【WSN布局】基于粒子群算法优化无线传感器网络 WSN 节点的位置附matlab代码

简介: 【WSN布局】基于粒子群算法优化无线传感器网络 WSN 节点的位置附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,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测雷达通信 无线传感器

信号处理图像处理路径规划元胞自动机无人机 电力系统

⛄ 内容介绍

无线传感网(Wireless Sensor Network,WSN)是信息技术革命的重要组成部分,被广泛的应用于军事,医疗护理,环境监测,目标跟踪等领域,是一种重要的信息采集手段。在实际应用中,无线传感网节点的位置信息是其提供各种应用服务的基础,虽然GPS(Global Positioning System)是当前应用最广泛、技术最成熟的全球定位系统,但是由于无线传感网具有节点数量大,体积小,传感节点能量有限的特点;使得高能耗,体积较大,成本较高的GPS定位装置在应用于大规模的WSN时受到限制。对于大规模的无线传感器网络,目前主要的节点定位算法主要分为两类;一类是基于测距的定位算法,即首先通过RSSI(Rdio Signal Strength Indicator),TDOA(Time Difference of Arrival)等各种测距技术测得未知节点到已知节点的距离,列出方程组,再通过最大似然估计法、三边测量法等求解此非线性方程组,最终完成对未知节点的定位;另一种是基于非测距的定位算法,主要是在无线传感网上部署特殊的通信协议,通过网络的连通性来估计节点间的距离,从而完成定位过程,比较典型的算法主要有DV-HOP(Distance vector-hop),质心算法等。粒子群优化算法是一种新兴的群体智能优化算法,主要用于求解非线性优化问题,具有搜索速度快,实现简单的特点,被广泛的应用于路径规划,经济预测等领域.

⛄ 部分代码

close all

clear

clc

addpath(genpath(cd))

warning('off')

%%

N=10;                       % number of nodes

area=[10,10];              % nodes deployment area in meter

Trange=2;                   % transmission range of sensor node in meter

nodes.pos=area(1).*rand(N,2);% nodes geographical locations

lambda=0.125;                % signal wavelength in meter

nodes.major = Trange;        % major axis for ellpitical range in meter

nodes.minor = lambda*Trange;  % minro axis for ellipitical range in meter

% redundantNo=9;               % number of healing nodes  

redundantNo=round(10*N/100);

%% plot the nodes deployment

cnt=1;

for ii=1:N      

   for jj=1:N

       if ii~=jj

           nodes.distance(ii,jj)=pdist([nodes.pos(ii,:);nodes.pos(jj,:)]);

           if nodes.distance(ii,jj)<Trange || nodes.distance(ii,jj)==Trange

               nodes.inrange(ii,jj)=1;

           else

               nodes.inrange(ii,jj)=0;

           end

       end

   end

end


figure

F5=plot(nodes.pos(:,1),nodes.pos(:,2),'.','color','r');

hold on

for ii=1:N                   % plot the circular transmission range

   [nodes.circle.x(ii,:),nodes.circle.y(ii,:)]=circle(nodes.pos(ii,1),nodes.pos(ii,2),Trange);

   F6=fill(nodes.circle.x(ii,:),nodes.circle.y(ii,:),[0.25,0.25,0.25]);

   alpha 0.3

   hold on

end

axis on

xlabel('x(m)')

ylabel('y(m)')

title('Initial Placement of Nodes with circular transmission range')

%% plot delauny triangle

TRI = delaunay(nodes.pos(:,1),nodes.pos(:,2));

figure(2)

F5 = plot(nodes.pos(:,1),nodes.pos(:,2),'.','color','r');

hold on

for ii=1:N                   % plot the circular transmission range

   [nodes.circle.x(ii,:),nodes.circle.y(ii,:)]=circle(nodes.pos(ii,1),nodes.pos(ii,2),Trange);

   F6=fill(nodes.circle.x(ii,:),nodes.circle.y(ii,:),[0.25,0.25,0.25]);

   alpha 0.3

   hold on

end

axis on

xlabel('x(m)')

ylabel('y(m)')

title('Coverage hole in initila position of Nodes')

hold on

triplot(TRI,nodes.pos(:,1),nodes.pos(:,2))

%% Hole detection

[holeDetected.circle,Circmcenter.circle,circumradius.circle]=holeDetection(TRI,nodes,F5,F6,Trange,area,2,1);

display(['--> No of detected Holes for Circular = ',num2str(numel(find(holeDetected.circle)))])

%% PSO optimize position of rest wsn nodes to cover the hole

nvars = 2*(N);

fun=@(x)objf(x,Trange,area);

lb=zeros(nvars,1);

ub=area(1).*ones(nvars,1);

options = optimoptions(@particleswarm,'Display','iter','MaxIterations',100,'PlotFcn','pswplotbestf');

[x,fval] = particleswarm(fun,nvars,lb,ub,options);

finalPos = reshape(x,[numel(x)/2,2]);

% plot the final tuned Node' pos

figure

plot(finalPos(:,1),finalPos(:,2),'o','color','r');

hold on

for ii=1:N                 % plot the circular transmission range

   [finalcircle.x(ii,:),finalcircle.y(ii,:)]=circle(finalPos(ii,1),finalPos(ii,2),Trange);

   fill(finalcircle.x(ii,:),finalcircle.y(ii,:),[0.25,0.25,0.25]);

   alpha 0.3

   hold on

end

axis on

xlabel('x(m)')

ylabel('y(m)')

title('Optimized location of Nodes with circular transmission range')

⛄ 运行结果

⛄ 参考文献

[1]刘伟. 基于改进粒子群优化算法的WSN节点定位的研究[D]. 南京邮电大学.

⛄ 完整代码

❤️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


相关文章
|
10月前
|
机器学习/深度学习 数据可视化 网络架构
PINN训练新思路:把初始条件和边界约束嵌入网络架构,解决多目标优化难题
PINNs训练难因多目标优化易失衡。通过设计硬约束网络架构,将初始与边界条件内嵌于模型输出,可自动满足约束,仅需优化方程残差,简化训练过程,提升稳定性与精度,适用于气候、生物医学等高要求仿真场景。
1067 4
PINN训练新思路:把初始条件和边界约束嵌入网络架构,解决多目标优化难题
|
10月前
|
机器学习/深度学习 算法
采用蚁群算法对BP神经网络进行优化
使用蚁群算法来优化BP神经网络的权重和偏置,克服传统BP算法容易陷入局部极小值、收敛速度慢、对初始权重敏感等问题。
581 5
|
10月前
|
机器学习/深度学习 数据采集 存储
概率神经网络的分类预测--基于PNN的变压器故障诊断(Matlab代码实现)
概率神经网络的分类预测--基于PNN的变压器故障诊断(Matlab代码实现)
1196 0
|
10月前
|
机器学习/深度学习 人工智能 算法
【基于TTNRBO优化DBN回归预测】基于瞬态三角牛顿-拉夫逊优化算法(TTNRBO)优化深度信念网络(DBN)数据回归预测研究(Matlab代码实现)
【基于TTNRBO优化DBN回归预测】基于瞬态三角牛顿-拉夫逊优化算法(TTNRBO)优化深度信念网络(DBN)数据回归预测研究(Matlab代码实现)
375 0
|
10月前
|
传感器 机器学习/深度学习 数据采集
【航空发动机寿命预测】基于SE-ResNet网络的发动机寿命预测,C-MAPSS航空发动机寿命预测研究(Matlab代码实现)
【航空发动机寿命预测】基于SE-ResNet网络的发动机寿命预测,C-MAPSS航空发动机寿命预测研究(Matlab代码实现)
626 0
|
10月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
802 0
|
10月前
|
算法 定位技术 计算机视觉
【水下图像增强】基于波长补偿与去雾的水下图像增强研究(Matlab代码实现)
【水下图像增强】基于波长补偿与去雾的水下图像增强研究(Matlab代码实现)
1121 0
|
10月前
|
算法 机器人 计算机视觉
【图像处理】水下图像增强的颜色平衡与融合技术研究(Matlab代码实现)
【图像处理】水下图像增强的颜色平衡与融合技术研究(Matlab代码实现)
308 0
|
10月前
|
新能源 Java Go
【EI复现】参与调峰的储能系统配置方案及经济性分析(Matlab代码实现)
【EI复现】参与调峰的储能系统配置方案及经济性分析(Matlab代码实现)
304 0
|
10月前
|
机器学习/深度学习 算法 机器人
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
使用哈里斯角Harris和SIFT算法来实现局部特征匹配(Matlab代码实现)
421 8

热门文章

最新文章