文摘
实现有效的每个节点之间的连接物联网(物联网),有一个伟大的精确定位的要求。传统的萤火虫定位算法只考虑范围信息的一部分,和定位效果并不好。因此,提出一种改进的算法利用未知节点之间实现合作的位置等信息。首先,包括所有信息被认为是构造一个新的目标函数。然后利用萤火虫优化方法来发现最好的解决方案的基础上,新的目标函数。起始位置创建的随机技术对新算法的定位性能产生重大影响,因此传统的萤火虫定位方法的初始位置是用来提高合作定位性能。仿真结果表明,新方法优于经典的萤火虫技术的位置精度。
1。介绍
由于无线通信技术的进步在过去的几十年中,物联网(物联网)现在广泛用于建筑和住宅(1]。典型的物联网系统由低功耗、低成本的设备,通过互联网相互连接。物联网的主要目的是保证所有设备,包括传感器、智能手机、可穿戴传感器、平板电脑、和运输系统,可以通过一个标准接口连接彼此。这使得机器对机器通信而不需要人工干预(2),可能减少体力劳动成本。在物联网的一个最重要的困难是精确定位。因此,无线定位,或对象的地理定位信息的提取,得到了很多的关注。全球定位系统模块无线设备可能提供位置信息,但它是昂贵的和能源密集型。因此,GPS可能不是适合所有的物联网应用程序。
物联网(物联网)行业正以惊人的速度增长,与应用程序的基于位置的服务逐渐渗透人们的生活。例如,在一个智能工厂,物联网关键数据收集设备的工厂通过传感器,实时完成数据存储、分析、和其他处理,及时、有效地处理设备故障,确保设备的正常运行。物联网管理平台管理设备通过一个统一的方式,合理地分配和使用设备,安排生产计划,并提高了智能工厂的整体运作效率。在智能农业(3,4,物联网收集数据,如温度,然后处理这些数据,结合精确的定位信息,实现农业生产的智能操作。精确定位的关键是物联网定位服务的应用程序。
节点定位需要等信息。如图1,虚线代表范围从未知节点到锚节点的信息,和实线代表范围未知节点之间的信息。根据测距测距方法,如提供的信息到达时间(5,6)或接收信号强度(7- - - - - -9),建立了定位方程系统,和方程系统解决获得节点的位置。常见的解决方法包括粒子群算法(10- - - - - -12)和萤火虫算法(13- - - - - -15]。萤火虫算法的优点是几个参数来调整,很容易实现,结构简单,等等,并广泛使用。目标函数在传统萤火虫定位方法只包含信息从未知节点到锚节点和不完全未知节点之间使用等信息,导致定位精度提高有限。针对这一点,我们提出一个firefly-based优化方法。提高位置精度,合作算法可以充分利用所有范围信息。
除了我们的算法之外,还有其他的合作算法。文献[16)沿梯度下降搜索最优解的方向;文献[17)提出了一种统计歧管(SM)方法,利用黎曼度量张量正确给定的梯度优化方向找到最优解。他们都使用梯度信息来找到合适的解决方案通过迭代计算,但迭代系数矩阵的建立非常复杂。在文献[18,19),colocalization问题需要改变半定规划(SDP)方法。它只能解决凸优化问题。然而,这个转换过程更为复杂。升级布谷鸟搜索(CS)定位算法(20.)提出了可以利用所有可用信息的距离。相对于SDP和SM方法,我们的算法和升级后的CS算法相对简单的操作,不需要建立一个凸优化问题,或者构建迭代系数矩阵。
提醒的纸是组织如下。部分2介绍了传统萤火虫定位算法和显示了如何使用萤火虫算法获得未知节点的估计位置。部分3解释说,传统的萤火虫定位准确定位算法改进的余地有限。因此,我们提出一个firefly-based合作算法和详细描述colocalization算法。节4,我们使用MATLAB进行仿真,显示测距误差的影响,初始位置和搜索步长定位误差。最后,部分5总结了纸。
2。传统萤火虫定位算法
假设在定位区域,锚节点的坐标 ;未知节点的坐标 。根据未知节点间的测距信息和所有锚节点,建立了定位方程 在哪里和代表实际的距离和测量k锚节点的距离 未知的节点 ,分别为,代表了测距误差。随机初始化萤火虫位置定位区域,第n个萤火虫的位置可以表示为 ,根据公式(定义的目标函数1)是
通过目标函数给出的公式(2),可获得未知节点的估计位置通过萤火虫算法。算法1给出了传统萤火虫算法的具体流程。
|
3所示。合作本地化与萤火虫优化算法
在传统的算法中,目标函数只考虑锚节点和未知节点之间的距离,不考虑别人。使用范围信息不足,导致非常有限的空间,提高定位精度。针对这一点,firefly-based合作算法。第一,而不是选择一个随机的位置作为初始位置,初始位置是由传统的萤火虫定位方法;然后,用于精确定位等所有信息。
假设我有K锚节点和未知节点随机分布在定位区域,那里的位置表示为锚节点 ,和的位置未知节点表示为 。根据测距定位方程建立的所有节点和未知节点之间的信息 在哪里和代表真正的距离和测量到锚节点的距离未知节点,分别;和代表真正的距离和测量距离i未知节点j未知节点,分别。和代表了测距误差。基于萤火虫优化合作流程如下:(1) (2)计算第i个未知节点的初始位置 通过使用传统的萤火虫定位算法。(3)确定初始位置计算所有未知节点完成;如果不是这样, ,转到第2步;否则,进入下一步。(4)假设有N个萤火虫, 表示第一个萤火虫的位置, 的随机数和都服从零均值与方差正态分布 ,和l代表搜索的数量。(5)根据公式(定义的目标函数3)是 其中, 的总数是所有节点之间的距离来衡量。计算目标函数值对应于每个萤火虫根据公式(5)。(6)计算的相对亮度萤火虫参照以下公式: 在哪里表明萤火虫之间的距离,表示最强烈的亮度,表示吸收系数。相对亮度可以帮助您确定萤火虫的方向运动。(7)计算的吸引力萤火虫参照以下公式: 在哪里代表了最大的吸引力。(8)更新位置参照以下公式: 在哪里是第m萤火虫的位置,搜索步骤,随机号码吗服从均匀分布的区间(−0.5,0.5)。
确定搜索的最大数量。如果搜索完成后,输出结果是未知节点的最优位置。否则,跳转到步骤5,继续搜索。2给出了具体的算法流程的合作定位基于萤火虫优化,并给出变量的符号表1为清晰。
4所示。模拟研究
在仿真实验中,传统的萤火虫定位算法的主要参数是萤火虫的数量 ,搜索的数量 ,和搜索步骤 。主机托管基于萤火虫优化的主要参数是萤火虫的数量 ,搜索的数量 ,和搜索步骤 。一个矩形区域定位 所有的节点都是随机分布的。范围不应该有差异和一个零均值高斯分布。定位误差被定义为 在哪里 表示第i个节点的位置。
4.1。测距误差对定位误差的影响
如图2等,减少错误,定位算法的定位错误也减少,但新算法的定位误差明显低于传统萤火虫定位算法。这是因为新算法不仅考虑到锚节点和未知节点之间的信息还包括未知节点之间的信息,从而提高位置精度。根据表2,改善定位性能的百分比在不同条件下是不同的,但改善比例超过31%。同时,改进效果更好的未知节点数量的增加。
(一)
(b)
概述这些方法的性能比较提供了表3的使用情况等信息,复杂性,操作程序和定位精度。所有方法都具有各自的缺点和优势,使它们更适合特定用途。
4.2。初始位置对定位误差的影响
如图3,当colocalization基于萤火虫优化算法使用一个随机生成的初始值,其定位误差大于传统萤火虫算法。结果表明,初始值由随机生成方法严重影响新算法的定位性能,和提供的初始位置传统萤火虫算法显著提高了定位精度的新算法。
(一)
(b)
4.3。搜索步长对定位误差的影响
的大小搜索步骤是至关重要的平衡算法的全局和局部搜索能力。更大的步长是有利的人口增加,寻找更理想值的地区,提高全局搜索能力,避免进入过早收敛的位置。一个更小的步长可以提高局部搜索能力,有利于细化搜索,提高了定位的准确性。如图4 (b)的最优值范围搜索步长是0.04 - -0.05。
(一)
(b)
4.4。复杂性分析
时间复杂度用于传统萤火虫定位大约是 ,锚节点的数量在哪里吗 ,未知节点的数量 ,搜索的最大数量 ,和萤火虫的数量 。萤火虫主机托管的时间复杂度 ,在哪里是搜索的最大数量。放置方法相比,这项新技术搜索未知节点使用范围信息,导致增加在时间复杂度,但带来的好处明显提高定位精度。
5。结论
这项工作提高了定位性能的标准萤火虫技术充分利用所有范围的信息来完成合作的位置。算法创建一个目标函数和未知节点之间的信息,然后使用萤火虫解决优化过程。仿真结果证明,我们建议的方法可能会减少错误的影响范围。在未来,这一研究也可以应用于物联网,快速扩大范围广泛的应用程序的连接一切,走向一个聪明的未来世界。是很有帮助的各种设备的精确定位在互联网的东西。即将到来的5 g物联网建设有许多复杂的应用场景,需要更有效的定位服务,所以这对物联网的研究具有深远的意义。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持部分由中国国家自然科学基金资助62001272。