基于加入差分进化策略的杂草算法实现WSN节点优化部署matlab代码

Posted 2021-06-27 博主QQ2449341593

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了基于加入差分进化策略的杂草算法实现WSN节点优化部署matlab代码相关的知识，希望对你有一定的参考价值。

文章目录

一、理论基础

受文献[1]的启发，将差分进化算法的策略应用到入侵杂草算法当中，仿真结果表明，与原来的杂草算法相比，WSN节点部署覆盖率有很大提升。

1、入侵杂草算法

入侵杂草算法(Invasive Weed Optimization，IWO)是C.Lucas和A.R.Mehrabian在2006年通过模拟自然界中杂草扩散入侵过程的随机搜索仿生优化算法。该算法是一种很强大的智能优化算法，具有易于理解、收敛性好、鲁棒性强、易于实现、结构简单等优点，目前，IWO 算法已成功应用在 DNA 序列计算、线性天线设计、电力线通信系统资源分配、图像识别、图像聚类、约束工程设计、压电激励器放置等实际工程问题。

2、杂草特性

杂草最突出的特点是，种子通过动物、水及风等多种传播途径随机散布在田野里，每个种子独立地使用田里的资源，找到适合的生长空间，发挥强大的适应能力，并且充分利用生长环境中的资源，能够获取充分的营养快速生长。在杂草进化和繁殖的过程中，生存能力强的种子繁殖得更快，产生较多的种子。反之，不太适应环境的种子，产生较少的种子。

二、仿真结果与分析

使用与文献[2]相同的覆盖模型，与经典的杂草算法进行对比，分以下两个场景进行仿真分析。
①监测区域20 m × 20 m 20m×20m20m×20m，部署节点总数为24，感知半径为2.5m，通信半径为5m，感知误差半径为0.05m。种群规模为30，分别循环20次，每次迭代300次，覆盖率取平均值。
图1显示了二者覆盖率的变化情况，显然DE_IWO算法优于原始IWO算法。
在这里插入图片描述

图1 覆盖率对比图

图2和图3分别为IWO和DE_IWO算法的优化覆盖图。
在这里插入图片描述

图2 IWO优化覆盖

在这里插入图片描述

图3 DE_IWO优化覆盖

②监测区域50 m × 50 m 50m×50m50m×50m，部署节点总数为35，感知半径为5m，通信半径为10m，感知误差半径为0.1m。种群规模为30，分别循环20次，每次迭代300次，覆盖率取平均值。
图4显示了二者覆盖率的变化情况，显然DE_IWO算法优于原始IWO算法。
在这里插入图片描述