基于雙移動錨節(jié)點的無線傳感器網(wǎng)絡定位算法

崔煥慶，趙君宜，羅漢江

(山東科技大學 計算機科學與工程學院，山東 青島 266590)

0 引 言

本文主要針對移動錨節(jié)點輔助定位算法進行研究。目前，已經(jīng)有學者對相關(guān)算法進行了研究。SLMAT[1]，H-Curves[2]和M-Curves[3]均使用單個錨節(jié)點掃描部署區(qū)域。∑-SCAN[4]對Z-Curves和SCAN進行了改進，提高了定位精度。SSD[5]通過減少虛擬錨節(jié)點來節(jié)省能耗。GSCAN[6]、GTURN和PP-MMAN[7]均使用3個移動錨節(jié)點，并使虛擬錨節(jié)點成等邊三角形分布，提高了定位精度。其中，GSCAN的虛擬錨節(jié)點數(shù)量較多，而GTURN的路徑較長。文獻[8，9]設計路徑的目的均為減少共線錨節(jié)點的數(shù)量，提高定位精度。

目前，元啟發(fā)式優(yōu)化算法已經(jīng)非常普遍，并且也廣泛應用于無線傳感器網(wǎng)絡定位中的未知節(jié)點位置估計。MGDV-Hop[10]利用混合策略對螢火蟲群優(yōu)化算法進行了改進，提高未知節(jié)點的定位精度。文獻[11]使用粒子群優(yōu)化算法(particle swarm optimization，PSO)來估計未知節(jié)點的位置。文獻[12]采用鯨魚優(yōu)化算法對接收信號強度與信號傳輸距離之間的關(guān)系公式進行優(yōu)化，降低了測量誤差。文獻[13]提出了一種新的非視距的定位算法，并通過改進的粒子群優(yōu)化算法估算目標的位置。文獻[14]使用改進的灰狼優(yōu)化算法估計未知節(jié)點的坐標。文獻[15]將改進樽海鞘群算與DV-Hop結(jié)合，提高了定位精度。

本文的主要貢獻有：

(1)設計了一種雙移動錨節(jié)點協(xié)作的路徑規(guī)劃算法DASCAN(Dual-Anchor SCAN)，縮短了路徑長度并且使用較少的虛擬錨節(jié)點，降低了能耗。

(2)使用加權(quán)質(zhì)心算法和鯨魚優(yōu)化算法估算未知節(jié)點的坐標，提高了定位精度。

1 系統(tǒng)模型

在無線傳感器網(wǎng)絡中，已知自身位置的節(jié)點稱為錨節(jié)點，其它節(jié)點稱為未知節(jié)點，錨節(jié)點分為靜態(tài)錨節(jié)點和移動錨節(jié)，后者在移動過程中需定期廣播自身位置等信息。錨節(jié)點廣播的這些信息稱為虛擬錨節(jié)點。假設無線傳感器網(wǎng)絡由NU個部署在高H、寬L的矩形區(qū)域內(nèi)的未知節(jié)點組成。第i個節(jié)點Ui的真實坐標為(xi，yi)，利用定位算法求得的估計坐標為 (i，i)。 兩個移動錨節(jié)點分別記為MA1、MA2，它們廣播的虛擬錨節(jié)點信息包含實時位置和發(fā)送信號強度兩個字段。

在RSSI測距中，無線信號在傳播過程中強度會隨著距離的增加而降低，并且會受到環(huán)境因素的影響。通常假設在理想的自由空間中，RSSI與發(fā)送器和接收器之間的距離的平方成反比。令Pr(d)表示在距離d處的接收功率，其值遵循弗里斯方程

Pr(d)=(λ4πd)2PtGtGr

(1)

其中，Pt是發(fā)射功率，Gt和Gr分別是發(fā)射和接收天線的天線增益，λ是發(fā)射器信號的波長(以米為單位)。

但實際上，一些因素(例如陰影和反射)可能會影響無線電信號的傳播以及接收功率，因素取決于環(huán)境并且是不可預測的。由于無法精確跟蹤陰影效果，因此通常將其建模為對數(shù)正態(tài)分布的隨機變量。考慮到隨機性，信號強度根據(jù)冪定律隨距離而減小。一種用于無線電的模型如式(2)所示

Pr(d)=P0(d0)-η10log10(dd0)+Xσ

(2)

其中，P0(d0) 表示在某個參考距離d0處的接收功率，η表示路徑損耗指數(shù)，Xσ表示對數(shù)正態(tài)隨機變量，其方差為σ2。通過該模型，距離d的最大似然估計如式(3)所示

d^=d0(PrP0(d0))(-1/|η)

(3)

假設錨節(jié)點與未知節(jié)點的通信范圍是一個半徑為R的圓。實際應用中，傳感器節(jié)點的信號傳播容易受周圍環(huán)境的影響，通信范圍不是一個規(guī)則的圓，所以將通信信號不規(guī)則度(degree of irregularity，DOI)加入到無線通信傳播模型中。DOI表征了無線電射程受多徑、陰影等衰弱影響而導致的傳輸范圍的各向異性，數(shù)值越高表示傳輸范圍受環(huán)境影響越嚴重，其定義如式(4)所示

(4)

其中，Ki是第i個方向上的不規(guī)則度，Rand是在[0，1]內(nèi)服從均勻分布的隨機數(shù)，N是正整數(shù)集合。

使用定位算法定位的未知節(jié)點個數(shù)占未知節(jié)點總數(shù)的比例稱為定位率LR，即

LR=NldNU

(5)

其中，Nld表示被定位節(jié)點的個數(shù)。平均定位誤差e為

e=1Nld∑Nldi=1(xi-i)2+(yi-i)2

(6)

2 本文算法

2.1 錨節(jié)點路徑規(guī)劃算法

為了更合理地部署虛擬錨節(jié)點，先將監(jiān)視區(qū)域進行網(wǎng)格狀劃分。縱向上等間距劃分為n+1行，并從下向上依次編號為第0、1、2、……、n行，相鄰兩行之間的間距為h，即每個單元格的高為h。橫向上等間距劃分m+1列，從左向右依次編號為第0、1、2、……、m列，相鄰兩列之間的間距為d，即每個單元格的寬為d，網(wǎng)格劃分和虛擬錨節(jié)點部署結(jié)果如圖1所示。

圖1 部署區(qū)域劃分及虛擬錨節(jié)點位置

DASCAN要求奇數(shù)行和偶數(shù)行采用不同的部署方式。在圖1中，偶數(shù)行和奇數(shù)行的虛擬錨節(jié)點分別用A和B表示。 ΔAi，jAi，j+1Bi+1，j和ΔAi，jAi，j+1Bi-1，j是等邊三角形。因此，h=32d。 以左下角為坐標原點(0，0)，第i行的虛擬錨節(jié)點坐標為：

(1)i≤n且為偶數(shù)時，Ai，j=(j×d，i×h)， 其中j=0，1，2，…，m。

(2)i≤n且為奇數(shù)時，Bi，k=((k+12)×d，i×h)， 其中k=0，1，2，…，m-1。

如果僅用一個移動錨節(jié)點，則需要交替遍歷偶數(shù)行和奇數(shù)行，路徑較長。所以DASCAN采用兩個移動錨節(jié)點以分別遍歷偶數(shù)行和奇數(shù)行的虛擬錨節(jié)點。算法1給出了DASCAN算法。

算法1：路徑規(guī)劃算法

輸入：H、L、h、d。

輸出：MA1、MA2的移動路徑

(1) Put MA1and MA2inA0,0andB0,0

(2) SetList1←Φ,List2←Φ

(3)flag←1,i←0,j←1,k←0

(4)whilei

(5)ifflag=1

(6)List1←List1∪{Ai,0,Ai,1,…,Ai,m}

(7)List2←List2∪{Bi+1,0,Bi+1,1,…,Bi+1,m-1}

(8)flag←2

(9)elseifflag=2

(10)List1←List1∪{Ai,m,Ai,m-1,…,Ai,0}

(11)List2←List2∪{Bi+1,m-1,Bi+1,m-2,…,Bi+1,0}

(12)flag←1

(13)endif

(14)i←i+2

(15)endwhile

(16)ifn%2=0 &&flag=1

(17)List1←List1∪{An,0,An,1,…,An,m}

(18)elseifn%2=0 &&flag=2

(19)List1←List1∪{An,m,An,m-1,…,An,0}

(20)endif

算法1中，List1、List2分別用來儲存MA1、MA2遍歷的虛擬錨節(jié)點列表。第(1)～第(3)行初始化各變量，第(4)～第(15)行計算List1和List2，其中flag=1表示錨節(jié)點從左向右移動(第(5)～第(8)行)，flag=2表示錨節(jié)點從右向左移動(第(9)～第(13)行)。當n為偶數(shù)時，MA1需要額外遍歷最后一行，移動方向取決于此時flag的值(第(16)～第(20)行)。

算法1生成的4種移動路徑如圖2所示，其中“flag值”是指執(zhí)行到第(16)行時flag的值。算法1執(zhí)行結(jié)束后，MA1和MA2分別沿List1、List2遍歷整個部署區(qū)域，并在指定虛擬錨節(jié)點處廣播信息。

圖2 算法1產(chǎn)生的4種不同路徑

2.2 鯨魚優(yōu)化算法

鯨魚智能優(yōu)化算法是2016年由澳大利亞格里菲斯大學的Mirjalili等提出的一種新的群體智能優(yōu)化算法，該算法具有實現(xiàn)簡單、參數(shù)少以及不易陷入局部最優(yōu)等優(yōu)點。

在鯨魚優(yōu)化算法中，每個鯨魚被看作是一個可行解。鯨魚在狩獵時，會沿著“9”字形或者圓形路徑吐出氣泡包圍獵物，這種狩獵行為稱為bubble-net捕食策略。該算法包括環(huán)繞獵物、螺旋泡泡網(wǎng)獵食以及搜索獵物3個階段。

在狩獵階段，WOA假設當前算法的最優(yōu)解為目標獵物，其它鯨魚個體會向著當前適應度值最佳的鯨魚的位置移動，該行為的數(shù)學模型如下所示

D=|C·X*(t)-X(t)|

(7)

X(t+1)=X*(t)-A·D

(8)

A=2a·r1-a

(9)

C=2·r2

(10)

其中，t為當前迭代次數(shù)；A和C是協(xié)同系數(shù)向量；X*表示當前最優(yōu)的鯨魚的位置向量；X(t)表示鯨魚當前的位置向量；在整個迭代過程中，a由2線性降到0；r1和r2是[0，1]中的隨機向量。C為[0，2]內(nèi)的隨機值構(gòu)成的向量，此系數(shù)提供了隨機權(quán)重，以避免算法陷入局部最優(yōu)。

鯨魚在獵食的過程中會進行兩種不同的行為來包圍獵物，分別是縮小包圍圈和沿螺旋狀路徑吐氣泡驅(qū)趕獵物，每只鯨魚選擇這兩種該行為的概率是相等的。數(shù)學模型如式(11)所示

(11)

其中，b為常數(shù)，l和p為均勻分布在[-1，1]中的隨機數(shù)。

隨著迭代的進行，a的值會從2線性減小到0，a的值的變化會引起A的變化，當 |A|<1時，鯨魚會向最優(yōu)個體移動，當 |A|>1時，鯨魚會隨機移動。鯨魚隨機移動的數(shù)學模型如式(12)和式(13)所示

D=|C·Xrand(t)-X(t)|

(12)

X(t+1)=Xrand(t)-A·D

(13)

其中，Xrand是隨機選擇的鯨魚位置向量，通過此方式可以讓WOA進行全局搜索，避免陷入局部最優(yōu)。

2.3 節(jié)點位置估算算法

在定位階段，使用加權(quán)質(zhì)心和鯨魚優(yōu)化算法估算未知節(jié)點坐標，具體步驟如下。

結(jié)合所設計的路徑，先使用加權(quán)質(zhì)心算法來估算未知節(jié)點位置。假設移動錨節(jié)點在部署區(qū)域內(nèi)產(chǎn)生的虛擬錨節(jié)點的數(shù)量為NV，未知節(jié)點Ui(i=1，…，Nu) 維護一個虛擬錨節(jié)點列表Li，如果Ui接收到虛擬錨節(jié)點Vj的信標信息，則將Vj的坐標 (xj，yj)、 信號強度RSSIi，j以及根據(jù)RSSI測距模型計算得到的估計距離dei，j添加至Li中。將所有的虛擬錨節(jié)點按RSSIi，j值排成遞減序，選擇虛擬錨節(jié)點V1、V2、V3的方法為：

(1)選擇Li中前兩個最大RSSIi，j對應的虛擬錨節(jié)點作為V1、V2，在Li中從前往后依次查找可與V1、V2構(gòu)成邊長為d的等邊三角形的虛擬錨節(jié)點Vk(k>2)作為V3。

(2)如果利用步驟(1)不能找到滿足此條件的V3，則選擇剩余虛擬錨節(jié)點中最大RSSIi，j對應的虛擬錨節(jié)點作為V3。

未知節(jié)點Ui在選擇V1、V2、V3后，使用加權(quán)質(zhì)心算法估計未知節(jié)點Ui的位置

(′i，′i)=∑3j=1ωj×(xj，yj)∑3j=1ωj

(14)

其中，ωj=RSSIj為加權(quán)因子，第i個節(jié)點的定位誤差為ei，WCL=(xi-′i)2+(yi-′i)2。 找出所有可定位節(jié)點的定位誤差中的最大值，記為emax。

根據(jù)使用加權(quán)質(zhì)心得到的Ui的估算坐標 (′i，′i) 和最大定位誤差emax確定對應的WOA算法搜索空間SPi，即：[′i-emax，′i+emax]×[′i-emax，′i+emax]， 如圖3所示。

圖3 根據(jù)質(zhì)心確定搜索空間SPi

在二維的無線傳感器網(wǎng)絡中，第i個未知節(jié)點與第j個虛擬錨節(jié)點估計距離的平均誤差定義如下

ei，j=|(xi-xj)2+(yi-yj)2-dei，j|

(15)

其中，(xj，yj) 為虛擬錨節(jié)點Vj的坐標，(xi，yi) 為傳感器節(jié)點Ui的實際位置，dei，j為虛擬錨節(jié)點Vj與傳感器節(jié)點Ui的測量距離。通過這種方法，我們可以得到如下的目標函數(shù)

minf(x，y)=1Ni∑Nij=1|(x-xj)2+(y-yj)2-dei，j|

(16)

其中，Ni是傳感器節(jié)點Ui可以接收到的信標信息數(shù)。

最后，在SPi中隨機產(chǎn)生鯨魚種群，使用以上目標函數(shù)估算Ui的最終坐標。算法2給出了計算第i個傳感器節(jié)點坐標Ui的過程。

算法2：節(jié)點位置估算算法

輸入：Li，MaxIter

(1)SortLiin descending order according toRSSIi,j

(2)ifdist(Li(1),Li(2))=dist(Li(1),Li(k))=dist(Li(2),Li(k))=d

(3)V1←Li(1);V2←Li(2);V3←Li(k)

(4)else

(5)V1←Li(1);V2←Li(2);V3←Li(3)

(6)endif

(8)Calculate localization error of each node and findemax

(9)SPi←[′i-emax,′i+emax]×[′i-emax,′i+emax]

(10)Initialize whales populationXi(i=1,2,…,n) inSPi

(11)Calculate fitness of each whale using Eq.(16)

(12)X*←the best search agent

(13)while(t

(14)foreach whale

(15) Updatea,A,C,l, andp

(16)ifp<0.5

(17)if|A|<1

(18) Update current whale by Eq.(11)(p<0.5)

(19)elseif|A|>1

(20) Select a random whale (Xrand)

(21) Update current whale by Eq.(13)

(22)endif

(23)elseifp>0.5

(24) Update current whale by the Eq.(11)

(25)endif

(26)endfor

(27) Check if any whale goes beyond theSPiand amend it

(28) Calculate fitness of each whale

(29) UpdateX*if there is a better solution

(30)t←t+1

(31)endwhile

(32)returnX*

算法2中的第(1)～第(6)行根據(jù)Ui找到對應的V1、V2、V3。第(7)～第(9)根據(jù)式(14)得到 (′i，′i)， 然后計算每個未知節(jié)點的定位誤差并找到最大值emax。最后根據(jù) (′i，′i) 和emax確定出對應的搜索空間SPi，限制WOA的初始化區(qū)域，加快算法收斂速度。第(10)～第(12)行在SPi中初始化鯨魚的位置，使用式(16)計算每一個個體的適應度值，找出適應度最好的個體記為X*。第(13)～第(31)行是鯨魚優(yōu)化算法的執(zhí)行過程，MaxIter為最大迭代次數(shù)。先更新a、A、C、l和p的值，當p<0.5且 |A|<1時，鯨魚群向最優(yōu)鯨魚位置移動，使用式(11)更新每只鯨魚的位置。當p<0.5且 |A|>1時，鯨魚群隨機移動，使用式(13)更新每只鯨魚的位置。當p>0.5時，鯨魚沿螺旋狀路徑吐出氣泡包圍獵物，使用式(11)更新每只鯨魚的位置。修正超出搜索空間SPi的鯨魚個體。使用式(16)更新每只鯨魚的適應度值，并更新X*的值。在迭代循環(huán)結(jié)束前重復執(zhí)行以上步驟。第(32)行返回X*的值即為 (i，i)。

3 仿真實驗

使用MATLAB 2016a進行仿真實驗。部署區(qū)域為100 m×100 m的正方形二維區(qū)域，對SCAN[1]、GTURN[7]、GSCAN[7]、PP-MMAN[4]、H-Curves[2]、M-Curves[3]以及本文提出的DASCAN在路徑長度、定位精度和定位率方面進行對比。

3.1 路徑對比

d取值為10 m、15 m、20 m、25 m。實驗結(jié)果如圖4所示。可以看出，d相同時，GTURN和GSCAN都是最長的，原因在于它們使用3個移動錨節(jié)點，并且GSCAN存在重復路徑。H-Curves、SCAN和M-Curves由于只有一個移動錨節(jié)點，并且路徑結(jié)構(gòu)較為簡單，所以移動路徑較短。DASCAN短于PP-MMAN，比最長的GTURN路徑平均縮短了44%，比最短的SCAN路徑平均長了26.5%。

圖4 路徑長度比較

下面對不同路徑規(guī)劃算法的虛擬錨節(jié)點數(shù)目進行對比。實驗結(jié)果如圖5所示，7種路徑規(guī)劃算法的虛擬錨節(jié)點的平均數(shù)量排序為GSCAN>GTURN>PP-MMAN=DASCAN>H-Curves>M-Curves>SCAN。GSCAN的虛擬錨節(jié)點數(shù)量是最多的，這是因為GSCAN的移動錨節(jié)點會在某些位置重復廣播信標信息。DASCAN產(chǎn)生的虛擬錨節(jié)點數(shù)目均少于GSCAN、GTURN、PP-MMAN以及M-Curves，但是比起H-Curves和SCAN要更多。因為在相同d的情況下，DASCAN的路徑相鄰兩行之間的距離比SCAN和H-curve更小，所以在部署區(qū)域均為100 m2的情況下，DASCAN會產(chǎn)生更多的虛擬錨節(jié)點。雖然M-Curves的虛擬錨節(jié)點更密集，但是該算法不需要在部署區(qū)域邊界生成虛擬錨節(jié)點。從圖中可以看出，本算法產(chǎn)生的虛擬錨節(jié)點數(shù)目相比GSCAN平均減少了53%，相比SCAN平均增加了32%。

圖5 虛擬錨節(jié)點數(shù)量比較

綜合路徑長度以及虛擬錨節(jié)點數(shù)量，分別計算7種路徑規(guī)劃算法產(chǎn)生的總能耗。實驗結(jié)果如圖6所示，7種路徑規(guī)劃算法的能耗從高到低為GTURN、GSCAN、PP-MMAN、DASCAN、H-Curves、M-Curves、SCAN。由于GSCAN和GTURN的虛擬錨節(jié)點數(shù)量較多，路徑較長，所以這兩種算法的能耗比其它算法更高，由于DASCAN的路徑長度比PP-MMAN更短，所以能耗相對更低。H-Curves、M-Curves和SCAN的虛擬錨節(jié)點數(shù)量較少，路徑較短，產(chǎn)生的能耗也更低。本文算法相比能耗最高的GTURN能耗平均降低了42.7%，相比能耗最低的SCAN能耗平均增加了35.4%。

圖6 能耗比較

3.2 定位精度對比

取R=15 m，DOI=0，實驗結(jié)果如圖7所示。可以看出，無論使用哪一種路徑規(guī)劃算法，使用加權(quán)質(zhì)心算法計算得到的結(jié)果誤差最大，而使用WOA得到的結(jié)果誤差最小。在使用加權(quán)質(zhì)心定位未知節(jié)點時，H-Curves、M-Curves 和SCAN的定位誤差要遠遠高于其它路徑規(guī)劃算法，當使用三邊定位時，所有路徑規(guī)劃算法的定位誤差大幅降低，H-Curves、M-Curves和SCAN的定位誤差仍略高于其它路徑規(guī)劃算法。在使用PSO和WOA定位節(jié)點時，所有路徑規(guī)劃算法的定位誤差進一步下降，并且WOA的平均定位誤差略低于PSO，此時H-Curves和SCAN的定位誤差仍要高于其它算法。

將所有路徑與WOA算法聯(lián)合來對比性能。實驗結(jié)果如圖8所示。從圖中可以看出，隨著DOI的增加，每個未知節(jié)點接收到的廣播信息數(shù)量減少，每種路徑規(guī)劃算法的定位誤差均受到了DOI的影響，但影響幅度有所差別。由于SCAN和H-Curves存在大量的共線虛擬錨節(jié)點，所以定位誤差相比其它路徑更大，而且更容易受DOI的影響。而DASCAN和其余的路徑受DOI影響相對較小。

圖8 路徑在不同DOI下的定位精度

最后不考慮DOI的影響，比較每種路徑在不同的通信半徑R下的定位精度。實驗結(jié)果如圖9所示。可以看出，當d=15 m時，每種路徑的平均定位誤差均隨著通信半徑R的增大而增加。雖然通信半徑越大，每個未知節(jié)點接收到的信標信息越多，但是由于RSSI的缺陷，未知節(jié)點與距離較遠的虛擬錨節(jié)點之間的測距誤差較大。所以當通信半徑增大時，定位誤差會變大。H-Curves和SCAN在不同R下的定位誤差均高于其它定位算法，DASCAN的定位誤差以及受通信半徑的影響較小。

圖9 路徑在不同通信半徑下的定位精度

3.3 定位率對比

取d=15 m，R取0.8d、1.0d、1.2d、1.4d，DOI=0、0.05、0.1、0.15、0.2。實驗結(jié)果如圖10所示。

圖10 路徑在不同通信半徑下的定位率

整體來看，每種路徑的定位率隨著Rd的增大而增大。在每種取值的情況下，DASCAN、GTURN、GSCAN和PP-MMAN的定位率十分接近，其余路徑的定位率從高到低依次為M-Curves、H-Curves、SCAN。當R=0.8d時，7種路徑的定位率差距最大，此時DASCAN、GTURN、GSCAN和PP-MMAN的定位率約為50%，H-Curves和SCAN僅能定位20%左右的未知節(jié)點。當R=1.4d時，7種路徑均可定位所有未知節(jié)點。

最后，比較了在不同DOI、R對定位率的影響，實驗結(jié)果如圖11、圖12、圖13和圖14所示。整體來看，每種DOI取值下，每種路徑的定位率隨著Rd的增大而增大。每種取值情況下，DASCAN、GSCAN、GTURN和PP-MMAN的定位率都十分接近，均高于H-Curves、M-Curves、SCAN的定位率。DASCAN、GSCAN、GTURN、PP-MMAN的定位率接近，高于其它路徑。整體來看，DASCAN的定位率比M-Curves、H-Curves、SCAN分別平均高出3%、15%、19%。R=0.8d，DOI=0.2時，7種路徑的平均定位率最低，此時DASCAN的定位率約30%，H-Curves和SCAN的定位率低于10%。R=1.4d，DOI=0.05時，7種路徑的定位率均為100%。當R=d，DOI=0.2時，DASCAN的定位率相比其它路徑平均提升最大，為30%；R=d，DOI=0.05時，DASCAN的定位率相比其它路徑平均提升最小，為20%。

圖11 路徑在不同通信半徑下的定位率(DOI=0.05)

圖12 路徑在不同通信半徑下的定位率(DOI=0.1)

圖13 路徑在不同通信半徑下的定位率(DOI=0.15)

圖14 路徑在不同通信半徑下的定位率(DOI=0.2)

綜上，DASCAN比GTURN、GSCAN、PP-MMAN路徑短，避免了重復廣播信息，從而降低了移動錨節(jié)點的能耗。同時，比H-Curves、M-Curves和SCAN有更高的定位率和定位精度，配合WOA可以進一步提高算法的定位精度。

4 結(jié)束語

本文提出了一種基于雙移動錨節(jié)點和鯨魚優(yōu)化的無線傳感器網(wǎng)絡定位算法，設計了一種雙移動錨節(jié)點路徑，并使用加權(quán)質(zhì)心算法輔助鯨魚優(yōu)化算法估算未知節(jié)點的坐標，提高了定位精度。實驗結(jié)果表明，DASCAN比其它采用多個移動錨節(jié)點的路徑更短，定位誤差更小，比H-Curves等采用單個移動錨節(jié)點的定位率、定位精度更高，并且受DOI和RSSI測距誤差的影響更小。

但是，本文所提出的算法在部署區(qū)域的邊緣位置的定位精度較低，下一步需提出用于區(qū)域邊緣未知節(jié)點定位的補償算法。