一、杂草算法简介（附课题报告）
1 IWO定义
IWO是由A. R. Mehrabian等提出的一种从自然界杂草进化原理演化而来的随机搜索算法，模仿杂草入侵的种子空间扩散、生长、繁殖和竞争性消亡的基本过程，具有很强的鲁棒性和自适应性。
IWO算法是一种高效的随机智能优化算法，以群体中优秀个体来指导种群的进化，以正态分布动态改变标准差的方式将由优秀个体产生的子代个体叠加在父代个体周围，再经过个体之间的竞争，得到最优个体。算法兼顾了群体的多样性和选择力度。
2 IWO搜索与性能
IWO相比其他的进化算法拥有更大的搜索空间和更好的性能。
与GA相比，IWO算法简单，易于实现，不需要遗传操作算子，能简单有效地收敛问题的最优解，是一种强有力的智能优化工具。
3 IWO算法实现步骤
3.1 初始化种群
一定数据的杂草初始分布在搜索空间中，位置随机，个数根据实际情况调整；
3.2子代繁殖
分布在整个搜索空间的父代，根据父代的适应值产生下一代种子，种子的个数由适应度值决定，适应值高的产生的种子多，低的个体产生种子数少。
3.3 空间扩散
子代个体按照一定规律分布在父代个体周围，分布位置规律满足正态分布（父代为轴线（均值），标准差随着代数不断变化）。
3.4 竞争淘汰
当一次繁殖的个体数超过种群数量的上限时，将子代和父代一起排序，适应值低的个体将被清除。
二、部分源代码
% IWO% CPSO% IIWO%% 清空环境变量clearclc%% 网络参数L = 20;% 区域边长V = 24;% 节点个数Rs = 2.5; % 感知半径Rc = 5; % 通信半径Re = 0.05; % 感知误差data = 1; % 离散粒度%% 基本参数N = 30;% 种群规模dim = 2*V;% 维数maxgen = 300; % 最大迭代次数ub = L;lb = 0;%% 初始化种群位置X = rand(N, dim).*(ub-lb)+lb;for i = 1:Nfitness(i) = fun(X(i, :), L, Rs, Re, data);end%% 传入函数变量[bestvalue_IWO, gbest_IWO, Curve_IWO] = IWO(N, maxgen, Rs, Re, L, data, X, fitness, lb, ub, dim);[bestvalue_CPSO, gbest_CPSO, Curve_CPSO] = CPSO(N, maxgen, Rs, Re, L, data, X, fitness, lb, ub, dim);[bestvalue_IIWO, gbest_IIWO, Curve_IIWO] = IIWO(N, maxgen, Rs, Re, L, data, X, fitness, lb, ub, dim);%% 绘图比较figure;t = 1:maxgen;plot(t, Curve_IWO, 'ro-', t, Curve_CPSO, 'kx-', t, Curve_IIWO, 'bp-',...'linewidth', 2, 'linewidth', 1.5, 'MarkerSize',7, 'MarkerIndices', 1:20:maxgen);legend('IWO', 'CPSO', 'IIWO');xlabel '迭代次数';ylabel '覆盖率';function Rcov = fun(Position, L, Rs, Re, data)%% 适应度函数：WSN的覆盖率x = Position(1:2:end);% 获取x轴的坐标y = Position(2:2:end);% 获取y轴的坐标lamda1 = 0.1; % 感知衰减系数lamda2 = 0.1;epsilon1 = 2;epsilon2 = 2;N = length(x);% 节点总个数% 离散化区域内的点m = 0:data:L;n = 0:data:L;k = 1;for i = 1:numel(m)for j = 1:numel(n)p(k, :) = [m(i), n(j)];k = k+1;endendTotal = size(p, 1);% 计算覆盖率for j = 1:size(p, 1)C = zeros(N, 1);for i = 1:Ndij = sqrt((p(j, 1)-x(i))^2+(p(j, 2)-y(i))^2);if Rs-Re >= dijC(i) = 1; % 改变覆盖状态elseif Rs+Re > dijC(i) = exp(-lamda1*(dij-(Rs-Re))^epsilon1/((Rs+Re-dij)^epsilon2+lamda2));endendP(j) = 1-prod(1-C);% 判断阈值if P(j) < 0.75P(j) = 0;endend% 计算覆盖比例Rcov = sum(P(1:end))/Total; function [fitnessgbest, gbest, yy] = CPSO(N, maxgen, Rs, Re, L, data, X, fitness, lb, ub, dim)%% 参数初始化c1 = 2; % 社会认知参数c2 = 2; % 自我认知参数Vmax = 2; % 最大速度Vmin = -2; % 最小速度u = 4;% 混沌系数W = 0.8;% 惯性权重% 初始化速度V = rand(N, dim).*(Vmax-Vmin)+Vmin;%% 个体极值和群体极值[bestfitness, bestindex] = max(fitness);gbest = X(bestindex, :); % 全局最佳zbest = X; % 个体最佳fitnessgbest = bestfitness; % 全局最佳适应度值fitnesszbest = fitness; % 个体最佳适应度值%% 初始结果显示x = gbest(1:2:end);y = gbest(2:2:end);disp('初始位置：' );for i = 1:dim/2disp([num2str(x(i)), '', num2str(y(i))]);enddisp(['初始覆盖率：', num2str(fitnessgbest)]);% 初始覆盖图figure;for i = 1:dim/2axis([0 L 0 L]); % 限制坐标范围sita = 0:pi/100:2*pi; % 角度[0, 2*pi]hold on;fill(x(i)+Rs*cos(sita), y(i)+Rs*sin(sita), 'b');plot(x(i)+Rs*cos(sita), y(i)+Rs*sin(sita), 'b');endplot(x, y, 'r+');title '初始部署';%% 迭代寻优for i = 1:maxgenfor j=1:N% 速度更新V(j, :) = W*V(j, :) + c1*rand*(zbest(j, :)-X(j, :)) + c2*rand*(gbest-X(j, :));V(j, V(j, :) > Vmax) = Vmax;V(j, V(j, :) < Vmin) = Vmin;% 位置更新X(j, :) = X(j, :)+V(j, :);X(j, X(j, :) > ub) = ub;X(j, X(j, :) < lb) = lb;% 计算适应度值fitness(j)=fun(X(j, :), L, Rs, Re, data);endfor j = 1:N% 个体最优更新if fitness(j) > fitnesszbest(j)zbest(j, :) = X(j, :);fitnesszbest(j) = fitness(j);end% 群体最优更新if fitness(j) > fitnessgbestgbest = X(j, :);fitnessgbest = fitness(j);endend%% 对粒子群最优位置进行混沌优化Y(1, :) = (gbest-lb)/(ub-lb); % logisticfor t = 1:N-1 for e = 1:dimY(t+1, e) = u*Y(t, e)*(1-Y(t, e));endendY = Y.*(ub-lb)+lb;for j = 1:Nfit(j) = fun(Y(j, :), L, Rs, Re, data);end% 寻找最优混沌可行解矢量[ybestfitness, ybestindex] = max(fit);ran = 1+fix(rand()*N); % 产生一随机数1~N之间X(ran, :) = Y(ybestindex, :);fitness(ran) = ybestfitness;% 每代最优解存入yy数组yy(i) = fitnessgbest;disp(['At iteration ', num2str(i), ', the best fitness is ', num2str(yy(i))]);end%% 结果显示x = gbest(1:2:end);y = gbest(2:2:end);disp('最优位置：' );for i = 1:dim/2disp([num2str(x(i)), '', num2str(y(i))]);enddisp(['最优覆盖率：', num2str(yy(end))]);%% 绘图figure;plot(yy, 'r', 'lineWidth', 2);% 画出迭代图title('算法训练过程', 'fontsize', 12);xlabel('迭代次数', 'fontsize', 12);ylabel('网络覆盖率', 'fontsize', 12);figurefor i = 1:dim/2axis([0 L 0 L]); % 限制坐标范围sita = 0:pi/100:2*pi; % 角度[0, 2*pi]hold on;fill(x(i)+Rs*cos(sita), y(i)+Rs*sin(sita), 'k');endplot(x, y, 'r+');title 'CPSO优化覆盖';
三、运行结果
四、matlab版本及参考文献
1 matlab版本
a
2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，.
[3]周品.MATLAB 神经网络设计与应用[M].清华大学出版社，.
[4]陈明.MATLAB神经网络原理与实例精解[M].清华大学出版社，.
[5]方清城.MATLAB Ra神经网络设计与应用28个案例分析[M].清华大学出版社，.
