基于BPSDV―Hop无线传感器网络节点定位算法.docVIP

基于BPSDV―Hop无线传感器网络节点定位算法 　　摘 要 为了尽量避免误差的扩大化，定位更加准确，增强无线传感器网络节点的灵敏程度，混合粒子群在BA校正的基础上，不断优化无线传感器网络定位，充分利用BPSDV-Hop定位算法，这一算法先通过优化混合粒子群对一些未知节点精细计算，计算出跳距范围，其次在应用DV-Hop算法计算未知节点的自身位置时摒弃以往常用的最小二乘法，对于那些未知节点的坐标的判断要利用好蝙蝠算法，通过这一特性不断优化定位方法，确定精度，最后要充分发挥Matlab平台的作用，利用这一平台，对算法细致化分析与探究。据可靠分析显示：BPSDV-Hop定位算法远远优越于DV-Hop定位算法，它对未知坐标的判断和定位准确度非常之高，在WSN中具有广泛的应用前景。 　　【关键词】BPSDV-HOP算法 无线传感器网络 DV-HOP算法 混合粒子群优化算法 蝙蝠算法 　　节点定位技术是无线传感器网络（Wireless Sensor Network，WSN）的基础，在WSN研究中，将节点定位技术当作现阶段研究的首要任务，它的应用前景极为广泛，在一些复杂多变的环境中有很高的利用价值，众所周知的安全探测、军事环境等，运用极多。 　　目前，国内外专家和学者对WSN其展开了一系列的分析探索，定位算法有测距和非测距之分，作用各不相同。DV-Hop 算法是免测距算法中比较成熟的算法，它的定位方法比起其它算法来说较为容易，通过一少部分的锚节点就能实现快捷定位，但缺点是定位精度略低。因此，学者们对 DV-Hop 算法进行了一系列的改进用于提高其定位精度，例如：在DV-Hop算法的节点距离计算中使用RSSI策略，缩小节点之间的误差，提高WSN定位精度；将介质访问机制引进DV-Hop算法中优化距离误差；在锚节点间进行距离计算时，为实现平均跳距计算的准确性，采用最佳调整因子不断优化经过一系列分析得出的定位结果；运用混合粒子群优化算法求解DV-Hop 定位算法中未知节点的平均跳距，减少定位误差提高定位准确性；不过这些算法仍然存在较多的问题，不能充分考虑到算法的全面性，从而忽视了搜索的空间大小问题，对WSN节点的定位精度产生重要影响。为了避免这种情况，我们要开拓思维另辟蹊径。终于在2010年，蝙蝠算法（BA）正式被杨新社教授提出，他充分利用蝙蝠的回声定位的特性，进行大量实验数据分析提出该算法，蝙蝠算法在实际应用中具有很多优良特性，尤其表现在迭代寻优方面，且不需要对大量的参数进行调整，所以为了减少误差，提高WSN节点的定位精度，本文将引入BA算法为校正DV-Hop 算法的误差提供一种新的研究思路。 　　本文提出一种基于BA校正的混合粒子群优化WSN定位算法即BPSDV-Hop定位算法，这一算法先通过优化混合粒子群对一些未知节点精细计算，计算出跳距范围，其次在应用DV-Hop算法计算未知节点的自身位置时摒弃以往常用的最小二乘法，对于那些未知节点的坐标的判断要利用好蝙蝠算法，通过这一特性不断优化定位方法，确定精度，准确定位WSN节点。 　　1 DV-Hop定位算法及误差分析 　　1.1 DV-Hop定位算法 　　第一步，获取锚节点和计算跳距范围； 　　第二步，获取跳段距离。锚节点i的平均每跳距离计算公式为： 　　式中，hij是锚节点i和j之间的跳数，（xi，yi）、（xj，yj）是节点i和j的坐标。之后将所有锚节点的跳距的范围平均映射到每一部分，未知节点的每次跳距之间的距离范围即映射得到的锚节点的跳距范围相同，锚节点的跳段距离就是平均每跳的距离范围与最小的跳数之积。 　　最后，计算未知节点的坐标：设这n个锚节点的坐标为，待定节点的坐标为（x，y），待定节点与锚节点估计距离分别为d1，d2，…，dn，由此可建立如下方程： 　　在WSN测距过程当中难免?a生数据错误，因此线性方程组为AL+N=b，其中，N为误差向量，最小二乘法距离方程为： 　　1.2 DV-Hop定位误差分析 　　先假设锚节点i和未知节点之间的实际距离为ri，测距误差为εi，（x，y）符合约束条件|ri-di|εi，求解（x，y），使得 　　由式（4）知，节点所在位置必定不会超出该区域范围，且f（x，y）为定位总误差，当其获取最小值时，该定位判断得到的误差最小，未知节点的最优值即为坐标（x，y），采用数学化模型的方法优化定位问题，利用蝙蝠算法求解未知坐标，防止误差扩大化。 　　此外，DV-Hop定位算法的定位原理为将锚节点当作未知节点，它们之间的平均跳距用两锚节点之间的平均跳距表示，这就很容易在两点之间的定位出现误差。因此，本文采用混合粒子群优化算法求解未知节点的平均跳距，减少定位误差。 　　2 BPSDV-Hop定位算法 　　2.1 蝙蝠算法 　　将