节点定位技术作为无线传感器网络的支撑技术,对传感器网络应用的有效性起着至关重要的作用。事件发生的位置或者获取信息的节点位置是传感器节点监测消息中所包含的重要信息,没有位置信息的监测消息往往是毫无意义。无线传感器节点被随机布放在特定的环境中,以自组织的方式协调工作,随机布放的节点往往无法事先知道自己的位置,因此要能在布放后实时地进行自定位。根据测量方式的不同,无线传感器网络(WSN)节点定位可分为两种类型:基于测距的定位方法和基于非测距的定位方法。基于测距的定位是通过测量传感器节点之间的实际距离来估计传感器网络节点的位置,这类定位算法的定位精度比较高,但需要硬件设备作为支撑,所以并不适合应用在一些低功耗、低成本的领域。基于非测距的定位方法主要是利用网络中信标节点和未知节点之间的连通性来获取节点之间的相对坐标,再把相对坐标通过一定的方法转化为绝对坐标,以达到节点定位的目的。这类定位方法不需要特定的硬件设施作为支撑,但定位精度相对较低。本文主要研究的内容如下:如何提高基于非测距定位方法的定位精度,成为研究的热点和难点。近年来,随着具有进化思想的智能优化算法的迅速发展,在国内外受到众多学者的关注与研究,与传统的确定性优化方式相比,智能优化算法能更直观、行之有效地解决复杂计算中的优化问题。本文在研究无线传感器网络节点定位算法时引入了智能优化算法,针对基于非测距定位方法的DV-Hop算法定位精度不高的问题,提出了一种新的OSFL-TLBO定位算法,加入了反向学习机制,把无线传感器网络节点的定位问题转化为求解最优值的问题。以改进DV-Hop算法中用平均跳距来代替欧式距离时产生的累积误差问题和利用最小二乘法求解非线性方程时对初值敏感、受测量误差影响较大的问题。仿真结果表明,所提算法的定位准确度提高大约10%-25%,有效的提高了定位精度。针对在低信标节点密度下无线传感器网络节点的定位效果不佳的问题,提出了一种基于多维标度(MDS)的节点定位算法,该算法首先用多维缩放技术获得节点之间的相对距离,再构建适应度函数,利用布谷鸟搜索算法(CS)寻求最优解,加入了混沌序列和自适应参数让其有更好的搜索能力。利用“优胜劣汰”的自然法则来提高无线传感器网络的定位精度。仿真结果表明,该算法有效的提高了节点在低信标节点率下的定位精度,在节点定位中更具有鲁棒性。