随着科技的进步,无线传感网络(wireless sensor network,WSN)作为一种新兴技术,集成了传感器技术、现代无线通信技术、分布式信息处理等技术,广泛应用于医疗卫生、军事、智能交通、环境监测等领域,是国内外关注焦点。在各种应用场景中,无线传感网络的节点位置信息的精确程度是衡量整个网络性能优劣的标准之一,也是无线传感网络广泛应用的保证,因此节点定位技术一直是无线传感网络的关键技术和研究热点。节点定位算法中为了保证节点预测位置的准确性,通常采用基于接收信号强度指示(Received Signal Strength Indicator,RSSI)、基于到达时间的定位技术(Time of Arrival,TOA)、基于信号到达时间差的测距技术(Time Difference of Arrival,TDOA)、基于到达角度的测距技术(Angle-of-Arrival,AOA)等一些基于测距的相关定位算法来实现节点距离信息的求解。在得到节点之间的距离后,通过三边定位、三角定位、最大似然估计等方法计算出未知节点的位置坐标。但在这些基本的定位算法的实际应用中,无法完全消除误差,使得测距误差对定位结果影响极大。因此本文在分析研究无线传感网络节点定位的基础上,将蝙蝠算法(Bat Algorithm,BA)及其改进算法引入到无线传感网络节点位置优化的问题上,通过智能优化算法的自身的优越性来补偿测距误差等因素对定位精度的影响,从而提高节点精度。本文主要研究工作如下:(1)研究了蝙蝠算法的全局收敛性问题。本文在深入阐述无线传感网络节点定位的理论基础上,将节点定位问题转化为数学优化问题,通过蝙蝠算法进行优化求解。蝙蝠算法每一次进化的实质是一个随机过程,满足Markov链的过程条件,因此本文首先将Markov链模型引入到基本蝙蝠算法,详细论证了蝙蝠群体状态空间具有的可约性和齐次性,并对蝙蝠算法的收敛性进行了理论分析,推导出蝙蝠算法的种群序列能以概率1收敛于最优解集,具有全局收敛性。随后,将蝙蝠算法应用到无线传感网络节点定位的问题上,实验结果显示了蝙蝠算法具有明显优于其他算法的寻优性能,提高了节点定位的精度。(2)提出了基于自学习能力的变异蝙蝠算法的无线传感网络节点定位方法。在研究分析基本蝙蝠算法存在易陷于局部最优,后期收敛速度较慢等问题的基础上,提出了具有自学习能力的变异蝙蝠算法。该算法融入了变异操作和自我优化操作,变异操作使得每个蝙蝠个体可以动态成比例地形成变异群,依据贪婪选择机制,在变异群中寻找优良个体,增加了种群的多样性,避免个体退化。自我优化算子使全局最优个体在小范围内再次进行自我学习,可以引导算法进行深度搜索。改进的算法增强了跳出局部最优的能力,避免算法早熟,提高了算法的优化精度和收敛速度。通过对基本标准函数的测试,验证了算法具有寻优能力强,搜索精度高的优点。将改进算法应用到无线传感网络节点定位的问题上,实验结果表明,节点的定位精度进一步提高,降低了测距误差对定位精度影响,有很好的应用前景。(3)提出了基于多智能体蝙蝠算法的无线传感网络节点定位方法。为了进一步提高蝙蝠算法的性能,首先提出了基于多智能体的蝙蝠算法,该算法对寻优的蝙蝠个体融入多智能体技术,充分利用个体能动性和个体间互动性,使个体通过邻域竞争合作算子以及自学习过程提高了算法全局搜索能力,避免算法陷入局部最优,加快算法的收敛速度。通过对标准测试函数的仿真,改进算法相比于其他算法,寻优精度和进化效率得到了较大的提高。随后通过多智能体蝙蝠算法求解无线传感节点定位问题,实验结果表明改进算法减少了测距误差对定位精度的影响,提高了未知节点定位的精度。