CN107153889A - 水质采样巡航船路径规划最优化方法 - Google Patents
水质采样巡航船路径规划最优化方法 Download PDFInfo
- Publication number
- CN107153889A CN107153889A CN201710303020.XA CN201710303020A CN107153889A CN 107153889 A CN107153889 A CN 107153889A CN 201710303020 A CN201710303020 A CN 201710303020A CN 107153889 A CN107153889 A CN 107153889A
- Authority
- CN
- China
- Prior art keywords
- path
- algorithm
- sequence
- switching sequence
- particle
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Complex Calculations (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种水质采样巡航船路径规划最优化方法，涉及湖泊水质采样和路径规划技术领域。所述方法在湖面的二维坐标图上进行采样点的选取与部署；采用自适应粒子群优化算法，规划出采样点网络的最优路径。所述的自适应粒子群算法将自适应函数融合在粒子群算法中用以保留交换序，在路径更新的过程中引入自适应函数后算法自动删除μ值为0所对应的交换序，算法中d(i,j)与max/2的大小判断提高了算法的收敛速度，同时有效避免了算法陷入局部最优。本发明使路径规划的效果得到了很大的改善，即规划出的路径更短，节省了水质采样巡航船的电量消耗，使巡航船的续航能力更强，提高了巡航船采样作业的性能；并解决了路径规划方法总是快而不稳的问题。
Description
技术领域
本发明涉及湖泊水质采样和路径规划技术领域，具体是指一种水质采样巡航船路径规划最优化方法。
背景技术
水是人类宝贵且不可或缺的自然资源。由于我国水污染问题日益严重，水环境的保护已经被国家列为一项重点实施的政策。水环境的治理与保护需要进行水质监测，而水质采样是水质监测的重要组成部分，所以水质采样的效率直接影响水环境治理的效率。为了提高采样作业的效率，水质采样巡航船进行采样作业时，需要有一种能快速高效实现路径的规划的方法。一直以来，怎样高效的解决巡航船的路径规划问题是该领域的一个难题。目前有很多智能方法可以解决这类问题。粒子群算法是智能算法中运算最简单的一种，粒子群优化算法(PSO算法)是由Kennedy和Eberhart(见参考文献[1]：Kennedy J，EberhartR.Particle swarm optimization[C]//IEEE International Conference on NeuralNetworks，1995：1942-1948.)通过对鸟群社会行为的观察研究，提出的一种新颖的进化算法。PSO算法设置参数少，容易实现，可用于解决非线性、不可微和多峰值等复杂的优化问题，此外，该算法搜索效率高，收敛性能也很好。
发明内容
为了提高水质采样巡航船路径规划的速度，本发明将巡航船的路径规划问题简单转化为二维旅行商问题，用改进的粒子群优化算法规划点与点之间的路径，该方法可以结合实际情况实时规划出水质采样巡航船在所有采样点之间的最优行驶路径。
针对使用基本粒子群算法规划路径容易早熟和陷入局部最优的缺点，本发明提出了一种简单而高效的自适应粒子群算法，并提出了一种基于自适应粒子群算法的水质采样巡航船路径规划最优化方法，所述方法首先需要获取目标水域的采样点网络，然后用自适应粒子群算法对采样点网络进行采样点的路径规划，具体包括以下三步：
第一步：用无人机摄像头采集湖面的图像，然后进行图像处理，得到湖面的二维坐标图。
第二步：针对湖面的二维坐标图，利用粒子群算法进行采样点的选取与部署，选取出工作人员所期望的采样点网络。
第三步：采用自适应粒子群优化算法，规划出采样点网络的最优路径，输出优化路径。
其中，第三步所述的采用自适应粒子群算法得到路径最优解的步骤如下：
步骤3.1：根据湖面采样点网络的坐标信息，设定自适应粒子群算法的相关参数，包括种群大小、采样点个数、迭代次数、加速因子C1和加速因子C2和惯性权值W；
步骤3.2：初始化粒子种群产生随机路径序列，初始化所有粒子的速度产生随机交换序；
步骤3.3：计算所有采样点之间的距离，记录最大距离。
步骤3.4：根据C1，C2，W和引入的自适应函数μ值四个参数自适应地保留路径交换序；
步骤3.5：根据保留的交换序进行路径更新；
步骤3.6：判断是否连续迭代20次路径长度保持不变，若是，则输出路径规划的结果；若否，判断是否达到最大迭代次数，若是，则输出路径规划的结果，若否则回转执行步骤3.4；
步骤3.4中，粒子群算法引入了自适应函数μ：
R＝max/2
将自适应函数融合在粒子群算法中用以保留交换序，在路径更新的过程中剔除相邻两点距离大于max/2的路径，Max代表相距最远的两采样点之间的距离，也就是步骤3.3计算出来的最大距离，第i个采样点的坐标可以表示为(Xi，Yi)，d(i,j)代表第i个采样点和第j个采样点之间的距离，引入自适应函数μ后算法自动删除μ值为0所对应的交换序，算法中d(i,j)与max/2的大小判断提高了算法的收敛速度，同时有效避免了算法陷入局部最优。
多个采样点形成的最优路径不可能包含这样一段路径，即相距最远的两个采样点连接在一起，这种情况下的路径序列一定不是最优路径。本发明基于这一点让粒子群算法引入自适应函数，在路径更新的时候剔除相邻两采样点距离长度离谱的随机路径，并删除相应的交换序。
步骤3.6中如果算法连续迭代20次路径长度一直保持不变则算法停止，该方法最大限度的减少了算法的运行时间，限制次数20是根据水质采样巡航船现场采样时的运行经验设计的，20次的设定值能同时保证算法的快速性和有效性。
本发明的优点在于：
(1)对获取的目标湖面图像进行图像处理，把湖面图像简单的处理成二维坐标图形，缩短了规划巡航船路径所需的时间。
(2)利用粒子群算法选取与部署采样点使得巡航船根据规划路径采样得到的水质更具有代表性，该方法可以任意设置采样点网络采样点的数目，显著提高了路径规划的灵活性。
(3)本发明用自适应粒子群算法搜索最优路径，通过自适应保留交换序的方法使路径规划的效果得到了很大的改善，即规划出的路径更短，因此节省了水质采样巡航船的电量消耗，使巡航船的续航能力更强，提高了巡航船采样作业的性能。
(4)因为粒子群算法简单而高效，本发明分步使用了两次粒子群算法，所以路径规划的速度较其他方法有很大的优势，路径规划的效果也更加稳定，解决了路径规划方法总是快而不稳的问题。
附图说明
图1为本发明中的水质采样巡航船路径规划流程图；
图2为本发明中的自适应粒子群算法保留交换序流程图。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明提供一种水质采样巡航船路径规划最优化方法，引入了一种保留交换序的自适应函数μ，粒子群算法引入此自适应函数后称为自适应粒子群算法，自适应粒子群算法能更加快速而高效的实现水质采样巡航船的路径规划。如图1所示流程，本发明提供的水质采样巡航船路径规划方法，具体包括如下步骤：
步骤一、采集湖面图像，进行图像处理，得到湖面的二维坐标图。
步骤二、针对湖面的二维坐标图，利用粒子群算法进行采样点的选取与部署，选取出工作人员所期望的采样点网络。
步骤三、采用自适应粒子群优化算法，规划出采样点网络的最优路径，输出优化路径，具体包括如下步骤：
(3.1)根据采样点网络中的采样点的坐标和个数n，设定自适应粒子群算法的种群大小为500，最大迭代次数为2000，加速因子C1设为0.5，加速因子C2设为0.7，惯性权值W随迭代次数的增加而递减。
(3.2)初始化粒子和粒子速度，初始化粒子产生路径种群，初始化粒子速度就是初始化交换序，设n个采样点的路径序列为S＝(ai)，i＝1,...n。定义交换子SE(i1,i2)为交换路径序列S中的两节点ai 1和ai 2的顺序，则S'＝S+SE(i1,i2)为解S经交换子SE(i1,i2)操作后的新解，符号“+”代表交换的意思，交换序就是交换子组成的有序队列。
(3.3)计算采样点之间的距离，记录最大距离；
计算任意的两个采样点之间的距离是自适应粒子群算法不可或缺的一步，是为了满足自适应粒子群算法适应度的需要，计算时自适应粒子群算法会自动保留最大的采样点间距max。
(3.4)保留交换序；
加速因子C1，加速因子C2，惯性权值W和引入的自适应函数μ值四个参数，都起到了保留交换序的作用，其中μ值分别同其他三个参数结合在一起按照顺序依次保留交换序。
惯性权值W定义如下：
W＝0.96-0.5×I/Imax
I为当前迭代次数，Imax为最大迭代次数，惯性权值W随着算法迭代次数的增加而减小，它是根据公式实时变化的。在粒子群算法中，惯性权值W负责保留上一代交换序，其大小控制着全局搜索能力与局部搜索能力之间的平衡，为了提高自适应粒子群算法的性能和收敛速度，设置惯性权值W随迭代次数的增加而递减。
自适应函数值μ定义如下：
自适应函数值融合在自适应粒子群算法中作为保留交换序的判断条件。
(3.5)根据步骤(3.4)中保留的路径交换序更新路径；
当前的路径根据得到的交换序进行路径序列的更新。路径的更新同交换序的保留一样分为三个步骤：
步骤一、根据加速因子C1和自适应函数μ保留的交换序更新路径，当前路径和对应交换序的交换子相加得到新的路径，这里的相加“+”如上文所述是交换的含义。
步骤二、继续根据加速因子C2和自适应函数μ保留的交换序更新路径，更新方法和步骤一相同。
步骤三、最后根据惯性权值W和自适应函数μ保留的交换序更新路径。更新方法和上述两个步骤相同。
(3.6)检查终止条件；
首先检查当前路径长度迭代20次后是否变化，如果无变化则终止迭代，并输出当前路径作为优化路径；如果路径变短则检查是否达到最大迭代次数，达到最大迭代次数则终止迭代，未达到最大迭代次数则返回步骤(3.4)。
本发明在步骤3.4中引入了自适应函数保留交换序，如图2所示流程，步骤如下：
步骤A、根据加速因子C1和μ保留粒子位置交换序；
加速因子C1是粒子对自身序列的作用因子，结合μ共同作用于交换序的保留。
步骤B、根据加速因子C2和μ保留粒子位置交换序；
加速因子C2是粒子对群体序列的作用因子，结合μ一起作用于交换序的选择，步骤A和步骤B依次保留粒子的位置交换序。
步骤C、根据W和μ保留粒子速度交换序；
结束步骤A和步骤B两个步骤的计算后，惯性权值W结合μ函数再共同作用于粒子速度交换序的保留，保留上一代粒子交换序。
Claims (4)
1.水质采样巡航船路径规划最优化方法，其特征在于：
第一步：用无人机摄像头采集湖面的图像，然后进行图像处理，得到湖面的二维坐标图；
第二步：针对湖面的二维坐标图，利用粒子群算法进行采样点的选取与部署，选取出工作人员所期望的采样点网络；
第三步：采用自适应粒子群优化算法，规划出采样点网络的最优路径，输出优化路径；
所述的采用自适应粒子群算法得到路径最优解的步骤如下：
步骤3.1：根据湖面采样点网络的坐标信息，设定自适应粒子群算法的相关参数，包括种群大小、采样点个数、迭代次数、加速因子C1和加速因子C2和惯性权值W；
步骤3.2：初始化粒子种群产生随机路径序列，初始化所有粒子的速度产生随机交换序；
步骤3.3：计算所有采样点之间的距离，记录最大距离；
步骤3.4：根据C1，C2，W和引入的自适应函数μ值四个参数自适应地保留路径交换序；
所述的自适应函数μ：
R＝max/2
将自适应函数融合在粒子群算法中用以保留交换序，在路径更新的过程中剔除相邻两点距离大于max/2的路径，Max代表相距最远的两采样点之间的距离，也就是步骤3.3计算出来的最大距离，第i个采样点的坐标表示为(Xi,Yi)，d(i,j)代表第i个采样点和第j个采样点之间的距离；
步骤3.5：根据保留的交换序进行路径更新；
步骤3.6：判断是否连续迭代20次路径长度保持不变，若是，则输出路径规划的结果；若否，判断是否达到最大迭代次数，若是，则输出路径规划的结果，若否则回转执行步骤3.4。
2.根据权利要求1所述的水质采样巡航船路径规划最优化方法，其特征在于：所述的惯性权值W定义如下：
W＝0.96-0.5×I/Imax
I为当前迭代次数，Imax为最大迭代次数。
3.根据权利要求1所述的水质采样巡航船路径规划最优化方法，其特征在于：步骤3.4中所述的保留路径交换序，步骤如下：
步骤A、根据加速因子C1和μ保留粒子位置交换序；
加速因子C1是粒子对自身序列的作用因子，结合μ共同作用于交换序的保留；
步骤B、根据加速因子C2和μ保留粒子位置交换序；
加速因子C2是粒子对群体序列的作用因子，结合μ一起作用于交换序的选择，步骤A和步骤B依次保留粒子的位置交换序；
步骤C、根据W和μ保留粒子速度交换序；
结束步骤A和步骤B两个步骤的计算后，惯性权值W结合μ函数再共同作用于粒子速度交换序的保留，保留上一代粒子交换序。
4.根据权利要求1所述的水质采样巡航船路径规划最优化方法，其特征在于：步骤3.5中所述的路径更新，当前的路径根据得到的交换序进行路径序列的更新，分为三个步骤：
步骤一、根据加速因子C1和自适应函数μ保留的交换序更新路径，当前路径和对应交换序的交换子相加得到新的路径，这里的相加“+”如上文所述是交换的含义；
步骤二、继续根据加速因子C2和自适应函数μ保留的交换序更新路径，更新方法和步骤一相同；
步骤三、最后根据惯性权值W和自适应函数μ保留的交换序更新路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710303020.XA CN107153889B (zh) | 2017-05-03 | 2017-05-03 | 水质采样巡航船路径规划最优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710303020.XA CN107153889B (zh) | 2017-05-03 | 2017-05-03 | 水质采样巡航船路径规划最优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107153889A true CN107153889A (zh) | 2017-09-12 |
| CN107153889B CN107153889B (zh) | 2020-07-17 |
Family
ID=59794285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710303020.XA Active CN107153889B (zh) | 2017-05-03 | 2017-05-03 | 水质采样巡航船路径规划最优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107153889B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110398249A (zh) * | 2019-07-23 | 2019-11-01 | 金陵科技学院 | 一种结合环境特征的用于自动巡航的路径规划方法 |
| CN111220786A (zh) * | 2020-03-09 | 2020-06-02 | 生态环境部华南环境科学研究所 | 一种深水沉积物有机污染快速监测方法 |
| CN111457927A (zh) * | 2020-04-26 | 2020-07-28 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
| CN113112065A (zh) * | 2021-04-09 | 2021-07-13 | 山东交通学院 | 一种海洋污染巡检采样多无人船路径规划方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722749A (zh) * | 2012-06-01 | 2012-10-10 | 哈尔滨工程大学 | 一种基于粒子群算法的自适应三维空间路径规划方法 |
| CN103297339A (zh) * | 2013-06-28 | 2013-09-11 | 河海大学常州校区 | 水下传感器网络中基于空间区域划分的路由方法 |
| CN104063745A (zh) * | 2014-04-21 | 2014-09-24 | 河海大学 | 基于改进粒子群算法的多路径规划方法 |
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| US20160124902A1 (en) * | 2014-10-31 | 2016-05-05 | International Business Machines Corporation | Accelerating particle-swarm algorithms |
| CN105760968A (zh) * | 2016-03-17 | 2016-07-13 | 河海大学 | 自主式水下移动平台北斗定位与巡航优化方法 |
-
2017
- 2017-05-03 CN CN201710303020.XA patent/CN107153889B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722749A (zh) * | 2012-06-01 | 2012-10-10 | 哈尔滨工程大学 | 一种基于粒子群算法的自适应三维空间路径规划方法 |
| CN103297339A (zh) * | 2013-06-28 | 2013-09-11 | 河海大学常州校区 | 水下传感器网络中基于空间区域划分的路由方法 |
| CN104063745A (zh) * | 2014-04-21 | 2014-09-24 | 河海大学 | 基于改进粒子群算法的多路径规划方法 |
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| US20160124902A1 (en) * | 2014-10-31 | 2016-05-05 | International Business Machines Corporation | Accelerating particle-swarm algorithms |
| CN105760968A (zh) * | 2016-03-17 | 2016-07-13 | 河海大学 | 自主式水下移动平台北斗定位与巡航优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHENG JIANGUO，WU DAQING，ZHOU LIANG: "Traveling Salesman Problem Using an Enhanced Hybrid Swarm Optimization", 《JOURNAL OF DONGHUA UNIVERSITY ( ENG． ED．）》 * |
| 黄岚等: "粒子群优化算法求解旅行商问题", 《吉林大学学报（理学版）》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110398249A (zh) * | 2019-07-23 | 2019-11-01 | 金陵科技学院 | 一种结合环境特征的用于自动巡航的路径规划方法 |
| CN110398249B (zh) * | 2019-07-23 | 2020-10-30 | 金陵科技学院 | 一种结合环境特征的用于自动巡航的路径规划方法 |
| CN111220786A (zh) * | 2020-03-09 | 2020-06-02 | 生态环境部华南环境科学研究所 | 一种深水沉积物有机污染快速监测方法 |
| CN111457927A (zh) * | 2020-04-26 | 2020-07-28 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
| CN111457927B (zh) * | 2020-04-26 | 2021-03-05 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
| CN113112065A (zh) * | 2021-04-09 | 2021-07-13 | 山东交通学院 | 一种海洋污染巡检采样多无人船路径规划方法 |
| CN113112065B (zh) * | 2021-04-09 | 2023-03-24 | 山东交通学院 | 一种海洋污染巡检采样多无人船路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107153889B (zh) | 2020-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109818865B (zh) | 一种sdn增强路径装箱装置及方法 | |
| CN107153889A (zh) | 水质采样巡航船路径规划最优化方法 | |
| CN110019106A (zh) | 一种智能电网的电力营销海量数据处理方法及系统 | |
| CN104125153B (zh) | 网络拓扑发现方法和设备 | |
| CN102315974A (zh) | 基于层次化特征分析的tcp、udp流量在线识别方法和装置 | |
| CN107105043B (zh) | 一种基于软件定义网络的内容中心网络缓存方法 | |
| CN109688056A (zh) | 智能网络控制系统及方法 | |
| CN106777449A (zh) | 基于二进制粒子群算法的配电网络重构方法 | |
| CN101478802A (zh) | 一种基于蜂群算法的自组织QoS路由方法 | |
| CN109889255A (zh) | 一种基于改进蜂群算法的卫星网络重构方法 | |
| CN114143264A (zh) | 一种SRv6网络下基于强化学习的流量调度方法 | |
| CN104199884B (zh) | 一种基于r覆盖率优先的社交网络观察点选取方法 | |
| CN103595652B (zh) | 一种电力通信网络中QoS能效的分级方法 | |
| CN112465301B (zh) | 一种基于差分隐私机制的边缘智能电网协作决策方法 | |
| CN110120892A (zh) | 基于改进的萤火虫算法的sdn多控制器部署方法及系统 | |
| CN107528731A (zh) | 应用于ns3并行仿真的网络分割优化算法 | |
| CN107832451A (zh) | 一种简化的大数据清洗方式 | |
| CN107911763B (zh) | 一种基于QoS的智能配用电通信网EPON网络规划方法 | |
| CN104680263B (zh) | 基于粒子群算法的电力运输网络拓扑结构设计方法 | |
| Hu et al. | A novel self-adaptation hybrid artificial fish-swarm algorithm | |
| CN107526808A (zh) | 实时数据处理方法及装置 | |
| Wang | Optimization of wireless network node deployment in smart city based on adaptive particle swarm optimization | |
| CN109858545A (zh) | 一种基于并行自然邻的局部核心点聚类算法 | |
| Cai et al. | A regular expression grouping algorithm based on artificial fish school algorithm | |
| Zhuang et al. | Accelerating nash q-learning with graphical game representation and equilibrium solving |
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 |