CN111274682A - 基于蛙跳算法的数字微流控芯片在线测试路径优化方法 - Google Patents
基于蛙跳算法的数字微流控芯片在线测试路径优化方法 Download PDFInfo
- Publication number
- CN111274682A CN111274682A CN202010040967.8A CN202010040967A CN111274682A CN 111274682 A CN111274682 A CN 111274682A CN 202010040967 A CN202010040967 A CN 202010040967A CN 111274682 A CN111274682 A CN 111274682A
- Authority
- CN
- China
- Prior art keywords
- frog
- mathematical model
- fitness
- population
- microfluidic chip
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 238000012360 testing method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013178 mathematical model Methods 0.000 claims abstract description 59
- 239000007788 liquid Substances 0.000 claims abstract description 35
- 230000001174 ascending effect Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 241000269350 Anura Species 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004904 shortening Methods 0.000 abstract description 3
- 230000003068 static effect Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000002032 lab-on-a-chip Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007877 drug screening Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 210000004962 mammalian cell Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
- Micromachines (AREA)
Abstract
本发明公开了一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，对获取的芯片进行分割和赋值，并建立邻接矩阵，得到数字微流控芯片的数学模型，计算所述数学模型中各电极单元间的距离，并结合设置的直角坐标系完善所述数学模型，根据所述直角坐标系获取所述液滴的坐标值，并建立所述液滴的约束条件数学模型，所述获取蛙跳算法的初始参数和目标次数，并根据设计的适应度函数计算所有蛙个体的适应度值，并将所述适应度值按升序排列，然后对所有蛙个体进行种群划分和优化，判断种群进化迭代次数是否满足目标次数后，输出所述液滴设定测试路径，提高数字微流控芯片故障检测方法测试效率并缩短耗时。
Description
技术领域
本发明涉及数字微流控芯片测试技术领域，尤其涉及一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法。
背景技术
微流控技术作为一门新兴的科学技术，由于其在生物医学等领域展现出良好的应用前景，因此受到人们越来越广泛的关注。它能够在一块几平方厘米的芯片上实现常规化学和生物实验室的各种功能，因此又被称为片上实验室(Lab-on-a-Chip,LoC)，具有小型化、集成化、成本低、污染少、用途广等优点。由于微流控系统的通道尺寸在微米级至纳米级，与典型的哺乳动物细胞直径较匹配，可用于调控细胞的微环境，因此微流控系统也被应用于细胞力学性质分析的有效工具。另外，微流控系统中试样试剂消耗量少，多在微升级至纳升级，系统易于集成化与形成网络结构，故对于高通量药物筛选也有很好的应用前景。随着芯片的规模扩大，数字微流控芯片的电极单元也越来越多，故障检测问题也日趋复杂化，导致现有技术的数字微流控芯片故障检测方法测试效率低、耗时长。
发明内容
本发明的目的在于提供一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，提高数字微流控芯片故障检测方法测试效率并缩短耗时。
为实现上述目的，本发明提供了一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，包括：
对获取的芯片进行分割和赋值，并建立邻接矩阵，得到数字微流控芯片的数学模型；
计算所述数学模型中各电极单元间的距离，并结合设置的直角坐标系完善所述数学模型；
获取液滴的坐标值，建立所述液滴的约束条件数学模型；
获取蛙跳算法的初始参数和目标次数，并根据设计的适应度函数计算所有蛙个体的适应度值；
对所有蛙个体进行种群划分和优化；
判断种群迭代次数是否满足所述目标次数，输出所述液滴设定测试路径。
其中，所述对获取的芯片进行分割和赋值，并建立邻接矩阵，得到数字微流控芯片的数学模型，包括：
对获取的芯片的工作环境进行区域分割，得到多个小方块表示的电极单元，并将所述电极单元及所述电极单元相邻的边分别转换为非完全连接图中的点和边，并按照十进制编码升序对所述点和所述边进行赋值，根据所述边与所述边之间的邻接关系构建一个邻接矩阵，将所述非完全连接图进行转换，得到数字微流控芯片的数学模型。
其中，计算所述数学模型中各电极单元间的距离，并结合设置的直角坐标系完善所述数学模型，包括：
以所述芯片的左上角为坐标原点，水平方向和竖直方向建立x，y坐标轴，获取起始点和所述边的权值，选取按升序排列的所述点中的第一点，并把与所述第一点连接的所有第二点进行松弛操作，并把所述起始点到所述第一点的距离值加所述边的权值之和得到的第一距离值与所述起始点到所述第二点的第二距离值进行比较。
其中，把所述第一距离值和所述第二距离值进行比较，包括：
若所述第一距离值小于所述第二距离值，则所述第二距离值转换为所述第一距离值，并将所述第二点更新入所述数学模型中，若所述第二点在所述数学模型中，则所述数学模型不变；
若所述第一距离值大于或等于所述第二距离值，则所述第二距离值不变。
其中，所述获取液滴的坐标值，建立所述液滴的约束条件数学模型，包括：
根据所述直角坐标系获取所述液滴的坐标值，利用所述坐标值横纵坐标对应的坐标差的绝对值建立所述液滴的约束条件数学模型。
其中，所述获取蛙跳算法的初始参数和目标次数，并根据设计的适应度函数计算所有蛙个体的适应度值，包括：
根据所述数学模型，建立目标函数，并获取种群的数量、子种群的数量、每个所述子种群中的青蛙数量、蛙个体单次设定移动距离、种群进化迭代次数和目标次数，并根据所述数学模型中相邻所述点的距离以及设计的适应度函数计算所有蛙个体的适应度值，并将所述适应度值按升序排列，并选取位于第一位的青蛙为全局第一适应度值。
其中，所述对所有蛙个体进行种群划分和优化，包括：
根据获取种群的数量、子种群的数量和每个所述子种群中的青蛙数量，将所有蛙个体进行随机分配，并在每一个所述子种群内设定满足第二适应度值的青蛙和满足第三适应度值的青蛙，在蛙群内对每个所述子种群进行局部搜索，在满足液滴的约束条件数学模型的情况下，结合所述第二适应度值对所述第三适应度值的青蛙按照改进的蛙跳更新公式进行优化。
其中，所述对所有蛙个体进行种群划分和优化，还包括：
若优化后的所述第三适应度值大于优化前的所述第三适应度值，则所述第三适应度值为优化后的所述第三适应度值；
若优化后的所述第三适应度值小于优化前的所述第三适应度值，则所述第三适应度值为所述全局第一适应度值；
若优化后的所述第三适应度值等于优化前的所述第三适应度值，则随机产生一个新的蛙个体替代原来的所述第三适应度值的青蛙。
其中，所述判断种群进化迭代次数是否满足所述目标次数，输出所述液滴设定测试路径，包括：
若种群进化迭代次数不满足所述目标次数，则继续进行种群搜索和优化；
若种群进化迭代次数满足所述目标次数，则输出所述液滴的优化时间，得到所述液滴的设定测试路径。
本发明的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，对获取的芯片进行分割和赋值，并建立邻接矩阵，得到数字微流控芯片的数学模型，计算所述数学模型中各电极单元间的距离，并结合设置的直角坐标系完善所述数学模型，根据所述直角坐标系获取所述液滴的坐标值，并建立所述液滴的约束条件数学模型，所述获取蛙跳算法的初始参数和目标次数，并根据设计的适应度函数计算所有蛙个体的适应度值，并将所述适应度值按升序排列，然后对所有蛙个体进行种群划分和优化，判断种群进化迭代次数是否满足目标次数后，输出所述液滴设定测试路径，提高数字微流控芯片故障检测方法测试效率并缩短耗时。
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简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明提供的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法的步骤示意图。
图2是本发明的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1和图2，本发明提供一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，包括：
S101、对获取的芯片进行分割和赋值，并建立邻接矩阵，得到数字微流控芯片的数学模型。
具体的，利用无向图法是将芯片的工作环境进行区域分割，将芯片上的电极单元用一个一个的小方块表示，实验液滴和测试液滴在所述芯片上移动，运用无向图法将电极单元以及电极单元相邻的边分别转化为非完全连通图G＝<V,E>中的点V和边E，按照十进制编码从小到大的顺序，升序给所述点V和所述边E进行赋值，根据边与边之间的邻接关系构建一个邻接矩阵A，将图G＝<V,E>转化，得到数字微流控芯片的数学模型G'＝<V',E'>，并在检测故障时需要遍历完所述数学模型G'中的所有节点V'连接的边E'。
S102、计算所述数学模型中各电极单元间的距离，并结合设置的直角坐标系完善所述数学模型。
具体的，以所述芯片的左上角为坐标原点，水平方向和竖直方向建立x，y坐标轴，对于m x n规模的芯片，边的总数为：Ne＝m(n-1)+n(m-1)，编号i的阵列单元与对应坐标之间的关系为：i＝m·(yi-1)+xi，其中m为芯片阵列的总行数，n为芯片阵列的总列数，获取指定起始点o和边的权值len，其中，所述边的权值len为从任一条路径开始，两个节点间的最短距离，并且把不相邻的边的距离设为无穷大，dis[i]表示起始点o到点i的当前最短距离，选取按升序排列的所述点中的第一点v，将与所述第一点v相连的所有第二点u进行松弛操作，并把所述起始点o到所述第一点v的距离值加所述边的权值len之和得到的第一距离值dis[v]+len与所述起始点o到所述第二点u的第二距离值dis[u]进行比较，若所述第一距离值dis[v]+len小于所述第二距离值dis[u]，则所述第二距离值dis[u]转换为所述第一距离值dis[v]+len，并将所述第二点u更新入所述数学模型中，若所述第二点u在所述数学模型中，则所述数学模型不变，若所述第一距离值大于或等于所述第二距离值dis[u]，则所述第二距离值dis[u]不变
S103、获取液滴的坐标值，建立所述液滴的约束条件数学模型。
具体的，根据所述直角坐标系获取所述液滴的坐标值，假设液滴1的坐标为(x1，y1)，液滴2的坐标为(x2，y2)，利用所述坐标值横纵坐标对应的坐标差的绝对值建立所述液滴的约束条件数学模型，其中，所述约束条件数学模型是为了分析液滴的流体运动，当所述数学模型上存在多个液滴时，为了避免液滴之间发生不可逆转的融合，多个液滴之间需要满足一定的约束条件，其中包括静态约束和动态约束条件，结合哈曼顿距离(ManhattonDistance)方法来表示液滴的静态约束和动态约束，用哈曼顿距离公式表示两个液滴之间的距离：
c＝|x1-x2|+|y1-y2|
静态约束条件为：在同一时刻内，液滴之间既不能水平相邻和垂直相邻也不能斜对角相邻，即：
c＝|x1t-x2t|+|y1t-y2t|≥3
其中，a、在时间t下，若液滴1与液滴2水平相邻或垂直相邻，则x1＝x2，|y1-y2|＝1或y1＝y2，|x1-x2|＝1，此时c＝1；
b、在时间t下，若液滴1与液滴2斜对角相邻，则|x1-x2|＝1，|y1-y2|＝1，此时c＝2；
故将静态约束条件的参数设为3，可以满足液滴之间的静态约束条件。
动态约束条件为：液滴1在下一时刻的移动电极不能与液滴2相邻，即两个液滴在时间差为1的时刻下不能相邻，即：
c＝|x1t+1-x2t|+|y1t+1-y2t|≥3
或c＝|x1t-x2t+1|+|y1t-y2t+1|≥3
S104、获取蛙跳算法的初始参数和目标次数，并根据设计的适应度函数计算所有蛙个体的适应度值。
具体的，根据数字微流控芯片的数学模型G'＝<V',E'>，采用蛙跳算法遍历所述芯片所有的待测边，数字微流控芯片在线测试优化问题的目标函数为：
其中，di,i+1为寻优路径中两个节点i和i+1之间的距离，电极单元i和i+1为芯片的数学模型G'＝<V',E'>中所述点V'内的两个点。
获取种群的数量N、子种群的数量m、每个子种群中的青蛙数量n、蛙个体单次最大移动距离Dmax、种群进化迭代次数Lmax和算法迭代的目标次数Gmax，然后按照适应度函数计算所有蛙个体的适应值，将适应值按照升序排列，选取排在首位的青蛙为全局第一适应度值(或全局最优适应度值)Px。适应度函数为：
fk＝1/Lk
其中，di,i+1为寻优路径中两个节点i和i+1之间的距离，电极单元i和i+1为芯片的数学模型G'＝<V',E'>中所述点V'内的两个点。将芯片的在线测试优化问题转化为蛙种群寻优问题。为了达到芯片在线测试优化的目标函数，应使得适应度函数中的Pk趋于全局最优值Px，即促使整个种群朝着Px靠近。
S105、对所有蛙个体进行种群划分和优化。
具体的，根据获取的种群的数量N、子种群的数量m和每个子种群中的青蛙数量n，将所有蛙个体进行随机分配，并在每一个所述子种群内设定满足第二适应度值(或最优适应度值)的青蛙为Pb和满足第三适应度值(或最差适应度值)的青蛙为Pw，然后在蛙群内对每个子种群进行局部搜索，在满足液滴的约束条件的情况下，结合所述第二适应度值对所述第三适应度值的青蛙进行优化。结合影响因子的特点，最差青蛙个体按照改进的传统跳跃更新公式进行更新，改进的跳跃更新公式如下：
其中r表示[0,1]的随机数，|D|≤Dmax。α为上一次最差适应度值对当前适应度值的影响因子(0≤α≤1)，引入正弦函数来表示影响因子α：
若当前迭代为第一次迭代，则α＝0。其中，Lmax为种群进化迭代次数。
完成一次迭代后，青蛙个体具体通过如下方式中的一种来跳跃优化更新：
①、若优化后的所述第三适应度值大于优化前的所述第三适应度值，则所述第三适应度值为优化后的所述第三适应度值，即：若f(Pw')＞f(Pw)，则用Pw’替代Pw；
②、若优化后的所述第三适应度值小于优化前的所述第三适应度值，则所述第三适应度值为所述全局第一适应度值，即：若f(Pw')＜f(Pw)，则用全局第一适应度值Px替代Pw；
③、若优化后的所述第三适应度值等于优化前的所述第三适应度值，则随机产生一个新的蛙个体替代原来的所述第三适应度值的青蛙，即：若未能实现使蛙个体更新到最优的位置，则随机产生一个新的蛙个体替代原来的Pw。
S106、判断种群进化迭代次数是否满足所述目标次数，输出所述液滴设定测试路径。
具体的，若种群进化迭代次数Lmax不满足所述目标次数Gmax，则进行进行种群搜索和优化，若种群进化迭代次数Lmax满足所述目标次数Gmax，则输出所述液滴的优化时间，得到所述液滴的设定测试路径，将蛙跳算法与数字微流控芯片故障在线检测相结合，使得测试液滴在测试芯片故障时，能够更快速的完成芯片检测。
本发明的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，对获取的芯片进行分割和赋值，并建立邻接矩阵，得到数字微流控芯片的数学模型，计算所述数学模型中各电极单元间的距离，并结合设置的直角坐标系完善所述数学模型，根据所述直角坐标系获取所述液滴的坐标值，并建立所述液滴的约束条件数学模型，所述获取蛙跳算法的初始参数和目标次数，并根据设计的适应度函数计算所有蛙个体的适应度值，并将所述适应度值按升序排列，然后对所有蛙个体进行种群划分和优化，判断种群进化迭代次数是否满足目标次数后，输出所述液滴设定测试路径，提高数字微流控芯片故障检测方法测试效率并缩短耗时。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (9)
1.一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，其特征在于，包括：
对获取的芯片进行分割和赋值，并建立邻接矩阵，得到数字微流控芯片的数学模型；
计算所述数学模型中各电极单元间的距离，并结合设置的直角坐标系完善所述数学模型；
获取液滴的坐标值，建立所述液滴的约束条件数学模型；
获取蛙跳算法的初始参数和目标次数，并根据设计的适应度函数计算所有蛙个体的适应度值；
对所有蛙个体进行种群划分和优化；
判断种群进化迭代次数是否满足所述目标次数，输出所述液滴设定测试路径。
2.如权利要求1所述的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，其特征在于，所述对获取的芯片进行分割和赋值，并建立邻接矩阵，得到数字微流控芯片的数学模型，包括：
对获取的芯片的工作环境进行区域分割，得到多个小方块表示的电极单元，并将所述电极单元及所述电极单元相邻的边分别转换为非完全连接图中的点和边，并按照十进制编码升序对所述点和所述边进行赋值，根据所述边与所述边之间的邻接关系构建一个邻接矩阵，将所述非完全连接图进行转换，得到数字微流控芯片的数学模型。
3.如权利要求2所述的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，其特征在于，计算所述数学模型中各电极单元间的距离，并结合设置的直角坐标系完善所述数学模型，包括：
以所述芯片的左上角为坐标原点，水平方向和竖直方向建立x，y坐标轴，获取起始点和所述边的权值，选取按升序排列的所述点中的第一点，并把与所述第一点连接的所有第二点进行松弛操作，并把所述起始点到所述第一点的距离值加所述边的权值之和得到的第一距离值与所述起始点到所述第二点的第二距离值进行比较。
4.如权利要求3所述的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，其特征在于，把所述第一距离值和所述第二距离值进行比较，包括：
若所述第一距离值小于所述第二距离值，则所述第二距离值转换为所述第一距离值，并将所述第二点更新入所述数学模型中，若所述第二点在所述数学模型中，则所述数学模型不变；
若所述第一距离值大于或等于所述第二距离值，则所述第二距离值不变。
5.如权利要求4所述的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，其特征在于，所述获取液滴的坐标值，建立所述液滴的约束条件数学模型，包括：
根据所述直角坐标系获取所述液滴的坐标值，利用所述坐标值横纵坐标对应的坐标差的绝对值建立所述液滴的约束条件数学模型。
6.如权利要求5所述的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，其特征在于，所述获取蛙跳算法的初始参数和目标次数，并根据设计的适应度函数计算所有蛙个体的适应度值，包括：
根据所述数学模型，建立目标函数，并获取种群的数量、子种群的数量、每个所述子种群中的青蛙数量、蛙个体单次设定移动距离、种群进化迭代次数和目标次数，并根据所述数学模型中相邻所述点的距离以及设计的适应度函数计算所有蛙个体的适应度值，并将所述适应度值按升序排列，并选取位于第一位的青蛙为全局第一适应度值。
7.如权利要求6所述的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，其特征在于，所述对所有蛙个体进行种群划分和优化，包括：
根据获取种群的数量、子种群的数量和每个所述子种群中的青蛙数量，将所有蛙个体进行随机分配，并在每一个所述子种群内设定满足第二适应度值的青蛙和满足第三适应度值的青蛙，在蛙群内对每个所述子种群进行局部搜索，在满足液滴的约束条件数学模型的情况下，结合所述第二适应度值对所述第三适应度值的青蛙按照改进的蛙跳更新公式进行优化。
8.如权利要求7所述的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，其特征在于，所述对所有蛙个体进行种群划分和优化，还包括：
若优化后的所述第三适应度值大于优化前的所述第三适应度值，则所述第三适应度值为优化后的所述第三适应度值；
若优化后的所述第三适应度值小于优化前的所述第三适应度值，则所述第三适应度值为所述全局第一适应度值；
若优化后的所述第三适应度值等于优化前的所述第三适应度值，则随机产生一个新的蛙个体替代原来的所述第三适应度值的青蛙。
9.如权利要求8所述的一种基于蛙跳算法的数字微流控芯片在线测试路径优化方法，所述判断种群进化迭代次数是否满足所述目标次数，输出所述液滴设定测试路径，包括：
若种群进化迭代次数不满足所述目标次数，则继续进行种群搜索和优化；
若种群进化迭代次数满足所述目标次数，则输出所述液滴的优化时间，得到所述液滴的设定测试路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010040967.8A CN111274682B (zh) | 2020-01-15 | 2020-01-15 | 基于蛙跳算法的数字微流控芯片在线测试路径优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010040967.8A CN111274682B (zh) | 2020-01-15 | 2020-01-15 | 基于蛙跳算法的数字微流控芯片在线测试路径优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111274682A true CN111274682A (zh) | 2020-06-12 |
| CN111274682B CN111274682B (zh) | 2024-01-05 |
Family
ID=71002178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010040967.8A Active CN111274682B (zh) | 2020-01-15 | 2020-01-15 | 基于蛙跳算法的数字微流控芯片在线测试路径优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111274682B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113883413A (zh) * | 2021-10-21 | 2022-01-04 | 南京康博智慧健康研究院有限公司 | 一种基于半导体脱附的微流控芯片芬多精瓶充气方法 |
| CN118022864A (zh) * | 2024-01-16 | 2024-05-14 | 惠科股份有限公司 | 微流控芯片 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005050063A (ja) * | 2003-07-31 | 2005-02-24 | Canon Inc | 流体の数値計算方法及び装置及び制御プログラム及び記憶媒体 |
| CN103699136A (zh) * | 2014-01-14 | 2014-04-02 | 河海大学常州校区 | 基于蛙跳算法的智能家庭服务机器人系统及服务方法 |
| CN104142151A (zh) * | 2014-07-31 | 2014-11-12 | 上海闻泰电子科技有限公司 | 一种导航方法 |
| CN105786759A (zh) * | 2016-03-15 | 2016-07-20 | 河北工业大学 | 一种改进标准混合蛙跳算法的方法 |
| CN106650074A (zh) * | 2016-12-14 | 2017-05-10 | 桂林电子科技大学 | 一种基于遗传蚁群融合算法的数字微流控芯片灾难性故障测试方法 |
| CN106886843A (zh) * | 2017-03-24 | 2017-06-23 | 哈尔滨工业大学 | 基于改进粒子群算法的数字微流控芯片故障检测方法及系统 |
| CN108509269A (zh) * | 2018-02-27 | 2018-09-07 | 天津大学 | 一种基于监督混洗蛙跳算法的软硬件划分方法 |
| US20180357610A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation based on shuffled frog leaping and path relinking algorithms |
| CN110443433A (zh) * | 2019-08-15 | 2019-11-12 | 哈尔滨工业大学 | 基于改进鲸鱼优化算法的数字微流控芯片的调度优化方法 |
-
2020
- 2020-01-15 CN CN202010040967.8A patent/CN111274682B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005050063A (ja) * | 2003-07-31 | 2005-02-24 | Canon Inc | 流体の数値計算方法及び装置及び制御プログラム及び記憶媒体 |
| CN103699136A (zh) * | 2014-01-14 | 2014-04-02 | 河海大学常州校区 | 基于蛙跳算法的智能家庭服务机器人系统及服务方法 |
| CN104142151A (zh) * | 2014-07-31 | 2014-11-12 | 上海闻泰电子科技有限公司 | 一种导航方法 |
| CN105786759A (zh) * | 2016-03-15 | 2016-07-20 | 河北工业大学 | 一种改进标准混合蛙跳算法的方法 |
| CN106650074A (zh) * | 2016-12-14 | 2017-05-10 | 桂林电子科技大学 | 一种基于遗传蚁群融合算法的数字微流控芯片灾难性故障测试方法 |
| CN106886843A (zh) * | 2017-03-24 | 2017-06-23 | 哈尔滨工业大学 | 基于改进粒子群算法的数字微流控芯片故障检测方法及系统 |
| US20180357610A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation based on shuffled frog leaping and path relinking algorithms |
| CN108509269A (zh) * | 2018-02-27 | 2018-09-07 | 天津大学 | 一种基于监督混洗蛙跳算法的软硬件划分方法 |
| CN110443433A (zh) * | 2019-08-15 | 2019-11-12 | 哈尔滨工业大学 | 基于改进鲸鱼优化算法的数字微流控芯片的调度优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| WANG Z ET AL: "Research on improved strategy of shuffled frog leaping algorithm", 2019 34RD YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION (YAC), pages 265 - 268 * |
| 汪杰君等: "基于混合遗传蚁群算法的数字微流控芯片测试路径规划", 《电子测量与仪器学报》, vol. 31, no. 8, pages 1183 - 1191 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113883413A (zh) * | 2021-10-21 | 2022-01-04 | 南京康博智慧健康研究院有限公司 | 一种基于半导体脱附的微流控芯片芬多精瓶充气方法 |
| CN118022864A (zh) * | 2024-01-16 | 2024-05-14 | 惠科股份有限公司 | 微流控芯片 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111274682B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
| Lengyel et al. | Geographies of an online social network | |
| CN110322038B (zh) | 基于中尺度数据的风机自动排布的方法和设备 | |
| CN106844781B (zh) | 数据处理的方法及装置 | |
| CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
| CN111274682B (zh) | 基于蛙跳算法的数字微流控芯片在线测试路径优化方法 | |
| CN110533248A (zh) | 融合机器学习和lstm的大气污染物浓度预测方法 | |
| CN105183796A (zh) | 一种基于聚类的分布式链路预测方法 | |
| Noronha et al. | Modeling interregional interaction: Implications for defining functional regions | |
| CN113988373B (zh) | 基于多通道卷积神经网络的多任务海量用户负荷预测方法 | |
| CN108376183A (zh) | 一种基于最大熵原理的城市ca模型构建方法 | |
| CN100349135C (zh) | 一种测试向量的产生方法 | |
| CN112541584A (zh) | 深度神经网络模型并行模式选择方法 | |
| Song et al. | An enhanced clustering-based method for determining time-of-day breakpoints through process optimization | |
| Murcio et al. | Urban transfer entropy across scales | |
| CN102521655A (zh) | 基于非支配邻域免疫算法的动态网络社区检测方法 | |
| CN117609566A (zh) | 一种道路选取方法、装置、设备及计算机可读存储介质 | |
| Huo et al. | Statistical characteristics of dynamics for population migration driven by the economic interests | |
| CN111141920A (zh) | 基于强化学习的数字微流控生物芯片的故障在线检测方法 | |
| CN116416090A (zh) | 火电行业碳排放效率的空间关联网络特征获取方法及系统 | |
| CN108596390B (zh) | 一种解决车辆路径问题的方法 | |
| CN106980675B (zh) | 一种高效的桥梁结构健康预警系统 | |
| CN111008730A (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| CN115331754A (zh) | 基于哈希算法的分子分类方法 | |
| CN115587718A (zh) | 一种基于土地配置模型的城市土地规划系统 |
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 |