[发明专利]一种首领智能选择机制的无线传感器网络节点三维定位器

说明书

技术领域

本发明属于无线传感器网络节点的自身定位技术领域。

背景技术

无线传感器网络(Wireless Sensor Networks, WSN)三维节点定位是当前的研究热点之一。在WSN节点定位中，比较常用的测距方式有接收信号强度(Received Signal Strength, RSS)、到达时间(Time Of Arrival, TOA)和到达时间差(Time Difference Of Arrival, TDOA)等。但采用TOA和TDOA的测距方式需要准确的时间同步和额外的硬件成本，而基于RSS测距无需额外的硬件成本，且通信开销小、计算复杂度低，因此，基于RSS测距的节点定位技术是目前应用最多、最广泛的节点定位技术之一。

为了提高节点定位精度，同时降低节点的计算功耗，已经提出了多种基于RSS测距的节点定位器。其中目前研究较多的有：基于极大似然估计(Maximum Likelihood Estimation, MLE)算法的定位器、基于加权最小二乘(Weighted Least Squares, WLS)算法的定位器，这些定位器较容易实现，但不能获得较高的定位精度，在实际应用中受到限制；基于多维定标(Multi-Dimensional Scaling MAP, MDS-MAP)技术的三维节点定位器，由于MDS矩阵计算复杂，导致节点计算能量损耗较大；基于遗传算法(Genetic Algorithm, GA)优化的WSN节点定位器，GA中产生下一子代的过程随机性较大，致使该定位器同样不能获得较高的节点定位精度；基于粒子群(Particle Swarm Optimization, PSO)算法优化的WSN节点定位器是目前研究较多的一种定位器，虽然在一定程度上提高了定位精度，但提高的定位精度还是非常有限，且计算量较大；基于BFGS(Broyden, Fletcher, Goldfarb, Shannon)优化的WSN节点定位器虽然能够避免最小二乘定位方法中逆矩阵的计算，但通过该算法获得的定位精度相对较低。

发明内容

针对当前基于RSS测距的WSN三维节点定位精度低、计算量大的问题，本发明提供了一种首领智能选择机制的无线传感器网络节点三维定位器，它将启发式的首领智能选择(Leader Intelligent Selection, LIS)定位优化算法应用于WSN三维节点定位中，有效提高节点定位精度，降低了计算复杂度，且受测距误差影响较小。本发明是通过以下技术方案实现的。

通过设计简单的动物群体首领选择模型，由首领搜索者获得一个首领候选群体，并对每个候选首领的能力进行评价选出最优个体作为首领，该首领表示定位器优化问题中的全局最优解。通过定义一个充分考虑了测距因子的三维节点定位目标函数，将三维节点定位问题抽象为非线性无约束优化问题，再利用首领智能选择优化算法求解该非线性无约束优化问题，所得解就是节点定位器的三维坐标估计值。具体实现过程如下。

1．首领智能选择优化算法的基本思想

动物的群体首领选择行为和记忆行为被认为是群体动物中的高级行为，首领智能选择(Leader Intelligent Selection, LIS)算法就是模仿动物群体中的这两种行为。通过设计简单的动物群体首领选择模型，能够获取较为复杂的定位优化问题的全局最优解。LIS算法中包含首领(Leader)、候选首领(Candidates)和搜索者(Searcher)三类成员。其中首领表示所求问题的最优解。初始首领是利用邻居锚节点坐标和测距信息由最小二乘算法获得，后代首领则通过首领竞选机制获得；候选首领表示首领的候选群体，能否成为首领主要通过发明中定义的目标函数对每个候选者的能力进行评价，能力最高者则成为本代的首领；搜索者的主要任务是通过搜索候选首领机制搜索下一代的候选首领，初始首领也是搜索者。LIS算法中定义了首领竞选机制、搜索者选择机制和搜索候选首领机制三种行为模型。LIS算法在节点定位中，每个候选者表示传感器节点的一个可能坐标，通过评价每个候选者的能力来选择首领，最终获得的首领即为所要求的传感器节点坐标。

2. 初始化方法

大多群智能优化算法都采取先随机产生种群，再从该初始种群中选取初始最优值，由于初始时的随机性较大，从初始种群中获得的最优值一般较差，这不仅增加了算法的迭代过程，而且同时增加了整体计算量。LIS算法采取与其相反的方式，首先利用邻居锚节点坐标和测距信息通过最小二乘法获得一个最小二乘解作为LIS算法的初始首领，并通过我们设计的如下初始候选首领机制模型获得初始候选首领