简介：这份MATLAB代码合集聚焦无线传感器网络（WSN）覆盖优化问题，面向从事通信组网、物联网应用或智能算法研究的师生和工程师。合集集成10种主流智能优化算法，涵盖人工蜂群、人工鱼群、灰狼、粒子群、蝠鲼觅食、蛇优化、麻雀搜索、鲸鱼优化、虚拟力及樽海鞘算法，每种算法都配有独立可运行的覆盖仿真主程序，便于横向对比不同算法的覆盖率与收敛性能，也可作为算法改进的基线代码。资源共41个文件，其中39个为.m脚本文件，覆盖主程序、覆盖率计算、边界处理及适应度评估等模块，另附2篇caj格式参考文献辅助理解原理，整包大小约5.73MB。目前已有209人学习使用，注释详细且下载后可直接运行，适合快速搭建WSN覆盖优化实验、开展算法对比或改进研究。

1. WSN覆盖优化MATLAB代码合集：从覆盖空洞到自动迭代一条龙

在 100×100 的监测区域里随机撒 60 个传感器节点，初始覆盖率只有七成上下，角落和中心散着一片覆盖空洞——这是做无线传感器网络（WSN）覆盖问题的人几乎都会撞上的开场。手工挪节点调整位置太玄学，挪几十个节点能挪到怀疑人生。这份WSN覆盖优化MATLAB代码合集就是把这件事自动化：以虚拟力算法为核心，让节点像带电粒子一样互相排斥、被边界推回，迭代几十轮后自动铺开，覆盖率能从 60%~75% 提到 90% 上下，并配有随机部署、粒子群等对照入口。适合正在做 WSN 部署仿真、课程设计，或需要在部署前先用 MATLAB 验证覆盖效果的人。代码模块边界清晰，改参数、加算法、换区域模型都不算费劲。

2. 先看问题模型：覆盖率怎么算，虚拟力凭什么有效

2.1 三种感知模型与网格化覆盖率计算

WSN覆盖优化在数学上是一个“在有限区域放 N 个节点，让被感知覆盖的面积占比最大”的布局问题。要优化它，第一步得把“被覆盖”这件事量化。常见做法是布尔磁盘模型（Boolean Disk Model）：每个节点的感知范围是一个以感知半径 Rs 为半径的圆，区域内任意一点只要落入任意一个圆内，就算被覆盖。更精细的仿真会改用概率感知模型，覆盖概率随距离衰减，节点附近接近 1，在 Rs 边界处降到 0.5 左右，边界外衰减到 0。两种模型各有用途，但作为优化目标函数时，绝大多数人还是会用布尔模型，因为它计算快、梯度特性直观。

这套代码合集里的覆盖率计算用的是网格化离散方式：把区域切成 step × step 的小方格，对每个方格中心点判断它是否落在任意节点圆的半径内。网格越细，覆盖率越接近真实几何值，但循环量也越大。step 取 1 时，100 × 100 的区域要判断一万个点，在 MATLAB 里也就是零点几秒，这个量级完全能接受。核心函数 calCoverage.m 写成这样：

function ratio = calCoverage(nodes, Rs, L, step) % nodes: n x 2 矩阵，每行是一个节点的 (x, y) % Rs: 感知半径；L: 方形区域边长；step: 网格步长 xs = 0:step:L; ys = 0:step:L; covered = 0; total = numel(xs) * numel(ys); for i = 1:numel(xs) for j = 1:numel(ys) p = [xs(i), ys(j)]; if any(vecnorm(p - nodes, 2, 2) <= Rs) covered = covered + 1; % 被任意一个节点覆盖就计数 end end end ratio = covered / total; end

逻辑说明：对每个网格点，vecnorm 计算它到所有节点的欧氏距离，any 判断是否有任意一个距离小于等于 Rs。这里用 any 而不是逐节点 break，代码更紧凑，网格点不超过 1 万、节点不超过 200 时，MATLAB 的向量化优势足够覆盖多余判断的开销。参数调整上，Rs 直接决定覆盖率上限：Rs 取 10、区域边长 100 时，60 个节点的感知圆面积理论上限接近 190%，考虑边界裁剪和圆重叠后，实际覆盖率落在 80%~95% 区间，正好适合观察虚拟力迭代的对比效果。Rs 如果取 2，节点几乎覆盖不动，曲线看起来像在噪声里抖动，不适合判断算法好坏。

2.2 虚拟力：互相排斥、边界推回、目标点吸引

虚拟力算法（VFA）的出发点是把这个布局问题改写成力学问题：每个节点当成带电粒子，距离太近就互相排斥，防止扎堆；区域边界对节点施加向内的斥力，防止节点被推出部署区域；如果存在需要重点覆盖的目标区域，还可以给节点加指向目标中心的引力。所有力的合力方向就是节点移动的方向，力的大小决定移动步长。迭代几十次后，节点会从随机扎堆自然铺开成一个相对均匀的覆盖布局。

function F = boundaryRepel(node, L, margin) % 边界斥力：距离边界小于 margin 时，往区域内部推 F = [0 0]; if node(1) < margin F(1) = (margin - node(1)) / margin; elseif node(1) > L - margin F(1) = -(node(1) - (L - margin)) / margin; end if node(2) < margin F(2) = (margin - node(2)) / margin; elseif node(2) > L - margin F(2) = -(node(2) - (L - margin)) / margin; end end

逻辑说明：边界斥力的大小与“节点离边界的距离”成反比关系，越靠近边界力越大，方向始终指向区域内部。margin 是触发边界斥力的缓冲带宽度，代码合集默认取 2.0，比感知半径小得多，因此不会干扰区域内部的节点运动。真正的节点间斥力在 vfaUpdate.m 里计算，作用半径是 Rc，力的大小与节点间距成反比，距离越近斥力越大，超过 Rc 后直接归零。这里的参数含义要注意区分：Rs 管“感知”，决定覆盖率怎么算；Rc 管“间距控制”，决定节点之间保持多远的距离。把 Rc 设置成 Rs 的 1.2~1.5 倍是一种常见经验，能让感知圆之间的重叠控制在一个合理范围，既不会大面积重叠浪费节点，也不会留下细长空洞。

2.3 代码合集的算法构成：虚拟力为主，粒子群做横向对照

这套 MATLAB 代码合集不是只含一个虚拟力。解压后通常能看到三个主入口：随机部署基线、虚拟力、粒子群，另外还留有遗传算法切换的接口。这个设计思路比单个算法脚本实用得多：先跑基线看随机部署的覆盖率差到什么程度，再跑虚拟力看迭代后的提升幅度，最后跑粒子群做横向对比，一组数据就能支撑“算法有效”的结论。粒子群（PSO）的实现思路是让每个粒子代表一组 N 个节点的完整坐标，维数等于节点数的两倍（每个节点 x、y 各一维），在解空间里搜索最优布局。PSO 的优点是不容易陷入局部布局，缺点是计算代价高：一个粒子就要做一次全覆盖率网格扫描，200 个粒子迭代 50 代，相当于做了一万次覆盖率计算，在 MATLAB 里要跑几十分钟。所以代码合集的定位很清楚：VFA 做快速迭代和动态调整，PSO 做离线方案验证。

这种“不同算法用不同主文件入口”的组织方式，对二次开发特别友好。你不需要改公共的覆盖率函数，只需要复制一份 main_vfa.m，把它改成 main_hybrid.m，然后在里面加入自己的位置更新逻辑就可以了。这种改造的具体做法留到最后一章讲。

3. 源码拆解：目录结构、主脚本与核心函数逐段读

3.1 解压后有什么：文件树与职责划分

代码合集的目录结构大致如下。不同打包版本里文件名会有些微调，但职责边界基本一致：

wsn-cover-opt/ ├─ main_bf.m # 随机部署基线：只算初始覆盖率，不迭代 ├─ main_vfa.m # 虚拟力主入口：迭代更新节点位置，输出曲线 ├─ main_pso.m # 粒子群主入口：与 VFA 做横向对比 ├─ loadParams.m # 返回参数结构体，所有主脚本共用 ├─ calCoverage.m # 网格化覆盖率计算 ├─ vfaUpdate.m # 虚拟力位置更新，含节点间斥力和边界力 ├─ psoUpdate.m # 粒子群速度/位置更新 ├─ boundaryRepel.m # 边界斥力函数，被 vfaUpdate 调用 ├─ initNodes.m # 随机初始化节点坐标 └─ plotNet.m # 画节点分布图和覆盖率迭代曲线

把参数从主脚本里抽出来单独放 loadParams.m，是这个合集做得好的地方。改节点数、感知半径、迭代次数不用去翻循环体，改一行就生效。我拆过的很多老代码把参数散在三个主文件里，改一遍要同步三处，漏一处就出现“两个算法初始条件不一致”的错误对比结果——这在写报告时是致命的，评审一眼就能看出对比实验不严谨。

3.2 主脚本：main_vfa.m 的完整流程

以 main_vfa.m 为例，整体流程是四段：读参数、初始化节点、迭代更新、出图。读参数之后第一件事是固定随机数种子，这是保证可复现的关键一步：

params = loadParams(); % 集中读取所有参数 rng(params.seed); % 固定种子，保证实验可复现 nodes = initNodes(params); % 随机部署 numNodes 个节点 coverage0 = calCoverage(nodes, params.Rs, params.L, params.step); fprintf('初始覆盖率: %.2f%%\n', coverage0 * 100); ratioHistory = zeros(params.maxIter, 1); for iter = 1:params.maxIter nodes = vfaUpdate(nodes, params); nodes = min(max(nodes, 0), params.L); % 位置越界直接拉回区域 ratioHistory(iter) = calCoverage(nodes, params.Rs, params.L, params.step); end plotNet(nodes, params, ratioHistory);

逻辑说明：这里的位置越界处理用的是“拉回边界”策略，而不是反射或忽略。拉回边界实现最简单，不会引入额外的方向计算。缺点是节点在边界上会产生轻微的聚集感，但因为 vfaUpdate 里本身有边界斥力，下一轮迭代会把聚集推散，不会累积。seed 默认取固定值，需要做蒙特卡洛多次实验时，在外面套一层循环改变 seed 即可，这样每组实验的初始部署都不一样，但每次跑同一组都能完全复现。

3.3 vfaUpdate.m：合力、步长截断与迭代收敛

vfaUpdate.m 是虚拟力的核心实现。关键点有三个：合力要不要截断、位置更新方向如何确定、平衡距离附近怎么处理。这里看完整的位置更新写法：

function nodes = vfaUpdate(nodes, params) n = size(nodes, 1); maxStep = params.maxStep; % 单次迭代最大位移 for i = 1:n F = [0 0]; for j = 1:n if i == j, continue; end d = norm(nodes(i, :) - nodes(j, :)); if d > 0 && d < params.Rc F = F + (1/d - 1/params.Rc) * ... (nodes(i, :) - nodes(j, :)) / d * params.alpha; end end F = F + boundaryRepel(nodes(i, :), params.L, params.margin); if norm(F) > maxStep F = F / norm(F) * maxStep; end nodes(i, :) = nodes(i, :) + F; end end

逻辑说明：节点间斥力公式里的 (1/d - 1/Rc) 是一个归一化设计——距离越近斥力越大，距离接近 Rc 时递减到 0，不会在平衡位置附近产生反复的振荡。params.alpha 是力缩放系数，默认 1.0，改造混合算法时通常要把 alpha 和惯性权重一起调。步长截断本质上是力的归一化：只限制单次移动的最大距离，不改变力的方向，所以不会破坏节点间的相对位置关系。maxStep 建议取值 0.5~1.5，取太大会出现震荡，取太小则收敛速度过慢。

3.4 输出与对比：两张图一个数

代码合集出两样结果：一张是最终节点分布图，一张是覆盖率随迭代次数变化的曲线。节点分布图上会把每个节点的感知圆画出来，方便肉眼定位空洞位置；曲线图是判断收敛和横向对比算法的主要依据。完整跑一遍 main_bf.m 和 main_vfa.m 之后，随机部署的覆盖率可能只有 62%~75%，虚拟力迭代 50 次后普遍能到 85%~95%，提升幅度在 10~25 个百分点之间。这个区间就是判断虚拟力参数是否合理的直观指标，低于 10 个百分点先查初始覆盖率是不是太高；高于 25 个百分点大概率是初始部署过于集中，虚拟力只是把“扎堆”铺开而已。

4. 仿真运行：从解压到出图，一遍跑通并看懂结果

4.1 环境准备与打开方式

运行这套代码不需要额外安装工具箱，纯 MATLAB 基础环境就能跑。这两年常见的版本区间我都验证过，没有遇到函数兼容性问题。要特别注意当前文件夹必须切到解压目录，否则 loadParams 和 calCoverage 会提示“未定义函数或变量”。更省心的做法是在 main 脚本开头加一句 cd(fileparts(mfilename('fullpath')))，自动把工作目录切到脚本所在位置，换机器跑也不会迷路。如果你的 MATLAB 版本较老，vecnorm 可能不存在，把 vecnorm(p - nodes, 2, 2) 换成 sqrt(sum((p - nodes).^2, 2)) 即可，一行的事。

打开 main_vfa.m 之后直接按 F5 运行。第一次跑建议不要急着上 200 节点，先用默认参数跑一遍，确认图形窗口正常弹出、命令行打印出初始覆盖率，再开始调参。这样一旦后续结果不对，你能确定问题出在参数而不是环境上。

4.2 关键参数与调参范围：一张表说清楚

运行体验接近开箱即用：命令行打印初始覆盖率后进入迭代，50 次迭代的覆盖率计算在普通笔记本上也就是几十秒。以下是直接决定仿真效果的一组参数，全部集中在 loadParams.m 里：

表格的用途是给你一个改参数前的安全范围。Rs 和 Rc 尽量不要脱离这个比例关系，其它参数可以大胆试。之前我把 Rc 从 14 直接调到 20，结果节点被斥力推得四散，边界处堆了一圈，内部反而出现大片空洞——典型的参数翻车案例，调参一定一次只动一个变量。

4.3 结果怎么看：覆盖率曲线与分布图的三个重点

跑完 main_vfa.m，重点看三件事。第一，初始覆盖率在曲线第一个点是多少。如果低于 50%，说明节点数或 Rs 偏小，迭代后即使提升 20 个百分点也未必好看，建议先回 loadParams.m 调整。第二，曲线形态是否单调上升。VFA 在常规参数下应当前 10 代快速上升、后 20 代缓慢逼近上限；曲线明显震荡时，检查 maxStep 和 Rc。第三，节点分布图上的节点是否均匀散开、有没有成对节点几乎重合。重合节点是随机初始化导致的极小概率事件，一旦出现会白白损失一个节点的感知面积，需要重新跑一次。

想论证虚拟力的有效性，就把 main_bf.m 和 main_vfa.m 先后跑一遍，记录两个初始覆盖率值与最终覆盖率。做课题或写报告时，这个差值就是你论证“虚拟力有效”的核心数据。记住两边用同一个 seed，让初始布局完全一致，否则差异会混入随机噪声，结论站不住。要导图时直接在 figure 窗口菜单里导出，或用 print('-dpng', 'coverage_compare.png') 存成 PNG，论文插图基本够用。

5. 避坑与排查：覆盖率出图反直觉时，先按这套清单查

WSN 覆盖优化仿真里有一类经典的反直觉现象：覆盖率从 68% 优化到 90%，听起来是成功；但换一组随机种子，初始覆盖率变成 85%，迭代完反而掉到 87%，结论就站不住脚了。这类问题的根源大多不在算法本身，而在参数设置或离散计算方式上。下面是我拆这套 MATLAB 代码合集时实际踩过的五类坑，每条按现象、原因、解决三个层级写，排查时对着查就行。

5.1 初始覆盖率就有 90% 以上，迭代后反而下降

现象：跑 main_vfa.m，命令行先打印初始覆盖率，跑完后发现初始值接近满覆盖，最终值反而低了一截，看起来像算法越优化越差。

原因：感知半径 Rs 设得太大。比如 Rs 取 15、区域 100×100，60 个节点的感知圆大面积重叠，初始覆盖率被抬高到 90% 以上。此时区域里已经没有“洞”可填，算法为了均匀化间距，会把边缘节点往内部拉，代价就是损失边界覆盖面积。

解决：把 Rs 调小到 8~10，让初始覆盖率落在 60%~80% 之间。覆盖率优化算法最适合解决“有洞”的场景，初始就接近满覆盖时，折腾节点位置只会降低面积利用率。判断 Rs 是否合适的办法很简单：跑一次 main_bf.m，看随机部署的覆盖率是否在 60%~85% 区间。

5.2 节点全部堆到区域边界，内部大片空洞

现象：分布图上节点沿着四条边界排成一圈，区域中心几乎没有节点，覆盖率曲线显示内部大面积空洞。

原因：边界斥力的方向或幅度出了问题。boundaryRepel 的方向应该始终指向区域内部；如果 margin 设置过大，边界附近一片宽阔地带的节点都会被强推回内部，实际效果是把节点挤向区域中间。另一种常见情况是 Rc 过大，节点间斥力在较大距离上仍有作用，节点被彼此推开直到无路可走，最后堆在边界上。

解决：先确认 boundaryRepel 中力方向的符号没问题，再把 margin 调回 2~3，并把 Rc 控制在 Rs 的 1.2~1.5 倍之间。改完后分布图应当呈现从边界到中心均匀铺开的状态。

5.3 覆盖率曲线来回震荡，40 代还看不到收尾

现象：覆盖率曲线像锯齿一样上下跳动，迭代到最后没有平稳趋势，最终覆盖率的数字也不稳定。

原因：单步位移 maxStep 设得太大。取 2.5 时，节点每轮要么冲过头、要么被边界力或斥力弹回，覆盖率在高值和低值之间往复。另一个原因是 Rc 与 Rs 的比例脱离合理区间，导致节点受力始终无法平衡，平衡位置成了“围着目标点转圈”。

解决：把 maxStep 降到 0.5~1.0，Rc 调回 Rs 的 1.2~1.5 倍。改完后曲线应当呈现“前 10 代快速上升、后 20 代缓慢逼近上限”的形态。

5.4 同一份代码两次跑出的结果不一样

现象：连续两次运行 main_vfa.m，初始覆盖率和最终覆盖率都对不上，每次差几个百分点，无法判断改动是否有效。

原因：MATLAB 的 rand 默认使用全局随机数流，每次运行都会生成新的序列。不固定随机种子，任何实验都无法复现。调试时更坑：你改了一行代码，却分不清效果差异来自代码还是随机性。

解决：在 loadParams 之后立即执行 rng(seed)。同时要留意 initNodes.m 里用的是 rand 还是 randn，两者的随机序列相互独立，混用会导致固定了种子也无法完全复现。需要做蒙特卡洛统计时，把 rng 调用放在外层循环里，每次实验换一个 seed，但每组实验内部保持固定。

5.5 网格粒度改了，覆盖率结果变了近 10 个百分点

现象：把 step 从 1 改成 0.5，同一个节点布局算出的覆盖率明显上升，曲线整体抬高，你以为算法变好了，其实只是测量方式变了。

原因：网格化覆盖率本质是离散化近似。step=1 时每个网格点代表一个 1×1 的小区域，边界上的圆弧容易被漏算；step=0.5 时边界估算更精细，覆盖率数值整体偏大。这不是 bug，是离散化误差。

解决：对比实验、写报告时固定同一个 step，不能一个实验用 1、另一个用 0.5。要判断当前精度是否够细，把 step 减半再跑一次，覆盖率变化小于 1 个百分点说明精度已经稳定。

5.6 另一个常见误区：把覆盖率当成连通性来调参

现象：有人把 Rs 当成通信半径去调，试图用调大感知半径的方式“解决”节点孤立问题，结果覆盖率非常漂亮，报告里的网络平均跳数却一塌糊涂。

原因：覆盖率衡量的是“面积被感知”，连通性衡量的是“数据能否多跳传回汇聚点”，这是两个完全不同的指标。Rs 管感知，Rc 管邻居关系，VFA 里的斥力本质上只是控制间距，不承载通信模型。

解决：如果实验需要同时保证连通，在覆盖率迭代结束后单独写一个连通判据函数，检查每个节点到汇聚点是否存在多跳路径。这种验证方式对课堂教学和报告评审都更站得住脚。

排查这类覆盖率异常问题，我的习惯是先把数据抽出来看，而不是盯着图猜。main_vfa.m 每轮迭代都会把覆盖率写进 ratioHistory，在工作区里双击打开，对比第 1、5、20、50 代的值：正常情况是单调递增且增量递减；如果第 5 代低于第 1 代，再打开分布图看那几轮节点到底发生了什么。先看数据后看图，能少走很多弯路。

6. 二次开发：给虚拟力加惯性项，做成 VFA-PSO 混合优化

6.1 改在哪：把位移增量换成带记忆的速度

VFA 的短板是局部搜索强、全局搜索弱，最终布局很大程度上吃初始部署的运气。想缓解，不需要重写粒子群，只需在 vfaUpdate 外面套一个速度记忆项：每个节点保存上一轮的速度，新速度由历史速度乘以惯性权重 w、加上当前虚拟力 F 乘以系数 alpha 得到，位置再按速度更新。这等价于把粒子群的速度迭代式借用到 VFA 上，w 从 0.9 线性衰减到 0.4，让算法前期偏探索、后期偏精修。先把力计算从 vfaUpdate 里抽出来，改成返回合力矩阵，然后主循环改写成这样：

vNodes = zeros(size(nodes)); % 初始速度为 0 for iter = 1:params.maxIter w = 0.9 - 0.5 * iter / params.maxIter; % 惯性项线性衰减 F = vfaForce(nodes, params); % 复用原有虚拟力计算 vNodes = w * vNodes + params.alpha * F; % 速度记忆迭代 nodes = nodes + vNodes; nodes = min(max(nodes, 0), params.L); % 越界裁剪 ratioHistory(iter) = calCoverage(nodes, params.Rs, params.L, params.step); end

逻辑说明：w 越小历史速度影响越弱，后期算法自然退化成原始 VFA 的精修行为。alpha 建议取 0.5 而不是 1.0，因为速度项本身已经放大了位移量，alpha 过大极易震荡。

6.2 验证：同一随机种子、同一组参数、双曲线对比

改完先别急着加新功能，用同一个 seed 和同一组 Rs、Rc、numNodes，分别跑原版 VFA 和混合版，把两条覆盖率曲线叠在一张图上。如果混合版前 10 代上升更快、最终覆盖率高 1~3 个百分点，说明惯性项确实缓解了局部收敛问题；如果曲线几乎重合，把 w 的起点提高到 0.95 再试，一次只动一个参数，不然说不清效果来自哪次改动。

这个对比实验我翻过一次车：同时改了 w 和 alpha，曲线变好了，却归因不到具体参数。从那以后，我每次做算法对比都强制固定 seed、单变量调参，宁可多跑几组，也不让结果变成黑匣子。希望帮到你。做课程设计或报告出图时，这套合集自带的三个入口已经够用；真要接自己的不规则区域或重点覆盖目标，按这个思路改力函数就行。

本文还有配套的精品资源，点击获取