WSN布局基于差分进化策略结合杂草算法实现WSN节点优化部署matlab源码

Posted MatlabQQ1575304183

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WSN布局基于差分进化策略结合杂草算法实现WSN节点优化部署matlab源码相关的知识,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

图4 覆盖率对比图

图5和图6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5 IWO优化覆盖

在这里插入图片描述

图6 DE_IWO优化覆盖

三、参考文献

[1] 范宏, 刘自超, 郭翔. 基于差分进化入侵杂草算法的含分布式电源配电网重构[J]. 可再生能源, 2019, 37(04):75-81.
[2] 徐钦帅, 何庆, 魏康园. 改进蚁狮算法的无线传感器网络覆盖优化[J]. 传感技术学报, 2019, 32(02):266-275.

完整代码或者仿真咨询添加QQ1575304183

以上是关于WSN布局基于差分进化策略结合杂草算法实现WSN节点优化部署matlab源码的主要内容,如果未能解决你的问题,请参考以下文章

布局优化基于差分进化算法的无线传感器网(WSN)覆盖优化

布局优化基于差分进化算法的无线传感器网(WSN)覆盖优化

WSN布局基于改进鲸鱼算法实现WSN节点优化覆盖matlab代码

布局优化基于布谷鸟算法实现无线传感器网(WSN)覆盖优化 Matlab源码

布局优化基于布谷鸟算法实现无线传感器网(WSN)覆盖优化 Matlab源码

WSN布局基于樽海鞘群算法实现WSN节点优化部署