CN110113815B - 一种改进的基于iwo的无线传感器网络定位方法 - Google Patents

Abstract

本发明涉及一种改进的基于IWO的无线传感器网络定位方法，属于无线传感器网络技术领域。本发明首先将网络中各无线传感器节点完成定位前的数据交互，再对未知节点的位置进行区域性估计，得到估计区域，接着以该估计区域为可行解搜索空间，通过改进算法初始种群的随机分布和杂草分布标准差，在估计区域内完成最优解的搜索，最后以最优解作为未知节点的最佳位置估计，输出定位结果。本发明可以在提高算法收敛速度、降低算法计算成本的同时有效提高算法定位精度。

Description

一种改进的基于IWO的无线传感器网络定位方法

技术领域

本发明涉及一种改进的基于IWO(Invasive Weed Optimization)的无线传感器网络定位方法，属于无线传感器网络技术领域。

背景技术

无线传感器网络是由部署在监测区域内的大量廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织网络系统。其目的是协作地感知、采集和处理网络覆盖区域中被感知对象的信息，并发送给观察者。它提供了一种全新的信息获取和处理方式，可被广泛应用于环境监测(如森林防火、水文监测等)、目标追踪、灾难救援、工业控制、精细化农业、建筑物状态检测(如桥梁监测、高层建筑监测等)、智能交通、智能家居、智能物流、医疗护理和国防军事等人类生活相关的众多领域。

在无线传感器网络的大多数应用中，当监测到网络中有事件发生时，人们所关心的一个重要问题就是该事件发生的位置，传感器节点只有明确自身位置才能详细说明“在什么位置发生了什么事件”，从而帮助观察者做出正确决策。如何以较小的代价获得较高精度的节点位置估计，关系到无线传感器网络能否真正走向实用的关键性问题。

因为使用GPS、北斗等卫星定位技术进行定位存在定位成本高(尤其不适合大规模无线传感器网络的使用)、应用环境受限等问题，诸多研究人员提出了各种无线传感器网络定位算法与机制，以实现无线传感器网络中除锚节点(Anchor node，指能通过GPS等手段直接获取自身位置的无线传感器节点)之外的所有未知节点(Unknown node，指不知道自身位置，需要通过定位方法来计算自身位置的无线传感器节点)的位置计算。这些方法当中，基于智能计算技术的无线传感器网络定位方法是近年来一个很重要的研究方向。基于智能计算的定位研究之所以成为当前的一个研究热点，主要有三方面原因：第一是无线传感器网络定位的本质就是一种以测量数据为依据，对传感器节点位置进行估计的过程，它能够很自然地转化为约束优化问题来解决；第二是使用智能计算方法能够带来较高的定位精度；第三则是近年来微电子技术、芯片技术等的飞速发展，使得传感器节点的综合性能(尤其是计算存储性能)得以快速提高，各种基于智能计算方法的复杂算法得以成功应用于无线传感器网络和传感器节点的多种计算需求。可以预见，随着微控器技术、芯片技术、低功耗技术等的飞速发展，智能计算技术在无线传感器网络定位等各种关键技术中的应用研究将引起更多研究者的重视。在无线传感器网络定位中常用的智能计算方法有遗传算法(GA)、粒子群优化(PSO)、神经网络算法(NN)、入侵杂草优化(IWO)等。其中，IWO算法模拟杂草的生长、繁殖和竞争性消亡过程，原理相对简单且易于实现，不需要遗传操作算子，具有很强的鲁棒性和自适应性，能简单有效地收敛于问题的最优解。目前IWO算法已成功应用于飞机制造中智能机翼上压电式控制器的最优定位、天线配置与设计等多种工程实践领域。这些研究表明，IWO算法在收敛速度、鲁棒性等方面均优于GA、PSO等传统智能优化算法。然而基于IWO的无线传感器网络定位算法仍然存在迭代次数多、计算量大以及容易陷入局部最优等问题。

发明内容

本发明要解决的技术问题是针对现有基于IWO的无线传感器网络定位方法中存在的上述问题，提出一种改进的基于IWO的无线传感器网络定位方法，用以解决上述问题。

本发明的技术方案是：一种改进的基于IWO的无线传感器网络定位方法，首先将网络中各无线传感器节点完成定位前的数据交互，再通过区域估计方法对未知节点(又称待定位节点)的位置进行合理的区域性估计，使得后续算法进行搜索寻优时的可行解搜索空间由整个网络覆盖区域极大地缩小为一个极小区域，即由区域估计方法得到的估计区域，从而提高算法全局搜索速度。接着以上述估计区域为可行解搜索空间，使用均匀设计方法在可行解搜索空间内生成杂草初始种群，以改进经典IWO算法生成的初始种群的随机分布情况，提高算法的全局搜索速度和效率。然后通过自适应标准差替代经典IWO算法中的恒定标准差，帮助算法产生的子代新种子跳出局部最优，在加快收敛速度的同时有效平衡全局和局部搜索能力。最后算法在估计区域内完成最优解的搜索，并以最优解作为未知节点的最佳位置估计，输出定位结果，在提高收敛速度、降低计算成本的同时取得较高的定位精度。

具体步骤为：

Step1：定位准备阶段，网络中各无线传感器节点完成定位前的数据交互。

Step2：区域估计阶段，未知节点使用区域估计方法计算自身所处区域(此区域也是后续算法的可行解搜索空间)。

Step3：搜索寻优阶段，在估计区域(即可行解搜索空间)内完成最优解的搜索。

Step3.1：使用均匀分布技术在搜索空间内产生若干个杂草个体形成初始杂草种群；

Step3.2：计算初始杂草种群中每个杂草个体的适应度值；

Step3.3：由Step3.2进一步计算最小、最大和平均适应度值；

Step3.4：计算每个杂草可繁殖的种子个数(即子代个数)；

Step3.5：使用一种新的自适应标准差公式计算每个杂草的分布标准差；

Step3.6：完成种子的扩散分布，这些种子和父代杂草一起形成新的杂草种群；

Step3.7：计算新种群中每个杂草个体的适应度值；

Step3.8：判断当前种群规模是否超出可允许的最大种群规模，如果超出，则进行优胜劣汰，按照最大种群规模数量选出哪些适应度好的个体作为新一代种群(其它适应度差的个体直接淘汰)；

Step3.9：判断是否达到搜索停止条件：如果未达到，则转入Step3.3；否则通过计算最小适应度值确定当前种群的最佳杂草个体，并以此作为最优解；

Step4：定位完成阶段，以Step3最终获得的最优解作为未知节点的最佳位置估计，输出定位结果，算法结束。

本发明的有益效果是：

1、本发明采用的区域估计方法将可行解搜索空间由整个网络覆盖区域缩小到一个极小的区域，有效提高了全局搜索速度，同时降低了算法计算成本；

2、本发明采用的均匀设计方法改进了杂草初始种群的随机分布，提高了全局搜索速度和效率，并进一步降低了算法计算成本；

3、本发明采用的自适应标准差能帮助算法产生的子代种子跳出局部最优，在进一步加快收敛速度的同时有效平衡全局和局部搜索能力；

4、本发明在提高收敛速度、降低计算成本和网络成本的同时有着更高的定位精度。

附图说明

图1是本发明的步骤流程图；

图2是本发明具体实施方式中通过区域估计方法计算得到未知节点估计区域的示意图；

图3是本发明与经典IWO算法的杂草初始种群在可行解空间的分布对比示意图；

图4是本发明与经典IWO算法的进化曲线对比图；

图5是本发明具体实施方式中区域估计与定位效果仿真示意图；

图6是本发明与经典IWO算法的节点平均定位误差对比图；

图7是本发明与经典IWO算法在不同锚节点比例下的全网平均定位误差对比图。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

一种改进的基于IWO的无线传感器网络定位方法，首先将网络中各无线传感器节点完成定位前的数据交互，再对未知节点的位置进行区域性估计，得到估计区域，接着以该估计区域为可行解搜索空间，通过改进算法初始种群随机分布和杂草分布标准差，在估计区域内完成最优解的搜索，最后以最优解作为未知节点的最佳位置估计，输出定位结果。

如图1所示，具体步骤为：

Step1：将网络中各无线传感器节点完成定位前的数据交互，完成定位准备。所述数据交互主要指锚节点发送包含有自身ID和位置数据的广播信息，未知节点接收邻居锚节点的广播信息并使用RSSI测距技术完成自身到邻居锚节点的距离测量。

Step2：对未知节点的位置进行区域性估计，将未知节点以其所有邻居锚节点的正方形覆盖区域的交集区域作为自身的估计区域，如图2所示，其中，矩形ABCD为整个无线传感器网络的覆盖区域，三角形U_n为网络中的一个未知节点，圆形A_i、A_j和A_k为未知节点U_n的邻居锚节点，矩形EFGH为未知节点U_n的正方形覆盖区域，矩形IJKL为锚节点A_i的正方形覆盖区域，矩形QRST为锚节点A_j的正方形覆盖区域，矩形MNOP为锚节点A_k的正方形覆盖区域，矩形XRZY为锚节点A_i、A_j和A_k的正方形覆盖区域的交集区域(阴影部分)，也是未知节点U_n的区域估计结果。由图2可见，区域估计方法将未知节点U_n的所在区域由整个网络覆盖区域ABCD缩小到矩形XRZY这样一个极小的阴影区域，将极大加快后续算法搜索寻优的速度，同时降低计算成本。所述邻居锚节点指未知节点最大通信半径内已知自身位置的无线传感器节点，所述正方形覆盖区域指以相应节点为圆心，以节点最大通信距离为半径的圆形的外切正方形。该正方形覆盖区域以相应节点为中心，边长是节点最大通信距离的二倍。所述估计区域包括左右上下四个边界，具体由式(1)表示。所述区域估计方法的优势是计算矩形交集比计算圆形交集更加简单易实现，所需计算量最小，可大大节约传感器节点在定位过程中的能耗。

S＝[max(x_i-R),min(x_i+R)]×[max(y_i-R),min(y_i+R)] (1)

式中，(x_i,y_i)表示邻居锚节点坐标，R表示节点最大通信距离，S表示估计区域，max(x_i-R)表示估计区域的左边界，min(x_i+R)表示估计区域的右边界，max(y_i-R)为估计区域的下边界，min(y_i+R)为估计区域的上边界；

Step3：在可行解搜索空间搜索最优解，所述可行解搜索空间即Step 2中得到的未知节点的估计区域，具体为：

Step3.1：使用均匀分布技术在搜索空间内产生若干个杂草个体形成初始杂草种群。

令G＝0，使用均匀分布技术在可行解搜索空间S内产生n个杂草个体形成初始杂草种群P(G)＝{p_i,i＝1,2,…,n,n≤p_max}。所述G表示杂草种群进化代数。

在原始IWO算法中，初始种群是随机产生的。这种随机生成的种群并不能保证对解空间的均匀有效覆盖，很有可能偏离最优解很远，这将直接影响到算法搜索的速度和效率。均匀设计方法能有效解决该问题。其具体步骤如下：

(1)根据均匀设计原理和方法构造均匀设计表U_n(N^m-1)，用u_ij表示U_n(N^m-1)中的元素，i＝1,2,…,N,j＝1,2,…,m-1。构造上述均匀设计表有多种方法，只要能得到本发明所要求的均匀设计表均可适用于本发明中，在具体实施方式中采用最普遍的好格子点法(GLP)来构造均匀设计表U_n(N^m-1)，其构造方法如下：

①根据给定试验数N，寻找比N小的整数h，且使N和h的最大公约数为1。符合这些条件的正整数组成一个向量h＝(h₁,h₂,…,h_s)，其中s由欧拉函数

决定。

②用式(2)生成均匀设计表的第j列：

u_ij＝ih_j[modN],i＝1,2,…,N,j＝1,2,…,s (2)

这里[modN]表示同余运算。若ih_j超过N，则用它减去N的一个适当倍数，使差落在[1,N]之中。(u_ij)_N×s可以用式(3)递推来生成：

至此，得到均匀设计表U_N(N^s)。

③从均匀设计表U_N(N^s)即(u_ij)_N×s中选出m-1列，使其相应的均匀设计有最小的CD₂偏差，即构造完成所需的均匀设计表U_N(N^m-1)。

(2)对于每个j，用式(4)做如下变换

式中，

和

表示在j方向上的取值边界。对本实施方法中的二维空间入侵杂草优化算法应用而言，j方向包括x轴和y轴两个方向，对应取值边界即区域估计方法得到的估计区域的左右边界和上下边界。

Step3.2：利用公式(5)计算初始杂草种群中每个杂草个体的适应度值f(x,y)；

式中，d_i表示未知节点到第i个邻居锚节点(x_i,y_i)的距离，

表示采用RSSI测距方法得到的未知节点到第i个邻居锚节点的包含噪声的测距值，n_u为所求未知节点的邻居锚节点数目。

Step3.3：根据Step3.2得到的每个杂草个体的适应度值计算最小适应度值、最大适应度值和平均适应度值。

Step3.4：利用公式(6)计算每个杂草可繁殖的种子个数；

式中，f(p_i)为第i个杂草个体的适应度值，F_max和F_min为该代进化中最大、最小适应度值，S_max和S_min为可产生的最大种子数和最小种子数。

Step3.5：利用公式(7)来计算每个杂草的分布标准差；

式中，p_iter,i表示第iter代种群中第i个杂草个体，iter表示种群进化代数，F_iter,a、F_iter,max、F_iter,min是该代进化中的平均适应度值、最大适应度值和最小适应度值，γ为缩放因子，控制标准差的变化范围，一般取0到1之间。

在原始IWO算法中，种子的分布标准差σ只能随进化代数的增加而变小，而在某一代中的每个个体的σ值是相同的(等于σ_iter)，这显然不利于算法收敛。本发明在此采用了一种更为合理有效的方法：标准差σ的值在随着代数变化的同时还根据每个个体的适应度值大小进行调整，由式(7)表示。可以看出，对于最小化问题，在某一代中，适应度值小的个体具有较小的标准差，这样有利于种子分布在较优个体周围；而适应度值大的个体标准差较大，有利于在较远范围内分布更优的种子，有助于提高算法的收敛速度；另一方面，该自适应标准差σ_iter,i的取值范围为[1-γ,1+γ]σ_iter，在进化的下一代某个个体的标准差很可能大于上一代某个个体的标准差，而不是原始IWO算法中下一代的标准差一定小于上一代的标准差，帮助产生的新种子跳出局部最优，在加快收敛速度的同时有效平衡了全局和局部搜索能力。

Step3.6：利用公式(8)完成种子的产生和扩散分布，这些种子和父代杂草一起形成新的杂草种群P(G+1)；

式中，p_i,s表示种子的分布位置，p_i表示父代杂草的位置，

表示均值为0，方差为

的正态分布，方差的值越大，则种子距离父代杂草越远，有利于全局搜索，当方差的值较小时，产生的种子距离父代杂草较近，有利于局部搜索。

Step3.7：利用公式(5)计算新的杂草种群P(G+1)中每个杂草个体的适应度值；

Step3.8：判断当前种群规模n_cp是否超出可允许的种群规模最大值p_max，如果超出，即n_cp>p_max，则进行优胜劣汰，先按照适应度值从小到大对杂草个体进行排序，然后选出其中前p_max个最优个体形成种群P(G+1)，其余n_c-p_max个适应度差的个体直接淘汰。

Step3.9：判断是否达到搜索停止条件iter＞iter_max，其中iter表示当前种群进化代数，iter_max表示设定的种群最大进化代数，如果未达到，则G＝G+1,并转入Step3.3；反之，则根据最小适应度值确定种群的最佳杂草个体，并以此作为最优解。

Step4：以Step 3最终获得的最优解作为未知节点的最佳位置估计，输出定位结果。

仿真实验：

为了验证本发明算法的有效性和实用性，从多个方面进行了仿真实验。

第一个仿真实验是本发明与经典IWO算法的杂草初始种群在可行解空间的分布对比示意图，如图3所示。其中，图3(a)为经典IWO算法采用随机方法生成的杂草初始种群。可以看到，这种随机生成的种群并不能保证对可行解空间的均匀有效覆盖(存在大面积空白现象和个体重叠现象)，很有可能偏离最优解较远，这将直接影响到算法全局搜索的速度和效率，也使得算法容易出现早熟收敛，陷入局部最优。因为种群是否能够均匀分布在整个解空间，对算法最终求得的最优解质量和速度是至关重要的。所以，为了提高性能，使其更好的应用于无线传感器网络节点定位，有必要对其种群进行更均匀的设置。

图3(b)为本发明采用均匀分布技术生成的杂草初始种群。可以看到，均匀分布技术的采用，明显改进了杂草初始种群在可行解空间的分布，不会出现经典IWO算法在生成初始种群时出现的大面积空白的现象和多个杂草个体相互重叠的现象，使得初始种群能够更有效、更全面的分布在可行解空间，这更有利于后续算法的搜索寻优，提高算法的全局搜索速度和效率，降低计算成本。

第二个仿真实验是本发明与原始IWO算法的收敛性能对比，如图4所示。可以看到，与经典IWO算法相比，本发明的收敛性能明显得到提升，以更快的收敛速度、更少的进化代数得到最优解。而收敛速度的加快、进化代数的减少都将降低计算成本。

第三个仿真实验是本发明区域估计和定位效果示意图，如图5所示。此次仿真实验的网络部署区域为100m×100m的矩形区域，共部署100个无线传感器节点组成无线传感器网络(圆形表示锚节点，三角形表示未知节点)，每个节点的最大通信半径为15m，锚节点比例为30％。为了尽量符合无线传感器网络的真实部署方式和网络使用场景，并考虑到实际场景下的RSSI测距存在的误差问题，仿真实验中所有节点坐标在网络部署区域内随机生成，并设定RSSI测距最大误差15％。在执行过程中，首先通过区域估计方法获取未知节点的估计区域(用虚线矩形表示)，然后在各矩形区域内完成搜索寻优过程，最终获取未知节点的定位结果(用“*”表示)，在未知节点和其定位结果之间用线连接。

由图5可以看到，区域估计可以将未知节点的可行解空间由整个网络区域(100m×100m)缩小到图中各“虚线矩形”所表示的极小范围，这使得用较小的种群规模即可完成对搜索空间的覆盖，用较小的进化代数即可完成对最优解的搜索，在极大程度上加快了收敛速度，降低了计算成本，提高了分布式应用的可行性与实用性。

因为未知节点数目较多，如果将网络中每个未知节点的区域估计结果或最终定位结果都用红色矩形框和连线表示出来的话，整个图将会显得杂乱无章、无法分辨，严重影响示意效果。所以在图5中只是随机抽取少数几个未知节点进行区域估计效果和最终定位效果的演示。图中数字“33、34、36和38”是被抽取到的未知节点编号。

第四个仿真实验是本发明与经典IWO算法的各节点平均定位误差对比，如图6所示。共100个无线传感器节点随机部署在100m×100m的矩形区域组成无线传感器网络，其中锚节点比例为10％，每个节点的最大通信半径为50m，RSSI测距最大误差为15％。为了排除实验数据的偶然性并保证实验数据的有效性，实验评价指标为T(T＝30)次实验所得未知节点相对定位误差(估计坐标与实际坐标之间的距离与节点通信半径之比)的算法平均。从图6可以看到，与经典IWO算法的定位结果相比，本发明的定位精度明显提高，最大提升精度17.26％，平均提升精度5.44％。

第五个仿真实验是本发明本与经典IWO算法在不同锚节点比例下的全网平均定位误差对比，如图7所示。共100个无线传感器节点随机部署在100m×100m的矩形区域组成无线传感器网络，每个节点的最大通信半径为35m，RSSI测距最大误差为15％。实验评价指标为T(T＝30)次实验所得网络平均定位误差。

从图7可以看到，随着锚节点比例的提高，本发明始终保持较高的定位精度。因为锚节点的成本比普通节点高两个数量级，所以锚节点比例将直接关系到整个网络成本大小。而在相同的定位误差要求下，本发明需要的锚节点数最少，所以使用本发明可以最大程度的降低对锚节点数量的需求，从而较大程度降低网络成本。

综合上述几个仿真实验来讲，本发明能够在加快收敛速度、降低计算成本和网络成本的同时，明显提高定位精度，其有效性和实用性得到了充分证明。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种改进的基于IWO的无线传感器网络定位方法，其特征在于：首先将网络中各无线传感器节点完成定位前的数据交互，再对未知节点的位置进行区域性估计，得到估计区域，接着以该估计区域为可行解搜索空间，通过改进算法初始种群随机分布和杂草分布标准差，在估计区域内完成最优解的搜索，最后以最优解作为未知节点的最佳位置估计，输出定位结果；

具体步骤为：

Step1：将网络中各无线传感器节点完成定位前的数据交互，完成定位准备；

Step2：对未知节点的位置进行区域性估计，将未知节点以其所有邻居锚节点的正方形覆盖区域的交集区域作为自身的估计区域，如式(1)所示：

S＝[max(x_i-R),min(x_i+R)]×[max(y_i-R),min(y_i+R)] (1)

式中，(x_i,y_i)表示邻居锚节点坐标，R表示节点最大通信距离，S表示估计区域，max(x_i-R)表示左边界，min(x_i+R)表示右边界，max(y_i-R)为下边界，min(y_i+R)为上边界；

Step3：以估计区域为可行解搜索空间搜索最优解，具体为：

Step3.1：使用均匀分布技术在搜索空间内产生若干个杂草个体形成初始杂草种群；

令G＝0，使用均匀分布技术在可行解搜索空间S内产生n个杂草个体形成初始杂草种群P(G)＝{p_i,i＝1,2,…,n,n≤p_max}，所述G表示杂草种群进化代数；

所述均匀分布技术具体步骤如下：

Step3.1.1：构造均匀设计表U_n(N^m-1)，用u_ij表示U_n(N^m-1)中的元素，i＝1,2,…,N,j＝1,2,…,m-1；

Step3.1.1.1：根据给定试验数N，寻找比N小的整数h，且使N和h的最大公约数为1，符合这些条件的正整数组成一个向量h＝(h₁,h₂,…,h_s)，其中s由欧拉函数

决定；

Step3.1.1.2：用式(2)生成均匀设计表的第j列：

u_ij＝ih_j[modN],i＝1,2,…,N,j＝1,2,…,s (2)

这里[modN]表示同余运算；

若ih_j超过N，则用它减去N的一个适当倍数，使差落在[1,N]之中，(u_ij)_N×s可以用式(3)递推来生成：

至此，得到均匀设计表U_N(N^s)；

Step3.1.1.3：从均匀设计表U_N(N^s)，即(u_ij)_N×s中选出m-1列，使其相应的均匀设计有最小的CD₂偏差，即构造完成所需的均匀设计表U_N(N^m-1)；

Step3.1.2：对于每个j，用式(4)做如下变换

式中，

和

表示在j方向上的取值边界，j方向包括x轴和y轴两个方向，对应取值边界即区域估计方法得到的估计区域的左右边界和上下边界；

Step3.2：利用公式(5)计算初始杂草种群中每个杂草个体的适应度值f(x,y)；

式中，d_i表示未知节点到第i个邻居锚节点(x_i,y_i)的距离，

表示采用RSSI测距方法得到的未知节点到第i个邻居锚节点的包含噪声的测距值，n_u为所求未知节点的邻居锚节点数目；

Step3.3：根据Step3.2得到的每个杂草个体的适应度值计算所有杂草的最小适应度值、最大适应度值和平均适应度值；

Step3.4：利用公式(6)计算每个杂草可繁殖的种子个数；

式中，f(p_i)为第i个杂草个体的适应度值，F_max和F_min为该代进化中最大、最小适应度值，S_max和S_min为可产生的最大种子数和最小种子数；

Step3.5：利用公式(7)来计算每个杂草的分布标准差；

式中，p_iter,i表示第iter代种群中第i个杂草个体，iter表示种群进化代数，F_iter,a、F_iter,max、F_iter,min是该代进化中的平均适应度值、最大适应度值和最小适应度值，γ为缩放因子；

Step3.6：利用公式(8)完成种子的产生和扩散分布，使扩散分布后的种子和父代杂草一起形成新的杂草种群P(G+1)；

式中，p_i,s表示种子的分布位置，p_i表示父代杂草的位置，

表示均值为0，方差为

的正态分布；

Step3.7：利用公式(5)计算新的杂草种群P(G+1)中每个杂草个体的适应度值；

Step3.8：判断当前种群规模n_cp是否超出可允许的种群规模最大值p_max，如果超出，即n_cp>p_max，则进行优胜劣汰，先按照适应度值从小到大对杂草个体进行排序，然后选出其中前p_max个最优个体形成种群P(G+1)；

Step3.9：判断是否达到搜索停止条件：

如果未达到，则转入Step3.3；

如果达到，则根据最小适应度值确定种群的最佳杂草个体，并以此作为最优解；

Step4：以Step3最终获得的最优解作为未知节点的最佳位置估计，输出定位结果。

Images