基于负载平衡与粒子群算法的射频识别网络布局方法技术

本发明专利技术公开了一种基于负载平衡与粒子群算法的射频识别网络布局方法，主要解决现有技术用遗传算法布局网络易出现早熟、收敛速度慢、稳定性差的问题。其技术方案是：1.对粒子群个体进行初始化编码；2.计算粒子群中每个个体的适应度值；3.比较每个个体的适应度值，计算出全局最优个体；4.根据全局最优个体的信息，利用粒子群优化方法更新粒子群中每个个体的位置信息；5.判断是否满足终止条件，若是，则进行试探性删除计算，输出最优个体，否则返回步骤2。本发明专利技术具有初始种群规模小，收敛速度快，稳定性高的优点，可以有效的解决射频识别网络布局问题。

【技术实现步骤摘要】
基于负载平衡与粒子群算法的射频识别网络布局方法
本专利技术属于网络
，具体涉及一种射频识别网络布局优化方法，可用于网络规划。
技术介绍
近些年来，射频识别RFID技术作为物联网技术的一个代表，越来越多的受到研究者的关注。在RFID系统中也涉及许多方面的技术问题，如随着RFID技术的发展和广泛应用，RFID网络的布局优化问题就成为一项急剧挑战性的工作。对于RFID网络布局优化问题，这里涉及到许多约束条件和目标，并已被证明是NP-hard问题。RFID网络布局优化问题的目的就是满足在一定的约束条件，如标签覆盖率，阅读器的数量，干扰，负载平衡，找到阅读器的最佳位置。目前文献中提出了大量的解决方法，大致可分为三类：最优化算法、启发式算法、元启发式算法。其中，元启发式算法主要包括遗传算法、模拟退火算法、禁忌搜索算法、粒子群优化算法等。RFID网络布局问题属于组合优化问题，元启发式算法是目前被普遍认为在性能、可扩展性和易于实现性等方面权衡后的最佳方法。其中，遗传算法是最常用的一种元启发式算法。更广义的地说，遗传算法属于一种进化算法，由于进化算法与传统优化方法相比，具有简单、通用、鲁棒性强和便于并行化处理等优点，已被广泛应用于数值优化、组合优化、分类器设计等领域。但实践也表明，仅仅使用以遗传算法为代表的进化算法来模仿生物处理事物的智能还是远远不够的，还必须更加深层地挖掘与利用生物的智能资源。在遗传算法中，用于产生子代的个体是根据适应度从整个种群中选择出来的，因此必须预先确定整个种群的适应度分布。但在自然界中并不存在全局选择，也无法计算全局的适应度分布。事实上，自然选择本身是一种局部现象，它只与个体所在的局部环境有关。也就是说，某一阶段，自然进化是一个局部过程，它通过渐渐扩散，才使得信息为全局共享。因此，用遗传算法求解RFID网络布局问题不能很好的模仿生物处理事物的智能，另外遗传算法还有易早熟收敛、收敛速度慢、稳定性差等缺点，从而无法得到好的网络布局方案。
技术实现思路
本专利技术的目的在于提出一种基于负载平衡与粒子群算法的射频识别网络布局方法，以克服上述遗传算法的不足，实现对RFID网络的更好布局。为实现上述目的，本专利技术的技术方案是这样实现的：(1)根据射频识别网络设置模型参数：电磁波的波长λ＝0.328m，阅读器与标签通信的门槛功率Rq＝-14dBm，阅读器的天线增益G1＝6.7dBi；标签的天线增益G2＝3.7dBi；(2)设置粒子群优化算法参数：设粒子群优化的最大粒子个数M＝20，优化最大代数N＝1000，优化的代数gen，其取值在0～N-1；设置保存每一代中适应度最大个体信息的结构体数组为B[m][M]，设置保存全局适应度最大个体信息的结构体数组为G[M]；(3)输入射频识别网络中的标签位置坐标和个数，对该射频识别网络中的阅读器位置坐标和发射功率进行编码初始化：3a)在50m×50m二维平面内，随机的产生M个阅读器的个体；3b)初始化M个阅读器的个体的位置坐标及发射功率：随机的产生阅读器的个体的位置坐标，且位置坐标是0～50m内的一个随机实数，同时随机的产生阅读器的个体的发射功率，且发射功率是在20～33dBm内的一个随机实数；3c)设进化的代数gen＝0；(4)判断是否满足进化的代数gen<N，若是，执行步骤(5)，否则，跳转到步骤(9)；(5)计算每个个体的适应度值，该适应度值包括：标签的覆盖率COV，负载平衡约束的信息熵F，阅读器的干扰ITF，阅读器数量Nr；(6)按照目标函数的重要程度依次排序；(7)对重要程度最强的个体按照适应度值从大到小进行排序，将适应度值最大的个体信息存放在结构体数组B[m][M]中；(8)更新第gen代个体的位置坐标；(9)计算出全局的最优个体，将其信息存于结构体数组G[M]中，并进行试探性的删除计算；(10)判断是否满足终止条件：如果是，则输出结构体数组G[M]中阅读器的最优位置，否则，将gen自加1，返回步骤(4)。本专利技术与现有的技术相比具有以下优点：1.本专利技术由于将RFID网络布局系统与进化算法相结合，设计了一种基于负载平衡约束的射频识别网络布局优化方法，与传统遗传算法中种群的模型相比，粒子群的网络模型更接近于真正的自然进化机制，能够得到更好的布局方案。2.本专利技术由于采用了依次比较目标函数的策略和试探删除算子，使粒子群算法种群规模小，收敛速度快，稳定性高。3.本专利技术由于采用了粒子群进化方法，该方法不仅使用于求解RFID网络布局问题，同时也可以将该方法扩展到求解其它带有优先关系限制的组合优化问题。附图说明图1是本专利技术的实现流程图；图2是本专利技术的射频识别网络模型图。具体实施方式如图2所示，射频识别RFID网络模型，主要有标签和阅读器组成，标签与读写器之间通过电磁波实现通信，阅读器发射能量信号，通过阅读器的天线将信号发射出去，标签通过自身天线完成接收功能。参照图1，本专利技术的具体实施步骤如下：步骤1.设置参数网络参数。根据射频识别网络模型设置如下参数：电磁波的波长λ＝0.328m，阅读器与标签通信的门槛功率Rq＝-14dBm，阅读器的天线增益G1＝6.7dBi；标签的天线增益G2＝3.7dBi。步骤2.设置粒子群进化算法参数。在函数优化领域通常使用粒子群算法进行目标优化，由于粒子群算法中涉及的参数很多，本实例根据需要设置如下参数：设粒子群的最大粒子个数M＝20，优化最大代数N＝1000，优化的代数gen为0～N-1；设置保存每一代中适应度最大个体信息的结构体数组为B[m][M]，设置保存全局适应度最大个体信息的结构体数组为G[M]。步骤3.输入射频识别网络中的标签位置坐标和个数，对该射频识别网络中的阅读器位置坐标和发射功率进行编码初始化。3a)在50m×50m二维平面内，随机的产生M个阅读器的个体；3b)初始化M个阅读器的个体的位置坐标及发射功率：随机的产生阅读器的个体的位置坐标，且位置坐标是0～50m内的一个随机实数，同时随机的产生阅读器的个体的发射功率，且发射功率是在20～33dBm内的一个随机实数；3c)设进化的代数gen＝0。步骤4.判断是否满足进化的代数gen<N，若是，执行步骤5，否则，跳转到步骤9。步骤5.计算每个个体的适应度值。每个个体的适应度值包括标签覆盖率COV、负载平衡的信息熵F、阅读器的干扰ITF、阅读器数量Nr，这些参数的计算如下：5a)将射频识别网络的标签覆盖率COV定义为：COV＝∑t∈TSCv(t)/Nt×100％其中，Cv(t)表示每个标签的覆盖率，Nt是分布在工作区域中的标签的个数，是标签t收到的来自阅读器r1的功率，Rq是读写器与标签之间通信的最小功率，是标签t收到的来自阅读器r2的功率，RS是阅读器的集合，r1和r2是阅读器集合中的两个不同的元素，TS代表标签的集合；5b)计算反映负载平衡约束的信息熵F：其中ni是第i个阅读器负载的标签个数，RS是阅读器的集合，TS代表标签的集合；5c)计算阅读器的干扰ITF：ITF＝∑t∈TSγ(t)，其中γ(t)表示每个标签的干扰，Rq是读写器与标签之间通信的最小功率，Pr,t是标签t收到的来自阅读器r的功率，RS是阅读器的集合，r是阅读器集合中的一个元素，t是标签集合中的一个元素本文档来自技高网...

【技术保护点】
基于负载平衡与粒子群算法的射频识别网络布局方法，包括如下步骤：(1)根据射频识别网络设置模型参数：电磁波的波长λ＝0.328m，阅读器与标签通信的门槛功率Rq＝‑14dBm，阅读器的天线增益G1＝6.7dBi；标签的天线增益G2＝3.7dBi；(2)设置粒子群优化算法参数：设粒子群优化的最大粒子个数M＝20，优化最大代数N＝1000，优化的代数gen，其取值在0～N‑1；设置保存每一代中适应度最大个体信息的结构体数组为B[m][M]，设置保存全局适应度最大个体信息的结构体数组为G[M]；(3)输入射频识别网络中的标签位置坐标和个数，对该射频识别网络中的阅读器位置坐标和发射功率进行编码初始化：3a)在50m×50m二维平面内，随机的产生M个阅读器的个体；3b)初始化M个阅读器的个体的位置坐标及发射功率：随机的产生阅读器的个体的位置坐标，且位置坐标是0～50m内的一个随机实数，同时随机的产生阅读器的个体的发射功率，且发射功率是在20～33dBm内的一个随机实数；3c)设进化的代数gen＝0；(4)判断是否满足进化的代数gen<N，若是，执行步骤(5)，否则，跳转到步骤(9)；(5)计算每个个体的适应度值，该适应度值包括：标签的覆盖率COV，负载平衡约束的信息熵F，阅读器的干扰ITF，阅读器数量Nr；(6)按照目标函数的重要程度依次排序；(7)对重要程度最强的个体按照适应度值从大到小进行排序，将适应度值最大的个体信息存放在结构体数组B[m][M]中；(8)更新第gen代个体的位置坐标；(9)计算出全局的最优个体，将其信息存于结构体数组G[M]中，并进行试探性的删除计算；(10)判断是否满足终止条件：如果是，则输出结构体数组G[M]中阅读器的最优位置，否则，将gen自加1，返回步骤(4)。...

【技术特征摘要】
1.基于负载平衡与粒子群算法的射频识别网络布局方法，包括如下步骤：(1)根据射频识别网络设置模型参数：电磁波的波长λ＝0.328m，阅读器与标签通信的门槛功率Rq＝-14dBm，阅读器的天线增益G1＝6.7dBi；标签的天线增益G2＝3.7dBi；(2)设置粒子群优化算法参数：设粒子群优化的最大粒子个数M＝20，优化最大代数N＝1000，优化的代数gen，其取值在0～N-1；设置保存每一代中适应度最大个体信息的结构体数组为B[m][M]，设置保存全局适应度最大个体信息的结构体数组为G[M]；(3)输入射频识别网络中的标签位置坐标和个数，对该射频识别网络中的阅读器位置坐标和发射功率进行编码初始化：3a)在50m×50m二维平面内，随机的产生M个阅读器的个体；3b)初始化M个阅读器的个体的位置坐标及发射功率：随机的产生阅读器的个体的位置坐标，且位置坐标是0～50m内的一个随机实数，同时随机的产生阅读器的个体的发射功率，且发射功率是在20～33dBm内的一个随机实数；3c)设进化的代数gen＝0；(4)判断是否满足进化的代数gen<N，若是，执行步骤(5)，否则，跳转到步骤(9)；(5)计算每个个体的适应度值，该适应度值包括：标签的覆盖率COV，负载平衡约束的信息熵F，阅读器的干扰ITF，阅读器数量Nr；(6)按照目标函数的重要程度依次排序；(7)对重要程度最强的个体按照适应度值从大到小进行排序，将适应度值最大的个体信息存放在结构体数组B[m][M]中；(8)更新第gen代个体的位置坐标；(9)计算出全局的最优个体，将其信息存于结构体数组G[M]中，并进行试探性的删除计算；(10)判断是否满足终止条件：如果是，则输出结构体数组G[M]中阅读器的最优位置，否则，将gen自加1，返回步骤(4)。2.如权利要求1所述的基于负载平衡与粒子群算法的射频识别网络布局方法，其特征在于：步骤(5)所述的计算每个个体的适应度值，以按以下步骤进行：5a)将射频识别网络的标签覆盖率COV定义为：COV＝∑t∈TSCv(t)/Nt×100％其中，Cv(t)表示每个标签的覆盖率，Nt是分布在工作区域中的标签的个数，是标签t收到的来自阅读器r1的功率，Rq是读写器与标签之间通信的最小功率，是标签t收到的来自阅读器r2的功率，RS是阅读器的集合，r1和r2是阅读器集合中的两个不同的元素，TS代表标签的集合；5b)计算负载平衡的信息熵F：其中ni是第i个阅读器负载的标签个数，RS是阅读器的集合，TS代表标签的集合；5c)计算阅读器的干扰ITF：ITF＝∑t∈TSγ(t)，其中γ(t)表示每个标签的干扰，γ(t)＝∑Pr,t-max{Pr,t},r∈RS∩Pr,t≥Rq，Rq是读写器与标签之间通信的最小功率，Pr,t是标签t收到的来自阅读器r的功率，RS是阅读器的集合，r是阅读器集合中的一个元素，t是标签集合中的一个元素；5d)将射频识别网络布局问题中...

【专利技术属性】
技术研发人员：刘静，焦李成，李禹龙，马文萍，马晶晶，刘红英，熊涛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61