CN103729680B - 基于多智能体进化算法的rfid网络布局方法 - Google Patents

Abstract

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。

Description

基于多智能体进化算法的RFID网络布局方法

技术领域

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

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。

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n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。

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

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，网格形式见图2，网格的大小为L_size*L_size，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，L_size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L_i,j，该智能体的邻域为其中， $i^{\′}=\left\{\begin{array}{c}i-1,i\≠1\\ L_{\mathrm{size}},i=1\end{array}\right.,j^{\′}=\left\{\begin{array}{c}j-1,j\≠1\\ L_{\mathrm{size}},j=1\end{array}\right.,i^{\′\′}=\left\{\begin{array}{c}i+1,i\≠L_{\mathrm{size}}\\ 1,i=L_{\mathrm{size}}\end{array}\right.,j^{\′\′}=\left\{\begin{array}{c}j+1,i\≠L_{\mathrm{size}}\\ 1,i=L_{\mathrm{size}}\end{array}\right.,$ 网格中每个智能体代表一个可行的项目进度计划，每个智能体不能移动，只能和其邻域发生相互作用。本方法能解决背景技术中存在的不足，从而得到RFID网络在实际环境中最优化的布局方案。本发明关键步骤就是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。

本发明的技术方案是，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：初始化智能体网格L⁰，计算每个智能体cov、Nr、inf三项目标的值，由算法1确定任意两个智能体能量的大小；

步骤104：对网格L^t中每个智能体执行邻域竞争算子，得到L^t+1/3；

步骤105：对网格L^t中每个智能体执行邻域正交叉算子，得到L^t+2/3；

步骤106：对L^t+2/3中的每个智能体执行变异算子，得到L^t+1；

步骤107：从L^t+1中找出CBest^t，将自学习算子作用在其上；

步骤108：如果energy(CBest^t+1)>energy(Best^t)，则把CBest^t+1的值赋予Best^t+1，否则，把Best^t的值赋予Best^t+1和CBest^t+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t的值自加1，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。

所述的算法1，包括如下步骤：

步骤201：开始比较任意两个智能体能量energy大小；

步骤202：计算智能体L_i,j和L'_i,jcov、Nr、inf三项目标的值；

步骤203：如果L_i,j中cov的值大于L'_i,j中cov的值，转向步骤206；若L_i,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L_i,j中Nr的值小于L'_i,j中Nr的值，转向步骤206；若L_i,j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L_i,j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（L_i,j）>energy(L'_i,j);

步骤207：energy(L_i,j)<energy(L'_i,j);

步骤208：结束智能体初始化算法。

所述的步骤103，包括如下步骤：

步骤301：开始计算智能体三个目标函数；

步骤302：计算二维平面中电子标签的覆盖率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之间的干扰率；

步骤305：目标函数计算结束。

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[N_max]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Nr<12,则更新Nr=Nr+1，同时将删除的读写器恢复转向408;

步骤407：更新recoverGen=recoverGen-1；转向408;

步骤408：Nr计算结束。

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L^t+1/3中的每个智能体，若rand<P_c，则将邻域正交叉算子作用在其上，否则执行步骤106；

步骤503：由L_i,_j和确定变量的搜索空间；

步骤504：将L_i,j中的定义域量化；

步骤505：随机产生3个整数，(k₁,k₂,k₃)，满足1<k₁<k₂<k₃<N_max，对L_i,j产生以下4个因素：

$f_1=(x_1,y_1,p_1,...x_{k_1},y_{k_1},p_{k_1}),f_2=(x_{k_1+1},y_{k_1+1},p_{k_1+1},...x_{k_2},y_{k_2},p_{k_2}),$

$f_3=(x_{k_2+1},y_{k_2+1},p_{k_2+1},...x_{k_3},y_{k_3},p_{k_3}),f_4=(x_{k_3+1},y_{k_3+1},p_{k_3+1},...x_{N_{\max }},y_{N_{\max }},p_{N_{\max }});$

步骤506：用正交矩阵，产生M₂个智能体；

步骤507：用这M₂个智能体中能量最大的一个代替L_i,j；

步骤508：结束邻域正交叉算子。

所述的步骤107，包括如下步骤：

sL^r表示第r代智能体网络，sL^r+1/2是sL^r和sL^r+1间的中间代智能体网络。sBest^r是sL⁰,sL¹,...sL^r中最优智能体，sCBest^r是sL^r中最优的智能体。sP_o是执行邻域竞争算子的概率，sP_m是执行变异算子的概率。sGen是进化代数。

步骤601：开始自学习算子；

步骤602：产生sL⁰，更新sBest⁰，r←0；

步骤603：对sL^r中每个智能体执行邻域竞争算子，得到sL^r+1/2；

步骤604：对sL^r+1/2中每个智能体执行变异算子，如果rand<sP_m,则将变异算子作用在其上，得到sL^r+1；

步骤605：从sL^r+1找到sCBest^r+1，如果energy（sCBest^r+1）>energy(sBest^r),则令sBest^r←sCBest^r+1，否则，令sBest^r←sCBest^r，sCBest^r+1←sBest^r；

步骤606：如果r<sGen，令r←r+1，并转向步骤603；

步骤607：令L_i,j←sBest^r；

步骤608：结束自学习算子。

本发明的优点是：该方法克服了传统遗传算法易早熟收敛、稳定性差等缺点，实现了：1）将多智能体系统与进化算法相结合，设计了一种基于多智能体进化算法的资源受限项目调度方法，多智能体进化算法是基于智能体对环境感知与反作用的能力提出的一种优化算法，它的主要特点是种群规模小，收敛速度快，算法的稳定性高。该算法用智能体网格替代种群形式进化，每个智能体只能感知局部环境，一个智能体与其邻域发生作用后便将其信息传给了它们，在这种方式下，信息将渐渐扩散到整个智能体网格，与传统遗传算法中种群的模型相比，智能体网格的模型更接近于真正的自然进化机制，能够得到更好的调度方案。2）根据RFID网络读写器布局问题的特点，设计了智能体的邻域竞争算子、邻域正交叉算子、变异算子和自学习算子，使多智能体进化算法适合于求RFID网络布局问题，从而更快地得到更好的布局方案。3）评定求解RFID网络布局问题的三个方面：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。

通过本发明就可以实现对电子标签分布固定同时读写器个数与位置未知的问题仿真，实验结果表明，本发明提出的基于多智能体进化算法的RFID网络布局方法能够有效的求解RFID网络布局问题。

附图说明

图1是本发明的实现总流程图；

图2是智能体网格示意图；

图3是算法1比较任意两个智能体能量大小的算法流程图，图中cov指读写器对电子标签的覆盖率，N_max指RFID网络读写器最大个数，Nr指RFID网络中实际存在的读写器个数,inf指读写器干扰率，n指RFID网络中电子标签个数；

图4是计算智能体三个目标函数流程图，图中各字符意义与图3中的相同；

图5是计算目标函数Nr的流程图；

图6是多智能体邻域正交叉算子的流程图；

图7是多智能体自学习算子的流程图。

具体实施方式

本发明研究的RFID网络布局问题的关键是在优先关系约束条件下实现N个读写器对n个电子标签的覆盖，尽可能减少网络中实际读写器个数以减少成本，优化读写器的干扰率来提高网络服务质量。RFID网络布局问题分为很多种，本发明选择求解的是固定电子标签，读写器位置、个数可变的问题，目标是最大化电子标签覆盖率，降低布局成本，减小阅读器干扰率。

如图1所示，

主流程图步骤特征是：

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：设定算法参数，令P_o为领域竞争选策略选择概率，P_c为邻域交叉概率，P_m为变异概率，t为大于或等于0的整数，表示第t代，L^t表示第t代智能体网格，L^t+1/3和L^t+2/3是L^t和L^t+1间的中间代智能体网格，Best^t是L⁰，L¹，…，L^t中最优的智能体，CBest^t是L^t中最优的智能体，rand指随机产生的0到1之间的实数，指L_i,j表示处在智能体网格第i行、第j列的智能体，energy(L_i,j)表示智能体L_i,j的能量；

步骤103：初始化智能体网格L⁰，计算RFID网络布局的三个目标函数，更新Best⁰，令t=0，其中每个智能体代表一种RFID网络的布局方案，RFID网络布局问题的求解是要寻找合适的读写器排布方案，设RFID网络最多可以安置N_max个读写器，通过优化读写器的排布方案得到每个读写器的位置排布、功率设定和去留情况，即得到 $L_{i,j}=[x_{i.j}^1,y_{i,j}^1,p_{i,j}^1,x_{i,j}^2,y_{i,j}^2,p_{i,j}^2,...,x_{i,j}^{N_{\max }},y_{i,j}^{N_{\max }},p_{i,j}^{N_{\max }}]$ 与on_i,j[N_max]的组合方案，这是RFID网络布局解的直接表达形式；

步骤104：对网格L^t中每个智能体执行邻域竞争算子，得到L^t+1/3，邻域竞争算子作用在智能体L_i,j上，为智能体L_i,j邻域中能量最大的智能体，如果L_i,j的能量比的能量大，则智能体L_i,j继续存活在网格上；否则，必须死亡，空出的格点由变异产生一个新智能体占据；

步骤105：对L^t+1/3中的每个智能体，若rand<P_c，则将邻域正交叉算子作用在其上，得到L^t+2/3，如果智能体L_i,j满足正交叉条件，则将正交叉算子作用在L_i,j和L_i,j邻域能量最大的智能体上，得到M₂个智能体，比较这M₂个智能体的能量，用能量较大的一个替代L_i,j；

步骤106：对L^t+2/3中的每个智能体，若rand<P_m，则将变异算子作用在其上，得到L^{t +1}，如果智能体L_i,j满足变异条件，则将变异算子作用在其上，以读写器在二维平面中的x坐标为例：

（1）未删除的N_r个读写器：

（2）已删除的读写器：因为没有参与遗传进化过程，x不变；

其中G(0,1/t)为高斯分布的随机数，t为进化代数；

步骤107：从L^t+1中找出CBest^t，并将自学习算子作用在其上；

步骤108：如果energy(CBest^t+1)>energy(Best^t)，则把CBest^t+1的值赋予Best^t+1否则，把Best^t的值赋予Best^t+1和CBest^t+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t的值自加1，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；

如图3所示，

所述的算法1，包括如下步骤：

步骤201：开始计算智能体初始化；

步骤202：计算智能体L_i,j和L'_i,jcov、Nr、inf三项目标的值；

步骤203：如果L_i,j中cov的值大于L'_i,j中cov的值，转向步骤206；若L_i,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L_i,j中Nr的值小于L'_i,j中Nr的值，转向步骤206；若L_i,j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L_i,j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（L_i,j）>energy(L'_i,j);

步骤207：energy(L_i,j)<energy(L'_i,j);

步骤208：结束智能体初始化算法；

如图4所示，

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被覆盖的个数cov(t)，cov=cov(t)/n×100%，当满足以下条件时，电子标签被读写器识别成功：

$\left\{\begin{array}{c}{P}_t\left[\mathrm{dBm}\right]\&GreaterEqual;T_t\\ P_r\left[\mathrm{dBm}\right]\&GreaterEqual;T_r\end{array}\right.$

其中：

P_t[dBm]=P₁[dBm]+G_r[dBi]+G_t[dBi]-L[dB]；

L[dB]=10log[(4π/λ)²dⁿ]+δ[dB]；

P_r[dBm]=P_b[dBm]+G_t[dBi]+G_r[dBi]-20log(4π/λ)；

P_b=P_t[dBm]-Γ_tag[dB];

P_t指电子标签的接收功率，P₁指读写器的发射功率，P_r指读写器的接收功率，L指信号的空间传输损耗，Γ_tag指电子标签天线的发射系数；

步骤303：计算排布方案中Nr的值；

步骤304：计算排布方案中读写器干扰率，统计电子标签接收到的信号总和与最大信号，并计算其差值，对n个电子标签的差值进行求和即得到RFID网络排布方案的干扰率；

步骤305：计算目标函数结束；

如图5所示，

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[N_max]中对应被删除读写器的那一位置零，例如删除了第4个读写器，即将on[3]置零，更新Nr=Nr-1；

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Nr<12,则更新Nr=Nr+1，同时将删除的读写器恢复转向408;

步骤407：更新recoverGen=recoverGen-1；转向408;

步骤408：Nr计算结束；

如图6所示，

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L^t+1/3中的每个智能体，若rand<P_c，则将邻域正交叉算子作用在其上，否则执行步骤106；

步骤503：由L_i,j和确定变量的搜索空间，以读写器在二维平面中的x坐标为例，其中：

$\left\{\begin{array}{c}{\underset{\&OverBar;}{x}}_{\mathrm{LM}}=\min (x,x_{\max })\\ {\stackrel{\&OverBar;}{x}}_{\mathrm{LM}}=\max (x,x_{\max })\end{array}\right.$

步骤504：将L_i,j中的x,y,p定义域量化，同样以读写器在二维平面中的x坐标为例，则x定义域量化为x¹,x²,x³，其中：

（1）未删除的N_r个读写器： $x^k=\left\{\begin{array}{c}\min (x,x_{\max }),k=1\\ \min (x,x_{\max })+|x-x_{\max }|,k=2\\ \max (x,x_{\max }),k=3\end{array}\right.$

（2）已删除的读写器：因为没有参与遗传进化过程，所以x^k=x，k=1,2,3；

步骤505：随机产生3个整数，(k₁,k₂,k₃)，满足1<k₁<k₂<k₃<N_max，对L_i,j产生以下4个因素：

$f_1=(x_1,y_1,p_1,...x_{k_1},y_{k_1},p_{k_1}),f_2=(x_{k_1+1},y_{k_1+1},p_{k_1+1},...x_{k_2},y_{k_2},p_{k_2}),$

$f_3=(x_{k_2+1},y_{k_2+1},p_{k_2+1},...x_{k_3},y_{k_3},p_{k_3}),f_4=(x_{k_3+1},y_{k_3+1},p_{k_3+1},...x_{N_{\max }},y_{N_{\max }},p_{N_{\max }});$

f_i的3个级别为：

$\left\{\begin{array}{c}{f}_i\left(1\right)=(x_{k_{i-1}+1}^1,y_{k_{i-1}+1}^1,p_{k_{i-1}+1}^1...x_{k_i}^1,y_{k_i}^1,p_{k_i}^1)\\ f_i\left(2\right)=(x_{k_{i-1}+1}^2,y_{k_{i-1}+1}^2,p_{k_{i-1}+1}^2...x_{k_i}^2,y_{k_i}^2,p_{k_i}^2)\\ f_i\left(3\right)=(x_{k_{i-1}+1}^3,y_{k_{i-1}+1}^3,p_{k_{i-1}+1}^3...x_{k_i}^3,y_{k_i}^3,p_{k_i}^3)\end{array}\right.$

步骤506：用正交矩阵，产生M₂个智能体：

$\left\{\begin{array}{c}(f_1\left(b_{\mathrm{1,1}}\right),f_2\left(b_{\mathrm{1,2}}\right),f_3\left(b_{1.3}\right),f_4\left(b_{\mathrm{1,4}}\right))\\ (f_1\left(b_{\mathrm{2,1}}\right),f_2\left(b_{\mathrm{2,2}}\right),f_3\left(b_{2.3}\right),f_4\left(b_{\mathrm{2,4}}\right))\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ (f_1\left(b_{M_2,1}\right),f_2\left(b_{M_2,2}\right),f_3\left(b_{M_2.3}\right),f_4\left(b_{M_2,4}\right))\end{array}\right.$

步骤507：用这M₂个智能体中能量最大的一个代替L_i,j；

步骤508：结束邻域正交叉算子；

如图7所示，

所述的步骤107，包括如下步骤：

sL^r表示第r代智能体网络，sL^r+1/2是sL^r和sL^r+1间的中间代智能体网络。sBest^r是sL⁰,sL¹,...sL^r中最优智能体，sCBest^r是sL^r中最优的智能体。sP_o是执行邻域竞争算子的概率，sP_m是执行变异算子的概率。sGen是进化代数。

步骤601：开始自学习算子；

步骤602：产生sL⁰，更新sBest⁰，r←0；

步骤603：对sL^r中每个智能体执行邻域竞争算子，得到sL^r+1/2；

步骤604：对sL^r+1/2中每个智能体执行变异算子，如果rand<sP_m,则将变异算子作用在其上，得到sL^r+1；

步骤605：从sL^r+1找到sCBest^r+1，如果energy（sCBest^r+1）>energy(sBest^r),则令sBest^r←sCBest^r+1，否则，令sBest^r←sCBest^r，sCBest^r+1←sBest^r；

步骤606：如果r<sGen，令r←r+1，并转向步骤603；

步骤607：令L_i,j←sBest^r；

步骤608：结束自学习算子；

本实施例没有详细叙述的部分属于本行业的公知的常用手段，这里不一一叙述。

Claims (5)

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L^t，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，确定任意两个智能体能量energy的大小；

步骤104：对网格L^t中每个智能体执行邻域竞争算子，得到L^t+1/3；

步骤105：对网格L^t中每个智能体执行邻域正交叉算子，得到L^t+2/3；

步骤106：对L^t+2/3中的每个智能体执行变异算子，得到L^t+1；

步骤107：从L^t+1中找出第t代种群最优解CBest^t，将自学习算子作用在其上；

步骤108：如果energy(CBest^t+1)>energy(Best^t)，则把CBest^t+1的值赋予Best^t+1，否则，把Best^t的值赋予Best^t+1和CBest^t+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1，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；

所述的步骤103中确定任意两个智能体能量energy的大小包括如下步骤：

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L_i,j和L'_i,j的cov、Nr、inf三项目标的值；

步骤203：如果L_i,j中cov的值大于L'_i,j中cov的值，转向步骤206；若L_i,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L_i,j中Nr的值小于L'_i,j中Nr的值，转向步骤206；若L_i,j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L_i,j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(L_i,j)>energy(L'_i,j)；

步骤207：energy(L_i,j)<energy(L'_i,j)；

步骤208：结束智能体初始化算法。

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。

3.根据权利要求2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[N_max]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Nr＜12,则更新Nr＝Nr+1，同时将删除的读写器恢复转向步骤408；

步骤407：更新recoverGen＝recoverGen-1；转向步骤408；

步骤408：Nr计算结束。

4.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L^t+1/3中的每个智能体，若rand<P_c，则将邻域正交叉算子作用在其上，其中P_c为邻域正交叉概率，否则执行步骤106；

步骤503：由L_i,j和邻域最优智能体确定变量的搜索空间；

步骤504：将L_i,j中的定义域量化；

步骤505：随机产生3个整数，(k₁,k₂,k₃)，满足1＜k₁＜k₂＜k₃＜N_max，对L_i,j产生以下4个因素：

$f_1=(x_1,y_1,p_1,...x_{k_1},y_{k_1},p_{k_1}),f_2=(x_{k_1+1},y_{k_1+1},p_{k_1+1},...x_{k_2},y_{k_2},p_{k_2}),$

$f_3=(x_{k_2+1},y_{k_2+1},p_{k_2+1},...x_{k_3},y_{k_3},p_{k_3}),f_4=(x_{k_3+1},y_{k_3+1},p_{k_3+1},...x_{N_{max}},y_{N_{max}},p_{N_{max}});$

步骤506：用正交矩阵，产生M₂个智能体；

步骤507：用这M₂个智能体中能量最大的一个代替L_i,j；

步骤508：结束邻域正交叉算子。

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107，包括如下步骤：

sL^r表示第r代智能体网络，sL^r+1/2是sL^r和sL^r+1间的中间代智能体网络，sBest^r是sL⁰,sL¹,…sL^r中最优智能体，sCBest^r是sL^r中最优的智能体，sP_o是执行邻域竞争算子的概率，sP_m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←0；

步骤603：对sL^r中每个智能体执行邻域竞争算子，得到sL^r+1/2；

步骤604：对sL^r+1/2中每个智能体执行变异算子，如果rand＜sP_m,则将变异算子作用在其上，得到sL^r+1；

步骤605：从sL^r+1找到sCBest^r+1，如果energy(sCBest^r+1)>energy(sBest^r),则令sBest^r←sCBest^r+1，否则，令sBest^r←sCBest^r，sCBest^r+1←sBest^r；

步骤606：如果r＜sGen，令r←r+1，并转向步骤603；

步骤607：令L_i,j←sBest^r；

步骤608：结束自学习算子。