基于改进型灰狼算法的RFID网络规划

   灰狼算法（Grey Wolf Optimizer， GWO）最早由Mirijili 等2014年提出，其思想主要来源于灰狼的捕猎行为和社会等级。但中后期存在收敛速度慢和容易陷入局部最优的问题。对此，提出一种基于惯性常数策略的搜索机制，并引入高斯算子来提高种群的多样性。下面介绍这种求解RFID网络规划问题的改进型灰狼算法，实现了在RFID网络规划问题上的应用。

RFID 网络规划问题的数学表述

  RFID网络规划的任务是在部署多个RFID系统的同时，兼顾4个目标：覆盖率、负载均衡、信号干扰、发射功率。其目的是在保证百分百覆盖率的情况下，部署尽量少的阅读器，以避免阅读器之间相互干扰，使每个阅读器读取标签的数量比较接近，且使用的功率最少。
1） 覆盖率。RFID网络覆盖率的性能指标，表示为
$$f_c=(\sum _{i=1}^n{C}_i)/n$$
其中 $C_i$ 表示第$i$个标签是否被覆盖。当没有一个阅读器读取$i$标签的信息时，$C_i=0$,否则$C_i=1$。
2） 负载均衡。 RFID的负载均衡，其表达式为
$$f_L=\prod _{k=1}^{m}1/(C_k+1)$$
其中$C_k$表示第$k$个阅读器读取标签的数目，应尽量使每个阅读器读取的标签数量接近。
3) 阅读器碰撞干扰之和。
当阅读器$i$与$j$ 相离时，即，$(r_i+r_j)<dist(R_i,R_j)$时， $I_{ij}=0$。
当阅读器i与阅读器j 相交时，即，$max(r_i,r_j)<Disk(R_i,R_j)<(r_i+r_j)$ 时。$I_{ij}=((r_i+r_j)-Disk(R_i,R_j))/2$
当阅读器i与阅读器j 部分包含（小圆圆心在大圆内部，但大圆没有全部包含小圆）时，即 $|r_i-r_j|<Disk(R_i,R_j)<max(r_i,r_j)$。 $I_{ij}=((r_i+r_j)-Disk(R_i,R_j))$
当阅读器i与阅读器j 全包含时，即 $Disk(R_i,R_j)<|r_i-r_j|$。$I_{ij}=2\ast min(r_i,r_j)$
$$f_I=\sum _{i=1}^{m-1}\sum _{j=i+1}^m{I}_{ij}$$
其中，$r_i$为阅读器$i$ 的干扰范围，$r_j$为阅读器$j$ 的干扰范围；
$disk(R_i,R_j)$阅读器$i$和阅读器$j$ 的距离。

4） 发射功率。表达式为
$$f_T=\sum _{i=1}^m{P}_i$$
其中，$P_r$表示第$r$个阅读器的传输功率。
  为了达到优化部署的目的，RFID的整体最优解由上述4个目标函数的线性组合来表示。
$F_C=-f_C+1\in [0,1]$
$F_L=f_L\in [0,1]$
$F_I=f_I/(m^{2}r)\in [0,1]$
$F_T=f_T/mP=1$
$minF=w_1{F}_C+w_2{F}_L+w_3{F}_I+w_4$

改进型灰狼算法的算法描述

  改进型灰狼捕获猎物的行为可以分为搜索猎物、包围猎物和攻击猎物3个阶段。
1）惯性常数策略
  将灰狼个体分布到整个搜索区域中，采取的是随机分布的方式；捕食行为时，采取的是惯性搜索策略搜索猎物。相关数学表达式如下：
$D=|C\cdot X_p(t)-mean\cdot X(t)|$
$X(t+1)=X_p(t)-A\cdot D$
其中$t+1$表示下一次迭代；$X$代表狼的位置；$X_p$代表猎物的位置；A和D是系数向量，采用以下方程进行建模：
$A=2\cdot L\cdot r_1$
$C=2\cdot \lambda \cdot r_2$
$\lambda =(\frac{({\lambda }_{max}-1)\times ({\lambda }_{max}-{\lambda }_{min})}{ma{x}_{iter}})$
其中， $r_1$和$r_2$是[0,1]中的随机数。${\lambda }_{max}$和${\lambda }_{min}$分表表示控制距离参数的最大值和最小值。惯性常数$\lambda$服从线性递减规律，影响灰狼群体的开发和探索能力。
  当灰狼知道猎物的位置时，$\alpha$狼、$\beta$狼和$\delta$狼带领群狼包围猎物。因此根据最好解、次优解和次次优解组成的关键指挥组，存储最好的3种解决方案，引导更新每一个狼在小组中的位置。位置更新方程如下：
$D_{\alpha }=|C_1\cdot X_{\alpha }-X(t)|$
$D_{\beta }=|C_2\cdot X_{\beta }-X(t)|$
$D_{\delta }=|C_3\cdot X_{\delta }-X(t)|$
$X_1=X_{\alpha }-A_1\cdot D_{\alpha }$
$X_2=X_{\beta }-A_2\cdot D_{\beta }$
$X_3=X_{\delta }-A_3\cdot D_{\delta }$
2) 高斯算子变异
  灰狼通常在猎物停止移动时对其进行进攻。在迭代更新过程中，当一部分灰狼在局部最优极值点出现较严重的聚集时，对其他等级的灰狼的状态进行高斯变异，避免陷入局部最优解。高斯变异是在原有个体的状态基础上加上服从高斯分布的随机向量，其定义如下：
$$X(t)=X(t)\times [1+k\times N(0,1)]$$
其中，$X(t)$是第$i$只狼在$t$次迭代时的位置，$k$是从1到0之间递减的变量，$N(0,1)$是服从均值为0，方差为1的高斯分布的变量。

RFID 网络规划

  实质上，RFID网络规划问题就是一个多目标的组合优化问题。其中，阅读器的规划问题成了大规模应用必须考虑的首要问题；充分有效地利用每一个阅读器的覆盖能力，合理地规划每个阅读器的位置，适当调整阅读器的参数，不仅能够有效地获取所需要的信息，还能够减少阅读器之间的干扰，产生较高的经济效益，并且提高整体性能。IGWO算法的流程如下图所示。

MATLAB 仿真与结果

具体MATLAB实现 参见 IGWO
GWO算法与IGWO算法在标签位置相同时，得到的阅读器位置及覆盖信息如下图所示；

各指标随迭代次数的变化

IGWO各指标随迭代次数的变化

GWO各指标随迭代次数的变化