✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、算法改进、程序设计科研仿真。
🍎完整代码获取 定制创新 论文复现私信
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
一、引言
无线传感器网络（WSN）在环境监测、智能家居、工业控制等众多领域有着广泛应用。在这些应用中，准确获取传感器节点的位置信息至关重要。DVHop 作为一种经典的非测距定位算法，以其低功耗、低成本的特点被广泛采用。然而，DVHop 算法存在一些局限性，例如定位误差较大。金枪鱼优化算法（TSO）是一种新兴的智能优化算法，模拟金枪鱼的捕食、集群和探索行为，具有良好的全局搜索能力。将 TSO 应用于优化 DVHop 算法，有望提高无线传感器的定位精度。
二、DVHop 算法原理
- 跳数获取
：在 WSN 中，锚节点（已知位置的节点）向其邻居节点广播包含自身位置和跳数（初始为 0）的消息。邻居节点接收到消息后，将跳数加 1，并继续向其邻居节点转发，直到网络中的所有节点都接收到至少一个锚节点的消息。通过这种方式，每个节点都能记录下到各个锚节点的跳数。
⛳️ 运行结果
📣 部分代码
%___________________________________________________________________%
% Tuna swarm optimization (TSO) %
% %
% Developed in MATLAB R2016b %
% %
% Author and programmer: Andi Tang %
% %
% E-mail: 418932433@qq.com %
% andisu_afeu@163.com %
% %
% Main paper: Tuna swarm optimization: A novel swarm-based %
% metaheuristic algorithm for global optimization %
% DOI: 10.1155/2021/9210050 %
% Computational Intelligence and Neuroscience%
% %
% %
%___________________________________________________________________%
function [Tuna1_fit,Tuna1,Convergence_curve]=TSO(Particles_no,Max_iter,Low,Up,Dim,fobj)
Tuna1=zeros(1,Dim); Tuna1_fit=inf;
T=initialization(Particles_no,Dim,Up,Low);
Iter=0;
aa=0.7;
z=0.05;
while Iter<Max_iter
C=Iter/Max_iter;
a1=aa+(1-aa)*C;
a2=(1-aa)-(1-aa)*C;
for i=1:size(T,1)
Flag4ub=T(i,:)>Up;
Flag4lb=T(i,:)<Low;
T(i,:)=(T(i,:).*(~(Flag4ub+Flag4lb)))+Up.*Flag4ub+Low.*Flag4lb;
fitness(i)=fobj(T(i,:));
if fitness(i)<Tuna1_fit
Tuna1_fit=fitness(i); Tuna1=T(i,:);
end
end
%---------------- Memory saving-------------------
if Iter==0
fit_old=fitness; C_old=T;
end
for i=1:Particles_no
if fit_old(i)<fitness(i)
fitness(i)=fit_old(i); T(i,:)=C_old(i,:);
end
end
C_old=T; fit_old=fitness;
%-------------------------------------------------
t=(1-Iter/Max_iter)^(Iter/Max_iter);
if rand<z
T(1,:)= (Up-Low)*rand+Low;
else
if 0.5<rand
r1=rand;
Beta=exp(r1*exp(3*cos(pi*((Max_iter-Iter+1)/Max_iter))))*(cos(2*pi*r1));
if C>rand
T(1,:)=a1.*(Tuna1+Beta*abs(Tuna1-T(1,:)))+a2.*T(1,:); %Equation (8.3)
else
IndivRand=rand(1,Dim).*(Up-Low)+Low;
T(1,:)=a1.*(IndivRand+Beta*abs(IndivRand-T(i,:)))+a2.*T(1,:);%Equation (8.1)
end
else
TF = (rand>0.5)*2-1;
if 0.5>rand
T(1,:)=Tuna1+rand(1,Dim).*(Tuna1-T(1,:))+TF.*t^2.*(Tuna1-T(1,:));%Equation (9.1)
else
T(1,:) =TF.* t^2.*T(1,:);%Equation (9.2)
end
end
end
for i=2:Particles_no
if rand<z
T(i,:)= (Up-Low)*rand+Low;
else
if 0.5<rand
r1=rand;
Beta=exp(r1*exp(3*cos(pi*((Max_iter-Iter+1)/Max_iter))))*(cos(2*pi*r1));
if C>rand
T(i,:)=a1.*(Tuna1+Beta*abs(Tuna1-T(i,:)))+a2.*T(i-1,:);%Equation (8.4)
else
IndivRand=rand(1,Dim).*(Up-Low)+Low;
T(i,:)=a1.*(IndivRand+Beta*abs(IndivRand-T(i,:)))+a2.*T(i-1,:);%Equation (8.2)
end
else
TF = (rand>0.5)*2-1;
if 0.5>rand
T(i,:)=Tuna1+rand(1,Dim).*(Tuna1-T(i,:))+TF*t^2.*(Tuna1-T(i,:)); %Equation (9.1)
else
T(i,:) = TF*t^2.*T(i,:);%Equation (9.2)
end
end
end
end
Iter=Iter+1;
Convergence_curve(Iter)=Tuna1_fit;
end
