一种基于遗传算法的TDOA蜂窝定位方法

摘要

本发明公开了一种基于遗传算法的TDOA蜂窝定位方法，该方法在解算移动台位置的种群进化过程中引入生物学小生境概念，把小生境半径设置为随进化代数变化的动态值，保证个体在约束空间散开，以维护种群的多样性，同时在每一代进化完成后实施精英个体保留避免优秀个体被破坏，保证得到的移动台位置的准确性。

主权项

一种基于遗传算法的TDOA蜂窝定位方法，其特征在于，所述方法包括如下步骤：步骤1：获取移动台所处小区的CELLID，得到移动台所处位置范围，从网络侧获取测量报告信息，获取TDOA测量值；步骤2：设置进化代数g，在小区范围内随机均匀生成M个初始个体组成初始群体(M为预设种群大小)；进行个体编码，染色体矢量为(x,y)^T，x和y是移动台的可能坐标；步骤3：对种群个体进行适应度评测，个体的适应度越高表明越接近移动台的真实位置，所有个体按适应度排序，记忆前N个最优个体(N为预设个体保留的数量)，适应度函数取为：$Fit=\frac{1}{{(\overrightarrow{\Delta R}-\overrightarrow{R}-\overrightarrow{R_1})}^T(\overrightarrow{\Delta R}-\overrightarrow{R}-\overrightarrow{R_1})}$$\overrightarrow{\Delta R}={{[R_{21},R_{31},...,R_{M1}]}^T}_{(M-1)\times 1}$$\overrightarrow{R_1}={{[R_1,R_1,...,R_1]}^T}_{(M-1)\times 1}$$\overrightarrow{R}={{[R_2,R_3,...,R_M]}^T}_{(M-1)\times 1}$$R_i=\sqrt{{(X_i-x)}^2+{(Y_i-y)}^2}$其中R_i是MS到BS_i的距离，R_i1＝R_i‑R₁(i＝1,2,…,M)；步骤4：对种群进行选择运算、交叉运算、变异运算；步骤5：把当前记忆的N个个体和步骤4得到的种群合并，得到一个含有M+N个体的新种群，取新种群中适应度高的N个个体更新小生境半径L；按照如下标准更新修正小生境半径，即：$L={\Sigma }_{i=1}^{i=N}{\Sigma }_{j=i}^{j=N}{d}_{ij}/{\mathrm{g\Sigma }}_{i=1}^{i=N}{\Sigma }_{j=1}^{j=N}$步骤6：为了维护进化过程中群体的多样性，按照生物学中小生境的概念，进行排挤淘汰；求出新种群每两个个体之间的距离d_ij，即：$\begin{array}{c}{d}_{ij}=\left|\right|x_i-y_i\left|\right|=\sqrt{\underset{k=1}{\overset{k=M}{\Sigma }}{(x_{ik}-y_{ik})}^2}\\ i=1,2,...,M+N-1;j=i+1,i+2,...,M+N\end{array};$当d_ij<L时，给个体x_i和y_i中Fit值较小的个体赋惩罚函数，降低其适应度；步骤7：提取到当代为止适应度最高的个体，直接保留到下一代种群中，对步骤6更新后的个体按Fit值降序排列，记忆前N个个体；步骤8：如果不满足预设的终止条件，选择步骤6得到种群前M个个体作为下一代种群，转到步骤4继续算法，若满足条件，则输出估计坐标，算法结束。