CN111242269A - 粒子群位置搜索方法、系统、装置及可读存储介质 - Google Patents

粒子群位置搜索方法、系统、装置及可读存储介质 Download PDF

Info

Publication number
CN111242269A
CN111242269A CN202010025588.1A CN202010025588A CN111242269A CN 111242269 A CN111242269 A CN 111242269A CN 202010025588 A CN202010025588 A CN 202010025588A CN 111242269 A CN111242269 A CN 111242269A
Authority
CN
China
Prior art keywords
particle
optimal position
fitness
updating
global optimal
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.)
Pending
Application number
CN202010025588.1A
Other languages
English (en)
Inventor
段明雪
汪树岩
胡芳琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Hangzhou Information Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010025588.1A priority Critical patent/CN111242269A/zh
Publication of CN111242269A publication Critical patent/CN111242269A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及粒子群领域，公开了一种粒子群位置搜索方法。根据粒子群的初始位置和初始速度计算每个粒子的位置适应度，使用每个粒子的所述位置适应度更新每个粒子的个体最优位置，利用每个粒子的所述位置适应度更新每个粒子的全局最优位置，根据所述更新次数求解每个粒子的惯性权重和学习因子，根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度得到的所述粒子群内每个粒子的个体最优位置和全局最优位置。本发明还提出一种粒子群位置搜索电子设备、装置以及计算机可读存储介质。本发明可有效的解决在全局空间的搜索情况下搜索效率差，收敛速度慢的缺点。

Description

粒子群位置搜索方法、系统、装置及可读存储介质
技术领域
本发明实施例涉及多目标优化、粒子群算法及遗传算法领域，特别涉及一种粒子群的位置搜索的方法、电子设备、装置及计算机可读存储介质。
背景技术
目前粒子群的位置搜索方法主要包括传统搜索算法和智能搜索算法两类，传统搜索算法有线性加权法、约束法和线性规划法等，传统算法解决多目标问题就是将多目标问题通过一定办法转变成单目标问题来求解；智能搜索算法有进化算法(EvolutionaryAlgorithm，EA)、粒子群算法(Particle Swarm Optimization，PSO)、非支配排序遗传算法(Non-dominated Sorting Genetic Algorithms，NSGA)等依赖仿生学发展起来的算法。
其中智能优化算法对于求解带有约束条件的多目标问题具有先天的优势，越来越得到广泛应用，但发明人发现，当前智能优化算法在全局空间的搜索情况下搜索效率差，收敛速度慢的缺点。
发明内容
本发明实施方式的目的在于提供一种粒子群的位置搜索方法、电子设备、装置及计算机可读存储介质，以解决在全局空间的搜索情况下搜索效率差，收敛速度慢的缺点。
为解决上述技术问题，本发明的实施方式提供了一种粒子群的位置搜索方法，所述方法包括：
位置适应度计算步骤：根据粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度；
个体最优位置更新步骤：使用每个粒子的所述位置适应度更新每个粒子的个体最优位置；
全局最优位置选择步骤：利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，根据预设的全局最优位置选择规则，从所述全局最优位置网格集内选择得到每个粒子的全局最优位置；
惯性权重及学习因子计算步骤：统计所述个体最优位置更新的更新次数，若所述更新次数小于预设更新阈值，根据所述更新次数求解每个粒子的惯性权重和学习因子；
位置适应度更新步骤：根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度重新计算每个粒子的位置适应度，并返回个体最优位置更新步骤；
更新次数判断步骤：若所述更新次数大于等于所述预设更新阈值，输出得到的所述粒子群内每个粒子的个体最优位置和全局最优位置。
优选地，所述使用每个粒子的所述位置适应度更新每个粒子的个体最优位置，包括：
判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系；
若所述位置适应度支配预存储的所述个体最优位置，则将所述位置适应度替代预存储的所述个体最优位置；
若预存储的所述个体最优位置支配所述位置适应度，则保持每个粒子预存储的个体最优位置不变；
若所述位置适应度与预存储的所述个体最优位置不存在支配关系，则随机选择所述位置适应度或预存储的所述个体最优位置作为每个粒子的个体最优位置。
优选地，所述判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系，包括：
采用如下支配关系判断公式判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系：
Figure BDA0002362318520000021
Figure BDA0002362318520000022
其中，fi()表示预构建的支配关系判断公式，i∈1,2,…,n是所述fi()的分量表示，
Figure BDA0002362318520000023
表示所述粒子群内第k个粒子的位置适应度，a表示所述位置适应度，
Figure BDA0002362318520000024
表示所述粒子群内第k个粒子的预存储的所述个体最优位置，b表示所述个体最优位置。
优选地，所述利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，包括：
寻找每个粒子的所述位置适应度在所述全局最优位置网格集内对应的分全局最优位置集；
判断每个粒子的所述位置适应度与对应的所述分全局最优位置集的支配关系得到支配关系判断结果；
根据所述支配关系判断结果更新所述分全局最优位置集，得到更新后的全局最优位置网格集。
优选地，所述根据所述支配关系判断结果更新所述分全局最优位置集，包括：
若所述分全局最优位置集为空集，则将所述位置适应度直接存入至所述分全局最优位置集内；
若所述分全局最优位置集不为空集时，判断所述位置适应度与所述分全局最优位置集内的每个全局最优位置是否存在支配关系；
若所述位置适应度被所述分全局最优位置集内其中的一个全局最优位置所支配，则不更新所述分全局最优位置集；
若所述位置适应度支配所述分全局最优位置集内其中的一个全局最优位置，则将所述位置适应度代替所述分全局最优位置集内被支配的全局最优位置；
若所述位置适应度与所述分全局最优位置集内任意的全局最优位置都不存在支配关系，将所述位置适应度存入至所述分全局最优位置集内。
优选地，所述将所述位置适应度存入至所述分全局最优位置集内，包括：
根据预构建的粒子拥挤距离计算方法，计算与所述分全局最优位置集对应的分粒子群内每两个粒子之间的拥挤距离；
若每两个粒子之间的所述拥挤距离小于预设拥挤距离，则删除每两个粒子中其中一个粒子在所述分全局最优位置集内对应的全局最优位置，将所述位置适应度存入至判断完成后的所述分全局最优位置集内。
优选地，所述粒子拥挤距离计算方法为：
Figure BDA0002362318520000031
其中，di为预设的第i个粒子的拥挤距离最小值，fi+1,m表示第i+1个粒子第m个位置目标值，fi-i,m表示第i-1个粒子的第m个位置目标值，M表示位置目标值的个数；
Figure BDA0002362318520000032
及
Figure BDA0002362318520000033
分别指M个位置目标值中的最大位置目标值及最小位置目标值。
为了解决上述问题，本发明还提供一种粒子群的位置搜索装置，所述装置包括：
个体最优位置更新模块，用于根据粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度，使用每个粒子的所述位置适应度更新每个粒子的个体最优位置；
全局最优位置选择模块，用于利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，根据预设的全局最优位置选择规则，从所述全局最优位置网格集内选择得到每个粒子的全局最优位置；
位置适应度更新模块，用于统计所述个体最优位置更新的更新次数，若所述更新次数小于预设更新阈值，根据所述更新次数求解每个粒子的惯性权重和学习因子，根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度重新计算每个粒子的位置适应度，并返回个体最优位置更新步骤；
更新次数判断模块，用于若所述更新次数大于等于所述预设更新阈值，输出得到的所述粒子群内每个粒子的个体最优位置和全局最优位置。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的粒子群的位置搜索方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的粒子群的位置搜索方法。
本发明通过采用预设的全局最优位置选择规则，从全局最优位置网格集内选择得到粒子群内每个粒子的全局最优位置，因为全局最优位置网格集是经过网格划分的多个层次的数据集，因此在更新时只需要更新一部分网格集即可，提高整个粒子群在全局空间下更新全局最优位置的效率，进行解决在全局空间的搜索情况下搜索效率差的问题，其次利用更新次数计算惯性权重及学习因子，当更新次数过大时会自动调节惯性权重及学习因子的值，进而加速收敛速度。
进一步地，通过支配关系的判断更新个体最佳位置的方法简便，加快了计算机的处理速度，其次通过粒子拥挤距离计算方法时刻控制分全局最优位置集的数据量，防止数据量多大对存储系统带来压力。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本发明实施例提供的粒子群的位置搜索方法流程示意图；
图2为本发明实施例提供的粒子群的位置搜索方法中计算位置适应度的详细实施流程示意图；
图3为本发明实施例提供的粒子群的位置搜索方法中S2的详细实施流程示意图；
图4为本发明实施例提供的粒子群的位置搜索方法中更新全局最优位置网格集的详细实施流程示意图；
图5为本发明实施例提供的粒子群的位置搜索装置的模块示意图；
图6为本发明实施例提供的实现粒子群的位置搜索方法的电子设备的内部结构示意图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
本发明的实施方式涉及一种粒子群的位置搜索方法，本实施方式的核心在于更新个体最优位置及全局最优位置，并判断更新次数与预设更新阈值得到判断结果，根据判断结果完成粒子群的位置搜索，从而有效的解决在全局空间的搜索情况下搜索效率差，收敛速度慢的缺点。下面对本实施方式的粒子群的位置搜索实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
参阅图1所示，图1是本发明实施方式中粒子群的位置搜索的流程图，包括：
S1、获取粒子群内每个粒子的初始位置和初始速度，根据所述粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度。
位置搜索是通过预构建的优化算法求解满足用户问题要求解的搜索过程。本发明的位置搜索主要基于群体为单位进行位置搜索，通过本发明的技术手段实现群体位置与群体内的每个成员位置的有效协调。
如在海域A内有一艘发生意外事故的航海船，航海船内有一位受伤并流血的乘客，因为血液的扩散导致海域A内大部分鲨鱼闻腥而至，因为鲨鱼对血液具有以生俱来的敏感，虽然不能精确的锁定航海船的位置，但可以通过鲨鱼群群体的力量，在最短的时间内每个鲨鱼分工协作进行搜索从而确定航海船位置，此时搜救队伍根据鲨鱼群的搜索路径，需要尽快的确定鲨鱼群最优的搜索路径，从而控制好时间以保证在鲨鱼群到达航海船前营救航海船内的乘客。
进一步地，所述粒子群即为上述的鲨鱼群，而所述粒子群内每个粒子表示上述鲨鱼群内每个鲨鱼，若以海域A建立坐标系可得到每个鲨鱼的初始位置，初始速度可表示鲨鱼群内的鲨鱼在闻到血腥味前的平均速度。
详细地，根据所述粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度，请参阅图2计算位置适应度详细实施流程示意图所示，包括：
S11、将所述粒子群内每个粒子的初始位置和初始速度作为预构建的位置适应度计算公式的参数值；
S12、求解所述位置适应度计算公式得到每个粒子的位置适应度。
进一步地，所述位置适应度计算公式有多种，可采用当前已知的Griewank函数、Rastrigin函数、Schaffer函数及Ackley函数等。
S2、使用每个粒子的所述位置适应度更新每个粒子的个体最优位置。
详细地，所述S2可参阅图3的详细实施流程示意图所示，包括：
S21、判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系；
S22、若所述位置适应度支配预存储的所述个体最优位置，则用所述位置适应度替代预存储的所述个体最优位置；
S23、若预存储的所述个体最优位置支配所述位置适应度，则保持每个粒子当前预存储的个体最优位置不变；
S24、若所述位置适应度与预存储的所述个体最优位置不存在支配关系，则随机选择所述位置适应度或预存储的所述个体最优位置作为每个粒子的个体最优位置。
所述个体最优位置是不考虑粒子群对每个粒子的影响因素，只考虑粒子本身因素所计算得到的位置，如上述鲨鱼群内的每个鲨鱼都闻到血腥味，若不考虑鲨鱼群内每个鲨鱼之间的位置影响而计算出每个鲨鱼相对于航海船的最佳位置，称为个体最优位置。
进一步地，判断支配关系包括采用如下判断公式：
Figure BDA0002362318520000061
Figure BDA0002362318520000062
其中，fi()表示支配关系的判断公式，i∈1,2,…,n表示所述判断公式fi()的分量，
Figure BDA0002362318520000063
表示所述粒子群内第k个粒子的位置适应度，a表示所述位置适应度，
Figure BDA0002362318520000064
表示所述粒子群内第k个粒子的预存储的所述个体最优位置，b表示所述个体最优位置。
S3、利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，根据预设的全局最优位置选择规则，从所述全局最优位置网格集内选择得到每个粒子的全局最优位置。
所述全局最优位置网格集是存储了整个粒子群内每个粒子的全局最优位置的集合，进一步地，因为粒子群的数量一般非常庞大，若不对全局最优位置网格集进行网格划分，更新整个粒子群的全局最优位置网格集时会占用大量的计算资源，因此将全局最优位置集划分为若干个网格段，每个网格段存储一部分的全局最优位置，其中一部分的全局最优位置称为分全局最优位置集。
如上所述，个体最优位置是不考虑粒子群对每个粒子的影响因素，只考虑粒子本身因素所计算得到的位置，如上述鲨鱼群内的每个鲨鱼都闻到血腥味，若不考虑鲨鱼群内每个鲨鱼之间的位置影响而计算出每个鲨鱼相对于航海船的最佳位置称为个体最优位置，而全局最优位置是考虑粒子群对每个粒子的影响因素后，对粒子群内每个粒子所设定的位置，如上述鲨鱼群内的每个鲨鱼都闻到血腥味，考虑到鲨鱼群内每个鲨鱼之间位置的互相影响而计算出每个鲨鱼需找航海船的最佳位置，称为全局最优位置。
详细地，利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，可参阅图4更新全局最优位置网格集的详细实施流程示意图所示，包括：
S31、寻找每个粒子的所述位置适应度在所述全局最优位置网格集内对应的分全局最优位置集；
S32、判断每个粒子的所述位置适应度与对应的所述分全局最优位置集的支配关系；
S33、根据所述支配关系更新所述分全局最优位置集，得到更新后的全局最优位置网格集。
其中，所述位置适应度与对应的所述分全局最优位置集的支配关系所采用的判断方式可与S2所采用的判断方式相同。
进一步地，所述根据所述支配关系更新所述分全局最优位置集，包括：判断所述分全局最优位置集是否为空集，若所述分全局最优位置集为空集，则将所述位置适应度直接存入至所述分全局最优位置集内，若所述分全局最优位置集不为空集时，判断所述位置适应度与所述分全局最优位置集内的每个全局最优位置是否存在支配关系，若所述位置适应度被所述分全局最优位置集内其中的一个全局最优位置所支配，则不更新所述分全局最优位置集，若所述位置适应度支配所述分全局最优位置集内其中的一个全局最优位置，则将所述位置适应度代替所述分全局最优位置集内被支配的全局最优位置，若所述位置适应度与所述分全局最优位置集内任意的全局最优位置都不存在支配关系，将所述位置适应度存入至所述分全局最优位置集内。
更进一步地，所述将所述位置适应度存入至所述分全局最优位置集内，包括：根据预构建的粒子拥挤距离计算方法，计算与所述分全局最优位置集对应的分粒子群内每两个粒子之间的拥挤距离，判断每两个粒子之间的所述拥挤距离是否小于预设拥挤距离，若每两个粒子之间的所述拥挤距离小于所述预设拥挤距离，则删除每两个粒子中其中一个粒子在所述分全局最优位置集内对应的全局最优位置，将所述位置适应度存入至判断完成后的所述分全局最优位置集内。
所述粒子拥挤距离计算方法包括采用如下计算方法：
Figure BDA0002362318520000081
其中，di为第i个粒子的拥挤距离最小值，fi+1,m表示第i+1个粒子第m个位置目标值，fi-im表示第i-1个粒子的第m个位置目标值，M表示目标值个数；
Figure BDA0002362318520000082
及
Figure BDA0002362318520000083
分别指M个目标值中的最大目标值及最小目标值。
如上述鲨鱼群搜索航海船的流血乘客的例子里，位置目标值只有一个流血乘客，若有八个流血的乘客，则位置目标值变为八个。
S4、统计所述个体最优位置更新的更新次数。
如上述搜救队伍根据鲨鱼群的搜索路径，需要尽快的确定鲨鱼群最优的搜索路径，为了不耽误更多的营救时间，设定更新次数为1000次，当满足更新次数到达1000次后，则直接输出鲨鱼群的个体最优位置和全局最优位置。
S5、判断所述更新次数是否大于预设更新阈值。
S6、若所述更新次数小于所述预设更新阈值，根据所述更新次数求解每个粒子的惯性权重和学习因子。
如上述搜救队伍设定更新次数为1000次，此时才更新一次个体最优位置，因此进一步求解每个粒子的惯性权重和学习因子。
所述学习因子包括第一学习因子和第二学习因子，其中所述第一学习因子和所述第二学习因子的更新公式如下：
Figure BDA0002362318520000084
其中，i为所述更新次数，N为所述预设更新阈值，c1i＝2.5，c1f＝0.5，c2i＝0.5，c2f＝2.5，c1表示所述第一学习因子，c2表示所述第二学习因子。
所述惯性权重的计算公式为：
Figure BDA0002362318520000085
其中，w表示所述惯性权重，wmax表示所述w能取到的最大惯性权重值，wmin表示所述w能取到的最小惯性权重值，N为所述预设更新阈值，i为所述更新次数。
S7、根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度重新计算每个粒子的位置适应度，并返回S2。
详细地，所述根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新速度的计算方法包括：
Figure BDA0002362318520000091
其中，
Figure BDA0002362318520000092
表示所述粒子群内第k个粒子的第j次的更新速度，ω表示所述惯性权重，c1表示所述第一学习因子，c2表示所述第二学习因子，
Figure BDA0002362318520000093
表示所述粒子群内第k个粒子的第j-1次的更新速度，
Figure BDA0002362318520000094
表示所述粒子群内第k个粒子的第j-1次的个体最优位置，
Figure BDA0002362318520000095
表示所述粒子群内第k个粒子的第j-1次的全局最优位置，
Figure BDA0002362318520000096
表示所述粒子群内第k个粒子的第j-1次的更新位置。
详细地，所述根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置的计算方法包括：
Figure BDA0002362318520000097
Figure BDA0002362318520000098
表示所述粒子群内第k个粒子的第j次的更新位置。
S8、若所述更新次数大于所述预设更新阈值，得到所述粒子群内每个粒子的个体最优位置和全局最优位置。
如图5所示，是本发明粒子群的位置搜索装置的功能模块图。
本发明所述粒子群的位置搜索装置100可以安装于电子设备中。根据实现的功能，所述粒子群的位置搜索装置可以包括个体最优位置更新模块101、全局最优位置选择模块102、位置适应度更新模块103和更新次数判断模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
个体最优位置更新模块101，用于根据粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度，使用每个粒子的所述位置适应度更新每个粒子的个体最优位置。
全局最优位置选择模块102，用于利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，根据预设的全局最优位置选择规则，从所述全局最优位置网格集内选择得到每个粒子的全局最优位置。
位置适应度更新模块103，用于统计所述个体最优位置更新的更新次数，若所述更新次数小于预设更新阈值，根据所述更新次数求解每个粒子的惯性权重和学习因子，根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度重新计算每个粒子的位置适应度，并返回个体最优位置更新步骤。
更新次数判断模块104，用于若所述更新次数大于等于所述预设更新阈值，输出得到的所述粒子群内每个粒子的个体最优位置和全局最优位置。
本申请所提供的装置中的模块能够在使用时基于与上述的粒子群的位置搜索方法，在于更新个体最优位置及全局最优位置，并判断更新次数与预设更新阈值得到判断结果，根据判断结果完成粒子群的位置搜索，其在具体运行时可以取得上述的方法实施例一样的技术效果，即有效的解决在全局空间的搜索情况下搜索效率差，收敛速度慢的缺点的问题。
如图6所示，是本发明实现粒子群的位置搜索方法的电子设备的结构示意图。
所述电子设备1可以包括处理器12、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器12上运行的计算机程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如粒子群的位置搜索程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器12是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行粒子群的位置搜索程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器12等之间的连接通信。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的请求粒子群的位置搜索程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
步骤一、获取粒子群内每个粒子的初始位置和初始速度，根据所述粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度。
位置搜索是通过预构建的优化算法求解满足用户问题要求解的搜索过程。本发明的位置搜索主要基于群体为单位进行位置搜索，通过本发明的技术手段实现群体位置与群体内的每个成员位置的有效协调。
如在海域A内有一艘发生意外事故的航海船，航海船内有一位受伤并流血的乘客，因为血液的扩散导致海域A内大部分鲨鱼闻腥而至，因为鲨鱼对血液具有以生俱来的敏感，虽然不能精确的锁定航海船的位置，但可以通过鲨鱼群群体的力量，在最短的时间内每个鲨鱼分工协作进行搜索从而确定航海船位置，此时搜救队伍根据鲨鱼群的搜索路径，需要尽快的确定鲨鱼群最优的搜索路径，从而控制好时间以保证在鲨鱼群到达航海船前营救航海船内的乘客。
进一步地，所述粒子群即为上述的鲨鱼群，而所述粒子群内每个粒子表示上述鲨鱼群内每个鲨鱼，若以海域A建立坐标系可得到每个鲨鱼的初始位置，初始速度可表示鲨鱼群内的鲨鱼在闻到血腥味前的平均速度。
详细地，根据所述粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度，包括：
将所述粒子群内每个粒子的初始位置和初始速度作为预构建的位置适应度计算公式的参数值；
求解所述位置适应度计算公式得到每个粒子的位置适应度。
进一步地，所述位置适应度计算公式有多种，可采用当前已知的Griewank函数、Rastrigin函数、Schaffer函数及Ackley函数等。
步骤二、使用每个粒子的所述位置适应度更新每个粒子的个体最优位置。
详细地，所述步骤二包括：
判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系；
若所述位置适应度支配预存储的所述个体最优位置，则用所述位置适应度替代预存储的所述个体最优位置；
若预存储的所述个体最优位置支配所述位置适应度，则保持每个粒子当前预存储的个体最优位置不变；
若所述位置适应度与预存储的所述个体最优位置不存在支配关系，则随机选择所述位置适应度或预存储的所述个体最优位置作为每个粒子的个体最优位置。
所述个体最优位置是不考虑粒子群对每个粒子的影响因素，只考虑粒子本身因素所计算得到的位置，如上述鲨鱼群内的每个鲨鱼都闻到血腥味，若不考虑鲨鱼群内每个鲨鱼之间的位置影响而计算出每个鲨鱼相对于航海船的最佳位置，称为个体最优位置。
进一步地，判断支配关系包括采用如下判断公式：
Figure BDA0002362318520000121
Figure BDA0002362318520000122
其中，fi()表示支配关系的判断公式，i∈1,2,…,n表示所述判断公式fi()的分量，
Figure BDA0002362318520000123
表示所述粒子群内第k个粒子的位置适应度，a表示所述位置适应度，
Figure BDA0002362318520000124
表示所述粒子群内第k个粒子的预存储的所述个体最优位置，b表示所述个体最优位置。
步骤三、利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，根据预设的全局最优位置选择规则，从所述全局最优位置网格集内选择得到每个粒子的全局最优位置。
所述全局最优位置网格集是存储了整个粒子群内每个粒子的全局最优位置的集合，进一步地，因为粒子群的数量一般非常庞大，若不对全局最优位置网格集进行网格划分，更新整个粒子群的全局最优位置网格集时会占用大量的计算资源，因此将全局最优位置集划分为若干个网格段，每个网格段存储一部分的全局最优位置，其中一部分的全局最优位置称为分全局最优位置集。
如上所述，个体最优位置是不考虑粒子群对每个粒子的影响因素，只考虑粒子本身因素所计算得到的位置，如上述鲨鱼群内的每个鲨鱼都闻到血腥味，若不考虑鲨鱼群内每个鲨鱼之间的位置影响而计算出每个鲨鱼相对于航海船的最佳位置称为个体最优位置，而全局最优位置是考虑粒子群对每个粒子的影响因素后，对粒子群内每个粒子所设定的位置，如上述鲨鱼群内的每个鲨鱼都闻到血腥味，考虑到鲨鱼群内每个鲨鱼之间位置的互相影响而计算出每个鲨鱼需找航海船的最佳位置，称为全局最优位置。
详细地，利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，包括：
寻找每个粒子的所述位置适应度在所述全局最优位置网格集内对应的分全局最优位置集；
判断每个粒子的所述位置适应度与对应的所述分全局最优位置集的支配关系；
根据所述支配关系更新所述分全局最优位置集，得到更新后的全局最优位置网格集。
其中，所述位置适应度与对应的所述分全局最优位置集的支配关系所采用的判断方式可与步骤二所采用的判断方式相同。
进一步地，所述根据所述支配关系更新所述分全局最优位置集，包括：判断所述分全局最优位置集是否为空集，若所述分全局最优位置集为空集，则将所述位置适应度直接存入至所述分全局最优位置集内，若所述分全局最优位置集不为空集时，判断所述位置适应度与所述分全局最优位置集内的每个全局最优位置是否存在支配关系，若所述位置适应度被所述分全局最优位置集内其中的一个全局最优位置所支配，则不更新所述分全局最优位置集，若所述位置适应度支配所述分全局最优位置集内其中的一个全局最优位置，则将所述位置适应度代替所述分全局最优位置集内被支配的全局最优位置，若所述位置适应度与所述分全局最优位置集内任意的全局最优位置都不存在支配关系，将所述位置适应度存入至所述分全局最优位置集内。
更进一步地，所述将所述位置适应度存入至所述分全局最优位置集内，包括：根据预构建的粒子拥挤距离计算方法，计算与所述分全局最优位置集对应的分粒子群内每两个粒子之间的拥挤距离，判断每两个粒子之间的所述拥挤距离是否小于预设拥挤距离，若每两个粒子之间的所述拥挤距离小于所述预设拥挤距离，则删除每两个粒子中其中一个粒子在所述分全局最优位置集内对应的全局最优位置，将所述位置适应度存入至判断完成后的所述分全局最优位置集内。
所述粒子拥挤距离计算方法包括采用如下计算方法：
Figure BDA0002362318520000141
其中，di为第i个粒子的拥挤距离最小值，fi+1,m表示第i+1个粒子第m个位置目标值，fi-i,m表示第i-1个粒子的第m个位置目标值，M表示目标值个数；
Figure BDA0002362318520000142
及
Figure BDA0002362318520000143
分别指M个目标值中的最大目标值及最小目标值。
如上述鲨鱼群搜索航海船的流血乘客的例子里，位置目标值只有一个流血乘客，若有八个流血的乘客，则位置目标值变为八个。
步骤四、统计所述个体最优位置更新的更新次数。
如上述搜救队伍根据鲨鱼群的搜索路径，需要尽快的确定鲨鱼群最优的搜索路径，为了不耽误更多的营救时间，设定更新次数为1000次，当满足更新次数到达1000次后，则直接输出鲨鱼群的个体最优位置和全局最优位置。
步骤五、判断所述更新次数是否大于预设更新阈值，若所述更新次数小于所述预设更新阈值，根据所述更新次数求解每个粒子的惯性权重和学习因子。
如上述搜救队伍设定更新次数为1000次，此时才更新一次个体最优位置，因此进一步求解每个粒子的惯性权重和学习因子。
所述学习因子包括第一学习因子和第二学习因子，其中所述第一学习因子和所述第二学习因子的更新公式如下：
Figure BDA0002362318520000144
其中，i为所述更新次数，N为所述预设更新阈值，c1i＝2.5，c1f＝0.5，c2i＝0.5，c2f＝2.5，c1表示所述第一学习因子，c2表示所述第二学习因子。
所述惯性权重的计算公式为：
Figure BDA0002362318520000145
其中，w表示所述惯性权重，wmax表示所述w能取到的最大惯性权重值，wmin表示所述w能取到的最小惯性权重值，N为所述预设更新阈值，i为所述更新次数。
步骤六、根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度重新计算每个粒子的位置适应度，并返回步骤二。
详细地，所述根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新速度的计算方法包括：
Figure BDA0002362318520000151
其中，
Figure BDA0002362318520000152
表示所述粒子群内第k个粒子的第j次的更新速度，ω表示所述惯性权重，c1表示所述第一学习因子，c2表示所述第二学习因子，
Figure BDA0002362318520000153
表示所述粒子群内第k个粒子的第j-1次的更新速度，
Figure BDA0002362318520000154
表示所述粒子群内第k个粒子的第j-1次的个体最优位置，
Figure BDA0002362318520000155
表示所述粒子群内第k个粒子的第j-1次的全局最优位置，
Figure BDA0002362318520000156
表示所述粒子群内第k个粒子的第j-1次的更新位置。
详细地，所述根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置的计算方法包括：
Figure BDA0002362318520000157
Figure BDA0002362318520000158
表示所述粒子群内第k个粒子的第j次的更新位置。
步骤七、若所述更新次数大于所述预设更新阈值，得到所述粒子群内每个粒子的个体最优位置和全局最优位置。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种粒子群的位置搜索方法，其特征在于，所述方法包括：
位置适应度计算步骤：根据粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度；
个体最优位置更新步骤：使用每个粒子的所述位置适应度更新每个粒子的个体最优位置；
全局最优位置选择步骤：利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，根据预设的全局最优位置选择规则，从所述全局最优位置网格集内选择得到每个粒子的全局最优位置；
惯性权重及学习因子计算步骤：统计所述个体最优位置更新的更新次数，若所述更新次数小于预设更新阈值，根据所述更新次数求解每个粒子的惯性权重和学习因子；
位置适应度更新步骤：根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度重新计算每个粒子的位置适应度，并返回个体最优位置更新步骤；
更新次数判断步骤：若所述更新次数大于等于所述预设更新阈值，输出得到的所述粒子群内每个粒子的个体最优位置和全局最优位置。
2.根据权利要求1所述的粒子群的位置搜索方法，其特征在于，所述使用每个粒子的所述位置适应度更新每个粒子的个体最优位置，包括：
判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系；
若所述位置适应度支配预存储的所述个体最优位置，则将所述位置适应度替代预存储的所述个体最优位置；
若预存储的所述个体最优位置支配所述位置适应度，则保持每个粒子预存储的个体最优位置不变；
若所述位置适应度与预存储的所述个体最优位置不存在支配关系，则随机选择所述位置适应度或预存储的所述个体最优位置作为每个粒子的个体最优位置。
3.根据权利要求2所述的粒子群的位置搜索方法，其特征在于，所述判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系，包括：
采用如下支配关系判断公式判断每个粒子的所述位置适应度与每个粒子预存储的个体最优位置的支配关系：
Figure FDA0002362318510000011
Figure FDA0002362318510000021
其中，fi()表示预构建的支配关系判断公式，i∈1,2,…,n是所述fi()的分量表示，
Figure FDA0002362318510000022
表示所述粒子群内第k个粒子的位置适应度，a表示所述位置适应度，
Figure FDA0002362318510000023
表示所述粒子群内第k个粒子的预存储的所述个体最优位置，b表示所述个体最优位置。
4.根据权利要求1所述的粒子群的位置搜索方法，其特征在于，所述利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，包括：
寻找每个粒子的所述位置适应度在所述全局最优位置网格集内对应的分全局最优位置集；
判断每个粒子的所述位置适应度与对应的所述分全局最优位置集的支配关系得到支配关系判断结果；
根据所述支配关系判断结果更新所述分全局最优位置集，得到更新后的全局最优位置网格集。
5.根据权利要求4所述的粒子群的位置搜索方法，其特征在于，所述根据所述支配关系判断结果更新所述分全局最优位置集，包括：
若所述分全局最优位置集为空集，则将所述位置适应度直接存入至所述分全局最优位置集内；
若所述分全局最优位置集不为空集时，判断所述位置适应度与所述分全局最优位置集内的每个全局最优位置是否存在支配关系；
若所述位置适应度被所述分全局最优位置集内其中的一个全局最优位置所支配，则不更新所述分全局最优位置集；
若所述位置适应度支配所述分全局最优位置集内其中的一个全局最优位置，则将所述位置适应度代替所述分全局最优位置集内被支配的全局最优位置；
若所述位置适应度与所述分全局最优位置集内任意的全局最优位置都不存在支配关系，将所述位置适应度存入至所述分全局最优位置集内。
6.根据权利要求5所述的粒子群的位置搜索方法，其特征在于，所述将所述位置适应度存入至所述分全局最优位置集内，包括：
根据预构建的粒子拥挤距离计算方法，计算与所述分全局最优位置集对应的分粒子群内每两个粒子之间的拥挤距离；
若每两个粒子之间的所述拥挤距离小于预设拥挤距离，则删除每两个粒子中其中一个粒子在所述分全局最优位置集内对应的全局最优位置，将所述位置适应度存入至判断完成后的所述分全局最优位置集内。
7.根据权利要求6所述的粒子群的位置搜索方法，其特征在于，所述粒子拥挤距离计算方法为：
Figure FDA0002362318510000031
其中，di为预设的第i个粒子的拥挤距离最小值，fi+1,m表示第i+1个粒子第m个位置目标值，fi-i,m表示第i-1个粒子的第m个位置目标值，M表示位置目标值的个数；
Figure FDA0002362318510000032
及
Figure FDA0002362318510000033
分别指M个位置目标值中的最大位置目标值及最小位置目标值。
8.一种粒子群的位置搜索装置，其特征在于，所述装置包括：
个体最优位置更新模块，用于根据粒子群内每个粒子的初始位置和初始速度计算每个粒子的位置适应度，使用每个粒子的所述位置适应度更新每个粒子的个体最优位置；
全局最优位置选择模块，用于利用每个粒子的所述位置适应度更新预构建的全局最优位置网格集，根据预设的全局最优位置选择规则，从所述全局最优位置网格集内选择得到每个粒子的全局最优位置；
位置适应度更新模块，用于统计所述个体最优位置更新的更新次数，若所述更新次数小于预设更新阈值，根据所述更新次数求解每个粒子的惯性权重和学习因子，根据所述惯性权重和所述学习因子计算得到所述粒子群内每个粒子的更新位置和更新速度，根据每个粒子的所述更新位置和所述更新速度重新计算每个粒子的位置适应度，并返回个体最优位置更新步骤；
更新次数判断模块，用于若所述更新次数大于等于所述预设更新阈值，输出得到的所述粒子群内每个粒子的个体最优位置和全局最优位置。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的粒子群的位置搜索方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的粒子群的位置搜索方法。
CN202010025588.1A 2020-01-10 2020-01-10 粒子群位置搜索方法、系统、装置及可读存储介质 Pending CN111242269A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010025588.1A CN111242269A (zh) 2020-01-10 2020-01-10 粒子群位置搜索方法、系统、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010025588.1A CN111242269A (zh) 2020-01-10 2020-01-10 粒子群位置搜索方法、系统、装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN111242269A true CN111242269A (zh) 2020-06-05

Family

ID=70872584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010025588.1A Pending CN111242269A (zh) 2020-01-10 2020-01-10 粒子群位置搜索方法、系统、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN111242269A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947506A (zh) * 2021-04-28 2021-06-11 哈尔滨工程大学 基于量子鲨鱼机制的auv全局路径规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947506A (zh) * 2021-04-28 2021-06-11 哈尔滨工程大学 基于量子鲨鱼机制的auv全局路径规划方法
CN112947506B (zh) * 2021-04-28 2022-08-02 哈尔滨工程大学 基于量子鲨鱼机制的auv全局路径规划方法

Similar Documents

Publication Publication Date Title
CN112446025A (zh) 联邦学习防御方法、装置、电子设备及存储介质
CN106651280B (zh) 一种集装箱轮船物流运输调度方法及系统
CN112733944A (zh) 基于图像和类别的注意力的目标检测方法、装置及介质
CN111984426B (zh) 任务调度方法、装置、电子设备及存储介质
CN112528908A (zh) 活体检测方法、装置、电子设备及存储介质
CN114781768B (zh) 基于城市资源数据的停车场设施规划方法、装置及设备
CN113962464A (zh) 一种应急车辆调度方法、装置、设备及存储介质
CN111242269A (zh) 粒子群位置搜索方法、系统、装置及可读存储介质
CN111476389A (zh) 一种预估接单等待时长的方法及装置
CN114661055A (zh) 应急物流车辆最优路径规划方法、装置、设备及存储介质
WO2022141840A1 (zh) 网络架构搜索方法、装置、电子设备及介质
CN112269875B (zh) 文本分类方法、装置、电子设备及存储介质
CN111123869B (zh) 一种基于工人操作经验的柔性作业车间调度方法及装置
CN109978211A (zh) 航班进离港率的预测方法和装置
CN114862065B (zh) 社工任务规划方法、装置、电子设备及存储介质
CN114299716B (zh) 信号灯时间信息的关联方法、装置、存储介质及设备
CN114881324A (zh) 基于模糊双边界模型的道路运输优化方法、装置及设备
CN114971368A (zh) 一种智慧充电管控方法及系统
CN112215336A (zh) 基于用户行为的数据标注方法、装置、设备及存储介质
CN115238206B (zh) 一种基于群体行为分析的检测点推荐方法及装置
CN116485100B (zh) 智能杆规划方法、智能杆规划系统、设备及存储介质
CN111829509B (zh) 一种新能源汽车定位方法及定位装置
CN117706045B (zh) 基于物联网实现大气臭氧监测设备的联合控制方法及系统
CN112465176B (zh) 一种行车路线规划方法及装置
CN116050810B (zh) 一种多级联运船闸调度方法及系统

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