[发明专利]一种基于粒子群与野草组合算法的室内定位信号源部署优化方法

说明书

本发明涉及一种基于粒子群与野草组合算法的室内定位信号源部署优化方法，本发明将粒子群算法与野草算法结合起来，提出了一种更为科学合理的定位信号源部署方法，使其既具有一定的搜索深度，又具有一定的搜索广度。该组合算法首次应用在室内定位信号源部署优化领域，使得在获得精准定位的同时节约了成本。本发明是一种仿真方法，建筑物及其属性、信号源模型等都是仿真的。

技术领域

本发明属于室内定位技术领域，尤其涉及一种定位误差小，成本低的信号源部署方法。

背景技术

定位技术分为室外定位和室内定位两种。室外定位技术主要有全球定位系统GPS、北斗卫星导航系统等。GPS起始于1958年美国军方的一个项目，于1994年全面建成，具有在海、陆、空进行全方位实时三维导航与定位的能力。北斗导航系统是覆盖中国本土的区域导航系统。GPS与北斗都是使用卫星来完成定位的。在室内环境下，用户通常也需要定位自己所在的位置，例如，在大型商场中，用户利用定位系统定位当前的位置，然后按照地图寻找自己需要的商品。然而，在室内环境中，卫星信号穿透建筑物墙壁后，信号衰减非常严重，并且室内建筑物较多，环境比较复杂，进一步引起信号的衰减。因此室外定位技术无法应用于室内环境中。室内定位技术主要有蓝牙室内定位技术、Wi-Fi定位、超宽带定位、LED定位、超声波定位、RFID定位、红外线定位、ZigBee定位等。

定位技术都需提前部署信号源。传统的信号源部署主要采用均匀部署的方法。若部署得过少或部署不合理，容易造成定位不精准；若部署的过于密集，则造成了不必要的成本浪费。

为了在获得精准定位的同时，所花费的成本较少，可对信号源部署方案通过优化算法进行优化。目前已应用到室内定位信号源部署领域的优化算法有最大最小覆盖部署方法和基于克拉美-劳最小误差界的部署方法。最大最小覆盖算法因采用了贪心算法，容易陷入局部最优。而克拉美君界描述的是对用户位置估计的方差下界，将其作为当前环境下信号源部署优化程度的目标函数，并使用模拟退火算法进行迭代优化。因此，基于克拉美罗界的部署方法通常收敛速度慢，执行时间长。

除上述算法之外，还有遗传算法、粒子群算法、人工免疫算法等优化算法。遗传算法被人们广泛的应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域，但是其效率通常比较低，并且容易出现过早收敛。截至目前，遗传算法已应用到室内定位信号源部署优化领域。粒子群算法目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域。粒子群算法具有很好的搜索深度，但其搜索广度不足，因此容易陷入局部最优。人工免疫算法已应用于机器学习、异常和故障诊断、机器人行为仿真、机器人控制、网络入侵检测等领域，但仍然存在一些问题，比如：算法的收敛性和稳定性不足并且算法的执行效率有待提高。

发明内容

针对上述存在的技术问题，本发明提供了一种信号源部署优化方法，使得室内定位精确并且成本较少。

本发明将粒子群算法与野草算法结合起来，提出了一种更为科学合理的定位信号源部署方法，使其既具有一定的搜索深度，又具有一定的搜索广度。该组合算法首次应用在室内定位信号源部署优化领域，使得在获得精准定位的同时节约了成本。本发明是一种仿真方法，建筑物及其属性、信号源模型等都是仿真的。

为达到上述目的，本发明采用如下的技术方案：

一种基于粒子群与野草组合算法的室内定位信号源部署优化方法，其特征在于，包括：

步骤1、部署原始信号源，并为进行室内定位进行信号的预采集与处理；

步骤2、使用粒子群算法中的初始化群体的方法，初始化群体中粒子包含的信号源的个数、粒子的位置和速度；

步骤3、使用指纹定位算法得到当前粒子所代表信号源部署方案的定位误差，计算出当前粒子的目标函数值，并将所有粒子按目标函数值从小到大排序；