基于最小跳数和飞行策略改进的三维狼群算法.docxVIP

基于最小跳数和飞行策略改进的三维狼群算法 1 基于等式的数学模型 无线传感器网络（无线传感器网络）广泛应用于边缘计算。 现有的定位算法依据需要测距与否的标准，将定位算法分为两种。第一种算法为测距式算法，一般是利用距离信息建立数学等式或是利用能量数据创建数学模型，通过测量所得到的数据信息的准确度就是关键信息所在。该算法虽然定位误差较低，但对嵌入式设备有一定的要求。另一种定位算法不需测距，且节约成本，耗能低，此外对所需嵌入式装备无过多要求，其代表为我们所熟知的传统DV-hop算法。DV-hop算法思想来源于贝尔曼-福特路由所改进的分布式定位方法 针对以上问题， 因此本文针对不同节点之间计算跳距、跳数不够精准及使用最小二乘法（Least sqaure method,LS）或极大似然值估计算法定位未知节点的精确度不高，而导致无法准确定位，误差较大的情况，提出一种 2 理论背景 2.1 节点最小跳数hop 传统DV-hop算法是利用贝尔曼-福特路由所引导出的定位算法，该算法的主要步骤主要分为三步： ①信标节点（锚节点）通过传统的贝尔曼-福特路由交换协议向节点播送自己的信息数据，以此获得所有节点到每一个信标节点的最小跳数hop ②每个信标节点利用其它锚节点的位置数据以及相隔的最小跳数hop 式（1）中， ③根据以上两步所获得的最小跳数hop 设 其中，hop 根据信标节点的实际位置以及预估到未知节点的距离，可形成如下方程组： 将方程组中的每一个方程等号两边开根号，所形成的新方程组转换成矩阵 通过LS获得该矩阵方程，可以确定未知节点K的预估位置： 从以上算法的运行过程来看，计算的误差主要来自于最小跳数和平均跳距计算精度以及多个位置节点目标定位的优化。本文主要使用跳数加权对平均跳距进行改进以及使用飞行策略改进的三维狼群算法在多目标定位阶段增加定位精度。 3 之前的字典算法得到了改进 3.1 跳跃数加权改善 由 式中， 3.2 基于gwo优化的目标定位算法 基本的灰狼算法（GWO）是由澳籍研究者 灰狼隶属于犬科群居动物，处于食物链顶层的他们严格遵守着社会等级支配关系，如图1所示; 社会等级最高的灰狼称为α，α灰狼具有最高统治地位，对其他的狼具有绝对的支配能力，社会等级第二与第三的灰狼称为β狼和δ狼，社会等级最底层的狼称为ω狼，ω狼需要服从其他层次的狼，ω狼的作用是为了防止狼群内部的自相残杀。GWO的具体步骤如下： ①社会阶级分层（Social Hierarchy）：在设计灰狼算法时，首先根据适应度函数，将适应度最好的三只狼分别标记为α狼、β狼和δ狼，剩下的灰狼则称为ω狼。GWO优化就是由迭代更新过程中最好的三个解α、β和δ来完成。 ②围困猎物（Encircling prey）:灰狼群在搜寻猎物时，会逐渐形成一个包围圈围困猎物目标，该行径数学模型如下： 式（8）中： ③狩猎（Venery）：灰狼拥有分辨潜在目标定位的天赋，搜索过程中主要由α、β和δ三匹高阶灰狼来引领完成，但由于解空间特征的未知性，狼群确定不了最优目标的完美定位，所以为更好地模拟灰狼的捕猎行为，假定α、β和δ具有很好的区分目标定位天赋，所以在每次迭代时保留灰狼群中的等级高层狼α、β和δ，再根据他们的位置数据来更新其他ω狼的位置，该行为的数学模型如下： 式中 由图2可见， ④攻击目标（Attacking target）：创建模型时，根据步骤②可知，a数值的降低也会改变A的值，A是[-a,a]区间的随机向量。当A在区间[-1,1]上时，则此时灰狼与目标之间的位置就是代理搜索的下一刻位置。 ⑤寻找猎物（Look for prey）：主要依靠 GWO算法是一种模仿灰狼群体捕猎启发的一种新型仿生群体智能算法，具有收敛性能较高，且易于实现等特点，可用于WSN节点定位，降低算法误差，但与众多仿生算法一样，有着过早收敛，全局搜索能力较弱等问题，以至于所得到的最终解精度不高。 3.3 灰狼算法的改进 根据 在 式（11）中 3.4 改进的灰狼算法修正未知节点位置 在经典DV-hop第三阶段，使用极大似然值估计算法确定待求节点方位，由于该方法的局限性不能有效提高计算精度，因此使用三维狼群算法对最后未知节点的位置进行改进，改进如下： 1）首先初始化 2）根据式（10）适应度函数得到所有灰狼的初步适应度值 3）灰狼群根据之前提到的式（8）和式（9）进行更新狼群位置信息X，如果α狼已达到最大迭代次数或者满足迭代循环结束条件，则停止循环，输出的α狼坐标信息即为未知节点最终改进位置。 4 算法的模拟分析 4.1 matlab2004仿真实验 为验证改进后的DV-hop算法与之前传统的DV-hop算法相比定位更精确，分别将4种算法在Matlab2016a软件上进行仿真实验 在边长为100的正方体三维立体空间中，