买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利一种基于MDS-IDBO算法的车辆簇协作定位方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119676635B 。

龙图腾网通过国家知识产权局官网在2025-11-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411857694.0，技术领域涉及：H04W4/02；该发明授权一种基于MDS-IDBO算法的车辆簇协作定位方法是由李文刚;吴浥尘;张溢泉设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本一种基于MDS-IDBO算法的车辆簇协作定位方法在说明书摘要公布了：本发明公开了一种基于MDS‑IDBO算法的车辆簇协作定位方法，包括以下步骤：步骤1：构建多节点协作定位模型；步骤2：利用MDS‑MAP算法计算相对坐标；步骤3：利用IDBO算法进行锚节点定位修正；步骤4：使用步骤3中定位修正后的锚节点，按照步骤1和步骤2重新计算距离平方矩阵和节点相对坐标；步骤5：利用距离平方矩阵和节点相对坐标，以定位误差函数作为适应度函数代入IDBO算法，获取最优坐标变换矩阵并计算绝对坐标，本发明适用于通信技术领域，采用基于MDS‑MAP算法进行节点定位修正，可以很大程度上修正由于BDSGPS定位带来的误差，利用提出的IDBO算法对MDS‑MAP算法进行了优化，算法复杂度较低，计算时间短，定位精度高。

本发明授权一种基于MDS-IDBO算法的车辆簇协作定位方法在权利要求书中公布了：1.一种基于MDS-IDBO算法的车辆簇协作定位方法，其特征在于，包括以下步骤： 步骤1：构建多节点协作定位模型； 步骤2：利用MDS-MAP算法计算相对坐标； 步骤3：利用IDBO算法进行锚节点定位修正； 步骤4：使用步骤3中定位修正后的锚节点，按照步骤1和步骤2重新计算距离平方矩阵和节点相对坐标； 步骤5：利用距离平方矩阵和节点相对坐标，以定位误差函数作为适应度函数代入IDBO算法，获取最优坐标变换矩阵并计算绝对坐标； 所述步骤3中，具体包括： 步骤3.1：计算GDOP； 步骤3.2：以GDOP作为适应度函数代入IDBO算法对锚节点的布局进行改进； 其中，MDS-MAP算法为多维标度定位算法； IDBO算法为蜣螂群算法； MDS-IDBO算法为多维标度定位算法与蜣螂群算法融合的算法； GDOP为测距测量误差与定位估计误差之间的比值，用于估计期望定位估计精度； 所述步骤3.1中，具体包括： 区域内共有N个节点，包括L个锚节点和M个待定位节点，在所有这些锚节点组合中，发现使无线传感器网络具有最小几何精度稀释GDOP的锚节点组合，鉴于具有已知位置的锚节点信息，第k种组合下的锚节点与未知节点之间的最短估计相邻信息矩阵为： t＝1,2,...,M，a＝1,2,...,L，则计算GDOP需要用到方向余弦构成未知节点的几何矩阵Gk为： 其中，和是节点利用x轴和y轴上的方向余弦计算得到的，和是利用MDS得到的未知节点初始估计相对位置坐标； 利用此矩阵计算网络的GDOP定义为： 其中： 所述步骤3.2中，以GDOP作为适应度函数代入IDBO算法对锚节点的布局进行改进，具体包括： 步骤3.2.1：种群初始化，给定初始参数； 步骤3.2.2：通过已有的目标函数，计算每个个体的适应度值； 步骤3.2.3：更新个体的位置； 步骤3.2.4：更新个体最佳位置和群体最佳位置，判断是否满足终止迭代条件，若满足，则停止并输出最终结果；若不满足，则返回继续执行算法； 所述步骤3.2.1中，具体包括： 1利用Tent映射生成N个蜣螂的初始位置xi； 其中，Θ是分段点参数，需要注意的是Θ取值为0.5时，x的数值需避免落入0.2,0.4,0.6,0.8中而导致系统呈现短周期状态，或是落入0,0.25,0.5,0.75中导致后续出现不动点； 2将上式生成的N个初始解xi按式生成相对应的N个反向初始解nxi； nxi＝randUb-Lb-xi； 式中，Ub和Lb为当前蜣螂所在位置的上下界限； 3在求解最小值的优化问题中，将生成2N个xi和nxi的蜣螂所在位置的函数适应度值，对其进行顺序排列，选择前N个值作为初始化种群； 所述步骤3.2.2和3.2.3中，具体包括： 1滚球算子 当蜣螂前行无障碍时，其个体位置更新方程，即适应度函数的解如下： xit+1＝xit+α×k×xit-1+b×Δx Δx＝|xit-Xw|； 其中，t表示当前迭代次数,xit表示第i个蜣螂在第t次迭代中的位置信息，k∈0,0.2]为扰动系数，b为0,1之间的随机数，α取-1或1,Xw表示全局最差位置； 当蜣螂前进遇到阻碍时，它需要调整方向，获得新的路线；采用切线函数来获得新的滚动方向，滚动方向仅考虑为[0,π]之间；位置更新如下: xit+1＝xit+tanθ|xit-xit-1|； 其中，θ为偏转角，其取值为[0,π]； 2繁殖算子 受自然界启发，提出一种边界选择策略模拟雌性蜣螂产卵的区域： Lb*＝maxX*×1-R,Lb Ub*＝minX*×1+R,Ub； 其中，X*表示当前最优位置也即所求优化问题的区域内最优解，Lb*和Ub*表示产卵区的下界和上界，R＝1-tTmax,Tmax表示最大迭代次数，Lb和Ub代表优化问题的下极限和上极限； 雌蜣螂一旦选定产卵区，就会在该区域生产育雏球产卵；每只雌性蜣螂在每次迭代中只产生一个卵；产卵区的边界范围是动态的，主要由R值决定；因此，育雏球的位置在迭代过程中也是动态的，其定义如下： Bit+1＝X*+b1×Bit-Lb*+b2×Bit-Ub*； 其中，Bit表示第t次迭代中第i个育雏球的位置信息，b1和b2均为D维的随机向量，D表示优化问题的维； 3觅食算子 雌蜣螂所产的卵会逐渐孵化出子蜣螂，其会从地下出来寻找食物，其最佳觅食区建模如下： Lbb＝maxXb×1-R,Lb Ubb＝minXb×1+R,Ub； 其中，Xb表示全局最优位置，Lbb和Ubb分别表示最佳觅食区的下边界和上边界； 子蜣螂的位置更新如下： xit+1＝xit+C1×xit-Lbb+C2×xit-Ubb； 其中，xit表示第t次迭代中第i个子蜣螂在的位置，C1是服从正态分布的随机数，C2为0,1的随机向量； 4偷窃算子 执行偷窃算子的蜣螂的位置更新如下： xit+1＝Xb+S×g×|xit-X*|+|xit-Xb|； 其中，xit表示在第t次迭代中第i个偷窃者的位置，g为服从正态分布的D维随机向量，S为常数； 为平衡算法全局寻优和局部开发的能力，在偷窃算子中引入动态权重策略，公式如下： 其中，a1在迭代前期较a2大，增加算法的全局寻优能力；a2在迭代后期逐渐增加，使算子具备跳出局部最优的能力； 改进后，执行偷窃算子的蜣螂的位置更新如下： xit+1＝a1×Xb+a2×S×g×|xit-X*|+|xit-Xb|。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。