【优化覆盖】改进的杂草算法求解无线传感器覆盖优化问题【含Matlab源码 046期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab优化求解仿真内容点击👇
①Matlab优化求解（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、杂草算法简介（附课题报告）

1 IWO定义
IWO是2006年由A. R. Mehrabian等提出的一种从自然界杂草进化原理演化而来的随机搜索算法，模仿杂草入侵的种子空间扩散、生长、繁殖和竞争性消亡的基本过程，具有很强的鲁棒性和自适应性。

IWO算法是一种高效的随机智能优化算法，以群体中优秀个体来指导种群的进化，以正态分布动态改变标准差的方式将由优秀个体产生的子代个体叠加在父代个体周围，再经过个体之间的竞争，得到最优个体。算法兼顾了群体的多样性和选择力度。

2 IWO搜索与性能
IWO相比其他的进化算法拥有更大的搜索空间和更好的性能。
与GA相比，IWO算法简单，易于实现，不需要遗传操作算子，能简单有效地收敛问题的最优解，是一种强有力的智能优化工具。

3 IWO算法实现步骤
3.1 初始化种群
一定数据的杂草初始分布在搜索空间中，位置随机，个数根据实际情况调整；

3.2子代繁殖
分布在整个搜索空间的父代，根据父代的适应值产生下一代种子，种子的个数由适应度值决定，适应值高的产生的种子多，低的个体产生种子数少。

3.3 空间扩散
子代个体按照一定规律分布在父代个体周围，分布位置规律满足正态分布（父代为轴线（均值），标准差随着代数不断变化）。

3.4 竞争淘汰
当一次繁殖的个体数超过种群数量的上限时，将子代和父代一起排序，适应值低的个体将被清除。

⛄二、部分源代码

% IWO
% CPSO
% IIWO
%% 清空环境变量
clear
clc

%% 网络参数
L = 20; % 区域边长
V = 24; % 节点个数
Rs = 2.5; % 感知半径
Rc = 5; % 通信半径
Re = 0.05; % 感知误差
data = 1; % 离散粒度
%% 基本参数
N = 30; % 种群规模
dim = 2*V; % 维数
maxgen = 300; % 最大迭代次数
ub = L;
lb = 0;

%% 初始化种群位置
X = rand(N, dim).*(ub-lb)+lb;
for i = 1:N
fitness(i) = fun(X(i, 😃, L, Rs, Re, data);
end

%% 传入函数变量
[bestvalue_IWO, gbest_IWO, Curve_IWO] = IWO(N, maxgen, Rs, Re, L, data, X, fitness, lb, ub, dim);
[bestvalue_CPSO, gbest_CPSO, Curve_CPSO] = CPSO(N, maxgen, Rs, Re, L, data, X, fitness, lb, ub, dim);
[bestvalue_IIWO, gbest_IIWO, Curve_IIWO] = IIWO(N, maxgen, Rs, Re, L, data, X, fitness, lb, ub, dim);

%% 绘图比较
figure;
t = 1:maxgen;
plot(t, Curve_IWO, ‘ro-’, t, Curve_CPSO, ‘kx-’, t, Curve_IIWO, ‘bp-’,…
‘linewidth’, 2, ‘linewidth’, 1.5, ‘MarkerSize’,7, ‘MarkerIndices’, 1:20:maxgen);
legend(‘IWO’, ‘CPSO’, ‘IIWO’);
xlabel ‘迭代次数’;
ylabel ‘覆盖率’;
function Rcov = fun(Position, L, Rs, Re, data)
%% 适应度函数：WSN的覆盖率
x = Position(1:2:end); % 获取x轴的坐标
y = Position(2:2:end); % 获取y轴的坐标
lamda1 = 0.1; % 感知衰减系数
lamda2 = 0.1;
epsilon1 = 2;
epsilon2 = 2;
N = length(x); % 节点总个数
% 离散化区域内的点
m = 0:data:L;
n = 0:data:L;
k = 1;
for i = 1:numel(m)
for j = 1:numel(n)
p(k, 😃 = [m(i), n(j)];
k = k+1;
end
end
Total = size(p, 1);
% 计算覆盖率
for j = 1:size(p, 1)
C = zeros(N, 1);
for i = 1:N
dij = sqrt((p(j, 1)-x(i))^2+(p(j, 2)-y(i))^2);
if Rs-Re >= dij
C(i) = 1; % 改变覆盖状态
elseif Rs+Re > dij
C(i) = exp(-lamda1*(dij-(Rs-Re))^{epsilon1/((Rs+Re-dij)}epsilon2+lamda2));
end
end
P(j) = 1-prod(1-C);
% 判断阈值
if P(j) < 0.75
P(j) = 0;
end
end
% 计算覆盖比例
Rcov = sum(P(1:end))/Total;
function [fitnessgbest, gbest, yy] = CPSO(N, maxgen, Rs, Re, L, data, X, fitness, lb, ub, dim)

%% 参数初始化
c1 = 2; % 社会认知参数
c2 = 2; % 自我认知参数
Vmax = 2; % 最大速度
Vmin = -2; % 最小速度
u = 4; % 混沌系数
W = 0.8; % 惯性权重

% 初始化速度
V = rand(N, dim).*(Vmax-Vmin)+Vmin;
%% 个体极值和群体极值
[bestfitness, bestindex] = max(fitness);
gbest = X(bestindex, 😃; % 全局最佳
zbest = X; % 个体最佳
fitnessgbest = bestfitness; % 全局最佳适应度值
fitnesszbest = fitness; % 个体最佳适应度值

%% 初始结果显示
x = gbest(1:2:end);
y = gbest(2:2:end);
disp(‘初始位置：’ );
for i = 1:dim/2
disp([num2str(x(i)), ’ ', num2str(y(i))]);
end
disp([‘初始覆盖率：’, num2str(fitnessgbest)]);
% 初始覆盖图
figure;
for i = 1:dim/2
axis([0 L 0 L]); % 限制坐标范围
sita = 0:pi/100:2pi; % 角度[0, 2pi]
hold on;
fill(x(i)+Rscos(sita), y(i)+Rssin(sita), ‘b’);
plot(x(i)+Rscos(sita), y(i)+Rssin(sita), ‘b’);
end
plot(x, y, ‘r+’);
title ‘初始部署’;

%% 迭代寻优
for i = 1:maxgen

for j=1:N
    % 速度更新
    V(j, :) = W*V(j, :) + c1*rand*(zbest(j, :)-X(j, :)) + c2*rand*(gbest-X(j, :));
    V(j, V(j, :) > Vmax) = Vmax;
    V(j, V(j, :) < Vmin) = Vmin;
    % 位置更新
    X(j, :) = X(j, :)+V(j, :);
    X(j, X(j, :) > ub) = ub;
    X(j, X(j, :) < lb) = lb;
    % 计算适应度值
    fitness(j)=fun(X(j, :), L, Rs, Re, data);
end

for j = 1:N
    % 个体最优更新
    if fitness(j) > fitnesszbest(j)
        zbest(j, :) = X(j, :);
        fitnesszbest(j) = fitness(j);
    end
    % 群体最优更新
    if fitness(j) > fitnessgbest
        gbest = X(j, :);
        fitnessgbest = fitness(j);
    end
end
%% 对粒子群最优位置进行混沌优化
Y(1, :) = (gbest-lb)/(ub-lb);           
% logistic
for t = 1:N-1 
    for e = 1:dim
        Y(t+1, e) = u*Y(t, e)*(1-Y(t, e));
    end
end
Y = Y.*(ub-lb)+lb;
for j = 1:N
    fit(j) = fun(Y(j, :), L, Rs, Re, data);
end
% 寻找最优混沌可行解矢量
[ybestfitness, ybestindex] = max(fit);
ran = 1+fix(rand()*N);              % 产生一随机数1~N之间
X(ran, :) = Y(ybestindex, :);
fitness(ran) = ybestfitness;
% 每代最优解存入yy数组
yy(i) = fitnessgbest;

disp(['At iteration ', num2str(i), ', the best fitness is ', num2str(yy(i))]);

end

%% 结果显示
x = gbest(1:2:end);
y = gbest(2:2:end);
disp(‘最优位置：’ );
for i = 1:dim/2
disp([num2str(x(i)), ’ ', num2str(y(i))]);
end
disp([‘最优覆盖率：’, num2str(yy(end))]);
%% 绘图
figure;
plot(yy, ‘r’, ‘lineWidth’, 2); % 画出迭代图
title(‘算法训练过程’, ‘fontsize’, 12);
xlabel(‘迭代次数’, ‘fontsize’, 12);
ylabel(‘网络覆盖率’, ‘fontsize’, 12);
figure
for i = 1:dim/2
axis([0 L 0 L]); % 限制坐标范围
sita = 0:pi/100:2pi; % 角度[0, 2pi]
hold on;
fill(x(i)+Rscos(sita), y(i)+Rssin(sita), ‘k’);
end
plot(x, y, ‘r+’);
title ‘CPSO优化覆盖’;

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
[3]陈暄,顾锦,毛科技,吴吉义.一种改进鲸鱼算法的无线传感器网络定位优化研究[J].传感技术学报. 2021,34(10)
[4]黄如,朱杰,徐光辉.基于蚁群优化算法的传感器网络能量有效性覆盖机制(英文)[J].Journal of Southeast University. 2007,(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合