CN107704786B - 一种优化物联网RFID应用系统的Copula多目标分布估计方法 - Google Patents

一种优化物联网RFID应用系统的Copula多目标分布估计方法 Download PDF

Info

Publication number
CN107704786B
CN107704786B CN201710813743.4A CN201710813743A CN107704786B CN 107704786 B CN107704786 B CN 107704786B CN 201710813743 A CN201710813743 A CN 201710813743A CN 107704786 B CN107704786 B CN 107704786B
Authority
CN
China
Prior art keywords
reader
copula
readers
target
distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710813743.4A
Other languages
English (en)
Other versions
CN107704786A (zh
Inventor
高鹰
高翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN201710813743.4A priority Critical patent/CN107704786B/zh
Publication of CN107704786A publication Critical patent/CN107704786A/zh
Application granted granted Critical
Publication of CN107704786B publication Critical patent/CN107704786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10366—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications
    • G06K7/10475—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications arrangements to facilitate interaction with further interrogation devices, e.g. such that at least two interrogation devices may function and cooperate in a network of such devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Toxicology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种优化物联网RFID应用系统的Copula多目标分布估计方法，针对物联网RFID应用系统部署的多目标特性，综合考虑了k‑覆盖目标、冲突干扰目标、负载平衡目标、经济性目标等，建立了嵌入阅读器与障碍物、阅读器与阅读器间相互影响的虚拟力计算的多目标优化数学模型；给出了求解该模型的Copula多目标分布估计算法，通过分开估计边缘分布和Copula函数的参数来实现概率模型的构建，在此基础上，采用多种排序方法实现Pareto非支配解集的产生与选择。本发明方法所建模型更接近于实际情况，同时建模过程简单清晰，易于实现，复杂度低，快速有效。

Description

一种优化物联网RFID应用系统的Copula多目标分布估计方法
技术领域
本发明涉及RFID应用及系统优化技术领域，特别涉及一种优化物联网RFID应用系统的Copula多目标分布估计方法。
背景技术
近年来，随着物联网技术的不断发展，大量的RFID(Radio FrequencyIdentification)应用系统需要规划和建设，如何规划和部署一个高效、低成本的RFID应用系统，已成为RFID技术应用中的一个非常重要的任务。部署一个物联网RFID应用系统需要同时考虑应用环境、覆盖、干扰、负载平衡、识读率、设备成本等许多因素和约束条件，建模和优化过程十分复杂，因而成为RFID应用中具有挑战性的问题之一。随着物联网RFID应用系统规模越来越庞大、复杂，仅凭经验来部署一个大型、复杂的RFID应用系统往往需要反复、大量的尝试和修正，耗费大量的人力、物力和财力，而且不易发现部署过程中存在的问题，未必能获得优化的部署方案。科学的规划与优化部署方案能够提高物联网RFID应用系统的性能，有效地降低建设成本和周期。
较早涉及RFID系统中阅读器部署优化问题的是Qiang Guan等，他们通过网格化部署区域建立了一个RFID系统中阅读器部署问题的离散数学模型，该模型包含覆盖约束、上行信号约束、阅读器数目和干扰等目标函数，通过加权组合这些目标为一个目标并利用遗传算法给出了该模型的求解方法，该模型没有考虑障碍物的情况，求解方法为单目标求解算法。Yi Zhi ZHAO等给出了一个RFID网络分布式设计模型，它偏重于应用模型的设计，并没有考虑优化部署问题。YahuiYang通过把RFID网络规划问题映射为遗传表示，建立了基于遗传算法的RFID网络规划模型，但该模型仅考虑了阅读器对标签的覆盖优化和标签的干扰。而陈瀚宁等通过考虑RFID系统在不同应用环境下的面积覆盖率和标签识读率,建立了RFID网络规化问题的目标函数，通过组合多个目标为一个目标，利用多种群共生进化算法进行优化。进一步，他们还建立了以覆盖、干扰、负载平衡和经济性为优化目标的模型，利用进化算法和群智能优化算法，实现了模型的优化处理，但对多个目标的处理仍然是把他们转化为单目标的情况。高政威等提出了一个基于共生粒子群优化的RFID网络调度算法。Feng等利用多种群混合进化和群智能优化算法实现了RFID网络规划问题的优化。刘快等给出了一个基于混合粒子群的RFID网络的优化部署方法，来优化部署阅读器的位置。Kuo等给出了一个基于人工免疫系统的RFID部署系统方法。Sun等设计了一个RFID网络自适应部署算法。Dimitriou给出了利用粒子群的RFID网络的优化部署方法。Ma等提出了一个多目标RFID网络规划的协同人工蜂群算法。Lu等建立了RFID网络规划的加权模糊k-覆盖单目标优化模型，并给出了一个用植物生长模拟算法求解该模型算法。Chun-Hua Chou等建立了一个考虑覆盖率、干扰、经济成本等因素的RFID阅读器网络优化问题，并设计实现了综合模糊自适应共振理论、k均值聚类和群智能的求解该问题的优化算法。Jedda等提出了求解RFID网络覆盖问题的去中心化算法，算法具有优化RFID网络中阅读器数目和消除冲突的功能。
然而上述方法都存在着一个问题，就是所建立的模型是单目标优化模型，优化方法采用的是单目标优化算法，而实际的物联网RFID应用系统优化部署需要考虑同时优化多个目标，属于多目标优化问题，具有维数高、非线性等特性。它的最优解不是一个解，而是一组Pareto非支配解集，如何有效求解这类问题的Pareto非支配解集是优化部署决策的关键之一，而目前在求解这类问题方面还缺乏收敛速度快、效率高，且不易陷入局部最优解的方法。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种优化物联网RFID应用系统的Copula多目标分布估计方法，针对所建立的数学模型的特点，给出了求解该模型的Copula的多目标分布估计方法，该方法复杂度低、快速有效。
本发明的目的通过以下的技术方案实现：一种优化物联网RFID应用系统的Copula多目标分布估计方法，包括：
S1、综合考虑物联网RFID应用系统部署空间区域Ω中的多个目标，建立相应的多目标优化数学模型；
S2、采用Copula分布估计算法求解该多目标优化问题，如下：
空间区域Ω中的RFID应用系统部署方案用m╳n╳l三维数组P＝[pi,j,k]表示，其中i＝1,…,m；j＝1,…,n；k＝1,…,l；
当(i,j,k)网格置有阅读器时pi,j,k＝1，否则pi,j,k＝0；
以多目标优化领域中的NSGA-Ⅱ算法作为架构，采用Copula方法构建多目标分布估计算法的概率模型：将多变量概率分布函数分解为它的边缘分布和Copula函数两部分，将边缘分布函数的估计和Copula函数的估计分别进行，进而获得联合分布函数求解。
优选的，边缘分布函数的估计采用核估计或小波估计方法。
优选的，Copula函数的估计与采样依据所选择的Copula函数的不同而不同。
具体的，Copula函数的估计与采样依据选择Gauss Copula；对于GaussCopula，其相关系数矩阵的估计采用极大似然估计法；而子代个体的生成通过对相关系数矩阵进行Cholesky分解并生成服从N(0,1)分布的独立随机变量的方法产生。
具体的，Copula函数的估计与采样依据选择ArchimedeanCopula；对于ArchimedeanCopula，其生成元参数，通过估计Kendall秩相关系数，并利用它与生成元参数间的关系而获得；子代个体的生成采用拉普拉斯变换方法和生成独立服从(0,1)均匀分布的随机数的方法产生；
具体的，Copula函数的估计与采样依据选择T-Copula；对于T-Copula，其相关系数矩阵通过估计Kendall秩相关系数而获得，其自由度参数用极大似然法估计；子代个体的生成通过对相关系数矩阵进行Cholesky分解并生成服从N(0,1)分布的独立随机变量、生成一个服从χ2v分布的独立随机变量的方法产生，进而导出Pareto非支配解集。
优选的，模型优化过程中，根据非支配个体在目标空间的相似性程度对由当前非支配个体构成的前沿面进行自适应划分，在划分出的各区域选择最具代表性的个体，实现对排序后的非支配个体进行修剪操作，以达到Pareto非支配解集分布的均匀性。
具体的，模型优化过程中，通过分别定义Paretoε-支配关系、PreferenceOrder和Favour关系来确定个体的强度Pareto值、PreferenceOrder值和Favour值，并利用相应的排序算法对种群进行非支配排序，实现种群更新。
具体的，模型优化过程中，使用拥挤距离估算个体的拥挤密度，淘汰位于拥挤区的一些个体，维持群体的多样性。
优选的，多目标优化数学模型构建的过程如下：
考虑部署有标签的空间区域Ω，它被离散化为m╳n╳l个网格，阅读器置于网格的中心；空间区域Ω中所有标签的集合表示为T，其数目用Nt表示；R表示空间区域Ω中所部署的阅读器的集合；Rq表示标签接收到的信号能量阀值，Bq表示阅读器接收的标签反射信号能量阀值；D(r,t)表示标签t∈T接收到阅读器r∈R的信号强度，B(t,r)表示阅读器r∈R接收到标签t∈T的反射信号强度；阅读器的发射半径定义为标签能接收到阅读器发射信号的最大距离。阅读器的接收半径定义为阅读器能接收到标签反射信号的最大距离；阅读器r的覆盖C(r)定义为：
Figure BDA0001404593280000041
接收到标签t反射信号的阅读器集S(t)定义为：S(t)＝{r∈R|B(t,r)≥Bq}；
依据上述对物联网RFID应用系统部署问题的数学描述，建立如下的目标函数：
①对部署区域中所有标签的覆盖，即：
Figure BDA0001404593280000042
②标签反射信号被k个阅读器接收到，即k-覆盖：|S(t)|≥k,
Figure BDA0001404593280000043
③阅读器数目最小化目标函数；
④阅读器负载平衡目标函数；
⑤冲突干扰最小目标函数。
优选的，多目标优化数学模型构建的过程中还考虑规划空间区域Ω中障碍物对阅读器的影响。
优选的，在考虑规划空间区域Ω中障碍物对阅读器的影响时，采用虚拟计算方法建立阅读器所受到的虚拟力，即建立：①阅读器与阅读器间所受虚拟力计算模型；②阅读器与障碍物间所受虚拟力计算模型；
阅读器rj对阅读器ri的虚拟力表示为
Figure BDA0001404593280000044
障碍物Oj对阅读器ri的虚拟力表示为
Figure BDA0001404593280000045
阅读器ri所受到的虚拟力的和表示为
Figure BDA0001404593280000046
阅读器ri所受到的虚拟力的和为
Figure BDA0001404593280000047
其中Nr表示阅读器数目，No表示障碍物数目；
在RFID应用系统阅读器部署优化过程中，在一定的约束条件下，各阅读器根据其所受虚拟力的大小和方向移动，直至达到受力平衡或可移动距离的上限。
进一步的，阅读器ri根据虚拟力的方向和大小移动到一个新的位置，限定阅读器ri移动的新位置是该阅读器所受虚拟合力方向上第一个邻接网格位置；若阅读器所受虚拟合力小于某一阈值，则不移动。
具体的，阅读器rj对阅读器ri之间的作用力
Figure BDA0001404593280000051
既有正虚拟力,也有负虚拟力,采用距离阈值调节阅读器间的虚拟力是正虚拟力还是负虚拟力，用于控制阅读器的密度,该距离阈值可根据规划的阅读器密度计算得到；
在空间区域Ω中的障碍物包括难以部署阅读器和无需放置阅读器的区域，部署阅读器时要避开这些障碍物,但又需要形成对障碍物附近标签的覆盖；障碍物对阅读器的虚拟力始终为负虚拟力，当阅读器和障碍物的距离大于某一值时,负虚拟力消失。
本发明与现有技术相比，具有如下优点和有益效果：
本发明综合考虑了物联网RFID应用系统部署中的多个目标，建立了相应的多目标优化数学模型。该模型涉及模型参数的描述、k-覆盖目标函数、冲突干扰目标函数、负载平衡目标函数、经济性目标函数的建立等内容，除了考虑多个目标和约束条件外，还嵌入了阅读器与障碍物、阅读器与阅读器间相互影响的虚拟力计算，使得所建模型更接近于实际情况。
针对所建立的数学模型的特点，给出了求解该模型的Copula的多目标分布估计算法。解空间内个体分布的概率模型构建是实现算法的关键，本发明采用了基于Copula构建概率模型的方法，该方法通过分开估计边缘分布和Copula函数的参数来实现，建模过程简单和清晰，易于实现。在此基础上，采用Pareto Ranking、Preference Order Ranking、Favour Ranking等排序方法实现Pareto非支配解集的产生与选择，由此而实现的多目标分布估计算法复杂度低、快速有效。
附图说明
图1是实施例方法流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
通过分析影响物联网RFID应用系统性能的核心因素及特点，提出了综合考虑覆盖、标签和阅读器数目、负载平衡、冲突干扰、障碍物等多个指标与因素的物联网RFID应用系统(标签、阅读器组成的应用系统)部署方法及多目标优化数学模型；同时，通过离散化部署区域，定义Paretoε-支配关系、Preference Order关系和Favour关系以及构建Copula概率模型给出了优化该模型的Copula的多目标分布估计方法。具体实施步骤包括多目标优化数学模型构建和模型优化算法。方法流程见图1。
1、多目标优化数学模型构建
(1)数学描述
考虑部署有标签的空间区域Ω，它被离散化为m╳n╳l个网格，阅读器置于网格的中心。空间区域Ω中所有标签的集合表示为T，其数目用Nt表示。R表示空间区域Ω中所部署的阅读器的集合。Rq表示标签接收到的信号能量阀值，Bq表示阅读器接收的标签反射信号能量阀值。D(r,t)表示标签t∈T接收到阅读器r∈R的信号强度，B(t,r)表示阅读器r∈R接收到标签t∈T的反射信号强度。阅读器的发射半径定义为标签能接收到阅读器发射信号的最大距离。阅读器的接收半径定义为阅读器能接收到标签反射信号的最大距离。阅读器r的覆盖C(r)定义为：
Figure BDA0001404593280000061
接收到标签t反射信号的阅读器集S(t)定义为：S(t)＝{r∈R|B(t,r)≥Bq}。
物联网RFID应用系统部署首先需要满足的目标是对部署区域中所有标签的覆盖，即：
Figure BDA0001404593280000062
同时，还需要满足标签反射信号被k个阅读器接收到，即k-覆盖：|S(t)|≥k,
Figure BDA0001404593280000063
在此基础上，希望所部署的阅读器数目最少、阅读器的负载能够达到平衡以及冲突干扰能够减少到最小，并考虑规划环境中障碍物对阅读器的影响。将虚拟计算方法引入到RFID应用系统规划问题中，建立规划空间区域Ω中阅读器所受到的虚拟力，假设阅读器与阅读器、阅读器和障碍物间等均有虚拟力。阅读器rj对阅读器ri的虚拟力表示为
Figure BDA0001404593280000064
障碍物Oj对阅读器ri的虚拟力表示为
Figure BDA0001404593280000071
阅读器ri所受到的虚拟力的和表示为
Figure BDA0001404593280000072
在RFID应用系统阅读器部署优化过程中，在一定的约束条件下，各阅读器根据其所受虚拟力的大小和方向移动，直至达到受力平衡或可移动距离的上限。
(2)模型构建
依据上述对物联网RFID应用系统部署问题的数学描述，建立如下的目标函数：
①标签覆盖目标函数；
②标签反射信号被k个阅读器接收到目标函数；
③阅读器数目最小化目标函数；
④负载平衡目标函数；
⑤冲突干扰最小目标函数。
另外，在考虑规划空间区域Ω中障碍物对阅读器的影响时，采用虚拟计算方法建立阅读器所受到的虚拟力，即：①阅读器与阅读器间所受虚拟力计算模型；②阅读器与障碍物间所受虚拟力计算模型。
阅读器rj对阅读器ri之间的作用力
Figure BDA0001404593280000073
既有正虚拟力,也有负虚拟力,其中负虚拟力可使阅读器足够稀疏,避免过分密集的阅读器对局部区域内的标签重复感知而浪费资源；正虚拟力可使阅读器保持一定的密度,避免过于稀疏而不能形成对标签的覆盖。采用距离阈值调节阅读器间的虚拟力是正虚拟力还是负虚拟力，用于控制阅读器的密度,该值可根据规划的阅读器密度计算得到。在部署空间区域Ω中的障碍物是难以部署阅读器或无需放置阅读器的区域，部署阅读器时要避开这些障碍物,但又不可相距太远以至于不能形成对障碍物附近标签的覆盖。障碍物对阅读器的虚拟力始终为负虚拟力，当阅读器和障碍物的距离大于某一值时,负虚拟力消失。
阅读器ri所受到的虚拟力的和为
Figure BDA0001404593280000074
其中Nr表示阅读器数目，No表示障碍物数目。阅读器ri将根据该虚拟力的方向和大小移动到一个新的位置，限定阅读器ri移动的新位置是该阅读器所受虚拟合力方向上第一个邻接网格位置，若阅读器所受虚拟合力小于某一阈值，则不移动。
2、模型优化算法：
从上述所建模型可知，物联网RFID应用系统部署问题的数学模型是一个多目标优化模型，属NP完全问题。采用Copula分布估计算法求解该多目标优化问题，算法如下：空间区域Ω中的RFID应用系统部署方案用m╳n╳l三维数组P＝[pi,j,k](i＝1,…,m,j＝1,…,n,k＝1,…,l)表示，其中，当(i,j,k)网格置有阅读器时pi,j,k＝1，否则pi,j,k＝0。以多目标优化领域中的NSGA-Ⅱ算法作为架构，采用Copula方法构建多目标分布估计算法的概率模型。
由Copula理论中的Sklar定理可知，任何一个多变量概率分布函数都可以分解为它的边缘分布和相关结构(Copula函数)两部分。利用此定理，在对多目标分布估计算法的概率模型进行描述和构建时，将边缘分布函数的估计和Copula函数的估计分别进行，进而获得联合分布函数。这使得算法的概率模型建模过程简化和清晰，能够更精确地估计优势群体的概率分布模型，由此而实现的多目标分布估计算法复杂度低，能更快地收敛于Pareto最优解。
通过分别定义Paretoε-支配关系、Preference Order、Favour关系等来确定个体的强度Pareto值、Preference Order值、Favour值等，并利用相应的排序算法对种群进行非支配排序，实现种群更新。使用拥挤距离估算个体的拥挤密度，淘汰位于拥挤区的一些个体，维持群体的多样性。根据非支配个体在目标空间的相似性程度对由当前非支配个体构成的前沿面进行自适应划分，在划分出的各区域选择最具代表性的个体，实现对排序后的非支配个体进行修剪操作，以达到Pareto非支配解集分布的均匀性。
边缘分布函数的估计采用核估计或小波估计方法。Copula函数的估计与采样依据所选择的Copula函数的不同而不同，对于Gauss Copula，其相关系数矩阵的估计采用极大似然估计法；而子代个体的生成通过对相关系数矩阵进行Cholesky分解并生成服从N(0,1)分布的独立随机变量的方法产生。对于Archimedean Copula，其生成元参数，通过估计Kendall秩相关系数，并利用它与生成元参数间的关系而获得；子代个体的生成采用拉普拉斯变换方法和生成独立服从(0,1)均匀分布的随机数的方法产生。对于T-Copula，其相关系数矩阵通过估计Kendall秩相关系数而获得，其自由度参数用极大似然法估计；子代个体的生成通过对相关系数矩阵进行Cholesky分解并生成服从N(0,1)分布的独立随机变量、生成一个服从
Figure BDA0001404593280000081
分布的独立随机变量的方法产生，进而导出Pareto非支配解集。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种优化物联网RFID应用系统的Copula多目标分布估计方法，其特征在于，包括：
S1、综合考虑物联网RFID应用系统部署空间区域Ω中的多个目标，建立相应的多目标优化数学模型；
S2、采用Copula分布估计算法求解该多目标优化问题，如下：
空间区域Ω中的RFID应用系统部署方案用m╳n╳l三维数组P＝[pi,j,k]表示，其中i＝1,…,m；j＝1,…,n；k＝1,…,l；
当(i,j,k)网格置有阅读器时pi,j,k＝1，否则pi,j,k＝0；
以多目标优化领域中的NSGA-Ⅱ算法作为架构，采用Copula方法构建多目标分布估计算法的概率模型：将多变量概率分布函数分解为它的边缘分布和Copula函数两部分，将边缘分布函数的估计和Copula函数的估计分别进行，进而获得联合分布函数求解。
2.根据权利要求1所述的方法，其特征在于，边缘分布函数的估计采用核估计或小波估计方法。
3.根据权利要求1所述的方法，其特征在于，Copula函数的估计与采样依据所选择的Copula函数的不同而不同：
对于Gauss Copula，其相关系数矩阵的估计采用极大似然估计法；而子代个体的生成通过对相关系数矩阵进行Cholesky分解并生成服从N(0,1)分布的独立随机变量的方法产生；
对于Archimedean Copula，其生成元参数，通过估计Kendall秩相关系数，并利用它与生成元参数间的关系而获得；子代个体的生成采用拉普拉斯变换方法和生成独立服从(0,1)均匀分布的随机数的方法产生；
对于T-Copula，其相关系数矩阵通过估计Kendall秩相关系数而获得，其自由度参数用极大似然法估计；子代个体的生成通过对相关系数矩阵进行Cholesky分解并生成服从N(0,1)分布的独立随机变量、生成一个服从
Figure FDA0002421247080000011
分布的独立随机变量的方法产生，进而导出Pareto非支配解集。
4.根据权利要求1所述的方法，其特征在于，模型优化过程中，根据非支配个体在目标空间的相似性程度对由当前非支配个体构成的前沿面进行自适应划分，在划分出的各区域选择最具代表性的个体，实现对排序后的非支配个体进行修剪操作，以达到Pareto非支配解集分布的均匀性。
5.根据权利要求4所述的方法，其特征在于，模型优化过程中，通过分别定义Paretoε-支配关系、Preference Order和Favour关系来确定个体的强度Pareto值、PreferenceOrder值和Favour值，并利用相应的排序算法对种群进行非支配排序，实现种群更新。
6.根据权利要求4所述的方法，其特征在于，模型优化过程中，使用拥挤距离估算个体的拥挤密度，淘汰位于拥挤区的一些个体，维持群体的多样性。
7.根据权利要求1所述的方法，其特征在于，多目标优化数学模型构建的过程如下：
考虑部署有标签的空间区域Ω，它被离散化为m╳n╳l个网格，阅读器置于网格的中心；空间区域Ω中所有标签的集合表示为T，其数目用Nt表示；R表示空间区域Ω中所部署的阅读器的集合；Rq表示标签接收到的信号能量阀值，Bq表示阅读器接收的标签反射信号能量阀值；D(r,t)表示标签t∈T接收到阅读器r∈R的信号强度，B(t,r)表示阅读器r∈R接收到标签t∈T的反射信号强度；阅读器的发射半径定义为标签能接收到阅读器发射信号的最大距离；阅读器的接收半径定义为阅读器能接收到标签反射信号的最大距离；阅读器r的覆盖C(r)定义为：
Figure FDA0002421247080000021
接收到标签t反射信号的阅读器集S(t)定义为：S(t)＝{r∈R|B(t,r)≥Bq}；
依据上述对物联网RFID应用系统部署问题的数学描述，建立如下的目标函数：
①对部署区域中所有标签的覆盖，即：
Figure FDA0002421247080000022
②标签反射信号被k个阅读器接收到，即k-覆盖：
Figure FDA0002421247080000023
③阅读器数目最小化目标函数；
④阅读器负载平衡目标函数；
⑤冲突干扰最小目标函数。
8.根据权利要求7所述的方法，其特征在于，多目标优化数学模型构建的过程中还考虑规划空间区域Ω中障碍物对阅读器的影响。
9.根据权利要求8所述的方法，其特征在于，在考虑规划空间区域Ω中障碍物对阅读器的影响时，采用虚拟计算方法建立阅读器所受到的虚拟力，即建立：①阅读器与阅读器间所受虚拟力计算模型；②阅读器与障碍物间所受虚拟力计算模型；
阅读器rj对阅读器ri的虚拟力表示为
Figure FDA0002421247080000031
障碍物Oj对阅读器ri的虚拟力表示为
Figure FDA0002421247080000032
阅读器ri所受到的虚拟力的和表示为
Figure FDA0002421247080000033
阅读器ri所受到的虚拟力的和为
Figure FDA0002421247080000034
其中Nr表示阅读器数目，No表示障碍物数目；
在RFID应用系统阅读器部署优化过程中，在约束条件下，各阅读器根据其所受虚拟力的大小和方向移动，直至达到受力平衡或可移动距离的上限：
阅读器ri根据虚拟力的方向和大小移动到一个新的位置，限定阅读器ri移动的新位置是该阅读器所受虚拟合力方向上第一个邻接网格位置；若阅读器所受虚拟合力小于某一阈值，则不移动；
阅读器rj对阅读器ri之间的作用力
Figure FDA0002421247080000035
既有正虚拟力,也有负虚拟力,采用距离阈值调节阅读器间的虚拟力是正虚拟力还是负虚拟力，用于控制阅读器的密度,该距离阈值可根据规划的阅读器密度计算得到；
在空间区域Ω中的障碍物包括难以部署阅读器和无需放置阅读器的区域，部署阅读器时要避开这些障碍物,但又需要形成对障碍物附近标签的覆盖；障碍物对阅读器的虚拟力始终为负虚拟力，当阅读器和障碍物的距离大于某一值时,负虚拟力消失。
CN201710813743.4A 2017-09-11 2017-09-11 一种优化物联网RFID应用系统的Copula多目标分布估计方法 Active CN107704786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710813743.4A CN107704786B (zh) 2017-09-11 2017-09-11 一种优化物联网RFID应用系统的Copula多目标分布估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710813743.4A CN107704786B (zh) 2017-09-11 2017-09-11 一种优化物联网RFID应用系统的Copula多目标分布估计方法

Publications (2)

Publication Number Publication Date
CN107704786A CN107704786A (zh) 2018-02-16
CN107704786B true CN107704786B (zh) 2020-07-31

Family

ID=61171390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710813743.4A Active CN107704786B (zh) 2017-09-11 2017-09-11 一种优化物联网RFID应用系统的Copula多目标分布估计方法

Country Status (1)

Country Link
CN (1) CN107704786B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287611B (zh) * 2019-06-28 2023-05-12 福州大学 用于可靠性分析的mmc子模块相关性场景构建方法
CN110781999B (zh) * 2019-10-29 2022-10-11 北京小米移动软件有限公司 神经网络架构的选择方法及装置
CN110781700B (zh) * 2019-11-11 2021-05-14 湖南大学 一种rfid多阅读器协调方法
CN111275159A (zh) * 2019-12-23 2020-06-12 东南大学 基于多维标度法和copula函数的蚁群算法设计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825308A (zh) * 2016-03-24 2016-08-03 辽宁省水利水电勘测设计研究院 一种基于多目标分析的水库连通性分析方法
CN106131862A (zh) * 2016-07-01 2016-11-16 厦门大学 无线传感器网络中基于多目标进化算法的优化覆盖方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170220928A1 (en) * 2016-08-22 2017-08-03 Yasin Hajizadeh Method and System for Innovation Management and Optimization under Uncertainty

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825308A (zh) * 2016-03-24 2016-08-03 辽宁省水利水电勘测设计研究院 一种基于多目标分析的水库连通性分析方法
CN106131862A (zh) * 2016-07-01 2016-11-16 厦门大学 无线传感器网络中基于多目标进化算法的优化覆盖方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
优化ＲFID 网络的含云生成算子的粒子群优化算法;高鹰;《广州大学学报( 自然科学版)》;20170430;第1-6节 *
多目标人工蜂群算法研究;胡恒等;《福建电脑》;20131031;第0-4节 *
应用云模型和Favour 排序的多目标优化算法;高鹰等;《广东工业大学学报》;20140930;第0-5节 *
用于ＲFID 网络规划的含Expansion 关系的多目标云优化算法;高鹰等;《广州大学学报( 自然科学版)》;20141031;第0-5节 *

Also Published As

Publication number Publication date
CN107704786A (zh) 2018-02-16

Similar Documents

Publication Publication Date Title
CN107704786B (zh) 一种优化物联网RFID应用系统的Copula多目标分布估计方法
CN112351503B (zh) 基于任务预测的多无人机辅助边缘计算资源分配方法
Liu et al. Distributed communication-aware motion planning for multi-agent systems from stl and spatel specifications
Ma et al. Cooperative artificial bee colony algorithm for multi-objective RFID network planning
Chen et al. Swarm intelligence application to UAV aided IoT data acquisition deployment optimization
Zaporozhets et al. Hybrid bionic algorithms for solving problems of parametric optimization
Lee et al. Nonlinear systems design by a novel fuzzy neural system via hybridization of electromagnetism-like mechanism and particle swarm optimisation algorithms
Dhahri et al. Hierarchical multi-dimensional differential evolution for the design of beta basis function neural network
Monfared et al. Convex hull ranking algorithm for multi-objective evolutionary algorithms
CN103729680A (zh) 基于多智能体进化算法的rfid网络布局方法
Liu et al. A robust GA/PSO-hybrid algorithm in intelligent shipping route planning systems for maritime traffic networks
Kang et al. Joint sensing task assignment and collision-free trajectory optimization for mobile vehicle networks using mean-field games
Aliniya et al. CB-ICA: A crossover-based imperialist competitive algorithm for large-scale problems and engineering design optimization
CN111343602B (zh) 基于进化算法的联合布局与任务调度优化方法
Siddiqi et al. Deep reinforcement based power allocation for the max-min optimization in non-orthogonal multiple access
Dovgal Decision-making for placing unmanned aerial vehicles to implementation of analyzing cloud computing cooperation applied to information processing
Zhang et al. Three-dimensional unmanned aerial vehicle route planning using hybrid differential evolution
CN116164753B (zh) 矿山无人车路径导航方法和装置、计算机设备和存储介质
Liu et al. A survey of artificial bee colony algorithm
CN109862625B (zh) 一种基于深度学习的短波测向灵活组网方法
Xie et al. Parameters Optimization of Least Squares Support Vector Machines and Its Application.
Wang et al. Dynamic resource scheduling for C2 organizations based on multi-objective optimization
Kou et al. Hybrid particle swarm optimization-based modeling of wireless sensor network coverage optimization
Diab et al. Recent advances in flower pollination algorithm
CN108830483B (zh) 多智能体系统任务规划方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant