为了避免尽可能错误的扩张，定位更精确，无线传感器网络的敏感节点被校正BA的基础上改进而成，混合粒子的群不断优化定位无线传感器网络，充分利用BPSDV-Hop定位算法。过优化混合粒子群来计算未知节点，计算跳跃距离的范围。次，当使用DV-Hop算法计算未知节点的位置时，忽略传统的最小二乘法。用这些未知节点的坐标的判断。了这个功能，正确的算法不断优化定位方法，并确定précision.Il最终必须充分发挥Matlab的平台的作用，并利用这个平台来分析和精心探索算法。可靠分析，BPSDV-Hop定位算法优于DV-Hop定位算法：它具有极高的精度和未知的坐标和WSN的应用前景广阔。[关键词] BPSDV-HOP无线传感器网络算法DV-HOP算法优化算法混合群算法节点定位技术的战斗是基于无线传感器网络（WSN），在研究WSN，节点定位技术被认为是正在进行的研究的主要任务，其应用前景极为广阔和它的使用价值更高一些复杂多样的环境，其中包括知名的安全检测，军事环境等目前，国内外专家和学者对虚拟存储网络（NSN）进行了一系列分析和探索。位算法执行遥测和遥测功能，它们的作用是不同的。DV-Hop算法是没有遥测的算法中相对成熟的算法。的定位方法比其他算法简单。允许使用少量锚节点进行快速定位，但缺点是定位精度略低。此，研究人员对DV-Hop算法进行了一系列改进，以提高其定位精度，热敏元件例如，RSSI策略用于计算DV算法节点之间的距离-Hop减少节点之间的误差，提高WSN的定位精度。DV-Hop算法中引入媒体访问机制以优化距离误差;在计算锚节点之间的距离，以获得计算平均跳距离的精度，最佳的调整因子用于连续优化通过一系列所获得的定位结果分析;混合粒子群优化算法用于解决DV-Hop定位算法中未知节点的平均跳跃距离，减少定位误差，提高定位精度。而，这些算法还有很多问题，不容许考虑到整个算法，而忽略了搜索空间的大小的问题，对节点的定位精度有重要影响WSN。避免这种情况，我们必须开辟新的思维方式。后，杨教授新社正式在2010年提出的蝙蝠算法（BA），他充分利用蝙蝠回声定位的特点，进行了许多expérimentales.L’algorithme蝙蝠数据分析在实际应用中呈现出许多优秀特性，特别是在迭代中。优化方面，没有必要调整大量参数。此，为了减少误差，提高WSN节点的定位精度，本文介绍了BA算法，为纠正DV-Hop算法的误差提供了新的搜索思路。这篇文章中，我们提出了基于修正BA无线传感器网络定位算法的基础上，修正，这是一个BPSDV-Hop定位算法，通过优化优化计算第一跳距离范围BA成群的混合粒子用于某些未知的结，然后应用DV-Hop。算法计算未知节点的位置，它将拒绝在passé.Pour确定这些未知节点的坐标通常使用的最小平方法，算法节拍必须被使用，其永久地优化定位方法，以确定准确性和准确定位WSN节点。DV-Hop定位算法和误差分析DV-Hop定位算法的第一步是获得锚节点并计算跳跃范围，第二步是获得跳跃距离。算锚节点i的跳跃的平均距离为：其中HIJ是啤酒花的锚节点i和j之间，以及数（XI，YI）（XJ，YJ）是节点的坐标我和j。知节点的跳跃之间的距离对应于通过映射获得的锚节点的跳跃距离，并且锚节点的跳跃距离是平均跳跃。离范围和最小跳跃次数的乘积。后，计算出未知节点的坐标：将n设置的锚节点（X，Y）和坐标备用节点和锚节点之间的估计的距离是D1，D2，…，DN分别。面的等式：在遥测过程WSN不可避免地产生的数据错误，线性方程组，因此N = G b，其中N是误差矢量，最小二乘距离方程为： DV-Hop定位误差分析首先假定锚节点i未知节点与未知节点之间的实际距离为ri，遥测误差为εi且（x，y）为一致约束| ri-di | <εi和求解（x，y），使得等式（4）知道节点所在。置不得超过区域范围，f（x，y）是总定位误差。获得最小值时，通过定位判断获得的误差最小，并且未知节点的最佳值是坐标（x，y）。学模型用于优化定位问题，蝙蝠算法用于求解未知坐标以防止误差的扩展。外，DV-Hop定位算法的定位原理是将锚节点视为未知节点。们之间的平均跳跃距离由两个锚节点之间的平均跳跃距离表示，这很容易在两点之间定位。差因此，本文采用混合粒子群优化算法求解未知节点的平均跳跃距离，减少定位误差。BPSDV-Hop算法的定位算法优化了蝙蝠的回声定位。个虚拟球棒具有位于位置x对应的飞行速度VI（解决问题）。猎人寻找猎物，它发射高频和高音质超声波。了扩大搜索范围，在发现猎物后，逐渐降低声音强度并增加脉搏率以准确定位猎物。中，实时位置和虚拟球棒的速度公式中，如图（5）：其中f，FMAX和FMIN由脉冲频率，最大脉冲频率表示顺序地和根据均匀分布，当前速率的最小脉冲率。理，其中β是随机因子，x *是先前的最优解。建新的本地解决方案，我们必须充分利用的随机游走的原理：当选择了最好的解决方案之一，精简和判断原则，在随机变量在是响度所有蝙蝠的平均值。冲声强和发射率的更新公式如式（7）所示：混合粒子群优化算法的优缺点与优化粒子群（PSO）是明显的，并且经常出现最优解的不完全判断问题;当然，模拟退火算法这个问题很好地解决了。的优势不仅体现在搜索的完整性上，而且其搜索效率明显高于PSO算法。里提到的混合粒子群优化算法（PSO-SA）基本上是必不可少的。述两种算法的结合结合了优点，并提供了一些学习能力，充分利用了模拟退火算法的特点 – 退火特性。免陷入局部最优解，根据大都市机构，粒子的位置和速度被合理化和分析，数据以时间更新，颗粒在初始种群的最优解时，关于确定初始参数并进行退火。程。设有N个未知节点和锚节点M在actuel.Les网络节点坐标，其中分别锚节点，的坐标，和未知节点的坐标是，，那么问题定位可以用下面的公式来描述。i个锚节点与未知节点之间的实际距离与测量距离之间的误差以及定位问题相应地转换为定位误差的最小值。混合粒子群优化算法中，温度对粒子群优化算法影响不大，根据模拟退火算法的特点，温度T定义如下：在颗粒组中选择具有最小物理形式和最大颗粒的颗粒。应值是FMIN，FMAX在退火过程根据蒙特卡洛的标准，则重要的条件被接受以一定的概率P0和初始温度时，颗粒的迭代过程被定义。使时间，温度根据速度降低。当前过程中，当p0 = 0.85，λ= 0.95时，算法显示出最佳性能。混合粒子群优化算法中，粒子群优化算法的最终条件是给定粒子群的速度和最大坐标。
算法达到该值时，算法结束，但对于模拟退火算法，其最终条件是：通过比较解的目标函数增量Δf来确定降低温度的过程。具有一定程度ε的相邻溶液之间最佳。合粒子群优化算法的流程图如图1所示。蝠设计的最佳位置由特征分析与适用性之间的关系决定。化混合粒子群的算法。aptitude函数的公式为：其中M是锚节点的数量，表示未知。点和第i个锚节点之间的测量距离的重量由所述节点和所述权重值和跳数之间的未知节点ancrage.La关系之间的跳的数目来确定是相反，它这完全符合当前的情况。次，根据最小适应度函数的目标值确定未知节点的估计距离。BPSDV-Hop定位算法工作流程首先，基于BA校正，混合粒子群不断优化无线传感器网络的定位，改变了位置坐标的问题。决全局优化问题，然后通过应用DV-Hop算法计算未知节点。自身的位置，在过去通常使用的最小二乘法是abandonnée.Pour估计未知节点的坐标，该算法必须使用节拍和定位方法是不断优化由该函数来确定精度因此获得更理想的WSN定位结果。图2所示本实施例的模拟充分利用Matlab仿真平台，以检查在相同的定位réseau.L’algorithme环境DSD-一跳是用于测试BPSDV跳算法的定位性能检查BPSDV-Hop算法的定位性能，相同的条件允许修改密度，通信半径和锚定节点的节点。位误差的平均数量是相对于两个算法的定位性能，如下所示：100个节点随机排列的百米二维空间×100μm时，通信节点的半径为30米和锚节点代表所有节点的10％。数定义如下：蝙蝠种群的大小m = 100，最大声强A = 0.20，声强的衰减系数和脉冲频率的增加系数是全部等于0.05，搜索脉冲频率范围[0.100]，最大脉冲频率r0 = 0.75，所有结果平均在50次试验后平均。果与两种算法的分析定位误差进行比较时，DV-合算法和BPSDV跳算法的未知节点的定位误差在图3中示出它是由图3可见，定位BPSDV跳算法的平均误差并不重要，并且它是显著小于DV-Hop.Les结果的误差值表明，该算法BPSDV跳算法提高定位精度。
节点数对算法定位性能的影响当比较锚节点数对算法定位性能的影响时，节点数保持不变和比例锚节点不同（两种算法的定位误差曲线如图4所示）。4示出的是，当锚节点的比率是相同的，BPSDV跳算法的定位误差较小，并提供更准确的定位于锚节点密度更小。信半径对算法定位性能的影响不变，锚节点的比例为10％。通信半径是不同的，这两个定位算法的趋势在图5中示出很明显从图5，在相同的通信范围的条件下，该算法BPSDV跳的定位精度从25％提高到35％，有效地减少了WSN节点的定位误差。算法的性能定位在确定的算法的定位性能的节点的数量的影响的节点的数目的影响，锚节点的比例保持不变，并且节点的数量是不同的两种算法的.The定位图案在图中示出6。6示出了在BPSDV跳算法的节点的数量的影响相对faible.Les实验结果表明，位置算法BPSDV- Hop具有良好的稳健性。
了避免尽可能错误的扩张，定位更精确，无线传感器网络的敏感节点被校正BA的基础上改进而成，混合粒子的群最大化网络定位无线传感器和充分利用BPSDV-Hop定位算法。先，将跳频距离范围通过优化粒子群混合，一些未知节点，其次，当DV跳算法被用于计算未知节点的未知位置计算，最小二乘法常用过去被忽略，并确定这些未知节点的坐标。用良好的球棒算法，此功能不断优化定位方法以确定准确性。验结果表明，BPSDV-Hop定位算法远优于DV-Hop定位算法。外，其对未知坐标的准确性和定位精度非常高，其在WSN中的应用前景广阔。考文献[1]高Y，召WS，荆C，等人，基于自适应优化群[J]，应用力学和材料，2012（143）WSN节点定位算法：303至306 2]叶荣，赵令伟无线传感器网络定位算法。于蚁群的混合物[J]。量与控制计算，2011，19（03）：732-735。[3]赵世军，孙美玲，唐一芳。位算法在无线传感器网络[J] .Uses计算机及软件，2009.26（10）：189〜192 [4]白金井，严新平。于质心加权混合算法和DV-Hop的WSN定位方法研究[J]。算机应用研究，2009，26（06）：2248-2251。[5]将传感器节点的方法，覃还，陈毫，吴般劁，计算机应用，2014年，50（17）：。25 129 [6]刘韵洁，金潞，CUI Chengyi.Algorithme基于RSSI的无线传感器网络改进加权定位[J]。感技术学报，2009，23（05）：717-721。[7]邓力。于遗传算法WSN的节点定位算法研究[J]。算机仿真，2011.28 09）：2005年软件161〜164 [8]汪敷胞，士龙，任丰原，系统和自我定位算法在无线传感器网络[J] .Journaling ，16（05）：857-868。
[9]，熊胜武，刘毅等。进的无线传感器网络DV-HOP定位算法[J]。感技术学报，2011，24（12）：1782-1786。[10]，赵清华。据平均行进距离和位置校正DV-Hop定位算法的估计[J]。感技术学报，2009，22（08）：1154-1158。[11]杨XS Gandomi一个H.Bat算法：一种新的方法，以工程的全局优化[J] .Engineering数学，2012，29（05）：464 483 [12]陈志祥，尹淑艳和陆振阳基于模拟遗传退火算法的弧焊机器人系统协调轨迹规划[J]。
械工程学报，2005（02）：194-198 204. [13]凌琳。于混合粒子群优化算法的无线传感器网络定位研究[D]江西师范大学，2013。者：东北林业大学机电工程学院，哈尔滨150040″
本文转载自
热敏元件www.wisdom-thermostats.com