基于异质双种群粒子群优化的WSN节点定位方法

本发明公开了一种基于异质双种群粒子群优化的WSN节点定位方法。该方法将自然界中动物的群落自适应活动行为融合到了粒子群优化算法中。基于锚节点和未知传感器节点的距离设计适应值函数，模拟自然界中动物的群落活动方式，采用两个异质子种群来保持种群的良好多样性。

并且，模拟自然界中不同群落中的动物具有不同的偏好习惯的自然规律，分别在这两个子种群中融合复合反向学习策略和精英混沌搜索策略。对两个子种群执行不同的搜索方式，实现多种搜索模式的优势互补，以增强全局搜索能力，提高定位的精度。

同时，还模拟自然界中不同群落之间的动物的交流行为。在每间隔指定的演化代数，两个子种群相互交换一些个体，实现优质搜索信息的共享和导向作用，以加快收敛速度，提高定位的实时性。

具体方法如下：

1. 用户自定义初始化参数，包括锚节点个数K，K个锚节点位置向量Z，其中第j个锚节点的位置为（Zj×3-2, Zj×3-1, Zj×3），未知传感器节点个数D，子种群大小SubPopsize，粒子最大速度绝对值Vmax，粒子加速因子c1和c2，学习概率Pl，迁移间隔代数Mt，迁移大小Mn，迁移最优率Bestp，最大评价次数MAX_FEs。

2. 通过锚节点和未知传感器节点之间发射并接收信号强度的传统方法测得所有未知传感器节点到所有锚节点的距离，记录到D行K列的矩阵Dis中，其中Disj,m为第j个未知传感器节点到第m个锚节点的距离。

3. 令交叉率Cri＝0.5，其中i＝1, ..., SubPopsize，当前演化代数t＝0，当前评价次数FEs＝0。

4. 随机产生两个初始子种群SubP1t＝{A1, A2, ..., Ai, ..., ASubPopsize}, SubP2t＝{B1, B2, ..., Bi, ..., BSubPopsize}，其中i＝1, ..., SubPopsize，并且Ai和Bi分别为子种群SubP1t和SubP2t中的第i个粒子。它们的随机产生公式分别为：

   Bi,2,j＝-Vmax+rand(0,1)·2·Vmax，其中j＝1, ..., D×3，并且D为未知传感器节点个数； Ai,1和Bi,1分别为在子种群SubP1t和SubP2t中的第i个粒子所存储的D个未知传感器节点的探测位置，其中在子种群SubP1t中第i个粒子所存储的第j个未知传感器节点的探测位置为（Ai,1,j×3-2, Ai,1,j×3-1, Ai,1,j×3）； Ai,2和Bi,2分别为在子种群SubP1t和SubP2t中的第i个粒子在每一维度上的速度大小； rand(0,1)为在[0,1]之间产生均匀分布的随机数函数； L1和U1分别为传感器节点分布区域的x轴坐标的下界和上界； L2和U2分别为传感器节点分布区域的y轴坐标的下界和上界； L3和U3分别为传感器节点分布区域的z轴坐标的下界和上界。

5. 计算两个子种群SubPt1和SubPt2中每个粒子的适应值，其中任意一粒子Ai的适应值Fiti按以下公式计算：

   （公式省略，具体公式内容在原文中已给出）

当前评价次数FEs＝FEs+SubPopsize×2，并保存子种群SubP1t和SubP2t中适应值最小的粒子为最优粒子。

本发明公开了一种基于异质双种群粒子群优化的WSN节点定位方法，该方法将自然界中动物的群落自适应活动行为融合到了粒子群优化算法中，基于锚节点和未知传感器节点的距离设计适应值函数，模拟自然界中动物的群落活动方式采用两个异质子种群来保持种群的良好多样性，并且模拟自然界中不同群落中的动物具有不同的偏好习惯的自然规律分别在这两个子种群中融合复合反向学习策略和精英混沌搜索策略，对两个子种群执行不同的搜索方式实现多种搜索模式的优势互补以增强全局搜索能力，提高定位的精度。同时，还模拟自然界中不同群落之间的动物的交流行为在每间隔指定的演化代数，两个子种群相互交换一些个体，实现优质搜索信息的共享和导向作用以加快收敛速度，提高定位的实时性。

一种基于异质双种群粒子群优化的WSN节点定位方法，其特征在于，包括以下步骤： 步骤1，用户自定义初始化参数，所述初始化参数包括锚节点个数K，K个锚节点位置向 量Z，其中第j个锚节点的位置为（Zj×3-2 ,Zj×3-1 ,Zj×3 ），未知传感器节点个数D，子种群大小 SubPopsize ,粒子最大速度绝对值Vmax，粒子加速因子c1和c2，学习概率Pl ,迁移间隔代数 Mt，迁移大小Mn，迁移最优率Bestp，最大评价次数MAX_FEs； 步骤2，通过锚节点和未知传感器节点之间发射并接收信号强度的传统方法测得所有 未知传感器节点到所有锚节点的距离记录到D行K列的矩阵Dis中，其中Disj,m为第j个未知 传感器节点到第m个锚节点的距离； 步骤3，令交叉率Cri＝0 .5，其中i＝1 ,...,SubPopsize，当前演化代数t＝0，当前评价次 数FEs＝0； 步骤4，随机产生两个初始子种群SubP 1 t＝{A1 ,A2 ,...,Ai ,...,ASubPopsize}, SubP 2 t＝{B1 ,B2 ,...,Bi ,...,BSubPopsize }，其中:i＝1 ,...,SubPopsize，并且Ai和Bi分别 为子种群SubP 1 t和SubP 2 t中的第i个粒子，它们的随机产生公式分别为：

Bi,2,j＝-Vmax+rand（0 ,1）·2·Vmax 其中j＝1 ,...,D×3，并且D为未知传感器节点个数；Ai,1和Bi,1分别为在子种群SubP 1 t和 SubP 2 t中的第i个粒子所存储的D个未知传感器节点的探测位置，其中在子种群SubP 1 t中第i 个粒子所存储的第j个未知传感器节点的探测位置为（Ai,1,j×3-2 ,Ai,1,j×3-1 ,Ai,1,j×3 ）；Ai,2和 Bi,2分别为在子种群SubP 1 t和SubP 2 t中的第i个粒子在每一维度上的速度大小；rand（0 ,1）为 在[0 ,1]之间产生均匀分布的随机数函数；L1和U1分别为传感器节点分布区域的x轴坐标的 下界和上界；L2和U2分别为传感器节点分布区域的y轴坐标的下界和上界；L3和U3分别为传 感器节点分布区域的z轴坐标的下界和上界； 步骤5，计算两个子种群SubPt 1和SubPt 2中每个粒子的适应值，其中任意一粒子Ai的适应值Fiti按以下公式计算：

其中K为锚节点个数，D为未知传感器节点个数，（Zm×3-2 ,Zm×3-1 ,Zm×3 ）为第m个锚节点的三维 坐标位置，Disj,m为第j个未知传感器节点到第m个锚节点的距离；当前评价次数FEs＝FEs+ SubPopsize×2，并保存子种群SubP 1t和SubP2t中适应值最小的粒子为最优粒子；