1.一种基于改进离散差分算法的汇聚节点定位方法，其特征在于，包括如下步骤：S1：网络环境设置及节点部署：在长度为L，宽度为W的二维平面监测区域中进行栅格划分，将传感器节点 随机放置在栅格点上，其中，i＝1,2…,M，M为传感器的类型数，j＝1,

2…,N，N为传感器的总数，若节点 位于节点 通信半径内，则节点 能将数据传输至节点 其中，i′,i1∈i；j′,j1∈j，节点 到节点 的数据链路的可靠性为(0，1)之间的随机数，汇聚节点的候选位置也设置在栅格点上，设汇聚节点位置的编码方式为(X,Y)，其中，X为汇聚节点横坐标，Y为汇聚节点纵坐标，X和Y取值范围为保证汇聚节点在监测区域内，若汇聚节点在节点 通信半径内，则节点 能直接将数据传输至汇聚节点，设定此时节点到汇聚节点的通信链路的可靠性为1；

S2：解评价：利用公式 来评价节点 到汇聚节点sink的可靠性，式

中， 为代价，即运用Dijkstra算法求得节点 到汇聚节点sink的最佳可靠性路径，n为最佳可靠性路径的跳数，rk为从节点 到汇聚节点sink最短路径中第k跳的可靠性，ln(rk)表示对rk取自然对数，所有节点到汇聚节点sink的可靠性为：S3：利用改进的离散差分算法对汇聚节点的位置进行优化：

S31：种群及参数初始化：设置种群个体数目NP，最大迭代次数MAX_ITE，交叉因子CR，缩放因子F的最大值为FU，最小值为FL，对种群中的NP个个体进行初始化(Xi,Yi)，其中，Xi∈[Lmin,Lmax]，Yi∈[Wmin,Wmax]，Lmin为长度L的最小值，Lmax为长度L的最大值，Wmin为宽度W的最小值，Wmax 为宽度W的最大值；

S32：计算缩放因子F： 式中，F(in)为迭代次

数为in的缩放因子；exp()表示以自然常数e为底数的指数函数；

S33：变异个体计算及其有效性检验：

S331：变异后的新个体为：

其中， 式中，threshold为阈值，fmean为种群中所有个体适应度的平均值，fbest为种群中适应度最好个体的适应度值，r1,r2,r3∈{1,2,…,NP}且r1≠r2≠r3，Pr1为种群中序号为r1的个体，Pr2为种群中序号为r2的个体，Pr3为种群中序号为r3的个体，Pi为种群中序号为i的个体；

S332：对变异后的个体Vi的每一维向下取整；

S333：检验取整后新个体Vi的有效性，即检验新个体Vi的第一维值是否在[Lmin,Lmax]中，检验新个体Vi的第二维值是否在[Wmin,Wmax]中，若能满足有效性条件，则进入步骤S34，否则，跳转至步骤S334；

S334：利用随机函数重新生成新个体，并跳转至步骤S332；

S34：交叉操作：

式中，i∈{1,2,…,NP}，j,jrand∈{1,2}，rand()为(0,1)之间的随机数；

S4：判断迭代是否结束，若下一次迭代次数in+1大于最大迭代次数 MAX_ITER或者delta大于阈值tolerance，则迭代结束，进入步骤S5，否则，迭代次数in+1，跳转至步骤S32继续优化；

S5：利用步骤S2对产生的解的质量进行评价，选择种群个体中C最小的个体，即为汇聚节点的部署位置。

2.根据权利要求1所述的基于改进离散差分算法的汇聚节点定位方法，其特征在于，步骤S334中利用随机函数重新生成新个体的方式为：Vi,1＝Lmin+rand()×(Lmax-Lmin)，Vi,2＝Wmin+rand()×(Wmax-Wmin)，其中，Vi,1为个体Vi的第一维值，Vi,2为个体Vi的第二维值，rand()为产生随机数的随机函数。

3.根据权利要求1所述的基于改进离散差分算法的汇聚节点定位方法，其特征在于，步骤S31中所述交叉因子CR＝0.9，缩放因子的最大值FU＝1，缩放因子的最小值FL＝0.1。