CN112105081A

CN112105081A - 一种基于改进生物地理学优化算法的高精度无线定位方法

Info

Publication number: CN112105081A
Application number: CN201910519357.3A
Authority: CN
Inventors: 陈娟; 陈捷; 史春秀
Original assignee: Beijing University of Chemical Technology
Current assignee: Beijing University of Chemical Technology
Priority date: 2019-06-17
Filing date: 2019-06-17
Publication date: 2020-12-18

Abstract

本发明属于无线传感器网络定位领域,具体涉及到无线传感器网络空间中多个基站节点与目标节点之间的距离，以及目标节点在无线传感器网络中的精确定位方法。包括提出使用加权最小二乘方法进行粗定位，同时利用粗定位结果来约束生物地理学优化算法的搜索域，极大缩小了生物地理学优化(BBO)算法的搜索空间，加快了寻优速度；提出改进的BBO算法‑‑‑精英特征变异的BBO算法，该改进算法是通过对遗传至下代的精英特征加入微小变异单元，防止子代陷入早熟，显著增强了算法的搜索寻优能力。通过仿真实验证明本发明提出的高精度定位的方法显著领先于目前已有的其他定位优化算法，具有工程应用价值。

Description

一种基于改进生物地理学优化算法的高精度无线定位方法

技术领域

本发明属于无线传感器网络定位领域,具体涉及到无线传感器网络空间中多个基站节点与目标节点之间的距离，以及目标节点在无线传感器网络中的精确定位方法。

背景技术

无线传感器网络是以无线方式连接的大量的传感器节点的集合，已成为环境监测、救灾和目标跟踪等多个应用领域的重要工具。无线传感器网络定位的实质在于根据多个基站节点与目标节点之间的距离信息，求得目标节点在无线传感器网络空间中的位置。无线定位问题一般分为两个阶段:测距阶段和位置估计阶段。位置估计的目的在于通过一定的算法得到更高精度的目标节点坐标，主要有两类方法：(1)、通过求解一组联立方程求解，如最小二乘算法(LS)、加权最小二乘算法(WLS)、CHAN算法等；(2)、使用智能优化算法，如粒子群优化算法、蚱蜢优化算法、生物地理学优化算法、萤火虫算法等。

生物地理学优化(Biogeography-Based Optimization，BBO)算法是一种基于种群的智能优化算法，可以通过栖息地种群间的迁移、变异等过程得到无线传感器网络中目标节点的最佳坐标。生物地理学的数学模型描述了相互隔绝的栖息地上物种的迁移、物种变异及灭绝过程。栖息地的优劣由适宜度指数(HSI,Habitat Suitability Index)来描述，HSI的值高，则表示此栖息地更适宜物种居住。由于物种的自然随机行为，高HSI 值的栖息地物种数量多，将导致此栖息地的迁入率λ降低，迁出率μ升高。相反，较低HSI值的栖息地物种数量少，会导致此地的迁出率μ降低，迁入率λ升高。栖息地之间的物种迁移实现了各栖息地之间的信息交流与传播。此外，栖息地生态环境的突变会引起种群数量的变化和种群基因的变异，从而增加了种群数的多样性。因此，生物地理学优化算法的实现主要有迁移和变异两个过程，通过不断的迭代更新，最终得到最优栖息地。BBO算法在无线定位领域中也有应用，2013年，S.Singh等人使用BBO算法对目标节点进行分布式定位，并将粒子群优化(PSO)算法、BBO及其他BBO变种算法进行对比，证明了BBO变种算法的定位精度更高；2016年，G.Cheng等人提出了BBO-PSO的混合优化算法，首先使用PSO进行全局寻优，再使用BBO算法实现局部搜索，增强了算法在空间中的搜索能力并取得了较好的定位性能。

虽然BBO算法及其变种算法相比于其他智能优化算法可以得到更高精度，但是BBO算法的栖息地均是以各基站坐标的均值为中心在其周围随机生成的，全局寻优会增加时间成本，并且BBO算法在寻优后期会出现搜索动力不足的问题。

发明内容

在无线定位中，针对BBO算法在传统的种群初始化策略上会增加寻优的时间，并且BBO算法在寻优后期会出现搜索动力不足的问题，本发明的目的在于提供一种基于改进BBO算法的高精度无线定位方法，该方法首先使用加权最小二乘方法得到目标节点的粗略坐标，然后以此坐标为中心约束BBO算法的栖息地初始化区域及寻优范围，最后使用改进BBO算法得到目标节点最佳的位置坐标，达到更高的精确定位。

为了达到上述目的，本发明采用的技术方案是：获取当前无线传感器网络中各基站的位置坐标以及各基站与目标节点之间的距离；使用加权最小二乘(WLS)方法得到目标节点位置的初步估计坐标；以此坐标为中心，构建一个正方形区域来约束改进的生物地理学优化算法的寻优范围，然后在此范围中随机部署H 个栖息地，并初始化各个栖息地的适应度向量SIV；使用改进的生物地理学优化算法进行寻优，得到损失值最小的栖息地，即目标节点最佳的位置坐标。

进一步，所述获取各基站的位置坐标以及各基站与目标节点之间的距离.在已经完成部署的无线传感器网络中，以某一基站为原点建立虚拟坐标系从而获取所有基站的位置坐标(x_i,y_i)i＝1,2,...,M，其中M 是基站数量；分别读取各基站与目标节点距离的测量值r_i(第i个基站到目标节点的距离，单位：米)。

进一步，所述目标节点初步定位.根据各基站坐标以及各基站到目标节点的距离，推导出求解目标节点位置坐标的方程组，然后使用加权最小二乘(WLS)方法并将基站坐标(x_i,y_i)i＝1,2,...,M和测距值r_i带入方程组中，求得当前目标节点的坐标(WLS_x,WLS_y)，推导出的求解方程组如下：

转换成如下形式：

AX＝B (2)

其中：

进一步，以上述所得的目标节点坐标(WLS_x,WLS_y)为中心，构建边长为1米(根据WLS估计的最大误差来定)的正方形区域(WLS_x±0.5,WLS_y±0.5)(单位：米)。在此正方形区域中随机部署BBO算法的栖息地H_j(j＝1，2，...，h)，h为栖息地个数，取值由实际情况决定。每个栖息地代表目标节点潜在的位置，因此栖息地的适宜度向量(SIV)即目标节点的潜在坐标，因此初始化各栖息地的 SIV：

其中x，y∈(WLS_x±0.5，WLS_y±0.5)。

进一步，去掉H_j中重复的栖息地，然后进行栖息地间的种群迁移、种群特征变异等操作，为了更加真实模拟自然状态的迁移，本发明使用余弦偏移非线性模型，假设最大迁出率E＝最大迁入率I，此物种模型如附图1所示。假设栖息地有s种物种，迁入率用λ_s表示，迁出率用μ_s表示，涉及到的公式如下：

迁入率λ_s：

迁出率μ_s：

其中：S_max是栖息地能容纳的最大物种数。

某栖息地在(t+Δt)时刻可以容纳s种生物种群的概率P_s(t+Δt)：

P_s(t+Δt)＝P_s(t)(1-λ_sΔt-μ_sΔt)+P_s-₁(t)λ_s-1Δt+P_s+1(t)μ_s+1Δt (5)

式(5)对Δt求导可以得到：

式(6)中的概率均指t时刻的物种数概率。设dt为概率积分的步长，所以得到：

P_s(t+Δt)＝P_s(t)+P′_s*dt (7)

变异概率m(s)为：

其中：P_s为个体物种数量为s对应的概率，由式(7)计算得到；m_max为最大变异率；P_max为P_s的最大值。

迁移过程：

步骤1，根据式(3)中得到的迁入率λ_s确定需要执行迁入的栖息地H_ImHbt；

步骤2，当选中H_ImHbt后，根据式(4)中得到的迁出率μ_s寻找迁出的栖息地H_EmHbt；

步骤3，将H_EmHbt中的变量SIV复制到H_ImHbt中的SIV，即H_ImHbt(SIV)←H_EmHbt(SIV)。

变异过程：在BBO优化算法中，变异操作模拟了栖息地生态环境的突变，当产生的随机数大于

变异概率m(s)时，选取(WLS_x±0.5，WLS_y±0.5)区域内的随机值赋值给此栖息地中的SIV，成变异操作。

进一步，计算各栖息地损失值并对栖息地排序.根据损失函数计算各栖息地的损失值，并按损失值从小到大的顺序对栖息地做排序；栖息地的损失值越小说明此栖息地越理想。计算公式如下：

损失函数cost：

其中，(x，y)是BBO算法计算得到的目标节点坐标；(x_i，y_i)是各基站的坐标。

进一步，判断是否达到寻优迭代次数.若达到，则将损失值最小的栖息地的SIV作为最佳目标节点位置坐标；若未到达，则将损失值最小的栖息地的SIV作为精英特征并加入微小干扰(在[-0.005，0.01]之间均匀分布的随机数)，将此变异后的精英特征替换当前损失值最大的栖息地特征，开始下次迭代，直至达到迭代次数。

进一步，为了衡量定位方法的准确度，可以使用均方根误差作为算法精度的评价指标，计算公式如下：

其中，N表示的是位置采样点数量。

与现有技术相比，本发明的有益效果是：

1、实现了目标节点的更高精度的定位，显著领先于目前存在的其他定位方法。

2、本发明使用加权最小二乘方法的粗定位结果来约束BBO算法的搜索域，极大缩小了BBO算法的搜索空间，同时，针对BBO算法搜索力不足的问题，本发明提出基于精英特征变异的BBO算法的改进算法，通过对遗传至下代的精英特征加入微小变异单元，更加丰富了物种多样性，显著增强了算法的搜索寻优能力。加快了寻优速度，减小了定位误差，实现了快速定位。

附图说明

图1是本发明背景技术中的生物地理学数学模型中的余弦偏移非线性模型图

图2是本发明实施例中生成的无线传感器网络中目标节点的真实运动轨迹。

图3是本发明实施例的一种在无线传感网络中实现目标节点的高精度定位的方法流程图。

图4是本发明实施例中本发明的定位方法与其他方法的比较结果。

具体实施方式

以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本实施例以模拟仿真的形式开展，本实施例中模拟了由5个基站，1个目标节点构成的无线定位网络，并且在200×100(单位：米)的区域中生成目标节点在理想情况下的运动轨迹，如附图2所示。假设环境中存在多径效应、非视距等影响，具体实施流程图如附图3，具体步骤如下所述：

步骤1，获取基站坐标及各基站与目标节点之间的距离：得到各基站坐标(x_i,y_i)i＝1,2,...,5，计算各基站到目标节点的距离得到

再此基础上加噪声e_noise(均值为0标准差为σ 的高斯噪声)模拟环境对距离测量产生的影响，得到各基站到目标节点的真实距离r_i：

步骤2，使用WLS进行目标节点位置初步估计：通过式(1)，(2)，并将当前测量得到的r_i和各基站坐标带入方程组，求解得到目标节点的坐标(WLS_x,WLS_y)；

步骤3，确定寻优区域：以步骤2中所得的目标节点坐标(WLS_x,WLS_y)为中心，构建边长为1 米(根据WLS的最大误差来定)的正方形区域(WLS_x±0.5,WLS_y±0.5)；

步骤4，部署初始栖息地：在步骤3设定的正方形区域中随机部署10个栖息地H_j(j＝1,2,...,10)。每个栖息地代表目标节点潜在的位置，因此栖息地的适宜度向量(SIV)即目标节点的潜在坐标，因此初始化各栖息地的SIV:

其中x,y∈(WLS_x±0.5,WLS_y±0.5)；

步骤5.1，将步骤3中设定的寻优范围及步骤4中生成的栖息地带入BBO算法中进行迭代，设定迭代次数为10次；

步骤5.2，迁移、变异操作：首先去掉重复的栖息地，然后通过式(3)，式(4)及迁移过程，实现各栖息地之前的种群迁移；通过式(5)，式(6)，式(7)，式(8)及变异过程，完成栖息地SIV的改变；

步骤5.3，通过式(9)，式(10)计算各栖息地的损失值，并按照损失值从小到大的顺序对栖息地排序；

步骤5.4，判断迭代次数是否达到10次，如达到了10次，则将当前损失值最小的栖息地的SIV当做目标节点的最佳坐标；若迭代次数未达到10次，则将当前损失值最小的栖息地的SIV作为精英特征并加入微小干扰(在[-0.005,0.01]之间均匀分布的随机数)，将此变异后的精英特征替换当前损失值最大的栖息地特征，开始下次迭代，直至达到迭代次数；

步骤6，通过式(11)计算整个过程中的均方根误差，用于评价本发明方法的可靠性。

经过仿真计算，本发明提出的基于改进生物地理学优化算法的高精度定位方法平均定位误差为 0.10259m，最小定位误差为0.00093m，最大定位误差为0.38138m；与加权最小二乘法、CHAN算法、粒子群优化、BBO对比发现，本发明所提方法的精度明显高于其他方法，如附图4所示。

以上所述仅是本发明的优选实施方式对本发明方法做的进一步详细说明，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于改进生物地理学优化算法的高精度无线定位方法，其特征是，包括以下步骤：

步骤1：获取当前无线传感器网络中各基站的位置坐标以及各基站与目标节点之间的距离；

步骤2：对步骤1所得的各基站坐标和各基站到目标节点的距离进行加权最小二乘(WLS)估计，得到目标节点位置的初步估计坐标；

步骤3：以步骤2中得到的目标节点的位置坐标为中心，构建一个正方形区域来约束改进的生物地理学优化算法的寻优范围；

步骤4：在步骤3生成的寻优范围中，随机部署H个栖息地，并初始化各个栖息地的适应度向量SIV；

步骤5：将步骤4中生成的各栖息地使用改进的生物地理学优化算法进行寻优，得到损失值最小的栖息地，即目标节点最佳的位置坐标。

2.根据权利要求1所述的.一种基于改进生物地理学优化算法的高精度无线定位方法，其特征在于，所述步骤1包括：

在已经完成部署的无线传感器网络中，以某一基站为原点建立虚拟坐标系，从而获取所有基站的位置坐标(x_i,y_i)i＝1,2,...,M，其中M是基站数量；分别读取各基站与目标节点距离的测量值r_i(第i个基站到目标节点的距离，单位：米)。

3.根据权利要求1所述的.一种基于改进生物地理学优化算法的高精度无线定位方法，其特征在于，所述步骤2包括：

根据各基站坐标以及各基站到目标节点的距离，推导出求解目标节点位置坐标的方程组，使用加权最小二乘(WLS)方法，并将步骤1中获得的数据带入方程组中，求得当前目标节点的坐标(WLS_x,WLS_y)(单位：米)。

4.根据权利要求1所述的.一种基于改进生物地理学优化算法的高精度无线定位方法，其特征在于，所述步骤3包括：

以步骤2中所得的目标节点坐标(WLS_x,WLS_y)为中心，构建边长为1米(根据WLS的最大误差来定)的正方形区域(WLS_x±0.5,WLS_y±0.5)(单位：米)。

5.根据权利要求1所述的.一种基于改进生物地理学优化算法的高精度无线定位方法，其特征在于，所述步骤4包括：

在步骤3确定的正方形区域中，随机部署栖息地H_j(j＝1,2,...,h)，h为栖息地个数，取值由实际情况决定。每个栖息地代表目标节点潜在的位置，因此栖息地的适宜度向量(SIV)即目标节点的潜在坐标，因此初始化各栖息地的

其中x,y∈(WLS_x±0.5,WLS_y±0.5)。

6.根据权利要求1所述的.一种基于改进生物地理学优化算法的高精度无线定位方法，其特征在于，所述步骤5包括：

步骤5.1：根据步骤3中确定的寻优范围和步骤4中生成的栖息地，确定改进的生物地理学优化算法中的栖息地及其分布范围；

步骤5.2：去掉重复的栖息地，进行栖息地间的种群迁移、种群特征变异等操作；

步骤5.3：根据损失函数计算各栖息地的损失值，并按损失值从小到大的顺序对栖息地做排序；

步骤5.4：判断是否达到寻优迭代次数，若达到，则将损失值最小的栖息地的SIV作为最佳目标节点位置坐标；若未到达，则将损失值最小的栖息地的SIV作为精英特征并加入微小干扰(在[-0.005,0.01]之间均匀分布的随机数)，将此变异后的精英特征替换当前损失值最大的栖息地特征，最后回到步骤5.2开始下次迭代，直至达到迭代次数。