欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022101696240
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种改进的混合萤火虫粒子群优化的DV-Hop定位方法,其特征在于:所述方法包括如下步骤:S1:初始化网络:每个锚节点向网络泛洪包含其自身位置相关信息的数据包;

S2:记录未知节点到锚节点间最小跳数:未知节点计算来自网络中其它锚节点的跳数,记录后转发传递自身数据包给其它节点,当未知节点接收如步骤S1所述的数据包时,比较并保存跳数小的跳数信息,反之,该数据包将被丢弃;

S3:计算锚节点间平均跳距:通过任意锚节点到其他锚节点间的最小跳数值,以及实际距离关系,来确定锚节点间平均跳距;

S4:加权修正锚节点间平均跳距:利用锚节点间均方误差最小值,初次修正平均跳距;根据修正的平均结果当作加权因子,来二次修正平均跳距;最后使用误差因子再次校正平均跳距;

S4的具体过程为:

锚节点i和锚节点j之间存在均方误差e,当均方误差最小时,此时跳距为最小均方修正后的平均跳距,记为:其中distij是锚节点之间的真实距离,hij是锚节点之间的跳数,AvgHSi是最小均方修正的平均跳距;

然后使用加权平均法来二次修正最小均方误差的平均跳距AvgHSi,得到新的平均跳距为:权值表示为:

使用新的平均跳距计算未知节点到锚节点的估计距离,再次计算修正后的单跳误差大小,利用误差因子ε再次修正锚节点间平均跳距:其中,n表示锚节点的个数;

S5:计算未知节点到锚节点估计距离:未知节点从最近的锚节点接收到其修正后的平均跳距后,计算未知节点到锚节点的估计距离;

S6:初始化混合萤火虫粒子群的适应度函数和初始种群:输入算法的迭代次数、种群个数、边界位置;

S7:判断适应度函数值和全局最优值之间的关系,在当前适应度函数值小于全局最优值时转入步骤S8,在当前适应度函数值大于全局最优值时转入步骤S9;

S8:使用改进萤火虫算法进行局部搜索:使用萤火虫光照强度位移公式更新粒子进行局部搜索;

S9:使用迭代加权粒子群算法进行全局搜索:使用惯性权重和自适应学习因子改进标准粒子群算法进行局部搜索;

S10:更新粒子位置和速度:通过适应度函数和局部、全局最优值的关系,更新粒子位置和速度;

S11:选择最优未知节点坐标:当迭代次数最大时,记录并保存当前全局最优解作为未知节点最终位置坐标。

2.根据权利要求1所述的一种改进的混合萤火虫粒子群优化的DV-Hop定位方法,其特征在于:步骤流程中所有传感器锚节点均配置GPS模块。

3.根据权利要求1所述的一种改进的混合萤火虫粒子群优化的DV-Hop定位方法,其特征在于:S6的适应度函数表示锚节点到未知节点测量距离误差的最小值,记为:其中,di表示步骤S5中未知节点到锚节点的估计距离;

适应度函数最小时的位置就是优化算法的最优解;使用Min-Max算法计算未知节点初始位置,限制粒子种群初始搜索范围。

4.根据权利要求1所述的一种改进的混合萤火虫粒子群优化的DV-Hop定位方法,其特征在于:S8中,当迭代次数大于2且当前适应度函数小于全局最优值时,使用萤火虫光照强度位移公式更新粒子进行局部搜索:其中,在光源即r=0处的吸引力值为β0,m值为常数,β(r)表示在距离r处的吸引力强度,γ为固定光照吸收系数,表示空气对光的恒定的吸收率,α为随机化参数,rand为均匀分布的随机数,gbestt-1为第i个粒子在迭代次数为t时的全局最优解,Xi(t)是萤火虫粒子i在t时刻的位置,假设i和j是两只不同的萤火虫,那么两个萤火虫之间的欧式距离为rij;

计算出萤火虫新的位置后,将当前位置保存在一个临时变量中,从而用来更新最新粒子的速度。

5.根据权利要求1所述的一种改进的混合萤火虫粒子群优化的DV-Hop定位方法,其特征在于:S9中,设在D维空间内,种群个数共有N个,粒子的位置和速度使用如下矢量表示:Xi=(xi1,xi2,…xiD),i=1,2,...,NVi=(vi1,vi2,…viD),i=1,2,...,N同时,粒子每一时刻的速度和位置根据下列方程更新:

Vi(t+1)=wVi(t)+c1r1(pbesti(t)-Xi(t))+c2r2(gbest(t)-Xi(t))Xi(t+1)=Xi(t)+Vi(t+1)

其中c1和c2分别称为个体学习因子和社会学习因子,w是引入的惯性权值,r1和r2是代表[0,1]上的随机数,pbesti(t)和gbest(t)分别为第i个粒子在迭代次数为t时的局部最优解和全局最优解;

使用惯性权重参数w调节粒子的位置变化:

w=ws-((ws-wf)/Max_iter)×t

其中,Max_iter为粒子的最大迭代次数,t为当前迭代的次数,且t∈[1,Max_iter],ws和wf分别是线性递减惯性权重的初始值和最终值;通过综合兼顾智能优化算法的局部和全局最优解,找到未知节点的最佳位置坐标。

6.根据权利要求1所述的一种改进的混合萤火虫粒子群优化的DV-Hop定位方法,其特征在于:通过S11,根据上个全局和局部最优位置信息,更新适应度函数,计算出未知节点最终的位置信息。