CN111132182B - 一种无线多媒体网络覆盖增强方法及系统 - Google Patents
一种无线多媒体网络覆盖增强方法及系统 Download PDFInfo
- Publication number
- CN111132182B CN111132182B CN201911296323.9A CN201911296323A CN111132182B CN 111132182 B CN111132182 B CN 111132182B CN 201911296323 A CN201911296323 A CN 201911296323A CN 111132182 B CN111132182 B CN 111132182B
- Authority
- CN
- China
- Prior art keywords
- multimedia
- sensor
- area
- coverage
- shielding
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
- H04W16/20—Network planning tools for indoor coverage or short range network deployment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/24—Cell structures
- H04W16/26—Cell enhancers or enhancement, e.g. for tunnels, building shadow
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Selective Calling Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种无线多媒体网络覆盖增强方法及系统,该方法包括:根据目标区域和每一监测对象遮挡像素点的面积,获取所有多媒体传感器覆盖的无遮挡像素点总面积;根据所有传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率;根据所述有效覆盖率和分级协同粒子群算法,获取每个传感器的最佳安装角度,所述分级协同粒子群算法通过制定每一传感器的优先级对粒子群算法进行改进得到。本发明实施例提供以单个传感器的有效覆盖面积为依据,重新衡量每个传感器的优先级,通过对比多次决策的结果得到最优无遮挡有效覆盖率,实现蔬菜温室内的传感器姿势部署。
Description
技术领域
本发明涉及网络技术领域,尤其涉及一种无线多媒体网络覆盖增强方法及系统。
背景技术
通过温室无线传感器网络收集和观察重要作物参数,有助于实现大棚蔬菜生长环境与作物水肥的自动调控,以达到减施、增效、高产、优质等目的。无线多媒体传感器网络可在原有环境、土壤与肥药监测的基础上,以音频、图像和视频等方式采集作物表征特征,为智能化生产决策提供丰富的数据资源。
不同于传统物理量的全向感知,多媒体感知信息具有天然有向性,需依靠视频传感器等相关有向传感器获得。而蔬菜温室内作物的果实、枝叶密集交错生长,可能出现遮挡、重叠与阴影现象,使多媒体传感器产生感知盲区。因此,如何利用有向节点构成的无线多媒体传感器网络高质量覆盖蔬菜,得到全面有效的多源感知信息是蔬菜温室物联网的研究方向之一。
目前,无线多媒体传感器的覆盖增强研究主要集中于覆盖算法优化与负载均衡等方面,不关注目标大小及其对传感器感知范围的影响。但蔬菜对象遮挡可能造成多媒体传感器感知盲区产生,导致原本位于节点范围内的目标区域被其他区域遮挡,令节点实际利用率远低于理论值。
发明内容
为了解决上述问题,本发明实施例提供一种无线多媒体网络覆盖增强方法及系统。
第一方面,本发明实施例提供一种无线多媒体网络覆盖增强方法,包括:
根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有多媒体传感器无遮挡覆盖像素点的总面积;
根据所有多媒体传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率;
根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,所述分级协同粒子群算法通过制定每一多媒体传感器的优先级、对粒子群算法进行改进得到。
优选地,所述根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,具体包括:
Step1:初始化算法参数,并将所述有效覆盖率作为粒子群算法的适应度;
Step2:根据当前优先级顺序,首先粒子群算法对优先级最高的多媒体传感器单独进行角度寻优,更新得到当前传感器最佳朝向角,计算优先级最高的多媒体传感器对应有效覆盖率;然后所述粒子群算法对次一级优先级的多媒体传感器进行单独角度寻优,在回避上一级传感器覆盖区域的情况下得到该多媒体传感器最优朝向角,同样计算该多媒体对应有效覆盖率,重复该步骤直到得到所述多媒体传感器集合内所有多媒体传感器的最优朝向角,并获取每一多媒体传感器对应的最优有效覆盖率;
Step3:根据每一多媒体传感器对应的最优有效覆盖率,对所述当前优先级顺序进行调整,并重复Step2,直到满足预设重排序次数;
Step4:获取预设迭代次数中有效覆盖率最大时每一个多媒体传感器无遮挡覆盖像素点的总面积。
优选地,所述根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有多媒体传感器无遮挡覆盖像素点的总面积,具体包括:
根据布尔扇形覆盖模型,获得位于多媒体传感器感知范围内的目标区域面积;
建立每一监测对象对应的遮挡覆盖模型,获取每一监测对象遮挡像素点的面积;
根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取每一多媒体传感器无遮挡覆盖像素点的面积;
将每一多媒体传感器无遮挡覆盖像素点的面积的并集作为所有多媒体传感器无遮挡覆盖像素点的总面积。
优选地,所述根据所有多媒体传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率,具体包括:
其中,Q(S)表示所述有效覆盖率,Sarea表示所述目标区域的总面积,si表示第i个多媒体传感器节点,Rarea(si)表示第i个多媒体传感器无遮挡覆盖像素点的面积。
优选地,所有监测对象包括果实,所述果实的遮挡像素点的面积通过如下方式获得:
对于位于覆盖区域内的果实上的任一像素点,根据所述果实对应的遮挡覆盖模型,获取所述任一像素点在任一多媒体传感器视角中被果实遮挡的概率,所述果实对应的遮挡覆盖模型具体如下:
其中,S1(x,y,si)表示所述任一像素点(x,y)在所述任一多媒体传感器si视角中被遮挡的概率,α表示第一切线与参考线的夹角,β表示第二切线与所述参考线的夹角,d表示所述任一像素点到所述任一多媒体传感器之间的距离,所述参考线为所述任一多媒体传感器和所述任一像素点之间的连线,所述第一切线和所述第二切线分别为所述任一多媒体传感器向参考圆引出的两条切线,所述参考圆表示所述果实。
优选地,所有监测对象包括叶子,所述叶子的遮挡像素点的面积通过如下方式获得:
对于位于覆盖范围内的叶子上的任一像素点,根据所述叶子对应的遮挡覆盖模型,获取所述任一像素点在任一多媒体传感器视角中被该叶子遮挡的概率,所述叶子对应的遮挡覆盖模型具体如下:
其中,S2(x,y,si)表示所述任一像素点(x,y)在所述任一多媒体传感器si视角中被遮挡的概率,φ表示第一连线与参考线的夹角,γ表示第二连线与所述参考线的夹角,所述参考线为所述任一多媒体传感器和所述任一像素点之间的连线,所述第一连线为第一端点与所述任一多媒体传感器的连线,所述第二连线为第二端点与所述任一多媒体传感器的连线,所述第一端点和所述第二端点为参考矩形中的两个顶点,在所述参考矩形的四个顶点与所述任一多媒体传感器的连线中,所述第一连线和所述第二连线确定的夹角最大,所述参考矩形表示所述叶子,yl′ine表示所述任一像素点的横坐标在基准线上对应的纵坐标,所述基准线为所述第一端点和所述第二端点确定的直线。
第二方面,本发明实施例提供一种无线多媒体网络覆盖增强系统,包括:
传感器覆盖模块,用于根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有传感器无遮挡覆盖像素点的总面积;
有效模块,用于根据所有传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率;
优化模块,用于根据所述有效覆盖率和分级协同粒子群算法,获取每个传感器的最佳安装角度,所述分级协同粒子群算法根据每一传感器的优先级对粒子群算法进行改进得到。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本发明第一方面提供的一种无线多媒体网络覆盖增强方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明第一方面提供的一种无线多媒体网络覆盖增强方法的步骤。
本发明实施例提供的一种无线多媒体网络覆盖增强方法及系统,为实现最大化无遮挡覆盖遮挡对象的目的,通过分级协同粒子群对每个传感器的角度进行优化,通过制定传感器的决策优先级,将全局优化问题转化为最大化各个传感器覆盖率的问题,令高级别传感器优先确定自己的覆盖范围,低级别传感器则在回避该区域的前提下寻找最优角度。该方法简化了问题复杂度,可降低算法陷入局部最优的概率。由于传感器决策优先级会影响最优输出结果,本发明以单个传感器的有效覆盖面积为依据,重新衡量每个传感器的优先级,通过对比多次决策的结果得到最优无遮挡有效覆盖率,实现蔬菜温室内的传感器姿势部署。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种无线多媒体网络覆盖增强方法流程图;
图2为本发明实施例中果实、叶子和传感器部署的二维平面图;
图3为本发明实施例中果实中任一像素点在任一传感器视角中被遮挡的概率示意图;
图4为本发明实施例中叶子上任一像素点在任一传感器视角中被遮挡的概率示意图;
图5为本发明实施例提供的一种无线多媒体网络覆盖增强系统的结构示意图;
图6为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
无线多媒体传感器网络的引入有利于实时监测设施蔬菜生长状态,为病害诊断、肥药变量实施与灌溉控制等精准作业过程提供有效可靠的数据支持。
传统多媒体传感器网络感知数据类型单一,信息不够精确,使设施精准作业存在环境调控能源消耗量大,肥水利用率低等实际问题。
现有研究中缺乏覆盖对象造成的盲区建模成果,无法量化被遮挡区域的位置与面积,且设施蔬菜中果实、枝叶的形状各不相同,造成遮挡的条件亦不相同,需联系实际问题对覆盖目标与遮挡盲区构建物理和数学模型。
由于蔬菜温室内的传感器部署不能影响正常农事活动,传感器通常分布于每排蔬菜的侧边区域。而利用粒子群算法对该区域固定位置传感器进行感知方向寻优时,某些边界节点调整角度后可能覆盖边界外的无效区域,导致节点浪费。同时,现有技术中以最大化全局覆盖率为目标函数,算法易陷入局部最优,错过全局最优解,使获得的多媒体传感器覆盖部署方案并非最佳方案。
现有研究成果主要围绕覆盖优化算法与能源消耗等方面,忽略了覆盖目标的大小与位置,对覆盖目标间相互遮挡造成的多媒体传感器感知盲区没有深入研究。
针对该问题,图1为本发明实施例提供的一种无线多媒体网络覆盖增强方法流程图,如图1所示,本发明实施例提供一种无线多媒体网络覆盖增强方法,包括:
S1,根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有多媒体传感器无遮挡覆盖像素点的总面积;
S2,根据所有多媒体传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率;
S3,根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,所述分级协同粒子群算法通过制定每一多媒体传感器的优先级、对粒子群算法进行改进得到。
需要说明的是,本发明实施例中的传感器是指多媒体传感器,也是有向传感器,这些多媒体传感器组成多媒体传感器网络,多媒体传感器网络(multimedia sensornetwork,简称MSN)是由一组具有计算、存储和通信能力的多媒体传感器节点组成的分布式感知网络。它借助于节点上多媒体传感器感知所在周边环境的多种媒体信息(音频、视频、图像、数值等),通过多跳中继方式将数据传到信息汇聚中心,汇聚中心对监测数据进行分析,实现全面而有效的环境监测。
在目前的覆盖分析中,需要判断目标对象是否在传感器视域的平面范围内,如果在说明被覆盖,反之则不被覆盖,忽略了目标大小和形状结构等因素对覆盖范围的重要影响,导致相关覆盖计算方法不具有普适性和通用性。
本发明实施例中,以某蔬菜温室大棚为例进行说明,由于温室大棚内果实、枝叶间存在相互重叠的现象,导致了传感器的感知盲区,使原本位于覆盖范围内的目标区域可能未被检测到。
目标区域是指该温室大棚中所有监测对象上的像素点构成的区域,举例地,如果监测对象为温室大棚中的果实和叶子,那么目标区域就是所有果实和所有叶子上的像素点确定的区域。
温室大棚内蔬菜种植以排为单位构成整体监测区域,果实与枝叶随机分布在每排监测区域内,传感器需均匀分布在蔬菜两侧。图2为本发明实施例中果实、叶子和传感器部署的二维平面图,如图2所示,记果实共K个,叶片共L个。在该二维平面上,用圆形代表每个果实,面积为2πr2,第m个果实的所在区域表示为矩形代表每片叶子,面积为r1×r2,r1为矩形长,r2为矩形宽,第t片叶子所在区域表示为
则目标区域可以表示为:
所有传感器无遮挡覆盖像素点的总面积是指位于覆盖范围内的目标区域中所有传感器能监测到的没有被遮挡的像素点。
记任意一个像素点(x,y)∈Ω和位于(xi,yi)的传感器节点si(i=1,2,……,N)的距离为d,两者连线与节点si感知方向的夹角为θ。
基于布尔圆盘定理可知,该像素点在有向节点si感知覆盖范围内的概率Pcov(x,y,si)为:
通过判断目标区域内每个像素点的被覆盖概率,可得到传感器si覆盖范围内的目标区域总像素点面积Pcov(COV)为:
记Ωcov为位于传感器覆盖范围内的目标区域。
在不考虑覆盖目标被遮挡的情况下,采用布尔圆盘定理判定多媒体传感器覆盖目标区域像素点的情况。
所有监测对象遮挡像素点的总面积为所有果实上被遮挡像素点的面积和所有叶子上被遮挡像素点的面积之间的并集。
根据目标区域中像素点总面积和每个检测对象遮挡像素点的面积,得到每个传感器无遮挡覆盖像素点的面积,将每个传感器无遮挡覆盖像素点的面积进行并集处理,得到所有传感器无遮挡覆盖像素点的总面积,本发明实施例中,将其称为有效总面积。
将有效总面积除以目标区域的总面积,就可以得到传感器的有效覆盖率,利用分级协同粒子群算法对每个多媒体传感器的角度进行调整,在调整过程中,以有效覆盖率最大化为目标,将有效覆盖率最大时每个多媒体传感器的角度作为最佳安装角度。
本发明提供了一种无线多媒体网络覆盖增强方法,为实现最大化无遮挡覆盖监测对象的目的,通过分级协同粒子群对每个传感器的角度进行优化,通过制定传感器的决策优先级,将全局优化问题转化为最大化各个传感器覆盖率的问题,令高级别传感器优先确定自己的覆盖范围,低级别传感器则在回避该区域的前提下寻找最优角度。
该方法简化了问题复杂度,可降低算法陷入局部最优的概率。由于传感器决策优先级会影响最优输出结果,本发明以单个传感器的有效覆盖面积为依据,重新衡量每个传感器的优先级,通过对比多次决策的结果得到最优无遮挡有效覆盖率,实现蔬菜温室内的传感器姿势部署。
在上述实施例的基础上,优选地,所述根据所述有效覆盖率和分级协同粒子群算法,获取每个传感器的最佳安装角度,具体包括:
Step1:初始化算法参数,并将所述有效覆盖率作为粒子群算法的适应度;
Step2:根据当前优先级顺序,首先粒子群算法对优先级最高的多媒体传感器单独进行角度寻优,更新得到当前传感器最佳朝向角,计算优先级最高的多媒体传感器对应有效覆盖率;然后所述粒子群算法对次一级优先级的多媒体传感器进行单独角度寻优,在回避上一级传感器覆盖区域的情况下得到该多媒体传感器最优朝向角,同样计算该多媒体对应有效覆盖率,重复该步骤直到得到所述多媒体传感器集合内所有多媒体传感器的最优朝向角,并获取每一多媒体传感器对应的最优有效覆盖率;
Step3:根据每一多媒体传感器对应的最优有效覆盖率,对所述当前优先级顺序进行调整,并重复Step2,直到满足预设重排序次数;
Step4:获取预设迭代次数中有效覆盖率最大时每一个多媒体传感器无遮挡覆盖像素点的总面积。
本发明实施例在计算每个多媒体传感器的最佳安装角度时,首先要确定每个多媒体传感器的优先级顺序,然后再根据确定的优先级顺序依次确定每个多媒体传感器的安装角度。
具体地,本发明实施例中将分级协同粒子群算法主要是指将粒子群算法应用在多媒体传感器的角度寻优上,在确定最佳优先级顺序是,首先根据初始优先级顺序对优先级最高的多媒体传感器单独进行角度寻优,并更新该优先级最高的多媒体传感器的最佳朝向角,并计算该优先级最高的多媒体传感器对应的有效覆盖率。
然后对次一级优先级的多媒体传感器进行单独角度寻优,由于上一级优先级多媒体传感器的角度已经确定了,因此,次一级优先级的多媒体传感器在回避上一优先级传感器的覆盖区域下,得到次一级优先级的多媒体传感器的最优朝向角,并计算该级别传感器的有效覆盖率;按照相同的过程计算多媒体传感器集合中每个多媒体传感器的最优朝向角,并计算每个多媒体传感器的最优有效覆盖率。然后根据每一多媒体传感器对应的最优有效覆盖率,重新对当前优先级中顺序进行调整。以上为一次的迭代过程。
然后重复上述迭代过程多次,直到确定最佳的优先级顺序。
最后获取预设迭代次数中有效覆盖率最大时每一个多媒体传感器无遮挡覆盖像素点的总面积。该方法确定的多媒体传感器的最佳安装角度为全局最佳安装角度,从而每个多媒体传感器的有效覆盖率为全局最优,而不是局部最优。
本发明的分级协同粒子群算法可旋转固定位置多媒体传感器节点的感知角度,迭代得到能够覆盖更多目标区域的朝向角方向。具体步骤如下:
S31,初始化算法参数,包括粒子群规模、粒子坐标、粒子初始速度、粒子维度、最大迭代次数Max、重排序总次数Sum,记第j个粒子的位置hj和速度变量vj分别代表传感器si的当前朝向角方向与朝向角改变量。
S32,将粒子当前位置传递给适应度函数Q(si),该适应度函数即为有覆盖率。
判断粒子通过该适应度函数得到的适应度值是否比以前的适应度最佳值好,即更新粒子的局部最佳位置。
全局最佳值将根据所有个体找到的最佳适应值进行更新。每个粒子的速度矢量根据粒子的局部最佳位置pbest和全局最佳位置gbest进行更新,表示为:
其中,j代表粒子序号,iter表示迭代次数,是第j个粒子迭代第iter次的速度,rand()是在0-1之间产生均匀分布随机数的函数,c1和c2分别是控制个体和群体最佳位置的加速因子,w是惯性权重,wmax代表初始权重,wmin代表最终权重,Max为最大迭代次数。
根据更新的速度矢量,粒子j在优化空间中的下一个位置,换句话说,传感器节点的下一朝向角方向计算方式如下:
S33,判断迭代是否满足要求,不满足则继续执行步骤三迭代更新粒子信息。
S34,完成迭代要求,根据输出最优解,确定传感器si对应的最佳朝向角方向,即可得到si在该状态下的覆盖区域Rarea(si)。
S35,判断是否传感器集合内S={s1,s2,…,sN}所有传感器都已完成朝向角寻优,即i=N,不满足则更新传感器信息i=i+1,执行步骤S32对更新后的传感器节点si+1进行粒子优化。
S36,完成全部传感器的朝向角迭代寻优后,判断输出值QT(S)是否比以前的最佳输出有效覆盖率Q(S)好,满足条件则更新传感器集合的无遮挡有效覆盖率Q(S)=QT(S)。
S37,判断是否满足重排序要求,即T=Sum。不满足则根据每个Rarea(sz)(z=1,2,……,N)大小,按由小到大的规则依次确定多媒体传感器从高到低的决策顺序,即传感器的优先级,继续执行步骤S32对更新排序后的节点集合进行粒子优化。
完成重排序要求,输出无遮挡最佳有效覆盖率Q(S),结束流程。
基于有效覆盖区域大小的优先级重排序机制。在传感器分级协同寻优的粒子群算法中,按照随机确定的优先级依次寻找每个传感器的较优朝向角,为避免重叠,低级别传感器会避免重复覆盖高级传感器的最优覆盖区域,换句话说,高级传感器的优化结果对低级传感器的优化过程影响较大。
当传感器集合内所有传感器完成朝向角优化后,本发明对每个传感器最优覆盖面积由小到大进行排序,然后按照该顺序从高到低重新制定传感器的优先级,再次对传感器朝向角方向进行决策。当重排序次数满足条件后,对比每次获得的最佳有效覆盖率,取其中的最高覆盖率作为最终输出结果。
传统的粒子群算法将传感器集合有效覆盖率作为适应度函数,不仅容易陷入局部最优,而且忽略了平衡节点利用率,容易造成个别传感器利用不充分。本发明实施例提供的分级协同粒子群算法,将全局有效区域覆盖问题依次分解为各个传感器的有效覆盖率优化问题。通过制定传感器决策优先级,由高至低轮流对传感器进行朝向角寻优,每次仅迭代优化一个多媒体传感器的感知方向,充分改善了每个节点的利用率。寻优过程中,低优先级传感器与高优先级传感器相互协同,低优先级传感器避免重复覆盖高优先级传感器的最优覆盖区域,从而逼近当前传感器集合所能提供的最优覆盖效果。
在上述实施例的基础上,优选地,所述根据目标区域和每一监测对象遮挡像素点的面积,获取所有传感器无遮挡覆盖像素点的总面积,具体包括:
根据每一监测对象对应的遮挡覆盖模型,获取每一监测对象遮挡像素点的面积;
根据所述目标区域和每一监测对象遮挡像素点的面积,获取每一传感器无遮挡覆盖像素点的面积;
将每一传感器无遮挡覆盖像素点的面积的并集作为所有传感器无遮挡覆盖像素点的总面积。
同样地,在计算所有监测对象遮挡像素点的总面积时,先计算每个监测对象覆盖像素点的面积,本发明实施例中,由于监测对象只有果实和叶子,因此,本发明实施例中需要先计算每个果实遮挡像素点的面积和每片叶子遮挡像素点的面积,将每个果实遮挡像素点的面积、每片叶子遮挡像素点的面积进行并集处理,得到监测对象遮挡像素点的总面积。
在上述实施例的基础上,优选地,所述根据所有传感器覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率,具体包括:
其中,Q(S)表示所述有效覆盖率,Sarea表示所述目标区域的总面积,si表示第i个传感器节点,Rarea(si)表示第i个传感器节点的有效面积。
具体地,S={s1,s2,…,si,…,sN}表示传感器集合,通过对每个传感器无遮挡覆盖像素点的面积进行并集处理,得到传感器无遮挡覆盖像素点的总面积,将传感器无遮挡覆盖像素点的总面积除以目标区域的总面积,就可以得到传感器的有效覆盖率。
在上述实施例的基础上,优选地,为了计算果实遮挡像素点的面积,需要对所有果实上每个像素点在传感器视角中被遮挡的概率,具体地,所述果实的遮挡像素点的面积通过如下方式获得:
对于所述果实上的任一像素点,根据所述果实对应的遮挡覆盖模型,获取所述任一像素点在任一传感器视角中被遮挡的概率,所述果实对应的遮挡覆盖模型具体如下;
其中,S1(x,y,si)表示所述任一像素点(x,y)在所述任一传感器si视角中被遮挡的概率,α表示第一切线与参考线的夹角,β表示第二切线与所述参考线的夹角,d表示所述任一像素点到所述任一传感器之间的距离,所述参考线为所述任一传感器和所述任一像素点之间的连线,所述第一切线和所述第二切线分别为所述任一传感器向参考圆引出的两条切线,所述参考圆表示所述果实。
图3为本发明实施例中果实中任一像素点在任一传感器视角中被遮挡的概率示意图,如图3所示,记果实m的(m=1,2,……,K)圆心位置为(p'xm,p'ym),与位于(xi,yi)处的传感器si的距离为dpm。
由si处引圆m的两条切线line1(第一切线)、line2(第二切线),其夹角为σ。对于任意点(x,y)∈Ωcov与传感器si的距离为d,连线与两条切线line1、line2的夹角分别是α和β。该点在传感器si的视角下,该像素点被果实m遮挡的概率为:
在上述实施例的基础上,优选地,为了计算叶子遮挡像素点的面积,需要对所有叶子上每个像素点在传感器视角中被遮挡的概率,具体地:
对于所述叶子上的任一像素点,根据所述叶子对应的遮挡覆盖模型,获取所述任一像素点在任一传感器视角中被遮挡的概率,所述叶子对应的遮挡覆盖模型具体如下:
其中,S2(x,y,si)表示所述任一像素点(x,y)在所述任一传感器si视角中被遮挡的概率,φ表示第一连线与参考线的夹角,γ表示第二连线与所述参考线的夹角,所述参考线为所述任一传感器和所述任一像素点之间的连线,所述第一连线为第一端点与所述任一传感器的连线,所述第二连线为第二端点与所述任一传感器的连线,所述第一端点和所述第二端点为参考矩形中的两个顶点,在所述参考矩形的四个顶点与所述任一传感器的连线中,所述第一连线和所述第二连线确定的夹角最大,所述参考矩形表示所述叶子,yl′ine表示所述任一像素点的横坐标在基准线上对应的纵坐标,所述基准线为所述第一端点和所述第二端点确定的直线。
图4为本发明实施例中叶子上任一像素点在任一传感器视角中被遮挡的概率示意图,如图4所示,不同于圆形模型造成遮挡区域,矩形叶子形成的遮挡区域由其多个端点与传感器的夹角、距离共同决定。记一片矩形叶子的四个端点与任一传感器si连线的角度分别为(δ1,δ2,δ3,δ4),最大夹角差为:
具有最大夹角差的两个端点所对应的直线表达式为:
对于任意像素点(x,y)∈Ωcov,将其横坐标代入上述直线方程可得到对应纵坐标y'line。通过计算可得到,该点与节点si的连线和第一连线、第二连线的夹角分别为φ、γ。根据光的直线传播原理,叶子上任一像素点(x,y)在传感器si的视角中被遮挡的概率为:
在已知每个果实遮挡像素点面积的计算方法和每个叶子遮挡像素点面积的计算方法情况下,通过下列方法计算任一传感器无遮挡覆盖像素点的面积:
遍历每个果实与每片叶子集合,传感器si覆盖范围内无遮挡覆盖的面积为:
综上,作物遮挡是造成蔬菜温室无线多媒体传感器网络感知覆盖盲区的重要原因。针对该问题,本发明分别构建了圆形目标与矩形目标的遮挡区域判定模型,量化传感器覆盖范围内的无遮挡目标覆盖区域。并以最大化传感器无遮挡目标覆盖面积为目的,利用粒子群算法调整传感器的感知角度方向。
本发明通过制定传感器优先级,最大化每个传感器的有效覆盖率,可以达到逼近最佳传感器集合有效覆盖的效果。而且由于对每个传感器的朝向角进行轮流调整,可以降低算法陷入局部收敛的可能性。高优先级传感器的最优覆盖信息被传递给低级别传感器,使寻优顺序靠后的传感器避免重叠覆盖,尽力覆盖未被覆盖的目标区域,提高了传感器利用率。
首次决策过程中,传感器优先级被随机确定,逐个完成对每个有向传感器的朝向角寻优后,以有效覆盖面积大小为依据重新衡量传感器优先级。针对有效覆盖面积较小的传感器,将其决策顺序提前,能够减少其他传感器覆盖信息的影响,使该传感器覆盖更多目标区域,有助于实现蔬菜温室内的无线多媒体覆盖增强。
图5为本发明实施例提供的一种无线多媒体网络覆盖增强系统的结构示意图,如图5所示,该系统包括:传感器覆盖模块501、有效模块502和优化模块503,其中:
传感器覆盖模块501用于根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有多媒体传感器无遮挡覆盖像素点的总面积;
有效模块502用于根据所有多媒体传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率;
优化模块503用于根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,所述分级协同粒子群算法通过制定每一多媒体传感器的优先级、对粒子群算法进行改进得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
图6为本发明实施例提供的一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和总线604,其中,处理器601,通信接口602,存储器603通过总线604完成相互间的通信。通信接口602可以用于电子设备的信息传输。处理器601可以调用存储器603中的逻辑指令,以执行包括如下的方法:
根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有多媒体传感器无遮挡覆盖像素点的总面积;
根据所有多媒体传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率;
根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,所述分级协同粒子群算法通过制定每一多媒体传感器的优先级、对粒子群算法进行改进得到。
此外,上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:
根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有多媒体传感器无遮挡覆盖像素点的总面积;
根据所有多媒体传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率;
根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,所述分级协同粒子群算法通过制定每一多媒体传感器的优先级、对粒子群算法进行改进得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种无线多媒体网络覆盖增强方法,其特征在于,包括:
根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有多媒体传感器无遮挡覆盖像素点的总面积;
根据所有多媒体传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率;
根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,所述分级协同粒子群算法通过制定每一多媒体传感器的优先级、对粒子群算法进行改进得到;
所述根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,具体包括:
Step1:初始化算法参数,并将所述有效覆盖率作为粒子群算法的适应度;
Step2:根据当前优先级顺序,首先粒子群算法对优先级最高的多媒体传感器单独进行角度寻优,更新得到优先级最高的多媒体传感器最佳朝向角,计算优先级最高的多媒体传感器对应有效覆盖率;然后所述粒子群算法对次一级优先级的多媒体传感器进行单独角度寻优,在回避上一优先级传感器覆盖区域的情况下得到该多媒体传感器最优朝向角,同样计算该多媒体传感器对应有效覆盖率,重复该步骤直到得到所述多媒体传感器集合内所有多媒体传感器的最优朝向角,并获取每一多媒体传感器对应的最优有效覆盖率;
Step3:根据每一多媒体传感器对应的最优有效覆盖率,对所述当前优先级顺序进行调整,并重复Step2,直到满足预设重排序次数;
Step4:获取预设迭代次数中所有多媒体传感器形成的有效覆盖率最大时每一个多媒体传感器的最优朝向角方向。
2.根据权利要求1所述的无线多媒体网络覆盖增强方法,其特征在于,所述根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有多媒体传感器无遮挡覆盖像素点的总面积,具体包括:
根据布尔扇形覆盖模型,获得位于多媒体传感器感知范围内的目标区域面积;
建立每一监测对象对应的遮挡覆盖模型,获取每一监测对象遮挡像素点的面积;
根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取每一多媒体传感器无遮挡覆盖像素点的面积;
将多媒体传感器无遮挡覆盖像素点的面积的并集作为所有多媒体传感器无遮挡覆盖像素点的总面积。
4.根据权利要求1所述的无线多媒体网络覆盖增强方法,其特征在于,所有监测对象包括果实,所述果实的遮挡像素点的面积通过如下方式获得:
对于位于覆盖区域内的果实,根据所述果实对应的遮挡覆盖模型,获取任一像素点在任一多媒体传感器视角中被果实遮挡的概率,所述果实对应的遮挡覆盖模型具体如下:
其中,S1(x,y,si)表示所述任一像素点(x,y)在所述任一多媒体传感器si视角中被遮挡的概率,α表示第一切线与参考线的夹角,β表示第二切线与所述参考线的夹角,d表示所述任一像素点到所述任一多媒体传感器之间的距离,所述参考线为所述任一多媒体传感器和所述任一像素点之间的连线,所述第一切线和所述第二切线分别为所述任一多媒体传感器向参考圆引出的两条切线,所述参考圆表示所述果实;σ表示由si处引圆m的两条切线line1、line2的夹角;dpm表示果实m的圆心位置与位于传感器si的距离。
5.根据权利要求1所述的无线多媒体网络覆盖增强方法,其特征在于,所有监测对象包括叶子,所述叶子的遮挡像素点的面积通过如下方式获得:
对于位于覆盖范围内的叶子,根据所述叶子对应的遮挡覆盖模型,获取任一像素点在任一多媒体传感器视角中被该叶子遮挡的概率,所述叶子对应的遮挡覆盖模型具体如下:
其中,S2(x,y,si)表示所述任一像素点(x,y)在所述任一多媒体传感器si视角中被遮挡的概率,φ表示第一连线与参考线的夹角,γ表示第二连线与所述参考线的夹角,所述参考线为所述任一多媒体传感器和所述任一像素点之间的连线,所述第一连线为第一端点与所述任一多媒体传感器的连线,所述第二连线为第二端点与所述任一多媒体传感器的连线,所述第一端点和所述第二端点为参考矩形中的两个顶点,在所述参考矩形的四个顶点与所述任一多媒体传感器的连线中,所述第一连线和所述第二连线确定的夹角最大,所述参考矩形表示所述叶子,y′line表示所述任一像素点的横坐标在基准线上对应的纵坐标,所述基准线为所述第一端点和所述第二端点确定的直线;δ表示矩形叶子的四个端点与任一传感器si连线的角度的最大夹角差。
6.一种无线多媒体网络覆盖增强系统,其特征在于,包括:
传感器覆盖模块,用于根据位于多媒体传感器集合覆盖范围内的目标区域总面积和每一监测对象遮挡像素点的面积,获取所有多媒体传感器无遮挡覆盖像素点的总面积;
有效模块,用于根据所有多媒体传感器无遮挡覆盖像素点的总面积和所述目标区域的总面积,获取有效覆盖率;
优化模块,用于根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,所述分级协同粒子群算法通过制定每一多媒体传感器的优先级对粒子群算法进行改进得到;
所述根据所述有效覆盖率和分级协同粒子群算法,获取每个多媒体传感器的最佳安装角度,具体包括:
Step1:初始化算法参数,并将所述有效覆盖率作为粒子群算法的适应度;
Step2:根据当前优先级顺序,首先粒子群算法对优先级最高的多媒体传感器单独进行角度寻优,更新得到优先级最高的多媒体传感器最佳朝向角,计算优先级最高的多媒体传感器对应有效覆盖率;然后所述粒子群算法对次一级优先级的多媒体传感器进行单独角度寻优,在回避上一优先级传感器覆盖区域的情况下得到该多媒体传感器最优朝向角,同样计算该多媒体传感器对应有效覆盖率,重复该步骤直到得到所述多媒体传感器集合内所有多媒体传感器的最优朝向角,并获取每一多媒体传感器对应的最优有效覆盖率;
Step3:根据每一多媒体传感器对应的最优有效覆盖率,对所述当前优先级顺序进行调整,并重复Step2,直到满足预设重排序次数;
Step4:获取预设迭代次数中所有多媒体传感器形成的有效覆盖率最大时每一个多媒体传感器的最优朝向角方向。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述无线多媒体网络覆盖增强方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述无线多媒体网络覆盖增强方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296323.9A CN111132182B (zh) | 2019-12-16 | 2019-12-16 | 一种无线多媒体网络覆盖增强方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296323.9A CN111132182B (zh) | 2019-12-16 | 2019-12-16 | 一种无线多媒体网络覆盖增强方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111132182A CN111132182A (zh) | 2020-05-08 |
CN111132182B true CN111132182B (zh) | 2022-08-23 |
Family
ID=70499301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911296323.9A Active CN111132182B (zh) | 2019-12-16 | 2019-12-16 | 一种无线多媒体网络覆盖增强方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111132182B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130102242A (ko) * | 2012-03-07 | 2013-09-17 | 한국과학기술원 | 대규모 센서 네트워크를 위한 이벤트 감지 성능 보장 최적 센서 노드 배치 방법 |
CN103945401A (zh) * | 2014-04-30 | 2014-07-23 | 山东大学 | 面向非均匀感知区域的无线传感器网络自动部署方法 |
CN104349356A (zh) * | 2013-08-05 | 2015-02-11 | 江南大学 | 基于差分进化的视频传感器网络覆盖增强实现方法 |
CN105898765A (zh) * | 2016-06-07 | 2016-08-24 | 中国地质大学(武汉) | 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 |
CN107277830A (zh) * | 2017-08-03 | 2017-10-20 | 扬州大学 | 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法 |
CN107295534A (zh) * | 2017-07-06 | 2017-10-24 | 北京农业信息技术研究中心 | 一种农业无线多媒体传感器网络有向感知覆盖增强方法 |
-
2019
- 2019-12-16 CN CN201911296323.9A patent/CN111132182B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130102242A (ko) * | 2012-03-07 | 2013-09-17 | 한국과학기술원 | 대규모 센서 네트워크를 위한 이벤트 감지 성능 보장 최적 센서 노드 배치 방법 |
CN104349356A (zh) * | 2013-08-05 | 2015-02-11 | 江南大学 | 基于差分进化的视频传感器网络覆盖增强实现方法 |
CN103945401A (zh) * | 2014-04-30 | 2014-07-23 | 山东大学 | 面向非均匀感知区域的无线传感器网络自动部署方法 |
CN105898765A (zh) * | 2016-06-07 | 2016-08-24 | 中国地质大学(武汉) | 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 |
CN107295534A (zh) * | 2017-07-06 | 2017-10-24 | 北京农业信息技术研究中心 | 一种农业无线多媒体传感器网络有向感知覆盖增强方法 |
CN107277830A (zh) * | 2017-08-03 | 2017-10-20 | 扬州大学 | 一种基于粒子群优化和变异算子的无线传感器网络节点部署方法 |
Non-Patent Citations (2)
Title |
---|
《The Study of Farmers" Professional Cooperatives Information Service System》;Xiang Sun et.al;《 2013 International Conference on Computer Sciences and Applications》;20140619;全文 * |
《改进的粒子群算法及其工程应用研究》;任燕芝;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190228(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111132182A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
CN103971160B (zh) | 基于复杂网络的粒子群优化方法 | |
CN109255302A (zh) | 目标物识别方法及终端、移动装置控制方法及终端 | |
CN111709285A (zh) | 一种基于无人机的疫情防护监控方法、装置和存储介质 | |
CN108509820A (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN110062390A (zh) | 基于改进狼群算法的无线传感器网络节点优化部署方法 | |
CN107295534B (zh) | 一种农业无线多媒体传感器网络有向感知覆盖增强方法 | |
CN108572648B (zh) | 一种无人驾驶车辆电源多源融合预测方法及系统 | |
CN112580537B (zh) | 一种用于多无人机系统持续覆盖特定区域的深度强化学习方法 | |
CN112469050B (zh) | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 | |
US20220156917A1 (en) | Normalizing counts of plant-parts-of-interest | |
CN113159466A (zh) | 一种短时光伏发电功率预测系统及方法 | |
CN109885082A (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
Li et al. | A multi-arm robot system for efficient apple harvesting: Perception, task plan and control | |
CN115376125A (zh) | 一种基于多模态数据融合的目标检测方法以及基于目标检测模型的在体果实采摘方法 | |
US20230196754A1 (en) | Tracking objects with changing appearances | |
CN111132182B (zh) | 一种无线多媒体网络覆盖增强方法及系统 | |
Nguyen et al. | Deep reinforcement learning for task offloading in UAV-aided smart farm networks | |
CN117021059B (zh) | 采摘机器人及其果实定位方法、装置、电子设备及介质 | |
CN111896045A (zh) | 温室作物三维有向感知与细粒度自动采集装置及方法 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN116740337A (zh) | 一种红花采摘点识别定位方法及采摘系统 | |
CN114200960B (zh) | 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法 | |
Wu et al. | An improved k-angle coverage algorithm for multimedia wireless sensor networks based on two-layer tabu search |
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 |