WSN覆盖优化MATLAB代码合集：虚拟力与群智能算法实战

简介：这份MATLAB代码合集面向无线传感器网络（WSN）覆盖优化方向的学习者与研究者，适合具备一定MATLAB基础、希望对比多种智能优化算法求解覆盖问题的高年级本科生、研究生及科研人员。资源围绕WSN节点部署与覆盖性能提升展开，将十种常见方法集中实现，便于横向比较各算法在覆盖率、收敛速度与稳定性上的差异。压缩包共41个文件，以39个m脚本为主体，另有2个caj文献，整体约5.73MB；m文件按算法分目录组织，涵盖主运行脚本、覆盖计算、适应度评估与绘图等模块，结构清晰便于按需检索。内容涉及人工蜂群、人工鱼群、灰狼、粒子群、蝠鲼觅食、蛇优化、麻雀搜索、鲸鱼优化、虚拟力以及樽海鞘等算法，代码注释较详细，下载后可直接运行调试。已有209人学习，适合作为算法复现、课程实验与论文对比实验的参考素材。

1. 无线传感器网络覆盖优化：一份 MATLAB 代码合集能省掉多少重复造轮子

做 WSN 覆盖优化的同行大概都有过这种体验：论文里的公式推导看得明明白白，虚拟力、粒子群、遗传算法各自的目标函数也抄得下来，可一旦打开 MATLAB 准备把节点部署、覆盖率计算、迭代可视化串成一条能跑的链路，时间就全耗在重复搭骨架上了。这份 WSN 覆盖优化 MATLAB 代码合集，本质上就是把这些骨架提前搭好——传感器节点随机部署、覆盖判定、虚拟力算法与常见群智能优化算法的迭代框架、覆盖率曲线绘制，都封装成可直接改参数运行的脚本。它适合两类人：一是刚进课题、需要在两周内跑出第一组对比实验的研究生；二是工程侧要做区域监测布点验证、想快速看不同算法收敛差异的从业者。下面按「资源里有什么 → 怎么改参数跑起来 → 哪里容易翻车」的顺序拆。

2. 覆盖模型与虚拟力算法：先把判定逻辑和受力公式对齐

2.1 布尔感知模型下的覆盖率怎么算

WSN 覆盖优化里最基础也最容易被糊弄过去的一步，是覆盖率计算。合集里默认走的是布尔感知模型（binary disk model）：每个传感器节点有一个感知半径 Rs，监测区域内任意一个采样点只要落在至少一个节点的圆盘内，就算被覆盖。工程上不会去解析求面积，而是把监测区域离散成网格，用网格点命中率近似覆盖率。这一步的网格分辨率直接决定结果可信度，也决定跑得动跑不动。

% 监测区域与网格离散化 L = 100; % 区域边长，单位 m n = 50; % 单边网格数，总采样点 n*n step = L / n; [Xg, Yg] = meshgrid(step/2:step:L, step/2:step:L); % 取网格中心，避免边界半格 gridPts = [Xg(:), Yg(:)]; % N x 2 采样点坐标 % 布尔覆盖判定：任一点到某节点距离 <= Rs 即被覆盖 function cov = coverageRate(nodes, gridPts, Rs) N = size(gridPts, 1); covered = false(N, 1); for k = 1:size(nodes, 1) d2 = (gridPts(:,1) - nodes(k,1)).^2 + (gridPts(:,2) - nodes(k,2)).^2; covered = covered | (d2 <= Rs^2); end cov = sum(covered) / N; end

这段代码的逻辑很直白：meshgrid生成采样点，逐节点算平方距离，用逻辑或累积覆盖标记，最后取比例。参数上有三个地方要盯住。n取 50 意味着 2500 个采样点，单次覆盖率计算是 2500×节点数 的向量运算，几十个节点时毫秒级；但如果后面套遗传算法跑几百代、种群几十个个体，计算量就是乘法级放大，n调到 100 以上会明显拖慢。step/2起点的写法是为了让采样点落在网格中心，减少边界效应，直接写0:step:L会在区域边缘多出一圈点，覆盖率偏低。Rs要和节点部署区域尺度匹配，100×100 的区域配 Rs=10 时，单节点理论覆盖面积约 314，50 个节点理想铺满也就 1.5 万出头，覆盖率天花板摆在那，别指望算法把 30 个节点优化到 95%。

2.2 虚拟力算法的受力合成与位移更新

虚拟力算法（Virtual Force Algorithm, VFA）的思路是把节点间关系拟物化：两个节点太近就产生斥力，太远（但仍在通信范围内）产生引力，节点碰到边界或障碍则受约束力，合力推动节点逐步移动，直到受力平衡或达到迭代上限。合集里的实现一般包含引力/斥力阈值、步长上限和边界回弹三部分。理解这套受力模型，才能判断参数改动会带来什么后果。

% 虚拟力单步更新（简化版核心逻辑） function nodes = vfaStep(nodes, L, Rs, Rc, dth, kA, kR, maxStep) N = size(nodes, 1); F = zeros(N, 2); for i = 1:N for j = 1:N if i == j, continue; end dx = nodes(j,1) - nodes(i,1); dy = nodes(j,2) - nodes(i,2); d = sqrt(dx^2 + dy^2) + 1e-9; if d < dth % 过近，斥力 mag = kR * (1/d - 1/dth); F(i,:) = F(i,:) - mag * [dx dy] / d; elseif d < Rc % 通信范围内但未过近，引力 mag = kA * (d - dth); F(i,:) = F(i,:) + mag * [dx dy] / d; end end % 边界约束：越界方向施加回推力 if nodes(i,1) < 0, F(i,1) = F(i,1) + kR; end if nodes(i,1) > L, F(i,1) = F(i,1) - kR; end if nodes(i,2) < 0, F(i,2) = F(i,2) + kR; end if nodes(i,2) > L, F(i,2) = F(i,2) - kR; end end % 限幅后更新位置 for i = 1:N f = F(i,:); fn = norm(f); if fn > maxStep, f = f / fn * maxStep; end nodes(i,:) = nodes(i,:) + f; nodes(i,:) = min(max(nodes(i,:), 0), L); % 硬裁剪兜底 end end

逻辑说明：双重循环遍历节点对，dth是斥力/引力分界的期望间距，Rc是通信半径（超出则不产生作用），kA、kR分别是引力和斥力系数，maxStep限制单步位移防止震荡发散。参数怎么定有讲究：dth一般取sqrt(3)*Rs附近，对应六边形密铺的节点间距，这是覆盖效率较高的几何直觉；Rc通常取 2 倍Rs左右，太大会让远处节点互相拉扯、收敛变慢；kA/kR的比例决定收敛形态，斥力系数偏大时节点散得快但容易在边界堆积，引力偏大则容易聚团、覆盖率反而下降。maxStep是防翻车的关键，去掉限幅后单步位移可能几十米，节点直接飞出区域再被裁剪回来，表现为覆盖率曲线剧烈抖动。

2.3 群智能算法框架的接入点

合集里除了 VFA，通常还带粒子群（PSO）或遗传算法（GA）的覆盖优化版本。它们的公共结构是：把「所有节点坐标展平成一个向量」当作一个解，覆盖率（或覆盖率加连通性惩罚）当适应度，迭代更新解。接入时最需要注意的是解向量与节点矩阵的互转，以及适应度函数里别把覆盖率算反。

% 解向量 <-> 节点矩阵互转，供 PSO/GA 调用 function x = nodes2vec(nodes) x = reshape(nodes', 1, []); % 按 [x1 y1 x2 y2 ...] 展平 end function nodes = vec2nodes(x, N) nodes = reshape(x, 2, N)'; % 还原为 N x 2 end % 适应度：覆盖率为主，越界给惩罚 function fit = fitness(x, N, L, gridPts, Rs) nodes = vec2nodes(x, N); if any(nodes(:) < 0) || any(nodes(:) > L) fit = -1; % 越界直接判死，避免无效解占优 return; end fit = coverageRate(nodes, gridPts, Rs); end

这里reshape的顺序必须和vec2nodes严格互逆，否则节点坐标会错位成「x 全在前、y 全在后」，跑出来的部署图看着像被压扁。适应度返回负值做越界惩罚是常见做法，但要注意 PSO 的速度更新对适应度尺度敏感，惩罚值别设成 -1000 这种量级，否则种群会被瞬间拉回边界附近震荡。合集里如果两套算法都有，建议先用 VFA 跑出基准覆盖率，再用 PSO 对比，因为 VFA 的物理直觉强、调参少，适合当对照组。

3. 从脚本到实验：参数配置、批量运行与结果对比

3.1 主脚本的参数区怎么改

拿到合集后不要急着点运行，先找到主脚本顶部的参数区。典型结构是区域尺寸、节点数、感知/通信半径、算法选择开关、迭代次数这几组。改参数的正确顺序是：先固定节点数和半径，只调算法参数看收敛；收敛正常后再动节点数做规模对比。一次性全改，出了问题根本定位不到是哪组参数引起的。

% 主脚本参数区（按此顺序调整） L = 100; % 区域边长 N = 40; % 节点数量 Rs = 12; % 感知半径 Rc = 24; % 通信半径，约 2*Rs T = 200; % 迭代次数 alg = 'VFA'; % 'VFA' | 'PSO' | 'GA' rng(42); % 固定随机种子，保证可复现 nodes0 = L * rand(N, 2); % 初始随机部署

rng(42)这行别删，WSN 优化结果对初始部署极其敏感，不固定种子的话两次运行覆盖率能差好几个百分点，写报告时说不清是算法改进还是运气好。N和Rs的搭配要过一遍量纲：40 个节点、Rs=12，单节点覆盖面积约 452，理论最大覆盖 1.8 万，区域面积 1 万，理论上够用，但随机部署加边界损失，初始覆盖率大概在 60% 上下，优化后到 85% 左右是合理预期。如果初始覆盖率就只有 30%，先检查Rs是不是写成了直径。

3.2 批量对比实验的组织方式

单次运行说明不了问题，覆盖优化实验至少要跑多组随机种子取均值。合集里如果没带批量脚本，自己补一个外层循环是最省事的做法，把每次的覆盖率、迭代耗时记下来，最后画均值曲线。

% 多随机种子批量运行，输出均值与标准差 seeds = 1:10; results = zeros(numel(seeds), T); for s = 1:numel(seeds) rng(seeds(s)); nodes = L * rand(N, 2); for t = 1:T nodes = vfaStep(nodes, L, Rs, Rc, sqrt(3)*Rs, 1.0, 2.0, 2.0); results(s, t) = coverageRate(nodes, gridPts, Rs); end end meanCov = mean(results, 1); stdCov = std(results, 0, 1);

这段的关键在std(results, 0, 1)的第二个参数 0 表示按样本标准差（除以 n-1），第三个参数 1 表示沿迭代维度求。画图时把meanCov和meanCov±stdCov一起画出来，阴影带能直观暴露算法稳定性——有些参数组合均值不低但方差大，说明收敛靠运气，这种结果拿去对比是站不住的。耗时统计用tic/toc包住内层迭代即可，注意别把画图时间算进去。

3.3 结果可视化与对比表

合集一般自带部署散点图和覆盖率曲线，但对比实验需要自己整理成表。下面这种表结构在写实验分析时最实用，把算法、初始覆盖率、最终覆盖率、提升幅度、单次平均耗时并列，一眼能看出性价比。

表里的数字是示意量级，实际以自己跑出来的为准。看这张表要抓两个点：VFA 提升不差且耗时最短，说明物理模型在中小规模下效率高；PSO/GA 耗时翻几倍但覆盖率没反超，往往是种群规模和迭代次数没调到位，或者适应度函数里惩罚项过重。部署图方面，重点看优化后节点是否出现明显聚团或贴边——聚团说明斥力不足，贴边说明边界回弹力太弱，这两类形态问题比覆盖率数字更能反映参数是否合理。

4. 避坑与排查：覆盖率不升反降的五个典型现场

4.1 覆盖率曲线前期上升后期掉头向下

现象：迭代前 50 代覆盖率稳步上升，之后开始缓慢下降，最终值还不如中途。原因多半是虚拟力没有收敛判据，节点在平衡位置附近来回震荡，加上边界硬裁剪把越界节点拉回后产生新的不平衡。解决：加一个位移阈值提前终止，比如所有节点单步位移最大值小于 0.01 就 break；同时把maxStep调小到 1 以内，让收敛更平滑。震荡严重时把斥力系数kR降一档，别指望靠增加迭代次数硬压。

4.2 换了随机种子结果天差地别

现象：同一套参数，种子 1 跑出 88%，种子 7 只有 72%。原因：初始随机部署本身就可能出现局部空洞或聚团，VFA 的局部搜索特性无法跳出。解决：批量跑 10 个以上种子取均值，报告里写均值±标准差；如果方差过大，考虑在初始部署阶段加一步低差异序列（如 Halton 序列）替代纯rand，或者先做一轮粗网格均匀撒点再优化。

4.3 节点坐标出现 NaN 或飞出区域

现象：迭代若干代后部署图空白，检查坐标发现 NaN 或远超区域边界的值。原因：两节点距离趋近于零时1/d爆炸，代码里虽然加了1e-9兜底，但如果dth设得过小、斥力系数又大，单步位移会瞬间溢出。解决：距离下限保护改成max(d, 0.1)这类物理量级的下限，而不是1e-9；maxStep必须保留；更新后统一做一次min(max(...))裁剪，双保险。

4.4 覆盖率算出来恒等于 1 或恒等于 0

现象：不管怎么改参数，覆盖率不是 100% 就是 0。原因：网格坐标和节点坐标的量纲或范围对不上，常见于meshgrid用了0:L而节点在0:L内但Rs单位写错（比如按 km 填了 0.01），或者coverageRate里距离比较用了d2 <= Rs而不是Rs^2。解决：先打印gridPts的范围和nodes的范围对比，再单独拿一个节点手算几个采样点的距离验证判定逻辑，别在整套流程里盲调。

4.5 批量实验越跑越慢、内存见涨

现象：跑几十组种子后 MATLAB 明显卡顿。原因：循环里不断figure不关闭、results预分配缺失导致动态扩容、或者每代都存了完整节点历史。解决：画图放到循环外或用drawnow limitrate；结果矩阵提前zeros预分配；节点历史只在需要做动画时存，对比实验只存覆盖率标量。这些是 MATLAB 批量实验的老毛病，跟算法本身无关，但足以让一次实验从十分钟拖到一小时。

5. 进阶用法：把单目标覆盖扩成覆盖加连通的联合评估

跑通基础覆盖优化之后，多数课题会往前走一步：光覆盖率高不够，节点之间还得连通，否则数据传不回汇聚节点。合集里的代码通常只算覆盖率，联合评估要自己补。我的做法是在适应度里加一个连通性惩罚项，用通信半径Rc建邻接图，算最大连通分量占比，覆盖率乘以连通占比作为综合指标。这样优化出来的部署不会出现「一片密集、一片孤岛」的假高分。

% 覆盖率 + 连通性联合适应度 function fit = jointFitness(nodes, gridPts, Rs, Rc) cov = coverageRate(nodes, gridPts, Rs); N = size(nodes, 1); A = false(N); for i = 1:N for j = i+1:N if norm(nodes(i,:) - nodes(j,:)) <= Rc A(i,j) = true; A(j,i) = true; end end end % 最大连通分量占比（简易 BFS） visited = false(N,1); best = 0; for s = 1:N if visited(s), continue; end q = s; visited(s) = true; cnt = 0; while ~isempty(q) u = q(1); q(1) = []; cnt = cnt + 1; nb = find(A(u,:) & ~visited'); visited(nb) = true; q = [q, nb]; end best = max(best, cnt); end fit = cov * (best / N); end

这段的代价是每个个体多一次 O(N²) 邻接构建加 BFS，N=40 时开销可接受，N 上百就要考虑稀疏矩阵和向量化。参数上Rc的取值直接决定连通难度，Rc太接近Rs时连通分量容易碎，联合指标会大幅拉低覆盖率得分，看起来像算法退步，其实是评价标准变严了。验证方法很简单：固定部署，分别算纯覆盖率和联合指标，再手动把几个节点挪到孤岛位置，看联合指标是否明显下降——如果没降，说明连通惩罚没生效，多半是邻接矩阵构建时Rc用错了变量。

从那以后我每次改完适应度函数，都会先拿两组已知好坏的部署（一组均匀、一组聚团）做冒烟测试，确认指标排序符合直觉再跑批量，这个习惯帮我省掉了好几次「跑了一晚上发现指标写反」的后悔药。希望帮到你。

本文还有配套的精品资源，点击获取