基于弹簧粒子模型的大规模WSN定位算法的衍生算法

为了提高基于弹簧粒子模型的大规模无线传感器网络定位算法(LASPM定位算法)的鲁棒性,将对LASPM基本定位算法进行优化及改进,并提出一系列的改进衍生算法.针对弱节点将设计简单的迭代定位方法,提出了3个补丁算法,分别用于处理局部极值、剔除坏节点和处理节点动态变化等问题.仿真实验结果表明,新算法的节点计算复杂度、通信复杂度在网络规模增大时仍然保持常量,节点计算步数不随网络规模变化而变化,时间复杂度也保持常量.实验研究结果表明,本文的定位算法具有良好的鲁棒性.     

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。     

大规模无线传感器网络定位算法研究

在同一仿真平台上比较了3种分布式定位算法,Ad Hoc positioning,Robust positioning和N-Hopmultilateration,并介绍了每种算法的基本原理和实现方法,抽象出一种适用于大规模无线传感器网络的通用三阶段分布式定位结构体系。仿真结果显示了3种算法在不同场景下的定位误差情况,比较了3种算法的优劣,同时,也对不同的网络环境参数对网络定位性能的影响做出了分析。     

基于自适应罚函数优化粒子群的WSN定位算法

针对无线传感器网络节点定位问题,提出了一种自适应罚函数优化粒子群的算法.算法在定位过程中,首先运用极大似然估计法进行粗略定位,然后通过对计算误差和测距误差之间差值进行加权处理,限制搜索区域,根据群体中可行解比例的大小,自适应调节罚因子的大小进行迭代寻优,最终得到节点坐标.仿真结果表明:算法较好地克服了传统粒子群算法收敛速度慢,易陷入局部极小点等问题,对比同类算法,算法具有更高的定位精度和较快的收敛速,且稳定性更高.     

基于粒子群算法的改进DV-Hop定位算法

针对无线传感器网络(WSNs)节点定位问题中DV-Hop算法的不足,提出利用粒子群优化算法对改进DV-Hop得到的估算位置校正。这种方法将定位问题看成一个多维优化问题,并且不需要任何额外硬件设备,也不会增加通信量。最后将仿真实验结果与改进DV-Hop算法进行比较,表明基于PSO算法优化的改进DV-Hop定位算法在优化性能上有所改进,有效提高了节点定位精度,证明该方法的有效性。     

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。     

基于差分演化和粒子群优化的改进WSN覆盖算法

动态部署传感器节点随机性大,无法保证特定目标区域的覆盖质量,引入智能优化算法后有效提高了节点动态部署的质量,但一般的智能优化算法在动态部署时存在“早熟”等缺陷。为了进一步提高节点动态部署的质量,针对节点的覆盖问题进行研究,结合粒子群优化和差分演化的优点,前期用粒子群优化算法,发挥粒子群擅长前期搜索收敛较快的特点,后期用差分演化算法,发挥差分演化擅长局部搜索的特点,这样取双方所长,克服双方所短,从而使算法有更好的搜索能力。仿真结果表明,本文提出的算法相对于改良惯性权重的粒子群算法、结合虚拟力的粒子群算法以及基本差分演化算法,具有更好的搜索能力,优化后的网络覆盖率更高。     

量子粒子群算法在WSN三维定位中的研究

3D-DVHo P作为三维定位的经典算法,会因节点分布不均时,因"绕弯"现象导致较大偏差。为找出邻居节点之间的实际距离与绕弯距离最小误差,提高定位精度,已有的改进算法容易陷入局部最优或无解现象。新算法在3D-DVHo P基础上引入量子旋转门变异规则,通过交叉变异修正个体粒子速率和状态,增加粒子搜索的广泛性和遍历性,从而找出全局最优解。仿真实验证明,该算法可以有效避免已有的改进算法容易陷入局部最优的问题,拥有更高的定位精度。     

基于粒子群优化的DV-Hop定位算法研究

针对无线传感器网络(WSN)定位算法中的经典DV-Hop算法存在较大定位误差的问题,提出一种基于粒子群优化修正平均每跳距离的DV-Hop优化算法.该算法在以下三个方面进行改进:对于每个锚节点平均跳距计算,加入各个锚节点权重;提出主节点定义,网络拓扑结构将被考虑得更加全面,更好地权衡局部和全局特点,以此方法计算节点估计距离;提出中心学习策略,加入逃逸因子,避免粒子陷入局部寻优,最后用改进的粒子群算法代替极大似然估计法定位节点坐标.通过Matlab仿真软件验证,与原始DV-Hop和PSO-DVhop比较,结果分析此算法具有优越性和可行性.     

基于RSSI-SO算法的WSN定位研究

无线传感器网络是一种基于无线通信技术的分布式传感器网络,广泛应用于环境监测、智能家居、智能交通等领域。在WSN中,节点的位置信息对于实现很多应用非常重要。因此,WSN定位算法是WSN研究的重要内容之一。鉴于此,提出了一种基于RSSI与蛇优化算法的WSN定位研究,利用节点之间的信号强度和蛇优化算法来实现节点的定位,最后进行误差分析。在实验环境中进行了对比实验,结果表明,本文提出的方法相比于三边测量定位算法,具有更高的准确度。     

基于质点弹簧模型的无线传感器网络非测距定位算法

在无线传感器网络定位中,非测距定位因功耗低、成本低而备受关注,但其较低的定位精度限制了其应用范围。提出了一种精度较高的基于质点弹簧模型的非测距定位算法L-MSM( Localization based on Mass Spring Model)。该算法首先使用复杂度低、通信开销小的质心算法进行粗定位,然后利用改进的质点弹簧模型进行优化,使质心算法定位后成簇聚集的节点分散开来并趋近实际位置,从而实现精确定位。仿真结果表明,在通信半径较小时,L-MSM算法的定位精度相对于质心算法有显著的提高。     

无线传感器网络抽样定位和求精算法

定位技术是无线传感器网络的支撑技术之一。针对无线传感器网络低成本、低能耗的要求,提出一种抽样定位和求精的分布式算法。算法在第1阶段基于收到的锚节点信息进行抽样,形成节点的初始位置估计。在第2阶段对节点初始位置进行求精。仿真实验结果显示了该定位算法可以在1~2次求精情况下达到收敛,在样本量为20左右的较低阈值下实现较高的定位精度,在12%左右的锚节点比例下实现95%以上的定位覆盖率,并且与dv-hop和dv-distance定位算法比较,证明该算法分别可以提高20%和5%的定位精度。     

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。     

无线传感器网络中节点定位算法

近年来,无线传感器网络作为一种新型的数据采集技术得到了空前的发展,研究能够满足实际应用的定位算法成为一个新的热点.考虑到无线传感器节点的成本、性能、功耗和应用领域等不同因素的影响,已经出现了许多实用的定位算法.基于锚点的质心算法定位精度高,而与锚点无关的ABC算法的成本低.通过结合这两种定位算法的优点,提出了一种改进算...     

无线传感器网络中一种基于多维定标的迭代定位算法

针对基于经典多维定标的MDS-MAP算法在定位精度与矩阵计算复杂度方面的不足,提出一种基于多维定标的迭代定位算法.该算法仅使用节点间的一跳距离,通过新的多维定标的迭代算法进行定位.该算法复杂度不高,理论分析和仿真结果表明,在规则网络中定位误差较小,最优情况下误差可以小于5%,在非规则网络中仍可达到较好的定位精度.     

基于均值漂移和联合粒子滤波的移动节点定位算法

针对无线传感器网络移动节点定位面临的高精度和实时性要求,把均值漂移算法引入联合粒子滤波(Joint ParticleFilter)框架.提出了基于均值漂移和联合粒子滤波的移动节点定位算法.它使用均值漂移算法构建粒子滤波的建议分布,通过有效利用最新观测信息,提高粒子状态估计的准确性,使得采样粒子的状态分布与后验概率分布更接近,减少了状态估计必需的粒子数目.该算法还提出了基于虚拟海明距离和交互势的权重计算方式,减少相邻移动节点间的干扰.仿真实验结果表明,基于均值漂移算法和联合粒子滤波的移动节点定位,可获得比基本粒子滤波更高的定位精度,其定位精度与无味粒子滤波(Uscented Particle Filter)相当,而计算开销比无味粒子滤波减小至少50%.     

基于改进粒子群优化算法的无线传感器网络定位

针对经典DV-Hop定位算法第3阶段计算未知节点位置存在较大误差的问题,提出一种基于改进粒子群优化算法的无线传感器网络定位方法。首先分析DV-Hop算法误差大的原因,并将定位问题转换成未知节点坐标的优化问题,然后采用改进粒子群算法对问题进行优化,并引入收缩因子加快搜索速度和精度,找到全局最优未知节点坐标,最后在Matlab 2012平台上进行仿真实验。仿真结果表明,本文算法提高了传感器节点的定位精度,大幅度降低了定位误差。     

传感器网络定位中的两段式距离估算方法

在由于传统DV-Hop定位算法中假定所有相邻节点之间的跳距相等,因此节点间的距离估计误差偏大,进而导致算法的定位精度偏低.为了提高节点间距离估计的准确性,提出两段式距离估计算法.该算法将锚节点与节点之间的h距离划分为两段:前h-1跳和最后一跳,并假设前h-1跳跳距相同,最后一跳的跳距与其邻居节点到锚节点的跳数有关.将两段式距离估计算法应用到DV-Hop算法上,本文还提出了改进的两段式DV-Hop算法.仿真结果表明,与传统的DV-Hop算法相比,改进算法可有效提高定位精度且无需增加节点通信开销.     

基于半定规划的无线传感器网络定位算法性能分析

基于测距的定位方法是无线传感器网络节点定位中一种常见的方法。测距定位方法往往将定位过程转化为数学优化问题。介绍了实现测距定位下的LS-SDR与SAL-SDR两种半定规划定位算法,并同时介绍了LS-LM、SLS-LM、SLS-US与SLS-S等4种定位算法。仿真实验分析和比较了6种不同定位算法的平均RMS定位误差,结果表明相对于其他4种定位算法,LS-SDR和LS-LM算法的定位误差较小。在信标节点数量较少的情况下,LS-LM算法的定位结果有可能发生奇异,造成定位结果的严重失真。而LS-SDR算法对于奇异的发生具有较好的抵抗能力,此时LS-SDR算法的平均RMS定位误差将优于LS-LM算法。