基于密度与连通性自适应约束的改进型无线传感器网络距离估计方法

《IEEE Access》：Improved Distance Estimation Method With Adaptive Fitness Function Constraints Based on Density and Connectivity in WSN Localization Scenarios

无线传感器网络(WSNs)的信号传播非对称性导致定位不准。本文提出一种融合了锚节点与未知节点双向距离估计、单跳距离估计和粒子群优化(PSO)的增强定位方法，并结合模糊逻辑自适应分配权重。实验表明，该方法定位精度显著优于现有方法，为解决信号变化场景下的WSN精准定位提供了有效方案。

　　

在智能家居、工业监测、环境感知等诸多物联网(IoT)应用场景中，无线传感器网络(WSNs)如同遍布各处的“神经末梢”，负责采集温度、湿度、光照、压力等关键信息。这些信息通过节点间的相互通信，最终汇聚到云端，实现对物理世界的智能感知与控制。然而，要让这些数据真正“说话”，一个前提至关重要：我们必须知道数据具体来自哪个位置上的传感器节点。这就引出了WSN中的一个核心挑战——节点定位。

传统的定位方法，如全球定位系统(GPS)，虽然精准，但在室内、地下或信号遮挡严重的复杂环境中往往“失明”，且成本高、能耗大，难以大规模部署于资源受限的传感器节点上。因此，研究界将目光投向了“无范围”(range-free)定位技术，这类技术不依赖昂贵的测距硬件，仅利用节点间的网络拓扑信息（如跳数）来估算位置。其中，距离向量跳(DV-Hop)算法因其简单有效而备受青睐。它的原理类似于“口口相传”：已知位置的锚节点广播自己的坐标和跳数信息，未知节点通过记录到各个锚节点的最小跳数，并结合锚节点间计算出的平均每跳距离，来估算自己与锚节点的距离，最终通过几何计算确定自身位置。

但理想很丰满，现实很骨感。无线信号在真实世界中的传播并非完美对称。由于环境干扰、障碍物遮挡、节点能量不均等因素，从节点A到节点B的最短路径，与从B到A的路径可能完全不同。这种“信号传播非对称性”会导致基于单向跳数估算的距离出现显著偏差，如同两个人互相指路，选择的捷径可能南辕北辙。此外，传统的DV-Hop及其诸多改进算法，在计算单跳距离（即两个相邻节点间的距离）时，往往简单地使用所有锚节点的平均距离，而没有考虑节点分布密度的局部差异以及网络连通性的影响。在节点稀疏或拓扑不规则的区域，这种“一刀切”的平均值会引入较大误差。更关键的是，大多数研究在利用粒子群优化(PSO)等智能算法进行最终位置求解时，设计的适应度函数通常只考虑跳数，认为跳数越少距离估算越准。然而，在非对称传播环境下，跳数少并不总意味着路径优、估算准。

上述种种局限，如同层层迷雾，遮挡了WSN精准定位的实现路径。为了解决这些难题，一项题为《Improved Distance Estimation Method With Adaptive Fitness Function Constraints Based on Density and Connectivity in WSN Localization Scenarios》的研究在《IEEE Access》上发表。该研究旨在拨开迷雾，通过一系列创新性的方法设计，显著提升非对称传播环境下WSN的定位精度。

为了攻克非对称传播和局部拓扑差异带来的定位难题，研究人员精心设计并整合了多项关键技术。首先，他们摒弃了传统的单向距离估计，提出了双向距离估计与加权融合方法。考虑到从节点S_i到S_j与从S_j到S_i的最短路径可能不同，研究分别计算这两个方向的距离估计值d_est^i,j和d_est^j,i，然后通过加权平均得到最终距离，权重反映了各自方向估算的准确度。其次，针对单跳（hop=1）距离估计精度低的问题，研究没有使用全局锚节点的平均距离，而是创新性地引入“相关锚节点”概念。只有当未知节点位于某锚节点A_i和另一个距离其仅一跳的锚节点A_close之间时，A_i才被用于计算该单跳距离，从而避免了无关锚节点引入的误差。再者，研究改进了基于密度与连通性(DEDC)的微观距离估计模型。在估算相距两跳的节点对(S_p, S_q)间距离时，不仅考虑网络整体密度，更精细地计算这两个节点通信范围重叠区域内的节点密度和连通性，从而更准确地反推它们之间的实际距离。最后，研究设计了一个新型自适应适应度函数，用于指导PSO算法搜索未知节点的最优位置。该函数不仅包含跳数信息，还通过模糊逻辑动态地为每个锚节点分配权重，权重取决于该锚节点距离估计的准确度以及未知节点是否位于该锚节点与其最近锚节点之间的连线上。这使PSO算法能更智能地权衡不同锚节点提供的信息可靠性。此外，研究采用边界框(Bounding Box) 技术为PSO算法定义了合理的搜索空间，利用每个锚节点的位置和估计距离构建一个矩形区域，所有锚节点矩形区域的交集即为未知节点可能存在的范围，这大大缩小了搜索范围，提升了优化效率。实验部分，研究在非均匀部署和周边部署两种锚节点场景，以及两种不规则度(DOI: 0.00和0.01) 下，对所提方法进行了全面评估，并与DEDC、PM、RANP-PSO、IGWO-CS、GAPSODV-Hop及经典DV-Hop等多种先进方法进行对比。

网络模型与问题定义

研究考虑一个二维WSN，包含n个传感器节点，分为m个位置已知的锚节点和n-m个位置待估计的未知节点。所有节点具有相同的传输范围。定位的目标是利用锚节点的信息，以最高精度确定未知节点的坐标。

所提出的WSN定位方法

本部分是研究的核心。首先，通过双向加权距离估计，计算任意一对节点间的距离。对于节点S_i和S_j，其最终估计距离d_est^i,j是双向估计值的加权平均：d_est^i,j= (w₁* d_est^i,j+ w₂* d_est^j,i) / (w₁+ w₂)。权重w₁和w₂通过模糊逻辑系统根据各自方向估计的准确度（与理想情况的偏差）计算得出。其次，对于跳数等于1的特殊情况，提出了改进的单跳距离估计。仅选取那些满足“未知节点位于锚节点A_i和其最近锚节点A_close之间”条件的锚节点A_i来计算平均每跳距离，并用于估算与相邻未知节点的距离。接着，利用改进的DEDC方法估算多跳（特别是两跳）节点对间的距离。该方法通过分析节点对通信范围重叠区域的潜在最大节点数和连通性，来推算节点间距。然后，使用边界框方法确定未知节点的搜索区域R_u。最后，采用带自适应适应度函数的PSO算法进行位置求解。适应度函数F(x) = Σ α_i* (||x - (x_i, y_i)|| - d_est^i,u)²，其中α_i是锚节点A_i的自适应权重，由跳数倒数以及一个二元指示函数I（判断未知节点是否位于A_i与A_close之间）共同决定，并通过模糊逻辑进行归一化分配。PSO算法在此适应度函数的引导下，在边界框R_u内搜索使F(x)最小的坐标，即为未知节点的估计位置。

性能评估

研究进行了大量的仿真实验以验证所提方法的优越性。评价指标采用平均定位误差。实验设置了两种典型的锚节点部署方式：非均匀随机部署和沿监测区域周边部署。同时，引入了不规则度(DOI)参数来模拟无线电传播的不规则性（DOI=0.00表示理想圆形范围，DOI=0.01表示轻度不规则）。在所有这些场景下，将所提方法与DEDC、PM、RANP-PSO、IGWO-CS、GAPSODV-Hop以及经典的DV-Hop算法进行了对比。结果显示，无论锚节点如何部署，无论传播环境是否规则，本研究提出的方法始终表现出最低的平均定位误差。具体而言，在非均匀部署且DOI=0.01（最接近真实复杂环境）的条件下，新方法相较于DEDC、PM、RANP-PSO、IGWO-CS、GAPSODV-Hop和DV-Hop，平均定位精度分别提升了12.74%， 16.14%， 34.06%， 36.28%， 38.29%和44.41%。这些数据充分证明了该方法在应对信号传播非对称性和网络拓扑变化方面具有显著的鲁棒性和精确性。

结论与展望

本研究成功地提出并验证了一种针对WSN非对称传播环境的增强型定位方法。通过引入双向距离估计与加权融合、改进的单跳距离估计、基于密度与连通性的精细距离估算、以及结合模糊逻辑的自适应PSO适应度函数，该方法有效地解决了传统方案在路径非对称、局部密度差异和误差权重分配不合理等方面的痛点。实验结果以压倒性的优势表明，该方法能显著提升在各种部署和传播条件下的定位精度。

这项研究的重要意义在于，它为复杂真实环境下的WSN精准定位提供了一个切实可行的强化框架。它不仅是一种算法的改进，更是一种研究范式的转变：从假设对称的理想模型转向拥抱非对称的现实世界，从全局平均的粗放估算转向局部特征的精细建模，从静态单一的权重分配转向动态自适应的信息融合。这对于推动WSN在物联网、智能工业、环境监测、应急救援等对定位精度有更高要求的领域中的应用具有重要价值。

未来的工作可以考虑将该方法扩展到三维空间定位，或者进一步研究在节点移动、链路时变等动态网络环境中的性能。同时，探索如何降低算法的计算复杂度，以适应资源更为受限的传感器节点，也是一个有价值的研究方向。