基于量子遗传算法的非测距节点定位算法研究

合集下载

基于遗传算法的无线传感网节点定位技术研究

基于遗传算法的无线传感网节点定位技术研究无线传感网（Wireless Sensor Network，WSN）是一种由许多分布式的无线传感器节点组成的网络，具有广泛的应用前景。

其中的一个核心问题是如何实现节点的定位，这对于许多应用场景来说是很重要的。

基于遗传算法的无线传感网节点定位技术是一种有效的解决方案。

一、无线传感网节点定位技术的意义和挑战无线传感网节点定位技术是实现无线传感网的重要技术之一，其意义在于实现无线传感器节点的空间感知和位置感知，为无线传感网的许多应用提供了数学基础和理论支持。

常用的无线传感网节点定位方法主要有GPS定位、基于信号强度的定位和基于距离的定位等。

然而，在无线传感网节点定位过程中，受到许多因素的影响，包括节点的自身技术限制、环境的复杂性、信号的干扰和误差等，这为节点的准确定位带来了很大的挑战。

因此，需要采用一种高效、准确的定位技术来提高节点的定位精度和可靠性。

二、基于遗传算法的无线传感网节点定位技术原理遗传算法是模仿生物进化过程的计算方法，它通过不断的迭代和优化，寻求一个最优解。

基于遗传算法的无线传感网节点定位技术就是利用遗传算法的搜索优化能力，优化节点定位的数学模型，最终得到节点的位置信息。

其主要步骤如下：1.构建适应度函数：首先，需要根据实际的节点定位问题，构建一个适应度函数，用来衡量每组节点位置的优劣程度。

适应度函数一般以节点之间的距离误差为主要考虑因素。

2.种群初始化：随机生成初始种群，即一组位置组合，作为遗传算法的初始种群。

3.选择操作：利用适应度函数对种群进行评估和筛选，选出优秀的“基因”进行交叉和变异操作，产生新的优秀的后代。

4.交叉操作：以一定概率对选出的优秀“基因”进行交叉操作，产生新的个体，可能包含了父母亲的优秀基因。

5.变异操作：以一定概率对新产生的个体进行变异操作，引入新的随机变量，使新个体具有更大的可能性去探索更优的解。

6.重复步骤3-5，直到找到满足条件的最优解。

基于遗传算法的无线传感器网络定位算法研究与实现v3.5

基于遗传算法的无线传感器网络定位算法研究与实现摘要在无线传感器网络中，定位系统在目标监测与跟踪、物流管理、智能交通、基于位置信息的路由等许多应用中起着至关重要的作用。

无线传感器网络中节点位置信息很重要，要实现定位就需要定位算法。

文章主要介绍了基于遗传算法的无线传感器网络定位典型的节点定位算法、实现方法以及现有文献对其的改进和不足。

关键词无线传感器网络，节点定位，典型算法Abstract In wireless sensor networks, positioning system in target monitoring and tracking, logistics management, intelligent transportation, based on location information in many applications such as routing plays a vital role. Node location information is very important in wireless sensor networks, to achieve localization requires positioning algorithm. This paper mainly introduces the node localization algorithm, genetic algorithm is a typical wireless sensor network implementation method and the existing literature on improvement and deficiencies based on.key word Wireless sensor networks , node localization , ypical algorithm 1 引言随着科学技术的发展，无线传感器网络的应用已经越来越广。

一种非测距节点定位算法

Ｋｅｏｄ：ｗｒｌｓｓｎｏｅｏｋ（Ｎ）ｎｄｃｌａｏ；ＶＨｐｖｒａａｃｏｎｄｙｗｒｓｉｅｅｓｒｔｒｓＷＳｓ；ｏｅｌａｉｔｎＤ — ｏ；ｉｕｌｎｈｒｏｅｅｓｎｗｏｚｉｔ
０引言
的定位精度且良好的覆盖范围，简单介绍一种行之有效的Ｄ —ｏＶＨｐ改进算法，在此基础上，引入虚拟锚节点对该算法
被部署在监测区域用来进行感知，计算和无线通信。在ＷＳｓ中，点自身位置信息至关重要。近年来，于Ｎ节关ＷＳｓ的定位算法越来越多的被提出来。现有的定位算法Ｎ
按是否需要测距可分为基于测距的和基于非测距的算法两
中图分类号：Ｔ３３Ｐ９文献标识码：Ａ文章编号：１０－７７２１）５１３０００９８（０１Ｏ－３－３０
Ａａｅｆｅｄｓｌｃｌｚｔｏｌｏｉｈｒｎｇ —ｒｅｎｏｅｏａｉａｉｎａｇｒｔｍ
２１０１年第３Ｏ卷第５期
传感器与微系统（ｒｎｄｃｒａｄＭｃｏｙｔｍＴｃｎｌｇｓＴａｓｕｅｎｉｒｓｓｅｈｏｉ）ｅｏｅ
１３３
一
种非测距节点定位算法
江禹生，冯砚毫
（庆大学通信工程学院，庆４０４）重重００４
进行进一步的改进与完善而得出一种实用性能良好的Ｄ — ＶＨｐ定位算法。ｏ１由一组廉价传感器节点通ＷＳｓ是

基于量子行为粒子群优化算法的定位技术研究

式（）２中的口被称为收缩扩张系数，调节它的值能控制
算法的收敛速度。一般而言，值在算法运行是从１０线性．
减小到０５时，以达到比较好的效果，．可目前大多数ＱＳＰＯ
中在一个中心基点执行。每个目标节点通过至少３个相邻
锚节点或已经定位的节点之间的非精确测量距离进行定
ｗｉｈｉｒｖｓｔｅｖｉｉｆｈｒｓｎｅｔｏ．ｈｃｍｐｏｅｈａｄｔｏｅｐｅｅｔｄｍｅｈｄｌｙｔ
ＫｅｒｓｕｎｕｂｈｖｄｐｒｃｗｒｐｉｉｔｎＱＳｌｏｉｍ；ａｉｅｗｍｉｐｍｚｔｎＰＯ）ｙｗｏｄ：ｑａｔｍ—ｅａｅａｔｌｓａｌｏｔｚｉ（ＰＯ）ａｒｈｐｒｃａｔｉｉ（Ｓｉｅｎｍａｏｇｔｔｌｓｏｉａｏｌｏｉｍ；ｏｌａｉ；ｉｅｎｏｔｒｓＷＳｓ；ｉｒｕｅｉｒｔｅａｇｒｈｌａｉｔｎｗｒｌｓｅｓｒｅｏｋ（Ｎ）ｄｓｂｔｅａｖｔｃｚｏｅｓｓｎｗｔｉｄｔｉ
算法的实际应用中都采用这种参数控制方式，当然的初
值或终值可略有不同。ＱＳＰＯ的算法流程为１置ｔＯ在问题空间中初始化粒子群中粒子的位置；）＝，２根据式（））３计算粒子群的平均最优位置；３计算粒子的当前适应值，与前一次迭代的适应值）并
度，明该方法的有效性。证
关键词：量子行为粒子群优化算法；粒子群优化算法；定位；无线传感器网络；分布迭代式

基于量子遗传的蒙特卡洛节点定位算法

基于量子遗传的蒙特卡洛节点定位算法田浩杉【摘要】A new node localization algorithm is proposed for wireless sensor networks (WSNs),which combines quantum genetic algorithm with the Monte Carlo localization(QGA-MCL).QGA is applied to the sampling filtering stage in MCL.Operate the quantum chromosomes which is random generated in sampling area by reasonable encodingscheme,decoding scheme and quantum rotating gate.Simulation results demonstrate that compared with Monte Carlo localization algorithm,the proposed QGA-MCL algorithm can reduce positioning error about10.2 ％,and meanwhile,the convergence speed of algorithm is improved significantly.%针对无线传感器网络(WSNs)节点定位的问题,提出了一种量子遗传算法与蒙特-卡洛相结合的定位算法(QGA-MCL).将QGA应用于MCL中的采样过滤阶段,通过合理的编码方案、译码方案以及量子旋转门对采样区域中随机产生的量子染色体进行操作,提高了样本寻优效率和定位精度,并加快了算法的收敛速度.仿真结果表明:与蒙特-卡洛定位算法相比,提出的QGA-MCL算法能够减少约10.2％的定位误差,同时,算法的收敛速度也得到了显著提升.【期刊名称】《传感器与微系统》【年(卷),期】2017(036)009【总页数】5页(P125-128,135)【关键词】无线传感器网络;量子遗传算法;蒙特-卡洛定位算法【作者】田浩杉【作者单位】兰州交通大学电子与信息工程学院,甘肃兰州730070【正文语种】中文【中图分类】TP393早在2004年,蒙特—卡洛定位(Monte-Carlo localization，MCL)算法便由机器人定位中引入到了移动无线传感器网络[1～6](wireless sensor networks,WSNs)中进行节点定位，虽然MCL定位算法抛开了节点移动性的干扰，甚至节点移动速度越大定位精度越高，但采样成功率很低，并且容易出现粒子退化的问题[7]。

基于差异演化粒子群的WSN无需测距DV-Hop定位算法

基于差异演化粒子群的WSN无需测距DV-Hop定位算法解姗姗;曾健民【摘要】针对DV-Hop算法存在定位精度的问题,提出了一种基于差异演化粒子群的无线传感网络DV-Hop节点定位算法.首先通过引入差异演化计算的变异、交叉及选择过程,对传统粒子群优化算法进行了改进,维持了种群的多样性,从而提高了算法的全局搜索能力.然后,采用改进的粒子群优化算法对DV-Hop进行了优化计算并给出了具体流程.仿真实验结果显示,与传统DV-Hop算法和某些现有的改进算法,相比提出的改进DV-Hop定位算法具有较小的定位误差,有效提升了网络中节点定位的精度.【期刊名称】《三明学院学报》【年(卷),期】2018(035)006【总页数】7页(P6-12)【关键词】节点定位;无线传感器网络;粒子群优化;DV-Hop;定位精度;差异演化【作者】解姗姗;曾健民【作者单位】闽南理工学院信息管理学院, 福建石狮 362700;闽南理工学院信息管理学院, 福建石狮 362700【正文语种】中文【中图分类】TP212.9无线传感器网络（WSN）由某固定区域内数量众多的各种无线传感节点组成，广泛应用于智慧医疗、环境监控、物流管理和安防监控等领域，是目前比较流行的无线网络传输技术之一[1]。

与适用于室外环境的GPS（全球定位系统）不同，无线传感器网络可以有效解决室内定位问题．无线传感器网络中的传感器节点需要完成数据采集、处理和通信的功能，因此传感器节点的准确定位对于无线传感器网络的应用来说，具有重要的研究价值和意义[2-4]。

目前，主流的无线传感器网络节点定位算法主要分为两种：基于测距的算法和无需测距的算法[5]。

基于测距（range-based）的定位算法是与距离相关的方案，采用测量接收信号强度指示(RSSI)、角度等信息来完成定位．虽然成本较高且能量消耗较大，但节点定位精确度更具优势。

无需测距（range-free）的定位算法是与距离无关的方案，不需要测量距离，只需要通过节点间的距离就能够估计未知节点的位置，比如使用跳跃数。

基于量子遗传算法的WSN三维定位方法

基于量子遗传算法的WSN三维定位方法刘宏;王其涛;夏未君【摘要】为了减小测距误差对无线传感器网络节点定位精度的影响,本文提出一种基于量子遗传算法(quantum genetic algorithm,QGA)的三维定位方法.该算法调整参数少,简单易实现.首先通过RSSI测量未知节点和锚节点之间的距离;然后使用新的量子旋转门及旋转角度解决多维空间的局部最优问题;最后根据量子遗传算法的快速收敛性和平衡的全局与局部搜索能力进行寻优,提高无线传感器网络的定位精度、仿真结果表明:算法的定位精度、稳定性及抗干扰能力相较于最大似然法有了明显的提高.【期刊名称】《广西师范大学学报（自然科学版）》【年(卷),期】2015(033)004【总页数】6页(P49-54)【关键词】无线传感器网络;量子遗传算法;量子旋转门;锚节点【作者】刘宏;王其涛;夏未君【作者单位】江西理工大学电气工程与自动化学院,江西赣州341000;江西理工大学电气工程与自动化学院,江西赣州341000;江西理工大学电气工程与自动化学院,江西赣州341000【正文语种】中文【中图分类】TP393无线传感器网络[1](wireless sensor networks，WSN)的应用离不开定位、路由协议等基础技术的支撑。

在实际应用中，位置和监测信息相互统一缺一不可，监测信息是重点，位置信息则是基础，因此快速准确地得出WSN的节点坐标非常重要。

在无线传感器网络的节点定位中使用智能优化算法[2]进行寻优是近年研究的热点之一。

粒子群算法[3](PSO)、蛙跳算法[4](SFLA)、萤火虫算法[5](FA)等已经应用在无线传感器网络的节点定位中，但这些算法都存在一定的缺点：粒子群算法在处理离散的、多维的问题时容易陷入局部最优；蛙跳算法因需要设定较大的种群从而导致收敛速度慢，同时难以跳出局部最优；萤火虫算法发现峰值概率较低，适应值偶尔会出现震荡。

智能优化算法本身存在固有的缺陷必然影响WSN节点三维定位的精度，因此文献[6-7]提出使用量子遗传算法[8](quantum genetic algorithm，QGA)来校正距离无关的DV-hop算法的估计位置，定位精度较DV-hop有了较大的提高。

基于遗传算法的无线传感器网络节点定位技术研究

基于遗传算法的无线传感器网络节点定位技术研究近年来，随着无线传感器网络技术的发展，其在环境感知、智能控制、安防监测等领域都有着广泛的应用。

在这些应用场景中，无线传感器节点的定位是非常关键的，因为节点的位置信息对于数据采集、信息处理、系统运行等方面都有着至关重要的影响。

传统的定位方法主要依赖于距离测量技术，如全球定位系统（GPS）或基于测距仪的方法。

但是这些方法存在着一些局限性，比如在室内环境或复杂的电磁干扰下会失效，或者需要先前的建模和预先设置等。

因此，对节点定位的研究一直是无线传感器网络领域的热点问题之一。

遗传算法是一种用于求解最优化问题的强大工具，其主要模拟了进化论中的自然选择过程，通过选择、交叉和突变等操作来在解空间中寻找最优解。

这种算法具有全局搜索能力、自适应性和鲁棒性等优点，因此也被广泛应用于优化问题的求解中，如图像处理、机器学习、物流优化等领域。

基于遗传算法的无线传感器节点定位技术是近年来研究的热点之一。

其主要思路是通过节点间的距离和信号强度等信息，将节点的坐标参数视为解空间中的遗传编码，并通过遗传算法来搜索最优解。

这种方法不需要任何先前的建模或设置，且对于室内环境或其他电磁干扰都有着很好的适应性。

具体来说，基于遗传算法的无线传感器节点定位技术主要分为两个步骤：节点部署和定位求解。

节点部署是指将一定数量的无线传感器节点部署在待测定区域中，并建立节点间的连通性关系。

这个过程可以采用多种手段实现，如手动部署、自组织网络等。

定位求解是指在节点部署完成后，通过采样多个节点之间的距离和信号强度等信息，计算出每个节点的位置信息。

这个过程中，遗传算法则被用于搜索最优解，其中节点坐标参数被视为遗传编码，适应度函数则是衡量解的质量的指标。

在实际应用中，基于遗传算法的无线传感器节点定位技术已经得到了广泛的应用。

它在洪水监测、火灾监测、室内定位等方面发挥了重要作用，在实现高精度定位的同时，也能够降低设备成本、提高系统可靠性和鲁棒性。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，肋ｎｇｘｉＵｎｗｅｎｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ３４１０００，Ｊｉａｎｇｘｉ，Ｃｈｉｎａ）
第３０卷第２期
２０１３年２月
计算机应用与软件
ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
Ｖ０１．３０Ｎｏ．２
Ｆｅｂ．２０１３
基于量子ＮＧＥ．ＦＲＥＥＮｏＤＥＬｏＣＡＬＩＳＡＴＩｏＮＡＬＧｏＲＩＴＨＭＢＡＳＥＤＯＮ
ＱＵＡＮＴＵＭＧＥＮＥＴＩＣＡＬＧＯＲＩＴＨＭ
ＦａｎｇＷａｎｇｓｈｅｎｇＺｅｎｇＪｉｎｇ
ｓｔａｂｌｅｉｎｐｅｆｒｏｒｍａｎｃｅａｎｄｃａｎｇｅｔｇｌｏｂａｌｏｐｔｉｍａｌｓｏｌｕｔｉｏｎ，ａｎｄｍａｋｅｓｔｈｅｏｂｖｉｏｕｓｄｅｃｒｅａｓｅｉｎｌｏｃａｔｉｏｎｅｒｒｏｒｏｆＤＶ— Ｈｏｐ．
ｏｎｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ（ＱＧＡ）ａｉｍｉｎｇａｔｔｈｅＤＶ — Ｈｏｐａｌｇｏｉｒｔｈｍ．Ｕｓｉｎｇｔｈｅｅｓｔｉｍａｔｅｄｄｉｓｔａｎｃｅｂｅｔｗｅｅｎｎｏｄｅｓａｎｄｔｈｅｐｏｓｉｔｉｏｎｏｆａｎｃｈｏｒ
Ｋｅｙｗｏｒｄｓ
Ｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋ（ＷＳＮｓ）Ｑｕａｎｔｕｍｇｅｎｅｔｉｃａｌｇｏｉｒｔｈｍ（ＱＧＡ）ＤＶ— ＨｏｐａｌｇｏｉｒｔｈｍＭｕｔａｔｉｏｎＰｏｓｉｔｉｏｎｅｒｏｒ
ｃｏｄｉｎｇ，ｑｕａｎｔｕｍｒｏｔａｔｅｇａｔｅａｎｄｍｕｔａｔｉｏｎｌｇａｏｒｉｔｈｍａｒｅｕｓｅｄｔｏｕｐｄｔｅａｔｈｅｉｎｄｉｖｉｄｕａｌｓ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｉｔｒｈｍｉｓ
关键词
中图分类号
无线传感器网络
ＴＰ３９３
量子遗传算法ＤＶ — Ｈｏｐ算法变异
文献标识码Ａ
定位误差
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ — ３８６ｘ．２０１３．０２．０４７
ＡｂｓｔｒａｃｔＦｏｒｉｍｐｒｏｖｉｎｇｔｈｅｌｏｃａｌｉｓａｔｉｏｎａｃｃｕｒａｃｙｏｆｒａｎｇｅ — ｆｒｅｅｎｏｄｅａｌｇｏｉｒｔｈｍ，ｗｅｉｎｔｒｏｄｕｃｅａｋｉｎｄｏｆｉｍｐｒｏｖｅｄａｌｇｏｉｒｔｈｍｗｈｉｃｈｉｓｂａｓｅｄ
方旺盛曾晶
（江西理工大学信息工程学院江西赣州３４１０００）
摘要为了提高非测距节点定位算法的定位精度，针对ＤＶ — Ｈｏｐ算法提出一种基于量子遗传算法的改进算法。利用节点间的估计距离和锚节点的位置，在ＤＶ — Ｈｏｐ算法的第三阶段采用量子遗传算法校正ＤＶ — Ｈｏｐ得到的估算位置，采用二进制量子编码和量子旋转门以及变异处理更新个体。仿真结果表明，改进的算法性能稳定，能找到全局最优解，并使ＤＶ — Ｈｏｐ的定位误差明显下降。
ｎｏｄｅｓ，ｉｎｔｈｉｒｄｓｔａｇｅｏｆＤＶ — ＨｏｐａｌｇｏｉｒｔｈｍｔｈｅＱＧＡｉｓｅｍｐｌｏｙｅｄｔｏｃｏｒｒｅｃｔｔｈｅｅｓｔｉｍａｔｅｄｐｏｓｉｔｉｏｎｄｅｉｒｖｅｄｆｒｏｍＤＶ — Ｈｏｐ．Ｔｈｅｂｉｎａｒｙ・ｑｕａｎｔｕｍ—
０引言
节点定位技术是无线传感器网络… 中的关键技术之一。