基于改进反向学习布谷鸟搜索的TDOA定位算法制造技术

本发明专利技术公开了一种基于改进反向学习布谷鸟搜索的TDOA定位算法，包括以下步骤初始化种群位置，确定目标函数f(x)，发现概率pa，解的维度D，最大迭代次数T，随机生成N个解；由目标函数确定每个解的目标函数值，保留最优解；更新位置，得到levy飞行后的新位置，并对比随机游走前解的适应度值，保留更优解；在随机数R大于pa时抛弃原解，生成反向解，保留更优解，每隔W代对所得解进行模拟退火，结束后保留最优值，反之保留原始解；结束，判定是否满足迭代次数，若满足，输出最优解。本发明专利技术引入反向学习策略，提高种群的多样性与收敛速度，在算法陷入局部最优时采用模拟退火机制增强算法的局部搜索能力，避免搜索结果陷入局部最优从而达到全局最优解。最优解。

【技术实现步骤摘要】
基于改进反向学习布谷鸟搜索的TDOA定位算法


[0001]本专利技术涉及智能优化算法
,更具体的说是涉及基于改进反向学习布谷鸟搜索的TDOA定位算法。

技术介绍

[0002]现有TDOA双曲线方程的解算方法主要包括解析法和群优化算法，在解析法中Chan算法采用两步最小加权二乘得到目标位置，在环境噪声小的视距(line of sight LOS)环境下有较高的定位精度，但在噪声较大时定位精度会大大下降。Taylor级数法要求有一个较为精确的初值，以确保算法有效收敛。采用了一种基于最小二乘和Taylor算法的联合算法，可提供一个精确初始解，有效提高了定位精度，但要求事先确定多变环境下的锚节点之间的时钟延迟。相比之下，智能群优化算法也常用于解决工程中的最优性问题，将粒子群优化(particle swarm optimization PSO)引入无线定位系统解决其中的非线性优化问题，但容易陷入局部最优，无法得到精确值。设想一种改进的遗传算法，但算法容易早熟，稳健性较差。

技术实现思路

[0003]有鉴于此，本专利技术目的在于提供一种基于改进反向学习布谷鸟搜索的TDOA定位算法，引入反向学习策略，提高种群的多样性与收敛速度，在算法陷入局部最优时采用模拟退火(Simulated Annealing，SA)机制增强算法的局部搜索能力，避免搜索结果陷入局部最优从而达到全局最优解。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]基于改进反向学习布谷鸟搜索的TDOA定位算法，其特征在于，具体包括以下步骤：
[0006]S10：初始化种群位置，确定目标函数f(x)，发现概率pa，解的维度D，最大迭代次数T，随机生成N个解；
[0007]S20：由目标函数确定每个解的目标函数值，保留最优解；
[0008]S30：更新位置，得到levy飞行后的新位置，并对比随机游走前解的适应度值，保留更优解；
[0009]S40：选择抛弃：在随机数R大于pa时抛弃原解，执行式(13)生成反向解，比较两者的目标函数值保留更优解，每隔W代(此处W＝5)对所得解进行模拟退火，结束后保留最优值，反之保留原始解；
[0010]S50：结束，判定是否满足迭代次数，若满足，输出最优解结束，否则再执行S20。
[0011]优选的，在上述一种基于改进反向学习布谷鸟搜索的TDOA定位算法中，所述S10中确定目标函数f(x)的具体过程：
[0012]设参与的锚点的数目为M(M≥4)个
[13]，坐标分布为(x
i
，y
i
)(i＝1，2，
…
，M)，目标位置为(x，y)，令τ
i
表示信号在目标节点到第i个锚点的传播过程中的时延，目标节点与锚点的距离为
[0013][0014]令d
i，1
表示目标节点与i(i≠1)个锚点和第一个锚点之间的距离差，ε
i
＝c*τ
i
[0015]d
i，1
＝d
i
‑
d1+ε
i i＝1，2，
…
M
ꢀꢀ
(2)
[0016]将(2)式改写为矩阵形式
[0017]ΔD＝D
‑
D1+ε
ꢀꢀ
(3)
[0018]其中
[0019]ΔD
m
‑
1，1
＝[d
2，1
，d
3，1
，
…
，d
m，1
][0020]D
m
‑
1，1
＝[d2，d3，
…
，d
m
][0021]D1＝[d1，d1，
…
，d1][0022]ε＝[ε1，ε2，
…
，ε3][0023]假设ε为服从高斯白分布的零均值，方差为δ2的白噪声，由观测数据采用极大似然估计得到位置估计，(3)式的极大似然函数为
[0024][0025]在目标节点位置满足
[0026]f(x)＝arg{min[(ΔD
‑
D+D1)
T
(ΔD
‑
D+D1)]}
ꢀꢀ
5)
[0027]式(5)中f(x)为目标节点的位置信息(x,y)是唯一的未知变量，从中可看出采用传统解析法求解其中的非线性函数计算复杂度高，计算时间长。通过智能优化算法在全局空间内搜索最优解，确定最终目标位置。基于以上讨论，将算法的目标函数设置为
[0028][0029]使用算法对其求解的过程中，保留每一代适应度的最高值，对比每代最优值，直到迭代结束，得到最优解。
[0030]优选的，在上述一种基于改进反向学习布谷鸟搜索的TDOA定位算法中，所述S10中随机生成的N个解可由式(15)确定
[0031]x
i
＝(ub
i
‑
lb
i
)
·
*rand+lb
i
ꢀꢀ
(15)；其中，i＝1，2，
…
，N，rand为均匀分布的随机数，
·
*表示哈达玛积。
[0032]优选的，在上述一种基于改进反向学习布谷鸟搜索的TDOA定位算法中，所述S20的具体步骤如下：首先，模拟布谷鸟的繁衍过程，以巢穴的位置优劣评判算法的适应度。算法
设定了三个过程机制：
[0033]1)每只布谷鸟每次只产一个蛋，并随机选择巢穴；
[0034]2)每次进化保留每一代中最优的巢穴位置；
[0035]3)搜索空间的区域固定，宿主以概率pa(0,1)发现并舍弃布谷鸟的蛋；然后通过通过莱维飞行(Levy fight)确定下一代鸟巢的位置：
[0036]x
t+1，i
＝x
t，i
+α
·
*Levy(β)
ꢀꢀ
(7)
[0037]其中：x
t+1，i
代表下一代鸟巢位置；x
t，i
代表当前鸟巢位置；α为缩放因子，此处去取0.1，
·
*为哈达玛积；
[0038]Levy飞行过程如下：
[0039][0040]其中：μ，ν表示服从标准正态分布的随机变量；表示控制因子，此处取1.3，Φ的表达式如下
[0041][0042]在Levy飞行得到新的巢穴之后，执行选择抛弃机制，用均匀分布的随机数R(0,1)与pa比较，若R＜pa保留当前解。
[0043]优选的，在上述一种基于改进反向学习布谷鸟搜索的TDOA定位算法中，若R≥pa，则抛弃当前位置，否则保留，新的位置由(10)式得出
[0044][0045]其中：r是服从均匀分布的比例因子，x
t，j
和x
...

【技术保护点】

【技术特征摘要】
1.基于改进反向学习布谷鸟搜索的TDOA定位算法，其特征在于，具体包括以下步骤：S10：初始化种群位置，确定目标函数f(x)，发现概率pa，解的维度D，最大迭代次数T，随机生成N个解；S20：由目标函数确定每个解的目标函数值，保留最优解；S30：更新位置，得到levy飞行后的新位置，并对比随机游走前解的适应度值，保留更优解；S40：选择抛弃：在随机数R大于pa时抛弃原解，执行式(13)生成反向解，比较两者的目标函数值保留更优解，每隔W代(此处W＝5)对所得解进行模拟退火，结束后保留最优值，反之保留原始解；S50：结束，判定是否满足迭代次数，若满足，输出最优解结束，否则再执行S20。2.根据权利要求1所述的基于改进反向学习布谷鸟搜索的TDOA定位算法，其特征在于，所述S10中确定目标函数f(x)的具体过程：设参与的锚点的数目为M(M≥4)个
[13]
，坐标分布为(x
i
，y
i
)(i＝1，2，
…
，M)，目标位置为(x，y)，令τ
i
表示信号在目标节点到第i个锚点的传播过程中的时延，目标节点与锚点的距离为令d
i，1
表示目标节点与i(i≠1)个锚点和第一个锚点之间的距离差，ε
i
＝c*τ
i
d
i，1
＝d
i
‑
d1+ε
i i＝1，2，
…
M (2)将(2)式改写为矩阵形式ΔD＝D
‑
D1+ε
ꢀꢀ
(3)其中ΔD
m
‑
1，1
＝[d
2，1
，d
3，1
，
…
，d
m，1
]D
m
‑
1，1
＝[d2，d3，
…
，d
m
]D1＝[d1，d1，
…
，d1]ε＝[ε1，ε2，
…
，ε3]假设ε为服从高斯白分布的零均值，方差为δ2的白噪声，由观测数据采用极大似然估计得到位置估计，(3)式的极大似然函数为在目标节点位置满足
f(x)＝arg{min[(ΔD
‑
D+D1)
T
(ΔD
‑
D+D1)]}
ꢀꢀ
(5)式(5)中f(x)为目标节点的位置信息(x，y)是唯一的未知变量，从中可看出采用传统解析法求解其中的非线性函数计算复杂度高，计算时间长。通过智能优化算法在全局空间内搜索最优解，确定最终目标位置。基于以上讨论，将算法的目标函数设置为使用算法对其求解的过程中，保留每一代适应度的最高值，对比每代最优值，直到迭代结束，得到最优解。3.根据权利要求1所述的基于改进反向学习布谷鸟搜索的TDOA定位算法，其特征在于，所述S10中随机生成的N个解可由式(15)确定x
i
＝(ub
i
‑
lb
i
)
·
*rand+lb
i
ꢀꢀ
...

【专利技术属性】
技术研发人员：杨永辉，何廷万，谢晓博，刘宏罡，李文昌，蒙海进，
申请(专利权)人：深圳市微能信息科技有限公司，
类型：发明
国别省市：