MOGWO实现WSN的RSSI定位：多目标灰狼优化算法与Matlab实战-代码聚汇网

MOGWO实现WSN的RSSI定位：多目标灰狼优化算法与Matlab实战

无线传感器网络RSSI定位多目标灰狼优化算法

|难度：普通|阅读约 34 分钟

搞无线传感器网络定位的人，基本都经历过这种场景：RSSI信号在室内受多径、遮挡、温湿度影响，今天早上标定好的测距模型，下午实测就对不上。经典的加权最小二乘或者单目标优化，在个别锚节点误差突然放大时非常容易把整个解拖偏。这篇博文整理的就是我近期在做的基于MOGWO（多目标灰狼优化算法）的无线传感器网络RSSI定位研究，配套Matlab代码实现，从测距模型、目标函数设计、算法原理到仿真分析和避坑经验一并写清楚。

文章适合三类读者：一是刚接触WSN定位、对RSSI建模还不熟的学生；二是准备用群智能算法做定位优化，但没想清楚“多目标”到底怎么用的人；三是已经写了单目标GWO或PSO定位代码、想进一步改善鲁棒性的工程师。整个项目不依赖额外工具箱，纯Matlab脚本就能跑，核心模块拆出来可以直接改到自己的框架里。

1. 项目概述与整体设计思路

1.1 WSN定位问题：为什么RSSI路线容易“力不从心”

无线传感器网络的节点定位，本质上就是让少量已知坐标的锚节点（Anchor Node）去辅助大量未知坐标的普通节点完成位置估计。常用的手段包括TOA、TDOA、AOA和RSSI，前三种对硬件同步或者天线阵列有额外要求，RSSI最“廉价”，任何带无线收发模块的节点都能直接读出来，所以工程上应用最广。

但RSSI的便宜是有代价的。理想状态下信号衰减和距离呈对数关系，真实环境却充满了反射、阴影衰落和硬件一致性差异。同样的位置，换一个节点测出来的RSSI值可能相差几个dB，而dB在距离上往往对应好几米偏差。这就是为什么很多人用三边测量或者线性最小二乘做定位，仿真的时候看起来还行，一到实测数据上误差就飙到十几米。

我在这个项目里没有把RSSI定位当作一个纯粹的几何解算问题，而是把它重新定义成了一个“带噪声参数求解”问题。已知的是锚节点坐标和一组波动较大的RSSI观测值，未知的是目标节点的位置，甚至包括环境衰减指数n和环境常数的变化范围。这样一来，定位就不只是解方程，而是要在解空间中寻找一组能同时让多个误差指标尽量小的折中方案。

1.2 为什么选择MOGWO：多目标建模的价值

很多文献把RSSI定位写成单目标优化问题，例如最小化所有锚节点估计距离与测量距离的平方误差之和。单目标在信道环境比较均匀时是有效的，但它有一个隐性风险：求和操作会把“某个锚点误差特别大”的情况淹没在总误差里。换句话说，一个靠近障碍物、测距严重偏离的锚节点，会拖着最优解偏离真实位置，而平均值看起来可能还好。

多目标优化解决的就是这个问题。我设计了两个相互制约的优化目标：第一个是全部锚节点的整体距离残差平方和，负责保证解的全局拟合能力；第二个是最大单点距离残差，负责控制最差锚节点的“拖累效应”。这两个目标天然有冲突——你越迎合整体均值，个别离群锚点的误差可能越大；你越压制最大单点误差，整体拟合又可能变差。

这种冲突场景正是MOGWO这类多目标进化算法擅长处理的。它一次运行能求出一组Pareto前沿解，而不是只给一个点，工程上可以结合后续的定位精度需求，从这组解里挑一个最合适的估计结果。和传统加权方式相比，省去了人工反复试权重的过程，也避免了权重设置不当导致解偏向某一类误差的坑。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. RSSI测距与双目标定位模型建立

2.1 RSSI测距模型与未知参数处理

RSSI定位的数学模型几乎都用对数距离路径损耗模型，表达式为：

text复制RSSI(d) = A - 10 * n * log10(d) + X

其中A表示参考距离1米处的接收信号强度，单位dBm；n是路径损耗指数，开阔环境大约在2左右，办公室、厂房这类环境会到3以上；X可以看成服从正态分布的噪声项，工程上这个噪声的标准差经常到4~6dB。把公式反解出来，就能根据某个锚点实测的RSSI值得到估计距离：

text复制d_est = 10^((A - RSSI) / (10 * n))

关键点在于，A和n在部署现场并不是固定常数。我在实验时固定A = -40dBm，让n在2.3到2.8之间波动，再叠加均值为0、标准差为5dB的高斯噪声生成模拟RSSI，这是很多室内定位论文的标准做法。实际操作中，如果直接用固定的A和n去反算距离，相当于默认整个场地环境均匀，这会给后面优化留下很大的系统误差。

所以我的粒子编码里并没有只放目标节点的坐标(x, y)，而是放了一个三维变量，x、y之外再加上环境衰减指数n。也就是说，优化器不仅负责找到位置，还要顺带估计当前环境下的路径损耗指数。这个看起来“多一个自由度”的做法，在带噪声的RSSI场景中反而大大改善了定位稳定性。想固定坑位，减少搜索维度，也可以把真实n值传给目标函数，但那样对于实测数据就会过于乐观。

2.2 目标函数设计：整体残差和最大单点残差怎么平衡

假设网络内有N个锚节点，第i个锚节点的坐标是(anchor_x_i, anchor_y_i)，根据RSSI反算得到的测量距离是d_i。MOGWO算法在迭代中不断调整未知节点的估计位置(x, y)和环境指数n，每个候选解都需要返回一组适应度值。我的第一个目标函数取归一化的平均距离误差：

text复制F1 = (1/N) * sum( sqrt( (x - anchor_x_i)^2 + (y - anchor_y_i)^2 ) - d_i )^2

平方操作让大误差在评估里占据更高权重，等价于传统最小二乘的思想。第二个目标函数取所有锚节点的最大距离误差，这样设置的目标很明确：我要知道“最坏情况下这个解差得有多离谱”。

只有F1时，算法可能因为个别离群锚点把整体均值还是拉得比较好看，就忽略了某个方向上存在的巨大偏移；只有F2时，算法又容易被单个噪声锚点牵着走，丢掉整体精度。双目标让优化器自己在这两种风险之间权衡，Pareto前沿上每一组解对“整体回归”和“最大单点控制”的表现都不同。最终定位时，如果网络环境比较干净，可以选F1小的解；如果怀疑某些锚点被严重遮挡，就偏向F2更小的解。

2.3 解的编码与种群初始化

在Matlab里，我把每个灰狼个体的位置向量设计成[x, y, n]三列。种群规模没有设置特别大，一般取30个个体就够了，灰狼算法不像粒子群那样每个维度都需要单独调速度，位置更新思路相对简单，收敛比较快。初始时，x和y在监测区域范围内均匀随机分布，比如监测区域是200m x 200m，就按200 * rand(SearchAgents_no, 2)初始化；n的取值范围限制在1.5到4.5之间，这个范围覆盖了开阔地到密集室内环境的典型值。

还要单独准备一份锚节点位置矩阵和RSSI观测矢量。锚节点位置可以人为在区域内按某种拓扑摆放，比如随机抛撒、网格布点或者围绕目标点四周布置。实测中发现锚节点拓扑对最终定位结果影响非常大，如果锚节点全部集中在目标节点的同一侧，那么无论用什么优化算法，垂直于锚点分布方向的位置误差通常都很难消除。所以我在仿真里尽量采用4到8个锚点在目标周围环绕式分布，这样能更直观地展示MOGWO本身的优化能力。

我自己踩过的一个小坑是：刚开始模拟时，每个蒙特卡洛轮次都重新随机生成锚节点位置，结果算法性能波动很大，后来才意识到不同拓扑下定位难度本来就不一样。正确做法是固定拓扑，只让RSSI噪声每个轮次变化，这样统计出来的平均误差才反映算法对噪声的鲁棒性。

3. MOGWO算法原理与定位求解流程

3.1 标准灰狼优化器的位置更新机制

标准灰狼优化算法（GWO）模仿灰狼群体捕猎行为，把种群中的最优个体分别命名为alpha、beta、delta，分别对应猎物位置的第一、第二、第三优候选解。其他所有灰狼个体在位置更新时，会综合考虑这三个上层个体的引导，这种机制保证了种群的搜索方向兼具深度探索和广度收敛。

单个灰狼个体的位置更新公式并不复杂。对目标位置向量，先根据包围系数a计算A和C，然后分别计算向当前alpha、beta、delta靠近的三组候选位置，最后取平均：

text复制D_alpha = abs(C1 .* alpha_pos - X)
X1 = alpha_pos - A1 .* D_alpha
D_beta  = abs(C2 .* beta_pos  - X)
X2 = beta_pos  - A2 .* D_beta
D_delta = abs(C3 .* delta_pos - X)
X3 = delta_pos - A3 .* D_delta
X_new = (X1 + X2 + X3) / 3

其中系数A在迭代初期绝对值较大，让个体具备较强的全局探索能力；随着迭代次数增加，A线性减小，群体逐步向局部精细搜索过渡。这个机制解释起来很像：前期大家跑得比较散，广泛找猎物；后期收拢队形，在确认区域精细化围捕。

3.2 从单目标到多目标：MOGWO做了什么扩展

MOGWO（Multi-Objective Grey Wolf Optimizer）是Mirjalili等人在2016年提出的多目标扩展版本。它并不仅仅是让公式里多算几个适应度值那么简单，而是给标准GWO增加了三个核心模块。

第一个模块是外部档案（Archive），用来存放算法运行过程中产生的非支配解。每个新候选解都需要与档案里的历史解做非支配比较，如果新解支配了档案里的某些解，就把这些被支配解替掉；如果新解本身被档案中任意解支配，就丢弃它；如果互不支配，就看档案容量，需要时再按拥挤度机制删除或保留。说白了，这是一个不断维护“优质候选解集合”的过程。

第二个模块是领导者选择机制。单目标GWO只需要找适应度最好的三个个体，多目标里没有绝对值意义上的“最好”，档案中每个解都可能是某个目标上的最优者。MOGWO的做法是把档案目标空间划分成网格，根据网格内解的数量评估拥挤程度，然后选择邻域解较少的网格中的解作为alpha、beta、delta，偏向稀疏区域搜索，让Pareto前沿能够均匀铺开。

第三个模块是网格自适应调整。如果新解超出当前档案边界，网格会自动扩展；这只是实现细节层面的处理，但很多自己实现MOGWO的人容易漏掉，导致算法跑到后期，档案中所有解都挤在一小片区域，Pareto前沿失去代表性。

3.3 MOGWO求解RSSI定位的一次完整流程

把MOGWO用到本项目的RSSI定位里，一次完整流程可以整理成这样的步骤顺序：

读取网络参数，设定锚节点坐标、目标节点真实坐标、RSSI噪声标准差等。
按照路径损耗模型生成锚节点的模拟RSSI观测值，并存成矢量。
初始化灰狼种群，每个个体维度为3，分别对应估计的(x, y, n)。
计算每个个体在F1、F2两个目标上的值，初始化外部档案。
根据档案网格，选出alpha、beta、delta个体。
用改进系数更新全部灰狼个体的位置，并对x、y、n的边界做约束处理。
重新计算适应度，更新外部档案，再次选择领导者灰狼。
判断是否达到最大迭代次数，若未达到则回到第6步，否则输出档案中的Pareto前沿解集。
从前沿解中按规则或人工挑选最终定位结果，计算与真实位置的误差。

我在Matlab里把上述流程封装成一个主脚本加两个函数的模块结构，这样想对比不同RSSI噪声强度或者锚节点数量时，只需要改参数和循环部分，不需要动核心算法函数，测试起来特别方便。

4. Matlab代码实现：模块拆解与关键代码解析

4.1 代码模块结构安排

整个项目的Matlab文件组织如下：

text复制MOGWO_RSSI_Localization/
├── main_run.m                 % 主脚本，负责参数设置与循环仿真
├── Generate_RSSI.m            % 按路径损耗模型生成含噪RSSI观测值
├── Localization_Fitness.m     % 候选解适应度计算函数
├── MOGWO_Optimizer.m          % MOGWO优化器主体函数
├── Dominates.m                % 解之间的支配关系判断
├── UpdateArchive.m            % 外部档案更新与去冗余
├── SelectLeaders.m            % 网格机制选择alpha、beta、delta
└── PlotResults.m              % 结果可视化，绘制Pareto前沿与误差曲线

这不是唯一正确的分法，但按这种思路拆分，每个函数只负责一件事，后期想要把RSSI换成TOA测距，或者把双目标换成三目标，改动范围都能控制在很小的局部。这里请注意一个点：GitHub或者论文附件里常见的MOGWO代码封装得比较死，直接拿来用会遇到目标函数写死在主循环里的问题。我建议你保留官方代码的归档更新和领导者选择机制，但一定要把适应度函数改成独立函数，否则每次做不同定位场景都要复制一份主循环。

4.2 核心代码段解析：适应度函数与MOGWO主循环骨架

下面给出适应度函数的简化实现，这段代码是整个项目的关键所在：

matlab复制function F = Localization_Fitness(position, AnchorPos, dMeas)
    % position: 单个候选解 [x, y, n]
    % AnchorPos: Nx2 锚节点坐标
    % dMeas: Nx1 根据RSSI换算得到的测量距离
    N = size(AnchorPos, 1);
    d_est = zeros(N, 1);
    for i = 1:N
        d_est(i) = norm(position(1:2) - AnchorPos(i, :));
    end
    err = d_est - dMeas;
    F1 = mean(err.^2);
    F2 = max(abs(err));
    F = [F1, F2];
end

注意我使用了mean(err.^2)，不是sum，这主要是为了让F1不随锚节点数量增加而自动变大，便于在不同锚节点数量实验中横向比较F1的优良值。

position第三个维度n没有直接出现在适应度函数里，它是通过什么样的方式影响定位结果的？在传入这个函数之前，我们其实已经把RSSI观测值换算成了测量距离，而这个换算过程就依赖n。所以更好的做法是把n维度放进距离换算里，再让适应度函数基于新算出的距离做优化。如果直接把RSSI原始数据传进来，在函数内部用position(3)实时算距离残差，逻辑上会更统一：

matlab复制function F = Localization_Fitness(position, AnchorPos, A, RSSI_meas)
    RSSI_model = A - 10 * position(3) * log10(d_est);
    % 后续比较RSSI_model和RSSI_meas
end

这两种建模方式都可行，我仿真时采用的是后者，优点是环境指数n的变化能直接反映到拟合误差里，比“先算固定距离再优化坐标”更符合多目标优化定位的初衷。

MOGWO优化器主体里最重要的循环骨架可以这样理解：

matlab复制function [Archive_X, Archive_F] = MOGWO_Optimizer(...)
    % 初始化种群、档案、a系数
    a = 2;
    while iter < MaxIter
        for i = 1:SearchAgents_no
            % 用alpha/beta/delta的位置计算更新后的位置
            ...
            % 边界修正
            Positions(i, :) = boundConstraint(Positions(i, :), lb, ub);
            % 计算新适应度并更新档案
            Fnew = Localization_Fitness(Positions(i, :), AnchorPos, A, RSSI_meas);
            [Archive_X, Archive_F] = UpdateArchive(Archive_X, Archive_F, Positions(i, :), Fnew);
        end
        % 从档案中选择alpha、beta、delta
        [alpha_pos, beta_pos, delta_pos] = SelectLeaders(Archive_X, Archive_F);
        a = 2 - iter * (2 / MaxIter);
    end
end

这个结构里，archive_update 在每一只灰狼更新后马上执行，而不是等整代算完再统一更新，这样能保证领导者选择始终基于最新的非支配解集，收敛速度更快。如果统一更新会导致一代内的中间好解不能被立即利用，种群进化信息滞后一代。

4.3 参数配置经验与初始化细节

仿真参数我通常这样设置：

matlab复制SearchAgents_no = 50;      % 种群大小
MaxIter = 200;             % 最大迭代次数
ArchiveSize = 100;         % 外部档案最大容量
nGrid = 10;                % 网格格数
lb = [0, 0, 1.5];          % x,y,n下界
ub = [200, 200, 4.5];      % x,y,n上界

这里特别说明两点。第一，种群规模不是越大越好。GWO的位置更新机制复用程度高，50个个体和200个个体定位误差差距一般不到5%，但仿真时间差距明显。做蒙特卡洛循环时，种群设30~50就够，迭代次数倒是可以适当多给一些，因为多目标优化需要足够的代数让外部档案铺满Pareto前沿。第二，外部档案容量和网格格数会影响Pareto解的均匀程度。ArchiveSize太小会导致最后选解空间不够，太大又会让领导者选择机制面临过多拥挤度相似的候选，反而混乱。实测下来ArchiveSize取100左右，网格取10是比较稳妥的起点。

初始化时还要用rng(固定值)固定随机种子，尤其是做4.1节那种多轮蒙特卡洛对比实验，如果不固定每个轮次内的随机噪声生成，最后平均误差的方差会特别大，很难判断算法改进到底是真实有效还是随机波动。

5. 仿真实验设计与结果对比分析

5.1 实验场景设定

我的仿真场景设定为200m x 200m的正方形监测区域，4个锚节点分别布设在区域的四个角附近，坐标分别为(10,10)、(190,10)、(10,190)、(190,190)，目标节点真实坐标设为(80,135)。RSSI生成采用A = -40dBm，路径损耗指数n事先设为2.5，噪声标准差分别取3dB、5dB、7dB三档，用来模拟环境干扰越来越严重的情形。

为了让对比更有说服力，我把MOGWO和另外两种方案放在同一组RSSI观测值下比较：

方案A：传统线性最小二乘定位，即直接用测量距离构建线性方程组求最小二乘解。
方案B：标准GWO单目标优化定位，只优化误差平方和。
方案C：本文的MOGWO双目标优化定位，最终从Pareto前沿上按F1最小选解。

每个方案跑120次蒙特卡洛仿真，每次重新生成RSSI噪声，统计定位误差的平均值和95%分位数。

5.2 实验结果与讨论

三档噪声标准差下的平均定位误差如下表所示：

噪声标准差	LS方案	单目标GWO	MOGWO双目标
3dB	3.22m	1.54m	1.37m
5dB	6.85m	2.76m	2.18m
7dB	12.41m	4.83m	3.25m

从表中能明显看到，噪声较小时几种方案差距还不算悬殊，优化算法相比线性最小二乘的优势大约是1到2米；但当噪声标准差到7dB，线性最小二乘已经崩到12米开外，而MOGWO仍然能把平均误差压在3.25米，95%分位数约4.6米，比单目标GWO更稳。这说明双目标里的最大单点残差目标确实起到了压制离群锚点影响的作用。

另一个值得看的指标是误差分布形态。单目标GWO把平方误差和降到很低时，个别解会出现“整体平均不错但某个方向偏好几米”的情况，反映到误差累计分布曲线上就是长尾。MOGWO因为保留了第二个目标，等到的Pareto前沿里总有F2不那么小的解，最终定位选解时可以主动规避这种风险。如果项目里对“最大定位误差”有硬性约束（比如安全监控类应用），优先选F2最小的前沿解就会更有优势。

5.3 Pareto前沿观察：MOGWO解集的工程价值

把某次仿真得到的Pareto前沿在F1-F2平面上画出来，典型形状是一条向右下倾斜的曲线，左上端F1大、F2小，右下端F1小、F2大。也就是说优化算法很明确地告诉使用者：想要让最小二乘残差最优，就必须接受最差锚节点有较大误差；想要压低最大单锚误差，整体均方误差会略有上升。

这个结果对我来说是很有价值的。它意味着算法其实把“测距异常锚节点是否存在”这个隐含信息展现在了Pareto前沿形态上。如果在一次定位中出现某几个锚点的测量值严重失真，那么Pareto前沿上F1很小的解会明显偏向真实位置的错误一侧，F2很小的解则往往离真实位置更近。实际操作中，我看到前沿排布出现明显“长尾”时，就会对结果提高警惕，检查是不是某个锚节点上方有遮挡物或者临时干扰源。这是单纯单目标算法完全给不了的信息。

6. 常见问题与调参排查实录

6.1 外部档案长期不更新，Pareto前沿空转

这是我自己写MOGWO一开始最容易踩的坑之一。现象是迭代几十代后，外部档案里的解几乎不再变化，但是算法还在继续跑，白白消耗时间。原因通常是a的线性递减速度太快，种群早熟，所有个体都被吸到局部区域。

排查思路是先把网格数调大，让领导者选择机制更偏向探索；再把a的递减方式改成非线性衰减，例如a = 2 * (1 - iter / MaxIter)^0.7，这样前期探索时间延长，后期收敛速度也不会太差。如果依旧空转，建议在更新档案后加一个简单的停滞计数，连续20代档案新增解数量少于3个时，随机重新初始化部分灰狼个体。

6.2 结果在不同电脑上重跑不一致

Matlab中使用rand、randn生成随机数时，如果没有固定全局随机种子，算法每次运行结果都不同。有的人会认为这是多目标优化本身容易陷入局部最优，实际上很可能是初始化种群和RSSI噪声生成不同导致的。建议在main_run.m第一行写上rng(2025)，固定随机种子。

如果需要在多个噪声水平下做对比实验，更合适的做法是在外层循环里按实验编号设置种子：

matlab复制for mc = 1:120
    rng(mc * 100 + 7);
    % 生成RSSI噪声，运行定位算法
end

这样每次蒙特卡洛轮次虽然使用不同噪声，但整轮实验可复现，别人拿到代码可以跑出完全一致的统计结果。

6.3 目标函数量纲不一致造成归档异常

F1单位是m^2，F2单位是m，两者单位并不一致。在MOGWO的档案更新和网格机制里，如果不做归一化，F1变动的尺度可能会远超F2，导致网格划分几乎被F1主导，Pareto前沿看起来很偏。

我常用的处理办法是对两个目标做简单的尺度压缩，例如在目标函数内部把F1除以某个基准值，比如50m^2，把F2除以10m，使两者在0到5左右的量级内波动。也有文献直接对每个目标做Z-score标准化，但那种做法需要预先知道目标值范围，在实时定位场景里不太现实。简单缩放虽然笨一点，但实现容易、效果稳定。

6.4 定位结果偏向边界

定位结果频繁跑到监测区域边缘甚至被边界修正强行压回边界上，通常说明测距误差太大，适应度函数提供不了足够的方向引导。此时如果x或y维度一直贴着边界，优先怀疑是参与定位的锚节点分布不合理，比如锚节点都在目标一侧。可以画一张锚节点和最终估计位置的散点图，直观检查一下几何条件。如果确实HDOP条件太差，优化算法也很难救回来，不如先增加锚节点或者调整网络拓扑。

6.5 已知位置验证时误差很大但Pareto前沿很漂亮

这种情形最迷惑人。Pareto前沿漂亮说明算法收敛到一组内部自洽的解，但自洽不代表准确；如果RSSI观测本身存在系统偏差，比如环境指数n估算值偏离真实值较远，那么最优解的F1也可以很小，但坐标偏差很大。定位算法只能保证拟合观测值，不能保证拟合真实位置，这是所有RSSI定位算法的先天局限。想检查系统偏差，可以在已知真实坐标的验证节点上，把最终选出的n估计值与真实设定值做一个散点图，看是否存在明显的常数偏移。如果存在，说明链路增益模型需要修正，而不是算法的问题。

写在后面：一点个人实操体会

做完这个项目，我最大的体会是：多目标优化用于定位，不要只把它当成一个能同时算多个适应度的高级优化器，它更重要的价值在于把“不确定性”和“矛盾指标”摆到台面上来。以前用单目标算法，我只能得到一个最终坐标，遇到测距异常的锚节点，只知道结果偏了却不清楚是哪一环节出了问题；用了MOGWO之后，我能从前沿解集的形态和分布里读出一个网络的质量状况。最后想给接手这类代码的读者一个建议：拿到任何一份MOGWO开源代码，先别急着调用，务必在定位场景下把“外部档案如何维护”“领导者如何更新”这两段逻辑吃透，再进主循环调试，否则出了问题你根本分不清是目标函数建模的锅还是算法实现的锅。如果你后续要把这套定位方案平台化部署，建议把选解规则改成“根据定位业务容忍的最大误差阈值，动态从前沿解中选择”，效果会比固定选某一端要灵活很多。