基于遗传算法的无线传感器网络节点自身定位参数优化方法.pdf

基于遗传算法的无线传感器网络节点自身定位参数优化方法第22卷第2期2023年6月Vol.22 No.2Jun.2023湖南邮电职业技术学院学报Journal of Hunan Post andTelecommunication College基于遗传算法的无线传感器网络节点自身定位参数优化方法樊荣*（驻马店职业技术学院，河南驻马店 463000）【摘要】提出一种自身定位参数优化方法，首先利用遗传算法在全局寻优方面的优势，改善了无线传感器网络中节点自身位置信息的定位精度欠佳问题，其次，遗传算法利用优化方法，初始种群优化、调整适应度的选取运算、引入错误校正因子等，对节点自身位置进行精确定位，从而有效提升节点定位精度和稳定性。实验结果表明，在测距阶段和定位阶段均取得了一定进展。该方法将位置问题建立在不同的距离或路径的基础上，以求得最优解，从而克服了传统以数理统计为主的局限性，同时能够保证系统的性能，节省网络资源。【关键词】无线传感器网络；遗传算法；网络节点自身定位；参数优化【doi:10.3969/j.issn.2095-7661.2023.02.002】【中图分类号】TN929.5【文献标识码】A【文章编号】2095-7661（2023）02-0005-04Optimization Method of Node Self-localization Parametersin Wireless Sensor Networks Based on Genetic AlgorithmFAN Rong(Zhumadian Vocational and Technical College,Zhumadian,Henan,China 463000)Abstract:The proposed self-localization parameter optimization method in this study firstly improves the accuracy of node self-location information in wireless sensor networks by utilizing the advantages of genetic algorithm in global optimal solutions.Secondly,the genetic algorithm uses optimization methods such as optimizing the initial population,adjusting the selection operation of fitness,and introducing error correction factor,achieving precise positioning of node location,thereby effectively improving the accuracy andstability of node location.Experimental results show a certain progress in both the distance measurement stage and the location stage.Fundamentally,this method builds location problems on the basis of different distances or paths to obtain the optimal solution,therebyovercoming the limitation of traditional methods that rely mainly on mathematical-statistical methods.Furthermore,this method canensure the system performance and save network resources.Keywords:wireless sensor networks;genetic algorithm;self-localization of network nodes;parameter optimization1 研究背景本研究从最优解出发，给出了一种基于最优解的位置问题的优化方法1-3。从根本上讲，位置问题是建立在不同的距离或路径的基础上的最优问题，也是NP难题4-6。针对这些问题，目前已有的研究主要集中在采用数理统计的方式，以改善其准确性7-9。当前，遗传算法（GA）、模拟退火（SA）、进化策略（ES）、差分进化（differential evolution，DE）等最优方法，已经很好地求解了很多复杂参数的最优问题10-11。为此，许多学者都开始尝试使用这种方法来改进WSN中的节点位置问题，其解决方法实质上就是使节点位置的错误最少。遗传算法利用初始种群优化、调整适应度的选取运算、引入错误校正因子等方法，有效改善了传统的遗传算法在全局寻优方面的不足12。既可以保证系统的性能，又可以节省网络资源。针对遗传算法等最优方法在解决位置问题中的局限性，本研究给出了解决方案。收稿日期 2023-02-04作者简介 樊荣（1994），男，河南驻马店人，助教，硕士，研究方向：计算机应用技术。基金项目 2021年度河南省高等学校重点科研项目计划课题“高职教师信息化素养培育体系建构研究”（课题编号：21B880052）。5湖南邮电职业技术学院学报第22卷1）提出了一种基于遗传算法的无线传感器网络节点自身定位参数的优化方法，可以在测距阶段和定位阶段都取得一定的进展，提高了位置的准确率。2）给出了一种基于最优解的位置问题的优化方法，该方法是基于遗传算法等最优方法，能有效解决位置问题。3）在解决位置问题方面提供了一种有效的解决方法，该方法既可以保证系统的性能，又可以节省网络资源。2 节点定位信息2.1 信息获取将信标节点i限定为到剩余信标节点的跳跃次数，具体公式如下，其中Z表示整数集，R表示实数集：pi=pi，1，pi，m Zm（1）式中，pi,j=P()Si,Sj，在所有的信标节点间的跳跃次数可以被表达为：P=p1，pm Zm m（2）同样地，从一个信标节点i到另一个信标节点的实际距离是：di=di，1，di，m Rm（3）式中，di,j=d()Si,Sj，Si,SjA，di,i=0，那么整个信标节点之间的距离信息可以表示为：D=d1，dm Rm m（4）定义未知节点k到信标节点之间的跳数信息为：Pk=Pk，1，Pk，mt Zm（5）式中，Pk,i=p()Sk,Si。首先，新的信标节点将HELLO消息广播给其他的节点，从而让各信标节点和不确定节点了解相应的跳跃信息。接着，各信标节点将包含它们的跳跃数目和方位资讯传送给其他信标节点，从而得到各信标节点间的间距及跳跃数目资讯13。该方法的通信开销为m()m+n-1个HELLO信息和m()m-1个INFO信息。通常，因为m Pmi 1，2（8）式中，vi和vi是第i次基因的数值，ri是一个在第i个基因数值范围之内的平均随机变量。yi0,1，是与每个位点相匹配的随机变数。均匀变异表明在搜寻中的遗传分布是一致的，能够有效地维持种群的多样化，又带有一定的局部微调。根据对遗传算法的无线传感器网络节点自身定位算法的选择，设计了算法的操作算子和控制参数，以此优化节点自身定位参数，提高定位精度。4 实验分析4.1 性能指标参数1）锚节点比率。锚节点比率是整个节点数量6第2期基于遗传算法的无线传感器网络节点自身定位参数优化方法和固定节点数量比例。2）网络连通度connectivity。网络规模和节点部署区域通过改变R来改变connectivity。3）平均定位误差。在对目标进行跟踪时，最重要的评估指标是平均位置偏差。基于这种原因，本研究算法和其他算法进行比较，采用归一化处理后的平均定位误差，即：error=100N Ri=1n()xi-x2+()yi-y2q0（9）其中，n是节点数量，()xi,yi是具体的位置，()xi,yi()i=1,2,m是估算的位置，R是无线射程。4.2 实验结果分析为了评价本研究算法性能，实验将本研究算法与基于优化算法的定位算法中性能较好的模拟退火算法和差分进化算法进行了比较。将锚节点比率、节点无线射程、网络连通度进行变化，对不同的位置误差进行分析。4.2.1 锚节点比率与平均定位误差的相关性研究分析本研究算法、模拟退火算法和差分进化算法在不同的锚节点比率下的位置偏差，只在常规网络中对锚节点比率进行变化，而其他的参量保持不变。在模拟试验中，采用0%和10%的测距偏差系数Noise Factor对本文方法的有效性进行了检验。图1平均定位误差与锚节点比率的关系曲线图从图1可以看出，不论Noise Factor是0%或10%，这三种位置算法的平均定位误差都会随锚节点比率的增大而降低。这主要是因为随着锚节点数量的增加，网络的定位精度可以提高。在同一情况下，本研究算法的平均精度最高。本研究算法表现稳定，在锚节点比率为5%时实现最佳的成本与误差平衡，锚节点比率从3%增加到5%的过程可显著降低误差，锚节点比率从5%增加到10%的过程误差变化较小，但提高锚节点比率需付出昂贵的成本。因此，锚节点比率选择5%可在既获得良好结果，又降低部署成本方面取得最佳平衡。值得注意的是，本文方法在固定锚节点比率为3%的情况下仍能获得良好的定位结果。本文方法仅用少数的锚节点就能达到很好的定位效果。4.2.2 无线射程R对平均定位误差的影响为了分析在不同的节点无线射程R下不同算法的定位误差，改变节点无线射程R。采用0%和10%的测距偏差系数Noise Factor对本文方法的有效性进行了检验。图2平均定位误差与节点无线射程R的关系曲线图由图2可知，不论Noise Factor为0%或10%，在同一情况下，三种定位算法的平均位置偏差会随着节点无线射程R的增大而降低，且本研究算法的位置偏差最小。此外，调节节点的发射功率，使其无线射程R大约在14左右，可以在保证定位性能的同时最大限度地减少整个系统的节点能量消耗，延长系统寿命。值得注意的是，当无线射程R从12增加到14时，定位误差会下降更快，而从14增加到24时误差下降缓慢。值得注意的是，本文方法在R很小（R=12）的情况下仍能获得很好的定位结果。4.2.3 网络连接的连续性与平均定位误差之间的相关性分析本研究算法、模拟退火算法及差分进化算法在不同的连通性条件下的位置偏差，只改变标准网络中的连通性，其他的参数保持不变。在模拟中，可以根据不同的节点距离，来调整网络的连通程度，如表1所示。通过模拟计算出不同的网络连接程度对应的位置偏差，如图3所示。表1节点的无线射程R与网络连通度的关系节点无线射程R网络连通度最小值网络连通度平均值网络连通度最大值1288.8910141110.2313161413.1516181716.8720202121.0924222424.2227242727.68307湖南邮电职业技术学院学报第22卷图3平均定位误差与网络连通度的关系曲线从图3可以看出，不管Noise Factor是0%还是10%，这三种位置算法的平均定位误差都会随网络连接程度的提高而降低。在同一情况下，本研究算法的平均定位误差最低。本研究算法的定位误差从9到11下降较快，从11到23下降非常缓慢。当网络连接达到11左右时，可以调整节点的传输能量，从而达到最小的网络能量消耗和最长使用寿命。5 结论无线传感器网络涉及传感器、通信、信息处理、拓扑结构、人工智能等多个领域的技术，具有广泛的发展潜力。当然，目前关于网络节点位置的参数最优算法仍有很大的发展空间。虽然采用先进算法可以有效改善其位置精度，但是由于节点能量有限，如何从算法复杂度、能耗、通信开销等方面寻求一种可行的方法还有待深入探索。当前，大部分的参考资料仅提供模拟数据，大部分无线传感器网络的节点自定位也仅限于静止状态，因此在节点具备一定的可移动性情况下，实现低成本、低功耗、高准确率的节点定位更具挑战性。【参考文献】1La V Q，NGUYEN T H，HUYNH T T B，et al.A bi-populationgeneticalgorithmbasedonmulti-objectiveoptimization for a relocation scheme with target coverageconstraintsinmobilewirelesssensornetworksJ.ExpertSystems With Applications,2023（9）:119486.2徐友洪，童根树.一种高覆盖率和安全性的动态传感器网络部署策略J.电子器件,2022（2）:460-467.3李云鹏.基于APIT的无线传感器网络混合定位算法J.计算机系统应用,2021（10）:254-258.4余修武，黄露平，刘永，等.遗传-禁忌搜索优化的三维DV-Hop定位算法J.北京邮电大学学报,2021（4）:75-81.5王国武，陈元琰.基于跳数修正和遗传模拟退火优化DV-Hop定位算法J.计算机科学,2021（S1）:313-316.6孙子文，朱颖.工业无线传感器网络攻击源定位任务分配优化算法J.信息与控制,2020（2）:225-232.7刘星亮.基于遗传算法的茶园无线传感器网络的优化方法J.科学技术创新,2020（2）:73-74.8刘绍刚，李燕梅，李艳平.基于BP人工神经网络的室内移动定位技术J.现代电子技术,2019（15）:25-28.9李广飞，段永生，王昆仑,等.基于量子退火算法的无线传感器网络节点定位J.云南大学学报（自然科学版）,2019（S1）:27-32.10李孟，鲁庆宾.基于移动节点的无线传感器网络部署优化方法J.舰船电子工程,2018（11）:98-101.11刘涛，庞博.基于遗传算法的异构无线传感器网络分簇算法J.现代电子技术，2022（5）:25-30.12李蛟，胡黄水，赵宏伟,等.基于混沌遗传算法的无线传感器网络改进LEACH算法J.吉林大学学报（理学版），2021（4）:950-955.13金合丽，刘半藤，陈唯，等.基于遗传算法的水下传感器网络节点部署算法研究J.传感技术学报,2019（7）:1083-1087.14陈业海，郑日荣，许亮.基于进化算法的多通信半径DV-Hop改进定位算法J.计算机工程与应用,2019（1）:89-95.15刘川洲，张玲华.基于DV-Hop算法的无线传感器网络定位精度优化J.激光与光电子学进展,2021（22）:498-504.8