張海霞

關鍵詞：FOA 改進MCB 算法；無線傳感器；網絡節(jié)點；定位精度

中圖分類號：TP212.9 文獻標識碼：A

0 引言

現階段，為確保現場監(jiān)測高效率和靈活性，需將移動節(jié)點加入無線傳感網絡（wireless sensornetwork，WSN）應用系統(tǒng)中，對于研究人員而言，目前亟須解決的問題是怎樣利用WSN 節(jié)點在動態(tài)過程中完成高精度及低能耗定位[1-2]。同時針對移動節(jié)點定位算法，需要提前判斷移動節(jié)點定位分析時應用的定位算法是否具有現有靜態(tài)節(jié)點[3]。

應用廣泛的優(yōu)化算法包括各類群智能優(yōu)化算法，可明顯提高定位精度[4-5]。自適應蒙特卡洛定位（adaptive Monte Carlo localization，AMCL） 算法的主要特征體現為二維碼信息的高度融合。里程計模型誤差修正主要參考絕對位置信息，由二維碼提供，在此基礎上完成采樣工作，下次迭代所需粒子數量以狀態(tài)空間粒子分布狀態(tài)作為確定的依據，實現粒子數量的自適應調整[6]。大多數學者均十分關注上述各類算法的優(yōu)勢和特點，其可顯著促進智能優(yōu)化領域算法改進。

關于算法有效性的測試分析，已被應用于工業(yè)控制、智能汽車與資金管理等領域[7-8]，但目前尚未出現將上述算法用于WSN 移動節(jié)點定位的文獻報道。本文為了提高無線傳感網絡定位精度，應用果蠅優(yōu)化算法（fruit fly optimization algorithm，FOA）-蒙特卡洛錨盒（Monte Carlo anchor box，MCB）算法（簡稱“FOA 改進MCB 算法”）對無線傳感網絡系統(tǒng)中移動節(jié)點進行定位建模，分析了移動速度、錨節(jié)點密度和樣本數對定位精度的影響。

1 FOA改進MCB算法

收斂快速及操作簡單等均為FOA 算法的優(yōu)勢。FOA 改進MCB 算法的主要流程包括：針對模型未知節(jié)點坐標應用MCB 算法進行計算，理論預估距離的計算需參考距離表達式，然后再對錨節(jié)點與定位節(jié)點間距進行測試，進行差異對比后修正位置，節(jié)點坐標最優(yōu)值通過選用迭代處理方式獲取。

根據最適應度函數找出果蠅群體內對應的果蠅個體。針對個體及適應度值確定對應最優(yōu)和最佳位置坐標。

2 FOA改進MCB算法實現過程

FOA 改進MCB 算法對應的具體流程如圖1 所示。下面將詳細介紹實現該算法的流程。

步驟1：初始化參數。果蠅速度及位置移動情況需參考式（1）獲取。

步驟2：根據MCB 算法完成移動節(jié)點坐標計算。

（1）在WSN 內通過錨節(jié)點發(fā)送位置坐標，錨節(jié)點數量表示為j，取值1，2，…，m。

（2）錨節(jié)點位置由移動節(jié)點i 測試得出，錨盒由兩個錨節(jié)點構成。

（3）對計算錨節(jié)點與樣本個體之間得到歐式距離，將未滿足條件的樣本去除，參考過濾模式采用MCB 算法進行設定，賦權值給有效樣本。

（4）最終錨節(jié)點需重復步驟（3）才可獲取。

（5）移動節(jié)點在t 時刻對應的坐標需通過加權平均方式對樣本點進行計算獲取。

步驟3：計算求解錨節(jié)點j 與各果蠅個體i 之間的距離D_ij，然后采用適應度函數計算各果蠅適應度。

步驟4：獲取各果蠅對應的最佳坐標。

步驟5：比較各果蠅上一代與這一代的適應度值，根據差異大小判斷適應度值優(yōu)劣情況。

步驟6：在未滿足迭代終止條件下，需進行后續(xù)循環(huán)，跳轉至步驟3 重新按相關要求執(zhí)行，若滿足相應條件，以當前個體位置為移動最佳節(jié)點。

對每次迭代前后的味道濃度值進行判斷對比，若數值更優(yōu)返回步驟6 執(zhí)行，若數值無明顯變化循環(huán)迭代則需重新進行，整個算法結束需達到終止條件。

3 實驗仿真

FOA 改進MCB算法的精確度主要利用MATLAB軟件仿真進行驗證，對比MCB 算法及FOA 改進MCB 算法獲取的結果，具體如下。

3.1 測試環(huán)境

仿真測試環(huán)節(jié)的各項參數設定主要參考表1 數據。設定20 m 為節(jié)點通信半徑，按隨機方式選取60 個節(jié)點并在100 m×100 m 范圍內完成部署，節(jié)點分布如圖2 所示。

適應度變化結果如圖3 所示。選取的迭代方式以FOA 算法為主，穩(wěn)定適應度函數在進化至第15代后逐漸趨于穩(wěn)定，有利于降低能量消耗及簡化計算流程。

3.2 移動速度對定位精度的影響

節(jié)點移動速度對定位誤差的影響結果如圖4 所示。與MCB 算法相比，FOA 改進MCB 算法表現出的定位效果更佳，精度更高，同時還發(fā)現定位誤差隨著節(jié)點移動速度增大而逐漸增大。這種情況出現的主要因素是在移動速度較慢的情況下節(jié)點位置的不確定性更大，影響定位精度。

3.3 錨節(jié)點數量對定位精度的影響

被定位節(jié)點隨著錨節(jié)點數量增加而不斷增加，獲取的信息數據也更多，位置可靠度進一步得到提高。移動節(jié)點定位誤差和錨節(jié)點數量在移動速度為10 m/s 的條件下變化曲線如圖5 所示。經觀察對比得出，隨著錨節(jié)點數量的增加，定位誤差表現為降低的趨勢。這是因為移動節(jié)點在定位期間獲取的錨節(jié)點信息極少，定位節(jié)點獲取的信息隨著錨節(jié)點數量增大而增多，有利于定位誤差的減少。在錨節(jié)點數量相同的情況下，經對比得出FOA 改進MCB 算法的定位精度更高，所以MCB 算法效率可通過結合FOA 算法得到進一步提高。

4 結論

本文開展基于FOA 改進MCB 算法的無線傳感網絡節(jié)點定位精度分析，得到如下結論。

（1）相較于MCB 算法，FOA 改進MCB 算法具有更優(yōu)的定位精度，且定位誤差隨著節(jié)點移動速度的增加而增大。

（2）定位誤差隨著錨節(jié)點數量的增加而下降。

該研究可以提高無線傳感網絡節(jié)點定位精度，但在應對異常數據時存在收斂效率低的問題，期待后續(xù)引入智能算法進行加強。