CN116055992A - 一种基于麻雀搜索的无线传感器网络质心定位方法 - Google Patents

一种基于麻雀搜索的无线传感器网络质心定位方法 Download PDF

Info

Publication number
CN116055992A
CN116055992A CN202211596596.7A CN202211596596A CN116055992A CN 116055992 A CN116055992 A CN 116055992A CN 202211596596 A CN202211596596 A CN 202211596596A CN 116055992 A CN116055992 A CN 116055992A
Authority
CN
China
Prior art keywords
sparrow
wireless sensor
node
sensor network
method based
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.)
Pending
Application number
CN202211596596.7A
Other languages
English (en)
Inventor
张亚明
张全富
刘燕
穆向阳
朱晓丽
文斌
董清江
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.)
Yunnan Normal University
Original Assignee
Yunnan Normal 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 Yunnan Normal University filed Critical Yunnan Normal University
Priority to CN202211596596.7A priority Critical patent/CN116055992A/zh
Publication of CN116055992A publication Critical patent/CN116055992A/zh
Pending 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
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • 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

本发明公开了一种基于麻雀搜索的无线传感器网络质心定位方法，首先在网络中各节点完成定位前的数据交互，然后未知节点通过标准质心定位算法求出其邻居锚节点所组多边形的质心作为其初步估计位置，接着通过区域估计方法对该未知节点的位置范围进行合理的区域性估计，最后，算法以该估计区域为可行解搜索空间，使用麻雀搜索算法完成估计位置的优化，最终获取最优解。该最优解即作为未知节点的最佳位置估计。本发明具有更高定位精度、更有利于控制网络成本、更能有效克服测距误差影响。

Description

一种基于麻雀搜索的无线传感器网络质心定位方法
技术领域
本发明涉及无线传感器网络技术领域，特别涉及一种基于麻雀搜索(SparrowSearch,SS)的无线传感器网络质心定位方法。
背景技术
无线传感器网络(Wireless Sensor Network,WSN)提供了一种全新的信息获取和处理方式，可被广泛应用于环境监测、天气预报、智能家居、智慧交通、国防军事、医疗护理等人类生活工作相关的诸多领域。
节点定位技术是无线传感器网络的关键支撑技术，是近年无线传感器网络技术研究的一个热点方向，它用来计算或者估计无线传感器网络中未知节点(又称待定位节点)的位置。目前的定位算法根据是否需要测距可大致划分为两类，即基于测距的定位算法和无需测距的定位算法。
基于测距的定位算法需要借助测距技术来辅助节点的定位，其中最为典型的测距技术有TOA、TDOA、AOA和RSSI等，该类算法往往定位精度较高，但在进行定位时通常需要额外的测距硬件支持，会导致网络成本增高、通信开销加大等问题。而无需测距的定位算法不需要测量节点之间的距离或角度信息，根据网络连通性等信息即可实现节点定位，该类算法不需要其他额外的硬件设备但定位精度相对较低。常见的无需测距的定位算法有质心定位，DV-HOP、APIT以及相关改进算法等。相对于基于测距的定位算法和其余无需测距的定位算法来说，质心定位算法具有实现简单、计算量小等优点，且因在定位成本、硬件要求和能耗上的需求低而引发诸多学者的广泛关注，成为无线传感器网络定位算法中的典型代表。其基本原理是：未知节点以无线通信方式获取其通信范围内的锚节点(即已知自身位置的传感器节点)位置信息，然后以邻居锚节点的几何质心作为自己的估计位置。当然，该算法在具有上述优点的同时也存在定位精度相对较低这一问题。所以，如何提升质心定位算法的定位精度是近年来从事WSN定位算法研究者尤其是质心定位算法研究者关心的重点问题。此外，在提高定位精度的同时，如何有效控制网络成本、如何提升算法的抗测距误差性能等问题也受到越来越多的研究者关注和重视，目前基于智能计算的定位方法在这些方面表现出较好的潜力和优势，是当前的一个研究热点。
在无线传感器网络定位中常用的智能计算技术有遗传算法、粒子群优化、神经网络算法等，近年来，随着智能计算技术的不断发展，如何将新型智能计算技术引入无线传感器网络定位领域是基于智能计算的WSN定位研究的重要研究方向，也是展开智能计算技术与无线传感器网络定位技术交叉研究的重要内容。由薛建凯和沈波等学者于2020年提出的麻雀搜索算法是一种新颖的智能计算技术，它模拟麻雀的觅食行为和反捕食行为，通过个体间的相互协作来适应环境，利用群体行为进行全面寻优。目前麻雀搜索算法已应用于智能交通路径规划、无人机航迹规划以及多目标优化等问题，取得了较好的应用效果。然而，将麻雀搜索算法应用于无线传感器网络领域的研究仍处于起步阶段，尤其是基于麻雀搜索算法与现有无线传感器网络定位算法的交叉创新研究更是少之又少。所以，如何将新颖的智能计算技术——麻雀搜索算法与质心定位算法进行交叉融合研究，设计一种具有更高定位精度、更有利于控制网络成本、更能有效克服测距误差影响的新颖的基于麻雀搜索的无线传感器网络质心定位方法，既是当前质心定位算法改进研究的一个重要方向，也是智能计算技术应用研究的重要体现。
发明内容
本发明针对标准的无线传感器网络质心定位算法定位精度较低这一典型问题，提供了一种基于麻雀搜索的无线传感器网络质心定位方法。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于麻雀搜索的无线传感器网络质心定位方法，包括以下步骤：
Step1：定位数据获取阶段，又称定位准备阶段。此阶段为所有定位方法都需要有的一个阶段，网络中各节点将在此阶段完成定位前的数据交互。
Step2：未知节点计算其通信范围内所有锚节点组成的多边形的几何中心，即质心，并将该质心作为未知节点的初步估计位置。
Step3：未知节点使用区域估计方法计算自身在网络中所处的局部较小区域，称为其估计区域。
Step4：将上述估计区域作为可行解搜索空间，完成最优解的搜索寻优。
Step5：判断是否满足终止条件。满足则算法结束，输出全局最优位置作为未知节点的最终位置估计。否则转入Step4.4。
进一步地，Step1中，数据交互指网络中已知自身位置的锚节点发送包含有自身ID和位置数据的广播信息，未知节点接收到邻居锚节点的广播信息后进行识别和存储，同时使用RSSI测距技术计算自身与邻居锚节点的距离。
进一步地，Step3中，未知节点将以其所有邻居锚节点的正方形覆盖区域的交集区域作为自身的估计区域，所述邻居锚节点指未知节点最大通信半径内已知自身位置的无线传感器节点，所述正方形覆盖区域指以相应锚节点为圆心，以节点最大通信距离为半径的圆形的外切正方形。该正方形覆盖区域以相应节点为中心，边长是节点最大通信距离的二倍。所述估计区域包括上下左右四个边界，具体由式(1)表示。
Figure BDA0003993155280000031
式中，S表示估计区域，(xi,yi)表示邻居锚节点坐标，R表示节点最大通信距离，min(yi+R)表示估计区域的上边界，max(yi-R)表示估计区域的下边界，max(xi-R)表示估计区域的左边界，min(xi+R)表示估计区域的右边界。
进一步地，Step4的子步骤如下：
Step4.1：以估计区域作为搜索空间，在此搜索空间内随机生成初始麻雀种群。
Step4.2：计算初始种群中各麻雀的适应度值，对适应度值进行排序，并记录此次最小和最大适应度值以及相对应的麻雀位置，其中最小适应度值和对应位置分别记录为全局最优适应度值和全局最优位置。
Step4.3：用step2计算的未知节点初步估计位置替换初始麻雀种群中最大适应度值所对应的位置。
Step4.4：更新麻雀种群中发现者、加入者、和警戒者的位置，完成麻雀种群的一次迭代进化。
Step4.5：根据新一代种群中不同麻雀的新位置再次计算其相应的适应度值。
Step4.6：获取该新种群的最小适应度值并将其与全局最优适应度值进行比较，若当前新种群的最小适应度值小于全局最优适应度值，则更新全局最优适应度值及其对应全局最优位置，否则不更新。
进一步地，Step4.2中，适应度值由式(2)计算：
Figure BDA0003993155280000041
式中，F(xu,yu)指未知节点的适应度值，M为邻居锚节点总数，(xu,yu)表示未知节点的坐标，(xi,yi)表示第i个邻居锚节点的坐标。
进一步地，Step4.4中，利用式(3)更新发现者位置：
Figure BDA0003993155280000051
式中，
Figure BDA0003993155280000052
表明j维中的第i个发现者在t+1次迭代后自身所处的位置，t表示当前迭代次数，j指的是维度，Xij表示第i只麻雀在j维中的位置。其中r∈(0,1]是一个随机数，T为最大迭代次数，Q是一个服从正态分布的随机数，L则表示元素全为1的一个1×d的矩阵。R2、ST分别表示预警值和安全值。
进一步地，Step4.4中，利用式(4)更新加入者位置：
Figure BDA0003993155280000053
式中，Q是一个服从正态分布的随机数，Xworst是指当前麻雀占据的全局最差位置，
Figure BDA0003993155280000054
指j维中的第i个加入者在t次迭代后所处的位置，Xp指当前麻雀占据的最优位置，A表示元素为1或者-1的一个1×d矩阵，n为麻雀种群的粒子数，A+＝AT(AAT)-1。
进一步地，Step4.4中，利用式(5)更新警戒者位置：
Figure BDA0003993155280000055
式中，Xbest指当前麻雀种群的全局最优位置，Xworst指当前麻雀种群的全局最差位置，β指均值为0，方差为1的正态分布随机数，是控制步长的参数。
Figure BDA0003993155280000056
指j维中的第i个警界者在t次迭代后所处的位置，fi指当前麻雀的适应度值，fi是指当前全局最优的适应度值，fw是指当前全局最差的适应度值，同时引入最小常数ε。
与现有技术相比，本发明的优点在于：
1、本发明将麻雀搜索算法引入无线传感器网络定位并首次将其与标准的质心定位算法结合提出一种改进的基于麻雀搜索的无线传感器网络质心定位方法，在提升标准质心定位算法定位精度的同时促进麻雀搜索算法的创新应用。
2、本发明采用了区域估计方法将可行解搜索空间由整个网络覆盖区域缩小到一个极小的矩形区域，在有效提高算法全局搜索速度的同时节约了计算时间，降低了计算成本；
3、本发明在表现出更高定位精度的同时，在同样的定位精度需求下，本发明所需的节点通信半径更小、所需要的锚节点数更少，这些都更有助于降低和控制网络成本。
附图说明
图1是本发明实施例一种基于麻雀搜索的无线传感器网络质心定位方法的流程图；
图2是本发明实施例中通过区域估计方法计算得到未知节点估计区域的示意图；
图3是本发明实施例的节点定位效果示意图；
图4是本发明实施例与标准质心定位算法和麻雀搜索算法在最大测距误差设为10％时的定位效果对比图；
图5是本发明实施例与标准质心定位算法和麻雀搜索算法在最大测距误差设为30％时的定位效果对比图；
图6是本发明实施例与标准质心定位算法和麻雀搜索算法在测距误差设为10％时不同锚节点比例下的定位效果对比图；
图7是本发明实施例与标准质心定位算法和麻雀搜索算法在测距误差设为10％时不同通信半径下的定位效果对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
如图1所示，本发明是一种基于麻雀搜索的无线传感器网络节点定位方法，具体步骤如下：
Step1：定位数据获取阶段，又称定位准备阶段。网络中各节点在此阶段完成定位前的数据交互。未知节点获取其邻居锚节点ID和位置信息并完成RSSI测距。定位数据获取是每个定位算法在进行未知节点位置计算前都必须进行的准备工作或者前置工作，是定位过程不可或缺的一个基础环节。所述数据交互主要指网络中已知自身位置的锚节点发送包含有自身ID和位置数据的广播信息，未知节点接收到邻居锚节点的广播信息后进行识别和存储，同时使用RSSI测距技术计算自身与邻居锚节点的距离。
Step2：未知节点计算其通信范围内所有锚节点组成的多边形的几何中心(即质心)，并将该质心作为未知节点的初步估计位置。
Step3：对未知节点的所在位置进行区域性估计。未知节点将以其所有邻居锚节点的正方形覆盖区域的交集区域作为自身的估计区域(即完成未知节点的区域性估计)，如图2所示。其中，矩形ABCD为整个无线传感器网络的覆盖区域，三角形Un为网络中的一个未知节点，圆形Ai、Aj和Ak为未知节点Un的邻居锚节点，矩形EFGH为未知节点Un的正方形覆盖区域，矩形IJKL为锚节点Ai的正方形覆盖区域，矩形QRST为锚节点Aj的正方形覆盖区域，矩形MNOP为锚节点Ak的正方形覆盖区域，矩形XRZY为锚节点Ai、Aj和Ak的正方形覆盖区域的交集区域(阴影部分)，也是未知节点Un的位置区域估计结果。由图2可见，区域估计方法将未知节点Un的所在区域由整个网络覆盖区域ABCD缩小到矩形XRZY这样一个极小的阴影区域，将极大加快后续算法搜索寻优的速度，同时降低计算成本。
所述邻居锚节点指未知节点最大通信半径内已知自身位置的无线传感器节点，所述正方形覆盖区域指以相应锚节点为圆心，以节点最大通信距离为半径的圆形的外切正方形。该正方形覆盖区域以相应节点为中心，边长是节点最大通信距离的二倍。所述估计区域包括上下左右四个边界，具体由式(1)表示。所述区域估计方法的优势是计算矩形交集比计算圆形交集更加简单易实现，只需要最基础的加/减运算和min/max运算，所需计算量极小，可大大节约传感器节点在定位过程中的计算能耗。
Figure BDA0003993155280000081
式中，S表示估计区域，(xi,yi)表示邻居锚节点坐标，R表示节点最大通信距离，min(yi+R)表示估计区域的上边界，max(yi-R)表示估计区域的下边界，max(xi-R)表示估计区域的左边界，min(xi+R)表示估计区域的右边界；
Step4：执行麻雀搜索，在可行解搜索空间完成最优解的搜索寻优。所述可行解搜索空间即Step3中得到的未知节点的估计区域S。具体过程为：
Step4.1：初始化操作。在搜索空间内随机生成初始麻雀种群(包括发现者、加入者和警戒者三种类型的麻雀)。
Step4.2：利用式(2)计算种群中各麻雀个体的适应度值，对适应度值进行排序，记录最小(即最优)和最大(即最差)的适应度值以及相对应的麻雀位置，并将最小(即最优)适应度值以及相对应的位置分别记录为全局最优适应度值和全局最优位置。
Figure BDA0003993155280000091
式中，F(xu,yu)指未知节点的适应度值，M为邻居锚节点总数，(xu,yu)表示未知节点的坐标，(xi,yi)表示第i个邻居锚节点的坐标。
Step4.3：使用step2计算的未知节点初步估计位置替换初始麻雀种群中最大(即最差)适应度值所对应的麻雀位置。
Step4.4：更新麻雀种群中发现者、加入者和警戒者的位置，完成麻雀种群的一次迭代进化。
①利用式(3)更新发现者位置：
Figure BDA0003993155280000092
式中，
Figure BDA0003993155280000093
表明j维中的第i个发现者在t+1次迭代后自身所处的位置，t表示当前迭代次数，j指的是维度，Xij表示第i只麻雀在j维中的位置。其中r∈(0,1]是一个随机数，T为最大迭代次数，Q是一个服从正态分布的随机数，L则表示元素全为1的一个1×d的矩阵。R2、ST分别表示预警值和安全值。
②利用式(4)更新加入者位置：
Figure BDA0003993155280000094
式中，Q是一个服从正态分布的随机数，Xworst是指当前麻雀占据的全局最差位置，
Figure BDA0003993155280000095
指j维中的第i个加入者在t次迭代后所处的位置，Xp指当前麻雀占据的最优位置，A表示元素为1或者-1的一个1×d矩阵，n为麻雀种群的粒子数，A+＝AT(AAT)-1。
③利用式(5)更新警戒者位置：
Figure BDA0003993155280000101
式中，Xbest指当前麻雀种群的全局最优位置，Xworst指当前麻雀种群的全局最差位置，β指均值为0，方差为1的正态分布随机数，是控制步长的参数。
Figure BDA0003993155280000102
指j维中的第i个警界者在t次迭代后所处的位置，fi指当前麻雀的适应度值，fi是指当前全局最优的适应度值，fw是指当前全局最差的适应度值，同时引入最小常数ε。
Step4.5：根据新一代种群中不同麻雀的新位置再次计算其相应的适应度值。即利用式(2)再次计算麻雀群中的发现者、加入者以及警戒者在位置更新之后各位置的适应度值，然后对新适应度值进行从小到大的排序。
Step4.6：获取该新种群的最小(即最优)适应度值并将其与全局最优适应度值进行比较。若当前种群的最小适应度值小于全局最优适应度值，则更新全局最优适应度值及对应的全局最优位置(即将新一代麻雀种群的最优适应度值以及相对应的位置分别设为新的全局最优适应度值和全局最优位置)，否则不更新。
Step5：判断是否满足终止条件。即当前的迭代次数是否已经达到所设定的最大迭代次数或全局最优位置的适应度值是否达到设定的精度，若不满足，则转入Step4.4；若满足，则将全局最优位置作为未知节点的最终位置估计进行输出，算法终止。
仿真实验：
为了验证本发明的可行性和有效性，从多个方面进行了仿真实验。
第一个仿真实验是本发明的定位效果仿真演示。此次仿真实验的网络部署区域为100m×100m的矩形区域，共部署100个无线传感器节点组成无线传感器网络，节点总数N＝100，锚节点比例为20％，每个节点的最大通信半径为R＝50m。其定位效果如图3所示。其中，圆形表示锚节点，三角形表示未知节点，星型表示未知节点的估计位置，在未知节点实际位置和估计位置之间用线连接。为了尽量符合无线传感器网络的真实部署方式和使用场景，并考虑到真实场景下的RSSI测距技术存在的测距误差问题，此次仿真实验设定RSSI测距误差为10％。从图3可以看到，本发明对网络中绝大多数未知节点的定位较为准确，初步验证了本发明的可行性和有效性。
第二个仿真实验是本发明与标准质心定位算法和麻雀搜索算法在测距误差为10％情况下的定位效果仿真分析，如图4所示。共100个无线传感器节点随机部署在100m×100m的矩形区域组成无线传感器网络，其中锚节点比例为20％，每个节点的最大通信半径为50m，RSSI测距最大误差为10％，算法最大进化代数为100。同时，为了排除实验数据的偶然性并保证实验数据的有效性，实验评价指标为T＝30次实验所得未知节点相对定位误差(估计坐标与实际坐标之间的距离与节点通信半径之比)的算法平均值。从图4可以看到，在测距误差为10％的情况下，标准质心定位算法和麻雀搜索算法的平均定位误差分别为34.99％、9.76％，而本发明的平均定位误差为4.93％，相比标准质心定位算法和麻雀搜索算法本发明定位精度提升约30.06％和4.83％，显示了本发明的定位效果更好，定位精度更高，进一步体现了本发明的有效性。
第三个仿真实验是本发明与标准质心定位算法和麻雀搜索算法在测距误差为30％的情况下定位效果仿真分析，仿真实验三中设置的参数除了将最大测距误差设为30％之外，其余参数与仿真实验二保持一致，结果如图5所示。从图5得出，在30％的最大测距误差下，本发明的平均定位误差为13.47％，而标准质心定位算法和麻雀搜索算法平均定位误差分别为37.76％、14.98％。本发明相比标准质心定位算法平均定位精度提升约22.78％、相比麻雀搜索算法平均定位精度提升约1.51％。进一步体现了本发明算法的有效性和优势。
第四个仿真实验是本发明与标准质心定位算法和麻雀搜索算法在不同锚节点比例下的定位效果对比分析。最大测距误差为10％，算法最大进化代数为100，实验评价指标为T＝30次实验所得未知节点相对定位误差的算法平均值。由图6可知，随着锚节点比例的增大，本发明的定位误差相对其它两个算法而言大幅度减小。相对于标准质心定位算法，其定位精度平均改进28.81％、最大改进29.83％，当锚节点比例为20％、80％时，本发明平均定位误差大约分别改进了29.83％和27.6％。在任意锚节点比例下本发明均有更高定位精度。同时可以看到，在同一定位精度需求下，本发明所需锚节点数更少，更有利于控制或者节约网络成本。
第五个仿真实验是本发明与标准质心定位算法和麻雀搜索算法在测距误差为10％，且不同通信半径下的定位效果分析。由图7可知，在同一通信半径下，本发明平均定位误差最小，当通信半径为50m、80m时，标准质心定位算法平均定位误差约为35.34％和39.94％，麻雀搜索算法的平均定位误差约为6.48％和4.12％，而本发明平均定位误差约为4.67％和3.76％，在任意通信半径下本发明定位误差最小，且随着通信半径的增大，本发明相比另外两种算法，始终保持更高的定位精度。这又一次体现了本发明的定位效果和优势。此外，对于同样的定位精度需求，本发明所需要的通信半径更小，这更有利节约节点能耗，从而延长网络寿命，这同样有利于控制或者节约网络成本。
综合上述几个仿真实验来讲，本发明表现出更高的定位精度，同时，在同样的定位精度需求下，本发明相比较于标准质心定位算法和麻雀搜索算法所需的锚节点数更少、所需通信半径更小，更有利于控制或节省网络成本，其可行性、有效性和实用性得到了充分证明。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于麻雀搜索的无线传感器网络质心定位方法，其特征在于，包括以下步骤：
Step1：定位数据获取阶段，又称定位准备阶段；此阶段为所有定位方法都需要有的一个阶段，网络中各节点将在此阶段完成定位前的数据交互；
Step2：未知节点计算其通信范围内所有锚节点组成的多边形的几何中心，即质心，并将该质心作为未知节点的初步估计位置；
Step3：未知节点使用区域估计方法计算自身在网络中所处的局部较小区域，称为其估计区域；
Step4：将上述估计区域作为可行解搜索空间，完成最优解的搜索寻优；
Step5：判断是否满足终止条件；满足则算法结束，输出全局最优位置作为未知节点的最终位置估计；否则转入Step4.4。
2.根据权利要求1所述的一种基于麻雀搜索的无线传感器网络质心定位方法，其特征在于：Step1中，数据交互指网络中已知自身位置的锚节点发送包含有自身ID和位置数据的广播信息，未知节点接收到邻居锚节点的广播信息后进行识别和存储，同时使用RSSI测距技术计算自身与邻居锚节点的距离。
3.根据权利要求1所述的一种基于麻雀搜索的无线传感器网络质心定位方法，其特征在于：Step3中，未知节点将以其所有邻居锚节点的正方形覆盖区域的交集区域作为自身的估计区域，所述邻居锚节点指未知节点最大通信半径内已知自身位置的无线传感器节点，所述正方形覆盖区域指以相应锚节点为圆心，以节点最大通信距离为半径的圆形的外切正方形；该正方形覆盖区域以相应节点为中心，边长是节点最大通信距离的二倍；所述估计区域包括上下左右四个边界，具体由式(1)表示；
Figure FDA0003993155270000021
式中，S表示估计区域，(xi,yi)表示邻居锚节点坐标，R表示节点最大通信距离，min(yi+R)表示估计区域的上边界，max(yi-R)表示估计区域的下边界，max(xi-R)表示估计区域的左边界，min(xi+R)表示估计区域的右边界。
4.根据权利要求1所述的一种基于麻雀搜索的无线传感器网络质心定位方法，其特征在于：Step4的子步骤如下：
Step4.1：以估计区域作为搜索空间，在此搜索空间内随机生成初始麻雀种群；
Step4.2：计算初始种群中各麻雀的适应度值，对适应度值进行排序，并记录此次最小和最大适应度值以及相对应的麻雀位置，其中最小适应度值和对应位置分别记录为全局最优适应度值和全局最优位置；
Step4.3：用step2计算的未知节点初步估计位置替换初始麻雀种群中最大适应度值所对应的位置；
Step4.4：更新麻雀种群中发现者、加入者、和警戒者的位置，完成麻雀种群的一次迭代进化；
Step4.5：根据新一代种群中不同麻雀的新位置再次计算其相应的适应度值；
Step4.6：获取该新种群的最小适应度值并将其与全局最优适应度值进行比较，若当前新种群的最小适应度值小于全局最优适应度值，则更新全局最优适应度值及其对应全局最优位置，否则不更新。
5.根据权利要求4所述的一种基于麻雀搜索的无线传感器网络质心定位方法，其特征在于：Step4.2中，适应度值由式(2)计算：
Figure FDA0003993155270000022
式中，F(xu,yu)指未知节点的适应度值，M为邻居锚节点总数，(xu,yu)表示未知节点的坐标，(xi,yi)表示第i个邻居锚节点的坐标。
6.根据权利要求4所述的一种基于麻雀搜索的无线传感器网络质心定位方法，其特征在于：Step4.4中，利用式(3)更新发现者位置：
Figure FDA0003993155270000031
式中，
Figure FDA0003993155270000033
表明j维中的第i个发现者在t+1次迭代后自身所处的位置，t表示当前迭代次数，j指的是维度，Xij表示第i只麻雀在j维中的位置；其中r∈(0,1]是一个随机数，T为最大迭代次数，Q是一个服从正态分布的随机数，L则表示元素全为1的一个1×d的矩阵；R2、ST分别表示预警值和安全值。
7.根据权利要求4所述的一种基于麻雀搜索的无线传感器网络质心定位方法，其特征在于：Step4.4中，利用式(4)更新加入者位置：
Figure FDA0003993155270000032
式中，Q是一个服从正态分布的随机数，Xworst是指当前麻雀占据的全局最差位置，
Figure FDA0003993155270000034
指j维中的第i个加入者在t次迭代后所处的位置，Xp指当前麻雀占据的最优位置，A表示元素为1或者-1的一个1×d矩阵，n为麻雀种群的粒子数，A+＝AT(AAT)-1。
8.根据权利要求4所述的一种基于麻雀搜索的无线传感器网络质心定位方法，其特征在于：Step4.4中，利用式(5)更新警戒者位置：
Figure FDA0003993155270000041
式中，Xbest指当前麻雀种群的全局最优位置，Xworst指当前麻雀种群的全局最差位置，β指均值为0，方差为1的正态分布随机数，是控制步长的参数；
Figure FDA0003993155270000042
指j维中的第i个警界者在t次迭代后所处的位置，fi指当前麻雀的适应度值，fi是指当前全局最优的适应度值，fw是指当前全局最差的适应度值，同时引入最小常数ε。
CN202211596596.7A 2022-12-12 2022-12-12 一种基于麻雀搜索的无线传感器网络质心定位方法 Pending CN116055992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211596596.7A CN116055992A (zh) 2022-12-12 2022-12-12 一种基于麻雀搜索的无线传感器网络质心定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211596596.7A CN116055992A (zh) 2022-12-12 2022-12-12 一种基于麻雀搜索的无线传感器网络质心定位方法

Publications (1)

Publication Number Publication Date
CN116055992A true CN116055992A (zh) 2023-05-02

Family

ID=86126448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211596596.7A Pending CN116055992A (zh) 2022-12-12 2022-12-12 一种基于麻雀搜索的无线传感器网络质心定位方法

Country Status (1)

Country Link
CN (1) CN116055992A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11941553B1 (en) * 2022-12-28 2024-03-26 Hefei University Of Technology Methods, electronic devices and storage media for ship route optimization

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11941553B1 (en) * 2022-12-28 2024-03-26 Hefei University Of Technology Methods, electronic devices and storage media for ship route optimization

Similar Documents

Publication Publication Date Title
CN111708369B (zh) 一种变电站巡检机器人路径规划方法
CN111785045B (zh) 基于演员-评论家算法的分布式交通信号灯联合控制方法
CN110244715B (zh) 一种基于超宽带技术的多移动机器人高精度协同跟踪方法
Yue et al. Review and empirical analysis of sparrow search algorithm
JP6596516B2 (ja) 人工ニューラルネットワークの測位性能を改善するための方法および装置
CN112902969B (zh) 一种无人机在数据收集过程中的路径规划方法
CN111563188A (zh) 一种移动多智能体协同目标搜索方法
CN107453993B (zh) 基于Fisher信息矩阵与SUKF的目标跟踪方法
CN101820676B (zh) 传感器节点定位方法
CN109379780A (zh) 基于自适应差分进化算法的无线传感器网络定位方法
CN116055992A (zh) 一种基于麻雀搜索的无线传感器网络质心定位方法
Wang et al. Research on indoor positioning algorithm based on SAGA-BP neural network
CN110996333A (zh) 一种基于鲸鱼算法的无线传感器网络节点定位方法
CN105828287A (zh) 一种基于强化学习的无线传感器网络协同跟踪方法
CN105277917A (zh) 一种基于反馈机制的动态指纹库室内定位方法
CN112954594A (zh) 一种基于人工蜂群的无线传感器网络节点定位算法
Zhao et al. Indoor localization algorithm based on hybrid annealing particle swarm optimization
Li et al. Path planning of mobile robot based on improved td3 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
Qin et al. Node localization with a mobile beacon based on ant colony algorithm in wireless sensor networks
CN110113815B (zh) 一种改进的基于iwo的无线传感器网络定位方法
CN117241215A (zh) 一种基于图神经网络的无线传感器网络分布式节点协作定位方法
CN111397607A (zh) 一种采用并行融合机制的信息滤波方法
CN105517150A (zh) 基于自适应差分的粒子群定位算法
CN114173281B (zh) 室内nlos环境下基于toa的定位系统信标节点的优化布局方法

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