基于自適應調整策略灰狼算法的DV-Hop定位算法
發(fā)布時間：2021-01-05 09:00
針對無線傳感器網絡傳統(tǒng)距離-矢量（DV-Hop）算法中最小二乘法估計誤差過大的問題,提出了一種改進灰狼優(yōu)化（Grey Wolf Optimization,GWO）算法與DV-Hop融合的算法。首先,利用傳統(tǒng)的DV-Hop算法估算出信標節(jié)點與各未知節(jié)點間的距離。其次,用具有自適應策略的改進GWO算法代替最小二乘法來估算未知節(jié)點的位置,所做改進包括初始化狼群個體時引入佳點集,以提高初始種群的遍歷性;為了加快種群位置的更新速度,對控制參數a采取自適應調整策略,并根據α,β和σ的適應度值加權更新種群位置。最后,采取鏡像策略對估算出的越界節(jié)點進行處理。實驗結果表明,相比于傳統(tǒng)DV-Hop算法、文獻[1]的算法和文獻[2]的算法,所提算法的定位精度更高,穩(wěn)定性更好。
【文章來源】：計算機科學. 2019年05期 北大核心
【文章頁數】：6 頁
【部分圖文】：
圖２灰狼種群等級金字塔示意圖Ｆｉｇ．２Ｓｋｅｔｃｈｍａｐｏｆｇｒｅｙｗｏｌｆｐｏｐｕｌａｔｉｏｎｇｒａｄｅｐｙｒａｍｉｄ
，Ｃ（ｒ，ε）是只與ｒ和ε有關的常數，且ε為無窮小量。應用時，取ｒｋ＝｛２ｃｏｓ（２πｋｐ），１≤ｋ≤ｓ｝，ｐ為滿足（ｐ－３）２≥ｓ的最小素數。圖３、圖４對采用佳點集法與隨機法產生的初始個體進行了對比。從圖中可以看出，相比于隨機法，佳點集法能夠使初始點分布更加均勻，讓初始種群具有更好的遍歷性。理論［１９］上已證明，用ｎ個佳點構成的加權和比采用任何其他ｎ個點所得到的誤差都小。圖３佳點集法產生的初始群（Ｎ＝１００）Ｆｉｇ．３Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｇｏｏｄ－ｐｏｉｎｔｓｍｅｔｈｏｄ（Ｎ＝１００）圖４隨機法產生的初始群（Ｎ＝１００）Ｆｉｇ．４Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｒａｎｄｏｍｍｅｔｈｏｄ（Ｎ＝１００）３．３自適應調整策略根據ＧＷＯ的原理，該算法在迭代初期具有較快的收斂速度，但隨著迭代次數的不斷增加，算法很容易陷入局部優(yōu)化，使得收斂速度減慢。由２．１節(jié)的分析可知，控制參數α對算法收斂速度的影響較為關鍵。因此，本文提出了一種針對控制參數α的自適應調整策略。由文獻［２０］可知，采用正弦曲線、正切曲線和對數曲線對粒子群慣性權重進行調整的尋優(yōu)效果優(yōu)于傳統(tǒng)的調整策略。受此啟發(fā)，本文提出了一種基于余弦曲線的非線性調整策略。在傳統(tǒng)的ＧＷＯ算法中，控制參數α依據式（１１）進行非線性遞減，本文利用余弦函數在區(qū)間［０，π／２］上非線性遞減的特性來構造控制參數α的調
，令ｒ∈Ｇｔ，得到點集Ｐｎ（ｋ）＝｛（ｒ１·ｋ，ｒ２·ｋ，…，ｒｔ·ｋ，１≤ｋ≤ｎ｝的偏差?（ｎ），若滿足?（ｎ）＝Ｃ（ｒ，ε）ｎ－１＋ε，那么就稱Ｐｎ（ｋ）為佳點集，ｒ為佳點。其中，Ｃ（ｒ，ε）是只與ｒ和ε有關的常數，且ε為無窮小量。應用時，�。颍耄剑玻悖铮螅ǎ拨校耄穑�，１≤ｋ≤ｓ｝，ｐ為滿足（ｐ－３）２≥ｓ的最小素數。圖３、圖４對采用佳點集法與隨機法產生的初始個體進行了對比。從圖中可以看出，相比于隨機法，佳點集法能夠使初始點分布更加均勻，讓初始種群具有更好的遍歷性。理論［１９］上已證明，用ｎ個佳點構成的加權和比采用任何其他ｎ個點所得到的誤差都小。圖３佳點集法產生的初始群（Ｎ＝１００）Ｆｉｇ．３Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｇｏｏｄ－ｐｏｉｎｔｓｍｅｔｈｏｄ（Ｎ＝１００）圖４隨機法產生的初始群（Ｎ＝１００）Ｆｉｇ．４Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｒａｎｄｏｍｍｅｔｈｏｄ（Ｎ＝１００）３．３自適應調整策略根據ＧＷＯ的原理，該算法在迭代初期具有較快的收斂速度，但隨著迭代次數的不斷增加，算法很容易陷入局部優(yōu)化，使得收斂速度減慢。由２．１節(jié)的分析可知，控制參數α對算法收斂速度的影響較為關鍵。因此，本文提出了一種針對控制參數α的自適應調整策略。由文獻［２０］可知，采用正弦曲線、正切曲線和對數曲線對粒子群慣性權重進
【參考文獻】：
期刊論文
[1]遺傳粒子群優(yōu)化的DV-Hop定位算法[J]. 高美鳳,李鳳超. 傳感技術學報. 2017(07)
[2]基于跳距與改進粒子群算法的DV-Hop定位算法[J]. 范時平,羅丹,劉艷林. 傳感技術學報. 2016(09)
[3]嵌入遺傳算子的改進灰狼優(yōu)化算法[J]. 徐松金,龍文. 蘭州理工大學學報. 2016(04)
[4]基于口令應答的協(xié)作式WSNs移動復制節(jié)點檢測方法研究[J]. 吳海兵,顧國華,朱岳超,周杰,黎明曦. 傳感技術學報. 2016(07)
[5]一種基于誤差距離加權與跳段算法選擇的遺傳優(yōu)化DV-Hop定位算法[J]. 程超,錢志鴻,付彩欣,劉曉慧. 電子與信息學報. 2015(10)
[6]改進的無線傳感器網絡DV-Hop定位算法[J]. 陳萬志,張洋. 計算機工程與應用. 2016(10)
[7]求解約束優(yōu)化問題的改進灰狼優(yōu)化算法[J]. 龍文,趙東泉,徐松金. 計算機應用. 2015(09)
[8]基于改進粒子群算法的無線傳感器網絡節(jié)點定位[J]. 于泉,孫順遠,徐保國,陳淑娟. 計算機應用. 2015(06)
[9]基于RSSI跳數修正的DV-Hop改進算法[J]. 溫江濤,范學敏,吳希軍. 傳感技術學報. 2014(01)
[10]聚類佳點集交叉的約束優(yōu)化混合進化算法[J]. 龍文,梁昔明,徐松金,陳富. 計算機研究與發(fā)展. 2012(08)
本文編號：2958392
【文章來源】：計算機科學. 2019年05期 北大核心
【文章頁數】：6 頁
【部分圖文】：
圖２灰狼種群等級金字塔示意圖Ｆｉｇ．２Ｓｋｅｔｃｈｍａｐｏｆｇｒｅｙｗｏｌｆｐｏｐｕｌａｔｉｏｎｇｒａｄｅｐｙｒａｍｉｄ
，Ｃ（ｒ，ε）是只與ｒ和ε有關的常數，且ε為無窮小量。應用時，取ｒｋ＝｛２ｃｏｓ（２πｋｐ），１≤ｋ≤ｓ｝，ｐ為滿足（ｐ－３）２≥ｓ的最小素數。圖３、圖４對采用佳點集法與隨機法產生的初始個體進行了對比。從圖中可以看出，相比于隨機法，佳點集法能夠使初始點分布更加均勻，讓初始種群具有更好的遍歷性。理論［１９］上已證明，用ｎ個佳點構成的加權和比采用任何其他ｎ個點所得到的誤差都小。圖３佳點集法產生的初始群（Ｎ＝１００）Ｆｉｇ．３Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｇｏｏｄ－ｐｏｉｎｔｓｍｅｔｈｏｄ（Ｎ＝１００）圖４隨機法產生的初始群（Ｎ＝１００）Ｆｉｇ．４Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｒａｎｄｏｍｍｅｔｈｏｄ（Ｎ＝１００）３．３自適應調整策略根據ＧＷＯ的原理，該算法在迭代初期具有較快的收斂速度，但隨著迭代次數的不斷增加，算法很容易陷入局部優(yōu)化，使得收斂速度減慢。由２．１節(jié)的分析可知，控制參數α對算法收斂速度的影響較為關鍵。因此，本文提出了一種針對控制參數α的自適應調整策略。由文獻［２０］可知，采用正弦曲線、正切曲線和對數曲線對粒子群慣性權重進行調整的尋優(yōu)效果優(yōu)于傳統(tǒng)的調整策略。受此啟發(fā)，本文提出了一種基于余弦曲線的非線性調整策略。在傳統(tǒng)的ＧＷＯ算法中，控制參數α依據式（１１）進行非線性遞減，本文利用余弦函數在區(qū)間［０，π／２］上非線性遞減的特性來構造控制參數α的調
，令ｒ∈Ｇｔ，得到點集Ｐｎ（ｋ）＝｛（ｒ１·ｋ，ｒ２·ｋ，…，ｒｔ·ｋ，１≤ｋ≤ｎ｝的偏差?（ｎ），若滿足?（ｎ）＝Ｃ（ｒ，ε）ｎ－１＋ε，那么就稱Ｐｎ（ｋ）為佳點集，ｒ為佳點。其中，Ｃ（ｒ，ε）是只與ｒ和ε有關的常數，且ε為無窮小量。應用時，�。颍耄剑玻悖铮螅ǎ拨校耄穑�，１≤ｋ≤ｓ｝，ｐ為滿足（ｐ－３）２≥ｓ的最小素數。圖３、圖４對采用佳點集法與隨機法產生的初始個體進行了對比。從圖中可以看出，相比于隨機法，佳點集法能夠使初始點分布更加均勻，讓初始種群具有更好的遍歷性。理論［１９］上已證明，用ｎ個佳點構成的加權和比采用任何其他ｎ個點所得到的誤差都小。圖３佳點集法產生的初始群（Ｎ＝１００）Ｆｉｇ．３Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｇｏｏｄ－ｐｏｉｎｔｓｍｅｔｈｏｄ（Ｎ＝１００）圖４隨機法產生的初始群（Ｎ＝１００）Ｆｉｇ．４Ｉｎｉｔｉａｌｇｒｏｕｐｇｅｎｅｒａｔｅｄｂｙｒａｎｄｏｍｍｅｔｈｏｄ（Ｎ＝１００）３．３自適應調整策略根據ＧＷＯ的原理，該算法在迭代初期具有較快的收斂速度，但隨著迭代次數的不斷增加，算法很容易陷入局部優(yōu)化，使得收斂速度減慢。由２．１節(jié)的分析可知，控制參數α對算法收斂速度的影響較為關鍵。因此，本文提出了一種針對控制參數α的自適應調整策略。由文獻［２０］可知，采用正弦曲線、正切曲線和對數曲線對粒子群慣性權重進
【參考文獻】：
期刊論文
[1]遺傳粒子群優(yōu)化的DV-Hop定位算法[J]. 高美鳳,李鳳超. 傳感技術學報. 2017(07)
[2]基于跳距與改進粒子群算法的DV-Hop定位算法[J]. 范時平,羅丹,劉艷林. 傳感技術學報. 2016(09)
[3]嵌入遺傳算子的改進灰狼優(yōu)化算法[J]. 徐松金,龍文. 蘭州理工大學學報. 2016(04)
[4]基于口令應答的協(xié)作式WSNs移動復制節(jié)點檢測方法研究[J]. 吳海兵,顧國華,朱岳超,周杰,黎明曦. 傳感技術學報. 2016(07)
[5]一種基于誤差距離加權與跳段算法選擇的遺傳優(yōu)化DV-Hop定位算法[J]. 程超,錢志鴻,付彩欣,劉曉慧. 電子與信息學報. 2015(10)
[6]改進的無線傳感器網絡DV-Hop定位算法[J]. 陳萬志,張洋. 計算機工程與應用. 2016(10)
[7]求解約束優(yōu)化問題的改進灰狼優(yōu)化算法[J]. 龍文,趙東泉,徐松金. 計算機應用. 2015(09)
[8]基于改進粒子群算法的無線傳感器網絡節(jié)點定位[J]. 于泉,孫順遠,徐保國,陳淑娟. 計算機應用. 2015(06)
[9]基于RSSI跳數修正的DV-Hop改進算法[J]. 溫江濤,范學敏,吳希軍. 傳感技術學報. 2014(01)
[10]聚類佳點集交叉的約束優(yōu)化混合進化算法[J]. 龍文,梁昔明,徐松金,陳富. 計算機研究與發(fā)展. 2012(08)
本文編號：2958392
本文鏈接：http://sikaile.net/kejilunwen/sousuoyinqinglunwen/2958392.html
