基于量子遺傳算法的運輸車輛無線傳感網絡定位技術研究

柏小三

摘? 要：結合無線傳感器網絡（WSN）節點定位問題的最顯著特征，并以此為基礎進行了設計研究，得到一種以雙鏈量子遺傳學計算方法為背景下而衍生的無線傳感器網絡節點定位計算方法（WDQGA），處理運輸車輛無線傳感網絡定位問題，對WDQGA進行實驗仿真，并和DV-HOP算法進行對比。結果向我們展示了，當錨節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不斷的下降的表現，而在WDQGA算法中對于該試驗車輛的平均定位誤差的數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了WDQGA算法中對于定位誤差值的精準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。

關鍵詞：網絡定位;車輛;無線傳感;量子遺傳算法;雙鏈

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

引言

隨著交通進一步發展，解決交通問題最有效的途徑是進行智能交通系統的建設，在城市車輛管理、交通管理、物流管理等領域發展過程中，車輛定位技術起著非常重要的作用[1]。近年來，隨著車輛定位技術發展越來越快，在許多方面取得一定的成果[2-4]。無線傳感器網絡（WSN）主要是通過大量的動態又或者是靜態等狀態之下的傳感器自身組織結合方式的差異，從而得到無線模式網絡，并且可以通過該網絡進行信息的采集、感知、傳輸、處理、監測信息[5]。智能交通系統中WSN應用廣泛，有研究在城市交通道路環境中，可以把交通道路上一些發散放置的聲音傳感定位器再利用自身組織模式轉變成無線網絡的形式進行傳播，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，從而達到對過往車輛的基本信息數據進行實時監控管理，以便對紅綠燈變換周期進行控制[7]。

在解決解決優化和并行性問題上，量子遺傳算法QGA（quantum genetic algorithm）因具有獨特優勢而廣泛受到關注[8]。在此基礎上，國內外學者通大量的數據研究和結果分析，對現如今所得到的有關于QGA的劣勢進行了相關的改進和優化，通過方法的改良和技術的創新，使得QGA更為完善[9]。而現階段的QGA均是把量子位測量值當做是運算基礎，從而進行二進制模式的編程代碼的編寫，得到相對應的二進制編碼。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據進行編碼、解碼等操作，會導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節點定位問題為主要研究方向，并進行了一種以雙鏈量子結構為基礎的遺傳計算方法，通過使用無線傳感器從而轉化為網絡數據模式進行節點的定位計算（WDQGA），處理運輸車輛無線傳感網絡定位問題，并進行了驗證實驗。

一、節點定位原理

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

二、 量子遺傳算法

量子遺傳算法QGA的具體表現為在遺傳學的計算方法中，把量子計算方式等相關內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，通過染色體出現變異突變和量子旋轉門等方式，從而變更量子種群，達到種群進化的目標。將其與傳統的遺傳算法進行比較分析，可以發現QGA更加適用于一些種群規模數量小的模式中，問題最優解在更短時間內可獲得。

（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態又或者1態兩個基本態，又或者市0態和1態中的隨意組合所得到而疊加態。基因的四個狀態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模和種群基因的多樣化。

（二）量子旋轉門

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;旋轉角用θi表示，可調整角的方向和大小。

（三） 實驗結果分析

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

1.參數設置

設置WDQGA參數，可導致變異的概率為0.07，種群的大小均為50，在WBQEA中，轉角步長初值取為0.01，步長范圍為（0.005，0.01）。

5.3.2錨節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點比率的關系，在100m×100m的區域中，隨機分布節點150個，節點通信半徑為R=20m，實驗中逐漸增大錨節點的比率，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絡中錨節點比率的增加均逐漸減小。當錨節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不斷的下降的表現，而在WDQGA算法中對于該試驗車輛的平均定位誤差的數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了WDQGA算法中對于定位誤差值的的精準程度和精密性能遠比DV-HOP算法定位高得多。

圖5為不同定位節點數的定位距離誤差，通過圖5可直觀反應到，當節點測量誤差為20cm的時候，當節點數為3時，定位誤差為131m;當節點數為7的時候，定位誤差會大幅減小，為15m。這表明當定位節點數量增多的低吼，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、結論

本文結合WSN節點定位問題的特點，在處理運輸車輛無線傳感網絡定位問題上利用WDQGA的優勢，并以此為基礎進行了設計研究，得到一種以雙鏈量子遺傳學計算方法為背景下而衍生的無線傳感器網絡節點定位計算方法（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.研究數據結果向我們展示了，蕩錨節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不斷的下降的表現，而在WDQGA算法中對于該試驗車輛的平均定位誤差的數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了WDQGA算法中對于定位誤差值的精準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點定位算法[J]，傳感器與微系統，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絡優化覆蓋算法[J]，通信學報，2015，36（6）：52-63.

[3]張立仿，張喜平.量子遺傳算法優化BP神經網絡的網絡流量預測[J]，計算機工程與科學，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，2013，21（1）：125-134.

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

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

[7]陳曉磊.基于無線傳感器網絡的機場車輛定位研究[D]，天津：中國民航大學，2015.

[8]陳璇，李楊.基于Zig Bee無線傳感網絡的車輛定位系統[J]，自動化應用，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]，汽車工業研究，2013，28（3）：57-60.

[10]喬光明.無線傳感器網絡在車輛定位中的研究與應用[D]，南京：南京郵電大學，2011.