基于改进花朵授粉算法实现无线传感器网络部署优化附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，

代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

🔥 内容介绍

针对监测区域内含有障碍物的无线传感器网络(Wireless Sensor Networks，WSNs)异构节点部署优化问题，在花朵授粉算法(Flower Pollination Algorithm，FPA)的基础之上，提出了一种改进的花朵授粉算法(Improved Flower Pollination Algorithm，IFPA)用于改善原有算法收敛速度慢、精度不够高的不足。设计非线性收敛因子以约束原有的缩放因子，采用 Tent 映射以维持迭代后期种群的多样性，而贪心交叉策略则是以较优的个体辅助较差个体搜索。基准函数实验验证了 IFPA 具有较好的收敛性能，而 WSN 部署的仿真实验表明 IFPA 可得到较高的覆盖率，可节约网络部署成本。

📣 部分代码

%%主程序clc;clear ;close all;​​​global N;global M;global L;global W;global Grid_cen_x;global Grid_cen_y;global Grid_cen_x_and_y;global ger;L = 50;%长W = 50;%宽%假设1平方米一个网格M = 2500;%网格总数r_max = 7;%感知半径为5r_mid = 6;r_min = 5;energy_max = 100;%最大的能量energy_mid = 90;energy_min = 80;​per_sersons_radius_type = [r_max,r_mid,r_min];%假设大、中为5，剩下为小N = 35;%30个传感器节点sizepop = 50;%种群规模dimension = 2;% 空间维数  前行放x、y，第三行放半径ger = 200;% 最大迭代次数pos_limit = [0, 50];            % 设置位置参数限制%个数限制r_max_num = 1;%序号为1-5r_mid_num = 2;%序号为6-10r_min_num = N - r_max_num - r_mid_num; %序号为11-N​​struct_pop_per = struct('per',[],'radius',[],'energy_init',[],'energy_end',[],'sersons_num',[]);%结构体类型struct_pops = repmat(struct_pop_per,[1 sizepop]);%生成结构体数组,1行20列​struct_pops_temp =  repmat(struct_pop_per,[1 sizepop]);%临时的一个种群​energy_init_arr = zeros(1,N);energy_end_arr = zeros(1,N);radius_arr = zeros(1,N);​%先初始化了能量和半径  这个是统一的for k=1:N    if k>=1 && k <=r_max_num        radius_arr(1,k) = r_max;        energy_init_arr(1,k) = energy_max;       energy_end_arr(1,k) = energy_max;    elseif k>=r_max_num+1 && k <= (r_max_num + r_mid_num)       radius_arr(1,k) = r_mid;        energy_init_arr(1,k) = energy_mid;       energy_end_arr(1,k) = energy_mid;    else       radius_arr(1,k) = r_min;        energy_init_arr(1,k) = energy_min;       energy_end_arr(1,k) = energy_min;    endend​​%生成节点数据、能量、半径结构体for i=1:sizepop    %初始化节点位置坐标    x = L*rand(1,N);%随机生成节点的横坐标    y = W*rand(1,N);%随机生成节点的列坐标    struct_pops(i).per(1,:) = x;    struct_pops(i).per(2,:) = y;        %初始化半径和能量    struct_pops(i).radius(1,:) = radius_arr;    struct_pops(i).energy_init(1,:) = energy_init_arr;    struct_pops(i).energy_end(1,:) = energy_end_arr;        %初始化节点个数    struct_pops(i).sersons_num = [r_max_num,r_mid_num,r_min_num];end​​​%%初始的部署后画图  拿第一个粒子拿去初始画图​%求网格中心坐标X_mat = (0:1:50);%x矩阵Y_mat = (0:1:50);%y矩阵Grid_cen_x = zeros(1,L/1);%网格中心点x坐标Grid_cen_y = zeros(1,W/1);%网格中心点y坐标%前后两者相加之和除以2for i=1:L/1    Grid_cen_x(i) = (X_mat(i)+X_mat(i+1))/2;    Grid_cen_y(i) = (Y_mat(i)+Y_mat(i+1))/2;end​%%把横纵坐标丢到一个二维矩阵当中%用于转坐标  第一行放x轴 第二行放y轴，同一列放一个点坐标%且先存靠近x坐标的第一行，然后往上存第二行%网格中心坐标Grid_cen_x_and_y = zeros(2,M);k = 1;for i=1:L/1    for j=1:W/1        Grid_cen_x_and_y(1,k) = Grid_cen_x(j);%把x坐标放到第一行        Grid_cen_x_and_y(2,k) = Grid_cen_y(i);%把y坐标放到第二行        k = k+1;%下一个点    endend​​x_pos = struct_pops(1).per(1,:);%第一个粒子   粒子即是解  的x坐标y_pos = struct_pops(1).per(2,:);%第一个粒子   粒子即是解  的y坐标sersors_r = struct_pops(1).radius;%第一个粒子 ​​​​%进行画图figure(1);draw_circle(x_pos,y_pos,sersors_r);title('初始化部署图');hold on;struct_first_init_wolf = struct_pops(1);%存第一只狼数据​%保存一份第一只狼的数据struct_first_init_public = struct_first_init_wolf;save struct_first_init_public.mat struct_first_init_public;​​​%把随机部署的点的坐标放到矩阵当中sensor_mat = zeros(2,N);%预分配内存for i=1:N    sensor_mat(1,i) = x_pos(i);    sensor_mat(2,i) = y_pos(i);end​%存放三种节点的数目per_sersons_num = struct_pops(1).sersons_num;%存放三种节点的半径​​%%初始化得到联合概率和节点浪费率[cover_rate,waste_rate] =  get_Grid_cover_unit_and_rate_waste(sensor_mat,sersors_r,per_sersons_num,per_sersons_radius_type);disp(['初始化的覆盖率：',num2str(cover_rate)]);disp(['初始化的浪费率：',num2str(waste_rate)]);​​​%%计算连通性  第一个节点初始化时的连通性is_connec = get_connection(sensor_mat,sersors_r);if is_connec==1    disp('连通');else    disp('非连通');end​​​​%%初始化种群历史值为  无穷小   inf为无穷大best_fitness = -inf;                         % 种群历史最佳适应度  struct_best_indivi = struct_pop_per;                 % 保存优秀个体struct_best_indivi_fitness = struct('cover_rate',[],'waste_rate',[],'energy_rate',[],'function_rate',[]);%适应值结构体类型struct_best_indivi_fitness_all = repmat(struct_best_indivi_fitness,[1 1]);%预分配内存%%在上面已经画图了%%以上为画出初始化时，50个粒子开始的位置wolf_one_dis =  zeros(2,N);%第一只狼距离食物的距离wolf_two_dis = zeros(2,N);%第二只狼距离食物wolf_three_dis = zeros(2,N);%第三只狼距离食物wolf_one = zeros(2,N);%第一只狼wlof_two = zeros(2,N);%第二只狼wolf_three = zeros(2,N);%第三只狼wolf_cover_fitness = zeros(sizepop,1);%个体覆盖率wolf_waste_fitness = zeros(sizepop,1);%个体浪费率wolf_energy_fitness = zeros(sizepop,1);%个体能耗率  化成1/xx形式 wolf_function_fitness = zeros(sizepop,1);%三个函数的结合weight_rate = [1,0,0];%设置权重，覆盖率应该是最大的​​wolf_fitness_temp = zeros(sizepop,1);%临时保存当前适应度%% 群体更新iter = 1;record_ger = zeros(ger, 1);          % 记录每次迭代中最好的适应值 record_pop_ave = zeros(ger,1);       % 记录种群适应值的平均值​​%因为第一代中的第一个个体用来当做初始，故得考虑重新生成第一个个体 只生成坐标new_first_per = [L*rand(1,N);W*rand(1,N)];struct_pops(1).per = new_first_per;​struct_pop_public = struct_pops;%公共的初始种群%保存种群到wolf_pop_public.mat文件中save struct_pop_public.mat struct_pop_public;​​disp('数据初始化完成');

⛳️ 运行结果

🔗 参考文献

[1]王振东,谢华茂,胡中栋,et al.改进花朵授粉算法的无线传感器网络部署优化[J].系统仿真学报, 2021.DOI:10.16182/j.issn1004731x.joss.19-0580.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码、论文复现、期刊合作、论文辅导及科研仿真定制

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

2.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

3 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

4 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、无人机安全通信轨迹在线优化

5 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

6 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

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合