CN106886156A - 基于二进制多目标粒子群算法的供水管网关阀方法 - Google Patents
基于二进制多目标粒子群算法的供水管网关阀方法 Download PDFInfo
- Publication number
- CN106886156A CN106886156A CN201710305985.2A CN201710305985A CN106886156A CN 106886156 A CN106886156 A CN 106886156A CN 201710305985 A CN201710305985 A CN 201710305985A CN 106886156 A CN106886156 A CN 106886156A
- Authority
- CN
- China
- Prior art keywords
- valve
- particle
- search
- binary system
- swarm algorithm
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Pipeline Systems (AREA)
Abstract
本发明公开了一种基于二进制多目标粒子群算法的供水管网关阀方法。本发明首先按异常位置划定搜索区域。其次找出搜索区域内阀门,包括所有的阀门位置和个数。然后确立二进制多目标粒子群算法优化模型,令每个阀门对应一个粒子,阀门的位置对应粒子的位置,进行初始化种群及编码、确定粒子初始值和粒子速度和位置更新。最后求解上述优化模型,生成关阀方案。本发明能在异常情况下快速、有效的确定供水管网关阀方案以隔离异常点,相比于调度员查询图纸、依靠经验确定关阀方案,提高了关阀速度和准确性,且避免GIS软件专门针对关阀而建立网络拓扑机制所耗费大量的人工校核。
Description
技术领域
本发明属于城市供水领域,具体是一种基于二进制多目标粒子群算法(BinaryMulti-Objective Particle Swarm Optimization,BMOPSO)的供水管网关阀方法。
背景技术
爆管、漏损等异常情况在供水管网中普遍存在,爆管的不确定性、突发性、规模大以及漏损的持续时间长、不易察觉、规模小等特点会对日常工业生产、居民用水产生巨大影响。因此,如何找到一种快速、有效的关阀方法对供水管网异常情况下的处理以及平稳运行有着重要的意义和作用。
然而实际的供水管网拓扑结构复杂,管道盘根交错,阀门的种类众多,因此确定快速、有效的关阀方案难度较大。目前,供水管网的关阀方法主要有两种:一种是调度员查询图纸、依靠经验确定关阀方案;另一种是依靠地理信息系统(GIS)在管网资料基础上确定关阀方案。前者速度慢、工作量大、准确性差,容易因为人为因素对管网关阀进行误判,导致关阀方案对实际情况不适用;后者由于许多常用的GIS软件没有专门建立网络拓扑机制,因此,关阀分析效率低,且欠准确。如果GIS软件专门建立网络拓扑机制,则需要耗费大量的人工进行校核。
有鉴于此,本发明针对供水管网关阀方法的需要,提出了一种基于二进制多目标粒子群算法的供水管网关阀方法,减少了传统关阀的工作量,保证了关阀的快速性、有效性。
发明内容
本发明的目的在于克服现有方法的不足,提出了一种基于二进制多目标粒子群算法的供水管网关阀方法,能够实现在拓扑结构供水管网的众多阀门中快速、有效的确定关阀方案,从而降低对管网的影响。
本发明采取了以下步骤:
(一)按异常位置划定搜索区域
根据实际出现爆管、漏损等异常情况,在供水管网水力模型中根据二维坐标(横、纵坐标)确定异常位置,然后以异常位置为中心,按长度L宽度W得到搜索区域。L、W初始值须大于400m。
(二)找出搜索区域内阀门
根据划定的搜索区域内各个树状结构、环状结构,找出所有的阀门位置和个数。
(1)树状结构
根据关阀位置所在管段向管段两端查找阀门,然后再通过树状的分支查找下一管段上的阀门,以此类推,直到找出搜索区域内所有分支上的阀门为止。
(2)环状结构
根据关阀位置所在管段向环状管段两侧查找阀门,依次遍数阀门的个数,直到在搜索区域内查找的路径完全闭合。
(三)确立关阀BMOPSO优化模型
根据步骤(二)找出搜索区域内所有阀门,令每个阀门对应一个粒子,阀门的位置对应粒子的位置。
(1)初始化种群及编码
种群是粒子的集合,初始化种群Pt={p1,p2,…,pn},对种群中粒子p位置x={x1,x2,…,xi,…,xm}进行二进制编码,其中1表示阀门状态为关闭,反之0表示开启,位置xi编码方式如下:
其中:n为种群数,t为种群代数,m为位置数,rand为0~1之间的随机数。(2)确定粒子初始值
分别确定粒子初始速度、粒子初始最好位置p_best,粒子初始非劣解g_best。粒子初始速度一般设为0的向量,粒子初始最好位置p_best、粒子初始非劣解g_best由适应度函数f(x)得到,其中Ci=f(xi),Ci表示粒子p位置xi对应的适应度。适应度函数包括两部分f=[f1 f2]。其中,f1表示关阀位置流量flow,f2表示粒子位置xi的和。即:
min f1=flow
(3)粒子速度和位置更新
更新每个粒子的速度、位置以及最好位置p_best,得到更新后的Pt+1。具体公式如下:
vi(t+1)=wvi(t)+c1rand×(p_besti-xi)+c2rand×(p_besti-xi)
w=w×wd
其中:w和wd分别为惯性常数和惯性常数衰减率,c1和c2为正的常数。
为更好的保持粒子的多样性,BMOPSO采用自适应变异,变异公式如下:
其中:l表示当前迭代数,S表示当前迭代次数,ρ表示当前迭代次数的变异概率,μ表示变异概率为常数。
(四)求解BMOPSO优化模型,生成关阀方案
根据(三)中对粒子位置和速度的更新进行迭代,将粒子位置对应的阀门状态在水力模型中的阀门开关状态进行设置(1表示阀门状态为关闭,反之0表示开启),并进行单步离线模拟,然后判断是否达到给定的迭代次数,若未达到,继续更新粒子速度和位置,给出新的非劣解再进行单步离线模拟;若达到迭代次数得到的非劣解后,根据目标函数(适应度函数)计算非劣解中关阀位置流量以及关阀数量和,设置流量最小情况下关阀数量和最小为优选条件,得到最终关阀位置。若根据目标函数(适应度函数)值无法确定关阀位置,则扩大搜索长度L和宽度W,重新划定搜索区域,重新执行步骤(二),输出关阀方案。
本发明有益效果:本发明供水管网关阀方法能在异常情况下快速、有效的确定供水管网关阀方案以隔离异常点,相比于调度员查询图纸、依靠经验确定关阀方案,提高了关阀速度和准确性,且避免GIS软件专门针对关阀而建立网络拓扑机制所耗费大量的人工校核。
附图说明
图1:本发明方法流程图;
图2:本发明实施例待关阀位置分布图;
图3:本发明实施例非劣解分布图。
具体实施方式
为使本发明实现的技术手段与创作特征易于明白,下面结合附图和实施例,对本发明的实现方式进一步详述,并不限制本发明的权利范围。
本实施例以S市核心城区供水管网模型为例,为使实例更具普遍性,通过选取供水管网模型中四根管径不同的管段作为异常位置,异常位置在管网中位置见图二中的空白方块区,具体位置信息见表一所示。
表一 异常位置信息
实验编号 | 管道ID | 模拟位置横坐标(m) | 模拟位置纵坐标(m) | 管径(mm) |
1 | 754327 | 58817.08 | 19848.95 | 1000 |
2 | 787836 | 55448.74 | 23191.67 | 800 |
3 | 751309 | 57636.76 | 19395.64 | 600 |
4 | 788266 | 56177.30 | 20216.28 | 400 |
(一)按异常位置划定搜索区域
根据表一异常位置的信息,结合异常位置在供水管网模型中的坐标分布,为具有普遍性,四个实验根据异常率变化明显的测点分别划定出大小不同的搜索范围,实验一划定搜索范围为1000×1000的矩形(正方形),实验二划定搜索范围为1200×400的矩形,实验三划定搜索范围为600×800的矩形,实验四划定搜索范围为400×1200的矩形。具体坐标范围见表二。
表二 搜索范围坐标
(二)找出搜索区域内阀门
结合供水管网模型以及EPANET软件,在相应的搜索范围内,根据树状结构或环状结构在搜索区域内的分布情况,获取符合范围坐标的阀门的位置以及阀门的数量,其中在实验1搜索区域内阀门数量为204个,实验2搜索区域内阀门数量为71个,实验3搜索区域内阀门数量为623个,实验4搜索区域内阀门数量为652个。
(三)确立关阀BMOPSO优化模型
(1)初始化种群及编码
根据(二)在各个搜索区域内的阀门数量,实验1中的204个阀门作为一个种群,实验2中71个阀门作为一个种群,实验3中623个阀门作为一个种群,实验4中652个阀门作为一个种群。对每个种群内阀门的位置xi进行编码,编码方式如下:
说明:n为种群数,t为种群代数,m为位置数,rand为0~1之间的随机数。
其中:种群数n=300,种群代数t=100,位置数m为每个实验搜索出的阀门位置数。
(2)确定粒子初始值
粒子初始速度为向量,为是后续的速度易于表示,初始速度定为0的向量。粒子初始最好位置p_best、粒子初始非劣解g_best由适应度函数f(x)得到,其中Ci=f(xi),Ci表示粒子p位置xi对应的适应度。适应度函数包括两部分f=[f1 f2]。其中,f1表示关阀位置流量flow,f2表示粒子位置xi的和。即:
min f1=flow
其中:初始最好位置p_best,粒子初始非劣解g_best见图三黑色圆圈分布。(3)粒子速度和位置更新
根据(2)对粒子初始值设定,为达到种群数,对粒子位置和速度以及最好位置p_best进行更新。公式如下:
vi(t+1)=wvi(t)+c1rand×(p_besti-xi)+c2rand×(p_besti-xi)
w=w×wd
说明:w和wd分别为惯性常数和惯性常数衰减率,c1和c2为正的常数。
为更好的保持粒子的多样性,BMOPSO采用自适应变异,变异公式如下:
其中,l表示当前迭代数,S表示当前迭代次数,ρ表示当前迭代次数的变异概率,μ表示变异概率为常数。
这里,迭代次数S=200,惯性常数w=0.5和惯性常数衰减率wd=0.9,常数c1=1和c2=2,自适应变异概率μ=0.1,非劣解最大个数为Np=100。
(四)求解BMOPSO优化模型,生成关阀方案
根据(三)中对粒子位置和速度的更新进行迭代,将粒子位置对应的阀门状态在水力模型中进行设置(1表示阀门状态为关闭,反之0表示开启),并通过进行单步离线模拟得到关阀位置的流量,达到迭代次数后,得到四组实验的非劣解(如图3),图中横轴表示关阀位置流量值f1,纵轴表示关闭阀门个数f2,圆圈黑色表示所有样本的适应度值,星型标记表示非劣解的适应度值。由于采用的粒子群算法为多目标算法,得到的最终解并不是唯一的最优解而是得到非劣解,所以根据目标函数(综合适应度)设置流量最小前提下粒子位置数量和最小为优选条件,得到最终的关阀方案见表三。
表三 关阀方案
由此,本发明专利解决了以往关阀方法的工作量大、速度慢、关阀准确性差等问题,并且本发明方法不仅适用于本实施例,在供水管网关阀方法上具有普遍性。
Claims (8)
1.基于二进制多目标粒子群算法的供水管网关阀方法,其特征在于该方法具体是:
步骤(一)按异常位置划定搜索区域:
根据实际出现爆管、漏损的异常情况,在供水管网水力模型中根据二维坐标确定异常位置,然后以异常位置为中心,按得到搜索区域;
步骤(二)找出搜索区域内阀门:
根据划定的搜索区域内各个树状结构、环状结构,找出所有的阀门位置和个数;
步骤(三)确立二进制多目标粒子群算法优化模型:
根据步骤(二)找出搜索区域内所有阀门,令每个阀门对应一个粒子,阀门的位置对应粒子的位置,执行以下过程:
初始化种群及编码;
确定粒子初始值;
粒子速度和位置更新;
步骤(四)求解上述优化模型,生成关阀方案:
根据步骤(三)中对粒子位置和速度的更新进行迭代,将粒子位置对应的阀门状态在水力模型中的阀门开关状态进行设置,并进行单步离线模拟;
判断是否达到给定的迭代次数,若未达到,继续更新粒子速度和位置,给出新的非劣解再进行单步离线模拟;若达到迭代次数得到的非劣解后,根据目标函数计算非劣解中关阀位置流量以及关阀数量和,设置流量最小情况下关阀数量和最小为优选条件,得到最终关阀位置。
2.根据权利要1所述的基于二进制多目标粒子群算法的供水管网关阀方法,其特征在于:所述的搜索区域为矩形,其长度、宽度至少大于400米。
3.根据权利要1所述的基于二进制多目标粒子群算法的供水管网关阀方法,其特征在于:树状结构搜索阀门的方式为:根据关阀位置所在管段向管段两端查找阀门,然后再通过树状的分支查找下一管段上的阀门,以此类推,直到找出搜索区域内所有分支上的阀门为止。
4.根据权利要1所述的基于二进制多目标粒子群算法的供水管网关阀方法,其特征在于:环状结构搜索阀门的方式为:根据关阀位置所在管段向环状管段两侧查找阀门,依次遍数阀门的个数,直到在搜索区域内查找的路径完全闭合。
5.根据权利要1所述的基于二进制多目标粒子群算法的供水管网关阀方法,其特征在于:初始化种群及编码具体是:
种群是粒子的集合,初始化种群Pt={p1,p2,…,pn},对种群中粒子p位置x={x1,x2,…,xi,…,xm}进行二进制编码,其中1表示阀门状态为关闭,反之0表示开启,位置xi编码方式如下:
其中:n为种群数,t为种群代数,m为位置数,rand为0~1之间的随机数。
6.根据权利要5所述的基于二进制多目标粒子群算法的供水管网关阀方法,其特征在于:确定粒子初始值具体是:
分别确定粒子初始速度、粒子初始最好位置p_best,粒子初始非劣解g_best;粒子初始速度设为0的向量,粒子初始最好位置p_best、粒子初始非劣解g_best由适应度函数f(x)得到,其中Ci=f(xi),Ci表示粒子p位置xi对应的适应度;适应度函数包括两部分f=[f1f2];其中,f1表示关阀位置流量flow,f2表示粒子位置xi的和。
7.根据权利要6所述的基于二进制多目标粒子群算法的供水管网关阀方法,其特征在于:为更好的保持粒子的多样性,二进制多目标粒子群算法采用自适应变异,变异公式如下:
其中:l表示当前迭代数,S表示当前迭代次数,ρ表示当前迭代次数的变异概率,μ表示变异概率为常数。
8.根据权利要6所述的基于二进制多目标粒子群算法的供水管网关阀方法,其特征在于:若根据适应度函数值无法确定关阀位置,则扩大搜索长度和宽度,重新划定搜索区域,重新执行步骤(二),输出关阀方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710305985.2A CN106886156B (zh) | 2017-05-03 | 2017-05-03 | 基于二进制多目标粒子群算法的供水管网关阀方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710305985.2A CN106886156B (zh) | 2017-05-03 | 2017-05-03 | 基于二进制多目标粒子群算法的供水管网关阀方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106886156A true CN106886156A (zh) | 2017-06-23 |
CN106886156B CN106886156B (zh) | 2019-09-24 |
Family
ID=59183708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710305985.2A Active CN106886156B (zh) | 2017-05-03 | 2017-05-03 | 基于二进制多目标粒子群算法的供水管网关阀方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886156B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717584A (zh) * | 2018-05-11 | 2018-10-30 | 同济大学 | 一种供水管网多目标分区方法 |
CN108876066A (zh) * | 2018-09-04 | 2018-11-23 | 常州英集动力科技有限公司 | 热网解列运行方案实时优化方法及其系统 |
CN110187641A (zh) * | 2019-07-12 | 2019-08-30 | 杭州电子科技大学 | 一种城市水务管网供水系统在外加扰动输入下的控制方法 |
CN110334850A (zh) * | 2019-05-30 | 2019-10-15 | 中国地质大学(武汉) | 一种供水管网阀门布局设计和优化方法 |
CN111027730A (zh) * | 2019-11-19 | 2020-04-17 | 浙江大学 | 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法 |
CN112926164A (zh) * | 2021-02-22 | 2021-06-08 | 广东工业大学 | 一种多水源供水管网系统输配格局优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183895A (zh) * | 2011-03-24 | 2011-09-14 | 杭州电子科技大学 | 一种新型的排水管网水力学系统建模与控制方法 |
CN102622482A (zh) * | 2012-03-06 | 2012-08-01 | 中国科学院工程热物理研究所 | 一种基于二进制粒子群算法的风机优化布置方法 |
CN103249055A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于二进制粒子群算法的无线传感器网络节点分层调度方法 |
CN104866899A (zh) * | 2015-06-17 | 2015-08-26 | 山东省环境保护科学研究设计院 | 一种基于城市供水管网水力模型校核的漏失检测方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
CN106300344A (zh) * | 2016-09-07 | 2017-01-04 | 南京工程学院 | 一种基于改进二进制粒子群优化算法的配电网重构方法 |
CN106502092A (zh) * | 2016-10-21 | 2017-03-15 | 东南大学 | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 |
-
2017
- 2017-05-03 CN CN201710305985.2A patent/CN106886156B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183895A (zh) * | 2011-03-24 | 2011-09-14 | 杭州电子科技大学 | 一种新型的排水管网水力学系统建模与控制方法 |
CN102622482A (zh) * | 2012-03-06 | 2012-08-01 | 中国科学院工程热物理研究所 | 一种基于二进制粒子群算法的风机优化布置方法 |
CN103249055A (zh) * | 2013-04-25 | 2013-08-14 | 中山大学 | 基于二进制粒子群算法的无线传感器网络节点分层调度方法 |
CN104866899A (zh) * | 2015-06-17 | 2015-08-26 | 山东省环境保护科学研究设计院 | 一种基于城市供水管网水力模型校核的漏失检测方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
CN106300344A (zh) * | 2016-09-07 | 2017-01-04 | 南京工程学院 | 一种基于改进二进制粒子群优化算法的配电网重构方法 |
CN106502092A (zh) * | 2016-10-21 | 2017-03-15 | 东南大学 | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
SOROUDI A,等: "Binary PSO-based dynamic multi-objective model for distributed generation planning under uncertainty", 《IET RENEWABLE POWER GENERATION》 * |
张春杰,等: "环节搜索算法在给水管网事故处理中的应用", 《中日给水技术国际交流会》 * |
黄源,等: "输配水管网系统中关阀水锤的优化控制研究", 《给水排水》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717584A (zh) * | 2018-05-11 | 2018-10-30 | 同济大学 | 一种供水管网多目标分区方法 |
CN108717584B (zh) * | 2018-05-11 | 2022-08-16 | 同济大学 | 一种供水管网多目标分区方法 |
CN108876066A (zh) * | 2018-09-04 | 2018-11-23 | 常州英集动力科技有限公司 | 热网解列运行方案实时优化方法及其系统 |
CN110334850A (zh) * | 2019-05-30 | 2019-10-15 | 中国地质大学(武汉) | 一种供水管网阀门布局设计和优化方法 |
CN110334850B (zh) * | 2019-05-30 | 2022-03-15 | 中国地质大学(武汉) | 一种供水管网阀门布局设计和优化方法 |
CN110187641A (zh) * | 2019-07-12 | 2019-08-30 | 杭州电子科技大学 | 一种城市水务管网供水系统在外加扰动输入下的控制方法 |
CN110187641B (zh) * | 2019-07-12 | 2021-12-14 | 杭州电子科技大学 | 一种城市水务管网供水系统在外加扰动输入下的控制方法 |
CN111027730A (zh) * | 2019-11-19 | 2020-04-17 | 浙江大学 | 一种基于阀门操作和在线用水计量的供水管网漏失高效定位方法 |
CN112926164A (zh) * | 2021-02-22 | 2021-06-08 | 广东工业大学 | 一种多水源供水管网系统输配格局优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106886156B (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886156A (zh) | 基于二进制多目标粒子群算法的供水管网关阀方法 | |
CN113128129A (zh) | 一种突发水污染正逆耦合溯源方法及系统 | |
CN105320809B (zh) | 一种针对风电场空间相关性的风速预测方法 | |
CN103426027B (zh) | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 | |
CN105676814B (zh) | 基于sfla‑svm的数字化水岛在线加药控制方法 | |
CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
CN103020709B (zh) | 基于人工蜂群和量子粒子群算法的一维水质模型参数率定方法 | |
CN110188383A (zh) | 一种基于选择性集成模型的电站scr脱硝建模方法 | |
CN104657596A (zh) | 一种基于模型迁移的大型新压缩机性能预测快速建模方法 | |
CN112149364B (zh) | 一种智慧人居环境气流组织优化方法 | |
Chen et al. | Particle swarm optimization based on genetic operators for sensor-weapon-target assignment | |
CN110751723B (zh) | 一种同一子流域河道网格演算次序编码方法 | |
CN105912822B (zh) | 海水脱硫装置脱硫效率的神经网络模拟方法 | |
CN102880754A (zh) | 基于遗传算法的土地利用分形维数作用尺度的识别方法 | |
CN102692491B (zh) | 基于分阶段禁忌寻优算法的土壤水分特征参数计算方法 | |
CN103106539A (zh) | 集输管网系统的优化方法 | |
CN103136410A (zh) | 干支管网布局优化模型的求解方法 | |
CN112560345B (zh) | 一种地下电力空间通风系统设计方法 | |
Wang et al. | Research on optimal operation of cascade pumping stations based on an improved sparrow search algorithm | |
CN105373846A (zh) | 基于分级策略的油气集输管网拓扑结构智能优化方法 | |
CN108957395A (zh) | 一种隧道内噪声免疫的移动目标三维定位方法 | |
CN104091012A (zh) | 基于群体行为环境敏感的虚拟根系构建方法 | |
CN103761308B (zh) | 一种基于自适应遗传算法的物化视图选择方法 | |
CN103106540A (zh) | 应用于粒子群的优化方法 | |
Sun et al. | Method of traceability of pollution source by machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |