[发明专利]一种基于遗传算法的三维多目标定位方法

说明书

本发明实施例提供了一种基于遗传算法的三维多目标定位方法，涉及信号源定位领域。方法包括：建立三维空间模型；选取多个传感器节点，记录每一传感器节点在三维空间模型内的位置坐标；获取多个传感器节点中每一传感器节点到源节点的估计单位方向向量；根据每一传感器节点的位置坐标以及每一传感器节点到源节点的估计单位方向向量计算得到源节点的坐标。上述方法通过遗传算法对射线选择，在减少计算机的运算量的同时，可对空间内存在的多个信号源进行定位，低成本且准确率高。

技术领域

本发明涉及信号源定位领域，具体而言，涉及一种基于遗传算法的三维多目标定位方法。

背景技术

无线电发射源定位方法主要可以分为两类：距离无关定位和距离相关定位方法。距离无关的定位方法使用拓扑信息推测目标的位置，因此节省硬件花费、妥协精度和定位估计的规模。距离相关定位方法主要基于到达时间(TOA)，到达时间差分(TDOA)，到达角(AOA)，以及接收信号场强(RSS)来定位等。

遗传算法是由Holland于1975年提出的一种基于概率搜索的算法，已经应用于一系列的组合优化问题。遗传算法的原理来自于自然界生物进化的过程。在自然条件下，种群中更适应环境的个体具有更大的可能性生存下去，并在种群繁衍中将自身基因遗传给下一代，而适用性较弱的个体则会在生物进化的过程中逐渐消亡。也就是说，较高适应性个体的基因会以更大的概率出现在后代的个体中，从而导致整个种群更加地适应于环境。

遗传算法需要首先需要初始化第一代的原始种群，种群中的每个个体都被编码成表示特定问题某种可行解的编码串。个体对于环境的适应度函数可以定义为问题的目标函数。具有较高适应度函数的个体更有可能在遗传的过程中交换它们的基因，这被称作选择、交叉和变异。选择和交叉操作产生的新的可行解，更趋近于目标函数的最优解。通常在交叉操作之后执行变异操作，用来产生整个搜索空间中新的可行解。经过上述步骤足够多的循环操作，最终的种群中会很有可能出现适应度更好的个体，其对应的可行解也趋近于问题的最优解。

基本的遗传算法可以分为以下几个部分：

编码(Encoding)：假设目标问题的可行解可以表示为一系列参数的集合。这些参数(称为基因)组合起来形成一个字符串值，称为染色体。一种通常的表示方式是使用二进制串。例如，如果目标问题是最大化包含三个变量的函数F(x,y,z)，可以使用10位二进制数来表示某一个变量的合适的取值范围，这样整个问题的可行解就可以表示为一个包含30位二进制数的染色体。

适应度函数(Fitness Function)：适应度函数需要设计为方便目标问题解答的形式。对于一个给定的染色体，适应度函数返回一个对应的适应度函数值，用来表示该染色体对应的个体对于环境的适应性。对于大多数函数优化问题，一种较为简单的方法就是使用原问题作为适应度函数。

选择(Selection)：当计算完当前种群中所有个体的适应度函数，这时需要进行选择操作。采用较高适应度函数值更有可能被选择的方式，从种群中随机选择出父代染色体。在整个选择操作过程中，高适应度的个体可能被选择多次，而低适应度的个体可能完全不会被选择。

交叉(Crossover)：通过选择操作得到的两个父代个体，它们的染色体需要被重新组合。交叉操作对两个父代个体染色体的某个随机位置进行截取，然后形成了两个头段和尾段。之后将两个染色体的尾段进行交换，从而产生新的子代个体。这种方式被称为单点交叉。并不是所有的个体都会进行交叉操作，一种可能的方式是交叉操作以某种概率进行。

变异(Mutation)：变异操作作用于经过交叉操作的子代个体上。变异操作会以较低的概率随机修改子代染色体的某个基因。

现阶段，三维空间内的多个信号源同时存在时，需要完成大量的计算才能找到三维空间内的多个信号源，现有的计算机资源很难完成上述巨大计算量，甚至可能因为有限的计算资源而导致问题根本无法解决。

发明内容