基于IMCB算法的无线传感器网络节点定位

针对蒙特卡洛盒(MCB)移动定位算法中存在的样本点退化问题,提出一种改进的蒙特卡洛盒(IMCB)定位算法,将其应用于无线传感器网络节点定位中。在MCB算法的基础上,通过分析当前时刻定位结果、节点距离以及相对位置信息,获得下一时刻在样本盒不同区域的采样概率,使样本点尽可能落在后验概率较大的区域内,从而解决MCB算法样本点退化导致定位精度降低的问题。仿真实验结果表明,在相同条件下,与MCB、MCL算法相比,IMCB算法的平均定位精度提高约14%,平均定位能耗降低约17%。     

基于改进MCB的无线传感器网络移动节点定位

针对MCB移动定位算法样本点过滤条件比较弱的问题,提出一种改进蒙特卡洛盒子IMCB(Improved Monte-Carlo localization Boxed)定位算法。该算法在MCB算法的基础上,引入了一跳和二跳以外的特殊锚节点来增强样本点过滤的条件,从而有效地解决了原算法过滤条件弱导致定位精度低的问题。仿真实验结果表明,在相同条件下,同MCB算法相比,定位精度提高了约15%,相同定位精度要求下,定位能耗降低约40%。     

锚节点静止的无线传感网定位算法

节点定位是无线传感网应用中的一个基础问题。针对锚节点静止而定位节点移动的无线传感网,改进MCB(Monte Carlo localization Boxed)定位算法。由于MCB算法只利用了当前时刻的一跳锚节点信息建立信标盒子,所以不能利用前一时刻锚节点的信息。在许多传感网中锚节点是静止的,所以可以利用前一时刻的锚节点信息。该算法以蒙特卡洛方法为基础,利用前一时刻的一跳锚节点信息和最大速度建立信标盒子,缩小了MCB算法的采样空间。实验结果表明,所提出的算法能够有效减小MCB算法的采样次数和提高定位精度。     

使用历史锚节点信息的改进MCB算法

针对MCB算法的采样效率及定位误差,在锚节点静止而未知节点运动的情况下,提出了一种新的改进算法MBHA,通过充分利用侦测到的历史及当前锚节点信息,来修正MCB算法的采样箱。大数据量仿真结果表明,修正后的采样区域相比修正前更接近节点的真实位置。MBHA算法最终使用优化修正后的采样区域进行采样,在绝大多数的对比仿真环境实验中,该算法既大幅提升了采样效率,又提高了定位精度。     

WSN中改进的MCB移动节点定位算法

考虑到蒙特卡洛盒移动节点定位算法中存在的定位精度低的缺陷,提出一种改进的基于RSSI的MCB定位算法。该算法依据节点接收的RSSI值缩小锚盒子区域;利用二次牛顿插值法预测节点运动轨迹,估算移动速度,进一步获取有效采样区域;然后依据采样盒大小自适应确定采样个数,避免多余样本的采集;最后借鉴遗传算法中交叉和变异思想优化采集过程。实验仿真结果表明在不同锚节点密度情况下,改进后的移动节点算法的定位精度始终优于传统MCB算法。     

一种基于MCB的自适应和声搜索定位算法

针对无线传感器网络锚节点稀疏条件下节点定位中存在的翻转现象和定位精度问题,提出了一种基于MCB的自适应和声搜索定位算法。通过引入MCB算法中的采样思想,随机产生网络拓扑约束下的未知节点的坐标,引入自适应的和声保留概率和音调调节概率,达到提高搜索能力和定位精度目的。仿真结果表明：算法能有效解决翻转现象,提高定位精度,提出的算法在定位精度和计算量方面优于对比算法。     

动态无线传感器网络的改进蒙特卡罗定位算法

针对于无线传感器网络中移动节点的定位问题,在传统蒙特卡罗定位算法的基础上,提出了一种改进算法。该算法通过构建接收信号强度指示测距模型来限制样本区域以求提高采样效率。仿真结果表明,与MCL、MCB等其他蒙特卡罗定位算法相比,改进算法在不同的时间、不同的锚节点密度、不同的节点移动速度等情况下,都具有更好的定位精度。     

基于RSSI等级的蒙特卡罗定位算法应用研究

感知节点的定位是无线传感网应用的基础。现有的静态定位算法无法应用于动态传感网。针对一类目标节点移动而锚节点静止的传感网应用,提出了一种RRMCL（RSSI Rank Monte Carlo Localization）定位算法。该算法以蒙特卡罗算法为基础,利用RSSI（Received Signal Strength Indication）值与距离的单调递减关系划分通信域,减少采样区域大小。为了避免锚节点共线出现定位失效的情况,引入共线影响角度,提出了一种约束策略。仿真结果表明,提出的RRMCL与现有的MCL和MCB定位算法相比,能有效缩小采样区域,提高了定位精度和速度。     

基于MCB的移动节点安全定位算法

针对移动无线传感器网络定位安全性的问题,分析了虫洞攻击对MCB方法的影响,在MCB的基础上提出了一种安全定位算法DWMCB。在锚节点存在虫洞攻击的情况下,该算法通过计算当前定位节点可检测到的锚节点组成多边形的质心以及几何关系,识别并剔除伪锚节点。仿真结果表明,DWMCB算法在受到虫洞攻击的网络中能够提高节点定位的精度。     

基于时序蒙特卡洛的WSN节点定位算法

针对无线传感器网络（WSN）中的移动节点定位问题,提出了一种将反馈时间序列与蒙特卡洛相结合的定位算法TSMCL（Feedback Time Series-Based Monte Carlo）。该算法基于目标节点1跳范围内的邻居锚节点（至少3个）反馈信号的先后顺序,构建了节点可能的初始采样区域R1,并以区域R1与蒙特卡洛采样区域R2的重叠区作为新的采样区域R,以进一步缩小采样范围、提高采样效率。仿真结果表明：与蒙特卡洛定位算法相比,提出的TSMCL算法能够减少约38%的定位误差,尤其当节点移动速度较高时,算法的收敛速度也得到了显著提升。     

锚节点稀疏环境下蒙特-卡罗盒定位算法

提出一种适用于锚节点稀疏环境下的蒙特—卡罗盒定位(SDANMCB)算法。算法在定位过程中将定位精度高的节点转换为虚拟锚节点来辅助其他待定位节点进行定位;同时根据采样箱的面积和附近锚节点数量调整定位所需要的样本数;滤波后根据样本的后验分布调整样本权重。仿真结果表明:算法在定位精度、采样效率上都有明显提升,并且在锚节点密度较低时定位效果有较大改善。     

RSSI辅助的蒙特卡罗盒定位算法

针对以蒙特卡罗为基础的几种无线传感器网络定位算法普遍存在定位精度和采样效率低的问题,文中提出了一种RSSI辅助的蒙特卡罗盒定位算法（RAMCB）。通过实验构造出符合实际环境的RSSI和距离区间的映射关系数据库;在定位阶段,未知节点利用来自一跳和两跳锚节点的RSSI值查询数据库,得到与一跳和两跳锚节点的距离区间,利用距离区间建立更为精确的采样箱,以提高采样效率;未知节点根据样本到一跳、两跳锚节点的估计距离和实际距离的差值来动态赋予样本的权值。仿真结果表明：RAMCB算法能有效提高定位精度和采样效率。     

A Rendering Algorithm for Discrete Volume Density Objects

We present a new algorithm for simulating the effect of light travelling through volume objects. Such objects (haze, fog, clouds…) are usually modelized by voxel grids which define their density distribution in a discrete tridimensional space. The method we propose is a two-pass Monte-Carlo ray-tracing algorithm that does not make any restrictive assumptions neither about the characteristics of the objects (both arbitrary density distributions and phase functions are allowed) nor about the physical phenomena included in the rendering process (multiple scattering is accounted for). The driving idea of the algorithm is to use the phase function for Monte-Carlo sampling, in order to modify the direction of the ray during scattering.     

无线传感器网络中移动节点定位算法研究

提出一种利用临时锚节点的蒙特卡罗箱定位算法.该算法是基于蒙特卡罗定位方法之上,通过引入节点平均速率来获取临时锚节点,并利用一跳范围内的临时锚节点构建最小锚盒、增强样本过滤条件,从而加速了采样和样本过滤.此外,在样本的获取上采用了非随机采样的均衡采样方法,有效地降低了采样次数.仿真结果表明:该算法同蒙特卡罗定位算法等相比,提高了节点的定位精度,降低了节点的能耗.     

Efficient localization for mobile sensor networks based on constraint rules optimized Monte Carlo method

Wireless sensor networks (WSNs) have been widely used in many fields. The issue of node localization is a fundamental problem in WSNs. And it is the basis and prerequisite for many applications. Due to the mobility of the sensor nodes, it is more challenging to locate nodes in the mobile WSNs than in the static ones. The existing localization schemes for mobile WSNs are almost based on the Sequential Monte Carlo (SMC) localization method. The SMC-based schemes may suffer from low sampling efficiency resulted from a large sampling area, which makes them difficult to achieve high localization accuracy and efficiency. Some schemes try to reduce the sampling area by further employing position relationship with neighbor common nodes, while we have found that the movements of the neighbor beacon nodes have not been fully exploited. Addressing this issue, in this paper, some new constraint rules are developed and some existing constraint rules are optimized with the consideration of the moving distance and direction of neighbor beacons. A series of distance constraint conditions are further created, by which, the scope/size of the sampling area can be further reduced, and the samples can be filtered more accurately. The performance of our algorithm is evaluated by extensive simulation experiments. The simulation results show that the localization error and computation cost of our proposed algorithm are lower than those of the existing ones, even when the speed of the sensor nodes is relative high.     

一种基于自适应采样优化的WSN定位算法

针对蒙特卡罗定位算法采样效率低和采样次数多等缺陷,在SOMCL算法的基础上提出一种基于自适应采样优化的定位算法LAASO。该算法采用锚盒子与预测区域进一步优化采样区域,通过采样区域的大小自适应确定样本数目,利用SOMCL算法中的曲线拟合对样本权值进行优化。仿真测试表明,当速度变化率为25 m/s,且最大速度小于60 m/s时,相比MCL算法和SOMCL算法,LAASO算法定位精度分别提高了40%和36%,采样次数分别降低为20%和31.5%,且更适应于高速运行环境。     

基于测距的蒙特卡罗盒传感网定位算法研究

针对以蒙特卡罗算法为基础的无线传感器网定位算法普遍存在定位精度和采样效率低的问题,提出了一种基于测距的蒙特卡罗盒（R-MCB）定位算法。通过测距信息构造修正的包含有约束条件的方形边界框,使用从强约束条件中除去弱约束条件的启发法来提高采样效率,然后进行样本过滤和加权处理,并通过校准减少距离误差实现精确的定位。该R-MCB定位算法允许节点是静止或移动的,并且能够与可进行测距的节点和没有测距能力的节点协同工作。通过在传感器硬件上进行真实模拟定位算法证明,在多数情况下该R-MCB算法的定位误差,均要比WMCL算法（加权蒙特卡罗定位算法）的定位误差低10%左右。     

UCT-RAVE算法在多人非完备信息博弈中的应用

针对传统博弈搜索算法无法适用于多人非完备信息博弈,通过分析UCT-RAVE算法的原理和特性,提出了运用UCT-RAVE算法与蒙特卡罗抽样技术相结合的方法.通过蒙特卡罗抽样技术将非完备信息提取为有一定可信度的完备信息,运用UCT-RAVE算法基于此完备信息进行搜索,结合多次蒙特卡罗抽样下的最佳收益,选择最适行动.实例结果表明了该方法的可行性和有效性.     

基于爬山粒子群优化的移动传感网络定位算法

针对蒙特卡洛定位（Monte Carlo Localization,MCL）采样效率不高,定位精度较低的问题,提出一种新的基于爬山法优化策略的移动无线传感网络定位算法HCPSO-MCL（Hill Climbing Particle Swarm Optimization-MCL）,将节点定位问题转化为全局优化问题。HCPSO-MCL算法采用基于爬山策略的混合粒子群优化算法对MCL的估计值进行修正,从而实现节点快速准确定位。实验仿真结果表明,HCPSO-MCL较之于MCL算法在定位精度上有很大改进,而且比PSO-MCL（Particle Swarm Optimization-MCL）算法有更快的收敛性。     

基于接收信号强度指示测距的蒙特卡罗盒移动节点定位算法

针对无线传感器网络(WSN)中以蒙特卡罗为基础的移动节点定位算法在采样效率和定位精度方面的不足,提出一种基于接收信号强度指示(RSSI)测距的蒙特卡罗盒定位(MCB)算法。通过对RSSI测距信息分区间管理来加强过滤条件,提高定位精度;同时采样阶段利用已满足过滤条件的样本点生成更有效的样本,从而提高采样效率;最后通过牛顿插值法预测节点运动轨迹,样本点与未知节点运动轨迹越接近则其权值越大,据此对样本点进行加权处理得到节点的最佳估计位置。仿真结果表明,改进方案在不同的锚节点密度、通信半径、运动速度等情况下均表现出良好性能,且定位精度与同等条件下的蒙特卡罗盒算法相比均有提高。