论文部分内容阅读
随着无线技术的进步和微型传感技术的发展,无线传感器网络成为一种非常重要的信息收集和处理方式。节点定位是无线传感器网络应用中最关键的支撑技术。由于无线传感器网络往往被应用在环境恶劣或是人无法到达的区域,所以不可能通过人工部署提前确定节点的位置,而使用GPS或其他外部设备实现节点定位又受到成本和节点能耗的限制。因此只能通过为少数节点配备GPS定位装置,然后根据它们与其它节点的通信,使用定位算法来完成未知节点的定位。无线传感器网络节点定位算法主要分为基于测距(Range-based)的定位算法和无需测距(Range-free)的定位算法。基于测距的定位算法直接利用节点自身携带的硬件测距装置测量节点之间的距离,然后通过计算未知节点与锚节点的相对位置,得出未知节点的坐标。该类算法实现简单、定位精度高,但测距装置会增加传感器节点的成本,测距过程会增加节点的能量消耗,影响网络的使用寿命。无需测距的定位算法是根据节点之间的通信,估计出节点之间的距离,然后再计算出未知节点的坐标。在众多无需测距的定位算法中,DV-Hop算法是最受到关注的算法之一。在DV-Hop算法中,使用未知节点与锚节点之间的跳数乘以网络平均每跳距离作为它们之间的估计距离。距离估计误差受网络拓扑结构及网络中节点密度的影响,当节点密度较低时,DV-Hop算法的定位误差较大。为了解决上述问题,本文将粒子群优化算法与DV-Hop算法相结合,提出了一种基于极值扰动的简化粒子群算法(tsPSO)优化的DV-Hop算法,利用粒子群算法迭代寻优的特点,抑制距离估计误差累积对定位精度的影响。tsPSO算法通过简化标准粒子群算法的速度公式,消除了因速度项引发的粒子发散问题,从而解决了算法后期收敛速度变慢,精度偏低的问题。同时为了避免算法优化过程中早熟收敛,通过设置阈值来对极值进行随机扰动,从而引导粒子寻优。tsPSO中通过极值扰动会导致算法在寻优过程中出现收敛不稳定的现象。为了克服这一缺陷,本文提出基于聚集度变异的简化粒子群算法(csPSO),通过计算种群中粒子的聚集度,然后结合粒子间的相似度选择粒子进行变异,增加种群的多样性,从而避免算法早熟收敛。最后用该算法代替tsPSO对DV-Hop算法进行优化。最后在Matlab中进行仿真实验,并将实验结果与标准DV-Hop定位算法和基于标准PSO优化的DV-Hop算法进行了对比。实验结果表明,基于tsPSO优化的DV-Hop算法和基于csPSO优化的DV-Hop算法在定位过程中,节点定位精度都有显著提高,尤其是当锚节点比例很低时效果更加明显。相比于标准PSO优化的DV-Hop算法,本文提出的定位算法在收敛速度上也有明显的优势。在寻优稳定性方面,csPSO算法的表现比tsPSO算法更优秀。