簡介這份資源面向無線傳感器網(wǎng)絡課程學習、仿真實驗與畢業(yè)設計人群提供基于Matlab與Python雙語言實現(xiàn)的完整仿真代碼與數(shù)據(jù)。內(nèi)容覆蓋RSSI測距多邊定位、五種網(wǎng)絡拓撲結構生成、CSMA/CA五種退避策略對比、粒子群算法優(yōu)化節(jié)點覆蓋率以及改進LEACH路由協(xié)議與經(jīng)典LEACH的仿真比較適合具備一定編程基礎、需要復現(xiàn)或拓展WSN實驗的讀者。壓縮包共85個文件約1.46MB以png結果圖、py與m源碼、md說明文檔為主另含mat數(shù)據(jù)、npy數(shù)組與xml配置便于直接運行與二次開發(fā)。目前已有602人學習下載。各實驗模塊均配有獨立說明讀者可據(jù)此快速搭建仿真環(huán)境、對比算法性能、分析拓撲與覆蓋效果并借助現(xiàn)成腳本與數(shù)據(jù)完成實驗報告或課題驗證。1. 無線傳感器網(wǎng)絡仿真的五種拓撲到底差在哪做無線傳感器網(wǎng)絡WSN仿真的人繞不開一個前置問題節(jié)點怎么擺。很多人一上來就調(diào)路由協(xié)議、改 MAC 層參數(shù)結果曲線怎么都不對最后發(fā)現(xiàn)是拓撲結構選錯了?；?Matlab 和 Python 實現(xiàn)無線傳感器網(wǎng)絡仿真、生成五種網(wǎng)絡拓撲結構本質(zhì)上解決的就是這件事——把隨機拓撲、網(wǎng)格拓撲、環(huán)形拓撲、星型拓撲、分簇拓撲這五種常見結構用代碼生成出來輸出節(jié)點坐標、鄰接關系和可視化圖再喂給后續(xù)的能耗、覆蓋、連通性仿真。這套東西適合兩類人一類是剛進實驗室、要快速搭一個可復現(xiàn)仿真環(huán)境的研究生另一類是做協(xié)議對比、需要固定拓撲做消融實驗的工程師。五種拓撲不是隨便湊數(shù)它們分別對應不同的物理部署場景和協(xié)議假設選錯了后面全是玄學。下面我按「先講清每種拓撲的適用邊界再給可抄的生成代碼最后說踩過的坑」這個順序展開Matlab 和 Python 兩套實現(xiàn)都會給到。2. 五種拓撲的生成邏輯與適用場景拆解2.1 隨機拓撲最像真實部署也最容易翻車隨機拓撲是 WSN 仿真的默認起點。常見做法是在一個 100m×100m 或 200m×200m 的矩形區(qū)域內(nèi)用均勻分布撒 N 個節(jié)點。它的價值在于模擬無規(guī)劃投放比如飛機撒播、災區(qū)臨時布設。但隨機拓撲有個隱蔽問題節(jié)點可能重疊也可能出現(xiàn)孤立節(jié)點導致連通性直接崩掉。Matlab 里生成隨機拓撲的核心就三行但邊界處理要自己加% 隨機拓撲生成N個節(jié)點區(qū)域L×L N 100; L 100; rng(42); % 固定隨機種子保證可復現(xiàn) x L * rand(1, N); y L * rand(1, N); % 去重疊任意兩節(jié)點距離小于d_min則重新撒該點 d_min 2; for i 1:N for j i1:N while norm([x(i)-x(j), y(i)-y(j)]) d_min x(i) L * rand(); y(i) L * rand(); end end end scatter(x, y, 30, filled); axis([0 L 0 L]); grid on;邏輯說明rng(42)是后悔藥不固定種子每次跑出來的拓撲都不一樣實驗沒法對比。d_min是節(jié)點最小間距物理上對應節(jié)點體積仿真上避免距離矩陣出現(xiàn)零導致除零。參數(shù)上N 一般取 50 到 200L 取 100 到 500節(jié)點密度 N/L2 決定了平均度密度低于 0.005 時連通性大概率不滿足。Python 版本用 numpy 更順手import numpy as np import matplotlib.pyplot as plt N, L, d_min 100, 100, 2 rng np.random.default_rng(42) pts rng.uniform(0, L, size(N, 2)) # 簡單去重疊迭代重撒 for i in range(N): for j in range(i1, N): while np.linalg.norm(pts[i]-pts[j]) d_min: pts[i] rng.uniform(0, L, size2) plt.scatter(pts[:,0], pts[:,1], s30) plt.xlim(0, L); plt.ylim(0, L); plt.grid(True) plt.show()參數(shù)說明default_rng(42)是 numpy 新式隨機接口比老的np.random.seed更干凈。uniform(0, L, size(N,2))一次生成坐標矩陣比循環(huán)快一個量級。去重疊的雙層循環(huán)在 N200 時還能接受N 再大就要換網(wǎng)格哈希否則 O(N2) 會拖慢。2.2 網(wǎng)格拓撲可控性最強但別死板照搬網(wǎng)格拓撲把節(jié)點按行列等距排列適合規(guī)則部署場景比如農(nóng)田監(jiān)測、廠房設備監(jiān)控。它的最大好處是連通性和覆蓋可以解析計算做協(xié)議對比時變量最少。常見做法是 sqrt(N)×sqrt(N) 的方陣間距 d 由區(qū)域邊長除以行列數(shù)決定。% 網(wǎng)格拓撲rows×cols間距d rows 10; cols 10; d 10; [X, Y] meshgrid(0:d:(cols-1)*d, 0:d:(rows-1)*d); x X(:); y Y(:); % 可選加輕微擾動避免完全對稱導致的路徑碰撞 jitter 0.5; x x jitter * (rand(size(x)) - 0.5); y y jitter * (rand(size(y)) - 0.5); plot(x, y, o); axis equal; grid on;邏輯說明meshgrid生成規(guī)則網(wǎng)格(:)拉平成行向量。加jitter是我一般會做的完全對稱的網(wǎng)格在基于地理路由的協(xié)議里會出現(xiàn)大量等長路徑仿真結果過于理想。擾動幅度取間距的 5% 以內(nèi)太大就破壞網(wǎng)格特性了。Python 對應實現(xiàn)rows, cols, d 10, 10, 10 xs np.arange(cols) * d ys np.arange(rows) * d X, Y np.meshgrid(xs, ys) pts np.column_stack([X.ravel(), Y.ravel()]) jitter 0.5 pts pts rng.uniform(-jitter, jitter, pts.shape) plt.scatter(pts[:,0], pts[:,1], s30) plt.axis(equal); plt.grid(True)參數(shù)說明d要大于通信半徑的 1/√2 才能保證對角鄰居也連通否則網(wǎng)格會退化成多個孤立簇。jitter用均勻分布而不是高斯避免出現(xiàn)離群點。2.3 環(huán)形與星型兩種極端各有各的坑環(huán)形拓撲節(jié)點排成一個圓適合管道監(jiān)測、邊界巡邏這類線性場景。星型拓撲所有節(jié)點連到一個中心節(jié)點適合單跳匯聚的小規(guī)模網(wǎng)絡。這兩種結構簡單但邊界條件容易寫錯。環(huán)形生成的關鍵是半徑和角度% 環(huán)形拓撲N個節(jié)點均勻分布在半徑R的圓上 N 50; R 50; theta linspace(0, 2*pi, N1); theta(end) []; x R * cos(theta); y R * sin(theta); % 鄰接每個節(jié)點只與前后兩個鄰居相連 adj zeros(N); for i 1:N adj(i, mod(i, N)1) 1; adj(mod(i, N)1, i) 1; end邏輯說明linspace(0, 2*pi, N1)再去掉最后一個點保證首尾不重合。mod(i, N)1是環(huán)形索引的標準寫法注意 Matlab 索引從 1 開始Python 從 0 開始移植時這里最容易翻車。星型拓撲更簡單但要注意中心節(jié)點的位置N, R 30, 50 theta np.linspace(0, 2*np.pi, N, endpointFalse) leaf np.column_stack([R*np.cos(theta), R*np.sin(theta)]) center np.array([[0, 0]]) pts np.vstack([center, leaf]) # 鄰接矩陣中心與所有葉子相連 adj np.zeros((N1, N1)) adj[0, 1:] 1 adj[1:, 0] 1參數(shù)說明endpointFalse避免首尾重疊這是 numpy 里生成環(huán)形坐標的常見寫法。星型的中心節(jié)點能耗是瓶頸仿真時要把它的初始能量設高一些否則跑不了幾輪就死了。2.4 分簇拓撲最貼近實際協(xié)議也最考驗參數(shù)分簇拓撲是 LEACH 這類協(xié)議的標配。常見做法是用 K-means 把節(jié)點聚成若干簇每簇選一個簇頭。它的難點不在生成而在簇頭數(shù)量和簇內(nèi)距離的平衡。% 分簇拓撲先隨機撒點再用kmeans聚成K簇 N 100; L 100; K 5; x L * rand(1, N); y L * rand(1, N); [idx, C] kmeans([x y], K, Replicates, 5); % 每簇選離質(zhì)心最近的節(jié)點作為簇頭 heads zeros(K, 2); for k 1:K members find(idx k); [~, mi] min(sum(([x(members) y(members)] - C(k,:)).^2, 2)); heads(k,:) [x(members(mi)) y(members(mi))]; end邏輯說明kmeans的Replicates參數(shù)設 5 是為了避免陷入局部最優(yōu)默認只跑一次結果可能很差。簇頭選離質(zhì)心最近的節(jié)點而不是直接用語質(zhì)心因為質(zhì)心位置可能沒有實際節(jié)點。參數(shù)上K 一般取 sqrt(N) 左右N100 時 K5 到 10 比較合理K 太大簇內(nèi)通信省了但簇頭開銷上去了。Python 用 scipy 或 sklearn 都可以from sklearn.cluster import KMeans N, L, K 100, 100, 5 pts rng.uniform(0, L, size(N, 2)) km KMeans(n_clustersK, n_init10, random_state42).fit(pts) labels km.labels_ centers km.cluster_centers_ heads [] for k in range(K): members pts[labels k] d np.linalg.norm(members - centers[k], axis1) heads.append(members[np.argmin(d)]) heads np.array(heads)參數(shù)說明n_init10對應 Matlab 的Replicates顯式指定比默認值更穩(wěn)。random_state42保證可復現(xiàn)。簇頭數(shù)量 K 的選擇可以用肘部法但仿真里一般直接按經(jīng)驗給。3. 用 Matlab 和 Python 跑通拓撲生成的最小工程3.1 統(tǒng)一的數(shù)據(jù)結構節(jié)點表加鄰接矩陣五種拓撲生成方式不同但輸出要統(tǒng)一否則后續(xù)仿真沒法復用。我一般會定義兩個核心結構節(jié)點表nodesN×2 的坐標矩陣和鄰接矩陣adjN×N 的 0/1 矩陣。鄰接矩陣的生成依賴通信半徑不是拓撲本身決定的但要在生成拓撲后立刻算出來。% 統(tǒng)一輸出nodes坐標 adj鄰接矩陣 function [nodes, adj] build_topology(type, N, L, R) switch type case random nodes L * rand(N, 2); case grid side ceil(sqrt(N)); [X, Y] meshgrid(linspace(0, L, side)); nodes [X(:), Y(:)]; nodes nodes(1:N, :); case ring theta linspace(0, 2*pi, N1); theta(end) []; nodes [L/2*cos(theta)L/2, L/2*sin(theta)L/2]; case star theta linspace(0, 2*pi, N); nodes [[L/2, L/2]; [L/2*cos(theta)L/2, L/2*sin(theta)L/2]]; case cluster nodes L * rand(N, 2); end % 基于通信半徑R生成鄰接矩陣 D pdist2(nodes, nodes); adj (D R) (D 0); end邏輯說明pdist2算距離矩陣(D R) (D 0)同時排除自身和超距節(jié)點。參數(shù)上R 的取值直接決定平均度R 太小拓撲會碎成多個連通分量R 太大就退化成全連接。一般讓平均度落在 6 到 10 之間比較合理可以用mean(sum(adj))檢查。Python 版本from scipy.spatial.distance import cdist def build_topology(kind, N, L, R, seed42): rng np.random.default_rng(seed) if kind random: nodes rng.uniform(0, L, size(N, 2)) elif kind grid: side int(np.ceil(np.sqrt(N))) xs np.linspace(0, L, side) X, Y np.meshgrid(xs, xs) nodes np.column_stack([X.ravel(), Y.ravel()])[:N] elif kind ring: theta np.linspace(0, 2*np.pi, N, endpointFalse) nodes np.column_stack([L/2*np.cos(theta)L/2, L/2*np.sin(theta)L/2]) elif kind star: theta np.linspace(0, 2*np.pi, N, endpointFalse) leaf np.column_stack([L/2*np.cos(theta)L/2, L/2*np.sin(theta)L/2]) nodes np.vstack([[L/2, L/2], leaf]) elif kind cluster: nodes rng.uniform(0, L, size(N, 2)) D cdist(nodes, nodes) adj (D R) (D 0) return nodes, adj參數(shù)說明cdist比手寫雙層循環(huán)快很多N500 時差距明顯。endpointFalse在環(huán)形和星型里都要加否則首尾節(jié)點會重疊。[:N]是網(wǎng)格拓撲的截斷因為side2可能大于 N。3.2 可視化一張圖看出拓撲是否合理生成完拓撲第一件事是畫圖檢查。我一般會畫三張子圖節(jié)點分布、鄰接關系、度分布直方圖。度分布能快速暴露問題比如隨機拓撲出現(xiàn)大量度為 0 的孤立節(jié)點或者網(wǎng)格拓撲度分布過于集中。% 可視化節(jié)點 邊 度分布 figure; subplot(1,3,1); scatter(nodes(:,1), nodes(:,2), 20, filled); axis equal; title(節(jié)點分布); subplot(1,3,2); gplot(adj, nodes, -); hold on; scatter(nodes(:,1), nodes(:,2), 10, filled); axis equal; title(鄰接關系); subplot(1,3,3); histogram(sum(adj), 0:max(sum(adj))); title(度分布);邏輯說明gplot是 Matlab 畫鄰接圖的老牌函數(shù)輸入鄰接矩陣和坐標即可。sum(adj)按列求和得到每個節(jié)點的度。度分布直方圖的 bin 用0:max保證每個整數(shù)度一個柱子不然默認分箱會糊在一起。Python 用 networkx 更直觀import networkx as nx G nx.from_numpy_array(adj) pos {i: nodes[i] for i in range(len(nodes))} nx.draw(G, pos, node_size20, with_labelsFalse)參數(shù)說明from_numpy_array把鄰接矩陣轉成圖對象注意它默認生成無向圖如果鄰接矩陣不對稱要先處理。pos用真實坐標而不是布局算法這樣拓撲的空間結構才看得出來。3.3 批量生成與保存一次跑完五種拓撲做對比實驗時五種拓撲要能批量生成并保存成統(tǒng)一格式。我一般存成.mat或.npz包含nodes、adj、type三個字段。% 批量生成五種拓撲并保存 types {random, grid, ring, star, cluster}; N 100; L 100; R 25; for i 1:length(types) [nodes, adj] build_topology(types{i}, N, L, R); save(sprintf(topo_%s.mat, types{i}), nodes, adj); end邏輯說明sprintf拼文件名避免手動改。參數(shù)上R25 在 L100 的區(qū)域里平均度大概在 8 左右是個比較穩(wěn)的起點。如果跑出來度分布太偏先調(diào) R 再調(diào) N。Python 對應for kind in [random, grid, ring, star, cluster]: nodes, adj build_topology(kind, 100, 100, 25) np.savez(ftopo_{kind}.npz, nodesnodes, adjadj)參數(shù)說明np.savez不壓縮np.savez_compressed壓縮但慢數(shù)據(jù)量小的時候無所謂。文件名帶類型后續(xù)加載時不用記。4. 拓撲生成里最容易踩的五個坑4.1 隨機種子沒固定實驗沒法復現(xiàn)現(xiàn)象同一份代碼跑兩次連通性曲線差很多審稿人問為什么結果不一致。原因rand或np.random默認用系統(tǒng)時間做種子。解決在生成拓撲前顯式設種子Matlab 用rng(42)Python 用default_rng(42)。注意rng要放在所有隨機操作之前中途設沒用。4.2 網(wǎng)格拓撲的間距小于通信半徑的 1/√2現(xiàn)象網(wǎng)格拓撲跑出來連通分量不止一個對角節(jié)點連不上。原因網(wǎng)格間距 d 太大對角距離 d√2 超過通信半徑 R。解決保證 d ≤ R/√2或者把鄰接矩陣的生成改成考慮對角連接。我一般直接讓 d R/√2 再留 10% 余量。4.3 環(huán)形拓撲首尾節(jié)點重疊現(xiàn)象環(huán)形拓撲畫出來少一個節(jié)點或者第一個和最后一個節(jié)點坐標一樣。原因linspace(0, 2*pi, N)包含終點首尾重合。解決用linspace(0, 2*pi, N1)再去掉最后一個或者 Python 里用endpointFalse。這個坑在 Matlab 和 Python 之間移植時特別常見。4.4 分簇拓撲的簇頭選在空位置現(xiàn)象簇頭坐標不在任何實際節(jié)點上后續(xù)仿真找不到對應節(jié)點。原因直接用語質(zhì)心當簇頭。解決選簇內(nèi)離質(zhì)心最近的實際節(jié)點代碼里就是argmin那一步。另外 K-means 的Replicates或n_init要設大一點不然簇劃分本身就不穩(wěn)。4.5 鄰接矩陣把自身算成鄰居現(xiàn)象度分布里每個節(jié)點度都至少是 1孤立節(jié)點檢測不出來。原因距離矩陣對角線為 0D R把自身也算進去了。解決加D 0條件或者生成后把對角線置零。這個坑在隨機拓撲里最隱蔽因為節(jié)點密集時看不出來。5. 從拓撲到仿真一個可驗證的連通性檢查技巧生成完拓撲別急著跑路由協(xié)議先做連通性檢查。這一步能省掉后面大量無效實驗。我一般用廣度優(yōu)先搜索BFS從第一個節(jié)點出發(fā)看能覆蓋多少節(jié)點覆蓋率低于 90% 就說明拓撲有問題先調(diào) R 或 N。% 連通性檢查BFS從節(jié)點1出發(fā) function ratio connectivity_ratio(adj) N size(adj, 1); visited false(1, N); queue 1; visited(1) true; while ~isempty(queue) u queue(1); queue(1) []; neighbors find(adj(u, :) ~visited); visited(neighbors) true; queue [queue, neighbors]; end ratio sum(visited) / N; end邏輯說明find(adj(u,:) ~visited)一次找出所有未訪問鄰居比逐個判斷快。queue用數(shù)組模擬N 不大時夠用N 上千就換真正的隊列結構。參數(shù)上連通性比率低于 0.9 就要警惕低于 0.7 基本沒法用。Python 版本用 collections.dequefrom collections import deque def connectivity_ratio(adj): N adj.shape[0] visited np.zeros(N, dtypebool) visited[0] True q deque([0]) while q: u q.popleft() for v in np.where(adj[u] ~visited)[0]: visited[v] True q.append(v) return visited.sum() / N參數(shù)說明deque的popleft是 O(1)比 list 的pop(0)快。np.where返回索引數(shù)組直接迭代。這個檢查跑一次只要幾毫秒但能擋掉大部分低級錯誤。五種拓撲里隨機拓撲的連通性最不穩(wěn)定網(wǎng)格和環(huán)形最穩(wěn)星型取決于中心節(jié)點是否在通信半徑內(nèi)覆蓋所有葉子分簇拓撲要看簇頭之間是否連通。我一般會把這五種拓撲的連通性比率打出來對比作為實驗的第一張表。最后一個習慣每次生成拓撲后把nodes、adj、R、N、L和隨機種子一起存進日志文件。后面結果不對時能直接定位是哪次生成的拓撲有問題不用重新跑一遍。這個習慣幫我省過很多次返工希望幫到你。本文還有配套的精品資源點擊獲取