基于自适应差分进化算法的无线传感器网络定位方法技术

本发明专利技术涉及无线传感器网络和智能计算领域，涉及一种基于自适应差分进化算法的无线传感器网络定位方法，该方法在基本差分进化算法的基础上，将邻域信息和历史搜索信息融入编码之中，并引入一个自适应控制机制，基于自适应差分进化算法，结合自适应协方差矩阵进化策略，是一种高效的无线传感器网络定位方法。本发明专利技术提出自适应机制来控制全局搜索和局部搜索，通过融合差分进化算法较强的全局搜索能力以及自适应协方差矩阵进化策略优秀的局部搜索能力，使得无线传感器网络定位精度更高、鲁棒性更好。

Localization Method for Wireless Sensor Networks Based on Adaptive Differential Evolution Algorithms

The invention relates to the field of wireless sensor networks and intelligent computing, and relates to a localization method for wireless sensor networks based on adaptive differential evolution algorithm. The method integrates neighborhood information and historical search information into coding on the basis of basic differential evolution algorithm, and introduces an adaptive control mechanism, which is based on adaptive differential evolution algorithm and combined with adaptive co-party. Differential matrix evolution strategy is an efficient localization method for wireless sensor networks. The self-adaptive mechanism is proposed to control global search and local search. By combining the strong global search ability of differential evolution algorithm and the excellent local search ability of adaptive covariance matrix evolution strategy, the positioning accuracy and robustness of wireless sensor networks are improved.

【技术实现步骤摘要】
基于自适应差分进化算法的无线传感器网络定位方法
本专利技术涉及无线传感器网络和智能计算领域，主要涉及一种基于自适应差分进化算法的无线传感器网络定位方法。
技术介绍
定位技术是无线传感器网络的关键技术之一，最简单的定位技术是给每个传感器配备一个全球定位系统，以此获取位置信息，但这样会导致成本过高、消耗能量大的问题，因此网络的设计者通常只给极少量的传感器配备定位装置使它们可以精确获得自身的位置，这些传感器又称为锚点。无线传感器网络的节点定位依靠这些锚点的位置信息和节点之间的距离信息等来估测网络中其它传感器节点的位置信息。由于受到传感器节点计算能力、消耗能量以及通信带宽等的限制，设计出高效的定位算法成为无线传感器网络研究领域中的热点问题。按照定位过程是否需要节点测量距离，可以将当前提出的定位算法分为两类：距离相关和距离无关。距离相关算法需要获取节点之间的距离或角度信息，然后再通过三角测量、三边测量或者极大似然估计等数学方法求出节点的位置，典型的算法有TOA、AOAO和TDOA等。距离相关算法能提供较为精确的定位，但是对传感器的硬件要求较高，而距离无关算法则无需测量节点间的距离或角度信息，采用间接的方法如网络跳数、网络连通度等来估计节点的位置。虽然距离无关算法的定位精度相对较低，但是降低了节点的硬件要求，减少了节点的功耗和成本，在实际应用中能满足粗粒度的定位要求，典型的算法有质心算法、凸规划、APIT和MDS-MAP等。无线传感器网络的定位是一个复杂的多峰优化问题，传统的算法很容易陷入局部最优解。近年来，陆续有学者尝试采用进化算法来优化无线传感器网络的定位精度，例如遗传算法(GA)、粒子群算法(PSO)和差分进化算法(DE)等。在实际应用中，由于受噪音因素的影响，传统的确定性定位算法难以求得高精度的定位结果，使得无线传感器网络定位精度不高且鲁棒性不高。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于自适应差分进化算法的无线传感器网络定位方法，该方法基于自适应差分进化算法，结合自适应协方差矩阵进化策略(CMA-ES)，是一种高效的无线传感器网络定位方法。本专利技术提出通用的自适应机制来控制全局搜索和局部搜索，通过融合差分进化算法较强的全局搜索能力以及自适应协方差矩阵进化策略优秀的局部搜索能力，使得无线传感器网络定位精度更高、鲁棒性更好。本专利技术基于自适应差分进化算法的无线传感器网络定位方法包括：S1初始化算法的参数，并产生NP个随机个体作为差分进化算法的初始种群；S2执行全局搜索模块GSC，采用差分进化算法的搜索机制来实现全局搜索，即利用差分进化算法的变异操作、交叉操作和选择操作产生NP个新个体；S3执行步骤S2一定代数后更新GSC的进化效率，如果符合条件C1则执行步骤S4；反之，如果算法达到结束条件则终止，否则继续执行步骤S2；S4执行局部搜索模块LSC，即从当前的种群中选择出一个具有最大进化效率的个体，对其应用自适应协方差进化策略CMA-ES的搜索机制进行局部优化操作；S5执行步骤S4一定代数后更新LSC的进化效率，如果符合条件C2则继续执行步骤S4；反之，如果算法达到结束条件则终止，否则执行步骤S2。进一步地，本专利技术无线传感器网络定位方法的个体编码方式扩展为两部分：第一部分包含一个代表性的解，该部分的信息将在一个全局优化模块GSC的运作下进行搜索；第二部分包含一个随机区域，该部分的信息将在一个局部优化模块LSC进行下局部优化。编码方式中一个个体表达成如下公式的形式：其中：X是该个体所包含的代表性解；m是多元高斯分布的均值向量；C是协方差矩阵；σ是变异步长；pC和pσ分别是C和σ的进化路径；是对LSC的进化效率的评估值，用于判断自适应控制算法是否继续执行GSC或LSC。进一步地，本专利技术提出一种自适应机制来控制全局搜索模块和局部搜索模块，自适应机制中用来评估算法进化效率的评估函数为：其中A代表着GSC或者LSC；Apbest是在执行评估前算法A所找到的最优适应度；Acbest是算法在执行评估过程后算法找到的最优适应度；△则为执行评估过程所需要的适应度评估次数。本专利技术自适应控制机制中，C1和C2是控制算法是否继续执行GSC和LSC的条件。首先定义一个用来评估算法进化效率的评估函数其中A代表着GSC或者LSC；Apbest是在执行评估前算法A所找到的最优适应度；Acbest是算法在执行评估过程后算法找到的最优适应度；△则为执行评估过程所需要的适应度评估次数。为了不失一般性，假设待求解的问题是一个最小化问题，而且其适应度都为非负，因此表示算法A比算法B具有更好的进化效率。基于上述算法进化效率的评估函数，“C1”定义为：其中rand(0,1)返回一个0和1之间服从均匀分布的随机数；ω∈[0,1]是一个预定义的参数。“C1”意味着算法在满足以下的三个条件中任何一条时，将暂停执行GSC转而执行LSC：1)算法在区域首次执行LSC；2)GSC的进化效率低于LSC的进化效率；3)随机产生的一个0到1之间的随机数的值小于ω。引入ω是为了使得算法在LSC的进化效率低于GSC的进化效率时依然能够有较小的概率执行LSC。这样，算法可以有机会更新LSC的进化效率，以降低由于评估失误所带来的损失。相应地，“C2”定义为：条件“C2”意味着当LSC的进化效率高于GSC的进化效率且随机产生一个0和1之间的随机数的值大于ω时，将继续执行LSC，否则执行GSC。这样设置的目的是：当LSC的效率足够高时(即完成局部深度搜索)或者随机小概率情况(rand(0,1)<ω)下，转向全局搜索，广度搜索有更优解的区域。相对现有技术，本专利技术具有如下有益效果：本专利技术利用差分进化算法是一种基于种群的智能算法，具有较强的全局搜索能力的特点，在基本差分进化算法的基础上，将邻域信息和历史搜索信息融入编码之中，并引入一个自适应控制机制，有效提高了算法的求解速度和精度。结合附图阅读本专利技术实施方式的详细描述后，本专利技术的其他特点和优点将变得更加清楚。附图说明图1为本专利技术无线传感器网络定位方法的自适应控制策略示意图；图2为本专利技术无线传感器网络定位方法整体流程图。具体实施方式下面通过具体实施方式对本专利技术作进一步详细的描述，但本专利技术的实施方式并不限于此。本实施例中，设有一个100m×100m的矩形检测区域中部署n个传感器{s1,s2,…,sn}和m个锚点{sn+1,sn+2,…,sn+m}，所有节点(包括传感器节点和锚点)都具有相同的通信半径r，而且每个节点可以估计出在它的通信范围内的节点与该节点的距离。由于物理噪音的存在，估计出的距离与真实的距离dij具有如下关系：其中τ∈[0,1]是噪音系数，而θ是一个服从标准正态分布的随机数。无线传感器网络的节点定位问题要求通过已知位置的锚点以及点与点之间的距离信息，估计出所有传感器节点的位置。为了将进化算法应用于求解无线传感器网络的节点定位问题，采用如下的编码方式：X＝[x1,x2,...,xn,xn+1,...,x2n](2)其中(xi,xi+n)代表着传感器si的位置。个体的适应度函数则按公式(3)和(4)计算：其中是si和sj之间的估计距离，ei,j是根据X计算出来的距离信息，即本专利技术将公式(2)的编码方式进一步扩展为两部本文档来自技高网...

【技术保护点】
1.基于自适应差分进化算法的无线传感器网络定位方法，其特征在于，包括：S1初始化算法的参数，并产生NP个随机个体作为差分进化算法的初始种群；S2执行全局搜索模块GSC，采用差分进化算法的搜索机制来实现全局搜索，即利用差分进化算法的变异操作、交叉操作和选择操作产生NP个新个体；S3执行步骤S2一定代数后更新GSC的进化效率，如果符合条件C1则执行步骤S4；反之，如果算法达到结束条件则终止，否则继续执行步骤S2；S4执行局部搜索模块LSC，即从当前的种群中选择出一个具有最大进化效率的个体，对其应用自适应协方差进化策略CMA‑ES的搜索机制进行局部优化操作；S5执行步骤S4一定代数后更新LSC的进化效率，如果符合条件C2则继续执行步骤S4；反之，如果算法达到结束条件则终止，否则执行步骤S2。

【技术特征摘要】
1.基于自适应差分进化算法的无线传感器网络定位方法，其特征在于，包括：S1初始化算法的参数，并产生NP个随机个体作为差分进化算法的初始种群；S2执行全局搜索模块GSC，采用差分进化算法的搜索机制来实现全局搜索，即利用差分进化算法的变异操作、交叉操作和选择操作产生NP个新个体；S3执行步骤S2一定代数后更新GSC的进化效率，如果符合条件C1则执行步骤S4；反之，如果算法达到结束条件则终止，否则继续执行步骤S2；S4执行局部搜索模块LSC，即从当前的种群中选择出一个具有最大进化效率的个体，对其应用自适应协方差进化策略CMA-ES的搜索机制进行局部优化操作；S5执行步骤S4一定代数后更新LSC的进化效率，如果符合条件C2则继续执行步骤S4；反之，如果算法达到结束条件则终止，否则执行步骤S2。2.根据权利要求1所述的无线传感器网络定位方法，其特征在于，无线传感器网络定位方法的个体编码方式扩展为两部分：第一部分包含一个代表性的解，该部分的信息将在一个全局优化模块GSC的运作下进行搜索；第二部分包含一个随机区域，该部分的信息将在一个局部优化模块LSC进行下局部优化。3.根据权利要求2所述的无线传感器网络定位方法，其特征在于，所述个体编码方式中一个个体表达成如下公式的形式：其中：X是该个体所包含的代表性解；m是多元高斯分布的均值向量；C是协方差矩阵；σ是变异步长；pC和pσ分别是C和σ的进化路径；是对LSC的进化效率的评估值，用于判断自适应控制算法是否继续执行GSC或LSC。4.根据权利要求3所述的无线传感器网络定位方法，其特征在于，提出一种自适应机制来控制全局搜索模块和局部搜索模块，所述自适应机制中用来评估算法进化效率的评估函数为：其中A代表GSC或者LSC；Apbest是在执行评估前算法A所找到的最优适应度；Acbest是算法在执行...

【专利技术属性】
技术研发人员：张军，龚月姣，陈伟能，余维杰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44