射频识别（Radio Frequency Identification,RFID）是实现物联网的关键技术,RFID技术应用范围广泛,如车辆管理、生产管理、人员管理、食品安全等领域。RFID网络规划（RNP）是RFID研究领域最具有挑战的难题之一,RNP是一个典型的多目标优化问题,为了让RFID系统有效覆盖标签,应找到规定区域内阅读器的总数以及它们应该放置的最佳位置。本文为解决RFID网络规划问题,将改进的群智能优化算法应用到RFID网络规划中,目标是调整部署阅读器的数量和位置,使阅读器的覆盖范围更大、阅读器之间的干扰更小、负载均衡更合理、经济成本更低、功率损耗更小,本文主要的研究成果和创新如下:1.本文提出了一种改进型头脑风暴优化算法（GABSO）,并基于此方法建立了一个静态优化模型来优化阅读器位置。改进算法解生成操作进行改进,在原始的BSO算法中引入了学习算子以及黄金正弦算子,与原始算法相比,改进的算法在勘探与开发之间达到了平衡,能有效避免算法陷入局部最优。在相同的仿真实验环境下,将GABSO算法与其他群智能优化算法进行比较,首先在基准测试函数上验证了改进型头脑风暴优化算法的优越性能,其次将算法应用在两个RNP实例场景下,考虑了标签覆盖率,阅读器干扰,经济效益以及负载均衡四个指标,实验结果表明GABSO在标签覆盖率上比多群体粒子群优化算法（MCPSO）提高了4.53%,比布谷鸟算法（CS）提高9.62%,比头脑风暴算法（BSO）提高7.70%。这一实验结果验证了GABSO算法在处理RFID网络规划问题上具有有效性。2.静态RFID模型存在阅读器辐射功率不可变的缺点,并且加权和方式难以确定权重系数,本文针对此问题设计了一种多目标动态优化模型,提出了一种基于分解的改进型多目标头脑风暴优化算法（IMOBSO）:采用了一种自适应选择概率,避免预设选择概率,并对解的更新方式进行重新设计,利用分解的方式将RNP的多目标问题转变为多个子问题,提升了搜索效率。在相同的仿真实验场景下,通过测试函数验证了IMOBSO算法在处理复杂多目标优化问题上的有效性,并将算法应用在六个RNP实例场景,考虑了标签覆盖率、阅读器干扰水平、部署的阅读器数量以及功率损耗四个指标。实验结果显示IMOBSO算法在标签覆盖率上比多目标粒子群优化算法（MOPSO）提高了8.10%,多目标萤火虫算法（MOFA）提高5.21%,比多目标头脑风暴算法（MOBSO）提高6.32%。实验结果表明IMOBSO算法可成功应用在RFID动态网络规划中,可以更好地优化RFID网络的主要目标。