【路由优化】基于随机搜索算法优化带有速度的路由网络附matlab代码

简介: 【路由优化】基于随机搜索算法优化带有速度的路由网络附matlab代码

1 内容介绍

物联网实现人和物的连接,感知和采集数据的无线传感器网络(Wireless Sensor Networks, WSNs)是其感知事物的核心技术.随着无线传感器网络的普及和研究的深入,基于确定性环境的假设前提,开展资源有限网络路由问题的研究难以满足实际应用的需求.无线传感器网络在部署环境,无线通信,服务质量和网络拓扑等方面同时存在众多不确定性,既有刻画事件发生与否的随机性,也有刻画对事件主观认识的模糊性.在不确定网络环境下研究无线传感器网络的路由问题,需要相应的不确定性理论和优化理论来刻画路由过程中的各种不确定因素,包括干扰模型,传播模型,移动模型和服务质量等,从而为不确定环境下WSN路由算法的研究提供理论基础和保证. 为了刻画WSN路由的不确定性,论文基于概率论,模糊集理论,模糊随机理论和优化理论进行路由模型的建模,重点对无线干扰,网络模型,服务质量和路由优化模型的不确定性进行分析和表示,同时设计相应的路由算法和仿真实验开展不确定环境下WSN路由算法的研究.

2 仿真代码

clc;

clear all;

close all;


global Qk ax ay Dik tou beta indA indB


%% Intialization

Nnodes=1;

Emax=1000;

Emin=5;

nk=8;

V=20;




%Z =[1 0.1 0.6 0.8 0.6 0 0.1 1 1 1];


%plotting network topology

%i2=1;

for i2 = 1:noOfNodes

plot(X(i2),Y(i2),'o','LineWidth',1,...

             'MarkerEdgeColor','k',...

             'MarkerFaceColor','y',...

             'MarkerSize',8');

         xlabel('X in m')

         ylabel('Y in m')

   text(X(i2), Y(i2), num2str(i2),'FontSize',10);

   


   %% Destination

     plot(X2,Y2,'^','LineWidth',1,...

             'MarkerEdgeColor','k',...

             'MarkerFaceColor','r',...

             'MarkerSize',14');

           

hold on


end

axis([0 40 -5 40])

M_max = 14; %// number of cells in vertical direction

N_max = 10; %// number of cells in horizontal direction

trans = 1;  %// hexagon orientation (0 or 1)


%// Do the plotting:

hold on


C11={};

C={};


ab=1;

ik=1;

for x=0:7%:2;

     ik=x;

 for y=0:5

 

 if(mod(ik,2))

     x0=3+4.3*x;

     y0=3+3*2*y;

     hexagon(2,x0,y0);

     C11{x+1,y+1}=[x0;y0];

%       C{ab}=[x0;y0];

     hold on

     plot(x0,y0,'ok','MarkerFaceColor','k')

     

      cote=2;

      x1=cote*sqrt(2)*[-1 -0.5 0.5 1 0.5 -0.5 -1]+x0;

      y1=cote*sqrt(9)*[0 -0.5 -0.5 0 0.5 0.5 0]+y0;

     

     

 else

      x0=3+4.3*x;

      y0=3*2*y;

      hexagon(2,x0,y0);

      C11{x+1,y+1}=[3+4.3*x;3*2*y];

     

      hold on

      plot(3+4.3*x,3*2*y,'ok', 'MarkerFaceColor','k')

     

     

      cote=2;

      x1=cote*sqrt(2)*[-1 -0.5 0.5 1 0.5 -0.5 -1]+x0;

      y1=cote*sqrt(9)*[0 -0.5 -0.5 0 0.5 0.5 0]+y0;

     

         

 end  

   C{ab}=[x0,y0];

%% Inside the polygon or not

   [in,on] = inpolygon(X,Y,x1,y1);

   

    Nk(ab)=numel(find(in==1));% set of sensor node

    ind=[];

    ind=find(in==1);

    if(isempty(ind))

    Dik{ab}=0;

    Qk(ab)=0;  

    else

    Dik{ab}=sqrt((X(ind)-x0).^2 +(Y(ind)-y0).^2 ); % distance froom node i to its cell center

    Qk(ab)=1;

    end

    %Tk --> Time stays of WCV    

   

    ab=ab+1;

 


 end

end



% axis([0 30 0 30])

% grid

%% Travelling path Model

k=ab-1;

Z=ones(1,k); %% important

aa=cell2mat(C.');

Xa=aa(:,1);

Ya=aa(:,2);



   %% WCV

    plot(Xa(1)+2,Ya(1)+2,'o','LineWidth',1,...

             'MarkerEdgeColor','k',...

             'MarkerFaceColor','g',...

             'MarkerSize',12');

    plot(Xa(1),Ya(1),'o','LineWidth',1,...

             'MarkerEdgeColor','k',...

             'MarkerFaceColor','k',...

             'MarkerSize',14');

         xlabel('X in m')

         ylabel('Y in m')

   hold on      

   text(Xa(1), Ya(1),'Vechile Stay Room','FontSize',10);

   

   hold on

   

   

saveas(gcf,'fileint.fig','fig')

% %% Existing Routing

s=cell2mat(C.');

ax=s(:,1);

ay=s(:,2);

 

%%   Routing


 indA=find(Qk==1);

 indB=find(Qk~=1);

 G=randperm(numel(indA));

 path1 = indA(G);

 

%% OPTIMIZATION    

% %% Problem Definition

CostFunction=@(x) Sphere(x);        % Cost Function


ik=1;

 %cost1=1000;

 eff1=inf;

 

while(ik<=4000)

   T1=1000.*rand(1);  

   T=CostFunction(T1);

   eff=(T);

 if(eff<=eff1)

    eff1=eff;

    TT=T1;

 end

 costh1(ik)=eff1;

 costh(ik)=eff;

 ik=ik+1;

end


figure,

plot(1:ik-1,costh1,'-r')

hold on

plot(1:ik-1,costh,'-b')  

xlabel('Iteration')

ylabel('Objective Function')

legend('Optimal','Current')  

%%%%%%%%%%%%%%%%%%%%%%%

s=cell2mat(C.');

ax=s(:,1);

ay=s(:,2);

%% Routing

%rand('seed',round(TT))

s = RandStream('mt19937ar','Seed',round(TT));

G=randperm(s,numel(indA));

% G=randperm(numel(indA));

path1 = indA(G);

  if(min(path1)==1)

     path1=path1(path1~=1);  

     path = [1 path1 1];

  else

     path = [1 path1 1];  

  end

%saveas(gcf,'fileint.fig','fig')

h3=openfig('fileint.fig','new','visible')

 %figure(10),

hold on

for p =1:(length(path)-1)

    %line([ax(sor) ax(path(1))],[ay(sor) ay(path(1))],'Color','r','LineWidth', 1, 'LineStyle', '-')

line([ax(path(p)) ax(path(p+1))], [ay(path(p)) ay(path(p+1))], 'Color','m','LineWidth',2.5, 'LineStyle','-')

arrow([ax(path(p)) ay(path(p)) ], [ax(path(p+1)) ay(path(p+1)) ])

end

title('Routing')


%% Mathematical calc

  for ab=1:numel(path)-1

       dist(ab)=sqrt(((ay(path(ab))-ay(path(ab+1)))^2)+(ax(path(ab))-ax(path(ab+1)))^2);

  end

  L=sum(dist) % length of path

  fprintf('Length is--->%3.2f\n',L)

  NumJunction=numel(path);

 

  % Distance4 bw node and chaerger

   for ic=1:numel(Dik)

        d(ic)=mean(Dik{ic});

   end

 % d=cell2mat(Dik); %--- Modified

  Prx=@(d)(tou./(d+beta).^2)

  Prx(d)

 % Tx power of Charger


%% eqn 2

HArE=Prx;

%rand('seed',1)

deplrate=0.000001.*rand(1,numel(C));  % Nearest to sink have high depletion rate

alpha=4; % max accel/deaccel

%% single node arbitary

  % Temporal Disrtize

  delT=2;

  fmax=1./delT;

%% Spatial node

  Pmax=4;

  Pmin=1;

  eta1=0.5;

  Cq=abs(log(Pmax/Pmin)./(log(1+eta1)))

  g=1+(Cq-1).*rand(1,3);  % 3 discretize space value

  Pq=Pmax.*(1+eta1).^-g;

  saveas(gcf,'filePr.fig','fig')

%%%%%%%%%%%%%%%%%%%%

 ik=1;

 %cost1=1000;

 eff=0;

 Ui=1000;

 while(ik<=500)

 

 [Vel,v] = randfixedsum((NumJunction).*3,1,L,0,10);

 dist1=[0 dist];

 for ib=1:numel(path)

     rx1{ib}=Prx(d(path(ib))).*(dist1(ib)./Vel(((ib-1)*3+1):(ib*3)))-deplrate(path(ib)).*T  ;% Temporal

     Pqrx2{ib}=(Pq./d(path(ib)));% spatial

 end      

     %end

      Ac=cell2mat(Pqrx2);

      Ac(isinf(Ac))=0;

      Ad=cell2mat(rx1);

      eff1=sum(Ac(:)+Ad(:));

      costh21(ik)=eff1;

      costh2(ik)=eff;

  if(eff1>=eff)

    eff=eff1;

    Velb=Vel;

     Ps=Pqrx2;

   end

 

 ik=ik+1;

 

 end

 

 

figure,

plot(1:ik-1,costh21,'-r')

hold on

plot(1:ik-1,costh2,'-b')  

xlabel('Iteration')

ylabel('Objective Function')

legend('Current','Optimal')


p1=cell2mat(Ps);

p1(isinf(p1))=0;


h2=openfig('filePr.fig','new','visible')  

hold on

for p =1:(length(path))


   if(p>=2)

   text(ax(path(p)),ay(path(p)),num2str([Velb(((p-1)*3+1):(p*3))]),'FontSize',10);

   %plot(ax(path(p)),ay(path(p)),'yo','MarkerSize',20)

   end    

   

 if(p>=2)

 plot(ax(path(p)),ay(path(p)),'yo','MarkerSize',20)

 hold on

 plot(ax(path(p)),ay(path(p)),'co','MarkerSize',50)

 hold on

 plot(ax(path(p)),ay(path(p)),'ro','MarkerSize',90)

 end

hold on

end

 clear path1;

 clear Qk C Dik

 


pause(1)

 

 

end

3 运行结果

4 参考文献

[1]金劲. 群集智能算法在网络策略中的研究及其应用[D]. 兰州理工大学.

[2]王永恒, WANG, Yong-heng,等. 基于改进蚁群算法的计算机网络路由优化研究[J]. 电子设计工程, 2017(20):4.

博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。


相关文章
|
1月前
|
算法 数据安全/隐私保护 计算机视觉
基于Retinex算法的图像去雾matlab仿真
本项目展示了基于Retinex算法的图像去雾技术。完整程序运行效果无水印,使用Matlab2022a开发。核心代码包含详细中文注释和操作步骤视频。Retinex理论由Edwin Land提出,旨在分离图像的光照和反射分量,增强图像对比度、颜色和细节,尤其在雾天条件下表现优异,有效解决图像去雾问题。
|
1天前
|
算法
基于遗传优化算法的风力机位置布局matlab仿真
本项目基于遗传优化算法(GA)进行风力机位置布局的MATLAB仿真,旨在最大化风场发电效率。使用MATLAB2022A版本运行,核心代码通过迭代选择、交叉、变异等操作优化风力机布局。输出包括优化收敛曲线和最佳布局图。遗传算法模拟生物进化机制,通过初始化、选择、交叉、变异和精英保留等步骤,在复杂约束条件下找到最优布局方案,提升风场整体能源产出效率。
|
7天前
|
机器学习/深度学习 存储 算法
近端策略优化(PPO)算法的理论基础与PyTorch代码详解
近端策略优化(PPO)是深度强化学习中高效的策略优化方法,广泛应用于大语言模型的RLHF训练。PPO通过引入策略更新约束机制,平衡了更新幅度,提升了训练稳定性。其核心思想是在优势演员-评论家方法的基础上,采用裁剪和非裁剪项组成的替代目标函数,限制策略比率在[1-ϵ, 1+ϵ]区间内,防止过大的策略更新。本文详细探讨了PPO的基本原理、损失函数设计及PyTorch实现流程,提供了完整的代码示例。
122 10
近端策略优化(PPO)算法的理论基础与PyTorch代码详解
|
1月前
|
算法 数据可视化 安全
基于DWA优化算法的机器人路径规划matlab仿真
本项目基于DWA优化算法实现机器人路径规划的MATLAB仿真,适用于动态环境下的自主导航。使用MATLAB2022A版本运行,展示路径规划和预测结果。核心代码通过散点图和轨迹图可视化路径点及预测路径。DWA算法通过定义速度空间、采样候选动作并评估其优劣(目标方向性、障碍物距离、速度一致性),实时调整机器人运动参数,确保安全避障并接近目标。
149 68
|
1天前
|
算法 安全 机器人
基于包围盒的机械臂防碰撞算法matlab仿真
基于包围盒的机械臂防碰撞算法通过构建包围盒来近似表示机械臂及其环境中各实体的空间占用,检测包围盒是否相交以预判并规避潜在碰撞风险。该算法适用于复杂结构对象,通过细分目标对象并逐级检测,确保操作安全。系统采用MATLAB2022a开发,仿真结果显示其有效性。此技术广泛应用于机器人运动规划与控制领域,确保机器人在复杂环境中的安全作业。
|
1天前
|
机器学习/深度学习 数据采集 算法
基于WOA鲸鱼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB 2022a实现时间序列预测,采用CNN-GRU-SAM网络结构,结合鲸鱼优化算法(WOA)优化网络参数。核心代码含操作视频,运行效果无水印。算法通过卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征,全连接层整合输出。数据预处理后,使用WOA迭代优化,最终输出最优预测结果。
|
4天前
|
算法
基于SOA海鸥优化算法的三维曲面最高点搜索matlab仿真
本程序基于海鸥优化算法(SOA)进行三维曲面最高点搜索的MATLAB仿真,输出收敛曲线和搜索结果。使用MATLAB2022A版本运行,核心代码实现种群初始化、适应度计算、交叉变异等操作。SOA模拟海鸥觅食行为,通过搜索飞行、跟随飞行和掠食飞行三种策略高效探索解空间,找到全局最优解。
|
1月前
|
算法 数据安全/隐私保护
室内障碍物射线追踪算法matlab模拟仿真
### 简介 本项目展示了室内障碍物射线追踪算法在无线通信中的应用。通过Matlab 2022a实现,包含完整程序运行效果(无水印),支持增加发射点和室内墙壁设置。核心代码配有详细中文注释及操作视频。该算法基于几何光学原理,模拟信号在复杂室内环境中的传播路径与强度,涵盖场景建模、射线发射、传播及接收点场强计算等步骤,为无线网络规划提供重要依据。
|
2天前
|
传感器 算法
基于GA遗传算法的多机无源定位系统GDOP优化matlab仿真
本项目基于遗传算法(GA)优化多机无源定位系统的GDOP,使用MATLAB2022A进行仿真。通过遗传算法的选择、交叉和变异操作,迭代优化传感器配置,最小化GDOP值,提高定位精度。仿真输出包括GDOP优化结果、遗传算法收敛曲线及三维空间坐标点分布图。核心程序实现了染色体编码、适应度评估、遗传操作等关键步骤,最终展示优化后的传感器布局及其性能。
|
4天前
|
算法 数据可视化 数据安全/隐私保护
一级倒立摆平衡控制系统MATLAB仿真,可显示倒立摆平衡动画,对比极点配置,线性二次型,PID,PI及PD五种算法
本课题基于MATLAB对一级倒立摆控制系统进行升级仿真,增加了PI、PD控制器,并对比了极点配置、线性二次型、PID、PI及PD五种算法的控制效果。通过GUI界面显示倒立摆动画和控制输出曲线,展示了不同控制器在偏转角和小车位移变化上的性能差异。理论部分介绍了倒立摆系统的力学模型,包括小车和杆的动力学方程。核心程序实现了不同控制算法的选择与仿真结果的可视化。
32 15

热门文章

最新文章