基于量子遗传算法的运输车辆无线传感网络定位技术研究

柏小三

摘  要：结合无线传感器网络（WSN）节点定位问题的最显著特征，并以此为基础进行了设计研究，得到一种以双链量子遗传学计算方法为背景下而衍生的无线传感器网络节点定位计算方法（WDQGA），处理运输车辆无线传感网络定位问题，对WDQGA进行实验仿真，并和DV-HOP算法进行对比。结果向我们展示了，当锚节点比率不断地增加的时候，WDQGA和DV-HOP等计算方法所得到的平均定位位置误差会出现不断的下降的表现，而在WDQGA算法中对于该试验车辆的平均定位误差的数值将会远远地小于通过使用DV-HOP计算方法所算得的平均定位误差值，由此可以十分清楚和直白的展现了WDQGA算法中对于定位误差值的精准程度和精密性能远比DV-HOP算法定位高得多，最大程度的增加了车辆定位的可靠性与精度。

关键词：网络定位;车辆;无线传感;量子遗传算法;双链

中图分类号：TP7      文献标识码：A    文章编号：2096-3769（2019）01-066-06

引言

随着交通进一步发展，解决交通问题最有效的途径是进行智能交通系统的建设，在城市车辆管理、交通管理、物流管理等领域发展过程中，车辆定位技术起着非常重要的作用[1]。近年来，随着车辆定位技术发展越来越快，在许多方面取得一定的成果[2-4]。无线传感器网络（WSN）主要是通过大量的动态又或者是静态等状态之下的传感器自身组织结合方式的差异，从而得到无线模式网络，并且可以通过该网络进行信息的采集、感知、传输、处理、监测信息[5]。智能交通系统中WSN应用广泛，有研究在城市交通道路环境中，可以把交通道路上一些发散放置的声音传感定位器再利用自身组织模式转变成无线网络的形式进行传播，而对于在这条道路上的所有过往车辆信息进行采集[6];有文献报道，在城市主干道的道路交叉路口中，建立WSN模式的来往车辆信息收集系统，从而达到对过往车辆的基本信息数据进行实时监控管理，以便对红绿灯变换周期进行控制[7]。

在解决解决优化和并行性问题上，量子遗传算法QGA（quantum genetic algorithm）因具有独特优势而广泛受到关注[8]。在此基础上，国内外学者通大量的数据研究和结果分析，对现如今所得到的有关于QGA的劣势进行了相关的改进和优化，通过方法的改良和技术的创新，使得QGA更为完善[9]。而现阶段的QGA均是把量子位测量值当做是运算基础，从而进行二进制模式的编程代码的编写，得到相对应的二进制编码。但是这种方式对量子种群进行进化的方式很大一部分依靠于概率，因此不确定性和盲目性较大。在对量子中群进行优化和二级制编码的编写的时候，因为二进制编码需要不断地对数据进行编码、解码等操作，会导致我们在进行计算的时候，增加工作量[10]所以为了解决上述问题，在本文的研究中，将会以WSN节点定位问题为主要研究方向，并进行了一种以双链量子结构为基础的遗传计算方法，通过使用无线传感器从而转化为网络数据模式进行节点的定位计算（WDQGA），处理运输车辆无线传感网络定位问题，并进行了验证实验。

一、节点定位原理

节点自定位指的是在WAN中，可以根据相应的计算方式和运算轨道，得到每个节点的都可以确定其在坐标体系中的地理位置又或者是相对位置。在网络中，因节点具有非常庞大的数目，为节约网络成本等资金投入，所以只可以对该WAN中的极少一部分节点使用人工装置和配制GPS的模式进行节点地理位置的获取，而这一部分的节点就是我们传统意义上的锚节点;在该网络结构中，除了上述提及的锚节点以外的其余阶段位未知节点。在一般的情况下，锚节点通常被我们设置为参考节点，由于其地理位置是可以确定的，相比于网络节点的总点数而言，参考节点所占份额非常少，利用其位置信息，未知节点可对自身位置进行计算。图1为锚节点和未知节点，在其中S点表示为未知节点、M点位锚节点。

二、 量子遗传算法

量子遗传算法QGA的具体表现为在遗传学的计算方法中，把量子计算方式等相关内容含义带入到遗传算法中，从而使的遗传算法更加具有量子化。对遗传算法中的染色体进行量子化编码，通过染色体出现变异突变和量子旋转门等方式，从而变更量子种群，达到种群进化的目标。将其与传统的遗传算法进行比较分析，可以发现QGA更加适用于一些种群规模数量小的模式中，问题最优解在更短时间内可获得。

（一）量子比特编码

遗传算法中的染色体主要由基因所决定的，而在量子遗传算法中的基因主要指的是量子比特，一个量子位通常包含0态又或者1态两个基本态，又或者市0态和1态中的随意组合所得到而叠加态。基因的四个状态可用两个量子比特表示，以此类推，则通过公式（1）表示k个量子比特概率幅度：

qli=α1β1α2β2……αkβk   （1）

用量子比特表示量子遗传算法基因，则此时所有可能的信息采用基因进行表达。在进行针对于某一个基因即量子比特进行操作的时候，就改变该基因的所有情况和属性。对于我们量子遗传算法最大一个影响就是可以具有极小的种群规模和种群基因的多样化。

（二）量子旋转门

通过量子遗传的计算方法中，针对于种群染色体的更新主要是从量子旋转门中得到的，可通过公式（2）进行计算：

α’β’=cos（θi）-sin（θi）sin（θi）cos（θi）αiβi（2）

公式中，更新前的量子比特用（αiβi）T表示;更新后的量子比特用（αi’βi’）T表示;旋转角用θi表示，可调整角的方向和大小。

（三） 實验结果分析

本研究通过对比WDQGA和传统意义上的DV-HOP算法在计算和结果中的不同之处，对于WDQGA算法的工作性能和优化程度进行相应的评价。这两种节点定位计算方式进行仿真实验，从而分析比较结果。最后所使用的仿真结果位50次连续不断地仿真模拟实验，得到相应的结果平均值，最大程度的展现了该仿真实验的结果可靠性、科学性和真实性。

1.参数设置

设置WDQGA参数，可导致变异的概率为0.07，种群的大小均为50，在WBQEA中，转角步长初值取为0.01，步长范围为（0.005，0.01）。

5.3.2锚节点比率对平均定位误差的影响

图4为平均定位误差与锚节点比率的关系，在100m×100m的区域中，随机分布节点150个，节点通信半径为R=20m，实验中逐渐增大锚节点的比率，分别取为10%、20%、30%、40%、50%、60%、70%、80%。由图4知，WDQGA和DV-HOP的平均定位误差随着网络中锚节点比率的增加均逐渐减小。当锚节点比率不断地增加的时候，WDQGA和DV-HOP等计算方法所得到的平均定位位置误差会出现不断的下降的表现，而在WDQGA算法中对于该试验车辆的平均定位误差的数值将会远远地小于通过使用DV-HOP 计算方法所算得的平均定位误差值，由此可以十分清楚和直白的展现了WDQGA算法中对于定位误差值的的精准程度和精密性能远比DV-HOP算法定位高得多。

图5为不同定位节点数的定位距離误差，通过图5可直观反应到，当节点测量误差为20cm的时候，当节点数为3时，定位误差为131m;当节点数为7的时候，定位误差会大幅减小，为15m。这表明当定位节点数量增多的低吼，对于交通流通车流的定位也会更加精确，这样就增大了非线性方程组的求解精度。

五、结论

本文结合WSN节点定位问题的特点，在处理运输车辆无线传感网络定位问题上利用WDQGA的优势，并以此为基础进行了设计研究，得到一种以双链量子遗传学计算方法为背景下而衍生的无线传感器网络节点定位计算方法（WDQGA），并且通过对WDQGA和DV-HOP这两种算法定位方式进行实验研究和分析对比.研究数据结果向我们展示了，荡锚节点比率不断地增加的时候，WDQGA和DV-HOP等计算方法所得到的平均定位位置误差会出现不断的下降的表现，而在WDQGA算法中对于该试验车辆的平均定位误差的数值将会远远地小于通过使用DV-HOP 计算方法所算得的平均定位误差值，由此可以十分清楚和直白的展现了WDQGA算法中对于定位误差值的精准程度和精密性能远比DV-HOP算法定位高得多，最大程度的增加了车辆定位的可靠性与精度。

参考文献：

[1]田浩杉.基于量子遗传的蒙特卡洛节点定位算法[J]，传感器与微系统，2017，36（9）：125-129.

[2]樊富有，杨国武，乐千桤，等.基于量子遗传算法的无线视频传感网络优化覆盖算法[J]，通信学报，2015，36（6）：52-63.

[3]张立仿，张喜平.量子遗传算法优化BP神经网络的网络流量预测[J]，计算机工程与科学，2016，38（1）：114-120.

[4]葛显龙，许茂增，王伟鑫.多车型车辆路径问题的量子遗传算法研究[J]，中国管理科学，2013，21（1）：125-134.

[5]高畅.车路协同环境下的车辆无线定位方法研究[D]，北京：北京交通大学，2016.

[6]方旺盛，曾晶.基于量子遗传算法的非测距节点定位算法研究[J]，计算机应用与软件，2013，30（2）：180-183.

[7]陈晓磊.基于无线传感器网络的机场车辆定位研究[D]，天津：中国民航大学，2015.

[8]陈璇，李杨.基于Zig Bee无线传感网络的车辆定位系统[J]，自动化应用，2014（3）：79-80.

[9]孙晓蕾，沈勇.基于测距功能的车辆无线定位算法及精度分析[J]，汽车工业研究，2013，28（3）：57-60.

[10]乔光明.无线传感器网络在车辆定位中的研究与应用[D]，南京：南京邮电大学，2011.