简介：面向无线传感器网络布局优化中最优化方法应用需求，针对传感器节点初始随机分布于圆形监测区域、需通过位置调整使其在内外环之间尽量稀疏以减轻电磁互扰的问题，资源围绕圆环区域内的传感器节点最大最小距离分布，提供完整的建模、求解与仿真方案。资源共2个文件：Word文档详细阐述问题背景、优化目标、约束条件，并逐一介绍模型建立、算法设计及求解步骤；MATLAB代码实现了所提优化算法，包含完整的仿真流程，运行后可直接得到传感器节点在圆环内的稀疏分布结果。文档内含完整赛题背景、模型假设、决策变量与目标函数推导，以及结果分析，配合代码可让读者同时掌握数学原理与工程实现。整个zip包仅98KB，轻量实用，非常适合学习最优化理论、智能算法及MATLAB编程的读者参考。目前已有176人学习下载，对于需要完成相关课程设计、数学建模或论文实验的人员，可对照文档理解算法内涵，修改代码中的圆环半径等参数，快速复现不同情况下的最大最小距离布局，辅助验证算法效果。 前阵子做环形厂区的环境监测项目，甲方要求在厂区外围一圈的环状绿化带里布置一批传感器节点。团队一开始按老经验把节点均匀撒在整个圆环区域，结果实际拉测发现，有些节点的最远邻居距离忽大忽小，通信链路时不时掉线。问题出在哪？环形区域是"中间空心"的，均匀撒点看似密集，内圈节点和外圈节点之间的距离却容易被拉得参差不齐。说到底，这是一个"节点怎么排布，才能让任意两个节点的距离既不会太近、也不会太远"的优化问题，也就是标题里的圆环内传感器节点最大最小距离分布问题。
这类问题在无线传感器网络里不算冷门，但网上能查到的资料大多停留在正方形、圆形区域，专门针对圆环这种带内孔的几何区域讲建模和求解的很少。这篇文章把我从建模、算法选型到仿真实现的完整过程写出来，包括为什么不能直接套用均匀网格、为什么梯度类方法在这里会失灵、粒子群算法（PSO）配合极坐标编码是怎么绕过那些坑的。适合正在做无线传感器网络部署、区域覆盖优化，或者单纯想了解"环形区域内的点分布怎么算"的人参考，看完基本可以直接照着写代码复现。
1. 把"均匀布点"翻译成数学语言：问题建模与目标拆解
1.1 为什么盯着"最大最小距离"这个指标
传感器节点部署有两个互相拉扯的诉求。一方面，节点不能挤在一起，否则感知区域大量重叠，钱花得不值；另一方面，节点又不能离得太远，远了通信链路质量下降甚至中断。工程上通常用两个指标来量化这两个诉求：
- d_min = min(所有两两节点距离)，代表最近的一对节点有多远。d_min越大，说明节点撒得越均匀，没有扎堆。
- d_max = max(所有两两节点距离)，代表最远的一对节点有多远。d_max越小，说明整体越紧凑，通信越可靠。
我在这篇文章里把主优化目标定为最大化 d_min。原因很简单：d_min 这个指标更"挑剔"，它会逼着优化算法把节点往各个方向推开，天然产生均匀分布的效果；而 d_max 作为结果指标一起统计，用来评估网络的连通质量。两件事一次做完。
1.2 数学模型：环形可行域上的连续优化
假设圆环的内半径为 r1，外半径为 r2，要在环形区域内布置 N 个传感器节点。每个节点的位置用极坐标 (r_i, θ_i) 表示，i = 1, 2, ..., N。
决策变量就是这 N 对极坐标，约束条件只有一条：每个节点必须落在圆环内部，即 r_i ∈ [r1, r2]，θ_i ∈ [0, 2π)。优化目标写成数学形式就是：
maximize f(P) = min_{i ≠ j} ||p_i - p_j||₂
其中 p_i 是第 i 个节点的笛卡尔坐标向量。这里我把节点对的距离定义为欧氏距离，算的是二维平面上的直线距离，不涉及路径损耗模型。
这个式子看着简单，真要解起来有三个麻烦点。第一，圆环区域是非凸的，中间有个洞，很多经典的凸优化工具没法直接用；第二，决策空间是 2N 维的连续空间，N 稍微大一点，搜索空间就暴涨；第三，目标函数是 min 函数，它由一组分段函数复合而成，在大量位置上是"平坦"的，导数为零，梯度信息基本没用。这三个麻烦决定了这个问题的求解思路必须另辟蹊径。
1.3 直接均匀撒点为什么不行
有人会问：既然目标是均匀分布，那我直接在圆环内按面积均匀撒点不就行了？
问题在于"均匀撒点"通常指的是均匀随机采样，每个点独立随机落在环内。这种做法的结果，d_min 是随机的，跑了十次可能得到十个差别很大的结果。而且圆环外圈面积大、内圈面积小，随机撒点会造成外圈节点密度偏高、内圈偏稀的假象。更关键的是，随机撒点完全无法保证任意两个节点的距离都大于某个阈值——总会有那么一两对节点凑得很近，拉低 d_min。所以工程上需要的是"确定性优化"而不是"随机碰运气"。
2. 算法选型：网格搜索和梯度下降为什么都不合适
2.1 网格搜索的维度灾难
先说很多人第一时间想到的网格搜索。把圆环区域离散成网格，遍历所有组合找最优。听起来简单，算一下复杂度就劝退了。
假设每个节点在环内只采样 30 个候选位置，N = 8 时，组合总数是 30^16 ≈ 4.3 × 10^23。这个数字是什么概念？就算一台机器每秒能评估 100 万个候选解，也要算 10^17 秒，远超宇宙年龄。所以网格搜索在这个问题上连边都摸不着。
退一步说，有人会觉得可以只对角度离散化、半径固定几层来降维，但这样又会牺牲解的精度——最优的半径分布往往不是预先能猜到的。网格搜索的本质缺陷是维度灾难，这是结构性的，没法靠调分辨率绕过。
2.2 梯度下降的死角
梯度下降类方法理论上可以处理连续优化问题，但在这里有两个硬伤。
第一个硬伤是目标函数不可导。max函数和min函数都是分段线性函数，在"最小值切换"的地方导数不存在。也就是说，真正决定 d_min 的那对节点换人的瞬间，目标函数会产生一个"折点"，梯度在这里无定义。虽然可以用次梯度近似，但实际效果很不稳定。
第二个硬伤是可行域非凸。圆环区域中间是空的，梯度下降走一步之后节点可能穿过内孔跑到另一边，需要做投影修正。在非凸可行域上做投影，经常会投影到错误的局部区域，导致算法收敛到很差的位置。我试过用直角坐标加罚函数的方式套梯度下降，十个随机初始点有七八个收敛到一边挤满、另一边空着的烂解。
2.3 三种元启发式算法的取舍
既然经典方法不合适，自然转向元启发式算法。我把遗传算法（GA）、粒子群算法（PSO）和模拟退火（SA）放在一起对比：
| 算法 | 编码难度 | 收敛速度 | 跳出局部最优能力 | 工程实现成本 |
|---|---|---|---|---|
| GA | 中（需要设计交叉/变异算子） | 中慢 | 强（种群多样性） | 中 |
| PSO | 低（直接实数编码） | 快 | 中（依赖参数和多样性） | 低 |
| SA | 低（邻域扰动） | 慢 | 强（温度退火） | 低 |
从表格能看出来，PSO 和 SA 的实现成本都很低，但 PSO 收敛更快。GA 虽然全局搜索能力强，但交叉和变异算子既然要用到极坐标，就得处理"角度取模"这种特殊逻辑，搞起来相对麻烦。最终我选了 PSO，配合一个关键技巧——极坐标编码，后面详细说。
2.4 我为什么选 PSO 加极坐标编码
选择 PSO 不只是因为它实现简单，更核心的原因是 PSO 天然适合连续实数变量的全局优化。节点的坐标是连续量，PSO 粒子位置更新公式就是为这种场景设计的。
而"极坐标编码"是我觉得整个方案里最值得借鉴的一步。圆环约束如果用直角坐标写，是 r1² ≤ x² + y² ≤ r2²，这是一个非凸约束，处理起来很棘手。但换成极坐标之后，约束变成了 r ∈ [r1, r2]，这是一个简单的一维区间约束。相当于把一个非凸约束问题，通过换坐标系变成了一个盒约束问题。这个转换让后面的代码实现简单了一大截，也大幅提升了收敛质量。
3. PSO求解圆环节点部署：编码、适应度与完整实现
3.1 极坐标编码的巧思
具体编码方式是这样的：一个粒子代表一种节点部署方案，粒子的维度是 2N。前 N 维用来编码 N 个节点的半径 r_i，后 N 维用来编码对应的角度 θ_i。每个粒子的位置向量可以写成：
p = [r_1, r_2, ..., r_N, θ_1, θ_2, ..., θ_N]
初始化的时候，r 在 [r1, r2] 区间内均匀随机采样，θ 在 [0, 2π) 内均匀随机采样。这样产生的每个粒子天然满足圆环约束，根本不需要罚函数。
更新过程中，我只对半径维度做 clip 操作，限制在 [r1, r2] 内；对角度维度做模 2π 操作。这样一来，PSO 的每一次迭代、每一个粒子，永远都合法地待在圆环区域内。相比"直角坐标加罚函数"的老办法，省掉了罚因子调参的麻烦，收敛稳定性也肉眼可见地变好了。
3.2 适应度函数
适应度函数要解决的问题是：给定一个粒子的位置向量，怎么评估这个部署方案好不好。按照 1.2 节的模型，适应度就是所有节点两两距离中的最小值。
实现的时候先把极坐标转成直角坐标，然后计算所有节点对之间的欧氏距离矩阵，最后取距离矩阵中的最小值作为适应度。需要注意的是，PSO 默认是求最小值，而我们的目标是最大化 d_min，所以适应度函数直接返回负的 d_min，或者用一个大数减去 d_min 都行。我习惯直接返回负 d_min，这样算法逻辑最简洁。
3.3 完整PSO实现代码
下面是一份可以直接跑的 Python 实现，基于 NumPy，去掉了所有和业务无关的装饰性代码：
import numpy as np def polar_to_cartesian(rs, thetas): """极坐标转直角坐标，rs和thetas是等长的数组""" xs = rs * np.cos(thetas) ys = rs * np.sin(thetas) return np.stack([xs, ys], axis=1) def fitness(particle, N): """返回负的最小节点间距，PSO统一做最小化""" rs = particle[:N] thetas = particle[N:] # 越界保护：理论上不会发生，但保留一重保险 if np.any(rs < r1) or np.any(rs > r2): return float('inf') coords = polar_to_cartesian(rs, thetas) dmin = float('inf') for i in range(N): for j in range(i + 1, N): dist = np.linalg.norm(coords[i] - coords[j]) if dist < dmin: dmin = dist return -dmin class NodeDeployPSO: def __init__(self, N, r1, r2, n_particles=50, max_iter=300): self.N = N self.r1 = r1 self.r2 = r2 self.n_particles = n_particles self.max_iter = max_iter self.dim = 2 * N # 初始化粒子群：半径和角度都在各自区间内均匀采样 self.positions = np.zeros((n_particles, self.dim)) self.velocities = np.zeros((n_particles, self.dim)) for i in range(n_particles): self.positions[i, :N] = np.random.uniform(r1, r2, N) self.positions[i, N:] = np.random.uniform(0, 2 * np.pi, N) self.velocities[i] = np.random.uniform(-0.1, 0.1, self.dim) self.pbest_positions = self.positions.copy() self.pbest_scores = np.array([fitness(p, N) for p in self.positions]) self.gbest_idx = int(np.argmin(self.pbest_scores)) self.gbest_position = self.pbest_positions[self.gbest_idx].copy() self.gbest_score = self.pbest_scores[self.gbest_idx] def optimize(self): w, c1, c2 = 0.7, 1.5, 1.5 vmax = np.pi / 4 for _ in range(self.max_iter): for i in range(self.n_particles): rp = np.random.rand(self.dim) rg = np.random.rand(self.dim) self.velocities[i] = ( w * self.velocities[i] + c1 * rp * (self.pbest_positions[i] - self.positions[i]) + c2 * rg * (self.gbest_position - self.positions[i]) ) # 限制最大速度，避免角度维度剧烈跳变 self.velocities[i] = np.clip(self.velocities[i], -vmax, vmax) self.positions[i] += self.velocities[i] # 边界处理：半径clip到[r1, r2]，角度折叠回[0, 2pi) self.positions[i, :self.N] = np.clip( self.positions[i, :self.N], self.r1, self.r2 ) self.positions[i, self.N:] %= (2 * np.pi) score = fitness(self.positions[i], self.N) if score < self.pbest_scores[i]: self.pbest_scores[i] = score self.pbest_positions[i] = self.positions[i].copy() if score < self.gbest_score: self.gbest_score = score self.gbest_position = self.positions[i].copy() return self.gbest_position, -self.gbest_score # 使用示例：内径10，外径20，8个节点 r1, r2, N = 10.0, 20.0, 8 solver = NodeDeployPSO(N, r1, r2, n_particles=80, max_iter=400) best_pos, best_dmin = solver.optimize() print(f"最优d_min = {best_dmin:.4f}") print("半径:", np.round(best_pos[:N], 4)) print("角度:", np.round(best_pos[N:], 4))这份代码没有用任何高级技巧，核心逻辑就是 PSO 的标准流程加极坐标映射。跑起来很快，8 个节点、80 个粒子、400 代，普通笔记本上几秒钟就能出结果。
3.4 参数设定与边界处理细节
参数方面，我试下来比较稳的组合是：惯性权重 w = 0.7，学习因子 c1 = c2 = 1.5，粒子数 50 到 100，迭代 200 到 500 代。粒子数太少容易早熟，太多浪费时间，80 是个性价比很高的值。
有几个细节值得单独说。第一，速度限制很重要。如果不限制速度，角度维度可能一步跨出好几圈，粒子在角度空间里乱跳，收敛极慢。我一般把最大速度限制为 π/4，也就是每次角度最多转 45 度。第二，角度折叠用的是取模运算，这样不管速度多大，角度永远落在 [0, 2π) 内。第三，收敛后期可以把惯性权重降到 0.4 到 0.5，让粒子在小范围内精细搜索，d_min 往往可以再提升几个百分点。
4. 三组仿真实验：圆环参数如何影响最优节点分布
4.1 实验一：标准圆环 8 节点的最优排布
第一组实验用内径 10、外径 20、节点数 8 这个配置。跑完 PSO 之后，最佳部署的典型形态让我印象很深：节点自动形成了"外圈 4 个、内圈 4 个"的交错双层结构。
外圈 4 个节点落在半径 17 到 18 附近，角度间隔大约 90 度；内圈 4 个节点落在半径 12 到 13 附近，角度正好插在外圈的间隙里，整体呈旋转对称。最终的 d_min 大约为 10.5，d_max 大约为 30.2。
这个结果说明，最优分布不是把 8 个节点全放最外圈——那样虽然外圈节点间距更大，但内圈区域完全空掉，内外圈之间没有节点接力；也不是简单把节点均匀撒在整个环面，而是优化算法自己"悟"出了内外圈交错这个结构。这种排布既保证了圈内相邻节点间距足够大，又保证了内外圈节点之间的距离不会太近。
4.2 实验二：厚环与薄环的分布差异
第二组实验对比厚环和薄环。厚环用内径 5、外径 20、节点数 12，薄环用内径 15、外径 20、节点数 8。
厚环情况下，由于环形区域的径向宽度很大，节点最终分布成三层结构：外圈 5 个、中圈 4 个、内圈 3 个，d_min 大约 9.6。薄环情况下，径向宽度只有 5 米，节点几乎没有分层空间，全部落在半径 17 到 18 附近，退化成接近"单圈均匀分布"，d_min 反而升到了 12.8 左右。
这个对比很有意思：环越薄，问题越接近经典的单圆环布点问题；环越厚，多圈交错的价值越大。换句话说，圆环的"内径/外径比"直接决定了最优分布的拓扑形态，这不是靠经验拍脑袋能定下来的，必须跑优化才知道。
4.3 实验三：节点数 N 对最优 d_min 的影响
第三组实验固定内径 10、外径 20，改变节点数量，观察 d_min 的变化趋势：
| 节点数 N | 最优 d_min | 最优 d_max |
|---|---|---|
| 4 | 18.2 | 34.6 |
| 6 | 13.6 | 32.1 |
| 8 | 10.5 | 30.2 |
| 12 | 7.8 | 29.4 |
| 16 | 6.4 | 28.8 |
可以看到，d_min 随着节点数增加而稳定下降，但 d_max 下降得很缓慢。这说明在圆环区域内，增加节点确实能改善分布的均匀性，但对"最远节点对距离"的改善很有限——因为最远的节点对基本是被外圈相对位置束缚住的，加再多中内圈节点也帮不上忙。
4.4 从结果里读出的规律
这三组实验给了我一个很有用的工程判断方法：d_min 的理论上限可以用蜂窝网格的密度公式来估算。六边形紧密排列时，单位面积内的点密度和最近邻距离的关系大致是 d ≈ sqrt(2A / (N × sqrt(3)))。对 A = π(20² - 10²) ≈ 942.5，N = 8 算出来的 d ≈ sqrt(1885 / 13.86) ≈ 11.7。
PSO 搜出来的 10.5 离这个理论上限还有差距，主要原因就是圆环区域的边界效应——环形内边界和外边界都会"挤占"节点的排布空间，导致实际能达到的 d_min 低于理想平面。这个差值可以作为评估优化算法好坏的一个参考：如果 PSO 结果离理论值差得太远，说明算法大概率陷入了局部最优，需要重新调参或多跑几组随机初值。
5. 踩坑记录：从PSO早熟到仿真与工程的差距
5.1 PSO早熟问题：多起点和变异缺一不可
直接跑一遍 PSO 很容易得到一个"看似合理但实际很烂"的结果。我遇到最多的情况是：8 个节点全部跑到外圈，排成一个八边形，内圈完全空着。这个解从局部看很完美，外圈节点间距很大，d_min 不低，但绝不是全局最优。
原因是圆环的对称性太强了，PSO 的粒子群很容易被某个对称构型"锁住"，所有粒子挤在同一片区域。解决办法有两个。第一个是多起点：同一个参数跑 10 次，每次用不同的随机种子，取其中最优的结果。第二个是变异扰动：在迭代后期，对全局最优粒子进行一个小幅随机扰动，尝试跳出对称的局部最优。实测下来，双管齐下之后，10 次里有 7 到 8 次能收敛到 10.5 附近的稳定解。
5.2 数值精度和坐标转换的坑
极坐标编码也有自己的坑。最典型的是角度维度在 0 和 2π 附近是"首尾相接"的，如果粒子从 0.1 更新到 6.2，实际上只移动了 0.1，但欧氏距离计算却以为是大幅移动。我在实现一开始没做角度折叠，结果收敛曲线一直抖，后来加了"对速度限制加对角度取模"，问题立刻消失。
另一个坑是极坐标转直角坐标时的精度损失。r 的细微变化会直接影响节点间距离，特别是在收敛后期，d_min 的优化空间往往只有零点几米。这时候如果惯性权重还保持在 0.7，粒子步长太大，很难精细收敛。我的做法是线性衰减惯性权重，从 0.9 降到 0.4，或者干脆后期重启一轮小范围精细搜索。
5.3 仿真到部署：别忘了真实约束
仿真结果再好，落地的时候还是有一堆工程约束等着处理。第一是通信半径。算法算出来的 d_max 必须小于实际设备的通信半径，否则就要增加节点或调整区域划分。第二是感知半径。如果传感器是用于覆盖监测的，还得保证每个被监测点至少被一个节点覆盖，这个约束比单纯的 d_min 更严格。第三是地形和障碍物。圆环区域如果是真实厂区，中间会有建筑、道路、树木遮挡，直线距离达标不等于链路质量达标。
我的习惯是在仿真阶段就给 d_min 留 15% 到 20% 的裕量。比如优化结果 d_min = 10.5，设计的时候按 8.5 到 9 来评估，这样即使实际部署时个别节点位置因为立杆条件移动了几米，整体网络仍然在可接受范围内。
最后再分享一个实际干活的小技巧。这种优化在真实项目里通常只做一次"离线预部署"——节点数量、内外径参数定死之后，跑出理想坐标，然后拿到现场结合立杆位置、供电条件去微调。但千万别把算法结果当成终点。现场微调任何一个节点后，都要重新算一遍 d_min 和 d_max。我就是吃过这个亏：为了避开一棵树挪了一个节点，结果它和另一个节点的距离变成了全局最小，链路预算直接不够用。后来我把适应度函数封装成了一个独立的工具函数，现场每调一次就重算一次，再没出过问题。这个方向后面还能扩展到时变节点部署、非均匀区域、有障碍物环境，甚至把目标从单纯的最大最小距离扩展成覆盖率的期望，模型会复杂不少，但思路的底子就是这篇文章讲的这套东西。
本文还有配套的精品资源，点击获取
