基于改進(jìn)SSA的DV-Hop傳感器定位算法

劉瑞興,段中興

(西安建筑科技大學(xué) 信息與控制工程學(xué)院， 西安 710055)

1 引言

無(wú)線(xiàn)傳感器網(wǎng)絡(luò)(WSN)是當(dāng)今物聯(lián)網(wǎng)領(lǐng)域的研究熱點(diǎn)，它由多個(gè)具有數(shù)據(jù)采集、分析和處理能力以及信息發(fā)送和接收能力的微型傳感器節(jié)點(diǎn)組成。由于WSN中傳感器節(jié)點(diǎn)的部署位置可以隨時(shí)改變，靈活的對(duì)某些特定區(qū)域進(jìn)行實(shí)時(shí)監(jiān)測(cè)，在實(shí)際中如森林火災(zāi)預(yù)警、天然氣管道泄漏、國(guó)防安全保衛(wèi)工作等諸多領(lǐng)域得到了廣泛應(yīng)用。多數(shù)的WSN應(yīng)用需要獲得節(jié)點(diǎn)的位置信息，不含位置信息的數(shù)據(jù)往往是無(wú)用的。因此，WSN技術(shù)中節(jié)點(diǎn)定位問(wèn)題成為了重點(diǎn)研究?jī)?nèi)容。WSN中傳感器節(jié)點(diǎn)定位技術(shù)分為兩類(lèi)：第一類(lèi)基于測(cè)距，定位精度高，目前該類(lèi)型的方法主要有TOA、TDOA、RSSI等；第二類(lèi)非測(cè)距，不需要進(jìn)行實(shí)際物理測(cè)量，主要方法有Centroid，Amorphous，DV-Hop等，缺點(diǎn)是定位精度較低。其中，DV-Hop算法作為目前應(yīng)用較廣的定位算法之一，算法功耗小且適應(yīng)性較強(qiáng)等特點(diǎn)可以滿(mǎn)足大部分實(shí)際應(yīng)用的定位需求，得到更多的研究。

傳統(tǒng)的DV-Hop定位算法精度較低，研究學(xué)者對(duì)DV-Hop改進(jìn)思路有2種：修正節(jié)點(diǎn)間的最小跳數(shù)和平均跳距；優(yōu)化未知節(jié)點(diǎn)的位置。文獻(xiàn)[10]引入遺傳算法(GA)對(duì)跳數(shù)信標(biāo)節(jié)點(diǎn)加權(quán)處理優(yōu)化平均跳距，但是定位精度提升不足；文獻(xiàn)[11]引入多通道半徑細(xì)化節(jié)點(diǎn)間的最小跳數(shù)，提高定位精度，但是信標(biāo)節(jié)點(diǎn)的多次廣播加劇了傳感器的能量消耗；文獻(xiàn)[12]采用多通信半徑方式和距離誤差和跳數(shù)歸一化優(yōu)化最小跳數(shù)和平均跳距，并利用改進(jìn)蝙蝠算法(BA)定位未知節(jié)點(diǎn)，提高了算法定位精度，但是增加了算法的復(fù)雜度，收斂速度變慢；文獻(xiàn)[13]將斯蒂芬森迭代模型與傳統(tǒng)的DV-Hop算法相融合，利用DV-Hop算法粗定位結(jié)果作為初值帶入史蒂芬森模型得到最優(yōu)估計(jì)位置，提高了算法精度，加快收斂速度，但是該算法僅僅針對(duì)DV-Hop的第3階段進(jìn)行改進(jìn)，有很大的提升空間。針對(duì)上述研究存在的問(wèn)題，提出一種基于改進(jìn)SSA的DV-Hop傳感器定位算法來(lái)提高定位精度。

2 DV-Hop算法誤差分析與改進(jìn)

2.1 傳統(tǒng)DV-Hop算法原理

DV-Hop算法由Niculescu等提出，具體過(guò)程可以分為3個(gè)階段：

第1階段：信標(biāo)節(jié)點(diǎn)通過(guò)泛洪向WSN網(wǎng)絡(luò)中廣播自身信息如圖1所示，接收節(jié)點(diǎn)將收到的信息自建表格記錄并根據(jù)廣播不斷更新表格，泛洪結(jié)束得到所有節(jié)點(diǎn)到信標(biāo)節(jié)點(diǎn)的最小跳數(shù)。

第2階段：利用式(1)計(jì)算出信標(biāo)節(jié)點(diǎn)間的平均跳距。

(1)

式中: (,),(,)是信標(biāo)節(jié)點(diǎn)的坐標(biāo)；是信標(biāo)節(jié)點(diǎn),之間的跳數(shù)。未知節(jié)點(diǎn)將接收到第一個(gè)平均跳距信息作為自己的平均跳距，并通過(guò)式(2)計(jì)算其到信標(biāo)節(jié)點(diǎn)的距離。

=×

(2)

第3階段：采用最小二乘法計(jì)算未知節(jié)點(diǎn)的位置坐標(biāo)。

信標(biāo)節(jié)點(diǎn)編碼信標(biāo)節(jié)點(diǎn)坐標(biāo)(x,y)跳數(shù)h

2.2 DV-Hop算法誤差來(lái)源

DV-Hop算法誤差主要來(lái)自以下3個(gè)方面：

1) 針對(duì)算法第1階段進(jìn)行分析，發(fā)現(xiàn)跳數(shù)是通過(guò)節(jié)點(diǎn)間的通信來(lái)完成的，相鄰節(jié)點(diǎn)間相互感知到，即跳數(shù)為1，定義1跳的距離為通信半徑。如圖2(a)所示，跳數(shù)為1的實(shí)際距離明顯不是通信半徑，這樣選擇就會(huì)造成引入跳數(shù)誤差。圖中信標(biāo)節(jié)點(diǎn)能與節(jié)點(diǎn)、、、進(jìn)行通信，=1,=1,=1,=2，但是、、的距離相差較大，之間跳數(shù)記作2，對(duì)信標(biāo)節(jié)點(diǎn)平均跳距影響較大，這種計(jì)算跳數(shù)的機(jī)制導(dǎo)致產(chǎn)生誤差。

2) 平均跳距的選擇不能通過(guò)單一的信標(biāo)節(jié)點(diǎn)反應(yīng)實(shí)際現(xiàn)象，這樣選擇忽略了其他信標(biāo)節(jié)點(diǎn)的信息，在異構(gòu)網(wǎng)絡(luò)中，未知節(jié)點(diǎn)的選擇不能反應(yīng)真實(shí)的跳距。

3) 最小二乘法估計(jì)未知節(jié)點(diǎn)的位置會(huì)帶來(lái)累計(jì)誤差。

圖2 多通信半徑跳數(shù)計(jì)算示意圖Fig.2 Multi-communication radius hop calculation

2.3 最小跳數(shù)修正

誤差分析可以看出，節(jié)點(diǎn)之間的距離遠(yuǎn)近不同，只有將通信半徑分級(jí)細(xì)化，才能更好地精確跳數(shù)。因此，提出了一種多通信半徑優(yōu)化節(jié)點(diǎn)間的跳數(shù)值。

如圖2(b)所示建立模型，假設(shè)網(wǎng)絡(luò)中信標(biāo)節(jié)點(diǎn)通信半徑為，將節(jié)點(diǎn)間劃分級(jí)，網(wǎng)絡(luò)中節(jié)點(diǎn)實(shí)際距離為，跳數(shù)記作,∈[1,]。

如式(3)所示，取=40,=4，如圖2(c)所示=14,=12,=34,=1,=+=54，鄰近信標(biāo)節(jié)點(diǎn)跳數(shù)值是精確的小數(shù)，細(xì)化了跳數(shù)值提高跳數(shù)的準(zhǔn)確性，減小定位誤差。

(3)

最小跳數(shù)修正算法流程如下：

輸入：設(shè)定,值，令=1；

輸出：信標(biāo)節(jié)點(diǎn)、未知節(jié)點(diǎn)最小跳數(shù)。

Begin

初始化網(wǎng)絡(luò)；

For=1:

利用式(3)更新廣播半徑；

信標(biāo)節(jié)點(diǎn)以()為半徑通過(guò)泛洪向WSN網(wǎng)絡(luò)中廣播自身信息，接收節(jié)點(diǎn)將收到的信息自建表格記錄，若沒(méi)有則接收，但不轉(zhuǎn)發(fā)；

=+1；

if>

break；

信標(biāo)節(jié)點(diǎn)以為半徑通過(guò)泛洪向WSN網(wǎng)絡(luò)中廣播自身信息，接收節(jié)點(diǎn)將收到的信息自建表格記錄，最后將跳數(shù)值加1轉(zhuǎn)發(fā)到網(wǎng)絡(luò)中；

end

End

通過(guò)多次仿真實(shí)驗(yàn)得出∈[2,5]之間比較合適。值過(guò)大導(dǎo)致泛洪廣播會(huì)極大消耗節(jié)點(diǎn)的能量，減少網(wǎng)絡(luò)壽命，值過(guò)小導(dǎo)致跳數(shù)誤差大，所以綜合考慮節(jié)點(diǎn)定位精度與壽命，仿真實(shí)驗(yàn)將選用=4作為通信半徑用來(lái)分級(jí)廣播。

誤差分析可以看出，節(jié)點(diǎn)之間距離遠(yuǎn)近不同，只有將通信半徑分級(jí)細(xì)化，才能更好的精確跳數(shù)。

2.4 平均跳距校正

DV-Hop算法的誤差主要是由于信標(biāo)節(jié)點(diǎn)的平均跳距不準(zhǔn)確造成的，提出采用加權(quán)平均值對(duì)信標(biāo)節(jié)點(diǎn)平均跳距誤差進(jìn)行校正。具體流程如下：

Step 1 初始化網(wǎng)絡(luò)中設(shè)定信標(biāo)節(jié)點(diǎn)的數(shù)目；計(jì)算網(wǎng)絡(luò)中所有信標(biāo)節(jié)點(diǎn)的平均跳距記作，計(jì)算方式如式(4)所示：

(4)

Step 2 誤差1通過(guò)第2階段信標(biāo)節(jié)點(diǎn)平均跳距與步驟1中的計(jì)算，如式(5)所示：

1=(-)

(5)

(6)

Step 4 全面考慮信標(biāo)節(jié)點(diǎn)的誤差來(lái)源，將Step 2、Step 3計(jì)算出的誤差系數(shù)利用式(7)計(jì)算作為其余信標(biāo)節(jié)點(diǎn)的權(quán)值。

(7)

Step 5 再次計(jì)算信標(biāo)節(jié)點(diǎn)的平均跳距，計(jì)算信標(biāo)節(jié)點(diǎn)的平均跳距方案如下：

1) 信標(biāo)節(jié)點(diǎn),兩節(jié)點(diǎn)間的平均跳距為如式(8)所示。

(8)

2) 修正信標(biāo)節(jié)點(diǎn)的平均跳距是信標(biāo)節(jié)點(diǎn)與其余個(gè)信標(biāo)節(jié)點(diǎn)的平均跳距加權(quán)，=1,2,…,-1，表示信標(biāo)節(jié)點(diǎn)的權(quán)值，具體如式(9)所示。

(9)

2.5 建立目標(biāo)函數(shù)

根據(jù)第1、2階段得到的估計(jì)距離，將定位問(wèn)題轉(zhuǎn)化為求解坐標(biāo)方程如式(10)所示：

(10)

式中:,,…,表示未知節(jié)點(diǎn)(,)與信標(biāo)節(jié)點(diǎn)(,),(,),…,(,)之間的距離。第1、2階段的測(cè)距誤差為,,…,要求解未知節(jié)點(diǎn)(,)，只須使式(11)中的(,)最小，得到的誤差值將最小。(,)可以被看作非線(xiàn)性函數(shù)進(jìn)行求解:

(11)

非線(xiàn)性?xún)?yōu)化問(wèn)題中，首先需要建立一個(gè)目標(biāo)函數(shù)來(lái)求解。本文中目標(biāo)函數(shù)如式(12)所示:

(12)

式中：為麻雀?jìng)€(gè)體的適應(yīng)度值；(,)為未知節(jié)點(diǎn)位置；(,)為信標(biāo)節(jié)點(diǎn)的位置；為兩者之間的距離。

3 改進(jìn)麻雀搜索算法

3.1 麻雀搜索算法

麻雀搜索算法(SSA)是一種模擬麻雀種群覓食、逃避捕食者行為的啟發(fā)式算法，基本思想：初始化種群數(shù)量為存在于維搜索空間的麻雀種群，則=[1,2,…]，=1,2,…,=1,2,…，表示第只麻雀在維搜索空間中的位置。

麻雀群體中發(fā)現(xiàn)者起主導(dǎo)作用，引領(lǐng)種群不斷探索尋找食物，位置更新如式(13)所示：

(13)

跟隨者依托發(fā)現(xiàn)者尋找食物，并可能和發(fā)現(xiàn)者爭(zhēng)奪食物，提高自己捕食率，其位置更新如式(14)所示：

(14)

假設(shè)預(yù)警者約占麻雀種群的10～20，初始位置隨機(jī)，則位置更新如式(15)所示:

(15)

3.2 改進(jìn)麻雀搜索算法

3.2.1 精英反向?qū)W習(xí)策略

反向?qū)W習(xí)是Tizhoosh等在2005年提出的，通過(guò)研究得到反向解有時(shí)比原始解更能得到種群的最優(yōu)值。精英反向?qū)W習(xí)是針對(duì)反向?qū)W習(xí)策略生成的反向解不一定比原始解更容易搜索到全局最優(yōu)解這一問(wèn)題提出的。

(16)

(17)

使用精英反向解對(duì)麻雀種群進(jìn)行初始化時(shí)，對(duì)于原始麻雀目標(biāo)函數(shù)值小于反向解麻雀，若對(duì)其反向區(qū)域進(jìn)行搜索，降低種群的收斂速度。因此，文中將精英反向?qū)W習(xí)策略引入到SSA對(duì)DV-Hop定位算法進(jìn)行優(yōu)化，將原始麻雀與反向解麻雀的適應(yīng)度值相對(duì)比，保留種群較優(yōu)的麻雀?jìng)€(gè)體可以擴(kuò)大種群的搜索范圍，避免盲目搜索也提高了算法的收斂速度。

3.2.2 發(fā)現(xiàn)者-跟隨者自適應(yīng)調(diào)整

原始SSA算法中，發(fā)現(xiàn)者和跟隨者的數(shù)目比例是恒定的，這將導(dǎo)致在種群迭代前期，發(fā)現(xiàn)者的數(shù)目相對(duì)較少，缺乏引導(dǎo)種群全局探索的能力；后期，跟隨者數(shù)目較少，缺少精確局部搜索的能力。因此，文中提出發(fā)現(xiàn)者-跟隨者自適應(yīng)調(diào)整策略，算法在開(kāi)始階段，擁有較多的發(fā)現(xiàn)者，隨著迭代次數(shù)的增加，發(fā)現(xiàn)者的數(shù)目自適應(yīng)減少，跟隨者的數(shù)目增多，逐步從全局搜索轉(zhuǎn)為局部精確搜索，從整體上提高算法的收斂精度。發(fā)現(xiàn)者和跟隨者數(shù)目調(diào)整如式(19)、式(20)所示。

(18)

=·

(19)

=(1-)·

(20)

其中：為發(fā)現(xiàn)者數(shù)目；為跟隨者數(shù)目；為比例系數(shù)，用于控制發(fā)現(xiàn)者和跟隨者之間的數(shù)目；為擾動(dòng)偏離因子，對(duì)非線(xiàn)性遞減的值進(jìn)行擾動(dòng)；∈(0,1)的隨機(jī)數(shù)。

323 柯西變異擾動(dòng)策略

柯西變異取自連續(xù)型概率的柯西分布，主要特點(diǎn)為零處峰值較小，峰值到零值下降緩慢，使變異范圍更均勻。變異如式(21)所示：

()=(1+tan(π(-05)))·

(21)

式中：為原來(lái)個(gè)體位置，()經(jīng)過(guò)柯西變異后的個(gè)體位置，∈(0,1)隨機(jī)數(shù)。

3.3 ISSADV-Hop算法流程

ISSADV-Hop算法是針對(duì)傳統(tǒng)DV-Hop算法精度不高提出的，引入多通信半徑優(yōu)化節(jié)點(diǎn)間的跳數(shù)值；同時(shí)使用誤差加權(quán)平均值，修正原始跳距；最后使用ISSA對(duì)未知節(jié)點(diǎn)進(jìn)行定位。ISSADV-Hop具體算法實(shí)現(xiàn)流程：

1初始化網(wǎng)絡(luò)區(qū)域，節(jié)點(diǎn)總數(shù)、信標(biāo)節(jié)點(diǎn)和未知節(jié)點(diǎn)數(shù)目，隨機(jī)初始化節(jié)點(diǎn)位置，通信半徑，初始跳數(shù)=0，循環(huán)次數(shù)；

2利用改進(jìn)后DV-Hop算法得到最小跳數(shù)和平均跳距，然后按照式(2)計(jì)算出未知節(jié)點(diǎn)到信標(biāo)節(jié)點(diǎn)之間的距離；

3麻雀種群初始化，確定種群數(shù)量，設(shè)置迭代次數(shù)，安全閾值，比例系數(shù)，擾動(dòng)偏離因子，以及種群的搜索范圍和維數(shù)；

4引入精英反向?qū)W習(xí)策略初始化種群麻雀?jìng)€(gè)體的位置，根據(jù)式(16)、式(17)按照要求對(duì)種群進(jìn)行反向求解，進(jìn)行適應(yīng)度值的比較篩選出精英種群；

5根據(jù)式(19)、式(20)計(jì)算發(fā)現(xiàn)者和跟隨者數(shù)量；

6根據(jù)式(13)～式(15)更新發(fā)現(xiàn)者、跟隨者和警戒者位置；

7位置更新后，對(duì)種群加入柯西變異擾動(dòng)，根據(jù)式(21)計(jì)算出擾動(dòng)后麻雀的適應(yīng)度值與前者比較，保留適應(yīng)度值低的麻雀種群，然后記錄當(dāng)前種群的最優(yōu)個(gè)體的位置；

8循環(huán)步驟5、6、7直到達(dá)到，得到麻雀種群中全局最優(yōu)位置，也就是未知節(jié)點(diǎn)的近似位置。

ISSADV-Hop算法流程如圖3所示。

圖3 ISSADV-Hop算法的流程框圖Fig.3 ISSADV-Hop algorithm flow

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

對(duì)ISSADV-Hop算法進(jìn)行仿真和測(cè)試，實(shí)驗(yàn)環(huán)境在MATLAB2018b上運(yùn)行。應(yīng)用文中算法與傳統(tǒng)DV-Hop算法相互之間進(jìn)行比較，實(shí)驗(yàn)使用系統(tǒng)Window10，CPU：i5-6300U @ 2.40 GHz，RAM：4 GB，實(shí)驗(yàn)網(wǎng)絡(luò)環(huán)境參數(shù)和ISSA參數(shù)初始值的設(shè)置見(jiàn)表1和表2。

表1 實(shí)驗(yàn)網(wǎng)絡(luò)環(huán)境參數(shù)Table 1 Network environment construction

表2 ISSA參數(shù)初始值Table 2 The initial values of the parameters of ISSA

如式(22)所示，實(shí)驗(yàn)本身存在偶然性，為了減小誤差，文中將實(shí)驗(yàn)重復(fù)200次計(jì)算平均值來(lái)得到最終結(jié)果。

(22)

式中：(,),(′,′)分別表示未知節(jié)點(diǎn)原始位置和實(shí)驗(yàn)定位出來(lái)的位置，表示實(shí)驗(yàn)使用的未知節(jié)點(diǎn)的數(shù)目，表示通信半徑。查閱能耗資料，設(shè)定通信半徑為30 m，節(jié)點(diǎn)數(shù)目設(shè)為100個(gè)，信標(biāo)節(jié)點(diǎn)設(shè)為30個(gè)，與DV-Hop算法進(jìn)行比較，進(jìn)行200次仿真實(shí)驗(yàn)結(jié)果對(duì)比，結(jié)果如圖4所示。

通過(guò)傳統(tǒng)DV-Hop算法與文中提出ISSADV-Hop算法在相同實(shí)驗(yàn)條件下進(jìn)行計(jì)算，圖4(a)為節(jié)點(diǎn)初始化分布圖；圖4(b)為DV-Hop算法誤差圖，可以看出偏差大；圖4(c)為本文中ISSADV-Hop算法定位出實(shí)際位置和估計(jì)未知的數(shù)據(jù)，可以清楚的看到改進(jìn)后算法定位精度有大幅度提升；圖4(d)為循環(huán)200次的誤差，可以清楚的看到原始算法定位誤差在0.3019，改進(jìn)后算法精度保持在0.105 5，相比于改進(jìn)前歸一化定位誤差降低了19.64%，定位精度有顯著的提升。

為了進(jìn)一步研究參數(shù)不同對(duì)定位精度的影響，將文中改進(jìn)算法與DV-Hop、SSADV-Hop和IGWODV-Hop三種算法相對(duì)比進(jìn)行仿真，通過(guò)改變通信半徑、節(jié)點(diǎn)數(shù)量和信標(biāo)節(jié)點(diǎn)數(shù)分別進(jìn)行實(shí)驗(yàn)驗(yàn)證。

圖4 節(jié)點(diǎn)初始化ISSADV-Hop、DV-Hop誤差與迭代200次誤差圖Fig.4 ISSADV-Hop and DV-Hop error comparison

4.2 通信半徑的影響

實(shí)驗(yàn)中部署節(jié)點(diǎn)數(shù)量為100個(gè)，信標(biāo)節(jié)點(diǎn)數(shù)為30個(gè)，通信半徑設(shè)置為20～50 m。實(shí)驗(yàn)結(jié)果如圖5所示，隨著網(wǎng)絡(luò)中通信半徑的增大可以提高算法的定位精度，通信半徑的增加一定程度上可以為網(wǎng)絡(luò)中傳感器之間進(jìn)行信息交流，改善網(wǎng)絡(luò)中傳感器的定位精度。與DV-Hop、IGWODV-Hop、SSADV-Hop算法相比，ISSADV-Hop算法歸一化定位誤差分別降低了7.54%、12.77%和5.48%。

圖5 變通信半徑對(duì)定位精度的影響曲線(xiàn)Fig.5 The influence of variable communication radius on positioning accuracy

4.3 節(jié)點(diǎn)數(shù)量的影響

實(shí)驗(yàn)中保持節(jié)點(diǎn)通信半徑30 m不變，信標(biāo)節(jié)點(diǎn)比例設(shè)為30%，節(jié)點(diǎn)數(shù)量設(shè)置在50～300個(gè)之間。從圖6可以看出，增加節(jié)點(diǎn)數(shù)量可以改善網(wǎng)絡(luò)的連通信，改善網(wǎng)絡(luò)中傳感器的定位精度。與DV-Hop、IGWODV-Hop、SSADV-Hop算法相比，ISSADV-Hop算法歸一化定位誤差分別降低了22.89%、14.46%和8.51%。

圖6 變節(jié)點(diǎn)數(shù)目對(duì)定位誤差的影響曲線(xiàn)Fig.6 The effect of changing the number of nodes on positioning error

4.4 信標(biāo)節(jié)點(diǎn)的影響

實(shí)驗(yàn)中保持節(jié)點(diǎn)通信半徑30 m不變，節(jié)點(diǎn)數(shù)量設(shè)置為100個(gè)之間信標(biāo)節(jié)點(diǎn)數(shù)為10～40個(gè)。實(shí)驗(yàn)結(jié)果如圖7所示，隨著信標(biāo)節(jié)點(diǎn)數(shù)量的不斷增加提高了算法精度，這是由于信標(biāo)節(jié)點(diǎn)數(shù)的增加精確了信標(biāo)節(jié)點(diǎn)平均跳距。與DV-Hop、IGWODV-Hop、SSADV-Hop算法相比，ISSADV-Hop算法歸一化定位誤差分別降低了20.06%、12.95%和6.81%。

圖7 變信標(biāo)節(jié)點(diǎn)對(duì)定位誤差的影響曲線(xiàn)Fig.7 The influence of variable beacon nodes on positioning error

4.5 定位耗時(shí)

實(shí)驗(yàn)構(gòu)建過(guò)程，先通過(guò)跳數(shù)值和平均跳距的優(yōu)化。然后使用精英反向?qū)W習(xí)構(gòu)建麻雀種群、自適應(yīng)策略以及添加擾動(dòng)優(yōu)化麻雀搜索算法來(lái)定位未知節(jié)點(diǎn)?？梢园l(fā)現(xiàn)計(jì)算量的增加主要是由于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)量確定。

選取100 m×100 m的網(wǎng)絡(luò)區(qū)域，通信半徑為30 m，信標(biāo)節(jié)點(diǎn)的比例為30%，節(jié)點(diǎn)數(shù)量設(shè)置在50～200個(gè)之間，迭代100次。本文算法與DV-Hop、SSADV-Hop和IGWODV-Hop三種算法相對(duì)比進(jìn)行仿真，仿真消耗時(shí)間如表3所示。

表3 不同節(jié)點(diǎn)數(shù)量中4種算法的平均定位時(shí)間Table 3 Average positioning time of 4 algorithms in different numbers of nodes

表3中數(shù)據(jù)可以看出，節(jié)點(diǎn)數(shù)量和運(yùn)行時(shí)間基本成比例上升。在物聯(lián)網(wǎng)應(yīng)用領(lǐng)域中，無(wú)線(xiàn)傳感器一般都有較強(qiáng)的壽命更換周期較長(zhǎng)，剛安裝完畢也需要調(diào)試，所以文中提供的定位算法消耗的時(shí)間在可以承受范圍內(nèi)。而且，雖然文中提出的算法運(yùn)行時(shí)間較長(zhǎng)，但I(xiàn)SSADV-Hop算法極大的提升定位精度，這在定位算法評(píng)價(jià)指標(biāo)中起著決定性的作用。

5 結(jié)論

利用提出的多通信半徑方式優(yōu)化節(jié)點(diǎn)間的跳數(shù)值，使跳數(shù)值更加精確；采用加權(quán)平均值校正平均跳距的誤差。使用改進(jìn)后的麻雀搜索算法對(duì)未知節(jié)點(diǎn)的位置進(jìn)行估計(jì)，并優(yōu)化了DV-Hop算法的總體框架，減小位置偏差提升定位精度。采用具體的仿真實(shí)例，與傳統(tǒng)DV-Hop平均值比較精度有較大提高。

通過(guò)改變實(shí)驗(yàn)參數(shù)中不同因素對(duì)實(shí)驗(yàn)精度的影響，比傳統(tǒng)的DV-Hop、SSADV-Hop和IGWODV-Hop算法更有效提升了定位精度。對(duì)比上述4種算法的定位耗時(shí)，文中提出的改進(jìn)算法增加了一定的運(yùn)行定位時(shí)間，后期研究工作將重點(diǎn)關(guān)注降低算法計(jì)算量和復(fù)雜度。