A hop correction-based node localization algorithm in things of network
-
摘要: 针对传统的DV-Hop算法存在较大定位误差的问题，提出基于狮群优化算法的节点定位 (NLLSO) 算法. NLLSO算法从估计最小跳数、修正平均跳距误差和定位算法三方面进行改进，进而降低定位误差. NLLSO算法用不同通信半径传递Beacon包，进而提高估计最小跳数值的精度. 同时，通过引入权值参数修正平均跳距的估计值. 最后，通过狮群优化算法(LSO)估计未知节点位置. 仿真结果表明：NLLSO算法的定位精度高于传统的DV-Hop算法.
-
关键词:
- 无线传感网络(WSN) /
- 定位算法 /
- 多通信半径 /
- 平均跳距 /
- 狮群优化 (LSO) 算法
Abstract: In view of the large localization error in the traditional DV-Hop algorithm in wireless sensor network, node localization based on lion swarm optimization (NLLSO) algorithm is proposed in this paper. In NLLSO algorithm, the minimum-hop estimation, average hop error correction and position process are optimized to reduce the localization error. Beacon packet is transmitted in multiple communication radii way, and accuracy of estimating minimum-hop count is improved. In addition, the weight is introduced to correct the average hop. Finally, lion swarm optimization algorithm is used to solve the position of the node. The simulation results show that positioning accuracy of NLLSO algorithm is significantly improved compared with traditional DV-Hop algorithm. -
表 1 LSO的相关符号
变量符号 物理意义 $ \gamma $ 依据正态分布产生的0~1的随机数 $ p_i^k $ 第i只狮子在第k代的历史最优位置 $ {g^k}$ 第k代群体最优位置 $ p_c^k $ 从第k代母狮群中随机挑选的一个伙伴历史最佳位置 $ {\alpha _f}$ 母狮移动范围扰动因子 $ {\alpha _c}$ 幼狮移动范围扰动因子 $ p_m^k $ 幼狮跟随母狮第k代历史最佳位置 $ q $ 依据均匀分布产生的0~1的随机数 $ \bar{g}^{k} $ 第i只幼狮被驱赶的位置 $ D_{\text {high}} $ 空间中各维度的最大均值 $ D_{\text {low}} $ 空间中各维度的最小均值 T 最大迭代次数 t 当前迭代次数 $L_{\text {step}} $ 步长 
下载: 导出CSV
表 2 仿真参数
仿真参数 值 网络区域 100 m×100 m 节点总数 100~200 锚节点数占比$p \text{%}$ 100%~31% 节点传输功率/dBm −5~−15 节点通信半径/m 20~45 种群规模 30 最大迭代次数 200 成年狮比例因子 0.2
下载: 导出CSV
-
[1] ACHROUFENE A, AMIRAT Y, CHIBANI A. RSS-based indoor localization using belief function theory[J]. IEEE transaction automation science and engineering, 2019, 16(3): 1163-1180. DOI: 10.1109/TASE.2018.2873800 [2] 蓝土庆. 物联网感知节点安全威胁自动检测系统设计[J]. 制造业自动化, 2019, 41(5): 148-151. DOI: 10.3969/j.issn.1009-0134.2019.05.034 [3] 宋婷婷, 张达敏, 王依柔, 等. 基于改进鲸鱼优化算法的WSN覆盖优化[J]. 传感技术学报, 2020, 33(3): 415-422. DOI: 10.3969/j.issn.1004-1699.2020.03.016 [4] MUKHOPADHYAY B, SRIRANGARAJAN S, KAR S. Signal strength-based cooperative sensor network localization using convex relaxation[J]. IEEE wireless communication letters, 2020, 9(12): 2207-2211. DOI: 10.1109/LWC.2020.3018679 [5] 李海啸, 于东, 胡毅, 等. 改进的无线传感器网络三边质心定位算法[J]. 小型微型计算机系统, 2020, 41(6): 1216-1223. DOI: 10.3969/j.issn.1000-1220.2020.06.017 [6] 胡诚, 肖本贤. 基于自适应免疫粒子群优化的DV-Hop定位算法[J]. 传感器与微系统, 2020, 39(1): 121-124. DOI: 10.13873/J.1000-9787(2020)01-0121-04 [7] LIU J L, WANG Z, YAO M W, et al. VN-APIT: virtual nodes-based range-free APIT localization scheme for wsn[J]. Wireless networks, 2016, 22(3): 867-878. DOI: 10.1007/s11276-015-1007-z [8] 张晶, 李煜. 改进的三次修正DV_Hop定位算法[EB/OL]. 小型微型计算机系统. (2021-07-06) [2022-01-20]. https://kns.cnki.net/kcms/detail/21.1106.TP.20210706.1049.010.html. [9] 苟平章, 刘学治, 孙梦源, 等. 基于跳距修正与狮群优化的WSNs三维定位算法[J]. 计算机工程与科学, 2021, 43(8): 1405-1412. DOI: 10.3969/j.issn.1007-130X.2021.08.009 [10] 刘超, 李海鹏. DV-Hop定位算法的研究与改进[J]. 火控雷达技术, 2021, 50(1): 20-25. DOI: 10.19472/j.cnki.1008-8652.2021.01.004 [11] 程超, 钱志鸿, 付彩欣, 等. 一种基于误差距离加权与跳段算法选择的遗传优化DV-Hop定位算法[J]. 电子与信息学报, 2015, 37(10): 2418-2423. DOI: 10.11999/JEIT141205 [12] 刘雨, 肖本贤, 尹柏强. 基于修正RSSI值的四边形加权质心定位算法[J]. 电子测量与仪器学报, 2020, 34(10): 107-114. DOI: 10.13382/j.jemi.B2002920 -
点击查看大图
图(4) / 表(3)
计量
- 文章访问数: 220
- HTML全文浏览量: 75
- PDF下载量: 13
- 被引次数: 0
