无线传感器网络粒子群优化定位算法

发布时间：2020-02-03 16:32

【摘要】：无线传感器网络(Wireless Sensor Network, WSN)具有低成本、低功耗、自组织等特点，在众多领域如工业生产、军事侦察、农业作业、医疗设备等中得到了广泛的应用。提取的监测数据需要附带相应位置信息，否则，这些数据就失去了采集的意义。而使用接收信号强度指示(Received Signal Strength Indicator, RSSI)等传统测距技术的定位方法存在精度差等缺点，因此智能算法逐渐被用于解决定位问题。在智能定位算法中，粒子群优化定位算法和遗传定位算法以其定位精度高，算法复杂度小等特点得到了广泛应用。本文在研究遗传算法(GeneticAlgorithm, GA)，粒子群优化算法(Particle Swarm Optimization, PSO)以及多目标粒子群优化算法(Multi-ObjectiveParticle Swarm Optimization, MOPSO)的基础上，将RSSI测距技术与智能算法相结合，采用以下三种节点定位算法： (1)基于信度和几何约束的遗传定位算法。在待定位节点选择阶段，采用信度机制选出高定位精度的节点。在遗传定位阶段，为了达到缩小搜索空间，加快收敛速度的目的，通过采用几何约束的方法对初始化种群进行约束。用实数编码对遗传算法中的染色体进行编码，并以轮盘赌算法和最优保存策略结合的方式作为选择算子，同时采用算数交叉与均匀变异的方式分别作为交叉算子与变异算子。 (2)基于分级信度和早熟检验的混沌粒子群定位算法。节点的定位过程分成以下两个阶段：第一阶段依据分级信度选择高定位精度节点作为待定位节点，并采用RSSI技术测出该节点到邻居锚节点的测距距离；第二阶段根据测距距离采用PSO算法估计未知位置节点坐标，通过早熟检验，以在陷入早熟收敛的种群中启动混沌扰动机制，并通过混沌扰动解决PSO早熟收敛的问题。 (3)基于多目标粒子群的定位算法。结合帕累托最优理论，采用多目标定位模型，以空间距离约束与几何拓扑约束同时作为多目标函数，采用基于多目标粒子群的无线传感器网络定位算法。设置存储帕累托最优解的外部档案最大容量并动态维护以节省存储空间，并采用比例选择方法选取全局最优。仿真结果表明：基于信度和几何约束的遗传定位算法能有效提高定位精度并加快收敛速度；基于分级信度和早熟检验的混沌粒子群定位算法能优先定位高精度节点，并且能有效解决PSO早熟收敛问题，从而提高定位精度；基于多目标粒子群的定位算法能有效的求解多个定位目标的最优解并且加快收敛速度的同时提高定位精度。
【图文】：

示意图,原理,示意图,无线射频

江南大学硕士学位论文差。这两种传输信号速度必须不相同，一般选用超声波与无线射频。如图线射频速度和时间分别为1v 和1t ，超声波速度和时间分别为2v 和2t 。依据节点距离d ： 1 22 11 2v vd t tv v TDOA 相比于 TOA 在 WSN 中应用更为广泛，因为 TDOA 所测得的结但它对节点的硬件要求也更高。TDOA 要求节点既要具有发射无线射频信发射超声波信号，，增加了网络的成本与复杂度。此外，超声波的波长较小在传播过程中损耗较大，故无法进行远距离的传播，因此不能适应部署稀

流程图,粒子群优化算法,流程图,社会部分

1 2 2ab ab r p h k c r 1 k 子个数， b 1,2,...min, max,,D D v v ，minv 1r 和2r 为 0 到 1 之间权重，可以权衡局部为学习因子，可以使运动，适当调整这(2.15)中的第 2 项算法的社会部分。体最优以及全局最示：
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP212.9;TN929.5

【参考文献】