【WSN覆盖】基于麻雀搜索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#26】

---

【可更换其他算法，获取资源请见文章第5节：资源获取】

---

1. SSA算法

2. 三维覆盖模型

三维覆盖模型如下面图1所示。

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 = { s 1 , s 2 , . . . , s N } (1) S=\left \{ s_{1},s_{2},...,s_{N} \right \} \tag{1} S={s1​,s2​,...,sN​}(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 = { l 1 , l 2 , . . . , l N } (2) L=\left \{ l_{1},l_{2},...,l_{N} \right \} \tag{2} L={l1​,l2​,...,lN​}(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：
$$d(s_i,l_v)=\sqrt{(x_i-x_v{)}^2+(y_i-y_v{)}^2+(z_i-z_v{)}^2}\text{\hspace{1em}(3)}$$
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：
$$p(s_i,l_v)=\{\begin{array}{c}1,d(s_i,l_v)\le R_S\\ 0,d(s_i,l_v)>R_S\end{array}\text{\hspace{1em}(4)}$$
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：
$$R_p(k_{all},l_v)=1-\prod _{i=1}^k(1-p(s_i,l_v))\text{\hspace{1em}(5)}$$
网络整体覆盖率为：
$$R_{cov}=\frac{{\sum }_{i=1}^k{R}_p(k_{all},l_v)}{k}\text{\hspace{1em}(6)}$$
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

FoodNumber=30; %种群数量
maxCycle=500; %最大迭代次数
dim=30; %待优化参数数量
P_percent = 0.2; %发现者比例
pNum = round( FoodNumber *  P_percent ); %发现者数量
objfun='WSNcover';
c=0; %下限
d=50; %上限
r=10; %边界宽

lb= c.*ones( 1,dim );    % Lower limit bounds
ub= d.*ones( 1,dim );    % Upper limit bounds
for i = 1 : FoodNumber
    FoodsX( i, : ) = lb + (ub - lb) .* rand( 1, dim ); 
    FoodsY( i, : ) = lb + (ub - lb) .* rand( 1, dim );
    FoodsZ( i, : ) = lb + (ub - lb) .* rand( 1, dim );
    ObjVal(i)=feval(objfun,FoodsX( i, : ),FoodsY( i, : ),FoodsZ( i, : ),dim,r,d);
    Fitness(i)=calculateFitness(-ObjVal(i));% 得到适应度值，覆盖率越高，适应度值越高
end

pFit = Fitness;
pObj = ObjVal;
pX = FoodsX; 
pY = FoodsY;
pZ = FoodsZ;
[ ObjMax, ObjbestI ] = max( ObjVal );
[ fMax, fbestI ] = max( Fitness );
bestX = FoodsX( fbestI, : ); 
bestY = FoodsY( fbestI, : ); 
bestZ = FoodsZ( fbestI, : );
HistoryObjMax = [1,maxCycle];

% 画图
figure(1)
for i=1:dim
    x = 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');

4. 仿真结果展示

5. 资源获取

可以获取完整代码资源。