企业官网建设流程全解析

搞无线传感器网络覆盖优化的朋友，应该都碰过这种局面：手头有一批传感器节点，监控区域就这么大，你把节点随便撒下去，覆盖率达不到设计要求，再想挪节点成本就高了。我这次做的这套基于粒子群算法PSO的无线传感器网络覆盖优化程序，就是把“节点怎么摆才最划算”这个问题交给算法自动找答案。核心任务非常明确：在100×100的监测区域内，用30个感知半径为10的传感器节点，通过PSO迭代，把覆盖率从随机部署的六成左右提升到九成以上。整套仿真用Matlab实现，源码从初始化、适应度计算到可视化都有完整模块，拿来入门无线传感器网络覆盖优化，或者做毕业设计、课程设计，都很合适。

下面我把这套东西从建模思路、算法设计，到Matlab实现细节、调试踩坑，完整过一遍。很多细节都是跑了几十次实验才注意到的，希望对你有用。

1. 老问题：WSN覆盖为什么难优化

1.1 覆盖率提升不是“节点多”那么简单

很多刚接触WSN覆盖优化的朋友，第一反应是“覆盖不到就多加节点”。理论上没毛病，实际工程里问题就多了：传感器节点有成本，有能耗约束，很多场景部署之后根本无法人工调整。随机撒一批节点，常见的两种后果就是节点扎堆、感知区域大量重叠，浪费了资源；以及某些区域完全没覆盖，形成监控盲区。

这里我想强调一个关键认知：覆盖率提升不是线性的。你多放10%的节点，覆盖率可能只提升3%，因为新增节点大概率落在已有感知圈内，形成的是重叠而非新增覆盖。所以优化覆盖的核心，并不是“多放节点”，而是在节点数量不变的前提下，找到一组位置，让重叠面积和盲区面积同时压到最小。这个任务放到数学上是多变量、非线性的组合优化问题，靠人工调整坐标或者穷举布局都行不通。穷举本身就是无穷维搜索，即使把区域离散成网格，候选布局数量也爆炸，必须用启发式搜索算法。粒子群算法PSO就是这类问题里用得最多、最容易上手的方案之一。

我在仿真里设定的应用场景是：100×100的平面区域，部署30个同构无线传感器节点，每个节点感知半径R=10，目标是最大化区域覆盖率。这个配置对应的是典型的“传感器节点如何布点”问题，在环境监测、农田监控、安防巡查等领域都能看到类似的场景抽象。

1.2 覆盖怎么变成一个可计算的数学问题

要把覆盖问题交给算法，第一步是把“覆盖率”定义成能被计算机算出来的指标。我最常用的做法是网格离散化：

1. 把100×100区域按单位间隔划分成网格点。比如取grid_size=1，就得到101×101个网格点。
2. 对每个网格点，判断它是否被任意一个传感器节点覆盖。
3. 覆盖判定用欧氏距离；网格点到某个节点坐标的欧氏距离小于等于感知半径R，就标记为被覆盖。

覆盖率定义：

覆盖率 = 被覆盖网格点数量 / 总网格点数量 × 100%

这个定义看起来简单，实际上有几个细节直接决定仿真是否合理。第一个是网格分辨率。网格取1还是取0.5，算出来的覆盖率会有几个百分点的差异——网格越密，对边缘区域判定越“苛刻”，覆盖率数字也会略低，但计算量成倍增加。第二个是感知模型。二元感知模型最简单，但真实传感器往往存在概率衰减，感知边界是一个模糊带。我这里先以二元感知模型为主，后面扩展思路里再讲怎么升级。

第三点尤其容易被忽略：覆盖率不是越高越好。在实际工程里，覆盖率超过95%往往意味着极大的冗余部署成本。优化目标应该是匹配实际需求的覆盖率，而不是一味追求100%。在PSO的适应度函数里，你也可以设置一个目标覆盖率阈值，超过阈值后奖励不再增加，这样能引导算法不多余浪费节点。

1.3 三种覆盖类型：面积覆盖、目标覆盖、屏障覆盖

我顺手再提一下WSN覆盖问题的分类。常见的覆盖问题有三种：

• 面积覆盖：研究对象是连续平面区域，用最少数量的节点覆盖最大面积。本文属于这一类，也是网上最常见的仿真方向。
• 目标覆盖：只关注区域里若干个关键目标点（比如几个固定设施），要求这些离散点被至少一个节点覆盖，不关心其余面积。
• 屏障覆盖：要求传感器节点在区域内形成一条连续的“屏障”，比如边境线或者防护带，任何穿越目标都会被检测到。

不同覆盖类型对应的优化模型差别很大。比如目标覆盖的适应度函数就简单很多，直接统计覆盖目标点数即可。你做自己的工程规划时，先搞清楚自己到底属于哪种覆盖类型，再选对应的算法和评价指标。

2. 粒子群算法为什么适合干这个

2.1 PSO的核心机制：粒子就是一套节点布局

粒子群优化算法（Particle Swarm Optimization，PSO）的来源是模拟鸟群觅食的群体智能行为。放到覆盖优化场景下，我习惯这样理解：把一只鸟比作“一套节点布局方案”，一群鸟在解空间里各自尝试寻找最优布局。这里说的“空间”不是物理平面空间，而是一个2N维的解空间——N个节点，每个节点有x和y两个坐标，所以每个粒子的位置向量就是2N维。

PSO中每个粒子同时保存位置向量和速度向量。位置向量就是节点坐标的具体排列，速度向量指示这组坐标在迭代中怎么变化。每次迭代，粒子根据两个经验更新自己：一个是自己的历史最优位置pbest，一个是整个群体的历史最优位置gbest。更新公式大家都很熟悉了：

速度更新：

v(i+1) = w·v(i) + c1·r1·(pbest − x(i)) + c2·r2·(gbest − x(i))

位置更新：

x(i+1) = x(i) + v(i+1)

这三个成分分别对应惯性项、认知项和社会项。惯性项让粒子保持之前的运动趋势，避免骤停；认知项引导粒子向自己曾经找到的最好位置靠近；社会项引导粒子向群体学到的全局最优靠近。三个项的权重配合，决定了整个搜索过程是“探索”多还是“开发”多。

我用一个生活化类比来说：你在一座山上找最低点，夜色很暗只能摸黑走。你单独走容易绕圈，但如果你记住自己走过的最低点，同时跟着旁边同伴的方向走，就容易更快下到谷底。PSO干的就是这件事，只是它帮你在几十维空间里同步干这件事。

2.2 为什么选PSO而不是遗传算法

这部分大概率会有人问：“你怎么不用遗传算法（GA）？”说实话没有哪个算法在所有问题上都通吃，但在这个场景下，PSO有几个明显优势：

• 编码天然直观。粒子位置直接就是节点坐标值，不需要编码/解码过程。GA如果用二进制编码，交叉变异之后还要解码，链路长，麻烦。
• 参数少，调参成本低。核心参数就惯性权重、学习因子、种群规模、迭代次数。GA要考虑交叉概率、变异概率、选择策略等等，调参空间更复杂。
• 收敛速度快。在2N维解空间里，PSO成员之间通过gbest快速共享信息，群体收敛一般快于GA。
• 实现简单，容易和Matlab优化工具箱结合做二次验证。

当然PSO也有自己的短板，比如容易早熟，后期多样性下降，对初始种群位置有一定依赖。这些我在第5章踩坑部分专门展开。说句实在话，如果你的问题维数特别高、节点特别多，换了GA也未必好到哪去，更合理的做法是先用PSO快速出一版可行解，再用模拟退火、禁忌搜索做些局部精修。

2.3 覆盖场景下PSO的参数配置

这套仿真里我用的参数如下，都是反复试出来的：

惯性权重w是PSO最重要的一个参数。固定w=0.9可能前期飞得快但后期在最优附近震荡；固定w=0.4则前期搜索范围不够，容易陷入局部最优。我强烈建议采用线性递减策略，公式如下：

w = w_max − (w_max − w_min) × (iter / max_iter)

用这个策略，前30代粒子大范围探索，后30代集中精细搜索，收敛曲线既快又稳。

学习因子c1、c2也很关键。c1太大，粒子过于相信自己，容易走自己的路不跟群体配合；c2太大，粒子全都向gbest靠拢，种群多样性迅速降低，容易早熟。常见的取值区间是0.5～2.5，c1和c2既可以相等，也可以根据阶段动态调整。我的经验是如果发现早熟，先试试c1=1.8、c2=1.2，让粒子多“主观能动”一些；如果发现收敛太慢，再提高c2。

3. Matlab源码实现全过程

3.1 源码整体结构

这套代码我拆成了四个功能模块：主程序、适应度函数、可视化函数、边界处理。分区明确的好处是你不容易把算法逻辑和仿真逻辑搅在一起。

模块规划如下：

• main_PSO_cover.m：参数设置、粒子初始化、迭代主循环、结果输出。
• calculate_coverage.m：计算给定节点布局下的覆盖率，是适应度函数。
• plot_coverage.m：把节点位置、感知圆、已覆盖网格点画出来。
• boundary_check.m：处理粒子越界，可以选截断、半反弹或随机重置。

如果你的课题后续还要对比GA、模拟退火，这个模块化结构也能帮你快速替换优化器：只要把主循环里的更新公式换掉，适应度函数和可视化完全不用动。

3.2 主程序与PSO迭代主循环

主程序的初始化部分如下：

clear; clc; close all; rng(42); area_length = 100; % 区域边长 num_nodes = 30; % 传感器节点数量 sense_radius = 10; % 感知半径 num_particles = 30; % 粒子种群规模 max_iter = 100; % 最大迭代次数 grid_size = 1; % 网格分辨率 w_max = 0.9; w_min = 0.4; c1 = 1.5; c2 = 1.5; v_max = 0.2 * area_length; x_grid = 0:grid_size:area_length; y_grid = 0:grid_size:area_length; total_grid = length(x_grid) * length(y_grid);

粒子位置初始化的核心代码：

particles = zeros(num_particles, 2*num_nodes); velocities = zeros(num_particles, 2*num_nodes); pbest = zeros(num_particles, 2*num_nodes); pbest_fitness = -inf(num_particles, 1); gbest = zeros(1, 2*num_nodes); gbest_fitness = 0; for i = 1:num_particles particles(i, :) = rand(1, 2*num_nodes) * area_length; velocities(i, :) = (rand(1, 2*num_nodes) - 0.5) * 2 * v_max; fitness = calculate_coverage(particles(i,:), num_nodes, sense_radius, x_grid, y_grid, total_grid); pbest(i, :) = particles(i, :); pbest_fitness(i) = fitness; if fitness > gbest_fitness gbest_fitness = fitness; gbest = particles(i, :); end end

注意我把速度初始化成了(-v_max, v_max)内的随机值，这比直接用randn再乘以一个系数更可控，初始速度不会忽大忽小。

迭代主循环：

for iter = 1:max_iter w = w_max - (w_max - w_min) * (iter / max_iter); for i = 1:num_particles r1 = rand(1, 2*num_nodes); r2 = rand(1, 2*num_nodes); velocities(i, :) = w * velocities(i, :) + ... c1 * r1 .* (pbest(i, :) - particles(i, :)) + ... c2 * r2 .* (gbest - particles(i, :)); % 限速 velocities(i, :) = max(min(velocities(i, :), v_max), -v_max); particles(i, :) = particles(i, :) + velocities(i, :); % 边界处理 particles(i, :) = boundary_check(particles(i, :), area_length); fitness = calculate_coverage(particles(i,:), num_nodes, sense_radius, x_grid, y_grid, total_grid); if fitness > pbest_fitness(i) pbest_fitness(i) = fitness; pbest(i, :) = particles(i, :); end if fitness > gbest_fitness gbest_fitness = fitness; gbest = particles(i, :); end end if mod(iter, 10) == 0 fprintf('迭代 %3d : 全局最优覆盖率 = %.2f%%\n', iter, gbest_fitness * 100); end end

有两个细节值得说明。第一，速度更新后我加了一个限速操作，把速度限制在[-v_max, v_max]区间内，避免某次随机数太大导致粒子一步飞越整个解空间。第二，打印信息我控制在每10代输出一次，而不是每代输出，否则终端刷屏，看起来乱。实际任务里你可能需要记录每一代的gbest_fitness，方便后面画收敛曲线。

3.3 适应度函数calculate_coverage的关键细节

适应度函数是整个程序的计算瓶颈，也是正确性最需要验证的部分。

function coverage = calculate_coverage(positions, num_nodes, sense_radius, x_grid, y_grid, total_grid) covered_count = 0; for ix = 1:length(x_grid) for iy = 1:length(y_grid) px = x_grid(ix); py = y_grid(iy); is_covered = false; for k = 1:num_nodes nx = positions(k); ny = positions(num_nodes + k); if (px - nx)^2 + (py - ny)^2 <= sense_radius^2 is_covered = true; break; end end if is_covered covered_count = covered_count + 1; end end end coverage = covered_count / total_grid; end

这里我用距离平方和感知半径平方比较，省略了sqrt。每次调用省去几千次sqrt，累积下来计算开销降不少。代码还有几个容易写错的地方：

• 坐标索引。因为位置向量是一维拼接，x在1到num_nodes，y在num_nodes+1到2*num_nodes，搞反之后覆盖率会看起来“正常”但结果全错。
• break放在内层节点循环里很有必要，这样一个网格点一旦被覆盖就不再检查剩余节点，每个粒子每次适应度计算的循环次数少很多。
• total_grid直接传进去而不是在函数里重新算，可以减少每个网格点的重复开销。

如果你的区域很大、网格很密，这个三重循环版本会非常慢。向量化版本可以这样写：

function coverage = calculate_coverage_vec(positions, num_nodes, sense_radius, area_length, grid_size) X = 0:grid_size:area_length; Y = 0:grid_size:area_length; [Xm, Ym] = meshgrid(X, Y); pts = [Xm(:), Ym(:)]; % Mx2 矩阵 node_x = positions(1:num_nodes); node_y = positions(num_nodes+1:end); covered = false(size(pts, 1), 1); for k = 1:num_nodes dist2 = (pts(:,1) - node_x(k)).^2 + (pts(:,2) - node_y(k)).^2; covered = covered | (dist2 <= sense_radius^2); end coverage = sum(covered) / size(pts, 1); end

这个版本仍然有节点遍历，但网格点全部向量化，对每个节点算一次全网格点的距离判断，执行效率比三重循环高很多。我实测在100×100区域、101×101网格点、30个节点的场景下，速度提升接近一个数量级。

3.4 覆盖效果可视化

下面这个可视化函数，能把初始布局和最优布局放在同一个画布里对比：

function plot_coverage(positions, num_nodes, sense_radius, x_grid, y_grid, title_str, ax) axes(ax); cla; hold on; % 绘制被覆盖网格点 for ix = 1:length(x_grid) for iy = 1:length(y_grid) px = x_grid(ix); py = y_grid(iy); for k = 1:num_nodes if (px - positions(k))^2 + (py - positions(num_nodes+k))^2 <= sense_radius^2 plot(px, py, '.', 'Color', [0.75 0.95 0.75], 'MarkerSize', 4); break; end end end end % 绘制节点位置与感知范围 for k = 1:num_nodes viscircles([positions(k), positions(num_nodes+k)], sense_radius, ... 'Color', [0.4 0.4 0.4], 'LineWidth', 0.5); end plot(positions(1:num_nodes), positions(num_nodes+1:end), 'ro', ... 'MarkerSize', 7, 'LineWidth', 1.5); axis equal; xlim([0 100]); ylim([0 100]); title(title_str); grid on; end

如果你想把覆盖区域渲染成热力图而不是一个个散点图，更推荐先把覆盖矩阵算出来，再用imagesc显示，这样渲染速度快得多，也更容易加颜色映射。Matlab自带的viscircles画圆挺方便，但如果节点数特别多，画30个圆就可能卡顿，需要精简显示。

4. 仿真实测：PSO能给覆盖率带来多少提升

4.1 收敛曲线的三个典型阶段

我在标配场景（100×100、30节点、R=10）下跑了多组实验。随机初始布局的覆盖率通常在57%~63%之间，PSO迭代100次后稳定在92%~95%之间。收敛曲线表现非常典型，可以分成三个阶段：

• 快速上升期（前20代）：覆盖率几乎线性上升，每次迭代都能提升好几个百分点。这个阶段的粒子还在大范围探索，gbest快速更新。
• 缓慢爬升期（30~60代）：提升速度放缓，每几代才提升零点几个百分点。此时粒子群体已经聚焦在较优区域，搜索转入精细阶段。
• 平稳期（60代以后）：曲线基本水平，偶有小幅波动，但全局最优已经难以继续提升。

这三个阶段的存在说明这套参数和问题规模配合得当。如果理想情况下你发现100代后曲线还在明显上升，大概率是初始w太小，粒子前期探索不够，后期才慢慢找到更好的区域；或者种群规模太小。反之，如果曲线在第10代就完全卡住不上涨，就要怀疑是不是早熟收敛了。

4.2 不同节点数和感知半径的对照测试

为了验证算法不是只对我这个配置有效，我换了不同节点数和感知半径跑了几组：

从这张表能看出几个规律。第一，初始覆盖率越高，提升空间越小，但PSO依然能把覆盖率推向更高水平。第二，感知半径变大时，节点感知圈更大，覆盖重叠也更容易，优化难度上升，但最终覆盖率仍然很高。第三，整体提升幅度在30个百分点上下，非常稳定，说明这个方法在这个量级的问题里不是靠运气，而是稳定有效。

4.3 与随机部署和贪心部署的对比

除了和随机部署对比，我还写了个简单的贪心部署做对照。贪心思路是：每次找到当前覆盖率最低的区域，在那个区域中心放一个节点，直到放完N个节点。实测效果排序为：

PSO > 贪心部署 > 随机部署

贪心部署确实比随机部署好很多，但有两个问题。一是它固定了每一步的局部最优，后续节点只能在这个框架里做加法，没法让之前放的节点“腾挪”位置；二是它本质上是串行决策，每一步都要重新计算全局覆盖矩阵，耗时并不低。PSO则所有节点同步进化，位置可以在全局视角下反复调整，这是它最终覆盖率更高的根本原因。

需要承认的是，在这个规模下PSO与贪心之间的差距不算特别悬殊，如果你把节点数放大到100，或者把区域改成不规则形状，算法间的差距会更明显，PSO的优势也会更突出。

5. 踩坑实录：调试过程中遇到的四个典型问题

5.1 随机种子不固定，结果无法复现

这个坑排在最前，因为影响最大。如果你的代码没有设置rng，Matlab每次运行rand产生的随机数都不一样，那么同样的参数跑两次，初始布局不同，最终覆盖率也略有不同。做实验记录、写报告、复现论文结果时，这件事非常麻烦。

解决方式就是一行代码：

rng(42);

放在代码最开头。这样第一轮初始化、每一代的随机数序列都是确定的，整套实验可复现。我强烈建议在提交源码时保留这行，方便别人验证。你不需要和我用同一个种子，但一定要固定。

5.2 边界处理不当，节点贴墙聚集

我第一次做边界处理时图省事，只用max/min截断，跑一段时间发现节点大量聚集在区域边缘。原因前面说过：粒子速度过大时坐标被压到边界，下一次速度仍然朝外，又被压一次，节点就“粘”在边界上。这样不仅浪费节点资源，也让覆盖率曲线看起来“虚高”，因为边界上的节点感知圆有一半凸出在区域外，但网格点只统计区域内的部分。

改进方案有三种，我推荐第二种：

• 限速（v_max）+原始截断：简单，能避免大部分扎堆。
• 半反弹：把越界方向的速度反向，节点会被弹回区域内。实现就是我在3.2节注释里写的那版。
• 随机重置：越界的坐标在区间内重新随机生成。这个多样性更强，但可能破坏粒子记忆的位置连续性。

实际项目中，区域边界往往还对应部署范围边界，节点是不能跑出去的，所以在适应度函数计算时，也应该对越界节点施加惩罚，而不是只靠边界处理函数兜底。

5.3 适应度计算慢，整个仿真像PPT翻页

网格分辨率设得越细，适应度计算越慢。如果你照抄三重循环版本，再设一个grid_size=0.2、区域200×200、节点50个，那一次适应度计算就是几百万次距离判断，整个PSO跑完要几十分钟甚至更久。解决思路前面提过：

• 优先向量化。用meshgrid生成网格点矩阵，再对每个节点并行算距离，最后按列取或合并。这段代码改动小、收益极大。
• 使用parfor并行。粒子之间没有依赖，非常适合并行。每个粒子独立算适应度，不共享变量，改成parfor几乎无缝。
• 放宽网格精度。从1改成2或3，覆盖率变化一两个百分点，但计算量能降到原来的1/4到1/9，对观察趋势来说完全够用。

我在实际对比中测过，向量化版本跑100代30粒子，时间约3秒，三重循环版本约30秒。如果你的电脑配置还不错，这10倍的差距非常值得花十分钟改写。

5.4 PSO早熟收敛，曲线早早卡住

早熟收敛是最难排查的问题，因为表面上看算法正常跑完，没有报错，只是一个不令人满意的结果。典型症状是：gbest_fitness从某代开始完全不变，种群里的粒子逐渐集中到同一个点附近，多样性几乎消失。

经验性的处理手段有这么几条：

1. 提高w_max，让粒子前期更激进探索，或者让w的衰减曲线更平缓。
2. 调整c1/c2比例，加大个体认知比重，防止社会项主导一切。
3. 引入扰动，每若干代给一部分粒子随机重新初始化，或者向位置向量加一个小幅随机偏移。
4. 如果问题解空间特别复杂，还可以试试多起点PSO：从多个随机初始种群开始跑，取全局最优。

我的实际体会是：在100×100、30节点这个量级，合理的参数下早熟不太常见；但节点数一多、感知半径差异大，早熟概率会显著上升。做课题实验时，建议多跑几次随机种子，看最终覆盖率的方差，而不是只看一次结果。

6. 扩展方向：这套仿真还能怎么升级

6.1 感知模型从二元升级为概率感知

当前代码用的二元感知模型，即“距离小于等于R就100%覆盖”。真实场景中传感器受环境噪声、信号衰减、障碍物影响，覆盖概率往往随距离衰减。一个常见的概率感知模型是：

P = exp(−α·d/λ)

其中d是网格点到节点的距离，λ是衰减因子，α是调节曲线形状的参数。把适应度函数里的布尔判断改成这个概率公式，覆盖率的计算就从“覆盖/未覆盖”变成“覆盖概率加权求和”。这个改动对PSO来说不影响算法主体，只改适应度函数输出，但它能让仿真结果更贴近真实部署，也更能在论文里讲故事。

6.2 从平面到三维，从同构到异构

三维场景的升级是把坐标从2维扩到3维，每个粒子位置向量长度从2N变3N，区域从正方形变成立方体，网格点变成体素。思路完全一样，只是计算量又上一个台阶，这时向量化优化就更重要。

异构节点升级则是在编码里给每个节点一个感知半径标签，不同标签对应不同半径。你需要在适应度函数里根据节点标签取对应的感知半径。这种设定贴近真实工程，因为实际部署中的传感器往往不是同一批型号。

6.3 多目标优化：覆盖率与能耗一起考虑

如果你想做更深一层的研究，可以把覆盖优化问题升级成多目标优化：既要最大化覆盖率，又要最小化节点能耗（除了感知能耗，还有通信、处理的能耗）。这可以用多目标粒子群优化（MOPSO）来处理，输出是一组Pareto最优解，而不是一个单点解。这个方向很适合做课程设计或者论文研究，扩展空间非常大。

6.4 动态覆盖与重部署场景

还有一种升级方向是动态覆盖：传感器节点可能因为电量耗尽而失效，导致覆盖出现空洞，算法需要在线重新调度剩余节点补位。这时可以把PSO改造为动态版本，每出现节点失效就触发一次重新优化。这种场景在灾害监测、军事侦察中很有价值，也是覆盖优化研究的一个热门分支。

7. 个人调试心得与最后的小技巧

7.1 建模比算法重要，先回到适应度函数找问题

PSO本身只是一套通用搜索框架，真正决定效果上限的是适应度函数怎么设计。覆盖率定义里网格取多少、感知模型怎么选、边界怎么罚，这些“小决策”看似不起眼，却直接决定算法能在什么程度内找到好解。如果你发现跑出来的结果不理想，先不要急着调PSO参数，回到适应度函数去看问题建模有没有问题。我自己吃过这个亏：一开始只盯w和c1/c2调了半天，结果发现是坐标索引写反了。

7.2 参数不是越多越好，简单版本先跑通

很多人拿到PSO就想把所有变体都加进去，比如压缩因子、惯性衰减、混沌扰动、遗传变异。这些东西各有用途，但在这个量级的覆盖优化任务里，简单版本往往已经足够。每加一个模块，就多一组参数要调，调试成本急剧上升。我的建议是先跑通最简单版本，确认方向正确，再按需增强。

7.3 覆盖率数字只能作为参考，同一套网格再比较

网格离散化本身会引入偏差，覆盖率在99%和97%之间的差异，很可能只是网格精度的差异，而不是部署方案好坏的真实差异。做方案对比时，尽量在同一套网格参数下进行，否则结论不可靠。拿这个想法做延伸，你在写实验报告或论文时，也应该把网格分辨率、随机种子、迭代次数这些细节写清楚，否则复现会变得很困难。

7.4 制作节点布局动画，回放优化全过程

最后分享一个我调试时的小习惯：把每一次迭代的节点位置都保存下来，用Matlab的VideoWriter合成一个gif动画。回放这个动画时，你能直观看到节点如何从初始乱局慢慢聚成合理的覆盖格局、哪些区域是算法最后攻克的难点、哪些节点在反复震荡。这个可视化步骤的成本很低，但比只看覆盖率曲线有效得多。

如果你也想做这个仿真，我建议先从30节点、R=10、100×100区域这个配置入手，跑通之后再逐步改参数。先把边界处理函数写好，再验证覆盖率计算正确性——可以用一个只有1个节点、坐标在区域中心的简单案例，手工算一遍覆盖率核对代码输出。这一步别跳过，很多后面排查起来异常麻烦的问题，都是从这步开始的。我自己做课题那阵子，最大的收获不是学会了PSO怎么写，而是明白了任何一个工程问题，只要建模建得足够清楚，后端的优化算法反而只是工具箱里的一把工具。跑通这套代码之后，你可以先把参数表格里的几组配置都试一遍，然后挑一个你实际会遇到的部署场景（比如不规则区域、混合半径节点）去改适应度函数，你会发现PSO这层壳并不难打破。真到那时候，你对无线传感器网络覆盖优化的理解，就已经超过大多数只看理论PPT的人。