CN111314841B - 一种基于压缩感知与改进遗传算法的wsn定位方法 - Google Patents

Abstract

一种基于压缩感知与改进遗传算法的WSN定位方法，涉及WSN定位领域，包括步骤：S1.初始化网络结构，信标节点均匀分布、未知节点随机分布。S2.节点相互通信，信标节点接受未知节点传输数据包。S3.初步根据通信结果缩小定位区域，作为第一阶段的结果。S4.在缩小的区间内划分网络，构建压缩感知模型。S5.求解压缩感知模型，进一步缩小定位区域。S6.在最后的区域中实施改进遗传算法进行定位精度寻优。S7.输出所有节点坐标，完成WSN定位。本专利合理运用压缩感知技术缩小定位区域，并且使用改进遗传算法进行精度寻优，是一种低能耗、高精度的定位方法。

Description

一种基于压缩感知与改进遗传算法的WSN定位方法

技术领域

本发明涉及定位技术定位领域，尤其涉及一种WSN定位方法。

背景技术

节点定位技术是无线传感器网络的支撑技术之一，可以用于实现无线传感器网络的目标识别、监控、跟踪等众多功能。近年来，无线传感器网络的定位方法已经逐渐成熟，特别是静止信标式定位方法已经取得较高的定位精度，但是大部分定位技术都采用比较复杂的优化算法，需要较多的网络能耗与硬件资源。所以，近几年科研人员一直在寻找适用于低能耗WSN的高精度定位算法。

无线传感器网络的定位技术目前研究热点还是在于降低网络能耗和提高定位精度。一般定位算法所需网络能耗主要来源于节点通信，移动信标式定位算法还需要加上移动节点所需的能耗，所以很多文章提出的算法会使用一次性通信，同时通信交互的数据包尽量简单，然后再考虑简单通信带来的精度问题。定位算法的精度问题主要在于通信模型会受到实际环境影响，从而造成测量距离误差，利用最优化算法求解时便会延承误差，迭代求解时更会放大误差，所以多阶段定位比较受到欢迎，可以一定程度上抑制误差的扩散。

定位优化算法有很多，比较多的是将定位问题重构成最优化极值求解问题，因此可以将遗传算法、蚁群算法、粒子群算法以及蝠群算法等用入定位技术来优化精度。当然，也有很多专家针对传统的DV-Hop、RSSI最小二乘等方法进行细节调整，提高定位精度。但是目前来说，定位算法的研究还有很大的发展空间，很多研究人员希望找到一种适用性广、能耗较低以及精度理想的无线传感器网络定位方法。

发明内容

针对上述问题，本发明旨在实现一种低能耗、高精度的WSN定位算法，主要目的是降低网络定位所需的能耗，其次要提高定位算法的精度。

本发明提供的技术方案如下：

一种基于压缩感知与改进遗传算法的WSN定位方法，包含以下步骤：

S1.初始化网络结构，信标节点均匀分布、未知节点随机分布；

S2.节点相互通信，信标节点接受未知节点传输数据包；

S3.初步根据通信结果缩小定位区域，作为第一阶段的结果。

S4.在缩小的区间内划分网络，构建压缩感知模型；

S5.求解压缩感知模型，进一步缩小定位区域；

S6.在最后的区域中实施改进遗传算法进行定位精度寻优；

S7.输出所有节点坐标，完成WSN定位。

进一步优选地，步骤S1中的网络分布情况，信标节点分布在均匀划分矩形网格的四个顶点，未知节点可以分布在网格的任意位置。步骤S2中未知节点与信标节点传输信息报中比较重要的信息是未知节点的编号以及RSSI信号强度。

进一步优选地，步骤S3根据通信结果与重叠的几何关系缩小定位区域，所需网络能耗较低。包含边界可以容错，并且重叠区域确定后选择包含重叠区域的矩形作为最终结果，为了增大容错性，需要在上下左右方向上各延伸一个单位。

进一步优选地，步骤S4和步骤S5提出一种能耗较低的适合于定位问题的压缩感知模型，能够有效地进一步缩小定位区域，同时网格划分长度可以根据实际情况进行变化。缩感知模型仅仅作为求解下一阶段寻优的边界，因此比较简单易行。

进一步优选地，步骤S6提出一种改进的遗传算法用于定位精度优化，定位模型被改变成求解一个带约束条件的最优化问题。遗传算法中充分考虑了距离测量误差的扩散性，设计一种基于距离加权的适应度函数降低误差。

综述，本发明提出的定位方法是一种三阶段定位方法，利用压缩感知缩小定位区域，遗传算法优化定位精度，是一种低能耗、高精度的定位方法。

附图说明

下面将结合附图详细说明本发明的具体实施流程，可以进一步阐释本发明的特性与优势。

图1是本发明的整体流程图。

图2是本发明各阶段的细节流程图。

图3是信息传输的数据包内容示意图。

图4是本发明第一阶段求解重叠区域示意图。

具体实施方式

本专利提出一种基于压缩感知与改进遗传算法的WSN定位方法，适用于小中型规模的室内传感网结构。主要方法是采取三阶段定位策略，首先利用节点通信与几何划分缩小节点范围，然后在缩小的区间中利用压缩感知方法重建定位模型，将定位模型与压缩感知模型中的成员对应，利用压缩感知技术中的稀疏特性来降低定位所需能耗，实现粗略定位；最后，利用第二阶段的定位结果作为边界，设计优化的遗传算法提高精度，实现最终目标节点的精准定位。

本专利创新的基于压缩感知与改进遗传算法的WSN定位方法基本可以实现，主要核心内容就是利用压缩感知模型求解实现低能耗的粗略定位，然后利用改进遗传算法优化定位精度。下面具体描述整个方法的实施流程图1。

假设整个网络有待定位的N个未知节点分别编号1-N，随机分布在待定位区域各角落中。目前可提供的信标节点个数为L，整个待定位区域可以约束成矩形区域，在L个信标节点部署在矩形的四个顶点处。

首先，所有节点之间会进行比较轻便的网络通信，传输的数据包格式如下图3。所有节点之间会发送能量信号RSSI，根据能量与距离的关系如下：

其中，P₀是发送的初始能量，P(d₀)是能量在d₀单位上的能量损耗，η是能损系数，d是距离，x_σ是满足高斯分布的误差常量。因此在一段时间的通信后，信标节点很快可以确定自己能够为哪些未知节点服务，并且可以计算出与未知节点的距离供给求解节点位置使用。

第一阶段主要目的是缩小定位区域，为下面的两个阶段提高解的搜索效率。图4中，A,B，C为信标节点，属于未知节点U的信标节点序列，那么可以通过重叠部分是未知节点的可能区域。考虑到测量误差，本文取能够最大包含重叠部分的矩形，并且在x,y的方向上延伸一个单位作为边界保障，最终确定可能区域。第一阶段还要需要完成可能区域的划分工作，将可能区域按照一定步长d进行划分，生成M个网格。

目前已经取得未知节点所在的可能区域了，这一阶段将划分的网格进行编号1-M，那么未知节点可能属于其中一个网格(如果在边界可以认为属于共同拥有边界的任一网格)。定义一个M维向量S，如果未知节点U属于第k个网格，那么S_k＝1，否则S_k＝0。可以看出向量S是一个高维稀疏向量，可以将其作为压缩感知的稀疏向量；那么未知节点与矩阵的四个信标节点的距离d_i,j构成采样向量Y，即Y_i＝d_i,j,该距离通过公式(1)求得；定义矩阵Φ(M×N)，令M＝4，矩阵表示的含义是提供参考的四个信标节点到N个网格中心的距离，那么整个压缩感知模型为：

Y＝ΦS

其实定位过程被简化成稀疏信号S的重建过程，因为稀疏特性，这个问题其实是一个欠定方程组求解问题。

设原来未知节点依赖的四个信标为(x_i,y_i)i＝1，2，3，4，局限区域四个顶点坐标(l_i，h_i)i＝1,2,3,4，我们将在这个局限区域中实施约束性的最优化问题求解。首先，构造解模型，假设未知节点U的坐标为(UX,UY)。四个信标节点到U的距离为d_iu，那么将测量误差作为目标函数：

显然，考虑到信标节点的依赖程度和测量误差等，如果测量出的距离d_iu较远，那么显然这个节点受信赖的程度越低，可以降低它的影响力。因此需要引入权重ρ_i表示第i个信标节点依赖性。

最后，求解的模型为：

约束条件是l₁≤UX≤l₂，h₁≤UY≤h₃。接下来求解这个带有约束条件的最优化极值问题，我们使用优化的遗传算法求解，求解步骤如下：

Step1：初始种群解，随机在区域中产生出k个解。

Step2:开始迭代，计算得出的k个解对应的适应度函数值，并按照适应度函数值进行排序。

Step3:选择运算，对上一步最优的一个解进行保留，然后剩下的解两两进行交叉运算，交叉过程中一旦产生的后代不符合种群约束条件立刻淘汰，并随机生成新解进行补充，保证种群整体的数量。除了交叉运算，以一定的概率选择其中部分个体进行扰动变异，采用方式为坐标细微抖动，如果破坏约束条件采取一样方法，淘汰替换新解。

Step4:将Step3得出的新解求解适应度函数值，并且按照适应度函数值排序，筛选出全局最优的解，如果与上一次最优的解误差极小或者迭代次数达到上限就结束迭代，否则回到Step3继续迭代。

以上通过描述每个流程实施场景案例，详细描述了本发明，本领域的技术人员应该能理解，在不脱离实质范围，可以做适当变形和修改。

Claims (1)

1.一种基于压缩感知与改进遗传算法的WSN定位方法，其特征在于，包含以下步骤：

S1.初始化网络结构，信标节点均匀分布、未知节点随机分布,信标节点个数为L，整个待定位区域约束成矩形区域，L个信标节点部署在矩形的四个顶点处；

S2.节点相互通信，信标节点接受未知节点传输数据包；

S3.根据通信结果缩小定位区域，作为第一阶段的结果，具体为：

所有节点之间会发送能量信号RSSI，能量与距离的关系如下：

其中，P₀是发送的初始能量，P(d₀)是能量在d₀单位上的能量损耗，η是能损系数，d是距离，x_σ是满足高斯分布的误差常量；在一段时间的通信后，L个信标节点都能确定自己能够为哪些未知节点服务，并且计算出与未知节点的距离供给求解节点位置使用；

以信标节点为圆心，以信标节点未知节点的距离为半径分别画圆，圆的重叠部分是未知节点的可能区域，取能够最大包含重叠部分的矩形，并且在x,y的方向上延伸一个单位作为边界保障，最终确定可能区域；

S4.在缩小的区间内划分网络，构建压缩感知模型，具体为：

将定位区域进行网格划分，得出M个网格进行分别编号1-M，为每个未知节点定义一个M维向量S，如果未知节点U属于M个网格中第k个网格，那么S_k＝1,否则S_k＝0；向量S为压缩感知的稀疏向量，那么未知节点与矩阵的四个信标节点的距离d_i,j构成采样向量Y，即Y_i＝d_i,j，该距离通过公式(1)求得；定义矩阵Φ(M×N)，令M＝4，矩阵表示的含义是提供参考的四个信标节点到N个网格中心的距离，那么整个压缩感知模型为：

Y＝ΦS

S5.求解压缩感知模型，进一步缩小定位区域,具体为：

未知节点的区域被局限在第二阶段结果中，所述第二阶段为S4，假设未知节点依赖的四个信标为(x_i,y_i)i＝1,2,3,4，局限区域四个顶点坐标(l_i,h_i)i＝1,2,3,4，首先，构造解模型，假设未知节点U的坐标为(UX,UY)，四个信标节点到U的距离为d_iu，那么将测量误差作为目标函数：

引入权重ρ_i表示第i个信标节点依赖性，

最后，求解的模型为：

约束条件是l₁≤UX≤l₂，h₁≤UY≤h₃；

S6.在最后的区域中实施改进遗传算法进行定位精度寻优，具体为：

Step1:初始种群解，随机在区域中产生出k个解；

Step2:开始迭代，计算得出的k个解对应的适应度函数值，并按照适应度函数值进行排序；

Step3:选择运算，对上一步最优的一个解进行保留，然后剩下的解两两进行交叉运算，交叉过程中一旦产生的后代不符合种群约束条件立刻淘汰，并随机生成新解进行补充，保证种群整体的数量；同时以一定的概率选择其中部分个体进行扰动变异，采用方式为坐标细微抖动，如果破坏约束条件采取一样方法，淘汰替换新解；

Step4:将Step3得出的新解求解适应度函数值，并且按照适应度函数值排序，筛选出全局最优的解，如果与上一次最优的解误差极小或者迭代次数达到上限就结束迭代，否则回到Step3继续迭代；

S7.输出所有节点坐标，完成WSN定位。

Images