CN109065179A - 一种疾病传染过程的空时动态模拟方法 - Google Patents
一种疾病传染过程的空时动态模拟方法 Download PDFInfo
- Publication number
- CN109065179A CN109065179A CN201810961655.3A CN201810961655A CN109065179A CN 109065179 A CN109065179 A CN 109065179A CN 201810961655 A CN201810961655 A CN 201810961655A CN 109065179 A CN109065179 A CN 109065179A
- Authority
- CN
- China
- Prior art keywords
- individual
- state
- matrix
- thresholding
- days
- 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
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 27
- 201000010099 disease Diseases 0.000 title claims abstract description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 20
- 230000002458 infectious effect Effects 0.000 title claims abstract description 12
- 238000005094 computer simulation Methods 0.000 title claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 30
- 208000035473 Communicable disease Diseases 0.000 claims description 11
- GZPBVLUEICLBOA-UHFFFAOYSA-N 4-(dimethylamino)-3,5-dimethylphenol Chemical compound CN(C)C1=C(C)C=C(O)C=C1C GZPBVLUEICLBOA-UHFFFAOYSA-N 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 230000001524 infective effect Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000002969 morbid Effects 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000035876 healing Effects 0.000 description 2
- 206010003757 Atypical pneumonia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种新型模拟方法,尤其是一种疾病传染过程的空时动态模拟方法。首先,建立每个个体的信息库;其次,建立每个个体的移动坐标信息库;然后,判断患病状态是否达到了传染门限和治愈门限,如果达到要求,则传染或治愈,最后,治愈个体移出系统,不再参与系统中的各个部分运作。本发明既可以对整体的传染方法进行模拟,也可以对不同个体的状态进行设定,通过蒙特卡洛法对每个个体的状态进行模拟,解决单一模型只能对所有数据进行模拟且不能控制元素的问题,为疾病的动态模拟提供了一种新的思路。
Description
技术领域
本发明涉及一种新型模拟方法,尤其是一种疾病传染过程的空时动态模拟方法。
背景技术
目前,在人类社会中,传染病的威胁无处不在。从非典型性肺炎开始,许多疾病都对社会造成了极大的影响。何时以及如何控制传染病的爆发时一个十分有意义的问题。传染病的扩散过程,是疾病在人群中的一种复杂扩散过程。如果对这种复杂过程进行建模,可以更好的学习传染病的流行方法,认识其流行规律,并对其传播过程进行预测,以便对其进行干预。
用数学模型帮助研究传染病的传播机理,预测传染病的流行趋势是一种非常常见的方法。传染病的数学模型研究总共分为两类:决定性模型和网络动力学模型。虽然决定论模型目前仍然具有非常重要的学术地位,不过随着人工智能技术的发展,网络动力学模型成为了新的研究热点。这两种模型都可以利用其模拟结果更好地为传染病防治决策提供支持。
目前对决定性模型的构造多为微分方程,但是所得到的结果相对单一,对各种元素的设定较弱。而网络动力学模型虽然对各种元素的设定都较为方便,但是这些模型对个体的传染方式却很难控制。这两种现有模型都不能满足我们对复杂传染病的模拟。
发明内容
本发明要解决的技术问题是提供一种疾病传染过程的空时动态模拟方法,用以解决上述问题。
本发明的技术方案是:一种疾病传染过程的空时动态模拟方法,其特征在于:首先,建立每个个体的信息库;其次,建立每个个体的移动坐标信息库;然后,随着天数增加,患病状态也同时增加,每天每个个体的位移都会改变。在增加过程中,判断患病状态是否达到了传染门限和治愈门限,如果达到要求,则传染或治愈,最后,治愈个体移出系统,不再参与系统中的各个部分运作;包括个体信息库建立、个体移动坐标信息库建立、天数判定、疾病状态增加、位移改变、传染门限判定、进行传染过程、传染距离判定、传染未患病者、治愈门限判定、治愈移出系统几个步骤。
具体步骤为:
Step1:个体信息库建立:即建立一个矩阵,将这个矩阵作为个体发病状态的信息库;发病人Hi(i=N)有三个状态参数:坐标(xi,yi)和发病状态;首先产生一个三列矩阵,分别由X,Y,S三列组成,每行代表一个个体的信息,其中,X,Y为此个体坐标,S为其发病状态;
每个个体的发病状态由数字组成,未感染上传染病的个体由数字0表示,已经患病的个体初始状态为1,随着天数的增加,患病个体的数值依次增加;
Step2:个体移动坐标信息库建立:以step1中的坐标信息为基准,进行坐标信息的更改,产生2N个独立的服从正态分布的随机数Δ1-Δ2N,组成另一个矩阵,作为地点增减的指标;
对原矩阵进行前两列的修改,以达到改变位置的目的:
随着天数更新,Δ也变化,每个个体从之前的位置进行移动;
Step3:天数判定:设定天数门限D为一个大于0的常数,将目前的天数d设定成循环因子,与已经设定的天数门限D进行比较,当d<D时,持续进行循环;当d>D时,循环结束,停止循环;
Step4:疾病状态增加:即对满足step3中条件且step2矩阵中的不为0的个体的S值进行改变,在step3的循环中,随着循环因子天数d的增加,在矩阵中遍历矩阵S,如果S≠0,则在现有的S值上增加1,即增加状态值;
Step5:位移改变:在step2中的距离矩阵进行随机的加减,即设定随机数m,使m服从正态分布,产生2×N个随机数m,与原来的距离矩阵相加,以达到从原来位置进行移动的效果;
Step6:传染门限判定:将满足step5中条件个体的状态值S与传染门限IMAX进行比较,当S>IMAX时,认为此个体具备传染条件,可以进行下一步的传染;若S<IMAX,则认为此时此个体不构成传染其他个体的条件,暂时不能被传染,继续进行循环;
Step7:进行传染过程:满足step6中条件的个体视为具有了传染其他未染病个体的条件,满足传染条件的个体,即可继续进行后续步骤;未满足条件的个体继续进行循环;
Step8:传染距离判定:对个体之间的相对距离进行计算,形成距离矩阵DIS,设定传染距离DMAX,step7中的具有传染能力的个体可以传染小于传染距离DMAX的未患病个体,即当个体S>IMAX且在其距离内距离r<DMAX的S=0个体可以被传染;
Step9:传染未患病者:满足step8中条件的个体对未患病的个体进行传染,即状态值S>IMAX的个体将满足条件S=0的个体的状态值改变,其状态值由0更改为1,视为已经染病;
Step10:治愈门限判定:将step9中个体的状态值与CMAX进行比较,若S>CMAX,则视为个体治愈,将状态值改为负值,视为移出系统;若S<CMAX,则个体未满足条件,继续参与系统循环;
Step11:治愈移出系统,满足step10中治愈条件的个体移出系统,不再参与系统循环。
本发明的有益效果是:既可以对整体的传染方法进行模拟,也可以对不同个体的状态进行设定,通过蒙特卡洛法对每个个体的状态进行模拟,解决单一模型只能对所有数据进行模拟且不能控制元素的问题,为疾病的动态模拟提供了一种新的思路。
附图说明
图1是本发明的步骤流程图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:如图1所示,一种疾病传染过程的空时动态模拟方法,假设某个生态系统中有N个个体,总共的传染天数为D,传染门限为IMAX,治愈门限为CMAX,部分个体初始状态为0,代表未染病;其余个体初始状态为1,代表已经染病。随着天数的增加,未染病的个体保持状态为0不变,已经染病的个体每日增加1。每天每个个体的坐标也增加服从正态分布的随机数数目。当个体状态达到IMAX时,可以传染其传播距离内未染病的个体。如果有未患病个体的与此个体的相对距离小于传染距离,则未患病个体被传染。当个体状态继续增加达到CMAX时,视其受到管控,疾病得以治愈。此时治愈个体视为移出系统,不再参与系统的其他运作。
具体步骤为:
Step1:个体信息库建立,即建立一个矩阵,将这个矩阵作为个体发病状态的信息库。发病人Hi(i=N)有三个状态参数:坐标(xi,yi)和发病状态。首先产生一个三列矩阵,分别由X,Y,S三列组成,每行代表一个个体的信息。其中,X,Y为此个体坐标,S为其发病状态。
每个个体的发病状态由数字组成,未感染上传染病的个体由数字0表示。已经患病的个体初始状态为1。随着天数的增加,患病个体的数值依次增加。
Step2:个体移动坐标信息库建立。以step1中的坐标信息为基准,进行坐标信息的更改。产生2N个独立的服从正态分布的随机数Δ1-Δ2N,组成另一个矩阵,作为地点增减的指标。
对原矩阵进行前两列的修改,以达到改变位置的目的:
随着天数更新,Δ也变化,每个个体从之前的位置进行移动。
Step3:天数判定。设定天数门限D为一个大于0的常数,将目前的天数d设定成循环因子,与已经设定的天数门限D进行比较。当d<D时,持续进行循环;当d>D时,循环结束,停止循环。
Step4:疾病状态增加,即对满足step3中条件且step2矩阵中的不为0的个体的S值进行改变。在step3的循环中,随着循环因子天数d的增加,在矩阵中遍历矩阵S,如果S≠0,则在现有的S值上增加1,即增加状态值。
Step5:位移改变,在step2中的距离矩阵进行随机的加减。即设定随机数m,使m服从正态分布,产生2×N个随机数m,与原来的距离矩阵相加,以达到从原来位置进行移动的效果。
Step6:传染门限判定。将满足step5中条件个体的状态值S与传染门限IMAX进行比较,当S>IMAX时,认为此个体具备传染条件,可以进行下一步的传染;若S<IMAX,则认为此时此个体不构成传染其他个体的条件,暂时不能被传染,继续进行循环。
Step7:进行传染过程,满足step6中条件的个体视为具有了传染其他未染病个体的条件,满足传染条件的个体,即可继续进行后续步骤;未满足条件的个体继续进行循环。
Step8:传染距离判定,对个体之间的相对距离进行计算,形成距离矩阵DIS。设定传染距离DMAX,step7中的具有传染能力的个体可以传染小于传染距离DMAX的未患病个体,即当个体S>IMAX且在其距离内距离r<DMAX的S=0个体可以被传染。
Step9:传染未患病者,满足step8中条件的个体对未患病的个体进行传染,即状态值S>IMAX的个体将满足条件S=0的个体的状态值改变,其状态值由0更改为1,视为已经染病。
Step10:治愈门限判定,将step9中个体的状态值与CMAX进行比较,若S>CMAX,则视为个体治愈,将状态值改为负值,视为移出系统;若S<CMAX,则个体未满足条件,继续参与系统循环。
Step11:治愈移出系统,满足step10中治愈条件的个体移出系统,不再参与系统循环。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种疾病传染过程的空时动态模拟方法,其特征在于:首先,建立每个个体的信息库;其次,建立每个个体的移动坐标信息库;然后,判断患病状态是否达到了传染门限和治愈门限,如果达到要求,则传染或治愈,最后,治愈个体移出系统,不再参与系统中的各个部分运作;
具体步骤为:
Step1:个体信息库建立:即建立一个矩阵,将这个矩阵作为个体发病状态的信息库;发病人Hi(i=N)有三个状态参数:坐标(xi,yi)和发病状态;首先产生一个三列矩阵,分别由X,Y,S三列组成,每行代表一个个体的信息,其中,X,Y为此个体坐标,S为其发病状态;
每个个体的发病状态由数字组成,未感染上传染病的个体由数字0表示,已经患病的个体初始状态为1,随着天数的增加,患病个体的数值依次增加;
Step2:个体移动坐标信息库建立:以step1中的坐标信息为基准,进行坐标信息的更改,产生2N个独立的服从正态分布的随机数Δ1-Δ2N,组成另一个矩阵,作为地点增减的指标;
对原矩阵进行前两列的修改,以达到改变位置的目的:
随着天数更新,Δ也变化,每个个体从之前的位置进行移动;
Step3:天数判定:设定天数门限D为一个大于0的常数,将目前的天数d设定成循环因子,与已经设定的天数门限D进行比较,当d<D时,持续进行循环;当d>D时,循环结束,停止循环;
Step4:疾病状态增加:即对满足step3中条件且step2矩阵中的不为0的个体的S值进行改变,在step3的循环中,随着循环因子天数d的增加,在矩阵中遍历矩阵S,如果S≠0,则在现有的S值上增加1,即增加状态值;
Step5:位移改变:在step2中的距离矩阵进行随机的加减,即设定随机数m,使m服从正态分布,产生2×N个随机数m,与原来的距离矩阵相加,以达到从原来位置进行移动的效果;
Step6:传染门限判定:将满足step5中条件个体的状态值S与传染门限IMAX进行比较,当S>IMAX时,认为此个体具备传染条件,可以进行下一步的传染;若S<IMAX,则认为此时此个体不构成传染其他个体的条件,暂时不能被传染,继续进行循环;
Step7:进行传染过程:满足step6中条件的个体视为具有了传染其他未染病个体的条件,满足传染条件的个体,即可继续进行后续步骤;未满足条件的个体继续进行循环;
Step8:传染距离判定:对个体之间的相对距离进行计算,形成距离矩阵DIS,设定传染距离DMAX,step7中的具有传染能力的个体可以传染小于传染距离DMAX的未患病个体,即当个体S>IMAX且在其距离内距离r<DMAX的S=0个体可以被传染;
Step9:传染未患病者:满足step8中条件的个体对未患病的个体进行传染,即状态值S>IMAX的个体将满足条件S=0的个体的状态值改变,其状态值由0更改为1,视为已经染病;
Step10:治愈门限判定:将step9中个体的状态值与CMAX进行比较,若S>CMAX,则视为个体治愈,将状态值改为负值,视为移出系统;若S<CMAX,则个体未满足条件,继续参与系统循环;
Step11:治愈移出系统,满足step10中治愈条件的个体移出系统,不再参与系统循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810961655.3A CN109065179B (zh) | 2018-08-22 | 2018-08-22 | 一种疾病传染过程的空时动态模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810961655.3A CN109065179B (zh) | 2018-08-22 | 2018-08-22 | 一种疾病传染过程的空时动态模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109065179A true CN109065179A (zh) | 2018-12-21 |
CN109065179B CN109065179B (zh) | 2021-10-22 |
Family
ID=64686909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810961655.3A Active CN109065179B (zh) | 2018-08-22 | 2018-08-22 | 一种疾病传染过程的空时动态模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109065179B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611297A (zh) * | 2020-05-21 | 2020-09-01 | 中南大学 | 顾及参数时变性的传播模型建立方法及其预测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231641A (zh) * | 2007-01-22 | 2008-07-30 | 北大方正集团有限公司 | 一种自动分析互联网上热点主题传播过程的方法及系统 |
US7993266B2 (en) * | 2002-04-26 | 2011-08-09 | Lawrence Livermore National Security, Llc | Early detection of contagious diseases |
CN102713914A (zh) * | 2009-10-19 | 2012-10-03 | 提拉诺斯公司 | 集成的健康数据采集和分析系统 |
CN102945310A (zh) * | 2012-09-27 | 2013-02-27 | 吉林大学 | 基于自治计算的流行病传播网络建模与推断 |
CN103310083A (zh) * | 2012-03-09 | 2013-09-18 | 李晓松 | 一种传染病聚集性探测与早期预警系统 |
CN104850856A (zh) * | 2015-04-30 | 2015-08-19 | 中国民航大学 | 近邻传播观测聚类的多扩展目标跟踪方法 |
CN105335892A (zh) * | 2015-10-30 | 2016-02-17 | 南京邮电大学 | 一种社交网络重要用户发现的实现方法 |
CN105740615A (zh) * | 2016-01-28 | 2016-07-06 | 中山大学 | 利用手机轨迹追踪传染源和预测传染病流行趋势的方法 |
US9589235B2 (en) * | 2014-05-23 | 2017-03-07 | Jiali Ding | Method for measuring individual entities' infectivity and susceptibility in contagion |
CN106570158A (zh) * | 2016-10-27 | 2017-04-19 | 西南石油大学 | 基于微博相似性统计建模的微博传播规模预测方法 |
CN107194184A (zh) * | 2017-05-31 | 2017-09-22 | 成都数联易康科技有限公司 | 基于时间序列相似性分析的在院人次异常检测方法及系统 |
CN107682200A (zh) * | 2017-10-26 | 2018-02-09 | 杭州师范大学 | 一种基于有限观测的互联网传播源定位的方法 |
CN108269617A (zh) * | 2018-01-05 | 2018-07-10 | 吕梁学院 | 基于复杂网络上疾病传播的一种动力学模型 |
CN108281198A (zh) * | 2017-12-19 | 2018-07-13 | 昆明理工大学 | 一种传染病前期预警的方法 |
-
2018
- 2018-08-22 CN CN201810961655.3A patent/CN109065179B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7993266B2 (en) * | 2002-04-26 | 2011-08-09 | Lawrence Livermore National Security, Llc | Early detection of contagious diseases |
CN101231641A (zh) * | 2007-01-22 | 2008-07-30 | 北大方正集团有限公司 | 一种自动分析互联网上热点主题传播过程的方法及系统 |
CN102713914A (zh) * | 2009-10-19 | 2012-10-03 | 提拉诺斯公司 | 集成的健康数据采集和分析系统 |
CN103310083A (zh) * | 2012-03-09 | 2013-09-18 | 李晓松 | 一种传染病聚集性探测与早期预警系统 |
CN102945310A (zh) * | 2012-09-27 | 2013-02-27 | 吉林大学 | 基于自治计算的流行病传播网络建模与推断 |
US9589235B2 (en) * | 2014-05-23 | 2017-03-07 | Jiali Ding | Method for measuring individual entities' infectivity and susceptibility in contagion |
CN104850856A (zh) * | 2015-04-30 | 2015-08-19 | 中国民航大学 | 近邻传播观测聚类的多扩展目标跟踪方法 |
CN105335892A (zh) * | 2015-10-30 | 2016-02-17 | 南京邮电大学 | 一种社交网络重要用户发现的实现方法 |
CN105740615A (zh) * | 2016-01-28 | 2016-07-06 | 中山大学 | 利用手机轨迹追踪传染源和预测传染病流行趋势的方法 |
CN106570158A (zh) * | 2016-10-27 | 2017-04-19 | 西南石油大学 | 基于微博相似性统计建模的微博传播规模预测方法 |
CN107194184A (zh) * | 2017-05-31 | 2017-09-22 | 成都数联易康科技有限公司 | 基于时间序列相似性分析的在院人次异常检测方法及系统 |
CN107682200A (zh) * | 2017-10-26 | 2018-02-09 | 杭州师范大学 | 一种基于有限观测的互联网传播源定位的方法 |
CN108281198A (zh) * | 2017-12-19 | 2018-07-13 | 昆明理工大学 | 一种传染病前期预警的方法 |
CN108269617A (zh) * | 2018-01-05 | 2018-07-10 | 吕梁学院 | 基于复杂网络上疾病传播的一种动力学模型 |
Non-Patent Citations (2)
Title |
---|
DAVID JUHER等: ""Analysis and Monte Carlo simulations of a model for the spread of infectious diseases in heterogeneous metapopulations"", 《PHYSICAL REVIEW》 * |
罗成等: ""SIR模型在成人麻疹爆发及其疫情控制评价中的应用"", 《山东大学学报(医学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611297A (zh) * | 2020-05-21 | 2020-09-01 | 中南大学 | 顾及参数时变性的传播模型建立方法及其预测方法 |
CN111611297B (zh) * | 2020-05-21 | 2023-09-15 | 中南大学 | 顾及参数时变性的传播模型建立方法及其预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109065179B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428243B (zh) | 一种基于人工神经网络的行人运动速度预测方法 | |
Bongard | Morphological change in machines accelerates the evolution of robust behavior | |
Das et al. | A hybridization of an improved particle swarm optimization and gravitational search algorithm for multi-robot path planning | |
CN109974737B (zh) | 基于安全疏散标志和强化学习结合的路径规划方法及系统 | |
CN108491598A (zh) | 一种基于路径规划的人群疏散仿真方法及系统 | |
CN108885717A (zh) | 异步深度强化学习 | |
CN105389772B (zh) | 基于图形处理器的数据处理方法和装置 | |
Athithan et al. | Dynamic cellular automata based epidemic spread model for population in patches with movement | |
CN111275161B (zh) | 一种基于dna链置换的竞争神经网络框架 | |
CN112231968A (zh) | 基于深度强化学习算法的人群疏散仿真方法及系统 | |
CN102073758B (zh) | 基于图灵机模型的增强现实装配环境系统建模方法 | |
CN112016678B (zh) | 用于增强学习的策略生成网络的训练方法、装置和电子设备 | |
CN107457780A (zh) | 控制机械臂运动的方法及装置、存储介质和终端设备 | |
CN109065179A (zh) | 一种疾病传染过程的空时动态模拟方法 | |
CN108255059B (zh) | 一种基于模拟器训练的机器人控制方法 | |
CN107273976A (zh) | 一种神经网络的优化方法、装置、计算机及存储介质 | |
Zhang et al. | Learning robust point-to-point motions adversarially: A stochastic differential equation approach | |
CN109509254B (zh) | 三维地图构建方法、装置及存储介质 | |
CN113110101A (zh) | 一种生产线移动机器人聚集式回收入库仿真方法及系统 | |
Wang et al. | Local greedy flower pollination algorithm for solving planar graph coloring problem | |
CN116382299A (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN116894530A (zh) | 路径规划方法、装置、电子设备及存储介质 | |
Sprecher et al. | Adaptive knowledge in architecture: A few notes on the nature of transdisciplinarity | |
Grigorieva et al. | Optimal control for a susceptible-infectedrecovered infectious disease model | |
CN109376593B (zh) | 人脸特征点定位方法及系统 |
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 |