基于量子遺傳的蒙特卡洛節(jié)點(diǎn)定位算法研究.pdf

1、隨著無(wú)線傳感器網(wǎng)絡(luò)(Wireless Sensor Networks，WSN)技術(shù)的飛速發(fā)展，利用在WSN中部署的傳感器節(jié)點(diǎn)進(jìn)行目標(biāo)定位對(duì)精度及魯棒性要求都顯著提高。目前，針對(duì)目標(biāo)節(jié)點(diǎn)定位技術(shù)的研究大多是針對(duì)靜止的網(wǎng)絡(luò)環(huán)境中，針對(duì)移動(dòng)目標(biāo)節(jié)點(diǎn)的定位技術(shù)研究還很少。隨著應(yīng)用場(chǎng)景變化越來(lái)越復(fù)雜，WSN應(yīng)用在移動(dòng)目標(biāo)定位的需求不斷增多。能夠精確，實(shí)時(shí)定位高速移動(dòng)的目標(biāo)是目前研究的意義所在。
　　蒙特卡洛定位算法(Monte-Carlo

2、Localization，MCL)最早于2004年被從機(jī)器人的跟蹤與定位引入到了移動(dòng)WSN中，雖然MCL定位算法拋開(kāi)了節(jié)點(diǎn)移動(dòng)性的干擾，甚至在一定速度范圍內(nèi)節(jié)點(diǎn)移動(dòng)的速度越大其定位精度越高。然而作為粒子濾波的一種特殊情況，MCL算法仍然避免不了粒子退化的問(wèn)題。先驗(yàn)粒子在傳播時(shí)所收集到的觀測(cè)信息有限，采樣粒子集可能分布在觀測(cè)似然函數(shù)的尾部。隨著迭代的進(jìn)行，大量的粒子權(quán)重逐漸趨于零，從而導(dǎo)致了粒子集的退化，所采集的樣本不能趨近于目標(biāo)節(jié)點(diǎn)的真

3、實(shí)位置。為了解決粒子集的退化問(wèn)題，MCL算法引入了重采樣技術(shù)。但是重采樣技術(shù)很容易引起采樣過(guò)程中出現(xiàn)權(quán)重大的粒子被復(fù)制得較多而權(quán)重小的粒子被復(fù)制得較少甚至沒(méi)有子代，從而出現(xiàn)了粒子集多樣性減弱，導(dǎo)致粒子貧化的現(xiàn)象。由于這些原因，使得定位的誤差依舊難以減小。
　　為解決上述問(wèn)題，本文從以下幾個(gè)方面對(duì)WSN中移動(dòng)節(jié)點(diǎn)的定位算法進(jìn)行分析，并提出相應(yīng)的改進(jìn)算法。通過(guò)與傳統(tǒng)算法的比較，證明了本文提出算法的優(yōu)越性。
　　(1)面對(duì)傳統(tǒng)算法

4、中由于所預(yù)測(cè)的采樣區(qū)域過(guò)大而導(dǎo)致采樣效率低，采樣成功率差的問(wèn)題。提出了一種利用錨節(jié)點(diǎn)發(fā)射掃描波的反饋時(shí)間序列與蒙特卡洛相結(jié)合的方法加以改進(jìn)。根據(jù)錨節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)的相對(duì)位置信息，分析了十種不同情況下的預(yù)測(cè)模型。該方法基于目標(biāo)節(jié)點(diǎn)1跳范圍內(nèi)的鄰居錨節(jié)點(diǎn)（至少3個(gè)）反饋信號(hào)的先后順序，構(gòu)建節(jié)點(diǎn)可能的初始采樣區(qū)域R1，并以區(qū)域R1與蒙特卡洛采樣區(qū)域R2的重疊區(qū)作為新的采樣區(qū)域R，以進(jìn)一步縮小采樣范圍、提高采樣效率。
　　(2)為了解決傳統(tǒng)

5、過(guò)濾階段中重采樣所引起的粒子集貧化的問(wèn)題，本文在采樣區(qū)域R中引入了量子遺傳算法。利用適當(dāng)?shù)木幗獯a方案以及量子旋轉(zhuǎn)門的更新手段達(dá)到了良好的定位效果。通過(guò)仿真實(shí)驗(yàn)證明，改進(jìn)后的基于量子遺傳的時(shí)序蒙特卡洛節(jié)點(diǎn)定位(Quantum Genetic Algorithm-Feedback Time Series Based Monte Carlo,QGA-TSMCL)算法較傳統(tǒng)算法在定位精度，算法收斂速度以及算法的魯棒性上均有所改善。實(shí)際應(yīng)用方面，