一种改进型灰狼优化算法的最优锚点部署优化策略及系统

1.本发明涉及算法优化技术领域，具体涉及一种改进型灰狼优化算法的最优锚点部署优化策略及系统。


背景技术：

2.近些年来，室内定位获得持续的关注，常见的室内定位算法包括基于到达时间（toa）、基于到达时间差（tdoa）、基于到达角度（aoa）、以及基于到达频率差（fdoa）等方法。其中基于到达时间差的定位算法在室内定位中得到了广泛的研究。与此同时，关于该算法的算法原理和结算延拓研究也取得了不少成果。在算法层面，上述研究都对实现高精度的室内定位提供了的持续的帮助。但是，一个正确的、合理的锚点部署结构能够极大的提升整个定位系统的精度。锚点的定位部署在室内定位中也发挥着至关重要的作用，室内定位的关键目标是实现基于几个地标节点来确定定位点的位置。基于此，将锚点部署定位问题表述为一个优化问题，并且运用元启发式算法来处理多变量维度空间的问题，提出了用元启发式算法来解决这一挑战。
3.然而，尽管这些努力尝试获得一个最优的部署结构，但是由于各种优化算法的限制使得在锚点部署过程中往往陷入到局部最优、收敛速度慢、不易实现等不利缺点中。因此，本文基于改进型的灰狼优化算法（mgwo），通过其独有的自适应收敛因子以及反馈机制对锚点部署流程进行优化，使其在收敛速度和求解精度下更加出色。


技术实现要素：

4.针对现有技术的缺陷，本发明提出一种改进型灰狼优化算法的最优锚点部署策略以及系统，优化了传统群智能算法在搜索阶段的局部与全局搜索能力，提高了后续计算的收敛速度，保证了计算过程中的效率以及求解精度。
5.为解决上述问题，本发明提供以下技术方案：
6.一方面，本发明提供了一种改进型灰狼优化算法的最优锚点部署优化策略，所述方法包括：
7.步骤1. 根据模型的建立顺序将最优锚点优化过程划分为第一阶段及第二阶段；
8.步骤2. 在第一阶段中根据锚点和目标点的部署范围建立精度因子函数以及适应度优化函数，得到第一阶段结果；
9.步骤3. 第二阶段中将灰狼个体代入至第一阶段进行迭代搜索计算，直至获得所述改进型灰狼优化算法下的最优锚点部署方案。
10.进一步的，所述步骤2包括：
11.步骤2-1. 在所述的第一阶段中，根据实验坏境确定tdoa定位系统的四个锚点和定位点的约束范围；
12.步骤2-2. 在上述约束范围的条件下，计算各个锚点与实验定位点之间的坐标信息、距离信息以及信息矩阵j；
13.步骤2-3. 对多维信息矩阵j进行奇异值分解，构建精度因子矩阵dop和适应度优化函数fitness。
14.进一步的，所述步骤2-1包括：
15.步骤2-1a. 在所述第一阶段中，根据四个锚点的意向部署区域，制定模型约束范围，假设锚点的位置是，tdoa定位系统部署区域为，则约束条件为；
16.步骤2-1b. 根据实验定位点的意向部署位置，指定约束位置，假设实验点的辐射源是，目标部署区域为，则约束条件为。
17.进一步的，所述步骤2-2包括：
18.步骤2-2a. 在所述第一阶段，在步骤2-1的约束条件下，计算各个锚点与实验定位点之间的坐标信息、距离信息以及信息矩阵j，去除冗余信息后信息矩阵的维度为
19.进一步的，所述步骤2-3包括：
20.步骤2-3a. 在所述的第一阶段，对信息矩阵j进行奇异值分解，对分解后的奇异值进行求和、取根号。
21.步骤2-3b. 构建精度因子矩阵dop和适应度优化函数fitness：
[0022][0023]
其中m是目标定位点的数量，。
[0024]
进一步的，所述步骤3包括：
[0025]
步骤3-1. 在所述的第二阶段中，生成初始化参数条件：狼群数量、最大迭代次数、变量维度，以及灰狼适应度值、位置初始化。
[0026]
步骤3-2. 在上一步骤的基础上，狼群按照顺序进行分组，并对各分组分别进行迭代计算当前轮次的适应度取值以及。更新非线性衰减参数以及阻碍系数。
[0027]
步骤3-3. 更新三种灰狼狼以及猎物（最优锚点部署坐标）位置；并判断迭代是否满足阈值条件。肯定回答则输出最优锚点部署坐标；否则返回步骤3-1继续完成迭代。
[0028]
进一步的，所述步骤3-1包括：
[0029]
步骤3-1a. 在所述的第二阶段中，生成初始化参数：狼群数量、迭代次数t、变量维度dim，狼的生长因子k1和k2；
[0030]
1111
[0031]
步骤3-1b. 在上述参数的条件下，对各灰狼适应度取值以及位置进行初始化。
[0032]
进一步的，所述步骤3-2包括：
[0033]
步骤3-2a. 对上述初始化的狼群按等级进行分组。
[0034]
计算当前迭代轮次的适应度取值以及参数。
[0035]
更新非线性衰减参数以及搜索阻碍系数。
[0036][0037][0038][0039]
其中，分别为线性衰减因子的最大值和最小值，分别初始化为2和0.01。分别为衰减因子，取值为2和4。
[0040][0041][0042][0043]
其中，分别为在区间之间的随机向量；
[0044]
进一步的，所述步骤3-3包括：
[0045]
步骤3-3a. 在上述条件下进行迭代计算，更新三种灰狼狼以及猎物（最优锚点部署坐标）位置；
[0046][0047][0048][0049][0050]
步骤3-3b. 在上述条件下判断迭代是否满足阈值的条件。
[0051]
肯定回答则输出最优锚点部署坐标；
[0052]
否则返回步骤3-1继续完成迭代，直至完成最优锚点部署任务。
[0053]
由上述技术方案可得知，本发明所述的一种改进型灰狼优化算法的最优锚点部署策略以及系统尝试在全局搜索和本地搜索之间找到平衡。传统算法中的收敛因子a线性化表示方法：随着迭代次数的增加，收敛因子从2减少到0，然而，该方法并不能完整的保障全局和局部的搜索过程。因此，我们尝试在alpha、beta、和delta狼搜索过程中，将收敛因子线性下降的方式转换为指数衰减形式下降，该方法能够平衡全局搜索和局部搜索。其余位置更新步骤和灰狼优化算法保持一致。因此，本文基于改良的灰狼优化算法，通过其独有的自适应收敛因子以及反馈机制对锚点部署流程进行优化，使其在收敛速度和求解精度下更加出色。
附图说明
[0054]
为了更清楚地说明本发明实施或现有算法的技术方案，下面对实施或现有算法的技术描述所需要的附图作简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施个例，对于本领域普通技术人员来说，在不付出劳动的前提下，还可以根据这些附图获得其他的附图。
[0055]
图1是本发明中基于改进型灰狼优化算法的最优锚点部署策略以及系统流程示意图；
[0056]
图2是本发明中各个锚点在实验环境中的约束条件，即各锚点的分布范围示意图；
[0057]
图3是应用实例中的适应度函数的优化曲线图，包含了基因算法、灰狼优化算法以及本发明中的改进型灰狼优化算法；
[0058]
图4是应用实例中在采用了基因算法下的dop三维曲面和最优锚点部署图；
[0059]
图5是应用实例中在采用了灰狼优化算法下的dop三维曲面和最优锚点部署图；
[0060]
图6是应用实例中在采用了本发明提出的改进型灰狼优化算法下的dop三维曲面和最优锚点部署图。
具体实施方式
[0061]
为使本发明实施例的目的、算法方案和优点更加清楚，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、完整的描述，显然，所描述的实施例是本发明中的一部分实施例，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作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。
[0062]
本发明的实施例一提供了一种基于改进型的灰狼优化算法的最优锚点部署策略以及系统的具体实施方式。参见图1，所述优化方法具体包括如下内容：
[0063]
步骤100：根据模型的建立顺序将最优锚点优化过程划分为第一阶段及第二阶段。参见图1。
[0064]
在步骤100中，在第一阶段中根据锚点和目标点的部署范围建立精度因子函数以及适应度优化函数，得到第一阶段结果；第二阶段中将灰狼个体代入至第一阶段进行迭代搜索计算，直至获得所述改进型灰狼优化算法下的最优锚点部署方案。参见图1。
[0065]
步骤200：在所述的第一阶段中，根据实验坏境确定tdoa定位系统的四个锚点和定位点的约束范围。参见图2。
[0066]
在步骤200中，在上述约束范围的条件下，计算各个锚点与实验定位点之间的坐标信息、距离信息以及信息矩阵j；对多维信息矩阵j进行奇异值分解，构建精度因子矩阵dop和适应度优化函数fitness。
[0067]
步骤300：第二阶段中将灰狼个体代入至第一阶段进行迭代搜索计算，直至获得所述改进型灰狼优化算法下的最优锚点部署方案。
[0068]
在步骤300中，在所述的第二阶段中，生成初始化参数条件：狼群数量、最大迭代次数、变量维度，以及灰狼适应度值、位置初始化。在上一步骤的基础上，狼群按照顺序进行分组，并对各分组分别进行迭代计算当前轮次的适应度取值以及。更新非线性衰减参数以及阻碍系数。更新三种灰狼狼以及猎物（最优锚点部
署坐标）位置；并判断迭代是否满足阈值条件。肯定回答则输出最优锚点部署坐标；否则返回继续完成迭代。
[0069]
为了更进一步的说明本方案的算法流程，本发明提供了一种基于改进型灰狼优化算法最优锚点部署方案的应用实例，该优化方法具体包括如下内容：
[0070]
室内定位的关键目标是实现基于几个地标节点来确定定位点的位置。其中，锚点部署在室内定位中也发挥着至关重要的作用，基于此，我们将锚点部署问题表述为一个优化问题，并且运用元启发式算法来处理多变量维度空间的问题。
[0071]
我们将各锚点到定位点之间的距离差的估计值与真实值定义为一个均方差最优化模型如下：
[0072][0073]
在上式中，绝对值内部项分别表示为真实距离和估计距离，表示最优化的定位点坐标。
[0074]
我们将残差项表示为，和它的矩阵形式，所以重写上式为：
[0075][0076]
取，因为一阶偏导数是连续的，因此满足一阶条件，通过牛顿法能够解决上述问题，因此给定初始迭代点，可得下列迭代方程：
[0077]
。
[0078]
在上式中，令。假设残差项在最优解时取值近似为0，那么我们可以获得高斯牛顿迭代关系式：
[0079]
。由于j的维度为，很难去用扁平的数学模型来处理，因此我们给出二维形式的。考虑到包含两个锚点对称信息、冗余信息，去除上述元素后得到。
[0080]
接着构建精度因子矩阵dop和适应度优化函数fitness：
[0081][0082]
其中m是目标定位点的数量，
[0083]
gwo算法的灵感源自灰狼的社会行为，其内部遵循着一套严格的等级制度。为了对
灰狼的社会管理状况进行数学建模，我们将距离猎物最近的三匹狼由近及远命名为，分别对应于适应度值最低的适应度函数决定的最佳解，狼和狼分别认为是第二和第三优解。其余的狼统一命名为w狼，对应于其它候选解。狩猎工作由狼指导，而w狼则跟着上述群体去寻找全局最佳狼群位置。
[0084]
传统的灰狼优化算法尝试在全局搜索和本地搜索之间找到平衡，将收敛因子a线性化表示，随着迭代次数的增加，收敛因子从2减少到0，然而，该方法并不能完整的保障全局和局部的搜索过程。因此，我们尝试在狼搜索过程中，将收敛因子线性下降的方式转换为指数衰减形式下降，该方法能够平衡全局搜索和局部搜索。其余位置更新步骤和gwo算法保持一致。
[0085]
在整个迭代搜索过程中用狼，w狼则跟着上述群体去寻找全局最佳狼群位置，狼群按照下面的公式更新他们的位置：
[0086][0087][0088]
上式中，t为本次迭代轮次、表示灰狼和猎物（最优部署坐标）之间的欧氏距离。表示系数向量，表示猎物与灰狼的位置坐标。可以被表示为：
[0089][0090][0091]
其中，我们尝试在灰狼搜索过程中，将收敛因子线性下降的方式转换为指数衰减形式下降，该方法能够平衡全局搜索和局部搜索。
[0092]
所以非线性衰减参数以及搜索阻碍系数表示为：
[0093][0094][0095][0096]
其中，分别为线性衰减因子的最大值和最小值，分别初始化为2和0.01。分别为衰减因子，取值为2和4。
[0097]
则搜索阻碍系数可以被表示为：
[0098]
[0099][0100][0101]
其中，分别为在区间之间的随机向量。
[0102]
那么，狼与猎物之间的欧氏距离可以被重写为：
[0103][0104][0105][0106]
为分别为在区间之间的随机向量。
[0108]
进一步的，所述步骤3-3包括：在上述条件下进行迭代计算，更新三种灰狼狼以及猎物（最优锚点部署坐标）位置；
[0109][0110][0111][0112][0113]
算法实例：参数设置：种群规模分别设置为30、50；迭代次数t=100；分别设定为2和4。分别为线性衰减因子的最大值和最小值，分别初始化为2和0.01。
[0114]
锚点部署范围，锚点模型约束条件如图2所示。优化参数个数为12，分别为各个锚点的坐标。
[0115]
对比算法： ga-30:fitness=3.2369；ga-50:fitness=3.17616；gwo-30:fitness=3.166；gwo-50:fitness=3.166；
[0116]
本文算法mgwo-30:fitness=3.153；mgwo-50:fitness=3.146。如图3所示。
[0117]
进一步的，上述对比算法条件下的锚点最优部署精度因子热图如图4、图5所示。
[0118]
本文提出的算法条件下的锚点最优部署精度因子热图如图6所示。
[0119]
因此，本文基于改良的灰狼优化算法，通过其独有的自适应收敛因子以及反馈机制对锚点部署流程进行优化，使其在收敛速度和求解精度下更加出色。
[0120]
以上实施仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于改进型灰狼优化算法的锚点部署优化策略，其特征在于：步骤1. 根据模型的建立顺序将最优锚点优化过程划分为第一阶段及第二阶段；步骤2. 在第一阶段中根据锚点和目标点的部署范围建立精度因子函数以及适应度优化函数，得到第一阶段结果；步骤3. 第二阶段中将灰狼个体代入至第一阶段进行迭代搜索计算，直至获得所述改进型灰狼优化算法下的最优锚点部署方案。2.按照权利要求1所述的方案，其特征在于，所述步骤2包括：步骤2-1. 在所述的第一阶段中，根据实验坏境确定tdoa定位系统的四个锚点和定位点的约束范围；步骤2-2. 在上述约束范围的条件下，计算各个锚点与实验定位点之间的坐标信息、距离信息以及信息矩阵j；步骤2-3. 对多维信息矩阵j进行奇异值分解，构建精度因子矩阵dop和适应度优化函数fitness。3.根据权利要求2所述的方案，其特征在于，所述步骤2-1包括：步骤2-1a. 在所述第一阶段中，根据四个锚点的意向部署区域，制定模型约束范围，假设锚点的位置是，tdoa定位系统部署区域为，则约束条件为；步骤2-1b. 根据实验定位点的意向部署位置，指定约束位置，假设实验点的辐射源是，目标部署区域为，则约束条件为。4.根据权利要求3所述的方案，其特征在于，所述步骤2-2包括：步骤2-2a. 在所述第一阶段，在步骤2-1的约束条件下，计算各个锚点与实验定位点之间的坐标信息、距离信息以及信息矩阵j，去除冗余信息后信息矩阵的维度为。5.根据权利要求4所述的方案，其特征在于，所述步骤2-3包括：步骤2-3a. 在所述的第一阶段，对信息矩阵j进行奇异值分解，对分解后的奇异值进行求和、取根号。步骤2-3b. 构建精度因子矩阵dop和适应度优化函数fitness：构建精度因子矩阵dop和适应度优化函数fitness：其中m是目标定位点的数量，。6.按照权利要求5所述的方案，其特征在于，所述步骤3包括：步骤3-1. 在所述的第二阶段中，生成初始化参数条件：狼群数量、最大迭代次数、变量维度，以及灰狼适应度值、位置初始化。步骤3-2. 在上一步骤的基础上，狼群按照顺序进行分组，并对各分组分别进行迭代计算当前轮次的适应度取值以及。更新非线性衰减参数以及阻碍系数。
步骤3-3. 更新三种灰狼狼以及猎物（最优锚点部署坐标）位置；并判断迭代是否满足阈值条件。肯定回答则输出最优锚点部署坐标；否则返回步骤3-1继续完成迭代。7.根据权利要求6所述的方案，其特征在于，所述步骤3-1包括：步骤3-1a. 在所述的第二阶段中，生成初始化参数：狼群数量、迭代次数t、变量维度dim，狼的生长因子k1和k2；步骤3-1b. 在上述参数的条件下，对各灰狼适应度取值以及位置进行初始化。8.根据权利要求6所述的方案，其特征在于，所述步骤3-2包括：步骤3-2a. 对上述初始化的狼群按等级进行分组，并计算当前迭代轮次的适应度取值以及参数。更新非线性衰减参数以及搜索阻碍系数。9.根据专利要求6所述的方案，其特征在于，所述步骤3-3包括：步骤3-3a. 在上述条件下进行迭代计算，更新三种灰狼狼以及猎物（最优锚点部署坐标）位置：步骤3-3b. 在上述条件下判断迭代是否满足阈值条件。肯定回答则输出最优锚点部署坐标；否则返回步骤3-1继续完成迭代，直至完成最优锚点部署任务。

技术总结
本发明提供了一种基于改进型灰狼优化算法的最优锚点部署优化策略及系统，方法通过模型的建立顺序将最优锚点优化过程划分为第一阶段及第二阶段；在第一阶段中根据锚点和目标点的部署范围建立精度因子函数以及适应度优化函数。第二阶段中将灰狼个体代入至第一阶段进行迭代搜索计算，直至获得最优锚点部署方案。本系统包括TDoA定位建模模块、精度因子构建模块以及迭代优化搜索模块。本发明表明改进型灰狼优化算法基于自身的自适应收敛因子以及信息反馈机制，使其在收敛速度和求解精度方面更加出色。实验表明，基于改进灰狼优化算法（MGWO）的室内锚点优化方案实现了更小的DoP值且寻优后获得的锚点部署方案能够实现高精度的定位，在室内定位中能够发挥更大的作用。在室内定位中能够发挥更大的作用。在室内定位中能够发挥更大的作用。


技术研发人员：王慧维 李京园 李华青 石亚伟 陈孟钢 李传东
受保护的技术使用者：西南大学
技术研发日：2023.08.10
技术公布日：2023/10/15