基于二阶段差分演化的WSN节点定位优化

由于非测距的WSN节点定位算法DV-Hop定位精度不高,引入智能优化算法后有效提高了定位精度,但迭代次数过大,节点能耗相对过高,而在较少信标节点和较短的通讯信半径条件下,传统智能优化算法难以生效。针对这种情况,提出了基于二阶段的差分演化定位优化算法。仿真实验设计在100m×100m正方形的区域内,随机分布100个无线传感器节点,首先用DV-Hop算法进行第一阶段粗略定位,然后在第二阶段用差化演化算法对定位进行优化,为了对比各种算法在低能耗（很少迭代次数）下的表现,优化过程只迭代了10代,最后得到节点坐标。实验结果表明,算法能获得更好的定位精度和具有更好的稳定性。该算法在极少迭代次数的条件下,在信标节点稀疏和通信半径较短的特殊情况下,获得满意的定位精度和更好的稳定性。     

基于遗传算法WSN节点定位算法研究

研究无线传感器网络节点定位问题.针对无线传感网络由于位置信息等原因而造成节点定位误差较大,精确度不高等问题缺陷,提出了一种改进的基于遗传算法优化DV-hop定位算法,并将算法应用在无线传感网络节点定位中,算法首先利用节点间的距离和锚节点的位置,在距离无关定位算法的最后一个阶段,采用遗传优化算法对DV-hop算法定位得到位置进行校正,在不增加传感器节点的硬件开销的基础上有效提高定位精度和扩大定位范围,仿真结果表明,改进的网络节点定位算法定位误差小和定位范围广等性能,与原始的DV-Hop定位算法相比定位误差明显减小,精度明显提高.表明算法是一种高效节能的定位算法.     

WSN中APIT节点定位改进算法研究

为了提高无线传感器网络中APIT定位算法的定位覆盖率,提出了Min-max方法与APIT相结合的定位算法。改进算法不需要额外添加硬件,且容易实现。仿真结果表明改进算法与APIT算法相比定位覆盖率有显著提高。     

基于画图算法的WSN节点定位算法

针对无线传感器网络的节点定位问题,提出一种新的基于类Kamada Kawai画图算法的无线传感器网络节点定位算法,将无线传感器网络节点定位问题转化成画图问题,用经典的画图算法求得问题的最优解,从而实现对节点的定位。仿真实验结果表明,该算法收敛速度快、定位精度高、能够获得较好的效果。     

无线传感器网络节点OSFL-TLBO定位算法

定位技术对于无线传感器的应用是至关重要的,没有位置坐标的传感器节点信息是没有意义的。针对非测距的DV-Hop算法定位精度不高的问题,提出了一种新的基于反向蛙跳-教学优化(OSFL-TLBO)定位算法,以改进DV-Hop用平均跳距来代替欧式距离时的累积误差问题和利用最小二乘法求解非线性方程时对初值敏感,受测量误差影响较大的问题。把无线传感器网络节点的定位问题转化为求解最优解的问题。仿真结果表明,所提算法的定位准确度提高大约10%~25%,有效的提高了定位精度。     

基于蝙蝠优化算法的无线传感器网络节点定位研究

节点定位是无线传感器网络应用中的关键技术,Dv-Hop算法的定位精度不尽人意,因此将三方面改进的蝙蝠算法应用于Dv-Hop平均跳距的计算过程中,在Dv-Hop的第三阶段引入改进后的蝙蝠算法代替最小二乘法来计算未知节点的坐标,大大降低平均跳距导致的定位误差,提高定位精度;仿真结果表明,改进的BA算法优化的DV-hop定位算法在不同锚节点密度、不同通信半径、不同节点数量以及定位精确度等方面表现出良好的性能。     

基于AIUKF的WSN节点定位算法

针对无线传感器网络节点定位精度不足的问题,在无迹卡尔曼滤波( UKF)的基础上,结合迭代约束条件和自适应因子,提出了一种自适应迭代无迹卡尔曼滤波( AIUKF)算法。根据基于测距的节点定位模型,采用RSSI进行测距,以极大似然估计法进行节点初步定位,利用AIUKF算法对节点进行精确定位,并且直接以RSSI作为系统的观测量。仿真结果表明,本文提出的基于AIUKF的定位算法相比EKF和UKF算法具有更高的定位精度。     

WSNs中基于粒子群优化的节点定位算法

节点定位是无线传感器网络(WSNs)的关键技术之一.接收信号强度指示(RSSI)测距技术以其不需增加任何额外的硬件设备的特点在节点定位中得到广泛应用.为了提高定位精度,在RSSI测距的基础上,提出将粒子群优化算法( PSO)引入节点定位中.首先由RSSI测得未知节点与锚节点的距离,然后应用PSO算法计算出未知节点的估计...     

基于量子粒子群优化的WSN节点定位改进

针对无线传感器网络定位低成本、低功耗和高精度的要求,在基于接收信号强度(RSSI )测距的基础上,提出 了一种量子粒子群优化(QPSO)的改进加权质心定位算法,即采用QPSO优化WCLA的佑计坐标来改善定位误差, 并改进收缩扩展系数增强QPSO算法的收敛速度。仿真表明,改进的算法与WCLA算法和经过粒子群优化的 WCI_A算法相比,其节点定位精度得到显著提高,且能克服粒子群优化算法的收敛速度慢、易陷入局部极小值的缺点。     

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。     

基于改进双系统协同进化算法的无线传感器网络节点定位

为进一步提高无线传感器网络(WSN)中节点的定位精度,提出了一种双系统协同进化(BCO)算法。改进算法利用粒子群优化(PSO)算法快速收敛的特性和混合蛙跳算法(SFLA)较高的寻优精度的特性,在较少的迭代次数内快速收敛且实现深度搜索达到较高的精度。仿真实验结果表明:在应用双系统协同进化算法对测试目标函数进行求解时,能非常接近最优解;同时将该算法应用到基于接收信号强度值(RSSI)测距的节点定位中,预测位置与实际位置的绝对误差在0.05 m范围内;相比基于RSSI的分步粒子群算法(IPSO-RSSI),其定位精度至少提高了10倍。     

交叉反向学习和同粒社会学习的粒子群优化算法

针对社会学习粒子群优化（SLPSO）算法存在的优化效率低、收敛速度慢等问题,提出了一种改进的SLPSO算法,即基于交叉反向学习和同粒社会学习的PSO算法（CPPSO）。首先,将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习;然后,以此交叉反向学习策略更新种群中的最优粒子位置,增强探索能力,并克服SLPSO中最优粒子无更新导致效率低下的缺点;最后,对于非最优粒子,与SLPSO采用基于维的社会学习不同,均采用新型基于粒子的社会学习机制,在提高全局搜索能力同时,更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明,CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法,如交叉搜索PSO （CSPSO）算法、自我调节的PSO （SRPSO）算法、异构综合学习的PSO （HCLPSO）算法和反向学习和局部学习能力的PSO （RLPSO）算法。     

基于虚节点的非度量加权多维标度定位算法*

提出一种基于虚节点的非度量加权多维标度定位算法,它利用矩阵截断奇异值分解计算节点相异性矩阵的逼近阵。仿真实验显示,该算法在网络节点密度较低或拓扑结构不规则时比以往算法有更好的定位精度。     

基于WSN路由节点度模型的楼宇走廊定位算法

针对现有的无线传感器网络(WSN)定位方法应用于结构复杂的楼宇走廊时,存在定位精度较低的问题,提出一种基于WSN路由节点度模型的楼宇走廊定位算法.该算法在路由节点度模型的基础上,先采用基于支持向量回归(SVR)的方法,用少量锚节点定位普通路由节点,达到间接增加锚节点覆盖率的目的;然后采用基于中垂线分割的方法定位随机分布在区域内的未知节点和移动终端.仿真表明:与传统SVR定位算法和核岭回归定位算法相比,所提出的算法精度提高了定位精度,满足室内定位精度要求(1 m~3 m),且降低了对锚节点数量的需求,可运用于楼宇走廊WSN定位.     

基于RSSI加权质心和GASA优化的WSN定位算法

针对无线传感器网络节点在自身定位中广泛存在较大的定位误差的问题,提出一种基于RSSI加权质心和GASA优化的无线传感器网络定位算法。该算法假设无线传感器网络中存在一定比例的位置已知的锚节点,利用RSSI加权质心算法计算未知节点与锚节点间的距离,建立以未知节点位置为参数的数学模型,用GASA优化算法计算最优解从而获得未知节点的位置,实现未知节点自身的定位。仿真实验的结果表明,当锚节点个数为30,算法的平均定位误差在10%以内,比RSSI加权质心算法降低了10%~15.5%左右,并且随着节点个数的增加平均定位误差降低。     

无线传感网络节点定位算法分析

节点定位是无线传感网络的关键技术之一,已经在军用、民用方面得到很广泛的应用。探讨了国内外无线传感网络定位技术现状,对无线传感网络节点定位技术做了调查研究,从锚节点/无锚节点定位、集中式/分布式定位、测距/非测距定位算法进行阐述,同时对各类算法从节点定位的定位精度、规模、功耗等不同角度进行了对比。重点探讨基于RSSI的质心定位算法,并进行仿真,结果表明其定位精度明显提高。     

基于粒子群优化算法的WSNs节点定位研究

为了提高无线传感器网络节点定位的精度,提出了一种基于粒子群优化估计的无线传感器网络节点定位算法。该算法简单易实现,可调参数少,通过多次迭代寻优,以提高定位精度。仿真结果表明,新算法与常用的极大似然估计算法相比可以显著提高节点定位的精度和稳定度。     

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

基于粒子群算法的WSN覆盖优化

为了提高无线传感器网络性能,针对节点的分布与覆盖方案进行了研究,将拟物力算法中的拟万有引力和拟库仑力与粒子群算法相结合,提出了一种基于惯性权重的拟物粒子群算法。增强了算法全局搜索能力,更快地收敛至全局最优解,减少算法时耗和重复覆盖。仿真结果证明新的算法比基本粒子群和基于惯性权重的标准粒子群算法的全局收敛速度更快,覆盖率更高,重复覆盖的比率更低。     

基于核的RSSI定位

定位在无线传感网络的应用中有非常重要的作用,但是目前定位技术的准确度不够理想,RSSI是一种能实际使用确定传感网络中节点间距离的技术。在无线传感网络中引进了核,核是一个拥有三个或更多有着固定位置关系传感节点的物体。核能定位其他核或节点,同时核也能被传感网络定位。通过模拟发现使用核能有效提高定位的准确度。