[发明专利]一种基于改进布谷鸟搜索算法的WSN节点定位方法

说明书

本发明提供了一种基于改进布谷鸟搜索算法的WSN节点定位方法，其包括：初始化布谷鸟搜索算法的参数；构建目标函数，利用寻找目标函数的最小值，得到盲节点的位置；步长控制因子a的值随着迭代的进行逐渐减小；计算步长控制因子a，利用levy飞行过程更新鸟窝位置；判断更新后的布谷鸟个体是否超出无线传感器区域；计算鸟窝的适应度；比较得出最佳适应度；判断新的鸟窝位置是否超出无线传感器区域；判断是否达到最大迭代次数，输出全局最佳适应度及对应的鸟巢位置等步骤。本发明的方法具有更快的收敛速度和更高的收敛精度，适用于无线传感器网络定位系统。

技术领域

本发明属于室内外定位领域，具体涉及一种适合WSN的节点定位方法，特别是一种基于改进布谷鸟搜索(Cuckoo Search，CS)算法的WSN节点定位方法。

背景技术

在无线传感器网络(Wireless Sensor Network，WSN)的众多实际应用中，获取WSN节点位置信息可以帮助人们对WSN节点采集的信息作出恰当的决策。比如，WSN被应用于监测环境变化、人们的健康状况、智能交通以及大型场馆建筑等信息时，如果不知道传感器节点的位置信息，我们将无法对监测的信息做出及时、有效的决策。虽然GPS(GlobalPositioning System)与BDS(Beidou Navigation Satellite System)已经发展成熟，由于其体积大、功耗高以及成本高等因素，并不适用于经常被大规模部署在峡谷或者室内等信号遮蔽区域的WSN。因此我们急需找到一种适合WSN自身特点的节点定位方法。

目前，常用的WSN节点定位方法是由GPS/BDS定位或者预先设置一些信标节点，然后通过测量未知节点与信标节点之间的距离、角度或者连接度信息，根据传统数学计算方法(比如线性规划、最小二乘法、最大似然估计法等)求解非线性方程组或者利用启发式算法(比如遗传算法、模拟退火算法、粒子群优化算法、布谷鸟搜索算法等)优化目标函数来计算未知节点的坐标。然而随着WSN规模的扩大，传统数学计算方法在解算非线性方程组时存在计算复杂度高、定位误差比较大等缺点，这样无疑会加大WSN节点的能量消耗，缩短WSN节点寿命周期；模拟退火算法、遗传算法、粒子群优化等启发式算法虽然降低了计算复杂度，但存在收敛速度慢，容易陷入局部最优以及参数比较多等缺点，这样不仅会增加WSN节点的能量消耗，同时也会增大定位误差。相对于其他启发式智能优化算法而言，布谷鸟搜索算法简单易行，参数少，在WSN节点定位中逐渐受到青睐。

“求解无线传感器网络定位问题的线性规划算法(王珊珊等，计算机研究与发展，2009，46(5):705-712)”一文提出了利用节点RSSI值和经验的无线信号传输模型推导出所有可通信节点之间相对关系，基于线性规划算法定位WSN节点。针对节点之间二次约束的规划问题，该文把节点之间的距离当作几何约束关系，并利用矩形近似圆形将其转化为线性规划问题。相对于凸规划定位算法，这种算法降低了计算复杂性和计算量，但是增加了定位误差，同时随着WSN规模的增大，计算复杂度呈线性增加。

“Wireless Sensor Network Localization Based on Cuckoo SearchAlgorithm(Goyal S等，Wireless Personal Communications，2014,79(1)：223-234)”一文提出利用布谷鸟算法实现WSN节点定位，主要思想：使用RSSI测距方式测量未知节点到信标节点之间的距离，从而得到一个非线性方程组，然后利用布谷鸟搜索算法对该非线性方程组进行逐步迭代，最后得到达到一定迭代次数或者一定精度的最优解，即未知节点的坐标。该算法能有效的抑制测距误差对定位的影响，提高节点的定位精度，具备很好的实用性，但是并没有通过调节布谷鸟搜索算法中的参数来增加布谷鸟种群的多样性、加快全局寻优速度。