對于大多數(shù)應(yīng)用,，知道傳感器節(jié)點(diǎn)的位置是至關(guān)重要的。無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位算法可以分為兩類[1-2]：基于測距技術(shù)的定位（Range-based）和無需測距技術(shù)的定位（Range-free）,。Range-based算法的定位精度在一定程度上依賴于測量技術(shù)本身的精度,。通常測距誤差越小，定位算法獲得的定位精度越高,。常見的測距方式包括TDOA,、AOA、RSSI,、TOA等[2],。Range-free算法則無需專門測量節(jié)點(diǎn)間距離和角度信息，僅根據(jù)網(wǎng)絡(luò)連通性等信息即可實(shí)現(xiàn),。由于功耗和成本因素,，并且大多數(shù)應(yīng)用對定位精度的要求并不高，無需測距的定位算法也具有很大的使用空間,，典型的無需測距的算法有APIT算法[3],、DV-hop算法[4],、質(zhì)心定位法[5]、凸規(guī)劃法[6]等,。

    粒子群優(yōu)化算法[7]PSO(Particle Swarm Optimization)早期是模擬一些簡單的社會(huì)群落生物,，如鳥群、魚群等模型,，是一種基于群體的演化算法,。PSO算法簡單，易于實(shí)現(xiàn),，需調(diào)參數(shù)少,，是解決非線性連續(xù)優(yōu)化、組合優(yōu)化等問題的有效工具,。
    參考文獻(xiàn)[8]將粒子群優(yōu)化算法應(yīng)用到無線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)定位過程中,，根據(jù)節(jié)點(diǎn)間的測距信息構(gòu)成目標(biāo)函數(shù)，將節(jié)點(diǎn)自定位轉(zhuǎn)化成非線性優(yōu)化問題,，用粒子群優(yōu)化算法對其進(jìn)行求解,，并且指出在定位精度方面要優(yōu)于多邊定位法、模擬退火算法等,。參考文獻(xiàn)[9]根據(jù)離散線性系統(tǒng)的穩(wěn)定性理論,，推出了保證粒子群優(yōu)化算法收斂性的參數(shù)設(shè)置區(qū)域，參考文獻(xiàn)[10-12]對粒子群優(yōu)化算法的慣性權(quán)重進(jìn)行了改進(jìn),分別提出了線性遞減,、非線性遞減以及反饋動(dòng)態(tài)調(diào)節(jié)的慣性權(quán)重取值策略,，提高了算法尋優(yōu)精度以及收斂速度。本文根據(jù)慣性權(quán)重對粒子搜索能力的影響,，并結(jié)合節(jié)點(diǎn)間連通性對慣性權(quán)重的設(shè)置進(jìn)行改進(jìn),，使其更加適應(yīng)無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位。
1 粒子群優(yōu)化算法
    PSO算法在一定區(qū)域中隨機(jī)選取一組位置坐標(biāo),，作為粒子群的初始粒子。粒子通過代入目標(biāo)函數(shù)來計(jì)算適應(yīng)度,，從而得到粒子本身所找到的最優(yōu)位置Ppbest和整個(gè)種群目前找到的最優(yōu)位置Pgbest,，通過更新迭代，最終獲得滿足要求的最優(yōu)目標(biāo)位置,。
   
 

    在傳統(tǒng)的粒子群優(yōu)化算法中,，未知節(jié)點(diǎn)可能存在的區(qū)域是根據(jù)所有節(jié)點(diǎn)布設(shè)的范圍來估計(jì)的，粒子在該區(qū)域內(nèi)初始化并且不斷更新,，搜索最優(yōu)位置,，對粒子更新提供的約束信息非常有限,經(jīng)過上述對節(jié)點(diǎn)間連通度的利用，很大程度上縮小了未知節(jié)點(diǎn)可能存在的區(qū)域,為粒子群的初始化,、個(gè)體最優(yōu)位置Pipbest和群體最優(yōu)位置Pgbest的更新提供了更加精確的范圍限制,。改進(jìn)后算法的粒子種群可以在相交區(qū)域內(nèi)隨機(jī)選取,利用區(qū)域?椎的中心坐標(biāo)作為Pgbest,，在粒子的更新階段,相交區(qū)域可以為粒子更新速度提供約束條件，要求更新后粒子不應(yīng)跳出相交區(qū)域,。
2.2 改進(jìn)慣性權(quán)重設(shè)置
　　慣性權(quán)重w的大小體現(xiàn)了對粒子當(dāng)前速度繼承的程度,。參考文獻(xiàn)[10]指出較小的w可加強(qiáng)局部搜索能力，而較大的w則有助于在全局范圍內(nèi)搜索,，并且將慣性權(quán)重w設(shè)計(jì)為隨迭代次數(shù)線性遞減的函數(shù),，在算法的初期使用較大慣性權(quán)重以跳出局部最優(yōu)解，而在后期則使用較小慣性權(quán)重,，提高局部搜索能力以加快收斂速度,。即：

    根據(jù)節(jié)點(diǎn)連通性的約束，在一定程度上縮小了未知節(jié)點(diǎn)可能存在的區(qū)域,。在比較小的區(qū)域內(nèi)利用粒子群優(yōu)化算法估計(jì)未知節(jié)點(diǎn)坐標(biāo),，選用較大的w可能使粒子跳出有效區(qū)域，此時(shí)更加倚重較小的w來加強(qiáng)局部搜索能力,，而式(6)的慣性權(quán)重下降速率是恒定的,，不利于更快速準(zhǔn)確地獲得最優(yōu)位置估計(jì)。因此本文將w設(shè)計(jì)成前期較大的慣性權(quán)重下降速率較快,、較小的慣性權(quán)重下降速率較慢的非線性遞減函數(shù),。

    為了表述方便，將本文提出的改進(jìn)后粒子群優(yōu)化算法記作PSO-U,，并與前文提到的PSO,、多邊定位法[2]等位置估計(jì)算法進(jìn)行性能比較。圖3是在錨節(jié)點(diǎn)密度設(shè)定為30%,，通過調(diào)節(jié)節(jié)點(diǎn)通信距離來控制平均連通度變化的情況下,，對三種算法平均定位誤差的比較。圖中隨著節(jié)點(diǎn)平均連通度的增大,，各算法的平均定位誤差逐漸下降,，其中PSO-U算法的下降幅度最小，相對于另外兩種算法受平均連通度變化的影響較小,，在較小連通度的情況下就可以達(dá)到比較高的定位精度,。圖4是在平均連通度設(shè)定為13，錨節(jié)點(diǎn)密度從20%線性增加的情況下,，對三種算法平均定位誤差的比較,。圖中各算法的平均定位誤差隨著錨節(jié)點(diǎn)密度的增大而逐漸變小，相對于平均連通度的變化,錨節(jié)點(diǎn)密度對平均定位誤差的影響較小,。

    粒子群優(yōu)化是一種迭代搜索方法,，迭代次數(shù)是該算法計(jì)算量的重要體現(xiàn)，以下對改進(jìn)后粒子群優(yōu)化算法的迭代次數(shù)進(jìn)行仿真分析。圖5是錨節(jié)點(diǎn)密度分別取20%,、30%,、40%的條件下，PSO-U和PSO的平均迭代次數(shù)比較,。從兩圖中可以看出,，本文提出的PSO-U算法的平均迭代次數(shù)明顯小于PSO算法。但是綜合分析改進(jìn)前后的粒子群優(yōu)化算法,，PSO-U算法需要對相交區(qū)域進(jìn)行估算,，這相對于PSO算法是額外的計(jì)算量，并且慣性權(quán)重在形式上要更為復(fù)雜,。因此,，整體來看，本文提出的PSO-U算法在定位精度上有明顯的優(yōu)勢,，但在算法復(fù)雜度上有所增加,，適用于對精度要求較高的WSN應(yīng)用中。

    本文將粒子群優(yōu)化算法應(yīng)用到節(jié)點(diǎn)定位過程中,，通過對慣性權(quán)重的分析,，對基于粒子群優(yōu)化的節(jié)點(diǎn)定位算法進(jìn)行了改進(jìn)。首先利用節(jié)點(diǎn)間的連通性估計(jì)未知節(jié)點(diǎn)可能存在的約束區(qū)域,，然后對粒子群優(yōu)化算法的慣性權(quán)重的設(shè)置進(jìn)行了優(yōu)化,。通過仿真比較，改進(jìn)后算法在定位精度方面有明顯改善,，并且受節(jié)點(diǎn)分布的影響較小,。由于粒子群優(yōu)化算法通過迭代方式搜索未知節(jié)點(diǎn)的最優(yōu)位置，在測距誤差較大,、參數(shù)設(shè)置不理想等情況下,，其計(jì)算量會(huì)有比較明顯的增加。
參考文獻(xiàn)
[1] KRISHNAMACHARI B. Networking wireless sensors[M].New York: Cambridge University Press, 2005.
[2] 孫利民, 李建中, 陳渝,等. 無線傳感器網(wǎng)絡(luò)[M]. 北京:清華大學(xué)出版社, 2005.
[3] TIAN H, CHENGDU H, BRIAN M B, et al. Range-free localization schemes in large scale sensor networks[A]. In: Proceedings of the 9th annual international conference  on mobile computing and networking (MobiCom’03)[C], San Diego, California, USA, 2003:81-95.
[4] NIEULESEU D, NATH B. DV based positioning in ad hoc networks[J]. Journal of Telecommunica- tion Systems,2003,22(1):267-280.
[5] BULUSU N, JOHN H, ESTRIN D. GPS-less Low cost outdoor localization for very small devices[J]. IEEE Journal of Personal Communications, 2000,7(5):28-34.
[6] DOHERTY L,PISTER K S J,GHAOUI L E. Convex position estimation in wireless sensor networks-[A]. In: Proceedings of the IEEE INFOCOM 2001[C], 2001(3):1655-1663.
[7] KENNEDY J, EBERHART R C. Particle swarm optimization[C]. Proceedings of IEEE International Conference on  Neural Networks, Perth, Australia, 1995:1942-1948.
[8] GOPAKUMLAR A, JACOB L. Localization in wireless sensor networks using particle swarm optimization[C]. IET International Conference on Wireless, Mobile and Multimedia Networks, 2008(1):227-230.
[9] 林衛(wèi)星,陳炎海.一種快速收斂的改進(jìn)粒子群優(yōu)化算法[J].系統(tǒng)仿真學(xué)報(bào), 2011,23(11):2406-2411.
[10] SHI Y H, EBERAHRT R C. Parameter selection in particle swarm optimization[J]. Lecture Notes in Computer Science, 1998, 47(14): 591-600.
[11] CHATTERJEE A, SIARRY P. Nonlinear inertia weight variation for dynamic adaptation in particle swarm optimization[J]. Computers & Operations Research, 2006,33(3):859-871.
[12] 焦巍, 劉光斌. 基于多樣性反饋的粒子群優(yōu)化算法[J]. 計(jì)算機(jī)工程, 2009,35(22):202-204.