基于多智能体进化算法的rfid网络布局方法
【专利摘要】本发明公开一种基于多智能体进化算法的RFID网络布局方法，属自动控制与信息【技术领域】。本发明将多智能体系统与进化计算相结合，用于求解RFID网络布局问题，其特征在于：首先根据两种算法初始化智能体网格中的每个智能体，然后设计了邻域竞争算子、邻域正交叉算子、变异算子、自学习算子对智能体进行优化，验证结果表明，本发明在评定求解RFID网络布局问题方法效用的三个方面：求解读写器最大覆盖率，读写器最少个数和读写器最小干扰率，都很有优势，是一种有效的求解RFID网络布局问题的方法。
【专利说明】基于多智能体进化算法的RFID网络布局方法
【技术领域】
[0001]本发明涉及电子信息【技术领域】，具体涉及一种基于多智能体进化算法(multiagent evolutionary algorithm, MAEA)的 RFID 网络布局方法。
【背景技术】
[0002]RFID网络布局问题广泛地存在于制造领域、物流领域、零售领域等多个领域，合理的RFID网络布局是降低使用成本、提高覆盖率、减小读写器之间干扰冲突的重要保证。RFID网络布局问题不仅在实践中应用广泛，在理论上，该问题模型丰富，而且多属于NP-hard问题，求解困难，因此，一直吸引着国内外众多学者的研究和关注。
[0003]典型的RFID网络布局问题可描述为:在给定的二维平面中，合理排布读写器的位置，使网络资源得到优化分配。RFID网络优化的目标主要包括以下三种:(1)提高读写器对电子标签的覆盖率，即N个读写器尽可能覆盖二维平面中的η个电子标签；(2)降低网络布局的成本，即减少读写器个数和发射功率；(3)减小读写器之间干扰率，若多个读写器信号同时询问一个电子标签，读写器之间会发生干扰，则RFID网络服务质量下降。以上目标的优化存在优先关系约束，即覆盖率优化先于成本优化，成本优化先于干扰率优化。
[0004]目前文献中提出的RFID网络布局问题解决方法主要是元启发式算法。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、蚁群优化算法等。RFID网络布局属于组合优化问题，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，从而无法得到好的项目进度计划。
【发明内容】
[0005]本发明的目的在于针对上述现有方法的不足，提出了一种基于多智能体进化算法的RFID网络布局方法。本方法根据RFID网络布局的任务目标初始化智能体，所有智能体均生存在一个网格环境中，即智能体网格，网格形式见凰之，网格的大小为Lsize;*Lsize;,网格大小根据布局方案的规模设置，例如布局方案的规模为25，Lsize设为5,则网格中有5*5即25个智能体。每个智能体固定在网格的一个格点上，记处于第i行、第j列的智能体为kj,该智能体的邻域
【权利要求】
1.基于多智能体遗传算法的RFID网络布局方法，其特征是:包括如下步骤: 步骤101:开始基于多智能体遗传算法的RFID网络布局方法； 步骤102:设定多智能体遗传算法所需的参数； 步骤103:初始化初代智能体网格Lt,其中种群代数t=0，计算每个智能体覆盖率cov、有效读写器个数Nr、排布方案干扰率inf三项目标的值，由算法I确定任意两个智能体能量energy的大小； 步骤104:对网格Lt中每个智能体执行邻域竞争算子，得到Lt+1/3 ； 步骤105:对网格Lt中每个智能体执行邻域正交叉算子，得到Lt+2/3 ； 步骤106:对Lt+2/3中的每个智能体执行变异算子，得到Lt+1 ； 步骤107:从Lt+1中找出第t代种群最优解CBestt,将自学习算子作用在其上；
步骤 108:如果 energy (CBestt+1) >energy (Bestt),则把 CBestt+1 的值赋予 Bestt+1,否则，把 Bestt 的值赋予 Bestt+1 和 CBestt+1 ； 步骤109:如果终止条件满足，即达到最大进化代数，则输出RFID网络布局结果，否则，令种群代数t的值自加I，并转向步骤104 ; 步骤110:结束基于多智能体遗传算法的RFID网络布局算法。
2.根据权利要求1所述的基于多智能体遗传算法的RFID网络布局方法，其特征是:所述的算法I，包括如下步骤: 步骤201:开始比较任意两个智能体能量大小； 步骤202:计算智能体Ly和L’ i；Jcov> Nr> inf三项目标的值； 步骤203:如果Lu中cov的值大于L’ i；J中cov的值，转向步骤206 ;若Li；J和L’ i；J中cov的值相同，转向步骤204 ;否则，转向步骤207 ； 步骤204:如果Ly中Nr的值小于L’ i；J中Nr的值，转向步骤206 ;若和L’ i；J中Nr的值相同，转向步骤205 ;否则，转向步骤207 ； 步骤205:如果Ly中inf的值小于L’ i；J中inf的值，转向步骤206 ;否则，转向步骤207 ；
步骤 206: energy (Lu j) >energy (L' i；J);
步骤 207: energy (Li,」)〈energy (L，i；J); 步骤208:结束智能体初始化算法。
3.根据权利要求1所述的基于多智能体遗传算法的RFID网络布局方法，其特征是:所述的步骤103，包括如下步骤: 步骤301:开始计算智能体三项目标函数； 步骤302:计算二维平面中电子标签覆盖率cov ； 步骤303:计算排布方案中有效读写器个数Nr的值； 步骤304:计算排布方案中读写器干扰率inf ； 步骤305:计算目标函数结束。
4.根据权利要求3所述的基于多智能体遗传算法的RFID网络布局方法，其特征是:所述的步骤303，包括如下步骤: 步骤401:开始计算Nr ; 步骤402:若recoverGen=0,转入403,否则转入407 ；步骤403:判断cov是否等于100%，如果是，则转向步骤404，否则转向步骤406 ； 步骤404:更新Nr=Nr-1,从RFID网络实际存在的读写器中选择覆盖电子标签数目最少的一个，将这个读写器删除，同时将on[Nmax]中对应被删除读写器的那一位置零； 步骤405:再次计算RFID网络排布方案的覆盖率，将recoverGen置为maxRG，并转向.408 ； 步骤406:若此时NK12，则更新Nr=Nr+l，同时将删除的读写器恢复转向408; 步骤 407:更新 recoverGen=recoverGen_l ;转向 408; 步骤408:Nr计算结束。
5.根据权利要求1所述的基于多智能体遗传算法的RFID网络布局方法，其特征是:所述的步骤105，包括如下步骤: 步骤501:开始邻域正交叉算子； 步骤502:对Lt+1/3中的每个智能体，若rand〈P。，则将邻域正交叉算子作用在其上，其中P。为邻域正交叉概率，否则执行步骤106 ； 步骤503:由Lu和邻域最优智能体Ox确定变量的搜索空间； 步骤504:将Liij中的定义域量化； 步骤505:随机产生3个整数，(k1； k2, k3)，满足Kk^WNmax，对Li;j产生以下4个因素:
6.根据权利要求1所述的基于多智能体遗传算法的RFID网络布局方法，其特征是:所述的步骤107，包括如下步骤: sLr表示第r代智能体网络，sLr+1/2是Si/和Si/+1间的中间代智能体网络。sBesf是sL°, sL1，...Si/中最优智能体,sCBestr是si/中最优的智能体。sP。是执行邻域竞争算子的概率，SPffl是执行变异算子的概率，r是进化代数，sGen既定的终止进化代数。 步骤601:开始自学习算子； 步骤 602:产生 sL0,更新 sBest0，r — O ; 步骤603:对Si/中每个智能体执行邻域竞争算子，得到sl/+1/2 ； 步骤604:对sLr+1/2中每个智能体执行变异算子，如果rand〈sPm，则将变异算子作用在其上，得到Si/+1 ；
步骤 605:从 si/+1 找到 SCBeStlr+1,如果 energy (sCBestr+1) >energy (sBestr),则令sBestr 一 sCBestr+1，否则，令 sBestr — sCBestr, sCBestr+1 一 sBestr ； 步骤606:如果r〈sGen,令r — r+1,并转向步骤603 ；
步骤 607:令 Li;j — sBestr ； 步骤608:结束自学习算子。
【文档编号】G06N3/12GK103729680SQ201310737904
【公开日】2014年4月16日 申请日期:2013年12月24日 优先权日:2013年12月24日
【发明者】刘静, 焦李成, 马俊青, 马文萍, 马晶晶 申请人:西安电子科技大学