在过去十年中，随着无线通信技术与传感技术的进一步发展，无线传感器网络（WirelessSensorNetwork,WSN）在世界各国学术界、工业界和商业界均备受关注，并取得了广泛的进步与应用。在无线传感器网络应用中，位置信息对传感器节点的监测活动至关重要，离开位置信息，感知数据往往是毫无意义的。例如环境监测、目标跟踪和地理路由协议实现等应用都要求节点提供自身准确的位置信息，由此可见，节点定位对无线传感器网络的广泛应用有着十分重要的意义。因此，必须开展适合无线传感器网络特点的定位算法研究。无线传感器网络定位算法的主要目的是确定传感器节点所采集到的感知数据的地理坐标，以便感知数据的进一步管理与响应。
　　随着物联网（InternetofThings,IoT）的大规模部署，物联网技术的应用领域十分广泛，利用传统的定位技术很难实现对所有物联网设备和传感器节点（SensorNodes,SNs）进行高精度、低成本的定位。随着现代生活智能化和自动化的发展，众多领域对物联网设备和传感数据的依赖性越来越大，而位置信息就显得尤为重要，因此，需要设计更有效、更精确的定位方案。为了解决上述问题，优化算法和移动锚节点技术被用来估计设备的位置信息。在过去十年中，涌现出大量先进的无线传感器网络定位算法。在无线传感器网络定位过程中，锚节点位置坐标已知，通过人工标定或GPS（GlobalPositionSystem,GPS）获得，其他位置未知节点通过对至少三个锚节点的测量获得相对测量信息，如距离、角度或者范围等，然后按照某种机制如三边法、三角法将测量信息转换为未知节点的位置坐标。上述定位算法利用不同的测距技术来计算传感器节点和锚节点之间的距离，例如到达角度（Angleofarrival,AOA）、到达时间差（Timedifferenceofarrival,TDOA）和接收信号强度指示（Receivedsignalstrengthindicator,RSSI）等。其中，基于RSSI的测距技术由于其具有易获取性、廉价性、无需额外硬件设备的优势，成为当前主流测距技术。然而，基于RSSI的测距方法存在一个主要缺点，即RSSI测距技术在实际应用环境中，由于环境噪声等因素的影响，产生无线电传播路径损耗，使得定位过程测距精度较低。
　　因此，本文针对传统RSSI定位方法的主要特点，研究并提出了多种基于优化技术和移动锚节点的改进定位方法，这些方法有效的提高了定位精度。其中优化技术主要包括粒子群优化算法（Particleswarmoptimization,PSO）、智能水滴算法（IntelligentWaterDrop,IWT）、变邻域搜索算法（VariableNeighborhoodSearch,VNS）等及多种混合优化技术。此外，本文基于MATLAB平台搭建了一个仿真模型，对所提出的高精度定位方案进行了验证，并与其他定位算法进行了比较，探讨了它们的性能。
　　本文主要研究了室外环境下的定位过程，根据实际室外环境中地形的崎岖、复杂程度不同，可以分别采用基于移动锚节点或基于静态锚节点的定位技术。在开阔、平坦的室外环境中，使用静态锚节点进行定位更为可取，在这种情况下，未知节点的传输范围内需要至少三个锚定节点才能够估计其位置。然而，在十分恶劣，人员和设备无法到达的室外复杂环境中，利用移动锚节点进行定位更加合适。在这种情况下，可以使用一个移动锚节点或多个移动锚节点进行定位。然而，无论是在移动锚节点还是静态锚节点定位技术中，定位精度、部署成本和功耗等都是亟待解决的问题与挑战。
　　无线传感器网络在室外环境中通常被应用于大规模区域中的环境监测和目标跟踪。然而，定位误差会随着监测面积规模的扩大而增大。在大多数研究中，定位误差被定义为未知节点的估计位置与其实际位置之间的欧氏距离。因此，深入挖掘RSSI与距离的关系，了解传输距离、高斯标准差等重要参数对定位误差的影响，有助于提高大规模场景下未知节点的定位精度。减小传输范围会增加定位过程中使用的数据包数量，从而缩短传感器设备的寿命，这是不言而喻的。众所周知，定位算法的一个基本目标是在不更换电池的情况下延长传感器设备的使用寿命，使其可以在几个月甚至几年内运行，因为在环境恶劣和不可到达的区域更换电池是非常困难的事情。因此，我们需要探讨和分析不同定位技术的性能，明确定位误差与影响因素之间的关系。
　　以往研究表明，随着锚节点数量的增加，可以提高定位精度。然而，由于锚节点上集成了GPS接收器，其价格是普通传感器节点的两倍，因此，大量锚节点的使用会导致部署成本较高。换句话说，即使只有10%的传感器节点是锚节点，无线传感器网络的部署费用也会增加10倍。另一个值得注意的是，未知节点的位置信息确定以后，锚节点将不再有用，退化为普通节点。目前对无线传感器网络定位的研究方向主要有两种。第一种方法是利用优化技术提高基于RSSI的定位算法的精度。第二种方法是设计新的基于移动锚节点的定位方案，在定位过程中使用少量移动锚节点代替多个静态锚节点，以降低无线传感器网络的成本。
　　本文旨在研究大规模室外环境下基于RSSI的定位技术，对基于RSSI的定位结果精度低的问题进行了深入研究，探讨了RSSI测量中非固有误差产生的原因，并提出了处理或消除这些误差的解决方案。
　　第一，本文设计并建立了一个更为真实的仿真模型来模拟无线传感器的定位过程。该仿真模型基于无线传感器网络中未知节点与锚节点之间的距离估计方法对定位误差进行仿真。虽然已有相当多的仿真模型依靠RSSI测量值来确定节点之间的距离，但每个模型都有其独特的定位方法来提高测量精度。在本文中，我们提出了基于优化技术的定位方法，以提高节点间距离的测量精度。通过实验证明了利用优化技术进行定位比利用传统三边技术进行定位的定位结果更加准确。
　　第二，本文分析探讨了造成基于RSSI的定位算法中距离测量的误差的因素，研究了传输距离、节点密度、锚数、噪声等因素对定位精度的影响。此外，由于部分定位方法是基于优化算法的，同时也分析了这些优化算法的参数对定位精度和算法整体性能的影响。
　　第三，本文分析了三种优化算法模型：层次结构的多粒子群优化、智能水滴和具有可变邻域搜索的混合粒子群优化，设计并提出了基于这三种优化算法的定位方法。此外，我们也阐明了如何利用优化算法来提高定位精度。
　　第四，我们提出了两种基于移动锚节点的定位方法，并研究了如何减少定位过程所需锚节点的数量。此外，本文还描述了适用于各种路径的路径规划方案，使得移动锚节点的扫描路径尽可能短。
　　仿真结果表明，无论是基于优化算法的定位技术还是基于移动锚节点的定位技术，都可以提高定位精度。一方面，本文所提出的基于优化算法的定位技术HSPPSO,IWT和HPSOVNS十分显著对提高了无线传感器网络的定位精度。另一方面，这些技术能够节省定位所需的时间，从而有助于节省传感器设节点的能量资源，延长传感器网络的生命周期。仿真结果表明，本文提出的基于优化算法的定位方法HSPPSO,IWT和HPSOVNS，相比于其他依赖于原始粒子群算法、遗传算法（GA）、GEPM和NLLE等其他优化算法的定位方法，定位精度更高、成本更低。此外，通过仿真实验也证明了本文算法克服了传统的RSSI-Multilateration和RSSI-LSSVR等算法的不足，降低了定位误差。
　　此外，本文还研究了基于移动锚节点的定位技术，移动锚节点的路径选择标准是使遍历网络的路径长度尽可能最小，同时使得定位效率尽可能大。本文主要分析了不同路径规划方案对移动锚节点轨迹长度的影响，进而为移动锚节点的路径选择设计了两种良好的路径规划模型：GTMA模型和ELPMA模型。仿真结果表明，本文提出路径规划模型为移动锚节点的路径选择提供了良好的解决方案。仿真结果表明，与其他算法如SCAN,DOUBLESCAN,LMAT,SPIRAL,和HILBERT相比，GTMA和ELPAM算法具有更好的路径规划能力。同时，GTMA和ELPAM算法具有较高的定位精度。
　　最后，本文对HSPPSO算法和HPSOVNS算法在实际环境中的性能进行了分析与验证。我们利用HSPPSO和HPSOVNS算法在真实环境中进行了实验验证，实验结果表明，这两种算法在实际环境中均取得了很好的性能，甚至在一定时间内，实际环境下的定位精度可以超越仿真环境下的定位精度。