基于量子遺傳算法的運輸車輛無線傳感網(wǎng)絡(luò)定位技術(shù)研究

柏小三

摘? 要：結(jié)合無線傳感器網(wǎng)絡(luò)（WSN）節(jié)點定位問題的最顯著特征，并以此為基礎(chǔ)進行了設(shè)計研究，得到一種以雙鏈量子遺傳學(xué)計算方法為背景下而衍生的無線傳感器網(wǎng)絡(luò)節(jié)點定位計算方法（WDQGA），處理運輸車輛無線傳感網(wǎng)絡(luò)定位問題，對WDQGA進行實驗仿真，并和DV-HOP算法進行對比。結(jié)果向我們展示了，當(dāng)錨節(jié)點比率不斷地增加的時候，WDQGA和DV-HOP等計算方法所得到的平均定位位置誤差會出現(xiàn)不斷的下降的表現(xiàn)，而在WDQGA算法中對于該試驗車輛的平均定位誤差的數(shù)值將會遠遠地小于通過使用DV-HOP計算方法所算得的平均定位誤差值，由此可以十分清楚和直白的展現(xiàn)了WDQGA算法中對于定位誤差值的精準(zhǔn)程度和精密性能遠比DV-HOP算法定位高得多，最大程度的增加了車輛定位的可靠性與精度。

關(guān)鍵詞：網(wǎng)絡(luò)定位;車輛;無線傳感;量子遺傳算法;雙鏈

中圖分類號：TP7? ? ? 文獻標(biāo)識碼：A? ? 文章編號：2096-3769（2019）01-066-06

引言

隨著交通進一步發(fā)展，解決交通問題最有效的途徑是進行智能交通系統(tǒng)的建設(shè)，在城市車輛管理、交通管理、物流管理等領(lǐng)域發(fā)展過程中，車輛定位技術(shù)起著非常重要的作用[1]。近年來，隨著車輛定位技術(shù)發(fā)展越來越快，在許多方面取得一定的成果[2-4]。無線傳感器網(wǎng)絡(luò)（WSN）主要是通過大量的動態(tài)又或者是靜態(tài)等狀態(tài)之下的傳感器自身組織結(jié)合方式的差異，從而得到無線模式網(wǎng)絡(luò)，并且可以通過該網(wǎng)絡(luò)進行信息的采集、感知、傳輸、處理、監(jiān)測信息[5]。智能交通系統(tǒng)中WSN應(yīng)用廣泛，有研究在城市交通道路環(huán)境中，可以把交通道路上一些發(fā)散放置的聲音傳感定位器再利用自身組織模式轉(zhuǎn)變成無線網(wǎng)絡(luò)的形式進行傳播，而對于在這條道路上的所有過往車輛信息進行采集[6];有文獻報道，在城市主干道的道路交叉路口中，建立WSN模式的來往車輛信息收集系統(tǒng)，從而達到對過往車輛的基本信息數(shù)據(jù)進行實時監(jiān)控管理，以便對紅綠燈變換周期進行控制[7]。

在解決解決優(yōu)化和并行性問題上，量子遺傳算法QGA（quantum genetic algorithm）因具有獨特優(yōu)勢而廣泛受到關(guān)注[8]。在此基礎(chǔ)上，國內(nèi)外學(xué)者通大量的數(shù)據(jù)研究和結(jié)果分析，對現(xiàn)如今所得到的有關(guān)于QGA的劣勢進行了相關(guān)的改進和優(yōu)化，通過方法的改良和技術(shù)的創(chuàng)新，使得QGA更為完善[9]。而現(xiàn)階段的QGA均是把量子位測量值當(dāng)做是運算基礎(chǔ)，從而進行二進制模式的編程代碼的編寫，得到相對應(yīng)的二進制編碼。但是這種方式對量子種群進行進化的方式很大一部分依靠于概率，因此不確定性和盲目性較大。在對量子中群進行優(yōu)化和二級制編碼的編寫的時候，因為二進制編碼需要不斷地對數(shù)據(jù)進行編碼、解碼等操作，會導(dǎo)致我們在進行計算的時候，增加工作量[10]所以為了解決上述問題，在本文的研究中，將會以WSN節(jié)點定位問題為主要研究方向，并進行了一種以雙鏈量子結(jié)構(gòu)為基礎(chǔ)的遺傳計算方法，通過使用無線傳感器從而轉(zhuǎn)化為網(wǎng)絡(luò)數(shù)據(jù)模式進行節(jié)點的定位計算（WDQGA），處理運輸車輛無線傳感網(wǎng)絡(luò)定位問題，并進行了驗證實驗。

一、節(jié)點定位原理

節(jié)點自定位指的是在WAN中，可以根據(jù)相應(yīng)的計算方式和運算軌道，得到每個節(jié)點的都可以確定其在坐標(biāo)體系中的地理位置又或者是相對位置。在網(wǎng)絡(luò)中，因節(jié)點具有非常龐大的數(shù)目，為節(jié)約網(wǎng)絡(luò)成本等資金投入，所以只可以對該WAN中的極少一部分節(jié)點使用人工裝置和配制GPS的模式進行節(jié)點地理位置的獲取，而這一部分的節(jié)點就是我們傳統(tǒng)意義上的錨節(jié)點;在該網(wǎng)絡(luò)結(jié)構(gòu)中，除了上述提及的錨節(jié)點以外的其余階段位未知節(jié)點。在一般的情況下，錨節(jié)點通常被我們設(shè)置為參考節(jié)點，由于其地理位置是可以確定的，相比于網(wǎng)絡(luò)節(jié)點的總點數(shù)而言，參考節(jié)點所占份額非常少，利用其位置信息，未知節(jié)點可對自身位置進行計算。圖1為錨節(jié)點和未知節(jié)點，在其中S點表示為未知節(jié)點、M點位錨節(jié)點。

二、 量子遺傳算法

量子遺傳算法QGA的具體表現(xiàn)為在遺傳學(xué)的計算方法中，把量子計算方式等相關(guān)內(nèi)容含義帶入到遺傳算法中，從而使的遺傳算法更加具有量子化。對遺傳算法中的染色體進行量子化編碼，通過染色體出現(xiàn)變異突變和量子旋轉(zhuǎn)門等方式，從而變更量子種群，達到種群進化的目標(biāo)。將其與傳統(tǒng)的遺傳算法進行比較分析，可以發(fā)現(xiàn)QGA更加適用于一些種群規(guī)模數(shù)量小的模式中，問題最優(yōu)解在更短時間內(nèi)可獲得。

（一）量子比特編碼

遺傳算法中的染色體主要由基因所決定的，而在量子遺傳算法中的基因主要指的是量子比特，一個量子位通常包含0態(tài)又或者1態(tài)兩個基本態(tài)，又或者市0態(tài)和1態(tài)中的隨意組合所得到而疊加態(tài)?；虻乃膫€狀態(tài)可用兩個量子比特表示，以此類推，則通過公式（1）表示k個量子比特概率幅度：

qli=α1β1α2β2……αkβk? ?（1）

用量子比特表示量子遺傳算法基因，則此時所有可能的信息采用基因進行表達。在進行針對于某一個基因即量子比特進行操作的時候，就改變該基因的所有情況和屬性。對于我們量子遺傳算法最大一個影響就是可以具有極小的種群規(guī)模和種群基因的多樣化。

（二）量子旋轉(zhuǎn)門

通過量子遺傳的計算方法中，針對于種群染色體的更新主要是從量子旋轉(zhuǎn)門中得到的，可通過公式（2）進行計算：

α’β’=cos（θi）-sin（θi）sin（θi）cos（θi）αiβi（2）

公式中，更新前的量子比特用（αiβi）T表示;更新后的量子比特用（αi’βi’）T表示;旋轉(zhuǎn)角用θi表示，可調(diào)整角的方向和大小。

（三） 實驗結(jié)果分析

本研究通過對比WDQGA和傳統(tǒng)意義上的DV-HOP算法在計算和結(jié)果中的不同之處，對于WDQGA算法的工作性能和優(yōu)化程度進行相應(yīng)的評價。這兩種節(jié)點定位計算方式進行仿真實驗，從而分析比較結(jié)果。最后所使用的仿真結(jié)果位50次連續(xù)不斷地仿真模擬實驗，得到相應(yīng)的結(jié)果平均值，最大程度的展現(xiàn)了該仿真實驗的結(jié)果可靠性、科學(xué)性和真實性。

1.參數(shù)設(shè)置

設(shè)置WDQGA參數(shù)，可導(dǎo)致變異的概率為0.07，種群的大小均為50，在WBQEA中，轉(zhuǎn)角步長初值取為0.01，步長范圍為（0.005，0.01）。

5.3.2錨節(jié)點比率對平均定位誤差的影響

圖4為平均定位誤差與錨節(jié)點比率的關(guān)系，在100m×100m的區(qū)域中，隨機分布節(jié)點150個，節(jié)點通信半徑為R=20m，實驗中逐漸增大錨節(jié)點的比率，分別取為10%、20%、30%、40%、50%、60%、70%、80%。由圖4知，WDQGA和DV-HOP的平均定位誤差隨著網(wǎng)絡(luò)中錨節(jié)點比率的增加均逐漸減小。當(dāng)錨節(jié)點比率不斷地增加的時候，WDQGA和DV-HOP等計算方法所得到的平均定位位置誤差會出現(xiàn)不斷的下降的表現(xiàn)，而在WDQGA算法中對于該試驗車輛的平均定位誤差的數(shù)值將會遠遠地小于通過使用DV-HOP 計算方法所算得的平均定位誤差值，由此可以十分清楚和直白的展現(xiàn)了WDQGA算法中對于定位誤差值的的精準(zhǔn)程度和精密性能遠比DV-HOP算法定位高得多。

圖5為不同定位節(jié)點數(shù)的定位距離誤差，通過圖5可直觀反應(yīng)到，當(dāng)節(jié)點測量誤差為20cm的時候，當(dāng)節(jié)點數(shù)為3時，定位誤差為131m;當(dāng)節(jié)點數(shù)為7的時候，定位誤差會大幅減小，為15m。這表明當(dāng)定位節(jié)點數(shù)量增多的低吼，對于交通流通車流的定位也會更加精確，這樣就增大了非線性方程組的求解精度。

五、結(jié)論

本文結(jié)合WSN節(jié)點定位問題的特點，在處理運輸車輛無線傳感網(wǎng)絡(luò)定位問題上利用WDQGA的優(yōu)勢，并以此為基礎(chǔ)進行了設(shè)計研究，得到一種以雙鏈量子遺傳學(xué)計算方法為背景下而衍生的無線傳感器網(wǎng)絡(luò)節(jié)點定位計算方法（WDQGA），并且通過對WDQGA和DV-HOP這兩種算法定位方式進行實驗研究和分析對比.研究數(shù)據(jù)結(jié)果向我們展示了，蕩錨節(jié)點比率不斷地增加的時候，WDQGA和DV-HOP等計算方法所得到的平均定位位置誤差會出現(xiàn)不斷的下降的表現(xiàn)，而在WDQGA算法中對于該試驗車輛的平均定位誤差的數(shù)值將會遠遠地小于通過使用DV-HOP 計算方法所算得的平均定位誤差值，由此可以十分清楚和直白的展現(xiàn)了WDQGA算法中對于定位誤差值的精準(zhǔn)程度和精密性能遠比DV-HOP算法定位高得多，最大程度的增加了車輛定位的可靠性與精度。

參考文獻：

[1]田浩杉.基于量子遺傳的蒙特卡洛節(jié)點定位算法[J]，傳感器與微系統(tǒng)，2017，36（9）：125-129.

[2]樊富有，楊國武，樂千榿，等.基于量子遺傳算法的無線視頻傳感網(wǎng)絡(luò)優(yōu)化覆蓋算法[J]，通信學(xué)報，2015，36（6）：52-63.

[3]張立仿，張喜平.量子遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測[J]，計算機工程與科學(xué)，2016，38（1）：114-120.

[4]葛顯龍，許茂增，王偉鑫.多車型車輛路徑問題的量子遺傳算法研究[J]，中國管理科學(xué)，2013，21（1）：125-134.

[5]高暢.車路協(xié)同環(huán)境下的車輛無線定位方法研究[D]，北京：北京交通大學(xué)，2016.

[6]方旺盛，曾晶.基于量子遺傳算法的非測距節(jié)點定位算法研究[J]，計算機應(yīng)用與軟件，2013，30（2）：180-183.

[7]陳曉磊.基于無線傳感器網(wǎng)絡(luò)的機場車輛定位研究[D]，天津：中國民航大學(xué)，2015.

[8]陳璇，李楊.基于Zig Bee無線傳感網(wǎng)絡(luò)的車輛定位系統(tǒng)[J]，自動化應(yīng)用，2014（3）：79-80.

[9]孫曉蕾，沈勇.基于測距功能的車輛無線定位算法及精度分析[J]，汽車工業(yè)研究，2013，28（3）：57-60.

[10]喬光明.無線傳感器網(wǎng)絡(luò)在車輛定位中的研究與應(yīng)用[D]，南京：南京郵電大學(xué)，2011.