近来,由于微机电、微处理器、通讯等技术以及操作系统的飞快发展,无线传感器技术(wireless sensor network,WSN)也取得了巨大进步。由于该技术的重要地位,它不仅被认为是关乎人类社会的四大技术之首,并且得到各行各业重点关注。WSN网络需要众多其他技术的支撑,节点定位便是其中关键的一项,我们通常使用定位误差作为衡量网络性能好坏的评价标准。现有使用方便且精度高的定位方法即基于信号强度指示(received signal intensity indicator,RSSI)利用通信芯片且不需要额外设备,因而被广泛使用。但是由于测距中存在误差,众多专家学者将无线传感器的定位问题建模成求测距误差最小值的优化问题来降低误差,本文将改进智能优化算法应用于节点位置估计的优化问题,以降低误差对定位性能的干扰,提高定位的精度。智能优化算法模拟地球上生物的行为,是一类具有自我学习、自我组织的方法集合,适合于大规模问题求解,具有并行性、自适应优势,已经大规模用在各种学科领域。但是单一智能算法往往存在容易陷入局部最小值、寻优速度慢、精度低等缺点,本文改进智能优化算法的全局寻优能力和局部搜索能力,使其能确保定位精度高的前提下更快地收敛。本文主要研究工作如下:(1)在WSN网络节点定位问题上提出了一种混合粒子群(particle swarm optimization,PSO)和差分进化优化(differential evolution,DE)算法。由于传统PSO优化算法较易陷入局部解空间却无法跳出等缺点的基础上提出一种混合PSO和差分进化的(hybrid particle swarm optimization-differential evolution,HPSO-DE)方法。首先在PSO优化算法中引入惯性权重的自适应更新策略,以兼顾PSO的开发和勘探能力,在种群经过PSO进化后,然后根据提前设定的阈值,将其分为适应度值较大的Su种群和适应度值较小的In种群,In中的粒子使用DE算法继续优化。HPSO-DE算法结合PSO算法和DE算法的优点,达到较好的性能。然后用标准测试函数来检测该算法的性能,验证结果表明所提出的HPSO-DE在寻优速度和收敛精度较PSO和DE而言都有了较大提高。接下来将HPSO-DE方法应用到WSN网络节点定位场景上,从实验测试结果可以看出,其精度相比PSO平均提高了 0.5m左右,在定位上具有更大的优势。(2)在WSN网络定位问题中提出了利用差异进化的遗传算法(differential evolution geneticalgorithm,DEGA)。由于单一(geneticalgorithm,GA)算法往往存在迭代次数多、局部开发能力差、精度低等缺点,在基本GA算法的基础上,提出了差异进化机制,以此兼顾算法的迭代次数和收定位误差。然后用标准检验函数来检测该算法的性能,验证结果显示所提出 DEGA 在迭代速度和定位性能较(direction and frequency of arrival,DFOA)和(chaos bat algorithm,CBA)而言都有了较大提高。接下来将该改进方法应用到WSN网络节点定位场景上,从实验仿真的结果可知,其精度相比CBA平均提高了 0.7m左右,定位精度更高。