摘" 要： 通?；诮邮招盘?hào)強(qiáng)度指示（RSSI）的無(wú)線傳感器網(wǎng)絡(luò)定位需要提前對(duì)路徑損耗因子[n]值進(jìn)行測(cè)量，在不同環(huán)境下需要重新測(cè)量[n]值、校準(zhǔn)，這將大大增加定位的復(fù)雜度。針對(duì)此情況，文中提出一種無(wú)需測(cè)[n]值的定位方法，即使用比值法消除路徑損耗模型中參考節(jié)點(diǎn)的不確定影響，通過(guò)引力搜索改進(jìn)樽海鞘群算法（SSA?GSA），同時(shí)尋找[n]值與信號(hào)源的坐標(biāo)。相較于一般的定位方法，該方法不受環(huán)境條件的約束，在無(wú)線傳感器網(wǎng)絡(luò)監(jiān)測(cè)現(xiàn)場(chǎng)可以即時(shí)進(jìn)行系統(tǒng)定位，無(wú)需另外測(cè)量計(jì)算[n]值。仿真結(jié)果證明了該方法的可行性，不僅降低了定位成本，還具有較高的定位精度。

關(guān)鍵詞： 無(wú)線傳感器網(wǎng)絡(luò)； 接收信號(hào)強(qiáng)度指示； 路徑損耗因子； 定位； 樽海鞘群算法； 引力搜索算法

中圖分類號(hào)： TN711?34； TP212.9" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " 文章編號(hào)： 1004?373X（2025）05?0181?06

RSSI localization based on improved salp swarm algorithm with unknown path loss factor

CHEN Likun， ZHANG Yong， FAN Dazhao， LIU Sufang

（School of Mechanical and Electronic Engineering， East China University of Technology， Nanchang 330000， China）

Abstract： Usually， it is required to measure the path loss factor （[n] value） in advance for the wireless sensor network （WSN） localization based on received signal strength indication （RSSI）. Re?measurement and calibration of the [n] value in different environments increase the complexity of the localization greatly. In view of this， a localization method that does not require measuring the [n] value is proposed. Initially， the ratio method is used to eliminate the uncertain influence of the reference nodes in the path loss model. Then， the salp swarm algorithm （SSA） is improved by the employment of the gravitational search algorithm （GSA）， which is named as SSA?GSA. Meanwhile， the [n] value and the coordinates of the signal source are searched for. In comparison with the conventional localization methods， this approach is not constrained by environmental conditions， enabling real?time system localization at the WSN monitoring site without additional measurement and calculation of the [n] value. Simulation results demonstrate that the proposed method can not only reduce localization costs， but also exhibit higher localization accuracy， so it is of feasibility.

Keywords： WSN; RSSI; path loss factor; location; SSA; GSA

0" 引" 言

無(wú)線傳感器網(wǎng)絡(luò)（Wireless Sensor Network， WSN）是眾多傳感器節(jié)點(diǎn)通過(guò)無(wú)線通信技術(shù)組網(wǎng)，具有數(shù)據(jù)采集、處理和傳輸?shù)墓δ?。得益于使用的微型傳感器成本低、功耗低，WSN的優(yōu)點(diǎn)十分顯著，已廣泛應(yīng)用于多個(gè)領(lǐng)域，信號(hào)源節(jié)點(diǎn)定位技術(shù)是WSN的關(guān)鍵技術(shù)之一[1?3]。

無(wú)線傳感器網(wǎng)絡(luò)定位算法中主要分測(cè)距與非測(cè)距兩類定位算法[4]。其中，測(cè)距相關(guān)的定位算法根據(jù)信號(hào)參數(shù)測(cè)量信號(hào)源到傳感點(diǎn)之間的距離，主要有到達(dá)時(shí)間差[5]（Time Difference of Arrival， TDOA）、到達(dá)角度（Angle of Arrival， AOA）以及接收信號(hào)強(qiáng)度指示（Received Signal Strength Indication， RSSI）；然后再根據(jù)這些距離信息，采用三邊測(cè)量、最小二乘法等方法估計(jì)信號(hào)源位置。無(wú)需測(cè)距的定位算法主要有質(zhì)心定位算法、DV?HOP算法等[6?8]，該算法定位誤差較大；在基于測(cè)距的算法中，采用AOA、TDOA等方法測(cè)距需要復(fù)雜的硬件支持，成本也較高[9]，而由于無(wú)線傳感器網(wǎng)絡(luò)所使用的無(wú)線節(jié)點(diǎn)都具備基本的信號(hào)強(qiáng)度測(cè)量能力，無(wú)需額外的硬件就可以實(shí)現(xiàn)測(cè)量距離的功能，因此基于RSSI的定位具有容易實(shí)現(xiàn)、成本低的優(yōu)點(diǎn)。

通常基于RSSI的測(cè)距定位需要提前獲得參考節(jié)點(diǎn)的接收信號(hào)強(qiáng)度以及路徑損耗因子[n]值，根據(jù)路徑損耗模型計(jì)算距離后，通過(guò)三邊測(cè)量、智能算法等進(jìn)行定位。這需要耗費(fèi)許多時(shí)間采集大量數(shù)據(jù)進(jìn)行擬合，并且在惡劣環(huán)境中，由于天氣條件、人類行為等原因?qū)е颅h(huán)境多變，對(duì)于[n]值的測(cè)量可能需要頻繁校準(zhǔn)，這將大大增加定位的復(fù)雜度。因此，對(duì)無(wú)需測(cè)量[n]值的RSSI定位研究是非常有必要的。文獻(xiàn)[10]中提出了加權(quán)最小二乘公式來(lái)交替估計(jì)信號(hào)源位置和[n]值。文獻(xiàn)[11]在交替估計(jì)時(shí)對(duì)估計(jì)[n]值采用半正定規(guī)劃（Semidefinite Programming， SDP）方法，提高了對(duì)[n]值的估計(jì)準(zhǔn)確性。在文獻(xiàn)[12]中，作者認(rèn)為[n]是一個(gè)高斯分布的隨機(jī)變量，然后構(gòu)造了一個(gè)迭代估計(jì)位置坐標(biāo)的最大后驗(yàn)估計(jì)量。文獻(xiàn)[13]提出了一種運(yùn)用半正定松弛的技術(shù)，通過(guò)交替估計(jì)的方法依次估計(jì)出[n]值與目標(biāo)節(jié)點(diǎn)位置。文獻(xiàn)[14]提出了一種基于線性最小二乘（LLS）交替估計(jì)[n]值與目標(biāo)位置的方法。文獻(xiàn)[15]提出了一種聯(lián)合估計(jì)器，使用列文伯格?馬夸爾特算法（Levenberg?Marquardt， LM）迭代估計(jì)目標(biāo)位置與[n]值。但是文獻(xiàn)[14?15]中算法的收斂性都嚴(yán)重依賴于初始值的選取，并且容易陷入局部最優(yōu)問(wèn)題。

本文提出在路徑損耗因子[n]未知的情況下，使用智能優(yōu)化算法進(jìn)行定位。使用比值方法消除參考節(jié)點(diǎn)的不確定性，將[n]視為未知參數(shù)，通過(guò)改進(jìn)樽海鞘群算法（Salp Swarm Algorithm， SSA）與信號(hào)源位置坐標(biāo)同時(shí)進(jìn)行迭代尋優(yōu)。使用改進(jìn)的Tent混沌映射初始化種群，并引入引力搜索機(jī)制對(duì)樽海鞘群算法的跟隨者進(jìn)行引導(dǎo)，增強(qiáng)算法的局部搜索能力，有效地改善了算法陷入局部最優(yōu)的情況，并加快了收斂速度。仿真結(jié)果證明了該方法相較于傳統(tǒng)定位方法無(wú)需額外測(cè)量[n]值，定位成本更低，且具有較高的定位精度。

1" 路徑損耗因子[n]未知時(shí)RSSI定位

1.1" RSSI測(cè)距模型

通常無(wú)線電信號(hào)在傳播中隨著距離的增大，其信號(hào)強(qiáng)度是逐漸衰減的。在實(shí)際應(yīng)用中使用陰影（Shadowing）模型[16]來(lái)模擬無(wú)線電信號(hào)的傳播過(guò)程，其表達(dá)式為：

[Prd=Prd0-10nlgdd0+Xσ] （1）

式中：[Pr（d）]表示距離信號(hào)發(fā)射源[d]處的接收信號(hào)強(qiáng)度；[Pr（d0）]是距離信號(hào)源[d0]處的接收信號(hào)強(qiáng)度；[n]為路徑損耗因子；[Xσ]表示均值為0、標(biāo)準(zhǔn)差為[σ]的高斯隨機(jī)變量。

1.2" 路徑損耗因子[n]未知下的適應(yīng)度函數(shù)計(jì)算

在基于優(yōu)化算法的RSSI信號(hào)源定位中，信號(hào)源位置估計(jì)問(wèn)題可以看作在全局范圍內(nèi)搜索信號(hào)源位置坐標(biāo)的最優(yōu)解問(wèn)題，通常它們的適應(yīng)度函數(shù)如下：

[fx，y=1Mi=1M （x-xi）2+（y-yi）2-di2] （2）

式中：（[xi，yi]）表示第[i]個(gè)傳感點(diǎn)；（[x，y]）表示信號(hào)源位置；[di]表示第[i]個(gè)傳感點(diǎn)接收的信號(hào)強(qiáng)度指示（RSSI）根據(jù)對(duì)數(shù)路徑損耗模型計(jì)算的距離；[M]表示傳感點(diǎn)的個(gè)數(shù)。

然而，在未知環(huán)境中，參考節(jié)點(diǎn)的接收信號(hào)強(qiáng)度[A]和路徑損耗因子[n]通常是預(yù)先未知的，因此RSSI不能直接轉(zhuǎn)換為從信號(hào)源到傳感點(diǎn)的距離。為了解決這個(gè)問(wèn)題，將第一傳感點(diǎn)作為參考，使用比值方法，即將信號(hào)源到其他傳感點(diǎn)的距離除以第一參考傳感點(diǎn)的距離來(lái)消除[A]的不確定性，其表達(dá)式為：

[did1=10RSSI1-RSSIi10n] （3）

雖然參考節(jié)點(diǎn)處接收信號(hào)強(qiáng)度[A]被消除了，但是路徑損耗因子[n]仍然是未知的，使得比值不可確定。[n]值大小取決于環(huán)境的復(fù)雜程度，在自由空間中[n]值為2，環(huán)境越復(fù)雜，[n]值越大。因此，可將[n]值作為一個(gè)未知數(shù)，與未知坐標(biāo)參與迭代尋優(yōu)過(guò)程，同時(shí)找到最優(yōu)解。

綜上所述，可以將適應(yīng)度函數(shù)修改為：

[f（x，y，n）=1Mi=2M （x-xi）2+（y-yi）2（x-x1）2+（y-y1）2-did12] （4）

2" 基于改進(jìn)樽海鞘群算法的信號(hào)源位置估計(jì)

樽海鞘群算法（SSA）是文獻(xiàn)[17]提出的一種新型的群智能優(yōu)化算法。SSA算法通過(guò)鏈條中的領(lǐng)導(dǎo)者帶領(lǐng)跟隨者尋找食物來(lái)源實(shí)現(xiàn)優(yōu)化過(guò)程。與經(jīng)典的群智能優(yōu)化算法相比，SSA具有結(jié)構(gòu)簡(jiǎn)單、參數(shù)少等優(yōu)點(diǎn)。但是SSA算法在求解過(guò)程中容易陷入局部最優(yōu)問(wèn)題[18]，并且SSA算法的收斂速度比較慢，對(duì)復(fù)雜問(wèn)題進(jìn)行高精度求解比較困難。

引力搜索算法（Gravitational Search Algorithm，GSA）[19]是基于萬(wàn)有引力定律及物質(zhì)相互作用而被提出的新型啟發(fā)式優(yōu)化算法，具有全局搜索能力強(qiáng)、收斂速度快等優(yōu)點(diǎn)。在解決高維的搜索空間優(yōu)化問(wèn)題上具有較大優(yōu)勢(shì)。

在路徑損耗因子[n]值未知情況下進(jìn)行信號(hào)源定位，提出改進(jìn)樽海鞘群算法（SSA?GSA），通過(guò)改進(jìn)的Tent混沌映射初始化種群優(yōu)化全局搜索范圍，并將引力搜索算法中的引力機(jī)制引入到樽海鞘群算法中引導(dǎo)跟隨者的搜索，結(jié)合兩種算法的優(yōu)點(diǎn)，有效地改善了算法因未知參數(shù)[n]值的增加而容易陷入局部最優(yōu)的情況，提高了算法的定位精度。

2.1" 改進(jìn)樽海鞘群算法的位置更新

2.1.1" 標(biāo)準(zhǔn)樽海鞘群算法的位置更新

在樽海鞘群算法中，樽海鞘鏈中的個(gè)體分為領(lǐng)導(dǎo)者和跟隨者，領(lǐng)導(dǎo)者帶領(lǐng)跟隨者尋找最優(yōu)食物源。其中，食物源為算法迭代中的全局最優(yōu)解。將種群中前一半的個(gè)體作為領(lǐng)導(dǎo)者，其位置更新公式為：

[Xdi=Fd+a1Ud-Lda2+Ld，a3≥hFd-a1Ud-Lda2+Ld，a3lt;h] （5）

式中：[Xdi]是第[i]只樽海鞘在第[d]維中的位置；[Fd]為食物源中第[d]維的位置；[Ud]和[Ld]分別為空間中第[d]維的搜索邊界上下限；[a2]、[a3]是控制參數(shù)；[h]表示一個(gè)平衡概率，通常取值為0.5；[a1]是一個(gè)收斂系數(shù)，起到平衡全局探索能力與局部開(kāi)發(fā)的作用。[a1]的計(jì)算公式如下：

[a1=2e-4tT2] （6）

式中：[t]為當(dāng)前迭代次數(shù)；[T]為最大迭代次數(shù)。

后一半個(gè)體作為跟隨者，其位置根據(jù)牛頓運(yùn)動(dòng)定律更新如下：

[Xdi=12Xdi+Xdi-1] （7）

式中：[Xdi]、[Xdi-1]分別是第[i]只、第[i]-1只樽海鞘在第[d]維中的位置。

2.1.2" 引力搜索算法的加速度計(jì)算與位置更新

在引力搜索算法中，將所有粒子當(dāng)作有質(zhì)量的物體，并且會(huì)受其他粒子萬(wàn)有引力的影響，由于算法中適應(yīng)度函數(shù)值大小與質(zhì)量相關(guān)，在所有粒子中質(zhì)量大就意味著適應(yīng)度值也越大，因此在算法迭代的過(guò)程中通過(guò)使質(zhì)量小的粒子不斷產(chǎn)生加速度，向質(zhì)量大的粒子方向移動(dòng)來(lái)尋找問(wèn)題的最優(yōu)解。引力搜索算法不僅考慮了粒子的速度和位置，還考慮了粒子的加速度，使得它具有較強(qiáng)的局部搜索能力和較快的收斂速度。計(jì)算加速度及位置更新的步驟如下。

1） 計(jì)算粒子質(zhì)量：

[mi=fi-wb-wMi=mij=1Nmj] （8）

式中：[fi]表示粒子[i]的適應(yīng)度值；[b]、[w]分別為整體適應(yīng)度值中的最優(yōu)值、最差值；[mi]、[Mi]分別表示粒子[i]的質(zhì)量、粒子[i]的相對(duì)質(zhì)量。

2） 計(jì)算粒子間引力：

[Fdij=GMiMjEij+εxdi-xdjG=G0e-atTFdi=j=1，i≠jNcjFdij] （9）

式中：[d]為空間維度；[ε]為極小常量；[cj]為[0，1]的隨機(jī)數(shù)；[Fdij]、[G]分別表示粒子[i]和粒子[j]在第[d]維之間的相互作用以及萬(wàn)有引力常量；[Mi]、[Mj]分別表示粒子[i]、[j]的相對(duì)質(zhì)量；[Eij]、[Fdi]分別表示粒子[j]和粒子[i]的歐氏距離以及粒子[i]所受的合力。

3） 粒子[i]在[d]維空間上的加速度[adi]為：

[adi=FdiMdi] （10）

4） 粒子[i]在第[d]維空間的速度和位置更新公式如下：

[vdi=rivdi+adixdi=xdi+vdi] （11）

式中：[ri]為[0，1]的隨機(jī)數(shù)；[vdi]、[xdi]表示粒子在第[d]維變量的速度、位置。

2.1.3" 改進(jìn)樽海鞘群算法的位置更新

在定位過(guò)程中，由于未知參數(shù)[n]值的增加，對(duì)種群個(gè)體搜索能力的需求也更大，樽海鞘群算法中跟隨者只考慮與周圍個(gè)體交互，過(guò)度依賴于領(lǐng)導(dǎo)者的位置狀態(tài)。對(duì)于標(biāo)準(zhǔn)樽海鞘群算法來(lái)說(shuō)，在求解過(guò)程中將增加陷入局部最優(yōu)的概率。為了改善這種情況，提出先采用改進(jìn)的Tent混沌映射初始化種群[20]將種群的初始化位置變得更均勻，有利于樽海鞘群算法的領(lǐng)導(dǎo)者進(jìn)行全局搜索。產(chǎn)生混沌序列[xk]的過(guò)程為：

[xk+1=xkβ+cN，" " "0≤xk≤β1-xk1-β+cN，" " "βlt;xk≤1] （12）

式中：[β]、[c]為[0，1]的隨機(jī)數(shù)；[xk]表示種群中第[k]個(gè)個(gè)體；[N]為種群的數(shù)量。

按式（12）產(chǎn)生混沌向量[x]后，進(jìn)一步將其映射到解空間得到初始化位置[X]：

[X=Ud-Ldx+Ld] （13）

式中：[Ud]、[Ld]分別表示種群在搜索空間中第[d]維的上下限。

為了增強(qiáng)樽海鞘群算法的局部搜索能力并提高速度，將引力搜索算法的引力機(jī)制引入樽海鞘群算法的跟隨者搜索，擴(kuò)大局部搜索范圍。根據(jù)引力搜索算法位置更新公式（13）改進(jìn)跟隨者位置更新公式為：

[xdi=12xdi+xdi-1+vdi] （14）

式中：[vdi]、[xdi]分別表示粒子在第[d]維變量的速度、位置。

2.2" [n]值未知下基于SSA?GSA算法的定位步驟

在[n]值未知情況下，使用SSA?GSA算法實(shí)現(xiàn)基于RSSI的信號(hào)源定位。首先利用各傳感點(diǎn)接收信號(hào)源的RSSI值，將第一傳感點(diǎn)作為參考點(diǎn)；再根據(jù)信號(hào)衰減模型公式將RSSI值轉(zhuǎn)換為距離之比，如式（6）所示；最后將距離比代入適應(yīng)度函數(shù)，利用SSA?GSA算法進(jìn)行尋優(yōu)求解，實(shí)現(xiàn)對(duì)信號(hào)源位置與路徑損耗因子[n]值的同時(shí)估計(jì)。SSA?GSA算法的基本步驟如下。

1） 根據(jù)式（13）初始化種群位置[x]、速度[v]，初始化參數(shù)引力常數(shù)初值[G0]和衰減率[α]。

2） 根據(jù)式（4）計(jì)算所有個(gè)體的適應(yīng)度函數(shù)值，確定食物源并劃分領(lǐng)導(dǎo)者和跟隨者。

3） 更新引力常數(shù)[G（t）]，根據(jù)式（8）～式（10）分別計(jì)算粒子的相對(duì)質(zhì)量、所受合力以及加速度。

4） 分別利用式（5）、式（14）更新領(lǐng)導(dǎo)者和跟隨者的位置。

5） 計(jì)算更新后的種群適應(yīng)度值并更新食物源。

6） 判斷是否達(dá)到指定的最大迭代次數(shù)，若達(dá)到最大迭代次數(shù)，轉(zhuǎn)向步驟7）；否則，轉(zhuǎn)向步驟3）。

7） 輸出此時(shí)食物源作為最優(yōu)解，算法結(jié)束。

SSA?GSA算法流程圖如圖1所示。

3" 實(shí)驗(yàn)與結(jié)果分析

3.1" 仿真實(shí)驗(yàn)

假設(shè)信號(hào)源位置產(chǎn)生在一個(gè)邊長(zhǎng)為20 m的正方形區(qū)域內(nèi)，5個(gè)已知坐標(biāo)的傳感器成不規(guī)則五邊形分布在區(qū)域周圍，仿真環(huán)境如圖2所示。

采用平均誤差作為衡量算法定位精度的標(biāo)準(zhǔn)。

[er=i=1M（xi-Xi）2+（yi-Yi）2M] （15）

式中：（[Xi]，[Yi]）是第[i]個(gè)信號(hào)源的實(shí)際位置坐標(biāo)；（[xi]，[yi]）是根據(jù)算法預(yù)測(cè)的第[i]個(gè)信號(hào)源的估計(jì)坐標(biāo)；[M]表示信號(hào)源的數(shù)量。

為了評(píng)估[n]值未知情況下基于SSA?GSA算法在無(wú)線傳感器網(wǎng)絡(luò)定位的性能，將本文提出的方法的定位效果與[n]值未知情況下粒子群算法（PSO）、差分進(jìn)化算法（DE）、樽海鞘群算法（SSA）進(jìn)行比較分析。

使用Matlab進(jìn)行仿真實(shí)驗(yàn)，各算法的種群數(shù)量[N]=20，迭代次數(shù)為[T]=100。SSA?GSA算法中參數(shù)引力常數(shù)初值[G0]=2，衰減率[α]=2；PSO算法中[C1]=[C2]=2，權(quán)值[wmax]=0.9，[wmin]=0.4；DE算法中交叉算子CR=0.8，變異算子[F]=0.5。

3.2" 結(jié)果與分析

在矩形區(qū)域內(nèi)隨機(jī)生成100個(gè)信號(hào)源位置，為了方便對(duì)比，首先計(jì)算各算法在路徑損耗因子[n]值已知的情況下的平均誤差，如表1所示。

從表1數(shù)據(jù)來(lái)看，在路徑損耗因子[n]值已知的情況下，由于算法的變量維度只有位置坐標(biāo)[x]、[y]，迭代計(jì)算復(fù)雜度較小，所以各算法的定位誤差相差不大，且定位精度都相對(duì)較高。

計(jì)算各算法在路徑損耗因子[n]值未知情況下的平均誤差如表2所示，各算法的誤差概率累積分布圖如圖3所示。

由表2可以看出，在[n]值未知情況下，由于變量維度的增加，計(jì)算復(fù)雜度也隨之增加，所以各算法的定位誤差也隨之增大。相比之下，SSA?GSA算法誤差增加不算太大。由圖3可知，SSA?GSA算法定位誤差在1 m以下占比74%，而PSO、DE、SSA算法定位誤差在1 m以下分別占比只有62%、58%、65%。綜合來(lái)看，本文提出的SSA?GSA算法定位精度優(yōu)于PSO、DE、SSA等算法，并且縮小了與[n]值已知算法定位精度的差距。

為了測(cè)試本文算法在[n]值未知情況的不同環(huán)境下的定位性能，增加仿真環(huán)境中的傳感點(diǎn)數(shù)量并改變其布局，部分布局如圖4所示。

在不同傳感點(diǎn)數(shù)量下，對(duì)PSO、DE、SSA?GSA算法分別進(jìn)行仿真并計(jì)算平均誤差，仿真結(jié)果如圖5所示。

改變?cè)肼晿?biāo)準(zhǔn)差[σ]的值，分別進(jìn)行仿真并計(jì)算平均誤差，仿真結(jié)果如圖6所示。

改變環(huán)境中的路徑損耗因子[n]的值，分別進(jìn)行仿真并計(jì)算平均誤差，仿真結(jié)果如圖7所示。

由圖5～圖7可知：定位平均誤差隨著傳感點(diǎn)數(shù)量的增加而降低，隨著噪聲標(biāo)準(zhǔn)差[σ]的升高而升高，隨著路徑損耗因子[n]值的增加而降低，符合無(wú)線傳感器網(wǎng)絡(luò)定位規(guī)律，且本文提出的SSA?GSA算法定位平均誤差始終低于其他算法。綜合圖5～圖7可知，當(dāng)仿真環(huán)境發(fā)生變化時(shí)，在[n]值未知情況下本文提出的算法定位精度始終高于其他算法，表明本文算法在復(fù)雜環(huán)境下仍能保持良好的性能。

4" 結(jié)" 語(yǔ)

基于RSSI的無(wú)線傳感器網(wǎng)絡(luò)定位技術(shù)是無(wú)線傳感器的重要組成部分。針對(duì)傳統(tǒng)RSSI定位[n]值測(cè)量存在的問(wèn)題，本文提出了一種無(wú)需測(cè)量路徑損耗因子[n]值的定位方法，為了有效跳出局部最優(yōu)情況和加快收斂速度，提出改進(jìn)樽海鞘群算法（SSA?GSA），用改進(jìn)的Tent混沌映射初始化種群，并將引力搜索機(jī)制引入到樽海鞘群算法的跟隨者位置更新中。仿真實(shí)驗(yàn)證明，在[n]值未知的情況下采用SSA?GSA算法具有較高的定位精度，縮小了與[n]值已知情況下定位精度的差距，且不受環(huán)境條件的限制，在監(jiān)測(cè)現(xiàn)場(chǎng)可實(shí)現(xiàn)即時(shí)定位，降低了定位成本，具有一定的適用性與實(shí)用價(jià)值。

注：本文通訊作者為章勇。

參考文獻(xiàn)

[1] 田昕，魏國(guó)亮，王甘楠.無(wú)線傳感器網(wǎng)絡(luò)定位綜述[J].信息與控制，2022，51（1）：69?87.

[2] 饒強(qiáng).基于貝葉斯網(wǎng)絡(luò)的無(wú)線通信網(wǎng)絡(luò)故障節(jié)點(diǎn)自動(dòng)定位方法研究[J].自動(dòng)化與儀器儀表，2022（12）：258?262.

[3] 余學(xué)帆，王宏志，韓博，等.基于RSSI的改進(jìn)差分修正加權(quán)質(zhì)心定位算法[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)，2021，42（3）：253?258.

[4] WANG Q， JIN G， NIU J. A hybrid localization algorithm based on RSSI [J]. Chinese journal of sensors and actuators， 2015， 28（12）： 1823?1829.

[5] HAN S， LUO H Y， CHEN Y， et al. The design and implementation of a TDOA?based ultrasonic indoor localizing system [J]. Chinese journal of sensors and actuators， 2010， 23（3）： 347?353.

[6] 任曉奎，于百川，李巖.基于RSSI的加權(quán)質(zhì)心定位算法的改進(jìn)[J].傳感器與微系統(tǒng)，2021，40（11）：150?153.

[7] 楊艷芳，王偉，王召巴.基于WSN室內(nèi)定位的路徑損耗模型參數(shù)算法研究[J].電子測(cè)量技術(shù)，2021，44（13）：54?58.

[8] 趙大龍，白鳳山，董思宇，等.一種基于卡爾曼和線性插值濾波的改進(jìn)三角質(zhì)心定位算法[J].傳感技術(shù)學(xué)報(bào)，2015，28（7）：1086?1090.

[9] 劉雨，肖本賢，尹柏強(qiáng).基于修正RSSI值的四邊形加權(quán)質(zhì)心定位算法[J].電子測(cè)量與儀器學(xué)報(bào)，2020，34（10）：107?114.

[10] NAJARRO L， SONG I， TOMIC S， et al. Fast localization with unknown transmit power and path?loss exponent in WSNs based on RSS measurements [J]. IEEE communications letters， 2020， 24（12）： 2756?2760.

[11] GANG W， CHEN H， LI Y， et al. On received?signal?strength based localization with unknown transmit power and path loss exponent [J]. IEEE wireless communication letters， 2012， 1（5）： 536?539.

[12] SALMAN N， CHOGHO M， KEMP A. On the joint estimation of the RSS?based location and path?loss exponent [J]. IEEE wireless communications letters， 2012， 1（1）： 34?37.

[13] 任瑞潔，俞建定，李有明.未知路徑損耗因子下基于差分接收信號(hào)強(qiáng)度的定位方法[J].數(shù)據(jù)通信，2023（3）：12?19.

[14] SO H C， LIN L. Linear least squares approach for accurate received signal strength based source localization [J]. IEEE transactions on signal processing， 2011， 59（8）： 4035?4040.

[15] LI X. RSS?based location estimation with unknown pathloss model [J]. IEEE transactions on wireless communications， 2006， 5（12）： 3626?3633.

[16] 單好民，陳才學(xué).基于RSSI高斯濾波的人工蜂群定位算法[J].傳感技術(shù)學(xué)報(bào)，2021，34（7）：979?983.

[17] MIRJALILI S， GANDOMI A H， MIRJALILI S Z， et al. Salp swarm algorithm： A bio?inspired optimizer for engineering design problems [J]. Advances in engineering software， 2017， 114： 163?191.

[18] ABBASSI R， ABBASSI A， HEIDARI A A， et al. An efficient salp swarm?inspired algorithm for parameters identification of photovoltaic cell models [J]. Energy conversion and management， 2019， 179： 362?372.

[19] OMAR A. GSA for machine learning problems： A comprehensive overview [J]. Applied mathematical modelling， 2021， 92（14）： 261?280.

[20] 徐煥增，徐文倩，孔政敏.基于Tent混沌序列改進(jìn)的蜉蝣算法及其應(yīng)用[J].控制工程，2022，29（3）：435?440.

基金項(xiàng)目：江西省“雙千計(jì)劃”長(zhǎng)期項(xiàng)目（DHSQT22021003）

作者簡(jiǎn)介：陳禮坤（2000—），男，江西撫州人，在讀碩士研究生，研究方向?yàn)闊o(wú)線定位技術(shù)。

章" 勇（1969—），男，江西撫州人，博士研究生，教授，研究方向?yàn)楦邏涸O(shè)備局部放電監(jiān)測(cè)、射頻通信、深度學(xué)習(xí)。

范大照（1999—），男，江西景德鎮(zhèn)人，在讀碩士研究生，研究方向?yàn)橥ㄐ畔到y(tǒng)開(kāi)發(fā)。

劉素芳（1997—），女，湖南永州人，在讀碩士研究生，研究方向?yàn)殡娏υO(shè)備局部放電模式識(shí)別。