梁華

摘要：當(dāng)?shù)V井下瓦斯?jié)舛瘸瑯?biāo)等事件發(fā)生時(shí)，如果不能及時(shí)檢測到事件發(fā)生的位置，通常會(huì)帶來非常嚴(yán)重的人員傷亡和經(jīng)濟(jì)損失。因此，我們考慮采用基于智能大數(shù)據(jù)的礦井監(jiān)控系統(tǒng)對突發(fā)事件進(jìn)行準(zhǔn)確及時(shí)地定位操作。目前，在無限傳感器網(wǎng)絡(luò)中使用較多的定位算法是DV-Hop算法，但定位精度較差。因此本文提出了一種基于粒子群優(yōu)化的改進(jìn)PDV-Hop算法。實(shí)驗(yàn)表明，相比于原有的DV-Hop算法，PDV-Hop算法大大降低了突發(fā)事件的平均定位誤差。

關(guān)鍵詞：定位問題；DV-Hop算法；無線傳感器網(wǎng)絡(luò)；粒子群優(yōu)化

引言

在礦井生產(chǎn)作業(yè)過程中，當(dāng)某些特定事件，如礦井下瓦斯?jié)舛瘸瑯?biāo)、礦井塌陷、管道泄漏等事件發(fā)生時(shí)，如果不能及時(shí)檢測到事件發(fā)生的位置，通常會(huì)帶來非常嚴(yán)重的人員傷亡和經(jīng)濟(jì)損失。本文考慮采用基于無線傳感器網(wǎng)絡(luò)技術(shù)[1] （Wireless Sensor Network， WSN）的礦井監(jiān)控系統(tǒng)對礦井的生產(chǎn)作業(yè)進(jìn)行實(shí)時(shí)監(jiān)測。在監(jiān)測活動(dòng)中，對象的位置信息對整個(gè)監(jiān)測活動(dòng)起著非常重要的作用。因此，如何及時(shí)準(zhǔn)確地對突發(fā)事件進(jìn)行定位是WSN監(jiān)控系統(tǒng)中最急需研究的問題之一。

1無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位問題

在WSN中，現(xiàn)在主要的定位技術(shù)分為節(jié)點(diǎn)自身定位和移動(dòng)目標(biāo)定位，而當(dāng)前提出的定位算法主要基于無需測距的算法。在無需測距的算法研究中，DV-Hop[2]算法是目前被研究得最多的算法，其主要原理是基于跳段的方式，來估算未知節(jié)點(diǎn)和錨結(jié)點(diǎn)之間的距離。目前很多的定位算法都是基于此進(jìn)行改進(jìn)，常見的用遺傳算法 [3]、禁忌搜索[4]等算法對其做優(yōu)化，也有研究采用多種混合算法，來對其做全局的優(yōu)化，以增強(qiáng)其全局搜索能力。本文也在此基礎(chǔ)上，提出了一種基于粒子群優(yōu)化（Particle Swarm Optimization， PSO） [5]來對DV-Hop算法進(jìn)行改進(jìn)，以提高定位的精度。

2 DV-HOP算法

DV-Hop算法具有方法簡單，定位精度較高的特點(diǎn)，它主要依賴節(jié)點(diǎn)間的信息交換和協(xié)調(diào)，由節(jié)點(diǎn)自行計(jì)算定位。它的實(shí)現(xiàn)主要分為以下三步：

（1） 計(jì)算未知節(jié)點(diǎn)與每個(gè)錨節(jié)點(diǎn)的最小跳數(shù)。信標(biāo)節(jié)點(diǎn)向鄰居節(jié)點(diǎn)廣播自身位置信息的分組，其中包括跳段信息，且將該值初始化為0，并接受其他錨節(jié)點(diǎn)的最小跳數(shù)信息，忽略來自同一個(gè)錨節(jié)點(diǎn)的較大跳數(shù)的信息，然后將跳數(shù)值加1轉(zhuǎn)發(fā)給鄰居節(jié)點(diǎn)。

（2） 計(jì)算平均每跳距離。一旦一個(gè)錨節(jié)點(diǎn)得到了其他所有錨節(jié)點(diǎn)的信息，該錨節(jié)點(diǎn)就會(huì)計(jì)算平均每跳距離HopSizei，HopSizei被未知節(jié)點(diǎn)用來粗略估算到每個(gè)錨節(jié)點(diǎn)的歐式距離，即每個(gè)錨節(jié)點(diǎn)估計(jì)平均每跳的距離，并廣播該值。

（3） 對未知節(jié)點(diǎn)進(jìn)行定位計(jì)算。當(dāng)未知節(jié)點(diǎn)接收到3個(gè)及以上的HopSizei值后，就可使用極大似然估計(jì)法或三邊測量法來進(jìn)行數(shù)學(xué)運(yùn)算，估算未知節(jié)點(diǎn)的坐標(biāo)值。當(dāng)未知節(jié)點(diǎn)與所有錨節(jié)點(diǎn)的估計(jì)距離已知時(shí)，我們便可對未知節(jié)點(diǎn)的位置進(jìn)行計(jì)算。

3 PDV-HOP算法

因?yàn)榫嚯x為預(yù)測值，因此存在一定的誤差。定位問題的實(shí)質(zhì)就是要盡量減小誤差，該問題可用公式（3）表示為：

其中為位置節(jié)點(diǎn)的預(yù)估值，AT為錨節(jié)點(diǎn)的坐標(biāo)位置。

本文提出的PDV-Hop算法是使用PSO算法對原有的DV-HOP算法進(jìn)行優(yōu)化和改進(jìn)，該算法的適應(yīng)度函數(shù)可用公式（4）表示：

第一步：計(jì)算每一個(gè)節(jié)點(diǎn)到每一個(gè)錨節(jié)點(diǎn)的最小跳數(shù)值和平均單跳距離，并根據(jù)最小二乘法求解未知節(jié)點(diǎn)的位置。

第二步：根據(jù)DV-Hop求解得出的未知節(jié)點(diǎn)位置初始化粒子群。

第三步：使用粒子群優(yōu)化算法，計(jì)算當(dāng)前粒子群的適應(yīng)函數(shù)值。

第四步：根據(jù)Gbest和pbesti計(jì)算粒子群中成員新的速度，并根據(jù)該速度求得新的位置。

第五步：對新的粒子群成員進(jìn)行測試，看是否符合接受標(biāo)準(zhǔn)，以此跳出局部最小值。

終止標(biāo)準(zhǔn)：當(dāng)?shù)螖?shù)達(dá)到我們預(yù)先設(shè)定的最大值的值時(shí)，循環(huán)停止。

4實(shí)驗(yàn)和結(jié)果分析

我們將基于PSO算法改進(jìn)的PDV-Hop算法應(yīng)用到基于WSN的礦井監(jiān)控系統(tǒng)仿真實(shí)驗(yàn)中，使用Matlab 7.0對該算法進(jìn)行仿真，并和現(xiàn)有的DV-Hop算法及MEDV-Hop算法進(jìn)行比較。仿真場景設(shè)置如下：模擬在礦井下部署100個(gè)傳感器節(jié)點(diǎn)，其中信標(biāo)節(jié)點(diǎn)為60個(gè)，區(qū)域范圍為100米×100米?？刂茀?shù)被設(shè)置為：通信半徑R = 15米， c1 = c2 = 2， ω = 0.6；對定位問題主要的檢測標(biāo)準(zhǔn)為平均定位誤差。因此本文將從定位誤差上對比DV-Hop算法和PDV-Hop算法，仿真結(jié)果如圖1所示：

其中1（a）圖為DV-Hop算法下未知節(jié)點(diǎn)的定位誤差，范圍在3%-45%之間，平均誤差在20%左右；1（b）圖為PDV-Hop算法下未知節(jié)點(diǎn)的定位誤差，范圍在1%-17%之間，平均誤差在9%左右。從1（a），（b）圖對比可知，通過PDV-Hop算法，未知節(jié)點(diǎn)的定位誤差降低到17%以下。

5 結(jié)論

在本文中，我們使用基于WSN的礦井監(jiān)控系統(tǒng)對礦井下的突發(fā)事件進(jìn)行監(jiān)測和定位。為了提高定位的精度，我們在原有的DV-Hop算法基礎(chǔ)上，采用PSO（Particle Swarm Optimization）算法對其進(jìn)行改進(jìn)，提出PDV-Hop算法。通過仿真實(shí)驗(yàn)結(jié)果可知，在基于WSN的礦井監(jiān)控系統(tǒng)中PDV-Hop算法相比于傳統(tǒng)的DV-Hop算法，平均定位誤差減少了55%，在不需增加額外硬件支持的情況下，大大降低定位誤差。因此，在實(shí)際的基于WSN的礦井監(jiān)控系統(tǒng)中使用該算法，可以大大提高監(jiān)控系統(tǒng)的定位精確度。

參考文獻(xiàn)：

[1] Akyildiz IF， Su W， Sankarasubramaniam Y， Cayirci E. A survey on sensor networks [J]. IEEE Communications Magazine， 2002， 40（8）：102-114.

[2] D. Niculescu and B. Nath. DV Based Positioning in Ad hoc Networks. Journal of Telecommunication Systems[J]， 27（5）， 136-142， 2003.

[3] D. E. Goldberg. Genetic Algorithms in Search， Optimization and Machine Learning[M]， Reading， Mass. Addison Wesely， 1989.

[4] J. A. Bland and G. P. Dawson， Tabu Search and Design Optimization[J]， 1991， 23（3）：195-201.

[5] 葉蓉，趙靈鍇. 基于蟻群粒子群混合的無線傳感器網(wǎng)絡(luò)定位算法[J] . 數(shù)據(jù)測量與控制，2011，19（3）：732-735.