基于SPSO―hop无线传感器网络节点定位算法.docVIP

基于SPSO―hop无线传感器网络节点定位算法 　　[摘 要]针对无线传感器网络无需测距DV-Hop定位算法中，利用多边测量法计算未知节点坐标时存在较大误差的问题，提出了一种基于模拟退火粒子群算法的DV-Hop无线传感器网络定位算法。该算法首先将DV-Hop算法的定位问题转化成全局最优化问题；再将模拟退火算法与粒子群算法的计算最优化问题的优势相结合，提出了一种模拟退火粒子群算法；最后将此算法对DV-Hop算法定位得到的节点位置进行校正。经过Matlab仿真表明，相同的仿真环境中，新算法产生的平均定位误差比原始DV-hop算法产生的平均定位误差更低，有效地提高了定位精度。 　　[关键词]无线传感器网络；节点定位；DV-Hop算法；粒子群算法 　　中图分类号：U6 文献标识码：A 文章编号：1009-914X（2015）10-0008-02 　　引言 　　随着无线通信技术的发展，孕育出的无线传感器网络（WSN）以其低成本、低功耗、多功能的特点促进了传感器的快速发展。在军事、商业、环境监测、家庭自动化等领域获得越来越多的应用，它已成为无线通信技术中的重点研究对象。其中节点定位是无线传感器网络（WSN）的一个关键问题[1-2]。 　　现有的定位方法分为基于测距和免测距两类。基于测距的方法对硬件要求高而且在通信过程中开销大。免测距的方法无需任何额外的硬件设备，直接通过网络连通性进行对未知节点进行定位，使其网络能量的开销小且经济有效[5]。其中DV-Hop作为一种典型的免测距定位算法，以其成本低、能耗小等优势 　　得到广泛使用。但存在着定位精度低、误差大的缺陷。 　　文献[3]将蚁群算法、粒子群算法引入到DV-Hop算法未知节点计算阶段，从而提高了定位精度。文献[4]使用多边测量法，比较路径的中心节点与两个锚节点之间的夹角，除去了锚节点共线的问题。文献[5]利用蛙跳算法来求解平均每跳距离，使其更接近实际值，从而提高最终定位结果的精确度。这些算法在一定程度上都起到了提高定位精度的作用，但仍有不足，因此如何提高定位精度，减少定位误差成为了研究的主要问题。本文在DV-Hop定位算法研究的基础上，做了进一步的改进，提出了一种基于模拟退火粒子群算法的DV-hop无线传感器网络定位算法。 　　1 DV-Hop算法的分析 　　1.1 DV-Hop算法 　　DV-Hop算法是Niculescu和Nath提出的一种基于计算跳数信息的分布式定位算法（APS），是目前最广泛无需测距的定位算法的一种。在 DV-Hop算法定位过程分为三个步骤： 　　第一步：锚节点通过泛洪的方式发送数据包（包括锚节点的ID、坐标、锚节点接收信息节点的跳数），跳数初始值设置为0，每个临界点接收到信息后就保存和更新最小跳数，并将跳数加1，并继续向邻节点转发，以此机制就会获得未知节点与每个锚节点之间的最小跳数。 　　第二步：获取其它锚节点的跳数以及坐标，根据公式（1）估计出每个锚节点每跳的平均每跳距离值。为锚节点的每跳平均距离，表示锚节点到锚节点之间最小的跳数且 ，锚节点与锚节点的坐标为、。 　　1.2 DV-HOP算法的不足 　　由于测距误差、环境因素、通信等影响，测量距离总存在一定误差。在通常解出未知节点与锚节点的矩离，会利用三边测量法或极大似然估计法来求解的坐标。由于向量中的每个元素都包含锚节点的平均每跳矩离值，而是带有误差测量距离，所以在这种情况下，求解出的估计坐标会与真实坐标之间产生一定偏差，从而降低最终定位精度。所以可以将误差最小化转化为全局最优化求解问题。 　　2 DV-Hop算法的改进 　　2.1 粒子群算法 　　粒子群算法（PSO，Particle Swarm Optimizion）从随机解出发，对于n维的优化问题，随机生成m个粒子的初始种群，第i个粒子的飞行速度和位置将其代入优化目标函数得出适应值，更新粒子速度Vi和Xi位置，通过迭代寻求最优解。其中第i个粒子搜索到目前为止的最优位置。整个粒子群迄今为止搜索到的最优位置记为pb。可用下列公式（7）、（8）对粒子的速度和位置进行更新。 　　2.2 模拟退火粒子群算法算法 　　模拟退火算法（SA，Simulated Annealing）是一种模拟热力学中高温物体降过程。模拟退火算法在冷却过程中，粒子在温度时达到平衡状态时，以内能为目标函数值。本文结合模拟退火算法，通过粒子群优化算法中每个粒子的位置进行局部寻优，提出了一种模拟退火粒子群算法SPSO（Simulated Annealing Particle Swarm Optimizion）。首先计算初始粒子群计算的最大目标函数适应值和最小目标函数，设置初始接受概率为，则初始温度为： 　　本文利用SPSO算法对DV-Hop算法