进行描述。网格的边长设为节点的通信半径R，则每个信标节点在网格1中的通信范围如图1中所示。

按照未知节点可以检测到的信标节点的个数将网格1又划分为区域I、区域II和区域III。区域I中的未知节点可以检测到4个信标节点，区域II中的未知节点可以检测到的信标节点的个数为3个，而区域III中未知节点则只能检测到2个信标节点。根据网格区域内未知节点的分布情况以及网络的覆盖率、连通率两项重要指标，将网格所覆盖区域分为密集分布网格和稀疏分布网格，分别定义如下：

密集分布网格：一定会出现分布在区域I和区域II中的未知节点。若出现分布在区域III的未知节点，规定该未知节点必须可以在通信范围内检测到至少1个分布在区域I或区域II中的邻居节点。

稀疏分布网格：可能会出现分布在在区域I和区域II中的未知节点，一定会出现分布在区域III中的“孤岛节点”，并作如下定义。处于区域III的未知节点无法在通信范围内监测到分布在区域I或区域II中的邻居节点，则称这类节点为“孤岛节点”。

如图2所示，本发明提出的定位方法的流程：

Step1：将待监测区域按正方形的网格进行初始化划分，把配置了GPS装置的信标节点部署在正方形的4个顶点。相邻的两个信标节点之间的距离设为R，R为节点的无线通信半径，每个信标节点可以借助GPS获得自身的精确坐标。

Step2：部署待定位的未知节点。未知节点将收到自身的无线通信半径R所覆盖区域内的信标节点的RSSI值，根据基于RSSI的测距算法得到与各个信标节点之间的距离的近似值。

Step3：根据未知节点的连通率以及通信范围内可以检测到的信标节点的个数，将覆盖区域按照图1所示作相关的定义和划分。

Step4：对于处在密集分布网格中区域I和区域II中的未知节点，运用自适应PSO定位算法计算出未知节点的坐标。

Step5：对于处在密集分布网格中区域III中未知节点，选择Step4中已定位的节点作为新的参考信标节点。判断更新后的信标节点的个数，满足大于或等于3的条件时运用自适应PSO定位算法进行定位。

Step6：如果未知节点是处于稀疏分布网格中的孤岛节点，引入配置了GPS的可移动节点进行辅助定位。运用遗传算法计算出可移动节点在网络中移动的最佳路径。自适应可移动节点按照计算出的路径移动到稀疏分布网格的中心位置后作为新的信标节点运用自适应PSO定位算法进行定位。

上述的定位算法中的定位误差的定义：

在实际测量时未知节点与信标节点之间的测量距离误差是必然存在的，可以表示为公式(1)：

$f(x_n,y_n)=\stackrel{k}{\underset{i=1}{\Σ}}{(\sqrt{{(x_n-x_{n,i})}^2+{(y_n-y_{n,i})}^2}-d_{n,i})}^2---\left(1\right)$

其中，(x_n，y_n)为未知节点的坐标，(x_n,i，y_n,i)是未知节点的第i个信标节点的坐标，d_n,i是U_n与其第i个信标节点S_i通过RSSI测距算法测得的距离。

为了降低累积定位误差，可以将误差方程改写为公式(2)：

$f(x_n,y_n)=\stackrel{k}{\underset{i=1}{\Σ}}\frac{{(\sqrt{{(x_n-x_{n,i})}^2+{(y_n-y_{n,i})}^2}-d_{n,i})}^2}{d_{n,i}}---\left(2\right)$

其中，f(x_n,y_n)为每个粒子的适应度，k为通信范围内的信标节点个数，(x_n，y_n)为未知节点U_n的坐标，(x_n,i，y_n,i)是未知节点U_n的第i个信标节点S_i的坐标，d_n,i是U_n与其第i个信标节点S_i通过RSSI测距算法测得的距离。

上述的基于自适应PSO的定位算法的描述：

分布在密集分布网格中的未知节点(以图1中的网格1为例)按照其通信范围内感知的信标节点个数可以分为两种，第一种未知节点分布在区域I或区域II中，其检测到的信标节点个数至少为3个，第二种未知节点分布在区域III中，其检测到的信标节点个数少于3个。对于第一种未知节点，传统解决方法采用极大似然估计法求解多边测量问题。但是由于采用极大似然估计法受测量误差的影响较大并且计算复杂度较高，本发明提出了基于自适应粒子群优化算法来求解一个最优化问题进行定位。

粒子群优化算法(ParticleSwarmOptimization,PSO)作为一种可以模拟群体智能行为的优化算法，对目标函数初始化一组随机解，将每个个体解视为一个粒子。在每次迭代中，每个粒子根据所经过的最佳位置p_best和群体所发现的最佳位置g_best这两个极值按照公式(3)和公式(4)来更新自己的速度和位置：

v_ij(t+1)＝wv_ij(t)+c₁r₁(p_ij-x_ij(t))+c₂r₂(p_gj-x_ij(t))(3)

x_ij(t+1)＝x_ij(t)+v_ij(t+1)(4)

其中，x_ij(t)为第i个粒子当前时刻在第j维空间的位置，v_ij(t)为第i个粒子当前时刻在第j维空间的速度，x_ij(t+1)是该粒子下一时刻的位置，v_ij(t+1)是该粒子下一时刻的速度，p_ij表示第i个粒子截至到第j维空间循环搜索到的最优位置，p_gj表示第i个粒子截至到第j维空间循环搜索到的全局极值，C₁和C₂为学习因子，r₁和r₂为0到1之间均匀分布的随机数，t为时间，w是惯性权重系数；

$w=\left\{\begin{array}{c}{w}_{min}-\frac{(w_{max}-w_{min})*(f-f_{min})}{f_{avg}-f_{\min }},f\≤f_{avg}\\ w_{max},f\≥f_{avg}\end{array}\right.---\left(5\right)$

其中，w_max是w的最大值，w_min是w的最小值，f是微粒当前的目标函数值，f_avg是当前所有微粒的平均目标值，f_min是当前所有微粒的最小目标值。

此处将公式(2)为作为基于自适应PSO的定位算法当中的适应度函数，此时便将对未知节点的坐标的求解问题转换为了求解适应度函数的最小极值的求解问题。

如图3所示，上述的基于自适应PSO的定位算法的计算过程：

Step1：设置粒子群的种群大小为num，初始化各粒子的速度和位置；将各粒子当前的历史最优位置p_best设为初始位置；

Step2：计算每个粒子的适应度，选择适应度最小的粒子位置为全局极值g_best；

Step3：更新粒子的速度和位置；

Step4：计算位置更新后每个粒子的适应度，将每一个粒子的更新过的适应度与其历史最优位置p_best所对应的适应度进行比较，如果新的适应度的值小于其历史最优位置p_best所对应的适应度，则将历史最优位置p_best更新为新的适应度所对应的该粒子所在的位置；

Step5：将每一个粒子的更新过的适应度与全体粒子所经历过的最好位置g_best所对应的适应度进行比较，如果新的适应度的值小于最好位置g_best所对应的适应度，则将全局极值g_best更新为新的适应度所对应的该粒子所在的位置；

Step6：当计算得到的适应度没有达到预设的适应度值且循环迭代的次数未达到了预设的最大次数时，跳转至Step3。

对于上述分布在图1的网格1中的区域III内的未知节点，无法采用前面所述的方法进行准确定位，此时需要借助前一阶段已定位节点的帮助，将未知节点的通信范围内已定位的节点视作新的信标节点，参与到未知节点的定位过程中。如此反复执行，直至将全部的未知节点定位完毕。

上述的移动节点辅助定位方法的描述：

未知节点往往采用随机抛洒的方式进行部署，因此有可能会造成如图1中网格3所示的稀疏分布网格中的孤岛节点的情况。对于孤岛节点，无法利用之前的方法进行有效定位，于是需要借助移动节点进行辅助定位。为了简化起见，将可移动节点移动至未知孤岛节点所在的稀疏分布网格的中心作为一个新的临时的信标节点，可以确保在孤岛节点的通信范围内可以检测到3个信标节点，可以利用之前的基于自适应PSO的定位算法进行定位。如果在监测区域内存在的孤岛节点较多，那么我们希望移动节点能够选择一条最佳路径依次移动至各个需要定位的孤岛节点所在的稀疏分布网格的中心，于是移动节点的最佳路径的计算问题可以转化为一个典型的旅行商问题来求解。这里采用了遗传算法来进行求解。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的实质精神所引伸出的显而易见的变化或变动仍属于本发明的保护范围。

Claims (5)

1.一种环境监测无线传感网的节点定位方法，其特征在于，包括以下步骤：

步骤1、将待监测区域划分为若干个正方形的网格，在每个网格的4个顶点上分别部署带有GPS装置的信标节点，相邻的两个信标节点之间的距离为信标节点的无线通信半径；

步骤2、在监测区域内随机部署未知节点；

步骤3、根据未知节点的连通率以及通信范围内检测到信标节点的个数，将待测区域作如下划分：

301、将每个网格中的区域划分为区域I、区域II和区域III；所述区域I中的未知节点需满足能检测到4个信标节点，区域II中的未知节点需满足能检测到3个信标节点，区域III中的未知节点需满足能检测到2个信标节点；

302、将待测区域中的网格划分为密集分布网格和稀疏分布网格：

所述密集分布网格中至少存在一个分布在区域I或区域II中的未知节点，区域III中若有未知节点，该区域III中的未知节点至少需满足能检测到1个分布在区域I或区域II中的邻居节点；

所述稀疏分布网格中需满足存在孤岛节点，孤岛节点是分布在区域III中的未知节点，且检测不到分布在区域I或区域II中的邻居节点；

步骤4、对处在密集分布网格中区域I和区域II中的未知节点，采用自适应PSO定位算法计算出未知节点的坐标；

步骤5、对于处在密集分布网格中区域III中的未知节点，选择步骤4中已定位的节点作为新的参考信标节点，采用自适应PSO定位算法计算出未知节点的坐标；

步骤6、对于处在稀疏分布网格中的孤岛节点，引入带有GPS的可移动节点并移动至稀疏分布网格的中心位置，将可移动节点作为新的信标节点，采用自适应PSO定位算法计算出孤岛节点的坐标。

2.根据权利要求1所述的一种环境监测无线传感网的节点定位方法，其特征在于，所述步骤6中可移动节点移动至稀疏分布网格的中心位置是采用遗传算法计算出可移动节点在监测区域中移动的最佳路径。

3.根据权利要求1所述的一种环境监测无线传感网的节点定位方法，其特征在于，所述自适应PSO定位算法包括如下步骤：

Step1：设置粒子群的种群大小为num，初始化各粒子的速度和位置；将各粒子当前的历史最优位置p_best设为初始位置；

Step2：计算每个粒子的适应度，选择适应度最小的粒子位置为全局极值g_best；

Step3：更新粒子的速度和位置；

Step4：计算位置更新后每个粒子的适应度，将每一个粒子的更新过的适应度与其历史最优位置p_best所对应的适应度进行比较，如果新的适应度的值小于其历史最优位置p_best所对应的适应度，则将历史最优位置p_best更新为新的适应度所对应的该粒子所在的位置；

Step5：将每一个粒子的更新过的适应度与全体粒子所经历过的最好位置g_best所对应的适应度进行比较，如果新的适应度的值小于最好位置g_best所对应的适应度，则将全局极值g_best更新为新的适应度所对应的该粒子所在的位置；

Step6：当计算得到的适应度没有达到预设的适应度值且循环迭代的次数未达到了预设的最大次数时，跳转至Step3。

4.根据权利要求3所述的一种环境监测无线传感网的节点定位方法，其特征在于，所述Step2中每个粒子的适应度是采用下列公式计算得到：

$f(x_n,y_n)=\stackrel{k}{\underset{i=1}{\Σ}}\frac{{(\sqrt{{(x_n-x_{n,i})}^2+{(y_n-y_{n,i})}^2}-d_{n,i})}^2}{d_{n,i}};$

其中，f(x_n,y_n)为每个粒子的适应度，k为通信范围内的信标节点个数，(x_n，y_n)为未知节点的坐标，(x_n,i，y_n,i)是未知节点的第i个信标节点的坐标，d_n,i是未知节点与其第i个信标节点通过RSSI测距算法测得的距离。

5.根据权利要求3所述的一种环境监测无线传感网的节点定位方法，其特征在于，所述Step3中更新粒子的速度和位置是采用如下方法：

每个粒子根据所经历的历史最优位置p_best和群体所发现的全局极值g_best这两个极值按照以下公式来更新自己的速度和位置：

v_ij(t+1)＝wv_ij(t)+c₁r₁(p_ij-x_ij(t))+c₂r₂(p_gj-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，x_ij(t)为第i个粒子当前时刻在第j维空间的位置，v_ij(t)为第i个粒子当前时刻在第j维空间的速度，x_ij(t+1)是该粒子下一时刻的位置，v_ij(t+1)是该粒子下一时刻的速度，p_ij表示第i个粒子截至到第j维空间循环搜索到的最优位置，p_gj表示第i个粒子截至到第j维空间循环搜索到的全局极值，C₁和C₂为学习因子，r₁和r₂为0到1之间均匀分布的随机数，t为时间，w是惯性权重系数；

$w=\left\{\begin{array}{c}{w}_{min}-\frac{(w_{max}-w_{min})*(f-f_{min})}{f_{avg}-f_{\min }},f\≤f_{avg}\\ w_{max},f\≥f_{avg}\end{array}\right.$

其中，w_max是w的最大值，w_min是w的最小值，f是微粒当前的目标函数值，f_avg是当前所有微粒的平均目标值，f_min是当前所有微粒的最小目标值。