论文部分内容阅读
无线射频识别技术（Radio Frequency Identification, RFID）为众多行业提供了快捷通用的数据采集以及传输方案，其网络部署模型具有非线性和多目标的特性，使用常规优化算法进行处理时，难以达到另人满意的效果。智能优化方法可有效求解复杂优化问题，其中粒子群优化算法（Particle Swarm Optimization, PSO）是得到广泛关注和应用的一种智能优化方法。PSO算法计算简单、易于实现、具有较强的鲁棒性，非常适合求解复杂优化问题，但它易陷入局部最优，收敛精度不高。因此，本文对其优化性能进行了研究和改进，并将改进后的算法应用于RFID网络部署优化问题，取得了令人满意的结果。具体研究内容包括：首先介绍了RFID系统组成和工作原理，根据RFID网络部署的问题描述和性能指标，分别建立关于网络部署的标签覆盖率、交叉干扰水平、信号强度、冲突约束、密集程度以及负载平衡等6个性能指标函数，并将其分为最大化优化问题和最小化优化问题。其次考虑标签覆盖率和交叉干扰水平两个指标，建立满足最大化问题的优化目标函数，并提出一种基于Tent映射的粒子群优化算法（Tent_PSO）。该算法混沌初始化算法参数，在粒子陷入局部最优时，对全局最优解加混沌扰动，提高算法的全局搜索能力。设计两组仿真实验说明Tent映射的有效性同时确定用于实例研究的算法参数，其中实验1将Tent映射与应用最广泛的Logistic映射进行性能对比，实验2则采用均匀设计的方法确定最优参数组合。将采用最优参数组合的Tent_PSO算法应用于RFID网络部署优化，取得了较好的效果。最后考虑网络信号强度、密集程度、冲突约束和负载平衡四个指标，建立满足最小化问题的优化目标函数，采用精英反向学习（Elite Opposition-based Learning, EOBL）策略处理量子粒子群算法（Quantum Particle Swarm Optimization, QPSO）早熟情况，提出一种基于精英反向学习的量子粒子群优化算法（Elite Opposition-based Learning QPSO,EOBL_QPSO）。利用四个经典测试函数测试EOBL_QPSO算法的有效性。通过实例研究，EOBL_QPSO算法在求解RFID网络部署优化问题时，收敛迅速，可以有效求得最优化部署方案。