基于随机漂移粒子群算法的WSNs节点定位*

赵 吉, 纪志成

(1.江南大学 电气自动化研究所，江苏 无锡 214122;2.无锡城市职业技术学院 电子信息工程系，江苏 无锡 214000)

基于随机漂移粒子群算法的WSNs节点定位*

赵 吉1，2, 纪志成1

(1.江南大学 电气自动化研究所，江苏 无锡 214122;2.无锡城市职业技术学院 电子信息工程系，江苏 无锡 214000)

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。

随机漂移粒子群优化算法；定位；无线传感器网络；接收信号强度指示

0 引 言

无线传感器网络(wireless sensor networks ,WSNs)凭借全新的信息获取处理技术，在军事应用、环境监测、目标跟踪、智能交通及入侵监测等定位相关的领域具有广泛的应用前景[1]。在这些应用中，传感器节点的位置信息直接反映了监测目标所处的位置，如果没有具体的位置信息，采集的数据就是无效或无意义的[2]，目标监测就将失去意义。近年来，已经有很多学者提出了将进化算法和群体智能优化算法应用于WSNs的节点定位问题中[3～5]。本文提出了随机漂移粒子群优化(random drift particle swarm optimization,RDPSO)算法，并将该算法应用于接收信号强度指示(recieved signal strength indication,RSSI)节点定位中，以降低由于RSSI测距产生的定位误差，提高节点定位精度。

1 RDPSO算法

粒子群优化(PSO)算法是一种基于群体进化的高效优化算法[6]。但Van已经验证PSO算法不能保证全局收敛[7]。为此,本文提出RDPSO算法。

(1)

(2)

(3)

公式(1)的物理解释为公式右边可以分成2个部分，即

(4)

(5)

其中，α1和α2分别为α的初始值和最终值，n为当前迭代次数和nmax为允许的最大迭代数。

RDPSO算法详细描述如下：

Beign

初始化种群的每个粒子的位置向量和速度向量；

Do

Fori=1 to 粒子数大小

Iff(xi)

G=min(Pi)

运用式(3)计算得到Cj

Ford=1 toD

end for

end if

end for

end do

直到终止条件满足，最后得到的gbest就是优化得到的全局最优解。

end

2 基于RDPSO的RSSI定位算法

2.1 问题描述

2.2 定位方法实现步骤

基于RDPSO的RSSI定位算法实现步骤：

1)在区域内随机部署未知节点和锚节点，锚节点定期发送自身信息，如节点标示ID和未知信息。

2)未知节点接收到锚节点信息后，根据RSSI测距算法计算得出与锚节点之间的距离 。

3)对于锚节点个数大于3的未知节点，采用RDPSO算法进行定位。

3 实验仿真

3.1 参数设置

3.2 实验结果

图1显示了通信半径为15 m情况下锚节点占总节点比例与平均定位误差的关系。从图1可以看出:随着锚节点比例的增加，各种定位算法的平均定位误差都会逐渐下降。当锚节点比例达到25 %时，平均定位误差改变不大，并且两种算法产生的误差趋于接近。同时可以看出基于RDPSO算法的定位误差均比PSO算法得到的定位误差小。图2为锚节点比例为15 %情况下锚节点通信半径与平均定位误差的关系，可以看出,锚节点通信半径增加，未知节点的邻居锚节点数量增加，网络连通度也随之增大，定位误差随之降低。从图2可以看出:基于RDPSO算法的定位误差是最小的。为了进一步比较，图3列出了不同算法的收敛曲线。可以看出RDPSO算法收敛速度非常快，基本在运行30次就已经能找到最优值，而PSO算法则需要60次左右才趋于稳定。图4给出了不同邻居锚节点数量的算法运行时间。从图4可以看出:随着邻居锚节点数量增加，RDPSO和PSO算法优化时间也逐步增大，但RDPSO算法的效率更高。

图1 锚节点比率与平均定位误差Fig 1 Anchor nodes ratio and average localization error

图2 通信半径与平均定位误差Fig 2 Communication radius and average localization error

图3 算法收敛曲线Fig 3 Convergence curve of algorithms

图4 算法运行时间与邻居锚节点数量Fig 4 Running time of algorithms and number of neighbor anchor nodes

由此可以看出:由于RDPSO提高了算法的随机搜索能力，增强了粒子的多样性，在RSSI定位算法中使用RDPSO算法可以进一步提高定位精度，并且收敛速度和稳定性方面要优于PSO算法。

4 结 论

本文研究了基于RDPSO算法和PSO算法的RSSI的WSNs节点定位问题。本文简单介绍了RDPSO算法思想来源及其算法过程，并利用RDPSO算法和PSO算法优化RSSI模型测距定位算法。通过仿真实验结果比较表明：基于RDPSO算法的RSSI节点定位方法具有更好的定位精度和定位性能，收敛速度快，稳定性高，证明了该方法的有效性。

[1] Agre J,Clare L.An integrated architecture for cooperative sensing networks[J].IEEE Computer Magazine,2000,33(5):106-108.

[2] Patwari N,Ash J N,Kyperountas S,et al.Locating the nodes:Cooperative localization in wireless sensor networks[J].IEEE Signal Processing Magazine,2005,22(4):54-69.

[3] 余成波，张一萌，李洪兵，等.无线传感器网络自校正定位算法[J].振动、测试与诊断，2012，32(1)：6-10.

[4] 陈星舟，廖明宏，林建华.基于粒子群优化的无线传感器网络节点定位改进[J].计算机应用，2010，30(7)：1736-1738.

[5] 张广峰，段其昌，刘 政.基于加强学习与联想记忆粒子群优化算法的节点定位[J].传感器与微系统，2013，32(3)：72-73.

[6] Kennedy J,Eberhart R C.Particle swarm optimization[C]∥Proceedings of the IEEE International Joint Conference on Neural Networks,1995:942-1948.

[7] Van den Bergh F.An analysis of particle swarm optimizers [D].Pretoria:University of Pretoria,2001.

[8] Omar M A.Elementary solid state physics:Principles and applications [M].4th ed.Boston:Addison-Wesley,1994.

[9] Clerc M,Kennedy J.The particle swarm explosion:Stability and convergence in a multi-dimensional complex space [J].IEEE Trans on Evolutionary Compute,2002,6(1):58-73.

WSNs node localization based on random drift particle swarm optimization algorithm*

ZHAO Ji1，2, JI Zhi-cheng1

(1.Institute of Electrical Automation, Jiangnan University, Wuxi 214122,China;2.Department of Electronic Information Engineering,Wuxi City College of Vocational Technology,Wuxi 214000,China)

Random drift particle swarm optimization(RDPSO) algorithm is presented and applied to RSSI localization algorithm，in order to reduce positioning errors generated by RSSI ranging.In simulation experiments,RSSI localization algorithm based on RDPSO is compared with that based on particle swarm optimization(PSO).Experimental results indicate that RDPSO algorithm is superior to PSO algorithm in optimizing performance,which improves positioning precision of nodes,it is proved that the method has fast convergence speed,good stability and high precision.which is suitable for WSNs node localization problem.

random drift particle swarm optimization(RDPSO) algorithm; localization; wireless sensor networks(WSNs); RSSI

10.13873/J.1000—9787(2014)10—0141—03

2014—02—17

国家自然科学基金资助项目(61300149)；江苏省博士后基金资助项目(1101124C)；2012年江苏省高校青蓝工程资助项目；江苏省青蓝工程资助项目(2012—16)

TP 393

A

1000—9787(2014)10—0141—03

赵 吉(1980-)，女，江苏无锡人，博士后，主要研究方向为进化计算、人工智能。