CN102014398B - 基于差分进化算法的大规模工业无线传感器网络最优部署方法 - Google Patents
基于差分进化算法的大规模工业无线传感器网络最优部署方法 Download PDFInfo
- Publication number
- CN102014398B CN102014398B CN 201010290702 CN201010290702A CN102014398B CN 102014398 B CN102014398 B CN 102014398B CN 201010290702 CN201010290702 CN 201010290702 CN 201010290702 A CN201010290702 A CN 201010290702A CN 102014398 B CN102014398 B CN 102014398B
- Authority
- CN
- China
- Prior art keywords
- bunch
- individual
- bunch head
- sensor node
- communication
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于差分进化算法的大规模工业无线传感器网络最优部署方法,通过对节点进行优化部署以保证系统可靠性,涉及工业无线传感器网络和智能计算两个领域。本方法首先根据工业现场实际空间、障碍物、无线传感器功率、精度要求,对空间进行自动坐标化,然后以总节点数和簇头负载标准差最小为目标,冗余需求为约束条件建立节点部署模型,“1”表示在对应网格点布置簇头,“0”表示不布置,并提出了一种新的二进制差分进化算法对该模型进行优化求解。本算法采用一种新的概率预测算子来生成二进制变异个体对种群进行更新。本方法通过对节点进行优化部署,可以在保证系统可靠性的同时降低系统构建成本,并平衡系统能耗,延长网络生命期。
Description
技术领域
本发明涉及工业无线传感器网络和智能计算两大领域,具体涉及一种基于差分进化算法的大规模工业无线传感器网络最优部署方法。
背景技术
随着工业系统不断大型化、复杂化,工业控制系统的规模不断扩大,其安装、布线成本也不断增加。据统计2001年工业用传感器市场份额为110亿美元,而其安装和使用成本(主要是布线成本)超过1000亿美元。因此,无线传感器网络(Wireless Sensor Networks,WSNs)的低成本、易用等特征引起了工业界的广泛关注,国际知名控制系统公司,如爱默生、霍尼韦尔、通用电气等均开展了工业无线传感器网络(Industrial Wireless Sensor Networks,IWSNs)技术的研发。IWSNs是由具有无线通信与计算能力的传感器节点构成、部署在工业现场环境为某种工业应用提供解决方案的自组织分布式网络智能系统,是继现场总线技术之后工业控制领域的一个热点技术。IWSNs可以降低工业测控系统成本,提高工业测控系统应用范围和可靠性。爱默生公司在北美和欧洲几个现场试验的结果证实,采用工业无线技术数据传输的可靠性在99%以上,而安装成本比同等有线方案要低90%。针对工业无线技术的巨大前景,美国能源部在2004年发布的“未来工业计划”中指出:这种基于工业无线技术的低成本测控系统是实现到2020年美国工业整体能耗降低5%目标的主要手段,代表着工业自动化系统技术的发展方向。
IWSNs中通常包含三类节点,即传感器节点,簇头和sink节点,其中传感器节点负责现场数据的采集,簇头接收传感器节点发送过来的数据并将数据整合发送给sink节点,最后sink节点将数据发送到基站。虽然IWSNs的主要组成部分也是无线传感器节点,但是与一般的非工业WSN不同,IWSNs的传感器节点部署与工业环境有关,需人工安装到需要检测的工业设备上,强调对指定点的可靠检测。相比于传统有线网络,一方面,IWSNs更容易受网络拓扑、环境等因素的影响而发生故障,实际应用中故障也不可避免。另一方面,IWSNs多跳的通讯方式也导致系统实时性下降,爱默生公司的工业实验中显示当跳步数超过6时数据的实时性将不能保证。IWSNs作为控制系统的重要组成部分,一旦其可靠性和实时性得不到保证将直接影响产品质量,甚至产生严重事故,造成巨大经济损失。因此对于大规模工业应用,特别是闭环控制应用,IWSNs的可靠性和实时性至关重要。
另外,传感器节点一般都采用电池供电,能量非常有限。在大规模工业应用中,一旦节点能量耗尽,要更换电池必须先对失效节点进行定位,这显然会增大网络维护的工作量。为了延长传感器节点电池的使用寿命,网络采用分簇结构,使簇内传感器节点只与本簇簇头通讯,这样传感器节点发送数据只需1跳,降低了能耗。通过布置簇头收集簇内节点发送来的数据并通过其余簇头以多跳的方式传送到基站。在簇内配置冗余簇头可以在一个工作簇头出现故障时快速切换到备用簇头使其工作,这样可以提高系统的可靠性。另外,尽管单个的传感器节点并不贵,但是在工业应用中特别是大规模流程工业中,需要检测和采集的设备和参量都比较多,因此在工业监控现场部署的簇头数量对网络构建的成本也会有一定的影响。同时由于工业设备都占有一定的空间,工业现场也存在墙壁等其他障碍物,这些都会影响节点与簇头间的通信,因此,在布置簇头时,也必须考虑这些障碍物约束。
因此,IWSNs冗余节点配置问题实际上是一个带约束的组合优化问题,即在满足系统冗余需求的约束下,实现系统能耗的均衡与系统构建成本的最小化。相关工作已经表明,IWSNs节点部署问题是一类NP难问题,传统的确定性优化方法并不能实现对这一类问题的高效求解。近年来,智能优化算法在求解NP难问题时体现出比传统方法更大的优势,其中差分进化(Differential Evolution,DE)算法以其强大的全局搜索能力和鲁棒性,简单易实现的特点引起了研究者的广泛关注。DE是Storn和Price于1995年提出的一种随机并行搜索算法,是一种基于群体变异的进化算法,包含三个算子,即变异算子,交叉算子和选择算子。DE的基本思想是首先根据个体之间的差异得到变异种群,然后变异个体与父代个体进行重组得到中间个体,最后中间种群的个体与父代种群的个体通过一对一优胜劣汰的竞争进入新一代种群。DE具有实现简单,控制参数少,稳定性强,全局收敛的优点,目前已广泛应用于约束优化计算,模糊控制器优化设计,神经网络优化,滤波器设计等方面。
然而,基本的DE算法采用的是实数编码,它只能在连续空间进行搜索,因而基本的DE算法并不能被直接用来求解离散组合优化问题。因为IWSNs冗余节点配置问题是一类0/1规划问题,为了使DE能够求解该问题,本发明设计了一种概率预测算子来生成二进制个体,从而提出了一种全新的二进制DE算法。
发明内容
本发明设计了一种基于差分进化算法的大规模工业无线传感器网络最优部署方法,针对工业监测系统的可靠性需求,以及工业现场障碍物的存在,建立了工业无线传感器网络优化部署模型,同时提出了一种新的二进制差分进化算法对节点部署模型进行优化,从而在保证系统可靠性要求的基础上进一步平衡系统能耗,延长网络生存期,并降低系统构建成本。
为达到上述目的,本发明采用下述技术方案:
一种基于差分进化算法的大规模工业无线传感器网络最优部署方法,其特征在于具体操作步骤如下:
(1)首先根据工业现场实际空间、障碍物的大小及位置、无线传感器功率、精度要求,将监测区域划分为M×N×P三维网格并自动坐标化,M、N、P分别对应横、纵、竖坐标上划分段数,传感器节点和簇头都布置在网格交叉点上。假设在监测区域内随机布置了NS个传感器节点,则还有M×N×P-NS个网格点可以用来布置簇头,所以个体的长度为M×N×P-NS。
(2)个体i表示为向量xi=[xi1,xi2,L xin],xij∈{0,1},j∈{1,2,L,n},这里NP是种群规模,n=M×N×P-NS表示可以用来布置簇头的网格总数,xj=1表示在第j个空网格点上布置簇头,xj=0表示不布置簇头。因此,每个个体表示一种节点部署方案。
(3)设定二进制差分进化算法的各个控制参数,包括种群规模NP,缩放系数F,交叉概率CR,实数区间[Rmin,Rmax],并随机初始化二进制种群,初始化种群计数器G=0。
(4)设定传感器节点的通信半径为RS,簇头的通信半径为RCH,通常RCH≥2RS,当传感器节点与簇头之间的距离小于等于RS,并且两者通讯链路之间不存在障碍物时,认为该节点可以与该簇头通讯,并将此节点作为该簇头的一个负载,否则认为其不能与该簇头通讯;另外,当两个簇头间的距离小于等于RCH时,则认为这两个簇头都作为彼此的负载,簇头的总负载为簇内传感器节点数与可通讯的簇头数之和。
(5)根据每个个体x对应的布置方案,计算所有簇头数量NCH,簇头负载的标准差LCH。
(6)判断是否每个传感器节点都至少能与2个簇头通讯,若不满足约束条件,则计算惩罚值P(x)。
(7)评价每个个体的目标值,目标函数为:
minf(x)=w*NCH+(1-w)*LCH+P(x)
(9)采用概率预测算子将muti转换为二进制变异个体,转换公式为:
其中CR是交叉概率且0<CR<1,rand()是一个随机数,rdi是[1,NP]内的随机整数且对每个个体的不同维保持不变。
(12)如果达到了最大迭代次数,则停止迭代,否则返回步骤(8)继续迭代。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:
本发明提出的一种新的二进制差分进化算法直接采用二进制编码,个体表示为二进制串,根据个体向量中比特“1”的位置就可以确定其在M×N×P三维网格中的对应位置,个体向量中“1”的个体就代表布置的簇头总数,因此算法实现简单,而且非常直观。另外,本算法设计了一种新的概率预测算子来生成新的二进制种群,概率模型中融合了3个不同父代个体的信息,而且不同个体拥有不同的概率模型,因此,本算法可以提高种群的多样性。同时,提出的预测算子与基本差分进化算法的交叉算子、选择算子相结合,有利于平衡算法的全局寻优能力和局部开发能力,从而提高算法的优化性能。
另外,本发明在构建IWSNs时采用了分簇结构,通过在每个簇内至少布置2个簇头,这样就可以保证在工作簇头出现故障时迅速切换到冗余簇头使其工作,从而满足了系统冗余需求,保证了系统可靠性。
本方法是同时考虑工业无线传感器网络的系统可靠性、能耗均衡性以及节点部署成本的多目标优化,以簇头负载的标准差和总簇头数为指标,把系统可靠性要求处理为约束条件,利用新提出的二进制差分进化算法对簇头的位置和数量进行优化,因此本发明解决的是带约束的多目标优化问题,比单纯考虑可靠性或者成本更加全面,有利于进一步提高系统性能。
附图说明
图1为工业无线传感器网络节点布置模型平面示意图;
图2为提出的二进制差分进化算法优化工业无线传感器节点布置的流程图。
具体实施方式
下面结合附图说明本发明的优选实施方式,参见图1和图2,本基于差分进化算法的大规模工业无线传感器网络最优部署方法,其操作步骤如下:
(1)根据工业无线传感器网络监控现场的规模、障碍物的大小、无线传感器节点功率以及监测设备的位置,按照一定精度将监测区域自动坐标化,生成三维空间模型,比如50×50×20,100×100×10,100×100×50等等,分割的网格数越多,精度越高。但是网格划分太过密集将加大计算量,因此需根据工业现场的实际情况进行合理划分,既保证节点布置精度,又尽可能减少算法计算量。
附图1给出了一个10×10×10网格的节点布置的平面模型,节点S1可以与CH1和CH2通讯,其中CH1和CH2互为冗余簇头,而传感器节点S3只能与一个簇头通讯,即CH3,一旦CH3出现故障将导致节点S2的数据无法发送到基站,因此需布置冗余簇头并对网络中簇头的数量和位置进行优化。首先在需要监测的设备上安装传感器节点,这样就可以确定这些传感器节点在网格中的位置,而剩下的空网格点就可以用来布置簇头。假设在10×10×10网络中布置了10个传感器节点,则剩下的990个网格点就可用来布置簇头。
(2)设定二进制差分进化算法的各个控制参数:种群规模NP=100(可根据节点布置模型的规模相应进行调整),缩放系数F=0.9,交叉概率CR=0.1,实数取值区间[Rmin,Rmax]=[-20,20],然后随机初始化所有二进制个体。
(3)根据个体向量中“1”的位置确定其在网格中对应的位置:第1维对应网格中的第一个空网格点,第990维对应网络中最后一个空网格点,依此类推。
(4)根据传感器节点通信半径RS,簇头通信半径RCH,簇头总数NCH,传感器节点与簇头之间的距离,簇头与簇头之间的距离,确定每个传感器节点可通讯的簇头数Ni,以及每个簇头可通讯的传感器节点与簇头总数,即簇头的负载Lj(统计时需判断节点与簇头之间,簇头与簇头之间是否存在障碍物,若存在障碍物方块,则两者之间不能通讯),然后根据下式计算簇头负载的标准差LCH:
(5)两个子函数分别为:f1=NCH,f2=LCH。
(6)判断传感器节点可通讯的簇头数是否大于或等于2,即Ni≥2,如果不满足,则根据下式计算惩罚项:
(7)得到个体的目标函数值为:
f(x)=w*f1+(1-w)*f2+P(x)=w*NCH+(1-w)*LCH+P(x),其中0<w<1。
其中CR是交叉概率且0<CR<1,rand()是一个随机数,rdi是[1,NP]内的随机整数且对每个个体的不同维保持不变。
(12)判断是否满足退出条件。如果达到了最大迭代次数Gmax,则停止迭代,否则记录当代中的最优个体并返回步骤(8)继续迭代,每次迭代后对历史最优个体Pg进行更新。
迭代结束后输出最优布置方案Pg及其对应的两个子函数的值,根据Pg生成对应的节点布置三维示意图。Pg对应的冗余节点布置方案就是本发明提出的二进制差分进化算法搜索到的最优解。根据最优个体Pg就可以确定簇头节点在监测区域的位置及数量,然后根据传感器节点和簇头的通讯半径就可以绘制这个工业现场的网络覆盖图,通过区域覆盖图就可以看出每个传感器节点至少可以同2个簇头进行通讯,而且每个簇头也至少有2条链路通往基站,因此,本发明可以同时在传感器节点层与簇头层保证系统的通讯可靠性。通过对簇头节点的合理布局,尽可能平衡簇头的能耗,有利于延长网络的生存期。另外,本发明提出的二进制差分进化算法能以最少的成本来构建网络,并保证系统冗余需求,提高系统可靠性。
Claims (4)
1.一种基于差分进化算法的大规模工业无线传感器网络最优部署方法,其特征在于,该方法包括以下步骤:
a. 首先根据工业现场实际空间、障碍物大小及位置、无线传感器功率、精度要求,将监测区域划分为 三维网格,M、N、P分别对应横、纵、竖坐标上划分段数,传感器节点及簇头都分别部署在网格交叉点上,假设在监测区域内有个传感器节点,则剩下的个网格点可以用来布置簇头;
d. 假设传感器节点的通信半径为,簇头的通信半径为,通常,当传感器节点与簇头之间的距离小于等于,并且两者通讯链路之间不存在障碍物时,认为该传感器节点可以与该簇头通讯,并将此传感器节点作为该簇头的一个负载,否则认为其不能与该簇头通讯;另外,簇头之间也需通讯,当两个簇头间的距离小于等于时,则认为这两个簇头都作为彼此的负载,簇头的总负载为簇内与其通讯的传感器节点数与可通讯的簇头数之和;
g. 计算每个个体x的目标函数值,目标函数为:
l.如果达到了最大迭代次数,则停止迭代,否则返回步骤h继续迭代。
2.根据权利要求1所述的一种基于差分进化算法的大规模工业无线传感器网络最优部署方法,其特征在于该方法根据工业现场实际情况,考虑了工业设备及墙壁障碍物的位置及大小对传感器节点与簇头之间通讯链路的影响。
4.根据权利要求1所述的一种基于差分进化算法的大规模工业无线传感器网络最优部署方法,其特征在于传感器节点至少可以与2个簇头通讯,这样当一个工作簇头的能量耗尽或遭遇故障时,可以切换到备用簇头使其工作,这样可以提高系统的可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010290702 CN102014398B (zh) | 2010-09-21 | 2010-09-21 | 基于差分进化算法的大规模工业无线传感器网络最优部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010290702 CN102014398B (zh) | 2010-09-21 | 2010-09-21 | 基于差分进化算法的大规模工业无线传感器网络最优部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102014398A CN102014398A (zh) | 2011-04-13 |
CN102014398B true CN102014398B (zh) | 2013-04-03 |
Family
ID=43844367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010290702 Expired - Fee Related CN102014398B (zh) | 2010-09-21 | 2010-09-21 | 基于差分进化算法的大规模工业无线传感器网络最优部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102014398B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102186195B (zh) * | 2011-05-13 | 2013-09-18 | 福建星网锐捷网络有限公司 | 无线接入设备的布设方法、装置及网络设备 |
CN102427590B (zh) * | 2012-01-06 | 2013-11-06 | 哈尔滨工业大学 | 利用最小均方误差算法均衡无线栅格传感器网络中各个节点负载的方法 |
CN102695237B (zh) * | 2012-01-10 | 2014-10-22 | 南京邮电大学 | 一种支持随机移动的移动传感网路由方法 |
CN103237312B (zh) * | 2013-04-07 | 2016-04-13 | 江南大学 | 一种无线传感器网络节点覆盖优化方法 |
CN103297983B (zh) * | 2013-05-06 | 2015-11-25 | 南京邮电大学 | 一种基于网络流的无线传感器网络节点动态部署方法 |
CN103354642B (zh) * | 2013-06-06 | 2016-01-13 | 东北大学 | 一种提高移动传感器网络覆盖率的方法 |
CN104349356B (zh) * | 2013-08-05 | 2018-10-30 | 江南大学 | 基于差分进化的视频传感器网络覆盖增强实现方法 |
CN103945401B (zh) * | 2014-04-30 | 2017-03-29 | 山东大学 | 面向非均匀感知区域的无线传感器网络自动部署方法 |
CN104378771B (zh) * | 2014-11-28 | 2018-11-23 | 北京农业信息技术研究中心 | 盲点预测农田时变异构网络节点部署与交互调度方法 |
CN104883702B (zh) * | 2015-05-26 | 2018-09-11 | 哈尔滨工业大学 | 一种无线传感器网络网关优化部署方法 |
CN109379780B (zh) * | 2018-10-23 | 2021-05-14 | 华南理工大学 | 基于自适应差分进化算法的无线传感器网络定位方法 |
CN110166933A (zh) * | 2019-04-30 | 2019-08-23 | 南京邮电大学 | 基于差分算法的森林环境监测中的簇首定位模型的建立方法 |
CN110298495A (zh) * | 2019-06-11 | 2019-10-01 | 天津大学 | 基于改进型差分进化算法的波浪发电装置的阵列优化方法 |
CN110784838B (zh) * | 2019-09-20 | 2021-02-09 | 重庆大学 | 一种基于能量节点的无线传感网络节点部署方法 |
CN110779500B (zh) * | 2019-11-14 | 2021-11-30 | 中国人民解放军国防科技大学 | 一种增量部署传感器的中尺度涡探测方法 |
CN111191304A (zh) * | 2019-11-27 | 2020-05-22 | 中国地质大学(武汉) | 基于随机策略与多目标优化算法的施工场地平面布置方法 |
CN113472573B (zh) * | 2021-06-30 | 2022-06-28 | 三峡大学 | 用于无线传感器网络资源调度的高维多目标协同优化方法 |
CN117062092B (zh) * | 2023-10-11 | 2023-12-08 | 成都大学 | 一种无线传感器网络部署方法 |
CN117828905B (zh) * | 2024-03-05 | 2024-05-10 | 东北大学 | 一种基于形性一体化控制的轧制负荷分配优化设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006067271A1 (en) * | 2004-12-22 | 2006-06-29 | Mikko Kohvakka | Energy efficient wireless sensor network, node devices for the same and a method for arranging communications in a wireless sensor network |
CN101814925A (zh) * | 2010-03-04 | 2010-08-25 | 李华 | 采用认知无线电技术的无线传感器节点系统及其控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7715308B2 (en) * | 2004-12-09 | 2010-05-11 | Honeywell International Inc. | Fault tolerance in a wireless network |
-
2010
- 2010-09-21 CN CN 201010290702 patent/CN102014398B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006067271A1 (en) * | 2004-12-22 | 2006-06-29 | Mikko Kohvakka | Energy efficient wireless sensor network, node devices for the same and a method for arranging communications in a wireless sensor network |
CN101814925A (zh) * | 2010-03-04 | 2010-08-25 | 李华 | 采用认知无线电技术的无线传感器节点系统及其控制方法 |
Non-Patent Citations (6)
Title |
---|
Feng Xue 等.Multi-Objective Routing in Wireless Sensor Networks with a Differential Evolution Algorithm.《Networking, Sensing and Control, 2006. ICNSC "06》.2006, |
Multi-Objective Routing in Wireless Sensor Networks with a Differential Evolution Algorithm;Feng Xue 等;《Networking, Sensing and Control, 2006. ICNSC "06》;20061231;全文 * |
基于SD-MODE的WSN覆盖优化策略;曾映兰;《计算机工程》;20100331;第36卷(第5期);全文 * |
基于差分进化的多目标异构传感器网络节点部署机制;李明;《仪器仪表学报》;20100831;第31卷(第8期);全文 * |
曾映兰.基于SD-MODE的WSN覆盖优化策略.《计算机工程》.2010,第36卷(第5期), |
李明.基于差分进化的多目标异构传感器网络节点部署机制.《仪器仪表学报》.2010,第31卷(第8期), |
Also Published As
Publication number | Publication date |
---|---|
CN102014398A (zh) | 2011-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102014398B (zh) | 基于差分进化算法的大规模工业无线传感器网络最优部署方法 | |
CN102098687B (zh) | 一种工业无线传感器网络多目标最优部署的方法 | |
Martins et al. | A hybrid multiobjective evolutionary approach for improving the performance of wireless sensor networks | |
CN100583900C (zh) | 基于智能代理的无线传感器网络数据聚合路径规划方法 | |
CN104009494B (zh) | 一种环境经济发电调度方法 | |
CN103856952A (zh) | 一种工业无线传感器网络Pareto多目标部署优化方法 | |
CN104156584A (zh) | 多目标优化差分进化算法的传感器目标分配方法及系统 | |
CN101556464A (zh) | 基于关联规则的城市电力负荷预测模型自动推荐方法 | |
CN105246097A (zh) | 一种具有移动Sink节点的无线传感网生存时间优化方法 | |
CN104734150A (zh) | 配电网优化方法 | |
CN102395146A (zh) | 一种面向多目标点监测的无线传感网感知拓扑构建方法 | |
CN102761881A (zh) | 无线传感器网络静态节点最优覆盖控制集求解方法 | |
CN110061496A (zh) | 源网荷多目标规划模型的可信度优化方法 | |
CN102238561A (zh) | 基于能量有效的分层协作覆盖模型的节点部署方法 | |
Varun et al. | Energy-efficient routing using fuzzy neural network in wireless sensor networks | |
CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
Liao et al. | Research on industrial waste recovery network optimization: opportunities brought by artificial intelligence | |
CN111225398B (zh) | 一种基于协作覆盖的微电网无线传感器网络能耗优化方法 | |
Shi et al. | Energy dependent divisible load theory for wireless sensor network workload allocation | |
CN111542070A (zh) | 一种工业无线传感器网络的高效多约束部署方法 | |
Zhang et al. | Cross-modal travel route recommendation algorithm based on internet of things awareness | |
Peng et al. | Proposing a density-based clustering approach (DBCA) to aggregate data collected from the environment in arid area for desertification | |
CN117117876B (zh) | 电网全要素资源协调控制方法及系统 | |
Maslova et al. | Algorithm for Selecting the Transmission Route of a Data Packet in High-density Ubiquitous Systems | |
Yang et al. | Genetic algorithm-based analysis of base station siting optimization [J] |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130403 Termination date: 20150921 |
|
EXPY | Termination of patent right or utility model |