基于改进反向学习布谷鸟搜索的TDOA定位算法的制作方法

基于改进反向学习布谷鸟搜索的tdoa定位算法
技术领域
1.本发明涉及智能优化算法技术领域,更具体的说是涉及基于改进反向学习布谷鸟搜索的tdoa定位算法。


背景技术：

2.现有tdoa双曲线方程的解算方法主要包括解析法和群优化算法，在解析法中chan算法采用两步最小加权二乘得到目标位置，在环境噪声小的视距(line of sight los)环境下有较高的定位精度，但在噪声较大时定位精度会大大下降。taylor级数法要求有一个较为精确的初值，以确保算法有效收敛。采用了一种基于最小二乘和taylor算法的联合算法，可提供一个精确初始解，有效提高了定位精度，但要求事先确定多变环境下的锚节点之间的时钟延迟。相比之下，智能群优化算法也常用于解决工程中的最优性问题，将粒子群优化(particle swarm optimization pso)引入无线定位系统解决其中的非线性优化问题，但容易陷入局部最优，无法得到精确值。设想一种改进的遗传算法，但算法容易早熟，稳健性较差。


技术实现要素：

3.有鉴于此，本发明目的在于提供一种基于改进反向学习布谷鸟搜索的tdoa定位算法，引入反向学习策略，提高种群的多样性与收敛速度，在算法陷入局部最优时采用模拟退火(simulated annealing，sa)机制增强算法的局部搜索能力，避免搜索结果陷入局部最优从而达到全局最优解。
4.为实现上述目的，本发明提供如下技术方案：
5.基于改进反向学习布谷鸟搜索的tdoa定位算法，其特征在于，具体包括以下步骤：
6.s10：初始化种群位置，确定目标函数f(x)，发现概率pa，解的维度d，最大迭代次数t，随机生成n个解；
7.s20：由目标函数确定每个解的目标函数值，保留最优解；
8.s30：更新位置，得到levy飞行后的新位置，并对比随机游走前解的适应度值，保留更优解；
9.s40：选择抛弃：在随机数r大于pa时抛弃原解，执行式(13)生成反向解，比较两者的目标函数值保留更优解，每隔w代(此处w＝5)对所得解进行模拟退火，结束后保留最优值，反之保留原始解；
10.s50：结束，判定是否满足迭代次数，若满足，输出最优解结束，否则再执行s20。
11.优选的，在上述一种基于改进反向学习布谷鸟搜索的tdoa定位算法中，所述s10中确定目标函数f(x)的具体过程：
12.设参与的锚点的数目为m(m≥4)个
13.，坐标分布为(x
i
，y
i
)(i＝1，2，
…
，m)，目标位置为(x，y)，令τ
i
表示信号在目标节点到第i个锚点的传播过程中的时延，目标节点与锚点的距离为
[0013][0014]
令d
i，1
表示目标节点与i(i≠1)个锚点和第一个锚点之间的距离差，ε
i
＝c*τ
i
[0015]
d
i，1
＝d
i
‑
d1 ε
i i＝1，2，
…
m
ꢀꢀ
(2)
[0016]
将(2)式改写为矩阵形式
[0017]
δd＝d
‑
d1 ε
ꢀꢀ
(3)
[0018]
其中
[0019]
δd
m
‑
1，1
＝[d
2，1
，d
3，1
，
…
，d
m，1
]
[0020]
d
m
‑
1，1
＝[d2，d3，
…
，d
m
]
[0021]
d1＝[d1，d1，
…
，d1]
[0022]
ε＝[ε1，ε2，
…
，ε3]
[0023]
假设ε为服从高斯白分布的零均值，方差为δ2的白噪声，由观测数据采用极大似然估计得到位置估计，(3)式的极大似然函数为
[0024][0025]
在目标节点位置满足
[0026]
f(x)＝arg{min[(δd
‑
d d1)
t
(δd
‑
d d1)]}
ꢀꢀ
5)
[0027]
式(5)中f(x)为目标节点的位置信息(x,y)是唯一的未知变量，从中可看出采用传统解析法求解其中的非线性函数计算复杂度高，计算时间长。通过智能优化算法在全局空间内搜索最优解，确定最终目标位置。基于以上讨论，将算法的目标函数设置为
[0028][0029]
使用算法对其求解的过程中，保留每一代适应度的最高值，对比每代最优值，直到迭代结束，得到最优解。
[0030]
优选的，在上述一种基于改进反向学习布谷鸟搜索的tdoa定位算法中，所述s10中随机生成的n个解可由式(15)确定
[0031]
x
i
＝(ub
i
‑
lb
i
)
·
*rand lb
i
ꢀꢀ
(15)；其中，i＝1，2，
…
，n，rand为均匀分布的随机数，
·
*表示哈达玛积。
[0032]
优选的，在上述一种基于改进反向学习布谷鸟搜索的tdoa定位算法中，所述s20的具体步骤如下：首先，模拟布谷鸟的繁衍过程，以巢穴的位置优劣评判算法的适应度。算法
设定了三个过程机制：
[0033]
1)每只布谷鸟每次只产一个蛋，并随机选择巢穴；
[0034]
2)每次进化保留每一代中最优的巢穴位置；
[0035]
3)搜索空间的区域固定，宿主以概率pa(0,1)发现并舍弃布谷鸟的蛋；然后通过通过莱维飞行(levy fight)确定下一代鸟巢的位置：
[0036]
x
t 1，i
＝x
t，i
α
·
*levy(β)
ꢀꢀ
(7)
[0037]
其中：x
t 1，i
代表下一代鸟巢位置；x
t，i
代表当前鸟巢位置；α为缩放因子，此处去取0.1，
·
*为哈达玛积；
[0038]
levy飞行过程如下：
[0039][0040]
其中：μ，ν表示服从标准正态分布的随机变量；表示控制因子，此处取1.3，φ的表达式如下
[0041][0042]
在levy飞行得到新的巢穴之后，执行选择抛弃机制，用均匀分布的随机数r(0,1)与pa比较，若r＜pa保留当前解。
[0043]
优选的，在上述一种基于改进反向学习布谷鸟搜索的tdoa定位算法中，若r≥pa，则抛弃当前位置，否则保留，新的位置由(10)式得出
[0044][0045]
其中：r是服从均匀分布的比例因子，x
t，j
和x
t，k
是当前代的其他随机解。
[0046]
优选的，在上述一种基于改进反向学习布谷鸟搜索的tdoa定位算法中，所述s40生成反向解的具体过程：
[0047]
定义1若x为区间上的实数，则x的反向数可由(11)式确定
[0048]
x
op
＝a1 a2‑
x
ꢀꢀ
(11)
[0049]
原解与反向解到区间边缘的距离相等，经过多次判断之后将不断接近最优值；
[0050]
定义2若x＝[x1，x2,...，x
n
]为n维坐标系中的一个点，其中范围为[lbi,ubi](i＝1,2...n)，其反向点为
[0051]
x
opi
＝lb
i
ub
i
‑
x
i i∈[1，n]
ꢀꢀ
(12)
[0052]
本文将反向学习引入cs算法的选择过程，式(10)确定新位置的三个巢穴改为从反向解中寻找，
[0053]
x
t 1，i
＝x
opt，i
r*(x
opt，j
‑
x
opt，k
)
ꢀꢀ
(13)
[0054]
在每一代的寻优过程中以pa的概率评价本不属于当前种群中的反向点，提高种群多样性。
[0055]
优选的，在上述一种基于改进反向学习布谷鸟搜索的tdoa定位算法中，所述s40中模拟退火的具体流程如下：
[0056]
每隔w代对算法当前代进行模拟退火，在退火过程中，在早期陷入局部最优时，寻优步长需要足够大，在后期陷入局部最优后，由于结果以足够接近最优值，需要将寻优步长设置的足够小，本文采用(14)式控制寻优步长
[0057]
其中，randn为服从标准正态分布的随机数，t为当前代数，上式保留了前代的位置信息，所以在后期寻优过程中退火步长不会偏离原位置太远
[0058]
经由上述的技术方案可知，与现有技术相比，本发明引入反向学习策略，提高种群的多样性与收敛速度，在算法陷入局部最优时，将模拟退火机制引入改进后的cs算法，采用模拟退火(simulated annealing，sa)机制增强算法的局部搜索能力，避免搜索结果陷入局部最优从而达到全局最优解。另外，在判断算法陷入局部最优时，采用模拟退火机制，在局部最优点附近寻优，控制一定步长，使解跳出局部最优，从而增强全局搜索能力。
附图说明
[0059]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0060]
图1附图为本发明的算法流程图。
[0061]
图2附图为本发明的维反向数求解图。
[0062]
图3附图为三种算法的mse对比图。
[0063]
图4附图为2d/3d定位误差对比图。
[0064]
图5附图为两种算法效果对比图。
具体实施方式
[0065]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0066]
实施例1：
[0067]
以eoblcs算法为基础结合tdoa定位模型，与chan算法、改进的自适应遗传算法(improved adaptive genetic algorithm，iaga)进行仿真比较，假设4个锚节点，其位置坐标为(0,0)、(20,0)、(20,20)、(0,20)，单位，选取目标节点的位置为(10,15)。对目标估计1000次，采用平均位置估计(meanvalue mv)和均方误差(mean square error mse)评价算法性能，其中
[0068]
mv＝e[(x，y)]
[0069]
mse＝e[(x
‑
e(x))2 (y
‑
e(y))2]
[0070]
仿真结果如表1所示，仿真过程中eoblcs各参数与上述仿真过程一致，10lg(cσ)表示实际情况中通信系统遇到的噪声大小，其中σ服从高斯分布。图3中给出了3种算法在不同误差下的均方误差。由图3可看出，在环境噪声较小时iaga与chan算法的性能相进，随着环境噪声的增加，在高噪声下，chan算法无法忽略噪声二次项对其影响,定位效果恶化严重。iaga与eoblcs算法通过对似然函数进行群优化求最优解，不受类似误差影响，相比于iaga，eoblcs引入的动态模拟退火机制有效防止解陷入局部最优，提升了解的质量，具有更高的稳健性。
[0071][0072]
表1三种算法的mv比较
[0073]
实验1：
[0074]
以eoblcs算法为基础结合tdoa定位模型，模拟室内环境下的定位情况。并将本文算法与chan算法、算法iga进行仿真比较。假设空间内有4个基站，其位置坐标为(0,0)、(20,0)、(20,20)、(0,20)，单位，选取单目标的位置为(10,15)。对目标独立估计1000次，采用平均位置估计(mean value mv)和均方误差(mean square error mse)评价算法估计精度，其中
[0075]
mse＝e[(x
‑
e(x))2 (y
‑
e(y))2]
[0076]
仿真过程中eoblcs参数：种群数n＝100，代数t＝100，发现概率pa＝0.25。iga参数：染色体数目n＝1000，代数t＝100，交叉与变异率：pc＝0.15，pm＝0.25，其余内置参数与文献一致。10lg(cσ)表示实际情况中通信系统遇到的噪声大小，其中服从高斯分布，噪声具体如下
[0077][0078]
noise＝c*gngauss(σ)
[0079]
其中noise
db
为信道所受干扰，模拟过程中取
‑
14到
‑
4，为光速，gngauss()为白高斯随机噪声生成函数。
[0080]
图3给出了3种算法在不同误差下的均方误差。在环境噪声较小时智能优化算法与传统解析法性能相近，传统解析法精度较优。随着环境噪声增加，在高噪声下，chan算法无法忽略噪声二次项对其影响，定位效果恶化更快。iga与eoblcs算法通过对似然函数进行群优化求最优解，受类似误差影响较小。
[0081]
值得注意的是，在代数相同且iga种群数大于eoblcs的前提下，eoblcs的效果仍优于iga。原因在于遗传算法通过染色体的交叉于变异扩大解的搜索范围，其求解精度依赖于对pc与pm的控制，以及染色体n的个数。非动态取值造成算法后期早熟，难以跳出局部最优，继续增加染色体以提升精度的方法要以损失算法计算时间与运行内存为代价。eoblcs中的levy飞行机制可快速提高个体的产生速度，反向学习策略提高解在搜索空间内的遍布，结合动态的模拟退火机制减小陷入局部最优的几率。
[0082]
实验2：
[0083]
为比较sa
‑
oblcs对室内多目标定位的精度。模拟环境噪声较小时，同时对目标空间内随机2000个点的二维和三维坐标解算，算法参数与实验1一致
[0084]
仿真条件设置如下：
[0085]
(1)信道所受干扰分别为10lg(cσ)＝
‑
6和
‑
8；
[0086]
(2)设置五个基站，在三维坐标解算时，其位置分别为(0，0，0)、(60,0，5)、(0,60,1)、(60,60,1)、(30,30，5)。在二维坐标解算时，各基站二维坐标不变，高度设置为0。
[0087]
(3)目标位置随机生成：
[0088]
x
i
＝x
min
(x
max
‑
x
min
)*rand：
[0089]
y
i
＝y
min
(y
max
‑
y
min
)*rand：
[0090]
z
i
＝z
min
(z
max
‑
z
min
)*rand：
[0091]
其中x，y，z
min，max
分别为基站个坐标的最值，rand为均匀分布的随机数。
[0092]
定位精度评判标准采用如下形式：
[0093][0094]
其中mverror
x，y，z
表示对x,y,z分量上误差取绝对值后再取均值，real
x，y，z
为真实位置坐标，为算法估计位置坐标。仿真结果如表2(2d/3d情况下定位误差绝对值均值)与图4所示：
[0095][0096]
表2 2d/3d情况下定位误差绝对值均值
[0097]
结合上述仿真结果，在环境噪声相同的情况下，进行二维位置解算时本文算法所得结果相比于chan算法所得结果提高并不明显。在对目标的三维坐标进行结算时，本文算法相比于chan算法，在z方向上精度提高了70％左右，总体精度提高67％左右。分析解析法解算三维坐标，主要受各基站x,y方向距离差与z方向距离差之比影响，该比例因子越大，z方向上解算误差越大，反之亦然。智能优化算法求解此类问题，类似于使用穷举法求解极大似然函数，所以受基站间水平方向距离差与垂直方向距离差影响较小。
[0098]
由于室内环境的特殊性，无法采用过大的高度差，在条件允许的前提下，由于高度差太小对解析法所造成的z方向位置解算精度不足的问题，可以通过增加基站之间高度差或者采用球对称布置解决。
[0099]
实验3：
[0100]
对一个三维空间内的目标进行无模糊定位，至少需要四个基站，大部分时候需要5个基站才可达到理论定位精度。
[0101]
为模拟本文算法在最少基站下，对三维移动目标的求解精度，通过对一个螺旋上升的目标进行定位，同时也采用chan算法对其求解。防止基站高度距离差对chan算法解算所造成的影响，模拟为室外环境，将基站之间的高度差设置较大，且chan算法采用5基站定位。各仿真条件如下：
[0102]
chan：(0,0,0)、(60,0,50)、(0,60,50)、(60,60,50)、(30,30,0)。
[0103]
本文算法：(0,0,0)、(60,0,50)、(0,60,50)、(60,60,50)；种群数n＝10，其余参数
与实验1一致。
[0104]
图5为本文算法与chan算法的轨迹对比图和表3为各分量的定位误差绝对值均值表。
[0105][0106]
表3定位误差绝对值均值
[0107]
有上述可知：
[0108]
在增加基站间高度差之后，chan算法在高度方向上的误差显著减小，与实验2中所述情况一致。综合图4与表2所得结果，本文算法相比于传统解系法，在高度解算方面具有一定优势，相比于传统算法在室内环境下垂直方向精度提高70％，总体效果提高67％左右，在室外环境或者类似大型仓库登高度较大的室内环境下，总体精度也提高了26.7％。
[0109]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0110]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。