于春榮,王益芳, 于璦雯

(1.滄州師范學院 a.計算機科學與工程學院； b. 經(jīng)濟管理學院, 河北 滄州 061001；2.大連理工大學 計算機科學與技術(shù)學院, 遼寧 大連 116024)

基于光纖傳感[1]的物聯(lián)網(wǎng)(Internet of Things，IoT)是具有測量感知節(jié)點與數(shù)據(jù)傳輸雙重特性的IoT。其被廣泛應用于工業(yè)控制、家居生活、工程建筑和智能制造等領(lǐng)域，并隨著光纖傳感IoT中節(jié)點數(shù)的激增而使網(wǎng)絡節(jié)點的快速和精確定位成為研究熱點[2-4]。

光纖傳感網(wǎng)絡可分為全分布式和準分布式，全分布式光纖傳感網(wǎng)絡的主要節(jié)點定位算法包括質(zhì)心定位法[5]、多目標跟蹤法[6]和光纖復用法[7]等，其主要面向穩(wěn)定測試環(huán)境；準分布式光纖傳感網(wǎng)絡雖然測試點數(shù)量和精度不如全分布式，但其穩(wěn)定的測試性能對一般條件下的IoT更具普適性，準分布式光纖傳感網(wǎng)絡的常見算法包括粒子群(Particle Swarm Optimization，PSO)[8]、三角定位[9]和跟蹤算法[10]等。PSO算法定位精度高、收斂快，但由于光纖傳感網(wǎng)絡節(jié)點的感知數(shù)據(jù)動態(tài)范圍大，影響參數(shù)多，使適用于穩(wěn)定數(shù)據(jù)類型的傳統(tǒng)定位算法無法發(fā)揮優(yōu)勢；三角定位算法原理簡單，但以圓域求解的過程運算量很大，收斂速度慢；跟蹤算法一般用于未知節(jié)點較少的情況，針對光纖傳感網(wǎng)絡中大量存在的測試節(jié)點，其定位時間會大幅增加，實用性大幅降低。

由此可見，節(jié)點定位精度與大范圍搜索時的收斂速度之間的矛盾成為了主要問題，本文針對準分布式光纖傳感IoT的節(jié)點定位，在分析其數(shù)據(jù)特征的基礎(chǔ)上，研究了兼顧定位精度及收斂速度的網(wǎng)絡節(jié)點定位算法。

1 基于光纖傳感的IoT

基于光纖傳感的IoT[11]由應用層、數(shù)據(jù)交互層和光纖感知層構(gòu)成,其結(jié)構(gòu)如圖1所示。應用層是管理平臺，包括結(jié)構(gòu)健康監(jiān)控平臺和環(huán)境參數(shù)監(jiān)控平臺等；數(shù)據(jù)交互層是數(shù)據(jù)傳輸中轉(zhuǎn)單元，包括計算系統(tǒng)和傳感數(shù)據(jù)庫等；光纖感知層是所有真實的物理測試節(jié)點，包括在樓宇、橋梁和廠房等鋪設的光纖傳感單元。

圖1 基于光纖傳感的IoT結(jié)構(gòu)圖

基于光纖傳感的IoT因其可實現(xiàn)節(jié)點物理量數(shù)據(jù)的傳感，所以是實時獲取節(jié)點測試信息并給出決策的重要依據(jù)，故其定位精度和速度成為了保障網(wǎng)絡正常運行的技術(shù)支撐。在該光纖傳感網(wǎng)絡中,數(shù)據(jù)以測試物理量為主，如溫度和濕度等，其隨環(huán)境的變化而變化，基本不具有變化規(guī)律。數(shù)據(jù)特征體現(xiàn)為動態(tài)范圍大和參數(shù)多。相比PSO算法等傳統(tǒng)定位算法而言，人工蜂群 (Artificial Bee Colony，ABC) 算法[12-14]的全局尋優(yōu)能力對定位精度更有效。同時，平面內(nèi)定位必然涉及域選取的問題，之前討論已知傳統(tǒng)三角定位算法所用的圓域計算量大，嚴重影響收斂速度，故本文采用邊界盒(Bounding-Box,BB)的矩陣數(shù)據(jù)格式使圓域變?yōu)榫匦斡?，從而大幅簡化了運算規(guī)則，提高了收斂速度。

2 基于BB的ABC算法

ABC算法為學習蜜蜂采蜜行為的優(yōu)化處理算法，其將未知節(jié)點作為未知蜜源，有效蜜源位置就是節(jié)點定位[15]的最優(yōu)解；引領(lǐng)蜂與蜜源的數(shù)據(jù)交互對應系統(tǒng)對有效節(jié)點的數(shù)據(jù)交互，將節(jié)點傳感數(shù)據(jù)發(fā)送給處理系統(tǒng)；跟隨蜂收集引領(lǐng)蜂數(shù)據(jù)信息對應相鄰與參考節(jié)點之間的數(shù)據(jù)通信；偵查蜂搜索新蜜源對應利用定位算法完成未知有效節(jié)點的搜索。其中，節(jié)點定位部分是最耗時的階段，故在偵查蜂迭代尋的過程中引入BB，從而以矩形域取代圓域提高收斂速度。

2.1 ABC算法

若蜜源為i(i=1,2,…,N)，N為系統(tǒng)設置的最大蜜源量(由于系統(tǒng)采用的蜜源量是可根據(jù)需要進行調(diào)節(jié)的，故在循環(huán)算法時，蜜源總量N是可設置的)，對應的適應度為Ai，光纖傳感IoT維度為D，迭代k次后，新蜜源位置可表示為Xi=[xi1,xi2,…,xiD],xid∈(Ld,Ud)，d=1,2,…,D，則蜜源的解可表示為

式中：Ld和Ud分別為蜜源位置上下限；c為尋的參數(shù)，c∈(0,1)。

適應度函數(shù)計算公式為

式中，abs()為取絕對值。當適應度為負值時，為了反映適應度的絕對偏差程度，需要對其取絕對值。搜索新蜜源時，引領(lǐng)蜂的搜索路徑可表示為

式中：x(i-1)d為蜜源xid的相鄰蜜源；φ為擾動系數(shù)，取值范圍為[-1,1]。

當新蜜源Vi的適應度優(yōu)于原蜜源時，根據(jù)貪婪選擇原理，Vi取代Xi，否則仍以Xi作為參考蜜源，循環(huán)式(3)。跟隨蜂確認蜜源的跟隨概率為

2.2 BB約束

BB經(jīng)常被用于對未知節(jié)點定位，其采用矩形區(qū)域完成對數(shù)據(jù)搜索范圍的限制，相比圓域的邊界定義方式，矩形域更適合矩陣數(shù)據(jù)運算。對于未知節(jié)點的邊界約束范圍如圖2所示。

圖2 BB約束范圍

以通信半徑圓的直徑作為通信矩形的邊長，從而將圓域轉(zhuǎn)化為矩形域。如圖2中的重疊區(qū)域所示，未知節(jié)點在B1、C2、C3和B4中，相比圓域定位精度有所降低，但由于參考節(jié)點數(shù)往往為3個及以上，所以多個重疊區(qū)域會降低對定位精度誤差的影響。BB區(qū)間對應的數(shù)據(jù)集為

2.3 BB-ABC算法

基于光纖傳感的IoT中數(shù)據(jù)量大，所以搜索半徑的設置對算法收斂時間的影響十分明顯，故利用BB作為搜索約束條件與搜索路徑配合實現(xiàn)對未知節(jié)點(新蜜源)的搜索。BB-ABC算法流程如圖3所示，算法步驟如下：

圖3 BB-ABC算法流程圖

(1) 種群初始化，以式(1)尋找未知節(jié)點蜜源Xi，并計算適應值；

(2) 通過貪婪算法優(yōu)化蜜源節(jié)點位置，由式(4)計算Xi的選擇概率；

(3) 根據(jù)閾值判斷情況取舍未知節(jié)點是否為有效節(jié)點，判斷依據(jù)式(5)中的Li和vid完成，從而獲得新節(jié)點Vi，再重復步驟(2)；

(4) 計算節(jié)點適應值，將計算獲得的最好節(jié)點適應值與終止條件比較，若成立則判定為最優(yōu)解，若不成立則重新執(zhí)行式(1)完成再次搜索。

3 實驗

針對基于光纖傳感的IoT進行數(shù)據(jù)仿真測試。設置搜索范圍為100 m×100 m，未知節(jié)點位置可通過預先設置從而獲得其準確坐標，用以對比3種算法的定位結(jié)果。本算法(BB-ABC)是對ABC算法的改進，故需要與ABC算法的測試結(jié)果進行對比，同時，還與IoT中常用的PSO算法進行對比。3種算法種群量均為20，PSO算法中慣性權(quán)重為0.9與0.4；BB-ABC和ABC算法的適應度均為0.4；BB算法的有效半徑r為5 m。

3.1 定位精度對比

BB-ABC算法的本質(zhì)也是多維優(yōu)化問題，其初始種群量對模型學習效果具有明顯影響，所以針對不同種群量對定位精度的影響進行分析，仿真通過100次迭代分析了種群量與定位精度的關(guān)系，如圖4所示。

圖4 種群量與定位精度的關(guān)系

由圖可知，種群量與定位精度成正比關(guān)系，定位精度會隨種群量的增大而提高，但當種群量超過20以后收斂，BB-ABC、ABC和PSO算法的定位精度分別為2.2、3.0和3.3 m。可見本算法的定位精度明顯優(yōu)于原ABC及傳統(tǒng)PSO算法。

3.2 收斂速度對比

在基于光纖傳感的IoT中節(jié)點數(shù)量龐大，收斂速度決定了算法在真實網(wǎng)絡中的實用性，故針對收斂速度進行了仿真實驗。以測試范圍內(nèi)3個參考節(jié)點為例，設種群量為20，以100次作為迭代上限，測試結(jié)果如圖5所示。

圖5 迭代次數(shù)與定位精度的關(guān)系

對收斂速度的判斷可通過算法達到其穩(wěn)定定位精度所需的迭代次數(shù)完成，即定位精度趨于穩(wěn)定所需的迭代次數(shù)越少則收斂速度越快。由圖可知，3種算法的最少迭代次數(shù)分別為11、13和39次，可見本算法在收斂速度上略優(yōu)于ABC算法，明顯優(yōu)于PSO算法。

3.3 穩(wěn)定性對比

采用增加實驗次數(shù)的方法來驗證算法輸出結(jié)果的穩(wěn)定性。每次測試時改變未知節(jié)點的位置，然后計算定位誤差分析算法的定位穩(wěn)定性。共計完成10次不同位置的節(jié)點定位實驗，每次取100次迭代的平均定位誤差作為對比項，最終以平均定位誤差的波動情況分析算法的穩(wěn)定性，實驗結(jié)果如圖6所示。

圖6 實驗次數(shù)與平均定位精度的關(guān)系

通過10次的實驗數(shù)據(jù)可知，BB-ABC算法的定位范圍為2.2 m×2.5 m，方差為0.024；ABC算法的定位范圍為2.5 m×3.3 m，方差為0.044；PSO算法的定位范圍為3.2 m×3.6 m，方差為0.037。由多次實驗測試結(jié)果的平均定位精度范圍和波動方差可知，本算法的測試區(qū)間更小、方差更小，具有更好的穩(wěn)定性。

4 結(jié)束語

基于光纖傳感的IoT有別于傳統(tǒng)IoT，其節(jié)點傳感數(shù)據(jù)具有動態(tài)變化快和取值范圍寬等特點，對節(jié)點的定位精度及速度具有更高的要求。本文將BB與ABC算法相結(jié)合，針對搜索域進行優(yōu)化設置，從而提高未知節(jié)點的定位精度與收斂速度。實驗結(jié)果表明，本算法相比ABC和PSO算法具有更好的定位精度、收斂速度及穩(wěn)定性。