【WSN布局优化】基本蚁狮算法实现WSN节点优化部署matlab代码

文章目录

• 一、理论基础
• • 1、WSN节点覆盖模型
  • 2、基本蚁狮算法
• 二、仿真实验与分析
• 三、参考文献
• 四、Matlab代码

 

一、理论基础

1、节点覆盖模型

​

2、基本蚁狮算法

蚁狮优化算法 ALO(Ant Lion Optimizer)是一种新的群体智能优化算法， 由澳大利亚学者Seyedali于2015年提出。由于其初始参数少和收敛精度高的优点，已被广泛应用于WSN数据收集等多种工程领域。
ALO算法原理源于自然界中蚁狮猎食蚂蚁行为的启发，描述如下：

二、仿真实验与分析

• 在区域面积S = 20 × 20 m S=20×20mS=20×20m，节点数V = 24 V=24V=24，感知半径R s = 2.5 m R_s=2.5mRs​=2.5m，通信半径R c = 5 m R_c=5mRc​=5m，感知误差半径R e = 0.05 m R_e=0.05mRe​=0.05m，迭代300次下的仿真：
  

图1 初始部署

图2 ALO算法覆盖率进化曲线

图3 ALO优化覆盖图

• 在区域面积S = 50 × 50 m S=50×50mS=50×50m，节点数V = 35 V=35V=35，感知半径R s = 5 m R_s=5mRs​=5m，通信半径R c = 10 m R_c=10mRc​=10m，感知误差半径R e = 0.1 m R_e=0.1mRe​=0.1m，迭代300次下的仿真：
  

图4 初始部署

图5 ALO算法覆盖率进化曲线

图6 ALO优化覆盖图

• 在区域面积S = 100 × 100 m S=100×100mS=100×100m，节点数V = 80 V=80V=80，感知半径R s = 7 m R_s=7mRs​=7m，通信半径R c = 14 m R_c=14mRc​=14m，感知误差半径R e = 1 m R_e=1mRe​=1m，迭代300次下的仿真：
  

图7 初始部署

图8 ALO算法覆盖率进化曲线

图9 ALO优化覆盖图

三、参考文献

[1] Mirjalili, Seyedali. The Ant Lion Optimizer[J]. Advances in Engineering Software, 2015, 83:80-98.
[2] 徐钦帅, 何庆, 魏康园. 改进蚁狮算法的无线传感器网络覆盖优化[J]. 传感技术学报, 2019, 32(02):266-275.
[3] W. Liu, S. Yang, S. Sun and S. Wei, “A Node Deployment Optimization Method of WSN Based on Ant-Lion Optimization Algorithm,” 2018 IEEE 4th International Symposium on Wireless Systems within the International Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS-SWS), 2018, pp. 88-92, doi: 10.1109/IDAACS-SWS.2018.8525824.

标签：ALO,蚁狮,算法,半径,WSN,优化,节点
来源： https://blog.51cto.com/u_15287693/2960464