GWO-LPWSN:灰太狼优化算法在无线传感器网络节点定位问题

文摘

Seyedali Mirjalili et al。(2014)引入了一个完全独特的metaheuristic技术特别是灰太狼优化(拥有)。该算法模拟灰狼的社会行为,而它遵循领导的层次结构和攻击策略。不断上升的问题在无线传感器网络(WSN)是本地化的问题。这个问题的目的是搜索的地理位置未知节点与锚节点传感器网络的帮助。在这工作,拥有算法结合位置未知节点的正确位置,以处理节点定位问题。拟议的工作是使用MATLAB 8.2而实现节点部署在一个随机位置所需的网络区域内。参数计算时间等比例的局部节点,利用最小定位误差的措施分析拥有统治的力量与其他metaheuristics算法的变体如蝙蝠算法粒子群优化(PSO)和修改(MBA)。观察到的结果传达,GWO提供了有前景的结果相比,PSO和MBA的快速收敛速度和成功率。

1。介绍

在实时环境中,无线传感器网络(网络)部署在传感器领域屏幕物理环境的行为。从最近几十年,科学家们的大部分是拉在WSN因其非凡的热情最少的努力和低能力做准备。轮有难以理解的应用,例如,检查温度等自然角度和身体上的奇迹,环境观察,观察活动控制,水下声学观察、检查和患者社会保险。网络有许多研究问题,影响一般系统的概述和执行,例如,发送,时间同步,限制,至少成本指挥和管理和系统安全的性质。大部分的文章和研究报告介绍了解决这些问题的WSN定位(但仍然具有挑战性的问题1]。用一个例子,在一般的情况下如果发生意外自然灾害,传感器节点被放置以随机的方式通过空气工艺。这些传感器节点可能不知道他们目前的GPS位置和放置所有的传感器节点是非常昂贵的2]。传感器节点与GPS,称为锚节点,发送信标信息来估计未知节点的位置,这需要太多的权力。未知节点的位置估计使用锚节点之间的距离(与已知位置)和未知节点与未知的位置()。网络的整体性能降低,如果一个节点位置是错误的;锚节点的结果,错误的数据区域。

过去文献,广泛的定位算法和实现技术,减少沟通成本,提高能源利用效率;然而,大部分的计算是应用程序特定的和大多数的安排不适合广泛的各种各样的网络。总的来说,隔离成两个独特的特征是类,即基于扩展和运行免费的限制。测距技术有助于估计基于传感器节点的位置范围的定位(3,4]。Range-free本地化使用拓扑估计未知节点的位置信息和与其相邻节点的连接(5,6]。在现有位置识别方法通常采用两种技术;第一个是基于距离或角度测量和第二个是杂交的距离和角度。接收信号强度指示(RSSI)是最常用的技术,在节点位置距离测量的节点。其他位置识别方法是到达时间(ToA)的着陆角度(AoA),三角,最大似然(ML)。

接收信号强度指示(RSSI)。未知节点的识别处理基于无线电信号的衰减。然而,信号强度高和附近的节点发送方,反之亦然(7,8]。

到达时间(ToA)。TOA分离的数据各种传播时间的两个传感器之间的信号扩散的注定的速度(9,10]。

的着陆角度(AoA)。也称为到达方向(DoA)方法确定点通过几何方向的面积从信号在哪里获得11,12]。

三角测量的方法。传感器的位置是由三角罪的法律φ和。

最大似然(ML)。毫升确定传感器的位置通过减少距离计算距离之间的对比和评价。

许多metaheuristics算法应用于解决传感器网络的定位问题,这大大降低了定位误差。这些算法属于试验和错误的家庭解决问题,迭代过程可行的解决方案并确定最近的最佳的解决各种问题。在本地化问题,各种优化算法如遗传算法、粒子群优化、重组青蛙跳跃,布谷鸟搜索,蝙蝠算法等等艾滋病即兴创作网络性能的有效和高效的识别未知节点的位置。

本文结构如下:部分2讨论了文献调查的WSN定位的先前的研究。部分3提出了一种灰太狼算法的详细审查。部分4澄清本地化问题朝着利用改进策略。部分5是结果与讨论的基础上,模拟工作和部分6给出了结论和未来研究方向的道路。

2。文献调查

一般来说,各种本地化程序(13]介绍了解决无线传感器网络中的定位问题。这些程序被安排在三个类别,即(一)梯度搜索技术,(b) nonhybrid优化技术,和(c)混合优化技术。

2.1。梯度搜索技术

在梯度搜索技术,识别未知节点的位置是基于一阶迭代方法处理的。下面的描述解释了过去几十年所做的工作在解决定位问题。首先,DV-Hop定位算法(14)利用hop-based传播模型。在该算法中所有节点的距离彼此共享,而每一个未知的过程一个表来存储坐标(和)的锚节点和跳的数量从未知节点到锚节点的信息。当未知节点的相邻节点提供的信息,然后获得职位的更新表;否则表是相同的。DV-Hop本地化的缺点是当网络规模的增加锚节点和未知节点增加,分别。这反过来回报最大的累积误差。这反过来又提供了最大定位误差在寻找未知节点。此外,改善DV-Hop定位技术(15]介绍了克服DV-Hop算法的问题。意味着锚节点的校正因子和平均计算校正因子以减小定位误差。之后,介绍了加权DV-Hop定位算法与轻微的修改意味着校正因子来获取网络中平均跳距误差和提高准确性未知节点的位置。此外,加权双曲DV-Hop算法(WHDV-Hop) (16)提供的组合加权DV-Hop和双曲线定位算法。WHDV-Hop算法需要先验信息的估计位置的锚节点和节点之间的利益,也需要锚节点的位置。这个算法提供了更好的准确性和最小化均方误差和计算复杂性。

同样的,各种技术提出了解决定位问题的问题。其中一些如下:Akyildiz et al。17)和Boukerche et al。18)提供一个详细的调查的重要文献。Niculescu和纳19)提出了一个有效的定位系统通过扩展能力,准确定位系统(APS)非GPS在ad hoc网络节点锚流网络中所有节点的位置信息。Bulusu et al。20.]介绍了精化阶段提高定位精度通过测量锚从他们的相邻节点的距离。Savvides et al。21)解决问题的错误积累与卡尔曼滤波器的帮助解决了基于最小二乘估计(22)同时发现所有传感器节点的位置。

半定规划取决于利用凸优化解决节点定位问题。基于Biswas et al。23斜率寻求战略决定利用一个信息检查过程称为多维标度(MDS)在评价模糊节点的位置。首先计算的计算限制个体解决匹配传感器之间的深刻的最简单的方法解决。此时MDS连接到这些分离得到一个底层系统。积极,直接指导是通过利用已知的节点位置。这种方法很适合一些锚和显然高连通性。

2.2。Nonhybrid优化技术

虽然梯度法解决了传感器网络的定位问题,在解决大规模场景中滞后;为了克服这一问题定位被认为是一个优化问题。现在优化算法(24)起着至关重要的作用在解决方案的问题。传感器网络被认为是减少缺点的多通道和多维问题解决基于人口的随机技术。各种优化算法引入但只有有限的算法用于解决这一问题的定位问题。也称为metaheuristics Nonhybrid优化算法。Metaheuristic算法是非常受欢迎的算法帮助找到组合问题的最优解。因此他们更受大家欢迎的一些算法模拟退火,遗传算法,粒子群优化算法,布谷鸟搜索,蝙蝠算法等等。

模拟退火的Kannan et al。25)是主要的计算细节的限制作为一个改善的问题。时也说了,该做的也做了,SA与蒙特卡罗技术解决组合发展问题。这张液体材料物理回火的行为策略。开始一步一步的高温材料和冷却到一个基地活力晶体结构。该算法分类分为两个阶段:在第一阶段,未知节点的估计位置。在第二阶段,利用社区信息来减轻翻转模棱两可。集中基础设施基础网络场景是用来测试SAL的方法,所有的传感器传输的信息估计中央车站的位置。这种技术的落后由于初始随机位置分配误差积累。

粒子群优化(PSO)算法是一个非常受欢迎的,模仿鸟植绒和鱼的行为教育。算法的节点定位(26]介绍了调整估计位置和定位误差降到最低。作者在论文分类过程分为两个不同的过程:首先过程计算未知节点的估计位置基于DV-distance建立方法的改进版本。在下属过程中,PSO算法用于调整估计位置。此外,各种技术与两个相邻的节点和节点选择优先解决的主要问题进行本地化,比如翻转模棱两可,集体翻译,和误差传播问题。基于遗传优化模拟生物进化的行为自然选择和遗传机制等技术。在这个工作中,作者结合遗传算法与改进DV-Hop增强未知节点的定位技术对通用DV-Hop技术。该算法存在提供定位精度(27]。介绍了基于布谷鸟搜索算法的定位由Goyal和Patterh (28]。在CS的帮助作者确定未知节点的位置,然后将它与其他metaheuristics的方法。

2.3。混合优化技术

混合优化技术确定两个或三个metaheuristics算法合并在一起,形成一种新的优化算法。这些算法帮助有效发现最小的计算时间内的最优解。一些研究人员使用混合算法来解决定位问题。首先,Niewiadomska-Szynkiewicz和标志29日)提出了一种混合算法与模拟退火和遗传算法的结合。这种方法使用三边测量技术来提高精度未知节点的位置坐标。在每一代,计算客观价值衡量如果获得的值是最小的假设阈值随机选择是利用少违反距离约束。这种技术落后在三边测量误差积累将逐渐增加。修改蝙蝠算法定位提出了Goyal Patterh, (30.)模仿蝙蝠在寻找猎物的行为和各种昆虫即使在完全黑暗。一般普通声纳称为回声定位蝙蝠用区分猎物、躲避障碍。在这个工作中,创造者调整蝙蝠计算机遇细菌趋药性的发展的计算来提高精度的限制在短的计算时间。

我们所知,迄今为止,灰太狼优化(拥有)算法从未用于本地化问题。因此,本文灰狼优化算法优化多峰定位问题,它执行得很好确定未知节点的位置和定位精度。

3所示。灰太狼优化算法

Metaheuristic优化算法在工程应用领域,因为他们变得更熟悉(i)依赖,而简单的概念和简单的实现;(2)不需要梯度信息;(3)可以绕过当地最佳状态;(iv)中经常使用不同学科覆盖范围广泛的问题。介绍了大量的算法对不同的组合优化问题。灰太狼优化的新算法提出的Mirjalili et al ., (31日2016年)。这个算法是受灰狼的社会行为,它作用于领导层次的狩猎策略。灰狼被认为是顶级捕食者;他们住在一群大小所为5 - 12岁的狼。基于灰色的狼的狩猎策略分为四类,如α,β,δω。领袖阿尔法狼是包。这狼有权作出决定用来睡觉的地方,狩猎,等等。这些狼是否则称为主导狼和它们严格指导其他狼执行他/她的命令。阿尔法狼过程中起着重要作用产生新的解决方案。其次,β狼的狼是二级阿尔法狼旁边。 These wolves are assistant wolves that guide the alpha wolves in decision-making. It also has certain rights to make decision whenever alpha wolves are passed away. These wolves listen to the alpha decision and provide response to the alpha. Thirdly, delta wolves are next level wolves which are also called subordinate wolves. These wolves are belonging to the categories of elders, sentinels, hunters, scouts, and caretakers. Deltas follow the instruction of alphas and betas and they manage next level wolves named omega. Finally, omega is the lowest ranking wolves and play the role of scapegoat. These wolves are must follow the instructions of all other dominant wolves. Omegas are not important wolves but, in some cases, they help others from facing internal problems.

拥有算法是一个有趣的算法由于群狩猎策略。基于Muro et al .,灰太狼捕猎是分为三类(i)跟踪、追逐,并接近猎物,(ii)追求,环绕,骚扰猎物,直到它不动,(3)攻击猎物。在拥有,符号表征的α,β,δ表示为,,。灰太狼优化的贡献在勘探开发阶段。剥削是在本地搜索最优解的搜索空间。在灰太狼,包围和攻击猎物的猎物是两个开发阶段用于探索当地的搜索空间的优化解决方案。寻找猎物是勘探阶段的灰狼在全球寻找猎物的搜索空间。

在环绕的猎物,灰狼识别猎物的位置和包围他们。在此阶段,猎物的位置向量定义和其他搜索代理调整其位置基于获得的最佳解决方案。环绕猎物的方程如下所示: 在哪里代表当前迭代,和是系数向量,猎物的位置向量表示为,是位置向量,是绝对值,是一个乘法中的元素。

向量和计算如下: 在哪里是线性下降从2在每个迭代和0是一个随机向量。搜索代理的位置基于获得的猎物的位置调整到目前为止。的系数向量和调整以达到最好的代理在不同的地方。

在狩猎阶段,灰色的狼是由α(),还提供一些贡献β()和三角洲()。最初,最好的最优不是识别由于庞大的搜索空间而在捕猎策略阿尔法被认为是第一个候选最佳解决方案,β是第二好的候选解决方案最后δ是第三个最佳候选方案。在所有迭代,这三个解决方案保存和更新调整位置ω排名最低的解决方案。狩猎策略制定的方程如下: 在哪里,,修改后的距离向量之间的α,β,δ其他狼和位置,,三个系数向量艾滋病在调整距离向量和计算使用(3)。的位置向量的灰太狼(ω)。 在哪里是一个获得新的位置向量使用α位置吗和距离向量,表示,新的位置向量获得使用测试版的位置和距离向量,代表了新的位置向量计算使用三角洲的位置和距离向量,,,三个系数向量计算使用(2)。 在哪里新完成新位置向量计算平均总和的位置获得使用αβ,δ狼,然后呢代表三个狼的α,β,δ()。

攻击猎物阶段有助于候选解决方案来确定当地的解决方案。为了执行本地搜索系数向量波动区间的范围(2,2)而线性降低它的值从2 - 0在一代又一代。如果该值的系数向量比1小然后搜索代理执行本地搜索。与这些拥有运营商、搜索代理更新他们的位置的位置使用α,β,δ和攻击猎物。这个操作符的意图停滞在克服这个问题的局部最优搜索猎物阶段。这个阶段帮助互相偏离寻找猎物和收敛于攻击猎物。如果该值的系数向量大于1然后搜索代理发散的猎物,发现新的猎物。同样,参数向量是有助于避免当地最适条件,而矢量值的一系列的变化。

的参数和指导拥有算法来确定最优的解决方案在全球搜索空间。算法1显示了拥有算法伪代码实现。图1显示了算法拥有的流动。

4所示。制定WSN定位问题

传感器网络节点定位问题制定使用基于单跳距离分布技术来估计未知节点的位置坐标借助锚节点(节点)的位置坐标。锚节点提供GPS设备,所以它有自动确定其位置的能力。大多数的传感器网络中的节点不配备全球定位系统由于成本太高。测量的坐标未知节点,接下来的程序如下所示。

步骤1。随机初始化未知节点和锚节点的通信范围内()。锚节点测量他们的立场和交流他们的邻居的坐标。所有迭代,最后落定的节点称为参考节点,该节点将作为锚节点。

步骤2。三个或多个锚节点的通信范围内的节点是局部节点。

步骤3。邻近的锚节点帮助测量局部节点的位置。距离测量干扰是由于环境的考虑;消除高斯噪声合并与实际距离。 从其锚节点估计它的距离。

未知节点的坐标是/目标节点和的坐标吗th邻居锚节点(28,30.]。

步骤4。优化问题是制定本土化问题的误差降到最低。每一个可以定位的目标中心运行拥有计算自由限制本身通过确定其坐标位置。的目标容量限制问题制定如下: 在哪里是锚节点传输范围内的数量(),目标节点。

第5步。定位误差的特点是原始之间的间隔和评估领域的一个名不见经传的节点计算的意思是根间隔评估节点的坐标和原始节点安排为(问是在节点的数量),证明如下:

步骤6。重复的步骤2- - - - - -5直到所有未知/目标节点得到局部或没有更多的节点可以本地化。定位错误()的数量和nonlocalized节点()援助来识别定位算法的性能。nonlocalized节点的数量()确定基于节点总数之间的差异和局部节点的数目。算法的性能更好的如果它获得的最小值和(30.]。

在每个进化,锚节点数量的增加逐渐基于本地化的目标节点和这些局部节点命名引用节点。在进化这些节点将作为锚节点等等。

5。实验分析

在这部分,逐点展拥有评估计算。相关性,利用两种不同的算法。他们改变了粒子群算法(PSO) (22),另一个是工商管理硕士(20.]。因为拥有是最近提出的计算与主动链的追逐过程的重要性,我们对比拥有计算与其他两种算法。所有这三个计算拥有、PSO和MBA在MATLAB 8.2和Windows操作系统执行条件利用英特尔酷睿i3, 3.30 GHz, 3 GB RAM。介绍了民众的大小根据数量的传感器节点部署在分布范围。拥有的控制参数值设置的建议的创造者19]。控制参数设置方案和计算表1。

5.1。参数设置

在这篇文章中,部署的无线传感器网络被认为是有300个传感器节点。然而,传感器节点随机分布在仿真领域,而不同锚节点。每一个优化算法,人口规模是固定的100和最大迭代数是100。在算法、社会和认知参数是指定为,惯性和动力重量(22]。对于MBA,初始值为参数脉冲率()和响度(女士)指定为0.5和0.2,分别为(20.]。拥有的参数”“线性减少的间隔和从0到2参数线性增加。

5.2。局部节点的结果的比较和分析

GWO算法的性能与其他优化算法如算法和著名MBA已经被用于分析的性能提出的工作。平均定位误差(标定),计算时间和数量的局部节点(NL)被认为拥有算法的性能进行评估。

总的来说,300年部署传感器节点随机放置区域。节点分为三类锚(位置已知节点)、目标(未知位置节点)和局部(参考节点或位置确定到目前为止)节点。图2显示的结果局部节点使用粒子群优化(PSO)算法。在泛型算法,局部节点最小由于其缓慢的收敛速度。锚节点是不同的测试算法的效率。图3显示了节点位置的图形表示和识别未知节点位置对锚节点利用改造过的蝙蝠算法。图4显示未知节点的定位的帮助下拥有很明显它传达nonlocalized节点的数量最少。

结果分析了使用平均定位误差等参数(标定),计算时间和数量的局部节点(NL)。锚节点是不同的从10到100年为了更好的效率确定未知节点的位置。最初,传感器节点分布与10个锚节点在部署区域。PSO算法应用到场景来确定未知节点的位置。算法的结果与测量在表10锚节点2。同样,MBA是用来确定未知节点的位置而它178个节点在300年部署传感器节点。当锚节点数量的增加局部节点是相同的;性能没有改善。在这工作,拥有性能更好的识别最大数量的未知节点的位置。领导战略和狩猎层次拥有的支柱。这一策略有助于识别未知的节点。参数““逐步减少加强在当地的性能(不知道哪个是最近的锚节点)和全球搜索(未知节点远离锚)。GWO算法的性能大为提高,这些结果在表表示2。图5提供图形表示算法性能方面与其他metaheuristics最小定位误差。

与此同时,我们测量了每个算法的运行时间对锚节点数量的增加。所有的计算都是在同一个系统中执行。运行时间以秒100多个迭代。图6显示所有算法的运行时间。从我们明白GWO算法发现的最大数量最低计算时间内未知节点的位置。最后,以局部节点的计算表2绘制在图7。拥有算法收敛速度非常快,达到最优结果通过识别局部节点的最大数量。从观察到的结果,最低平均定位误差(企业)获得相比其他算法如图7。拥有比MBA和PSO算法提供了更好的定位精度。

5.3。定位结果在不同的传输范围

传播范围的传感器节点是无线传感器网络定位的另一个参数。局部节点数量的增加逐渐当传感器节点的传输范围增加进而获得最小定位误差。传感器节点的传输范围从10米开始,逐步增加5米分析该算法的性能。当传感器节点传输范围的增加,该算法在定位精度方面取得更好的结果。表3显示测量值的局部节点的传输范围的变化。一般来说,拥有最好有三个解决方案,如α,β,δ,映射作为第一的邻居,第二个邻居,和第三个邻居锚节点。这个算法是三角测量方法相似,但它增强了现有方法获得更好的定位精度在小型和大型的环境。图8清楚地表明,当传感器节点的范围增加局部节点数量的增加和减少定位误差。拥有算法提供了最佳的性能比其他所有metaheuristic算法。

5.4。观察

拟议的节点定位问题是拥有算法成功地实现和观察结果表明,灰狼优化算法估计未知节点的位置,并提供最小定位误差相对于其他metaheuristic算法PSO和MBA。拥有算法由于其层次的领导策略要好。这个策略提高了解决方案(未知节点位置)的帮助下三个已知的解决方案。它优于三角测量方法大规模环境。

最后,本文总结了结果GWO算法提供了更好的性能在定位精度和定位误差的最小化。更快的收敛速度和估计的最小计算时间内节点的位置是拥有的额外优势。

6。结论

本文展示另一群进步计算出于追逐的领导层次进行黑狼。这个拥有包裹三位领导人重新创建扫描猎物,封闭的猎物,主动追逐行为黑狼。拥有了足以竞争与其他先进的metaheuristic方法分析探索,剥削,附近的最适条件逃税,收敛行为。灰太狼优化算法从未用于本地化问题。本文利用拥有算法定位问题,找到未知节点的位置提供了更好的结果。等数值计算结果收敛速度(最小计算时间)和成功率(局部节点的最大数量)提出拥有算法指出,相比其他变异PSO和MBA等算法。拥有算法进行比较的结果与其他metaheuristics方法,从而实现更好的性能对局部节点的最大数量。此外,该算法可以在移动节点网络测试,如移动ad hoc网络(MANET)。在未来,拥有metaheuristic算法的算法可以集成其他变异形成的混合算法在收敛性和多样性有效移动识别最大数量的未知节点的位置。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. n . a . a . Alrajeh m·巴希尔,b·夏姆斯“定位技术在无线传感器网络中,”国际期刊的分布式传感器网络,9卷,不。6、1 - 9,2013页。视图:出版商的网站|谷歌学术搜索
2. d . Lavanya和s . k . Udgata”,在无线传感器网络基于群体智慧的定位多学科的人工智能的趋势卷,7080年,页317 - 328,施普林格,2011年。视图:谷歌学术搜索
3. k . k . Almuzaini格列佛a,“基于范围定位在无线网络使用density-based异常值检测,”无线传感器网络,2卷,第814 - 807页,2010年。视图:谷歌学术搜索
4. 陈和y y, w . Wu,“一个基于范围为无线传感器网络定位算法,”通信和网络杂志》上,7卷,不。4、429 - 437年,2005页。视图:出版商的网站|谷歌学术搜索
5. r . Stoleru t .他和j . a .斯坦科维奇“Range-free本地化,”信息安全的发展卷,30 3-31,2007页。视图:谷歌学术搜索
6. c c。陈,彭译葶。常,Y.-N。李,“Range-free本地化方案在无线传感器网络中基于bilateration,”国际期刊的分布式传感器网络文章ID 620248卷,2013年,10页,2013。视图:出版商的网站|谷歌学术搜索
7. j .高塔、g . Boriello和r .,“劳动:室内3 d位置传感技术基于射频信号强度,“技术。众议员2000-02-02,华盛顿大学,2002。视图:谷歌学术搜索
8. 研究。曾,S.-P。郭,H.-W。李,张炳扬。黄”,位置跟踪的无线传感器网络移动代理和它的数据融合策略,”《国际研讨会在传感器网络的信息处理(IPSN ' 03)帕洛阿尔托,加州,美国,2003年4月。视图:谷歌学术搜索
9. a·哈特料斗,p . Steggles a .病房和p·韦伯斯特,“上下文感知应用的解剖学,”学报》第五届ACM和IEEE移动计算和网络国际会议(99年MOBICOM”)1999年8月美国,西雅图,洗。视图:谷歌学术搜索
10. n . b . Priyanath a Chakraborty, h . Balakrishna“板球location-support系统”学报第六届一年一度的移动计算和网络国际会议(MobiCom ' 00)美国,波士顿,质量,2000年8月。视图:谷歌学术搜索
11. A . Nasipuri和k·李”,一个基于方向性的位置发现方案为无线传感器网络,”学报第一ACM国际研讨会上无线传感器网络和应用程序(WSNA ' 02)ACM,页105 - 111年,亚特兰大,乔治亚州,美国,2002年9月。视图:谷歌学术搜索
12. d . Niculescu和b . Nath临时使用面向方面的处理方法(AoA)定位系统(APS),”《IEEE计算机通讯大会上(INFOCOM ' 03)2003年,旧金山,加利福尼亚州,美国。视图:谷歌学术搜索
13. g .毛、b . Fidan和b·d·o·安德森,“无线传感器网络定位技术,”计算机网络,51卷,不。10日,2529 - 2553年,2007页。视图:出版商的网站|谷歌学术搜索
14. j . f . Kurose和k·w·罗斯计算机网络:一个顶级方法以互联网、朗文、阅读、质量,美国,2013年。
15. 明宇和z阴”,DV-hop定位算法基础上改进的平均跳距和估计的距离,“计算机应用研究,28卷,不。2、648 - 650年,2011页。视图:谷歌学术搜索
16. j . Mass-Sanchez e . Ruiz-Ibarra j . Cortez-Gonzalez a . Espinoza-Ruiz和l·a·卡斯特罗“加权双曲DV-hop定位节点定位算法在网络,”无线个人通信,2016年。视图:出版商的网站|谷歌学术搜索
17. i . f . Akyildiz w·苏y Sankarasubramaniam,大肠Cayirci,“无线传感器网络:一项调查,”计算机网络,38卷,不。4、393 - 422年,2002页。视图:出版商的网站|谷歌学术搜索
18. a . Boukerche h·a·b·f·奥利维拉e . f .中村和a·a·f·Loureiro“无线传感器网络定位系统,”IEEE无线通信,14卷,不。6、6 - 12,2007页。视图:出版商的网站|谷歌学术搜索
19. d . Niculescu和b·纳“临时定位系统(APS),”《IEEE全球电信会议(GLOBECOM ' 01)5卷,第2931 - 2926页,IEEE,圣安东尼奥,德克萨斯州,美国,2001年11月。视图:谷歌学术搜索
20. 吉伦特n . Bulusu d·埃斯特林l . j . Heidemann,“可扩展的无线传感器网络的协调:自配置定位系统”学报第六通信理论和应用国际研讨会(ISCTA ' 01)2001年7月英国Ambleside。视图:谷歌学术搜索
21. a . Savvides h .公园,m·b·斯利瓦斯塔瓦”的比特和失败n-hop multilateration原始节点定位问题,”学报第一ACM国际研讨会上无线传感器网络和应用程序(WSNA ' 02)ACM,页112 - 121年,2002年9月。视图:谷歌学术搜索
22. m . Di Rocco和f . Pascucci传感器网络本地化使用分布式扩展卡尔曼滤波器”《IEEE / ASME国际会议上先进的智能机电一体化(目标' 07)2007年9月,IEEE,页1 - 6。视图:出版商的网站|谷歌学术搜索
23. p . Biswas苏耿赋。丽安,苏耿赋。王,你们y”半定规划建立传感器网络定位算法,“ACM传感器网络交易,卷2,不。2、188 - 220年,2006页。视图:出版商的网站|谷歌学术搜索
24. Yun, j·李,w .涌、e·金和金,“软计算方法在无线传感器网络定位,“专家系统与应用程序,36卷,不。4、7552 - 7561年,2009页。视图:出版商的网站|谷歌学术搜索
25. Kannan a、g .毛和b . Vucetic”在无线传感器网络基于模拟退火的定位30 IEEE会议程序本地计算机网络澳大利亚悉尼,页513 - 514,,2011年11月。视图:出版商的网站|谷歌学术搜索
26. p h . Namin和m . a . Tinati“使用粒子群优化节点定位,”学报》第七届国际会议上智能传感器,传感器网络和信息处理(ISSNIP 11)IEEE,页288 - 293年,2011年12月澳大利亚阿德莱德。视图:出版商的网站|谷歌学术搜索
27. 彭b和l·李”,一种改进的定位算法基于遗传算法在无线传感器网络中,“认知神经动力学,9卷,不。2、249 - 256年,2015页。视图:出版商的网站|谷歌学术搜索
28. 美国Goyal和m . s . Patterh无线传感器网络定位布谷鸟搜索算法的基础上,“无线个人通信,卷79,不。1,第234 - 223页,2014。视图:出版商的网站|谷歌学术搜索
29. 大肠Niewiadomska-Szynkiewicz和m .标志、“无线传感器网络定位、优化方案”应用数学和计算机科学的国际期刊,19卷,不。2、291 - 302年,2009页。视图:出版商的网站|谷歌学术搜索
30. 美国Goyal和m . s . Patterh修改蝙蝠无线传感器网络定位算法,”无线个人通信卷,86年,第670 - 657页,2015年。视图:出版商的网站|谷歌学术搜索
31. s . Mirjalili s . m . Mirjalili和a·刘易斯,“灰太狼优化器,”工程软件的进步卷。69年,46 - 61年,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017 r . Rajakumar et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。