基于RSSI-SO算法的WSN定位研究

摘 要：無線傳感器網絡是一種基于無線通信技術的分布式傳感器網絡，廣泛應用于環境監測、智能家居、智能交通等領域。在WSN中，節點的位置信息對于實現很多應用非常重要。因此，WSN定位算法是WSN研究的重要內容之一。鑒于此，提出了一種基于RSSI與蛇優化算法的WSN定位研究，利用節點之間的信號強度和蛇優化算法來實現節點的定位，最后進行誤差分析。在實驗環境中進行了對比實驗，結果表明，本文提出的方法相比于三邊測量定位算法，具有更高的準確度。

關鍵詞：無線傳感器網絡；RSSI；WSN定位算法；定位誤差；蛇優化算法；物聯網

中圖分類號：TP391 文獻標識碼：A 文章編號：2095-1302（2024）05-000-03

0 引 言

隨著無線通信技術的不斷發展，無線傳感器網絡（Wireless Sensor Network， WSN）已經成為了物聯網的重要組成部分[1-3]。WSN是由許多分布在空間中的節點組成的，這些節點可以進行環境監測、數據采集等任務。在WSN中，節點的位置信息對于實現很多應用非常重要，例如對于環境監測，需要知道每個節點的位置，以便能夠監測到環境中的污染源[4-6]；對于智能家居，需要知道每個節點的位置，以便能夠根據人的位置來控制家庭設備[7]。因此，WSN定位算法是WSN研究的重要內容之一。

目前，WSN定位算法主要分為三類：基于距離的定位算法、基于角度的定位算法和基于信號強度的定位算法。其中，基于信號強度的定位算法是一種常見的方法。該算法通過測量節點之間的信號強度來計算節點之間的距離，從而實現節點的定位。由于該算法不需要額外的硬件設備，因此具有較低的成本和易于部署的優勢。

然而，基于信號強度的定位算法也存在一些問題，例如：信號強度受到多種因素的影響，節點之間的遮擋、干擾、衰減等。因此，需要對信號強度進行一定的處理，以提高定位精度。蛇優化算法（Snake Optimizer， SO）是一種基于自然界蛇行為的優化算法[8]，該算法具有較強的全局搜索能力和快速收斂速度。本文提出了一種結合RSSI與蛇優化算法的WSN定位算法（RSSI-SO），利用節點之間的信號強度和蛇優化算法來實現節點的定位，以提高定位精度。

本文首先介紹基于信號強度的定位算法中的RSSI技術以及蛇優化算法，然后介紹蛇優化算法及其在WSN定位中的應用，最后描述實驗環境和過程，并對實驗結果進行分析和總結。

1 RSSI技術

在WSN中，節點之間的距離可以通過測量節點之間的信號強度來估計[9]。信號強度是指在傳輸過程中信號的功率強度，一般以接收信號強度指示（Received Signal Strength Indicator， RSSI）的形式進行測量。RSSI是一種基于無線信號接收功率的量化指標，其單位是dBm。RSSI的值越大，表示信號強度越大，信號傳輸距離也就越遠。在WSN定位算法中，通過測量節點之間的RSSI值，可以推算出節點之間的距離[10]。

在定位算法中，使用RSSI作為定位指標有很多優點。首先，RSSI可以直接從無線接收器獲取，不需要特殊的硬件設備或傳感器。其次，RSSI是一種低成本、易于實現的技術，可以廣泛應用于各種設備中。此外，RSSI還可以被用來進行目標檢測、路徑規劃、環境監測等。

然而，使用RSSI作為定位指標也有一些缺點。首先，RSSI的值很容易受到干擾，如建筑物、電器等都可能會影響信號強度。其次，RSSI在不同設備之間的計算方式可能不同，會影響精度和可靠性。最后，RSSI只能提供近似距離，而無法提供準確位置信息。

為了克服這些限制，研究者們提出了很多改進RSSI的方法。其中一種方法是將RSSI與其他傳感器數據融合，如加速度計、陀螺儀、磁力計等，以提高定位精度。另一種方法是使用機器學習算法，如KNN、神經網絡、決策樹等，來優化RSSI數據分析，以提高定位精度和魯棒性。

綜上所述，RSSI是一種在定位算法中常用的指標，它具有低成本、易于實現、直接獲取等優點。但是，由于受到干擾、計算方式不同、只提供近似距離等限制，研究者們正在嘗試通過融合其他傳感器、機器學習算法等方法來優化RSSI數據分析，以提高定位精度和魯棒性。

2 蛇優化算法

元啟發式算法（Metaheuristic Algorithms）是一種通過在不同問題上應用各種啟發式算法的通用技術，以解決復雜優化問題。與傳統的優化算法不同，元啟發式算法不試圖解析建模問題，而是通過迭代尋找解決方案的最優解或次優解。元啟發式算法通常基于一些基本的啟發式算法，如模擬退火、遺傳算法、禁忌搜索和粒子群優化等，并使用各種技術來組合這些基本算法，以產生更好的解決方案。元啟發式算法的優點在于其通用性和適應性，可以應用于許多問題領域，例如機器學習、圖像處理、自然語言處理、生物學、經濟學等等。同時，元啟發式算法還可以處理大規模和復雜的問題，因為它不受問題規模和復雜度的限制。

SO算法是一種基于蛇的生存習性而設計的元啟發式算法。它是由Hashim等人在2022年提出的，相較于其他優化算法，該算法具有以下特點：

（1）高效性：SO算法能夠在較短的時間內得到較優解，尤其是對于高維度的問題。

（2）收斂性好：SO算法能夠快速收斂到最優解，尤其是對于非凸、非連續和非線性的問題。

（3）魯棒性強：SO算法具有一定的魯棒性，能夠處理一些復雜的問題，如帶有約束條件和離散變量的優化問題等。

（4）可擴展性強：SO算法的模型結構簡單，易于實現和擴展，能夠適應各種問題。

（5）全局搜索能力強：SO算法能夠在較大的搜索空間中找到全局最優解，尤其是對于具有多個局部最優解的問題。

綜上所述，SO算法有著許多優勢，因此本文選擇此算法對結合RSSI的定位算法進行優化。

SO算法模擬了蛇在不同溫度和食物量下的生存行為，包括尋找食物、交配和吃掉現有的食物。作者將該算法分為初始化種群、劃分種群、評估溫度與食物量、勘探階段和開發階段。通過多次迭代運算，該算法能夠找到最好的種群個體，得到最優解。

2.1 初始化種群

隨機產生多個種群個體作為原始種群進行計算：

（1）

式中：r為[0， 1]間的隨機數；Xi為種群個體；Xmax和Xmin分別是優化問題取值范圍的上下邊界。

2.2 劃分種群

將種群平均劃分為雌雄兩個子種群：

（2）

（3）

式中：N為種群數量；Nm表示雄性數；Nf表示雌性數。

2.3 評估溫度和食物量

溫度的定義等式為：

（4）

式中：t為當前迭代次數；T為總迭代次數。

食物量的定義等式為：

（5）

式中，c1為常數，取0.5。

2.4 勘探階段

當Qlt;0.25時，蛇通過任意選擇的位置來搜索食物，然后更新位置，位置更新公式如下：

（6）

（7）

式中：Xi， m表示第i只雄性蛇的位置；Xi， f表示第i只雌性蛇的位置；Xrand， m表示隨機選擇的雄性蛇位置；Xrand， f表示隨機選擇的雌性蛇位置；Am為雄性蛇尋找食物的能力；Af為雌性蛇尋找食物的能力，計算方法為：

（8）

（9）

式中：frand， m為Xrand， m的適應度，fi， m為Xi， m的適應度；frand， f為Xrand， f的適應度，fi， f為Xi， f的適應度；c2為常數，取0.05。

2.5 開發階段

當Qgt;0.25且Tempgt;0.6時，蛇只尋找食物，位置更新公式為：

（10）

式中：c3為常數，取2；Xi， j為蛇的位置；Xfood為當前最優個體位置。

當Qgt;0.25且Templt;0.6時，蛇將會處于戰斗或交配模式。

（1）戰斗模式

（11）

（12）

式中：Xbest， m和Xbest， f分別為雄性和雌性群體中最優個體的位置；FM和FF分別為雄性蛇和雌性蛇的作戰能力，FM和FF分別由以下公式計算：

（13）

（14）

式中：fbest， f和fbest， m分別是雌性蛇和雄性蛇的最優適應度；fi為個體i的適應度。

（2）交配模式

（15）

（16）

式中：Mm表示雄性蛇的交配能力；Mf表示雌性蛇的交配能力，計算公式為：

（17）

（18）

式中：fi， m為第i個雄性個體的適應度；fi， f為第i個雌性個體的適應度。當蛇蛋被孵化時，會將種群最差的雄性和雌性個體進行隨機位置替換：

（19）

（20）

式中：Xworst， m表示雄性蛇種群中最差的個體；Xworst， f表示雌性蛇種群中最差的個體。

3 實驗過程及結果

本文在MATLAB R2022a平臺上對改進算法進行了仿真。設定錨節點個數為3，為便于仿真及驗證，實驗過程中采用等邊三角形的3個頂點作為錨節點，在三角形范圍內隨機生成50個節點進行測試。將RSSI-SO算法的迭代次數設置為500，種群數量設置為20。為使RSSI-SO算法在WSN定位時的準確度具有較強的說服力，在仿真過程中，首先對于目標節點到錨節點的真實距離，模擬真實環境下RSSI測距情況，充分考慮到測距時存在的信號衰減等因素；其次將錨節點間距離逐步放大至10倍，觀察各個倍數下定位誤差的大小；最后再與三邊測量定位算法的準確度進行對比。

仿真實驗結果如圖1和圖2所示。圖1反映了錨節點間距在10～100 m范圍內變化時，RSSI-SO算法與三邊測量定位算法在各個階段50個節點中的最大定位誤差值，可以發現在錨節點間距變大的過程中，雖然RSSI-SO算法與三邊測量定位算法的最大誤差值也都逐漸增大，但RSSI-SO算法的最大誤差值普遍偏小。圖2表示各個階段中50個節點的平均誤差值，RSSI-SO算法的平均誤差值也都普遍低于三邊測量定位算法的平均誤差值。

4 結 語

本文研究了結合RSSI和蛇優化算法的WSN定位算法，并通過實驗驗證了該算法的有效性和優越性。與三邊測量定位算法相比，本文算法具有更高的定位精度和更好的魯棒性。因此，基于蛇優化算法的WSN定位算法可以應用于實際的WSN系統中，并為WSN的定位問題提供一種有效的解決方案。

注：本文通訊作者為馮鋒。

參考文獻

[1]李貴勇，張航，韓才君，等.面向無線傳感器網絡的認證密鑰協商機制[J/OL].小型微型計算機系統：1-7 [2024-04-15]. http：//kns.cnki.net/kcms/detail/21.1106.TP.20230222.1106.014.html.

[2]陳平，王華偉.無線傳感器網絡中的群密鑰協商協議研究[J].長江信息通信，2021，34（10）：85-87.

[3]田洪亮，王佳玥，李晨曦.基于混合算法區塊鏈和節點身份認證的數據存儲方案[J].計算機應用，2022，42（8）：2481-2486.

[4]李建中，高宏.無線傳感器網絡的研究進展[J].計算機研究與發展，2008，51（1）：1-15.

[5]羅鑫，田曉蒙.基于改進RSSI算法的無線傳感器室內定位研究[J].河北北方學院學報（自然科學版），2023，39（1）：36-42.

[6]邱子娟.無線傳感器網絡數據安全融合技術的優化[J].信息記錄材料，2023，24（1）：72-74.

[7]黃立，何一，馬志駿，等.人機交互視角下的智能家居研究趨勢分析[J].計算機輔助設計與圖形學學報，2023，35（2）：165-184.

[8] HASHIM F A，HUSSIEN A G. Snake optimizer： a novel meta-heuristic optimization algorithm [J]. Knowledge-based systems， 2022，242：108320.

[9]王福豹，史龍，任豐原.無線傳感器網絡中的自身定位系統和算法[J].軟件學報，2005，16（5）：857-868.

[10]茍丹丹，張開生，劉振華.智能車輛無線傳感定位方法[J].現代電子技術，2022，45（19）：31-36.

作者簡介：黃承漢（2002—），男，本科生，研究方向為物聯網技術。

馮 鋒（1971—），男，博士，教授，研究方向為物聯網技術等。

收稿日期：2023-05-08 修回日期：2023-06-05

基金項目：寧夏重點研發計劃重點項目（2022BEG02016）；寧夏自然科學基金重點項目（2021AAC02004）