[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

说明书

本发明公开了一种分布式传感器目标定位方法、装置和存储介质，其中方法包括：获取传感器的节点信息；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。本发明通过分布式粒子群优化框架和外部学习策略，将粒子群优化算法应用在分布式优化问题中，平衡种群探索性和系统共识性，有效地提升了算法的优化表现，又保证了系统的共识性。本发明可广泛应用于无线传感器网络目标定位技术领域。

技术领域

本发明涉及无线传感器网络目标定位技术领域，尤其涉及一种分布式传感器目标定位方法、装置和存储介质。

背景技术

无线传感器网络是由大量空间分散的传感器连接而成的分布式系统，得益于每个传感器自身的感知、计算、通信等能力，无线传感器网络可以实现许多复杂的任务，如目标定位、环境检测、应急响应等。考虑到网络鲁棒性、可拓展性、传感器低能耗性等需求，分布式优化是对无线传感器网络部署与优化的一项关键技术。

无线传感器网络中的多目标定位问题是一个非凸优化问题，需要寻求一种优化表现好，且收敛能力有保证的算法。现有的大多分布式优化技术是基于梯度的优化算法，然而，这类方法大多只能优化目标函数为凸的优化问题，且要求目标函数满足一定的数学特性。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种分布式传感器目标定位方法、装置和存储介质。

本发明所采用的技术方案是：

一种分布式传感器目标定位方法，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。

进一步地，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，即通信间隔，来平衡群探索性和系统共识性。

进一步地，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表示传感器节点数量，D_i(j)表示节点i中所记录的节点j的适应值。

进一步地，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。