CN109842935A - 一种基于混合smpso优化的加权dv-hop定位方法 - Google Patents

Abstract

本发明涉及一种基于混合SMPSO优化的加权DV‑HOP定位方法，包含：S1计算无线传感网络中所有节点与每个锚节点间的最小跳数；S2计算所有锚节点与未知节点间的平均跳距；S3计算每个未知节点与各个锚节点间的估计距离；S4初始化粒子群，使用SM对随机设定的每个粒子的初始速度和位置进行优化更新；S5计算每个粒子的适应度值；S6更新每个粒子的个体极值位置pbest；S7更新粒子群的全局极值位置gbest；S8如满足迭代终止条件，输出每个粒子的适应度值；如否，更新每个粒子的速度和位置，返回S5。本发明通过对锚节点平均跳距赋予权重作为未知节点的平均跳距，并利用SM优化后的PSO对适应度函数进行迭代，有效减小误差，大幅提高定位精度。

Description

一种基于混合SMPSO优化的加权DV-HOP定位方法

技术领域

本发明涉及一种无线传感器网络中未知节点的定位方法，具体是指基于混合SMPSO(单纯形法优化后的粒子群算法)优化的加权DV-HOP定位方法，属于无线传感器网络定位技术领域。

背景技术

无线传感器网络是由大量廉价的传感器节点，通过无线通信的方式形成的一个多跳、自组织的网络。因此，无线传感器网络被广泛应用于部署在检测区域内，以便实时获取事件发生的情况。而对于事件的发生，必须获取的则是其发生的具体位置信息，所以定位技术是研究无线传感器网络的主要技术之一。

现有的无线传感器网络的定位技术主要分为基于测距的定位和基于无测距的定位。基于测距的定位主要是基于节点之间的到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)和传播信号强度(RSSI)，其定位精度相对比较高，但较为依赖于硬件。而基于无测距的定位，实现简单且成本低，主要是利用网络连通性或拓扑结构来估算位置坐标，典型代表有一种基于距离向量的定位算法DV-HOP定位算法。

现有的DV-HOP定位算法的定位过程一般分为三个步骤：步骤1、每个锚节点通过广播信息向邻居节点发送一个数据分组，所有节点通过获取各个锚节点的数据分组中的相关信息，从而获取其自身到每个锚节点的最小跳数。步骤2、根据每个锚节点获取到的其与其他锚节点之间的最小跳数，计算出每个锚节点的平均每跳距离，随后按某种规则校正并确定平均跳距。步骤3、未知节点根据步骤1获取的最小跳数和步骤2获取的校正后的平均跳距，得到其与各个锚节点之间的估计距离，再根据三边测量法，或最小二乘法，或粒子群优化等算法计算未知节点的定位坐标。

上述的粒子群优化算法(PSO)是一种基于种群搜索策略的全局优化算法。该方法首先在搜索空间内产生初始粒子群，每一个粒子代表着优化问题的一个候选解，有自己的位置和速度，粒子位置坐标对应的目标函数值作为该粒子的适应度。在每次迭代中，各个粒子记忆、追随当前的优粒子，通过跟踪两个“极值位置”来更新自己，其中一个是粒子本身所找到的最优解位置，即个体极值位置pbest；另一个是整个种群目前找到的最优解位置，称为全局极值位置gbest。粒子每更新一次位置，就计算一次适应度值，然后根据所有粒子的pbest和gbest来确定新的个体极值和群体极值，并且更新各自个体极值所对应的位置，以及群体极值所对应的位置。但是，标准粒子群算法后期存在搜索速度变慢，过早收敛，易陷入局部最优解等缺点，这就使得基于标准粒子群算法的DV-HOP定位方法存在收敛速度慢，定位精度差，效率低等技术缺陷。针对这一缺陷，目前已经存在一些改进方法，如增加粒子群规模，动态调整PSO的惯性权重等等，但这些方法不能从根本上克服算法的早熟收敛现象。这里利用单纯形法的优势对其进行改进。

单纯形法(SM)是一种通过评价当前数据集来确定搜索方向的局部搜索方法，是一种处理无约束最优化问题的代表性算法之一。该方法的基本思想如下，假设在非线性函数中有t个待定参数，按照既定规则选取t+1组近似值，构成初始的单纯形；比较这t+1组数，找到离目标最远的值，然后根据点的更新规则，直到目标函数达到给定的精度并且逼近目标函数的极小值为止，最终的那组参数即为目标函数的最优解。单纯形算法可以直接快速的搜索到目标值，并且处理大型的或者复杂的函数时具有较好的收敛性质。

基于上述，本发明提出一种基于混合SMPSO(单纯形法优化后的粒子群算法)优化的加权DV-HOP定位方法，以解决现有技术中存在的缺点和限制。

发明内容

本发明的目的是提供一种基于混合SMPSO优化的加权DV-HOP定位方法，通过对锚节点平均跳距赋予权重作为未知节点的平均跳距，并利用单纯形法优化后的粒子群算法对适应度函数进行迭代，有效减小误差，大幅提高定位精度。

为了达到上述目的，本发明提出一种基于混合SMPSO优化的加权DV-HOP定位方法，包含以下步骤：

S1、初始化无线传感器网络：每个锚节点通过泛洪方式广播发送其数据分组消息，计算无线传感网络中的所有节点与每个锚节点之间的最小跳数；

S2、计算每个锚节点的平均跳距；对每个锚节点相对于未知节点的平均跳距赋予权重；计算所有锚节点与未知节点之间的平均跳距；

S3、每个未知节点根据S1中得到的最小跳数和S2中得到的平均跳距，计算每个未知节点与各个锚节点之间的修正后的估计距离；

S4、初始化粒子群，随机设定每个粒子的初始速度和初始位置，使用单纯形法对粒子初始速度和初始位置进行优化处理并更新；

S5、根据预设的目标函数，以及当前每个粒子的位置，计算每个粒子的适应度值；

S6、根据每个粒子的适应度值，更新每个粒子的个体极值位置pbest；

S7、根据S6中得到的更新后的每个粒子的个体极值位置pbest，更新粒子群的全局极值位置gbest；

S8、判断是否满足迭代计算的终止条件；如是，则输出当前每个粒子的适应度值，其即为无线传感器网络中未知节点的定位坐标；如否，继续进行迭代计算，更新每个粒子的速度和位置，并返回执行S5。

所述的S1中，锚节点的数据分组消息包括：锚节点的标识；锚节点的坐标；跳数，其初始值为0。

所述的S1中，具体包含以下步骤：

S11、每个锚节点向其周围的邻居节点广播发送其数据分组消息；

S12、每个锚节点接收到所有其他锚节点的数据分组消息，获取并记录其中的最小跳数；

S13、每个锚节点将获取到的最小跳数加1后，转发给邻居节点；以此直至获取无线传感器网络中的所有节点与每个锚节点之间的最小跳数。

所述的S2中，具体包含以下步骤：

S21、每个锚节点根据其与其他锚节点之间的最小跳数，计算其自身的平均跳距，具体为：

其中，Hopsize_i为锚节点i的平均跳距；hop_ij表示锚节点i和锚节点j之间的最小跳数，且i≠j；(x_i，y_i)和(x_j，y_j)分别表示锚节点i和锚节点j的坐标；

S22、根据每个锚节点与未知节点之间的最小跳数，且基于跳数越大误差越大的原理，对每个锚节点的平均跳距赋予权重进行优化，具体为：

其中，w_iu表示对于未知节点u，锚节点i的平均跳距的权重；hop_iu表示未知节点u与锚节点i之间的最小跳数；h表示锚节点个数；

S23、计算所有锚节点与未知节点之间的平均跳距，具体为：

其中，AvgHopsize_u表示未知节点u的平均跳距。

所述的S3中，具体包含以下步骤：

S31、根据S1得到未知节点与每个锚节点之间的最小跳数hop_iu；

S32、根据S2得到赋予权重后的未知节点与所有锚节点之间的平均跳距AvgHopsize_u；

S33、计算未知节点与每个锚节点之间的估计距离，具体为：

d_iu＝hop_iu×AvgHopsize_u

其中，d_iu表示未知节点u与锚节点i之间的估计距离。

所述的S4中，具体包含以下步骤：

S41、设定在n维搜索空间中，粒子群中的粒子数为m，且每个粒子的初始速度和初始位置；

S42、通过单纯形法对每个粒子的初始速度和初始位置进行优化处理，直至粒子初始速度和初始位置为目标函数的最优解，并采用该最优解更新粒子初始速度和初始位置。

所述的S42中，单纯形法的基本步骤主要为：

S421、在N维欧式空间中构造一个包含N+1个定点的单纯形几何图形，该几何图形每一顶点的矢量用X₁，X₂，…，X_N+1表示；按顶点的坐标值评估单纯形几何图形各顶点的响应值；求出最差响应点X_w对剩余顶点X₁，X₂，…，X_w-1，X_w+1，…，X_N+1的形心X_c的映射点X_r，具体为：

X_r＝X_c+(X_c-X_w)

X_c＝(X₁+X₂+…+X_w-1+X_w+1+…+X_N+1)/N

S422、采用映射点X_r替代最差响应点X_w，构造新的单纯形几何图形X₁，X₂，…，X_w-1，X_w+1，…，X_N+1，X_r；

S423、重复上述S421～S422，利用映射点替代最差响应点构造新的单纯形几何图形，直至满足单纯形法的收敛性指标；最新构造的单纯形几何图形的顶点中的最佳响应点即为所寻找的最佳点，即得到目标函数的最优解。

所述的S5中，具体包含以下步骤：

其中，是未知节点u与锚节点i之间的真实距离；diu是未知节点u与锚节点i之间的估计距离；(x_u，y_u)为当前迭代中未知节点u对应的粒子u的位置坐标，f(x_u，y_u)为适应度函数，其通过多次迭代后计算得到的极小值点即为无线传感器网络中未知节点u的定位坐标。

所述的S6中，具体包含以下步骤：

对于每个粒子，比较其适应度值与其个体极值位置pbest的值；如适应度值小于个体极值位置pbest的值，则将该适应度值更新作为粒子的个体极值位置pbest的值；反之，则保持粒子的个体极值位置pbest的值不变。

所述的S6中，每个粒子的个体极值位置pbest的初始值为每个粒子的适应度值的初始值。

所述的S7中，具体包含以下步骤：

根据S6中得到的每个粒子的个体极值位置pbest的值，如存在某个粒子的个体极值位置pbest的值小于粒子群的全局极值位置gbest的值，则将该个体极值位置pbest的值更新作为粒子群的全局极值位置gbest的值；反之，则保持粒子群的全局极值位置gbest的值不变。

所述的S7中，粒子群的全局极值位置gbest的初始值为所有粒子的适应度值的初始值中的最小值。

所述的S8中，迭代计算的终止条件是指：是否达到预设的最大迭代次数，或者是否达到最佳适应度条件，即适应度函数是否已经达到极小值。

所述的S8中，更新每个粒子的速度和位置的步骤为：

在n维搜索空间中，对于粒子群中的m个粒子，每个粒子更新后的速度和位置分别为：

v_ij(t+1)＝w×v_ij(t)+c₁×r₁×(pbest_ij(t)-x_ij(t))+c₂×r₂×(gbest_j(t)-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，i＝1，2，…，m；j＝1，2，…，n；v_ij(t)表示粒子i在第t次迭代中第j维的速度；x_ij(t)表示粒子i在第t次迭代中第j维的位置；pbest_ij(t)为粒子i在第t次迭代中达到自身最佳位置时在第j维对应的位置坐标，即粒子i的个体极值位置；gbest_j(t)为粒子群在第t次迭代中达到最佳位置时在第j维对应的位置坐标，即粒子群的全局极值位置；w为惯性权重系数；c₁、c₂为加速系数；r₁、r₂是[0，1]之间的随机数。

综上所述，本发明所述的基于混合SMPSO优化的加权DV-HOP定位方法，相比现有技术，具有以下的有益效果和有点：

1、本发明是一种基于无测距的定位方法，对硬件依赖度不高，成本低，开销小，可减少人力投入，同时能够保证定位精度，适用于大规模无线传感器网络的相关定位问题。

2、本发明在传统的DV-HOP定位算法的基础上，在计算锚节点平均跳距时利用了跳数越多误差越大的原理，对每个锚节点的平均跳距赋予一定的权重，然后取其平均值作为计算未知节点到锚节点估计距离时的平均跳距，从而在一定程度上减小了误差，提高了定位精度。

3、本发明将基于单纯性法优化的粒子群算法引入到DV-HOP定位算法中，利用单纯形法改进粒子群算法，在PSO算法产生随机初始值后，利用SM对其初始值进行优化处理，使用优化后的初始值开始PSO的后续迭代步骤。该方法可以提高PSO的局部收敛速度和搜索精度，找到更优极值位置，引导粒子群快速进化，提高定位精度。

附图说明

图1为本发明中的基于混合SMPSO优化的加权DV-HOP定位方法的流程图；

图2为本发明中的无线传感器网络的节点平面部署图；

图3为本发明中的采用单纯形法优化后的粒子群优化算法的流程图。

具体实施方式

以下结合图1～图3，通过优选实施例对本发明的技术内容、构造特征、所达成目的及功效予以详细说明。

如图1所示，为本发明提供的基于混合SMPSO优化的加权DV-HOP定位方法，适用于无线传感器网络，包含以下步骤：

S1、初始化无线传感器网络：每个锚节点通过泛洪方式(Flooding，数据流传递技术，将某个节点的数据向除该节点之外的所有节点发送出去)广播发送其数据分组消息，计算无线传感网络中的所有节点与每个锚节点之间的最小跳数；

S2、计算每个锚节点的平均跳距；对每个锚节点相对于未知节点的平均跳距赋予权重；计算所有锚节点与未知节点之间的平均跳距；

S3、每个未知节点根据S1中得到的最小跳数和S2中得到的平均跳距，计算每个未知节点与各个锚节点之间的修正后的估计距离；

S4、初始化粒子群，随机设定每个粒子的初始速度和初始位置，使用单纯形法(SM)对粒子初始速度和初始位置进行优化处理并更新；

S5、根据预设的目标函数，以及当前每个粒子的位置，计算每个粒子的适应度值；

S6、根据每个粒子的适应度值，更新每个粒子的个体极值位置pbest；

S7、根据S6中得到的更新后的每个粒子的个体极值位置pbest，更新粒子群的全局极值位置gbest；

S8、判断是否满足迭代计算的终止条件；如是，则输出当前每个粒子的适应度值，其即为无线传感器网络中未知节点的定位坐标；如否，继续进行迭代计算，更新每个粒子的速度和位置，并返回执行S5。

如图2所示，为无线传感器网络的节点平面部署图，以下根据该图，详细描述本发明中求解未知节点与所有锚节点之间的最小跳数、平均跳距、以及估计距离的过程，即本发明的S1～S3。

所述的S1中，锚节点的数据分组消息包括：锚节点的标识；锚节点的坐标；跳数，其初始值为0。

所述的S1中，具体包含以下步骤：

S11、每个锚节点向其周围的邻居节点(邻居节点是指在该锚节点的通信半径内，可以直接与该锚节点通信的所有其他节点)广播发送其数据分组消息；

S12、每个锚节点接收到所有其他锚节点的数据分组消息，获取并记录其中的最小跳数；此时需要忽略来自同一个锚节点的较大跳数；

S13、每个锚节点将获取到的最小跳数加1后，转发给邻居节点；以此直至获取无线传感器网络中的所有节点与每个锚节点之间的最小跳数。

所述的S2中，具体包含以下步骤：

S21、每个锚节点根据其与其他锚节点之间的最小跳数，计算其自身的平均跳距，具体为：

其中，Hopsize_i为锚节点i的平均跳距(平均每一跳的距离)；hop_ij表示锚节点i和锚节点j之间的最小跳数，且i≠j；(x_i，y_i)和(x_j，y_j)分别表示锚节点i和锚节点j的坐标；

S22、根据每个锚节点与未知节点之间的最小跳数，且基于跳数越大误差越大的原理，对每个锚节点的平均跳距赋予权重进行优化，具体为：

其中，w_iu表示对于未知节点u，锚节点i的平均跳距的权重；hop_iu表示未知节点u与锚节点i之间的最小跳数；h表示锚节点个数；

S23、计算所有锚节点与未知节点之间的平均跳距，具体为：

其中，AvgHopsize_u表示未知节点u的平均跳距。

所述的S3中，具体包含以下步骤：

S31、根据S1得到未知节点与每个锚节点之间的最小跳数hop_iu；

S32、根据S2得到赋予权重后的未知节点与所有锚节点之间的平均跳距AvgHopsize_u；

S33、计算未知节点与每个锚节点之间的估计距离，具体为：

d_iu＝hop_iu×AvgHopsize_u

其中，d_iu表示未知节点u与锚节点i之间的估计距离。

如图3所示，为采用单纯形法优化后的粒子群优化算法的流程图，以下根据该图，详细描述本发明的S4～S8，即求解适应度函数的最佳适应度值。

所述的S4中，具体包含以下步骤：

S41、设定在n维搜索空间中，粒子群中的粒子数为m，且每个粒子的初始速度和初始位置；

S42、通过单纯形法对每个粒子的初始速度和初始位置进行优化处理，直至粒子初始速度和初始位置为目标函数的最优解，并采用该最优解更新粒子初始速度和初始位置。

所述的S42中，单纯形法的基本思想主要包括：

S421、在N维欧式空间中构造一个包含N+1个定点的“单纯形”几何图形，该几何图形每一顶点的矢量用X₁，X₂，…，X_N+1表示；按顶点的坐标值评估“单纯形”几何图形各顶点的响应值；求出最差响应点X_w对剩余顶点X₁，X₂，…，X_w-1，X_w+1，…，X_N+1的形心X_c的映射点X_r，具体为：

X_r＝X_c+(X_c-X_w)

X_c(X₁+X₂+…+X_w-1+X_w+1+…+X_N+1)/N

S422、采用映射点X_r替代最差响应点X_w，构造新的“单纯形”几何图形X₁，X₂，…，X_w-1，X_w+1，…，X_N+1，X_r；

S423、重复上述S421～S422，利用映射点替代最差响应点构造新的“单纯形”几何图形，直至满足单纯形法的收敛性指标；最新构造的“单纯形”几何图形的顶点中的最佳响应点即为所寻找的最佳点，即得到目标函数的最优解。

所述的S5中，具体包含以下步骤：

其中，是未知节点u与锚节点i之间的真实(欧式)距离；d_iu是未知节点u与锚节点i之间的估计距离；(x_u，y_u)为当前迭代中未知节点u对应的粒子u的位置坐标，f(x_u，y_u)为适应度函数，其通过多次迭代后计算得到的极小值点即为无线传感器网络中未知节点u的定位坐标。

所述的S6中，具体包含以下步骤：

对于每个粒子，比较其适应度值与其个体极值位置pbest的值；如适应度值优于(小于)个体极值位置pbest的值，则将该适应度值更新作为粒子的个体极值位置pbest的值；反之，则保持粒子的个体极值位置pbest的值不变。

所述的S6中，每个粒子的个体极值位置pbest的初始值为每个粒子的适应度值的初始值(即在第一次迭代中得到的粒子适应度值)。

所述的S7中，具体包含以下步骤：

根据S6中得到的每个粒子的个体极值位置pbest的值，如存在某个粒子的个体极值位置pbest的值优于(小于)粒子群的全局极值位置gbest的值，则将该个体极值位置pbest的值更新作为粒子群的全局极值位置gbest的值；反之，则保持粒子群的全局极值位置gbest的值不变。

所述的S7中，粒子群的全局极值位置gbest的初始值为所有粒子的适应度值的初始值中的最小值。

所述的S8中，迭代计算的终止条件是指：是否达到预设的最大迭代次数，或者是否达到最佳适应度条件，即适应度函数是否已经达到极小值。

所述的S8中，更新每个粒子的速度和位置的步骤为：

在n维搜索空间中，对于粒子群中的m个粒子，每个粒子更新后的速度和位置分别为：

v_ij(t+1)＝w×v_ij(t)+c₁×r₁×(pbest_ij(t)-x_ij(t))+c₂×r₂×(gbest_j(t)-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，i＝1，2，…，m；j＝1，2，…，n；v_ij(t)表示粒子i在第t次迭代中第j维的速度；x_ij(t)表示粒子i在第t次迭代中第j维的位置；pbest_ij(t)为粒子i在第t次迭代中达到自身最佳位置时在第j维对应的位置坐标，即粒子i的个体极值位置；gbest_j(t)为粒子群在第t次迭代中达到最佳位置时在第j维对应的位置坐标，即粒子群的全局极值位置；w为惯性权重系数；c₁、c₂为加速系数；r₁、r₂是[0，1]之间的随机数。

以下通过一个具体实例，针对本发明所述的方法进行实验验证，从而突出本发明相较于其他若干现有的定位算法的优点，具体如下：

为验证本发明所述的基于混合SMPSO优化的加权DV-HOP定位方法的定位效果，在150m×150m的区域内随机布置20个位置已知的锚节点，10个需要定位坐标的未知节点。分别研究基于现有技术中心的测距定位方法、普通DV-HOP定位方法、PSO-DV-HOP定位方法，以及本发明中所提出的混合SMPSO-DV-HOP定位方法的相关参数指标。这里提到的参数指标主要包括复杂度、收敛效果、开销以及定位精度。具体比较结果如下表所示：

定位算法	复杂度	收敛速度	开销	定位精度
					基于测距的定位	较高	/	大	高
DV-HOP	一般	/	小	低
					PSO-DV-HOP	一般	一般	较小	一般
SMPSO-DV-HOP	一般	快	较小	较高

基于上述表格可以明显看出，本发明提出的混合SMPSO-DV-HOP定位方法相比现有技术中的各种定位方法，在各项参数指标上均占有较大优势。

综上所述，本发明所述的基于混合SMPSO优化的加权DV-HOP定位方法，相比现有技术，具有以下的有益效果和有点：

1、本发明是一种基于无测距的定位方法，对硬件依赖度不高，成本低，开销小，可减少人力投入，同时能够保证定位精度，适用于大规模无线传感器网络的相关定位问题。

2、本发明在传统的DV-HOP定位算法的基础上，在计算锚节点平均跳距时利用了跳数越多误差越大的原理，对每个锚节点的平均跳距赋予一定的权重，然后取其平均值作为计算未知节点到锚节点估计距离时的平均跳距，从而在一定程度上减小了误差，提高了定位精度。

3、本发明将基于单纯性法优化的粒子群算法引入到DV-HOP定位算法中，利用单纯形法改进粒子群算法。由于粒子群算法(PSO)具有强大的全局搜索能力，而单纯形法(SM)则具有精确的局部搜索能力，在PSO算法产生随机初始值后，利用SM对其初始值进行优化处理，使用优化后的初始值开始PSO的后续迭代步骤。该方法可以提高PSO的局部收敛速度和搜索精度，找到更优极值位置，引导粒子群快速进化，避免粒子群寻优过程后期可能出现的早熟、易陷入局部极小值的缺陷。因此相对于传统的基于标准粒子群算法的DV-HOP定位方法，本发明的定位精度再一次得到了较大的提升。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，包含以下步骤：

S1、无线传感器网络中的每个锚节点通过泛洪方式广播发送其数据分组消息，计算所有节点与每个锚节点之间的最小跳数；

S2、计算每个锚节点的平均跳距；对每个锚节点相对于未知节点的平均跳距赋予权重；计算所有锚节点与未知节点之间的平均跳距；

S3、每个未知节点根据S1中得到的最小跳数和S2中得到的平均跳距，计算每个未知节点与各个锚节点之间的修正后的估计距离；

S4、初始化粒子群，随机设定每个粒子的初始速度和初始位置，使用单纯形法对粒子初始速度和初始位置进行优化处理并更新；

S5、根据预设的目标函数，以及当前每个粒子的位置，计算每个粒子的适应度值；

S6、根据每个粒子的适应度值，更新每个粒子的个体极值位置pbest；

S7、根据S6中得到的更新后的每个粒子的个体极值位置pbest，更新粒子群的全局极值位置gbest；

S8、判断是否满足迭代计算的终止条件；如是，则输出当前每个粒子的适应度值，其即为无线传感器网络中未知节点的定位坐标；如否，继续进行迭代计算，更新每个粒子的速度和位置，并返回执行S5。

2.如权利要求1所述的基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，所述的S1中，具体包含以下步骤：

S11、每个锚节点向其周围的邻居节点广播发送其数据分组消息；该数据分组消息包括：锚节点的标识；锚节点的坐标；跳数，其初始值为0；

S12、每个锚节点接收到所有其他锚节点的数据分组消息，获取并记录其中的最小跳数；

S13、每个锚节点将获取到的最小跳数加1后，转发给邻居节点；以此直至获取无线传感器网络中的所有节点与每个锚节点之间的最小跳数。

3.如权利要求2所述的基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，所述的S2中，具体包含以下步骤：

S21、每个锚节点根据其与其他锚节点之间的最小跳数，计算其自身的平均跳距，具体为：

其中，Hopsize_i为锚节点i的平均跳距；hop_ij表示锚节点i和锚节点j之间的最小跳数，且i≠j；(x_i，y_i)和(x_j，y_j)分别表示锚节点i和锚节点j的坐标；

S22、根据每个锚节点与未知节点之间的最小跳数，且基于跳数越大误差越大的原理，对每个锚节点的平均跳距赋予权重进行优化，具体为：

其中，w_iu表示对于未知节点u，锚节点i的平均跳距的权重；hop_iu表示未知节点u与锚节点i之间的最小跳数；h表示锚节点个数；

S23、计算所有锚节点与未知节点之间的平均跳距，具体为：

其中，AvgHopsize_u表示未知节点u的平均跳距。

4.如权利要求3所述的基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，所述的S3中，具体包含以下步骤：

S31、根据S1得到未知节点与每个锚节点之间的最小跳数hop_iu；

S32、根据S2得到赋予权重后的未知节点与所有锚节点之间的平均跳距AvgHopsize_u；

S33、计算未知节点与每个锚节点之间的估计距离，具体为：

d_iu＝hop_iu×AvgHopsize_u

其中，d_iu表示未知节点u与锚节点i之间的估计距离。

5.如权利要求4所述的基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，所述的S4中，具体包含以下步骤：

S41、设定在n维搜索空间中，粒子群中的粒子数为m，且每个粒子的初始速度和初始位置；

S42、通过单纯形法对每个粒子的初始速度和初始位置进行优化处理，直至粒子初始速度和初始位置为目标函数的最优解，并采用该最优解更新粒子初始速度和初始位置。

6.如权利要求5所述的基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，所述的S42中，单纯形法的基本步骤主要为：

S421、在N维欧式空间中构造一个包含N+1个定点的单纯形几何图形，该几何图形每一顶点的矢量用X₁,X₂,…,X_N+1表示；按顶点的坐标值评估单纯形几何图形各顶点的响应值；求出最差响应点X_w对剩余顶点X₁,X₂,…,X_w-1,X_w+1,…,X_N+1的形心X_c的映射点X_r，具体为：

X_r＝X_c+(X_c-X_w)

X_c＝(X₁+X₂+…+X_w-1+X_w+1+…+X_N+1)/N

S422、采用映射点X_r替代最差响应点X_w，构造新的单纯形几何图形X₁,X₂,…,X_w-1,X_w+1,…,X_N+1,X_r；

S423、重复上述S421～S422，利用映射点替代最差响应点构造新的单纯形几何图形，直至满足单纯形法的收敛性指标；最新构造的单纯形几何图形的顶点中的最佳响应点即为所寻找的最佳点，即得到目标函数的最优解。

7.如权利要求6所述的基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，所述的S5中，具体包含以下步骤：

其中，是未知节点u与锚节点i之间的真实距离；d_iu是未知节点u与锚节点i之间的估计距离；(x_u，y_u)为当前迭代中未知节点u对应的粒子u的位置坐标，f(x_u，y_u)为适应度函数，其通过多次迭代后计算得到的极小值点即为无线传感器网络中未知节点u的定位坐标。

8.如权利要求7所述的基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，所述的S6中，具体包含以下步骤：

对于每个粒子，比较其适应度值与其个体极值位置pbest的值；如适应度值小于个体极值位置pbest的值，则将该适应度值更新作为粒子的个体极值位置pbest的值；反之，则保持粒子的个体极值位置pbest的值不变；

其中，每个粒子的个体极值位置pbest的初始值为每个粒子的适应度值的初始值。

9.如权利要求8所述的基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，所述的S7中，具体包含以下步骤：

根据S6中得到的每个粒子的个体极值位置pbest的值，如存在某个粒子的个体极值位置pbest的值小于粒子群的全局极值位置gbest的值，则将该个体极值位置pbest的值更新作为粒子群的全局极值位置gbest的值；反之，则保持粒子群的全局极值位置gbest的值不变；

其中，粒子群的全局极值位置gbest的初始值为所有粒子的适应度值的初始值中的最小值。

10.如权利要求9所述的基于混合SMPSO优化的加权DV-HOP定位方法，其特征在于，所述的S8中，迭代计算的终止条件是指：是否达到预设的最大迭代次数，或者是否达到最佳适应度条件，即适应度函数是否已经达到极小值；

更新每个粒子的速度和位置的步骤为：

在n维搜索空间中，对于粒子群中的m个粒子，每个粒子更新后的速度和位置分别为：

v_ij(t+1)＝w×v_ij(t)+c₁×r₁×(pbest_ij(t)-x_ij(t))+c₂×r₂×(gbest_j(t)-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

其中，i＝1，2，…，m；j＝1，2，…，n；v_ij(t)表示粒子i在第t次迭代中第j维的速度；x_ij(t)表示粒子i在第t次迭代中第j维的位置；pbest_ij(t)为粒子i在第t次迭代中达到自身最佳位置时在第j维对应的位置坐标，即粒子i的个体极值位置；gbest_j(t)为粒子群在第t次迭代中达到最佳位置时在第j维对应的位置坐标，即粒子群的全局极值位置；w为惯性权重系数；c₁、c₂为加速系数；r₁、r₂是[0，1]之间的随机数。