混沌粒子群和差分进化算法的xmli质心定位算法.docxVIP

混沌粒子群和差分进化算法的xmli质心定位算法 无线传感器网络（无线传感器网络）是由大量传感器通过自组织或多跳转组成的无线网络。它具有高效率和可扩张性，是一种由许多传感器组成的无线网络。传感器类型众多，在军事作战、环境监测、室内监控等领域具有广阔的应用前景。然而在真实环境中抛洒大量带有GPS定位的节点会导致成本过高，并且传感器的使用环境大多较为苛刻，无法保证所有的传感器都带有GPS定位。因此，节点的定位技术成为WSN领域的关键技术之一，而提高节点的定位精度则成为WSN领域中的一大热点。 无线传感器网络定位大致分为两类，基于测距的range-based定位与无需测距的range-free定位 目前，国内外学者对于传感器网络中的节点定位问题已经取得了诸多研究成果。Singh等 传统的质心定位算法的定位原理是将多个锚节点连接起来组成一个多边形，多边形质心的位置即为估算的未知节点的位置，即未知节点的坐标为多个锚节点坐标求和取平均值。质心算法实现容易，耗费成本较低，但定位精度也较低。所以在现有研究的基础上，本文将混合粒子群（Particle swarm optimization,PSO）与差分进化算法（Difference algorithm,DE）以及基于RSSI测距的质心算法相结合，建立以未知节点坐标为参数的适应度函数；并利用混沌搜索的随机性、遍历性以及动态变化的惯性权重来提高算法的搜索能力，进一步减小节点的定位误差。 1 在线搜索算法和xsb 1.1 自由空间传输模型 无线传感器网络中的信号传播模型主要包括3种：自由空间传输模型（Free space propagation model) 式中：PL(d 1.2 周围锚节点的影响 传统的质心算法是由距离未知节点最近的几个锚节点（x 质心算法实现简单，但未知节点的定位容易受到周围锚节点数量的影响。周围的锚节点越多，定位精度越高。反之，定位精度则较低。 为了防止单个锚节点对未知节点的位置测量影响较大，加权质心算法 2 优化算法是psode-rri 2.1 适应度函数的循环迭代 适应度函数是节点定位技术中的误差评价标准。为了减小定位误差，需要多次进行循环迭代求出适应度函数的最小值。本文适应度函数的构建选取距离未知节点最近的三个锚节点（x 根据RSSI测距得到的三个锚节点与未知节点的真实距离为d f值越小，节点定位精度越高。 2.2 优化差分法的pso-de-原理 粒子群算法参数设置简单，搜索速度快，但在种群规模大，搜索空间维度高时，种群中个体的差异会随着时间的推移而减小，从而陷入局部最优解无法跳出。差分进化算法会随机选择种群中的个体来构造差分向量，将产生的变异个体与原始种群中的个体进行交叉操作构造后代，并选择种群中适应度较好的个体来更新种群。粒子群算法进行快速寻优后，可以通过差分进化算法继续进行优化，使得陷入局部最优的个体快速跳出当前区域，进而探索全局最优解。 本文采用的PSO-DE-RSSI算法，先通过RSSI测距找到与未知节点最近的三个锚节点，利用三个锚节点构造三角形，并设置群粒子在三角形的质心位置；再将粒子群与差分进化算法相结合并进行混沌搜索，去计算未知节点的位置。PSO-DE-RSSI算法的步骤： 步骤1：初始化种群，设置种群规模与最大迭代次数，初始化粒子的位置x(t)与速度v(t)，计算种群中每个粒子的适应度值。 步骤2：更新粒子的速度与位置 步骤3：计算种群的平均适应度，将种群中适应度值较高的个体执行差分进化算法中的变异、交叉、选择操作。 变异：在每次迭代中随机生成三个染色体x 交叉：将第t代的种群个体x 选择：选择父代个体与交叉后的种群中适应度较小的个体 步骤4：将原始种群中低于平均适应度的个体，与经过差分进化算法更新后的种群进行合并。 步骤5：在每代的最优解附近进行混沌搜索，将混沌搜索后得到的个体与每代最优解进行适应度比较，取适应度最优的个体。 步骤6：判断算法是否满足最大迭代次数，如果满足则比较每代最优解的适应度值，取适应度值最低的个体作为全局最优解输出，否则返回步骤2继续进行迭代。 算法流程如图1所示。 3 提高算法 3.1 改进的局部搜索能力 惯性权重是粒子群算法中评价粒子速度的重要参数，惯性权重越大，粒子的速度越快，粒子的全局搜索能力就会越强。惯性权重越小，粒子的速度越小，粒子就会具有较强的局部搜索能力。 惯性权重不变的粒子群算法虽然具有较快的收敛速度，但后期容易陷入局部最优。Shi等提出了惯性权重线性递减的策略 式中：ω 本文在惯性权重的递减公式中加入正态函数，对式（10）进行改进，让惯性权重按照正态函数递减的方式进行变化，使前期的惯性权重变化较快，算法的收敛速度降低，容易获得局部最优解；使后期惯性权重变化较慢，提高算法的收敛速度。 式中：a,b为常数，可根据