[发明专利]一种分布式传感器目标定位方法、装置和存储介质

权利要求书

1.一种分布式传感器目标定位方法，其特征在于，包括以下步骤：

获取传感器的节点信息；其中，所述节点信息包括位置信息和路由信息；

采用含自适应通信间隔调整机制的双向学习粒子群优化框架和外部学习粒子更新策略，对节点信息进行优化处理：

每个节点进行一次或多次的内部学习；邻居节点互相通信，且传递当前种群解；

对节点进行一次外部学习；如果种群收敛，则结束优化；否则，根据适应值的变化自适应地调整通信间隔，并继续进行下一轮的学习；

其中，所述外部学习粒子更新策略，用于协同不同节点优化全局目标。

2.根据权利要求1所述的一种分布式传感器目标定位方法，其特征在于，所述含自适应通信间隔调整机制的双向学习粒子群优化框架，用于将分布式优化中节点优化局部目标和优化全局目标的两个过程设计为两种粒子学习策略，并且两种学习策略的执行频率不同，通过自适应地调整执行频率，来平衡群探索性和系统共识性。

3.根据权利要求1所述的一种分布式传感器目标定位方法，其特征在于，通过以下方式实现自适应地调整执行频率：

在算法开始前，初始化适应值档案D_i∈Rⁿ，初始化最佳适应值bf＝inf；

在进行内部学习和外部学习之后，依据路由表，更新适应值档案D_i(i)，将D_i发送给邻居节点，并接收邻居节点发送的适应值档案D_j；节点会根据接收到的信息更新自己的档案D_i，如果路由表中记录了节点a的信息来自于邻居节点b，那么采用节点b的信息，即D_i(a)＝D_b(a)；

如果那么更新最佳适应值bf；否则，如果最佳适应值bf连续预测次数没有得到更新，则降低通信间隔k＝k-1；其中，n表示网络传感器数量，D_i(j)表示节点i中所记录的节点j的适应值。

4.根据权利要求2所述的一种分布式传感器目标定位方法，其特征在于，所述粒子学习的惯性速度采用了上一次外部学习的速度，而不是粒子上一次更新的速度，以提高算法的收敛速度和稳定性。

5.根据权利要求4所述的一种分布式传感器目标定位方法，其特征在于，外部学习粒子更新策略为：

x_i，a(t+k+1)＝x_i，a(t+k)+v_i，a(t+k+1)

其中，ω_ij是学习权重，满足r₄是范围[0，1]内的随机数；v_i，a(t+k+1)表示粒子速度，v_i，a(t)表示粒子惯性速度，x_j，a(t+k)表示节点j中粒子a的位置，x_i，a(t+k)表示节点i中粒子a的位置。