基于dv-hop测距修正的动态调偏差分进化算法.docxVIP

基于dv-hop测距修正的动态调偏差分进化算法 1 总结 随着广义能源技术的发展，无线传感器网络（wtss）已广泛应用于矿山监测、病人跟踪和定位、港口集装箱定位等。 文献 2 未知节点与锚节点间距离 DV-Hop算法包含以下3个步骤 步骤1：锚节点广播含有自身位置及初始值为0跳的信标列表，逐跳转发，跳数依次递增，节点仅保留最小跳数。 步骤2：该步计算跳段距离，各锚节点平均跳距 式中：N为锚节点总个数；（x 步骤3：利用两点间距离公式列出方程为 式中：（x,y）表示未知节点坐标；（x 由最小二乘法解得未知节点位置坐标（x,y）为 在WSNs实际应用中，节点随机非均匀部署在监测区域，因此在锚节点通信半径内，未知节点与锚节点的距离并不相等，然而按照经典DV-Hop算法，二者的距离是相等的。如图1所示，i、j和k代表锚节点，数字1～8代表未知节点。未知节点3、4与锚节点j的实际距离并不相等，但均位于锚节点j的通信半径R之内，因此未知节点3、4与锚节点j的跳距为R。经典DV-Hop算法在计算跳距时，用两点间的折线代替直线，中间跳数越多，估算误差也越大。在图1中节点i与j的实际距离略大于通信半径，但在DV-Hop算法中却是4跳的距离。因此经典的DV-Hop算法本身存在较大的定位误差。 3 idv-botel算法的思想 3.1 测距误差分析 在求解待定位节点与锚节点的距离时，采用距离该未知节点最近的锚节点平均跳距作为自己的平均跳距乘以最小跳数，忽略了锚节点周围网络分布的差异性，故将带来大的测距误差。本文提出的算法先采用三种通信半径同时广播锚节点位置信息，再依据节点分布情况计算出测距修正因子，最后选取相对应的通信半径修正测距值。 3.2 实验向量的生成 差分进化算法 以下是动态调参差分进化算法的计算步骤。 步骤1：种群初始化。由于1个未知节点对应3个种群个体，故随机生成3 N 式中：g 步骤2：变异操作。变异是差分进化算法的核心，变异向量为 式中：F（·）为变异因子；i,r 式中：T为最大迭代次数；F 步骤3：交叉操作。将变异向量和目标向量进行交叉操作，生成实验向量u 式中：γ为位于[0,1]间产生的均匀分布的随机数；δ 式中：C 步骤4：选择操作。通过合理的适应度函数比较实验向量u 适应度函数小的向量将在下一代出现。本文设置的适应度函数f可表示优化坐标到锚节点的距离与跳距的差值，差值越小，定位误差越小，该优化值就越接近真实位置，表达式为 式中：（u 3.3 未知节点估计位置 将DV-Hop算法的未知节点定位问题转换为距离优化问题。先利用改进后的跳数及远近度变量对测距值进行修正，再利用提出的动态参数差分进化算法优化未知节点的估计位置，每次迭代更新都要比较目标个体与实验个体的适应度函数值大小，选取适应度值小的个体作为子代。IDV-HopDPDEL算法流程如图3所示，T 4 idv-hop-dpdel算法的定位精度 利用MATALAB建立仿真平台，WSNs的节点分布区域为100m×100m，且所有节点均随机分布，仿真参数如表1所示，衡量定位算法性能好坏的指标有平均定位误差以及定位精度这两种 式中：N-M为未知节点数量；（x 图4为WSNs节点分布图，所有节点位于100m×100 m的正方形监测区域内，传感器节点随机部署，未知节点设为90个，用圆圈表示，锚节点为10个，用五角星表示，节点通信半径均为45 m。图5为不同算法下未知节点的归一化定位误差三维图，DV-Hop算法用圆圈表示，平均定位误差为0.64,IDV-Hop-DPDEL算法则用五角星表示，平均定位误差为0.31，相比DV-Hop算法，IDV-HopDPDEL算法的定位误差下降了51.56%，由此表明本文提出的IDV-Hop-DPDEL算法的定位精度明显提升。 图6为仅修正测距值的节点定位误差，其节点最大定位误差为35 m，最小定位误差为0.5 m,90个未知节点的平均定位误差为7.19m。 图7为仅在经典DV-Hop算法的基础上采用DPDEL算法优化的未知节点坐标，其节点最大定位误差为25m，最小定位误差为1 m，平均定位误差为8.61m。 图8为IDV-Hop-DPDEL算法的节点定位误差图，其最大定位误差为11.58m，最小定位误差为0.29m，平均定位误差为4.28m。 图9表示监测区域随机部署100个传感器节点，锚节点所占比例分别为5%、10%、15%、20%、25%、30%、35%、40%、45%时4种算法的平均定位误差对比。在保证其他参数不变的情况下，4种算法曲线走势均随锚节点数量增加而下降，本文提出的IDV-Hop-DPDEL算法下降程度明显大于其余3种算法，当锚节点占比为12.5%的时候，IDV-HopDPDEL算法较经典DV-Hop算法定位误差低38%，比MEACS