Оптимизация планирования сети радиочастотной идентификации с помощью кольцевых вероятностных логических нейронов

В последние десятилетия развитие технологий и использование современных инженерных систем в отраслях от производства до транспорта привели к необходимости отслеживать и идентифицировать материалы, продукты и даже живых объектов. Технология радиочастотной идентификации (RFID) может рассматриваться как одно из наиболее надежных и эффективных решений для решения этой проблемы. Технология RFID известна как технология автоматической идентификации, поскольку она использует беспроводные радиочастотные волны, которые генерируются электромагнитным полем для передачи данных для отслеживания и идентификации объектов. Эта технология может быть реализована в различных областях, таких как отслеживание и идентификация пациентов в больницах отслеживание товаров на складе отслеживание поддонов и ящиков при отправке, мониторинг производственной линии и система управления производством.

Во многих приложениях внедрение систем RFID породило проблему планирования сети радиочастотной идентификации, которую необходимо решить, чтобы эффективно управлять крупномасштабной сетью. Однако RNP является одной из наиболее сложных задач, которая должна соответствовать многим требованиям системы RFID. В целом, RNP направлена на одновременную оптимизацию набора задач (покрытие, баланс нагрузки, экономическая эффективность и помехи между антеннами и т.д.); это достигается путем настройки управляющих переменных (координаты считывателей, количество антенн и т.д.) системы. В результате в крупномасштабной среде развертывания проблема RNP представляет собой многомерную нелинейную задачу оптимизации, которая имеет огромное количество переменных и неопределенных параметров.

RFID

Система RFID состоит из четырех основных элементов, которыми являются метки, считывающие устройства, антенны и компьютерный блок. Конфигурация системы RFID показана на рисунке 1. Следует отметить, что антенна может быть частью считывающего устройства; в этом случае к одному считывающему устройству может быть подключено более одной антенны. Считывающие устройства через антенны собирают данные, отправленные тегами, и передают их на главный компьютер для обработки для дальнейших внедрений. По сути, RFID – это технология обработки данных, которые представляют собой радиочастотные сигналы, пропущенные из установленных меток на объектах и отправленные считывателями на главный компьютер. Существует три типа меток: пассивные, полупассивные и активные. Различия между этими тремя типами меток основаны на их источнике питания; в том смысле, что активные и полупассивные метки питаются от батарей, в то время как пассивные метки не имеют внутреннего питания.

Рис. 1. Компоненты сети RFID

Следует отметить, что пассивные метки имеют ряд преимуществ перед полупассивными и активными метками. Во-первых, пассивные метки очень экономичны и, во-вторых, они имеют очень длительный жизненный цикл; поэтому в данном исследовании используются пассивные метки.

Расстояние между меткой и антенной играет важную роль в установлении связи между ними. Эта проблема существует из-за ограничения диапазонов опроса антенн. Считывающее устройство может получать информацию о метке через антенну только в ограниченном диапазоне; из-за этого ограничения во многих системах RFID используется более одной антенны для установления связи между меткой и антенной. В таких системах многие важные объекты, такие как количество антенн и их положения, должны быть тщательно рассчитаны. Ответы на такие вопросы приводят к важной концепции, названной RNP.

Оптимизация RNP

Конечная цель оптимизации здесь – найти оптимальное количество антенн, которые должны быть развернуты в сети RFID, чтобы достичь максимального покрытия сети, а также минимальных помех от антенн. В этой статье для выполнения процесса оптимизации используются три различных метода искусственного интеллекта: GA, PSO и RPLN.

RPLN

RNP может быть оптимизирован с использованием RPLN.4В настоящее время этот метод широко используется в вычислительной технике, особенно когда рассматривается концепция оперативной памяти (RAM). Это называется RPLN, потому что каждый шаг будет выполняться многократно, пока не будет достигнут желаемый результат.

PLN состоит из узла и таблицы истинности, входные данные задаются как 0 или 1, а выходные данные – в форме 0 или 1. Эти числа получены с помощью функции декодирования, и если ответ приемлем, таблица истинности будет сохранена; в противном случае случайное значение будет заменено, и операция начнется с самого начала.

Другими словами, методика оптимизации PLN обучается на основе чисто случайных поисков. На рисунке 2 показана схема PLN. Этот алгоритм случайного поиска известен, как правило, A-learning. При реорганизации шаблонов PLN сети могут использоваться с использованием алгоритма правила обучения.

Рис. 2. Вероятностно-логический нейрон (PLN)

Заключение

В этой статье был представлен метод оптимизации на основе чистой случайности, называемый RPLN, как эффективный метод оптимизации для решения сложных задач RNP. Этот метод оптимизации способен регулировать любое количество встроенных RFID-антенн в сети. Оценка производительности на основе моделирования была выполнена для исследования эффективности алгоритма RPLN по сравнению с GA и PSO.

1. RPLN имеет более высокую скорость сходимости и меньшее количество итераций, чем GA и PSO.
2. RPLN имеет меньшую сложность в вычислениях, чем GA и PSO.
3. Результаты, предоставляемые RPLN, более точны и экономичны.

В будущих исследованиях, благодаря инновациям в предлагаемых математических моделях RNP, станет возможным моделировать сеть RFID, которая включает в себя больше критериев, таких как качество сети. Ценное будущее исследование будет включать использование большего количества методов оптимизации для статических и динамических сетей для создания сетей RFID.