CN107297033B - 冻结笔形束的放射治疗笔形束权重优化加速方法和系统 - Google Patents
冻结笔形束的放射治疗笔形束权重优化加速方法和系统 Download PDFInfo
- Publication number
- CN107297033B CN107297033B CN201710570587.3A CN201710570587A CN107297033B CN 107297033 B CN107297033 B CN 107297033B CN 201710570587 A CN201710570587 A CN 201710570587A CN 107297033 B CN107297033 B CN 107297033B
- Authority
- CN
- China
- Prior art keywords
- freezing
- pencil beam
- period
- optimization
- generation
- 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.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明公开了一种冻结笔形束的放射治疗笔形束权重优化加速方法，包括：模型建立步骤：用户输入笔形束冻结模型参数，建立笔形束冻结模型，其中，所述笔形束冻结模型将优化过程划分为初始期、冻结期和解冻期，其中所述冻结期和解冻期交替出现，直到优化结束；冻结步骤：将每次优化计算后的笔形束权重输入所述笔形束冻结模型以计算笔形束权重变化率，在优化计算中每当进入冻结期时，判断笔形束权重变化率是否小于权重变化冻结阈值，若是，则输出笔形束冻结标记，使该笔形束在该冻结期内不参与优化计算、并在进入解冻期时参与优化计算。本方法可以有效加速优化计算，提高优化效率，具备较强实用性。
Description
技术领域
本发明属于医学物理领域，具体涉及一种冻结笔形束的放射治疗笔形束权重优化加速方法和优化加速系统。
背景技术
随着科技的发展和社会的进步，放射治疗方法得到广泛的应用和发展。
在外照射方式中，笔形束权重优化是放疗计划中的重要一环。如何快速优化笔形束权重，也是计划优化加速的重要内容。加速笔形束权重优化，对于制定光子放疗计划和质子放疗计划都有重要意义。在笔形束权重优化过程中，会出现较多笔形束重复多次低权重变化率迭代。在优化计算中，这些较低权重变化率的笔形束由于每次迭代计算权重变化较小，对整体计划改进无贡献，仅仅会增加优化计算计算量，降低优化计算速度。
目前，对于此类问题处理，主要是判断权重为零的笔形束，并排除权重为零的笔形束使之不参与优化计算。由于部分权重变化率较低的笔形束权重为零，因此以上方法无法处理低权重变化率且权重不为零的笔形束，不能从根本上解决问题。
在优化计算中，笔形束数量众多，优化时间长，因此优化计算加速方法极为重要。在优化过程中，特别是优化一段时间后存在的大量低权重变化率笔形束，极大地降低了优化速度。目前尚无相关文献对此类问题进行处理。
发明内容
本发明的目的在于提供一种冻结低权重变化率笔形束的放射治疗笔形束权重优化加速方法，以在不改变优化结果的前提下提高优化计算速度，实现快速计划优化。
本发明的目的还在于提供一种冻结低权重变化率笔形束的放射治疗笔形束权重优化加速系统，以在不改变优化结果的前提下提高优化计算速度，实现快速计划优化。
为此，本发明一方面提供了一种冻结笔形束的放射治疗笔形束权重优化加速方法，包括：模型建立步骤：用户输入笔形束冻结模型参数，建立笔形束冻结模型，其中，所述笔形束冻结模型将优化过程划分为初始期、冻结期和解冻期，其中所述冻结期和解冻期交替出现，直到优化结束，其中在所述冻结期内冻结权重变化率小于权重变化冻结阈值的笔形束，使该笔形束不参与优化运算，在解冻期内解冻所有笔形束，使得全部笔形束参与优化计算；以及冻结步骤：将每次优化计算后的笔形束权重输入所述笔形束冻结模型以计算笔形束权重变化率，在优化计算每当进入冻结期时，判断笔形束权重变化率是否小于权重变化冻结阈值，若是，则输出笔形束冻结标记，使该笔形束在该冻结期内不参与优化计算、并在进入解冻期时参与优化计算。
进一步地，上述用户输入的笔形束冻结模型参数包括：笔形束冻结模型启动代数n1，冻结期代数n2，解冻期代数n3，权重变化冻结阈值m1，其中n1>n3+n2。
进一步地，上述冻结期和解冻期交替出现包括：在笔形束冻结模型中，在经历过初始期n1代计算后才开始第一代冻结期，所述第一代冻结期持续n2代，即从第n1代到第n1+n2代，然后是第一代解冻期，所述第一代解冻期持续n3代，即从第n1+n2代到第n1+n2+n3代，冻结期与解冻期周期循环直到优化结束，一次循环周期持续n2+n3代，其中循环周期为正整数。
根据本发明的另一方面，提供了一种冻结笔形束的放射治疗笔形束权重优化加速系统，包括：模型建立模块：用于根据用户输入笔形束冻结模型参数来建立笔形束冻结模型，其中，所述笔形束冻结模型将优化过程划分为初始期、冻结期和解冻期，其中所述冻结期和解冻期交替出现，直到优化结束，其中在所述冻结期内冻结权重变化率小于权重变化冻结阈值的笔形束，使该笔形束不参与优化运算，在解冻期内解冻所有笔形束，使得全部笔形束参与优化计算；以及冻结模块：用于将每次优化计算后的笔形束权重输入所述笔形束冻结模型以计算笔形束权重变化率，在优化计算每当进入冻结期时，判断笔形束权重变化率是否小于权重变化冻结阈值，若是，则输出笔形束冻结标记，使该笔形束在该冻结期内不参与优化计算、并在进入解冻期时参与优化计算。
进一步地，上述用户输入的笔形束冻结模型参数包括：笔形束冻结模型启动代数n1，冻结期代数n2，解冻期代数n3，权重变化冻结阈值m1，其中n1>n3+n2。
进一步地，上述冻结期和解冻期交替出现包括：在笔形束冻结模型中，在经历过初始期n1代计算后才开始第一代冻结期，所述第一代冻结期持续n2代，即从第n1代到第n1+n2代，然后是第一代解冻期，所述第一代解冻期持续n3代，即从第n1+n2代到第n1+n2+n3代，冻结期与解冻期周期循环直到优化结束，一次循环周期持续n2+n3代，其中循环周期为正整数。
与现有技术相比，本发明的优点在于：通过冻结低权重变化率的笔形束，可以降低参与优化计算的笔形束数量；特别的，在优化计算后期，大部分笔形束的权重已经基本稳定，变化率都较小，应用笔形束冻结方法可以大幅度提高优化计算速度。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为根据本发明的放射治疗笔形束权重优化加速方法的流程图；
图2为根据本发明的放射治疗笔形束权重优化加速系统的结构框图；
图3为根据本发明的放射治疗笔形束权重优化加速方法的模型建立步骤的流程图；
图4为根据本发明的放射治疗笔形束权重优化加速方法的冻结步骤的流程图；
图5为根据本发明的放射治疗笔形束权重优化加速方法在一次计算中笔形束权重变化率统计示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明的基于笔形束冻结的笔形束权重优化加速方法，通过用户输入参数建立笔形束冻结模型，该笔形束冷冻模型将优化过程划分为初始期、冻结期和解冻期：在冻结期内冻结权重变化率较小的笔形束，使低权重变化率笔形束不参与优化运算，降低优化计算运算量，加快优化计算速度；在解冻期内解冻所有笔形束，使得全部笔形束参与优化计算，使得笔形束冻结方法不影响优化计算结果；解冻期与冻结期相关结合，交替出现，有效降低优化计算量，且不影响最终计算结果。因此，本方法可以有效加速优化计算，提高优化效率，具备较强实用性。
图1至图5示出了根据本发明的一些实施例。
如图1所示，冻结笔形束的放射治疗笔形束权重优化加速方法包括以下步骤：
模型建立步骤S10：用户输入笔形束冻结模型参数，建立笔形束冻结模型，其中，所述笔形束冻结模型将优化过程划分为初始期、冻结期和解冻期，其中所述冻结期和解冻期交替出现，直到优化结束，其中在所述冻结期内冻结权重变化率小于权重变化冻结阈值的笔形束，使该笔形束不参与优化运算，在解冻期内解冻所有笔形束，使得全部笔形束参与优化计算；以及
冻结步骤S20：将每次优化计算后的笔形束权重输入所述笔形束冻结模型以计算笔形束权重变化率，在优化计算每当进入冻结期时，判断笔形束权重变化率是否小于权重变化冻结阈值，若是，则输出笔形束冻结标记，使该笔形束在该冻结期内不参与优化计算、并在进入解冻期时参与优化计算。
在一实施例中，如图2所示，放射治疗笔形束权重优化加速系统100包括模型建立模块110和冻结模块130，其中，模型建立模块110用于用户输入笔形束冻结模型参数，建立笔形束冻结模型，笔形束冻结模型将优化过程划分为初始期、冻结期和解冻期，其中所述冻结期和解冻期交替出现，直到优化结束；冻结模块130用于接收优化模型200每次优化计算后的笔形束权重，在优化计算过程中利用笔形束冻结模型对冻结期内权重变化率小于权重变化冻结阈值的笔形束进行冻结。
笔形束冻结模型定义如下：将优化过程划分为初始期、冻结期和解冻期，其中所述冻结期和解冻期交替出现，直到优化结束，其中在所述冻结期内冻结权重变化率小于权重变化冻结阈值的笔形束，使该笔形束不参与优化运算，在解冻期内解冻所有笔形束，使得全部笔形束参与优化计算。用户输入笔形束冻结模型参数包括笔形束冻结模型启动代数n1(n1>n3+n2)，冻结期代数n2，解冻期代数n3，权重变化冻结阈值m1。具体地，在优化计算经历过初始期n1代计算后才开始第一代冻结期(持续n2代，从第n1代到第n1+n2代)，然后是第一代解冻期(持续n3代，从第n1+n2代到第n1+n2+n3代)，冻结期与解冻期周期循环直到优化结束；一次循环周期持续n2+n3代，其中循环周期为k，k为正整数。
在一实施例中，模型建立步骤的流程如图2所示：顺序输入启动代数n1(即初始期对应的代数)、冻结期代数n2、解冻期代数n3，权重变化冻结阈值m1，之后根据这些参数建立笔形束冻结模型。
以某优化模型为例，其目标函数为：
式(3.1)中Fobj(xk)是优化计算的唯一目标函数，计算目标是最小化该目标函数值；其中FTar(xk)为靶区对目标函数值的贡献；为第n个危及器官对目标函数值的贡献。β是靶区的权重归一化因子，是第n个感兴趣区域的权重归一化因子，这些权重因子表示不同器官和靶区的重要性，通常情况下，靶区的权重较大；式(3.2)和式(3.3)中ω是剂量类(剂量约束或剂量体积约束)惩罚因子，不满足约束条件则为1，满足则为0；dj是第j个计算采样点的剂量，通过公式(3.4)计算出来。PTar是靶区的处方剂量；是第n个危机器官的剂量限值，两者分别描述了靶区和危机器官需要达到的剂量目标。nTar和分别为靶区和第n个感兴趣区域的计算采样点数，其大小取决于计算区域和网格划分的大小；NROI是优化中感兴趣区域的个数。在公式(3.4)中，为单位强度的第m个笔形束对第j个采样点的剂量贡献，其构成能量特征矩阵可通过调用剂量计算模块获取。为xk向量的第m个分量，即第m个笔形束的强度，k为当前迭代的次数；因此第i个采样点的剂量是所有笔形束对该点剂量贡献的总和。为待优化参数，优化目标是找到一个合适的xk，最小化目标函数并保证满足医生给定的剂量要求。
其中，冻结步骤的流程如图4所示，包括以下步骤：
S11：在调用现有的优化模型，启动优化计算；
S13：调用笔形束冻结模块进行代数n判断，当前代数n为当前优化计算迭代次数，循环周期k是当前处于哪个循环周期内，k＝[(n-n1)/(n2+n3)]，[]是求整函数；
S15：继续下一步优化计算，若停止优化，则转入S29，否则转入S17；
S17：当计算代数n<n1，保存权重数据，转入S15；当计算代数n>n1，转入S19；
S19：当计算代数n＝n1，判断已保存的权重数据中，哪些笔形束的权重一直处于低权重变化率，判断条件为解冻期内权重变化率均小于权重变化冻结阈值m1；标记权重为低权重变化率的笔形束，并在后续优化计算中不处理这些笔形束，为第一次冻结期准备，转入S21；
S21：当循环周期k＝0时，n>n1，且n<n1+n2，否则转入S23；判断为冻结期，在优化计算前不处理已被标记为冻结的笔形束，转入S15；
S23：当循环周期k＝0时，n＝n1+n2，否则转入S25；判断是否为冻结期且即将转入解冻期，解冻所有笔形束，转入S15。
S25：当循环周期k＝0时，n>n1+n2，且n<n1+n2+n3，否则转入S27；当前状态解冻期，保存当前权重数据，转入S15；
S27：当循环周期k＝0时，n＝n1+n2+n3，否则重新转入S21；判断为处于解冻期且即将转入冻结期，判断已保存的权重数据中，哪些笔形束的权重一直处于低权重变化率，判断条件为解冻期内权重变化率均小于权重变化冻结阈值m1；标记权重为低权重变化率的笔形束，并在后续优化计算中不处理这些笔形束，转入S15；
S21：当计算代数n>n1+k(n2+n3)，且n<n1+n2+k(n2+n3)，k＝1,2,……，其中k为正整数，标记处于哪一组冻结/解冻期周期内，否则转入S23；判断为冻结期，在优化计算前不处理已被标记为冻结的笔形束，转入S15；
S23：当计算代数n＝n1+n2+k(n2+n3)，k＝1,2,……，其中k为正整数，标记处于哪一组冻结/解冻期周期内，否则转入S25；判断是否为冻结期且即将转入解冻期，解冻所有笔形束，转入S15；
S25：当计算代数n>n1+n2+k(n2+n3)，且n<n1+n2+n3+k(n2+n3)，k＝1,2,……，其中k为正整数，标记处于哪一组冻结/解冻期周期内，否则转入S27；当前状态解冻期，保存当前权重数据，转入S15；
S27：当计算代数n＝n1+n2+n3+k(n2+n3)，k＝1,2,……，其中k为正整数，标记处于哪一组冻结/解冻期周期内；判断为处于解冻期且即将转入冻结期，判断已保存的权重数据中，哪些笔形束的权重一直处于低权重变化率，判断条件为解冻期内权重变化率均小于权重变化冻结阈值m1；标记权重为低权重变化率的笔形束，并在后续优化计算中不处理这些笔形束，转入S15；
S29:加速结束。
在优化一段时间后，存在的大量低变化率笔形束；这些低变化率笔形束，对计划改进极小，反而增加极大地降低了优化速度。采用以上方法，可在优化过程中冻结低变化率笔形束，提高计算速度，尤其是对于优化计算后期效果更为明显。
在优化过程中，大部分的笔形束的权重变化很小，对于优化的改进有限，如图5所示。
通过以上描述可以看出，根据本发明的放射治疗笔形束权重优化加速方法，判断笔形束权重在优化过程中的变化率，冻结低变化率的笔形束，降低计算量，加快计算；同时在若干次计算后解冻笔形束，有效避免了冻结笔形束造成的误差，贴近工程实际应用，从而使得在不影响优化结果的前提下加快笔形束权重优化速度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种冻结笔形束的放射治疗笔形束权重优化加速方法，其特征在于，包括以下步骤：
模型建立步骤：用户输入笔形束冻结模型参数，建立笔形束冻结模型，其中，所述笔形束冻结模型将优化过程划分为初始期、冻结期和解冻期，其中所述冻结期和解冻期交替出现，直到优化结束，其中在所述冻结期内冻结权重变化率小于权重变化冻结阈值的笔形束，使该笔形束不参与优化运算，在解冻期内解冻所有笔形束，使得全部笔形束参与优化计算；
冻结步骤：将每次优化计算后的笔形束权重输入所述笔形束冻结模型以计算笔形束权重变化率，在优化计算每当进入冻结期时，判断笔形束权重变化率是否小于权重变化冻结阈值，若是，则输出笔形束冻结标记，使该笔形束在该冻结期内不参与优化计算、并在进入解冻期时参与优化计算。
2.根据权利要求1所述的冻结笔形束的放射治疗笔形束权重优化加速方法，其特征在于，所述用户输入的笔形束冻结模型参数包括：笔形束冻结模型启动代数n1，冻结期代数n2，解冻期代数n3，权重变化冻结阈值m1，其中n1>n3+n2。
3.根据权利要求2所述的冻结笔形束的放射治疗笔形束权重优化加速方法，其特征在于，所述冻结期和解冻期交替出现包括：在笔形束冻结模型中，在经历过初始期n1代计算后才开始第一代冻结期，所述第一代冻结期持续n2代，即从第n1代到第n1+n2代，然后是第一代解冻期，所述第一代解冻期持续n3代，即从第n1+n2代到第n1+n2+n3代，冻结期与解冻期周期循环直到优化结束，一次循环周期持续n2+n3代，其中循环周期为正整数。
4.一种冻结笔形束的放射治疗笔形束权重优化加速系统，其特征在于，包括：
模型建立模块：用于根据用户输入笔形束冻结模型参数来建立笔形束冻结模型，其中，所述笔形束冻结模型将优化过程划分为初始期、冻结期和解冻期，其中所述冻结期和解冻期交替出现，直到优化结束，其中在所述冻结期内冻结权重变化率小于权重变化冻结阈值的笔形束，使该笔形束不参与优化运算，在解冻期内解冻所有笔形束，使得全部笔形束参与优化计算；以及
冻结模块：用于将每次优化计算后的笔形束权重输入所述笔形束冻结模型以计算笔形束权重变化率，在优化计算每当进入冻结期时，判断笔形束权重变化率是否小于权重变化冻结阈值，若是，则输出笔形束冻结标记，使该笔形束在该冻结期内不参与优化计算、并在进入解冻期时参与优化计算。
5.根据权利要求4所述的冻结笔形束的放射治疗笔形束权重优化加速系统，其特征在于，所述用户输入的笔形束冻结模型参数包括：笔形束冻结模型启动代数n1，冻结期代数n2，解冻期代数n3，权重变化冻结阈值m1，其中n1>n3+n2。
6.根据权利要求5所述的冻结笔形束的放射治疗笔形束权重优化加速系统，其特征在于，所述冻结期和解冻期交替出现包括：在笔形束冻结模型中，在经历过初始期n1代计算后才开始第一代冻结期，所述第一代冻结期持续n2代，即从第n1代到第n1+n2代，然后是第一代解冻期，所述第一代解冻期持续n3代，即从第n1+n2代到第n1+n2+n3代，冻结期与解冻期周期循环直到优化结束，一次循环周期持续n2+n3代，其中循环周期为正整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710570587.3A CN107297033B (zh) | 2017-07-13 | 2017-07-13 | 冻结笔形束的放射治疗笔形束权重优化加速方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710570587.3A CN107297033B (zh) | 2017-07-13 | 2017-07-13 | 冻结笔形束的放射治疗笔形束权重优化加速方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107297033A CN107297033A (zh) | 2017-10-27 |
| CN107297033B true CN107297033B (zh) | 2019-02-26 |
Family
ID=60132844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710570587.3A Active CN107297033B (zh) | 2017-07-13 | 2017-07-13 | 冻结笔形束的放射治疗笔形束权重优化加速方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107297033B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9468776B2 (en) * | 2012-06-01 | 2016-10-18 | Raysearch Laboratories Ab | Method and a system for optimizing a radiation treatment plan based on a reference dose distribution |
| CN103083821B (zh) * | 2013-01-27 | 2015-12-23 | 合肥克瑞斯信息科技有限公司 | 一种直接优化静态调强子野形状及其机器跳数的系统和方法 |
| CN105709341B (zh) * | 2016-01-15 | 2018-03-27 | 中国科学院合肥物质科学研究院 | 一种基于梯度法和漫水填充法的调强子野优化方法 |
-
2017
- 2017-07-13 CN CN201710570587.3A patent/CN107297033B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107297033A (zh) | 2017-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108694467B (zh) | 一种对配电网线损率进行预测的方法及系统 | |
| Erlich et al. | Evaluating the mean-variance mapping optimization on the IEEE-CEC 2014 test suite | |
| CN108090565A (zh) | 一种卷积神经网络并行化训练加速方法 | |
| Wang et al. | An innovative hybrid approach for multi-step ahead wind speed prediction | |
| CN108805268A (zh) | 基于进化算法的深度强化学习策略网络训练方法 | |
| US20230281459A1 (en) | Method for calibrating parameters of hydrology forecasting model based on deep reinforcement learning | |
| Zhang et al. | An improved squirrel search algorithm with reproductive behavior | |
| Li et al. | An improved flower pollination optimizer algorithm for multilevel image thresholding | |
| CN109300058A (zh) | 一种特大流域水电站群优化调度两阶段直接搜索降维方法 | |
| CN107297033B (zh) | 冻结笔形束的放射治疗笔形束权重优化加速方法和系统 | |
| Xiaoping et al. | Robust airfoil optimization with multi-objective estimation of distribution algorithm | |
| Nawrot et al. | Dynamic memory compression: Retrofitting llms for accelerated inference | |
| Liu et al. | Improvement of pruning method for convolution neural network compression | |
| CN106779094A (zh) | 一种基于随机反馈的限制玻尔兹曼机学习方法与装置 | |
| Xiao et al. | MSAO: A multi-strategy boosted snow ablation optimizer for global optimization and real-world engineering applications | |
| CN116451859A (zh) | 一种基于贝叶斯优化的生成对抗网络股票预测方法 | |
| CN110223780A (zh) | 一种自适应pso-grnn的胎儿体重预测方法及系统 | |
| Li et al. | Advanced antlion optimizer with discrete ant behavior for feature selection | |
| CN114169117A (zh) | 一种基于改进粒子群算法的输电网扩展规划方法 | |
| CN109360598A (zh) | 一种基于两阶段采样的蛋白质结构预测方法 | |
| CN104318035A (zh) | 针对海量地形大数据点云的总分式三角网多线程并行生成方法 | |
| Jiang et al. | Optimization of process parameters for biological 3D printing forming based on BP neural network and genetic algorithm | |
| Shenghui et al. | Research on FJSP based on CUDA parallel cellular particle swarm optimization algorithm | |
| Yin et al. | A data exchange optimized approach for cloud migration | |
| de Campos et al. | Bio-Inspired System for Electricity Price Forecast in the Brazilian Market |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 406, block B, phase I, Zhongdan Ecological Life Science Industrial Park, No. 3-1, xinjinhu Road, Jiangbei new district, Nanjing City, Jiangsu Province Patentee after: Zhongke Chaojing (Nanjing) Technology Co., Ltd Address before: 230601 NO.560, Haiheng building, No.6 Cuiwei Road, Hefei Economic and Technological Development Zone, Anhui Province Patentee before: ZHONGKE CHAOJING (ANHUI) TECHNOLOGY Co.,Ltd. |