GSO算法的改进及其在无线传感器网络节点定位中的应用研究

摘要

无线传感器网络(Wireless Sensor Networks，WSN)是由布置在监测区域内许多微型传感器节点互相协作形成的一个多跳自组织网络。传感器节点的位置信息在WSN的应用中起着至关重要的作用，因此节点定位技术成为WSN的关键技术。目前WSN的定位技术分为基于测距的定位技术和无需测距的定位技术，基于测距的定位技术具有较高的定位精度，但其通信能耗较大且需要安装价格较高的硬件设施;无需测距的定位技术定位精度相对较低，但其结点通信能耗较低且无需额外的硬件支持，无需测距的定位技术因其低成本低能耗的优点在实际应用中得到了广泛的应用，同时也成为了研究者们研究的热点。
　　目前DV-Hop算法作为一种易实现的典型无需测距定位算法被广泛应用在WSN的节点定位中，针对该算法定位精度不高的问题，本文在对DV-Hop算法分析的基础上引入了萤火虫群优化(Glowworm Swarm Optimization，GSO)算法对其进行改进。GSO算法是一种具有较强通用性的智能优化算法，具有较高的寻优精度和收敛速度，已成功应用于函数的优化中。由于DV-Hop算法在计算未知节点和信标节点的间距时，由于未知节点认为在WSN的监测区域内每一跳的平均距离是相同的，因此会造成较大的定位误差，本文使用GSO改进算法对DV-Hop定位后期的定位误差函数进行优化以提高未知节点位置的定位精度。主要研究工作如下:
　　1.改进萤火虫群优化算法。针对GSO算法本身存在着对初始种群分布的依赖性，后期收敛速度慢且易陷入局部最优、早熟和求解精度低等缺陷，本文提出了基于混沌变异的GSO算法和基于混沌惯性权重位置更新的GSO算法，最后结合了这两种改进算法，即基于混合混沌策略的萤火虫群优化算法(MC-GSO)，MC-GSO算法是在萤火虫陷入局部最优时对每个萤火虫周围进行混沌变异和引入混沌惯性权重控制萤火虫的移动距离。在Matlab仿真平台通过六个测试函数证明了MC-GSO算法有更好的收敛性，在求解精度方面也有了较大的提高，而且MC-GSO算法的局部搜索能力也避免了算法早熟收敛的情况。
　　2.由于DV-Hop定位算法的平均跳距存在误差，以及多条误差积累等因素，使得DV-Hop算法定位精度不高。为此，本文基于改进的萤火虫群优化算法，提出MGDV-Hop定位算法，用MC-GSO算法替代DV-Hop中第三阶段的最小二乘法进行定位，通过建立误差适应度函数将坐标线性求解转换为二维组合优化问题，解决DV-Hop定位算法定位精度不高的缺陷。仿真结果表明，MGDV-Hop算法在定位精度、节点覆盖率和节点剩余能量方面都有一定的提高。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 无线传感器网络节点定位技术的研究现状

1．2．2 萤火虫群优化算法的研究现状

1．2．3 基于群智能优化算法的定位算法研究现状

1．3 论文的研究内容与创新点

1．4 论文的组织结构

第二章 萤火虫群优化算法及无线传感器网络节点定位技术

2．1 萤火虫群优化算法

2．1．1 GSO基本原理

2．1．2 GSO算法流程

2．2 无线传感器网络节点定位的基本术语

2．3 无线传感器网络节点定位算法

2．3．1 基础定位算法

2．3．2 典型的基于测距的定位算法

2．3．3 典型的基于非测距的定位算法

2．4 无线传感器网络定位算法的性能评价指标

2．5 本章小结

第三章 基于混合混沌策略的萤火虫群优化算法

3．1 基于混沌惯性权重的萤火虫群优化算法

3．1．1 混沌惯性权重

3．1．2 萤火虫混沌惯性权重位置更新

3．2．1 混沌优化算法

3．2．2 萤火虫个体混沌变异

3．3 基于混合混沌策略的萤火虫群优化算法(MC-GSO)

3．3．1 算法设计的基本思想

3．3．2 MC-GSO算法

3．4 仿真实验

3．4．1 实验参数与实验环境

3．4．2 实验测试函数

3．4．3 仿真实验结果与分析

3．5 本章小节

第四章 基于混合混沌策略萤火虫群优化的DV-Hop定位算法

4．1 DV-Hop定位算法概述

4．2 DV-Hop定位算法中存在的问题

4．3 基于混合混沌策略的萤火虫优化的DV-Hop定位算法(MGDV-Hop)

4．3．1 算法设计思想

4．3．2 MGDV-Hop算法

4．4 仿真实验

4．4．1 实验参数与环境

4．4．2 误差模型

4．4．3 实验结果与分析

4．5 本章小结

5．1 全文总结

5．2 研究展望

参考文献

致谢

攻读硕士学位期间参与的科研项目