基于量子群体优化的DV‑Hop算法，用于无线传感器网络中弱节点的精确定位

让看不见的网络拥有更智能的地图

数十亿个微小的电池供电传感器正在监测我们的桥梁、森林、工厂和战场。它们默默地测量温度、振动、污染或运动——然后报告数据。但只有在我们知道每个传感器的实际位置时，这些读数才有用。本文处理了一个看似简单但影响深远的问题：如何在崎岖地形上、以准确、快速且低能耗的方式，定位分布不均、没有 GPS 的廉价传感器？

为什么定位微小设备如此困难

无线传感器网络像数字尘埃：大量小设备被投放到某一地区并自组网。只有少数“锚点”节点能通过 GPS 知道自己的真实位置。大多数传感器不能，因为 GPS 成本高且耗电。经典方法 DV‑Hop 以沿节点间通信链路的“跳数”来估计距离，然后再将跳数转换为物理距离。DV‑Hop 成本低且简单，但在传感器分布不均或网络拓扑发生变化时效果不佳。距离会被扭曲，位置会漂移，生成的地图对灾害预警、军事定位或精密工业控制等任务来说可能不够准确。

借助动物群体与量子理念而来的一线希望

作者提出了两种对 DV‑Hop 的新改进，借鉴了自然与量子物理的策略。第一种称为量子黄狼优化（QGJO），灵感来自黄狼的协同猎食行为。第二种称为量子牛头鲨优化（QBSO），模拟牛头鲨探测、包围和捕猎的方式。在两种方法中，“动物”是数学代理，它们探索关于每个未知传感器可能位置的不同猜测。量子风格的元素——例如以概率方式表示候选解——帮助群体并行探索大量可能性，避免陷入中等的“局部最优”解。把这些方法融入 DV‑Hop 后，基于跳数的距离估计被细化为更精确的位置预测。

更好地利用传感器之间的路径

改进不仅体现在群体行为上。作者也重新思考了网络路径的利用方式。传感器不再仅依赖最近的锚点，而是同时考虑与其最近的锚点以及那些通信路径与它共享许多中间节点的其他锚点——即所谓的“相似路径”。通过衡量不同路径的重叠程度，算法对提供一致距离信息的路径赋予更高权重。这种混合的跳数信息输入到量子群体中，群体随后调整传感器位置以最小化估计距离与网络实际跳数结构之间的不一致。结果是在不增加新硬件或需要直接距离测量的情况下，得到更紧密、更准确的地图。

在严苛基准上的测试

为了验证这些受动物启发、带量子色彩的算法是否不仅仅是巧妙的比喻，作者进行了大量计算机实验。首先，他们在九个以充满欺骗性峰谷著称的标准数学函数上测试了 QGJO 和 QBSO。两种方法都优于若干公认的优化技术，收敛更快并找到更优解。随后他们将这些算法嵌入 DV‑Hop，与两种先进的鲸鱼算法（IWO‑DV‑Hop 和 EWO‑DV‑Hop）在 20 种不同网络场景中比较。这些场景变化包括区域大小、传感器数量、锚点比率、通信范围，甚至模拟干扰与移动性。在几乎所有情况下，QGJO‑DV‑Hop，尤其是 QBSO‑DV‑Hop，将平均定位误差较鲸鱼算法降低了约 10–30%，同时迭代次数也更少。

对真实世界网络的意义

对非专业读者而言，实践性结论很明确：作者表明，我们可以通过更聪明的算法，而不是更昂贵的硬件，显著提高对大量简单廉价传感器的定位精度。通过将基于跳数的距离线索与群体式搜索和受量子启发的随机性相结合，他们的方法能生成更可靠的节点位置地图，从而使这些网络的数据更值得信赖。尽管目前工作主要通过仿真验证，但它指向未来在复杂三维空间中的实际部署——例如水下、建筑物内或城市峡谷中，这些地方 GPS 常常失效。更好的定位意味着更有效的预警系统、更智能的城市和对我们日常依赖的关键系统更有弹性的监测。

引用: Khan, Z.U., Gao, H., Ma, J. et al. Quantum swarm-optimized DV-Hop algorithm for accurate localization of weak nodes in wireless sensor networks. Sci Rep 16, 9029 (2026). https://doi.org/10.1038/s41598-026-38364-3

关键词: 无线传感器网络, 节点定位, 群体优化, 受量子启发的算法, DV‑Hop