Logistic混沌映射与差分进化改进人工蜂群优化水下定位

摘要

水下节点定位时通常采用距离估算法，在节点之间利用点到点的距离来估计或基于角度估计来完成节点定位。然而，这种算法存在较大的定位误差。为了提升定位的精确度，引入了人工蜂群（ABC）优化算法，该算法通过将节点定位结果优化问题转化为对节点目标函数的优化问题，有效地提高了水下节点的定位精度。尽管如此，ABC算法在迭代过程中仍存在收敛速度慢、易陷入局部最优的问题。针对这些问题，提出了一种通过Logistic混沌映射与差分进化改进的人工蜂群优化水下定位算法（improved artificial bee colony optimization underwater localization algorithm by Logistic chaos mapping and differential evolution,LDIABC）。首先，在算法种群初始化阶段，引入了Logistic混沌映射，利用该映射函数产生的混沌序列代替随机数生成器，从而使种群在初始化分布时蜜源位置更均匀，并从理论上证明了Logistic混沌序列的互异性，从而避免由于种群分布过于密集导致算法在迭代过程中陷入局部最优；其次，提出了适应度方差这一标准来验证在算法迭代过程中未陷入局部最优，进一步证明其有效性；然后，在引领蜂搜索阶段，基于差分进化的变异策略，提出了权重因子改进引领蜂邻域搜索方式，提高了引领蜂的全局搜索效率，加快了算法的收敛速度。仿真实验表明，LDIABC算法能够有效避免传统ABC算法收敛速度慢和易陷入局部最优的问题。相较于Tent-IABC算法、ELOABC算法、CODEGWO算法以及SAPSO算法，LDIABC算法在收敛速度和节点定位成功率上均有显著提升，并且优化定位精度分别提升了6.36%、13.33%、14.16%和16.88%。这些结果证明LDIABC算法能够有效提升水下节点定位精度，具有良好的优化效果。

关键词

人工蜂群优化 / 水下定位 / Logistic混沌映射 / 适应度方差 / 权重因子