基于刚分簇与鸡群优化的深井无线传感网络定位算法

余修武; 周利兴; 余齐豪; 胡沐芳; 张枫

doi:10.3969/j.issn.0258-2724.20180069

基于刚分簇与鸡群优化的深井无线传感网络定位算法

doi: 10.3969/j.issn.0258-2724.20180069

余修武^1,,
周利兴^1,,
余齐豪²,
胡沐芳^1,3,
张枫^1,3

基金项目: 湖南省重点研发计划资助项目（2018SK2055）；金属矿山安全与健康国家重点实验室开放基金资助项目（2016-JSKSSYS-04）；中华人民共和国应急管理部安全生产重特大事故防治关键技术科技项目（hunan-0001-2018AQ）

详细信息

作者简介:
余修武（1976—），男，教授，博士，研究方向为无线传感器网络、智能安全监控，E-mail：yxw2008xy@163.com

中图分类号: TP393.1
计量
- 文章访问数: 461
- HTML全文浏览量: 273
- PDF下载量: 20
- 被引次数: 17
出版历程
- 收稿日期: 2018-01-23
- 修回日期: 2018-08-10
- 网络出版日期: 2018-09-05
- 刊出日期: 2019-08-01

Localization Algorithm for Mine Wireless Sensor Network Based on Rigid Cluster and Chicken Swarm Optimization

摘要

摘要: 针对矿井环境因素对无线传感器网络定位的制约，提出一种基于刚性分簇与鸡群优化的无线传感器网络定位算法(RCCSO). 首先，以传感网络中均匀分布的锚点为簇头，基于刚性图理论提出分簇算法对整个网络进行分簇并保证每个簇都是全局刚性的；其次，利用鸡群算法对簇内进行相对定位，求得簇内最优相对位置解集；再次，不同簇以锚点为旋转中心旋转不同角度，并利用鸡群算法求出旋转角度的最优解集，进而求得全局节点最优位置；最后，仿真结果显示，与多维标度MDS-MAP算法及自适应局部区域循环搜索DALSA相比，所提算法在精度上有较明显的提高.
- 无线传感器网络 /
- 矿井定位 /
- 刚性分簇 /
- 鸡群优化
Abstract: In order to adapt to the restrain resulting in environment factor of mine to localization of wireless sensor network, a novel localization algorithm based on rigid cluster and chicken swarm optimization (RCCSO) is proposed. First, the clusters are set up centring on the uniformly distributed anchor nodes, expand the clusters based on rigid theory and get several clusters which are all globally rigid. Second of it, optimize the best relative position of the nodes in the same cluster by chicken swarm optimization, and get the solution sets of relative position. Then, centring on the anchor nodes, all the solution ratate for some different angle, and optimal the best solution set of ratation angles by chicken swarm optimization, and get the globally position of all the unknown nodes. Finally, Simulation comparison demonstrated that the accuracy of the new localization algorithm RCCSO is more precise than the MDS-MAP algorithm and DALSA algorithm.
- wireless sensor network /
- mine localization /
- rigid cluster /
- chicken swarm optimization

HTML全文

图 1 矿井无线传感器网络监测模型

Figure 1. Model of mine monitoring by WSN

下载: 全尺寸图片幻灯片

图 2 可变形、一般刚性和全局刚性示意

Figure 2. Diagram of deformable graph，local rigid graph，and globally rigid graph

下载: 全尺寸图片幻灯片

图 3 Bounding-box示意

Figure 3. Diagram of bounding-box

下载: 全尺寸图片幻灯片

图 4 相对位置与实际位置关系

Figure 4. Relation of relative position and real position

下载: 全尺寸图片幻灯片

图 5 不同鸡总数下最优适应值随迭代次数变化

Figure 5. Best optimization values with the change of iterations in different pop

下载: 全尺寸图片幻灯片

图 6 最优适应度值随鸡总数变化趋势

Figure 6. Best optimization values with the change of N_pop

下载: 全尺寸图片幻灯片

图 7 定位误差随锚点比例变化趋势

Figure 7. Error of localization with the change of proportion of anchor nodes

下载: 全尺寸图片幻灯片

图 8 定位误差随测距误差变化趋势

Figure 8. Error of localization with the change of error of distance measured

下载: 全尺寸图片幻灯片

表 1 仿真参数

Table 1. Parameters of simulation

符号	含义	设定值
L₁/m	巷道 1 长度	200
L₂/m	巷道 2 长度	100
W/m	宽度	5
N	节点总数量	60
m/N	锚点比例	0.1～0.3
R/m	通信半径	25
I_RSS(d₀)/dBm	d₀ = 1 m 处 IRSS 值	–45
η	IRSS 测距参数	4
σ₁	IRSS 实际偏离标准差	0～5
t_max	最大轮次	100
N_pop	鸡群中鸡的总数量	50～3 000
N_R	公鸡比例	0.2
N_H	母鸡比例	0.4
N_C	小鸡比例	0.4
N_M	鸡妈妈比例	0.4
ε	RCCSO 设定参数	0.001
$\phi$	RCCSO 设定参数	0.5

下载: 导出CSV

参考文献(14)

HUANG Linqi, LI Xibing, DONG Longjun, et al. Relocation method of microseismic source in deep mines[J]. Transactions of Nonferrous Metals Society of China, 2016, 26(11): 2988-2996. doi: 10.1016/S1003-6326(16)64429-1

邓平,伍小梅. 一种基于粒子滤波的WSN自适应定位算法[J]. 西南交通大学学报,2014,49(2): 323-329. doi: 10.3969/j.issn.0258-2724.2014.02.021

DENG Ping, WU Xiaomei. An adaptive localization algorithm based on particle filter for wireless sensor networks[J]. Journal of Southwest Jiaotong University, 2014, 49(2): 323-329. doi: 10.3969/j.issn.0258-2724.2014.02.021

BOUBRIMA A, BECHKIT W, RIVANO H. Optimal WSN deployment models for air pollution monitoring[J]. IEEE Transactions on Wireless Communications, 2017, 16(5): 2723-2735. doi: 10.1109/TWC.2017.2658601

MARQUES B, RICARDO M. Energy-efficient node selection in application-driven WSN[J]. Wireless Networks, 2017, 23(3): 889-918. doi: 10.1007/s11276-016-1194-2

HAN S, GONG Z, MENG W, et al. Automatic precision control positioning for wireless sensor network[J]. Sensors Journal IEEE, 2016, 16(7): 2140-2150. doi: 10.1109/JSEN.2015.2506166

蒋伊琳,张芳园. 基于自然选择粒子群的时钟同步算法[J]. 西南交通大学学报,2017,52(3): 593-599. doi: 10.3969/j.issn.0258-2724.2017.03.021

JIANG Yilin, ZHANG Fangyuan. Clock synchronization algorithm based on particle swarm optimization with natural selection[J]. Journal of Southwest Jiaotong University, 2017, 52(3): 593-599. doi: 10.3969/j.issn.0258-2724.2017.03.021

VANHEELl F, VERHAEVERT J, LAERMANS E, et al. Pseudo-3D RSSI-based WSN localization algorithm using linear regression[J]. Wireless Communications & Mobile Computing, 2015, 15(9): 1342-1354.

裴忠民,李贻斌,徐硕. 大规模无线传感器网络快速定位算法[J]. 中国矿业大学学报,2013,42(2): 314-319.

PEI Zhongmin, LI Yibin, XU Shuo. A fast localization algorithm for large-scale wireless sensor networks[J]. Journal of China University of Mining & Technology, 2013, 42(2): 314-319.

夏娜,王诗良,郑榕,等. 基于骨架提取的水下传感器网络刚性定位判别研究[J]. 计算机学报,2015,38(3): 589-601.

XIA Na, WANG Shiliang, ZHENG Rong, et al. Study on localizablity judgement in underwater sensor networks based on skeleton extrication and rigid theory[J]. Chinese Journal of Computers, 2015, 38(3): 589-601.

BOUKERCHE A, OLIVEIRA H A B F, AKAMURA E F, et al. A Voronoi approach for scalable and robust DV-Hop localization system for sensor networks[C]// International Conference on Computer Communications and Networks. [S.L.]: IEEE, 2017: 497-502

ZHAGN R, ZHOU F, RAN L, et al. A fuzzy graph theory based redundant node deployment algorithm for multi-hop WSN[J]. Chinese High Technology Letters, 2011, 21(3): 223-227.

尚俊娜,刘春菊,岳克强,等. 基于改进双系统协同进化算法的无线传感器网络节点定位[J]. 计算机应用,2015,35(6): 1514-1518.

SHANG Junna, LIU Chunju, YUE Keqiang, et. al. WSN nodes localization based on improved bi-system cooperative optimization algorithm[J]. Journal of Computer Application, 2015, 35(6): 1514-1518.

HERNANDEZ O O S, COTA-RUIZ J, GONZALEZ-LANDAETA R, et al. A distributed adaptive local searching algorithm for wireless sensor network localization[J]. International Journal of Distributed Sensor Networks, 2016, 12(10): 1-9.

SHAYOKH M A, SHIN S Y. Bio inspired distributed WSN localization based on chicken swarm optimization[J]. Wireless Personal Communications, 2017, 97(4): 5691-5706. doi: 10.1007/s11277-017-4803-1

施引文献

期刊类型引用(13)

1.	余修武，穆静，刘永. 基于遗传模拟退火优化的DV-Hop定位算法. 华中科技大学学报(自然科学版). 2024(03): 149-155 . 百度学术
2.	于明洁，夏斌，张立晔. 鸡群协同定位算法的研究. 无线电通信技术. 2023(03): 489-494 . 百度学术
3.	刘松旭，张大鹏，乌云娜，刘鹏. 基于RSSI模型的无线传感器网络定位算法. 计算机仿真. 2022(01): 427-431 . 百度学术
4.	黄珍，潘颖，苑毅. WSNs中基于锚节点优先级节点定位算法. 吉林大学学报(信息科学版). 2022(02): 247-252 . 百度学术
5.	代天成. 一种参考节点不确定的无线传感器网络定位方法. 无线电工程. 2022(10): 1794-1802 . 百度学术
6.	冯燕，徐琨. 一种自适应的分布式目标定位算法. 电脑知识与技术. 2022(27): 1-4 . 百度学术
7.	王龙，闫娜. 基于改进FCM和MPI的并行鸡群算法. 微型电脑应用. 2021(05): 38-41 . 百度学术
8.	葛文庚，陈萍. 一种面向不规则的无线电传播模型下的节点定位算法. 弹箭与制导学报. 2021(02): 15-19 . 百度学术
9.	余修武，黄露平，刘永，余昊，李佩. 遗传-禁忌搜索优化的三维DV-Hop定位算法. 北京邮电大学学报. 2021(04): 75-81 . 百度学术
10.	廖伟国，文明瑶. 多阻挡因素下无线网络非均匀分布节点部署. 计算机仿真. 2021(11): 314-318 . 百度学术
11.	段晓曼. 基于无线传感技术的医学检验设备自动控制方法. 微型电脑应用. 2020(10): 100-103 . 百度学术
12.	赵诗雪，赵太飞，刘昆，郑博睿. 基于无线紫外光MIMO通信的优化持久编队算法. 激光杂志. 2020(10): 8-13 . 百度学术
13.	蒋俊正，赵海兵. 基于超级节点的分布式传感器节点定位算法. 控制与决策. 2020(12): 2898-2906 . 百度学术