【WSN覆盖】基于灰狼优化算法的三维无线传感器网络覆盖优化三维WSN覆盖优化【Matlab代码#72】

本文主要是介绍【WSN覆盖】基于灰狼优化算法的三维无线传感器网络覆盖优化三维WSN覆盖优化【Matlab代码#72】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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. 基础灰狼算法
- 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. 基础灰狼算法

比较常见，此处不再介绍。

2. 三维覆盖模型

三维覆盖模型如下面图1所示。
在这里插入图片描述

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 $R_{cov}$ 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 $N$ 个传感器节点，形成节点集 $S=\left \{ s_{1},s_{2},...,s_{N} \right \} \tag{1}$
其中，第 $i$ 个节点的坐标为 $s_{i}(x_{i},y_{i},z_{i})$ 。三维监控节点集合为 $L=\left \{ l_{1},l_{2},...,l_{N} \right \} \tag{2}$ 其中，三维监测区域内某个目标点为 $l_{v}(x_{v},y_{v},z_{v})$ ，三维监控点与目标点的距离为：
$d(s_{i},l_{v})=\sqrt{(x_{i}-x_{v})^{2}+ (y_{i}-y_{v})^{2}+(z_{i}-z_{v})^{2}} \tag{3}$
若 $d(s_{i},l_{v})\le R_{s}$ ，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：
$p(s_{i},l_{v})=\left\{\begin{matrix} 1,d(s_{i},l_{v})\le R_{S} \\ 0,d(s_{i},l_{v})> R_{S} \end{matrix}\right. \tag{4}$
其中，R_{s}为节点的通信半径，假设三维网络中有 $k$ 个待测节点 $s_{1},s_{2},...,s_{k}$ ，对应点 $l$ 的覆盖率分别为 $p(s_{i},l_{v})$ ，其中 $k_{all}$ 是监测区域内所有待测传感器节点， $R_{p}(k_{all},l_{v})$ 为联合感知概率，表达式为：
$R_{p}(k_{all},l_{v})=1-\prod_{i=1}^{k}(1-p(s_{i},l_{v})) \tag{5}$
网络整体覆盖率为：
$R_{cov}=\frac{\sum_{i=1}^{k}R_{p}(k_{all},l_{v}) }{k} \tag{6}$
其中， $R_{cov}$ 是传感器网络的整体覆盖率， $P$ 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

for i = 1 : SearchAgents_noPositionsX( i, : ) = lb + (ub - lb) .* rand( 1, dim ); PositionsY( i, : ) = lb + (ub - lb) .* rand( 1, dim );PositionsZ( i, : ) = lb + (ub - lb) .* rand( 1, dim );Fitness(i)=feval(objfun,PositionsX( i, : ),PositionsY( i, : ),PositionsZ( i, : ),dim,r,d);% 得到1行20列的向量，20个蜜源的覆盖率
end% [ ObjMax, ObjbestI ] = max( Fitness );
[ fMax, fbestI ] = max( Fitness );
bestX = PositionsX( fbestI, : ); 
bestY = PositionsY( fbestI, : ); 
bestZ = PositionsZ( fbestI, : );
% 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;
end
xlabel('X(m)');
ylabel('Y(m)');
zlabel('Z(m)');
title('优化前覆盖效果');