[发明专利]基于改进粒子群的多维标度节点定位方法

权利要求书

1.一种基于改进粒子群的多维标度节点定位方法，采用锚节点和未知节点两种传感器节点，所述锚节点通过GPS定位自身位置，所述未知节点与相邻锚节点通信并通过网络拓扑以实现其自身的定位，其特征在于，在坐标转换阶段引入具有交叉操作的粒子群算法，主要包括如下阶段：

步骤1：初始化阶段，对无线传感器网络进行初始化，网络中各节点通过RSSI测距方法获得相邻节点的距离矩阵；

步骤2：分簇阶段，对无线传感器网络进行聚类整合，再将聚类整合后的无线传感器网络划分为多个以簇头为计算中心的簇；

步骤3：簇内节点相对定位阶段，根据输入距离矩阵计算广义平方距离矩阵，利用经典MDS算法对去中心化处理后的广义平方距离矩阵进行奇异值分解，得到簇内节点的相对坐标；

步骤4：簇间融合阶段，选取簇内公共节点多的一簇与相邻簇进行融合，再采用基于最小二乘法的簇间坐标配准法，对各个簇进行坐标配准以达到融合；重复上述步骤直至所有节点被融合；

步骤5：坐标转换阶段，利用锚节点的绝对坐标与相对坐标，并利用具有交叉操作的粒子群优化算法优化坐标转换参数的获取，将每个未知节点的相对坐标转换为绝对坐标，具体包括以下步骤：

步骤51：设置评估性的适应度函数，适应度函数的建立具体为：

步骤511：以锚节点参数组合看成一个粒子，利用锚节点的绝对坐标和相对坐标构建出适合的适应度函数：

其中(x₁,x₂)为锚节点相对坐标，(y₁,y₂)为锚节点绝对坐标，Δx₁,Δx₂为平移向量，α为旋转角度，t为翻转参数；

步骤512：设定误差函数f(Δx₁,Δx₂,α,t)来衡量锚节点的实际坐标(X,Y)与估计的绝对坐标(x,y)的差异度，公式为：

其中，N为锚节点数，A＝[(x_icosα-ty_isinα)+Δx₁-X_i]²，B＝[(x_isinα+ty_icosα)+Δx₂-Y_i]²，f(Δx₁,Δx₂,α,t)越小则参数优化效果越好，定位误差越小，将误差函数f(Δx₁,Δx₂,α,t)用作为粒子群优化算法的适应度函数搜寻群体最佳P_g；

步骤52：利用新的粒子运动公式进行速度计算，利用算术交叉、差分进化交叉与选择操作生成新的引导向量，并采用引导向量替代策略，将新的引导向量代入粒子运动公式，粒子运动公式具体为：

在D维的搜索空间中，一个粒子i具备两个向量，一个是速度向量V_i＝(v_i1,v_i2,…v_id,…v_iD)，另一个是位置向量X_i＝(x_i1,x_i2,…x_id,…x_iD)，由所需搜索的空间，对各粒子的位置和速度向量进行随机的初始化操作，之后利用位置和速度的更新公式对两个参数进行迭代搜索更新，更新公式如下：

v_id＝wv_id+cr_d(GV_id-x_id)

其中，w为取值为正的惯性因子，c是加速因子，r_d是均匀分布于[0,1]之间的随机数，GV_i则被称为引导向量，变量t表示迭代次数，d则表示维度中的某一维，d∈[1,2]，引导向量GV_i构建方式包括以下步骤：

步骤521：算术交叉

让两个粒子P_i和P_j进行交叉，产生新的速度向量V_id：

V_id＝r₁P_i+(1-r₁)P_j

在进行交叉操作之前，将每个粒子的历史最优位置(P₁,P₂,…,P_N)进行随机置换排列，以此来对群体最佳P_g周围做更多详尽的局部搜索；

步骤522：差分进化交叉

差分进化交叉作用在速度向量V_i和目标向量T_i生成新的向量U_i：

其中CR为交叉因子；

步骤523：选择操作

通过适应度函数来评价新产生的向量U_i，并将评价结果作为引导向量：

步骤524：替代策略

选取适应度最好的引导向量替代当前的引导向量，改变粒子的位置与速度走出局部最优；

步骤53：根据步骤52中生成的新的引导向量，计算新的适应度函数，利用所有锚节点的真实坐标与估计坐标的距离差值之和作为新的适应度函数评判粒子的适应度；

步骤54：判断是否已达到预设精度或迭代最大次数，若达到则通过优化后的坐标转换参数将所有未知节点的相对坐标转换为绝对坐标；若没有达到则依次重复步骤52和步骤53。