【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
|
6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。
114 10
近端策略优化(PPO)算法的理论基础与PyTorch代码详解
|
3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。
|
5天前
|
传感器 算法 物联网
基于粒子群算法的网络最优节点部署优化matlab仿真
本项目基于粒子群优化(PSO)算法,实现WSN网络节点的最优部署,以最大化节点覆盖范围。使用MATLAB2022A进行开发与测试,展示了优化后的节点分布及其覆盖范围。核心代码通过定义目标函数和约束条件,利用PSO算法迭代搜索最佳节点位置,并绘制优化结果图。PSO算法灵感源于鸟群觅食行为,适用于连续和离散空间的优化问题,在通信网络、物联网等领域有广泛应用。该算法通过模拟粒子群体智慧,高效逼近最优解,提升网络性能。
|
5天前
|
机器学习/深度学习 数据采集 算法
基于GWO灰狼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a,展示了时间序列预测算法的运行效果(无水印)。核心程序包含详细中文注释和操作视频。算法采用CNN-GRU-SAM网络,结合灰狼优化(GWO),通过卷积层提取局部特征、GRU处理长期依赖、自注意力机制捕捉全局特征,最终实现复杂非线性时间序列的高效预测。
|
1月前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测,采用CNN-GRU-SAM网络结构。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。完整代码含中文注释和操作视频,运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数,最终输出预测结果。适用于金融市场、气象预报等领域。
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
|
1月前
|
机器学习/深度学习 算法 计算机视觉
基于CNN卷积神经网络的金融数据预测matlab仿真,对比BP,RBF,LSTM
本项目基于MATLAB2022A,利用CNN卷积神经网络对金融数据进行预测,并与BP、RBF和LSTM网络对比。核心程序通过处理历史价格数据,训练并测试各模型,展示预测结果及误差分析。CNN通过卷积层捕捉局部特征,BP网络学习非线性映射,RBF网络进行局部逼近,LSTM解决长序列预测中的梯度问题。实验结果表明各模型在金融数据预测中的表现差异。
125 10
|
2月前
|
机器学习/深度学习 算法
基于遗传优化的双BP神经网络金融序列预测算法matlab仿真
本项目基于遗传优化的双BP神经网络实现金融序列预测,使用MATLAB2022A进行仿真。算法通过两个初始学习率不同的BP神经网络(e1, e2)协同工作,结合遗传算法优化,提高预测精度。实验展示了三个算法的误差对比结果,验证了该方法的有效性。
|
2月前
|
机器学习/深度学习 数据采集 算法
基于PSO粒子群优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目展示了基于PSO优化的CNN-GRU-SAM网络在时间序列预测中的应用。算法通过卷积层、GRU层、自注意力机制层提取特征,结合粒子群优化提升预测准确性。完整程序运行效果无水印,提供Matlab2022a版本代码,含详细中文注释和操作视频。适用于金融市场、气象预报等领域,有效处理非线性数据,提高预测稳定性和效率。
|
1月前
|
传感器 算法
基于GA遗传优化的WSN网络最优节点部署算法matlab仿真
本项目基于遗传算法(GA)优化无线传感器网络(WSN)的节点部署,旨在通过最少的节点数量实现最大覆盖。使用MATLAB2022A进行仿真,展示了不同初始节点数量(15、25、40)下的优化结果。核心程序实现了最佳解获取、节点部署绘制及适应度变化曲线展示。遗传算法通过初始化、选择、交叉和变异步骤,逐步优化节点位置配置,最终达到最优覆盖率。
|
2月前
|
SQL 安全 网络安全
网络安全与信息安全:知识分享####
【10月更文挑战第21天】 随着数字化时代的快速发展,网络安全和信息安全已成为个人和企业不可忽视的关键问题。本文将探讨网络安全漏洞、加密技术以及安全意识的重要性,并提供一些实用的建议,帮助读者提高自身的网络安全防护能力。 ####
86 17

热门文章

最新文章