无线传感器网络分布式节点定位算法研究.doc

无线传感器网络分布式节点定位算法研究无线传感器网络由于其巨大的应用价值而具有重要的研究意义,节点定位是其关键性支撑技术之一,依据定位算法的计算过程是否分布式地发生在各个节点中,分为集中式和分布式。相比较集中式定位算法,分布式定位算法的定位过程在各个节点中进行,在时间消耗上具有优势,并且由于未知节点本身完成定位,所以其自适应性、可扩展性都比集中式定位算法更胜一筹。智能仿生算法(包括遗传算法、粒子群算法等)在寻优方面具有广泛应用,将智能算法应用于无线传感器网络节点定位领域有很多成功范例,但是智能算法带来的时间和能量的消耗也不得不引起关注。针对当前分布式定位算法定位误差大的问题以及不同的应用场景提出不同定位算法:提出DV-Hop的改进算法,主要针对传统算法中平均每跳距离的误差、未知节点和锚节点间估计距离的误差。首先通过筛选参与锚节点平均跳距计算的锚节点减小引入误差,并对其进行加权处理以提高精度;其次根据未知节点与锚节点之间的跳数计算未知节点平均跳距;最后依据平均跳距作用域,计算锚节点到未知节点的距离。改进算法相比传统DV-Hop定位算法和其它改进算法,其定位误差较小。通过粒子群算法优化DV-Hop定位算法可以进一步提高定位精度,但是由于粒子易陷入局部最优而导致较大的定位误差,对此,提出了结合遗传粒子群的DV-Hop定位(GAPSO-DV-Hop)算法。首先根据最大理想跳数筛选锚节点,计算加权平均每跳距离,权重采用锚节点之间距离、最小跳数、以及通信半径构成;其次,用遗传机制改进粒子群算法以代替最小二乘法,所作改进包括使用前摄估计缩小粒子搜索范围、根据遗传算法中的交叉策略生成待交叉粒子队列,并在每次迭代后选取最差个体做动态变异。在相同环境下,本章提出的GAPSO-DV-Hop算法的定位效果优于传统算法及其他改进算法。DV-Hop定位算法本身时间和通信消耗较大,在锚节点比例较高的情况下,质心算法作为一种广泛应用的分布式定位算法具有参数简单,时间消耗小的优点。利用质心算法、遗传算法和RSSI技术的结合,提出质心遗传定位算法,首先利用RSSI技术改进质心定位算法,根据锚节点与未知节点间的距离实现加权定位,对于周围没有锚节点的未知节点,按照条件升级已定位的未知节点为次锚节点,通过改进的质心定位算法实现初步定位后,再利用改进的遗传算法实现节点的精确定位,对遗传算法的改进包括对个体初始化、选择复制、自适应交叉和变异策略。在锚节点比例较高时,相比其他改进算法,质心遗传算法有效提高了定位精度。研究的三种改进算法在不同的应用场景下提高了定位精度,具有广泛的应用前景。