1.一种面向复杂场景的多跳定位方法，其特征在于，所述方法包括如下步骤：步骤1.节点完成部署和初始化：节点随机、均匀地被部署在复杂场景下的网络中，随后利用贝尔曼‑福特算法获得网络中节点间最短路径；

步骤2.粗略地选取距离最近的锚节点；

步骤3.精准的选择唯一最近锚节点；

步骤4.计算出待定位节点与各个锚节点间的平均每跳距离；

步骤5.估计待定位节点位置；待定位节点以步骤4获得的平均每跳距离乘以待定位节点到最近锚节点的跳数，即可获得为对应的估计距离；待定位节点用这些估计距离、协同锚节点的位置、对应跳数四次方分之一作为加权适应度函数权重，在基于高斯惯性权的粒子群方法的帮助下搜索待定位节点的最优估计位置。

2.根据权利要求1所述的一种面向复杂场景的多跳定位方法，其特征在于，步骤2中的，所述粗略地选取距离最近的锚节点，具体方法是：步骤2‑1：沿步骤1获得的最短路径，每个待定位节点获知到各个锚节点的中继节点数，随即以中继节点数加一作为它们之间的跳数；

步骤2‑2：每个待定位节点对步骤2‑1获得的跳数进行排序，选取跳数最小的那些锚节点作为候选最近锚节点。

3.根据权利要求1所述的一种面向复杂场景的多跳定位方法，其特征在于，步骤3中的，所述精准的选择唯一最近锚节点，具体方法是：步骤3‑1：判断步骤2所选取的锚节个数，若仅为一，则该锚节点为此待定位节点唯一的最近锚节点；否则，进入步骤3‑2；

步骤3‑2：当步骤2所选取的锚节个数不为一时，从待定位节点出发，分别沿着步骤1获得的最短路径到具有同样跳数的若干锚节点，依次利用邻居节点数，在索伦森相似系数帮助下选择最近锚节点。

4.根据权利要求1所述的一种面向复杂场景的多跳定位方法，其特征在于，步骤4中所述计算出待定位节点与各个锚节点间的平均每跳距离，具体方法是：步骤4‑1：利用步骤3获得的最近锚节点，用它到其余锚节点的距离除以相应跳数，即可计算出一个平均每跳距离向量，该向量作为待定位节点到除最近锚节点以外的锚节点的平均每跳距离；

步骤4‑2：首先，按跳数最少原则选出离最近锚节点的次最近锚节点；若次最近锚节点数仅为一则该节点即为最近锚节点的次最近锚节点；若次最近锚节点数大于一，则用索伦森相似系数从这些锚节点中选出唯一的次最近锚节点；然后，用最近锚节点到选中的次最近锚节点距离除以相应跳数，即可得到一个平均每跳距离值，该值作为待定位节点到最近锚节点的平均每跳距离。

5.根据权利要求1所述的一种面向复杂场景的多跳定位方法，其特征在于，步骤5中的，所述估计待定位节点位置，具体方法是：步骤5‑1：利用待定位节点到其相连的锚节点跳数的4次方分之一构建权矩阵，用次权重构建加权的适应度函数，如：待定位节点u到其相连的m个锚节点跳数分别为hu→1,…,hu→m，则权矩阵为，其中，Wh为对角线矩阵；

则，加权的适应度函数为，

其中，i粒子的标号，将在步骤5‑2中设定；xi、yi和xa、ya分别是第i粒子和第a锚节点的x、y轴坐标； 是待定位节点u到锚节点a的估计距离，其由“步骤4”获得平均每跳距离乘以对应的跳数获得；

步骤5‑2：用锚节点位置、步骤5‑1设定的加权的适应度函数、以及待定位节点到锚节点的估计距离作为输入参数，利用基于高斯惯性权的粒子群方法获得最优估计位置。

6.根据权利要求1所述的一种面向复杂场景的多跳定位方法，其特征在于，步骤5‑2中的，所述的最优估计位置；具体方法是：a)初始化群体参数，其中：粒子个数为N＝30，搜索粒子空间的维度D＝2，则第i个粒子在搜索空间中的位置表示为pi＝(xi,yi)，i＝1,…,N，相应的粒子速度记为，vi＝(vix,viy),i＝1,…,N，最大迭代次数Miter＝30，学习因子c1＝c2＝2.05，速度极值取值为粒子空间横坐标范围或纵坐标范围中最大值的10％，即，vmax＝0.1×max(max_rangex,max_rangey)其中max_rangex是粒子搜索空间横坐标范围，max_rangey是粒子搜索空间纵坐标范围；

b)在节点分布范围内，通过伪随机函数初始化30个粒子的位置，所生成的位置作为个体初始最优位置，即 其中第i个粒子的最优位置为 随后将这

30个初始化位置分别输入加权的适应度函数fit(i)，取值为适应度值最小值所对应的那个g粒子的位置全局最优值p，即：

[fmin,index]＝min(fit(i))；

其中 是第index个粒子的坐标；

同时，通过伪随机函数初始化30个粒子的速度，并用速度极值vmax＝2限制速度的范围；

c)通过迭代循环计算搜索最优位置，每个粒子依据如下公式来更新自己的速度和位置，其中，r1,r2的取值范围为0到1的随机数，t表示迭代次数，wg表示惯性权重；

本发明所采用高斯加权作为惯性权，具体表示为：

将每个粒子的惯性权重加权平均得到最终权函数

d)依据c)中的新速度和新位置重新计算新的适应度值；

e)粒子i，用本身的适应度值fit(i)与其个体极值位置 所对应的适应度值做比较，若fit(i)小于后者，则用粒子i的位置来替换g

f)随后，用粒子i的适应度值fit(i)与种群中的全局极值位置p所对应的适应度值做比g较，若fit(i)小于后者则用粒子i的位置来替换p；

g)判断是否满足结束要求，若满足停止条件，则停止搜索并输出搜索结果作为最优估计位置，否则转向c)继续运行算法。