CN111651689A - 数据处理的方法、装置、可读存储介质和电子设备 - Google Patents
数据处理的方法、装置、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN111651689A CN111651689A CN202010408443.XA CN202010408443A CN111651689A CN 111651689 A CN111651689 A CN 111651689A CN 202010408443 A CN202010408443 A CN 202010408443A CN 111651689 A CN111651689 A CN 111651689A
- Authority
- CN
- China
- Prior art keywords
- particle
- objective function
- determining
- dimension
- dimension coordinate
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据处理的方法、装置、可读存储介质和电子设备。本发明实施例通过获取设定模型的初始参数,初始参数的数量为n,n为大于或等于1的正整数;将初始参数确定为目标函数对应的粒子在n维空间的坐标,所述粒子为粒子群算法中的粒子;将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。通过上述方法,能够在减小计算量的同时获得较为优化的设定模型的目标参数。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种数据处理的方法、装置、可读存储介质和电子设备。
背景技术
随着科技的发展,社会的进步,快递、外卖等行业给人们的日常生活带来了越来越多的便利,在配送过程中,通常需要准确的确定配送资源的位置,进而判断感兴趣区域(Area Of Interest,AOI)的通行情况,例如,判断AOI为车行区域或者步行区域,具体的,基于大量的骑手定位数据,确定概率模型,然后通过概率模型判断AOI的类型。
在现有技术中,通过现有的粒子群算法确定上述概率模型的模型参数,但是采用上述方法计算时计算量较大,因此,如何在计算量较小的情况下,获得较为优化的模型参数,是目前需要解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种数据处理的方法、装置、可读存储介质和电子设备,能够在减小计算量的同时获得较为优化的模型参数。
第一方面,本发明实施例提供了一种数据处理的方法,该方法包括:获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。
优选地,所述设定搜索方式为启发式搜索。
优选地,所述将所述n维空间的每一维坐标通过所述粒子群算法进行设定方式的搜索,确定所述目标函数的最优值,具体包括:确定所述n维空间的每一维坐标所对应的粒子的初始速度和调节速度;按照所述调节速度,将所述每一维坐标在设定范围内进行启发式搜索;响应于所述每一维坐标在下一时刻按照所述调节速度数移动后,超出所述设定范围;按照设定阈值减小所述每一维坐标对应的调节速度的绝对值;确定所述目标函数的最优值。
优选地,所述按照设定阈值减小所述每一维坐标对应的调节速度的绝对值,具体包括:在所述调节速度的方向上,按照设定阈值减小所述每一维坐标对应的调节速度的绝对值。
第二方面,本发明实施例提供了一种数据处理的装置,该装置包括:获取单元,用于获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;第一确定单元,用于将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;第二确定单元,用于将所述n维空间的每一维坐标按按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;第三确定单元,用于将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面或第一方面任一种可能中任一项所述的方法。
第四方面,本发明实施例提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤:获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。
优选地,所述处理器还执行如下步骤:所述设定搜索方式为启发式搜索。
优选地,所述处理器具体执行如下步骤:确定所述n维空间的每一维坐标所对应的粒子的初始速度和调节速度;按照所述调节速度,将所述每一维坐标在设定范围内进行启发式搜索;响应于所述每一维坐标在下一时刻按照所述调节速度数移动后,超出所述设定范围;按照设定阈值减小所述每一维坐标对应的调节速度的绝对值;确定所述目标函数的最优值。
优选地,所述处理器具体执行如下步骤:在所述调节速度的方向上,按照设定阈值减小所述每一维坐标对应的调节速度的绝对值。
本发明实施例通过获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。通过上述方法,每一维坐标按照设定算法进行搜索能够在减小计算量,同时获得较为优化的设定模型的目标参数。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是现有技术中粒子群算法的方法流程图;
图2是本发明第一实施例的数据处理的方法流程图;
图3是本发明第一实施例的粒子在n维空间内的示意图;
图4是本发明第二实施例的应用场景图;
图5是本发明第三实施例的数据处理的装置示意图;
图6是本发明第四实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明公开进行描述,但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明公开。为了避免混淆本发明公开的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个申请文件中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明公开的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
通常基于位置服务(Location Based Service,LBS)中,通常需要准确的确定配送资源的位置,进而判断感兴趣区域(Area Of Interest,AOI)的通行情况,例如,判断AOI为车行区域或者步行区域,具体的,基于大量的骑手定位数据,确定概率模型,然后通过概率模型判断AOI的类型,因此需要确定概率模型中各参数的最优值,进而获得较为优化的概率模型的模型参数或设置参数,其中,所述设置参数可以为阈值。
在现有技术中,通过现有的粒子群算法确定上述概率模型的模型参数,但是采用上述方法计算时计算量较大,具体的,现有的例子群算法如图1所示,首先初始化粒子群每个粒子的初始速度以及调节速度,然后根据适应度函数计算每个粒子的适应度,继而根据适应度更新第i个粒子搜索到的最优值pbest[i]、整个集群搜索到的最优值gbest,并更新每个粒子的位置和速度,具体如下:v[i]=w*v[i]+c1*rand()*(pbest[i]-present[i])+c2*rand()*(gbest-present[i]);present[i]=present[i]+v[i],其中,v[i]代表第i个粒子的速度,w代表惯性权值,c1和c2表示学习参数,rand()表示在0-1之间的随机数,pbest[i]代表第i个粒子搜索到的最优值,gbest代表整个集群搜索到的最优值,present[i]代表第i个粒子的当前位置;然后判断是否达到最大迭代次数或全局最优位置是否满足最小界限,若达到最大迭代次数或全局最优位置满足最小界限,结束迭代,粒子的当前位置即最优值,也就是概率模型的参数,但是由于粒子的按照设定的调节速度调节时,可能会超过设定的阈值范围,然后再此基础上继续寻找最优值,因此,通过现有的粒子群算法搜寻最优值时,计算量较大。
因此,如何在计算量较小的情况下,获得较为优化的最优值,进而获取较为优化的模型参数,是目前需要解决的问题。
图2是本发明第一实施例的数据处理的方法流程图。如图2所示,具体包括如下步骤:
步骤S200、获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数。
举例说明,假设设定模型中包括n个特征,每个特征对应一个参数,则设定模型对应一组参数,例如{θ1,θ2,θ3,…,θn}为设定模型的初始参数。
步骤S201、将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子。
本发明实施例中,确定目标函数y为n维空间的复杂函数,将{θ1,θ2,θ3,…,θn}作为目标函数对应的粒子在n维空间在的坐标{x1,x2,x3,…,xn},具体如图3所示,其中,图3仅仅为示意性说明,每个坐标的方向为其中一个维度,是立体的。
步骤S202、将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值。
具体的,所述设定搜索方式为启发式搜索。
本发明实施例中,确定所述n维空间的每一维坐标所对应的初始速度和调节速度;按照所述调节速度,将所述每一维坐标在设定范围内进行启发式搜索;响应于所述每一维坐标在下一时刻按照所述调节速度数移动后,超出所述设定范围;按照设定阈值减小所述每一维坐标对应的调节速度的绝对值;确定所述目标函数的最优值。
在一个具体实施例中,在所述调节速度的方向上,按照设定阈值减小所述每一维坐标对应的调节速度的绝对值。
举例说明,每一维坐标的设定范围对应一组有效定义域,只可以在该有效定义域内按照启发式搜索,不可以超过该有效定义域的范围,假设x1的有效定义域为(-10,10),每次粒子按照调节速度进行移动后,若x1超过有效定义域边界,则在x1的调节方向上减小调节速度的绝对值,使x1的的启发式搜索保持在有效定义域内,减少超过有效定义域的情况,提高搜索速度,每一维坐标的处理方式相同,进而确定所述目标函数的最优值。
步骤S203、将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。
假设目标函数的最优值对应的坐标为{x1’,x2’,x3’,…,xn’},将{x1’,x2’,x3’,…,xn’}对应的参数{θ1’,θ2’,θ3’,…,θn’}确定为设定模型的目标参数。
本发明实施例中,按照目标参数设置设定模型,例如按照目标参数设置概率模型,然后将该设置了目标参数的概率应用于LBS服务。
图4是本发明第二实施例的应用场景图,包括服务器和终端,其中,所述服务器还可以称为平台、系统等,终端可以为手机、平板等可以定位配送资源位置的设备,所述服务器为至少一个,所述终端的数量为多个,服务器获取多个终端发送的定位数据,然后根据概率模型判断AOI区域的形式,例如,步行区域、车行区域、或不可进入区域,概率模型的参数按照如下方式获取:获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。通过上述方法,每一维坐标按照设定算法进行搜索能够在减小计算量,同时获得较为优化的设定模型的目标参数。
图5是本发明第三实施例的数据处理的装置示意图。如图5所示,本实施例的装置包括获取单元51、第一确定单元52、第二确定单元53和第三确定单元54。
其中,获取单元51,用于获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;第一确定单元52,用于将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;第二确定单元53,用于将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;第三确定单元54,用于将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。
进一步地,所述设定搜索方式为启发式搜索。
进一步地,所述第二确定单元具体用于:确定所述n维空间的每一维坐标所对应粒子的初始速度和调节速度;按照所述调节速度,将所述每一维坐标在设定范围内进行启发式搜索;响应于所述每一维坐标在下一时刻按照所述调节速度数移动后,超出所述设定范围;按照设定阈值减小所述每一维坐标对应的调节速度的绝对值;确定所述目标函数的最优值。
进一步地,所述第二确定单元具体还用于:所述按照设定阈值减小所述每一维坐标对应的调节速度的绝对值,具体包括:在所述调节速度的方向上,按照设定阈值减小所述每一维坐标对应的调节速度的绝对值。
图6是本发明第四实施例的电子设备的示意图。在本实施例中,电子设备为服务器。应理解,还可以为其他电子设备,如树莓派。如图6所示,该电子设备:至少包括一个处理器601;以及,与至少一个处理器601通信连接的存储器602;以及,与扫描装置通信连接的通信组件603,通信组件603在处理器601的控制下接收和发送数据;其中,存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行以实现:获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。
进一步地,所述处理器还执行如下步骤:所述设定搜索方式为启发式搜索。
进一步地,所述处理器具体执行如下步骤:确定所述n维空间的每一维坐标所对应的粒子的初始速度和调节速度;按照所述调节速度,将所述每一维坐标在设定范围内进行启发式搜索;响应于所述每一维坐标在下一时刻按照所述调节速度数移动后,超出所述设定范围;按照设定阈值减小所述每一维坐标对应的调节速度的绝对值;确定所述目标函数的最优值。
进一步地,所述处理器具体执行如下步骤:在所述调节速度的方向上,按照设定阈值减小所述每一维坐标对应的调节速度的绝对值。
具体地,该电子设备包括:一个或多个处理器601以及存储器602,图6中以一个处理器601为例。处理器601、存储器602可以通过总线或者其他方式连接,图6中以通过总线连接为例。存储器602作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述数据处理的方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储选项列表等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器602中,当被一个或者多个处理器601执行时,执行上述任意方法实施例中的数据处理的方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本发明的第五实施例涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、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。
本领域的普通技术人员可以理解,上述各实施例是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种数据处理的方法,其特征在于,该方法包括:
获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;
将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;
将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;
将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。
2.如权利要求1所述的方法,其特征在于,该方法还包括:
所述设定搜索方式为启发式搜索。
3.如权利要求2所述的方法,其特征在于,所述将所述n维空间的每一维坐标通过所述粒子群算法进行设定方式的搜索,确定所述目标函数的最优值,具体包括:
确定所述n维空间的每一维坐标所对应的粒子的初始速度和调节速度;
按照所述调节速度,将所述每一维坐标在设定范围内进行启发式搜索;
响应于所述每一维坐标在下一时刻按照所述调节速度数移动后,超出所述设定范围;
按照设定阈值减小所述每一维坐标对应的调节速度的绝对值;
确定所述目标函数的最优值。
4.如权利要求3所述的方法,其特征在于,所述按照设定阈值减小所述每一维坐标对应的调节速度的绝对值,具体包括:
在所述调节速度的方向上,按照设定阈值减小所述每一维坐标对应的调节速度的绝对值。
5.一种数据处理的装置,其特征在于,该装置包括:
获取单元,用于获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;
第一确定单元,用于将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;
第二确定单元,用于将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;
第三确定单元,用于将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。
6.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-4中任一项所述的方法。
7.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如下步骤:
获取设定模型的初始参数,其中,所述初始参数的数量为n,n为大于或等于1的正整数;
将所述初始参数确定为目标函数对应的粒子在n维空间的坐标,其中,所述粒子为粒子群算法中的粒子;
将所述n维空间的每一维坐标按照所述粒子群算法的设定搜索方式进行搜索,确定所述目标函数的最优值,其中,所述每一维坐标按照所对应的粒子的调节速度进行移动后,响应于超出设定范围,则按照设定阈值减小所述每一维坐标所对应的粒子的调节速度的绝对值;
将所述目标函数的最优值对应的坐标确定为所述设定模型的目标参数。
8.如权利要求7所述的电子设备,其特征在于,所述处理器还执行如下步骤:
所述设定搜索方式为启发式搜索。
9.如权利要求8所述的电子设备,其特征在于,所述处理器具体执行如下步骤:
确定所述n维空间的每一维坐标所对应的粒子的初始速度和调节速度;
按照所述调节速度,将所述每一维坐标在设定范围内进行启发式搜索;
响应于所述每一维坐标在下一时刻按照所述调节速度数移动后,超出所述设定范围;
按照设定阈值减小所述每一维坐标对应的调节速度的绝对值;
确定所述目标函数的最优值。
10.如权利要求9所述的电子设备,其特征在于,所述处理器具体执行如下步骤:
在所述调节速度的方向上,按照设定阈值减小所述每一维坐标对应的调节速度的绝对值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408443.XA CN111651689A (zh) | 2020-05-14 | 2020-05-14 | 数据处理的方法、装置、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408443.XA CN111651689A (zh) | 2020-05-14 | 2020-05-14 | 数据处理的方法、装置、可读存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111651689A true CN111651689A (zh) | 2020-09-11 |
Family
ID=72346096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010408443.XA Pending CN111651689A (zh) | 2020-05-14 | 2020-05-14 | 数据处理的方法、装置、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651689A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113970774A (zh) * | 2021-12-22 | 2022-01-25 | 广东汇天航空航天科技有限公司 | 一种导航系统的模糊度固定方法和装置 |
-
2020
- 2020-05-14 CN CN202010408443.XA patent/CN111651689A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113970774A (zh) * | 2021-12-22 | 2022-01-25 | 广东汇天航空航天科技有限公司 | 一种导航系统的模糊度固定方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070807B (zh) | 多目标跟踪方法和电子装置 | |
CN111522669A (zh) | 横向联邦学习系统优化方法、装置、设备及可读存储介质 | |
CN111027428B (zh) | 一种多任务模型的训练方法、装置及电子设备 | |
CN111417066B (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
CN111289998A (zh) | 障碍物检测方法、装置、存储介质以及车辆 | |
CN113189989B (zh) | 车辆意图预测方法、装置、设备及存储介质 | |
CN113787521B (zh) | 基于深度学习的机器人抓取方法、系统、介质和电子设备 | |
CN112085056A (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN110789520A (zh) | 行驶控制方法、装置及电子设备 | |
CN113139696A (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
CN111651689A (zh) | 数据处理的方法、装置、可读存储介质和电子设备 | |
CN110276801B (zh) | 一种物体定位方法、装置及存储介质 | |
CN112393735A (zh) | 定位方法及装置、存储介质、电子装置 | |
US11585667B2 (en) | Systems and methods for simulating edge-computing deployment in diverse terrains | |
JP2023541167A (ja) | マップマッチング方法、装置、電子機器および記憶媒体 | |
CN108770014B (zh) | 网络服务器的计算评估方法、系统、装置及可读存储介质 | |
JP7160107B2 (ja) | 通信範囲制御装置、方法及びプログラム | |
CN106714192B (zh) | 网络调整方法及装置 | |
CN112399555A (zh) | 一种位置定位的方法、装置、可读存储介质和电子设备 | |
CN115235482A (zh) | 地图更新方法、装置、计算机设备及介质 | |
CN114599004A (zh) | 一种基站布局方法和装置 | |
CN111132029B (zh) | 基于地形约束的定位方法及装置 | |
CN114118300B (zh) | 服务迁移模型训练方法以及车联网服务迁移方法、系统 | |
CN114694375B (zh) | 交通监视系统、交通监视方法及存储介质 | |
CN116820136B (zh) | 基于rrt算法的无人机路径优化方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |
|
RJ01 | Rejection of invention patent application after publication |