简介本资源面向无线传感器网络课程学习、毕业设计与科研仿真入门者提供一套基于Matlab与Python双语言实现的完整仿真代码与数据覆盖RSSI测距多边定位、五种网络拓扑结构生成、CSMA/CA五种退避策略对比、粒子群算法优化节点覆盖率以及改进LEACH路由协议与经典LEACH的对比实验帮助读者快速搭建可复现的仿真环境并理解各模块算法差异。压缩包共85个文件约1.46MB以17个py脚本、12个m文件为核心代码辅以34张png结果图、4个mat与3个npy数据文件以及6份md说明文档便于按实验模块检索与运行。目前已有602人学习下载。各实验均配有独立目录与说明读者可据此复现定位误差、覆盖率收敛、退避性能与路由能耗等关键结果并在此基础上修改参数、替换算法用于课程报告、论文实验或算法对比验证。1. 从一堆散乱的节点坐标说起这套 WSN 仿真资源到底能干什么如果你正在做无线传感器网络的课题大概率遇到过这种局面论文里要对比 LEACH 和改进算法的能耗曲线答辩 PPT 里要放一张节点覆盖图导师又临时要求补一组 MAC 层退避策略的仿真数据。手头没有现成的仿真框架从零写一套 MATLAB 加 Python 的混合代码光是调通节点部署和信道模型就得耗掉一两周。这套「基于 Matlab 和 Python 实现无线传感器网络仿真」的资源包就是冲着这个场景来的——它把网络拓扑生成、节点覆盖优化、MAC 协议退避策略对比、路由协议改进以及 RSSI 定位这五块内容拆成了独立可运行的模块每个模块都配了 matlabcode 和 pythoncode 两套实现外加 README 说明。适合谁做课程设计的学生、赶论文实验的研究生以及需要快速搭一个 WSN 验证环境的工程师。它不教你通信原理但能让你在半天内跑出第一张拓扑图和第一条能耗曲线。2. 五种网络拓扑结构生成从随机撒点到可复现的部署图2.1 为什么拓扑生成是 WSN 仿真的第一块砖无线传感器网络的几乎所有性能指标——覆盖率、连通性、能耗、时延——都建立在节点怎么摆这件事上。均匀随机部署看起来省事但实际跑路由协议时你会发现随机撒点经常出现孤立节点或者局部空洞导致 LEACH 的簇头选举结果波动极大同一组参数跑三次能出三条完全不同的曲线。所以一套靠谱的仿真资源第一步必须把拓扑生成做成可控、可复现的。这个模块提供了五种拓扑随机均匀分布、网格分布、高斯聚类分布、环形分布和带状分布。前两种用于基线对比高斯聚类模拟热点区域环形和带状则对应边界监测、管道监测这类特定场景。2.2 MATLAB 端拓扑生成的核心代码与参数先看 MATLAB 侧的入口脚本。资源包里 Network_topology 目录下的 matlabcode 文件夹通常有一个主脚本负责调用不同拓扑函数。下面这段是我根据常见实现整理的调用逻辑参数含义我会逐行说明。% 参数区区域大小、节点数、拓扑类型 area [100, 100]; % 部署区域 100m x 100m N 200; % 节点总数 topoType gaussian; % 可选 uniform / grid / gaussian / ring / strip % 根据拓扑类型生成坐标 switch topoType case uniform pos rand(N, 2) .* area; % 均匀随机 case grid side ceil(sqrt(N)); [X, Y] meshgrid(linspace(0, area(1), side), ... linspace(0, area(2), side)); pos [X(:), Y(:)]; pos pos(1:N, :); % 截取前 N 个 case gaussian mu area / 2; % 聚类中心 sigma area / 6; % 标准差控制聚拢程度 pos mu sigma .* randn(N, 2); pos max(min(pos, area), 0); % 边界截断 case ring theta 2 * pi * rand(N, 1); r 30 5 * randn(N, 1); % 环半径 30m带扰动 pos [area(1)/2 r.*cos(theta), ... area(2)/2 r.*sin(theta)]; case strip pos [rand(N,1)*area(1), 20 rand(N,1)*10]; % 20~30m 带状 end % 绘制并保存 figure; plot(pos(:,1), pos(:,2), o); axis([0 area(1) 0 area(2)]); axis square; save(topo_pos.mat, pos);逻辑说明area决定部署范围N是节点数这两个参数直接决定后续覆盖率和连通性的量级。gaussian里的sigma是关键——它越小节点越聚拢簇头压力越集中路由实验里能耗曲线会明显陡峭。ring的半径和扰动幅度要匹配你的监测目标扰动太大环就散了。strip适合模拟高速公路或管道场景带宽参数按实际监测区域改。运行后topo_pos.mat保存坐标Python 侧可以直接读取这个文件保证两端拓扑完全一致。2.3 Python 端如何复用同一套坐标Python 侧不建议重新生成坐标而是读 MATLAB 存下来的.mat这样跨语言对比实验才公平。用scipy.io.loadmat即可。import scipy.io as sio import matplotlib.pyplot as plt data sio.loadmat(topo_pos.mat) pos data[pos] # shape (N, 2) plt.figure(figsize(5,5)) plt.plot(pos[:,0], pos[:,1], o, markersize4) plt.xlim(0, 100); plt.ylim(0, 100) plt.gca().set_aspect(equal) plt.savefig(topo_python.png, dpi150)参数说明pos的列顺序是 x、y和 MATLAB 一致。如果你的 MATLAB 版本存的是 v7.3 格式loadmat可能读不了改用h5py读。这一步的坑在于坐标系原点——MATLAB 和 Python 都默认左下角但有些绘图库会翻转 y 轴画出来拓扑上下颠倒对比图放论文里会被审稿人挑。3. 节点覆盖优化与 PSO把覆盖率从 72% 拉到 90% 以上3.1 覆盖问题的本质与 PSO 的选型理由节点覆盖实验的目标很简单在给定节点数和区域面积下让有效覆盖面积最大。随机部署的覆盖率通常在 70% 上下网格部署能到 85% 但边界浪费严重。粒子群算法PSO在这里的优势是不依赖梯度、实现短、参数少适合作为课程设计里的优化算法演示。它的思路是把每个节点的坐标当成一个粒子维度用覆盖率作为适应度函数迭代调整位置。相比遗传算法PSO 收敛更快代码量少一半缺点是容易早熟所以惯性权重和学习因子的设置要讲究。3.2 PSO 优化覆盖率的可运行实现下面这段 Python 代码是覆盖实验的核心我按常见做法补全了适应度计算和边界处理。import numpy as np def coverage_ratio(pos, area, Rs): 计算覆盖率网格采样法 xs np.linspace(0, area[0], 100) ys np.linspace(0, area[1], 100) X, Y np.meshgrid(xs, ys) covered np.zeros_like(X, dtypebool) for (px, py) in pos: dist2 (X - px)**2 (Y - py)**2 covered | (dist2 Rs**2) # 感知半径 Rs return covered.mean() def pso_optimize(N, area, Rs, iters100, pop30): w, c1, c2 0.7, 1.5, 1.5 # 惯性权重与学习因子 X np.random.rand(pop, N, 2) * area V np.zeros_like(X) pbest X.copy() pbest_val np.array([coverage_ratio(x, area, Rs) for x in X]) gbest pbest[pbest_val.argmax()].copy() gbest_val pbest_val.max() for t in range(iters): r1, r2 np.random.rand(), np.random.rand() V w*V c1*r1*(pbest - X) c2*r2*(gbest - X) X np.clip(X V, 0, area) # 边界截断 val np.array([coverage_ratio(x, area, Rs) for x in X]) improved val pbest_val pbest[improved] X[improved] pbest_val[improved] val[improved] if val.max() gbest_val: gbest_val val.max() gbest X[val.argmax()].copy() return gbest, gbest_val逻辑说明coverage_ratio用 100x100 网格采样近似面积积分Rs是感知半径通常取 10~15m。pop是粒子数30 够用太小容易早熟。w从 0.9 线性降到 0.4 效果更好这里固定 0.7 是简化版。c1和c2分别控制个体和全局经验调大c2收敛快但可能局部最优。跑完后gbest就是优化后的节点坐标覆盖率一般能从 72% 提到 90% 以上。注意np.clip那行不能省否则粒子飞出区域覆盖率计算会出错。3.3 MATLAB 侧覆盖实验的对应实现MATLAB 侧逻辑一致但矩阵操作更简洁。资源包里 matlabcode 通常用meshgrid加pdist2算距离。function ratio coverage_ratio(pos, area, Rs) [X, Y] meshgrid(linspace(0,area(1),100), linspace(0,area(2),100)); covered false(size(X)); for k 1:size(pos,1) d2 (X - pos(k,1)).^2 (Y - pos(k,2)).^2; covered covered | (d2 Rs^2); end ratio mean(covered(:)); end参数说明Rs要和 Python 侧保持一致否则两边覆盖率没法对比。pdist2在统计工具箱里如果没装就用上面的循环写法。MATLAB 的mean(covered(:))把逻辑矩阵拉平求均值等价于 Python 的covered.mean()。4. MAC 协议退避策略与 LEACH 路由对比实验怎么跑才不翻车4.1 CSMA/CA 五种退避策略的对比框架MAC 协议实验的核心是对比五种退避策略二进制指数退避BEB、乘性增加线性减小MILD、指数增加指数减小EIED、线性增加线性减小LILD和固定退避。评价指标是吞吐量、碰撞率和平均时延。这个模块的 Python 代码通常用一个离散事件模拟器每个节点维护自己的退避计数器信道忙则冻结空闲则递减。关键参数是竞争窗口CW的初始值和最大最小值以及重传次数上限。class Node: def __init__(self, cw_min16, cw_max1024, retry_max7): self.cw cw_min self.cw_min cw_min self.cw_max cw_max self.retry 0 self.retry_max retry_max self.backoff np.random.randint(0, self.cw) def on_collision(self, strategyBEB): self.retry 1 if strategy BEB: self.cw min(self.cw * 2, self.cw_max) elif strategy MILD: self.cw min(self.cw * 1.5, self.cw_max) elif strategy EIED: self.cw min(self.cw * 2, self.cw_max) elif strategy LILD: self.cw min(self.cw 16, self.cw_max) self.backoff np.random.randint(0, self.cw) def on_success(self, strategyBEB): self.retry 0 if strategy BEB: self.cw self.cw_min elif strategy MILD: self.cw max(self.cw / 1.5, self.cw_min) elif strategy EIED: self.cw max(self.cw / 2, self.cw_min) elif strategy LILD: self.cw max(self.cw - 16, self.cw_min)逻辑说明cw_min和cw_max决定退避窗口范围retry_max超过就丢包。BEB 碰撞后翻倍、成功后归零简单但高负载下时延抖动大。MILD 乘 1.5 更温和适合中等负载。EIED 和 LILD 的差异在增减方式跑对比实验时每种策略至少跑 10 次取平均否则单次结果受随机种子影响太大。这个模块的坑在于信道模型——如果没模拟捕获效应所有碰撞都算失败吞吐量会偏低和理论曲线对不上。4.2 LEACH 改进算法的 Python 模拟与对比路由协议实验用 Python 模拟 LEACH 及其改进版本。经典 LEACH 的簇头选举是概率式的每个节点生成 0~1 随机数小于阈值T(n)就当簇头。改进算法通常引入剩余能量因子和距离因子让能量高、离基站近的节点优先当选。def leach_threshold(node, p0.05, r0, GNone): 经典 LEACH 阈值 if node.id in G: return 0 return p / (1 - p * (r % (1/p))) def improved_threshold(node, p0.05, r0, GNone, E01.0, d_max100): 改进叠加剩余能量与距离权重 base leach_threshold(node, p, r, G) energy_factor node.energy / E0 dist_factor 1 - node.dist_to_bs / d_max return base * energy_factor * dist_factor参数说明p是期望簇头比例通常 5%。r是当前轮数G是最近1/p轮没当过簇头的节点集合。改进版的energy_factor和dist_factor都归一化到 0~1乘上去之后阈值更偏向优质节点。跑对比时横轴是轮数纵轴是存活节点数或总能耗改进算法通常能多撑 20%~30% 的轮数。注意d_max要按实际区域对角线设设小了距离因子区分度不够。5. 避坑与排查RSSI 定位和跨语言联调里最容易翻车的几件事5.1 现象RSSI 定位结果抖动大同一组数据跑三次坐标差好几米原因RSSI 测距本身噪声大多边定位对测距误差敏感尤其是三个参考节点近似共线时最小二乘解会病态。解决在RSSI_positioning的 pythoncode 里先对 RSSI 做滑动平均滤波再转距离参考节点选择时检查几何精度因子共线组合直接剔除。常见做法是至少用 4 个参考节点做冗余用最小二乘而非三边解算。5.2 现象MATLAB 存的.mat在 Python 里读出来是空字典原因MATLAB 默认存 v7 格式scipy.io.loadmat能读但如果脚本里用了save -v7.3就是 HDF5 格式loadmat读不了。解决要么在 MATLAB 里改回save(file.mat,var)要么 Python 侧用h5py.File(file.mat,r)读注意 HDF5 里矩阵是转置的读出来要.T。5.3 现象PSO 覆盖率曲线前期涨得快后面几十轮几乎不动原因惯性权重固定导致后期探索能力不足粒子全挤在局部最优附近。解决把w改成线性递减从 0.9 降到 0.4或者加一个随机扰动项每轮对 10% 的粒子重新随机初始化。另外检查Rs是不是设得太大如果Rs覆盖了半张图随便摆都能到 90%优化空间本来就小。5.4 现象LEACH 对比实验里改进算法反而先死光原因改进阈值里能量因子和距离因子的权重没归一化好导致某些轮次阈值异常高簇头数量骤减部分节点提前耗尽。解决打印每轮簇头数量和节点能量分布确认阈值范围在 0~p之间d_max用区域对角线长度不要拍脑袋填。另外确认基站位置基站放角落和放中心结果完全不同。5.5 现象MAC 退避策略对比里五种策略吞吐量几乎一样原因负载设得太低信道很少碰撞退避策略根本没机会体现差异。解决把节点数加到 50 以上或者缩短数据包间隔让信道利用率超过 60%。同时检查模拟器里信道忙的判断逻辑如果所有节点共享一个全局信道状态退避就失去意义了。6. 进阶技巧把五块实验串成一条可复现的验证链单独跑通每个模块只是第一步真正省时间的是把它们串起来。我的习惯是固定一个随机种子先生成拓扑坐标存成.mat然后覆盖优化、MAC 实验、路由实验全部读同一份坐标这样任何性能差异都能归因到算法本身而不是节点位置变了。具体做法是在 MATLAB 主脚本开头加rng(42)Python 侧加np.random.seed(42)两边种子一致。验证链的检查点我一般设三个第一拓扑图两端的节点坐标逐点对比误差为 0第二覆盖优化后的覆盖率在两端一致允许 0.5% 的网格采样误差第三LEACH 改进算法在相同坐标和相同能量初始值下存活轮数差异不超过 5%。如果第三点对不上八成是簇头选举的随机数序列没对齐检查 Python 的random和numpy.random是不是混用了。还有一个容易被忽略的点RSSI 定位模块的参考节点坐标最好从拓扑文件里抽而不是单独生成。这样定位误差可以直接叠加到覆盖图上看哪些区域的定位精度拖了后腿。我通常会把定位误差超过 3m 的节点标红如果红点集中在区域边缘说明参考节点布设不合理需要调整。从那以后我每次拿到新的 WSN 仿真代码都强制先跑一遍种子对齐和坐标一致性检查确认两端读的是同一份数据再往下做实验。这个习惯帮我省掉了至少三次「曲线对不上、排查一整天」的返工。希望帮到你。本文还有配套的精品资源点击获取