在无线传感器网络（WSN）中，节点定位 是绝大多数应用（如目标追踪、环境监测、地理路由）的基础。由于硬件成本和能耗限制，网络中只有少量已知自身位置的节点（称为锚节点 或信标节点 ），其余大量节点（未知节点）必须通过特定的算法估算自己的坐标。
根据定位过程中是否实测距离，经典定位算法分为两大阵营：基于测距（Range-based） 和 无需测距（Range-free）。后者因对硬件要求低、成本低廉，在学术界和工程界更具代表性。
以下拆解 WSN 四大经典无需测距定位算法的核心数学逻辑
一、 四大经典定位算法核心剖析
1. 质心定位算法 (Centroid Localization)
这是最简单、最直观的算法，其核心思想是**"近朱者赤"**。
- 核心逻辑 ：未知节点接收周围锚节点的信号。当它通信范围内的锚节点数量达到设定阈值 kkk 时，直接将这些锚节点的几何质心作为自己的估算位置。
- 数学表达 ：设未知节点 uuu 接收到 kkk 个锚节点 A1,A2,...,AkA_1, A_2, ..., A_kA1,A2,...,Ak 的坐标，则 uuu 的估算位置 (xu,yu)(x_u, y_u)(xu,yu) 为：
(xu,yu)=(1k∑i=1kxi,1k∑i=1kyi)(x_u, y_u) = \left( \frac{1}{k}\sum_{i=1}^{k}x_i, \frac{1}{k}\sum_{i=1}^{k}y_i \right)(xu,yu)=(k1i=1∑kxi,k1i=1∑kyi) - 评价 ：计算复杂度极低，但精度严重依赖锚节点密度和分布均匀度。
2. DV-Hop 定位算法 (Distance Vector Hop)
由 Niculescu 等人提出，是 WSN 领域引用率最高 的经典算法之一。它巧妙地跳出了"测距"的限制，通过平均每跳距离将跳数转换为物理距离。
- 核心逻辑分三步 ：
- 最小跳数计算 ：锚节点向全网洪泛自身位置，节点记录到每个锚节点的最小跳数 hih_ihi。
- 计算平均每跳距离 (ξ\xiξ) ：锚节点根据自己与其他锚节点的真实距离和跳数，计算网络的平均每跳距离并广播。未知节点采用最先到达 的锚节点广播的值作为全局平均每跳距离。
ξ=∑i≠j(xi−xj)2+(yi−yj)2∑hij\xi = \frac{\sum_{i \neq j} \sqrt{(x_i-x_j)^2 + (y_i-y_j)^2}}{\sum h_{ij}}ξ=∑hij∑i=j(xi−xj)2+(yi−yj)2 - 距离换算与三边测量 ：未知节点将最小跳数 hih_ihi 乘以 ξ\xiξ 得到估算距离 di=hi×ξd_i = h_i \times \xidi=hi×ξ，最后利用**三边测量法（Trilateration）**或极大似然估计求解自身坐标。
- 评价：对硬件零额外要求，但在**各向异性网络（如C型、U型空洞）**中，跳数到直线距离的误差会被急剧放大。
3. Amorphous 定位算法
由 Stanford 的 Niculescu 团队提出，是对 DV-Hop 的改进，核心在于局部化计算。
- 核心逻辑 ：与 DV-Hop 使用全局统一的每跳距离不同，Amorphous 算法让每个节点基于其一跳邻居信息独立计算局部的每跳距离 。
ξu=∑v∈N(u)∣(xu,yu)−(xv,yv)∣n\xi_u = \frac{\sum_{v \in N(u)} |(x_u,y_u) - (x_v,y_v)|}{n}ξu=n∑v∈N(u)∣(xu,yu)−(xv,yv)∣
(其中 N(u)N(u)N(u) 是节点 uuu 的邻居集合) - 评价：在局部拓扑结构较好的场景下，精度优于 DV-Hop，但由于累积误差，在大规模网络中表现不稳定。
4. APIT 定位算法 (Approximate Point-In-Triangulation Test)
由 He T. 等人提出，灵感来源于计算机图形学中的**点定位（Point-in-Polygon）**问题。
- 核心逻辑 ：未知节点选取 3 个邻居锚节点构成一个三角形（锚节点三角测试）。如果该节点在多个这样的三角形内部，则将这些三角形的交集质心作为自身位置。
- 数学判断（重心法） ：对于点 PPP 和三角形 ABCABCABC，若满足以下条件则点在内：
PA→×PB→,PB→×PC→,PC→×PA→ 同向\overrightarrow{PA} \times \overrightarrow{PB}, \overrightarrow{PB} \times \overrightarrow{PC}, \overrightarrow{PC} \times \overrightarrow{PA} \text{ 同向}PA ×PB ,PB ×PC ,PC ×PA 同向 - 评价 ：无需距离估算，鲁棒性强，但计算复杂度随锚节点数量呈立方级增长 (O(n3)O(n^3)O(n3))，且对网络连通度要求较高（需要构成闭合三角形）。
二、 MATLAB 经典算法仿真对比框架
该代码会在一个 100×100100 \times 100100×100 的区域内部署节点，并对比不同算法的定位误差。
matlab
%% WSN 经典定位算法仿真对比 (DV-Hop vs Centroid vs Amorphous)
clc; clear; close all;
%% 1. 网络参数设置
width = 100; height = 100; % 区域大小
n_total = 100; % 总节点数
n_anchor = 20; % 锚节点数
comm_range = 25; % 通信半径
max_hops = 5; % DV-Hop最大跳数限制
% 随机部署节点
nodes = width * rand(n_total, 2);
% 前 n_anchor 个节点设为锚节点
anchors = nodes(1:n_anchor, :);
unknowns = nodes(n_anchor+1:end, :);
n_unknown = size(unknowns, 1);
% 计算真实距离矩阵 (用于后期误差评估)
dist_matrix = pdist2(nodes, nodes);
adj_matrix = dist_matrix <= comm_range; % 邻接矩阵 (通信链路)
%% 2. DV-Hop 算法核心实现
fprintf('>>> 正在执行 DV-Hop 定位...\n');
% 步骤1: 计算跳数矩阵 (Floyd-Warshall 简化版)
hop_matrix = inf(n_total);
for i = 1:n_total
hop_matrix(i, adj_matrix(i,:)) = 1;
hop_matrix(i,i) = 0;
end
% 简化的跳数扩散 (实际中通过洪泛协议实现)
for k = 1:n_total
for i = 1:n_total
for j = 1:n_total
if hop_matrix(i,j) > hop_matrix(i,k) + hop_matrix(k,j)
hop_matrix(i,j) = hop_matrix(i,k) + hop_matrix(k,j);
end
end
end
end
% 步骤2: 锚节点计算平均每跳距离并传播 (取第一个锚节点的值作演示)
anchor_hops = hop_matrix(1:n_anchor, 1:n_anchor);
anchor_dists = pdist2(anchors, anchors);
valid_hops = anchor_hops(anchor_hops > 0 & anchor_hops <= max_hops);
valid_dists = anchor_dists(anchor_hops > 0 & anchor_hops <= max_hops);
hopsize_dv = sum(valid_dists) / sum(valid_hops);
% 步骤3: 未知节点估算距离并使用三边测量 (极大似然估计)
pos_dvhop = zeros(n_unknown, 2);
for i = n_anchor+1:n_total
hops = hop_matrix(i, 1:n_anchor);
est_dists = hops * hopsize_dv;
% 选取最近的3个锚节点进行三边测量
[~, idx] = sort(est_dists);
p1 = anchors(idx(1),:); d1 = est_dists(idx(1));
p2 = anchors(idx(2),:); d2 = est_dists(idx(2));
p3 = anchors(idx(3),:); d3 = est_dists(idx(3));
% 构建线性方程组 Ax = b
A = 2 * [p2-p1; p3-p1];
b = [d1^2 - d2^2 + sum(p2.^2) - sum(p1.^2);
d1^2 - d3^2 + sum(p3.^2) - sum(p1.^2)];
pos_dvhop(i-n_anchor, :) = (A'*A) \ (A'*b);
end
%% 3. 质心算法 (Centroid) 核心实现
fprintf('>>> 正在执行 Centroid 定位...\n');
pos_centroid = zeros(n_unknown, 2);
for i = n_anchor+1:n_total
neighbor_anchors = anchors(adj_matrix(i, 1:n_anchor), :);
if size(neighbor_anchors, 1) >= 3
pos_centroid(i-n_anchor, :) = mean(neighbor_anchors, 1);
else
pos_centroid(i-n_anchor, :) = [NaN, NaN]; % 邻居不足无法定位
end
end
%% 4. 误差计算与可视化
error_dvhop = zeros(n_unknown, 1);
error_centroid = zeros(n_unknown, 1);
valid_idx = ~isnan(pos_centroid(:,1));
for i = 1:n_unknown
if ~isnan(pos_centroid(i,1))
error_dvhop(i) = norm(unknowns(i,:) - pos_dvhop(i,:)) / comm_range;
error_centroid(i) = norm(unknowns(i,:) - pos_centroid(i,:)) / comm_range;
end
end
fprintf('------------------------------------------\n');
fprintf('DV-Hop 平均相对误差: %.4f (通信半径倍数)\n', mean(error_dvhop(valid_idx)));
fprintf('Centroid 平均相对误差: %.4f (通信半径倍数)\n', mean(error_centroid(valid_idx)));
fprintf('------------------------------------------\n');
% 绘制对比图
figure('Name', 'WSN 经典定位算法仿真', 'Color', 'w', 'Position', [100 100 1200 500]);
subplot(1,2,1);
scatter(anchors(:,1), anchors(:,2), 100, 'r', 'p', 'filled'); hold on;
scatter(unknowns(:,1), unknowns(:,2), 50, 'b', 'o', 'DisplayName', '真实未知节点');
plot(pos_dvhop(:,1), pos_dvhop(:,2), 'rx', 'MarkerSize', 10, 'LineWidth', 2, 'DisplayName', 'DV-Hop 估算');
title('DV-Hop 定位结果');
axis([0 width 0 height]);
legend; grid on;
subplot(1,2,2);
scatter(anchors(:,1), anchors(:,2), 100, 'r', 'p', 'filled'); hold on;
scatter(unknowns(:,1), unknowns(:,2), 50, 'b', 'o', 'DisplayName', '真实未知节点');
plot(pos_centroid(:,1), pos_centroid(:,2), 'mx', 'MarkerSize', 10, 'LineWidth', 2, 'DisplayName', 'Centroid 估算');
title('Centroid 定位结果');
axis([0 width 0 height]);
legend; grid on;参考代码 WSN 经典定位算法 www.youwenfan.com/contentcsu/64814.html
三、 算法选型决策表
在实际工程或科研中，如何选择合适的算法？可以参考以下维度：
| 算法 | 计算复杂度 | 通信开销 | 硬件成本 | 适用场景 |
|---|---|---|---|---|
| 质心法 (Centroid) | O(1)O(1)O(1) | 极低 | 无 | 锚节点密度极高、对精度要求不高的粗粒度定位。 |
| DV-Hop | O(N2)O(N^2)O(N2) | 中等 | 无 | 最通用的经典算法，适合大规模、均匀分布的网络。 |
| Amorphous | O(N)O(N)O(N) | 较高 | 无 | 局部连通性好、锚节点较少的网络。 |
| APIT | O(N3)O(N^3)O(N3) | 高 | 无 | 节点密集、需要较高定位精度的场景。 |