謝國(guó)民,干毅軍,丁會(huì)巧

(1.遼寧工程技術(shù)大學(xué)電氣工程與控制工程學(xué)院,遼寧 葫蘆島 125105;2.烏魯木齊供電公司,烏魯木齊 830000)

基于佳點(diǎn)集的蝙蝠定位算法在WSN中應(yīng)用*

謝國(guó)民1*,干毅軍1,丁會(huì)巧2

(1.遼寧工程技術(shù)大學(xué)電氣工程與控制工程學(xué)院,遼寧 葫蘆島 125105;2.烏魯木齊供電公司,烏魯木齊 830000)

針對(duì)無(wú)線傳感器網(wǎng)絡(luò)(WSN)節(jié)點(diǎn)的定位誤差較大的的問(wèn)題,提出一種新的基于佳點(diǎn)集的蝙蝠定位算法。在改進(jìn)的算法中,采用基于佳點(diǎn)集的方法對(duì)蝙蝠種群個(gè)體進(jìn)行初始化優(yōu)化,有效提高種群多樣性,避免算法過(guò)早陷入局部最優(yōu);引入部落機(jī)制及自適應(yīng)更新方式,可有效避免局部最優(yōu)解的吸引,加快收斂速度;通過(guò)重構(gòu)部落利用pareto分級(jí)有效避免個(gè)別優(yōu)秀個(gè)體被淘汰,增強(qiáng)了泛化能力,提高算法精度。通過(guò)MATLAB模擬仿真平臺(tái)仿真實(shí)驗(yàn)表明,改進(jìn)后的算法具有較好的收斂性和良好的尋優(yōu)性能,降低測(cè)距誤差對(duì)定位的影響,提高節(jié)點(diǎn)的定位精度。算法系統(tǒng)實(shí)現(xiàn)條件簡(jiǎn)單、精度高,具有較高的實(shí)際應(yīng)用價(jià)值。

蝙蝠算法;佳點(diǎn)集;部落機(jī)制;WSN

無(wú)線傳感器網(wǎng)絡(luò)WSN(WirelessSensor Network)是由許多傳感器節(jié)點(diǎn)組成采用無(wú)線通信方式連接的一個(gè)多跳自組織的網(wǎng)絡(luò)系統(tǒng),具備檢測(cè)感知、采集和處理信息的功能[1]。在無(wú)線傳感器網(wǎng)絡(luò)的應(yīng)用中,實(shí)時(shí)獲取事件發(fā)生位置或節(jié)點(diǎn)信息是WSN的基本功能之一,因此節(jié)點(diǎn)定位是無(wú)線傳感器網(wǎng)絡(luò)中的一個(gè)重要問(wèn)題,引入位置信息,才能使得無(wú)線傳感器網(wǎng)絡(luò)的許多檢測(cè)數(shù)據(jù)變得更有意義[2]。

針對(duì)WSN定位方法,國(guó)內(nèi)外學(xué)者進(jìn)行大量研究,定位算法分為兩類:節(jié)點(diǎn)自身的定位和目標(biāo)節(jié)點(diǎn)的定位,其中節(jié)點(diǎn)自身定位算法分為基于測(cè)距技術(shù)的定位算法和無(wú)需測(cè)距的定位算法?；跍y(cè)距技術(shù)的定位算法通過(guò)測(cè)量節(jié)點(diǎn)間的距離或者角度信息,使用三邊測(cè)量法、三角測(cè)量法或最大似然估計(jì)法來(lái)計(jì)算節(jié)點(diǎn)位置,包括RSSI(Received Signal Strength Indicator)定位[3]、TOA(Time of Arrival)定位[4]、TDOA(Time Difference On Arrival)定位[5]和AOA(Angle of Arrival)定位[6],算法定位精度較高,但因額外的硬件設(shè)置,成本大而使其使用受限;無(wú)需測(cè)距的定位算法有質(zhì)心定位、凸規(guī)劃定位[7]、DV-HOP(Distance Vector HOP)定位、Amorphous定位、MDS-MAP定位[8]和APIT(Approximate PIT Test)定位[9],此類定位算法是通過(guò)錨節(jié)點(diǎn)的信息和網(wǎng)絡(luò)連通度來(lái)估計(jì)節(jié)點(diǎn)位置,無(wú)需額外硬件支持,算法簡(jiǎn)單,成本低,但存在定位精度不高等缺點(diǎn)。隨著無(wú)線傳感器技術(shù)的發(fā)展,已將無(wú)線傳感器的節(jié)點(diǎn)定位問(wèn)題轉(zhuǎn)換為約束優(yōu)化問(wèn)題,通過(guò)智能算法對(duì)節(jié)點(diǎn)進(jìn)一步優(yōu)化以提高定位精度[10-13]。蝙蝠算法BA(Bat Algorithm)具有模型簡(jiǎn)單,尋優(yōu)能力強(qiáng)等優(yōu)點(diǎn)可用以解決WSN定位問(wèn)題;但基本蝙蝠算法存在易早收斂、后期收斂速度慢、局部搜索能力弱等缺點(diǎn)。

針對(duì)蝙蝠算法的缺點(diǎn),本文提出一種基于佳點(diǎn)集的自適應(yīng)蝙蝠算法GBA(Good-Point Bat Algorithm)用于WSN系統(tǒng)中的節(jié)點(diǎn)定位,采用佳點(diǎn)集方法對(duì)WSN系統(tǒng)中的節(jié)點(diǎn)初始化進(jìn)行優(yōu)化,使其均勻分布于解空間,保持種群的多樣性;通過(guò)GBA算法全局搜索解空間,利用自適應(yīng)搜索算子的位置更新方法,加快算法的收斂速度,提高蝙蝠算法的全局搜索能力。

圖1 無(wú)線傳感器網(wǎng)絡(luò)典型的體系結(jié)構(gòu)

1 無(wú)線傳感器網(wǎng)絡(luò)體系

無(wú)線傳感器網(wǎng)絡(luò)典型的體系結(jié)構(gòu)如圖1所示。定位網(wǎng)絡(luò)是由隨機(jī)部署的待定位節(jié)點(diǎn)和參考錨節(jié)點(diǎn)組成。錨節(jié)點(diǎn)通過(guò)向其他節(jié)點(diǎn)廣播自身的位置信息,為其他節(jié)點(diǎn)確定位置提供信息。在傳感器網(wǎng)絡(luò)中除了知道自身位置信息的錨節(jié)點(diǎn)外就是待定位節(jié)點(diǎn)。待定位節(jié)點(diǎn)通過(guò)錨節(jié)點(diǎn)提供的信息和定位算法計(jì)算出自身的位置。定位算法就是以多節(jié)點(diǎn)構(gòu)成的傳感器網(wǎng)絡(luò)為硬件基礎(chǔ),通過(guò)相應(yīng)的軟件設(shè)計(jì)實(shí)現(xiàn)的。精度高、容錯(cuò)能力強(qiáng)定位算法將極大提高定位節(jié)點(diǎn)的定位精度。將基于佳點(diǎn)集的自適應(yīng)蝙蝠算法應(yīng)用于定位系統(tǒng),將有效的提高定位節(jié)點(diǎn)的定位精度及定位速度。

2 基于佳點(diǎn)集的蝙蝠定位算法

2.1 基于佳點(diǎn)集蝙蝠定位算法方法論

選取適應(yīng)度函數(shù)f(xi)來(lái)體現(xiàn)WSN定位系統(tǒng)的精度,f(xi)函數(shù)值大小在蝙蝠算法中代表種群個(gè)體位置的優(yōu)劣,適應(yīng)度函數(shù)與種群個(gè)體位置構(gòu)成如式(1)所示關(guān)系:

(1)

蝙蝠算法通過(guò)超聲波搜索,利用回聲定位的原理進(jìn)行獵物搜索,蝙蝠種群在初始化時(shí)個(gè)體應(yīng)盡可能的均勻分布在整個(gè)搜索空間中[14],采用佳點(diǎn)集的蝙蝠算法在整個(gè)搜索空間內(nèi)進(jìn)行均勻搜索能以較快的收斂速度快速逼近最優(yōu)解。

對(duì)于搜索空間中的初始種群,既不能粗略的隨機(jī)產(chǎn)生,又不能遍歷所有的狀況,通過(guò)數(shù)論中的佳點(diǎn)集原理設(shè)計(jì)出均勻分布于搜索空間的初始種群,以保持種群良好的多樣性。在佳點(diǎn)集的定義[15-18]中,設(shè)GD是D維歐式空間中的單位立方體,如果rGD,形為

(2)

其偏差φ(n)=C(r,ε)n-1+ε,則稱Pn(k)為佳點(diǎn)集,r為佳點(diǎn),其中C(r,ε)是只與r、ε(ε>0)有關(guān)的常數(shù)。取rk={2cos(2πr/p)},1≤k≤n,p是滿足(p-D/2)≥D的最小素?cái)?shù),或rk={exp(k)},1≤k≤n,{a}表示a的小數(shù)部分。理論[19]上已證明,用n個(gè)佳點(diǎn)構(gòu)成的加權(quán)和比采用任何其他n個(gè)點(diǎn)所得到的誤差都要小。

fi=fmin+β(fmax+fmin)

(3)

(4)

(5)

式中:fmin和fmax是聲音頻率的最小值和最大值;β[0,1]是一個(gè)服從均勻分布的隨機(jī)向量,x*表示當(dāng)前全局最優(yōu)解。

種群個(gè)體在不斷更新,蝙蝠個(gè)體在靠近獵物時(shí),音量逐漸降低,脈沖頻率逐漸增高,直到蝙蝠個(gè)體i搜索到一只獵物時(shí)Ai=0,此時(shí)停止發(fā)音,其更新公式如下

(6)

(7)

為了提高蝙蝠算法的收斂能力以及避免陷入局部最優(yōu)解,將部落機(jī)制引入蝙蝠算法中,將蝙蝠族群劃分為規(guī)模相同的部落,如圖2所示。

由圖2可以看出,該劃分策略分為兩部分:首先是由n個(gè)個(gè)體組成的部落內(nèi)部尋出局部最優(yōu)解轉(zhuǎn)移并記錄;其次是將轉(zhuǎn)移的局部最優(yōu)解組成新部落尋找全局最優(yōu)解。充分利用蝙蝠算法的局部搜索能力和全局信息交換能力可以使得全局最優(yōu)信息能在種群群體中有效傳遞,提高了算法的收斂效率。

圖2 部落機(jī)制結(jié)構(gòu)

為避免盲目搜索,定義個(gè)體適應(yīng)度調(diào)節(jié)項(xiàng)和自適應(yīng)搜索算子,根據(jù)個(gè)體在每個(gè)目標(biāo)上的適應(yīng)度值自適應(yīng)調(diào)整搜索范圍,如下式所示:

(8)

(9)

(10)

將一次迭代后得到的種群,利用pareto,對(duì)相同pareto等級(jí)相同的個(gè)體按照個(gè)體優(yōu)劣比較原則進(jìn)行擁擠距離排序,并取出q個(gè)個(gè)體,更新種群w。

重新構(gòu)造種群后,采用式(11)計(jì)算個(gè)體未更新次數(shù):

(11)

2.2 基于佳點(diǎn)集蝙蝠定位算法流程

基于佳點(diǎn)集的蝙蝠定位算法主要思想是通過(guò)蝙蝠種群初始化使種群均勻分布,然后將均勻分布的種群個(gè)體劃分為若干部落尋找出各部落的最優(yōu)個(gè)體,將部落最優(yōu)個(gè)體組成新部落尋出最優(yōu)個(gè)體,循環(huán)反復(fù),尋找出最優(yōu)個(gè)體。主要工作步驟如下:

Step 1 定義適應(yīng)度函數(shù)f(xi),xi=(x1,x2,…,xd)T,其中d為維數(shù),x為蝙蝠個(gè)體的位置,f(xi)的最優(yōu)解就是蝙蝠個(gè)體搜索到獵物的位置;

Step 2 采用佳點(diǎn)集的方法隨機(jī)構(gòu)成蝙蝠種群w,每個(gè)個(gè)體為xi=(i=1,2,…,n)(n為種群數(shù)量),并平均劃分為n個(gè)部落;定義蝙蝠個(gè)體所在位置xi和飛行速度vi以及頻率fi;定義蝙蝠發(fā)出的音量Ai、脈沖發(fā)生率ri、迭代次數(shù)。為了方便計(jì)算,音量和脈沖頻率都設(shè)為常數(shù)0.5。

Setp 4 選擇初始種群w中優(yōu)秀的個(gè)體執(zhí)行更新并記錄新個(gè)體,采用輪盤(pán)賭方式執(zhí)行Q次選擇,按照個(gè)體優(yōu)劣比較規(guī)則每次選出一個(gè)pareto等級(jí)較低、擁擠距離較大的優(yōu)秀個(gè)體執(zhí)行式(9),產(chǎn)生的新個(gè)體由式(10)記錄進(jìn)入外部集合w′。

Setp 5 按照3.4策略重新構(gòu)造種群w,并按式(11)記錄未被更新次數(shù)triali。

Setp 6 淘汰w中多次未被更新的個(gè)體。選擇triali值最大且pareto等級(jí)大于1的個(gè)體xi,隨機(jī)產(chǎn)生新的個(gè)體代替xi。

Setp 7 判斷是否達(dá)到算法結(jié)束條件,若達(dá)到,輸出最優(yōu)解,否則轉(zhuǎn)到Setp 3。

為了配合改進(jìn)后的更新策略,Setp 6調(diào)整了個(gè)體淘汰機(jī)制,直接選擇pareto等級(jí)不為1的最久未被更新的個(gè)體做更新,這樣算法在選擇被淘汰個(gè)體時(shí)避開(kāi)了pareto等級(jí)為1的個(gè)體,防止優(yōu)秀個(gè)體被淘汰。

3 基于佳點(diǎn)集的蝙蝠定位算法試驗(yàn)和分析

3.1 基于佳點(diǎn)集的蝙蝠定位算法試驗(yàn)參數(shù)設(shè)置

為了驗(yàn)證GBA算法在傳感器定位方面的性能,利用MATLAB2014進(jìn)行仿真測(cè)試,已知300個(gè)節(jié)點(diǎn)(包括錨節(jié)點(diǎn)和未知節(jié)點(diǎn)),錨節(jié)點(diǎn)比例為10%,節(jié)點(diǎn)通信半徑為30m,隨機(jī)分布于100m×100m的區(qū)域內(nèi)。將GBA的定位性能與未改進(jìn)的蝙蝠算法(BA)、粒子群優(yōu)化算法(PSO)進(jìn)行對(duì)比實(shí)驗(yàn),并采用平均定位誤差(error)作為定位結(jié)果評(píng)價(jià)標(biāo)準(zhǔn),error定義為:

(12)

在改進(jìn)的蝙蝠算法中,初始響度和初始飛行速度在區(qū)間[0,1]內(nèi)隨機(jī)產(chǎn)生,初始頻率均為0,其他參數(shù)如表1所示。

表1 蝙蝠參數(shù)

3.2 基于佳點(diǎn)集的蝙蝠定位算法試驗(yàn)結(jié)果分析

3.2.1 隨機(jī)與佳點(diǎn)集的初始化比較

圖3分別給出了隨機(jī)分布點(diǎn)法和佳點(diǎn)集布點(diǎn)法兩種不同方法構(gòu)造的含有300個(gè)二維點(diǎn)的初始種群分布圖。從圖中可以看出,采用佳點(diǎn)集方法產(chǎn)生的初始種群分布比隨機(jī)方法產(chǎn)生的初始種群要均勻,有著較好的多樣性,算法表現(xiàn)較穩(wěn)定且始終保持初始種群良好的多樣性,從而避免出現(xiàn)早熟現(xiàn)象,最終收斂到全局最優(yōu)。

圖3 種群初始化

3.2.2 GBA、BA與PSO的收斂速度對(duì)比

GBA、BA以及PSO在定位過(guò)程中適應(yīng)度值的變化曲線如圖4所示,從圖4可以看出,相對(duì)于PSO算法以及BA算法,GBA的求解速度明顯加快,只需經(jīng)過(guò)43次迭代就找到了適應(yīng)度最大值,即尋找到未知節(jié)點(diǎn)的最優(yōu)解,而未經(jīng)改進(jìn)的BA算法和PSO算法則分別經(jīng)歷了70次和130次才尋找到最優(yōu)解。對(duì)比結(jié)果表明,改進(jìn)的BA算法在傳感器的定位過(guò)程中不僅有效降低了傳感器的定位誤差,而且加快了定位問(wèn)題的求解速度,是一種速度快、精度高的傳感器定位算法。

圖4 GBA、BA及PSO收斂速度對(duì)比

3.2.3 不同的測(cè)距誤差的定位性能比較

在傳感器節(jié)點(diǎn)的定位算法中,測(cè)距誤差對(duì)未知節(jié)點(diǎn)的位置信息有著直接的影響。不同的測(cè)距誤差下GBA、BA以及PSO的平均定位誤差試驗(yàn)數(shù)據(jù)如表2所示。從表2可知,在測(cè)距誤差為8%時(shí),GBA算法的定位誤差趨于穩(wěn)定,為12.1%;BA算法的定位誤差為26.1%,是GBA的2.16倍;PSO算法的定位誤差是58.44%,是GBA算法的4.83倍。且隨著測(cè)距誤差的增大,BA算法和GBA算法的定位誤差也隨之增大,其變化趨勢(shì)如圖5所示。相對(duì)于PSO算法和BA算法,GBA算法的定位誤差更小,可以有效的抑制節(jié)點(diǎn)測(cè)距誤差的累計(jì),一定程度上提高了傳感器節(jié)點(diǎn)的定位精度。同時(shí),GBA算法相對(duì)于BA算法有著更強(qiáng)的局部搜索能力和信息交換能力。

表2 不同測(cè)距誤差下的定位誤差試驗(yàn)數(shù)據(jù)

圖5 測(cè)距誤差變化的定位性能比較

3.2.4 不同錨節(jié)點(diǎn)數(shù)量的定位性能比較

不同數(shù)量錨節(jié)點(diǎn)的情況下,GBA、BA、PSO的平均定位誤差變化曲線如圖6所示。從圖6可知,隨著錨節(jié)點(diǎn)數(shù)的不斷增加,GBA、BA及PSO的定位性能越來(lái)越好,平均定位誤差越來(lái)越小。當(dāng)具有相同的錨節(jié)點(diǎn)時(shí),GBA算法的定位誤差最小,PSO算法的定位誤差最大。增加相同數(shù)量錨節(jié)點(diǎn)時(shí),GBA、BA、PSO算法的定位誤差量平均減少5.34%、4.98%、5.99%。雖然PSO算法隨著錨節(jié)點(diǎn)數(shù)的增加,定位誤差減小速度較快,易獲得較高的定位精度,但相應(yīng)的錨節(jié)點(diǎn)成本也隨之增加。而改進(jìn)的蝙蝠算法(GBA)在較小的錨節(jié)點(diǎn)密度下即能獲得較高的節(jié)點(diǎn)定位精度,錨節(jié)點(diǎn)相關(guān)成本較低?？梢?jiàn)相對(duì)于另外兩種算法,在相同的定位精度的條件下,GBA降低了節(jié)點(diǎn)定位成本,具有更好的定位價(jià)值。

圖6 不同數(shù)量錨節(jié)點(diǎn)時(shí)的定位性能對(duì)比

4 結(jié)論

為了改進(jìn)蝙蝠算法在無(wú)線傳感器應(yīng)用中的定位性能,本文提出了一種基于佳點(diǎn)集的自適應(yīng)蝙蝠定位算法,其優(yōu)越性體現(xiàn)如下:

利用佳點(diǎn)集對(duì)傳統(tǒng)蝙蝠算法進(jìn)行種群初始化,使得種群搜索節(jié)點(diǎn)更均勻,保持了種群良好的多樣性;采用部落機(jī)制避免了最優(yōu)解陷入局部最優(yōu),加快了算法的收斂速度,提高了定位精度;引入了改進(jìn)的更新策略,使得在較小錨節(jié)點(diǎn)密度下,即獲得較高的節(jié)點(diǎn)定位精度,同時(shí)還降低了錨節(jié)點(diǎn)相關(guān)成本。

通過(guò)對(duì)比仿真實(shí)驗(yàn)分析,改進(jìn)后的蝙蝠算法具有更快的收斂速度和良好的收斂性能。降低了測(cè)距誤差對(duì)定位的影響,提高了傳感器節(jié)點(diǎn)的定位精度,為無(wú)線傳感器節(jié)點(diǎn)定位提供了一種較好的解決方案。

[1]Liu Q,Huang S P. Deployment Strategy of Wireless Seneor Networks for Internet of Things[J]. China Communication 2011,8(8):111-120.

[2]Hang J,Xu H H,Duong T Q,et al. Localization Algorithms of Wireless Sensor Networks:A Survey[J]. Telecommunication Systems,2011.4(52):1-18.

[3]Qiao G,Li X,Zeng J.Design and Implement of RSSI Positioning System on TinyOS Platform[J]. Electronic Science and Technology,2013,26(2):90-93.

[4]Monir Vaghefi S Y,Vaghefi R M. A Novel Multilayer Neural Network Model for TOA-Based Localization in Wireless Sensor Networks[C]//The 2011 International Joint Conference on Neural Networks(IJCNN). IEEE,2011:3079-3084.

[5]Kaune R,Horst J,Koch W. Accuracy Analysis for TDOA Localization in Sensor Networks[C]//2011 Proceedings of the 14th International Conference on InformationFusion(FUSION). IEEE,2011:1-8.

[6]Jiang J R,Lin C M,Lin F Y,et al. ALRD:AOA Localization with RSSI Differences of Directional Antennas forwireless Sensor Networks[C]//2012 International Conference on Information Society(i-Society). IEEE,2012:304-309.

[7]Doherty L,El Ghaoui L.Convex Position Estimationin Wireless Sensor Networks[C]//INFOCOM 2001. Twentieth Annual Joint Conference of the IEEE Computer and Communications Societies. Proceedings IEEE.IEEE,2001,3:1655-1663.

[8]Buja A,Swayne D F,Littman M,et al. XGvis:Interactive Data Visualization with Multidimensional Scaling[J]. Journal of Computational and Graphical Statistics,2004(5):21-53.

[9]彭宇,王丹. 無(wú)線傳感器網(wǎng)絡(luò)定位技術(shù)綜述[J]. 電子測(cè)量與儀器學(xué)報(bào),2011,5(25):389-399.

[10]李牧東,熊搖偉,梁搖青. 基于人工蜂群改進(jìn)算法的無(wú)線傳感器網(wǎng)絡(luò)定位算法[J]. 傳感技術(shù)學(xué)報(bào).2013,26(2):241-245.

[11]曹欲曉,嚴(yán)奎,徐金寶. 一種最優(yōu)錨節(jié)點(diǎn)集合上的兩重粒子群優(yōu)化DV-HOP定位算法[J]. 傳感技術(shù)學(xué)報(bào),2015,28(3):424-430.

[12]石欣,印愛(ài)民,張琦. 基于K最近鄰分類的無(wú)線傳感器網(wǎng)絡(luò)定位算法[J]. 儀器儀表學(xué)報(bào),2014,10(35):2238-2247.

[13]張震,閆連山,劉江濤,等. 基于DV-hop的無(wú)線傳感器網(wǎng)絡(luò)定位算法研究[J]. 傳感技術(shù)學(xué)報(bào),2011,24(10):1469-1472.

[14]黃光球,趙魏娟,陸秋琴. 求解大規(guī)模優(yōu)化問(wèn)題的可全局收斂蝙蝠算法[J]. 計(jì)算機(jī)應(yīng)用研究,2013,30(5):1323-1328.

[15]李志俊,程家心. 免疫佳點(diǎn)集遺傳算法[J]. 計(jì)算機(jī)工程與應(yīng)用,2007,43(28):37-40.

[16]肖赤心,蔡自心,王勇,等. 一種基于佳點(diǎn)集原理的約束優(yōu)化進(jìn)化算法[J]. 控制與決策,2009,24(2):249-253.

[17]梁昔明,陳富,龍文. 基于動(dòng)態(tài)隨機(jī)搜索和佳點(diǎn)集構(gòu)造的改進(jìn)粒子群優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用,2011,31(10):2796-2799.

[18]劉香品,宣士斌,劉峰. 引入佳點(diǎn)集和猴群翻過(guò)程的人工蜂群算法[J]. 模式識(shí)別與人工智能,2015,28(1):80-89.

[19]龍文,梁昔明,徐松金,等. 聚類佳點(diǎn)集交叉的約束優(yōu)化混合進(jìn)化算法[J]. 計(jì)算機(jī)研究與發(fā)展,2012,49(8):1753-1761.

A Positioning Algorithm Based on Bat Algorithm andGood-Point Setsin the Application of WSN*

XIEGuomin1*,GANYijun1,DINGHuiqiao2

(1.College of Electrical and Control Engineering,Liaoning Technical University,Huludao Liaoning 125105,China;2.Urumqi Power Supply Company,Xinjiang Autonomous Region,Urumqi 83000,China)

In order to solve the problem that node localization error in wireless sensor network(WSN)is large,this paper proposes a new bat positioning algorithm based on good point set. In the improved algorithm,the bat population individual is optimized by the good point set method,which can effectively improve the population diversity and prevent the algorithm from falling into the local optimum;The method by introducing tribal mechanism and adaptive updating can effectively avoid attracting the local optimal solution and expedite the convergence speed;Reconstructing the tribe by pareto classification can avoid eliminating the isolated outstanding individuals,enhance the generalization ability and improve the algorithm precision. By the simulation experiments on MATLAB,the results show that the improved algorithm has good convergence and searching performance,also reduces the influence of ranging error on positioning,and improves the nodes positioning accuracy. The algorithm is simple in implementation,high in precision and high in practical value.

bat algorithm;good-point set;tribal mechanism;WSN

謝國(guó)民(1969-)，男，遼寧阜新人，博士，副教授，研究生導(dǎo)師。主要從事電氣工程和智能檢測(cè)及電氣控制方面的研究工作，lngdxgm@163．com；干毅軍(1992-)，男，湖北武穴人，遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院碩士研究生，主要研究方向?yàn)橹悄軝z測(cè)與電氣控制，770827125@qq．com； 丁會(huì)巧(1991-)，女，河北滄州人，碩士研究生，主要研究指那個(gè)檢測(cè)與電氣控制?，F(xiàn)就職于國(guó)家電網(wǎng)烏魯木齊供電公司，313134949@qq．com。

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(51274118);遼寧省重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(LJZS003);遼寧省教育廳基金項(xiàng)目(UPRP20140464)

2017-01-06 修改日期:2017-03-10

TP391;TP212

A

1004-1699(2017)08-1252-06

C:7230

10.3969/j.issn.1004-1699.2017.08.021