[发明专利]一种基于正余弦优化与跳段优化的DV-Hop定位算法

权利要求书

1.一种基于正余弦优化与跳段优化的DV-Hop定位算法，其特征在于：首先定义最优化锚节点的概念，选取每个未知节点周围所有锚节点中平均跳距最小的锚节点作为最优化锚节点，然后选取其余任一锚节点与未知节点构成三角形，将最优化锚节点到未知节点的边作为三角形中的最优化边；其次利用余弦定理计算其余锚节点到未知节点的距离达到优化跳距的目的；最后利用正余弦优化算法(SCA)改进最小二乘法，利用正余弦函数的波动性寻找未知节点的最优位置。

2.根据权利要求1所述的基于正余弦优化与跳段优化的DV-Hop定位算法，其特征在于具体步骤为：

Step1：在n×m的矩形空间中随机投放S个无线传感器网络节点，其中包含已知锚节点和未知节点，各锚节点向通信半径的范围内广播数据包，数据包包括锚节点ID、跳数、自身坐标，初始值设置为0，邻居节点接收数据包后同样执行此操作；

Step2：各参与广播通信过程的网络节点仅保留距其它节点跳数值最小的数据包，通过各节点路由向量表可以查得参与通信过程的节点间最小跳数值：

式中，i＝(1，2，…，j，…，n)；

Step3：通过下式得到每个锚节点的平均跳距，再将跳数与平均跳距二者相乘得到跳段值；

式中，x_i，x_j是i，j锚节点对应的x坐标，y_i，y_j是i，j锚节点的y坐标，是所有锚节点i和j(i≠j)之间的跳数总和；

Step4：找出每个未知节点周围具有最小跳距的锚节点作为最优化锚节点，以及最优化边；

最优化锚节点、未知节点、其余任一锚节点构成三角形，利用余弦定理修正任一锚节点与未知节点的边，修正跳段；

Step5：利用正余弦优化算法(SCA)代替最小二乘法，寻找最优解。

Step6：通过未知节点的估计坐标值(x，y)与所有未知节点的初始坐标值(x_i，y_i)得到所有未知节点的平均定位精度：

式中，Error_accuracy是节点平均定位精度的衡量表示，x，y表示未知节点，x_i，y_i表示未知节点的真实坐标，n表示节点总数。

3.根据权利要求2所述的基于正余弦优化与跳段优化的DV-Hop定位算法，其特征在于，所述Step4中余弦定理修正具体为：

首先在未知节点与其他节点跳数MA1，A1A2，MA2各边跳数已知的情况下，使用三边的跳数信息近似代替距离信息，得到角度θ1：

Hop1是最优化锚节点和未知节点的跳数，Hop2是最优化锚节点和其余锚节点中任意一个锚节点的跳数，Hop3是未知节点和其余锚节点中任意一个锚节点的跳数；锚节点A2、A3之间的距离通过平方差公式得到d_A2A3，使用最优化锚节点的最短跳距乘以M到A2的跳数得到d_MA2，再利用上式得到的θ1计算出d_MA3：

d_MA2≈Hop1×HopDistance_A2

HopDistance_A2是平均跳距，当三角形的三条边构不成三角形时，即Hop1+Hop2≤Hop3或|Hop1-Hop2|≥Hop3时，选择最优化锚节点的平均跳距与未知节点和其余锚节点的跳数做乘积，采用下式计算：

d_MA3≈Hop1×HopDistance_A3。

4.根据权利要求2所述的基于正余弦优化与跳段优化的DV-Hop定位算法，其特征在于，所述Step5的具体步骤为：

Step5.1：初始话种群数量N，在[0，100]区域范围内随机生成N个解，并且随机设定各个解的初始位置，种群中第i个粒子的位置表示为：q_i＝(q_i1，q_i2，q_i3，...，q_iD)；

Step5.2：根据初始解位置，计算相应的适应度值f(x)，算出当代个体最优解为：L_z＝(L_z1，L_z2，L_z3，...，L_zD)；

Step5.3：在每一代更新位置信息，重新计算每个解和本次全局的适应度值，利用下式更新当前解：

式中，q_i1^t是当前个体的第i维第t代的位置，r2是[0，2π]之间的随机数，r3是[0，2]之间的随机数，r4是[0，1]之间的随机数，L_zj^t表示第i维的终点的位置，r1表达式为：

式中，α是一个普通的常数，t为当前迭代，T_MAX是最大迭代次数，四个参数r1，r2，r3，r4，r1表示下一个解所在区域位于最优解和当前解的内部或者外部，迭代次数的多少决定了r1的大小；

Step5.4：比较更新后的每一个解的适应度值和最优解的适应度值，如果最优值中，当前解大于最优解，则更新全局最优解位置；

Step5.5：判断是否满足终止条件，若满足则输出，否则重复Step5.2-Step5.4。