CN106851820A - 一种井下无线传感网络的定位方法 - Google Patents

Abstract

本发明涉及一种基于优化的差分进化算法的井下无线传感网络的定位方法。它解决因井下环境突变导致定位精度变差的问题。其技术方案是：该定位方法为，先利用ME‑VFA算法对井下节点进行最大效率化的节点布置，先对各节点的位置进行调试，再根据各节点所受的合力确定节点的最大化感知区域覆盖度与门限值；然后再采用AOA技术进行初步定位，根据未知节点到达各辅节点的角度信息，计算信号到达的角度，保存自身位置坐标；最后利用差分进化法进行精确定位，将初始位置经历变异、交叉、选择等过程解得未知节点坐标。本发明方法改善了网络的有效覆盖性和连通性，节省了节点的能量；本定位方法提高了井下定位覆盖度和定位精度，增加了节点布置的科学性。

Description

一种井下无线传感网络的定位方法

技术领域

本发明涉及一种基于优化的差分进化算法的井下无线传感网络的定位方法，适用于无线传感器网络定位技术领域。

背景技术

近年来，我国的矿井安全事故发生频繁，各种恶性事故不断发生，造成了巨大的经济损失和人员伤亡。现有的井下定位系统大多是采用基于RFID(Radio FrequencyIdentification)射频识别技术的定位系统，这种系统大都存在定位精度不够、精度受成本限制等问题。在国外，一般是利用红外等无线方式经过泄漏电缆传输到地面，通过地面计算机对接受的数据处理，对井下人员进行定位。煤炭科学研究总院研制过失踪人员寻找仪，主要是寻找事故发生后的人员位置，搜寻范围在十几米以内，尚无法对下井人员的井下全方位跟踪定位。

文献：一种基于自适应RSSI测距模型的无线传感器网络定位方法(传感技术学报：2015Vol.28No.1：138-141)提出基于自适应RSSI测距模型的定位方法，对不同环境具有一定自适应性，但是基于RSSI定位方法在井下使用时更容易受到墙壁、地面等一些障碍物影响，导致测量结果不准确。文献：基于遗传算法的WSN节点定位技术(计算机工程：2010Vol.36No.10：85-87)提出通过遗传算法对初始位置进行优化，然而这种算法随着测距误差累积定位精度将变差。无线传感网节点在移动时需执行相关的通信、计算和位置移动，是一个非常消耗能量的过程，并且每个节点的能量有限，部署算法在设计时应当尽量让节点在部署过程中的能耗最小。针对无线传感器网络能量受限在配置问题带来的问题和挑战，对具有移动能力的传感器节点组成的移动无线传感器网络引入概率移动机制，应用能量有效的虚拟力算法(ME-VFA，movement efficient-virtual force algorithm)，以在保证网络的有效覆盖性和连通性上，节省节点的能量，延长网络的生命周期。

发明内容

本发明的目的是：为了解决因井下环境突变导致定位精度差的问题，提供一种能够针对矿井环境下节能的高精度无线传感网定位方法。本发明先利用ME-VFA算法对井下无线传感网节点进行合理的布置，达到节点的最优布置，最大程度的利用各节点资源；然后再采用AOA技术进行初步定位；最后利用优化的差分进化算法进行精确定位。

为了达到上述目的，本发明采用以下技术方案：

本系统由井下传感网系统、工人携带移动节点模块、上位机监控系统三大板块组成，其中井下传感网由已知坐标信息的一定数量的固定传感器模块和ZigBee模块组成，构成无线传感网信标节点(锚节点)；本定位测试方法为：通过移动节点模块(未知节点)传送的唤醒信号使处于通信范围内的锚节点由休眠状态置于唤醒状态，随之，锚节点接收到未知节点传来的方位信号，对移动未知节点进行坐标计算，并由锚节点中的中央处理器进行处理后通过ZigBee无线通信技术传入上位机中进行未知移动坐标的位置显示，上位机可实现双向数据传输，实现整个无线网络与上位机监控软件交互。该定位方法的具体步骤为：

1、利用ME-VHA算法对井下节点进行最大效率化的锚节点布置，先根据井下环境进行等间距锚节点布置，间距值取决于锚节点的最佳通讯距离，完成等间距布置后，再计算各个传感器节点之间的欧式距离d_ij、节点到障碍物之间的距离d_io；然后根据d_ij、d_io确定某节点i所受其他单一节点的力

ω_A为系数，根据不同障碍物、节点系数有差异，由查表可得；d_th为传感器工作距离的1.7倍值；a_ij为节点i与节点j的夹角值；所受合力由各节点所受合力的不同，首先对节点位置进行移动，通过计算各点合力相等，确定出各节点的移动距离与移动角度L_n、θ_n；然后由于各节点的能量存在差异，通过节点能量值与平均能量值相比较，得到该节点的移动概率p_i，即根据各节点的能量值E_i确定出移动概率其中根据求得，最终移动距离L＝p_i×L_n求得；接着对每个传感器节点的感知概率进行计算，S_i(p_j)根据所选概率模型S_i(p_j)确定，例如0～1模型：

式中λ、β为衰减系数；最后为保证所求移动值的准确性，再对所求值进行检验验证，判断感知覆盖率与门限值C_(th)的大小，若则符合要求，否则从计算节点合力开始重新进行节点移动值计算；

2、第二步再采用AOA技术进行初步定位：先由节点布置方法确定各已知节点坐标(x_i,y_i)，且每个已知节点可被随机唤醒，用于未知节点的监测；随后，井下人员携带移动节点在井下移动并发送唤醒指令，锚节点接收到唤醒信号就被唤醒，由传感器模块测出角度信息，根据未知节点到达各锚节点的角度信息，若未知节点出现，当前唤醒节点m(x_m,y_m)可计算出未知节点发出信号到达的相应于x轴方向的角度，记为α，并将本数据保存为(x_m,y_m，α)；然后所有布置节点依次被唤醒，并保存自身位置坐标及角度信息，同第一个被唤醒节点格式；再根据相邻两个锚节点m(x_m,y_m，α)，n(x_n,y_n，β),根据夹角射线原理有： 再将其他多个未知节点的相邻两锚节点进行组合，可得到未知节点的初始估计值(x_x，y_x)：最后将多个锚节点两两一组进行组合，重复以上步骤即可测得多组数据，记为(x_x,y_y)＝H_i(x_xi,y_yi)；3、第三步，以第二步得到的多组估计值作为初步定位值，完成初始化；再利用未知节点与锚节点的距离得到变量界限A和B，对初始解加入标准正态分布N(0,l)来实现种群的初始化(D＝2)：

X_1i,0＝rand[0,N(0,1)(B-A)](B-A)+H_ix_xi

X_2i,0＝rand[0,N(0,1)(B-A)](B-A)+H_iy_yi

X_1i,0，X_2i,0是种群变量,再在初始化产生差变量的基础上，产生一扰动量去获得最佳解：

F∈[0,2]为一个缩放因子，作用是对差向量产生扰动,v_i,G+1为第G代种群中的第r1个个体，i≠r1≠r2≠r3，G为进化代数；然后利用差分进化法进行精确定位，先对目标函数最佳值搜寻,采用交叉机制来进行每一代的演进，尝试向量u_i,G+1如下：

u_i,G+1＝(u_1i,G+1，u_2i,G+1，……u_Di,G+1)

当rand(j)≤CR时，u_ji,G+1＝v_1i,G+1；

当rand(j)＞CR时，x_ji,G+1＝v_1i,G+1；

(i＝l,2…,NP；j＝l,2,…D)

上式中rand(j)生成O至l之间随机数发生器的第j个估计值，CR为交叉算子,CR∈[O，l]，经过G步迭代可求得未知节点的最优解；最后将最优解对应的坐标信息作为目标未知节点的定位坐标，然后升级该节点为已定位节点,广播该节点的坐标,以实现迭代循环来协助定位其他未知节点，本方法中每个节点设置了泛洪控制变量,当达到泛洪控制条件时所有节点不再广播消息，方法结束，获得最终未知节点坐标信息(x_x,y_x)。

本发明的有益效果是：(1)通过基于能量有效的虚拟力算法优化定位锚节点布置，避免了节点的盲目布置；(2)本发明改善了网络的有效覆盖性和连通性，节省了节点的能量，延长了网络的生命周期，发挥了网络的作用；(3)本发明也提高了井下定位覆盖度和定位精度，增加了节点布置的科学性与合理性。

附图说明：

图1是本发明具体实施井下无线传感器网络定位系统的工作原理总示意图；

图2是实施基于节点最优布置位置选择方法的流程图；

图3是本发明节点定位坐标过程的流程图；

图4是本发明测试数据初始坐标和优化后坐标的对比图。

具体实施方式：

下面结合附图1、2、3、4对本发明所述定位方法做进一步说明。

1、结合附图1，该定位方法的总体步骤为：首先，在节点布置固定前，预先对各节点的位置进行调试。先将各节点按照随机原则进行布置，再根据此位置算出各节点所受的合力来确定传感器移动以及矿工所携带移动节点的最大化感知区域覆盖度，然后将算法迭代执行使覆盖度达到门限值，再借助虚拟移动传感器，确定最终位置，最后利用移动传感器，完成节点布置；然后利用角度(AOA)进行初步定位，根据未知节点到达各锚节点的角度信息，若未知节点出现，当前唤醒节点m(x_m,y_m)可计算出未知节点发出信号到达的相对于X轴方向的角度，所有布置节点依次被唤醒，并保存自身位置坐标及角度信息，最后采用AOA定位方法，取相邻两个锚节点m(x_m,y_m，α)，n(x_n,y_n，β),再由夹角射线原理联立解得未知节点的初始估计值(x_x，y_x)，并将多个锚节点两两一组进行组合，重复以上步骤即可测得多组数据，从而求得未知节点的估计坐标值(x_x,y_y)；最后将初始位置(x_x,y_y)作为改进差分进化算法的初始解来初始化种群，经历变异、交叉、选择等过程，解得未知节点坐标。

2、结合附图2，说明了本发明实例提供的基于节点最优布置方法中，位置选择的实现过程为：首先计算各个锚节点之间和与障碍最近点、目标最近点的距离，并在实际环境中测得所需距离值，再根据求得的欧式距离求得节点所受的合力(向量)同时获取节点的移动距离和移动角度，接着根据当前锚节点的能量值计算移动概率并对节点进行移动处理以保证定位覆盖率尽量高，最终移动值采用下述方法测得：每个锚节点依据自身能量取不同移动概率：其对应的移动距离为：X＝X₁+X_d*P_i，Y＝Y₁+Y_d*P_i；计算每个传感器的感应概率C(P_j)，确定出锚节点传感器的感应模型为概率模型，将其进行概率角度的描述为以下三种情况：

(1)移动节点与锚节点之间间距大于移动节点信号发射半径r1与锚节点感应半径r2之和时，感应概率为0；

(2)移动节点与锚节点之间间距小于移动节点信号发射半径r1与锚节点感应半径r2之差的绝对值时，感应概率为1；

(3)移动节点与锚节点之间间距大于移动节点信号发射半径r1与锚节点感应半径r2之差的绝对值且小于r1与r2之和时，感应概率为

整个网络感知到的概率为： 式中α＝d(si，pj)-r-rc,β与λ为传感器感应的衰减系数；当传感器检测到的感知概率高于传感器概率门限值C_th时，认为已经达到覆盖需求，优化布置方法终止。

3、结合附图3对本发明方法做进一步说明，基于三角定位法进行改进，定位坐标确定方法如下：先确定出各个锚节点自身坐标(x_i,y_i)，其中每个节点可被随机唤醒，用于未知节点的监测；若未知节点出现，未知节点接收信标信息，当前唤醒节点m(x_m,y_m)可计算出未知节点发出信号到达的相对于X轴方向的角度，记为α，并将本地数据保存为(x_m,y_m，α)；所有布置节点依次被唤醒，并保存自身位置坐标及角度信息，依次进行，再采用AOA定位方法，取临近未知节点的两个相邻锚节点m(x_m,y_m，α)，n(x_n,y_n，β),如果两锚节点与未知节点共线则放弃此组数据重新确定两个相邻锚节点开始定位。根据夹角射线原理有：

联解两方程可得到未知节点的初始估计值(x_x，y_x)：

最后将多个锚节点两两一组进行组合，重复以上步骤即可测得多组数据，记为(x_x,y_y)＝H_i(x_xi,y_yi)，i＝1,2……，n(n为锚节点总数)；

对节点坐标进行优化处理，设置算法中的参数维数NP＝20，缩放因子F＝1，交叉算子CR＝0.9，迭代次数G＝40，通讯距离设为100m，锚节点比例为30％，噪音因子为0.8；为了减少计算量,在选择时使用目标函数:F＝(x_m-x_x)+(y_m-y_y)-d，其中，(x_m,y_m)为距未知节点最近的锚节点坐标,(x_x，y_x)为未知节点坐标即优化的差分进化算法中的每代目标向量或实验向量,d为锚节点与未知节点的测距，首先，在节点坐标优化处理中，先将锚节点前三点人为布置并移至预定坐标点：第一点(3.00,3.00)；第二点：(-3.00,3.00)；第三点：(0.00,3.00)，工作人员携带定位模块作为未知节点移动到设定坐标，并假定未知节点第4点到第10点的坐标值：(1.20,1.42)；(2.40,2.67)；(-1.60,-1.43)；(-2.40,-2.37)；(1.60,1.91)；(-3.20,-3.34)；(0.25,0.10)；先定位第四点坐标，此时的目标函数中距未知节点最近的锚节点坐标(x_m,y_m)即为已确定的第三点坐标(0.00,3.00)，锚节点与未知节点的测距d即为设定的第四点(1.20,1.42)到确定的第三点(0.00,3.00)的距离，在定位模块的软件设计时用d＝sqrt((data(i,1)-data(i-1,1))^2+(data(i,2)-data(i-1,2))^2)表示；利用差分进化法对目标函数最佳值的搜寻,通过定位模块中差分进化算法的变异、杂交、竞争操作，靠着交叉的机制来进行每一代的演进，生成O至l之间随机数发生器的第j个估计值；CR为交叉算子,CR属于[O,l]；最后经过G步迭代可求得未知节点的最优坐标；最终找到第四点的最优解(x_x，y_x)，升级该节点用于协助定位剩余未知节点，然后由唤醒节点决定求第五点坐标时距未知节点最近的锚节点坐标(x_m,y_m)，同理按照之前方法一步步将各个坐标的最优解得到；图4为优化后坐标和初始坐标的对比图。

所以该算法可以使节点布置成本更低，增加了节点布置的科学性与合理性，也提高了定位覆盖度和定位精度。

以上所述仅为本发明的较佳实施例而已，并不限制本发明，凡在本发明的精神和原则之内做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种井下无线传感网络的定位方法，其特征在于：本系统由井下传感网系统、工人携带移动节点模块、上位机监控系统三大板块组成，其中井下传感网由已知坐标信息的一定数量的固定传感器模块和ZigBee模块组成，构成无线传感网信标节点(锚节点)；本定位测试方法为：通过移动节点模块(未知节点)传送的唤醒信号使处于通信范围内的锚节点由休眠状态置于唤醒状态，随之，锚节点接收到未知节点传来的方位信号，对移动未知节点进行坐标计算，并由锚节点中的中央处理器进行处理后通过ZigBee无线通信技术传入上位机中进行未知移动坐标的位置显示，上位机可实现双向数据传输，实现整个无线网络与上位机监控软件交互；该定位方法的具体步骤为：第一步，利用ME-VHA算法对井下节点进行最大效率化的锚节点布置，先根据井下环境进行等间距锚节点布置，间距值取决于锚节点的最佳通讯距离，完成等间距布置后，再计算各个传感器节点之间的欧式距离d_ij、节点到障碍物之间的距离d_io；然后根据d_ij、d_io确定某节点i所受其他单一节点的力，其中ω_A为系数，所受合力由各节点所受合力的不同，首先对节点位置进行移动，通过计算各点合力相等，确定出各节点的移动距离与移动角度L_n、θ_n；然后由于各节点的能量存在差异，通过节点能量值与平均能量值相比较，得到该节点的移动概率p_i，即根据各节点的能量值E_i确定出移动概率最终移动距离L＝p_i×L_n求得；接着对每个传感器节点的感知概率 进行计算；最后为保证所求移动值的准确性，再对所求值进行检验验证，判断感知覆盖率与门限值C_(th)的大小，若则符合要求，否则从计算节点合力开始重新进行节点移动值计算；第二步再采用AOA技术进行初步定位：先由节点布置方法确定各已知节点坐标(x_i,y_i)，且每个已知节点可被随机唤醒，用于未知节点的监测；随后，井下人员携带移动节点在井下移动并发送唤醒指令，锚节点接收到唤醒信号就被唤醒，由传感器模块测出角度信息，根据未知节点到达各锚节点的角度信息，若未知节点出现，当前唤醒节点m(x_m,y_m)可计算出未知节点发出信号到达的相应于x轴方向的角度， 记为α，并将本数据保存为(x_m,y_m，α)；然后所有布置节点依次被唤醒，并保存自身位置坐标及角度信息，同第一个被唤醒节点格式；再根据相邻两个锚节点m(x_m,y_m，α)，n(x_n,y_n，β),根据夹角射线原理有：再将其他多个未知节点的相邻两锚节点进行组合，可得到未知节点的初始估计值(x_x，y_x)：最后将多个锚节点两两一组进行组合，重复以上步骤即可测得多组数据，记为(x_x,y_y)＝H_i(x_xi,y_yi)；第三步，以第二步得到的多组估计值作为初步定位值，完成初始化；再利用未知节点与锚节点的距离得到变量界限A和B，对初始解加入标准正态分布N(0,l)来实现种群的初始化(D＝2)：

X_1i,0＝rand[0,N(0,1)(B-A)](B-A)+H_ix_xi

X_2i,0＝rand[0,N(0,1)(B-A)](B-A)+H_iy_yi

X_1i,0，X_2i,0是种群变量,再在初始化产生差变量的基础上，产生一扰动量去获得最佳解：F∈[0,2]为一个缩放因子，作用是对差向量产生扰动,v_i,G+1为第G代种群中的第r1个个体，i≠r1≠r2≠r3，G为进化代数；然后利用差分进化法进行精确定位，先对目标函数最佳值搜寻,采用交叉机制来进行每一代的演进，尝试向量u_i,G+1如下：

u_i,G+1＝(u_1i,G+1，u_2i,G+1，……u_Di,G+1)

当rand(j)≤CR时，u_ji,G+1＝v_1i,G+1；

当rand(j)＞CR时，x_ji,G+1＝v_1i,G+1；

(i＝l,2…,NP；j＝l,2,…D)

上式中rand(j)生成O至l之间随机数发生器的第j个估计值，CR为交叉算子,CR∈[O，l]，经过G步迭代可求得未知节点的最优解；最后将最优解对应的坐标信息作为目标未知节点的定位坐标，然后升级该节点为已定位节点,广播该节点的坐标,以实现迭代循环来协助定位其他未知节点，本方法中每个节点设置了泛洪控制变量,当达到泛洪控制条件时所有节点不再广播消息,方法结束，获得最终未知节点坐标信息(x_x,y_x)。

2.根据权利要求1所述的定位方法，其特征是：所述第一步节点布置中，所述ω_A为系数，根据不同障碍物、节点系数有差异，由查表可得；d_th为传感器工作距离的1.7倍值；a_ij为节点i与节点j的夹角值；其中根据求得；S_i(p_j)根据所选概率模型确定，例如0～1模型：

式中λ、β为衰减系数。

3.根据权利要求1所述的定位方法，其特征是：所述第三步精确定位中，目标函数最佳值的搜寻，所述j取值为1～n，n为节点数目，为了减少计算量,在选择时使用目标函数:F＝(x_m-x_x)+(y_m-y_y)-d，其中，(x_m,y_m)为距未知节点最近的锚节点坐标,(x_x，y_x)为未知节点坐标即优化的差分进化算法中的每代目标向量或实验向量,d为锚节点与未知节点的测距，首先，在节点坐标优化处理中，先将锚节点前三点人为布置并移至预定坐标点：第一点(3.00,3.00)；第二点：(-3.00,3.00)；第三点：(0.00,3.00)，工作人员携带定位模块作为未知节点移动到设定坐标，并假定未知节点第4点到第10点的坐标值：(1.20,1.42)；(2.40,2.67)；(-1.60,-1.43)；(-2.40,-2.37)；(1.60,1.91)；(-3.20,-3.34)；(0.25,0.10)；先定位第四点坐标，此时的目标函数中距未知节点最近的锚节点坐标(x_m,y_m)即为已确定的第三点坐标(0.00,3.00)，锚节点与未知节点的测距d即为设定的第四点(1.20,1.42)到确定的第三点(0.00,3.00)的距离，在定位模块的软件设计时用d＝sqrt((data(i,1)-data(i-1,1))^2+(data(i,2)-data(i-1,2))^2)表示；利用差分进化法对目标函数最佳值的搜寻,通过定位模块中差分进化算法的变异、杂交、竞争操作，靠着交叉的机制来进行每一代的演进，生成O至l之间随机数发生器的第j个估计值；CR为交叉算子,CR属于[O,l]；最后经过G步迭代可求得未知节点的最优坐标；最终找到第四点的最优解(x_x，y_x)，升级该节点用于协助定位剩余未知节点，然后由唤醒节点决定求第五点坐标时距未知节点最近的锚节点坐标(x_m,y_m)，同理按照之前方法一步步将各个坐标的最优解得到；

图4为优化坐标和初始坐标的对比图，由程序运行结果及对比图可知，最大误差 出现在第8点坐标，其绝对误差为((1.6-1.6)^2+(1.91-1.6)^2)＝0.31，相对误差为((1.6-1.6)^2+(1.91-1.6)^2)/(1.6^2+1.6^2)＝0.137，误差在可允许范围。