基于自适应调整策略灰狼算法的DV-Hop定位算法
发布时间：2021-01-05 09:00
针对无线传感器网络传统距离-矢量（DV-Hop）算法中最小二乘法估计误差过大的问题,提出了一种改进灰狼优化（Grey Wolf Optimization,GWO）算法与DV-Hop融合的算法。首先,利用传统的DV-Hop算法估算出信标节点与各未知节点间的距离。其次,用具有自适应策略的改进GWO算法代替最小二乘法来估算未知节点的位置,所做改进包括初始化狼群个体时引入佳点集,以提高初始种群的遍历性;为了加快种群位置的更新速度,对控制参数a采取自适应调整策略,并根据α,β和σ的适应度值加权更新种群位置。最后,采取镜像策略对估算出的越界节点进行处理。实验结果表明,相比于传统DV-Hop算法、文献[1]的算法和文献[2]的算法,所提算法的定位精度更高,稳定性更好。
【文章来源】：计算机科学. 2019年05期 北大核心
【文章页数】：6 页
【部分图文】：
图２灰狼种群等级金字塔示意图Ｆｉｇ．２Ｓｋｅｔｃｈｍａｐｏｆｇｒｅｙｗｏｌｆｐｏｐｕｌａｔｉｏｎｇｒａｄｅｐｙｒａｍｉｄ
，Ｃ（ｒ，ε）是只与ｒ和ε有关的常数，且ε为无穷小量。应用时，取ｒｋ＝｛２ｃｏｓ（２πｋｐ），１≤ｋ≤ｓ｝，ｐ为满足（ｐ－３）２≥ｓ的最小素数。图３、图４对采用佳点集法与随机法产生的初始个体进行了对比。从图中可以看出，相比于随机法，佳点集法能够使初始点分布更加均匀，让初始种群具有更好的遍历性。理论［１９］上已证明，用ｎ个佳点构成的加权和比采用任何其他ｎ个点所得到的误差都小。图３佳点集法产生的初始群（Ｎ＝１００）Ｆｉｇ．３Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｇｏｏｄ－ｐｏｉｎｔｓｍｅｔｈｏｄ（Ｎ＝１００）图４随机法产生的初始群（Ｎ＝１００）Ｆｉｇ．４Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｒａｎｄｏｍｍｅｔｈｏｄ（Ｎ＝１００）３．３自适应调整策略根据ＧＷＯ的原理，该算法在迭代初期具有较快的收敛速度，但随着迭代次数的不断增加，算法很容易陷入局部优化，使得收敛速度减慢。由２．１节的分析可知，控制参数α对算法收敛速度的影响较为关键。因此，本文提出了一种针对控制参数α的自适应调整策略。由文献［２０］可知，采用正弦曲线、正切曲线和对数曲线对粒子群惯性权重进行调整的寻优效果优于传统的调整策略。受此启发，本文提出了一种基于余弦曲线的非线性调整策略。在传统的ＧＷＯ算法中，控制参数α依据式（１１）进行非线性递减，本文利用余弦函数在区间［０，π／２］上非线性递减的特性来构造控制参数α的调
，令ｒ∈Ｇｔ，得到点集Ｐｎ（ｋ）＝｛（ｒ１·ｋ，ｒ２·ｋ，…，ｒｔ·ｋ，１≤ｋ≤ｎ｝的偏差?（ｎ），若满足?（ｎ）＝Ｃ（ｒ，ε）ｎ－１＋ε，那么就称Ｐｎ（ｋ）为佳点集，ｒ为佳点。其中，Ｃ（ｒ，ε）是只与ｒ和ε有关的常数，且ε为无穷小量。应用时，取ｒｋ＝｛２ｃｏｓ（２πｋｐ），１≤ｋ≤ｓ｝，ｐ为满足（ｐ－３）２≥ｓ的最小素数。图３、图４对采用佳点集法与随机法产生的初始个体进行了对比。从图中可以看出，相比于随机法，佳点集法能够使初始点分布更加均匀，让初始种群具有更好的遍历性。理论［１９］上已证明，用ｎ个佳点构成的加权和比采用任何其他ｎ个点所得到的误差都小。图３佳点集法产生的初始群（Ｎ＝１００）Ｆｉｇ．３Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｇｏｏｄ－ｐｏｉｎｔｓｍｅｔｈｏｄ（Ｎ＝１００）图４随机法产生的初始群（Ｎ＝１００）Ｆｉｇ．４Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｒａｎｄｏｍｍｅｔｈｏｄ（Ｎ＝１００）３．３自适应调整策略根据ＧＷＯ的原理，该算法在迭代初期具有较快的收敛速度，但随着迭代次数的不断增加，算法很容易陷入局部优化，使得收敛速度减慢。由２．１节的分析可知，控制参数α对算法收敛速度的影响较为关键。因此，本文提出了一种针对控制参数α的自适应调整策略。由文献［２０］可知，采用正弦曲线、正切曲线和对数曲线对粒子群惯性权重进
【参考文献】：
期刊论文
[1]遗传粒子群优化的DV-Hop定位算法[J]. 高美凤,李凤超. 传感技术学报. 2017(07)
[2]基于跳距与改进粒子群算法的DV-Hop定位算法[J]. 范时平,罗丹,刘艳林. 传感技术学报. 2016(09)
[3]嵌入遗传算子的改进灰狼优化算法[J]. 徐松金,龙文. 兰州理工大学学报. 2016(04)
[4]基于口令应答的协作式WSNs移动复制节点检测方法研究[J]. 吴海兵,顾国华,朱岳超,周杰,黎明曦. 传感技术学报. 2016(07)
[5]一种基于误差距离加权与跳段算法选择的遗传优化DV-Hop定位算法[J]. 程超,钱志鸿,付彩欣,刘晓慧. 电子与信息学报. 2015(10)
[6]改进的无线传感器网络DV-Hop定位算法[J]. 陈万志,张洋. 计算机工程与应用. 2016(10)
[7]求解约束优化问题的改进灰狼优化算法[J]. 龙文,赵东泉,徐松金. 计算机应用. 2015(09)
[8]基于改进粒子群算法的无线传感器网络节点定位[J]. 于泉,孙顺远,徐保国,陈淑娟. 计算机应用. 2015(06)
[9]基于RSSI跳数修正的DV-Hop改进算法[J]. 温江涛,范学敏,吴希军. 传感技术学报. 2014(01)
[10]聚类佳点集交叉的约束优化混合进化算法[J]. 龙文,梁昔明,徐松金,陈富. 计算机研究与发展. 2012(08)
本文编号：2958392
【文章来源】：计算机科学. 2019年05期 北大核心
【文章页数】：6 页
【部分图文】：
图２灰狼种群等级金字塔示意图Ｆｉｇ．２Ｓｋｅｔｃｈｍａｐｏｆｇｒｅｙｗｏｌｆｐｏｐｕｌａｔｉｏｎｇｒａｄｅｐｙｒａｍｉｄ
，Ｃ（ｒ，ε）是只与ｒ和ε有关的常数，且ε为无穷小量。应用时，取ｒｋ＝｛２ｃｏｓ（２πｋｐ），１≤ｋ≤ｓ｝，ｐ为满足（ｐ－３）２≥ｓ的最小素数。图３、图４对采用佳点集法与随机法产生的初始个体进行了对比。从图中可以看出，相比于随机法，佳点集法能够使初始点分布更加均匀，让初始种群具有更好的遍历性。理论［１９］上已证明，用ｎ个佳点构成的加权和比采用任何其他ｎ个点所得到的误差都小。图３佳点集法产生的初始群（Ｎ＝１００）Ｆｉｇ．３Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｇｏｏｄ－ｐｏｉｎｔｓｍｅｔｈｏｄ（Ｎ＝１００）图４随机法产生的初始群（Ｎ＝１００）Ｆｉｇ．４Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｒａｎｄｏｍｍｅｔｈｏｄ（Ｎ＝１００）３．３自适应调整策略根据ＧＷＯ的原理，该算法在迭代初期具有较快的收敛速度，但随着迭代次数的不断增加，算法很容易陷入局部优化，使得收敛速度减慢。由２．１节的分析可知，控制参数α对算法收敛速度的影响较为关键。因此，本文提出了一种针对控制参数α的自适应调整策略。由文献［２０］可知，采用正弦曲线、正切曲线和对数曲线对粒子群惯性权重进行调整的寻优效果优于传统的调整策略。受此启发，本文提出了一种基于余弦曲线的非线性调整策略。在传统的ＧＷＯ算法中，控制参数α依据式（１１）进行非线性递减，本文利用余弦函数在区间［０，π／２］上非线性递减的特性来构造控制参数α的调
，令ｒ∈Ｇｔ，得到点集Ｐｎ（ｋ）＝｛（ｒ１·ｋ，ｒ２·ｋ，…，ｒｔ·ｋ，１≤ｋ≤ｎ｝的偏差?（ｎ），若满足?（ｎ）＝Ｃ（ｒ，ε）ｎ－１＋ε，那么就称Ｐｎ（ｋ）为佳点集，ｒ为佳点。其中，Ｃ（ｒ，ε）是只与ｒ和ε有关的常数，且ε为无穷小量。应用时，取ｒｋ＝｛２ｃｏｓ（２πｋｐ），１≤ｋ≤ｓ｝，ｐ为满足（ｐ－３）２≥ｓ的最小素数。图３、图４对采用佳点集法与随机法产生的初始个体进行了对比。从图中可以看出，相比于随机法，佳点集法能够使初始点分布更加均匀，让初始种群具有更好的遍历性。理论［１９］上已证明，用ｎ个佳点构成的加权和比采用任何其他ｎ个点所得到的误差都小。图３佳点集法产生的初始群（Ｎ＝１００）Ｆｉｇ．３Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｇｏｏｄ－ｐｏｉｎｔｓｍｅｔｈｏｄ（Ｎ＝１００）图４随机法产生的初始群（Ｎ＝１００）Ｆｉｇ．４Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｒａｎｄｏｍｍｅｔｈｏｄ（Ｎ＝１００）３．３自适应调整策略根据ＧＷＯ的原理，该算法在迭代初期具有较快的收敛速度，但随着迭代次数的不断增加，算法很容易陷入局部优化，使得收敛速度减慢。由２．１节的分析可知，控制参数α对算法收敛速度的影响较为关键。因此，本文提出了一种针对控制参数α的自适应调整策略。由文献［２０］可知，采用正弦曲线、正切曲线和对数曲线对粒子群惯性权重进
【参考文献】：
期刊论文
[1]遗传粒子群优化的DV-Hop定位算法[J]. 高美凤,李凤超. 传感技术学报. 2017(07)
[2]基于跳距与改进粒子群算法的DV-Hop定位算法[J]. 范时平,罗丹,刘艳林. 传感技术学报. 2016(09)
[3]嵌入遗传算子的改进灰狼优化算法[J]. 徐松金,龙文. 兰州理工大学学报. 2016(04)
[4]基于口令应答的协作式WSNs移动复制节点检测方法研究[J]. 吴海兵,顾国华,朱岳超,周杰,黎明曦. 传感技术学报. 2016(07)
[5]一种基于误差距离加权与跳段算法选择的遗传优化DV-Hop定位算法[J]. 程超,钱志鸿,付彩欣,刘晓慧. 电子与信息学报. 2015(10)
[6]改进的无线传感器网络DV-Hop定位算法[J]. 陈万志,张洋. 计算机工程与应用. 2016(10)
[7]求解约束优化问题的改进灰狼优化算法[J]. 龙文,赵东泉,徐松金. 计算机应用. 2015(09)
[8]基于改进粒子群算法的无线传感器网络节点定位[J]. 于泉,孙顺远,徐保国,陈淑娟. 计算机应用. 2015(06)
[9]基于RSSI跳数修正的DV-Hop改进算法[J]. 温江涛,范学敏,吴希军. 传感技术学报. 2014(01)
[10]聚类佳点集交叉的约束优化混合进化算法[J]. 龙文,梁昔明,徐松金,陈富. 计算机研究与发展. 2012(08)
本文编号：2958392
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2958392.html
