编程语言
首页 > 编程语言> > 基于改进人工蜂群算法的无线传感器网络覆盖优化策略

基于改进人工蜂群算法的无线传感器网络覆盖优化策略

作者:互联网

文章目录

一、理论基础

1、人工蜂群算法

请参考这里

2、改进人工蜂群算法

请参考文献[1]

二、仿真与分析

1、参数设置

IABC(改进人工蜂群算法)实验部分参数设置如下:部署区域为50×50,网格点设置为0.4×0.4,种群规模40,迭代次数为400,传感器感知半径 r s = 5 rs=5 rs=5。ABC的实验参数设置同IABC一样。

2、MATLAB程序实现

function z = computeCover(x, y, L, R, data)
%% 适应度函数:WSN的覆盖率
% input:
% x        圆心横坐标
% y        圆心纵坐标
% L        区域边长
% R        通信半径
% data     离散粒度
% output:
% z        覆盖率
N = length(x);                      % 节点总个数
[m, n] = meshgrid(1:data:L);        % 离散化区域内的点
[row, col] = size(m);
for i = 1:N
    D = sqrt((m-x(i)).^2+(n-y(i)).^2);     % 计算坐标点到圆心的距离
    [m0, n0] = find(D <= R);               % 检测出圆覆盖点的坐标
    Ind = (m0-1).*col+n0;                  % 坐标与索引转化
    M(Ind) = 1;                            % 改变覆盖状态
end
scale = sum(M(1:end))/(row*col);           % 计算覆盖比例
z = scale;
function i = RouletteWheelSelection(P)
    r = rand;
    C = cumsum(P);
    i = find(r <= C, 1, 'first');
end
%% 清空环境变量
clc;
clear;
close all;

%% 问题设定
L = 50;                     % 区域边长
n = 35;                     % 节点个数
rs = 5;                     % 感知半径
data = 0.4;                 % 离散粒度
CostFunction = @(x, y, L, R, data) computeCover(x, y, L, R, data);% 目标函数(覆盖率)

%% ABC参数
MaxIt = 400;             % 最大迭代次数
nPop = 40;               % 蜂群大小
nOnlooker = nPop;        % 侦察蜂个数
limit = 100;             % 探索极值限制参数
a = 1;                   % 加速度系数上限
VarSize = [n, 2];

%% 初始化
% 置空蜜蜂矩阵
empty_bee.Position = [];
empty_bee.Cost = [];
% 初始化蜂群数组
pop = repmat(empty_bee, nPop, 1);
% 初始化最优解
BestSol.Cost = 0;
% 产生初始种群
for i = 1:nPop
    pop(i).Position = unifrnd(0, L, VarSize);
    pop(i).Cost = CostFunction(pop(i).Position(:, 1), pop(i).Position(:, 2), L, rs, data);
    if pop(i).Cost > BestSol.Cost
        BestSol = pop(i);
    end
end
% 丢解计数器
C = zeros(nPop, 1);
% 保存最优函数值的数组
BestCost = zeros(MaxIt, 1);
save data1;
%% 初始结果显示
gbest = BestSol.Position;
disp('初始位置:' );
disp([num2str(gbest)]);
disp(['初始覆盖率:', num2str(BestSol.Cost)]);
% 初始覆盖图
figure;
for i = 1:n
    axis([0 L 0 L]);        % 限制坐标范围
    x = gbest(:, 1);
    y = gbest(:, 2);
    sita = 0:pi/100:2*pi;   % 角度[0, 2*pi]
    hold on;
    p2 = fill(x(i)+rs*cos(sita), y(i)+rs*sin(sita), 'y');
end
p1 = plot(gbest(:, 1), gbest(:, 2), 'r*');
legend([p1, p2], {'WSN节点', '覆盖区域'});
title 'IABC-WSN初始结果';

%% IABC迭代
for it = 1:MaxIt
    % 引领蜂
    for i = 1:nPop
        % 随机选择不等于i的k
        K = [1:i-1 i+1:nPop];
        k = K(randi([1 numel(K)]));
        % 定义加速度系数
        phi = a*unifrnd(-1, +1, VarSize);
        % 新的蜜蜂位置
        newbee.Position = pop(i).Position+phi.*(pop(i).Position-pop(k).Position);
        % 边界处理
        newbee.Position = max(newbee.Position, 0);
        newbee.Position = min(newbee.Position, L);
        % 新的蜜蜂函数值
        newbee.Cost = CostFunction(newbee.Position(:, 1), newbee.Position(:, 2), L, rs, data);
        % 比较
        if newbee.Cost >= pop(i).Cost
            pop(i) = newbee;
        else
            C(i) = C(i)+1;
        end
    end
    % 计算适应度值和选择概率
    fit = zeros(nPop, 1);        % 适应度值
    O = zeros(nPop, 1);          % 信息素
    for i = 1:nPop
        % 将函数值转换为适应度
        fit(i) = 1/(1+pop(i).Cost);
    end
    fitmin = min(fit); 
    fitmax = max(fit);
    if fitmin ~= fitmax
        O = (fit-fitmin)/(fitmax-fitmin);
    end
    F = fit;            % 适应度函数
    Total_Fik = 0;
    % 跟随蜂
    for i = 1:nOnlooker
        % 定义加速度系数
        phi = a*unifrnd(-1, +1, VarSize);
        if rand <= O(i)              % 灵敏度小于信息素
            % 计算相互引力系数
            for j = 1:nOnlooker
                if j ~= i
                    Total_Fik = Total_Fik+F(j)/(norm(pop(j).Position-pop(i).Position)^2);
                end
            end
            old_pop = pop(i);
            for k = 1:nOnlooker
                if k ~= i
                    Fik = norm(F(k)/(norm(pop(k).Position-pop(i).Position)^3) ...
                    .*(pop(k).Position-pop(i).Position));
                    % 新的蜜蜂位置
                    pop(i).Position = pop(i).Position+Fik/Total_Fik.*(pop(i).Position-pop(k).Position);
                end
            end
            newbee.Position = pop(i).Position;
            % 边界处理
            newbee.Position = max(newbee.Position, 0);
            newbee.Position = min(newbee.Position, L);
            % 新的蜜蜂函数值
            newbee.Cost = CostFunction(newbee.Position(:, 1), newbee.Position(:, 2), L, rs, data);
            % 比较
            if newbee.Cost >= pop(i).Cost
                pop(i) = newbee;
            else
                pop(i) = old_pop;
                C(i) = C(i) + 1;
            end
        end
    end
    % 侦察蜂
    for i = 1:nPop
        if C(i) >= limit   % 超出探索极值参数
            maxPos = max(pop(i).Position);
            minPos = min(pop(i).Position);
            for j = 1:n
                pop(i).Position(j, :) = minPos+rand(1, 2).*(maxPos-minPos);
            end
            pop(i).Cost = CostFunction(pop(i).Position(:, 1), pop(i).Position(:, 2), L, rs, data);
            C(i) = 0;
        end
    end
    % 最差蜜源的替换
    [worst_cost, worst_index] = min([pop.Cost]);
    for j = 1:n
        % 保存原位置
        init_pos = pop(worst_index).Position(j, :);
        % 最差蜜源位置更新
        pop(worst_index).Position(j, :) = 0+L-rand(1, 2).*pop(worst_index).Position(j, :);
        % 边界处理
        pop(worst_index).Position(j, :) = min(pop(worst_index).Position(j, :), L);
        pop(worst_index).Position(j, :) = max(pop(worst_index).Position(j, :), 0);
        % 蜜源更新
        pop(worst_index).Cost = CostFunction(pop(worst_index).Position(:, 1), pop(worst_index).Position(:, 2), L, rs, data);
        % 比较
        if worst_cost < pop(worst_index).Cost
            worst_cost = pop(worst_index).Cost;
        else
             pop(worst_index).Position(j, :) = init_pos;
             pop(worst_index).Cost = CostFunction(pop(worst_index).Position(:, 1), pop(worst_index).Position(:, 2), L, rs, data);
        end
    end
    % 更新每轮最优解
    for i = 1:nPop
        if pop(i).Cost >= BestSol.Cost
            BestSol = pop(i);
        end
    end
    % 保存每轮最优解
    BestCost(it) = BestSol.Cost;
    % 显示迭代信息
    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);
end
    
%% 结果显示
BestCost_IABC = BestCost;
gbest = BestSol.Position;
disp('最终位置:' );
disp([num2str(gbest)]);
disp(['最终覆盖率:', num2str(BestSol.Cost)]);
% 最终覆盖图
figure;
for i = 1:n
    axis([0 L 0 L]);            % 限制坐标范围
    x = gbest(:, 1);
    y = gbest(:, 2);
    sita = 0:pi/100:2*pi;   % 角度[0, 2*pi]
    hold on;
    p2 = fill(x(i)+rs*cos(sita), y(i)+rs*sin(sita), 'g');
end
p1 = plot(gbest(:, 1), gbest(:, 2), 'r*');
legend([p1, p2], {'WSN节点', '覆盖区域'});
title 'IABC-WSN最终结果';
figure;
plot(BestCost_IABC, 'r', 'linewidth', 2);
xlabel '迭代次数'; ylabel '节点覆盖率';
    
load data1.mat;
%%%%%%%%%%%%%%%%%%ABC%%%%%%%%%%%%%%%%%%%%%%
%% 初始化
% 置空蜜蜂矩阵
empty_bee.Position = [];
empty_bee.Cost = [];
% 初始化蜂群数组
pop = repmat(empty_bee, nPop, 1);
% 初始化最优解
BestSol.Cost = 0;
% 产生初始种群
for i = 1:nPop
    pop(i).Position = unifrnd(0, L, VarSize);
    pop(i).Cost = CostFunction(pop(i).Position(:, 1), pop(i).Position(:, 2), L, rs, data);
    if pop(i).Cost > BestSol.Cost
        BestSol = pop(i);
    end
end
% 丢解计数器
C = zeros(nPop, 1);
% 保存最优函数值的数组
BestCost = zeros(MaxIt, 1);
%% 初始结果显示
gbest = BestSol.Position;
disp('初始位置:' );
disp([num2str(gbest)]);
disp(['初始覆盖率:', num2str(BestSol.Cost)]);
% 初始覆盖图
figure;
for i = 1:n
    axis([0 L 0 L]);            % 限制坐标范围
    x = gbest(:, 1);
    y = gbest(:, 2);
    sita = 0:pi/100:2*pi;   % 角度[0, 2*pi]
    hold on;
    p2 = fill(x(i)+rs*cos(sita), y(i)+rs*sin(sita), 'y');
end
p1 = plot(gbest(:, 1), gbest(:, 2), 'r*');
legend([p1, p2], {'WSN节点', '覆盖区域'});
title 'ABC-WSN初始结果';

%% ABC迭代
for it = 1:MaxIt
    % 引领蜂
    for i = 1:nPop
        % 随机选择不等于i的k
        K = [1:i-1 i+1:nPop];
        k = K(randi([1 numel(K)]));
        % 定义加速度系数
        phi = a*unifrnd(-1, +1, VarSize);
        % 新的蜜蜂位置
        newbee.Position = pop(i).Position+phi.*(pop(i).Position-pop(k).Position);
        % 边界处理
        newbee.Position = max(newbee.Position, 0);
        newbee.Position = min(newbee.Position, L);
        % 新的蜜蜂函数值
        newbee.Cost = CostFunction(newbee.Position(:, 1), newbee.Position(:, 2), L, rs, data);
        % 比较
        if newbee.Cost >= pop(i).Cost
            pop(i) = newbee;
        else
            C(i) = C(i)+1;
        end
    end
    % 计算适应度值和选择概率
    F = zeros(nPop, 1);
    MeanCost = mean([pop.Cost]);
    for i = 1:nPop
        % 将函数值转换为适应度
        F(i) = 1/(1+pop(i).Cost);
    end
    P = F/sum(F);
    % 跟随蜂
    for m = 1:nOnlooker
        % 选择食物源
        i = RouletteWheelSelection(P);
        % 随机选择不等于i的k
        K = [1:i-1 i+1:nPop];
        k = K(randi([1 numel(K)]));
        % 定义加速度系数
        phi = a*unifrnd(-1, +1, VarSize);
        % 新的蜜蜂位置
        newbee.Position = pop(i).Position+phi.*(pop(i).Position-pop(k).Position);
        % 边界处理
        newbee.Position = max(newbee.Position, 0);
        newbee.Position = min(newbee.Position, L);
        % 新的蜜蜂函数值
        newbee.Cost = CostFunction(newbee.Position(:, 1), newbee.Position(:, 2), L, rs, data);
        % 比较
        if newbee.Cost > pop(i).Cost
            pop(i) = newbee;
        else
            C(i) = C(i) + 1;
        end
    end
    % 侦察蜂
    for i = 1:nPop
        if C(i) >= limit    % 超出探索极值参数
            maxPos = max(pop(i).Position);
            minPos = min(pop(i).Position);
            for j = 1:n
                pop(i).Position(j, :) = minPos+rand(1, 2).*(maxPos-minPos);
            end
            pop(i).Cost = CostFunction(pop(i).Position(:, 1), pop(i).Position(:, 2), L, rs, data);
            C(i) = 0;
        end
    end
    % 更新每轮最优解
    for i = 1:nPop
        if pop(i).Cost >= BestSol.Cost
            BestSol = pop(i);
        end
    end
    % 保存每轮最优解
    BestCost(it) = BestSol.Cost;
    % 显示迭代信息
    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);
end
    
%% 结果显示
BestCost_ABC = BestCost;
gbest = BestSol.Position;
disp('最终位置:' );
disp([num2str(gbest)]);
disp(['最终覆盖率:', num2str(BestSol.Cost)]);
% 最终覆盖图
figure;
for i = 1:n
    axis([0 L 0 L]);            % 限制坐标范围
    x = gbest(:, 1);
    y = gbest(:, 2);
    sita = 0:pi/100:2*pi;   % 角度[0, 2*pi]
    hold on;
    p2 = fill(x(i)+rs*cos(sita), y(i)+rs*sin(sita), 'g');
end
p1 = plot(gbest(:, 1), gbest(:, 2), 'r*');
legend([p1, p2], {'WSN节点', '覆盖区域'});
title 'ABC-WSN最终结果';
figure;
plot(BestCost_ABC, 'r', 'linewidth', 2);
xlabel '迭代次数'; ylabel '节点覆盖率';

%% 对比
figure;
t = 1:MaxIt;
plot(t, BestCost_IABC(t), 'r', t, BestCost_ABC(t), 'g', 'linewidth', 2);
legend('IABC', 'ABC');
xlabel '迭代次数'; ylabel '节点覆盖率';
title 'IABC与ABC算法进化过程对比';
初始位置:
29.0535      22.9876
 6.5267       3.4456
11.8281      31.4067
33.2288      41.3105
38.5128      49.2769
36.9345      39.5577
37.4677      36.7744
20.6875      5.00336
49.9798      35.9529
7.51246      32.9828
27.5914      8.00761
 40.692      34.9571
17.5425      29.1371
45.3679      25.5715
21.6789      43.6843
35.3462      48.1567
14.2188      6.25471
43.6795      33.7814
44.6931       39.282
34.8069      32.4572
10.6642      47.1722
12.5533      35.4864
32.3521      20.7616
13.9816      9.03444
 33.212      12.2724
36.8439      45.9449
25.4154      20.0453
47.0096      9.46642
5.70646      19.8899
21.2505      36.8794
28.6743      16.0705
38.3655      1.31499
17.8997      21.1879
37.7422      27.7974
41.6989      17.0656
初始覆盖率:0.71796
最终位置:
21.0326      18.1481
43.9177      8.76497
35.9064      14.4497
34.9748      43.5639
30.7755      36.1065
44.0917      46.9257
13.8532      21.5677
6.25125      20.0404
16.4335      7.56279
 32.648      7.65552
 4.2429      8.62622
34.6046      23.0226
12.9824      45.3154
7.26834      3.84877
38.1753      27.0085
34.6546      47.7028
19.1916      32.3989
 21.896      7.97042
3.94899      33.3717
8.96826      13.1053
27.5753      25.1102
22.8835      42.7079
19.0371      24.0061
44.4663      39.3849
39.5472      19.3561
49.2307      17.6891
31.5267      15.7473
 12.162      14.8086
18.2448       48.699
10.8258      30.5694
25.8296      48.3197
 44.081      24.4425
9.69112      36.2601
40.7159      35.7174
43.1687      12.2773
最终覆盖率:0.80303

IABC对应的初始覆盖图和最终覆盖图如图1、2所示。
在这里插入图片描述

图1 IABC初始覆盖图

在这里插入图片描述

图2 IABC最终覆盖图

IABC算法的WSN覆盖率变化过程如图3所示。
在这里插入图片描述

图3 IABC算法的WSN覆盖率变化过程

三、算法对比

IABC和经典的ABC算法对比如图4所示。
在这里插入图片描述

图4 IABC与ABC算法进化过程对比图

由此可见,经典ABC算法极易陷入局部最优解,原因在于:由于采用轮盘赌选择方式使算法易陷入局部最优,并且跟随蜂邻域搜索过程中没考虑所有引领蜂对它的影响。另外,在迭代过程中,收敛速度会被降低,这是由每一代结束后产生的最坏解导致的。

四、参考文献

[1] 宋苏鸣. 基于改进人工蜂群算法的无线传感器网络覆盖优化策略[D]. 西安电子科技大学, 2014.
[2] Karaboga D . An idea based on honey bee swarm for numerical optimization[J]. 2005.
[3] ~心升明月~. 基于人工蜂群算法的函数寻优算法. CSDN博客.

标签:蜂群,newbee,end,gbest,pop,网络覆盖,Position,无线,Cost
来源: https://blog.csdn.net/weixin_43821559/article/details/113543011