CN110113713A - 基于DE改进的无线传感器网络DV-Hop节点定位方法 - Google Patents

Abstract

本发明公开一种基于DE改进的无线传感器网络DV‑Hop节点定位方法，包含：(1)网络部署节点，生成模拟网络拓扑；(2)锚节点广播数据包以及初始为零的跳数；(3)邻居节点接收到来自特定锚节点的较小跳数值的数据包之后，保存锚节点的位置，并在发送到其他邻居节点之前将跳数值加1；(4)邻居节点会忽略较高跳数值的数据包，未知节点会得到距离每个锚节点的最小跳数值；(5)锚节点计算其平均每跳距离并在受控洪泛系统中广播其值；(6)利用未知节点与锚节点的最小跳数及平均每跳距离之积得到两者的估计距离；(7)利用估计距离建立数学模型，采用DE算法求解得到未知节点的位置。其优点是：提高节点的定位精度的同时且算法的稳定性更好。

Description

基于DE改进的无线传感器网络DV-Hop节点定位方法

技术领域

本发明涉及无线传感器节点定位技术领域，特别涉及一种基于DE改进的无线传感器网络DV-Hop节点定位方法。

背景技术

无线传感器网络(Wirelesss sensor Network，WSN)作为物联网(The Internetof thing，IoT)的基础设施，主要负责信息的感知和采集。它是由大量静止的或移动的传感器以自组织和多跳的方式构成的无线网络。它的目的是将协作探测处理的信息和传输网络覆盖区域内感知对象的检测信息报告给用户。这些易于部署且价格低廉的传感器使得WSN适用于很多应用，如：军事领域、农业领域、智能交通领域及环境保护领域等。定位是无线传感器网络中重要的支撑技术，有着广泛的应用。

尽管GPS能够做到准确定位，但是由于其昂贵的价格和使用环境的受限，在无线传感器网络中给所有微型传感器节点配备上GPS是不现实的。此外，GPS的定位精度在室内环境和其他复杂环境中还不够令人满意。因此，在条件受限的情况下，设计合理有效的定位算法是一项具有挑战性的任务。

目前，大部分研究的目的都是如何利用传感器节点间的相互作用和连接进而达到定位的目的。根据定位过程中是否需要测量实际节点间的距离，定位算法可以分为基于距离的定位算法和距离无关的定位算法。基于距离的定位算法其需要测量相邻节点间的绝对距离或方位，并利用节点间的实际距离来计算未知节点的位置。距离无关的定位算法是根据节点间的网络连通性然后利用节点间的估计距离来计算节点位置，无需测量节点间的实际距离。

在距离无关的算法中，DV-Hop定位算法因为方法简单，设备要求不高等优点而受到广泛关注。它是利用距离矢量路由和GPS定位的思想提出的分布式定位方法之一。在无线传感器网络中，一般有两种传感器节点，一种是已知坐标的锚节点，一种是需要定位的未知节点。定位算法的目的就是通过各种方式，计算得到未知节点的坐标。DV-Hop实现简单，但是它也有不容忽视的问题，它的定位精度比较低。DV-Hop算法的定位精度主要依靠估计的平均每跳距离的精确度。平均每跳距离的计算误差和跳数的估计值误差是估计距离误差的主要两个来源。

针对定位误差较大的问题，改进了锚节点的平均每跳距离计算公式，有效地解决了平均每跳距离估计误差均值为零的问题。将节点的位置估计过程转化为最小化优化问题。因此，需要采用DE算法(Differential Evolution，差分进化算法)来替代最小二乘法，通过给出了一个目标函数，并使用DE算法求解，可以得到与未知节点估计位置相对应的全局最优解，得到估计未知节点的位置。

发明内容

本发明的目的在于提供一种基于DE改进的无线传感器网络DV-Hop节点定位方法，通过改进锚节点的平均每跳距离计算公式和将节点的位置估计过程转化为最小化优化问题并使用DE算法求解，实现了未知节点的节点定位，本发明在实现定位误差更小的同时，算法的稳定性更好，更适用于定位精度和稳定性要求较高的应用场景。

为了达到上述目的，本发明通过以下技术方案实现：

一种基于DE改进的无线传感器网络DV-Hop节点定位方法，该方法包含以下步骤：

S1、初始化设置传感器节点总数、锚节点所占比例和所有节点的通信半径，并网络部署节点，生成模拟网络拓扑；

S2、所有锚节点向其邻居节点广播具有其位置的数据包以及初始化设置为零的跳数字段；

S3、邻居节点接收到来自特定锚节点的较小跳数值的数据包之后，保存锚节点的位置，并在将其发送到其他邻居节点之前将跳数值加1；

S4、邻居节点将具有较高跳数值的数据包定义为陈旧信息并将其忽略，然后网络模拟拓扑中的每个未知节点都会获得到每个锚节点的最小跳数值；

S5、计算每个锚节点的平均每跳距离，锚节点广播其自身的平均每跳距离值；

S6、估算未知节点与锚节点两者之间的距离；

S7、根据未知节点和锚节点之间的距离，将位置估计过程简化为最小化优化问题，并采用DE算法估算未知节点的具体位置。

优选地，所述步骤S1中，进一步包含：

S11、整个无线传感器网络DV-Hop节点定位系统初始化，选择传感器节点总个数N和锚节点的个数m，以及所有节点的通信半径R；其中，待定位的未知节点的个数为(N-m)个；

S12、网络部署节点，生成所述模拟网络拓扑。

优选地，所述步骤S2中的数据包的结构为{id,x_i,y_i,h_i}，其中，id为标识符，锚节点i的坐标为(x_i,y_i)，h_i是来自锚节点i的最小跳数值，且h_i初始值为0。

优选地，所述步骤S4中，网络模拟拓扑中的每个未知节点u都会获得到每个锚节点i的最小跳数值h_u,i，其中，i∈(1,2,…,m)。

优选地，所述步骤S5中，进一步包含：

S51、计算每个锚节点i的平均每跳距离HopSize_i：

其中，d_i,j是锚节点i和锚节点j之间的欧式距离，(x_i,y_i)、(x_j,y_j)分别是锚节点i和锚节点j的坐标，i≠j,i∈(1,2,…,m),j∈(1,2,…,m)，h_i,j是锚节点i和锚节点j之间的最小跳数；

S52、锚节点i通过受控洪泛系统在整个无线传感器网络DV-Hop节点定位系统中广播其自身的平均每跳距离值HopSize_i。

优选地，所述步骤S6中，进一步包含：

利用未知节点u与锚节点i的最小跳数值h_u,i及平均每跳距离HopSize_i这二者之积估算两者之间的距离，如下：

d_u,i＝HopSize_i×h_u,i

式中，h_u,i表示未知节点u和锚节点i的最小跳数值，HopSize_i表示锚节点i的平均每跳距离值。

优选地，所述步骤S7中，进一步包含：

S71、利用未知节点和锚节点之间的距离，将位置估计过程简化为最小化优化问题，目标函数定义为：

式中，(x_u,y_u)是未知节点u的坐标，(x_i,y_i)是锚节点i的坐标，d_u,i是未知节点u和锚节点i之间的估计距离；

S72、根据目标函数f(x_u,y_u)，得到适应度函数，如下：

式中，h_u,i是未知节点u和线标节点i之间的跳数，u＝(1,2,…,N-m)，N-m是待定位的未知节点的个数；

S73、采用DE算法求解与未知节点估计位置相对应的全局最优解，得到未知节点的估计位置。

优选地，所述步骤S73的DE算法进一步包含：

S73.1、生成NP个种群，每个种群含有D维个个体，利用NP个D维的实数值参数向量作为每一代的种群，第t代的第i个个体表示为设定进化代数t＝0，设定参数变量的界限为 表示个体的下搜索范围，表示个体的上搜索范围，j∈(1,D)；

S73.2、令种群初始值i＝1，第i个个体的初始值通过下式计算：

式中，i＝1,2,…,NP；j＝1,2,…,D；rand[0,1]表示在[0,1]之间产生的均匀随机数；

S73.3、对每个目标个体目标个体的变异个体的产生方式为以随机选择的个体作为父代基向量(rand)，采用一个差向量来生成变异个体，如下：

其中，r₁、r₂、r₃表示随机产生的[1，NP]之间互异且不相等的自然数；为种群中随机选择的三个不同个体，且r₁≠r₂≠r₃≠i；F∈[0,2]表示缩放比例因子；

S73.4、对于目标个体和变异个体进行交叉操作生成实验个体 表示t+1代的第i个试验个体，D表示问题空间维数，表示的1-D维分量构成部分；

交叉过程的计算如下：

其中，j为维度位参数，j∈(1,D)，r_j为第j个[0,1]之间的随机数；rnbr_i为[1,D]之间的随机自然数；CR为交叉概率，CR∈[0,1]；

S73.5、采用贪婪准则在和之间进行选择，产生下一代个体

其中，是指第t+1代的第i个个体；f(·)表示目标函数；

S73.6、令j＝j+1，并判断j≤NP，若成立，则跳转至步骤S73.3，若不成立，则继续步进行骤S73.7；

S73.7、令t＝t+1，判断是否满足算法终止条件，若满足，则输出最优解并且结束迭代过程；若不满足，则跳转至步骤S73.1，循环进行，直至最终输出最优解并且终止迭代过程。

与现有技术相比，本发明的有益效果为：

(1)本发明考虑了DV-Hop算法，实现简单但定位精度较低的问题，改进了锚节点的平均每跳距离计算公式，有效地解决了平均每跳距离估计误差均值为零的问题；该DV-Hop算法的定位精度主要依靠估计的平均每跳距离的精确度。

(2)现有的DV-Hop算法是当未知节点获得与3个或者更多的锚节点的估计距离时，根据最小二乘法来计算未知节点的位置。但是最小二乘法估计误差极大，本发明引入了差分进化算法，其将节点的位置估计过程转化为最小化优化问题，并通过给出了一个目标函数，并使用DE算法求解，可以得到与未知节点估计位置相对应的全局最优解。

综上所述，本发明基于DE改进的无线传感器网络DV-Hop节点定位方法，定位误差更小，稳定性更好，更适用于定位精度和稳定性要求较高的应用场景。

附图说明

图1为本发明的基于DE改进的无线传感器网络DV-Hop节点定位方法整体流程图；

图2为本发明的步骤7中的DE算法的具体流程图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，本发明提供了一种基于DE改进的无线传感器网络DV-Hop节点定位方法，该方法包含以下步骤：

S1、系统初始化设置传感器节点总数和锚节点所占比例、所有节点的通信半径，并网络部署节点，生成模拟网络拓扑；

所述步骤S1中，进一步包含：S11、进行系统(即无线传感器DV-Hop节点定位系统)初始化，选择传感器节点总个数N和锚节点的个数m，以及所有节点的通信半径R；其中，待定位的未知节点的个数为(N-m)个；S12、网络部署节点，生成模拟网络拓扑。

S2、所有锚节点向其邻居节点广播具有其位置的数据包以及初始化设置为零的跳数字段；其中，所述步骤S2中的数据包的结构是{id,x_i,y_i,h_i}，包括标识符id，锚节点i的坐标为(x_i,y_i)，h_i是来自锚节点i的最小跳数值，h_i初始值为0。

S3、邻居节点接收到来自特定锚节点的较小跳数值的数据包之后，保存锚节点的位置，并在将其(即该较小跳数值的数据包)发送到其他邻居节点之前将跳数值加1；

S4、邻居节点会将具有较高跳数值的数据包定义为陈旧信息并将其忽略。此阶段完成时，网络拓扑中的每个未知节点u都会获得到每个锚节点i的最小跳数值h_u,i；其中i∈(1,2,…,m)；

S5、计算每个锚节点的平均每跳距离，锚节点通过受控洪泛系统在系统(即无线传感器DV-Hop节点定位系统)中广播其自身的平均每跳距离值；

所述的步骤S5中，进一步包含：

S51、计算每个锚节点i的平均每跳距离HopSize_i：

其中：d_i,j是锚节点i和锚节点j之间的欧式距离，(x_i,y_i)、(x_j,y_j)分别是锚节点i和锚节点j的坐标，i≠j,i∈(1,2,…,m),j∈(1,2,…,m)，h_i,j是锚节点i和锚节点j之间的最小跳数。

S52、计算之后，锚节点i通过受控洪泛系统在系统中广播其自身的平均每跳距离值HopSize_i。

S6、估算未知节点与锚节点两者之间的距离；

所述步骤S6中，进一步包含：利用未知节点u与锚节点i的最小跳数h_u,i及平均每跳距离HopSize_i二者之积估算两者之间的距离，如下：

d_u,i＝HopSize_i×h_u,i

其中：h_u,i表示未知节点u和锚节点i的最小跳数，HopSize_i表示锚节点i的平均每跳距离。

S7、利用未知节点和锚节点之间的距离建立了一个优化的数学模型，将位置估计过程简化为最小化优化问题，然后采用差分进化算法(DE算法)为优化模型提供解决方案，估算未知节点的具体位置。

所述步骤S7中，进一步包含：

S71、利用未知节点和锚节点之间的距离建立了一个优化的数学模型，将位置估计过程简化为最小化优化问题；其中，目标函数定义为：

其中，这里的目标函数值的是整个算法定位最终求解的目标函数，是节点估计过程的优化函数；式中，(x_u,y_u)是未知节点u的坐标，(x_i,y_i)是锚节点i的坐标，d_u,i是未知节点u和锚节点i之间的估计距离；

S72、根据目标函数f(x_u,y_u)，则适应度函数表示为：

式中，h_u,i是未知节点u和线标节点i之间的跳数，u＝(1,2,…,N-m)，N-m是待定位的未知节点的个数；

S73、采用DE算法为优化模型提供解决方案，可以得到与未知节点估计位置相对应的全局最优解，得到未知节点的估计位置。

如图2所示，DE算法的具体流程如下：

(1)在问题的可行解区域，随机初始化生成NP个种群每个种群含有D维维度个个体，利用NP个D维的实数值参数向量作为每一代的种群，第t代的第i个个体表示为个体表示为设定进化代数t＝0，其中，设定参数变量的界限为 表示个体的下搜索范围，表示个体的上搜索范围，j∈(1,D)，D是维度；

(2)令种群初始值i＝1，其中，第i个个体的初始值通过下式计算：

式中，i＝1,2,…,NP；j＝1,2,…,D；rand[0,1]表示在[0,1]之间产生的均匀随机数。

(3)对于当前种群中的个体目标个体的变异个体的产生方式为以随机选择的个体作为父代基向量(rand)，采用一个差向量来生成变异个体，如下：

其中，r₁、r₂、r₃表示随机产生的[1，NP]之间互异且不相等的自然数；为种群中随机选择的三个不同个体且r₁≠r₂≠r₃≠i；F∈[0,2]表示缩放比例因子。

(4)对于个体和变异个体进行交叉操作得到试验个体 表示t+1代的第i个试验个体，D表示问题空间维数，表示的1-D维分量构成部分；

交叉过程的计算如下：

其中，j为维度位参数，j∈(1,D)，r_j为第j个[0,1]之间的随机数；rnbr_i为[1,D]之间的随机自然数；CR为交叉概率，CR∈[0,1]；

因此可知，对于第j位参数，若j＝rnbr_i：取变异个体上的第j位参数作为试验个体上的第j位参数；若j≠rnbr_i：随机产生[0,1]之间的随机实数r_j，若r_j≤CR，取变异个体上的第j位参数作为试验个体上的第j位参数，否则，取目标个体上的第j位参数作为试验个体上的第j位参数。

(5)采用贪婪准则在和之间进行选择，产生下一代个体

其中：是指第t+1代的第i个个体；f(·)表示目标函数。

因此，从试验个体中选择出最小化问题的子代个体

(6)j＝j+1，判断条件j≤NP，条件成立，回到步骤(3)，条件不成立，继续步骤(7)；

(7)t＝t+1，判断是否满足算法终止条件，条件成立，则输出最优解并且结束迭代过程；条件不成立，回到步骤(2)，循环进行，直至最终输出最优解并且终止迭代过程。

本发明基于DE改进的无线传感器网络DV-Hop节点定位方法，定位误差更小，稳定性更好，更适用于定位精度和稳定性要求较高的应用场景。

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 (8)

1.一种基于DE改进的无线传感器网络DV-Hop节点定位方法，其特征在于，该方法包含以下步骤：

S1、初始化设置传感器节点总数、锚节点所占比例和所有节点的通信半径，并网络部署节点，生成模拟网络拓扑；

S2、所有锚节点向其邻居节点广播具有其位置的数据包以及初始化设置为零的跳数字段；

S3、邻居节点接收到来自特定锚节点的较小跳数值的数据包之后，保存锚节点的位置，并在将其发送到其他邻居节点之前将跳数值加1；

S4、邻居节点将具有较高跳数值的数据包定义为陈旧信息并将其忽略，然后网络模拟拓扑中的每个未知节点都会获得到每个锚节点的最小跳数值；

S5、计算每个锚节点的平均每跳距离，锚节点广播其自身的平均每跳距离值；

S6、估算未知节点与锚节点两者之间的距离；

S7、根据未知节点和锚节点之间的距离，将位置估计过程简化为最小化优化问题，并采用DE算法估算未知节点的具体位置。

2.如权利要求1所述的基于DE改进的无线传感器网络DV-Hop节点定位方法，其特征在于，

所述步骤S1中，进一步包含：

S11、整个无线传感器网络DV-Hop节点定位系统初始化，选择传感器节点总个数N和锚节点的个数m，以及所有节点的通信半径R；其中，待定位的未知节点的个数为(N-m)个；

S12、网络部署节点，生成所述模拟网络拓扑。

3.如权利要求2所述的基于DE改进的无线传感器网络DV-Hop节点定位方法，其特征在于，

所述步骤S2中的数据包的结构为{id,x_i,y_i,h_i}，其中，id为标识符，锚节点i的坐标为(x_i,y_i)，h_i是来自锚节点i的最小跳数值，且h_i初始值为0。

4.如权利要求3所述的基于DE改进的无线传感器网络DV-Hop节点定位方法，其特征在于，

所述步骤S4中，网络模拟拓扑中的每个未知节点u都会获得到每个锚节点i的最小跳数值h_u,i，其中，i∈(1,2,…,m)。

5.如权利要求1所述的基于DE改进的无线传感器网络DV-Hop节点定位方法，其特征在于，

所述步骤S5中，进一步包含：

S51、计算每个锚节点i的平均每跳距离HopSize_i：

其中，d_i,j是锚节点i和锚节点j之间的欧式距离，(x_i,y_i)、(x_j,y_j)分别是锚节点i和锚节点j的坐标，i≠j,i∈(1,2,…,m),j∈(1,2,…,m)，h_i,j是锚节点i和锚节点j之间的最小跳数；

S52、锚节点i通过受控洪泛系统在整个无线传感器网络DV-Hop节点定位系统中广播其自身的平均每跳距离值HopSize_i。

6.如权利要求5所述的基于DE改进的无线传感器网络DV-Hop节点定位方法，其特征在于，

所述步骤S6中，进一步包含：

利用未知节点u与锚节点i的最小跳数值h_u,i及平均每跳距离HopSize_i这二者之积估算两者之间的距离，如下：

d_u,i＝HopSize_i×h_u,i

式中，h_u,i表示未知节点u和锚节点i的最小跳数值，HopSize_i表示锚节点i的平均每跳距离值。

7.如权利要求6所述的基于DE改进的无线传感器网络DV-Hop节点定位方法，其特征在于，

所述步骤S7中，进一步包含：

S71、利用未知节点和锚节点之间的距离，将位置估计过程简化为最小化优化问题，目标函数定义为：

式中，(x_u,y_u)是未知节点u的坐标，(x_i,y_i)是锚节点i的坐标，d_u,i是未知节点u和锚节点i之间的估计距离；

S72、根据目标函数f(x_u,y_u)，得到适应度函数，如下：

式中，h_u,i是未知节点u和线标节点i之间的跳数，u＝(1,2,…,N-m)，N-m是待定位的未知节点的个数；

S73、采用DE算法求解与未知节点估计位置相对应的全局最优解，得到未知节点的估计位置。

8.如权利要求7所述的基于DE改进的无线传感器网络DV-Hop节点定位方法，其特征在于，

所述步骤S73的DE算法进一步包含：

S73.1、生成NP个种群，每个种群含有D维个个体，利用NP个D维的实数值参数向量作为每一代的种群，第t代的第i个个体表示为设定进化代数t＝0，设定参数变量的界限为 表示个体的下搜索范围，表示个体的上搜索范围，j∈(1,D)；

S73.2、令种群初始值i＝1，第i个个体的初始值通过下式计算：

式中，i＝1,2,…,NP；j＝1,2,…,D；rand[0,1]表示在[0,1]之间产生的均匀随机数；

S73.3、对每个目标个体目标个体的变异个体的产生方式为以随机选择的个体作为父代基向量(rand)，采用一个差向量来生成变异个体，如下：

其中，r₁、r₂、r₃表示随机产生的[1，NP]之间互异且不相等的自然数；为种群中随机选择的三个不同个体，且r₁≠r₂≠r₃≠i；F∈[0,2]表示缩放比例因子；

S73.4、对于目标个体和变异个体进行交叉操作生成实验个体 表示t+1代的第i个试验个体，D表示问题空间维数，表示的1-D维分量构成部分；

交叉过程的计算如下：

其中，j为维度位参数，j∈(1,D)，r_j为第j个[0,1]之间的随机数；rnbr_i为[1,D]之间的随机自然数；CR为交叉概率，CR∈[0,1]；

S73.5、采用贪婪准则在和之间进行选择，产生下一代个体

其中，是指第t+1代的第i个个体；f(·)表示目标函数；

S73.6、令j＝j+1，并判断j≤NP，若成立，则跳转至步骤S73.3，若不成立，则继续步进行骤S73.7；

S73.7、令t＝t+1，判断是否满足算法终止条件，若满足，则输出最优解并且结束迭代过程；若不满足，则跳转至步骤S73.1，循环进行，直至最终输出最优解并且终止迭代过程。