一种分布式传感器目标定位方法、装置和存储介质制造方法及图纸

本发明专利技术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。本发明专利技术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。本发明专利技术可广泛应用于无线传感器网络目标定位技术领域。位技术领域。位技术领域。

【技术实现步骤摘要】
一种分布式传感器目标定位方法、装置和存储介质


[0001]本专利技术涉及无线传感器网络目标定位
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术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。
[0005]本专利技术所采用的技术方案是：
[0006]一种分布式传感器目标定位方法，包括以下步骤：
[0007]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；
[0008]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：
[0009]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；
[0010]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；
[0011]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。
[0012]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。
[0013]进一步地，通过以下方式实现自适应地调整执行频率：
[0014]在算法开始前，初始化适应值档案D
i
∈R
n
，初始化最佳适应值bf＝inf；
[0015]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)；
[0016]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。
[0017]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。
[0018]进一步地，外部学习粒子更新策略为：
[0019][0020]x
i，a
(t+k+1)＝x
i，a
(t+k)+v
i，a
(t+k+1)
[0021]其中，ω
ij
是学习权重，满足r4是范围[0，1]内的随机数；v
i，a
(t+k+1)表示粒子速度，v
i，a
(t)表示粒子惯性速度，x
j，a
(t+k)表示节点j中粒子a的位置，x
i，a
(t+k)表示节点i中粒子a的位置。
[0022]进一步地，所述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，包括：
[0023]A1、在每个传感器节点中随机初始化种群p
i
；初始化适应值档案D
i
∈R
n
，初始化通信间隔k＝k0，初始化最佳适应值bf＝inf；通过泛洪机制初始化路由表R；
[0024]A2、为内部学习选择学习对象，每个个体从自己当前的节点内选择两个粒子作为学习对象；
[0025]A3、进行内部学习，更新粒子的速度和位置；
[0026]A4、更新粒子的适应值；
[0027]A5、如果已经进行了预设次数内部学习，进行步骤A6；否则返回步骤A2；
[0028]A6、将当前种群的解{x
i，1
，x
i，n
，...，x
i，m
}发送给邻居节点，并接收邻居节点发送的种群解
[0029]A7、进行外部学习，更新粒子的速度和位置；
[0030]A8、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，并接受邻居节点发送的适应值档案D
j
；
[0031]A9、如果那么更新最佳适应值bf，进行步骤A11；否则，进行步骤A10；
[0032]A10、如果最佳适应值bf连续预设次数没有得到更新，则降低通信间隔k＝k
‑
1；
[0033]A11、如果种群已收敛，则结束程序；否则，进入步骤A2。
[0034]进一步地，通过以下式子进行内部学习，以更新粒子的速度和位置：
[0035]v
i，a
(t+1)＝r1v
i，a
(t)+r2(x
i，b
(t)
‑
x
i，a
(t))+r3(x
i，c
(t)
‑
x
i，a
(t))
[0036]x
i，
a(t+1)＝x
i，a
(t)+v
i，a
(t+1)
[0037]式中，x
i，a
是当前被更新的粒子，x
i，b
和x
i，c
是被选择的两个学习对象，r1，r2，r3均为范围[0，1]内的随机数；v
i，a
表示节点i中第a个粒子的惯性速度；
[0038]通过以下式子更新粒子的适应值：
[0039][0040]式中，N
T
表示目标的数量，是传感器探测的自身与第t个目标的距离，x
i，a，t
是当前粒子所估计的第t个目标的位置，ω
i
是传感器自身的位置。
[0041]进一步地，优化目标是同时定位多个探测目标的位置，因此每个传感器的局部目标被设置为传感器探测距离与估计的位置距离的差异值；
[0042]在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式传感器目标定位方法，其特征在于，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。2.根据权利要求1所述的一种分布式传感器目标定位方法，其特征在于，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，来平衡群探索性和系统共识性。3.根据权利要求1所述的一种分布式传感器目标定位方法，其特征在于，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
∈R
n
，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表示网络传感器数量，D
i
(j)表示节点i中所记录的节点j的适应值。4.根据权利要求2所述的一种分布式传感器目标定位方法，其特征在于，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。5.根据权利要求4所述的一种分布式传感器目标定位方法，其特征在于，外部学习粒子更新策略为：x
i，a
(t+k+1)＝x
i，a
(t+k)+v
i，a
(t+k+1)其中，ω
ij
是学习权重，满足r4是范围[0，1]内的随机数；v
i，a
(t+k+1)表示粒子速度，v
i，a
(t)表示粒子惯性速度，x
j，a
(t+k)表示节点j中粒子a的位置，x
i，a
(t+k)表示节点i中粒子a的位置。6.根据权利要求1所述的一种分布式传感器目标定位方法，其特征在于，所述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，包括：A1、在每个传感器节点中随机初始化种群p
i
；初始化适应值档案D
i
∈R
n
，初始化通信间隔k＝k0，初始化最佳适...

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