首页 > 编程语言 >m基于ABC人工蜂群优化的无线传感器网络路由优化算法matlab仿真,对比优化前后网络寿命,效率以及可靠性

m基于ABC人工蜂群优化的无线传感器网络路由优化算法matlab仿真,对比优化前后网络寿命,效率以及可靠性

时间:2023-05-28 11:31:36浏览次数:60  
标签:ABC Nnode 网络 节点 Nnodes 传感器 优化 无线

1.算法仿真效果 matlab2022a仿真结果如下: 1.png2.png3.png4.png

2.算法涉及理论知识概要 无线传感器网络通常使用电池电源,因此能量有限,属于一次性使用。因此,无线传感器网络在原理和应用平台上都有自己的特点:

•有限的能源和存储容量

   传感器节点通常布置在无人值守的运行环境中,节点能量由电池提供,但在使用过程中,电池的更换很不方便,因此无线传感器网络必须考虑如何解决能量有限的问题。因此,研究无线传感器网络优化算法以找到最大限度地减少能耗和提高无线传感器网络可靠性的最佳路径是非常重要的。

•自组织和动态拓扑结构

   无线传感器网络是一种对等网络,没有严格的网络中心,生存能力强。无线传感器网络的部署不需要预先设置基础设施,传感器节点可以通过分布式算法控制行为,快速加入网络,实现自身移动,支持网络拓扑的变化。

•高容错性

   当电池耗尽或环境变化时,传感器节点可能会出现故障,这将很难维护,甚至是一次性的。因此,使用优化算法来降低能耗和延长网络寿命是很重要的。

•以数据为中心

    物理地址对应于传统网络节点的数据传输,传感器节点本身没有IP地址。因此,无线传感器网络只关注数据。因此,无线传感器网络是非常高效的。

•直接与物理环境互动

   无线传感器网络最重要的任务是收集位置信息,这些信息需要直接与自然地理环境联系,并将现实世界的信息转换为特定的信号。因此,无线传感器网络可以单独完成数据的采样、存储、计算和发送。

   基于繁殖的人工蜂群算法包括三个步骤:蜂王的优先过程;蜂后的群集过程和幼蜂新卵的局部寻找过程。女王将把最好的基因留给下一代,因为女王基因的质量将直接决定算法的收敛速度和收敛精度。为了提高搜索效率,有必要选择最佳的女王基因。根据参考文献,采用模拟退火方法选择了蜂王基因的优先处理。根据模拟退火算法的思想,搜索过程如下:

5.png6.png7.png

   其中参数和为预设索引,α、β满足“α+β=1”的方程。参数Li和Lj分别表示节点i和节点j之间的节点自由度值。根据公式4.3,我们可以得到链路质量条件。 

3.MATLAB核心程序

dmatrix= zeros(Nnode,Nnode);
matrix = zeros(Nnode,Nnode);
Trust  = zeros(Nnode,Nnode);
for i = 1:Nnode 
    for j = 1:Nnode 
        Dist = sqrt((X(i) - X(j))^2 + (Y(i) - Y(j))^2); 
        %a link; 
        if Dist <= Radius 
           matrix(i,j)  = 1;   
           Trust(i,j)   = 1-((T(i)+T(j))/2);
           dmatrix(i,j) = Dist; 
        else 
           matrix(i,j)  = inf; 
           Trust(i,j)   = inf; 
           dmatrix(i,j) = inf; 
        end; 
    end; 
end; 
pathS  = 1;
pathE  = Nnode;
 
 
.......................................................................
 
%Get the best weight
w1s=cpop(1,1);
w2s=cpop(1,2);
w1 = w1s/(w1s + w2s);
w2 = w2s/(w1s + w2s);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
for ni = 1:length(Nnodes);
    ni
    %节点个数
    Nnode = Nnodes(ni);
    
    Delays2 = zeros(1,MTKL);%end-to-end delay
    consmp2 = zeros(1,MTKL);%Network topology control overhead  
    Srate2  = zeros(1,MTKL);%Packet delivery rate
    
    for jn = 1:MTKL
        X = rand(1,Nnode)*SCALE;  
        Y = rand(1,Nnode)*SCALE; 
        T = rand(1,Nnode); 
        Delays = zeros(Times,1);
        consmp = zeros(Times,1);  
        Srate  = zeros(Times,1);
        for t = 1:Times
            if t == 1
               X = X;
               Y = Y;
            else
               %Nodes send random moves
               X = X + Vmax*rand;
               Y = Y + Vmax*rand;
            end
            %network topology 
            dmatrix= zeros(Nnode,Nnode);
            matrix = zeros(Nnode,Nnode);
            Trust  = zeros(Nnode,Nnode);
            for i = 1:Nnode 
                for j = 1:Nnode 
                    Dist = sqrt((X(i) - X(j))^2 + (Y(i) - Y(j))^2); 
                    %a link; 
                    if Dist <= Radius 
                       matrix(i,j)  = 1;   
                       Trust(i,j)   = 1-((T(i)+T(j))/2);
                       dmatrix(i,j) = Dist; 
                    else 
                       matrix(i,j)  = inf; 
                       Trust(i,j)   = inf; 
                       dmatrix(i,j) = inf; 
                    end; 
                end; 
            end; 
            %Defines the communication start node and termination node
            tmp = randperm(Nnode);
            for i = 1:Nnode
                distA(i) = sqrt((X(i))^2 + (Y(i))^2);
                distB(i) = sqrt((X(i)-SCALE)^2 + (Y(i)-SCALE)^2);
            end
            [Va,Ia] = min(distA);
            [Vb,Ib] = min(distB);
            Sn  = Ia;
            En  = Ib;
            [paths,costs] = func_dijkstra_BF(Sn,En,dmatrix,Trust,w1,w2); 
            path_distance=min(Va,Vb); 
            for d=2:length(paths) 
                path_distance= path_distance + dmatrix(paths(d-1),paths(d)); 
            end 
            %end-to-end delay
            path_hops = min(length(paths)-1,1); 
            %The delay is calculated based on distance, packet length, and data packet rate
            Delays(t) = path_distance*(SLen/Smax)/1e3;
            %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
            %Packet delivery rate 
            Ps       = rand/5;
            tmps     = 0;
            for ii = 1:path_hops
                tmps = tmps + path_distance*Ps^ii/1e3;
            end
            Srate(t) = 1-tmps;
            %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
            %Network topology control overhead  
            consmp(t)= 1000*path_distance*(Eelec+Eelec+Efs);
            %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
        end 
        Delays2(jn) = mean(Delays);
        Srate2(jn)  = mean(Srate);
        consmp2(jn) = mean(consmp);
    end
    ind1         = find(Delays2 > 1e5);
    ind2         = find(Delays2 < 0);
    ind          = unique([ind1,ind2]);
    Delays2(ind) = [];
    Delayn(ni)   = mean(Delays2);
    
    ind1         = find(Srate2 > 1);
    Srate2(ind1) = [];
    Sraten(ni)   = mean(Srate2);
    ind1         = find(consmp2 < 0);
    consmp2(ind1)= [];
    consmpn(ni)  = mean(consmp2);
end
 
 
figure;
for i = 1:Nnode 
    plot(X(i),Y(i), 'ro'); 
    text(X(i),Y(i), num2str(i)); 
    hold on
end
for i = 1:length(paths)-1 
    line([X(paths(i)) X(paths(i+1))], [Y(paths(i)) Y(paths(i+1))], 'LineStyle', '-'); 
    hold on
end
 
figure;
plot(Nnodes,Delayn,'b-o');
grid on
xlabel('number of noders');
ylabel('End-To-End delay');
axis([Nnodes(1),Nnodes(end),0,120]);
 
figure;
plot(Nnodes,Sraten,'b-o');
grid on
xlabel('number of noders');
ylabel('Packet delivery rate');
axis([Nnodes(1),Nnodes(end),0.8,1.05]);
 
figure;
plot(Nnodes,consmpn,'b-o');
grid on
xlabel('number of noders');
ylabel('Energy consumption');
axis([Nnodes(1),Nnodes(end),0,0.1]);
 
 
save R_new1.mat Nnodes Delayn Sraten consmpn

标签:ABC,Nnode,网络,节点,Nnodes,传感器,优化,无线
From: https://blog.51cto.com/matworld/6364933

相关文章

  • m基于ABC人工蜂群优化的无线传感器网络路由优化算法matlab仿真,对比优化前后网络寿命,
    1.算法仿真效果matlab2022a仿真结果如下:       2.算法涉及理论知识概要       无线传感器网络通常使用电池电源,因此能量有限,属于一次性使用。因此,无线传感器网络在原理和应用平台上都有自己的特点: •有限的能源和存储容量        传感器......
  • 【原创】浅谈EtherCAT主站EOE(上)-EOE网络
    版权声明:本文为本文为博主原创文章,转载请注明出处。如有问题,欢迎指正。博客地址:https://www.cnblogs.com/wsg1100/目录一、EoE二、EoE服务规范EtherCAT主站如何提供EoE服务?三、EoE网络EOE网络这篇文章的标题虽然是关于EtherCATEOE,但其实主要内容是关于整个EOE网络结构,属于计算......
  • 性能优化
    性能优化概述不同硬件配置、不同操作系统平台上性能表现是不一样的。另外,随着数据增多,性能下降无法避免。所以我们可能需要改变使用方式并调整一些配置项来提升性能,以获得更流畅的使用体验。整体性能内容块数量:内容块数量对性能影响范围较大,比如展开文档树、搜索、数据写入等......
  • Docker网络配置
    1、Docker网络概念1.1、网络驱动Docker网络子系统使用可插拔的驱动,默认情况下有多个驱动程序,并提供核心联网功能。bridge:桥接网络,这是默认的网络驱动程序(不指定驱动程序创建的容器默认是bridge驱动)。host:主机网络。消除容器和主机的网络隔离,直接使用主机的网络。overlay:覆盖网络。......
  • 花朵识别系统Python实现,基于深度学习卷积神经网络算法
    一、背景花朵识别系统,基于Python实现,深度学习卷积神经网络,通过TensorFlow搭建卷积神经网络算法模型,并对数据集进行训练最后得到训练好的模型文件,并基于Django搭建可视化操作平台。在当今信息化社会,图像识别技术在各种领域都展现出了重要的应用价值,包括医学影像分析、自动驾驶、人脸......
  • 读<Wireshark数据包分析实战-第3版>之网络设备
    集线器集线器(Hub)是网络硬件设备,用于连接多个以太网设备,使它们可以在一个局域网(LAN)内通信。集线器接收来自连接设备的数据包,并将这些数据包广播到所有连接的设备上。集线器工作在OSI模型的第一层,即物理层。相较于交换机和路由器,集线器对流量处理能力较弱,容易产生冲突和拥塞。现如......
  • 网安--vmware三种网络模式
    三、vmare三种网络模式三种模式:桥接模式、NAT模式、仅主机模式三种设备:网卡、路由器(充当网关宽展接口划分vlan)、交换机(局域网中的机器接入到一个网络中)vmnet0(桥接模式)、vmnet1(仅主机模式)、vmnet8(NAT模式)让相同网络模式的主机相互连接虚拟网卡:让主机与虚拟机连接起来1、主机......
  • 基于GoogleNet深度学习网络的人员身份识别系统Matlab仿真
    1.算法仿真效果matlab2022a仿真结果如下:  2.算法涉及理论知识概要       深度学习(DL,DeepLearning)是机器学习(ML,MachineLearning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI,ArtificialIntelligence)。[1深度学习是学习样本数据......
  • 基于GoogleNet深度学习网络的人员身份识别系统Matlab仿真
    1.算法仿真效果matlab2022a仿真结果如下:2.算法涉及理论知识概要深度学习(DL,DeepLearning)是机器学习(ML,MachineLearning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI,ArtificialIntelligence)。[1深度学习是学习样本数据的内在规律和表示层次,这......
  • 武汉星起航:布局亚马逊欧洲站关键策略—选品和运营的双重优化
    亚马逊欧洲站点是一个庞大而充满潜力的电商市场,对于卖家来说,优化选品和运营至关重要。通过精选适宜的产品并进行有效的运营,您可以在这个竞争激烈的市场中取得成功。武汉星起航将为您介绍一些关键策略,帮助您在亚马逊欧洲站点上实现双重优化。一、精选适宜的产品在选品过程中,以下策略......