基于改进鲸鱼优化算法的无线传感器网络节点定位方法

1.本发明涉及定位方法技术领域，具体的说是一种基于改进鲸鱼优化算法的无线传感器网络节点定位方法。

背景技术：

2.无线传感器网络（wsn）是由以无线自组装方式部署在检测区域中的传感器节点组成的多跳无线网络。这些传感器能够协同感知环境，收集和处理有关网络覆盖区域中感测对象的信息，并最终将信息传输给观察者。wsn具备动态感知、处理和传输信息等协作能力，应用广泛，如军事侦察、战场监控、区域封锁、环境监测等。在这些应用场景中，wsn节点的位置信息对于查数据源和跟踪移动目标都非常重要。wsn 定位问题的定义为：利用传感器节点的已知位置（即锚节点），定位出在监视环境中随机部署的未知目标传感器节点的位置。
3.由于基于接收信号强度（rssi）的测距技术对于传感器节点要求较低，不需要额外硬件，易于实现，已成为wsn节点定位中广泛使用的测距技术。然而，当在真实的物理环境中传输时，无线信号不可避免地受到多径衰落、衍射、天线增益、非线性等噪声的干扰，并产生不确定的传播损耗，导致rssi算法的定位误差大。

技术实现要素：

4.本发明为有效解决上述问题，提供一种基于改进鲸鱼优化算法的无线传感器网络节点定位方法。
5.为解决以上技术问题，本发明采用以下技术方案：本发明采用以上技术方案后，与现有技术相比，具有以下优点：基于改进鲸鱼优化算法的无线传感器网络节点定位方法，包括以下步骤;步骤1、设无线传感器网络中，锚节点有n 个，分别为a1、a2，
……
，an，将未知节点的所有位置估计值作为一个鲸鱼种，每个位置估计值作为一头鲸鱼的位置，利用鲸鱼优化算法计算系数向量和，并生成均匀分布的决策随机数p；步骤2、对每一头鲸鱼的位置进行更新，在p＜0.5且时，采用引入灰狼优化器的层次策略得到更新后的鲸鱼位置，在p＜0.5且时采用引入反馈机制的鲸鱼位置计算方法得到更新后的鲸鱼位置，在p＞0.5时采用螺旋搜索捕食期间的位置更新策略得到更新后的鲸鱼位置；步骤3、迭代次数加1，判断是否达到预设最大迭代次数，若是，则转到下一步，否则转到步骤1，并将鲸鱼位置替换为上一步更新后的鲸鱼位置，并更新、和p；步骤4、通过最后一次迭代得到的鲸鱼种，计算得到全局最优鲸鱼，将全局最优
鲸鱼的位置作为未知节点的定位结果。
6.进一步的，所述步骤2中，所述步骤2中，引入灰狼优化器的层次策略的公式为：其中，为更新后的鲸鱼位置，为鲸鱼的前三个历史最优位置，是第q个锚节点的坐标，是rssi校正后第q个锚节点到第v个锚节点的估计距离，是鲸鱼的当前位置。
7.进一步的，所述步骤2中，采用引入反馈机制的鲸鱼位置计算方法的公式为：，其中为随机选择的鲸鱼个体，为更新后的鲸鱼位置，是鲸鱼的当前位置。
8.进一步的，所述步骤2中，螺旋搜索捕食期间的位置更新策略的公式为：，其中，为当前位置的鲸鱼到种中全局最优位置鲸鱼的距离，b为[-1,1]之间均匀分布的随机数,l为预设常数。[0009] 本发明的有益效果为：针对wsn中的rssi测距值容易受到环境因素影响的问题，本发明提出了一种基于改进鲸鱼优化的wsn节点定位算法，rssi测距模型由高斯拟合函数进行修正，以获得未知节点的初始位置，为了进一步提高定位精度，通过改进的鲸鱼优化算法对其进行优化。本发明重新设计目标函数，通过锚点到待定位节点的近似距离与鲸鱼到锚点的实际距离之差来提高适应度值，从而提升收敛速度和降低计算成本。为了进一步提高算法的收敛速度和搜索精度，在鲸鱼算法的收缩、包围阶段以及随机游走阶段分别引入了层次机制和反馈机制。仿真结果表明，本发明算法的性能优于传统rssi算法、hpso算法和woa-qt算法，在相同的硬件条件下具有更好的收敛性和定位精度。
[0009]
下面结合附图和实施例对本发明进行详细说明。
附图说明
[0010]
图1为周围猎物的位置更新和随机搜索策略示意图；图2是螺旋搜索捕食期间的位置更新策略示意图；
图3是三边质心定位算法原理示意图；图4是边界框原理示意图；图5是基于改进的适应度值的节点定位示意图；图6是高斯拟合前后的rssi定位算法误差比较示意图；图7是锚节点数量对定位误差的影响示意图；图8是不同通信距离对定位误差的影响示意图；图9是不同测距误差对平均定位误差的影响示意图。
[0011]
具体实施方式
[0012]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0013]
1距离估计模型根据发射器和接收器之间的传输损耗情况，rssi通常使用理论模型或经验模型。信道衰减对rssi的定位精度有很大的影响。本文采用的对数距离分布模型如下：（1）其中是接收未知节点的信号强度，是接收锚点节点d0的信号强度; n是路径长度和路径损耗的比例因子; d0是锚节点与之间的距离; d表示未知节点和之间的距离;是均值为零的高斯噪声。
[0014]
锚节点与未知节点之间的估计距离如下：（2）2改进的鲸鱼优化算法2.1鲸鱼优化算法woa包括三个阶段：包围猎物，随机搜索和螺旋捕食。首先，我们初始化种和鲸鱼的适应度值，然后分别进化种中的每个个体，计算系数向量和，并生成均匀分布的决策随机数p。
[0015]
（3）其中随着迭代次数的增加，在整个迭代期间从2减少到0，和是[0,1]上的随机向量。
[0016]
包围猎物过程：当决策系数(p为随机数，本文取0.5)且
时，表明当前头鲸已发现猎物，并处于收缩包围过程（如图1）。该过程的如下：（4）其中， t是迭代次数，是鲸鱼位置，是当前全局最优鲸鱼位置。
[0017]
随机搜索过程：当决策系数且时，当前鲸鱼在全局空间随机游走觅食，探索范围广（如图1）。该过程建模如下：（5）其中, t是当前的迭代次数，是当前种中随机选择的个体的位置向量。
[0018]
螺旋捕食阶段：当决策系数，意味着鲸鱼在进行螺旋形捕食（如图2）。首先，计算当前鲸鱼与当前最优鲸鱼之间的距离，然后在两个位置之间建立螺旋方程，数学模型为：（6）（7）其中，为当前位置的鲸鱼到全局最优位置鲸鱼的距离， b为[-1,1]之间均匀分布的随机数。
[0019]
传统woa算法文在的问题有两方面：一是，在随机游走觅食过程中，通常是随机选择原始woa（鲸鱼的位置）进行更新，这种完全的随机性增加了算法的不确定性，降低了稳定性和收敛速度。本文拟采用反馈机制，结合当前最优鲸鱼位置，来提高算法的收敛速度。二是在缩小和包围猎物的过程中，只考虑当前状态下的最优鲸鱼位置，不考虑次优解，所以容易陷入局部优化。然而，灰狼优化算法中使用的层次结构可以很好的解决该问题，故可结合灰狼优化算法，进一步优化鲸鱼位置。
[0020] 2.2提升包围收缩阶段的全局性在围捕鲸鱼的过程中，鲸只考虑当前状态下的最佳鲸鱼位置，故属于局部优化。因此引入灰狼优化器（gwo）的层次策略，以增加体之间的交流。选择前三个历史最优位置。从式（8）中可得到最优解：（8）新位置将更新为
（9）2.3提高随机游走阶段的收敛速度反馈机制可以增加种的多样性，可与处于当前最佳位置的鲸鱼交换信息。如此鲸鱼就不需要无的放矢，也可以避免随机选择个体的盲目性。其数学模型如下:（10）其中为随机选择的个体，为最优位置。
[0021]
引入反馈机制后，鲸鱼随机游走的过程如下：（11）3基于改进woa的节点定位算法3.1rssi值的高斯拟合自然环境中的大多变量都服从正态分布，所以在处理一些数据变量时经常使用高斯函数。使用高斯滤波对收集到的rssi值进行预处理，并对异常数据进行过滤。优化后的rssi值更接近于真实值。高斯拟合函数如下：（12）其中，均值为、标准差为，和a是未确定的系数，用锚节点的位置和信号值关系来确定。代表节点收到的第i个信号值，n是节点收到的rssi值总数。
[0022]
经过高斯滤波后，当前的rssi值输出如下：（13）高斯拟合后距离观测值的修正值为：（14）假设三个锚节点a1（x1,y1）、a2（x2,y2）、a3（x3,y3）测得到未知节点u（x,y）的距离为d1、d2和d3。以a
1 、a2和a3为圆心，以距离d1、d2和d3为半径画圆（见图3）。
[0023]
根据两点之间的距离公式，建立方程：
（15）式（15）可转换为线性方程：（16）未知节点的估计坐标为：（17）则未知节点u（x,y）的估计位置如下：（18） 3.2基于改进的鲸鱼算法的定位优化算法首先引入边界框：如图4，在一个二维区域内，通过未知节点的邻居锚节点的位置和通信半径可以得到未知节点所在的方形区域。重叠区域为：（19）适应度函数通过从锚节点到未知节点的近似距离与从鲸鱼到锚节点的实际距离之间的差异来改进。a1、a2和a3为三个锚节点，u是未知节点（如图5）。
[0024]
为使估计位置更接近实际位置，就必须使从锚节点到未知节点的近似距离与从鲸鱼到锚节点的实际距离之间的差最小，即其中是第i个锚节点的坐标，是rssi校正后第i个锚节点到第j个锚节点的估计距离，是鲸鱼在时间上的位置坐标。
[0025]
然后将适应度函数设为：（20）改进woa节点定位优化算法伪代码如下：algorithm1改进的定位优化算法
input:锚节点坐标及未知节点的观测距离output:未知节点的优化坐标值x
p
1:初始化鲸鱼的数量；2:通过式（21）计算xi的适应度值；3.x
p
=best;4:while(t＜t
max
)do5：forallxiinwdo6:更新;7:ifthen8.ifthen9:通过式（9）更新位置;10:elseifthen11:通过式（11）更新位置;12:endif13:elseifthen14:通过式（6）更新位置;15:endif16:endfor17:endwhile18:通过式（20）计算xi的适应度值；19:更新x
p
；20：t=t+1；21:returnx
p
.4仿真与结果分析4.1参数设置表1参数设置采取平均定位误差指数来评价模型的定位性能：
（21）4.2高斯拟合前后rssi测量值对定位误差影响从图6可以看出，定位误差整体随着距离的增加而减少。然高斯拟合后的rssi测量明显提高了定位精度，特别是在对近距离rssi测量条件下效果更明显。结果表明，高斯滤波可以有效降低干扰对rssi测量值的影响，从而提高测距的抗干扰性、稳定性和测距精度。
[0026]
4.3锚定节点数量对平均定位误差的影响从图7可以看出，随着锚节点数量的增加，四种定位算法的平均定位误差在减少。在相同锚节点的情况下，本文算法的平均定位误差最小。传统rssi算法、hpso算法、woa-qt算法和本文定位算法的平均定位误差分别为0.45m、0.30m、0.29m和0.27m。
[0027]
4.4通信距离对平均定位误差的影响从图8可知，随着通信半径从10m增加到40m，定位误差逐渐减小，但达到一定程度后，即超过40m后，由于rssi受到环境的影响，定位误差又逐渐增大。传统rssi算法、hpso算法、woa-qt算法和本文定位算法的平均定位误差分别为0.57、0.41、0.38和0.32。
[0028]
4.5测距误差对平均定位误差的影响从图9可以看出，随着测距误差的增加，四种算法的平均定位误差逐渐增大，但整体而言本文算法性能最优。传统rssi算法、hpso算法、woa-qt算法和本文定位算法的平均定位误差分别为0.82、0.57、0.51和0.39。
[0029]
5结论针对wsn中的rssi测距值容易受到环境因素影响的问题，本文提出了一种基于改进鲸鱼优化的wsn节点定位算法。rssi测距模型由高斯拟合函数进行修正，以获得未知节点的初始位置。为了进一步提高定位精度，通过改进的鲸鱼优化算法对其进行优化。首先，建立一个边界框搜索空间，缩小待定位节点的范围。然后，重新设计目标函数，通过锚点到待定位节点的近似距离与鲸鱼到锚点的实际距离之差来提高适应度值，从而提升收敛速度和降低计算成本。为了进一步提高算法的收敛速度和搜索精度，在鲸鱼算法的收缩、包围阶段以及随机游走阶段分别引入了层次机制和反馈机制。仿真结果表明，本文算法的性能优于传统rssi算法、hpso算法和woa-qt算法，在相同的硬件条件下具有更好的收敛性和定位精度。
[0030]
以上所述为本发明最佳实施方式的举例，其中未详细述及的部分均为本领域普通技术人员的公知常识。本发明的保护范围以权利要求的内容为准，任何基于本发明的技术启示而进行的等效变换，也在本发明的保护范围之内。

技术特征：

1.基于改进鲸鱼优化算法的无线传感器网络节点定位方法，其特征在于，包括以下步骤;步骤1、设无线传感器网络中，锚节点有n 个，分别为a1、a2，
……
，a
n
，将待求未知节点的所有位置估计值作为一个鲸鱼种，每个位置估计值作为一头鲸鱼的位置，利用鲸鱼优化算法计算系数向量和，并生成均匀分布的决策随机数p；步骤2、对每一头鲸鱼的位置进行更新，在p＜0.5且时，采用引入灰狼优化器的层次策略得到更新后的鲸鱼位置，在p＜0.5且时采用引入反馈机制的鲸鱼位置计算方法得到更新后的鲸鱼位置，在p＞0.5时采用螺旋搜索捕食期间的位置更新策略得到更新后的鲸鱼位置；步骤3、迭代次数加1，判断是否达到预设最大迭代次数，若是，则转到下一步，否则转到步骤1，并将鲸鱼位置替换为上一步更新后的鲸鱼位置，并更新、和p；步骤4、通过最后一次迭代得到的鲸鱼种，计算得到全局最优鲸鱼，将全局最优鲸鱼的位置作为未知节点的定位结果。2.根据权利要求1所述的基于改进鲸鱼优化算法的无线传感器网络节点定位方法，其特征在于，所述步骤2中，所述步骤2中，引入灰狼优化器的层次策略的公式为：其中，为更新后的鲸鱼位置，为鲸鱼的前三个历史最优位置，是第q个锚节点的坐标，是rssi校正后第q个锚节点到第v个锚节点的估计距离，是鲸鱼的当前位置。3.根据权利要求1所述的基于改进鲸鱼优化算法的无线传感器网络节点定位方法，其特征在于，所述步骤2中，采用引入反馈机制的鲸鱼位置计算方法的公式为：，其中为随机选择的鲸鱼个体，为更新后的鲸鱼位置，是鲸鱼的当前位置。
4.根据权利要求1所述的基于改进鲸鱼优化算法的无线传感器网络节点定位方法，其特征在于，所述步骤2中，螺旋搜索捕食期间的位置更新策略的公式为：，其中，为当前位置的鲸鱼到种中全局最优位置鲸鱼的距离，b为[-1,1]之间均匀分布的随机数,l为预设常数。

技术总结

本发明涉及一种基于改进鲸鱼优化算法的无线传感器网络节点定位方法，本发明中，RSSI测距模型由高斯拟合函数进行修正，以获得未知节点的初始位置，为了进一步提高定位精度，通过改进的鲸鱼优化算法对其进行优化。本发明重新设计目标函数，通过锚点到待定位节点的近似距离与鲸鱼到锚点的实际距离之差来提高适应度值，从而提升收敛速度和降低计算成本。为了进一步提高算法的收敛速度和搜索精度，在鲸鱼算法的收缩、包围阶段以及随机游走阶段分别引入了层次机制和反馈机制。仿真结果表明，本发明算法的性能优于传统RSSI算法、HPSO算法和WOA-QT算法，在相同的硬件条件下具有更好的收敛性和定位精度。敛性和定位精度。敛性和定位精度。