CN111199359A - 一种网络资源约束下的多智能体任务分配方法 - Google Patents
一种网络资源约束下的多智能体任务分配方法 Download PDFInfo
- Publication number
- CN111199359A CN111199359A CN202010019187.5A CN202010019187A CN111199359A CN 111199359 A CN111199359 A CN 111199359A CN 202010019187 A CN202010019187 A CN 202010019187A CN 111199359 A CN111199359 A CN 111199359A
- Authority
- CN
- China
- Prior art keywords
- agent
- task
- capability
- manager
- resource
- 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
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services; Handling legal documents
- G06Q50/188—Electronic negotiation
Abstract
本发明提出了一种网络资源约束下的多智能体任务分配方法,该方法面向资源约束的多智能体系统,通过建立统一系统状态库,为任务分配提供实时系统状态;通过增加任务分解、招标者选择环节,减少了任务协作成本及任务协商通信量。多智能体任务分配方法由状态收集模块、状态统一描述模块、任务分解分发模块组成,状态收集模块采用移动代理的方式收集全系统资源状态;状态统一描述模块对资源状态进行统一分类及描述,使用Hash算法实现系统状态库的快速查找与存储;任务分解分发模块基于统一的系统状态进行任务分解,使用合同网与Dijkstra相结合的招标者选择策略。本发明提高了任务分配效率,增强了多智能体系统的任务执行能力。
Description
技术领域
本发明涉及通信网络领域,提出了一种资源受限下的多智能体任务分配方法,形成基于观察-判断-决策-反馈的任务分配流程。
背景技术
合同网协议是一种分布式的协商机制,旨在借鉴市场行为中合同生成思路解决分布式人工智能中的任务分配问题。合同网协议由于具有对分布式系统的适用性,成为一种有效的多Agent协调机制。近年来,合同网协议被广泛应用到生产调度、无人机、多机器人系统等具体领域,展现出良好的动态性、扩展性、鲁棒性,成为这些领域解决任务分配问题的重要手段。
不过,随着应用的深入与扩展,基本的合同网协议暴露出了明显的缺陷。首先,基本合同网协议面向规模不大的系统,管理者将招标信息无差别地广播给所有合同者,并未考虑其是否具有潜在招标价值。对于大规模系统,合同者数量众多且分布分散,广播招标将产生极大的通信量;同时,管理者需接收和处理大量投标消息,协商效率不高;其次,基本合同网协议面向简单任务,可交由一个合同者执行,不涉及多合同者协作。而复杂任务可能需要多个分散的合同者共同承担,任务成本既包括合同者自身成本,也包括合同者间的协作成本。若忽略协作成本,所得结果很可能并非最佳方案。
为了解决这一问题,很有必要设计一种新型网络资源受限条件下的任务分配方法,增强任务执行能力。
发明内容
本发明所要解决的技术问题就是在上述背景技术中能够提高任务执行效率,设计了基于观察-判断-决策-反馈的任务分配流程。本发明在判断环节通过统一建模生成资源描述文档,通过Hash算法将资源描述文档存储在系统状态库中;在决策环节考虑了任务协作成本,并采用合同网与Dijkstra相结合的招标者选择策略进行招标,提高了任务分配效率。
本发明所要解决的技术问题由下列技术方案实现:
一种网络资源约束下的多智能体任务分配方法,管理者收集汇总系统状态信息,通过基于系统实时状态的任务分解与招标者选择,提高系统的任务执行能力,包括如下步骤:
(1)管理者通过移动代理的方式对智能体系统的各类资源状态进行实时分布式收集;所述的各类资源状态包括每个智能体的工作状态和节点能力;工作状态包括智能体的地理位置、当前任务执行情况和当前能力;
(2)管理者设计资源状态描述模板,存放于资源描述知识库中,对于实时收集的智能体的各类资源状态和待分配的任务,从资源描述知识库中获取描述模板,进行统一状态描述,生成资源描述文档,并通过Hash算法将资源描述文档存储在系统状态库中;
(3)管理者根据系统状态库中智能体的地理位置信息,将任务按照地域进行分解,并通过合同网与Dijkstra相结合的招标者选择策略根据智能体的工作状态和节点能力进行任务分配;
(4)单个智能体接收到任务后执行任务,管理者对任务执行情况进行评估,根据评估结果更新系统状态库中对应智能体的当前任务执行情况。
其中,步骤(2)中管理者设计资源状态描述模板具体为:
管理者对智能体进行描述,包括智能体的节点能力和工作状态;节点能力包括type和max_property,其中type表示智能体的能力类型,max_property表示智能体能力的属性最大值;工作状态包括status、position和cur_property,其中status表示当前任务执行情况,position表示智能体节点所处地理位置,cur_property表示智能体当前能力的属性值;
管理者对任务进行描述,包括taskName、scope、taskType和property,其中taskName表示任务名称,用来唯一表示任务;scope表示任务的范围;taskType表示任务需要的能力类型;property表示执行任务所需的最小能力属性值。
其中,步骤(2)中通过Hash算法将资源描述文档存储在系统状态库中,具体为:将资源描述文档存储在系统状态库中,并由Hash算法产生唯一的关键值,其中Hash算法采用x为待插入的信息,len为信息实际长度,size为Hash表的大小,i为整数。
其中,步骤(3)中管理者根据Hash(x)关键值进行系统状态的快速查找。
其中,步骤(3)中通过合同网与Dijkstra相结合的招标者选择策略根据智能体的工作状态和节点能力进行任务分配,具体步骤为:
(301)管理者根据Dijkstra算法计算出管理者距离各智能体的最小路径权值Ri;
(302)管理者比较执行任务所需的最小能力属性值property与各个智能体当前能力的属性值cur_property,若智能体当前能力cur_property大于执行任务所需的最小能力property,则表示智能体有能力参加竞标,能力值Ci=cur_property,否则放弃竞标;
(304)管理者通过单播方式向特定投标者进行招标;
(303)智能体收到招标信息后,根据自身的节点能力进行投标决策;若同意,则向管理者发送标书,执行步骤(304);若拒绝,则向管理者发送拒绝,并返回步骤(301);
(304)管理者与发送标书的智能体签订合同,智能体开始任务执行,并更新节点当前任务执行情况status。
本发明相比现有技术具有如下优点:
1.本发明针对异构智能体资源,通过统一建模实现节点、任务的统一描述,使用Hash算法实现状态信息的快速查找与存储;
2.本发明在任务招标时采用合同网与Dijkstra相结合的策略,通过招标者选择减少了任务协商通信量;
3.本发明采用观察-判断-决策-反馈的任务分配流程,实现了基于系统实时状态的任务分解分发,使任务分配从静态模式发展到动态自适应模式。
附图说明
图1为本发明采用的多智能体系统任务分配示意图。
图2为本发明消息流向示意图。
图3为系统资源统一描述示意图。
图4为任务分配示意图。
具体实施方式
下面结合附图1-4对本发明实施例所述的技术方案进行详细说明。
如图1所示,为提高任务执行效率,在多智能体系统中增加了“管理者”角色,智能体对节点能力、工作状态和任务情况进行上报,管理者完成资源状态统一描述与存储,基于统一的状态信息进行任务分解、任务协商和任务分发,智能体的任务执行情况反作用于任务协商,使任务分配从静态模式发展到动态自适应模式。
本发明基于图2所示的任务分配消息流向,包括状态收集、状态统一描述及任务分解分发。
状态收集:通过移动代理分布式收集系统状态,发送给状态统一描述模块,解决资源受限条件下的网管负担过重问题。
状态统一描述:汇总各智能体的状态信息,通过智能体状态统一建模,对状态信息进行分类和定义,隐藏资源的异构性,实现节点能力、工作状态及任务情况的统一描述抽象。具体如图3,使用标准的形式化描述语言设计资源描述模板,并将资源描述模板存放于资源描述知识库中。对于感知到的各类状态,从资源描述知识库中获取描述模板,对其进行统一描述,生成资源描述文档。经统一描述后的资源状态通过Hash算法被注册到多智能体系统状态库中,便于任务分解分发模块的读取。
任务分解分发:通过Hash算法读取统一的系统状态描述信息,根据地理位置信息,将任务按照地域进行分解;通过合同网与Dijkstra相结合的招标者选择策略进行任务分配,减少任务协商阶段的通信量。具体如图4,依照任务分解、投标者选择、招标、投标、中标、合同建立、反馈的流程完成任务分配。
一种网络资源约束下的多智能体任务分配方法,管理者收集汇总系统状态信息,通过基于系统实时状态的任务分解与招标者选择,提高系统的任务执行能力,具体包括如下步骤:
(1)管理者通过移动代理的方式对智能体系统的各类资源状态进行实时分布式收集;所述的各类资源状态包括每个智能体的工作状态和节点能力;工作状态包括智能体的地理位置、当前任务执行情况和当前执行任务能力;
(2)管理者设计资源状态描述模板,存放于资源描述知识库中,对于实时收集的智能体的各类资源状态和待分配的任务,从资源描述知识库中获取描述模板,进行统一状态描述,生成资源描述文档,并通过Hash算法将资源描述文档存储在系统状态库中;
管理者设计资源状态描述模板具体为:
管理者对智能体进行描述,包括智能体的节点能力和工作状态;节点能力包括type和max_property,其中type表示智能体的能力类型,max_property表示智能体能力的属性最大值;工作状态包括status、position和cur_property,其中status表示当前任务执行情况,position表示智能体节点所处地理位置,cur_property表示智能体当前执行任务能力的属性值;
管理者对任务进行描述,包括taskName、scope、taskType和property,其中taskName表示任务名称,用来唯一表示任务;scope表示任务的范围;taskType表示任务需要的能力类型;property表示执行任务所需的最小能力属性值。
通过Hash算法将资源描述文档存储在系统状态库中,具体为:
(3)管理者根据系统状态库中智能体的地理位置信息,将任务按照地域进行分解,并通过合同网与Dijkstra相结合的招标者选择策略根据智能体的工作状态和节点能力进行任务分配;其中,管理者根据Hash(x)关键值进行系统状态的快速查找;
其中,通过合同网与Dijkstra相结合的招标者选择策略根据智能体的工作状态和节点能力进行任务分配,具体步骤为:
(301)管理者根据Dijkstra算法计算出管理者距离各智能体的最小路径权值Ri;
(302)管理者比较执行任务所需的最小能力属性值property与各个智能体当前执行任务能力的属性值cur_property,若智能体当前执行任务能力cur_property大于执行任务所需的最小能力property,则表示智能体有能力参加竞标,能力值Ci=cur_property,否则放弃竞标;
(304)管理者通过单播方式向特定投标者进行招标;
(303)智能体收到招标信息后,根据自身的节点能力进行投标决策;若同意,则向管理者发送标书,执行步骤(304);若拒绝,则向管理者发送拒绝,并返回步骤(301);
(304)管理者与发送标书的智能体签订合同,智能体开始任务执行,并更新节点当前任务执行情况status。
(4)单个智能体接收到任务后执行任务,管理者对任务执行情况进行评估,根据评估结果更新系统状态库中对应智能体的当前任务执行情况,为后续的任务分配提供参考,形成了观察-判断-决策-反馈的任务分配流程。
Claims (5)
1.一种网络资源约束下的多智能体任务分配方法,其特征在于,包括如下步骤:
(1)管理者通过移动代理的方式对智能体系统的各类资源状态进行实时分布式收集;所述的各类资源状态包括每个智能体的工作状态和节点能力;工作状态包括智能体的地理位置、当前任务执行情况和当前能力;
(2)管理者设计资源状态描述模板,存放于资源描述知识库中,对于实时收集的智能体的各类资源状态和待分配的任务,从资源描述知识库中获取描述模板,进行统一状态描述,生成资源描述文档,并通过Hash算法将资源描述文档存储在系统状态库中;
(3)管理者根据系统状态库中智能体的地理位置信息,将任务按照地域进行分解,并通过合同网与Dijkstra相结合的招标者选择策略根据智能体的工作状态和节点能力进行任务分配;
(4)单个智能体接收到任务后执行任务,管理者对任务执行情况进行评估,根据评估结果更新系统状态库中对应智能体的当前任务执行情况。
2.根据权利要求1所述的网络资源约束下的多智能体任务分配方法,其特征在于,步骤(2)中管理者设计资源状态描述模板具体为:
管理者对智能体进行描述,包括智能体的节点能力和工作状态;节点能力包括type和max_property,其中type表示智能体的能力类型,max_property表示智能体能力的属性最大值;工作状态包括status、position和cur_property,其中status表示当前任务执行情况,position表示智能体节点所处地理位置,cur_property表示智能体当前能力的属性值;
管理者对任务进行描述,包括taskName、scope、taskType和property,其中taskName表示任务名称,用来唯一表示任务;scope表示任务的范围;taskType表示任务需要的能力类型;property表示执行任务所需的最小能力属性值。
4.根据权利要求3所述的网络资源约束下的多智能体任务分配方法,其特征在于,步骤(3)中管理者根据hash(x)关键值进行系统状态的快速查找。
5.根据权利要求1所述的网络资源约束下的多智能体任务分配方法,其特征在于,步骤(3)中通过合同网与Dijkstra相结合的招标者选择策略根据智能体的工作状态和节点能力进行任务分配,具体步骤为:
(301)管理者根据Dijkstra算法计算出管理者距离各智能体的最小路径权值Ri;
(302)管理者比较执行任务所需的最小能力属性值property与各个智能体当前能力的属性值cur_property,若智能体当前能力cur_property大于执行任务所需的最小能力property,则表示智能体有能力参加竞标,能力值Ci=cur_property,否则放弃竞标;
(304)管理者通过单播方式向特定投标者进行招标;
(303)智能体收到招标信息后,根据自身的节点能力进行投标决策;若同意,则向管理者发送标书,执行步骤(304);若拒绝,则向管理者发送拒绝,并返回步骤(301);
(304)管理者与发送标书的智能体签订合同,智能体开始任务执行,并更新节点当前任务执行情况status。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010019187.5A CN111199359B (zh) | 2020-01-08 | 2020-01-08 | 一种网络资源约束下的多智能体任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010019187.5A CN111199359B (zh) | 2020-01-08 | 2020-01-08 | 一种网络资源约束下的多智能体任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199359A true CN111199359A (zh) | 2020-05-26 |
CN111199359B CN111199359B (zh) | 2023-01-24 |
Family
ID=70747159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010019187.5A Active CN111199359B (zh) | 2020-01-08 | 2020-01-08 | 一种网络资源约束下的多智能体任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199359B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898908A (zh) * | 2020-07-30 | 2020-11-06 | 华中科技大学 | 一种基于多智体的生产线调度系统及方法 |
CN112070383A (zh) * | 2020-08-31 | 2020-12-11 | 北京理工大学 | 一种面向动态任务的多智能体分布式任务分配方法 |
CN112163755A (zh) * | 2020-09-23 | 2021-01-01 | 华南理工大学 | 一种智能生产线云辅助自组织动态重构方法及其应用 |
CN113627781A (zh) * | 2021-08-09 | 2021-11-09 | 北京百度网讯科技有限公司 | 任务信息生成方法、装置、设备、存储介质和程序产品 |
CN114137960A (zh) * | 2021-11-01 | 2022-03-04 | 天行智控科技(无锡)有限公司 | 一种封闭区域智能运输系统的无人驾驶车辆协作方法 |
CN114545975A (zh) * | 2022-03-08 | 2022-05-27 | 大连理工大学 | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069010A (zh) * | 2015-07-07 | 2015-11-18 | 西安电子科技大学 | 基于多Agent的资源聚合方法 |
CN109343945A (zh) * | 2018-09-11 | 2019-02-15 | 中国空间技术研究院 | 一种基于合同网算法的多任务动态分配方法 |
CN110456633A (zh) * | 2019-06-29 | 2019-11-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 机载多平台分布式任务分配方法 |
-
2020
- 2020-01-08 CN CN202010019187.5A patent/CN111199359B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069010A (zh) * | 2015-07-07 | 2015-11-18 | 西安电子科技大学 | 基于多Agent的资源聚合方法 |
CN109343945A (zh) * | 2018-09-11 | 2019-02-15 | 中国空间技术研究院 | 一种基于合同网算法的多任务动态分配方法 |
CN110456633A (zh) * | 2019-06-29 | 2019-11-15 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 机载多平台分布式任务分配方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898908A (zh) * | 2020-07-30 | 2020-11-06 | 华中科技大学 | 一种基于多智体的生产线调度系统及方法 |
CN112070383A (zh) * | 2020-08-31 | 2020-12-11 | 北京理工大学 | 一种面向动态任务的多智能体分布式任务分配方法 |
CN112070383B (zh) * | 2020-08-31 | 2022-04-12 | 北京理工大学 | 一种面向动态任务的多智能体分布式任务分配方法 |
CN112163755A (zh) * | 2020-09-23 | 2021-01-01 | 华南理工大学 | 一种智能生产线云辅助自组织动态重构方法及其应用 |
CN113627781A (zh) * | 2021-08-09 | 2021-11-09 | 北京百度网讯科技有限公司 | 任务信息生成方法、装置、设备、存储介质和程序产品 |
CN113627781B (zh) * | 2021-08-09 | 2023-07-25 | 北京百度网讯科技有限公司 | 任务信息生成方法、装置、设备、存储介质和程序产品 |
CN114137960A (zh) * | 2021-11-01 | 2022-03-04 | 天行智控科技(无锡)有限公司 | 一种封闭区域智能运输系统的无人驾驶车辆协作方法 |
CN114545975A (zh) * | 2022-03-08 | 2022-05-27 | 大连理工大学 | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 |
CN114545975B (zh) * | 2022-03-08 | 2023-03-17 | 大连理工大学 | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111199359B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199359B (zh) | 一种网络资源约束下的多智能体任务分配方法 | |
Cao et al. | Resource allocation in 5G IoV architecture based on SDN and fog-cloud computing | |
Yang et al. | Energy efficiency based joint computation offloading and resource allocation in multi-access MEC systems | |
Hossain et al. | Multi-objective Harris hawks optimization algorithm based 2-Hop routing algorithm for CR-VANET | |
WO2010138286A2 (en) | Distributed information storage and retrieval of communication network performance data | |
US7865616B2 (en) | Virtual networks | |
CN111935241B (zh) | 基于数据分发网络的边缘服务智能协同方法 | |
Ahmadi et al. | A hybrid algorithm for preserving energy and delay routing in mobile ad-hoc networks | |
Yang et al. | Application of information transmission control strategy based on incremental community division in IoT platform | |
CN107911300A (zh) | 基于鲸鱼算法的组播路由优化方法及其在Spark平台上的应用 | |
Naghsh et al. | Digitally annealed solution for the maximum clique problem with critical application in cellular v2x | |
Xiao et al. | A fog computing paradigm for efficient information services in VANET | |
Torkzadeh et al. | Multi-constraint QoS routing using a customized lightweight evolutionary strategy | |
CN115118647B (zh) | 算力网络中算力信息感知和通告系统及其方法 | |
Dao et al. | A multifactorial evolutionary algorithm for minimum energy cost data aggregation tree in wireless sensor networks | |
Qafzezi et al. | A fuzzy-based approach for resource management in SDN-VANETs: Effect of trustworthiness on assessment of available edge computing resources | |
Nie et al. | Vehdoop: A scalable analytical processing framework for vehicular sensor networks | |
CN116133082A (zh) | 一种提高航空自组网拓扑持续时间的多跳分簇方法 | |
CN114338702A (zh) | 通信数据的转发方法及无人系统集群 | |
Shivshankar et al. | Content-based routing using multicasting for Vehicular Networks | |
Asheralieva et al. | Ultra-Reliable Low-Latency Slicing in Space-Air-Ground Multi-Access Edge Computing Networks for Next-Generation Internet of Things and Mobile Applications | |
CN107872832B (zh) | 一种蜂窝d2d通信系统的干扰图构建方法 | |
Subedi et al. | Synchronizing tasks for distributed learning in connected and autonomous vehicles | |
Jia et al. | Opportunistic transmission mechanism based on si in mobile crowd sensing networks | |
Gupta et al. | RDVFF-Reliable Data Dissemination in Vehicular Ad Hoc Networks Based on Validation of Far to Farthest Zone |
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 |