CN113438732A - 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法 - Google Patents
基于跳距加权和黄金正弦粒子群的DV-Hop定位方法 Download PDFInfo
- Publication number
- CN113438732A CN113438732A CN202110668932.3A CN202110668932A CN113438732A CN 113438732 A CN113438732 A CN 113438732A CN 202110668932 A CN202110668932 A CN 202110668932A CN 113438732 A CN113438732 A CN 113438732A
- Authority
- CN
- China
- Prior art keywords
- node
- hop
- anchor
- anchor node
- 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
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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了基于跳距加权和黄金正弦粒子群的DV‑Hop定位方法,本发明的定位方法对传统的DV‑Hop定位算法进行了改进,提供了基于跳距加权和黄金正弦粒子群的DV‑Hop定位方法,以提高其定位精度。根据本发明的定位方法的思路如下:首先锚节点采用双通信半径进行广播,细化节点间的最小跳数;然后利用锚节点平均跳距与通信半径的关系对锚节点的平均跳距加权,并且使用不同的未知节点平均跳距计算未知节点与锚节点间的估计距离;最后采用黄金正弦粒子群算法求解未知节点的位置坐标。根据本发明的基于跳距加权和黄金正弦粒子群的DV‑Hop定位方法提高了未知节点的平均跳距准确性,使得估计距离更准确,从而降低了定位误差。
Description
技术领域
本发明涉及基于跳距加权和黄金正弦粒子群的DV-Hop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(Wireless Sensor Network,WSN)是由大量传感器以自主且多跳的方式形成,在其覆盖范围内协同感知、获取、处理和传输感知对象的信息。对于大多数WSN应用程序而言,获取位置信息是最基本的条件。如果在应用中不能确定传感器的位置,那么从WSN获得到的数据将毫无意义。因此,在部署WSN之后,首要任务是实现节点传感器的定位。在现有的WSN节点的定位算法中,DV-Hop算法具有复杂度低、能量利用率高、可扩展性强等优点,适合大规模WSN节点定位。
DV-HOP算法的定位过程主要包含三个阶段:第1阶段:锚节点采用泛洪的方式将自身的跳数和位置信息广播出去,同时其他节点接收锚节点广播出来的信息,对接收到的跳数信息进行比较,保存节点间最小跳数;第2阶段:计算锚节点与各个未知节点间的估计距离:(1)每个锚节点接收来自其他锚节点的信息后,利用接收到的位置信息和最小跳数计算自身的平均跳距。(2)未知节点接收来自锚节点的信息后,比较他们之间的最小跳数值,保存最小跳数值的锚节点的平均跳距,然后利用此平均跳距和未知节点与锚节点间的最小跳数信息,估算其到各个锚节点的距离;第3阶段:未知节点如果接收到三个以上的锚节点的信息,使用最小二乘法计算自身的位置,进行定位。
进一步,在计算未知节点的平均跳距时,基于最小跳数信息加权的平均跳距算法的基本思想如下:未知节点接收到多个锚节点的平均跳距离值后,对各个锚节点的平均跳距进行归一化加权处理,需要将距离该未知节点越近的锚节点的平均跳距赋给越大的权值,才能准确计算未知节点的平均跳距;但常规的加权方法是通过未知节点与锚节点之间的最小跳数的倒数对锚节点的平均跳距进行加权,并且最小跳数常规的计算方法也不准确,节点之间相同一跳的距离并不一样,无法保证距离该未知节点越近的锚节点的平均跳距的权值取到最大,从而通过计算最小跳数倒数进行平均跳距加权带来的计算误差也是不容忽略的。
DV-Hop算法的核心是利用平均跳距和最小跳数估计节点间距离,故其定位精度不高。针对其定位精度较低的问题,学者们提出了许多有效的改进方法以降低定位误差。改进的算法主要通过两个方面实现:第一个方面主要是针对跳数和平均跳距的改进,如范时平等(文献一:范时平,罗丹,刘艳林.基于跳距与改进粒子群算法的DV-Hop定位算法[J].传感技术学报,2016,29(09):1410-1415.)提出了使用估计距离误差和跳距误差的加权平均值,作为新的权重因子对锚节点的平均跳距优化,并且将改进后的粒子群算法用于求解节点位,该算法改进了锚节点的平均跳距,但由跳数引起的误差仍会影响定位精度;第二个方面主要是针对计算节点位置方法的改进,如Gui等(文献二:Gui L,Val T,WeiA,etal.Improvement of Range-Free Localization Technology by a Novel DV-HopProtocol in Wireless Sensor Networks[J].Ad Hoc Networks,2015,24:55-73.DOI:10.1016/j.adhoc.2014.07.025.)提出使用将锚节点分为n组,每一组包含三个锚节点,分别估计未知节点位置,根据位置误差选择一组锚节点最准确的估计位置,该算法计算节点位置时未消除由最小二乘法所产生的累计误差;孙博文等(文献三:孙博文,韦素媛.基于自适应调整策略灰狼算法的DV-Hop定位算法[J].计算机科学,2019,46(05):77-82.)将求解节点位置转换为优化问题,使用自适应策略改进灰狼算法计算节点位置并对越界节点进行处理,增加了计算量。
发明内容
为了解决目前存在的用于无线传感器网络定位的DV-Hop定位算法的定位精度低的问题,本发明对传统的DV-Hop定位算法进行了改进,提供了基于跳距加权和黄金正弦粒子群的DV-Hop定位方法,进一步提高其定位精度。
本发明的目的在于提供基于跳距加权和黄金正弦粒子群的DV-Hop定位方法,根据本发明的定位方法的思路如下:首先锚节点采用双通信半径进行广播,细化节点间的最小跳数;然后利用锚节点平均跳距与通信半径的关系对锚节点的平均跳距加权,并且使用不同的未知节点平均跳距计算未知节点与锚节点间的估计距离;最后采用黄金正弦粒子群算法求解未知节点的位置坐标。
具体而言,本发明的基于跳距加权和黄金正弦粒子群的DV-Hop定位方法包括如下步骤:
步骤一:无线传感器网络初始化,多个锚节点和多个未知节点随机分布于所述无线传感器网络中,其中,锚节点是自身位置已知的节点,利用定位设备或人工部署的方式获得锚节点自身的位置坐标;未知节点是自身位置未知的节点;通信半径是各个节点广播信息的辐射范围;跳数是两节点间进行相互通信时,数据传输所需要经过转接的节点个数;
步骤二:每个锚节点采用0.5R、R两个通信半径分别向网络中所有其它节点广播信息,包括该锚节点的位置坐标和跳数,其他各节点接收到该锚节点发送的信息后,保存该锚节点的位置坐标,并对接收到的跳数信息进行比较,保存自身节点与该锚节点之间的最小跳数;
步骤三:每个锚节点接收到来自其他锚节点的信息后,利用接收到的锚节点的位置坐标和保存的最小跳数使用最小误差准则计算得到该锚节点自身的平均跳距,并对其修正,再次向其他节点广播修正后的平均跳距;
步骤四:设定未知节点与锚节点的最小跳数阈值,未知节点选取该阈值以内的锚节点的平均跳距,并利用选取的平均跳距和步骤一得到的最小跳数,采用跳距加权法计算该未知节点的平均跳距;
步骤五:将未知节点与锚节点的最小跳数划分为两个范围,并根据最小跳数的不同范围使用不同的方法计算未知节点的平均跳距,根据得到的平均跳距和相应的最小跳数计算未知节点与锚节点之间的估计距离;
步骤六:根据未知节点与锚节点之间的估计距离,将未知节点的位置坐标计算转化为最小化优化问题,采用黄金正弦粒子群算法计算未知节点的位置坐标。
根据本发明的DV-Hop定位方法,可选地,步骤三中计算每个锚节点i的平均跳距hopsizei:
其中,(xi,yi)和(xj,yj)分别为锚节点i和锚节点j的坐标;hij为锚节点i和锚节点j之间的最小跳数。
根据本发明的DV-Hop定位方法,可选地,由于锚节点i和锚节点j之间的最小跳数是估计值,根据跳数值所计算到的锚节点i平均跳距与实际值之间存在一定的误差,使用平均每跳距离的误差εi对其修正,得到修正后的锚节点平均跳距hopsize′i:
hopsize′i=hopsizei+εi (2)。
根据本发明的DV-Hop定位方法,可选地,由锚节点i和锚节点j之间的最小跳数及计算到的锚节点i的平均跳距hopsizei可得到锚节点i和锚节点j之间的估计距离,由锚节点i和锚节点j的位置坐标计算可得到锚节点i和锚节点j的真实距离,真实距离与估计距离的差值与锚节点i和锚节点j之间的最小跳数之和的比值为锚节点i平均每跳距离的误差εi:
根据本发明的DV-Hop定位方法,步骤四计算未知节点k的平均跳距具体还包括如下步骤:
由于各个节点之间的跳数越多,由跳数累计所带来的误差越大,该误差影响锚节点的平均跳距的准确性,进而影响未知节点的平均跳距,因此在计算未知节点的平均跳距时,设定未知节点与锚节点的最小跳数阈值K,并且只采用最小跳数在阈值K以内的锚节点的平均跳距:
其中,R为节点通信半径;L为正方形仿真区域的边长;M为未知节点定位所需的最少锚节点个数;N为仿真区域内的所有节点个数;P为所有节点中锚节点所占的比例。
根据本发明的DV-Hop定位方法,优选地,当未知节点与锚节点间的最小跳数在一跳内时,获取该未知节点一跳内的所有锚节点,并将获取的锚节点i的修正后平均跳距的加权平均值作为未知节点k的平均跳距:
其中,权重系数Wi由所获得的锚节点i修正后的平均跳距与通信半径的如下关系得到:
其中,R为节点通信半径;锚节点i的平均跳距越接近通信半径,说明该锚节点与其他锚节点间的跳数越少,由跳数累计所带来的误差越小,说明该平均跳距越准确;锚节点i的平均跳距与通信半径的比值越大,则权重系数Wi越大。
根据本发明的DV-Hop定位方法,优选地,当未知节点与锚节点间跳数值大于1小于阈值K时,未知节点的平均跳距,根据K跳内锚节点的平均跳距与所有锚节点的平均跳距的如下关系得到:
其中,n代表锚节点个数。
根据本发明的DV-Hop定位方法,优选地,根据上述两种不同的未知节点k的平均跳距与相应的最小跳数计算未知节点k与锚节点i之间的估计距离dik。
dik=hopsizek×hik (9);
根据本发明的DV-Hop定位方法,优选地,根据未知节点k与锚节点i之间的估计距离,将未知节点k的位置坐标计算转化为最小化优化问题,并采用黄金正弦粒子群算法计算未知节点的具体位置,具体包括如下步骤:
步骤S1:利用未知节点k和锚节点i之间的估计距离dik建立优化数学模型,将对未知节点k的位置坐标计算简化为最小化优化问题,并将所述最小化优化问题的适应度函数定义为:
其中,fis为随机粒子s与锚节点i间的距离;dik为锚节点i与未知节点k间的估计距离;
步骤S2:采用黄金正弦粒子群算法将随机粒子s与锚节点i之间的距离fis和未知节点k与锚节点i之间的估计距离dik进行比较,当二者的差值最小,即适应度函数F取极小值时,所对应的粒子s的位置坐标即为未知节点k的位置坐标
其中,U为未知节点的个数,R为节点通信半径。
本发明有益效果是:
根据本发明的DV-Hop定位方法通过锚节点使用双通信半径,使最小跳数不再只是整数,从而得到的节点间估计距离更准确。
根据本发明的DV-Hop定位方法通过对锚节点的平均跳距使用误差因子修正,提高了锚节点的平均跳距的准确性。
根据本发明的DV-Hop定位方法在计算锚节点与未知节点间距离时,使用不同的平均跳距。并利用平均跳距与通信半径的关系对未知节点平均跳距加权,并且还考虑所有锚节点的平均跳距对未知节点的平均跳距的影响,提高了未知节点的平均跳距准确性,使得估计距离更准确,从而降低了定位误差。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明的定位方法的算法流程示意图。
图2是根据本发明的定位方法,节点通信半径与定位误差的关系曲线图。
图3是根据本发明的定位方法,锚节点比例与定位误差的关系曲线图。
图4是根据本发明的定位方法,节点总数与定位误差的关系曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供基于跳距加权和黄金正弦粒子群的DV-Hop定位方法,根据本发明的定位方法的思路如下:首先锚节点采用双通信半径进行广播,细化节点间的最小跳数;然后利用锚节点平均跳距与通信半径的关系对锚节点的平均跳距加权,并且使用不同的未知节点平均跳距计算未知节点与锚节点间的估计距离;最后采用黄金正弦粒子群算法求解未知节点的位置坐标。
如图1所示,本实施例的基于跳距加权和黄金正弦粒子群的DV-Hop定位方法包括如下步骤:
步骤一:无线传感器网络初始化,多个锚节点和多个未知节点随机分布于所述无线传感器网络中,其中,锚节点是自身位置已知的节点,利用定位设备或人工部署的方式获得锚节点自身的位置坐标;未知节点是自身位置未知的节点;通信半径是各个节点广播信息的辐射范围;跳数是两节点间进行相互通信时,数据传输所需要经过转接的节点个数;
步骤二:每个锚节点采用0.5R、R两个通信半径分别向网络中所有其它节点广播信息,包括该锚节点的位置坐标和跳数,其他各节点接收到该锚节点发送的信息后,保存该锚节点的位置坐标,并对接收到的跳数信息进行比较,保存自身节点与该锚节点间的最小跳数;
步骤三:每个锚节点接收到来自其他锚节点的信息后,利用接收到的锚节点的位置坐标和保存的最小跳数使用最小误差准则计算得到该锚节点自身的平均跳距,并对其修正,再次向其他节点广播修正后的平均跳距;
步骤四:设定未知节点与锚节点的最小跳数阈值,未知节点采用该阈值以内的锚节点的平均跳距,并利用该平均跳距信息和步骤一得到的最小跳数,采用跳距加权法计算该未知节点的平均跳距;
步骤五:将未知节点与锚节点的最小跳数划分为两个范围,并根据最小跳数的不同范围使用不同的方法计算未知节点的平均跳距,根据得到的平均跳距和相应的最小跳数计算未知节点与锚节点之间的估计距离;
步骤六:根据未知节点与锚节点之间的估计距离,将未知节点的位置坐标计算转化为最小化优化问题,采用黄金正弦粒子群算法计算未知节点的位置坐标。
根据本发明的DV-Hop定位方法,步骤三具体包括如下步骤:
计算每个锚节点i的平均跳距hopsizei:
其中,(xi,yi)和(xj,yj)分别为锚节点i和锚节点j的坐标;hij为锚节点i和锚节点j之间的最小跳数。
根据本实施例,由于锚节点i和锚节点j之间的最小跳数是估计值,根据跳数值所计算到的锚节点i平均跳距与实际值之间存在一定的误差,使用平均每跳距离的误差εi对其修正,得到修正后的锚节点平均跳距hopsize′i:
hopsize′i=hopsizei+εi (2)。
根据本实施例,由锚节点i和锚节点j之间的最小跳数及计算到的锚节点i的平均跳距hopsizei可得到锚节点i和锚节点j之间的估计距离,由锚节点i和锚节点j的位置坐标计算可得到锚节点i和锚节点j的真实距离,真实距离与估计距离的差值与锚节点i和锚节点j之间的最小跳数之和的比值为锚节点i平均每跳距离的误差εi:
根据本实施例的DV-Hop定位方法,步骤四计算未知节点k的平均跳距具体还包括如下步骤:
由于各个节点之间的跳数越多,由跳数累计所带来的误差越大,该误差影响锚节点的平均跳距的准确性,进而影响未知节点的平均跳距,因此在计算未知节点的平均跳距时,设定未知节点与锚节点的最小跳数阈值K,并且只采用最小跳数在阈值K以内的锚节点的平均跳距:
其中,R为节点通信半径;L为正方形仿真区域的边长;M为未知节点定位所需的最少锚节点个数;N为仿真区域内的所有节点个数;P为所有节点中锚节点所占的比例。
根据本实施例的DV-Hop定位方法,当未知节点与锚节点间的最小跳数在一跳内时,获取该未知节点一跳内的所有锚节点,并将获取的锚节点i的修正后平均跳距的加权平均值作为未知节点k的平均跳距:
其中,权重系数Wi由所获得的锚节点平均跳距与通信半径的如下关系得到:
其中,R为节点通信半径;锚节点的平均跳距越接近通信半径,说明该锚节点与其他锚节点间的跳数越少,由跳数累计所带来的误差越小,说明该平均跳距越准确;锚节点的平均跳距与通信半径的比值越大,则权重系数Wi越大。
根据本实施例的DV-Hop定位方法当未知节点与锚节点间跳数值大于1小于阈值K时,未知节点的平均跳距,根据K跳内锚节点的平均跳距与所有锚节点的平均跳距的如下关系得到:
其中,n代表锚节点个数。
根据本实施例的DV-Hop定位方法,根据上述两种不同的未知节点平均跳距与相应的最小跳数计算未知节点k与锚节点i之间的估计距离dik:
dik=hopsizek×hik (9)。
根据本实施例的DV-Hop定位方法,根据未知节点k与锚节点i之间的估计距离dik,将未知节点k的位置坐标计算转化为最小化优化问题,并采用黄金正弦粒子群算法计算未知节点的具体位置,具体包括如下步骤:
步骤S1:利用未知节点k和锚节点i之间的估计距离dik建立优化数学模型,将对未知节点k的位置坐标计算简化为最小化优化问题,并将所述最小化优化问题的适应度函数定义为:
其中,fis为随机粒子s与锚节点i间的距离;dik为锚节点i与未知节点k间的估计距离;
步骤S2:采用黄金正弦粒子群算法将随机粒子s与锚节点i之间的距离fis和未知节点k与锚节点i之间的估计距离dik进行比较,当二者的差值最小,即适应度函数F取极小值时,所对应的粒子s的位置坐标即为未知节点k的位置坐标
其中,U为未知节点的个数,R为节点通信半径。
实施例二:
本实施例利用MATLAB R2018a进行仿真分析,实验仿真环境:100×100m2的监测区域,通信半径R取值范围为25m~50m,锚节点比例取值范围15%~40%,节点总数取值范围为100~500。将锚节点的比例设置为30%,节点总数100时,分别在不同通信半径下,进行100次仿真试验。图2所示为根据上述仿真实验之后,本发明的定位方法与与传统的DV-Hop及现有技术中文献一、文献二及文献三中的定位算法的定位误差随通信半径变化的情况。
从仿真结果可以看出,当通信半径小于40m时,定位误差变化趋势比较明显,这是由于随着通信半径的增加,网络的连通度提高,可以获取到更多的节点信息进行定位;当通信半径大于40m时,定位误差有轻微上升的趋势,这是由于当通信半径超过一定的值后,锚节点间实际距离与估计距离差距较大,平均每跳距离误差随之增大,从而影响到定位误差。
图3所示为,将通信半径设置为30m,节点总数100时,分别在不同锚节点比例下,进行100次仿真试验,本发明的定位方法与传统的DV-Hop及现有技术中文献一至文献三的算法的定位误差随锚节点比例变化的情况。
从图3的结果可以看出,定位误差随着锚节点比例的增加都有一定程度的降低。这是由于随着锚节点比例的增加,未知节点可以获取到更多锚节点的位置坐标,从而提高定位精度。当锚节点比例小于30%时,定位误差下降趋势明显,锚节点比例大于30%时,变化趋势不明显。
图4所示为将锚节点的比例设置为30%,节点总数100时,分别在不同节点总数下,进行100次仿真试验,本发明的定位方法与传统的DV-Hop及文献一至文献三的算法的定位误差随节点总数变化的情况。
从图4的结果可以看出,算法的定位误差随着节点总数的增加都有一定程度的减小。当节点总数小于200时,定位误差变化趋势较大,这是由于节点总数的增加,降低了节点间的距离,从而提高了平均跳距的准确性。当节点总数大于200时,定位误差变化趋势平稳,产生这样现象的原因是当网络中节点总数到达一定数目时,此时网络有很高的连通度,这时节点总数不再是一个影响定位精度的主要因素。
上述仿真实验的结果表明,根据本发明的定位方法的定位误差相比于文献一、文献二和文献三均有明显下降,证明本发明的定位方法相比于上述现有技术具有较高的定位精度。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于跳距加权和黄金正弦粒子群的DV-Hop定位方法,其特征在于,所述方法包括如下步骤:
步骤一无线传感器网络初始化,多个锚节点和多个未知节点随机分布于所述无线传感器网络中,其中,锚节点是自身位置已知的节点,利用定位设备或人工部署的方式获得锚节点自身的位置坐标;未知节点是自身位置未知的节点;通信半径R是各个节点广播信息的辐射范围;跳数是两节点间进行相互通信时,数据传输所需要经过转接的节点个数;
步骤二:每个锚节点采用0.5R、R两个通信半径分别向网络中所有其它节点广播信息,所述信息包括该锚节点的位置坐标和跳数,其他各节点接收到该锚节点广播的信息后,保存该锚节点的位置坐标,并对接收到的跳数进行比较,保存自身节点与该锚节点间的最小跳数;
步骤三:每个锚节点接收到来自其他锚节点的信息后,利用接收到的锚节点的位置坐标和保存的最小跳数,使用最小误差准则计算得到该锚节点的平均跳距,并对所述平均跳距进行修正,再次向其他节点广播修正后的平均跳距;
步骤四:设定未知节点与锚节点之间的最小跳数阈值,未知节点选取所述阈值以内的锚节点的平均跳距,并利用选取的锚节点的平均跳距和步骤一得到的最小跳数,采用跳距加权法计算未知节点的平均跳距;
步骤五:将未知节点与锚节点的最小跳数划分为两个范围,并根据最小跳数的不同范围使用不同的方法计算未知节点的平均跳距,根据得到的平均跳距和相应的最小跳数计算未知节点与锚节点之间的估计距离;
步骤六:根据未知节点与锚节点之间的估计距离,将未知节点的位置坐标的计算转化为最小化优化问题,采用黄金正弦粒子群算法计算未知节点的位置坐标。
3.根据权利要求2所述的方法,其特征在于,所述方法的步骤三中根据锚节点i和锚节点j之间的最小跳数所计算到的锚节点i的平均跳距hopsizei与其实际值之间存在误差,使用锚节点i平均每跳距离的误差εi对平均跳距hopsizei进行修正,得到锚节点i修正后的平均跳距hopsize′i:
hopsize′i=hopsizei+εi。
8.根据权利要求6或7的任一项所述的方法,其特征在于,在所述步骤五中,根据未知节点k与锚节点i之间最小跳数的不同取值范围获得的不同未知节点平均跳距hopsizek与相应的最小跳数计算未知节点k与锚节点i之间的估计距离dik:
dik=hopsizek×hik。
9.根据权利要求1所述的方法,其特征在于,在所述步骤六中,将未知节点的位置坐标计算转化为最小化优化问题,并采用黄金正弦粒子群算法计算未知节点的位置,包括如下步骤:
步骤S1:利用未知节点k和锚节点i之间的估计距离dik建立优化数学模型,将对未知节点k的位置坐标计算简化为最小化优化问题,并将所述最小化优化问题的适应度函数定义为:
其中,fis为随机粒子s与锚节点i间的距离;dik为锚节点i与未知节点k间的估计距离;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668932.3A CN113438732B (zh) | 2021-06-16 | 2021-06-16 | 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110668932.3A CN113438732B (zh) | 2021-06-16 | 2021-06-16 | 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113438732A true CN113438732A (zh) | 2021-09-24 |
CN113438732B CN113438732B (zh) | 2023-04-28 |
Family
ID=77756431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110668932.3A Active CN113438732B (zh) | 2021-06-16 | 2021-06-16 | 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113438732B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965885A (zh) * | 2021-10-25 | 2022-01-21 | 昆明理工大学 | 一种信息物理系统的改进三次修正DV-Hop定位方法 |
CN114143709A (zh) * | 2021-11-16 | 2022-03-04 | 电子科技大学 | 一种基于DV-Hop的无线传感器定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106341785A (zh) * | 2015-07-12 | 2017-01-18 | 上海明想电子科技有限公司 | 改进的无线传感器DV-Hop算法 |
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 |
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 |
CN112926139A (zh) * | 2021-03-23 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 |
-
2021
- 2021-06-16 CN CN202110668932.3A patent/CN113438732B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106341785A (zh) * | 2015-07-12 | 2017-01-18 | 上海明想电子科技有限公司 | 改进的无线传感器DV-Hop算法 |
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 |
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 |
CN112926139A (zh) * | 2021-03-23 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种基于混沌映射和黄金正弦策略的改进麻雀智能优化方法 |
Non-Patent Citations (3)
Title |
---|
J. ZHANG等: "Improved Whale Optimization Algorithm Based on Nonlinear Adaptive Weight and Golden Sine Operator", 《IEEE ACCESS》 * |
YANG ZIQIN等: "DV-Hop Localization Algorithm based on Hop Distance Weight and Improved Particle Swarm Optimization", 《2021 CHINA AUTOMATION CONGRESS (CAC)》 * |
肖子雅等: "黄金正弦混合原子优化算法", 《微电子学与计算机》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965885A (zh) * | 2021-10-25 | 2022-01-21 | 昆明理工大学 | 一种信息物理系统的改进三次修正DV-Hop定位方法 |
CN114143709A (zh) * | 2021-11-16 | 2022-03-04 | 电子科技大学 | 一种基于DV-Hop的无线传感器定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113438732B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102546059B (zh) | 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法 | |
Wang et al. | Device-free localization with multidimensional wireless link information | |
CN113438732A (zh) | 基于跳距加权和黄金正弦粒子群的DV-Hop定位方法 | |
CN111556454B (zh) | 一种基于最小均方误差准则的加权DV_Hop节点定位方法 | |
CN102905365B (zh) | 一种无线传感器网络节点定位方法 | |
CN109526012A (zh) | 一种基于可靠性的LoRaWAN网络扩频因子分配方法 | |
CN111294921B (zh) | 一种rssi无线传感器网络三维协作定位方法 | |
CN106162869B (zh) | 移动自组织网络中高效协作定位方法 | |
CN109842935A (zh) | 一种基于混合smpso优化的加权dv-hop定位方法 | |
CN102621522A (zh) | 一种水下无线传感器网络的定位方法 | |
CN103929717A (zh) | 一种基于权重Voronoi图的无线传感器网络定位方法 | |
CN104080169B (zh) | 一种水下无线传感器网络动态自适应定位方法 | |
CN113473355B (zh) | 一种基于不规则区域下的禁忌粒子群优化DV-Hop定位方法 | |
CN113365214B (zh) | 基于三边定位改进的无线传感器网络节点定位方法和装置 | |
CN112738709B (zh) | 一种基于uwb信号的粒子群搜索室内定位方法及系统 | |
CN112714397B (zh) | 一种基于测距优化和改进麻雀搜索算法的wsn节点定位方法 | |
CN108322933A (zh) | 一种节点加速梯度下降定位方法 | |
CN110881192B (zh) | 结合MDS的DV-Hop无线传感器网络节点定位方法 | |
CN110933594A (zh) | 一种面向农业边缘计算的改进DV-Hop定位方法 | |
CN115499916B (zh) | 基于改进鲸鱼优化算法的无线传感器网络节点定位方法 | |
CN104066180B (zh) | 一种基于时变误差界的水下传感网节点定位及更新方法 | |
Dou et al. | An efficient range-free multi-hop localisation algorithm for irregular wireless sensor networks | |
Gao et al. | An improved DV-Hop algorithm based on average hop distance and estimated coordinates | |
Xu et al. | A Fine-grained Hop-count Based Localization Algorithm for Wireless Sensor Networks. | |
CN113347707B (zh) | 一种基于加权迭代和双重选择的DV-Hop节点定位方法 |
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 |