移动节点定位是无线传感器网络研究中的热点问题之一,它根据少数锚节点,按照某种定位机制确定移动未知节点自身的位置。现有的无线传感器网络节点定位算法存在着测距方法受环境影响大、定位精度低和功耗大等问题,不适用于移动节点定位。随着无线传感器网络技术的不断进步和成熟,其应用将会越来越广泛,移动节点定位技术的研究对于移动无线传感器网络技术的性能提高和实用性保证有着重要的理论意义和应用价值。蒙特卡罗定位方法是与机器人感知和运动的概率模型有关的粒子滤波,它能够有效并且鲁棒地解决复杂定位问题。蒙特卡罗定位算法的定位精确性不受节点移动的影响,反而利用其移动性能提高定位的精度,减小定位的代价,将该方法应用于无线传感器网络中,能够帮助解决移动节点的定位问题。由于在后验密度分布取值较大区域中的样本数较少,利用蒙特卡罗定位算法进行定位需要大量的样本才能取得较好的效果。本文提出了一种遗传蒙特卡罗定位算法,将遗传算法中的交叉和变异两个操作引入到蒙特卡罗定位算法中,对样本进行优化,使样本向后验密度分布取值较大的区域移动,从而更好地表达系统的后验密度分布。仿真结果表明,遗传蒙特卡罗定位算法可以显著地减少定位所需的样本数,具有更高的定位精度和更好的鲁棒性。此外,通过引入锚节点影响力概念,本文还提出了一种加权采样蒙特卡罗定位算法。加权采样蒙特卡罗定位算法充分利用节点的移动性和多跳锚节点信息,用锚节点对未知节点位置的不同影响力来确定样本的权值,以提高定位精度。仿真研究显示,加权采样蒙特卡罗定位算法具有很好的分布性、可扩展性和鲁棒性,特别是算法在定位覆盖率等方面表现出了很好的性能,适合应用于大规模移动无线传感器网络。