CN113473365A - 融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法 - Google Patents

融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法 Download PDF

Info

Publication number
CN113473365A
CN113473365A CN202110756857.6A CN202110756857A CN113473365A CN 113473365 A CN113473365 A CN 113473365A CN 202110756857 A CN202110756857 A CN 202110756857A CN 113473365 A CN113473365 A CN 113473365A
Authority
CN
China
Prior art keywords
node
algorithm
hop
anchor
unknown
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.)
Withdrawn
Application number
CN202110756857.6A
Other languages
English (en)
Inventor
王振辉
韩德志
李明
蔡少康
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime 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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202110756857.6A priority Critical patent/CN113473365A/zh
Publication of CN113473365A publication Critical patent/CN113473365A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

一种融合被囊群和哈里斯鹰算法的降低DV‑HOP定位误差方法，该方法包括：S1：使用改进的DV‑HOP定位算法对无线传感器网络中的未知节点进行定位，得到未知节点的初步位置。S2：设计基于被囊群算法和哈里斯鹰算法的节点位置更新模型。S3：在S2的基础上，设计一种新型的融合被囊群算法和哈里斯鹰算法的节点位置更新优化算法TSH。S4：使用TSH优化改进的DV‑HOP定位算法得到未知节点更精确位置。相对于被囊群算法和哈里斯鹰算法，TSH算法搜索能力更强，收敛速度更快，将TSH算法嵌入到改进的DV‑HOP定位算法中，能显著减少DV‑HOP算法的平均定位误差，提高了算法的定位精度。

Description

融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法
技术领域
本发明涉及无线传感器网络领域，具体来说是一种融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，主要用于解决DV-HOP算法在定位时产生的误差问题。
背景技术
无线传感器网络(Wireless Senor Networks，WSNs)是由多个传感器节点以无线通信的方形成的多跳自组织网络。WSNs组织灵活，能够部署在复杂的领域，网络节点能够感知部署范围内的物理信息，通过节点之间的相互协作，能够对收集到的信息进行加工处理，并将处理后的信息发送给相关用户。帮助用户决策。WSNs已经在智能交通、环境监测、军事侦察等领域得到了广泛的应用，这些领域的应用通常需要知道节点准确的位置信息，所以节点的定位非常重要。
DV-HOP定位方法，是典型的Range-free(无需测距)算法，该定位算法流程简便，受外界环境的影响较小且易于扩展，只需通过网络的连通性便可完成整个网络中相关节点的定位，受到了广泛的青睐。
WSNs中，受成本和体积的限制，只有部分节点配备定位装置，用于对自身定位。能够自身定位的节点称为锚节点，其余节点称为未知节点。节点定位的原理就是通过锚节点来定位未知节点，从而衍生出了许多的WSNs定位算法。DV-HOP就是其中一种经典的定位算法，该定位算法通过跳距信息来计算未知节点到锚节点的距离，然后通过三边估计法或极大似然值法计算出未知节点的坐标。在传统的DV-HOP定位算法中，跳距的计算是估计值而不是准确值，对未知节点的定位带来较大的误差。
被囊群算法和哈里斯鹰算法是近年来提出的两种生物启发优化算法，用于对单目标或者多目标函数进行优化，求最优解。被囊群算法是模仿自然界中被囊虫的觅食行为而设计的一种优化算法，物种的觅食主要基于三个条件：(1)避免物种之间的冲突。(2)向食物源移动。(3)保持并接近食物源。哈里斯鹰算法是模仿哈里斯鹰在天空中狩猎的策略而开发的一种优化算法。哈里斯鹰根据自身的能量的多少和与猎物之间的距离关系采用最佳的攻击方式。其中，被囊群算法开发能力较强，但搜索能力差，容易陷入局部最优，而哈里斯鹰算法有较好的开发和探索能力，但收敛速度较慢，也容易陷入局部最优。将被囊群算法和哈里斯鹰算法进行融合，增加了一个强化阶段以及若干判断条件，对单目标或者多目标函数进行优化能力更强，我们将融合后的算法应用到改进的DV-HOP定位算法里面，对节点平均定位误差函数进行优化，进一步提高定位精度。
发明内容
本发明涉及一种融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，为了提高DV-HOP定位方法的定位精度，本发明提供了一种融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，在现有的DV-HOP定位方法的基础上，使用最短路径算法，优化搜索路径，对锚节点到未知节点之间的平均跳距进行优化，最后通过TSH优化算法对未知节点平均定位误差函数进行优化求最优解，不断降低误差，提高改进的DV-HOP定位算法的精度。
为了降低传统DV-HOP定位算法的定位误差，本发明提供了一种融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，该定位方法包含以下步骤：
S1：使用DV-HOP定位算法对无线传感器网络中的未知节点进行定位，得到未知节点平均定位误差。
S2：在被囊群物种位置更新模型和哈里斯鹰物种位置更新模型的基础上，构造一种节点位置更新方式。
S3：在S2的基础上，构造一种节点位置更新优化模型(TSH)。
S4：使用TSH优化DV-HOP定位算法得到未知节点更精确位置，从而降低了未知节点的平均定位误差。
S1进一步包含以下步骤：
S11：在区域内随机分布Na个锚节点和Nu个未知节点，其中仅锚节点可以通过自身装置获得其位置信息。
S12：在通信范围内，锚节点向周围节点发送数据包，数据包内包含自身ID、位置以及跳数信息，初始跳数设置为0。接收数据包的节点记录信息，将数据包里面跳数信息加一，并将数据包转发给周围节点。
S13：使用最短路径算法，优化数据包的发送。在保证所有的节点都可以收到锚节点数据包的同时，降低数据包发送和接受次数以及能量的损耗。当某个节点收到来自另一个节点发送的多个数据包的时，选择跳距值最小的数据包进行记录，丢弃其它的数据包，获得自身到锚节点的最小跳数。
S14：使用改进的DV-HOP定法方法对网络中的未知节点进行定位，具体步骤如下：
通过锚节点之间的最小跳数和自身坐标计算锚节点之间的平均跳距，计算公式如下。
Figure BDA0003148025120000021
Figure BDA0003148025120000022
其中(XAi，YAi)是第i个锚节点，(XAj，YAj)是第j个锚节点，
Figure BDA0003148025120000023
是锚节点之间的平均跳距，MinHopCountij是第i个锚节点和第j个锚节点之间的最小跳数。
第i个锚节点到相邻m个锚节点的估计距离和实际距离误差的平方为：
Figure BDA0003148025120000031
其中ei，j表示第i个锚节点到第j个锚节点之间的误差，j＝1，2…m，j≠i。
当锚节点的实际位置和估计位置无限接近时，估计误差无限接近于0：
Figure BDA0003148025120000032
在估计误差为0的条件下，计算锚节点之间的平均跳距
Figure BDA0003148025120000033
Figure BDA0003148025120000034
计算锚节点到未知节点的平均跳距
Figure BDA0003148025120000035
Figure BDA0003148025120000036
通过未知节点到锚节点之间的最小跳数以及未知节点到锚节点之间的平均跳距计算未知节点到锚节点之间的距离。
Figure BDA0003148025120000037
其中MinHopCountk，i表示第i个锚节点到第k个未知节点的最小跳数，Distk，i表示第i个锚节点到第k个未知节点的预测距离。
使用三边测量法，计算未知节点的坐标，其公式如下：
Figure BDA0003148025120000038
其中
Figure BDA0003148025120000039
表示网络中锚节点的坐标，i＝1，2…Na，
Figure BDA00031480251200000310
表示未知节点的坐标。
上式可转化为：
Figure BDA00031480251200000311
其中未知节点坐标为：
Figure BDA00031480251200000312
未知节点坐标的计算公式为：
X＝(ATA)-1ATB (11)
其中：
Figure BDA0003148025120000041
Figure BDA0003148025120000042
S15：计算未知节点平均定位误差目标函数：
Figure BDA0003148025120000043
其中
Figure BDA00031480251200000415
是未知节点的预测位置，
Figure BDA00031480251200000416
是未知节点的实际位置。R表示节点通信范围。
S2进一步包含以下步骤：
S21：被囊群物种位置更新模型为：
Figure BDA0003148025120000044
Figure BDA0003148025120000045
Figure BDA0003148025120000046
Figure BDA0003148025120000047
其中
Figure BDA0003148025120000048
表示计算新的个体位置，
Figure BDA0003148025120000049
表示被囊物种的重力，
Figure BDA00031480251200000410
表示水流状况，
Figure BDA00031480251200000411
表示物种之间的力。c1，c2和c3表示[0，1]之间的随机数。Pmin和Pmax表示种群开始运动后物种的初试速度和从属速度。
Figure BDA00031480251200000412
其中
Figure BDA00031480251200000413
表示被囊物种和食物源之间的距离，
Figure BDA00031480251200000414
表示食物源，x(t)表示经过t次迭代后被囊所处的位置，ra表示[0，1]之间的随机数。
Figure BDA0003148025120000051
x(t+1)表示第t+1次移动后被囊的位置，在被囊群物种位置更新模型中，最初的两个物种通过上式更新他们的位置。种群使用公式(21)更新他们的位置。
Figure BDA0003148025120000052
S22：哈里斯鹰物种位置更新模型为：
当哈里斯鹰能量充足时，其位置更新公式如下所示：
Figure BDA0003148025120000053
Figure BDA0003148025120000054
X(t)是第t次迭代时，哈里斯鹰的位置，X(t+1)是下次迭代物种的位置，Xrabbit(t)是猎物的位置，Xrand(t)是从当前种群中随机选择的鹰的位置，ub和Ib是问题空间的上限和下限。r1，r2，r3，r4和q是[0，1]之间的随机数，Xm(t)是哈里斯鹰的平均位置。
哈里斯鹰能量的计算公式如下所示：
Figure BDA0003148025120000055
其中E0是(-1，1)之间的随机数，t表示当前迭代次数，T表示最大迭代次数。
当r≥0.5，且|E|≥0.5时，哈里斯鹰使用公式(25)更新位置：
X(t+1)＝ΔX(t)-E|JXrabbit(t)-X(t)| (25)
ΔX(t)＝Xrabbit(t)-X(t) (26)
J＝2(1-r5) (27)
其中ΔX(t)是哈里斯鹰和猎物之间的距离，J是猎物的随机跳跃距离，r5是(0，1)之间的随机数。
当r≥0.5，且|E|＜0.5时，哈里斯鹰的位置更新公式为：
X(t+1)＝Xrabbit(t)-E|ΔX(t)| (28)
当r＜0.5，且|E|≥0.5时，哈里斯鹰的位置更新公式为：
Figure BDA0003148025120000056
Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)| (30)
Z＝Y+S×LF(dim) (31)
其中，dim是问题的维数，Y和Z表示下一阶段物种的位置，S为1×D的随机向量，Fit()为适应度函数，LF()为随机函数，其模型为：
Figure BDA0003148025120000061
Figure BDA0003148025120000062
其中β为常数，其值为1.5，u，v为(0，1)之间的随机数。
当r＜0.5，且|E|＜0.5时，哈里斯鹰的位置更新模型为：
Figure BDA0003148025120000063
其中
Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)| (35)
Z＝Y+S×LF(D) (36)
S23：构造一种新的物种位置更新模型为：
Xi(t+1)＝Xi(t)+δ(Xi(t)-Xj(t)) (37)
其中，δ是[-1，1]之间的随机数，j＝1，2，…N
步骤S3进一步包含以下步骤：
S31：融合被囊群物种位置更新模型和哈里斯鹰物种位置更新模型，结合公式(37)中提出的物种位置更新模型，构造一种节点位置优化模型(TSH)。
S32：TSH总体流程为：
a.根据目标函数设置问题的规格、解决方案数以及循环停止条件。
b.输入参数r、γ1和γ2。
c.根据判断条件选择节点位置更新模型。
Figure BDA0003148025120000064
其中，Select()表示位置更新模型选择函数，当r＜γ1时，使用哈里斯物种更新模型更新节点位置；当r＜γ2时，使用被囊群物种更新模型更新节点位置；其它情况，使用Eq.(37)更新节点位置。
d.使用贪婪选择机制提高收敛速度，检查求得目标函数解的适应度和可行性，更新最优化解。
其中r为[0，1]之间的随机数，γ1，γ2为输入的参数，γ1＝0.35，γ2＝0.7。
步骤S4进一步包含以下步骤：
S41：根据S15得到的改进的DV-HOP定位误差目标函数，使用TSH优化算法对其进行优化求最优解，
S42：TSH算法初始化，针对目标函数确定搜索空间每一维的上界和下界，
S43：计算初始适应度，将适应度最高的解作为猎物的位置，
S44：使用TSH算法更新函数的解，向猎物逼近，
S45：计算更新后解的适应度，若其适应度高于猎物适应度值，将更新后的解作为新的猎物，
S46：重复步骤S43和S44，当迭代次数达到最大迭代次数时，输出当前猎物的位置作为目标函数的最优解。
与传统的定位算法相比，本发明的有益效果在于：
1)本发明对DV-HOP定位算法中的跳距做了进一步优化，改变了原来利用全部节点之间的平均跳距来计算未知节点到锚节点之间距离的计算方式，通过锚节点到锚节点的跳距来推导锚节点到未知节点的平均跳距，能够有效降低跳距带来的误差。
2)本发明对被囊群优化算法和哈里斯鹰优化算法进行融合，解决了这两种算法本身搜索能力差，容易陷入局部最优的问题，将融合后的算法嵌入到改进的DV-HOP定位算法中，对定位的目标函数进行优化，提高了搜索速度，能够快速地找到目标函数的最优化解，进一步降低定位误差，提高定位精度。
附图说明
图1为本发明融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法的流程图；
图2为本发明融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法中，数据包广播和计算跳数的过程；
图3为本发明融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法中TSH位置更新优化算法流程图；
图4为本发明融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，节点平均定位误差和区域大小的关系图；
图5为本发明融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，节点平均定位误差和未知节点数量的关系图；
图6为本发明融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，节点平均定位误差和锚节点数量的关系图；
图7为本发明融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，节点平均定位误差和节点通信范围的关系图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
WSNs组织灵活，能够部署在复杂的领域，网络节点能够感知部署范围内的物理信息，通过节点之间的相互协作，能够对收集到的信息进行加工处理，并将处理后的信息发送给相关用户。帮助用户决策。WSNs已经在智能交通、环境监测、军事侦察等领域得到了广泛的应用，这些领域的应用通常需要知道节点准确的位置信息，所以节点的定位非常重要。
WSNs中存在两种节点，分别为锚节点和未知节点，其中锚节点可以通过自身的装置定位自身的坐标，而未知节点的定位只能通过锚节点来定位，因而衍生出了许多定位方法，定位方法主要分为两种，一种是基于测距的，这一类定位方法对节点的要求很高，需要节点与节点之间直接通信来计算距离。另一种定位算法是基于非测距的，该类定位算法是基于网络的连通度和拓扑结构来进行定位，对节点的要求相对较低。DV-HOP定位算法就是一种经典的非测距定位算法，这种算法方法简单，易于实施，得到了广泛应用。
DV-HOP定位算法的实施主要有三个阶段，第一阶段是计算每个未知节点到锚节点的最小跳数；第二阶段是计算未知节点到锚节点之间的距离；第三阶段是通过三边测量法或者极大似然值法估计未知节点的坐标。由于算法的设计，DV-HOP定位算法本身会产生一定的误差，其误差主要来源于：
1)当WSNs中节点比较稀疏时，锚节点通常需要多跳来进行锚节点之间的通信，在进行跳距计算时，由于需要经过多个节点，且节点之间很难共线，但在计算平均跳距时，默认是按照直线距离来计算，给定位带来了一定的误差。
2)在通过三边测量法或者极大似然值法计算未知节点坐标时，求得的节点坐标只是节点位置的估计值，而不是准确值。
为了进一步降低DV-HOP定位算法带来的定位误差，本发明通过优化锚节点与未知节点的平均跳距，降低通过平均跳距计算锚节点到未知节点之间的距离带来的误差，融合被囊群算法和哈里斯鹰算法设计一种新的优化算法(TSH)，TSH算法收敛速度快，搜索能力强，将其嵌入到改进的DV-HOP定位算法中，对未知节点的目标函数进行进一步优化，能够进一步提高定位精度，降低定位误差。
为了加深对本发明的理解，下面将结合附图实施实例对本发明作进一步的详细描述。
如图1所示，本发明的一种融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，对跳距做了进一步优化，嵌入了TSH节点位置更新优化模型，所述方法包含以下步骤：
S1：使用改进的DV-HOP定位算法对无线传感器网络中的未知节点进行定位，得到未知节点平均定位误差。
S2：在被囊群和哈里斯鹰物种位置更新模型的基础上，构造一种节点位置更新方式。
S3：在S2的基础上，构造一种节点位置更新优化模型(TSH)。
S4：使用TSH优化DV-HOP定位算法得到未知节点更精确位置，从而降低了未知节点的平均定位误差。
S1进一步包含以下步骤：
S11：在区域内随机分布Na个锚节点和Nu个未知节点，其中仅锚节点可以通过自身装置获得其位置信息。
S12：如图2所示，在通信范围内，锚节点向周围节点发送数据包，数据包内包含自身ID、位置以及跳数信息，初始跳数设置为0。接收数据包的节点记录信息，将数据包里面跳数信息加一，并将数据包转发给周围节点。
S13：使用最短路径算法，优化数据包的发送。在保证所有的节点都可以收到锚节点数据包的同时，降低数据包发送和接受次数以及能量的损耗。当某个节点收到来自另一个节点发送的多个数据包的时，选择跳距值最小的数据包进行记录，丢弃其它的数据包，获得自身到锚节点的最小跳数。
S14：使用改进的DV-HOP定法方法对网络中的未知节点进行定位，具体步骤如下：
通过锚节点之间的最小跳数和自身坐标计算锚节点之间的平均跳距，计算公式如下。
Figure BDA0003148025120000091
Figure BDA0003148025120000092
其中，(XAi，YAi)是第i个锚节点，(XAj，YAj)是第j个锚节点，
Figure BDA0003148025120000093
是锚节点之间的平均跳距，MinHopCountij是第i个锚节点和第j个锚节点之间的最小跳数。
第i个锚节点到相邻m个锚节点的估计距离和实际距离误差的平方为：
Figure BDA0003148025120000094
其中ei，j表示第i个锚节点到第j个锚节点之间的误差，j＝1，2…m，j≠i。
当锚节点的实际位置和估计位置无限接近时，估计误差无限接近于0。
Figure BDA0003148025120000095
在估计误差为0的条件下，计算锚节点之间的平均跳距
Figure BDA0003148025120000096
Figure BDA0003148025120000097
计算锚节点到未知节点的平均跳距
Figure BDA0003148025120000098
Figure BDA0003148025120000099
通过未知节点到锚节点之间的最小跳数以及未知节点到锚节点之间的平均跳距计算未知节点到锚节点之间的距离。
Figure BDA0003148025120000101
其中MinHopCountk，i表示第i个锚节点到第k个未知节点的最小跳数，Distk，i表示第i个锚节点到第k个未知节点的预测距离。
使用三边测量法，计算未知节点的坐标，其公式如下：
Figure BDA0003148025120000102
其中
Figure BDA0003148025120000103
表示网络中锚节点的坐标，i＝1，2…Na，
Figure BDA0003148025120000104
表示未知节点的坐标。
上式可转化为：
Figure BDA0003148025120000105
其中未知节点坐标：
Figure BDA0003148025120000106
未知节点坐标的计算公式为：
X＝(ATA)-1ATB (11)
其中：
Figure BDA0003148025120000107
Figure BDA0003148025120000108
S15：计算未知节点平均定位误差目标函数：
Figure BDA0003148025120000109
其中
Figure BDA0003148025120000111
是未知节点的预测位置，
Figure BDA0003148025120000112
是未知节点的实际位置，R表示节点通信范围。
S2进一步包含以下步骤：
S21：被囊群物种位置更新模型为：
Figure BDA0003148025120000113
Figure BDA0003148025120000114
Figure BDA0003148025120000115
Figure BDA0003148025120000116
其中
Figure BDA0003148025120000117
表示计算新的个体位置，
Figure BDA0003148025120000118
表示被囊物种的重力，
Figure BDA0003148025120000119
表示水流状况，
Figure BDA00031480251200001110
表示物种之间的力。c1，c2和c3表示[0，1]之间的随机数。Pmin和Pmax表示种群开始运动后物种的初试速度和从属速度。
Figure BDA00031480251200001111
其中
Figure BDA00031480251200001112
表示被囊物种和食物源之间的距离，
Figure BDA00031480251200001113
表示食物源，x(t)表示经过t次迭代后被囊所处的位置，ra表示[0，1]之间的随机数。
Figure BDA00031480251200001114
x(t+1)表示第t+1次移动后被囊的位置，在被囊群物种位置更新模型中，最初的两个物种通过上式更新他们的位置。种群使用等式(21)更新他们的位置。
Figure BDA00031480251200001115
S22：哈里斯鹰物种位置更新模型为：
当哈里斯鹰能量充足时，其位置更新公式如下所示：
Figure BDA00031480251200001116
Figure BDA00031480251200001117
X(t)是第t次迭代时，哈里斯鹰的位置，X(t+1)是下次迭代后物种的位置，Xrabbit(t)是猎物的位置，Xrand(t)是从当前种群中随机选择的鹰的位置，ub和Ib是问题空间的上限和下限。r1，r2，r3，r4和q是[0，1]之间的随机数，Xm(t)是哈里斯鹰的平均位置。
哈里斯鹰能量的计算公式如下所示：
Figure BDA0003148025120000121
其中E0是(-1，1)之间的随机数，t表示当前迭代次数，T表示最大迭代次数。
当r≥0.5，且|E|≥0.5时，哈里斯鹰使用公式(25)更新位置：
X(t+1)＝ΔX(t)-E|JXrabbit(t)-X(t)| (25)
ΔX(t)＝Xrabbit(t)-X(t) (26)
J＝2(1-r5) (27)
其中ΔX(t)是哈里斯鹰和猎物之间的距离，J是猎物的随机跳跃距离，r5是(0，1)之间的随机数。
当r≥0.5，且|E|＜0.5时，哈里斯鹰的位置更新公式为：
X(t+1)＝Xrabbit(t)-E|ΔX(t)| (28)
当r＜0.5，且|E|≥0.5时，哈里斯鹰的位置更新公式为：
Figure BDA0003148025120000122
Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)| (30)
Z＝Y+S×LF(dim) (31)
其中，dim是问题的维数，Y和Z表示下一阶段物种的位置，S为1×D的随机向量，Fit()为适应度函数，LF()为随机函数，其模型为：
Figure BDA0003148025120000123
Figure BDA0003148025120000124
其中β为常数，其值为1.5，u，v为(0，1)之间的随机数。
当r＜0.5，且|E|＜0.5时，哈里斯鹰的位置更新模型为：
Figure BDA0003148025120000125
其中
Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)| (35)
Z＝Y+S×LF(D) (36)
S23：构造一种新的物种位置更新模型为：
Xi(t+1)＝Xi(t)+δ(Xi(t)-Xj(t)) (37)
其中，δ是[-1，1]之间的随机数，j＝1，2，…N
S3进一步包含以下步骤：
S31：融合被囊群物种位置更新模型和哈里斯鹰物种位置更新模型，结合公式(37)中提出的物种位置更新模型，构造一种节点位置优化模型(TSH)。
S32：TSH总体流程为：
a.根据目标函数设置问题的规格、解决方案数以及循环停止条件。
b.输入参数r、γ1和γ2。
c.根据判断条件选择节点位置更新模型。
Figure BDA0003148025120000131
其中，Select()表示位置更新模型选择函数，当r＜γ1时，使用哈里斯物种位置更新模型更新节点位置；当r＜γ2时，使用被囊群物种位置更新模型更新节点位置；其它情况，使用Eq.(37)更新节点位置。
d.使用贪婪选择机制提高收敛速度，检查求得目标函数解的适应度和可行性，更新最优化解。
其中r为[0，1]之间的随机数，γ1，γ2为输入的参数，γ1＝0.35，γ2＝0.7。
步骤S4进一步包含以下步骤：
S41：根据S15得到的未知节点定位误差目标函数，使用TSH对其进行优化求最优解，
S42：TSH初始化，针对目标函数确定搜索空间每一维的上界和下界，
S43：计算初始适应度，将适应度最高的解作为猎物的位置，
S44：使用TSH更新函数的解，向猎物逼近，
S45：计算更新后解的适应度，若其适应度高于猎物适应度值，将更新后的解作为新的猎物，
S46：重复步骤S43和S44，当迭代次数达到最大迭代次数时，输出当前猎物的位置作为目标函数的最优解。
TSH相对于被囊群算法和哈里斯鹰算法，具有更强的搜索性和收敛性，局部最优能力也更强，经实验测试，如图4、图5、图6、图7所示，在其它条件相同的情况下，本发明提出的TSH-DV-HOP定位算法，在WSNs部署面积变大、未知节点的个数增多、锚节点的个数减小以及节点通信范围降低的情况下，相对于哈里斯鹰算法(HHO-DV-HOP)、被囊群算法(TSA-DV-HOP)、灰狼优化算法(GWO-DV-HOP)和正弦余弦优化算法(SCA-DV-HOP)，其平均定位误差更小，定位精度更高。

Claims (1)

1.一种融合被囊群和哈里斯鹰算法的降低DV-HOP定位误差方法，其特征在于，包含以下步骤：
S1：在区域内随机分布Na个锚节点和Nu个未知节点，其中仅锚节点可以通过自身装置获得其位置信息；在通信范围内，锚节点向周围节点发送数据包，数据包内包含自身ID、位置以及跳数信息，初始跳数设置为0，接收数据包的节点记录信息，将数据包里面跳数信息加一，并将数据包转发给周围节点；使用最短路径算法，优化数据包的发送，在保证所有的节点都可以收到锚节点数据包的同时，降低数据包发送和接受次数以及能量的损耗，当某个节点收到来自另一个节点发送的多个数据包的时，选择跳距值最小的数据包进行记录，丢弃其它的数据包，获得自身到锚节点的最小跳数；通过锚节点之间的最小跳数和自身坐标计算锚节点之间的平均跳距，计算公式如下：
Figure FDA0003148025110000011
Figure FDA0003148025110000012
其中，(XAi，YAi)是第i个锚节点，(XAj，YAj)是第j个锚节点，
Figure FDA0003148025110000013
是锚节点之间的平均跳距，MinHopCountij是第i个锚节点和第j个锚节点之间的最小跳数；
第i个锚节点到相邻m个锚节点的估计距离和实际距离误差的平方的和为：
Figure FDA0003148025110000014
其中ei，j表示第i个锚节点到第j个锚节点之间的误差，j＝1，2…m，j≠i；
当锚节点的实际位置和估计位置无限接近时，估计误差无限接近于0：
Figure FDA0003148025110000015
在估计误差为0的条件下，计算锚节点之间的平均跳距
Figure FDA0003148025110000016
Figure FDA0003148025110000017
计算锚节点到未知节点的平均跳距
Figure FDA0003148025110000018
Figure FDA0003148025110000019
通过未知节点到锚节点之间的最小跳数以及未知节点到锚节点之间的平均跳距计算未知节点到锚节点之间的距离：
Figure FDA00031480251100000110
其中MinHopCountk，i表示第i个锚节点到第k个未知节点的最小跳数，Distk，i表示第i个锚节点到第k个未知节点的预测距离；
使用三边测量法，得到未知节点的初步位置，其公式如下：
Figure FDA0003148025110000021
其中
Figure FDA0003148025110000022
表示网络中锚节点的坐标，
Figure FDA0003148025110000023
表示未知节点的坐标；
上式可转化为：
Figure FDA0003148025110000024
其中未知节点坐标：
Figure FDA0003148025110000025
未知节点坐标的计算公式为：
X＝(ATA)-1ATB (11)
其中：
Figure FDA0003148025110000026
Figure FDA0003148025110000027
计算未知节点平均定位误差目标函数：
Figure FDA0003148025110000028
其中
Figure FDA0003148025110000029
表示未知节点的预测位置，
Figure FDA00031480251100000210
表示未知节点的实际位置，R代表节点的通信范围；
S2：被囊群物种位置更新模型为：
Figure FDA00031480251100000211
Figure FDA0003148025110000031
Figure FDA0003148025110000032
Figure FDA0003148025110000033
其中
Figure FDA0003148025110000034
表示计算新的个体位置，
Figure FDA0003148025110000035
表示被囊物种的重力，
Figure FDA0003148025110000036
表示水流状况，
Figure FDA0003148025110000037
表示物种之间的力，c1，c2和c3表示[0，1]之间的随机数，Pmin和Pmax表示种群开始运动后物种的初试速度和从属速度；
Figure FDA0003148025110000038
其中
Figure FDA0003148025110000039
表示被囊物种和食物源之间的距离，
Figure FDA00031480251100000310
表示食物源，x(t)表示经过t次迭代后被囊所处的位置，ra表示[0，1]之间的随机数；
Figure FDA00031480251100000311
x(t+1)表示第t+1次移动后被囊的位置，在被囊群物种位置更新模型中，最初的两个物种通过上式更新他们的位置，种群使用公式(21)更新他们的位置：
Figure FDA00031480251100000312
哈里斯鹰物种位置更新模型为：
当哈里斯鹰能量充足时，其位置更新公式如下所示：
Figure FDA00031480251100000313
Figure FDA00031480251100000314
X(t)是第t次迭代时，哈里斯鹰的位置，X(t+1)是下次迭代后物种的位置，Xrabbit(t)是猎物的位置，Xrand(t)是从当前种群中随机选择的鹰的位置，ub和Ib是问题空间的上限和下限，r1，r2，r3，r4和q是[0，1]之间的随机数，Xm(t)是哈里斯鹰的平均位置；
哈里斯鹰能量的计算公式如下所示：
Figure FDA00031480251100000315
其中E0是(-1，1)之间的随机数，t表示当前迭代次数，T表示最大迭代次数；
当r≥0.5，且|E|≥0.5时，哈里斯鹰使用公式(25)更新位置：
X(t+1)＝ΔX(t)-E|JXrabbit(t)-X(t)| (25)
ΔX(t)＝Xrabbit(t)-X(t) (26)
J＝2(1-r5) (27)
其中ΔX(t)是哈里斯鹰和猎物之间的距离，J是猎物的随机跳跃距离，r5是(0，1)之间的随机数；
当r≥0.5，且|E|＜0.5时，哈里斯鹰的位置更新公式为：
X(t+1)＝Xrabbit(t)-E|ΔX(t)| (28)
当r＜0.5，且|E|≥0.5时，哈里斯鹰的位置更新公式为：
Figure FDA0003148025110000041
Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)| (30)
Z＝Y+S×LF(dim) (31)
其中，dim是问题的维数，Y和Z表示下一阶段物种的位置，S为1×D的随机向量，Fit()为适应度函数，LF()为随机函数，其模型为：
Figure FDA0003148025110000042
Figure FDA0003148025110000043
其中β为常数，其值为1.5，u，v为(0，1)之间的随机数；
当r＜0.5，且|E|＜0.5时，哈里斯鹰的位置更新模型为：
Figure FDA0003148025110000044
其中
Y＝Xrabbit(t)-E|JXrabbit(t)-X(t)| (35)
Z＝Y+S×LF(D) (36)
构造一种新的物体位置更新模型为：
Xi(t+1)＝Xi(t)+δ(Xi(t)-Xj(t)) (37)
其中，δ是[-1，1]之间的随机数，j＝1，2，…N；
S3：结合S2中提出的新的物体位置更新模型以及被囊群和哈里斯鹰物种更新模型，构造新的节点位置更新模型TSH；
TSH总体流程为：
a.根据目标函数设置问题的规格、解决方案数以及循环停止条件；
b.输入参数r、γ1和γ2；
c.根据判断条件选择节点位置更新方式；
Figure FDA0003148025110000045
其中，Select()表示位置更新模型选择函数，当r＜γ1时，使用哈里斯鹰位置更新模型更新节点位置；当r＜γ2时，使用被囊群位置更新模型更新节点位置；其它情况，使用Eq.(37)更新节点的位置；
d.使用贪婪选择机制提高收敛速度，检查求得目标函数解的适应度和可行性，更新最优化解；
其中r为[0，1]之间的随机数，γ1，γ2为输入的参数，γ1＝0.35，γ2＝0.7；
S4：根据S1得到定位误差目标函数，使用TSH新型节点位置优化模型对其求最优解；步骤包括TSH初始化，针对目标函数确定搜索空间每一维的上界和下界；计算初始适应度，将适应度最高的解作为猎物的位置；使用TSH更新函数的解，向猎物逼近；计算更新后解的适应度，若其适应度高于猎物适应度值，将更新后的解作为新的猎物；重复步骤S43和S44，当迭代次数达到最大迭代次数时，输出当前猎物的位置作为目标函数的最优解；使用TSH优化S1中得到的节点的坐标，获得未知节点更精确位置，从而降低了未知节点的平均定位误差。
CN202110756857.6A 2021-07-05 2021-07-05 融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法 Withdrawn CN113473365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110756857.6A CN113473365A (zh) 2021-07-05 2021-07-05 融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110756857.6A CN113473365A (zh) 2021-07-05 2021-07-05 融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法

Publications (1)

Publication Number Publication Date
CN113473365A true CN113473365A (zh) 2021-10-01

Family

ID=77878050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110756857.6A Withdrawn CN113473365A (zh) 2021-07-05 2021-07-05 融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法

Country Status (1)

Country Link
CN (1) CN113473365A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114995384A (zh) * 2022-04-27 2022-09-02 广东碧桂园职业学院 融合神经网络的改进hho算法agv路径规划

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105911518A (zh) * 2016-03-31 2016-08-31 山东大学 机器人定位方法
US20190195631A1 (en) * 2017-12-22 2019-06-27 Ubtech Robotics Corp Positioning method, positioning device, and robot
CN110913404A (zh) * 2019-11-11 2020-03-24 沈阳理工大学 基于节点移动预测的UWSNs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
US20210007023A1 (en) * 2020-09-17 2021-01-07 Intel Corporation Context aware handovers

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105911518A (zh) * 2016-03-31 2016-08-31 山东大学 机器人定位方法
US20190195631A1 (en) * 2017-12-22 2019-06-27 Ubtech Robotics Corp Positioning method, positioning device, and robot
CN110913404A (zh) * 2019-11-11 2020-03-24 沈阳理工大学 基于节点移动预测的UWSNs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
US20210007023A1 (en) * 2020-09-17 2021-01-07 Intel Corporation Context aware handovers

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
胡东海等: "基于改进粒子滤波的室内自适应定位算法", 《计算机工程与应用》 *
赵海等: "Kalman滤波在WSN定位评估中的应用", 《东北大学学报(自然科学版)》 *
路飞等: "智能空间下基于WIFI指纹定位与粒子滤波的服务机器人复合全局定位系统设计", 《机器人》 *
马一鸣等: "基于改进哈里斯鹰优化算法的TDOA定位", 《计算机工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114995384A (zh) * 2022-04-27 2022-09-02 广东碧桂园职业学院 融合神经网络的改进hho算法agv路径规划

Similar Documents

Publication Publication Date Title
Sharma et al. kROp: k-Means clustering based routing protocol for opportunistic networks
Kumar et al. Meta-heuristic range based node localization algorithm for wireless sensor networks
CN108882256B (zh) 一种无线传感器网络节点覆盖优化方法和装置
CN105828287B (zh) 一种基于强化学习的无线传感器网络协同跟踪方法
CN108848449B (zh) 基于DV-Hop改进的无线传感器网络节点定位算法
CN103327564B (zh) 基于蚁群算法的无线传感器网络路由方法
Lavanya et al. Swarm intelligence based localization in wireless sensor networks
CN102868972A (zh) 基于改进q学习算法的物联网错误传感器节点定位方法
Strumberger et al. Wireless sensor network localization problem by hybridized moth search algorithm
CN110062327A (zh) 小生境灰狼优化DV-Hop算法的无线传感器网络节点定位方法
CN108924755B (zh) 基于免疫粒子群优化的dv-hop室内定位方法
CN110225569B (zh) 一种基于改进粒子群算法的WSNs分簇多跳路由协议的方法
CN113365371B (zh) 一种多项式近似的差分进化节点定位方法
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
CN113411766B (zh) 智慧物联网综合感知系统及方法
Nguyen et al. Maximum likelihood based multihop localization in wireless sensor networks
CN113473365A (zh) 融合被囊群和哈里斯鹰算法的降低dv-hop定位误差方法
Patil et al. Stochastic modeling of depth based routing in underwater sensor networks
Biradar et al. Security and energy aware clustering-based routing in wireless sensor network: hybrid nature-inspired algorithm for optimal cluster head selection
KR102258711B1 (ko) 무선센서 네트워크에서 박쥐알고리즘 기반 에너지 효율적 노드 스케줄링 방법 및 장치
Chen et al. Adaptive iteration localization algorithm based on RSSI in wireless sensor networks
Zhang et al. DV-hop localization algorithm with weight-based oriented cuckoo search algorithm
Kun et al. Energy balanced pressure routing protocol for underwater sensor networks
Pengwon et al. Solving asymmetric link problems in WSNs using site Link Quality Estimators and dual-tree topology
CN112566241B (zh) 基于移动锚点的三维无线传感网节点定位方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211001