随着城市化进程加剧,城区、室内等环境的位置信息需求大规模增长,新兴的技术服务譬如智慧医疗、无人驾驶、室内环境监测等等都需要高精度定位技术。全球卫星导航系统（Global Navigation Satellite Systems,GNSS）存在信号难以穿透建筑等障碍物的不足,室内、城区等区域定位精度很难得到保障,无线定位网络作为无缝定位系统组成部分的重要性日益凸显。鉴于锚节点位置的差异性以及无线定位网络节点携带资源的有限性,如何将有限的资源分配到更加“有用”的节点以提升无线定位网络性能为本文关注的问题。目前关于异步定位网络资源分配的研究以TDOA（Time Difference of Arrival）为主,结合双向TOA（Time of Arrival）测距异步网络也仅考虑了两个时隙。本文以无线个域网为背景,采用多时隙双向TOA测距方式以获取更多定位信息,引入侦听机制并考虑了侦听功耗,使得静默节点可以在无需传输任何信号的情况下辅助定位。推导出侦听模式下定位精度的克拉美罗下界（Cramer Rao Lower Bound,CRLB）,并以此为性能指标搭建资源优化分配框架,不同的侦听策略下均执行了联合功率带宽资源优化,实现了最大程度降低无线定位网络的误差。定位网络CRLB常常难以取到,特别是低信噪比（Signal-Noise Ratio,SNR）情况下,直接以CRLB为性能指标进行资源优化分配会造成较大误差。由于均方误差（Mean Square Error,MSE）是定位算法的直接度量,本文将以MSE为性能指标搭建资源优化分配框架。考虑到MSE具有非闭合形式的特殊性,无法应用传统CRLB策略方法求解,故转向了强化学习算法给出求解办法。针对资源选择动作离散化导致状态数过多,采用模糊聚类的方法对状态集进行等级划分。提供了线性复杂度的分布式解决方案,能够解决目标节点增加呈指数增长的动作空间维度问题。除此以外,考虑到实践过程中测量误差的存在,给出了鲁棒性的链路选择方案。仿真结果显示,资源受限环境下功率带宽优化分配能够提升定位网络整体精度,数值结果验证了资源受限情况下侦听的优势;基于MSE的资源分配框架可以改善面向CRLB进行资源分配所带来的误差,能够在部分测距链路存在遮挡或时钟偏差的实测场景中,给出高精度的鲁棒性链路选择方案。分布式资源优化策略可以获得接近当前定位下限的精度,明显优于均匀分配策略。