600字范文 > 【WSN覆盖】基于樽海鞘算法的三维无线传感器网络覆盖优化三维WSN覆盖优化【Matlab代

【WSN覆盖】基于樽海鞘算法的三维无线传感器网络覆盖优化三维WSN覆盖优化【Matlab代

时间：2021-11-29 04:28:50

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. 原始樽海鞘算法2. 三维覆盖模型3. 部分代码展示4. 仿真结果展示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. 原始樽海鞘算法

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

FoodNumber=30; %种群数量maxCycle=500; %最大迭代次数dim=30; %待优化参数数量P_percent = 0.2; %发现者比例pNum = round( FoodNumber * P_percent ); %发现者数量objfun='WSNcover';c=0; %下限d=50; %上限r=10; %边界宽lb= c.*ones( 1,dim ); % Lower limit boundsub= d.*ones( 1,dim ); % Upper limit boundsfor i = 1 : FoodNumberFoodsX( i, : ) = lb + (ub - lb) .* rand( 1, dim ); FoodsY( i, : ) = lb + (ub - lb) .* rand( 1, dim );FoodsZ( i, : ) = lb + (ub - lb) .* rand( 1, dim );ObjVal(i)=feval(objfun,FoodsX( i, : ),FoodsY( i, : ),FoodsZ( i, : ),dim,r,d);Fitness(i)=calculateFitness(-ObjVal(i));% 得到适应度值，覆盖率越高，适应度值越高endpFit = Fitness;pObj = ObjVal;pX = FoodsX; pY = FoodsY;pZ = FoodsZ;[ ObjMax, ObjbestI ] = max( ObjVal );[ fMax, fbestI ] = max( Fitness );bestX = FoodsX( fbestI, : ); bestY = FoodsY( fbestI, : ); bestZ = FoodsZ( fbestI, : );HistoryObjMax = [1,maxCycle];% 画图figure(1)for i=1:dimx = bestX(1,i);y = bestY(1,i);z = bestZ(1,i);cc(x,y,z,r);hold on;endxlabel('X(m)');ylabel('Y(m)');zlabel('Z(m)');title('优化前覆盖效果');