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. 原始樽海鞘算法
- 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. 原始樽海鞘算法
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
c
o
v
R_{cov}
Rcov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
N
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
i
i个节点的坐标为
s
i
(
x
i
,
y
i
,
z
i
)
s_{i}(x_{i},y_{i},z_{i})
si(xi,yi,zi)。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
)
l_{v}(x_{v},y_{v},z_{v})
lv(xv,yv,zv)，三维监控点与目标点的距离为：
d
(
s
i
,
l
v
)
=
(
x
i
−
x
v
)
2
+
(
y
i
−
y
v
)
2
+
(
z
i
−
z
v
)
2
(3)
d(s_{i},l_{v})=\sqrt{(x_{i}-x_{v})^{2}+ (y_{i}-y_{v})^{2}+(z_{i}-z_{v})^{2}} \tag{3}
d(si,lv)=(xi−xv)2+(yi−yv)2+(zi−zv)2(3)
若
d
(
s
i
,
l
v
)
≤
R
s
d(s_{i},l_{v})\le R_{s}
d(si,lv)≤Rs，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
)
=
{
1
,
d
(
s
i
,
l
v
)
≤
R
S
0
,
d
(
s
i
,
l
v
)
>
R
S
(4)
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}
p(si,lv)={1,d(si,lv)≤RS0,d(si,lv)>RS(4)
其中，R_{s}为节点的通信半径，假设三维网络中有
k
k
k个 待测节点
s
1
,
s
2
,
.
.
.
,
s
k
s_{1},s_{2},...,s_{k}
s1,s2,...,sk，对应点
l
l
l的覆盖率分别为
p
(
s
i
,
l
v
)
p(s_{i},l_{v})
p(si,lv)，其中
k
a
l
l
k_{all}
kall是监测区域内所有待测传感器节点，
R
p
(
k
a
l
l
,
l
v
)
R_{p}(k_{all},l_{v})
Rp(kall,lv)为联合感知概率，表达式为：
R
p
(
k
a
l
l
,
l
v
)
=
1
−
∏
i
=
1
k
(
1
−
p
(
s
i
,
l
v
)
)
(5)
R_{p}(k_{all},l_{v})=1-\prod_{i=1}^{k}(1-p(s_{i},l_{v})) \tag{5}
Rp(kall,lv)=1−i=1∏k(1−p(si,lv))(5)
网络整体覆盖率为：
R
c
o
v
=
∑
i
=
1
k
R
p
(
k
a
l
l
,
l
v
)
k
(6)
R_{cov}=\frac{\sum_{i=1}^{k}R_{p}(k_{all},l_{v}) }{k} \tag{6}
Rcov=k∑i=1kRp(kall,lv)(6)
其中，
R
c
o
v
R_{cov}
Rcov是传感器网络的整体覆盖率，
P
P
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
A资源获取说明.rar
