【优化覆盖】算术算法求解传感器覆盖优化问题【含Matlab源码 2436期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、算术算法

算术优化算法[16,17,18]是于2021年提出的一种新型元启发式算法，其来源于简单的四则运算“加减乘除”，具有收敛速度快、精度高等特点。

算法初期对种群进行初始化，如公式(4)所示。

式中，N为种群数量，在故障区段定位问题中定义N个解，N越大，解数越多，问题的准确度也越高，但计算时间也随之增加，本文中当N取50时，能获得最好的效果；n为探索空间维度，在故障区段定位问题中代表总节点数；x1,n为第1个解在第n维空间的位置。

初始化种群，先对X的N×n矩阵全部赋0，然后对矩阵X的每行的每个元素进行赋值。定义r为服从[0,1]均匀分布的随机数，当r>0.5时，对元素赋1；当r<0.5时，对元素赋0，最后得到一个0-1分布的矩阵X。

初始化种群后，算法设定了一个数学优化加速系数（Math Optimizer Accelerated，MOA）来控制算法的搜索阶段，即勘探阶段和开发阶段，如公式(5)所示。

式中，C为当前迭代次数；M为最大迭代次数；min为加速系数的相对最小值，该值的大小决定了全局搜索的精度，本文中取0.2；max为加速系数的相对最大值，该值的大小决定了局部搜索的精度，本文中取1。定义r1为服从[0,1]均匀分布的随机数，当r1>MOA时，进行勘探阶段；当r1<MOA时，进行开发阶段。

在后期搜索阶段中，算法又设定了一个概率系数（Math Optimizer probability，MOP）来控制当前阶段的搜索速度，如公式(6)所示。

式中，α是一个敏感参数，定义了迭代过程中的局部搜索精度，本文中取-5。

算法勘探阶段，此时通过乘法运算和除法运算实现全局寻优，定义r2为服从[0,1]均匀分布的随机数，当r2<0.5时，执行除法运算；当r2>0.5，执行乘法运算，其位置更新如公式(7)所示。
算法开发阶段，此时通过加法运算和减法运算实现局部寻优，定义r3为服从[0,1]均匀分布的随机数，当r3<0.5时，执行减法运算；当r3>0.5，执行加法运算，其位置更新如公式(8)所示。

算术优化算法中，MOA的大小取决了算法的搜索阶段，MOA越大，局部搜索精度越高；MOA越小，全局搜索精度越高。对于故障区段定位这一问题，需要对局部进行充分探索，因此，对MOA进行变换，使其由原本的由小变大变换为由大变小，定义其为MOA_T如公式(9)所示。

⛄二、部分源代码

%% 清空环境变量
clc
clear
%% 网络参数
L = 50; % 区域边长
n = 35; % 节点个数
R = 5; % 通信半径
data = 1; % 离散粒度
%% 粒子群参数
maxgen =100; % 迭代次数
sizepop = 10; % 粒子规模
%% 参数初始化
popmax = 50; % 位置最大值
popmin = 0; % 位置最小值
% gbest = zeros(sizepop, 2); % 最优解
%% 随机生成群体位置、速度和对应的适应度值
empty_pop.Position = [];
% empty_pop.V = [];
pop = repmat(empty_pop, sizepop, 1);
for i=1:sizepop
pop(i).Position = rand(n, 2).L; % 初始种群位置
fitness(i) = fun(pop(i).Position(:, 1), pop(i).Position(:, 2), L, R, data); % 粒子群的适应度
end
[bestfitness, bestindex] = max(fitness);
gbest = pop(bestindex).Position; % 群体最优极值
% pbest = pop; % 个体最优极值
fitnessgbest = bestfitness; % 种群最优适应度值
fitnesspbest = fitness; % 个体最优适应度值
%% 初始结果显示
disp(‘初始位置：’ );
disp([num2str(gbest)]);
disp([‘初始覆盖率：’, num2str(fitnessgbest)]);
% 初始覆盖图
figure
for i = 1:n
axis([0 L 0 L]); % 限制坐标范围
x = gbest(:, 1);
y = gbest(:, 2);
sita = 0:pi/100:2pi; % 角度[0, 2pi]
hold on;
p2 = fill(x(i)+Rcos(sita), y(i)+R*sin(sita), ‘y’);
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]尹向兵,吴良超.基于周期果蝇算法的无线传感网覆盖优化[J].赤峰学院学报(自然科学版). 2017,33(16)
[2]王欣阳,王瑞阳,魏云冰.基于算术优化算法的低压配电网故障区段定位方法[J].电子科技.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合