一种基于遗传算法的无线传感器网络节点定位技术研究

合集下载

一种新型无线传感器网络中的节点定位技术研究

一种新型无线传感器网络中的节点定位技术研究随着无线传感器网络技术的发展，人们对于节点定位技术的需求也越来越高。

在许多应用领域中，无线传感器网络中的节点定位技术都扮演着非常重要的角色。

比如说，在农业领域中，无线传感器网络可以监测土壤湿度、温度等环境参数，从而实现精准灌溉、施肥等操作。

在智能家居中，无线传感器网络可以控制温度、光线等，提高家居的舒适度。

无论是在哪个领域，节点定位技术都是无线传感器网络技术的核心和基础，因此，研究一种新型无线传感器网络中的节点定位技术是非常有必要的。

在传统的无线传感器网络中，节点定位技术通常采用三边定位、距离测量等方法，但是这些方法存在诸多限制。

首先，这种方法需要传感器节点通过信号强度、信噪比等参数进行距离估算，估算出的结果容易受到环境影响，容易产生误差。

其次，如果节点密度不足，距离测量方法也会出现问题；而如果节点密度过高，则会导致能量消耗过大。

综上所述，这些方法在应用中存在一定的局限性。

为了克服这些局限性，人们开始探索新型的节点定位技术。

其中，一种最为常见的方法就是利用节点的相对位置信息进行定位。

这种方法不需要测量距离，仅需要获取节点之间的相对位置信息，即可进行定位。

这种方法不仅能够有效消除环境因素的干扰，还可以在节点密度不高的情况下进行定位。

因此，这种方法在无线传感器网络中的应用也越来越广泛。

在新型无线传感器网络中，节点定位技术更是得到了进一步的发展和应用。

一种最为常见的方法就是利用粒子群算法、蚁群算法等智能优化算法进行节点定位。

这些算法不需要事先知道节点的初始位置，可以通过不断迭代优化得到最佳解，从而实现节点定位。

这种方法的优点在于，不需要附加的设备和成本，定位的精度也相对较高。

但是，这种方法也存在一定的缺陷，比如算法的复杂度较高，需要大量的计算资源；而且也容易受到噪声的干扰。

除了智能算法，人们还探索了一种新型的节点定位技术，称为“超宽带节点定位技术”。

这种技术可以直接通过信号强度测量传播时间差来估算距离，从而实现定位。

基于遗传算法的三维无线传感器网络定位新算法

境，通常用户节点能耗多、体积大、成本高，且需要固定的基础设施，使得它不适用于低成本自组织的传
［感器网络，］
。因此，必须采用其它方法实现传感等提出，最等人提
器网络自身定位。从目前来看，无线传感器网络的定位算法具代表性的主要有的质心定位算法具代表性的是
［］
，美国路特葛斯大学的种分布式定位算法算法ቤተ መጻሕፍቲ ባይዱ
［的监测消息，则毫无意义，］
。因此，在无线传感
器网络中，传感器节点的精确定位对各种应用起着重要的作用。全球定位系统（的定位系统，但是）是目前应用最广泛最成熟定位适应于无遮挡的室外环 !"!
三维空间定位问题描述
节点模型描述节点模型如图（）所示：设每个节点通信范围为 !，当未知节点 "、 "、 "、 " 为三个传感器节点，则认为 " 处于已知节点 " 、 "、 " 的通信范围内，未知节点 " 与已知节点 " 、 "、 " 可以相互通信。图（）说明了节点通过无线传播模型可以估计节点之间的距离。已知节点 " 、 "、 " 向其周围发送射频电波，而如果未知节点 " 可以与之通信（即有 # $ ! ，。未知节点 " 依 # $ !， # $ !）据接收到的电波功率和初始的发送功率计算功率的损耗，就可以估计出未知节点 " 到节点 " 、 "、 "
，在军
［］
事、工业、民用等领域有巨大的应用价值和前景
。
这种网络由大量靠无线、多跳方式通信的智能传感器节点构成，这些节点一般被密集布设在特定的没有固定基础设施的监控区域

基于遗传算法的无线传感网节点定位技术研究

基于遗传算法的无线传感网节点定位技术研究无线传感网（Wireless Sensor Network，WSN）是一种由许多分布式的无线传感器节点组成的网络，具有广泛的应用前景。

其中的一个核心问题是如何实现节点的定位，这对于许多应用场景来说是很重要的。

基于遗传算法的无线传感网节点定位技术是一种有效的解决方案。

一、无线传感网节点定位技术的意义和挑战无线传感网节点定位技术是实现无线传感网的重要技术之一，其意义在于实现无线传感器节点的空间感知和位置感知，为无线传感网的许多应用提供了数学基础和理论支持。

常用的无线传感网节点定位方法主要有GPS定位、基于信号强度的定位和基于距离的定位等。

然而，在无线传感网节点定位过程中，受到许多因素的影响，包括节点的自身技术限制、环境的复杂性、信号的干扰和误差等，这为节点的准确定位带来了很大的挑战。

因此，需要采用一种高效、准确的定位技术来提高节点的定位精度和可靠性。

二、基于遗传算法的无线传感网节点定位技术原理遗传算法是模仿生物进化过程的计算方法，它通过不断的迭代和优化，寻求一个最优解。

基于遗传算法的无线传感网节点定位技术就是利用遗传算法的搜索优化能力，优化节点定位的数学模型，最终得到节点的位置信息。

其主要步骤如下：1.构建适应度函数：首先，需要根据实际的节点定位问题，构建一个适应度函数，用来衡量每组节点位置的优劣程度。

适应度函数一般以节点之间的距离误差为主要考虑因素。

2.种群初始化：随机生成初始种群，即一组位置组合，作为遗传算法的初始种群。

3.选择操作：利用适应度函数对种群进行评估和筛选，选出优秀的“基因”进行交叉和变异操作，产生新的优秀的后代。

4.交叉操作：以一定概率对选出的优秀“基因”进行交叉操作，产生新的个体，可能包含了父母亲的优秀基因。

5.变异操作：以一定概率对新产生的个体进行变异操作，引入新的随机变量，使新个体具有更大的可能性去探索更优的解。

6.重复步骤3-5，直到找到满足条件的最优解。

基于遗传算法的无线传感器网络定位算法研究与实现v3.5

基于遗传算法的无线传感器网络定位算法研究与实现摘要在无线传感器网络中，定位系统在目标监测与跟踪、物流管理、智能交通、基于位置信息的路由等许多应用中起着至关重要的作用。

无线传感器网络中节点位置信息很重要，要实现定位就需要定位算法。

文章主要介绍了基于遗传算法的无线传感器网络定位典型的节点定位算法、实现方法以及现有文献对其的改进和不足。

关键词无线传感器网络，节点定位，典型算法Abstract In wireless sensor networks, positioning system in target monitoring and tracking, logistics management, intelligent transportation, based on location information in many applications such as routing plays a vital role. Node location information is very important in wireless sensor networks, to achieve localization requires positioning algorithm. This paper mainly introduces the node localization algorithm, genetic algorithm is a typical wireless sensor network implementation method and the existing literature on improvement and deficiencies based on.key word Wireless sensor networks , node localization , ypical algorithm 1 引言随着科学技术的发展，无线传感器网络的应用已经越来越广。

基于遗传算法的无线传感器网络节点部署优化研究

基于遗传算法的无线传感器网络节点部署优化研究无线传感器网络（Wireless Sensor Network，WSN）是一种将传感器节点通过无线通信方式连接形成的网络体系，可以用于实现对大范围的环境、目标或特定状况的监听、监测和控制，被广泛应用于农业、工业、安全、医疗等众多领域。

在无线传感器网络中，节点部署优化是一个重要的问题，它涉及到网络能源消耗、网络响应速度、网络稳定性等方面的问题。

传统的无线传感器网络节点部署通常采用人工选择节点位置的方式，但是这种方式存在以下问题：首先，人工选择节点位置需要大量的人力、物力和时间成本，这在大规模部署的场景下几乎不可行；其次，人类思考方式受到其认知能力的限制，难以准确预测网络的性能，这会导致节点部署方案存在一定的局限性。

为了解决传统节点部署方式的问题，研究者们引入了遗传算法（Genetic Algorithm，GA）来解决节点部署的优化问题。

遗传算法是一种模拟生物进化过程的数学优化方法，它通过模拟进化过程中的自然选择、交叉和变异等步骤来寻找最优解，具有全局搜索、自适应搜索等特点。

使用遗传算法进行无线传感器网络节点部署，主要包括以下步骤：（1）编码初始种群：将每个节点的位置编码成遗传算法能处理的二进制串，以此构造种群。

（2）适应度评价：以节点的覆盖范围和网络连通度为优化目标，利用数学模型计算出各个个体的适应度值。

（3）选择操作：采用轮盘赌选择、竞技选择等机制，按照适应度大小选择优秀的个体进入下一代。

（4）交叉操作：对选中的个体进行交叉运算，生成新的后代个体。

（5）变异操作：在新生个体中随机选择某些位进行变异，增加种群的多样性。

（6）更新种群：使用新的个体替代部分原来的个体，更新种群。

（7）判断终止条件：根据指定的终止准则，判断是否达到了终止条件，如果没有，返回第（2）步；如果达到，输出最优解。

在实现无线传感器网络节点部署优化时，遗传算法可用于优化节点布置、协调路由、网络构建等方面，可以使节点覆盖范围更广、网络性能更稳定，提高了无线传感器网络的适应性和灵活性，适用于更广范围的应用场景。

一种基于遗传算法与蚁群算法混合算法的无线传感器网络定位算法

2017年软件2017, V ol. 38, No. 1基金项目: 国家自然科学基金支持(No.51275285)作者简介: 李杰(1991-)，男，硕士研究生，主要研究方向为无线传感器网络和嵌入式系统设计。

李振波，男，副教授，致力于研究微驱动器的结构设计与控制，微机器人结构设计与控制等。

通讯联系人: 陈佳品，男，教授，主要从事智能微系统及其信息处理的研究。

一种基于遗传算法与蚁群算法混合算法的无线传感器网络定位算法李杰，李振波，陈佳品(上海交通大学电子信息与电气工程学院薄膜与微细技术教育部重点实验室，上海 200240)摘要: 无线传感器网络技术应用广泛，而大多数应用依赖于节点定位，本文提出了一种基于遗传算法与蚁群算法混合算法的节点定位算法，遗传算法采用实数编码，利用线性交叉和非均匀变异算子进行搜索，在遗传算法搜索结果的基础上，利用改进的蚁群算法进行进一步搜索，蚁群算法采用MMAS 算法，根据遗传算法搜索结果产生初始吸引强度分布，之后应用精英策略比较混合算法产生的新个体与父代种群，保留较优个体为新一代种群。

仿真结果表明，混合算法的定位精度优于dv-hop, 遗传算法等传统定位算法，算法收敛性也优于遗传算法和蚁群算法，该混合算法汲取了两种算法的优点，时间效率高，定位精度高，收敛速度快，是一种优秀的无线传感器网络定位算法。

关键词: 无线传感器网络；遗传算法；蚁群算法；锚节点；距离中图分类号: TN929.5 文献标识码: A DOI ：10.3969/j.issn.1003-6970.2017.01.003本文著录格式：李杰，李振波，陈佳品. 一种基于遗传算法与蚁群算法混合算法的无线传感器网络定位算法[J]. 软件，2017，38（1）：11-15A Hybrid Algorithm Based on Genetic Algorithm and Ant ColonyAlgorithm for Wireless Network LocationLI Jie, LI Zhen-bo, CHEN Jia-pin(Key Lab. of Thin Film and Microfabrication of the Ministry of Education, School of Electronics, Informationand Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, CHN )【Abstract 】: Wireless sensor network technology is widely used, and most applications rely on node localization. In this paper, a hybrid algorithm based on genetic algorithm and ant colony algorithm is proposed. The genetic algorithm uses real-coded, linear and non-uniform mutation operator.Based on the search results of genetic algorithm, an improved ant colony algorithm is used to search further. The ant colony algorithm uses MMAS algorithm to generate the initial at-traction intensity distribution according to the genetic algorithm search result, and then applies the elite strategy to compare the new individuals and parental population, and the individuals with better fitness were the new generation. The simulation results show that localization precision of the hybrid algorithm is better than the traditional localization algorithm such as dv-hop and genetic algorithm, and the convergence of the algorithm is better than that of the genetic algorithm and ant colony algorithm. The hybrid algorithm has the advantages of two algorithms, High positioning ac-curacy, fast convergence speed, is an excellent wireless sensor network localization algorithm.【Key words 】: Wireless sensor networks; Genetic algorithm; Ant colony algorithm; Anchor node; Distance0 引言[1]微机电系统（MEMS ）、计算机、通信技术的巨大进步带动了大规模分布式无线传感器网络的发展，WSN 技术广泛应用于国防、环境、医疗和商业等领域，如今，WSN 已成为21世纪最受瞩目的技术之一。

基于遗传算法的无线传感器网络节点自身定位算法研究.

基于遗传算法的无线传感器网络节点自身定位算法研究无线传感器网络作为一种新兴技术,在工农业、城市管理、抢险救灾等许多领域都有重要的科研价值和应用前景,是目前学术界研究的热点问题之一。

其中,传感器节点的定位问题是无线传感器网络中的一个基本和关键问题。

论文首先概述了无线传感器网络定位算法的研究现状。

然后,介绍了定位算法的理论基础,包括定位算法的基本原理、分类和性能评价。

在此基础上,分四类对典型的定位算法进行了讨论。

由于定位问题本质上是一个最优化问题,论文重点对基于优化算法—遗传算法(GA, GeneticAlgorithm)、模拟退火算法(SimulatedAnnealingAlgorithm,SA)、进化策略(ES, Evolution Strategies)和差分进化算法(Differential Evolution, DE)的四个定位算法进行了介绍,详细叙述了每个算法的伪代码或步骤,对各自的优点与不足作了较全面的总结。

在分析其问题产生原因的基础上,给出了两个相应的解决方案。

一是针对以上四个定位算法的适应度函数会导致算法定位精度低且复杂度高的问题,适应度函数中使用带有权值因子的距离未知节点最近的三个锚节点的信息。

一方面,使用距离未知节点最近的三个锚节点信息能减少算法复杂度且精度较高,另一方面,由于测距误差随着节点间跳数的增大而增大,使用与未知节点到锚节点跳数成反比的权值因子能适当减少测距误差的影响,因而可以提高定位精度;二是对GA和SA 进行了深入分析,针对GA具有较强的全局搜索性能但容易产生“早熟收敛”现象而陷入局部最优解和SA具有摆脱局部最优解的能力但进化速度慢的问题,提出在GA的选择策略中引入SA的Metropolis接受准则得到优化算法GSA,这样可以改进种群的多样性,避免GA陷入局部最优解。

最后,将GSA应用于无线传感器网络的定位问题得到定位算法GSAL(Geneticand Simulated Annealing Algorithm Localization),用Matlab进行了仿真实验。

基于遗传算法的WSN节点定位技术

基于遗传算法的WSN节点定位技术引言：无线传感器网络（WSN）是一种由大量分布在空间中的无线传感器节点组成的网络，这些节点可以进行数据采集、处理和传输。

节点定位是WSN中的一个重要问题，它可以帮助我们准确地获得节点位置信息，进而实现许多应用，例如环境监测、目标追踪等。

传统的节点定位技术通常需要大量的计算和通信开销，而且对网络的可扩展性有一定的限制。

为了解决这些问题，基于遗传算法的节点定位技术应运而生。

一、遗传算法简介遗传算法（Genetic Algorithm, GA）是一种模拟生物进化过程的算法。

它从基因组中编码的候选解集合中最优解。

遗传算法通过模拟自然界的选择、变异和交叉等操作，来不断优化当前解，并寻找全局最优解。

在WSN节点定位问题中，我们可以将每个节点的位置编码为一个个体，通过遗传算法来优化节点位置的精确度。

二、基于遗传算法的WSN节点定位流程1.初始化种群：首先，我们需要随机生成一组初始解，并将其编码为基因组。

这些初始解可以是节点位置的随机值。

2.适应度计算：根据节点的位置和距离信息，我们可以计算每个个体的适应度。

适应度值表示节点位置解的好坏程度。

3.选择操作：根据适应度值，我们可以使用选择算子来选择较优的解作为下一代的父代。

选择算子通常根据适应度值来确定概率并选择解。

4.交叉操作：交叉操作模拟自然界中的遗传交换过程。

在WSN节点定位问题中，我们可以通过选择两个父代节点的位置信息，并进行位置交换，生成新的解。

5.变异操作：变异操作用于增加解空间的多样性以避免陷入局部最优解。

在WSN节点定位问题中，我们可以通过对节点位置进行微小的变化来生成新的解。

6.更新种群：通过选择、交叉和变异操作，我们生成了新的解，并用它们替换原有的种群。

7.收敛判断：在每一代迭代过程中，我们需要检查算法是否收敛。

一般通过定义迭代次数或者适应度值的改变来进行判断。

8.终止条件：算法终止的条件通常是达到指定的迭代次数或者适应度值改变很小或不再变化。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

点初始位置进行求精；文献［３用遗传算法优化定１】位参数；文献【４用遗传算法对无线传感网络节点１】
定位及求取其路径；本文提出一种新的无线传感网络节点定位算法。遗传算法完成节点定位的基本步骤如下：
（）个体的编码１编码是把问题的可行解从解空间转换到遗传
即：Ａ＋（ｉ）ｘｅ—ｅ＝Ｂ
式中（一）Ｐ项为误差项，其为ｋ１一维随机误差向量，根据最小二乘原理求解方程使
２
以上定位算法均具有自身的特点，但它们的定
∑ ｅ＝ｂ『－）ｌ一Ｉｉ取值达到最小来求的估计
（ｃｏｌｆｌｔｎｃｎｆｒｔｎＥｇｎｅｉｇＪｇａｇｈｎＵｎｖｒｔ，ｉｎＪａ￣４０９ＣｉａＳｈｏｏＥｅｒｉａｄＩｏｍａｏｎｉｃｒ，ｉｇｎｓａｉｅｓｙＪａ，ｉｇｉ３０，ｈ）ｃｏｎｉｎｎｉ ’ ａ３ｎ
Ａｂｔａｔｓｒｃ：腑
Ｌ（一）２一２．一ｘ。（）Ｊｙ
（２）
ｆ《Ｉ３Ｉ一＋一＋一］（）
ｌ一一一ｊ《《＋＋。
用最小二乘法估计求未知节点的位置（，）Ｙ，
位置进行初步估计，在第２阶段采用遗传算法对节
虽然采用ＧＳＰ定位系统可以精确得到每个节点
收稿日期：２１—４１；修改日期：２１－６１０１０－８０１０－０基金项目：吉安市重点科技计划项目（吉市科技字［０９４２０１０号）作者简介：＋廖萍（９０）１８一，男，湖南衡阳人，讲师，主要从事计算机应用、计算机网络、无线传感器网络等研究（ｍｉｊｇｌｏｉｇ６．ｒ）Ｅａｌｘｓａｐｎ＠１３ｏ；：ｊｉｃｎ孔翠香（９８）１７一ｔ女ｔ陕西渭南人－讲师・硕士．主要从事无线传感器网络、Ａｏ络等研究（ｍａｌｌｙ８８１３ｏ）ｄｈｃ网Ｅｉｉｔ８＠６．ｒ．：ｕｍ８ｃｎ
（）１
化过程而形成的自适应全局随机搜索与优化算法。
它将问题的所有可能解组成一个种群，将每一个可能解视为种群的个体，从选定的初始种群（）出解
该方程组为非线性方程组，不便于求解，（）用１
式中的前ｋ１ — 个方程减去第ｋ个方程后，可以得到
定位算法。于测距的定位算法（ＲＳ［１、ＯＡ基如ＳＩ－】Ｔ６０
和ＴＯ）在定位过程中需要测量节点间的距离或ＤＡ角度信息，该定位算法对节点的硬件要求较高并受测量环境的影响较大。而无需测距的定位算法在定
位过程中无需测量节点间的距离或角度信息，而是
ｉ＝１
位精度都不够理想，且在定位最后阶段均采用最小二乘估计定位算法估算未知节点的位置。
值，对上式关于求导并令其等于０可以求解出，未知节点的最小二乘位置估计
Ｘ＝（）ＡＡＢ（）４
ＮｅｗｏｋＡｏｅｏａｉａｏｅｍｏｏｙｂｓｄｏｅｅｉｌｏｉｍｒＷｉｌｓｅｓｒｔｏｋｉｐｏｏｅ．ｔｒ．ｎｖｌｃｌｔｎＴｅｌｌｇａｅｎｇｎｔａｇｒｔｆｒｅｓＳｎｏｗｒｒｐｓｄｌｚｉｃｈｏｅＮｅｓＴｈｔｅｔａｄｌｓｂｉｔｅｓｌｓｒｏｒａｌｆｎｄｓａｄｔｅｇｎｔｌｏｉｓｕｅｅｍａｈｍａｉｌｃｍｏｅｕｌｗｉｔｍａｌｔｒｒｆｌｏｏｅ．ｎｅｅｉａｇｒｈｗａｓｄｔｗａｔｈｈｅｅｏｈｃｔｍｏ
问题空间称为解码。
２ｘ一一ｘ）＋２ｙ一一Ｙ）（１ｋｘ（１ｋＹ＋ｅ一～ｅ＝ｋ１ｋ
《。＋：一一。一一一Ｙ＋
本文对个体的编码采用二进制编码。二进制编
建立所有节点的定位误差之和最小的数学模型，利用遗传算法求解模型的最优解，从而得到未知节点的最优的估
计位置。实验仿真结果表明该算法对未知节点的定位精度高，件简单，适合各种规模的无线传感网络节点的定条
位。
关键词：无线传感器网络；定位：遗传算法；锚节点中图分类号：Ｔ３３０Ｐ９．２文献标识码：ＡＤ：０３６／ｉｎ１７ — ０５０１４０８ＯＩ．９９．ｓ．６４８８．１．．１１ｊｓ２０
１基于误差的最小二乘估计定位原理
大多数定位算法对未知节点的计算是通过获知三个或三个以上锚节点间的距离，运用最小二乘
法估计法估计出未知节点的位置。最小二乘估计的
定位原理可描述为：当已知ｋ锚节点的位置
该算法依据节点的测距信息进行定位，测距误差的存在可能引起较高的定位误差。本文从最小二乘估计法出发，引入遗传算法来完成传感器节点定
第３第４期２卷２１年７月０１
Ｖ１２Ｎｏｏ．．３４ｊｌ２１ｕｙ０１
井冈山大学学报（自然科学版）ＪｕｎｌｆｉｇａｇｈｎＵｎｖｒｉＮａｕａｃｅｃ）ｏｒａｎｇｎｓａｉｅｓｙ（ｔｒｌｉｅｏＪｔＳｎ
＝
发，在整个种群空间内随机搜索，按照一定的适应度函数评估每一个体，循环使用选择、交叉、变异三种遗传算子，使问题的解不断进化，直至搜索到
最优解。文献【２在第１１】阶段利用采样方法对节点初始
形式的线性方程组，其中
Ｉｘ）２；）ｌ；ｌｌＩ２一（一
随机产生一组侯选变量，可以采用多种形式编码
（如二进制编码、符号编码与符点数编码），通常
２Ｘ一）＋２ｙ — ） —ｅ＝（Ｉ（ｌ＋ｋ
ｘ一２＋
一
Ｙ＋一：
１
采用二进制形式，即用０，１字符串构成一定长度
的基因链，表示个体变量，从遗传算法解空间转换
但是由于最小二乘法用前ｋ１一个方程减去第七个方程的思路求解，解的精确程度受最后一个方程误差的限制，如果最后一个方程误差较大的话，即使前ｋ１一个方程误差很小，定位结果的误差也会较大。由此引入误差项，用前ｋ１一个方程减去第七个
方程得

算法所能处理的搜索空间的转换方法。目的是为了
ａａｙｅｔｅｓｏｔｏｎｓｏｈａｔｓｕｒｓｅｔｔｎｌｃｌａｉｎａｇｒｈｉｎｌｚｈｒｃｍｉｇｆｔｅｌｓｑａｅｓｉｉａｉｔｌｏｉｍｈｅｍａｏｏｚｏｔｎ
ｌｓｅｓｒｅｓＳｎｏ
Ｏ引言
无线传感器网络是由部署在检测区域，具有通信与计算能力的传感器节点组成的自组织分布式网络系统，其作用是协作式的感知、采集和处理网络监测区域内的信息并发送给检测者［。传感器节１】点采集或感知的数据不知道具体的位置信息是毫无意义的［，因此传感器节点定位技术是无线传感２】器网络应用中的关键技术之一【】３。．４
的位置，但高昂的成本使ＧＳＰ定位不能广泛应用于传感器节点的定位。现有的无线传感网络定位算法
大多依据少量位置已知的锚节点来估计整个网络中未知节点的位置。常见的无线传感器网络定位算
法可分为基于测距【的定位算法以及与距离无关的５】
ＳＴＵＤＹｏＮＬｏＣＡＬＩＡＺＡＴＩｏＮＴＥＣＨＮｏＬｏＧＹＩｏＦＷＲＥＬＥＳＥＮＳＳＳｏＲＮＥＴＷＯＲＫＢＡＳＥＤｏＮＧＥＮＥＴＩＡＬＧｏＲＩＣＴ删
‘ＩＬＡＯｉｇＫＯＮＧｉｉｎＰｎ，Ｃｕ．ａｇｘ
位。
（１１，），…，（Ｙ）以及它们距离待测节点Ｙ，
，
）之间的距离为，…，时，可得方程组
２基于遗传算法的无线传感网络节点定位
遗传算法是一种借鉴自然界生物的遗传和进
Ｉｘ＋－）＝ｉ（）ｙ，－２Ｊｌ（一）＝（）ｙ一＋
ｇｔｈｐｉｌｏｕｏｆｅｍｏｅ．ｉａｌ，ａｅｅｏｔｌｓｍｔｏｉｏｆｈｎｎｗｎｎｄｓＴｅｅｅｏｔｔｍａｌｔｎｏｔｄ１Ｆｎｌｗｅｃｎｇｔｈｐｉｔｓｉｈｙｔｍａｅｉａｅｐｓｔｎｏｔｅｕｋｏｏｅ．ｈｉｒｓｌｆｔｅｓｍｕａｉｎｓｏｔａｈｏａｉａｏｃｕａｙｏｈｅａｇｒｈｓｅｃｅｔｆｒｔｅｎｄｓｏｈｅｕｔｏｈｉｌｔｈｗｈｔｔｅｌｃｌｔｎａｃｒｃｆｔｌｏｉｓｏｚｉｔｍｉ伍ｉｎｏｅｆｔｅｏｈＷｉｅｅｓＳｎｏｅｏｋａｄｉｏ￣ｔｎｉｉｌＯｔａｔｂｅｆｒｌｓｅｆｒｌｓｅｓｒｅｏｋ．ｒ１ｓｅｓｒｔｒ，ｎｓｃｎｉｓｍｐｅＳｔｕａｌｌｉｓｏｅｅｓｓｎｏｔｒｓＮｗｔｏＳｈｓｉｏａｚｗｉｎｗＫｅｒｓｗｉｌｓｅｏｅｗｏｋ１ａｉａｉｎｇｎｔｌｏｔ；ａｃｏｏｅｙｗｏｄ：ｒｅｓｓｎｒｎｔｒ；ｏｌｔ；ｅｅｉａｇｒｈｅｓｃｚｏｃｉｍｎｈｒｄｎ