一种基于PSO-PGSA的室内定位方法技术

本发明专利技术实施例公开了一种基于PSO‑PGSA的室内定位方法，包括：S1、初始化粒子群S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史最优值和全局最优值；S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体粒子的速度和位移的更新；S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；S5、判断最优粒子是否达到条件，若达到则输出结果。实施本发明专利技术提高了室内定位的精确度；提高了定位结果的稳定性。

【技术实现步骤摘要】

本专利技术涉及物联网应用
，尤其涉及一种基于PSO-PGSA的室内定位方法。
技术介绍
近几年来，基于位置的服务受到越来越多的关注，在室外环境下，GPS导航系统应用比较成熟，定位精度逐步提高。相对于室外环境，室内环境更复杂，信号传播易受到人员、墙体以及其他障碍物的阻挡，定位难度大，定位精度不高，因此提高室内定位精度，一直是无线定位技术研究的热点。在一个区域中，节点位置的获取，在各类应用中具有重要的意义。在定位过程中，已知位置信息的节点称为锚节点，位置信息不知、需要通过锚节点进行定位的节点称为未知节点。按照是否需要测量距离，定位算法可分为基于测距的定位算法和非测距的定位算法。基于测距的定位算法是根据相关的技术来获取与相邻节点间的距离或者角度，根据未知节点与相邻锚节点的距离或者角度关系计算出未知节点的位置信息的方法。该方法能够获得较准确的位置信息，代表性的定位算法有AHLos算法、N-Hop算法、MDS-Map算法等。非测距定位算法不利用相关的辅助工具或方法来获取相邻节点的角度和距离，仅仅利用相邻节点之间的相互通信对未知节点的位置进行估计，算法比较简单，但是定位精度有限，代表性的算法有APIT算法、DV-Hop算法和质心算法。基于测距定位算法的实施过程主要分为两个阶段。第一阶段，测距阶段，即检测未知节点与信标节点之间的距离。第二阶段，位置估计阶段，即根据第一阶段的测距信息来估计未知节点的位置坐标。然而无论采用哪种测距方法，由于有环境噪声的影响，测距值会存在一定的误差。为了提高定位精度，必须使得定位误差最小。因此可将定位问题视为寻优问题。针对标准粒子群优化算法易陷入局部最优的缺点，提出采用模拟植物生长算法改进粒子群优化算法，提出PGSA-PSO，将改进的粒子群优化算法用于解决室内定位的寻优问题，有效地提高了定位的精确度。
技术实现思路
本专利技术的目的在于提供一种新的定位方法，其将模拟植物生长算法的概率生长选择机制引入到粒子群算法中，提高粒子群算法的寻优能力，将改进的粒子群算法应用到室内定位问题上，采用合适的适应度函数，有效的提高室内定位的定位精度和定位的稳定性。为了解决上述问题，本专利技术提出了一种基于PSO-PGSA的室内定位方法，将模拟植物生长算法的生长机制引入到粒子群算法中，构建PSO-PGSA算法，改进了粒子群算法的寻优能力，将PSO-PGSA算法应用到室内定位中，提高室内定位的精确度和稳定性，步骤包括如下：S1、初始化粒子群，包括种群的大小Size，解空间维度D，惯性因子的最大值和最小值，最大速度和最大位移限制，以及最大迭代次数；S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史最优值和全局最优值；S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体粒子的速度和位移的更新；S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；S5、判断最优粒子是否达到条件，若达到则输出结果，若没有达到则进行下一步的操作；S6、将模拟植物生长机制的概率生长机制引入到粒子群算法中，对非最优粒子进行概率生长，跳转到S4。根据室内定位的特点，采用适应度函数如下：F＝NT*cov(NNT)-1*N；其中，N＝B-AX，(xi,yi)为参考节点的位置坐标，di为未知节点到参考节点的距离，(x,y)为未知节点的位置坐标。将模拟植物生长的概率生长选择机制引入到粒子群算法中，提高了粒子群算法的寻优能力。对当前粒子群中非全局最优的粒子进行模拟植物生长，每个非最优的粒子按照模拟植物生长算法的生长机制进行生长，由一个粒子变成多个粒子，最后根据模拟植物生长算法的概率选择机制，选择多个粒子中的一个粒子替换原先的粒子，组成新的粒子群。本专利技术对比已有的室内定位方法，具有以下创新点a.将模拟植物生长算法的概率生长选择机制引入到粒子群算法中，实现对粒子群算法的改进，使其能够更加有效的避免陷入局部最优，从而提高了粒子群算法的寻优能力。b.将室内定位问题看成是寻优问题，将改进的粒子群算法应用到是室内定位问题中，采用合适的适应度函数，有效的提高室内定位的精度和稳定性。本专利技术对比已有定位方法具有以下显著优点：提高了室内定位的精确度；提高了定位结果的稳定性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例中的PSO-PGSA实现定位的流程图；图2是本专利技术实施例中的模拟植物生长算法概率选择示意图；图3是本专利技术实施例中的标准粒子群算法在仿真环境下室内定位效果示意图；图4是本专利技术实施例中的改进粒子群算法在仿真环境下室内定位效果示意图；图5是本专利技术实施例中的两种算法的定位效果比较示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为解决上述的技术问题，本专利技术采用的方案如下：S1、初始化粒子群，包括种群的大小Size，解空间维度D，惯性因子的最大值和最小值，最大速度和最大位移限制，以及最大迭代次数；S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史最优值和全局最优值；S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体粒子的速度和位移的更新；S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；S5、判断最优粒子是否达到条件，若达到则输出结果，若没有达到则进行下一步的操作；S6、将模拟植物生长机制的概率生长机制引入到粒子群算法中，对非最优粒子进行概率生长。跳转到S4。具体的，我们采用的适应度函数如下得到，在基于测距的定位算法中M个信标节点可得M个距离方程如下：将上式中的前M-1个方程减去第M个方程可得下式：对于上式，可以表示为AX＝B，其中：然而，在实际测量过程中，不可避免的有误差的存在，实际测量过程满足AX+N＝B，N为M-1为误差向量，根据最小二乘原理，x的取值应为误本文档来自技高网...

【技术保护点】
一种基于PSO‑PGSA的室内定位方法，其特征在于，将模拟植物生长算法的生长机制引入到粒子群算法中，构建PSO‑PGSA算法，改进了粒子群算法的寻优能力，将PSO‑PGSA算法应用到室内定位中，提高室内定位的精确度和稳定性，步骤包括如下：S1、初始化粒子群，包括种群的大小Size，解空间维度D，惯性因子的最大值和最小值，最大速度和最大位移限制，以及最大迭代次数；S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史最优值和全局最优值；S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体粒子的速度和位移的更新；S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；S5、判断最优粒子是否达到条件，若达到则输出结果，若没有达到则进行下一步的操作；S6、将模拟植物生长机制的概率生长机制引入到粒子群算法中，对非最优粒子进行概率生长，跳转到S4。

【技术特征摘要】
1.一种基于PSO-PGSA的室内定位方法，其特征在于，将模拟植物生长算法的生长机制
引入到粒子群算法中，构建PSO-PGSA算法，改进了粒子群算法的寻优能力，将PSO-PGSA算法
应用到室内定位中，提高室内定位的精确度和稳定性，步骤包括如下：
S1、初始化粒子群，包括种群的大小Size，解空间维度D，惯性因子的最大值和最小值，
最大速度和最大位移限制，以及最大迭代次数；
S2、初始化粒子群的开始速度和位移，根据目标函数计算出适应度，确定粒子群的历史
最优值和全局最优值；
S3、根据公式更新惯性因子，实现惯性权值因子的非线性减小，根据公式进行每个个体
粒子的速度和位移的更新；
S4、根据适应度函数计算出粒子群的历史最优值和全局最优值；
S5、判断最优粒子是否达到条件，若达到则输出结果，若没有达到则进行下一步的操
作；
S6、将模拟植物生长机制的概率生长机制引入到粒子群算法...

【专利技术属性】
技术研发人员：唐承佩，刘友柠，杨念，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44