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(radiofrequencyidentification)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qiangguan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。yizhizhao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-huachou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。
技术实现要素：
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gausscopula；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：
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：
②标签反射信号被k个阅读器接收到，即k-覆盖：|s(t)|≥k,
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
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
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paretoranking、preferenceorderranking、favourranking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、preferenceorder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：
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：
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,
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
(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
阅读器ri所受到的虚拟力的和为
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、preferenceorder、favour关系等来确定个体的强度pareto值、preferenceorder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。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。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
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。