人工蜂群算法在空間定位的研究

摘要：在發(fā)聲目標的定位監(jiān)測中，空間的坐標位置和發(fā)聲時刻均為未知，而確定這些因素也是空間定位監(jiān)測的關(guān)鍵所在。文中提出改進型人工蜂群算法來實現(xiàn)空間定位功能，以便有效地確定空間發(fā)聲點位置和發(fā)聲時間。該算法利用快速群體搜索特性，解決算法后期搜索效率低下以及對初始值敏感的缺陷，減小了誤差且提高了計算精度。實驗結(jié)果表明，改進型人工蜂群算法在實際空間定位中既精確又穩(wěn)定，并能有效提高定位的準確性，具有較高的應(yīng)用價值。

關(guān)鍵詞：空間發(fā)聲目標;空間定位;人工蜂群算法;搜索效率;計算精度;定位監(jiān)測

中圖分類號：TN911-34; TP301.6

文獻標識碼：A

文章編號：1004-373X（ 2019）24-0176-04

本文提出一種改進型人工蜂群算法，以實現(xiàn)空間定位。在硬件相同的條件下，只有通過改進定位算法便可將定位系統(tǒng)的精度提升，而定位算法的有效性、可靠性和計算速度成為影響定位效果的重要指標“，。綜合考慮，需提出合適的空間定位算法，才能精確定位空間中的聲源目標。

1 改進型人工蜂群算法研究

1.1 建立空間定位模型

空間定位計算模型就是利用已知各個觀測點的坐標，根據(jù)這些觀測點采集到的盜采行為產(chǎn)生的聲波（P波）信號和信號到達觀測點的時間，對目標位置進行計算估計從而確定目標位置及目標位置發(fā)出信號的時刻。在空間中以一定的方式布置一定數(shù)量的傳感器，組成傳感器陣列，當空間中出現(xiàn)發(fā)聲事件時，傳感器拾取信號，利用多點同步采集每個傳感器接收到聲波的時刻，聯(lián)合每個傳感器坐標與聲波到達時刻代入方程組中求解，從而得到空間中發(fā)聲坐標參數(shù)和時間參數(shù)，達到空間定位的目的。在定位計算中，需確定的未知量有5個，其中3個分別是目標位置的（x，y，z）坐標，剩下1個則是目標位置發(fā)出信號的時刻t，v一個是聲波速度。采用5個或以上的觀測點來對目標位置定位。式中，v是聲波速度?？煽闯鍪剑?）中有5個未知數(shù)，建立5個方程組，所以是完全閉合的方程組，聯(lián)立求解便可得到未知數(shù)的具體數(shù)值。

利用第5個傳感器的監(jiān)測結(jié)果，滿足第5個傳感器列出的方程的解就是所要求解的空間中的發(fā)聲位置與發(fā)聲時刻。

1.2 改進型人工蜂群算法定位

利用人工蜂群優(yōu)化算法與牛頓迭代算法各自的優(yōu)點，本文提出改進型人工蜂群算法。改進型人工蜂群算法的原理是在人工蜂群運算過程中對每個蜜蜂的適應(yīng)度評價過程中所產(chǎn)生的更新值代入牛頓迭代算法進行精確計算，之后選擇有效方程組解成為蜜蜂新的個體適應(yīng)值與位置，并與歷史最優(yōu)適應(yīng)值和位置比較，選出最優(yōu)值將其當作Pbest并存儲。

把當前所有Pbest和Gbest的值作為比較，以便更新Gbest。若適應(yīng)值誤差小于適應(yīng)值誤差容限或迭代次數(shù)大過最大迭代次數(shù)，則返回全局最優(yōu)個體Pg，若人工蜂群運算滿足終止條件，得出當前結(jié)果作為改進型人工蜂群算法所求問題的最優(yōu)解。

具體實現(xiàn)步驟如下：

1）首先利用上文中建立的實驗?zāi)Ｐ碗S機初始化蜜蜂的速度和位置;

3）將得出的更新值代人牛頓迭代算法進行精確計算。利用下列步驟進行牛頓迭代計算，同時利用5組空間傳感器的數(shù)據(jù)整合，將各個組合中的數(shù)據(jù)均代入方程中相應(yīng)的聲波傳感器坐標與測到的達到時刻中，得出：

最后選擇有效方程組的解成為蜜蜂新的個體適應(yīng)值和坐標，之后與最優(yōu)適應(yīng)值和位置相互比較，選出最優(yōu)值更新并存儲。

4）將所有Pbest和Gbest的值做比較更新Gbest;

5）若滿足停止條件，則返回全局最優(yōu)個體Pg，否則轉(zhuǎn)到步驟2）;

6）若達到停止條件則結(jié)束，輸出結(jié)果就是最優(yōu)解。

通過上述方式求出空間中發(fā)聲的位置（xs，ys，zs），實現(xiàn)了改進型人工蜂群算法在空間定位中的功能。采用改進型人工蜂群算法可有效解決空間中的聲源定位問題，不易困入局部最優(yōu)，而無法找到全局最優(yōu)解?；旌纤惴ㄊ諗克俣瓤?，確保運算收斂性和收斂速度，定位運算效率優(yōu)良。

2 空間定位事件驗證及分析

2.1 計算機實現(xiàn)算法

根據(jù)在空間定位實驗室中采集到的傳感器數(shù)據(jù)來進行算法的仿真，具體數(shù)據(jù)如表1所示。

表1是實驗中5個傳感器的相對坐標（x，y，z）和采集到的聲波到達時間t。

算法設(shè)置人工蜂群的種群大小為66，設(shè)定人工蜂群一共迭代35次，w慣性權(quán)重取1.2，vmax蜜蜂更新速率取0.3，學習因子Ci和C2均取0.8，將傳感器采集到的聲波到達時間和各傳感器的空間位置等數(shù)據(jù)提供給改進型人工蜂群算法進行運算。由上文提出改進型人工蜂群算法過程進行仿真，從而得出空間位置，仿真計算得到的位置為（3 289，5 024，-765），結(jié)果如圖2所示。

圖2中藍點表示每一代得出的Gbest位置，改進型人工蜂群算法將每一代速度分量由被重組的蜜蜂值進行調(diào)控，之后算出新的蜜蜂位置。在多維蜂群搜索空間中蜜蜂不斷改變其自身的狀態(tài)，從圖中看出Gbest蜜蜂向一個小范圍逐漸集中，直到得出最優(yōu)狀態(tài)或達到計算限制為止，最終得出圓點表示空間中發(fā)聲源的位置。

2.2 算法空間定位結(jié)果分析

實驗中聲波傳感器的坐標和采集到的聲波到達時間t，如表1所示。將其代入幾種常用的空間定位算法中進行運算。通過對比常用算法計算結(jié)果與實地測量之間誤差，驗證算法的準確性。

根據(jù)聲波空間定位實驗室現(xiàn)場測量得坐標為（2 231，3 054，32）。通過聲波傳感器測到的數(shù)據(jù)分別代入Newton、人工蜂群、擬牛頓和改進型人工蜂群算法進行運算，結(jié)果如表2所示。

傳統(tǒng)Newton迭代要計算n個函數(shù)值、雅克比矩陣、求導與求逆，計算量過大，另外對初值依賴過高易出現(xiàn)不收斂，在應(yīng)用中會帶來較大的問題[2-3]。PSO算法后期存在搜索精度較低、易發(fā)散等缺點，缺乏局部精細搜索，且后期會出現(xiàn)收斂停滯[4-7]，影響其定位精度。

擬牛頓迭代每一步的迭代方向是沿著當前點函數(shù)值下降的方向，克服傳統(tǒng)牛頓迭代要求導和求逆的缺點，有較好的全局收斂性和超線性收斂性[8]，但該算法有效性嚴重依賴于初始點的選擇，不利于全局精確搜索。

由于改進型人工蜂群算法在每代蜜蜂的適應(yīng)度評價過程中產(chǎn)生新值均被代到牛頓迭代進行精確優(yōu)化，使得每一代產(chǎn)生的Gbest值更精確，從而引導蜜蜂群向聲源坐標進行精確穩(wěn)定地搜索，最終得出的計算結(jié)果與實際測量的爆破中心值的誤差為△x≈2 m，△y ≈1m，△z≈1m。由此可見，改進型人工蜂群算法計算的空間發(fā)聲位置是準確的。

3 結(jié)語

本文利用人工蜂群算法和牛頓迭代的優(yōu)點，提出改進型人工蜂群算法。算法將牛頓迭代運算整合到蜂群算法的全局快速搜索運算中，從而實現(xiàn)空間中聲源定位。同時利用實際實驗，進一步證明該方法的空間定位精度。該算法有效解決了常規(guī)的迭代算法對初始值的選擇敏感的缺點，另外算法具有較好的全局優(yōu)化搜索能力及局部精確搜索能力。因此，利用改進型人工蜂群算法能有效獲取聲源空間坐標位置，故該方法對空間聲源定位具有一定的應(yīng)用價值。

參考文獻

[1]王振濤，郝忠孝，賀洪江.基于傳聲器陣列的聲源定位系統(tǒng)的研究[J]華北電力大學學報（自然科學版），2009，36（5）：103-105.

WANG Zhentao. HAO Zhongxiao， HE Hongjiang. Study on au-ditory localization svstem based on microphone array[J]. Jour-nal of North China Electric Power University（Natural scienceedition）， 2009， 36（5）： 103-105.

[2]范卓立，黃根春，基于傳聲器陣列的聲源定位算法與誤差分析[J]傳感器與微系統(tǒng)，2014， 33 （10）：108-110.

FAN Zhuoli， HUANG Genchun. Sound source localization algo-rithms and error anahsis based on microphone array [J]. Trans-ducer and microsystem technologies， 2014. 33（ 10）： 108-110.

[3]劉云武，楊衛(wèi).基于傳聲器陣列的聲源定位系統(tǒng)設(shè)計[J]。壓電與聲光，2014. 36（2）：314-316.

LIU Yunwu. YANG Wei. Design of sound source localizationsystem based on microphone array [J]. Piezoelectrics &acous-tooptics. 2014. 36（2）： 314-316.

[4]陳志敏，薄煜明，吳盤龍，等，基于自適應(yīng)粒子群優(yōu)化的新型粒子濾波在目標跟蹤中的應(yīng)用[J]控制與決策，2013.28（2）：193-200.

CHEN Zhimin. BO Yuming， WU Panlong， et al.Novel parti-cle filter algorithm based on adaptive particle swarm optimiza-tion and its application to radar target tracking [J]. Control anddecision-making. 2013， 28（2）：193-200.

[5]武忠勇，緱錦，趙志強，具有白適應(yīng)鄰域探測機制的改進型PSO算法[J]，小型微型計算機系統(tǒng)，2010， 31（9）：1838-1845.

WU Zhongyong， GOU Jin， ZHAO Zhiqiang. Improved particleswarm optimization based on self - adaptive neighborhood ex-plored [J]. Journal of Chinese mini - micro computer systems，2010. 31（9）：1838-1845.

[6]任子暉，王堅.加速收斂的粒子群優(yōu)化算法[J]控制與決策，2011， 26（2）：201-206.

REN Zihui， WANG Jian. Accelerate convergence particleswarm optimization algorithm [J]. Control and decision， 2011，26（2）：201-206.

[7]孫向軍，趙斯強，嚴宗睿.基于粒子群優(yōu)化的反潛搜索研究[J]微電子學與計算機，2008.25（10）：91-93.

SUN Xiangjun， ZHAO Siqiang， YAN Zongrui. Antisubmarinesearch research on the optimization of particle swarm[J]. Micro-electronics and computer， 2008， 25（ 10）： 91-93.

[8]張繼偉.修正Brovden族擬牛頓算法及其應(yīng)用[D].長沙：湖南大學，2006.

ZHANG Jiwei. Modified Broyden quasi-Newton algorithm andits application [D]. Changsha： Hunan University， 2006.

[9]何寧，晁建剛，許振瑛，等.增強現(xiàn)實航天飛行訓練系統(tǒng)空間定位[J]航天醫(yī)學與醫(yī)學T程.2018（2）：255-260.

HE Ning， CHAO Jiangang， XU Zhenying， et al.Research onspatial orientation of augmented reality space flight training sys-tem [J]. Space medicine&medical engineering， 2018（2）： 255-260.

[10]李江.鋼箱拱肋安裝及空間定位控制研究[J]交通世界，2018 （7）：90-91.

LI Jiang. Study on installation and space positioning control ofsteel box arch rib [J]. Transpo world. 2018（7）： 90-91.

作者簡介：霍桂利（1968-），女，河北邢臺人，碩士，副教授，研究方向為數(shù)學及計算機科學與應(yīng)用。