【优化覆盖】粒子群算法求解传感器覆盖优化问题【含Matlab源码 598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、无线传感器网络覆盖优化问题简介

1无线传感器网络覆盖优化问题
1.1 无线传感器网络模型
在无线传感器网络中, 节点数量以及节点划分区域直接关系着无线传感器网络对目标事物覆盖死角面积, 增多节点数量能够提高网络覆盖密度。将节点更多地划分在离目标事物距离近的区域内, 可以增强网络数据传输的安全性和准确性。无线传感器网络认知模型搭建的目的就是对无线传感器网络的覆盖死角进行定义和测量, 为此, 基于粒子群算法的无线传感器网络覆盖优化方法可看成是对认知模型的参数优化问题。

传感器网络节点容易受到噪音和电磁波的扰乱造成传输误差, 这些因不可抗拒因素导致的一系列缩减网络覆盖率问题被统称为无效事件。设无线传感器网络认知模型在起点坐标为S、终点坐标为p的节点上测量到存在无效事件的几率为P (S, p) , 降低P (S, p) 即可提高覆盖率。P (S, p) 的定义式为:

式中:β是节点认知力衰减函数;d (S, p) 表示S与p之间的欧几里得度量。

从式 (1) 中能够明显看出, 如果d (S, p) =0, 则P (S, p) =1, 此时的模型测量工作是无意义的。为此, 需要对式 (1) 进行改进, 为其指定一个节点几率约束值r, 则式 (1) 可变更为:

式 (2) 可表示无线传感器网络认知模型的最终表达式, 从中能够得知, 模型已将无线传感器网络覆盖优化工作转化成在r≤d (S, p) <2r条件下的P (S, p) 最小值问题。

1.2 覆盖率优化问题描述
将无线传感器网络对目标物体的监控区域看成一个二维区域, 二维区域中存在N个已知坐标的节点, 设区域中所有节点的认知半径均为R1, 节点传输半径均为R2。若想在维系网络稳定通信的同时将电磁波的不良影响降至最低, 可令R2=2R1。

式中:β1, β2是无线传感器网络节点的测量项目数据;λ1, λ2是参数, λ1=r+d, λ2=2r-d。

将式 (3) 耦合可以得到无线传感器网络覆盖率的表达式:

2 粒子群算法的传感器网络覆盖优化
根据上述描述, 使用粒子群算法优化无线传感器网络覆盖率, 简要介绍粒子群算法的基本原理, 对网络覆盖优化流程进行重点设计。

2.1 粒子群算法的工作原理
粒子群算法是进化算法的一个流派, 也是生物随机索引算法中的一个分支, 是当前的研究热点。粒子群算法的基本原理如图1所示。

图1 粒子群算法基本原理
由图1可知, 粒子群算法的实现非常简单, 其基本原理就是使用迭代方式得到最优解, 对粒子的速度和坐标进行实时更新。算法先初始化粒子, 将历史最优解赋予粒子。在算法进入迭代流程前, 先设置一个位置参数g的最大值, 即循环系数, 负责控制算法的迭代次数。每迭代一次, 位置参数g的值便增加1, 当g大于循环系数, 则停止迭代。粒子群算法的迭代工作可得到粒子适应度, 并以适应度为标准依次更新粒子的历史最优解、粒子群最优解以及粒子的速度和坐标。粒子速度vN1与坐标xi1的更新方程为:

式中:vN, xi是粒子初始设定值;c1, c2是粒子群算法的学习因子, 通常取值为2;rand1, rand2是随机参数;bestN是粒子适应度约束值。

2.2 无线传感器网络覆盖优化流程
基于粒子群算法的无线传感器网络覆盖优化方法的优化流程如图2所示。

图2 无线传感器网络覆盖优化流程
首先对模型进行编码, 其目的是固定节点位置, 粒子群算法的编码是一种二进制百兆数据码, 编码长度与无线传感器网络节点数量相等。当模型中节点参数满足r≤d<2r, 为获取P (x, y, cN) 的最大值, 粒子群算法的编码结果应满足下式:

式 (6) 中的元素取值为0或1, 0表示传感器节点可以被重新安置, 1表示固定节点。

适应度是评价最优解质量的函数, 在粒子群算法进行迭代工作前, 需要提前设置适应度函数并计算出无线传感器网络认知模型的初始适应度, 方便对迭代结果进行对比, 输出最合适的节点优化位置, 实现对无线传感器网络覆盖率的最佳优化。

在式 (6) 给出的编码基础上, 使用式 (7) 计算模型适应度:

式中:无线传感器网络覆盖率瞬时值R1可通过式 (4) 进行求取;w1和w2分别表示R1在无线传感器网络中的初始权重和实际权重。

当式 (7) 满足w1+w2=1时, P (x, y, cN) 可达最大值。因此, 粒子群算法迭代工作的目标就是令w1+w2=1。实现迭代目标后, 基于粒子群算法的无线传感器网络覆盖优化方法需要对无线传感器网络的节点位置进行更新, 并输出优化后的无线传感器网络覆盖率。

⛄二、部分源代码

close all
clear
clc
addpath(genpath(cd))
warning(‘off’)
%%
N=10; % 节点数
area=[10,10]; % 以米为单位的节点部署区域
Trange=2; % 传感器节点的传输范围（以米为单位）
nodes.pos=area(1).rand(N,2);% 节点地理位置
lambda=0.125; % 以米为单位的信号波长
nodes.major = Trange; % 椭圆范围的长轴，以米为单位
nodes.minor = lambdaTrange; % 椭圆范围的短轴，以米为单位
% redundantNo=9; % 愈合节点数
redundantNo=round(10*N/100);
%% 绘制节点部署
cnt=1;
for ii=1:N
for jj=1:N
if ii~=jj
nodes.distance(ii,jj)=pdist([nodes.pos(ii,:);nodes.pos(jj,:)]);
if nodes.distance(ii,jj)<Trange || nodes.distance(ii,jj)==Trange
nodes.inrange(ii,jj)=1;
else
nodes.inrange(ii,jj)=0;
end
end
end
end

⛄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]张红霞.基于粒子群算法的无线传感器网络覆盖优化[J].现代电子技术. 2017,40(09)

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