基于混沌粒子群优化算法的无线传感器网络节点定位

基于混沌粒子群优化算法的无线传感器网络节点定位

1其他领域的影响无线传感器网络（wsd）可以接收客观的物理信息，并广泛应用于军事国防、工农业控制、城市管理、生物医疗、环境检测、救灾、危险区域远程控制等领域。引起了许多国家科学和工业界的高度关注，并认为这是对21世纪产生了重大影响的技术之一。传感器节点的自身定位是传感器网络应用的基础,例如目标监测与跟踪、基于位置信息的路由、智能交通、网络的负载均衡以及网络拓扑的自配置近年来,一些研究者将粒子群优化算法应用于传感器网络节点的定位中,并取得较好结果。文献2采用混合颗粒优化算法改善了混合颗粒群的节点定位算法2.1标准粒子组优化算法粒子群优化算法(PSO)是Eberhart和Kennedy根据对鸟群觅食行为的观察和研究,于1995年提出的智能群体搜索算法式中,V2.2按自身规律不重复遍历混沌映射来自于非线性动力系统,具有随机性、初始条件敏感性、遍历性等特点,可在一定范围内按自身规律不重复地遍历所有状态式中,Z表示混沌变量;Z2.3动态调整pso算法惯性权重w是粒子群优化算法中最重要的一个可调整参数,它描述了粒子上一代速度对当前速度的影响。控制其取值大小可动态调节PSO算法的全局与局部寻优能力。较大权值有利于提高算法的全局搜索能力,收敛较慢;较小权值可增强算法的局部搜索能力,收敛较快。因此,如何设置合理的惯性权重,是避免陷入局部最优并高效搜索的关键。文献式中,w式中,t本文在文献w=w2.4全局极值的计算在粒子群优化算法中,利用适应度函数来选择每个粒子的个体极值和整个种群的全局极值。假设二维空间中有h个锚节点,L个未知节点,未知节点到锚节点之间的距离为d式中,R为信标的无线覆盖半径,函数值越小表示粒子的适应度越高。未知节点坐标满足式(8):未知节点和锚节点之间的测距分别为d式中,2.5混沌变量变化的初始化传感器网络粒子群优化定位算法实现流程为:(1)初始化。设定惯性权重w,学习因子c(2)利用混沌序列产生初始种群。利用混沌对初值敏感的特点,赋予式(3)M个微小差异的初值,即可得到M个混沌变量式中,i=1,2,…,M;[a,b]为变量X的变化区间。(3)按式(1)、式(2)、式(6)和式(11)对每个粒子的速度和位置进行更新,根据式(10)计算每个粒子的适应度值f(X(4)对每个粒子,将其当前的适应度值f(X(5)判断是否满足结束条件:寻优达到最大迭代次数或适应度值在测距误差范围内。若满足结束条件,则转向步骤(6),否则重复执行(3)和(4)。(6)输出全局最优解P3算法仿真验证本文采用平均定位误差作为实验的评价指标,平均定位误差定义为:式中,L为已定位的未知节点数,R为节点通信半径,(x在MATLAB仿真平台上对改进后的算法进行仿真,验证算法的可行性和有效性。3.1全局搜索区域假设在传感器网络中节点分布在100×100的正方形区域内,该区域是混沌粒子群优化算法的全局搜索区域。在仿真区域内随机分布100个传感器节点,节点通信半径为50m,锚节点比例为10%。算法初始化参数设置为:种群规模m=30,学习因子c3.2仿真结果及分析将本文改进的粒子群优化算法与其他几种粒子群算法针对适应度函数式(10)进行收敛性能比较,如图1所示。在锚节点密度为10%、重复实验次数为30的情况下,针对不同的运算精度得到不同的平均迭代次数。图1体现了4种不同粒子群算法不同的收敛性能。从图1可看出,在条件相同的情况下,本文改进的粒子群优化算法的收敛性能最好。下面分别在不同的网络连通度、锚节点密度及测距误差情况下,比较本文改进粒子群优化定位算法与标准粒子群优化定位算法、多边定位算法及最小二乘法的定位情况。仿真结果如图2～图4所示。网络连通度反映了能互相通信的节点间的通信量,在仿真过程中通过改变节点的无线射程来改变节点的连通度。图2显示了网络连通度对平均定位误差的影响。根据图2中曲线的变化可以看出,随着网络连通度的增大,各算法的节点定位误差逐渐减小,本文改进后的算法下降幅度最小。这是由于本文算法的粒子搜索空间时的自适应性,降低了局部最优的概率,可以更好地在空间内搜索全局最优值,所以相对于其他算法可以达到较高的定位精度。锚节点密度反映了其在整个传感器网络区域中的分布情况。由于锚节点的成本较高,因而希望用较少的锚节点定位尽可能多的未知节点,降低网络的整体成本。图3反映了锚节点密度对平均定位误差的影响。由图3可知,随着锚节点密度的不断增加,平均定位误差逐渐趋于平缓。在锚节点密度达到10%时,各算法的平均定位差下降开始逐渐变慢,比较4种算法可以看出,改进后的算法下降更加平缓。由此可见,锚节点的密度对改进后的粒子群优化的定位算法的影响不大。因而在锚节点密度相对较小时,改进后的粒子群优化定位算法的定位效果也很好。测距误差能直接够影响距离测量值的准确性。图4描述了测距误差对平均定位误差的影响。由图4可看出,个算法的平均定位误差随着测距误差的增大而增大,而改进后的算法受测距误差的影响最小,粒子群优化定位算法有更小的定位误差,可以达到较好的定位效果。对本文改进的粒子群优化定位算法和多边定位算法、最小二乘法、标准粒子群优化算法进行性能比较,如图5所示。由图5看出,在单次实验之后,本文改进的粒子群优化定位算法计算的未知节点的定位误差明显小于其他3种算法的定位误差。4无线传感器网络节点定位算法性能对比本文首先应用混沌映射初始化种群,增强了在最优点附近的局部搜索能力避免早熟。然后对粒子群优化算法的惯性权重进行改进,并将改进后的算法应用到传感器网络节点定位中。算法实现简单,不需增加额外设备。与现有算法比较的仿真结果表明:改进粒子群