文章目录
-
- 【可更换其他算法,`获取资源`请见文章第5节:资源获取】
- [1. 改进SMA算法](#1. 改进SMA算法)
-
- [1.1 改进参数p](#1.1 改进参数p)
- [1.2 混沌精英突变策略](#1.2 混沌精英突变策略)
- [2. WSN节点感知模型](#2. WSN节点感知模型)
- [3. 部分代码展示](#3. 部分代码展示)
- [4. 仿真结果展示](#4. 仿真结果展示)
- [5. 资源获取](#5. 资源获取)
【可更换其他算法,获取资源
请见文章第5节:资源获取】
1. 改进SMA算法
2020年,LIS.M.等提出了一种新型群体智能优化算法,即黏菌算法(Slime Mould Algorithm, SMA),通过建立粗细不一的食物网模拟了黏菌的捕食行为。 此算法具有较强的全局探索能力,已广泛应用于优化应用领域。 针对黏菌算法在无线传感器网络覆盖上存在的不足, 我们提出了一种改进的黏菌算法。
1.1 改进参数p
在原始SMA中,参数p决定了黏菌的探索和开发能力。对于WSN覆盖问题,最优个体的适应度与其他个体的适应度相差较小,容易陷入局部最优而无法寻找到更优的解。为了使开发和探索更加平衡,
对p进行重构,其表达式如下:
1.2 混沌精英突变策略
在原始SMA中,种群的位置需要通过最优位置和随机位置引导,虽然这种算法有利于增大候选解跳出局部最优的可能性,但随机数的不确定性导致SMA的收敛速度变慢。为了改善算法依靠随机位置和最优位置的问题,提高算法的收敛速度,本文考虑到混沌序列的随机性、遍历性和整体稳定的特点,对
最优解进行混沌精英突变,具体实现过程如下。
2. WSN节点感知模型
本文所使用的模型是传感器部署研究中最常见的一种感知模型-布尔感知模型。布尔感知模型比较简单,定义如下:N节点的感知范围是以节点N为圆心,以Rs为半径的一个圆形区域,其中Rs是由节点的物理特性决定的,名为感知半径。只有落在该圆形区域内的目标点p才能视为被节点N覆盖。这个模型也被称为0-1感知模型。
图1 布尔感知模型图
首先,假设目标监测网络为矩形区域,监测区域内分布有若干节点,每个节点的覆盖范围为以节点位置为圆心,监测半径为Rs的圆;其次,将目标监测区域进行离散化处理,形成若干监测点,根据0-1感知模型计算各检测点的感知概率;最后,通过计算覆盖监测点数占整个检测区域总点数来计算网络覆盖率大小。
3. 部分代码展示
matlab
%%%%%%%%%%%%%基于改进黏菌优化算法的WSN覆盖问题%%%%%%%%%%%%%
tic % 计时器
%% 清空环境变量
close all;
clear;
clc
%% 参数设置
FoodNumber=30; % 种群数量,Number of search agents
Max_iteration=500; % 最大迭代次数,Maximum numbef of iterations
dim=40;
objfun='WSNcover';
w=50;% 边界宽
R=5;
lb=ones(1,dim)*(0); % 参数取值下界
ub=ones(1,dim)*w; % 参数取值上界
% 改进后的ISMA算法
[Alpha_score_SMA,Alpha_posX_SMA,Alpha_posY_SMA,Convergence_curve_SMA]=ISMA(FoodNumber,Max_iteration,lb,ub,dim,objfun,R,w);
%% 打印参数选择结果
disp('打印结果');
fprintf('ISMA算法优化后的最佳覆盖率为 %8.5f\n', Alpha_score_SMA);
4. 仿真结果展示
改进后的ISMA用于WSN覆盖
原始SMA用于WSN覆盖
5. 资源获取
可以获取完整代码资源。👇👇👇👀名片