CN104504444B - 一种利用人工地物稀疏形状点自动生成地物轮廓的方法 - Google Patents
一种利用人工地物稀疏形状点自动生成地物轮廓的方法 Download PDFInfo
- Publication number
- CN104504444B CN104504444B CN201410835540.1A CN201410835540A CN104504444B CN 104504444 B CN104504444 B CN 104504444B CN 201410835540 A CN201410835540 A CN 201410835540A CN 104504444 B CN104504444 B CN 104504444B
- Authority
- CN
- China
- Prior art keywords
- atural object
- shape point
- sparse shape
- population
- automatically generates
- 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
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002068 genetic effect Effects 0.000 claims abstract description 25
- 238000013461 design Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000013497 data interchange Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一种利用人工地物稀疏形状点自动生成地物轮廓的方法,将基于遗传算法的地物轮廓方法,应用于建筑物地物区域描述系统中,通过地物的稀疏形状点,自动生成地物地面轮廓。经过遗传算法的逐代寻优操作,准确的搜索出较佳的封闭连线方案,形成地物的轮廓区域。本方法可以适用于任意的封闭区域的描述,从而对某一区域进行面积等数量的统计。另外,本发明回避了搜索中采用暴力法搜索的时间缺陷和贪婪算法的精度缺陷,可以在时间和精度之间达到平衡。由于遗传算法有着较高的鲁棒性,非常适用于现实世界复杂区域的勾画。
Description
技术领域
本发明涉及一种利用人工地物稀疏形状点自动生成地物轮廓的方法,属于地理信息科学领域。
背景技术
在分析一个地区建筑物分布特性时,工程师们可以测量出该地区地物稀疏形状点,所谓地物的形状点是指地物的地面轮廓区域中带有明显转折的边角点,可以设定一个基准坐标系,借助一些传统的手段(如皮尺)测量出这些边角点的坐标值。然而,这样的形状点往往是稀疏的,因此,不能简单地认为距离相近的形状点的连线构成了地物的一个轮廓边缘。对于地物稀疏形状点,如果其凸包包含了所有的稀疏形状点,此时,这种封闭的连线方案是唯一的,但事实上,地物(例如建筑物)地面区域的轮廓往往构成的是凹多边形,封闭连线方案并不唯一,因此,必须在满足要求的情况下搜索出最佳凹多边形。这个问题类似于TSP问题(Travelling Salesman Problem),TSP问题最简单的求解方法是枚举法,对于n个节点,TSP枚举算法的时间复杂度为O(n!),很明显,这种爆炸性增长的时间复杂度使得人们必须寻求时间更佳的算法,所以TSP问题大多集中在启发式解法,作为启发算法的一种,遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。
发明内容
本发明的目的在于提供一种利用人工地物稀疏形状点自动生成地物轮廓的方法,采用遗传算法对封闭连线方案进行寻优。针对遗传算法直接对连线点顺序寻优容易收敛到局部最优,甚至出现自相交的情形,通过映射操作克服了连线出现自相交的可能,通过适应度函数描述了地物地面区域的一般特征,并且经过遗传算法的逐代寻优操作可以准确的搜索出较佳的封闭连线方案,形成地物的轮廓区域,从而可以对一定区域建筑物或者推广到任意规则形状进行统计分析。
为实现本发明的上述目的,采用如下方案进行:一种利用人工地物稀疏形状点自动生成地物轮廓的方法,其特征在于,将基于遗传算法的地物轮廓方法,应用于建筑物地物区域描述系统中,经过遗传算法的逐代寻优操作,准确的搜索出较佳的封闭连线方案,形成地物的轮廓区域,包括以下步骤:
S1,对测量得到的地物稀疏形状点依次标记为1,2,3……n,其中n为稀疏形状点的个数,这n个数的一种排列,对应着n个稀疏形状点的一种排列,将稀疏形状点排列中的相邻稀疏形状点相连,并且将排列中的稀疏形状点的首尾相连,则形成地物的一种封闭连线方案,将n个稀疏形状点对应的n个数的一种排列顺序作为种群的个体;
S2,初始化设计,设置初始种群以及控制参数;
S3,设计适应度函数,并且计算初始种群中每个个体的适应度值;
S4,进行进化操作,得到进化后的种群;
S5,寻找进化后适应度最大和最小的个体,用适应度最好的个体取代适应度最差的个体,得到最终一次进化后的种群;
S6,判断是否达到预定的进化次数(预定的进化次数是一个比较大的数,使得遗传算法的最佳适应度曲线稳定),若是,则选择适应度最好的个体,作为最终区域测量点的连线方案;否则,直接跳转到步骤S4。
S1,对测量得到的地物稀疏形状点依次标记为1,2,3……n,其中n为稀疏形状点的个数,这n个数的一种排列,对应着n个稀疏形状点的一种排列,将稀疏形状点排列中的相邻稀疏形状点相连,并且将排列中的稀疏形状点的首尾相连,则形成地物的一种封闭连线方案,将这n个数的一种排列作为遗传算法种群的一个个体;
S2,初始化设计,设置初始种群以及控制参数;
S3,设计适应度函数,并且计算初始种群中每个个体的适应度值;
S4,进行进化操作,得到进化后的种群;
S5,寻找进化后适应度最大和最小的个体,用适应度最好的个体取代适应度最差的个体,得到最终一次进化后的种群;
S6,判断是否达到预定的进化次数,若是,则选择适应度最好的个体,作为最终区域测量点的连线方案;否则,直接跳转到步骤S4;
优选地,步骤S1中,将特征点的连线顺序作为种群的个体。
优选地,步骤S2中,初始化设置的控制参数包括种群大小、遗传代数、交叉概率和突变概率。
优选地,步骤S2中,其中种群中每一个个体的设计采用了一种映射操作:随机化1,2,3…n的一个排列,然后将这个随机排列通过映射算法映射到另外一种排列方案中。
优选地,步骤S3中,所述的适应度函数为:
其中:J=Jangle×Jdistance J表示所选个体的能量函数两相邻边向量的夹角集合其中n表示点的个数,di,i+1表示相邻的顶点i和i+1之间的线段长,dn,n+1=dn,1
优选地,步骤S4中,所述的进化操作包括选择,交叉,变异和进化逆操作4个部分。
优选地,所述选择部分中,采用轮盘赌的选择算法进行种群的选择。
优选地,所述交叉部分中,采用相邻俩个体在俩个随机位置进行数据互换的方式进行。
本发明的优点及有益效果:本发明提出了一种通过地物的稀疏形状点,自动生成地物地面轮廓的方法,进一步来说,该方法可以适用于任意的封闭区域的描述,从而对某一区域进行面积等数量的统计;另外,本发明回避了搜索中采用暴力法搜索的时间缺陷和贪婪算法的精度缺陷,可以在时间和精度之间达到平衡,最后,由于遗传算法有着较高的鲁棒性,非常适用于现实世界复杂区域的勾画。
附图说明
图1为本发明遗传算法的建筑物地面轮廓描述优化方法的流程示意图;
图2为a)、b)俩种自相交连线情形;
图3为自相交转换为非自相交举例;
图4为自相交转换为非自相交;
图5为相邻向量间-的夹角;
图6为封闭多边形的角度;
图7为两种不同的连线方案;
图8为交叉操作的示意图;
图9为能量函数对比图;
图10为时间函数对比图。
具体实施方式
下面将结合本发明中的附图,对本发明的技术方案进行清楚、完整地描述。本发明提出了利用人工地物稀疏形状点自动生成地物轮廓,如图1的流程图所示,本发明中的方法基本步骤为:
S1,对测量得到的地物稀疏形状点依次标记为1,2,3……n,其中n为稀疏形状点的个数,这n个数的一种排列,对应着n个稀疏形状点的一种排列,将稀疏形状点排列中的相邻稀疏形状点相连,并且将排列中的稀疏形状点的首尾相连,则形成地物的一种封闭连线方案,将这n个数的一种排列作为遗传算法种群的一个个体;
S2,初始化设计,设置初始种群以及控制参数;
S3,设计适应度函数,并且计算初始种群中每个个体的适应度值;
S4,进行进化操作,得到进化后的种群;
S5,寻找进化后适应度最大和最小的个体,用适应度最好的个体取代适应度最差的个体,得到最终一次进化后的种群;
S6,判断是否达到预定的进化次数,若是,则选择适应度最好的个体,作为最终区域测量点的连线方案;否则,直接跳转到步骤S4;
下面对本发明的方案做进一步的说明。
步骤S1和S2中涉及编码和初始化:我们将地物区域测量到的点标记为1,2,3…n,种群中的每一个个体的编码是1,2,3….n的一个随机排列,然而,如图2a)、b)所示,随机排列连线可能会出现连线发生自相交的可能,因此这里采用了一种映射,将自相交的序列转变为非自相交的序列,简单的举例如图3所示,现在给出一种映射算法记为inter2not(),该算法将自相交的序列转变为非自相交的序列。算法如下:
Step1:对于n(n>=4)个点的一种连线序列,将第一个点增加到n个点之后形成一个n+1个点组成的新序列,我们定义其相应的索引是:[1,2,3……n,n+1],并且定义[k,k+1]表示由第k个顶点指向第k+1个顶点的线段,令i=1,j=i+2执行Step2;
Step2:如果j<n检验[i,i+1]边和[j,j+1]边是否存在相交。如果没有相交,j=j+1,执行Step2;如果存在自相交,将第i+1个顶点和第j个顶点交换,形成一个新的顶点序列,执行Step1;如果j=n,说明了[1,2]和其他边没有交点,令i=i+1,j=j+2执行Step3;
Step3:当i>1且i<n-2时,如果j<n+1检验[i,i+1]边和[j,j+1]边是否存在相交。如果没有相交,j=j+1,执行Step3;如果存在自相交,将第i+1个顶点和第j个顶点交换,形成一个新的顶点序列,执行Step1;如果j=n+1,令i=i+1,j=i+2,执行Step3,若i=n-2说明了任意俩个不相邻的边都没有交点,因此便生成了一个不自相交的序列,算法结束。
图4给出了该映射算法的图示说明。表1给出了初始时刻控制参数:
表1 控制参数
步骤S3中根据适应度函数计算种群中每个个体的适应度值:其中,适应度函数用来衡量染色体对应的解的好坏情况,该函数的设计思想是,如图5所示,依据实际地物的状况,我们期望θ的值接近0度或者90度,而不能非常接近180度,依照这种想法,我们初步定义对于单个角度(即图5中AB向量和BC向量的角度,一定是0-180度之间的),其对整体能量函数J的贡献
对于一个封闭多边形如图6所示,我们可以初步考虑能量函数:
两相邻边向量的夹角集合
另一方面,角度最优时的情况可能不止一种,图7给出了相同特征点的俩种连线方案图:
可以发现图7.1和7.2有着相似的能量函数,但是直观上可能图7.1存在的可能性多一点(并不是说没有图7.2的可能)。
因此这里的能量函数,考虑加入距离项
其中n表示点的个数,di,i+1表示相邻的顶点i和i+1之间的线段长,dn,n+1=dn,1因此最终所定义的能量函数为:
J=Jangle×Jdistance
而适应度函数
步骤S4涉及种群的进化过程:
该步骤通过选择,交叉,变异和进化逆转操作得到新一代的种群。
1、选择操作(Select)
适应度函数定义为其中J=Jangle×Jdistance每一个个体被选中的概率为
接下来利用轮盘赌法进行选择,从而实现适应度较大的个体较大概率被选择。
2、交叉操作(Cross)
这里定义交叉概率pcross=0.4,交叉是这样进行的:对于每个i=1,2,3……..[sizepop/2],产生一个0-1的随机数,如果该随机数<pcross,则将第2i-1个个体和第2i个个体进行交叉,其中俩个个体进行交叉的过程举例说明如下:
如图8,对于五个稀疏形状点的连线,首先随机选择俩个交叉位置,交叉位置在1—5之间,例如某一次,我们选择了俩个位置,2,4,因此将上2-4俩个位置之间的元素逐一替换,然而这样会出现重复,如图所示,我们可以把每一行重复的元素替换为上一次替换出去的元素,最终上述过程将俩个位置当中的元素进行了交换,每次交叉完后要对交叉的俩个个体执行inter2not()函数,将其转化为非自相交个体。
3、变异操作(Mutation)
这里我们定义的变异概率pmutation=0.1,变异是这样进行的:对于i=1,2,3……..sizepop产生一个0-1的随机数,如果该随机数<pmutation,则将第i个个体产生变异,其中每一个个体变异的过程举例说明如下:
1,|2|,3,|4|,5首先随机选择俩个变异位置,变异位置在1—5之间,例如位置2和4,然后将这俩个位置的数据交换变成1,4,3,2,5。每次变异完后要对变异的个体执行inter2not()函数,将其转化为非自相交个体。
4、进化逆转操作(Reverse)
也称翻转过程,翻转是这样进行的:对于每个i=1,2,3……..sizepop,将第i个个体进行翻转。翻转过程是选优的过程,如果翻转后的个体没有原个体适应度好,则不发生翻转,而交叉和变异都是强制性过程,到达一定的概率必须得改变个体。翻转的过程举例说明如下:
1,|2,3,4|,5首先随机选择俩个翻转位置,翻转位置在1—5之间,例如位置2和4,把这俩个位置之间的元素倒转。变成了1,4,3,2,5每次翻转完后要对翻转的个体执行inter2not函数,将其转化为非自相交个体。之后判断翻转之后的个体适应度是否有所提高,如果提高,置换原个体,如果没有提高,则保持原个体不变。
步骤S5用进化后适应度最好的个体置换适应度最差的个体,从而保证种群整体性能的提高,最终完成一轮进化。
需要注意的是,达到最优解的所需遗传代数并不知道,因此,实际中常常将最大代数预先固定。
下面给出了本方法与暴力搜索以及直接遗传算法搜索的对比。
图9和图10分别给出了三种搜索策略的能量函数以及时间函数对比图,其中能量越大表示搜索出的封闭路劲越差。时间函数越大,表示搜索耗费时间越长,效率越差。
1、暴力搜索:暴力搜索:这种搜索方式就是对每一个排列进行搜索,对于n个点,我们知道这样的排列有n!个,但是形成一个闭环的时候,第一个点可以随机给定,此时得搜索(n-1)!次,暴力搜索法的最大优势就在于它可以得到全局最优,可是显而易见,其搜索成本是非常大的。
2、直接遗传算法:直接对连线顺序寻优,不执行inter2not()函数,如果随机连线顺序出现自相交,我们则给予一个较大的能量函数,作为对比实验,能量函数取:
通过实验的对比发现,优化后的遗传算法有着非常好的能量函数,当点的个数很少时,几乎就是最优解,而直接遗传算法的效果随着点的个数增加就非常不稳定。暴力搜索虽然可以得到全局最优解,但是其时间的爆炸性增长趋势,决定了它只能解决非常小规模的问题,而遗传算法则有着非常好的时间特性,尽管优化之后的遗传算法时间略大于直接遗传算法,但是其非常高的精度决定了它在实践中的应用价值。本发明提出了一种通过建筑物的稀疏特征点,实现建筑物轮廓描述的方法,进一步来说,该方法可以适用于任意的封闭区域的描述,从而对某一区域进行面积等数量的统计;另外,本发明回避了搜索中采用暴力法搜索的时间缺陷和贪婪算法的精度缺陷,可以再时间和精度之间达到平衡,最后,由于遗传算法有着较高的鲁棒性,非常适用于显示世界复杂区域的勾画。
Claims (6)
1.一种利用人工地物稀疏形状点自动生成地物轮廓的方法,其特征在于,将基于遗传算法的地物轮廓方法,应用于建筑物地物区域描述系统中,经过遗传算法的逐代寻优操作,准确的搜索出较佳的封闭连线方案,形成地物的轮廓区域,包括以下步骤:
S1,对测量得到的地物稀疏形状点依次标记为1,2,3……n,其中n为稀疏形状点的个数,这n个数的一种排列,对应着n个稀疏形状点的一种排列,将稀疏形状点排列中的相邻稀疏形状点相连,并且将排列中的稀疏形状点的首尾相连,则形成地物的一种封闭连线方案,将n个稀疏形状点对应的n个数的一种排列顺序作为种群的个体;
S2,初始化设计,设置初始种群以及控制参数;
S3,设计适应度函数,并且计算初始种群中每个个体的适应度值:
其中:J=Jangle×Jdis tan ce J表示n个标记一种排列顺序的总能量
其中n表示点的个数,di,i+1表示相邻的
顶点i和i+1之间的线段长,dn,n+1=dn,1
S4,进行进化操作,得到进化后的种群;
S5,寻找进化后适应度最大和最小的个体,用适应度最好的个体取代适应度最差的个体,得到最终一次进化后的种群;
S6,判断是否达到预定的进化次数,若是,则选择适应度最好的个体,作为最终区域测量点的连线方案;否则,直接跳转到步骤S4。
2.根据权利要求1所述的利用人工地物稀疏形状点自动生成地物轮廓的方法,其特征在于,步骤S2中,初始化设置的控制参数包括种群大小、遗传代数、交叉概率和突变概率。
3.根据权利要求1所述的利用人工地物稀疏形状点自动生成地物轮廓的方法,其特征在于,步骤S2中,其中种群中每一个个体的设计采用了一种映射操作:随机化1,2,3…n的一个排列,然后将这个随机排列通过映射算法映射到这n个数的另外一种排列方案中。
4.根据权利要求1所述的利用人工地物稀疏形状点自动生成地物轮廓的方法,其特征在于,步骤S4中,所述的进化操作包括选择,交叉,变异和进化逆转操作。
5.根据权利要求4所述的利用人工地物稀疏形状点自动生成地物轮廓的方法,其特征在于,所述选择操作,采用轮盘赌的选择算法进行种群的选择。
6.根据权利要求4所述的利用人工地物稀疏形状点自动生成地物轮廓的方法,其特征在于,所述交叉操作,采用相邻俩个个体在俩个随机位置进行数据互换的方式进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410835540.1A CN104504444B (zh) | 2014-12-29 | 2014-12-29 | 一种利用人工地物稀疏形状点自动生成地物轮廓的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410835540.1A CN104504444B (zh) | 2014-12-29 | 2014-12-29 | 一种利用人工地物稀疏形状点自动生成地物轮廓的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504444A CN104504444A (zh) | 2015-04-08 |
CN104504444B true CN104504444B (zh) | 2017-06-16 |
Family
ID=52945839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410835540.1A Expired - Fee Related CN104504444B (zh) | 2014-12-29 | 2014-12-29 | 一种利用人工地物稀疏形状点自动生成地物轮廓的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504444B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678844B (zh) * | 2016-01-06 | 2018-04-24 | 东南大学 | 一种基于地物散乱点逐点增加的轮廓构建方法 |
CN112700464B (zh) * | 2021-01-15 | 2022-03-29 | 腾讯科技(深圳)有限公司 | 地图信息的处理方法、装置、电子设备以及存储介质 |
-
2014
- 2014-12-29 CN CN201410835540.1A patent/CN104504444B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
Optimal path finding algorithms based on SLSD road network model;Zhang Xiaoguo;《Journal of Southeast University》;20101231;第26卷(第4期);全文 * |
基于遗传算法的封闭轮廓最小面积凸包围盒生成算法;刘云等;《孝感学院学报》;20070331;第27卷(第3期);全文 * |
遗传算法在快速成形轮廓路径规划中的应用;杨伟东等;《计算机辅助设计与图形学学报》;20051031;第17卷(第10期);正文第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104504444A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102819663B (zh) | 一种基于优化的支持向量回归参数的船舶航迹预测方法 | |
CN102855387B (zh) | 一种基于小生境粒子群的二维空间多路径规划方法 | |
CN105447235A (zh) | 一种土地未来利用情景动态模拟方法 | |
CN102788581B (zh) | 一种基于改进的微分进化算法的船舶航路规划方法 | |
CN110909924B (zh) | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 | |
CN104914835A (zh) | 一种柔性作业车间调度多目标的方法 | |
Weerasuriya et al. | Performance evaluation of population-based metaheuristic algorithms and decision-making for multi-objective optimization of building design | |
CN103810101A (zh) | 一种软件缺陷预测方法和软件缺陷预测系统 | |
CN104899446A (zh) | 基于数据驱动的脉动风速模拟方法 | |
CN104700160A (zh) | 一种车辆路径优化方法 | |
CN106934722A (zh) | 基于k节点更新与相似度矩阵的多目标社区检测方法 | |
CN106096728A (zh) | 一种基于深层极限学习机的危险源识别方法 | |
CN105678401A (zh) | 一种基于策略适应性差分进化的全局优化方法 | |
CN105335619A (zh) | 适用于高计算代价数值计算模型参数反分析的协同优化法 | |
CN106127330A (zh) | 基于最小二乘支持向量机的脉动风速预测方法 | |
CN107145943A (zh) | 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法 | |
Ueno et al. | Computerized adaptive testing based on decision tree | |
CN107273818A (zh) | 遗传算法融合差分进化的选择性集成人脸识别方法 | |
CN104504444B (zh) | 一种利用人工地物稀疏形状点自动生成地物轮廓的方法 | |
CN106097351A (zh) | 一种基于多目标的自适应阈值图像分割方法 | |
CN105740949A (zh) | 一种基于随机性best策略的群体全局优化方法 | |
CN105550711A (zh) | 一种基于萤火虫算法的选择性集成学习方法 | |
Feng et al. | An optimised cellular automata model based on adaptive genetic algorithm for urban growth simulation | |
CN106508027B (zh) | 基于遗传算法的部署图点军标自动避让方法 | |
CN103995750B (zh) | 一种多Agent系统非对称分布式约束优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170616 |