无线传感器网络仿真：Matlab+Python一键生成五种拓扑

简介基于Matlab与Python的无线传感器网络仿真资源面向网络仿真研究、课程设计与竞赛准备人群覆盖五种网络拓扑生成、基于RSSI测距的多边定位、CSMA/CA五种退避策略对比、粒子群算法优化节点覆盖率、改进LEACH路由协议与经典算法对比等实验。包内共85个文件包含17个py、12个m源码34个png结果图6个md说明文档另有mat数据文件等压缩包仅1.46MB轻量易用。目前已有602人学习。资源按RSSI_positioning、Network_topology、MAC协议实验、节点覆盖实验、路由协议实验等模块清晰组织每个模块都配有源码、数据与说明便于直接运行、修改参数和复现不同效果。对于希望快速上手WSN仿真、对比多种策略性能的读者这是一份完整可扩展的实验框架。1. 五种拓扑一次生成这个无线传感器网络仿真项目到底解决什么做无线传感器网络仿真的人最烦的不是算法跑不动而是连“对照组拓扑”都要手工搭论文要求在同一场景下对比星型、树型、网状、环形、簇型五张网络图可现实是每换一种拓扑就要重新调一遍坐标、改一遍连接、查一遍连通性一个不留神还会连出只有图片效果、实际没法跑协议的假网络。这个项目就是把拓扑搭建从“手工作坊”变成流水线Matlab 侧负责用矩阵运算生成五种拓扑的节点坐标与邻接矩阵Python 侧负责把 NetworkX 图结构画出来并汇总连通度、平均跳数、能耗等指标数据文件统一落盘为 CSV两边各读各的互不干扰。整个流程跑完五张拓扑图加一张指标表同时到手后续路由协议直接读邻接矩阵不用再碰坐标细节。它适合正在做路由协议对比实验、毕业设计需要拓扑场景支撑、或准备投稿论文但缺一套标准仿真底图的读者。哪怕你只是刚把 pandas 和 matplotlib 装好、还在纠结怎么把一张图画出五种效果这套方案也能让你少走不少弯路。2. 为什么用 Matlab 加 Python分工边界、目录结构与统一数据格式先说结论这个组合不是为了让项目显得“技术栈全”而是 WSN 仿真这件事本身就被天然切成了两半——一半是矩阵计算一半是图论与可视化。Matlab 强在矩阵运算和通信仿真生态Python 强在 NetworkX 和 Matplotlib 这类分析绘图工具链两者通过 CSV 做数据交换正好各干各擅长的活。2.1 Matlab 出数学模型Python 出分析图这个分工怎么来的无线传感器网络拓扑生成本质上是在做矩阵运算。一个 n 节点网络的连接关系就是一个 n×n 的邻接矩阵节点的几何布局就是两个 n×1 的坐标向量。Matlab 处理这类数据几乎不用写显式循环一条向量化的表达式就能把全网的邻居关系算完这对生成随机部署和分层拓扑来说非常顺手。Python 这边的角色是“把矩阵变成能放进论文的图和能写进实验分析的指标”。NetworkX 把大多数图论算法都封装好了连通分量、最短路径、节点度分布、平均跳数全都是一两行调用。如果你非要让 Matlab 去画网络图也不是不行但交互式调整布局、批量导出 PNG、做数据聚合这些事体验明显差一截。所以常见做法是Matlab 算好一切数据Python 只负责读取、画图、算指标。需要提醒的是Matlab 侧尽量用 R2020 之后的版本脚本里大多数函数对老版本也能兼容Python 侧先确认你已经完成了 python 安装并装好 numpy、pandas、networkx、matplotlib 这几个库缺哪个补哪个版本没有太苛刻的要求NetworkX 用 2.x 或 3.x 都行。数据交换的接口我一般这样定节点坐标写成node_coords.csv邻接矩阵写成adjacency_full.csv所有拓扑共享同一套坐标底图只换邻接关系。这样后面画图、对比、跑路由协议动的是同一个输入文件不会出现两套数据对不上的问题。2.2 数据交换格式节点坐标 邻接矩阵一条 CSV 走天下坐标文件是最底层的数据五种拓扑都从它出发。生成方式很简单随机撒点 固定随机种子。% gen_coords.m n 50; % 传感器节点数量 area 100; % 仿真区域边长单位米 rng(42); % 固定种子保证复现 coords area * rand(n, 2); T table((1:n), coords(:,1), coords(:,2), ... VariableNames, {id, x, y}); writetable(T, node_coords.csv); fprintf(已生成 %d 个节点的坐标文件\n, n);这段代码里最值得说参数的是rng(42)和area。rng(42)锁死随机数生成器的状态否则每次运行坐标全变后面所有拓扑对比就失去意义area 100是 100 米 × 100 米的方形区域这是 WSN 仿真里最常见的默认尺度通信半径的取值会围绕这个尺度来定。用writetable而不是csvwrite写文件是为了保留表头Python 那边用 pandas 读进来时直接按列名取值不容易把第一列节点编号误当成坐标。Python 侧读取import pandas as pd df pd.read_csv(node_coords.csv) x df[x].to_numpy() y df[y].to_numpy()下面生成全连通底图也就是基于通信半径的邻居关系矩阵。这个矩阵是后面星型、树型、网状、簇型的“原材料”。% gen_adjacency.m r 25; % 通信半径单位米 d2 (coords(:,1) - coords(:,1)).^2 ... (coords(:,2) - coords(:,2)).^2; adj sqrt(d2) r; % 两点距离 r 就认为能直连 adj(1:n1:end) 0; % 对角线清零节点不连自己 dlmwrite(adjacency_full.csv, adj, precision, %d);逻辑本身一句话就能说清先算所有节点对的欧氏距离矩阵再跟通信半径比较得到一个 0/1 矩阵。adj(1:n1:end) 0是把对角线位置全部置零避免把“自己到自己”误算成一条边。这里用了dlmwrite并指定precision, %d因为邻接矩阵是整数矩阵写成 0 和 1 就够了别让 Matlab 默认的科学计数法格式把数据弄脏。这三个参数要一起调节点数n、区域边长area、通信半径r。在 100×100 区域里撒 50 个节点、取 25 米半径平均每个节点的邻居数量大概在 8 到 10 个左右整体图是连通的也不会稠密到失去拓扑区分度。r 取太小图会碎成好几块取太大五种拓扑生成出来全都接近全连通网对比实验就没意义了。2.3 目录结构五个 Matlab 脚本对应五种拓扑项目内部我建议按工具链和产物分成两个大目录数据文件单独放一层。目录/文件作用matlab/gen_coords.m生成节点坐标 CSVmatlab/gen_adjacency.m生成通信半径底图邻接矩阵matlab/gen_star_topology.m生成星型拓扑matlab/gen_ring_topology.m生成环形拓扑matlab/gen_tree_topology.m生成树型拓扑matlab/gen_mesh_topology.m生成网状拓扑matlab/gen_cluster_topology.m生成簇型拓扑python/visualize_topology.py读取 CSV绘制五张拓扑图python/compute_metrics.py计算连通度、跳数、能耗等指标data/保存所有 CSV 中间产物output/保存最终 PNG 拓扑图和指标表约定好这个目录结构最大的好处是 Matlab 和 Python 之间不需要人为传文件跑完 Matlab 脚本直接进 Python 出图整个流程可以写成一个 batch 脚本或者 Makefile 一条命令跑完。下面两章分别把这五个拓扑的生成脚本和 Python 可视化讲透。3. 五种拓扑的生成逻辑从几何布局到连接规则五种拓扑不是五个互相独立的数学框架而是同一套坐标底图 不同连接规则。这个思路非常重要你不需要为每一种拓扑单独设计节点位置很多连接规则甚至可以在生成完之后再覆盖原先的邻接矩阵。下面按从简单到复杂的顺序过一遍。3.1 星型和环形几何布局直接定连接星型拓扑在无线传感器网络里就是“一个汇聚节点 一圈普通节点”普通节点之间不允许直连所有数据都先到汇聚节点再向外转发。实现时最直接的做法是把汇聚节点放在区域中心其余节点均匀分布在半径 40 米的圆周上然后只保留汇聚节点到每个普通节点的边。% gen_star_topology.m n 50; sink_idx 1; radius 40; % 圆周半径要小于通信半径 theta linspace(0, 2*pi, n); theta(1) []; % 去掉第一个角度避免和 sink 坐标重叠 coords_star zeros(n, 2); coords_star(sink_idx, :) [50, 50]; coords_star(2:end, 1) 50 radius * cos(theta(1:n-1)); coords_star(2:end, 2) 50 radius * sin(theta(1:n-1)); adj_star zeros(n, n); adj_star(sink_idx, 2:end) 1; adj_star(2:end, sink_idx) 1; % 关键普通节点之间即使物理距离足够近也必须保持无连接这里有个容易翻车的细节如果直接拿第一节里的邻居矩阵adjacency_full.csv来改普通节点之间会因为距离小于通信半径而自动连上星型就变成全网状了。所以星型拓扑一定要“从零构建邻接矩阵”而不是在底图上去删边。环形拓扑的几何布局则把 50 个节点均匀放在圆周上每个节点只连前后相邻两个节点。相邻节点在圆周上的弧长是2*pi*radius/n只要这个距离小于通信半径链路就成立。% gen_ring_topology.m radius 45; theta linspace(0, 2*pi, n1); theta(end) []; coords_ring [50 radius*cos(theta), 50 radius*sin(theta)]; adj_ring zeros(n, n); for i 1:n j mod(i, n) 1; % 当前节点的下一个邻居 adj_ring(i, j) 1; adj_ring(j, i) 1; end这个 for 循环里只有一种邻居关系边界情况由mod处理第 n 个节点的下一个节点是第 1 个正好首尾相连。如果你想要两跳可达的冗余环可以把每个节点的连接数从 1 改成 2也就是同时连前后各两个邻居代码里再套一层循环即可。3.2 树型拓扑BFS 生成和层级深度控制树型拓扑是无线传感器网络数据采集的标准形态数据从叶子节点逐级向上转发最终汇聚到根节点。生成树的关键在于“无环”和“全连通”最稳妥的办法是广度优先搜索 BFS从根节点出发逐层访问邻居把第一次访问到的节点挂到当前节点下面。% gen_tree_topology.m % 输入adj 是通信半径底图邻接矩阵adjacency_full.csv 读入 root 1; n size(adj, 1); visited false(n, 1); parent zeros(n, 1); adj_tree zeros(n, n); queue root; visited(root) true; while ~isempty(queue) cur queue(1); queue(1) []; % 出队 nbrs find(adj(cur, :)); for nb nbrs if ~visited(nb) visited(nb) true; parent(nb) cur; adj_tree(cur, nb) 1; adj_tree(nb, cur) 1; queue(end1) nb; % 入队 end end end核心逻辑一句话每个节点只被访问一次访问它的时候谁先访问到它谁就是它的父节点。visited数组保证不会出现回边所以生成的图天然无环BFS 又保证所有可达节点都会被访问到所以只要底图是连通的生成树就覆盖全部节点。实际仿真里你不会只想要一棵“随便长”的树还得控制树的深度。很多时候 sink 节点需要在 3 到 5 跳之内收集完全部数据所以要把深度参数显式加进去。max_depth 4; depth zeros(n, 1); % 在 BFS 循环里加一层判断 % if ~visited(nb) depth(cur) max_depth % depth(nb) depth(cur) 1; % ... % end加了深度限制之后如果底图连接比较稀疏会有节点因为跳数受限而无法入树这时要么调大max_depth要么扩大通信半径让底图更稠密。树型拓扑的坐标布局我一般按层排列根在第 0 层顶部第 1 层在第一行同一层的节点从左到右展开这样画出来的图层次感非常强也方便数跳数。3.3 网状和簇型连通度下限与簇头选举网状拓扑的生成逻辑和星型相反它希望网络尽可能多路径连通保证单个节点失效后数据还能绕路。生成时最实用的办法是“每个节点至少连最近的 k 个邻居”k 就是连通度下限。% gen_mesh_topology.m k 3; % 每个节点至少 3 条边 adj_mesh zeros(n, n); for i 1:n dist_i sqrt(sum((coords - coords(i,:)).^2, 2)); [~, order] sort(dist_i); cnt 0; for j order if j i continue; end adj_mesh(i, j) 1; adj_mesh(j, i) 1; cnt cnt 1; if cnt k break; end end end adj_mesh max(adj_mesh, adj_mesh); % 强制对称这里有一个值得注意的点直接做“近邻连接”之后整个图不一定是连通的可能出现左侧一群节点和右侧一群节点各自成环、中间没有桥的情况。所以生成之后必须做连通性检查如果all(visited)不为真就要把 k 提高或者在两个连通分量之间额外补一条最近边。max(adj_mesh, adj_mesh)这步不是多余的因为循环里你给 i 连了 j但给 j 循环时可能因为只取前 k 个邻居而没连回 i最后会造成非对称矩阵跑很多图算法都会出错。簇型拓扑则模拟无线传感器网络里最经典的分簇结构所有节点划分成若干个簇每个簇内选一个簇头普通节点只跟簇头通信簇头之间再构建上层骨干网。这里最常见的手段是 K-means 聚类。% gen_cluster_topology.m num_clusters 5; [idx, cxy] kmeans(coords, num_clusters); adj_cluster zeros(n, n); cluster_head zeros(num_clusters, 1); for ci 1:num_clusters members find(idx ci); d_mem sqrt(sum((coords(members,:) - cxy(ci,:)).^2, 2)); [~, mi] min(d_mem); cluster_head(ci) members(mi); % 簇内普通节点连接簇头 for m members if m ~ cluster_head(ci) adj_cluster(m, cluster_head(ci)) 1; adj_cluster(cluster_head(ci), m) 1; end end end % 簇头之间按距离互连 for a 1:num_clusters for b a1:num_clusters if norm(cxy(a,:) - cxy(b,:)) 50 adj_cluster(cluster_head(a), cluster_head(b)) 1; adj_cluster(cluster_head(b), cluster_head(a)) 1; end end endK-means 的k要你事先给定常见取值范围是 3 到 7取决于总节点数和区域大小。簇头选取用的是“离质心最近”这是最简单的静态选举法如果你想模拟 LEACH 协议里的随机轮换簇头可以把选簇头的逻辑换成每个节点生成一个随机数、簇内取最大者这是后续做能耗均衡实验最常见的扩展点。4. 用 Python 把拓扑画出来NetworkX 可视化与指标计算Matlab 端把五个adjacency_*.csv写完之后Python 这边的工作就两件事画图、算指标。这一章给的是可以直接复制的完整脚本注意先确认你的环境里networkx已经装好。4.1 一次画五张图NetworkX 读取邻接矩阵读取邻接矩阵用numpy.loadtxt就够delimiter,指定逗号分隔。读进来之后用nx.from_numpy_array转成 NetworkX 的图对象这个对象后面画图、算指标都是同一个入口。# visualize_topology.py import networkx as nx import matplotlib.pyplot as plt import numpy as np def adj_to_graph(csv_path): adj np.loadtxt(csv_path, delimiter,) return nx.from_numpy_array(adj) G adj_to_graph(data/adjacency_mesh.csv) # 环形和簇型用固定布局其它用 spring 布局 if ring in csv_path: pos nx.circular_layout(G) elif cluster in csv_path: pos nx.kamada_kawai_layout(G) else: pos nx.spring_layout(G, seed42, k0.8) nx.draw_networkx(G, pospos, node_size100, with_labelsFalse, edge_colorgray, node_colorsteelblue) plt.axis(off) plt.savefig(output/topology_mesh.png, dpi300)参数里最值得调的是spring_layout的k。它控制节点之间的斥力大小k越大节点分得越开边越长节点数超过 80 的时候k取 0.5 到 1.0 之间比较合适再大会让整张图超出画布边界。seed42同样是为了布局可复现不然每次运行节点位置都会漂移论文里前后两张图对不上是很尴尬的事。树型拓扑的布局要特殊处理因为 NetworkX 没有内置“按树层排布”的布局函数。最简单的办法是自己写一个基于 BFS 深度的坐标生成函数把每个节点放成(层内序号, -层数)这样根在顶部子节点逐层向下展开。def tree_layout(G, root0): depth {root: 0} queue [root] while queue: cur queue.pop(0) for nb in G.neighbors(cur): if nb not in depth: depth[nb] depth[cur] 1 queue.append(nb) layers {} for node, d in depth.items(): layers.setdefault(d, []).append(node) pos {} for d, nodes in layers.items(): for i, node in enumerate(nodes): pos[node] (i, -d) return pos这段代码本质上就是第三节里 BFS 生成树的镜像换到 Python 这边只是为了算坐标。注意queue.pop(0)只适合节点数少的情况大批量节点时改成collections.deque避免弹出操作的开销。4.2 指标计算连通度、平均跳数、能耗预估拓扑生成得对不对不能只靠眼睛看图要用数字说话。核心指标三个平均度、连通分量数、平均最短路径跳数。前两个反映拓扑的健壮性后一个直接关系到数据转发的延迟。# compute_metrics.py import networkx as nx import numpy as np def topology_metrics(csv_path): G nx.from_numpy_array(np.loadtxt(csv_path, delimiter,)) degrees [d for _, d in G.degree()] avg_deg np.mean(degrees) comps nx.number_connected_components(G) avg_hop None if comps 1: avg_hop nx.average_shortest_path_length(G) return { nodes: G.number_of_nodes(), edges: G.number_of_edges(), avg_degree: round(avg_deg, 2), connected_components: comps, avg_hop: avg_hop, }nx.average_shortest_path_length只有在图连通时才有定义所以要先判断comps 1。生成的树型拓扑一定连通且无环平均跳数相对大星型拓扑的平均跳数接近 2因为普通节点到 sink 一跳、普通节点之间要经 sink 中转共两跳网状拓扑的平均跳数最小但边数会大很多。这些差异成为后续对比实验的依据。能耗预估算是一个重要扩展。在无线传感器网络里最常用的是简化的一阶无线电模型发送端要消耗发射电路和功率放大两部分能量接收端只消耗接收电路能量。直接按这个模型算每条边的能耗可以给不同拓扑一个初步的能耗排序。E_elec 50e-9 # 收发电路耗能J/bit E_amp 100e-12 # 功率放大耗能J/bit/m^2 packet_bits 4000 # 每个数据包大小bit def link_energy(dist_m): return (E_elec E_amp * dist_m**2) * packet_bits def network_energy(G, pos): total 0 for u, v in G.edges(): d np.linalg.norm(np.array(pos[u]) - np.array(pos[v])) total 2 * link_energy(d) # 收发各一份 return totalE_elec和E_amp这两个参数是仿真的“玄学”集中地不同论文差一到两个数量级都不奇怪。关键是你要用同一组参数跑所有拓扑让差异来自拓扑本身而不是参数设置如果要跟别人论文里的绝对数值对比就得把模型的量纲和单位全部对齐否则能耗数值差出十倍先不用惊讶先检查是不是放大器系数抄错了。5. 避坑指南拓扑仿真中五个常见的翻车现场这一章直接把我踩过的坑按“什么现象、什么原因、怎么解决”列出来每条都是能抄作业的排查模板。做拓扑仿真的人十个里有八个会在下面这些问题上花掉一整天提前知道能省很多事。5.1 节点坐标随机生成时重叠可视化出来整张图糊成一团现象坐标撒完后画图发现图上某几个节点完全叠在一起节点数和边数看着都对但图毫无可读性。原因均匀分布随机坐标在小区域高密度场景下一定会产生重叠特别是节点数超过 60 后重叠概率明显上升。解决生成坐标后做一次最小间距检查把间距过近的点重新抖动。min_dist 2.0 for i in range(n): for j in range(i1, n): d np.linalg.norm(coords[i] - coords[j]) if d min_dist: coords[j] np.random.uniform(-1, 1, 2)这是在原有坐标上做微调不是重新生成整张图可以保持大多数节点的位置稳定。如果追求更严格的均匀分布可以用网格采样后在网格内加随机抖动但那种方式会让拓扑看起来太规则反而偏离 WSN 的真实随机部署。5.2 生成的拓扑有孤立节点路由算法直接白跑现象跑完生成脚本兴奋地把邻接矩阵喂给协议仿真结果协议跑出来丢包率接近百分百查了半天才发现底图里有几个节点的度是 0压根没连上。原因通信半径取值太小或者节点坐标恰好落在区域边缘导致覆盖率不足。解决生成后立刻做连通性检查不要等到协议仿真阶段再排查。node_degree sum(adj, 2); isolated find(node_degree 0); if ~isempty(isolated) fprintf(发现 %d 个孤立节点\n, length(isolated)); end这一步应该作为所有拓扑生成脚本的公共出口。更稳妥的做法是在 Python 侧用nx.is_connected(G)再过一道两边各查一次确保数据文件本身没问题。孤立节点的常见补救方法是调大通信半径 r或者对孤立节点单独补边。5.3 随机种子没固定两个语言跑的仿真对不上现象Matlab 那边生成了一套数据Python 这边重新跑一遍可视化发现节点位置和连接关系全变了实验记录没法对上还以为脚本写错了。原因Matlab 的rand和 Python 的random默认都不固定种子重现性无从谈起。解决Matlab 统一用rng(42)固定Python 端所有涉及随机的入口也固定seed42包括spring_layout里的seed、K-means 的kmeans(..., Options, statset(UseSubstreams, true))。更根本的解决方案是Matlab 生成完 CSV 之后Python 端永远只读 CSV不再重新生成坐标或邻接矩阵。把数据生成和数据消费分开种子问题自动消失。5.4 CSV 精度丢失Python 读回来差了几条边现象Matlab 里看邻接矩阵明明有边Python 读进来却少了排查半天发现是距离刚好卡在通信半径阈值附近。原因csvwrite默认保留 5 位有效数字坐标数据被四舍五入后两个节点间的距离从略小于 25 变成略大于 25连通判定翻转。解决写坐标用writetable写邻接矩阵用dlmwrite(..., precision, %d)从源头保证数据精度。如果你的数据已经生成完毕可以在 Python 侧统一留一个tol1e-6的容差把adj[tol]修正为 0但这种做法是事后补救不如生成时把精度做对。5.5 能耗模型参数照抄论文五张拓扑的能耗差异直接消失现象拿着第一节里的链路能耗公式去跑五种拓扑发现星型、树型、簇型的总能耗都差不多完全没法支撑“某某拓扑更省电”的结论。原因一阶无线电模型里E_amp的数量级对结果影响巨大。如果你把通信距离的单位写成千米而不是米或者把E_amp直接抄成某个论文里针对大尺度场景的系数在小尺度 WSN 里放大器耗能会被计算得过低链路能耗几乎全由E_elec决定拓扑差异就被抹平了。解决先固定区域尺度100 米级别用d²模型超过 300 米再考虑d⁴多路径衰落E_amp的量纲必须是J/bit/m²不能是纯系数。参数写在一个独立的配置区或者 CSV 配置文件里别散落在代码角落。6. 验证与进阶从静态拓扑走向路由协议仿真6.1 自检方式先过三关再进实验拿到五张拓扑之后先跑一组自动检查不要直接进协议仿真。第一关是结构检查邻接矩阵必须对称对角线必须为 0节点度数不能出现 0。第二关是连通性检查除了特定场景外全图必须连通树型要用nx.is_tree验证无环。第三关是差异检查五种拓扑的边数、平均跳数、平均度必须拉开差距如果两个拓扑指标几乎一样说明生成参数没调好实验对照组失去意义。import networkx as nx import numpy as np for name in [star, ring, tree, mesh, cluster]: G nx.from_numpy_array(np.loadtxt(fdata/adjacency_{name}.csv, delimiter,)) adj nx.to_numpy_array(G) assert (adj adj.T).all(), f{name}: 矩阵非对称 assert not np.any(np.diag(adj)), f{name}: 对角线不为零 assert nx.is_connected(G), f{name}: 图不连通 if name tree: assert nx.is_tree(G), f{name}: 不是树 print(name, edges:, G.number_of_edges(), avg_hop:, round(nx.average_shortest_path_length(G), 2))6.2 进阶方向从静态到动态静态拓扑只是第一步。无线传感器网络真正复杂的地方在于拓扑会随时间变化节点可能因为电量耗尽而退出网络新节点也可能中途加入。下一步比较自然的做法是给 Matlab 脚本加一个“节点失效”过程每一轮随机删除若干低能量节点重新计算邻接矩阵观察网络是否出现分割这是连通性保持问题最经典的仿真实验。再往下走就是把路由协议套进来。有了 CSV 邻接矩阵你可以直接在 Python 里实现泛洪、最短路径转发、LEACH 分簇调度等协议每一轮仿真结束更新节点剩余能量把五张拓扑的生存时间曲线画在一起。到这一步你已经从“生成拓扑”跨到了“协议对比”前面所有数据格式的约定都会在这一阶段发挥作用。6.3 一点习惯我自己的习惯是每生成一套数据就在项目根目录放一个config.yaml或params.txt把节点数、区域边长、通信半径、随机种子、能耗模型系数全记下来。拓扑仿真里最坑的不是算法不会写而是跑了半个月之后想复盘发现当时用的参数已经想不起来了。固定种子加参数台账这两件事做好几乎所有复现问题都能避免。这个方向最大的价值在于一旦数据和生成逻辑分离你就可以把同样的坐标和邻接矩阵喂给任何协议、任何指标分析代码再也不用每次从头搭仿真。希望这篇解析能帮你在做无线传感器网络拓扑仿真时少走几步弯路把时间花在值得做的算法和实验上。本文还有配套的精品资源点击获取