CN112055303A - 无线传感器网络未知传感器节点人工鱼群优化定位方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络未知传感器节点两圆交点的人工鱼群优化定位方法，涉及无线传感器网络定位技术，用于获取无线传感器网络未知传感器节点的准确位置信息。解决现有基于测距的定位算法定位精度低及算法复杂的问题。本发明所述方法先利用节点间接收到的信号强度值转化为节点间距离值，利用未知传感器节点周围任意2个信标节点A、B的已知位置坐标，求出未知传感器节点的两个可能的坐标P₁、P₂，并对其进行判定，最终确定未知传感器节点坐标完成定位。本发明所述方法降低了算法的复杂度，减少了节点的能量消耗，延长了节点的生命周期。

Description

无线传感器网络未知传感器节点人工鱼群优化定位方法

技术领域

本发明涉及传感器定位技术领域，更具体地说，涉及一种无线传感器网络未知传感器节点人工鱼群优化定位方法。

背景技术

近年来物联网技术不断取得新的成果，已经运用到国防军事、环境监测、交通管理、医疗卫生、制造业、抗灾抢险等领域，作为物联网底层重要技术之一的无线传感器网络已经成为了研究热点。其中，通过定位算法获取准确的位置信息是无线传感器网络十分重要的一项内容。

定位算法分成基于非测距的定位算法和基于测距的定位算法。基于测距的定位算法的定位精度高于基于非测距的定位算法。与基于测距的定位算法相关的一些算法有，三边定位算法、三边质心定位算法、粒子群定位算法等。这些现有的算法定位精度较低，如质心定位算法，而且算法需要进行大量的迭代运算而过于复杂，如粒子群定位算法。

发明内容

本发明为解决现有基于测距的定位算法定位精度低及算法复杂的问题，提供一种无线传感器网络未知传感器节点人工鱼群优化定位方法。

本发明解决其技术问题所采用的技术方案是：构造一种无线传感器网络未知传感器节点人工鱼群优化定位方法，包括：

未知传感器节点P接收周围能接收到的信标节点的信号，并将接收到的信号强度值转换为未知传感器节点和对应信标节点之间的距离值；

采集任意两个信标节点A与B的坐标，计算信标节点A与B之间的距离，以及未知传感器节点和信标节点A与B之间的距离；

判断未知传感器节点P是否和信标节点A与B共线，若共线，则根据信标节点A与B的坐标计算未知传感器节点P的坐标；

若不共线，设定节点P₁、P₂为以信标节点A、B为圆心，以信标节点A、B与未知传感器节点P之间的距离为半径形成的两圆交点，则未知传感器节点P为节点P₁、P₂中的一个，计算节点P₁、P₂坐标；

确定未知传感器节点P的坐标值：

判断除信标节点A与B之外的其他信标节点是否全部位于信标节点A与B的连线上：

若所有信标节点未全部处于信标节点A与B的连线上时，任取一位于信标节点A与B的连线之外的信标节点C′，计算未知传感器节点P、节点P₁及节点P₂与信标节点C′的距离，

当未知传感器节点P与信标节点C′的距离和节点P₁与信标节点C′的距离的距离差的绝对值小于未知传感器节点P与信标节点C′的距离和节点P₂与信标节点C′的距离的距离差的绝对值时，节点P₁的坐标是未知传感器节点P的坐标，否则节点P₂的坐标是未知传感器节点P的坐标；

若所有信标节点全部处于信标节点A与B的连线上时，任取一信标节点C，在三角形CBP中计算∠BCP，在三角形CBP₁中计算∠BCP₁，∠P₁CP＝∠BCP-∠BCP₁，

在三角形PCP₁和三角形PCP₂中，计算未知传感器节点P与节点P₁及节点P₂的距离，当未知传感器节点P与节点P₁的距离小于未知传感器节点P与节点P₂的距离时，节点P₁的坐标为未知传感器节点P的坐标，否则节点P₂的坐标为未知传感器节点P的坐标；

设定该未知传感器节点P可以接收到信号的信标节点数量为m，m＞2，以任2个位置的信标节点为一组，任一组中的两个信标节点以A与B代表；任选2个信标节点为一组，共得到k组信标节点组，其中，

根据计算共得k个未知传感器节点P的坐标，设定其中e个未知传感器节点P的坐标是选择节点P₁的坐标得到，f个未知传感器节点P的坐标是选择节点P₂的坐标得到，f＝k-e，则：

若选定的未知传感器节点P是节点P₁，采用人工鱼群算法，得到e个适应度函数值G(s)，在得到的e个适应度函数值G(s)中，选择最小值，与最小值的适应度函数值对应的未知节点P₁的坐标就是优化后的未知节点P的坐标，也就是未知传感器节点的最终定位坐标；

若选定的未知传感器节点P是节点P₂，采用人工鱼群算法，得到f个适应度函数值G(s)，在得到的f个适应度函数值G(s)中，选择最小值，与最小值的适应度函数值对应的未知节点P₂的坐标就是优化后的未知节点P的坐标，也就是未知传感器节点的最终定位坐标。

其中，在判断未知传感器节点P是否和信标节点A与B共线的步骤中，

设定信标节点A、B的坐标A(x_A,y_A)、B(x_B,y_B)，计算信标节点A到信标节点B之间的距离L_AB；未知传感器节点P接收周围能接收到的信标节点的信号，并将接收到的信号强度值转换为未知传感器节点和对应信标节点之间的距离值，未知传感器节点P与信标节点A、B之间的距离，记为L_AP和L_PB；

当L_AB＝L_AP+L_PB或L_AB＝|L_AP-L_PB|时，判断为三点共线，

L_AB＝L_AP+L_PB时，未知传感器节点P位于信标节点A、B之间，未知传感器节点P的坐标为

L_AB＝L_AP-L_PB时，未知传感器节点P位于信标节点A、B延长线，未知传感器节点P的坐标为

L_AB＝L_PB-L_AP时，未知传感器节点P位于信标节点B、A延长线，未知传感器节点P的坐标为

。

其中，未知传感器节点P与信标节点信标节点A、B不共线时，节点P₁、节点P₂坐标分别为P₁(x_P1,y_P1)、P₂(x_P2,y_P2)；

则有

根据公式求解节点P₁、节点P₂的坐标。

其中，若所有信标节点全部处于信标节点A与B的连线上时，每一信标节点到节点P₁及节点P₂的距离是相等的，任取一信标节点C，节点P₁、节点P₂关于直线CB对称，采用向量减法，

未知传感器节点P到信标节点C之间的距离记为L_CP，根据节点P₁、节点P₂坐标求出信标节点C、B与节点P₁的距离

和

C与节点P₂的距离

在三角形CBP中，

L_BP ²＝L_CB ²+L_CP ²-2·L_CB·L_CP·cos∠BCP

所以

在三角形CBP₁中，

所以

节点P₁、节点P₂关于直线CB对称，则

∠P₂CB＝∠BCP₁，∠P₁CP＝∠BCP-∠BCP₁

在三角形PCP₁中，

是未知传感器节点P到节点P₁的距离，是信标节点C到未知传感器节点P的向量

与信标节点C到节点P₁的向量

的向量差的模；

在三角形PCP₂中，

是未知传感器节点P到节点P₂的距离，也就是信标节点C到未知传感器节点P节点的向量

与信标节点C到节点P₂的向量

的向量差的模；则有，

得到

和

当

时，节点P₁的坐标就是未知传感器节点P的坐标，否则节点P₂的坐标就是未知传感器节点P的坐标；

当其余信标节点不全处于信标节点A与B的连线上时，任取一个不位于信标节点A与B的连线上信标节点C′，即

计算

和

的值，直到

时，当

时，节点P₁的坐标就是未知传感器节点P的坐标，否则节点P₂的坐标就是未知传感器节点P的坐标；其中，未知传感器节点P到信标节点C′之间的距离记为L_C′P，根据节点P₁、节点P₂坐标求出信标节点C′与节点P₁的距离

C′与节点P₂的距离

其中，k组信标节点中的每一组计算得出一个未知传感器节点P的坐标，共得出k个未知传感器节点P的坐标，表示为：

其中，0≤e≤k，0≤f≤k-e；

如果确定未知传感器节点P时选择的是节点P₁，采用基于人工鱼群算法对得到的e个未知传感器节点P的坐标

进行优化，人工鱼群算法的适应度函数为：

式中(x_s,y_s)代表未知传感器节点P的e个坐标

中的任一个坐标，坐标(x_i,y_i)为信标节点中的第i个信标节点的坐标，d(i,P)表示第i个信标节点到未知传感器节点P的距离；

计算得到e个适应度函数值G(s)，选择e个适应度函数值G(s)中的最小值，与最小值适应度函数值对应的节点P₁的坐标就是优化后的未知传感器节点P的坐标；

如果确定未知传感器节点P时选择的是节点P₂，采用基于人工鱼群算法对得到的f个未知传感器节点P的坐标

进行优化，人工鱼群算法的适应度函数为：

式中(x_s,y_s)代表未知传感器节点P的f个坐标

中的任一个坐标，坐标(x_i,y_i)为信标节点中的第i个信标节点的坐标，d(i,P)表示第i个信标节点到未知传感器节点P的距离；

计算得到f个适应度函数值G(s)，选择f个适应度函数值G(s)中的最小值，与最小值适应度函数值对应的节点P₂的坐标就是优化后的未知传感器节点P的坐标。

区别于现有技术，本发明的无线传感器网络未知传感器节点人工鱼群优化定位方法，先利用节点间接收到的信号强度值转化为节点间距离值，利用未知传感器节点周围任意2个信标节点A、B的已知位置坐标，求出未知传感器节点P的两个可能的坐标：节点P₁、节点P₂，并对其进行判定，最终确定未知传感器节点坐标完成定位。本发明所述方法降低了算法的复杂度，减少了节点的能量消耗，延长了节点的生命周期。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明提供的一种无线传感器网络未知传感器节点人工鱼群优化定位方法的原理示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

参阅图1，本发明提供了一种无线传感器网络未知传感器节点人工鱼群优化定位方法，包括：

未知传感器节点P接收周围能接收到的信标节点的信号，并将接收到的信号强度值转换为未知传感器节点和对应信标节点之间的距离值；

采集任意两个信标节点A与B的坐标，计算信标节点A与B之间的距离，以及未知传感器节点和信标节点A与B之间的距离；

判断未知传感器节点P是否和信标节点A与B共线，若共线，则根据信标节点A与B的坐标计算未知传感器节点P的坐标；

若不共线，设定节点P₁、P₂为以信标节点A、B为圆心，以信标节点A、B与未知传感器节点P之间的距离为半径形成的两圆交点，则未知传感器节点P为节点P₁、P₂中的一个，计算节点P₁、P₂坐标；

确定未知传感器节点P的坐标值：

判断除信标节点A与B之外的其他信标节点是否全部位于信标节点A与B的连线上：

若所有信标节点未全部处于信标节点A与B的连线上时，任取一位于信标节点A与B的连线之外的信标节点C′，计算未知传感器节点P、节点P₁及节点P₂与信标节点C′的距离，

当未知传感器节点P与信标节点C′的距离和节点P₁与信标节点C′的距离的距离差的绝对值小于未知传感器节点P与信标节点C′的距离和节点P₂与信标节点C′的距离的距离差的绝对值时，节点P₁的坐标是未知传感器节点P的坐标，否则节点P₂的坐标是未知传感器节点P的坐标；

若所有信标节点全部处于信标节点A与B的连线上时，任取一信标节点C，在三角形CBP中计算∠BCP，在三角形CBP₁中计算∠BCP₁，∠P₁CP＝∠BCP-∠BCP₁，

在三角形PCP₁和三角形PCP₂中，计算未知传感器节点P与节点P₁及节点P₂的距离，当未知传感器节点P与节点P₁的距离小于未知传感器节点P与节点P₂的距离时，节点P₁的坐标为未知传感器节点P的坐标，否则节点P₂的坐标为未知传感器节点P的坐标；

设定该未知传感器节点P可以接收到信号的信标节点数量为m，m＞2，以任2个位置的信标节点为一组，任一组中的两个信标节点以A与B代表；任选2个信标节点为一组，共得到k组信标节点组，其中，

根据计算共得k个未知传感器节点P的坐标，设定其中e个未知传感器节点P的坐标是选择节点P₁的坐标得到，f个未知传感器节点P的坐标是选择节点P₂的坐标得到，f＝k-e，则：

若选定的未知传感器节点P是节点P₁，采用人工鱼群算法，得到e个适应度函数值G(s)，在得到的e个适应度函数值G(s)中，选择最小值，与最小值的适应度函数值对应的未知节点P₁的坐标就是优化后的未知节点P的坐标，也就是未知传感器节点的最终定位坐标；

若选定的未知传感器节点P是节点P₂，采用人工鱼群算法，得到f个适应度函数值G(s)，在得到的f个适应度函数值G(s)中，选择最小值，与最小值的适应度函数值对应的未知节点P₂的坐标就是优化后的未知节点P的坐标，也就是未知传感器节点的最终定位坐标。

本发明的无线传感器网络未知传感器节点的定位方法是由如下步骤实现的：

S1：未知传感器节点P接收周围信标节点的信号，并将接收到的信号强度值转化为未知传感器节点和信标节点之间的距离值；

S2：设定该未知传感器节点P可以接收到信号的信标节点数量为m，m＞2，以任2个位置的信标节点为一组，共有k组，任一组中的两个信标节点以A、B代表；

S3：采集任一组中的两个信标节点A、B的坐标A(x_A,y_A)，B(x_B,y_B)；计算信标节点A到信标节点B之间的距离L_AB；根据步骤S1所得到的信标节点A到未知传感器节点P之间的距离记为L_AP，未知传感器节点P到信标节点B之间的距离记为L_PB；

S4：判断未知传感器节点P、信标节点A和信标节点B三点是否共线：当L_AB＝L_AP+L_PB或L_AB＝|L_AP-L_PB|时，判断为三点共线，

L_AB＝L_AP+L_PB时，未知传感器节点P位于信标节点A、B之间，未知传感器节点P的坐标为

L_AB＝L_AP-L_PB时，未知传感器节点P位于信标节点A、B延长线，未知传感器节点P的坐标为

L_AB＝L_PB-L_AP时，未知传感器节点P位于信标节点B、A延长线，未知传感器节点P的坐标为

当L_AB≠L_AP+L_PB或L_AB≠|L_AP-L_PB|时，判断三点不共线，节点P₁、P₂是由以信标节点A、B为圆心，分别以L_AP、L_BP为半径形成的两圆的交点，未知传感器节点P为节点P₁、节点P₂两个中的一个，设定节点P₁位于A到B连线的顺时针方向的位置，节点P₂位于A到B连线的逆时针方向的位置，节点P₁、节点P₂坐标分别为P₁(x_P1,y_P1)、P₂(x_P2,y_P2)；

S5：根据下面方程组求解

可以得到节点P₁、节点P₂坐标；

S6：未知传感器节点P坐标值选择

(1)当其余信标节点分布在信标节点A与B的连线上时，信标节点到节点P₁、节点P₂的距离是相等的，任取一信标节点C，节点P₁、节点P₂关于直线CB对称，即

此时，采用向量减法，

未知传感器节点P到信标节点C之间的距离记为L_CP，根据节点P₁、节点P₂坐标可以求出信标节点C、B与节点P₁的距离

和

C与节点P₂的距离

在三角形CBP中，

L_BP ²＝L_CB ²+L_CP ²-2·L_CB·L_CP·cos∠BCP，

所以

在三角形CBP₁中，

所以

P₁与P₂是关于直线CB对称的，则∠P₂CB＝∠BCP₁，∠P₁CP＝∠BCP-∠BCP₁

在三角形PCP₁中，

是未知传感器节点P到节点P₁的距离，也就是信标节点C到未知传感器节点P的向量

与信标节点C到节点P₁的向量

的向量差的模，在三角形PCP₂中，

是未知传感器节点P到节点P₂的距离，也就是信标节点C到未知传感器节点P的向量

与信标节点C到节点P₂的向量

的向量差的模，

得到

和

直到

当

时，节点P₁的坐标就是未知传感器节点P的坐标，否则节点P₂的坐标就是未知传感器节点P的坐标；

(2)当其余信标节点不全位于信标节点A与B的连线上时，任取一个不位于信标节点A与B的连线上的信标节点C′，即

计算

和

的值，直到

时，当

时，节点P₁的坐标就是未知传感器节点P的坐标，否则节点P₂的坐标就是未知传感器节点P的坐标；其中，未知传感器节点P到信标节点C′之间的距离记为L_C′P，根据节点P₁、节点P₂坐标可以求出信标节点C′与节点P₁的距离

C′与节点P₂的距离

S7：坐标优化

k组信标节点中的每一组，采用步骤S3－S6得出一个未知传感器节点P的坐标，这样，共得出k个未知传感器节点P的坐标

其中，0≤e≤k，0≤f≤k-e；

如果选择的是节点P₁，采用基于人工鱼群算法(AFSA)对得到的e个未知传感器节点P的坐标

进行优化，所述的人工鱼群算法(AFSA)的适应度函数为：

式中(x_s,y_s)代表未知传感器节点P的e个坐标

中的任一个坐标，坐标(x_i,y_i)为m个信标节点中的第i个信标节点的坐标,d(i,P)表示第i个信标节点到未知传感器节点P的距离，这样，得到e个适应度函数值G(s)，在得到的e个适应度函数值G(s)中，选择最小值，与最小值的适应度函数值对应的未知传感器节点P的坐标就是优化后的未知传感器节点P的坐标，也就是未知传感器节点的最终定位坐标；

如果选择的是节点P₂，采用基于人工鱼群算法(AFSA)对得到的f个未知传感器节点P的坐标

进行优化，所述的人工鱼群算法(AFSA)的适应度函数为：

式中(x_s,y_s)代表未知传感器节点P的f个坐标

中的任一个坐标，坐标(x_i,y_i)为m个信标节点中的第i个信标节点的坐标，d(i,P)表示第i个信标节点到未知传感器节点P的距离，这样，得到f个适应度函数值G(s)，在得到的f个适应度函数值G(s)中，选择最小值，与最小值的适应度函数值对应的未知传感器节点P的坐标就是优化后的未知传感器节点P的坐标，也就是未知传感器节点的最终定位坐标。

本发明所述方法先利用节点间接收到的信号强度值转化为节点间距离值，利用未知传感器节点周围任意2个信标节点A、B的已知位置坐标，求出未知传感器节点的两个可能的坐标P₁、P₂，并对其进行判定，为了提高定位精度，采用人工鱼群算法进行优化，最终确定未知传感器节点坐标完成定位。本发明所述方法降低了算法的复杂度，减少了节点的能量消耗，延长了节点的生命周期。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (5)

1.一种无线传感器网络未知传感器节点人工鱼群优化定位方法，其特征在于，包括：

未知传感器节点P接收周围能接收到的信标节点的信号，并将接收到的信号强度值转换为未知传感器节点和对应信标节点之间的距离值；

采集任意两个信标节点A与B的坐标，计算信标节点A与B之间的距离，以及未知传感器节点和信标节点A与B之间的距离；

判断未知传感器节点P是否和信标节点A与B共线，若共线，则根据信标节点A与B的坐标计算未知传感器节点P的坐标；

若不共线，设定节点P₁、P₂为以信标节点A、B为圆心，以信标节点A、B与未知传感器节点P之间的距离为半径形成的两圆交点，则未知传感器节点P为节点P₁、P₂中的一个，计算节点P₁、P₂坐标；

确定未知传感器节点P的坐标值：

判断除信标节点A与B之外的其他信标节点是否全部位于信标节点A与B的连线上：

若所有信标节点未全部处于信标节点A与B的连线上时，任取一位于信标节点A与B的连线之外的信标节点C′，计算未知传感器节点P、节点P₁及节点P₂与信标节点C′的距离，

当未知传感器节点P与信标节点C′的距离和节点P₁与信标节点C′的距离的距离差的绝对值小于未知传感器节点P与信标节点C′的距离和节点P₂与信标节点C′的距离的距离差的绝对值时，节点P₁的坐标是未知传感器节点P的坐标，否则节点P₂的坐标是未知传感器节点P的坐标；

若所有信标节点全部处于信标节点A与B的连线上时，任取一信标节点C，在三角形CBP中计算∠BCP，在三角形CBP₁中计算∠BCP₁，∠P₁CP＝∠BCP-∠BCP₁，

在三角形PCP₁和三角形PCP₂中，计算未知传感器节点P与节点P₁及节点P₂的距离，当未知传感器节点P与节点P₁的距离小于未知传感器节点P与节点P₂的距离时，节点P₁的坐标为未知传感器节点P的坐标，否则节点P₂的坐标为未知传感器节点P的坐标；

设定该未知传感器节点P可以接收到信号的信标节点数量为m，m＞2，以任2个位置的信标节点为一组，任一组中的两个信标节点以A与B代表；任选2个信标节点为一组，共得到k组信标节点组，其中，

根据计算共得k个未知传感器节点P的坐标，设定其中e个未知传感器节点P的坐标是选择节点P₁的坐标得到，f个未知传感器节点P的坐标是选择节点P₂的坐标得到，f＝k-e，则：

若选定的未知传感器节点P是节点P₁，采用人工鱼群算法，得到e个适应度函数值G(s)，在得到的e个适应度函数值G(s)中，选择最小值，与最小值的适应度函数值对应的未知节点P₁的坐标就是优化后的未知节点P的坐标，也就是未知传感器节点的最终定位坐标；

若选定的未知传感器节点P是节点P₂，采用人工鱼群算法，得到f个适应度函数值G(s)，在得到的f个适应度函数值G(s)中，选择最小值，与最小值的适应度函数值对应的未知节点P₂的坐标就是优化后的未知节点P的坐标，也就是未知传感器节点的最终定位坐标。

2.根据权利要求1所述的无线传感器网络未知传感器节点人工鱼群优化定位方法，其特征在于，在判断未知传感器节点P是否和信标节点A与B共线的步骤中，

设定信标节点A、B的坐标A(x_A,y_A)、B(x_B,y_B)，计算信标节点A到信标节点B之间的距离L_AB；未知传感器节点P接收周围能接收到的信标节点的信号，并将接收到的信号强度值转换为未知传感器节点和对应信标节点之间的距离值，未知传感器节点P与信标节点A、B之间的距离，记为L_AP和L_PB；

当L_AB＝L_AP+L_PB或L_AB＝|L_AP-L_PB|时，判断为三点共线，

L_AB＝L_AP+L_PB时，未知传感器节点P位于信标节点A、B之间，未知传感器节点P的坐标为

L_AB＝L_AP-L_PB时，未知传感器节点P位于信标节点A、B延长线，未知传感器节点P的坐标为

L_AB＝L_PB-L_AP时，未知传感器节点P位于信标节点B、A延长线，未知传感器节点P的坐标为

3.根据权利要求1所述的无线传感器网络未知传感器节点人工鱼群优化定位方法，其特征在于，未知传感器节点P与信标节点信标节点A、B不共线时，节点P₁、节点P₂坐标分别为P₁(x_P1,y_P1)、P₂(x_P2,y_P2)；

则有

根据公式求解节点P₁、节点P₂的坐标。

4.根据权利要求1所述的无线传感器网络未知传感器节点人工鱼群优化定位方法，其特征在于，若所有信标节点全部处于信标节点A与B的连线上时，每一信标节点到节点P₁及节点P₂的距离是相等的，任取一信标节点C，节点P₁、节点P₂关于直线CB对称，采用向量减法，

未知传感器节点P到信标节点C之间的距离记为L_CP，根据节点P₁、节点P₂坐标求出信标节点C、B与节点P₁的距离

和

C与节点P₂的距离

在三角形CBP中，

L_BP ²＝L_CB ²+L_CP ²-2·L_CB·L_CP·cos∠BCP

所以

在三角形CBP₁中，

所以

节点P₁、节点P₂关于直线CB对称，则

∠P₂CB＝∠BCP₁，∠P₁CP＝∠BCP-∠BCP₁

在三角形PCP₁中，

是未知传感器节点P到节点P₁的距离，是信标节点C到未知传感器节点P的向量

与信标节点C到节点P₁的向量

的向量差的模；

在三角形PCP₂中，

是未知传感器节点P到节点P₂的距离，也就是信标节点C到未知传感器节点P节点的向量

与信标节点C到节点P₂的向量

的向量差的模；则有，

得到

和

当

时，节点P₁的坐标就是未知传感器节点P的坐标，否则节点P₂的坐标就是未知传感器节点P的坐标；

当其余信标节点不全处于信标节点A与B的连线上时，任取一个不位于信标节点A与B的连线上信标节点C′，即

计算

和

的值，直到

时，当

时，节点P₁的坐标就是未知传感器节点P的坐标，否则节点P₂的坐标就是未知传感器节点P的坐标；其中，未知传感器节点P到信标节点C′之间的距离记为L_C′P，根据节点P₁、节点P₂坐标求出信标节点C′与节点P₁的距离

C′与节点P₂的距离

5.根据权利要求1所述的无线传感器网络未知传感器节点人工鱼群优化定位方法，其特征在于，k组信标节点中的每一组计算得出一个未知传感器节点P的坐标，共得出k个未知传感器节点P的坐标，表示为：

其中，0≤e≤k，0≤f≤k-e；

如果确定未知传感器节点P时选择的是节点P₁，采用基于人工鱼群算法对得到的e个未知传感器节点P的坐标

进行优化，人工鱼群算法的适应度函数为：

式中(x_s,y_s)代表未知传感器节点P的e个坐标

中的任一个坐标，坐标(x_i,y_i)为信标节点中的第i个信标节点的坐标，d(i,P)表示第i个信标节点到未知传感器节点P的距离；

计算得到e个适应度函数值G(s)，选择e个适应度函数值G(s)中的最小值，与最小值适应度函数值对应的节点P₁的坐标就是优化后的未知传感器节点P的坐标；

如果确定未知传感器节点P时选择的是节点P₂，采用基于人工鱼群算法对得到的f个未知传感器节点P的坐标

进行优化，人工鱼群算法的适应度函数为：

式中(x_s,y_s)代表未知传感器节点P的f个坐标

中的任一个坐标，坐标(x_i,y_i)为信标节点中的第i个信标节点的坐标，d(i,P)表示第i个信标节点到未知传感器节点P的距离；

计算得到f个适应度函数值G(s)，选择f个适应度函数值G(s)中的最小值，与最小值适应度函数值对应的节点P₂的坐标就是优化后的未知传感器节点P的坐标。

Images