[发明专利]基于异质双种群粒子群优化的WSN节点定位方法

摘要

本发明公开了一种基于异质双种群粒子群优化的WSN节点定位方法，该方法将自然界中动物的群落自适应活动行为融合到了粒子群优化算法中，基于锚节点和未知传感器节点的距离设计适应值函数，模拟自然界中动物的群落活动方式采用两个异质子种群来保持种群的良好多样性，并且模拟自然界中不同群落中的动物具有不同的偏好习惯的自然规律分别在这两个子种群中融合复合反向学习策略和精英混沌搜索策略，对两个子种群执行不同的搜索方式实现多种搜索模式的优势互补以增强全局搜索能力，提高定位的精度。同时，还模拟自然界中不同群落之间的动物的交流行为在每间隔指定的演化代数，两个子种群相互交换一些个体，实现优质搜索信息的共享和导向作用以加快收敛速度，提高定位的实时性。

主权项

1.一种基于异质双种群粒子群优化的WSN节点定位方法，其特征在于，包括以下步骤：步骤1，用户自定义初始化参数，所述初始化参数包括锚节点个数K，K个锚节点位置向量Z，其中第j个锚节点的位置为(Z_j×3-2，Z_j×3-1，Z_j×3)，未知传感器节点个数D，子种群大小SubPopsize，粒子最大速度绝对值Vmax粒子加速因子c1和c2学习概率Pl迁移间隔代数Mt，迁移大小Mn，迁移最优率Bestp最大评价次数MAX_FEs；步骤2，通过锚节点和未知传感器节点之间发射并接收信号强度的传统方法测得所有未知传感器节点到所有锚节点的距离记录到D行K列的矩阵Dis中，其中Dis_j，m为第j个未知传感器节点到第m个锚节点的距离；步骤3，令交叉率Cr_i=0.5其中i=1，...，SubPopsize，当前演化代数t=0当前评价次数FEs=0；步骤4，随机产生两个初始子种群SubP¹_t={A₁，A₂，...，A_i，...，A_SubPopsize}SubP²_t={B₁，B₂，...，B_i，...，B_SubPopsize}其中：i=1，...，SubPopsize，并且A_i和B_i分别为子种群SubP¹_t和SubP²_t中的第i个粒子，它们的随机产生公式分别为：A_i，２，j=-Vmax+rand(0，1)·2·VmaxB_i，２，j=-Vmax+rand(0，1)·2·Vmax其中j=1，...，D×3，并且D为未知传感器节点个数；A_i，l和B_i，l分别为在子种群Subp¹_t和SubP²_t中的第i个粒子所存储的D个未知传感器节点的探测位置，其中在子种群SubP¹_t中第i个粒子所存储的第j个未知传感器节点的探测位置为(A_{i，l，j×3-2}，A_{i，l，j×3-1}，A_i，l，j×3)；A_i，2和B_i，2分别为在子种群Subp¹_t和SubP²_t中的第i个粒子在每一维度上的速度大小；rand(0，1)为在[0，1]之间产生均匀分布的随机数函数；L₁和U₁分别为传感器节点分布区域的x轴坐标的下界和上界；L₂和U₂分别为传感器节点分布区域的y轴坐标的下界和上界；L₃和U₃分别为传感器节点分布区域的z轴坐标的下界和上界；步骤5，计算两个子种群SubP_t¹和SubP_t²中每个粒子的适应值，其中任意一粒子A_i的适应值Fit_i按以下公式计算：Fiti(Ai)=1D·KΣj-1DΣm-1K((Ai,l,j×3-2-Zm×3-2)2+(Ai,l,j×3-1-Zm×3-1)2+(Ai,l,j×3-Zm×3)2-Disj,m)2]]>其中K为锚节点个数，D为未知传感器节点个数，(Z_m×3-2，Z_m×3-1，Z_m×3)为第m个锚节点的三维坐标位置，Dis_j，m为第j个未知传感器节点到第m个锚节点的距离；当前评价次数FEs=FEs+SubPopsize×2，并保存子种群SubP¹_t和SubP²_t中适应值最小的粒子为最优粒子；步骤6，计算当前代的惯性权值其中t为当前演化代数，G=MAX_FEs2×SubPopsize]]>为最大演化代数；步骤7，在[0，1]之间产生一个服从均匀分布的随机数r1；如果r1小于学习概率Pl则执行步骤8，否则执行步骤9；步骤8，对子种群SubP_t¹中的每个粒子执行复合反向学习操作产生复合反向种群OP_t={OA₁，OA₂，...，OA_SubPopsize}；然后计算复合反向种群OP_t中每个粒子的适应值，再从SubP_t¹∪OP_t中选择出适应值最小的前SubPopsize个粒子作为下一代子种群然后转到步骤10；步骤9，对子种群SubP_t¹执行传统粒子群优化算法的操作算子，按以下公式更新每个粒子的速度和位置产生下一代子种群A_i，2，j=W_t×A_i，2，j+cl×rand1×(ApBest_i，j-A_i，l，j)+c2×rand2×(AgBest_j-A_i，l，j)A_i，l，j=Ai_，l，j+A_i，2，j其中，W_t为当前代的惯性权值，c1和c2为粒子加速因子，rand1和rand2分别为[0，1]之间的随机数，ApBest_i和AgBest分别为子种群Subp_t¹的第i个粒子的历史最优位置和全局最优位置；当前评价次数FEs=FEs+SbuPopsize；步骤10，在[0，1]之间产生一个服从均匀分布的随机数r2；如果r2小于学习概率Pl则执行步骤11，否则执行步骤12；步骤11，对子种群SubP_t²执行精英混沌学习操作算子产生下一代子种群然后转到步骤13；步骤12，对子种群SubP_t²执行传统粒子群优化算法的操作算子，按以下公式更新每个粒子的速度和位置产生下一代子种群B_i，2，j=W_t×B_i，2，j+c1×rand1×(Bpbest_i，j-B_i，l，j)+c2×rand2×(Bgbest_j-B_i，l，j)B_i，l，j=B_i，l，j+B_i，2，j其中，W_t为当前代的惯性权值，c1和c2为粒子加速因子，ranD1和rand2分别为[0，1]之间的随机数，BpBest_i和BgBest分别为子种群SubP_t²的第i个粒子的历史最优位置和全局最优位置；当前评价次数FEs=FEs+SbuPopsize；步骤13，如果当前演化代数t除以迁移间隔代数Mt的余数等于0，则执行步骤14，否则执行步骤17；步骤14，在子种群SubP¹_t中选择出前MN×Bestp个最优粒子，并随机选择出Mn×(1-Bestp)个粒子，其中Mn为迁移大小，Bestp为迁移最优率；然后把从子种群SubP¹_t中选择出来的这Mn个粒子组成迁移子种群MP¹_t，并从子种群SubP¹_t中删除在迁移子种群MP¹_t中存在的粒子；步骤15，在子种群SubP²_t中选择出前Mn×Bestp个最优粒子，并随机选择出Mn×(1-Bestp)个粒子，其中Mn为迁移大小，Bestp为迁移最优率；然后把从子种群SubP²_t中选择出来的Mn个粒子组成迁移子种群MP²_t，并从子种群SubP²_t中删除在迁移子种群MP²_t中存在的粒子；步骤16，把迁移子种群MP¹_t中的粒子加入到子种群SubP²_t中，并把迁移子种群MP²_t中的粒子加入到子种群SubP¹_t中；步骤17，保存子种群SubP¹_t和SubP²_t中适应值最小的粒子为最优粒子ABgBest_t；当前演化代数t=t+1；步骤18，重复步骤6至步骤17直至当前评价次数FEs达到MAX_FEs后结束，执行过程中得到的最优粒子ABgBest_t即为各个未知传感器节点的位置。