CN109379780B - 基于自适应差分进化算法的无线传感器网络定位方法 - Google Patents
基于自适应差分进化算法的无线传感器网络定位方法 Download PDFInfo
- Publication number
- CN109379780B CN109379780B CN201811233765.4A CN201811233765A CN109379780B CN 109379780 B CN109379780 B CN 109379780B CN 201811233765 A CN201811233765 A CN 201811233765A CN 109379780 B CN109379780 B CN 109379780B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- lsc
- individual
- gsc
- evolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线传感器网络和智能计算领域,涉及一种基于自适应差分进化算法的无线传感器网络定位方法,该方法在基本差分进化算法的基础上,将邻域信息和历史搜索信息融入编码之中,并引入一个自适应控制机制,基于自适应差分进化算法,结合自适应协方差矩阵进化策略,是一种高效的无线传感器网络定位方法。本发明提出自适应机制来控制全局搜索和局部搜索,通过融合差分进化算法较强的全局搜索能力以及自适应协方差矩阵进化策略优秀的局部搜索能力,使得无线传感器网络定位精度更高、鲁棒性更好。
Description
技术领域
本发明涉及无线传感器网络和智能计算领域,主要涉及一种基于自适应差分进化算法的无线传感器网络定位方法。
背景技术
定位技术是无线传感器网络的关键技术之一,最简单的定位技术是给每个传感器配备一个全球定位***,以此获取位置信息,但这样会导致成本过高、消耗能量大的问题,因此网络的设计者通常只给极少量的传感器配备定位装置使它们可以精确获得自身的位置,这些传感器又称为锚点。无线传感器网络的节点定位依靠这些锚点的位置信息和节点之间的距离信息等来估测网络中其它传感器节点的位置信息。
由于受到传感器节点计算能力、消耗能量以及通信带宽等的限制,设计出高效的定位算法成为无线传感器网络研究领域中的热点问题。按照定位过程是否需要节点测量距离,可以将当前提出的定位算法分为两类:距离相关和距离无关。距离相关算法需要获取节点之间的距离或角度信息,然后再通过三角测量、三边测量或者极大似然估计等数学方法求出节点的位置,典型的算法有TOA、AOAO和TDOA等。距离相关算法能提供较为精确的定位,但是对传感器的硬件要求较高,而距离无关算法则无需测量节点间的距离或角度信息,采用间接的方法如网络跳数、网络连通度等来估计节点的位置。虽然距离无关算法的定位精度相对较低,但是降低了节点的硬件要求,减少了节点的功耗和成本,在实际应用中能满足粗粒度的定位要求,典型的算法有质心算法、凸规划、APIT和MDS-MAP等。无线传感器网络的定位是一个复杂的多峰优化问题,传统的算法很容易陷入局部最优解。近年来,陆续有学者尝试采用进化算法来优化无线传感器网络的定位精度,例如遗传算法(GA)、粒子群算法(PSO)和差分进化算法(DE)等。
在实际应用中,由于受噪音因素的影响,传统的确定性定位算法难以求得高精度的定位结果,使得无线传感器网络定位精度不高且鲁棒性不高。
发明内容
针对现有技术的不足,本发明提供一种基于自适应差分进化算法的无线传感器网络定位方法,该方法基于自适应差分进化算法,结合自适应协方差矩阵进化策略(CMA-ES),是一种高效的无线传感器网络定位方法。本发明提出通用的自适应机制来控制全局搜索和局部搜索,通过融合差分进化算法较强的全局搜索能力以及自适应协方差矩阵进化策略优秀的局部搜索能力,使得无线传感器网络定位精度更高、鲁棒性更好。
本发明基于自适应差分进化算法的无线传感器网络定位方法包括:
S1初始化算法的参数,并产生NP个随机个体作为差分进化算法的初始种群;
S2执行全局搜索模块GSC,采用差分进化算法的搜索机制来实现全局搜索,即利用差分进化算法的变异操作、交叉操作和选择操作产生NP个新个体;
S3执行步骤S2一定代数后更新GSC的进化效率,如果符合条件C1则执行步骤S4;反之,如果算法达到结束条件则终止,否则继续执行步骤S2;
S4执行局部搜索模块LSC,即从当前的种群中选择出一个具有最大进化效率的个体,对其应用自适应协方差进化策略CMA-ES的搜索机制进行局部优化操作;
S5执行步骤S4一定代数后更新LSC的进化效率,如果符合条件C2则继续执行步骤S4;反之,如果算法达到结束条件则终止,否则执行步骤S2。
进一步地,本发明无线传感器网络定位方法的个体编码方式扩展为两部分:第一部分包含一个代表性的解,该部分的信息将在一个全局优化模块GSC的运作下进行搜索;第二部分包含一个随机区域,该部分的信息将在一个局部优化模块LSC进行下局部优化。编码方式中一个个体表达成如下公式的形式:
其中:X是该个体所包含的代表性解;m是多元高斯分布的均值向量;C是协方差矩阵;σ是变异步长;pC和pσ分别是C和σ的进化路径;是对LSC的进化效率的评估值,用于判断自适应控制算法是否继续执行GSC或LSC。
其中A代表着GSC或者LSC;Apbest是在执行评估前算法A所找到的最优适应度;Acbest是算法在执行评估过程后算法找到的最优适应度;△则为执行评估过程所需要的适应度评估次数。
其中A代表着GSC或者LSC;Apbest是在执行评估前算法A所找到的最优适应度;Acbest是算法在执行评估过程后算法找到的最优适应度;△则为执行评估过程所需要的适应度评估次数。为了不失一般性,假设待求解的问题是一个最小化问题,而且其适应度都为非负,因此表示算法A比算法B具有更好的进化效率。
基于上述算法进化效率的评估函数,“C1”定义为:
其中rand(0,1)返回一个0和1之间服从均匀分布的随机数;ω∈[0,1]是一个预定义的参数。“C1”意味着算法在满足以下的三个条件中任何一条时,将暂停执行GSC转而执行LSC:
1)算法在区域首次执行LSC;
2)GSC的进化效率低于LSC的进化效率;
3)随机产生的一个0到1之间的随机数的值小于ω。
引入ω是为了使得算法在LSC的进化效率低于GSC的进化效率时依然能够有较小的概率执行LSC。这样,算法可以有机会更新LSC的进化效率,以降低由于评估失误所带来的损失。
相应地,“C2”定义为:
条件“C2”意味着当LSC的进化效率高于GSC的进化效率且随机产生一个0和1之间的随机数的值大于ω时,将继续执行LSC,否则执行GSC。这样设置的目的是:当LSC的效率足够高时(即完成局部深度搜索)或者随机小概率情况(rand(0,1)<ω)下,转向全局搜索,广度搜索有更优解的区域。
相对现有技术,本发明具有如下有益效果:本发明利用差分进化算法是一种基于种群的智能算法,具有较强的全局搜索能力的特点,在基本差分进化算法的基础上,将邻域信息和历史搜索信息融入编码之中,并引入一个自适应控制机制,有效提高了算法的求解速度和精度。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1为本发明无线传感器网络定位方法的自适应控制策略示意图;
图2为本发明无线传感器网络定位方法整体流程图。
具体实施方式
下面通过具体实施方式对本发明作进一步详细的描述,但本发明的实施方式并不限于此。
本实施例中,设有一个100m×100m的矩形检测区域中部署n个传感器{s1,s2,…,sn}和m个锚点{sn+1,sn+2,…,sn+m},所有节点(包括传感器节点和锚点)都具有相同的通信半径r,而且每个节点可以估计出在它的通信范围内的节点与该节点的距离。由于物理噪音的存在,估计出的距离与真实的距离dij具有如下关系:
其中τ∈[0,1]是噪音系数,而θ是一个服从标准正态分布的随机数。无线传感器网络的节点定位问题要求通过已知位置的锚点以及点与点之间的距离信息,估计出所有传感器节点的位置。
为了将进化算法应用于求解无线传感器网络的节点定位问题,采用如下的编码方式:
X=[x1,x2,...,xn,xn+1,...,x2n] (2)
其中(xi,xi+n)代表着传感器si的位置。个体的适应度函数则按公式(3)和(4)计算:
本发明将公式(2)的编码方式进一步扩展为两部分:第一部分包含一个代表性的解,该部分的信息将在一个全局优化模块(GSC)的运作下进行搜索;第二部分包含一个随机区域,该部分的信息将在一个局部优化模块(LSC)运作下达到局部优化的目的。该随机区域由一个多元高斯分布来描述,其中均值向量代表随机区域的中心,而协方差矩阵则描述随机区域的大小和形状。此外,第二部分还包含一些历史搜索信息(如协方差矩阵的进化路径等)用于进一步提高算法的局部优化效率。具体地,算法中一个个体可以表达成公式(5)的形式:
其中X是该个体所包含的代表性解;m是多元高斯分布的均值向量;C是协方差矩阵;σ是变异步长;pC和pσ分别是C和σ的进化路径(这些参数的功能与自适应协方差进化策略(CMA-ES)中的功能一致);是对LSC的进化效率的评估值,用于判断自适应控制算法是否继续执行GSC或LSC。
其中A代表着GSC或者LSC;Apbest是在执行评估前算法A所找到的最优适应度;Acbest是算法在执行评估过程后算法找到的最优适应度;△则为执行评估过程所需要的适应度评估次数。为了不失一般性,假设待求解的问题是一个最小化问题,而且其适应度都为非负,因此表示算法A比算法B具有更好的进化效率。
基于上述进化效率评估函数,“C1”定义为:
其中rand(0,1)返回一个0和1之间服从均匀分布的随机数;ω∈[0,1]是一个预定义的参数。“C1”意味着算法在满足以下的三个条件中任何一条时,将暂停执行GSC转而执行LSC:
1)算法在区域首次执行LSC;
2)GSC的进化效率低于LSC的进化效率;
3)随机产生的一个0到1之间的随机数的值小于ω。
引入ω是为了使得算法在LSC的进化效率低于GSC的进化效率时依然能够有较小的概率执行LSC。这样,算法可以有机会更新LSC的进化效率,以降低由于评估失误所带来的损失。
相应地,“C2”定义为:
条件“C2”意味着当LSC的进化效率高于GSC的进化效率且随机产生一个0和1之间的随机数的值大于ω时,将继续执行LSC,否则执行GSC。这样设置的目的是:当LSC的效率足够高时(即完成局部深度搜索)或者随机小概率情况(rand(0,1)<ω)下,转向全局搜索,广度搜索有更优解的区域。
本发明基于自适应差分进化算法的无线传感器网络定位方法的流程如图2所示,采用DE的搜索机制来实现GSC,用CMA-ES的搜索机制来实现LSC,具体实现步骤如下:
S1初始化
本步骤初始化DE的参数,并产生NP个随机个体作为DE的初始种群。记一个个体为:
其它的参数按公式(13)至(16)进行初始化。
S2执行全局搜索模块
F=rand(0,1) (17)
CR=rand(0,1) (18)
其中pm是随机变异率。显然,上述随机过程有利于算法跳出局部最优解。
当上述的DE执行了λ代之后,按公式(22)更新GSC的进化效率:
其中:λ根据问题不同取值不同,一般取值范围为5~10,和分别是第g-λ代种群和第g代种群的最优个体。然后从当前的种群中选择出一个具有最大进化效率的个体RI,并判断条件C1是否满足。如果条件C1满足,则执行LSC策略;反之,如果算法达到结束条件则终止,否则继续执行GSC策略。
S3执行局部搜索模块
执行局部搜索模块,即是将CMA-ES作用于RI并执行NP次迭代,其中RI指第i个个体的编码。在CMA-ES作用于RI前,CMA-ES的参数按如下方式设置:
如果当前不是第一次执行LCS于RI,那么CMA-ES的种群和优秀个体数将扩大为初始设置的两倍,即:
CMA-ES的其它参数设置则保持与个体所记录的设置一致。在这个情况下,由于RI的进化效率非常低,该个体很可能已经陷入了局部最优化。因此,重新初始化CMA-ES的部分参数以扩大种群的规模,从而有利于算法跳出局部最优解。
为了测试本发明的性能,本实施例设计四个具有不同传感器数目的场景来进行仿真分析。传感器的数目分别设为40、50、60和70。对于每个测试案例,五个锚点分别都固定在下列坐标:(20,20)、(80,20)、(20,80)、(80,80)和(50,50),传感器和锚点的通信半径设为r=50m,噪音系数设为τ=0.1。其他参数设置如下:NP=50,pm=0.02,ω=0.1,ε=10-7,通过仿真发现:本发明可以为无线传感器网络定位问题提供高质量的解,与其他算法相比大幅降低了误差,而且算法的性能随着网络规模的增大保持稳定,不会出现较大的波动。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1. 基于自适应差分进化算法的无线传感器网络定位方法,其特征在于,设检测区域中部署有节点,包括n 个传感器节点和 k 个锚点,所有节点都具有相同的通信半径,而且每个节点可以估计出在它的通信范围内的节点与该节点的距离,所述无线传感器网络定位方法为通过已知锚点以及节点与节点之间的距离信息,基于自适应差分进化算法估计出所有传感器节点的位置;
为了将进化算法应用于求解无线传感器网络的节点定位问题,采用如下的编码方式:
其中(xi, xi+n)代表着传感器si的位置;个体的适应度函数则按公式(3)和(4)计算:
将公式(2)的编码方式进一步扩展为两部分:第一部分包含一个代表性的解,该部分的信息将在一个全局优化模块GSC的运作下进行搜索;第二部分包含一个随机区域,该部分的信息将在一个局部优化模块LSC运作下达到局部优化的目的;算法中一个个体可以表达成公式(5)的形式:
其中:X 是该个体所包含的代表性解;m 是多元高斯分布的均值向量;C是协方差矩阵;σ 是变异步长;和分别是C和σ的进化路径;是对LSC的进化效率的评估值,用于判断自适应控制算法是否继续执行GSC或LSC;
具体包括:
S1初始化算法的参数,并产生NP个随机个体作为差分进化算法的初始种群;
S2执行全局搜索模块GSC,采用差分进化算法的搜索机制来实现全局搜索,即利用差分进化算法的变异操作、交叉操作和选择操作产生NP个新个体;
S3执行步骤S2一定代数后更新GSC的进化效率,如果符合条件C1则执行步骤S4;反之,如果算法达到结束条件则终止,否则继续执行步骤S2;所述条件C1定义为:
S4 执行局部搜索模块LSC,即从当前的种群中选择出一个具有最大进化效率的个体,对其应用自适应协方差进化策略CMA-ES的搜索机制进行局部优化操作;
S5 执行步骤S4一定代数后更新LSC的进化效率,如果符合条件C2则继续执行步骤S4;反之,如果算法达到结束条件则终止,从而得到所有传感器节点的位置;否则执行步骤S2;所述条件C2定义为:
3.根据权利要求2所述的无线传感器网络定位方法,其特征在于,所述执行局部搜索模块LSC,包括:
a. 将CMA-ES作用于RI 并执行NP 次迭代,其中RI 指第i个个体的编码;
b. 判断条件C2是否满足,如果条件C2满足,那么LSC过程将继续执行;反之,如果算法达到结束条件则终止,否则执行GSC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811233765.4A CN109379780B (zh) | 2018-10-23 | 2018-10-23 | 基于自适应差分进化算法的无线传感器网络定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811233765.4A CN109379780B (zh) | 2018-10-23 | 2018-10-23 | 基于自适应差分进化算法的无线传感器网络定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109379780A CN109379780A (zh) | 2019-02-22 |
CN109379780B true CN109379780B (zh) | 2021-05-14 |
Family
ID=65400889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811233765.4A Active CN109379780B (zh) | 2018-10-23 | 2018-10-23 | 基于自适应差分进化算法的无线传感器网络定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109379780B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110062389B (zh) * | 2019-04-19 | 2022-08-12 | 江西理工大学 | 基于改进差分进化算法的传感器网络节点优化部署方法 |
CN110334395B (zh) * | 2019-05-28 | 2020-11-27 | 中国地质大学(武汉) | 基于jade的初始化em算法的卫星动量轮故障诊断方法及*** |
CN111447627B (zh) * | 2020-03-16 | 2023-04-18 | 浙江邮电职业技术学院 | 一种基于差异进化遗传算法的wsn节点定位方法 |
CN112632840A (zh) * | 2020-12-04 | 2021-04-09 | 山东大学 | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 |
CN113176387A (zh) * | 2021-04-19 | 2021-07-27 | 衢州学院 | 基于广域无线传感器网络的水质监测智能评估***及方法 |
CN115204062B (zh) * | 2022-09-15 | 2022-12-30 | 中国地质大学(武汉) | 面向行星际探测轨道设计的强化混合差分演化方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102014398A (zh) * | 2010-09-21 | 2011-04-13 | 上海大学 | 基于差分进化算法的大规模工业无线传感器网络最优部署方法 |
CN103354642A (zh) * | 2013-06-06 | 2013-10-16 | 东北大学 | 一种提高移动传感器网络覆盖率的方法 |
CN108259596A (zh) * | 2018-01-11 | 2018-07-06 | 深圳市鑫汇达机械设计有限公司 | 一种基于无线传感器网络的矿井安全监测*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2638405A4 (en) * | 2010-11-12 | 2014-09-17 | Nextnav Llc | EXTENDED LOCATION SYSTEM |
CN102395194B (zh) * | 2011-08-25 | 2014-01-08 | 哈尔滨工业大学 | Wlan环境下改进ga优化的anfis室内定位方法 |
CN104936148B (zh) * | 2015-07-03 | 2018-04-27 | 中南大学 | 一种基于模糊knn的wifi室内定位方法 |
CN105517150A (zh) * | 2015-12-29 | 2016-04-20 | 江南大学 | 基于自适应差分的粒子群定位算法 |
CN105959912B (zh) * | 2016-02-23 | 2019-03-15 | 重庆工商大学 | 基于改进离散差分算法的汇聚节点定位方法 |
CN106851820B (zh) * | 2017-03-07 | 2020-02-07 | 西南石油大学 | 一种井下无线传感网络的定位方法 |
CN106872970B (zh) * | 2017-03-07 | 2019-10-18 | 中国电子科技集团公司第三十八研究所 | 一种基于差分进化的多目标变数据率跟踪装置及其方法 |
-
2018
- 2018-10-23 CN CN201811233765.4A patent/CN109379780B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102014398A (zh) * | 2010-09-21 | 2011-04-13 | 上海大学 | 基于差分进化算法的大规模工业无线传感器网络最优部署方法 |
CN103354642A (zh) * | 2013-06-06 | 2013-10-16 | 东北大学 | 一种提高移动传感器网络覆盖率的方法 |
CN108259596A (zh) * | 2018-01-11 | 2018-07-06 | 深圳市鑫汇达机械设计有限公司 | 一种基于无线传感器网络的矿井安全监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN109379780A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109379780B (zh) | 基于自适应差分进化算法的无线传感器网络定位方法 | |
CN106162869B (zh) | 移动自组织网络中高效协作定位方法 | |
CN105554873B (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
CN107426817B (zh) | 距离修正混沌粒子群多维标度无线传感器网络定位方法 | |
Yan et al. | An improved multihop-based localization algorithm for wireless sensor network using learning approach | |
CN109581281B (zh) | 基于到达时间差和到达频率差的移动目标定位方法 | |
Mahfouz et al. | Kernel-based machine learning using radio-fingerprints for localization in wsns | |
Li et al. | DV-hop localization algorithm based on minimum mean square error in Internet of Things | |
CN113329490B (zh) | 一种基于量子虎鲨机制的无线传感器网络节点定位方法 | |
Fang et al. | Noise-aware localization algorithms for wireless sensor networks based on multidimensional scaling and adaptive Kalman filtering | |
Rauniyar et al. | A new distributed localization algorithm using social learning based particle swarm optimization for Internet of Things | |
Tang et al. | An improved DV-Hop algorithm based on differential simulated annealing evolution | |
Chen et al. | DeepMetricFi: Improving Wi-Fi fingerprinting localization by deep metric learning | |
Pandian | Novel distance estimation based localization scheme for wireless sensor networks using modified swarm intelligence algorithm | |
CN111294922B (zh) | 一种分级快速的无线传感器网络节点精准定位方法及装置 | |
CN115550837B (zh) | 一种基于混沌映射与灰狼算法优化的DV-Hop定位方法 | |
CN112105081A (zh) | 一种基于改进生物地理学优化算法的高精度无线定位方法 | |
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
CN107197519B (zh) | 基于改进的最小二乘支持向量机的水下目标定位方法 | |
CN116056209A (zh) | 基于分布式初值约束粒子群算法的目标定位方法和*** | |
CN106332279B (zh) | 一种基于节点间连通性差异及粒子群优化的DV-Hop定位方法 | |
CN113347565B (zh) | 各向异性无线传感器网络的扩展区域多跳节点测距方法 | |
CN115226027A (zh) | 一种WiFi室内指纹定位方法及装置 | |
Sharma et al. | Eurasian wolves-cuckoo search optimizer for localization of mobile sensor nodes using single beacon node in WSN | |
Fatihah et al. | Distributed sensor node localization using a binary particle swarm optimization algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |