[发明专利]一种基于多通信半径和FOA-c的节点定位方法

说明书

本发明公开了一种基于多通信半径和FOA‑c的节点定位算法，包括以下步骤：步骤1：利用多通信半径的方法细化跳数；步骤2：利用网络平均连通度重新计算平均跳距；先用求得网络平均连通度；再计算平均每跳距离；步骤3：利用自适应权重因子优化果蝇算法(FOA‑c)求得最佳未知节点的位置坐标。本发明提出了一种自适应权重因子优化果蝇算法(FOA‑c)，FOA‑c算法能够快速收敛到全局最优，提高算法的收敛精度，在WSN节点定位算法的优化中均可应用。

技术领域

本发明属于信息科学传感器定位技术领域，尤其涉及一种基于多通信半径和FOA-c的节点定位算法。

背景技术

无线传感器网络WSN(Wireless Sensor Networks)由大量无线传感器节点组成，这些节点以自组织的方式相互协调工作，传感器节点之间可以传输信息并协作感知环境。无线传感器网络广泛应用于军事侦察、环境监测、交通路况监测、抢险救灾、医疗保障等诸多领域。在这些应用中，所获取的数据必须要有相应的位置信息，如果没有位置信息，相互传递的数据就毫无价值，失去了采集数据的意义。因此，节点定位就显得尤为重要，节点定位问题也是WSN的关键支撑技术之一。现有的定位算法根据节点定位过程中是否需要测量实际节点间的距离一般分为两类：距离相关的定位算法和距离无关的定位算法。距离相关的定位算法有基于到达时间算法(ToA)、基于到达角度算法(AoA)、基于接收信号强度指示算法(RSSI)等；距离无关的定位算法常见的有质心算法、DV-Hop算法、APIT算法和Amorphous算法等。前者对硬件要求高，因而对未知节点的定位相对准确，但是实现成本和功耗较高，且容易受到外界环境的干扰。而后者则不需要太高的硬件要求，实现成本和功耗较低，但是对未知节点的定位精度不高，因此，近些年来，诸多学者对距离无关的定位算法展开研究，希望能够将定位精度提高，使得未知节点在定位过程中能获得较为准确的位置信息。

Amorphous算法是基于非测距的定位算法，该算法的实现主要分为以下三个步骤：步骤1：计算未知节点距各锚节点的最小跳数；步骤2：计算未知节点到各锚节点的距离；步骤3：利用极大似然估计法计算自身位置。Amorphous算法与DV-Hop算有一定的相似性，都是先计算未知节点到锚节点之间的最小跳数，然后利用跳数乘以平均每跳距离估算未知节点到锚节点之间的距离，最后利用极大似然估计法计算未知节点的坐标。不同之处是，Amorphous算法在估计节点之间的距离时，将通信半径作为锚节点的平均每跳距离，而DV-Hop算法使用两锚节点之间的距离除以跳数作为锚节点的平均每跳距离。Amorphous算法的定位误差产生主要有以下三个方面：

①计算未知节点到锚节点之间的最小跳数时，结果都是整数，但已有实验表明，这大约增加了0.5个平均跳数的误差，导致算法的定位误差增大。

②由于网络节点分布的不规则性，两节点之间的距离或大或小，Amorphous算法将节点的通信半径作为平均每跳距离，导致定位误差过大。

③利用极大似然估计法求解未知节点坐标时，受初始值测量误差影响较大，小的测量误差就会导致较大的位置估计误差。

因此，针对影响Amorphous定位精度的主要原因分析，诸多学者对其进行了数学优化，或者加入智能优化算法的变体算法力求未知节点的定位精度得到提升。

果蝇优化算法(Fruit Fly Optimization Algorithm，FOA)是由的潘文超博士提出的一种演化式群智能优化算法，其基本思想来自于果蝇在自然界中的觅食行为。相较于其他物种，果蝇在嗅觉和视觉上更为敏感。因此，在觅食过程中，果蝇可以利用自身独特的嗅觉发现食物气味，并分享给周围的果蝇，比较后可以得到气味最优的果蝇个体位置，同时其他果蝇均会向该位置飞去，通过不断地迭代更新最后得到果蝇群体中的最佳位置。果蝇优化算法作为一种更简单、更鲁棒的优化算法；该算法不仅具有易于理解的特点，而且易于写入程序代码。同时，与其他算法相比，程序代码不会太长，很容易用于处理各种优化问题。因此，把果蝇优化算法运用到无线传感器网络节点定位算法中，对无线传感器网络节点定位算法提高定位精度具有重大作用和意义。