基于GCPSO算法的RFID读写器网络规划的研究

RFID 读写器网络规划问题的研究目前主要集中在RFID 标签冲突问题的建模与规划以及RFID 阅读器网络的规划两大类。

现有的标签防冲撞算法主要有ALOHA 算法和树分叉算法两种。

当RFID 读写器冲突问题被提出以后，S．K．Padhi 等（2003）提出了ColorWave 算法，在网络中的读写器数量比较小时达到了良好的效果；J．Ho （2006）提出了可用于全局优化的分层Q 学习算法，在固定读写器网络中可实现较好的防冲突性能；而对于移动的RFID 网络，S．M．Birari （2005）等提出了Pulse 算法。

上述的传统求解算法，在处理RFID 标签防冲突或读写器防冲突规划时考虑的限定因素有限，离实际RFID 系统在复杂环境中要求还有一定的差距。

为了更好地满足未来面向实际复杂环境下的RFID 网络规划问题。

笔者采用了一种新的高斯中心粒子群算法来实现RFID 读写器网络的良好规划。

1粒子群优化算法1．1基本粒子群算法粒子群优化算法（Particle Swarm Optimization ，PSO ）是由Kennedy 和Eberhart 在1995年提出的一种新的全局优化进化算法，它源于对鸟类捕食行为的模拟。

在D 维搜索空间中，每个粒子看成是空间中的内的一个点，第i 个粒子表示为一个D 维的位置矢量＝（x i1，x i2，…，x iD ），i＝1，2，…，n 。

把位置向量X i 代入目标函数f （X i ）就可以计算出相应的适应度值f （X i ），根据适应度值的大小就可以判断X i 的优劣。

第i 个粒子的飞行速度也是一个D 维的矢量＝（v i1，v i2，…，v iD ）i＝1，2，…，n 。

第i 个粒子迄今为止搜索到的最优位置P i ＝（p i1，p i2，…，p iD ），i＝1，2，…，n 。

整个粒子群迄今为止搜索到的最优位置为Pg＝（p g1，p g2，…，p gD ）。

粒子根据以下公式来更新速度和位置：vid＝vid＋c1rand1()*（pid－xid ）＋c2rand2()*（pgd－xid ）（1）xid＝xid＋vid（2）其中，i＝1，2，…，n ，d＝1，2，…，D ，c1和c2是学习因子，它们分别代表了粒子飞向Pi 和Pg 位置的权重。

rand1()和rand2()是为[0，1]之间的随机数。

v id ∈[v min ，v max ]，v min 和v max 是常数，因为在算法中没有实际的机制来控制粒子速度，所以有必要对速度进行限制，具体根据问题具设定。

文献[6]在基本PSO 算法中加入了一个新的参数，惯性因子w 。

式（1）修改为：vid＝w *vid＋c1rand1()*（pid－xid ）＋c2rand2()*（pgd－xid ）（3）惯性因子w 的加入是为了平衡算法全局和局部的搜索能力。

1．2MCPSO 算法在提出一种新的GCPSO 算法－高斯中心粒子群算法之前，下面对MCPSO 算法做一些描述。

共栖是自然界生物具有共生依赖关系特性的一种群体行为，如觅食、共同抵御外敌人，通过群体间的某些合作关系来维持群体的生存。

学者研究发现共栖属于PSO 的一种特性，由此，将一种主从（master－slave ）多群体模型入PSO 算法中，提出了多种群共同粒子群算法，MCPSO （multi－swarm cooperativeparticle swarm optimizer ）。

主从信息交流模型如图所示1。

在图1中，每个子群可以设定单独的参数和变量，独立执行自身位置、速度及方向的更新。

每一代，每一子群就将最优的局部个体传递给主群。

然后主群从中挑选最优子群个体进行进化，进化公式如式（3）和式（4）所示：νMi （t＋1）＝w νMi （t ）＋R 1c 1（p Mi －x Mi （t ））＋R 2c 2（p Mg －x Mi （t ））＋R 3c 3（p Sg －x Mi （t ））（4）基于GCPSO 算法的RFID 读写器网络规划的研究高彦芬（浙江理工大学信息电子学院，浙江杭州310018）宋革联（浙江省公众信息产业有限公司，浙江杭州310006）Research on RFID Network Planning Based on GCPSO Algorithm摘要无线射频识别（RFID ）在现实中有广泛的应用，RFID 网络规划是RFID 网络部署的核心挑战。

提出了一种新的GCPSO 算法来实现RFID 网络优化调度规划，该算法以广泛学习粒子群优化算法（MCPSO ）思想为基础，针对从群之间没有信息的交流而降低算法速度问题，设定一种中心交流机制。

同时在参数的设置中结合高斯分布的概念，以提高算法的收敛性。

为了证明所提出GCPSO 算法的效率和性能，将其与MCPSO 算法、PSO 基本算法共同对15个读写器进行网络规划并做比较。

实验结果表明，改进后的粒子群算法GCPSO 不仅收敛性能和速度上有了明显的增强，而且实现了RFID 读写器网络良好规划。

关键词：粒子群优化算法（PSO ），MCPSO 算法，RFID ，中心交流机制，读写器AbstractRadio Frequency Identification(RFID)has a widespread application in reality,and RFID wirelss network planning is acore challenge in the deployment of RFID networks．A new approach GCPSO for optimal scheduling of RFID network have been Proposed．The algorithm based on our proposed MCPSO algorithm．According to no information between slave and re-ducing the rate algorithm,set a central communication mechanism．At the same time combines the Gaussian distribution in controlling the parameters to improve the convergence ability．To demonstrate the efficiency of the proposed GCPSO algo-rithm,it is compared with MCPSO and basic PSO algorithm,and used for network planning．Experimental results show that the improved particle swarm algorithm not only convergence functions and speed have greatly improved but also the RFID network better network planning．Keywords :particle swarm optimization algorithm(PSO),MCPSO algorithm,RFID,central communication mechanism,reader基于GCPSO 算法的RFID 读写器网络规划的研究4《工业控制计算机》2011年第24卷第2期图1MCPSO中的主－从结构模型x M i （t＋1）＝x Mi（t）＋νMi（t）（5）其中，M表示主群，p Mg 和p Sg分别代表迄今为止主群的全局最优粒子和子群最优粒子，R3为（0，1）之间的随机数，c3为加速因子，决定了主群从子群最优值获取进化信息强度。

主群里面的每个粒子总结自身以及全部群（也包括从群）的最佳历史信进化。

通过这种方式，主群粒子在与从群直接竞争等等因素的基础上得到加强，所有群最合适的粒子里面最合适的粒子拥有领导主群粒子进化方向的机会。

2提出的GCPSO算法提出的GCPSO算法是以MCPSO算法的思想为基础，目标是在MCPSO算法已经具有避免单一信息交流引起的陷入局部最优能力的基础上，首先提高算法的收敛性，其次在保证算法多样性的前提下提高算法的收敛速度。

首先，考虑到MCPSO在搜索过程中粒子会涌向自身群体及各子群中发现的最好粒子定位的地方，并且粒子的是相互独立学习的，所以算法的避免陷入局部最小的能力得到了增强。

然而，算法的收敛性却受到了削弱，在最优点附近的搜索能力不强。

文献[5]证明，采用高斯分布的系数可以有效提高算法的收敛性，其粒子速度的更新公式如下：νM i （t＋1）＝｜randn1｜c1（p Mi－x Mi（t））＋｜randn2｜c2（p Mg－x Mi（t））＋｜randn3｜c3（p Sg－x Mi（t））（6）其中，｜randn1｜、｜randn2｜、｜randn3｜是N[0，1]高斯分布的绝对值。

式(6)意味着惯性因子w＝0，文献[5]认为w对提高算法的收敛性没有贡献，所以设置w＝0。

但是经过实验发现w＝0会使算法容易陷入局部最小，GCPSO算法考虑不采用文献[5]的思想，速度更新公式修改为：νM i （t＋1）＝w*νMi（t）｜randn1｜c1（p Mi－x Mi（t））＋｜randn2｜c2（p Mg－x Mi（t））＋｜randn3｜c3（p Sg－x Mi（t））（7）其中，｜randn1｜、｜randn2｜、｜randn3｜都是参数为N[0，1]高斯分布的绝对值。

其次，针对在基本的MCPSO算法中从群之间没有信息的交流，降低算法的收敛速度这一问题，对上述算法再次改进。

将种群被分为若干个子群，主群和从群都赋予相同的属性，所有子群的信息交流来自一种中心交流机制，通过整个子群中位于中心的粒子来指引所有的粒子的进化，该中心粒子的位置通过平均所有的子群目前发现的最好平均位置来实现。

在求解过程中，整个群体中的粒子轨迹通过自身的经验，子群的经验和子群中中心粒子的经验来调整。

通过这种方法，搜索的信息可以实现在各个子群中传递，从而加快算法收敛速度。

为了实现上述机制，将公式7再次更新为：νM i （t＋1）＝w*νMi（t）｜randn1｜c1（p Mi－x Mi（t））＋｜randn2｜c2（p Mg－x Mi（t））＋｜randn3｜c3（p Sg－x Mi（t））（8）其中p mi 和p mg分别表示粒子i到迄今为止自己及群体m发现的最好位置。

是所有子群的中心位置。