简介：面向无线传感器网络定位研究与课程实验的DV-Hop改进算法仿真资料，围绕多通信半径与跳距加权策略展开，旨在缓解传统DV-Hop因固定跳距假设造成的误差累积，提升节点定位精度。内容适合具备Matlab基础、关注WSN定位与算法优化的高年级本科生、研究生及科研人员，可用于环境监测、目标追踪等场景的算法复现与性能对比。压缩包共5个文件，包含m脚本、md说明、txt代码说明及2个fig结果图，整体约66KB，体积轻便，便于快速导入Matlab运行并查看网络节点分布与定位误差结果。主程序脚本对应算法实现流程，说明文档梳理多通信半径、跳距加权与参数设置思路，结果图直观展示误差变化，便于读者理解算法细节、调参复现实验并开展对比分析。已有787人学习，适合作为WSN定位算法入门复现与改进思路参考。

1. 反直觉的结论：DV-HOP 的误差大头不在解方程那一步

如果有人第一次接触 DV-HOP 定位，直觉通常是：最后一步用三边测量法解最小二乘，方程那么简陋，误差肯定出在这里。于是他们换成泰勒展开、换成加权最小二乘、换成智能优化算法，结果定位误差曲线几乎没动。

这件事反直觉，但并不神秘。基于多通信半径与跳距加权优化的 DV-HOP 改进算法，改的正是开头两步：一是跳数怎么数，二是平均跳距怎么估。前者决定距离的量化粒度，后者决定这个粒度被放大还是被抵消。把跳数从整数变成小数、把全网平均值换成局部可信值，误差才会真正下降。搞懂这两处，就搞懂了 DV-HOP 为什么“能用但不够准”的全部原因。

2. DV-HOP 的三段式骨架：误差是在哪一步被写进去的

DV-HOP 属于免测距（range-free）定位，它不测量信号到达时间或强度，只数跳数，再用“平均每跳多远”去乘。整个算法拆成三段：最小跳数泛洪、平均跳距估计、多边测量解算。这个分段本身很聪明，把无法直接测量的欧氏距离转换成了可计数、可广播的离散量。代价是每一段都引入了自己的近似，而这三段误差不是简单相加，是会互相放大的。

先看第一段。每个锚节点带着自己的坐标和一个初始为 0 的跳数字段开始广播，邻居收到后把跳数加 1 继续转发，同时维护一份“到每个锚节点的历史最小值”。这套逻辑本质上是 Bellman-Ford 距离矢量路由的队列式实现：任何一个节点最终收敛到的是最小跳数路径，而不是最短几何路径。这两者之间的差距，就是后面所有误差的主要来源。

2.1 最小跳数泛洪：为什么跳数天生是整数

跳数是整数，原因朴素得让人不太愿意承认：它数的是转发次数，而转发是一个离散事件。一个节点在通信半径 R 的边缘，只要还能收到包，就算 1 跳；在距离 5 米的地方，也还是 1 跳。同一跳数承载的实际距离可以差出一个 R。

更麻烦的是，最小跳数路径往往会选择“跳数最少的绕行方式”。如果两个节点之间有一片没有节点的空洞，路径就得绕过去，跳数变大的同时几何距离并不会变大，于是这一段的“每跳距离”被人为拉长。反过来，如果某处节点撒得特别密，实际 200 米的直线可能要走上 6 跳，每跳被压缩到 30 多米。这两种偏差在同一个网络里同时存在，而全网平均之后，它们互相抵消一部分，剩下的那部分就变成了系统性偏移。

# 阶段一：锚节点泛洪，维护到每个锚节点的最小跳数 from collections import deque hop = {u: {a: float('inf') for a in anchors} for u in nodes} for a in anchors: hop[a][a] = 0.0 # 锚节点到自己的跳数为 0 queue = deque(anchors) while queue: u = queue.popleft() for v in neighbors[u]: # 邻接关系由通信半径 R 决定，是 0/1 的硬判定 for a in anchors: cand = hop[u][a] + 1.0 # 每转发一次，跳数严格加 1，这就是量化来源 # 用 eps 而不是严格小于：浮点跳数下避免同一值被反复入队 if cand < hop[v][a] - 1e-9: hop[v][a] = cand queue.append(v)

这段代码里，neighbors[u]是一个硬边界的集合，距离小于 R 就在里面，大于 R 就不在。跳数更新的比较用了cand < hop[v][a] - 1e-9，这个小 epsilon 在后面引入小数跳数时会变得非常关键——如果不加，跳数值相等的邻居会反复互相触发更新，队列永远清不空，泛洪不收敛。这是实现这类算法时最容易踩到的坑之一，后面单独说。

2.2 平均跳距：一个全网平均值怎么变成局部谎言

第二段只有一行公式：

HopSize_a = Σ_{b≠a} d(a,b) / Σ_{b≠a} h(a,b)

分子是锚节点 a 到其他所有锚节点的欧氏距离之和，分母是跳数之和。算出来的结果含义是“在我这个锚节点看来，平均一跳值多少米”，然后广播出去。未知节点收到多个锚节点的跳距后，通常取最近的那个，或者第一个收到的。

问题在于，这个量是全局统计量，却被用在局部。一个网络里如果节点分布不均匀，锚节点周边密集、边角稀疏，那么从某个锚节点算出来的 HopSize 描述的是它自己周围的平均情况，被拿去估计一个隔了 5 跳的未知节点时，前提已经不成立了。假设某片区域锚节点之间平均每跳 50 米，而未知节点实际到最近锚节点只有 1 跳、真实距离 90 米，用 50 米算出来是 50 米，低估了 44%。

误差是乘性的：估计距离 = 跳数 × 跳距，跳距偏低 44%，估计距离就偏低 44%，位置解算再准也救不回来。这也解释了为什么只改最后一步解算方法几乎没有效果——输入本身就是偏的。

2.3 三边测量与最小二乘：最后一步为什么背锅最多

第三段做的是多边测量。设未知节点坐标 (x, y)，到第 i 个锚节点的估计距离是 d_i，锚节点坐标 (x_i, y_i)，则有

(x − x_i)² + (y − y_i)² = d_i²

这是二次方程组，不能直接解。标准做法是拿第 0 个方程去减其余每个方程，消掉二次项，得到线性形式：

2(x_i − x_0)·x + 2(y_i − y_0)·y = (x_i² + y_i²) − (x_0² + y_0²) − (d_i² − d_0²)

写成矩阵就是 A·p = b，最小二乘解 p = (AᵀA)⁻¹Aᵀb。

import numpy as np def multilaterate(anchors, dists): """anchors: (n,2) 锚节点坐标; dists: (n,) 到各锚节点的估计距离""" x0, y0 = anchors[0] A = 2.0 * (anchors[1:] - anchors[0]) # 差分后的一阶系数 b = (anchors[1:]**2).sum(1) - (x0**2 + y0**2) \ - (dists[1:]**2 - dists[0]**2) # 常数项，注意 d 也是平方差 p, *_ = np.linalg.lstsq(A, b, rcond=None) # 超定时自动退化为最小二乘 return p

这里有一个容易被忽略的细节：b里的距离项是 d_i² − d_0²，不是 d_i − d_0。写错这一处，结果不会报错，只会稳定地偏一个方向，而且偏得“挺像那么回事”，非常难查。

真正让这一步出错的情况其实只有两类：一类是锚节点近似共线，AᵀA 接近奇异，解会在垂直方向上飘很远；另一类是参与解算的锚节点少于 3 个，方程欠定。这两类都属于结构性缺陷，跟“用什么解算方法”关系不大。把最小二乘换成泰勒展开，只是在同一个偏心的输入上做更精细的拟合，误差量级不变。

3. 多通信半径：把整数跳数变成小数跳数的一次量化改造

既然跳数是整数是量化误差的根，一个自然的想法就是把量化粒度变细。多通信半径（multi-communication radius）做的就是这件事，但它不是简单地把 R 调小——那样会破坏网络连通性。它的做法是让节点同时具备多个可切换的发射功率档位（或者等价地，用多级接收门限），用“收到哪一档”来反推“距离落在哪个区间”。

3.1 单半径的量化误差上限，先算清楚

设真实距离 d，通信半径 R，跳数 h = ⌈d/R⌉，估计距离 d̂ = h·R。误差

e = hR − d

当 d 恰好是 R 的整数倍时 e = 0；当 d 刚刚超过 (h−1)R 时，e 接近 R。所以单半径下，绝对误差落在 [0, R) 区间内，期望大约 R/2；相对误差上限是 R/d，短距离时最糟糕。

这个式子给出了改进的方向，也给出了改进的上限：只要还是“整数跳 × 常数半径”，无论怎么调 R，误差都被钉死在半个 R 的量级。要突破它，必须让 h 不再是整数。

3.2 多级半径的跳数编码：1/2 跳、1/3 跳是怎么来的

做法是给每个节点配 k 个半径档位 R₁ > R₂ > … > R_k，其中 R₁ 保持为原来的通信半径，保证最大覆盖范围不变、网络连通性不被破坏。邻居判断自己处在哪一档，就按对应的权重折算跳数。

经典的三档配置里，半径分别取 R、R/2、R/3，权重取 1、1/2、1/3。含义是：如果我从你这里收到的信号只有最小功率档才能解出来，说明我们之间至少隔了 1/3 个半径那么远。

# 三档半径：最大档决定连通性，小档只用于细化跳数 RADII = [40.0, 25.0, 15.0] # 对应 R、约 R/2、约 R/3 STEP = [1.0, 0.5, 1.0/3.0] # 每一档对应的跳数增量 def hop_weight(u, v, pos): d = ((pos[u][0] - pos[v][0])**2 + (pos[u][1] - pos[v][1])**2) ** 0.5 for k, r in enumerate(RADII): if d <= r: return STEP[k] # 落在哪一档，就按哪一档折算跳数 return None # 超过最大半径，视为不可达

配合第一阶段的松弛更新，cand = hop[u][a] + hop_weight(u, v, pos)，跳数就变成了 1/3 的倍数。同样的 200 米距离，原来记 5 跳、按 40 米算得 200 米刚好；现在可能记成 5.33 跳，乘以跳距后能更贴近真实值。注意这里跳距本身也要重新标定，因为分母的量纲变了——小数跳数下的“平均每跳距离”不再等于原来的 R 量级，这一点如果忘了，误差反而会变大。

3.3 三档还是五档：档位不是越多越好

从量化误差看，k 档能把误差上界压到 R/k 量级，似乎越多越好。实际工程里几乎都停在 3 档，理由有三个。

第一是判档的可靠性。档位越多，相邻档之间的半径差越小，边界处的距离判定越容易被噪声、多径、天线方向性干扰，判错一档就相当于凭空多算或少算半跳，误差反而放大。第二是开销。每多一个档位，要么多一次分时广播，要么多一套接收门限，节点的射频和能耗预算都要跟着涨，而 WSN 里节点通常靠电池供电，这笔账很难忽略。第三是收敛行为。小数跳数让“最小值”更新变得不单调，理论上仍然收敛，但实践中震荡明显增加，需要额外的收敛判据。

提示：多通信半径的前提是最大半径那一档必须与原始通信半径一致。如果为了细化跳数把最大半径也缩小了，网络可能从连通变成分裂，此时所有误差讨论都失去意义。

4. 跳距加权：把全网平均值换成局部可信估计

跳数量化精度提高了，接下来要处理跳距。多通信半径解决的是“数得粗”，跳距加权解决的是“算得偏”。这两件事是正交的，可以叠加，也是这类改进算法通常同时采用两条路线的原因。

4.1 全网平均跳距在各向异性网络里会塌

“各向异性”这个词听起来学术，说白了就是网络不是一个均匀的圆盘。节点撒下去，可能中间有个水池、有个柱子、有块没布点的区域，锚节点也可能集中在某一侧。这时候锚节点算出的 HopSize 只描述了它自己那一带的平均情况，广播给全网就是一次错误的推广。

一个能直观感受到的例子：某片区域锚节点密集、平均每跳 20 米，另一片区域稀疏、平均每跳 70 米。如果一个未知节点位于稀疏侧，却采用了密集侧锚节点广播的 20 米，它的估计距离会被压到真实值的三分之一以下。更糟的是，它自己无法察觉这件事，因为跳数看起来完全正常。

4.2 加权方案：按跳数、按残差、按分布

常见的修正思路有三类。

第一类是锚节点自身跳距的最小二乘化。原来的公式是 Σd/Σh，等价于让所有锚节点对的权重都为 1。但如果目标是让 HopSize·h 尽量逼近 d，就应该最小化 Σ(HopSize·h_ab − d_ab)²，对 HopSize 求导置零得：

HopSize_a = Σ h_ab·d_ab / Σ h_ab²

对比原式，相当于给每一对 (a,b) 乘了一个 h_ab 的权重——跳数大的锚节点对贡献更大。这符合直觉：跳数越大，这个样本对“平均每跳多远”的刻画越稳定，短跳的样本更容易被单跳的量化误差污染。

第二类是未知节点侧的加权。未知节点从多个锚节点收到 HopSize，不再只取最近的一个，而是按可信度加权平均：α_a 取 1/h_ua 或 1/h_ua²，跳数越少权重越高。道理是跳数少意味着路径绕行少、几何关系更接近直线，这个锚节点的局部跳距更可能适用于自己。

第三类是按残差动态加权。先用一部分锚节点估算位置，再看哪些锚节点的估计距离与解算结果偏差大，把偏差大的降权，迭代一两轮。这类做法效果不错，但引入了迭代和初值依赖，在锚节点比例很低时容易发散。

def weighted_hopsize(anchor_pos, hop_matrix): """锚节点自身跳距的最小二乘修正：H = Σ h·d / Σ h²""" n = len(anchor_pos) H = {} for a in range(n): num = den = 0.0 for b in range(n): if a == b or hop_matrix[a][b] <= 0: continue d = euclid(anchor_pos[a], anchor_pos[b]) h = hop_matrix[a][b] num += h * d # 原来的写法是 num += d den += h * h # 原来的写法是 den += h H[a] = num / den if den > 1e-12 else 0.0 # 只有单个锚节点时 den 为 0 return H

这段改动的价值在于它几乎不增加通信开销——数据本来就在广播，只是换了一种加权方式聚合。代价是它对跳数 h 的精度更敏感，如果 h 还是整数，长跳样本本身误差就大，加权反而可能放大偏差。这也说明为什么这两项改进常常一起出现：小数跳数提供更细的样本，加权聚合才谈得上受益。

4.3 加权最小二乘：把权重带进解算

到了解算阶段，权重还能再用一次。既然跳数少的锚节点距离估计更可信，那它在方程组里的分量就该更重。把 A·p = b 变成加权形式：

p = (AᵀWA)⁻¹AᵀWb

W 是对角矩阵，第 i 个对角元取 1/h_i² 或 1/d̂_i²。注意这里是对差分后的方程加权，第 i 个方程同时涉及锚节点 i 和锚节点 0，权重取两者中较大的那个跳数对应的可信度更稳妥。

import numpy as np def weighted_multilaterate(anchors, dists, hops): x0, y0 = anchors[0] A = 2.0 * (anchors[1:] - anchors[0]) b = (anchors[1:]**2).sum(1) - (x0**2 + y0**2) \ - (dists[1:]**2 - dists[0]**2) w = 1.0 / np.maximum(hops[1:], 1.0)**2 # 跳数越大，权重越低 W = np.diag(w) M = A.T @ W @ A if np.linalg.cond(M) > 1e12: # 病态检查，共线时直接兜底 return (w[:, None] * anchors[1:]).sum(0) / w.sum() # 退化到加权质心 return np.linalg.solve(M, A.T @ W @ b)

np.linalg.cond这一行是整个函数里最值得保留的部分。条件数超过 1e12 意味着矩阵几乎不可逆，此时求解器不会报错，只会给出一个数值巨大、方向随机的解，定位误差可以轻松超过整个区域的边长。退化到加权质心虽然粗糙，但至少结果落在合理范围内。这类“宁可退一步也不要乱飞”的兜底，在定位算法里几乎是必需的。

5. 避坑与排查：五个把改进效果抵消掉的细节

5.1 跳数层：泛洪震荡与连通性陷阱

现象一：仿真跑很久不结束，跳数值一直在小幅变动。原因很直接：小数跳数破坏了“跳数单调递减”的性质，两个邻居可能互相把对方的值往下拉，形成 A→B→A 的循环。解决方式是把比较改成带阈值的cand < hop[v][a] - eps，同时给泛洪加一个最大轮数或最大队列长度作为硬性停止条件，超限就冻结当前值。

现象二：改进后定位误差反而变大，而且集中在网络边缘。通常是判档逻辑出错。真实实现里节点没有坐标，判档靠接收信号强度或者分时广播的到达情况，边界处误判率高。一个节点被判成 1/3 跳，实际距离可能接近 R/2，低估一半。排查办法是把“实际距离”和“判档结果”的混淆矩阵打出来看，如果对角占优不明显，说明档位间隔太小，需要拉开。

现象三：最大半径档被改动，网络分裂成几块。有的人为了“让多半径更均匀”，把最大档也缩了，结果原来能连上的边连不上了，泛洪到不了远端，那部分节点的跳数是无穷大，最后被静默丢弃。检查方式是统计每个锚节点的可达节点数，如果明显小于总节点数，就是连通性出了问题。

5.2 解算层：矩阵病态与评估口径失真

现象四：个别节点定位结果飞到区域外，误差是正常节点的几十倍。这类孤立异常点基本都是共线造成的。随机撒点的时候看不出来，一旦节点按网格排列、或者锚节点只布在两个角上，AᵀA 就接近奇异。除了条件数兜底，还可以在选锚节点时加一个共线度判据：任取三个锚节点算它们构成的三角形面积，面积过小的组合直接剔除。

现象五：改进算法在仿真里好得离谱，换一组随机种子就崩了。这通常不是算法问题，是评估方式问题。常见的有三种失真：一是只在正方形区域内撒点，边角节点跳数少、误差小，恰好把改进效果放大；二是不固定随机种子，只跑一次就下结论；三是误差用绝对距离算，但网络尺度和改进前的配置不一样，两组的 R 不同还直接对比。稳妥的做法是固定种子、至少跑 30 组取均值、同时报平均误差和 90% 分位误差，并且按跳数分层统计——真正被改进的通常是 1～3 跳那一层，混合平均会把效果抹平。

注意：多通信半径改的是跳数尺度，跳距加权改的是聚合方式。做对比实验时如果只替换其中一处却没重新标定跳距，两组的距离量纲可能已经不一致，此时的对比没有意义。

6. 设计取舍：改进不是堆参数，而是想清楚代价付在哪

把这两条改进路线并排放在一起看，会发现它们的着力点完全不同。多通信半径是空间维度的细化：用硬件上的多档功率，换取跳数的连续化，付出的是射频开销和判档稳定性。跳距加权是统计维度的修正：用已有的广播数据做更好的聚合，几乎不增加通信量，付出的是对跳数精度的依赖和一点计算量。

这张表最想说的是最后一行的风险：两项改进叠加时，跳距的标定基准变了。小数跳数下，锚节点之间算出来的 HopSize 不再等于原来的“每跳米数”，如果还按老代码里的量纲去乘，误差会比原始算法更大。这不是理论问题，是改代码时几乎必然会遇到的一次翻车。

验证时可以按跳数分层看误差：把未知节点按到最近锚节点的跳数分成 1～2 跳、3～4 跳、5 跳以上三组，分别统计平均定位误差。改进算法通常在第一组收益最大，第三组几乎无感——因为跳数一大，路径绕行的影响盖过了量化误差，这时候限制精度的是各向异性而不是粒度。看清楚收益落在哪一层，比看一个总平均误差有用得多。

从那以后我每次动这类定位算法，都强制先做两件事：固定随机种子跑够组数，以及按跳数分层出误差表。不看这两样就给结论，多半是在给自己制造幻觉。希望帮到你。

本文还有配套的精品资源，点击获取