免疫粒子群优化的DV-Hop定位算法

DV-Hop算法在定位过程中,由于信标节点与待定位节点之间的距离估算存在较大的定位误差,使得定位精度不佳。将免疫机制引入粒子群算法中,提出了免疫粒子群优化的DV-Hop算法。利用免疫粒子群算法优化待测节点的位置坐标,当PSO算法陷入局部最优解时,通过免疫抗体的选择、促进和抑制机制产生新的粒子空间,使该算法跳出局部最优值,收敛于全局最优解。MATLAB仿真实验表明,在相同实验环境下与经典的DV-Hop算法和常规的粒子群改进的DV-Hop算法比较,所提算法有效地降低了定位误差。     

基于混合粒子群优化算法的DV-Hop定位算法

针对无线传感器网络节点定位技术中DV-Hop算法的不足,利用混合粒子群优化算法对DV-Hop算法的位置估计进行校正,提出了一种CCPDV-Hop算法,该方法在不需要任何额外硬件设备和通信开销基础上,将未知节点定位问题抽象为高维最优化问题,并利用混合粒子群优化算法进行求解。仿真实验结果表明,改进的DV-Hop算法与传统方法相比,定位误差显著下降,定位精度和鲁棒性都有明显提高。     

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。     

基于移动锚节点的改进DV-Hop算法

DV-Hop是一种典型的无须测距的定位算法,针对该算法在定位过程中存在的定位精度不高的问题,提出了一种基于移动锚节点的改进算法。利用锚节点的移动形成多个虚拟锚节点,有效减少了锚节点的使用数量;并在原算法基础上,修正平均跳距,使其更接近真实值。仿真结果表明:改进算法定位误差比传统DV-Hop算法平均降低了约 30%,大大提高了定位精度。     

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...     

一种基于DV-Hop的无线传感器网络节点定位算法

针对无线传感器网络节点的自身定位问题,提出一种基于分布式协作的DV-Hop改进算法.在距离计算的基础上,采用最大似然估计方法选取共线度较低的参考点作为锚节点.综合考虑所有锚节点,以可信度为准则,通过加权平均计算每一个未知节点的平均跳距.计算未知节点的定位误差,将误差低于预设阈值的未知节点转化为锚节点,扩大定位范围.仿真结果表明,在初始锚节点数和通信半径相同的情况下,该算法的定位误差比DV-Hop算法减少约20％,尤其当节点密度较小时,其定位误差可稳定在40％以下.当节点通信半径超过10 m时,该算法的剩余节点比例可降低约30％.     

基于最优跳距和改进粒子群的DV-Hop定位算法*

针对DV-Hop定位算法利用跳数乘以平均跳距来估算距离并采用极大似然估计法定位而导致误差较大的问题,提出一种最优跳距和改进粒子群的DV-Hop算法即OPDV-Hop。该算法首先利用节点的通信半径对锚节点间跳数进行修正;然后根据全局和局部范围对锚节点的影响,选择最优平均跳距来估算距离;最后用改进的粒子群算法来优化未知节点坐标。仿真结果表明,OPDV-Hop算法相比DV-Hop算法、基于粒子群的DV-Hop算法以及基于改进粒子群的定位算法,定位误差分别减小16%、11%和5%左右,其能够有效的降低估算距离误差,提高定位精度。     

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。     

遗传粒子群优化的DV-Hop定位算法

用常规粒子群改进的DV-Hop算法由于粒子易陷入局部最优而导致较大的定位误差,对此,提出了结合遗传粒子群的DV-Hop定位(GAPSO-DV-Hop)算法.首先根据最大理想跳数筛选锚节点,计算加权平均每跳距离,权重采用锚节点之间距离、最小跳数、以及通信半径构成;其次,用遗传机制改进粒子群算法以代替最小二乘法,所作改进包括使用前摄估计缩小粒子搜索范围、根据遗传算法中的交叉策略生成待交叉粒子队列,并在每次迭代后选取最差个体做动态变异.仿真结果表明,在相同环境下,所提GAPSO-DV-Hop算法的定位精度明显高于常规DV-Hop算法以及其他对比算法.     

基于自适应粒子群算法的改进DV-Hop定位算法

针对无线传感器网络节点定位中DV-Hop算法定位精度较低的问题,提出了一种改进DV-Hop算法,该算法引入跳距误差加权策略,改进平均每跳距离计算方法,使其更好地反映网络的平均每跳距离的实际情况,有效地降低了无线传感器网络中无需测距算法的定位误差。同时引入自适应粒子群优化算法来校正改进DV-Hop的估计位置的方法。仿真结果表明,本算法在定位精度和节点覆盖率上明显优于基于PSO校正的DV--Hop算法和传统的DV-Hop算法,证明该算法在一定程度上提高了DV-Hop算法对无线传感器网络的容错性,具有更好的适用性。     

混合粒子群和差分进化的定位算法

针对由测量误差造成的无线传感器网络定位精度不高的问题,提出一种混合粒子群和差分进化的节点定位算法（HPSO-DE）。首先,对粒子群算法的惯性权重进行自适应更新,使得每个个体随着迭代次数的增加而增大,进而提高其全局探索能力,然后改进差分进化算法的变异策略,从而提高该算法的局部寻优能力,之后将个体先经过改进的粒子群算法优化,低于平均适应度值的个体继续通过改进的差分进化算法优化,从而得到HPSO-DE算法。HPSO-DE算法继承了二者的优点,提高了该算法的最优解精度和收敛速度。最后在无线传感器网络节点定位模型中应用HPSO-DE算法,仿真结果表明,所提HPSO-DE算法在测距误差为30%时,定位误差比PSO和DFOA分别少2.1m和1.1m,具有更高的定位精度和更强的抗误差性能。     

基于粒子群优化的多维标度节点定位算法

针对无线传感网络节点定位易受外部环境影响的问题,提出一种基于粒子群寻优的多位标度定位算法。利用基于动态路径损耗指数的接受信号强度测距,建立距离矩阵,使用多维标度方法构建节点的相对坐标,通过四参数坐标转换模型得到绝对坐标,再用绝对坐标与实际坐标的差异度作为粒子群寻优的适应度函数,通过分群搜索,优化节点位置估计。仿真结果表明：改进算法对实际环境影响具有较好的鲁棒性,节点定位精度有了明显的提高,能够满足定位系统需求。     

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。     

基于改进粒子群优化的节点定位算法

在基于粒子群优化的节点定位过程中,惯性权重的设置对算法收敛速度和定位精度有着重要影响。本文从两个方面对其进行改进:利用节点间的连通信息对未知节点可能存在的区域进行估计,缩小粒子搜索范围;根据未知节点存在区域,对粒子群优化算法的惯性权重设置进行改进。仿真结果表明,改进算法的定位精度和稳定性有明显的提高,是一种可行的无线传感器网络节点定位的解决方案。     

基于量子行为粒子群优化算法的定位技术研究

针对无线传感器网络(WSNs)节点定位问题,阐述了WSNs的分布迭代式定位方法研究。这种方法将每次迭代后定位的节点作为其余未知节点的参考节点.同时将基于测距定位问题看成一个多维优化问题,并提出利用具有快速收敛能力的量子行为粒子群优化(QPSO)算法进行求解。最后将仿真实验结果与粒子群优化(PSO)算法进行比较,表明QPSO算法在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法的有效性。     

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.     

基于多功率移动锚节点WSN智能定位算法

为了降低定位成本及提高定位精度,提出了一种使用单个锚节点移动进行未知节点坐标计算的SAPSO-SMPMA算法.该算法采用单个移动锚节点游历定位区域,并通过功率控制发射不同功率的信标信号,未知节点利用收到的不同位置锚节点信息结合自适应权重粒子群算法计算节点坐标.考虑到实际应用时锚节点可能带有误差,故加入了锚节点矢量误差分析.仿真表明,本算法在充分考虑锚节点自身误差及大幅降低定位成本的情况下,定位精度仍然较高,是一种实用的定位算法.