En los sistemas de posicionamiento en redes de sensores inalámbricos, la precisión de la localización suele verse afectada por la distorsión o atenuación de la señal causada por factores ambientales, especialmente en entornos interiores. Aunque el uso de una combinación del algoritmo de K-Nearest Neighbor (KNN) y el emparejamiento de huellas dactilares puede reducir los errores de posicionamiento debido a la mala calidad de la señal, la mejora en la precisión al aumentar el número de puntos de referencia y los valores de K no es significativa. Este documento propone un método basado en Differential Evolution KNN (DE-KNN) para superar las limitaciones de rendimiento del algoritmo KNN y mejorar la precisión del posicionamiento en interiores en redes de sensores inalámbricos. El método DE-KNN tiene como objetivo mejorar la precisión y estabilidad del posicionamiento en interiores en redes de sensores inalámbricos. Según los resultados de la simulación, en un entorno interior simple con cuatro puntos de referencia, cuando los sensores se desplegaron tanto en disposiciones fijas como aleatorias, la precisión de posicionamiento mejoró en un 29.09% y 30.20%, respectivamente, en comparación con el uso del algoritmo KNN solo. En un entorno interior complejo con cuatro puntos de referencia, la precisión de posicionamiento aumentó en un 32.24% y 33.72%, respectivamente. Cuando el número de puntos de referencia aumentó a cinco, en un entorno simple, la mejora de precisión para ambos despliegues fijos y aleatorios fue del 20.70% y 26.01%, respectivamente. En un entorno complejo, la mejora de precisión fue del 23.88% y 27.99% para el despliegue fijo y aleatorio, respectivamente.