布局优化基于蚁狮算法的无线传感器网(WSN)覆盖优化matlab源码

Posted 2021-08-01 博主QQ2449341593

一、WSN模型

二、蚁狮算法

1.原理

ALO算法模拟了蚁狮在自然界中的捕猎机制。它们的名字来源于它们独特的狩猎行为和它们最喜欢的猎物。蚁狮沿着圆形的路径移动，用它巨大的下颚在沙子中挖出一个锥形的坑。在挖好陷阱后，藏在圆锥形的底部(作为坐等捕食者),等待被困在坑中的昆虫(最好是蚂蚁),如图1所示。实施了蚂蚁随机行走、设置陷阱、用陷阱诱捕蚂蚁、捕捉猎物和重建陷阱等主要步骤。

图1 蚁狮的捕猎行为

2.算法步骤

2.1觅食的蚂蚁随机行走

图2 蚂蚁的随机行走 (3次)

为了模拟蚁狮的捕猎能力，采用了轮盘赌的方法。如图3所示，假设蚂蚁只被困在一只选定的蚁狮中。蚁群算法在优化过程中需要利用轮盘赌轮操作器根据蚁群的适应度选择蚁群。这一机制为更适合的蚁狮捕食蚂蚁提供了更高的机会。

图3 蚂蚁在蚁狮陷阱里的随机行走

2.2设置陷阱

2.3用陷阱诱捕蚂蚁

2.4捕获猎物并重建洞穴

3.伪代码

图4 ALO算法伪代码

三、代码

% Script 布谷鸟算法，求解函数最小值
%
clear all ; 
close all ;
clc ;
N = 25; %　Number of nests(The scale of solution)
D = 10 ; %  Dimensionality of solution
T = 200 ; % Number of iterations
Xmax = 20 ;
Xmin = -20 ;
Pa = 0.25 ; % Probability of building a new nest(After host bird find exotic bird eggs)
nestPop = rand(N,D)*(Xmax-Xmin)+Xmin ;  % Random initial solutions
for t=1:T
    levy_nestPop =  func_levy(nestPop,Xmax,Xmin) ; % Generate new solutions by Levy flights
    nestPop = func_bestNestPop(nestPop,levy_nestPop);  % Choose a best nest among  new and old nests     
    rand_nestPop = func_newBuildNest(nestPop,Pa,Xmax,Xmin); % Abandon(Pa) worse nests and build new nests by (Preference random walk )
    nestPop = func_bestNestPop(nestPop,rand_nestPop) ; % Choose a best nest among  new and old nests
    [~,index] = max(func_fitness(nestPop)) ; % Best nests
    trace(t) = func_objValue(nestPop(index,:)) ; 
end
figure 
plot(trace);
xlabel('迭代次数') ;
ylabel('适应度值') ;
title('适应度进化曲线') ;

 

四、参考文献