一種基于人工蜂群的無線傳感器網絡節點定位算法制造技術

本發明專利技術公開了一種基于人工蜂群無線傳感器網絡節點定位算法，節點包括已知位置的錨節點和未知節點，本發明專利技術首先針對每個未知節點在定位之前估計其可能存在的區域，相比于現有技術通過在整個空間內搜索，本發明專利技術提高了計算的效率和準確性；此外，本發明專利技術通過使用模擬退火?人工蜂群混合算法，一方面通過模擬退火機制避免算法陷入局部最優值，另一方面通過人工蜂群算法在目標區域內估計節點坐標，相比于現有方法，本發明專利技術提供的算法能大大提高在噪聲環境下的定位準確性。

【技術實現步驟摘要】
一種基于人工蜂群的無線傳感器網絡節點定位算法
本專利技術涉及無線傳感器網絡
，具體為一種基于人工蜂群的無線傳感器網絡節點定位算法。
技術介紹
無線傳感器網絡(WSN)是由大量廉價、小巧的傳感器節點組成的，在民用和軍用領域都有著廣闊的應用前景。但是，無論是在軍事偵察、環境探測，還是在醫療患者跟蹤應用中，都應該在數據上附加位置信息，否則數據將失去收集的意義。因此，如何提高位置信息的準確性成為近年來研究的熱點。具有全球定位系統(GPS)硬件的節點稱為錨節點或信標，其他節點稱為未知節點。節點的位置信息似乎可以通過為每個節點配備GPS來獲取。然而，由于其規模、成本等問題，這種方法并不可行。而且，該方法在室內環境中不能達到預期的效果。因此，為了更精確地定位節點，各種non-GPS-based的定位算法被提出。這些算法可以分為兩類：基于距離的算法和不基于距離的算法。傳統的基于距離的方法有：到達時差(TDOA)，到達角(AOA)，到達時間(TOA)和接收信號強度指示(RSSI)。基于距離的方法對自身的硬件有較高的要求，但基于距離的方法的精度普遍高于非基于距離方法。在工程學的許多領域中，實際的工程問題通常被表述成優化問題，元啟發式算法在處理這類問題時表現出了強大的全局挖掘能力。自然啟發的元啟發式算法一般可以分為兩類：群體智能(SI)和進化算法(EA)。許多SI算法，包括帝王蝶優化算法(MBO)、大象放牧優化算法(EHO)、螢火蟲算法(FA)和粒子群優化算法(PSO)已經被成功地用于坐標估計。人工蜂群算法(ABC)是求解優化問題的SI算法之一，它由D.Karaboga博士提出，并被廣泛應用于求解優化問題。ABC算法模擬了蜜蜂的覓食行為，并在2007年形成了一套完整的理論體系來解決數值優化問題。ABC的蜂群可分為三種：雇傭蜂、觀察蜂和偵察蜂。雇傭蜂的工作是收集食物源并與觀察蜂分享，觀察蜜蜂負責判斷食物源的優劣，并改進食物源質量。偵察蜂的職責是在現有的食物源枯竭時尋找新的食物源。這些基于元啟發式的方法將定位問題轉化為優化問題，建立了目標函數。然后，用元啟發式算法求解最優估計節點位置。與傳統的定位方法相比，節點定位性能更好，但由于元啟發式算法的隨機性，大多數算法仍然存在定位精度不高的問題，特別是在噪聲環境下。所以在受噪聲影響的情況下，必須找到一種更有效的定位算法，使其具備更高的定位精度和效率。
技術實現思路
本專利技術的目的在于提供一種基于人工蜂群的無線傳感器網絡節點定位算法，以解決上述
技術介紹
中提出的問題。為實現上述目的，本專利技術提供如下技術方案：一種基于人工蜂群的無線傳感器網絡節點定位算法,節點包括已知位置的錨節點和未知節點，所述未知節點的定位包括以下步驟：S100，無線傳感器網絡初始化：網絡中隨機生成錨節點和未知節點，錨節點測量其到未知節點的距離將距離信息發送給未知節點；S200，網絡中的未知節點通過測量距離確定自身可能存在的矩形區域；S300，將矩形區域的邊界設置成為模擬退火-人工蜂群混合算法的搜索區域；S400，進行系統建模，通過各個錨節點與未知節點的測量距離，以及搜索區域，建立目標函數；S500，每個收到距離信息的未知節點，獨立運行人工蜂群算法，初始化參數，包括種群數量，最大循環次數，最大開采次數，并生成初始解作為當前解；S600，通過雇傭蜂搜索新解，計算當前解和新解的適應度值，并通過模擬退火機制更新當前解，其中接受適應度較低解的概率為P，當適應度較低的解被接受后，更新溫度Tm；S700，觀察峰通過輪盤賭方法，選擇需要被改進的解，通過貪婪原則，保留適應度較高的解，若改進的解沒有被保留，則該解的開采次數增加1；S800，判斷是否有達到最大開采次數的解，如果有則通過偵察蜂生成新解，若沒有則記錄目前為止的最優解；S900,判斷是否達到了最大循環次數，若沒有則返回S600，若滿足則輸出解為未知節點的最優估計坐標，未知節點將自身的最優估計坐標廣播給無線傳感器網絡，完成對未知節點的定位。優選的，所述S100的錨節點通過接收信號強度指示(RSSI)方法獲得錨節點與未知節點的距離，利用表示其到未知節點的距離，其中di是錨節點到未知節點的實際距離，ni是零均值方差為的高斯噪聲。其中Pn是測量距離的噪音百分比。優選的，所述S200的矩形區域，未知節點首先判斷其周圍有不少于3個的錨節點，則選取其距離最近的3個錨節點，以每個錨節點的坐標為圓心，半徑為的圓，取這些圓的外接矩形，矩形的重疊部分視為未知節點存在的區域，在此之后模擬退火-人工蜂群混合算法在該區域內估計節點的坐標。優選的，所述S400中，目標函數的數學模型如下：式中M是未知節點通訊半徑內的錨節點數量，且M＞3，xun,yun是未知節點的坐標，xi,yi通訊半徑內第i個錨節點的坐標，是通訊半徑內第i個錨節點與未知節點的測量距離。優選的，所述S600中混合模擬退火-人工蜂群算法用適應度函數F來評估每個解的適應度值，確定解的優劣程度，適應度高的解會被保留下來作為下次迭代的基礎，適應度較低解仍然可以以概率P被接受.適應度函數F的定義如下：上述公式中Fi(xi)是目標函數值。優選的，所述S600中，模擬退火機制更新當前解的方發是保留適應度較高的解為當前解，適應度較低的解以P的概率被更新為當前解，其中P為其中f(vi,j),f(xi,j)分別是新解和當前解的函數值，Tm是當前溫度。優選的，所述S600中，更新溫度Tm的前提是，當一個適應度較低的解被算法接受時，Tm的衰減函數為其中λ為等于0.01的退火因子。與現有技術相比，本專利技術的有益效果是：本專利技術針對每個未知節點在定位之前估計其可能存在的區域，相比于現有技術通過在整個空間內搜索，本專利技術提高了計算的效率和準確性；本專利技術通過使用混合模擬退火-人工蜂群算法，一方面通過模擬退火機制避免算法陷入局部最優值，另一方面通過人工蜂群算法在目標區域內估計節點坐標，提高了算法在噪聲干擾下的定位精度。附圖說明圖1是無線傳感器網絡節點分布的結構示意圖。圖2是在噪音干擾下實際距離與測量距離的差異示意圖。圖3是未知節點判斷自身存在位置的示意圖。圖4是本專利技術混合模擬退火-人工蜂群算法的流程圖。圖5是本專利技術基于混合模擬退火-人工蜂群算法的定位算法流程示意圖圖6是本專利技術算法與普通人工蜂群算法在Pn＝10時定位的誤差對比圖。圖7是本專利技術算法與普通人工蜂群算法在不同Pn時定位的誤差對比圖。具體實施方式下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。圖1展示了本專利技術中無線傳感器網絡節點分布的結構示意圖...

【技術保護點】
1.一種基于人工蜂群的無線傳感器網絡節點定位算法,節點包括已知位置的錨節點和未知節點，其特征在于：所述未知節點位置的定位包括以下步驟：/nS100，無線傳感器網絡初始化：網絡中隨機生成錨節點和未知節點，錨節點測量其到未知節點的距離

【技術特征摘要】
1.一種基于人工蜂群的無線傳感器網絡節點定位算法,節點包括已知位置的錨節點和未知節點，其特征在于：所述未知節點位置的定位包括以下步驟：
S100，無線傳感器網絡初始化：網絡中隨機生成錨節點和未知節點，錨節點測量其到未知節點的距離將距離信息發送給未知節點；
S200，網絡中的未知節點通過測量距離確定自身可能存在的矩形區域；
S300，將矩形區域的邊界設置成為模擬退火-人工蜂群混合算法的搜索區域；
S400，進行系統建模，通過各個錨節點與未知節點的測量距離，以及搜索區域，建立目標函數；
S500，每個收到距離信息的未知節點，獨立運行人工蜂群算法，初始化參數，包括種群數量，最大循環次數，最大開采次數，并生成初始解作為當前解；
S600，通過雇傭蜂搜索新解，計算當前解和新解的適應度值，通過模擬退火機制更新當前解，其中接受適應度較低解的概率為P，當適應度較低的解被接受后，更新溫度Tm；
S700，觀察峰通過輪盤賭方法，選擇需要被改進的解，通過貪婪原則，保留適應度較高的解，若改進的解沒有被保留，則該解的開采次數增加1；
S800，判斷是否有達到最大開采次數的解，如果有則通過偵察蜂生成新解，若沒有則記錄目前為止的最優解；
S900,判斷是否達到了最大循環次數，若沒有則返回S600，若滿足則輸出解為未知節點的最優估計坐標，未知節點將自身的最優估計坐標廣播給無線傳感器網絡，完成對未知節點的定位。


2.根據權利要求1所述的一種基于人工蜂群的無線傳感器網絡節點定位算法，其特征在于：所述S100的錨節點通過接收信號強度指示(RSSI)方法獲得錨節點與未知節點的距離，利用表示其到未知節點的距離，其中di是錨節點到未知節點的實際距離，n...

【專利技術屬性】
技術研發人員：成立，王靜，
申請(專利權)人：成立，
類型：發明
國別省市：江蘇;32