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. 基础灰狼算法](#1. 基础灰狼算法)
- [2. 三维覆盖模型](#2. 三维覆盖模型)
- [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. 基础灰狼算法
比较常见,此处不再介绍。
2. 三维覆盖模型
三维覆盖模型如下面图1所示。
由于节点随机抛洒,而传感器节点的分布情况会影响网络覆盖率,以 R c o v R_{cov} Rcov作为覆盖率评价标准。在三维覆盖区域中,传感器节点的覆盖区域是某一半径确定的球。在三维监测区域中随机抛洒 N N N个传感器节点,形成节点集 S = { s 1 , s 2 , . . . , s N } (1) S=\left \{ s_{1},s_{2},...,s_{N} \right \} \tag{1} S={s1,s2,...,sN}(1)
其中,第 i i i个节点的坐标为 s i ( x i , y i , z i ) s_{i}(x_{i},y_{i},z_{i}) si(xi,yi,zi)。三维监控节点集合为 L = { l 1 , l 2 , . . . , l N } (2) L=\left \{ l_{1},l_{2},...,l_{N} \right \} \tag{2} L={l1,l2,...,lN}(2)其中,三维监测区域内某个目标点为 l v ( x v , y v , z v ) l_{v}(x_{v},y_{v},z_{v}) lv(xv,yv,zv),三维监控点与目标点的距离为:
d ( s i , l v ) = ( x i − x v ) 2 + ( y i − y v ) 2 + ( z i − z v ) 2 (3) d(s_{i},l_{v})=\sqrt{(x_{i}-x_{v})^{2}+ (y_{i}-y_{v})^{2}+(z_{i}-z_{v})^{2}} \tag{3} d(si,lv)=(xi−xv)2+(yi−yv)2+(zi−zv)2 (3)
若 d ( s i , l v ) ≤ R s d(s_{i},l_{v})\le R_{s} d(si,lv)≤Rs,则目标点在三维覆盖区域内,感知度标记为1;相反,则在三维覆盖区域之外,感知度标记为0。采用布尔感知模型,感知度为:
p ( s i , l v ) = { 1 , d ( s i , l v ) ≤ R S 0 , d ( s i , l v ) > R S (4) p(s_{i},l_{v})=\left\{\begin{matrix} 1,d(s_{i},l_{v})\le R_{S} \\ 0,d(s_{i},l_{v})> R_{S} \end{matrix}\right. \tag{4} p(si,lv)={1,d(si,lv)≤RS0,d(si,lv)>RS(4)
其中,R_{s}为节点的通信半径,假设三维网络中有 k k k个 待测节点 s 1 , s 2 , . . . , s k s_{1},s_{2},...,s_{k} s1,s2,...,sk,对应点 l l l的覆盖率分别为 p ( s i , l v ) p(s_{i},l_{v}) p(si,lv),其中 k a l l k_{all} kall是监测区域内所有待测传感器节点, R p ( k a l l , l v ) R_{p}(k_{all},l_{v}) Rp(kall,lv)为联合感知概率,表达式为:
R p ( k a l l , l v ) = 1 − ∏ i = 1 k ( 1 − p ( s i , l v ) ) (5) R_{p}(k_{all},l_{v})=1-\prod_{i=1}^{k}(1-p(s_{i},l_{v})) \tag{5} Rp(kall,lv)=1−i=1∏k(1−p(si,lv))(5)
网络整体覆盖率为:
R c o v = ∑ i = 1 k R p ( k a l l , l v ) k (6) R_{cov}=\frac{\sum_{i=1}^{k}R_{p}(k_{all},l_{v}) }{k} \tag{6} Rcov=k∑i=1kRp(kall,lv)(6)
其中, R c o v R_{cov} Rcov是传感器网络的整体覆盖率, P P P为区域中的任意一个监测点。以覆盖率为适应度函数,可以检验无线传感网络覆盖性能。
3. 部分代码展示
matlab
for i = 1 : SearchAgents_no
PositionsX( i, : ) = lb + (ub - lb) .* rand( 1, dim );
PositionsY( i, : ) = lb + (ub - lb) .* rand( 1, dim );
PositionsZ( i, : ) = lb + (ub - lb) .* rand( 1, dim );
Fitness(i)=feval(objfun,PositionsX( i, : ),PositionsY( i, : ),PositionsZ( i, : ),dim,r,d);% 得到1行20列的向量,20个蜜源的覆盖率
end
% [ ObjMax, ObjbestI ] = max( Fitness );
[ fMax, fbestI ] = max( Fitness );
bestX = PositionsX( fbestI, : );
bestY = PositionsY( fbestI, : );
bestZ = PositionsZ( fbestI, : );
% 画图
figure(1)
for i=1:dim
x = bestX(1,i);
y = bestY(1,i);
z = bestZ(1,i);
cc(x,y,z,r);
hold on;
end
xlabel('X(m)');
ylabel('Y(m)');
zlabel('Z(m)');
title('优化前覆盖效果');
4. 仿真结果展示
5. 资源获取
可更换其他群智能算法,获取完整代码资源。👇👇👇👀名片