基于元胞蝙蝠算法的無線傳感器網絡節點定位研究

孟凱露，岳克強，尚俊娜

（1. 杭州電子科技大學通信工程學院，浙江 杭州310018；2. 杭州電子科技大學電子信息學院，浙江 杭州 310018）

基于元胞蝙蝠算法的無線傳感器網絡節點定位研究

孟凱露1，岳克強2，尚俊娜1

（1. 杭州電子科技大學通信工程學院，浙江 杭州310018；2. 杭州電子科技大學電子信息學院，浙江 杭州 310018）

為了提高節點定位精度，解決定位誤差較大的問題，提出了基于元胞蝙蝠算法的無線傳感器網絡節點定位算法，以此來獲得更高的定位精度。首先將元胞自動機的思想融入蝙蝠算法，采用了改進的元胞限制競爭選擇小生境技術和災變機制，使得該算法在尋優過程中能夠跳出局部極值，避免早熟現象，更快地收斂到全局最優解。通過標準測試函數的驗證，表明了該改進算法在收斂深度和廣度上的優勢。之后將元胞蝙蝠算法應用到無線傳感器網絡節點定位上來提高定位精度。實測實驗中，該算法在測試環境下平均定位誤差在0.4 m以內，相比于改進PSO算法，獲得更好的定位效果。

無線傳感器網絡；節點定位；元胞自動機；蝙蝠算法；定位精度

1 引言

無線傳感器網絡[1]由能夠進行通信和計算的無線傳感器節點組成，由于其成本低、功能多、融合多門技術，被譽為21世紀最具有影響力的技術之一。根據是否需要測量距離，目前無線傳感器節點定位算法可以分為兩種定位機制：基于測距和無需測距。基于測距的定位主要是通過距離來確定節點的位置，無需測距則不需要知道節點的距離和方向，只能通過估計定位節點的位置，而基于測距的定位精度遠遠高于無需測距的方法，將會有更好的發展空間。測距的基本方法包括接收信號強度指示（received signal strength indication，RSSI）、到達時間差（time difference of arrival，TDOA）、到達角度（angel of arrival，AOA）。RSSI[2]因其使用方便和精度高而被廣泛應用。無線傳感器的節點定位問題可以轉換成一個多約束優化問題，當前有學者采用智能算法來提高節點定位的精度[3]，但常用的粒子群算法、遺傳算法等智能優化算法易陷入局部最優，定位精度、效果的提高不明顯，因此需要研究一種性能好、效率高的智能算法，從而有效地提高定位精度。

蝙蝠算法（bat algorithm，BA）模擬自然界中蝙蝠利用一種聲納來尋找獵物和避免障礙物的生物學特性，具有并行性、分布式和收斂速度快等特點[4]。目前，已經廣泛應用于工程設計、分類、模糊聚類、預測和神經網絡等領域。但是基礎BA算法的搜索區域單一，缺乏有效方法保持種群的多樣性，搜索性能較差。基于此，參考文獻[5]將改進的蝙蝠算法應用于Dv-Hop定位算法平均跳距的計算過程中，使得該算法在不同錨節點密度、不同通信半徑、不同節點數量以及定位精確度等方面的性能明顯增強。參考文獻[6]采用蝙蝠算法的拓撲結構來構建多智能體的體系結構，通過多智能體蝙蝠算法來求解室內定位，大大提高了算法的收斂速度和效率。多智能體之間雖然可以發生決策交互，也可以與環境相互作用，但是在深度搜索和保持個體多樣性方面仍有待提高。

元胞自動機（cellular automata）是時間、空間上均表現為離散的動力系統模型，多個元胞在同一個環境里共同生存，且每個元胞能夠主動地、自治地活動，基于此本文提出一種元胞蝙蝠算法（cellular automata bat algorithm，CA-BA），將CA的思想融入BA算法[7,8]中，把每個蝙蝠個體看作一個元胞，同時采用了改進的元胞限制競爭選擇（restricted competition selection，RCS）小生境技術，將元胞與其鄰域看作一個小生境環境，通過小生境環境內的最優解進行速度和位置的更新，并加入了災變機制，使元胞個體能夠較快地跳出局部極值從而避免早熟現象，提高了算法的效率。通過對6個標準測試函數的仿真，改進的CA-BA算法在尋優精度和收斂速度上都比BA算法、CBA算法以及 MA-BA算法更勝一籌，同時將其應用于無線傳感器網絡節點定位中，節點的平均定位誤差相對較小，并且可以使用相對較少的錨節點達到理想的定位精度。

2 CA-BA算法

2.1 基本BA算法

由Yang教授于2010年提出的蝙蝠算法[9]是一種啟發式的群體智能算法，基于蝙蝠的回聲定位能力指導它們的捕食行為。在實際的優化算法中，每只蝙蝠為搜索解空間的一個點，由適應度函數來決定蝙蝠位置的優劣。蝙蝠個體的每一次有效飛行就是 BA算法的一次迭代更新。蝙蝠的位置和速度更新如下：

選取個體按式（2）進行最優解擾動：其中，ε為[?1,1]上的隨機數值，tA為在時刻t所有蝙蝠個體的平均響度。當發現獵物的時候，蝙蝠個體則降低脈沖響度和增加脈沖頻度。在BA 算法中，響度Ai和脈沖頻度ri按式（3）進行更新：

其中，0ir表示初始脈沖頻度，γ是發射脈沖

頻度增加的系數，ω是脈沖響度衰減系數，兩者都為常數，其中，0＜ω＜1，γ＞0。

2.2 CA-BA算法

元胞自動機[10]是一種時間和空間都離散的動力系統，散布在規格網格中的每一元胞取有限的離散狀態，依據確定的局部規則作同步更新。本文將CA的思想應用到BA算法中，把BA算法中的個體看作元胞自動機系統（cellular automata system，CAS）中的元胞，以此來研究種群的交流結構以及信息傳遞與繼承機制。根據元胞自動機的原理和規則，蝙蝠個體只與通過鄰居函數確定的鄰域個體進行交流[11]，并且能夠由自身的局部搜索逐步延伸到全局搜索，這樣使得尋優過程能夠擺脫局部極值從而避免早熟，有助于保持種群的多樣性和探索能力，更準確迅速地收斂到全局最優解。

2.2.1 元胞自動機與蝙蝠算法的混合機制

在所提出的CA-BA算法中，把BA算法中的一個蝙蝠個體看作一個元胞，且這個元胞只能與通過鄰居函數確定的鄰域元胞進行交流、競爭與合作，根據鄰域環境更新自身的位置和速度。本文選取的是結構簡單穩定的四方網格排列，如圖1所示。每一個網格就表示CA-BA算法中的一個元胞，即一個蝙蝠個體。元胞在網格中的位置固定不變，每一個網格包含的信息是元胞的固定位置以及其在解空間的位置和速度。并且元胞的邊界條件是周期型（pehodic boundary）的，即對于二維空間而言，上下相連，左右相連，元胞蝙蝠個體以相鄰的8個元胞為鄰居，即Moore鄰居形式，假設圖1中相鄰兩個方格的距離為1，它的鄰域元胞可以由式（4）被定義：

j表示中心元胞的行列坐標值。此種CA-BA算法中蝙蝠元胞的重疊方式提供了一種隱性的遷移機制，有利于最優個體在種群中緩慢地擴散，能更持久地保持種群多樣性。

圖1 四方網格

2.2.2 改進的元胞RCS小生境技術

在基礎BA算法中，算法前期收斂速度很快,但隨著迭代次數的增加，蝙蝠種群聚集現象比較嚴重，蝙蝠個體的速度逐漸減小并趨于0，這導致算法后期易陷入局部極值而停滯不前，因此如何保持種群個體的多樣性對蝙蝠算法進行深度搜索具有十分重要的意義。基于上述分析本文引入小生境策略來維持種群的多樣性。

將元胞Xi,j與其鄰域個體其中，num為1～8的整數，看作一個小生境環境，記錄其鄰域最優元胞為

,

i j M ，首先比較Xi,j與Mi,j的適應度值。按照以下步驟對元胞個體進行進化：

明距離，并將距離值按照從大到小排序。

其中， L' e vy( 0,1)為L' evy分布函數，通過擾動不僅加快了算法向最優解區域靠近的速度,而且提高了算法跳出局部極值的能力和尋優精度，提高了算法的尋優性能。

通過RCS小生境技術，保證了元胞個體向最優個體的學習，元胞與鄰域元胞互相傳遞有效信息，并且通過不同鄰域中重疊的元胞將有效信息傳遞到整個空間網格中，從而與全局最優元胞進行信息的交流。并且在信息交流的過程中，元胞的行動策略得以修正，從而增強了局部搜索能力和加快了算法收斂到最優解。同時通過L' evy擾動，元胞鄰居個體位置的隨機更新，提高了種群的多樣性，避免了算法陷入局部最優的情況。

2.2.3 元胞蝙蝠個體災變機制

為避免CA-BA算法出現早熟現象，本文采用了一種簡單有效的方法，在模擬自然界的狀況下進行災變操作[12,13]。基本思想為：以某一確定的頻率對固定面積的元胞進行擾動。在該擾動半徑內的個體會發生變化，使其跳出局部最優解，開始進行新的搜索。具體操作是：選取即每隔10代對群體進行一次擾動，選取擾動面積為1×1，即擾動半徑為1。將災難發生區域的個體進行清零操作，并隨機植入優良個體。引入的災變機制，可以使CA-BA算法跳出局部極值，保持持續進化能力。

2.3 CA-BA算法步驟

步驟 1初始化種群。按照圖 1的形式構造元胞的四方網格排列方式，即給定種群的生存環境和規模，在限制范圍內隨機初始化元胞的速度v、位置x和發射脈沖頻率 f，并給定初始脈沖頻度r0和脈沖響度A0。

步驟2計算所有元胞的適應度值 Fitness( i)。用計算出的適應度值更新元胞的極值，并比較各個元胞的極值，求出種群的全局最優解和其對應的適應度值

步驟3構造小生境環境，調整元胞的位置。利用式（4）計算出元胞Xi,j的8個鄰居，并將其看作一個小生境環境，找出鄰域的最優元胞為Mi,j。若Xi,j的適應度值優于Mi,j，則保留Xi,j在解空間中的位置，并記為neigh(x*)，且按式（6）改變與Xi,j距離最近的元胞Ci,j的位置；若Mi,j的適應度值優于Xi,j，則記Mi,j的位置為 neigh( x*)，并按式（6）和式（7）改變Ci, j和Xi,j在解空間中的位置。

步驟4通過式（1）的3個計算式完成所有元胞的一次迭代過程，即更新每個元胞在解空間中的位置x和速度v，注意式（2）中的全局最優值 x*要用鄰域最優解 neigh( x*)替代，并記錄更新后元胞的適應度值為Fnew。

步驟 5生成均勻分布隨機數rand1，若rand1 ＞r( i)，則根據式（2）對當前最優解進行隨機擾動，并對新解進行越界處理和計算其適應度值。如果不滿足條件則跳過該步。

步驟6生成均勻分布隨機數rand2，若滿足條件 Fn ew ＜Fitness( i) & rand 2 ＜ A( i )，則接受步驟5產生的新解，并根據式（3）更新脈沖響度A和發射脈沖的頻度r。如果不滿足條件表示該元胞的位置更新失敗，跳過該步。

步驟 7比較新解和原來全局最優解的適應度值，若滿足 F new ＜f( x*)，則進行全局最優解Cell( x*)和其對應的適應度值 f( x*)的更新。否則跳過該步。

步驟 8若 generation =rem( g eneration)=10（即每隔 10代發生一次災變），將災難區域個體清空，并植入優良個體。

重復步驟2～步驟7，直至滿足最優解要求的精度或達到最大迭代次數，當滿足要求后輸出全局最優解以及其對應的最小適應度值。

2.4 CA-BA算法性能測試

智能算法的性能一般由標準測試函數進行驗證，因此本文選取了 6個標準測試函數對 CA-BA算法的性能進行仿真測試，同時與基本BA算法、具有混沌搜索策略的蝙蝠算法（chaos bat algorithm，CBA）[4]以及參考文獻[6]所改進的多智能體蝙蝠算法（multi-agent bat algorithm，MA-BA）進行對比。2.4.1 參數設置

蝙蝠算法中各種參數設置目前沒有明確的理論依據，因此本文所設置的參數值根據反復實驗獲得的經驗值來確定。CA-BA算法中：元胞總數N=64，四方網格的大小為 8×8，維數 d=5，搜索脈沖頻率范圍[0,100]，最大脈沖頻度 r=0.5 ，最大脈沖音強A=0.25，脈沖音強衰減系數γ=0.95，脈沖頻度增加系數α=0.05。BA算法、CBA算法、MA-BA算法中的各個參數與CA-BA算法保持一致。這3個算法的最大迭代次數都是200次，每種算法獨立運行50次。其中，CBA表示具有混沌搜索策略的蝙蝠算法，MA-BA 表示多智能體蝙蝠算法，CA-BA表示元胞蝙蝠算法。

2.4.2 標準測試函數

仿真分析選取的測試函數的解析式和解空間搜索區域見表1。對于仿真所用的標準函數可以分為 2類：Quadric、Rosenbrock、Schwefel是單模函數，是測試算法全局收斂性能的經典函數；Ackley、Griewank、Rastrigin是具有較多局部極值的多模函數，主要用來評價算法的探索、開發能力。

2.4.3 仿真效果分析

圖2顯示了以上6個標準函數在BA、CBA、MA-BA以及CA-BA算法中的尋優曲線。CA-BA算法采用了改進的元胞RCS小生境技術，將元胞和其鄰域個體看作一個小生境環境，通過小生境環境中的最優解來更新自身的速度與位置，具有較強的適應性和搜索能力，并且采用了災變機制，避免了元胞因陷入局部最優解而難以跳出的情況，該算法能夠更高效地收斂到全局最優解。從圖2的仿真結果可以看出，相比其他3個算法來說，CA-BA算法在尋優精度和收斂速度上更勝一籌，在較少的迭代次數內達到所要求的最優解。這些都體現出了將CA的思想融入BA算法之后，大大加強了算法的搜索能力，使其能夠避免早熟，更快地收斂到全局最優解。

表1 標準測試函數

圖2 標準測試函數尋優曲線

在仿真參數如上文中所設置的情況下，將上述標準函數測試的尋優結果取100次進行平均，見表2，同時用成功率來表示算法的穩定性，對于單模函數，是以其理論最優值的1‰為標準，多模函數以最優理論值的5‰為標準，如果最小適應度值小于以上標準則是取得了正確解。從表 2可以看出，CA-BA算法的尋優成功率相比 BA算法、CBA算法和MA-BA算法來說較高，平均最小適應度值較接近于理論最優值。

表2 標準函數測試結果

3 CA-BA 算法在無線傳感網絡節點定位中的應用

通過上述分析，驗證了CA-BA算法在測試函數中的性能，接下來將CA-BA算法應用在無線傳感器網絡節點定位問題上，通過該算法在最優解尋優精度上的結果來驗證其性能[14]。對于無線傳感器節點網絡中共有 M個已知節點，其中，(x1,y1), (x2,y2), …, (xM,yM)為 M個已知節點的坐標，(x, y)為任一未知節點的坐標，d1,d2,…,dM分別為各個錨節點到該未知節點坐標的距離。在實際的測距中存在誤差，因此可以將定位問題轉化為式（8）求測距誤差最小值的優化問題：

由上述仿真分析可知，CA-BA算法能夠避免元胞陷入局部最優值以及具有較好的收斂性能，因此將該算法應用到實際測距中，即求式（8）的最小值，能夠減小實際測距誤差帶來的影響，從而提高未知節點的定位精度。

3.1 仿真分析

仿真實驗以MATLAB 2012為平臺，節點的通信半徑設置為 10 m，30個傳感器隨機分布在30 m×30 m的四方網格區域內，測距誤差在20%以下，錨節點個數為5，仿真參數與上文設置相同，最大迭代次數為200次，每一個節點定位預測取20次平均值。將CA-BA算法與參考文獻[6]中的MA-BA算法進行節點定位結果的對比，見表3。本算法在RSSI的基礎上對定位精度進行優化。在仿真中，以平均定位誤差的絕對值AVE作為評判的標準，其計算式如式（9）所示：

其中，M為已知節點的總個數，(x, y)為預測位置，(xi, yi)為實際位置。

表3選取了10個未知節點預測的具體數值作比較，由表3可知，本文所提出的基于CA-BA算法的節點定位精度比參考文獻[6]中的節點定位精度平均提高了0.08 m，其在定位精度上具有優勢。

測距誤差和不同錨節點個數對基于 RSSI測距定位算法的節點定位精度影響很大，下面分別分析兩者的影響。當錨節點個數為10個，測距誤差分別由0到30%的平均定位誤差如圖3所示。由圖3可以看出，在較小的測距誤差下，BA、CBA、MA-BA、CA-BA的平均定位誤差幾乎接近于0，能達到較高的定位精度。但隨著測距誤差的不斷增大，不同算法間的平均定位誤差的差異開始明顯變大，CA-BA算法由于引入了元胞自動機的思想，并且采用了改進的元胞RCS小生境技術和災變機制，避免了算法陷入局部最優值，增強了算法的全局搜索能力，使得其性能優于 BA算法、CBA算法以及CA-BA算法。當測距誤差大于10%以后，BA和CBA算法的平均定位誤差大幅增長，MA-BA的算法雖然變化平緩但誤差值也大于CA-BA算法，由此可見，CA-BA算法的容錯能力和穩定性都較強。

表3 未知節點預測的具體數值比較

圖3 測距誤差對定位性能的影響

在測距誤差固定為10%的情況下，錨節點個數由4個增加到10個，不同算法的平均定位誤差的情況如圖4所示。由圖4可以看出，在相同錨節點個數的情況下，CA-BA算法的平均定位誤差明顯小于BA算法、CBA算法以及MA-BA算法，精度較高。從整體趨勢看，隨著錨節點個數的增加，CA-BA算法的整條曲線變化緩慢，可以利用較少的錨節點來實現高精度的節點定位預測。由此可見，在相同的定位精度要求下，CA-BA算法可以使用較少的硬件設備，節約成本，應用前景廣泛。

圖4 錨節點個數對定位性能的影響

3.2 實際測試分析

為了進一步驗證 CA-BA算法在實際使用中的效果，本文通過在實際環境的定位實驗來驗證算法的性能，測試中采用CC2530模塊搭建WSN定位實驗平臺，RSSI的讀取如參考文獻[15]方法所示，通過將 RSSI轉換為距離值。實驗中使用8個錨節點（ T1～ T8）分布在邊長為6 m的正方形邊界上，將該正方形區域均分成九宮格，對每個格子的中間點進行定位測試，如圖5所示，實測如圖6所示。

圖5 定位實驗點布置

圖6 定位實驗點實測

將實驗結果與參考文獻[15]中的改進PSO算法進行對比，定位誤差如圖7所示。由圖7可見，本文所提出的CA-BA算法的平均誤差在0.4 m左右，改進PSO算法的平均定位誤差為0.5 m左右，CA-BA定位效果要優于改進PSO算法的性能，實驗結果表明本文所提出的 CA-BA算法在后期的尋優精度上有較大的提高。

圖7 錨節點為8時平均誤差對比

表4給出了本文CA-BA算法和改進PSO算法的定位結果平均誤差的均方根值。由表4可知，在8個錨節點的情況下，改進的PSO的均方根值為0.013 0，本文CA-BA算法的均方根值為0.001 1，由結果可知本文所提 CA-BA算法性能有較大提高。

表4 定位實驗誤差均方根值

4 結束語

在本文中，首先介紹了基本 BA算法在開發和探索能力上性能較差，較易陷入局部極值而失去種群多樣性的探索，據此提出了CA-BA算法，將元胞自動機的思想應用到 BA算法中，并采用了改進的元胞RCS小生境技術和災變機制，使元胞個體能夠較快地跳出局部極值從而避免早熟現象，提高了算法的進化效率，能夠更快地收斂到全局最優解。通過對6個標準函數的仿真測試，并與BA算法、CBA算法以及MA-BA算法進行對比，驗證了 CA-BA算法在尋找全局最優解和收斂速度方面有很大的提高，并相對其他算法有所改善。將元胞蝙蝠算法應用到無線傳感器網絡節點定位上，由仿真分析可以看出，在其他因素相同的情況下，測距誤差對 CA-BA算法的影響較小，并且其能在較少的硬件設備的情況下達到所要求的定位精度；由測試分析可以看出，CA-BA算法定位的平均誤差較小，在定位精度上具有優勢。

[1] PENG L J, LI W W. The Improvement of 3D wireless sensor network nodes locolization[C]//26th IEEE Chinese Control and Decision Conference, May 31-June 2, 2014, Changsha, China.New Jersey: IEEE Press, 2016: 4873-4878.

[2] 方震, 趙湛, 郭鵬, 等. 基于 RSSI測距分析[J]. 傳感技術學報, 2007(11): 2526-2530.FANG Z, ZHAO Z, GUO P, et al. Analysis of distance measurement based on RSSI[J]. Chinese Journal of Sensors and Actuators, 2007, 20(11): 2526-2530.

[3] 焦磊, 邢建平, 張軍, 等. 一種非視距環境下具有魯棒特性TOA無線傳感網絡定位算法[J].傳感技術學報,2007, 20(7):1625-1629.JIAO L, XING J P, ZHANG J, et al. A new NLOS TOA-based wireless sensor network localization algorithm with robust character[J]. Chinese Journal of sensors actuators, 2007, 20(7): 1625-1629.

[4] 劉長平,葉春明. 具有混沌搜索策略的蝙蝠優化算法及性能仿真[J]. 系統仿真學報, 2013, 25(6): 1183-1188, 1195.LIU C P, YE C M. Bat algorithm with chaotic search strategy and analysis of its property[J]. Journal of System Simulation,2013, 25(6): 1183-1188, 1195.

[5] 賴錦輝. 基于蝙蝠優化算法的無線傳感器網絡節點定位研究[J].計算機測量與控制, 2014, 22(8): 2709-2712.LAI J H. Research on nodes localization method for wireless sensor networks based on bat optimization algorithm[J]. Computer Measurement & Control, 2014, 22(8): 2709-2712.

[6] 尚俊娜, 劉春菊, 岳克強, 等. 多智能體蝙蝠算法在無線傳感器中的應用[J]. 傳感技術學報, 2015, 28(9): 1418-1424.SHANG J N, LIU C J, YUE K Q, et al. The multi-agent bat algorithm applied to wireless sensor network[J]. Chinese Journal of Sensors and Actuators, 2015, 25(9): 1418-1424.

[7] 朱大林, 詹騰, 張屹, 等. 多策略差分進化的元胞多目標粒子群算法[J]. 電子學報, 2014, 42(9): 1831-1838.ZHU D L, ZHAN T, ZHANG Y, et al. Cellular multi-objective particle swarm algorithm based on multi-strategy differential evolution[J]. Acta Electronica Sinica, 2014, 42(9): 1831-1838.

[8] 張屹, 萬興余, 鄭小東, 等. 基于正交設計的元胞多目標遺傳算法[J]. 電子學報, 2016, 44(1): 87-94.ZHANG Y, WAN X Y, ZHENG X D, et al. Cellular genetic algorithm for multiobjective optimization based on orthogonal design[J]. Acta Electronica Sinica, 2016, 44(1): 87-94.

[9] YANG X S. A new metaheuristic bat-inspired algorithm[J].Nature Inspired Cooperative Strategies for Optimization,2010(284): 65-74.

[10] 石楊. 元胞粒子群優化算法及其在柔性作業車間調度中的應用[D]. 武漢: 華中科技大學, 2010: 8-10.SHI Y. A thesis submitted in partial fulfillment of the requirements for the degree of master of engineering[D]. Wuhan: Huazhong University of Science and Technology, 2010: 8-10.

[11] 張俞. 元胞遺傳算法的研究[D]. 江西: 南昌航空大學, 2009:37-41.ZHANG Y. Research for cellular genetic algorithm[D]. Jiangxi:Nanchang Hangkong University, 2009: 37-41.

[12] 李新鵬, 張超勇, 高亮, 等. 基于元胞粒子群算法的數控切削參數優化[J]. 計算機工程與應用, 2014, 50(2): 252-257.LI X P, ZHANG C Y, GAO L, et al. NC cutting parameter optimization based on cellular particle swarm optimization algorithm[J]. Computer Engineering and Applications, 2014, 50(2):252-257.

[13] 魯宇明, 陳殊, 黎明, 等. 自適應調整選擇壓力的災變元胞遺傳算法[J]. 系統仿真學報, 2013, 25(3): 436-444.LU Y M, CHEN S, LI M, et al. Self-adaptive cellular genetic algorithms with disaster based on selection pressure[J]. Journal of System Simulation, 2013, 25(3): 436-444.

[14] 詹杰, 劉宏立, 劉述鋼, 等. 基于RSSI的動態權重定位算法研究[J]. 電子學報, 2011, 39(1): 82-88.ZHAN J, LIU H L, LIU S G, et al. The study of dynamic degree weighted centroid localization algorithm based on RSSI[J]. Acta Electronic Sinica, 2011, 39(1): 82-88.

[15] 尚俊娜, 盛林, 程濤, 等. 基于 LQI權重和改進粒子群算法的室內定位方法[J]. 傳感技術學報, 2017, 30(2): 284-290.SHANG J N, SHENG L, CHENG T, et al. The indoor localization based on LQI weight and improved particle swarm optimization algorithm[J]. Chinese Journal of Sensors and Actuators,2017, 30(2): 284-290.

Wireless sensor network nodes localization method based on cellular automata bat algorithm

MENG Kailu1, YUE Keqiang2, SHANG Junna1
1. College of Telecommunication Engineering, Hangzhou Dianzi University, Hangzhou 310018, China 2. College of Electronic Information, Hangzhou Dianzi University, Hangzhou 310018, China

To further enhance the location precision of unknown nodes and solve the node location error in wireless sensor network, a location method based on cellular automata bat algorithm was presented. Mixed the idea of cellular automata and the bat algorithm and drawed into the cellular RCS niche technique and disaster mechanism, the algorithm could jump out of local optimum and increase the convergence speed. In order to verify the feasibility and efficiency, the proposed algorithm was verified through simulation of several benchmark functions. Then the algorithm implemented the CA-BA to node location prediction to increase the precision of the unknown node location. In the measured experiment, the results show that the proposed algorithm has higher accuracy compared to the improved PSO algorithm, which average localization error is less than 0.5m.

WSN, node localization, cellular automata, bat algorithm, accuracy

s:The National Natural Science Foundation of China (No.11603041), Open Funds by Guangxi Key Laboratory of Precision Navigation Technology and Application, Guilin University of Electronic Technology (No.DH201714), “Electronic Science and Technology” of the Most Important Subject Open Funds in Zhejiang Province (No.GK13020320003/004), Research and Innovation Fund for Graduate Students of Hangzhou Dianzi University(No.ZX170603308034)

TP393

A

10.11959/j.issn.1000?0801.2017311

2017?09?02；

2017?09?26

岳克強，290035613@qq.com

國家自然科學基金資助項目（No.11603041）；廣西精密導航技術與應用重點實驗室開放基金資助項目（No.DH201714）；浙江省“電子科學與技術”重中之重學科開放基金資助項目（No.GK13020320003/004）；杭州電子科技大學研究生科研創新基金資助項目（No.ZX170603308034）

孟凱露（1993?），女，杭州電子科技大學通信工程學院碩士生，主要研究方向為智能算法。

岳克強（1984?），男，博士，杭州電子科技大學電子信息學院講師，主要研究方向為進化計算、通信信號處理。

尚俊娜（1979?），女，博士，杭州電子科技大學通信工程學院副教授，主要研究方向為通信信號處理、智能算法。