CN113329490A - 一种基于量子虎鲨机制的无线传感器网络节点定位方法 - Google Patents

一种基于量子虎鲨机制的无线传感器网络节点定位方法 Download PDF

Info

Publication number
CN113329490A
CN113329490A CN202110611625.1A CN202110611625A CN113329490A CN 113329490 A CN113329490 A CN 113329490A CN 202110611625 A CN202110611625 A CN 202110611625A CN 113329490 A CN113329490 A CN 113329490A
Authority
CN
China
Prior art keywords
quantum
node
positioning
tiger shark
distance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110611625.1A
Other languages
English (en)
Other versions
CN113329490B (zh
Inventor
高洪元
陈世聪
王世豪
刘廷晖
刘亚鹏
马静雅
王钦弘
马雨微
刘凯龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202110611625.1A priority Critical patent/CN113329490B/zh
Publication of CN113329490A publication Critical patent/CN113329490A/zh
Application granted granted Critical
Publication of CN113329490B publication Critical patent/CN113329490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于量子虎鲨机制的无线传感器网络节点定位方法，包括建立基于跳距修正的距离估计模型；建立基于跳距修正的节点定位模型；初始化待定位的未知节点标号为1，对待定位的未知节点进行逐一定位；初始化量子虎鲨群并设定参数；定义并计算量子虎鲨与猎物的距离，确定量子虎鲨群的最优量子位置；量子虎鲨分别执行猎物追踪模式和游曳模式，并在执行过程中使用模拟量子旋转门来演化量子虎鲨的量子位置；更新量子虎鲨量子位置和量子虎鲨群最优量子位置；演进终止判断，实现定位；定位终止判断，输出所有未知节点定位结果。本发明未知节点到全网锚节点的估计距离更接近于真实距离，具有更好的鲁棒性，实现无线传感器网络中未知节点定位。

Description

一种基于量子虎鲨机制的无线传感器网络节点定位方法
技术领域
本发明涉及一种基于跳距修正及量子虎鲨机制的无线传感器网络节点定位方法，属于无线通信技术领域。
背景技术
无线传感器网络WSN作为一种以无线通信方式形成的多跳自组织网络，主要包括传感器、感知对象和观察者三个要素，综合各种技术来实现对网络覆盖区域内感知对象信息的采集、处理和传输，在入侵检测、环境监测、室内监控和流量分析等领域均具有广泛的应用前景。位置信息是传感器网络节点采集数据过程中不可或缺的部分，确定事件发生的位置或采集数据的节点位置是传感器网络最基本的功能之一。因此，网络节点定位技术是WSN诸多应用的关键支撑技术之一，是目标跟踪与导向、定向信息查询与传递、协助路由并实现路由协议、网络拓扑控制和网络覆盖控制等技术的重要基础。
无线传感器网络节点定位方法主要分为两种，第一种为基于测距的定位方法，包括距离测量与位置计算两个环节，其中，距离测量环节依托于特殊硬件来测量出节点间的距离或角度；第二种为基于非测距的定位方法，包括距离估计与位置计算两个环节，其中，距离估计环节依托于网络多跳路由协议和距离矢量路由传递，通过跳距乘以跳数来估计出节点间的距离。基于测距的定位方法主要包括接收信号强度指示定位RSSI、接收信号传播时间定位TOA和接收信号传播时间差定位TDOA等；基于非测距的定位方法主要包括质心定位、距离向量跳数定位DV-Hop等。DV-Hop定位方法对网络节点密度、锚节点数量和网络拓扑结构等方面要求较高，存在应用层面的缺点，但因其开创性的无需直接测距的定位思路提供了一种良好的模型设计方向，使得相关的改进策略研究广泛展开。
通过对现有技术文献的检索发现，景路路等在《传感技术学报》(2017,30(04):582-586)上发表的“基于跳距优化的改进型DV-Hop定位算法”中引入多通信半径策略来细化锚节点间的跳数，进而获得每个锚节点的跳距，引入加权平均策略来利用全网锚节点跳距信息，进而获得每个未知节点的跳距，这种定位方法使所有未知节点均可获得一个理论上到达全网锚节点均为最优的跳距，适用于各向同性网络，但不符合实际应用中各向异性网络的特点，且多通信半径发射信号会增加网络能耗；石琴琴等人在《传感技术学报》(2019,32(10):1549-1555)上发表的“基于距离修正及灰狼优化算法对DV-Hop定位的改进”中引入最大相似路径策略来获得每个未知节点的跳距，引入灰狼优化机制来实现未知节点的位置计算，这种定位方法可以实现未知节点定位，但对网络节点密度、锚节点数量和网络拓扑结构等方面要求较高，且无法有效地规避灰狼优化机制易于陷入局部极值而导致的定位偏差问题；方旺盛等在《传感器与微系统》(2020,39(07):127-129+133)上发表的“节点密度加权及距离修正的粒子群优化定位算法”中引入密度加权策略和粒子群优化机制来实现未知节点定位，但仍然存在着应用层面的缺点。
已有文献的检索结果表明，现有的基于非测距的无线传感器网络节点定位方法中存在着几点不足：在距离估计环节，距离估计的精度很大程度上取决于网络拓扑结构的好坏，若是网络节点密度、锚节点数量或网络架构等因素不理想，则会导致距离估计偏差过大、网络能耗增加，进而导致网络节点定位偏差过大，传感器寿命降低；在位置计算环节，定位算法仍然存在着收敛速度慢、收敛精度差和易于陷入局部极值等问题。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种基于量子虎鲨机制的无线传感器网络节点定位方法，采用跳距修正策略，可以更好地利用锚节点位置信息，合理选择待定位未知节点的最优跳距，使得待定位未知节点到全网锚节点的估计距离更接近于真实距离；设计了量子虎鲨优化机制来实现位置计算，其仿生于虎鲨捕食过程并结合模拟量子旋转门来演化量子虎鲨量子态，收敛速度快、收敛精度高，且具有更好的鲁棒性，突破了现有无线传感器网络节点定位方法的应用局限。
为解决上述技术问题，本发明的一种基于量子虎鲨机制的无线传感器网络节点定位方法，包括以下步骤：
步骤一：建立基于跳距修正的距离估计模型；
步骤二：建立基于跳距修正的节点定位模型；
步骤三：开启定位，初始化待定位的未知节点标号i″′为1，对待定位的未知节点进行逐一定位；
步骤四：初始化量子虎鲨群并设定参数；
步骤五：定义并计算量子虎鲨与猎物的距离，确定量子虎鲨群的最优量子位置；
步骤六：量子虎鲨分别执行猎物追踪模式和游曳模式，并在执行过程中使用模拟量子旋转门来演化量子虎鲨的量子位置；
步骤七：更新量子虎鲨量子位置和量子虎鲨群最优量子位置；
步骤八：演进终止判断，判断是否达到最大迭代次数G，若未达到，则令g＝g+1，返回步骤六；若达到，则终止演进，将最后一代量子虎鲨群的最优量子位置所对应的映射态作为第i″′个未知节点的定位位置矢量，实现对该未知节点的定位；
步骤九：定位终止判断：判断是否所有未知节点均实现定位，即判断是否满足
Figure BDA0003095963090000031
Figure BDA0003095963090000032
为未知节点数量，若不满足，则令i″′＝i″′+1，返回步骤四，从而进行下一未知节点的定位；若满足，则输出所有未知节点的定位结果，定位结束。
本发明还包括：
1.步骤1中建立基于跳距修正的距离估计模型具体为：
锚节点向无线传感器网络广播一个信标，信标中包含此锚节点的位置信息和一个初始值为1的表示跳数的参数，此信标在网络中被以泛洪的形式传播出去，信标在某节点的通信半径范围内才能被此节点接收，信标每次被转发时跳数都增加1，接收节点在它接收到的关于同一个锚节点的所有信标中仅保存具有最小跳数值的信标，丢弃具有较大跳数值的信标，通过这一距离矢量路由机制，网络中所有节点都获得了到达每一个锚节点的最小跳数值，设定网络节点数量为
Figure BDA0003095963090000033
锚节点密度为
Figure BDA0003095963090000034
节点通信半径为γ，锚节点数量为
Figure BDA0003095963090000035
未知节点数量为
Figure BDA0003095963090000036
其中，
Figure BDA0003095963090000037
round(·)为取整函数，锚节点位置集合
Figure BDA0003095963090000038
Figure BDA0003095963090000039
表示第i″个锚节点的位置矢量，
Figure BDA0003095963090000041
锚节点对跳数矩阵
Figure BDA0003095963090000042
其中，ξ为无穷大值，oi″,j″为第i″个锚节点与第j″个锚节点对之间的最短路径跳数，由距离矢量路由机制获得，当oi″,j″＝0时，表示俩锚节点重合；当oi″,j″＝ξ时，表示锚节点对之间通信不可达，
Figure BDA0003095963090000043
Figure BDA0003095963090000044
第i″个锚节点的平均每跳距离估值为
Figure BDA0003095963090000045
通过网内其余锚节点到该锚节点间的距离和除以最短路径跳数和得到，公式描述为
Figure BDA0003095963090000046
σ为累加标号，
Figure BDA0003095963090000047
所有锚节点在网络中将其平均每跳距离估值转发至临近的未知节点，并作为临近未知节点的平均跳距
Figure BDA0003095963090000048
所有节点在网络中传播信息时会将自身的标识和到各个锚节点的跳数信息传递给通信可达的邻居节点，在网络传播完成之后，每个待定位的未知节点便存储了到各个锚节点所经过的最短路径节点序列集合，每个锚节点便存储了到各个锚节点所经过的最短路径节点序列集合，使用相似度系数Sc来表示路径间的相似度，其定义如下，
Figure BDA0003095963090000049
其中，
Figure BDA00030959630900000410
表示待定位的未知节点到目标锚节点的最短路径节点序列集合，
Figure BDA00030959630900000411
表示其余锚节点到目标锚节点的最短路径节点序列集合，
Figure BDA00030959630900000412
为提取集合元素个数函数，计算集合
Figure BDA00030959630900000413
与不同集合
Figure BDA00030959630900000414
之间的相似度系数，其中相似度系数最大的路径即为最大相似路径，并将最大相似度系数作为此待定位未知节点到目标锚节点的相似系数
Figure BDA00030959630900000415
最大相似路径是与待定位节点到目标锚节点路径最为相似的锚节点对间的多跳路径，此路径的距离除以跳数即可得到此路径的平均每跳距离估值，并将其作为此待定位未知节点到目标锚节点的相似跳距
Figure BDA00030959630900000416
Figure BDA00030959630900000417
未知节点到锚节点的估计距离要通过此未知节点到目标锚节点的最优跳距乘以二者之间的最短路径跳数获得，其中，未知节点到锚节点的估计距离记作
Figure BDA00030959630900000418
二者之间的最短路径跳数要依托于距离矢量路由机制获得，并记作
Figure BDA0003095963090000051
此未知节点到目标锚节点的最优跳距要根据阈值
Figure BDA0003095963090000052
从相似跳距和平均跳距中选择获得，并记作
Figure BDA0003095963090000053
具体操作如下：
Figure BDA0003095963090000054
Figure BDA0003095963090000055
设定无线传感器网络中未知节点到锚节点的真实距离为
Figure BDA0003095963090000056
那么标准化的网络距离估计精度为
Figure BDA0003095963090000057
2.步骤二中建立基于跳距修正的节点定位模型具体为：未知节点的定位位置集合
Figure BDA0003095963090000058
Figure BDA0003095963090000059
表示第i″′个未知节点的定位位置矢量，
Figure BDA00030959630900000510
设计第i″′个未知节点位置定位的误差函数
Figure BDA00030959630900000511
设定无线传感器网络中的未知节点的真实位置集合为
Figure BDA00030959630900000512
那么标准化的网络定位精度为
Figure BDA00030959630900000513
3.步骤四中初始化量子虎鲨群并设定参数具体为：
设定量子虎鲨群规模为h，最大迭代次数为G，迭代次数标号为g，g∈[1,G]，第g次迭代时，第i个量子虎鲨在b维搜索空间中的量子位置为
Figure BDA00030959630900000514
i＝1,2,...,h，当g＝1时，初代量子虎鲨量子位置的每一维均初始化为[0,1]之间的均匀随机数。
4.步骤五中定义并计算量子虎鲨与猎物的距离，确定量子虎鲨群的最优量子位置具体为：第g次迭代时，将全部量子虎鲨量子位置的每一维映射到位置解空间范围内，得到量子虎鲨量子位置的映射态
Figure BDA00030959630900000515
映射方程定义为
Figure BDA00030959630900000516
其中，
Figure BDA00030959630900000517
Figure BDA00030959630900000518
表示第j维下限，
Figure BDA00030959630900000519
表示第j维上限，i＝1,2,...,h，j＝1,2,...,b，将第i个量子虎鲨量子位置的映射态代入第i″′个未知节点的误差函数中得到相应的定位误差
Figure BDA0003095963090000061
i＝1,2,...,h，上标T表示转置，其代表第i个量子虎鲨量子位置的优劣，同时规定量子虎鲨量子位置映射态对应的定位误差越小，量子虎鲨与猎物越接近，将全部量子虎鲨按照与猎物距离由近到远的顺序排序，规定距离猎物最近的量子位置为最优量子位置
Figure BDA0003095963090000062
z∈[1,h]。
5.步骤六中量子虎鲨分别执行猎物追踪模式和游曳模式，并在执行过程中使用模拟量子旋转门来演化量子虎鲨的量子位置具体为：
步骤6.1：最优量子虎鲨执行猎物追踪模式：
Figure BDA0003095963090000063
Figure BDA0003095963090000064
j＝1,2,...,b，其中，
Figure BDA0003095963090000065
为最优量子虎鲨猎物追踪模式下的量子旋转角，
Figure BDA0003095963090000066
为[0,1]之间均匀分布的随机数，
Figure BDA0003095963090000067
为
Figure BDA0003095963090000068
中第j个维度的梯度，e1为猎物追踪控制因子。具体描述为：
Figure BDA0003095963090000069
Figure BDA00030959630900000610
Figure BDA00030959630900000611
为最优量子虎鲨映射态
Figure BDA00030959630900000612
中仅第j维变成
Figure BDA00030959630900000613
后所对应的定位误差，ε为微分因子；
步骤6.2：其余量子虎鲨执行猎物追踪模式。
Figure BDA00030959630900000614
Figure BDA00030959630900000615
i＝1,2,...,h，且i≠z，j＝1,2,...,b，其中
Figure BDA00030959630900000616
为非最优量子虎鲨猎物追踪模式下的量子旋转角，e2为猎物追踪牵引因子，
Figure BDA00030959630900000617
为[0,1]之间均匀分布的随机数；
步骤6.3：所有量子虎鲨执行游曳模式。量子虎鲨量子位置的某些维度产生随机扰动，余下的维度保持不变，
Figure BDA00030959630900000618
i＝1,2,...,h，j＝1,2,...,b，其中，
Figure BDA00030959630900000619
为游曳模式下的量子旋转角，
Figure BDA00030959630900000620
为[0,1]之间均匀分布的随机数，e3为游曳规模控制因子，
Figure BDA00030959630900000621
为[-1,1]之间均匀分布的随机数，e4为游曳范围控制因子。
6.步骤七中更新量子虎鲨量子位置和量子虎鲨群最优量子位置具体为：计算新生量子虎鲨和当代量子虎鲨与猎物的距离，在量子位置集合
Figure BDA0003095963090000071
中贪婪选择h个距离猎物较近的量子位置作为下代量子虎鲨的量子位置
Figure BDA0003095963090000072
i＝1,2,...,h，将g+1代量子虎鲨按照与猎物距离由近到远的顺序排列，进而更新量子虎鲨群的最优量子位置。
本发明的有益效果：本发明提出了一种跳距修正策略，可以使得未知节点到全网锚节点的估计距离更接近于真实距离，且具有更好的鲁棒性，并设计了量子虎鲨优化机制来实现无线传感器网络中未知节点定位。
现有的基于非测距的无线传感器网络节点定位方法中存在着几点不足：在距离估计环节，距离估计的精度很大程度上取决于网络拓扑结构的好坏，若是网络节点密度、锚节点数量或网络架构等因素不理想，则会导致距离估计偏差过大、网络能耗增加，进而导致网络节点定位偏差过大，传感器寿命降低；在位置计算环节，定位算法仍然存在着收敛速度慢、收敛精度差和易于陷入局部极值等问题。因此，本发明提出了一种跳距修正策略，可以更好地利用锚节点位置信息，合理选择待定位未知节点的最优跳距，使得待定位未知节点到全网锚节点的估计距离更接近于真实距离，且具有更好的鲁棒性，此跳距修正策略更贴合于工程实际。
本发明所设计的量子虎鲨优化机制，可以快速、精准地实现网络中未知节点定位，其仿生于虎鲨捕食过程并结合模拟量子旋转门来演化量子虎鲨量子态，收敛速度快、收敛精度高，且具有更好的鲁棒性。仿真实验证明了基于跳距修正及量子虎鲨机制的无线传感器网络节点定位方法的有效性，且相对于传统定位方法的定位精度更高。
附图说明
图1是本发明所设计的基于跳距修正及量子虎鲨机制的WSN节点定位方法示意图。
图2是无线传感器网络拓扑结构示意图。
图3(a)是标准化的网络距离估计精度与传感器网络关键参数-锚节点密度关系变化曲线。
图3(b)是标准化的网络距离估计精度与传感器网络关键参数-网络节点数量关系变化曲线。
图3(c)是标准化的网络距离估计精度与传感器网络关键参数-通信半径关系变化曲线。
图4(a)是标准化的网络定位精度与传感器网络关键参数-锚节点密度关系变化曲线。
图4(b)是标准化的网络定位精度与传感器网络关键参数-网络节点数量关系变化曲线。
图4(c)是标准化的网络定位精度与传感器网络关键参数--通信半径关系变化曲线。
图5(a)、图5(b)、图5(c)、图5(d)、图5(e)、图5(f)分别为估计距离等于真实距离条件下的不同未知节点定位误差随定位机制演进次数关系曲线。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步说明。
结合图1，本发明包括以下步骤：
步骤一，建立基于跳距修正的距离估计模型。
锚节点向无线传感器网络广播一个信标，信标中包含此锚节点的位置信息和一个初始值为1的表示跳数的参数，此信标在网络中被以泛洪的形式传播出去，信标在某节点的通信半径范围内才能被此节点接收，信标每次被转发时跳数都增加1。接收节点在它接收到的关于同一个锚节点的所有信标中仅保存具有最小跳数值的信标，丢弃具有较大跳数值的信标。通过这一距离矢量路由机制，网络中所有节点都获得了到达每一个锚节点的最小跳数值。设定网络节点数量为
Figure BDA0003095963090000081
锚节点密度为
Figure BDA0003095963090000082
节点通信半径为γ，锚节点数量为
Figure BDA0003095963090000083
未知节点数量为
Figure BDA0003095963090000084
其中，
Figure BDA0003095963090000085
round(·)为取整函数。锚节点位置集合
Figure BDA0003095963090000086
Figure BDA0003095963090000087
表示第i″个锚节点的位置矢量，
Figure BDA0003095963090000088
锚节点对跳数矩阵
Figure BDA0003095963090000089
其中，ξ为无穷大值，oi″,j″为第i″个锚节点与第j″个锚节点对之间的最短路径跳数，由距离矢量路由机制获得，当oi″,j″＝0时，表示俩锚节点重合；当oi″,j″＝ξ时，表示锚节点对之间通信不可达，
Figure BDA00030959630900000810
Figure BDA00030959630900000811
第i″个锚节点的平均每跳距离估值为
Figure BDA00030959630900000812
通过网内其余锚节点到该锚节点间的距离和除以最短路径跳数和得到，公式描述为
Figure BDA00030959630900000813
σ为累加标号，
Figure BDA00030959630900000814
所有锚节点在网络中将其平均每跳距离估值转发至临近的未知节点，并作为临近未知节点的平均跳距
Figure BDA00030959630900000815
同理，所有节点在网络中传播信息时会将自身的标识和到各个锚节点的跳数信息传递给通信可达的邻居节点，在网络传播完成之后，每个待定位的未知节点便存储了到各个锚节点所经过的最短路径节点序列集合，每个锚节点便存储了到各个锚节点所经过的最短路径节点序列集合。使用相似度系数Sc来表示路径间的相似度，其定义如下，
Figure BDA0003095963090000091
其中，
Figure BDA0003095963090000092
表示待定位的未知节点到目标锚节点的最短路径节点序列集合，
Figure BDA0003095963090000093
表示其余锚节点到目标锚节点的最短路径节点序列集合，
Figure BDA0003095963090000094
为提取集合元素个数函数。计算集合
Figure BDA0003095963090000095
与不同集合
Figure BDA0003095963090000096
之间的相似度系数，其中相似度系数最大的路径即为最大相似路径，并将最大相似度系数作为此待定位未知节点到目标锚节点的相似系数
Figure BDA0003095963090000097
最大相似路径是与待定位节点到目标锚节点路径最为相似的锚节点对间的多跳路径，此路径的距离除以跳数即可得到此路径的平均每跳距离估值，并将其作为此待定位未知节点到目标锚节点的相似跳距
Figure BDA0003095963090000098
Figure BDA0003095963090000099
未知节点到锚节点的估计距离要通过此未知节点到目标锚节点的最优跳距乘以二者之间的最短路径跳数获得。其中，未知节点到锚节点的估计距离记作
Figure BDA00030959630900000910
二者之间的最短路径跳数要依托于距离矢量路由机制获得，并记作
Figure BDA00030959630900000911
此未知节点到目标锚节点的最优跳距要根据阈值
Figure BDA00030959630900000912
从相似跳距和平均跳距中选择获得，并记作
Figure BDA00030959630900000913
具体操作如下：
Figure BDA00030959630900000914
Figure BDA00030959630900000915
设定无线传感器网络中未知节点到锚节点的真实距离为
Figure BDA00030959630900000916
那么标准化的网络距离估计精度为
Figure BDA00030959630900000917
在本专利中设定未知节点到全网锚节点均通信可达。
步骤二：建立基于跳距修正的节点定位模型。
未知节点的定位位置集合
Figure BDA00030959630900000918
Figure BDA00030959630900000919
表示第i″′个未知节点的定位位置矢量，
Figure BDA00030959630900000920
设计第i″′个未知节点位置定位的误差函数
Figure BDA00030959630900000921
设定无线传感器网络中的未知节点的真实位置集合为
Figure BDA00030959630900000922
那么标准化的网络定位精度为
Figure BDA00030959630900000923
步骤三：开启定位，对待定位的未知节点进行逐一定位。
初始化i″′＝1，开启定位，对待定位的未知节点进行逐一定位。
步骤四：初始化量子虎鲨群并设定参数。
设定量子虎鲨群规模为h，最大迭代次数为G，迭代次数标号为g，g∈[1,G]。第g次迭代时，第i个量子虎鲨在b维搜索空间中的量子位置为
Figure BDA0003095963090000101
i＝1,2,...,h。当g＝1时，初代量子虎鲨量子位置的每一维均初始化为[0,1]之间的均匀随机数。
步骤五：定义并计算量子虎鲨与猎物的距离，确定量子虎鲨群的最优量子位置。
第g次迭代时，将全部量子虎鲨量子位置的每一维映射到位置解空间范围内，得到量子虎鲨量子位置的映射态
Figure BDA0003095963090000102
映射方程定义为
Figure BDA0003095963090000103
其中，
Figure BDA0003095963090000104
Figure BDA0003095963090000105
表示第j维下限，
Figure BDA0003095963090000106
表示第j维上限，i＝1,2,...,h，j＝1,2,...,b。将第i个量子虎鲨量子位置的映射态代入第i″′个未知节点的误差函数中得到相应的定位误差
Figure BDA0003095963090000107
i＝1,2,...,h，上标T表示转置，其代表第i个量子虎鲨量子位置的优劣，同时规定量子虎鲨量子位置映射态对应的定位误差越小，量子虎鲨与猎物越接近。将全部量子虎鲨按照与猎物距离由近到远的顺序排序，规定距离猎物最近的量子位置为最优量子位置
Figure BDA0003095963090000108
z∈[1,h]。
步骤六：量子虎鲨分别执行猎物追踪模式和游曳模式，并在执行过程中使用模拟量子旋转门来演化量子虎鲨的量子位置，具体步骤为：
(1)最优量子虎鲨执行猎物追踪模式。
Figure BDA0003095963090000109
Figure BDA00030959630900001010
j＝1,2,...,b，其中，
Figure BDA00030959630900001011
为最优量子虎鲨猎物追踪模式下的量子旋转角，
Figure BDA00030959630900001012
为[0,1]之间均匀分布的随机数，
Figure BDA00030959630900001013
为
Figure BDA00030959630900001014
中第j个维度的梯度，e1为猎物追踪控制因子。具体描述为：
Figure BDA00030959630900001015
Figure BDA00030959630900001016
Figure BDA00030959630900001017
为最优量子虎鲨映射态
Figure BDA00030959630900001018
中仅第j维变成
Figure BDA00030959630900001019
后所对应的定位误差，ε为微分因子。
(2)其余量子虎鲨执行猎物追踪模式。
Figure BDA00030959630900001020
Figure BDA00030959630900001021
i＝1,2,...,h，且i≠z，j＝1,2,...,b，其中
Figure BDA00030959630900001022
为非最优量子虎鲨猎物追踪模式下的量子旋转角，e2为猎物追踪牵引因子，
Figure BDA00030959630900001023
为[0,1]之间均匀分布的随机数。
(3)所有量子虎鲨执行游曳模式。量子虎鲨量子位置的某些维度产生随机扰动，余下的维度保持不变，
Figure BDA0003095963090000111
i＝1,2,...,h，j＝1,2,...,b，其中，
Figure BDA0003095963090000112
为游曳模式下的量子旋转角，
Figure BDA0003095963090000113
为[0,1]之间均匀分布的随机数，e3为游曳规模控制因子，
Figure BDA0003095963090000114
为[-1,1]之间均匀分布的随机数，e4为游曳范围控制因子。
步骤七：更新量子虎鲨量子位置和量子虎鲨群最优量子位置。
计算新生量子虎鲨和当代量子虎鲨与猎物的距离，在量子位置集合
Figure BDA0003095963090000115
中贪婪选择h个距离猎物较近的量子位置作为下代量子虎鲨的量子位置
Figure BDA0003095963090000116
i＝1,2,...,h。将g+1代量子虎鲨按照与猎物距离由近到远的顺序排列，进而更新量子虎鲨群的最优量子位置。
步骤八：演进终止判断，实现对该未知节点的定位。
判断是否达到最大迭代次数G，若未达到，则令g＝g+1，返回步骤六；若达到，则终止演进，将最后一代量子虎鲨群的最优量子位置所对应的映射态作为第i″′个未知节点的定位位置矢量，从而实现对该未知节点的定位。
步骤九：定位终止判断，输出所有未知节点的定位结果。
判断是否所有未知节点均实现定位，即判断是否满足
Figure BDA0003095963090000117
若不满足，则令i″′＝i″′+1，返回步骤四，从而进行下一未知节点的定位；若满足，则输出所有未知节点的定位结果，定位结束。
结合具体参数，无线传感器网络布设区域为100m×100m的二维平面，所有传感器节点具有相同结构及通信半径，节点随机布设，自组成网。分别变换网络节点总数、锚节点密度和通信半径参数值的设置来模拟不同的网络拓扑结构，分析这些网络关键参数变化对距离估计及节点定位的影响规律，具体可组合为三类实验场景，每类场景仿真实验次数为50，实验结果作统计平均。场景一，固定网络节点数量
Figure BDA0003095963090000118
通信半径γ＝25m，锚节点密度
Figure BDA0003095963090000119
从0.05渐次提高到0.3；场景二，固定锚节点密度
Figure BDA00030959630900001110
通信半径γ＝25m，网络节点数量
Figure BDA00030959630900001111
从100渐次提高到225；场景三，固定网络节点数量
Figure BDA00030959630900001112
锚节点密度
Figure BDA00030959630900001113
通信半径γ从25m渐次提高到50m。在所有仿真实验中均设定ξ＝1000，阈值
Figure BDA00030959630900001114
在图3(a)-3(c)，图4(a)-4(c)和图5(a)-5(f)中，本发明所设计的基于跳距修正及量子虎鲨机制的无线传感器网络节点定位方法记作Qts-Dv-Hop；基于距离修正及灰狼优化机制的无线传感器网络节点定位方法记作Drgw-Dv-Hop，具体参考于石琴琴等人在《传感技术学报》上发表的“基于距离修正及灰狼优化算法对DV-Hop定位的改进”；基于原Dv-Hop的无线传感器网络节点定位方法延续其标注方式。在灰狼优化机制中，设定种群规模为20、最大迭代次数为100；在量子虎鲨优化机制中，设定量子虎鲨群规模h＝20、最大迭代次数G＝100、猎物追踪控制因子e1＝0.4、微分因子ε＝0.1、猎物追踪牵引因子e2＝0.04、游曳规模控制因子e3＝0.8、游曳范围控制因子e4＝0.02、维度上限
Figure BDA0003095963090000121
维度下限
Figure BDA0003095963090000122
j＝1,2,...,b、b＝2。图3(a)、图3(b)、图3(c)分别为不同场景下的网络距离估计精度变化曲线；图4(a)、图4(b)、图4(c)分别为不同场景下的网络定位精度变化曲线；图5(a)、图5(b)、图5(c)、图5(d)、图5(e)、图5(f)分别为估计距离等于真实距离条件下的不同未知节点定位误差随定位机制演进次数关系曲线，仿真实验次数为200，仿真结果作统计平均。在图3(a)-3(c)，图4(a)-4(c)和图5(a)-5(f)可以看出，在各类场景下，本发明所设计的基于跳距修正及量子虎鲨机制的无线传感器网络节点定位方法，其距离估计精度整体表现较高且稳定，其定位精度整体表现较高且稳定，可以应用于工程实际。

Claims (7)

1.一种基于量子虎鲨机制的无线传感器网络节点定位方法，其特征在于，包括以下步骤：
步骤一：建立基于跳距修正的距离估计模型；
步骤二：建立基于跳距修正的节点定位模型；
步骤三：开启定位，初始化待定位的未知节点标号i″′为1，对待定位的未知节点进行逐一定位；
步骤四：初始化量子虎鲨群并设定参数；
步骤五：定义并计算量子虎鲨与猎物的距离，确定量子虎鲨群的最优量子位置；
步骤六：量子虎鲨分别执行猎物追踪模式和游曳模式，并在执行过程中使用模拟量子旋转门来演化量子虎鲨的量子位置；
步骤七：更新量子虎鲨量子位置和量子虎鲨群最优量子位置；
步骤八：演进终止判断，判断是否达到最大迭代次数G，若未达到，则令g＝g+1，返回步骤六；若达到，则终止演进，将最后一代量子虎鲨群的最优量子位置所对应的映射态作为第i″′个未知节点的定位位置矢量，实现对该未知节点的定位；
步骤九：定位终止判断：判断是否所有未知节点均实现定位，即判断是否满足
Figure FDA0003095963080000011
为未知节点数量，若不满足，则令i″′＝i″′+1，返回步骤四，从而进行下一未知节点的定位；若满足，则输出所有未知节点的定位结果，定位结束。
2.根据权利要求1所述的一种基于量子虎鲨机制的无线传感器网络节点定位方法，其特征在于：步骤1所述建立基于跳距修正的距离估计模型具体为：
锚节点向无线传感器网络广播一个信标，信标中包含此锚节点的位置信息和一个初始值为1的表示跳数的参数，此信标在网络中被以泛洪的形式传播出去，信标在某节点的通信半径范围内才能被此节点接收，信标每次被转发时跳数都增加1，接收节点在它接收到的关于同一个锚节点的所有信标中仅保存具有最小跳数值的信标，丢弃具有较大跳数值的信标，通过这一距离矢量路由机制，网络中所有节点都获得了到达每一个锚节点的最小跳数值，设定网络节点数量为
Figure FDA0003095963080000021
，锚节点密度为
Figure FDA0003095963080000022
，节点通信半径为γ，锚节点数量为
Figure FDA0003095963080000023
，未知节点数量为
Figure FDA0003095963080000024
，其中，
Figure FDA0003095963080000025
round(·)为取整函数，锚节点位置集合
Figure FDA0003095963080000026
Figure FDA0003095963080000027
表示第i″个锚节点的位置矢量，
Figure FDA0003095963080000028
锚节点对跳数矩阵
Figure FDA0003095963080000029
其中，ξ为无穷大值，oi″,j″为第i″个锚节点与第j″个锚节点对之间的最短路径跳数，由距离矢量路由机制获得，当oi″,j″＝0时，表示俩锚节点重合；当oi″,j″＝ξ时，表示锚节点对之间通信不可达，
Figure FDA00030959630800000210
Figure FDA00030959630800000211
第i″个锚节点的平均每跳距离估值为
Figure FDA00030959630800000212
，通过网内其余锚节点到该锚节点间的距离和除以最短路径跳数和得到，公式描述为
Figure FDA00030959630800000213
σ为累加标号，
Figure FDA00030959630800000214
所有锚节点在网络中将其平均每跳距离估值转发至临近的未知节点，并作为临近未知节点的平均跳距
Figure FDA00030959630800000215
所有节点在网络中传播信息时会将自身的标识和到各个锚节点的跳数信息传递给通信可达的邻居节点，在网络传播完成之后，每个待定位的未知节点便存储了到各个锚节点所经过的最短路径节点序列集合，每个锚节点便存储了到各个锚节点所经过的最短路径节点序列集合，使用相似度系数Sc来表示路径间的相似度，其定义如下，
Figure FDA00030959630800000216
其中，
Figure FDA00030959630800000217
表示待定位的未知节点到目标锚节点的最短路径节点序列集合，
Figure FDA00030959630800000218
表示其余锚节点到目标锚节点的最短路径节点序列集合，
Figure FDA00030959630800000219
为提取集合元素个数函数，计算集合
Figure FDA00030959630800000220
与不同集合
Figure FDA00030959630800000221
之间的相似度系数，其中相似度系数最大的路径即为最大相似路径，并将最大相似度系数作为此待定位未知节点到目标锚节点的相似系数
Figure FDA00030959630800000222
最大相似路径是与待定位节点到目标锚节点路径最为相似的锚节点对间的多跳路径，此路径的距离除以跳数即可得到此路径的平均每跳距离估值，并将其作为此待定位未知节点到目标锚节点的相似跳距
Figure FDA00030959630800000223
Figure FDA0003095963080000031
未知节点到锚节点的估计距离要通过此未知节点到目标锚节点的最优跳距乘以二者之间的最短路径跳数获得，其中，未知节点到锚节点的估计距离记作
Figure FDA0003095963080000032
；二者之间的最短路径跳数要依托于距离矢量路由机制获得，并记作
Figure FDA0003095963080000033
；此未知节点到目标锚节点的最优跳距要根据阈值
Figure FDA0003095963080000034
从相似跳距和平均跳距中选择获得，并记作
Figure FDA0003095963080000035
，具体操作如下：
Figure FDA0003095963080000036
Figure FDA0003095963080000037
设定无线传感器网络中未知节点到锚节点的真实距离为
Figure FDA0003095963080000038
，那么标准化的网络距离估计精度为
Figure FDA0003095963080000039
3.根据权利要求1或2所述的一种基于量子虎鲨机制的无线传感器网络节点定位方法，其特征在于：步骤二所述建立基于跳距修正的节点定位模型具体为：未知节点的定位位置集合
Figure FDA00030959630800000310
表示第i″′个未知节点的定位位置矢量，
Figure FDA00030959630800000311
设计第i″′个未知节点位置定位的误差函数
Figure FDA00030959630800000312
设定无线传感器网络中的未知节点的真实位置集合为
Figure FDA00030959630800000313
那么标准化的网络定位精度为
Figure FDA00030959630800000314
4.根据权利要求3所述的一种基于量子虎鲨机制的无线传感器网络节点定位方法，其特征在于：步骤四所述初始化量子虎鲨群并设定参数具体为：
设定量子虎鲨群规模为h，最大迭代次数为G，迭代次数标号为g，g∈[1,G]，第g次迭代时，第i个量子虎鲨在b维搜索空间中的量子位置为
Figure FDA00030959630800000315
i＝1,2,...,h，当g＝1时，初代量子虎鲨量子位置的每一维均初始化为[0,1]之间的均匀随机数。
5.根据权利要求4所述的一种基于量子虎鲨机制的无线传感器网络节点定位方法，其特征在于：步骤五所述定义并计算量子虎鲨与猎物的距离，确定量子虎鲨群的最优量子位置具体为：第g次迭代时，将全部量子虎鲨量子位置的每一维映射到位置解空间范围内，得到量子虎鲨量子位置的映射态
Figure FDA0003095963080000041
映射方程定义为
Figure FDA0003095963080000042
其中，
Figure FDA0003095963080000043
表示第j维下限，
Figure FDA0003095963080000044
表示第j维上限，i＝1,2,...,h，j＝1,2,...,b，将第i个量子虎鲨量子位置的映射态代入第i″′个未知节点的误差函数中得到相应的定位误差
Figure FDA0003095963080000045
上标T表示转置，其代表第i个量子虎鲨量子位置的优劣，同时规定量子虎鲨量子位置映射态对应的定位误差越小，量子虎鲨与猎物越接近，将全部量子虎鲨按照与猎物距离由近到远的顺序排序，规定距离猎物最近的量子位置为最优量子位置
Figure FDA0003095963080000046
6.根据权利要求5所述的一种基于量子虎鲨机制的无线传感器网络节点定位方法，其特征在于：步骤六所述量子虎鲨分别执行猎物追踪模式和游曳模式，并在执行过程中使用模拟量子旋转门来演化量子虎鲨的量子位置具体为：
步骤6.1：最优量子虎鲨执行猎物追踪模式：
Figure FDA0003095963080000047
Figure FDA0003095963080000048
j＝1,2,...,b，其中，
Figure FDA0003095963080000049
为最优量子虎鲨猎物追踪模式下的量子旋转角，
Figure FDA00030959630800000410
为[0,1]之间均匀分布的随机数，
Figure FDA00030959630800000411
为
Figure FDA00030959630800000412
中第j个维度的梯度，e1为猎物追踪控制因子。具体描述为：
Figure FDA00030959630800000413
Figure FDA00030959630800000414
为最优量子虎鲨映射态
Figure FDA00030959630800000415
中仅第j维变成
Figure FDA00030959630800000416
后所对应的定位误差，ε为微分因子；
步骤6.2：其余量子虎鲨执行猎物追踪模式。
Figure FDA00030959630800000417
Figure FDA00030959630800000418
i＝1,2,...,h，且i≠z，j＝1,2,...,b，其中
Figure FDA00030959630800000419
为非最优量子虎鲨猎物追踪模式下的量子旋转角，e2为猎物追踪牵引因子，
Figure FDA0003095963080000051
为[0,1]之间均匀分布的随机数；
步骤6.3：所有量子虎鲨执行游曳模式。量子虎鲨量子位置的某些维度产生随机扰动，余下的维度保持不变，
Figure FDA0003095963080000052
i＝1,2,...,h，j＝1,2,...,b，其中，
Figure FDA0003095963080000053
为游曳模式下的量子旋转角，
Figure FDA0003095963080000054
为[0,1]之间均匀分布的随机数，e3为游曳规模控制因子，
Figure FDA0003095963080000055
为[-1,1]之间均匀分布的随机数，e4为游曳范围控制因子。
7.根据权利要求6所述的一种基于量子虎鲨机制的无线传感器网络节点定位方法，其特征在于：步骤七所述更新量子虎鲨量子位置和量子虎鲨群最优量子位置具体为：计算新生量子虎鲨和当代量子虎鲨与猎物的距离，在量子位置集合
Figure FDA0003095963080000056
中贪婪选择h个距离猎物较近的量子位置作为下代量子虎鲨的量子位置
Figure FDA0003095963080000057
i＝1,2,...,h，将g+1代量子虎鲨按照与猎物距离由近到远的顺序排列，进而更新量子虎鲨群的最优量子位置。
CN202110611625.1A 2021-06-02 2021-06-02 一种基于量子虎鲨机制的无线传感器网络节点定位方法 Active CN113329490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110611625.1A CN113329490B (zh) 2021-06-02 2021-06-02 一种基于量子虎鲨机制的无线传感器网络节点定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110611625.1A CN113329490B (zh) 2021-06-02 2021-06-02 一种基于量子虎鲨机制的无线传感器网络节点定位方法

Publications (2)

Publication Number Publication Date
CN113329490A true CN113329490A (zh) 2021-08-31
CN113329490B CN113329490B (zh) 2022-06-21

Family

ID=77423125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110611625.1A Active CN113329490B (zh) 2021-06-02 2021-06-02 一种基于量子虎鲨机制的无线传感器网络节点定位方法

Country Status (1)

Country Link
CN (1) CN113329490B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113596951A (zh) * 2021-09-02 2021-11-02 哈尔滨工程大学 基于量子礁鲨机制的无线传感器网络分簇路由方法
CN114599084A (zh) * 2022-02-16 2022-06-07 三峡大学 一种基于植物群落行为的无线传感器网络目标定位算法
CN115499915A (zh) * 2022-09-26 2022-12-20 国网湖北省电力有限公司荆州供电公司 一种基于虎鲸算法优化的无线传感器网络节点定位方法

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070159986A1 (en) * 2006-01-09 2007-07-12 Samsung Electronics Co., Ltd. Method of refining node position information in wireless sensor network
CN101778472A (zh) * 2010-02-05 2010-07-14 中国地质大学（武汉） 一种无线传感器网络的分布式节点定位方法
CN101873691A (zh) * 2010-06-09 2010-10-27 中国人民解放军海军航空工程学院 基于连通性的无需测距的无线传感器网络节点定位方法
CN102300209A (zh) * 2011-08-24 2011-12-28 北京航空航天大学 一种无线传感器网络安全多跳定位方法
CN102497668A (zh) * 2011-12-23 2012-06-13 无锡虹业自动化工程有限公司 一种无线传感器网络节点apit定位方法
CN102547977A (zh) * 2011-12-28 2012-07-04 南昌大学 一种基于跳数的传感网定位方法
US20120190386A1 (en) * 2008-02-05 2012-07-26 Victor Thomas Anderson Wireless location establishing device
CN102740456A (zh) * 2012-06-05 2012-10-17 南京信息工程大学 一种无线传感器网络的节点定位方法
EP2584849A1 (en) * 2011-10-17 2013-04-24 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Method for node positioning for a wireless network
CN103167607A (zh) * 2013-03-15 2013-06-19 西安电子科技大学 一种无线传感器网络中未知节点定位方法
US20140287776A1 (en) * 2011-10-17 2014-09-25 COMMISSARIAT A I'energie atomique et aux ene alt Range estimation method based on rss measurement with limited sensitivity receiver
CN104185272A (zh) * 2014-07-30 2014-12-03 河海大学 基于优化平均每跳距离和优选锚节点的wsn定位方法
US20150201309A1 (en) * 2008-06-12 2015-07-16 Board Of Trustees Of Northern Illinois University System and method for wireless positioning and location determination
CN105682026A (zh) * 2016-01-08 2016-06-15 南昌大学 基于跳数阈值优化平均跳距的改进DV-Hop定位方法
CN106792540A (zh) * 2016-12-29 2017-05-31 上海应用技术大学 一种基于路径匹配的改进DV‑Hop定位方法
CN108235247A (zh) * 2017-12-29 2018-06-29 上海应用技术大学 一种节点定位方法及其装置
CN109842935A (zh) * 2019-03-26 2019-06-04 上海海事大学 一种基于混合smpso优化的加权dv-hop定位方法
CN110049433A (zh) * 2019-04-24 2019-07-23 上海海事大学 一种基于edw-dpso算法的定位性能优化方法
CN110113713A (zh) * 2019-06-27 2019-08-09 上海海事大学 基于DE改进的无线传感器网络DV-Hop节点定位方法
CN110267279A (zh) * 2019-05-31 2019-09-20 暨南大学 基于差分进化的三维ECDV-Hop定位方法
CN110933594A (zh) * 2019-11-08 2020-03-27 华南农业大学 一种面向农业边缘计算的改进DV-Hop定位方法
CN110996388A (zh) * 2019-12-11 2020-04-10 河南工业大学 基于锚节点选择及随机抽样粒子群的DV-Hop定位方法
CN111432329A (zh) * 2019-01-08 2020-07-17 广州电力设计院有限公司 无线传感器网络的节点定位方法、装置和存储介质
CN111479218A (zh) * 2020-05-09 2020-07-31 上海海事大学 一种基于dqpso算法的定位性能优化方法
CN111556454A (zh) * 2020-04-24 2020-08-18 河南工业大学 一种基于最小均方误差准则的加权DV_Hop节点定位方法
CN112469117A (zh) * 2020-10-30 2021-03-09 南京邮电大学 一种改进的不规则无线传感器网络DV-hop定位方法

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070159986A1 (en) * 2006-01-09 2007-07-12 Samsung Electronics Co., Ltd. Method of refining node position information in wireless sensor network
US20120190386A1 (en) * 2008-02-05 2012-07-26 Victor Thomas Anderson Wireless location establishing device
US20150201309A1 (en) * 2008-06-12 2015-07-16 Board Of Trustees Of Northern Illinois University System and method for wireless positioning and location determination
CN101778472A (zh) * 2010-02-05 2010-07-14 中国地质大学（武汉） 一种无线传感器网络的分布式节点定位方法
CN101873691A (zh) * 2010-06-09 2010-10-27 中国人民解放军海军航空工程学院 基于连通性的无需测距的无线传感器网络节点定位方法
CN102300209A (zh) * 2011-08-24 2011-12-28 北京航空航天大学 一种无线传感器网络安全多跳定位方法
EP2584849A1 (en) * 2011-10-17 2013-04-24 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Method for node positioning for a wireless network
US20140287776A1 (en) * 2011-10-17 2014-09-25 COMMISSARIAT A I'energie atomique et aux ene alt Range estimation method based on rss measurement with limited sensitivity receiver
CN102497668A (zh) * 2011-12-23 2012-06-13 无锡虹业自动化工程有限公司 一种无线传感器网络节点apit定位方法
CN102547977A (zh) * 2011-12-28 2012-07-04 南昌大学 一种基于跳数的传感网定位方法
CN102740456A (zh) * 2012-06-05 2012-10-17 南京信息工程大学 一种无线传感器网络的节点定位方法
CN103167607A (zh) * 2013-03-15 2013-06-19 西安电子科技大学 一种无线传感器网络中未知节点定位方法
CN104185272A (zh) * 2014-07-30 2014-12-03 河海大学 基于优化平均每跳距离和优选锚节点的wsn定位方法
CN105682026A (zh) * 2016-01-08 2016-06-15 南昌大学 基于跳数阈值优化平均跳距的改进DV-Hop定位方法
CN106792540A (zh) * 2016-12-29 2017-05-31 上海应用技术大学 一种基于路径匹配的改进DV‑Hop定位方法
CN108235247A (zh) * 2017-12-29 2018-06-29 上海应用技术大学 一种节点定位方法及其装置
CN111432329A (zh) * 2019-01-08 2020-07-17 广州电力设计院有限公司 无线传感器网络的节点定位方法、装置和存储介质
CN109842935A (zh) * 2019-03-26 2019-06-04 上海海事大学 一种基于混合smpso优化的加权dv-hop定位方法
CN110049433A (zh) * 2019-04-24 2019-07-23 上海海事大学 一种基于edw-dpso算法的定位性能优化方法
CN110267279A (zh) * 2019-05-31 2019-09-20 暨南大学 基于差分进化的三维ECDV-Hop定位方法
CN110113713A (zh) * 2019-06-27 2019-08-09 上海海事大学 基于DE改进的无线传感器网络DV-Hop节点定位方法
CN110933594A (zh) * 2019-11-08 2020-03-27 华南农业大学 一种面向农业边缘计算的改进DV-Hop定位方法
CN110996388A (zh) * 2019-12-11 2020-04-10 河南工业大学 基于锚节点选择及随机抽样粒子群的DV-Hop定位方法
CN111556454A (zh) * 2020-04-24 2020-08-18 河南工业大学 一种基于最小均方误差准则的加权DV_Hop节点定位方法
CN111479218A (zh) * 2020-05-09 2020-07-31 上海海事大学 一种基于dqpso算法的定位性能优化方法
CN112469117A (zh) * 2020-10-30 2021-03-09 南京邮电大学 一种改进的不规则无线传感器网络DV-hop定位方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
C. FORNEY; E. MANII; M. FARRIS; M.A. MOLINE; C.G. LOWE; C.M. CLA: ""Tracking of a tagged leopard shark with an AUV: Sensor calibration and state estimation"", 《2012 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》 *
SHAMBHAVI MISHRA; PAWAN SINGH; DEEPAK ARORA; KRISHNA KANT AGRAWA: ""Analyzing and evaluating the performance of 6L0WPAN and RPL using CONTIKI"", 《 2017 INTERNATIONAL CONFERENCE ON INTELLIGENT SUSTAINABLE SYSTEMS (ICISS)》 *
冯秀芳; 吕淑芳: ""基于RSSI和分步粒子群算法的无线传感器网络定位算法"", 《控制与决策》 *
张中芳; 张玲华: ""基于量子粒子群优化的DV-Hop算法研究"", 《计算机技术与发展》 *
方旺盛; 汪洲; 吴伟伟; 胡中栋: ""节点密度加权及距离修正的粒子群优化定位算法"", 《传感器与微系统》 *
景路路; 张玲华: ""基于跳距优化的改进型DV-Hop定位算法"", 《传感技术学报 》 *
石琴琴: ""基于距离修正及灰狼优化算法对DV-Hop定位的改进"", 《传感技术学报》 *
魏立新; 赵默林; 范锐; 周红星: ""基于改进鲨鱼优化算法的自抗扰控制参数整定"", 《控制与决策》 *
魏颖; 郭鲁: ""基于量子遗传粒子滤波的无线传感器网络的目标跟踪算法的研究"", 《计算机测量与控制》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113596951A (zh) * 2021-09-02 2021-11-02 哈尔滨工程大学 基于量子礁鲨机制的无线传感器网络分簇路由方法
CN113596951B (zh) * 2021-09-02 2023-05-30 哈尔滨工程大学 基于量子礁鲨机制的无线传感器网络分簇路由方法
CN114599084A (zh) * 2022-02-16 2022-06-07 三峡大学 一种基于植物群落行为的无线传感器网络目标定位算法
CN114599084B (zh) * 2022-02-16 2024-04-30 三峡大学 一种基于植物群落行为的无线传感器网络目标定位算法
CN115499915A (zh) * 2022-09-26 2022-12-20 国网湖北省电力有限公司荆州供电公司 一种基于虎鲸算法优化的无线传感器网络节点定位方法

Also Published As

Publication number Publication date
CN113329490B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN113329490B (zh) 一种基于量子虎鲨机制的无线传感器网络节点定位方法
Xue et al. Smart agriculture wireless sensor routing protocol and node location algorithm based on Internet of Things technology
Wang et al. A spectrum-aware clustering algorithm based on weighted clustering metric in cognitive radio sensor networks
Shi et al. Optimization for DV-Hop type of localization scheme in wireless sensor networks
Punithavathi et al. Hybrid BWO-IACO Algorithm for Cluster Based Routing in Wireless Sensor Networks.
Kalburgi et al. Taylor-spotted hyena optimization algorithm for reliable and energy-efficient cluster head selection based secure data routing and failure tolerance in WSN
Liu et al. HPCP-QCWOA: High performance clustering protocol based on quantum clone whale optimization algorithm in integrated energy system
CN107613561B (zh) 一种基于交流sce-pso算法的无线传感器网络节点三维定位方法
Chithaluru et al. An Optimized Bio-inspired Localization Routing Technique for Sustainable IIoT Networks & Green Cities
Pandian Novel distance estimation based localization scheme for wireless sensor networks using modified swarm intelligence algorithm
Hariharan et al. A multi-hop protocol using advanced multi-hop Dijkstras algorithm and tree based remote vector for wireless sensor network
CN105050168B (zh) 基于非测距的水下无线传感器网络节点定位方法及系统
Chen et al. A neighborhood grid clustering algorithm for solving localization problem in WSN using genetic algorithm
CN115550837B (zh) 一种基于混沌映射与灰狼算法优化的DV-Hop定位方法
Hamza et al. Differential Evolution with Arithmetic Optimization Algorithm Enabled Multi-Hop Routing Protocol.
Wang et al. Advanced MDS-MAP localization algorithm with weighted clustering and heuristic ranging
Min et al. An improved DV-Hop positioning algorithm in wireless sensor networks
Hong et al. Topology Change Degree: a Mobility Metric Describing Topology Changes in MANETs and Distinguishing Different Mobility Patterns.
Dao An Optimal Node Localization in WSN Based on Siege Whale Optimization Algorithm.
Sivadasan et al. A Delaunay triangulation-based improved energy-aware clustering algorithm for WSNs
Babu et al. Modified fuzzy c means and ensemble based framework for min cost localization and power constraints in three-dimensional ocean sensor networks
Liu et al. Node localization algorithm based on improved DV-Hop wireless sensor network
Song et al. A DV-Hop positioning algorithm based on the glowworm swarm optimisation of mixed chaotic strategy
Zhang et al. A Novel WSN-Oriented Locating Approach based on Density.
Baradaran et al. NEMOCED: New Energy Model and Optimal Cluster Estimation Based on Density to Increase Lifetime in Wireless Sensor Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant