CN117615302A - 基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及装置 - Google Patents

基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及装置 Download PDF

Info

Publication number
CN117615302A
CN117615302A CN202311579460.XA CN202311579460A CN117615302A CN 117615302 A CN117615302 A CN 117615302A CN 202311579460 A CN202311579460 A CN 202311579460A CN 117615302 A CN117615302 A CN 117615302A
Authority
CN
China
Prior art keywords
dung
node
strategy
hop
dung beetle
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
CN202311579460.XA
Other languages
English (en)
Inventor
任鹏
李振威
李毅
许宝毅
杨龙
相征
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202311579460.XA priority Critical patent/CN117615302A/zh
Publication of CN117615302A publication Critical patent/CN117615302A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial 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]
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/023Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/025Services making use of location information using location based information parameters
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/38Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W64/00Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/18Self-organising networks, e.g. ad-hoc networks or sensor networks
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供了一种基于螺旋引导以及多策略增强蜣螂优化的DV‑Hop定位方法及装置,通过在目标区域部署信标节点和未知节点,并组成蜣螂种群;利用基于螺旋引导以及多策略增强蜣螂优化的算法对该蜣螂种群中的个体位置进行迭代更新,最终求解出每个未知节点的近似位置。由于所使用的算法使得DV‑HOP定位具有较低的算法复杂度,较快的寻优速度从而使得解决群智能优化DV‑HOP复杂度较高的问题,也提升了智能优化算法和DV‑Hop的匹配度,提升了收敛速度和寻优精度,可以降低定位时的算法消耗还能提升定位精度。

Description

基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及 装置
技术领域
本发明属于定位技术领域,具体涉及一种基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及装置。
背景技术
随着物联网的发展,无线传感器网络(WSN)技术取得了前所未有的进步,其中节点定位技术被广泛应用于军事侦察、环境监测、森林消防、地震救援等领域中,成为了WSN技术中的研究热点。节点定位技术通常分为两类:基于测距的定位算法和无测距的定位算法。第一类定位精度高,但硬件成本较高,目前该类型主要有到达时间差测距(TDOA)、接受信号强度指示测距(RSSI)、到达时间测距(TOA)、到达角度测距(AOA)等。无测距的定位算法不需要添加额外的硬件,主要有基于三角形重心扫描(APIT),距离向量跳跃(DV-Hop)等,其缺点是定位精度较低。其中,DV-Hop算法因其实现简单、成本低廉等优势成为目前应用较为广泛的一种定位技术。然而,DV-Hop通过交换距离矢量信息和网络连通度来估算距离,导致了该算法定位精度较低的问题。
到目前为止,改进方法主要分为两种方向:第一种是修正节点间的最小跳数和节点的平均跳距;第二种是采用群智能(SI)优化算法估算未知节点的位置。如采用多通信半径修正节点间的最小跳数,提高了定位精度。但该方法因锚节点需在网络中广播多次,信息传输量的增加加剧了传感器的能量消耗。还有使用鲸鱼优化算法(WOA),麻雀优化算法(SSA)等方法提高了定位精度,但是增加了算法的复杂度;此外,还有在人工蜂群算法(ABC)的初始阶段采用区域限定策略,提升了算法的收敛速度,改善了定位精度,但由于只对蜂群初始阶段进行了改进,定位精度的提升并不稳定。
综上,在使用智能优化算法改进DV-Hop算法时,往往存在着复杂度高、控制参数多、收敛速度不快等问题,蜣螂优化算法具有算法参数少,寻优能力强,收敛速度快的特点,因此很适合应用在DV-Hop定位场景中,但同时也存在全局探索和局部开发能力不平衡,容易产生局部最优,且全局探索能力较弱的缺点,导致定位精度提升有限。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及装置。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供了一种基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法包括:
S100,在目标区域随机部署若干个无线传感器,定位出一部分无线传感器的位置;并将已经定位出的无线传感器作为信标节点以及将未定位出的无线传感器作为未知节点;
S200,针对任一个未知节点,确定根据该未知节点到信标节点之间的最小跳数和平均每跳距离计算该未知节点到最近的信标节点的最短距离;
S300,将每个节点作为蜣螂个体以使所有节点组成蜣螂种群,并利用基于螺旋引导以及多策略增强蜣螂优化的算法和每个未知节点到最近的信标节点的最短距离,计算所有个体的适应度值得到最好的个体位置和最差的个体位置;
S400,根据螺旋引导以及所有多策略增强蜣螂优化算法更新种群中的个体位置并计算新的适应度值,记录更新之后最佳个体的适应度值和位置;
S500,重复S400直至到达最大迭代次数,得出蜣螂种群中的全局最好位置,并将该位置确定为未知节点的近似位置。
第二方面,本发明提供了一种基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位装置,包括:
部署模块,被配置为在目标区域随机部署若干个无线传感器,定位出一部分无线传感器的位置;并将已经定位出的无线传感器作为信标节点以及将未定位出的无线传感器作为未知节点;
计算模块,被配置为针对任一个未知节点,确定根据该未知节点到信标节点之间的最小跳数和平均每跳距离计算该未知节点到最近的信标节点的最短距离;
位置模块,被配置为将每个节点作为蜣螂个体以使所有节点组成蜣螂种群,并利用多策略增强蜣螂优化算法和每个未知节点到最近的信标节点的最短距离,计算所有个体的适应度值得到最好的个体位置和最差的个体位置;
更新模块,被配置为根据螺旋引导以及所有多策略增强蜣螂优化算法更新种群中的个体位置并计算新的适应度值,记录更新之后最佳个体的适应度值和位置;
迭代模块,被配置为重复执行更新模块的具体过程直至到达最大迭代次数,得出蜣螂种群中的全局最好位置,并将该位置确定为未知节点的近似位置。
有益效果:
1、本发明使用基于螺旋引导以及多策略增强蜣螂优化的算法,使得DV-HOP定位具有较低的算法复杂度,较快的寻优速度。
2、本发明针对不同混沌映射做出选择,利用Bernoulli映射的遍历均匀性和收敛速度适合作为混沌种群初始化,因此在种群初始化阶段引入Bernoulli映射,使得初始具有非线性、遍历性、随机性等特征,在优化领域替代随机初始化种群,使得种群具有更好的遍历性,获得比随机初始化更好的寻优效果。
3、本发明借助鲸鱼优化算法(WOA)中的螺旋搜索策略,在保证蜣螂优化(DBO)算法收敛速度的同时,增加了个体的多样性,使其具有较好的寻优能力。
4、本发明具有更强的引导性,改进的蜣螂优化算法(WO-IDBO)加入了最优值引导策略,使得寻优结果能够更快向最优质靠近,加快了算法的局部收敛速。
5、本发明引入了动态权重系数和levy飞行策略,在偷窃行为进一步促进了全局搜索能力,增加了群体的多样性,避免算法过早地陷入全局最优,加快了收敛速度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明提供的一种基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法的流程示意图;
图2是本发明提供的基于螺旋引导以及多策略增强的改进蜣螂优化算法流程图;
图3是本发明提供的蜣螂的繁殖路径示意图;
图4是本发明提供的不同通信半径定位误差对比图;
图5是本发明提供的总结点数变化定位误差对比图;
图6是本发明提供的不同锚点比例下定位误差对比图;
图7是本发明提供的函数F1不同算法下的收敛过程示意图;
图8是本发明提供的函数F2不同算法下的收敛过程示意图;
图9是本发明提供的函数F3不同算法下的收敛过程示意图;
图10是本发明提供的函数F4不同算法下的收敛过程示意图;
图11是本发明提供的函数F5不同算法下的收敛过程示意图;
图12是本发明提供的函数F6不同算法下的收敛过程示意图;
图13是本发明提供的函数F7不同算法下的收敛过程示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
参考图1,本发明提供了一种基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法包括:
S100,在目标区域随机部署若干个无线传感器,定位出一部分无线传感器的位置;并将已经定位出的无线传感器作为信标节点以及将未定位出的无线传感器作为未知节点;
本发明在所述目标区域部署的多个节点中存在信标节点,所述信标节点都在目标区域的网络中广播含自身分组信息{ID,(x,y),hop}给邻居节点,初始化hop=0,若一个邻近节点作为接收节点每接收到一个分组信息,则保存该信标节点的最小跳数并将hop=hop+1转发给邻居节点,若接收到的分组信息来自同一信标节点,则忽略该分组信息;则所有节点保存所述网络中任一信标节点间到自身的最小跳数。
S200,针对任一个未知节点,确定根据该未知节点到信标节点之间的最小跳数和平均每跳距离计算该未知节点到最近的信标节点的最短距离;
S300,将每个节点作为蜣螂个体以使所有节点组成蜣螂种群,并利用多策略增强蜣螂优化算法和每个未知节点到最近的信标节点的最短距离,计算所有个体的适应度值得到最好的个体位置和最差的个体位置;
S400,根据螺旋引导以及所有多策略增强蜣螂优化算法更新种群中的个体位置并计算新的适应度值,记录更新之后最佳个体的适应度值和位置;
S500,重复S400直至到达最大迭代次数,得出蜣螂种群中的全局最好位置,并将该位置确定为未知节点的近似位置。
本发明通过在目标区域部署信标节点和未知节点,并组成蜣螂种群;利用基于螺旋引导以及多策略增强蜣螂优化的算法对该蜣螂种群中的个体位置进行迭代更新,最终求解出每个未知节点的近似位置。由于所使用的算法使得DV-HOP定位具有较低的算法复杂度,较快的寻优速度从而使得解决群智能优化DV-HOP复杂度较高的问题,也提升了智能优化算法和DV-Hop的匹配度,提升了收敛速度和寻优精度,可以降低定位时的算法消耗还能提升定位精度。
在本发明一种具体的实施例中,S200包括:
S210,针对任一个未知节点,根据该未知节点保存的分组信息确定各个信标节点至该未知节点的跳数以及平均每跳距离;
网络中任一信标节点的实际平均跳距为:
信标节点i,j的坐标分别为(xi,yi),(xj,yj),i与j之间的最小跳段数为hopij
未知节点接收并记录信标节点在网络中广播的自身平均每跳距离,且仅记录其接收到的第1个数值,继续转发该平均跳距,以保证尽可能多的未知节点记录的平均跳距是从离其最近的信标节点处获得。
S220,从各个信标节点到该未知节点的跳数中确定出最小跳数,并将该最小跳数乘以平均每跳距离得到该未知节点到最近的信标节点的最短距离。
设未知节点D(x,y)能直接进行通信的信标节点为(x1,y1),(x2,y2),···(xn,yn),并假设步骤(2)中计算的D(x,y)到相应信标节点距离为d1,d2`````dn,则:
可表示为线性方程组AL+ε=b,ε为n-1维随机误差向量,其中L=(x,y)T,则:
最小二乘法球的方程的解为:
L=(ATA)-1ATb
参考图2,在本发明一种具体的实施例中,S300包括:
S310,将每个节点作为蜣螂个体以使所有节点组成蜣螂种群;
S320,设置蜣螂种群的种群规模以及最大迭代次数;
S330,采用伯努利映射初始化蜣螂种群并定义多策略增强蜣螂优化算法的优化参数;
Bernoulli映射初始化种群
传统的智能优化算法在种群初始化阶段采用的是生成随机数的方式进行初始化种群位置,导致种群中蜣螂的位置良莠不齐,同时不能遍历环境中的所有位置,导致其收敛速度较低。所以在种群初始化阶段引入Bernoulli映射。Bernoulli映射属于混沌映射的一种,常被用来产生混沌序列,其具有非线性、遍历性、随机性等特征,在优化领域替代随机数初始化种群,会影响算法的整个过程,同时能获得比随机数更好的寻优效果。Bernoulli映射的数学表达式可表示为:
式中:Zk为产生的第k代混沌序列的当前值;ρ为控制参数。其中混沌序列的初始值和控制参数对于混沌序列的产生有着重要的影响。当ρ处于0.5附近时能够获得更好的遍历性;所以选取控制参数为0.576 174 318 582,而初始值设为(0,1)区间的均匀随机数。当得到遍历整个二维空间的混沌序列后将混沌粒子映射到环境建模需要的搜索范围中,即
式中:Xmin和Xmax为横轴的最小和最大值,Ymin和Ymax为纵轴的最小和最大值,Sk position为第k代蜣螂位置。
S340,利用每个未知节点到最近的信标节点的最短距离,构建基于螺旋引导以及多策略增强蜣螂优化算法的目标函数;
本发明的目标函数表示为:
其中,fitness为蜣螂个体的适应度值,(x,y)和(xi,yi)分别是未知节点和信标节点的坐标,di为未知节点到信标节点的最短距离。
S350,利用所述目标函数计算所有个体的适应度值,并将适应度值按照从大到小排序,得到最好的个体位置和最差的个体位置。
在S350之前,所述基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法还包括:
将所述蜣螂种群按照6:6:7:11的比例划分不同蜣螂的角色,使得占所述种群规模1/5的蜣螂用于滚球行为,1/5的蜣螂用于繁殖,7/30的蜣螂进行觅食行为,11/30的蜣螂进行偷窃行为。
在本发明一种具体的实施例中,S400包括:
S410,如果蜣螂个体处于滚球阶段,则利用位置滚球位置更新策略更新蜣螂的个体位置;
本步骤中如果蜣螂个体处于滚球阶段,判断蜣螂个体是否存在障碍,如果不存在,则无障碍情况下的更新策略更新蜣螂的个体位置;如果存在,则利用有障碍情况下的更新策略更新蜣螂的个体位置;
(1)蜣螂滚球
蜣螂需要通过天体线索(太阳位置或风向等)来保持粪球在直线上滚动。为了模拟滚球行为,蜣螂需要在整个搜索空间中沿给定方向移动。在滚动过程中,滚动球的蜣螂的位置会更新,无障碍情况下的更新策略表示为:
其中,t表示当前迭代次数,表示第i只蜣螂在第t次迭代时的位置信息,k∈(0,0.2],表示偏转系数的常量,b为属于(0,1)的常量,α是一个自然系数,赋值为-1或1,/>表示全局最差位置,/>用于模拟光强变化;
蜣螂滚球算法如下:
算法1:α的选择策略
输入:概率值λ
输出:自然系数α
当蜣螂遇到障碍物而无法前进时,它需要通过跳舞来调整自己的方向,以获得新的路线。使用切线函数来模拟蜣螂的舞蹈行为,获得新的滚动方向。一旦蜣螂成功地确定了一个新的方向,它就会继续向前滚动球。因此,有障碍情况下的更新策略表示为:
其中,θ∈[0,π],如果θ等于0,π/2或π时,将不会更新个体位置。
S420,如果蜣螂个体处于繁育阶段,则采用螺旋搜索策略更新蜣螂雏球的个体位置;
(2)蜣螂繁育
自然界中,粪球被滚到安全的地方,并被蜣螂藏起来。为了给它们的后代提供一个安全的环境,选择合适的产卵地点对蜣螂来说至关重要。原本的蜣螂优化算法使用一种边界选择策略来模拟磁性蜣螂产卵的区域,则S420中的螺旋搜索策略表示为:
其中,表示当前种群的全局最佳位置,Lb*和Ub*分别表示产卵区的下界和上界,其中R=1-t/Tmax,Tmax表示最大迭代次数,Lb和Ub分别表示求解未知节点最优位置的优化问题的下界和上限;
一旦确定了产卵区,雌性蜣螂就会选择这个区域的繁育球产卵。对于DBO算法,每只雌性蜣螂在每次迭代中只产一个卵。产卵区的边界范围是动态变化的,这主要由R值决定。因此,繁育球的位置在迭代过程中也是动态的,迭代过程表示为:
其中,Bi(t)是第t次迭代时第i个繁育球的位置信息,b1和b2表示两个大小为1xD的独立随机向量,D表示优化问题的维数。繁育球的位置被严格限制在一定范围内,即产卵区。
然而,在蜣螂优化算法(DBO)中,如果按照当前的在产卵区域内繁殖雏球,这肯定会使种群在短时间内快速收敛,但也会导致种群的多样性降低,容易使算法陷入局部最优;因此本发明对蜣螂算法繁殖阶段的迭代公式进行改进。
受到鲸鱼算法中头鲸种群围捕猎物的启发,鲸鱼算法在迭代过程中,个体鲸鱼会使用螺旋搜索策略来更新与猎物的位置,这不仅保证了算法的收敛速度,而且可以增加个体的多样性。鲸鱼围捕猎物阶段公式如下:
X(t+1)=D'·ecl·cos(2πl)+X*(t)
D'=|X*(t)-X(t)|
但该策略很容易受到定义参数c的影响。较大的c会使算法衰减过快,导致算法局部最优,较小的c会导致算法收敛缓慢。为了解决这个问题,引入了动态螺旋搜索形状的参数r
更新后的蜣螂繁殖位置迭代公式如下:
Bi(t+1)=X*+erl·cos(2πl)×b1×(Bi(t)-Lb*)+rl·cos(2πl)×b2×(Bi(t)-Ub*)
蜣螂繁育更新策略的算法如下:
算法2:蜣螂繁育位置更新策略
输入:最大迭代次数Tmax,繁育球数量N,当前迭代次数t
输出:第i个繁育球Bi的位置
S430,利用蜣螂个体处于觅食阶段,则利用最优值引导策略和觅食公式更新小蜣螂的个体位置;
(3)蜣螂觅食
该行为主要针对小蜣螂而言。一些成熟的小蜣螂会从地下出来寻找食物,小蜣螂的最佳觅食区域是动态更新的,具体最佳觅食区域的边界定义如下:
Lb*=max(X*×(1-R),Lb)
Ub*=min(X*×(1-R),Ub)
其中X*表示当前种群的局部最佳位置,Lb*和Ub*分别表示最佳觅食区域的下限和上限。因此,小蜣螂的位置更新如下:
其中,xi t表示第i只小蜣螂在第t次迭代的位置信息,C1表示服从正态分布的随机数,C2表示属于(0,1)的随机向量。
然而,在蜣螂算法的觅食阶段,候选解的生成受到两个随机数(C1和C2)的影响,这使得生成更好和更差候选解的概率相等,会导致算法的收敛速度变慢。因此,本发明引入当前最优值来指导候选解的生成,S430中的更新小蜣螂的个体位置的更新公式表示为:
其中,C1表示服从正态分布的随机数,C2表示属于(0,1)的随机向量,λ为协调最优质的参数,随着迭代的参数而改变,表示为:
S440,如果蜣螂个体处于繁殖偷窃阶段,则利用动态权重与levy飞行策略融合的偷窃策略更新蜣螂的个体位置;
(4)蜣螂偷窃
一些被称为小偷的蜣螂从其他蜣螂那里偷粪球。此外,X*是最佳的食物来源。因此,X*附近是争夺食物的最佳地点。在迭代过程中,偷窃蜣螂的位置信息被更新,可以描述如下:
其中Xi t表示第i只偷窃蜣螂在第t次迭代时的位置信息g是服从正态分布大小为1×D的随机向量,S表示一个常量。
然而,基本蜣螂优化算法在偷窃时,在迭代初期就向全局最优解逼近,会导致搜索范围不足,陷入局部最优,使搜索失败。为克服这一弊端,在原偷窃者位置更新公式中,在其局部最优解更新公式中加入动态权重系数ω,让它在迭代初期具有较大值,促进全局搜索,迭代后期自适应变小,促进局部搜索并加快收敛速度。权重因子ω公式为:
Levy飞行策略属于马尔可夫过程,是一种特殊的随机游走策略。它采用以短距离搜索为主,偶尔进行长距离搜索的随机游走方法,在群智能算法中使用这种策略,可以使得个体在在大范围寻找最优解时广泛分布在搜索空间,增加群体多样性,提高全局寻优能力,避免过早的陷入局部最优。
Levy飞行策略服从莱维分布,通常采用一个幂律分布来表示:
L(S)~|S|-1-β (0<β<2)
其中S是步长,L(S)是移动步长S时的概率。由于莱维分布的复杂性,通常采用Mantegna算法对其进行模拟:
式中,θ和ω遵循正态分布:
式中,τ是一个标准伽马函数,β通常取值1.5
本发明采用动态权重和飞行策略,提升全局最优能力,综上,S440中的偷窃策略表示为:
其中,X*表示最佳的食物来源,S表示步长,g表示个体位置,ω表示权重因子,levy为飞行策略,其公式为
S450,计算更新后的蜣螂个体的适应度值,并记录更新之后最佳个体的适应度值和个体位置。
在前面的基础上,所提出的WO-IDBO算法的伪码如下所示。首先,设Tmax为最大迭代次数,N为粒子体的大小。然后,随机初始化WO-IDBO算法的所有参数。
本发明螺旋引导以及多策略增强蜣螂优化算法流程:
与传统DBO算法一样,WO-IDBO将种群中的蜣螂划分成了四种不同的角色,执行滚球、繁殖、觅食和偷窃四种算子,其执行的详细算法如下:
算法3:WO-IDBO算法
输入:最大迭代次数T/max,种群规模N
输出:最优位置Xt gbest
本发明提供了一种基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位装置包括:
部署模块,被配置为在目标区域随机部署若干个无线传感器,定位出一部分无线传感器的位置;并将已经定位出的无线传感器作为信标节点以及将未定位出的无线传感器作为未知节点;
计算模块,被配置为针对任一个未知节点,确定根据该未知节点到信标节点之间的最小跳数和平均每跳距离计算该未知节点到最近的信标节点的最短距离;
位置模块,被配置为将每个节点作为蜣螂个体以使所有节点组成蜣螂种群,并利用多策略增强蜣螂优化算法和每个未知节点到最近的信标节点的最短距离,计算所有个体的适应度值得到最好的个体位置和最差的个体位置;
更新模块,被配置为根据螺旋引导以及所有多策略增强蜣螂优化算法更新种群中的个体位置并计算新的适应度值,记录更新之后最佳个体的适应度值和位置;
迭代模块,被配置为重复执行更新模块的具体过程直至到达最大迭代次数,得出蜣螂种群中的全局最好位置,并将该位置确定为未知节点的近似位置。
下面通过实验验证示例来说明本发明的优势。
示例1:基于WO-IDBO的DV-HOP定位算法
请结合参见图3~图5,三张图为传统DV-HOP、现有鲸鱼优化算法DV-HOP、麻雀优化算法DV-HOP、采用传统蜣螂优化算法优化DV-HOP定位以及采用本发明WO-IDBO算法优化DVHOP的在不同通信半径、总结点、锚点比例的相关结果。
基于WO-IDBO的DV-HOP定位算法具体实施情况如下:
将传感器节点随机部署在一个100m×100m的网络区域中,每个节点具有相同的通信半径R。在改进蜣螂优化算法中,设置种群个体总数为100,迭代次数为50,按照既定比例划分蜣螂角色。从锚节点数、总节点数和通信半径三方面采用归一化相对误差来评估定位精度,归一化相对误差公式如下:
式中,(xi,yi)是未知节点的实际坐标,是估算坐标,M是未知节点的个数。
在预设具体条件后,使用本发明提出的基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位算法进行定位,同时采取控制变量法,分别观察不同通信半径、总结点数变化以及锚节点数变化对定位精度的影响。
(1)通信半径对定位精度的影响
传感网络中总节点数设为100,锚节点个数为30,改变节点的通信半径。仿真结果如图3所示,四种算法的误差曲线总体趋势是随着通信半径的增加而减小,这是因为增加通信半径提高了节点的邻居节点个数,节点接受的信息更多,从而提高了定位精度,较之于之前四种算法,本发明提供的算法降低定位误差效果显著。
(2)总结点数对定位精度的影响
保持节点通信半径30m不变,锚节点占比设为30%,调整网络中的总节点数。从图3可以看出,由于节点总数不断增加,改善了指定区域内网络的连通性,四种算法的定位误差总体随着总节点个数的增加而相应的减小了。与前三种算法相比,本发明提供的算法降低定位误差效果显著。
(3)锚节点数对定位精度的影响
保持节点通信半径30m不变,总节点数设为100,调整网络中的锚节点数。从图5可以看出,锚节点总数不断增加会使四种算法的定位误差都随之减小,这是由于锚节点数量的增加使得节点的最小跳数更加符合了网络的真实情况。与前三种算法相比,本发明提供的算法降低定位误差效果显著。
因此可以看出,针对DV-HOP优化的WO-IDBO具有良好的寻优能力,可以显著提升定位精度。
示例2:WO-IDBO各种策略有效性验证
请参考表1,表2以及图7~图13,表1提供了7个单峰函数用来检验算法的开发性能,表2为各个策略的单峰基准函数的实验结果,图7~图13为不同算法在不同单峰函数下的收敛过程。
表1单峰基准函数
表2单峰基准函数的实验结果(不同策略对比)
表1给出了7个单峰基准测试函数(F1-F7)。由于单峰函数有且只有一个最小值,可以用来检验算法的开发性能。表2中给出了DBO与MDBO1,MDBO2,MDBO3,MSADBO四种改进算法的实验结果对比。图7~13中给出了各个算法策略对比的收敛过程图像。结合表中数据和图我们可以看出:
a)IDBO1算法相比较原始DBO,虽然收敛曲线相似,那是由于他们除了种群初始化策略不同外,其他近乎相同。但是MDBO1在求解精度上有了一定程度的提升,平均寻优性能更加稳定,说明引入Bernoulli映射策略提升了算法全局探索能力,能生成高度多样化的蜣螂初始种群。
b)IDBO2算法相比较DBO,平均寻优精度和标准差有了更进一步的提升,同时收敛曲线在收敛速度变慢时逐渐深入开发。说明DBO引入螺旋搜索策略后,能够很好的平衡全局探索和局部开发能力,提升算法的寻优能力与收敛速度。
c)IDBO3算法相比较DBO,使得算法的收敛速度和收敛深度有了一定程度的提高。说明加入最优值引导策略能够提高算法的开发能力。同时其收敛曲线快速收敛,表明最优值引导策略能够有效避免算法陷入局部最优解,提高算法的寻优能力
d)IDBO4算法相比较DBO,使得算法的收敛速度和收敛深度有了较大幅度的提高。说明加入动态权重系数和levy飞行策略能够较好地提高算法的开发能力。同时其收敛曲线快速收敛,表明动态权重系数和levy飞行策略能够有效避免算法陷入局部最优解,增加种群多样性,提高算法的寻优能力。
e)WO-IDBO算法相比其余策略算法,融合了IDBO1的寻优稳定性,增添初始种群多样性。融合了IDBO2的平衡全局探索和局部开发能力;融合了IDBO3和IDBO4的快速迭代寻优能力,同时避免了局部最优解。总的来说WO-IDBO算法不仅能够快速收敛,而且拥有平衡探索与开发的能力,拥有跳出局部最优解的能力。
以上实施例的基于螺旋引导以及多策略增强的改进蜣螂优化算法,提升了蜣螂优化算法的收敛速度,全局寻优能力,使其具有更强的寻优适配性。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法,其特征在于,包括:
S100,在目标区域随机部署若干个无线传感器,定位出一部分无线传感器的位置;并将已经定位出的无线传感器作为信标节点以及将未定位出的无线传感器作为未知节点;
S200,针对任一个未知节点,确定根据该未知节点到信标节点之间的最小跳数和平均每跳距离计算该未知节点到最近的信标节点的最短距离;
S300,将每个节点作为蜣螂个体以使所有节点组成蜣螂种群,并利用基于螺旋引导以及多策略增强蜣螂优化的算法和每个未知节点到最近的信标节点的最短距离,计算所有个体的适应度值得到最好的个体位置和最差的个体位置;
S400,根据螺旋引导以及所有多策略增强蜣螂优化算法更新种群中的个体位置并计算新的适应度值,记录更新之后最佳个体的适应度值和位置;
S500,重复S400直至到达最大迭代次数,得出蜣螂种群中的全局最好位置,并将该位置确定为未知节点的近似位置。
2.根据权利要求1所述的基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法,其特征在于,在所述目标区域内的节点中存在信标节点,所述信标节点都在目标区域的网络中广播含自身分组信息{ID,(x,y),hop}给邻居节点,初始化hop=0,若一个邻近节点作为接收节点每接收到一个分组信息,则保存该信标节点的最小跳数并将hop=hop+1转发给邻居节点,若接收到的分组信息来自同一信标节点,则忽略该分组信息;则所有节点保存所述网络中任一信标节点间到自身的最小跳数。
3.根据权利要求2所述的基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法,其特征在于,S200包括:
S210,针对任一个未知节点,根据该未知节点保存的分组信息确定各个信标节点至该未知节点的跳数以及平均每跳距离;
S220,从各个信标节点到该未知节点的跳数中确定出最小跳数,并将该最小跳数乘以平均每跳距离得到该未知节点到最近的信标节点的最短距离。
4.根据权利要求1所述的基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法,其特征在于,S300包括:
S310,将每个节点作为蜣螂个体以使所有节点组成蜣螂种群;
S320,设置蜣螂种群的种群规模以及最大迭代次数;
S330,采用伯努利映射初始化蜣螂种群并定义基于螺旋引导以及多策略增强蜣螂优化的算法的优化参数;
S340,利用每个未知节点到最近的信标节点的最短距离,构建基于螺旋引导以及多策略增强蜣螂优化算法的目标函数;
S350,利用所述目标函数计算所有个体的适应度值,并将适应度值按照从大到小排序,得到最好的个体位置和最差的个体位置。
5.根据权利要求4所述的基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法,其特征在于,在S350之前,所述基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法还包括:
将所述蜣螂种群按照6:6:7:11的比例划分不同蜣螂的角色,使得占所述种群规模1/5的蜣螂用于滚球行为,1/5的蜣螂用于繁殖,7/30的蜣螂进行觅食行为,11/30的蜣螂进行偷窃行为。
6.根据权利要求4所述的基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法,其特征在于,目标函数表示为:
其中,fitness为蜣螂个体的适应度值,(x,y)和(xi,yi)分别是未知节点和信标节点的坐标,di为未知节点到信标节点的最短距离。
7.根据权利要求1所述的基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法,其特征在于,S400包括:
S410,如果蜣螂个体处于滚球阶段,则利用位置滚球位置更新策略更新蜣螂的个体位置;
S420,如果蜣螂个体处于繁育阶段,则采用螺旋搜索策略更新蜣螂雏球的个体位置;
S430,利用蜣螂个体处于觅食阶段,则利用最优值引导策略和觅食公式更新小蜣螂的个体位置;
S440,如果蜣螂个体处于繁殖偷窃阶段,则利用动态权重与levy飞行策略融合的偷窃策略更新蜣螂的个体位置;
S450,计算更新后的蜣螂个体的适应度值,并记录更新之后最佳个体的适应度值和个体位置。
8.根据权利要求7所述的基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法,其特征在于,S410包括:
如果蜣螂个体处于滚球阶段,判断蜣螂个体是否存在障碍,如果不存在,则无障碍情况下的更新策略更新蜣螂的个体位置;如果存在,则利用有障碍情况下的更新策略更新蜣螂的个体位置;
其中,无障碍情况下的更新策略表示为:
其中,t表示当前迭代次数,表示第i只蜣螂在第t次迭代时的位置信息,k∈(0,0.2],表示偏转系数的常量,b为属于(0,1)的常量,α是一个自然系数,赋值为-1或1,/>表示全局最差位置,/>用于模拟光强变化;
有障碍情况下的更新策略表示为:
其中,θ∈[0,π],如果θ等于0,π/2或π时,将不会更新个体位置。
9.根据权利要求7所述的基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法,其特征在于,
S420中的螺旋搜索策略表示为:
其中,表示当前种群的全局最佳位置,Lb*和Ub*分别表示产卵区的下界和上界,其中R=1-t/Tmax,Tmax表示最大迭代次数,Lb和Ub分别表示求解未知节点最优位置的优化问题的下界和上限;
S430中的更新小蜣螂的个体位置的更新公式表示为:
其中,C1表示服从正态分布的随机数,C2表示属于(0,1)的随机向量,λ为协调最优质的参数,随着迭代的参数而改变,表示为:
S440中的偷窃策略表示为:
其中,X*表示最佳的食物来源,S表示步长,g表示个体位置,ω表示权重因子,levy为飞行策略。
10.一种基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位装置,其特征在于,包括:
部署模块,被配置为在目标区域随机部署若干个无线传感器,定位出一部分无线传感器的位置;并将已经定位出的无线传感器作为信标节点以及将未定位出的无线传感器作为未知节点;
计算模块,被配置为针对任一个未知节点,确定根据该未知节点到信标节点之间的最小跳数和平均每跳距离计算该未知节点到最近的信标节点的最短距离;
位置模块,被配置为将每个节点作为蜣螂个体以使所有节点组成蜣螂种群,并利用多策略增强蜣螂优化算法和每个未知节点到最近的信标节点的最短距离,计算所有个体的适应度值得到最好的个体位置和最差的个体位置;
更新模块,被配置为根据螺旋引导以及所有多策略增强蜣螂优化算法更新种群中的个体位置并计算新的适应度值,记录更新之后最佳个体的适应度值和位置;
迭代模块,被配置为重复执行更新模块的具体过程直至到达最大迭代次数,得出蜣螂种群中的全局最好位置,并将该位置确定为未知节点的近似位置。
CN202311579460.XA 2023-11-23 2023-11-23 基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及装置 Pending CN117615302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311579460.XA CN117615302A (zh) 2023-11-23 2023-11-23 基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311579460.XA CN117615302A (zh) 2023-11-23 2023-11-23 基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及装置

Publications (1)

Publication Number Publication Date
CN117615302A true CN117615302A (zh) 2024-02-27

Family

ID=89955612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311579460.XA Pending CN117615302A (zh) 2023-11-23 2023-11-23 基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及装置

Country Status (1)

Country Link
CN (1) CN117615302A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118181305A (zh) * 2024-05-16 2024-06-14 华南农业大学 一种茶叶采摘机械臂的运动路径规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118181305A (zh) * 2024-05-16 2024-06-14 华南农业大学 一种茶叶采摘机械臂的运动路径规划方法
CN118181305B (zh) * 2024-05-16 2024-08-23 华南农业大学 一种茶叶采摘机械臂的运动路径规划方法

Similar Documents

Publication Publication Date Title
CN111708369B (zh) 一种变电站巡检机器人路径规划方法
CN117615302A (zh) 基于螺旋引导以及多策略增强蜣螂优化的DV-Hop定位方法及装置
CN111880561B (zh) 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法
CN115357031B (zh) 一种基于改进蚁群算法的船舶路径规划方法及系统
CN111432368A (zh) 一种适用于稀疏锚节点wsn的测距定位方法
CN102325370A (zh) 一种高精度的无线传感器网络节点的三维定位器
CN109842935A (zh) 一种基于混合smpso优化的加权dv-hop定位方法
CN114840016B (zh) 基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法
CN115169517A (zh) 一种改进的灰狼优化算法的方法
CN112738709B (zh) 一种基于uwb信号的粒子群搜索室内定位方法及系统
CN117241376B (zh) 一种多策略改进bp神经网络的wsn节点定位方法
CN109190787A (zh) 水下潜航器的双重粒子群多监测点访问路径规划方法
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
CN113778090A (zh) 基于蚁群优化和prm算法的移动机器人路径规划方法
Unaldi et al. Wireless sensor deployment method on 3D environments to maximize quality of coverage and quality of network connectivity
CN117062008A (zh) 一种基于混沌黄金正弦飞行蜣螂优化算法的uwb定位方法
CN115297497B (zh) 一种基于生物启发算法的高效节能分簇方法
CN112566241B (zh) 基于移动锚点的三维无线传感网节点定位方法
Liu et al. Research on wireless sensor network localization based on an improved whale optimization algorithm
CN114040336A (zh) 基于缩影判定定位法与粒子群优化算法的信标部署方法
CN114599004A (zh) 一种基站布局方法和装置
CN114745657A (zh) 一种改进的混合萤火虫粒子群优化的DV-Hop定位方法
CN112770257B (zh) 一种物联网中移动传感器节点的智能定位方法
Gou et al. A three-dimensional localization algorithm with multiple communication radii and hybrid intelligence
CN118055490A (zh) 一种基于改进鲸鱼优化迭代算法的水下传感器网络节点定位方法

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