【优化覆盖】改进的鲸鱼算法求解无线传感器WSN覆盖优化问题【含Matlab源码 XYQMDXP001期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab优化求解仿真内容点击👇
Matlab优化求解（仿真科研站版）

⛄一、鲸鱼算法简介

1 鲸鱼算法
鲸鱼算法(Whale Optimization Algorithm, WOA)[15]是一种模仿大自然海洋中的鲸鱼动物进行捕食猎物的元启发式的智能优化算法，它的核心思想主要包括三个行为：包围捕食、气泡袭击和寻找猎物。在鲸鱼算法中，设定整个鲸鱼种群规模为N,在D维搜索空间中搜索最优解，第i只鲸鱼在第D维空间中的位置表示为Xi=(X1i,X2i,…XDi),i=1,2,…N,猎物的位置就是对应问题的全局最优解。

1.1 包围捕食
在算法的初始阶段，鲸鱼能够识别猎物的位置并进行包围，但是算法并没有事先设定全局最优的位置，因此设定当前群体中的最优位置为所需要捕获的猎物，指引种群中的其他鲸鱼个体向着当前的最优个体靠拢捕食，使用式(10)进行个体的更新位置：
X(t+1)=Xp(t)-A|CXp(t)-X(t)| (10)
式中：t为当前迭代次数，Xp(t)=(X1p,X2p,…,XDp)为局部最优解，A|CXp(t)-X(t)|为包围步长，参数A和C表达如下所示：
A=2arand1-a (11)
C=2rand2 (12)
式中：rand1和rand2表示(0,1)之间的随机数，a为收敛因子，伴随着迭代次数的逐渐增加，其值从2线性递减到0。a的表达如下
a=2−2ttmax (13)
式中：tmax为最大迭代次数。

1.2 气泡攻击
鲸鱼算法通过收缩包围和螺旋更新位置模拟鲸鱼捕食吐出气泡捕捉食物的行为，从而达到鲸鱼局部寻优的目的。
①收缩包围机制
根据式(11)、式(13)模拟鲸鱼进行收缩包围，当|A|<1的时，鲸鱼个体向着当前最优位置的鲸鱼个体靠近，并且|A|值越大，鲸鱼个体的游走步伐就越大，否则步伐就减少。
②螺旋更新位置
鲸鱼个体计算与当前最优位置鲸鱼之间的距离，以螺旋方式进行猎物的搜索，螺旋游走方式的表达式如下所示：
X(t+1)=D′elbcos(2πl)+Xp(t) (14)
式中：D′=|Xp(t)-X(t)|表示第i只鲸鱼个体与最优位置的鲸鱼之间的距离，b表示用于限定对数螺旋形状的常数，l表示一个随机数，其值为[-1,1]。在优化过程中选择收缩包围机制和螺旋位置更新的概率相同都取值为0.5。

1.3 寻觅猎物阶段
上述行为都是鲸鱼在进行局部范围的寻找解的方式，其实鲸鱼算法也可以随机寻找当前鲸鱼个体进行全局优化，其表达式为：
X(t+1)=Xrand(t)-A|CXrand(t)-X(t)| (15)
式中：Xrand(t)是当前群体中随机选取的鲸鱼个体位置。

2 改进的鲸鱼算法的节点定位研究
像大部分元启发式算法一样，鲸鱼算法存在易陷入局部最优且收敛速度慢等缺点。为了更好提高鲸鱼算法在节点定位中效果。从以下三个方面进行算法改进：采用神经网络算法提高鲸鱼初始位置的多样性；通过优化非线性和自适应策略避免算法过早陷入局部最优；通过二次插值进行个体筛选缓解鲸鱼位置多样性衰减。

2.1 种群初始化
本文提出一种基于深度神经网络(Deep Neural Network, DNN)构架的最优种群初始化过程。其整体结构如图1所示。

图1 基于深度神经网络的种群初始化过程
图1显示了鲸鱼算法通过深度神经网络初始化的过程，其步骤如下：

步骤1 假设随机初始化种群xi,i∈1,2,…,N;假设一共有M层网络，其中第j层网络层第i个节点多对应的N个网络权值为wk,i,j,k∈1,2,…,N,j∈1,2,…,M;第j个网络层的输入为Ii,j;第j个网络层的输出为Oi,j;第j个网络层的激活函数为ψj;第j个网络层的第i个节点偏移值为θi,j;那么Oi,j的表达式可以表示为：

根据式(16)可以获得第j+1个网络层的输出为Oi,j+1,其可以表示为：

步骤2 深度学习神经网络的学习和训练。首先通过穷举法产生一定规模范围内的样本数据，然后通过深度学习进行训练获得可以满足任意规模的网络模型。深度学习神经网络根据初始化产生的种群，依靠深度神经网络中的训练和学习使得种群具有多样性。为了能够让神经网络收敛，因此引入熵函数作为该模型的激活函数，即式(18)所示。深度学习神经网络中定义训练目标函数为归一化后的初始位置和重心之间的距离，如式(19)所示：

式中：μ表示xi的均值，当式(18)的结果为0,表示种群完全没有多样性，当结果越接近1,则表示多样性越大。在深度学习神经网络中将随机产生的种群xi作为网络的输入数据，将网络输出结代入式(18)得到的值作为深度学习神经网络的训练目标。

步骤3 获得多样性种群。假设通过训练之后，得到网络权值为wlearningk,i,j,熵激活函数ψj=Hj(X),然后将随机产生的鲸鱼经过神经网络变换后得到熵更大的鲸鱼集合，作为鲸鱼算法的输入。其数学表达式为：

此时，由式(20)得到的Oi,j,i∈1,2,…,N即具有尽可能大的多样性种群。

2.2 参数优化
在鲸鱼算法中，参数A和C决定着鲸鱼个体位置的更新，而另一个参数a直接决定着A的数值变化，由于算法中参数a的值被设定为2～0之间的线性变化范围，因此一定程度上无法有效的体现算法的个体寻优的过程，容易导致算法在后期才进行局部搜索，延长了算法的搜索时间，为了使个体能够尽快进入局部搜索阶段，针对参数a提出一种非线性变化的策略，公式如下：

a=1-arctan(t/tmax) (23)

从式(23)的中发现非线性变化策略能够使得参数a的值在算法前期迅速减小，使得鲸鱼个体尽早进入局部搜索阶段，提升算法求解精度与收敛速度，而另外一个参数C在鲸鱼算法仅仅是一个(0,2)随机数，根据粒子群算法中关于位置更新的启发，在鲸鱼的全局阶段中优化参数C能够减少了搜索的不确定性，使得鲸鱼个体位置更新具有自适应性，较好的保持区域搜索和局部勘探的能力。因此，本文针对参数C进行如下优化：

式中：Cmin和Cmax分别表示参数的最小值，最大值，f表示当前鲸鱼个体的适应度值，fmin和fave分别表示适应度值的最小值和平均值。

随着迭代次数的不断增大，算法逐渐运行到后期，鲸鱼个体的搜索能力会呈现逐渐减弱的趋势，这主要是因为种群多样性正在逐渐消失。二次插值[16]16]作为一个搜索算子，它能够提高启发式算法中的个体的搜索寻优能力，其中心思想是不断使用二次多项式来近似目标函数，并使用插值多项式中的极小的值逼近搜索问题的极小点。假设X=(x1,x2,…,xd),Y=(y1,y2,…,yd),Z=(z1,z2,…,zd)是三个个体，适应度值分别是f(X),f(Y),f(Z),采用二次插值法，根据式(25)产生一个个体

2.3 个体筛选
在更新所有个体位置的同时将所有个体的适应度值从小到大进行排序，依次取出个体Mk,Mk+1,Mk+2,通过式(25)生成新的个体M¯¯¯¯k,按照式(26)对比Mk和M¯¯¯¯k的适应度值，然后选择优秀的个体进行下一次迭代。

2.4 改进算法渐近性分析
定理1 IWOA算法具有适应度渐进性，假设在第t次迭代的时，算法找到的最优鲸鱼个体位置为xt,{dt|dt=f(xt)-f(x*),1≤t≤T}为算法生成的非负随机过程。当f(xt)>f(x),存在一个正常数τ,使得E(dt+1)≤E(dt)-τ,则该优化算法具有适应度渐进性。

证明过程：
由于优化过程是搜索最小化寻优参数，那么存在某个迭代次数t,使得下一次迭代t+1的xt+1大于t次的xt,他们对应的适应度函数值满足f(xt+1)<f(xt)。(xt表示的是最优鲸鱼个体的位置),那么本文可以假设E[f(xt+1)-f(xt)]=-τt+1,τt+1为一个正常数。
E(dt+1)-E(dt)=E(dt+1-dt)=E[f(xt+1)-f(x*t)]=-τt+1

那么对于0<t≤T,则存在τ1,τ2,…,τT的最小值，我们假设τ=min{τ1,τ2,…,τT},那么上面的公式可以表示为：E(dt+1)-E(dt)=-τt+1≤-τ。
证明完毕
定理2IWOA算法具有全局最优解渐进性。令第t次迭代时算法找到的距离全局最优解最近的鲸鱼个体位置为x′t,{Dt|Dt=f(x′t)-f(x*),1≤t≤T}为算法生成的非负随机过程，当x′t≠x*时，存在一个正常数ε,使得E(Dt+1)=E(Dt)-ε。
证明过程：
E(Dt+1)-E(Dt)=E(Dt+1-Dt)=E[f(x′t+1)-f(x′t)]

假设第t次迭代IWOA算法最优解的集合为St,其通过算法中的行为更新之后，得到新的集合S′t,那么第t次迭代将要搜索的最优解的空间范围为S1=St∪S′t,选择更新前后，最优解空间的相同解空间为为S2=St∩S′t,那么新的最优解可以表示为S′t-St∩S′t,那么存在如下两个情况：①如果新的最优解比原来的t次迭代时的最优解差，那么此时，最优解的鲸鱼个体依然选择原来的最优解对应的鲸鱼个体。那么存在一个参数k使得在迭代次数t-k+1时，S′t-k+1-St-k+1∩S′t-k+1≠Φ即t-k+1时刻，其相对于t-k时刻，新增加的最优解不是空集。那么在St-k+1中存在最优解x′t-k+1使得其更接近最优解x*,但x′t-k+1≠x*,那么显然E[f(x′t-k+1)-f(x′t-k)]=E(-ε)=-ε,此时E(Dt-k+1)-E(Dt-k)=-ε,取t′=t-k,即得到E(Dt′+1)-E(Dt′)=-ε;②如果新的最优解数值比原来的t次迭代时的最优解好，那么在最优解鲸鱼个体在选择过程中将从优化后的鲸鱼算法选择得到。此时，S′t-St∩S′t≠Φ那么在St′中存在最优解x′t使得其更接近最优解x*,但x′t≠x*,那么显然E[f(x′t+1)-f(x′t)]=E(-ε)=-ε,此时E(Dt+1)-E(Dt)=-ε。

证明完毕

2.5 算法步骤
步骤1 建立无线传感网络中的节点定位与鲸鱼算法之间的对应关系。即鲸鱼算法将节点定位问题中的每一个解当作鲸鱼个体。在鲸鱼算法的每次迭代中，通过设定的适应度函数来判别当前鲸鱼的优劣，最后寻找最优的鲸鱼个体来获得最佳的节点定位。鲸鱼算法适应度函数表达式如下：

式中：(x,y)表示待观测的节点的位置，(xi,yi)表示第i个已知节点的位置，通过求解的fitness(i)最小值来获得节点位置；
步骤2 初始化鲸鱼算法的相关参数和节点定位相关参数，设置最大迭代次数；
步骤3 按照3.1节采用基于深度神经网络的种群初始化；
步骤4 按照3.2节中的式(22)、式(23)对式(10)、式(11)进行包围捕食行为进行更新；
步骤5 执行气泡攻击和寻觅食物；
步骤6 按照3.3节在每次迭代后根据式(25)、式(26)进行个体筛选；
步骤7 判断是否优化达到Tmax,如果达到则找到最优的鲸鱼个体即待测节点最优位置的近似值，否则转步骤4,迭代次数加1。

⛄二、部分源代码

⛄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]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)

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
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

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