CN111695728A - 基于机器学习的密集库设备调度策略参数动态调优方法 - Google Patents
基于机器学习的密集库设备调度策略参数动态调优方法 Download PDFInfo
- Publication number
- CN111695728A CN111695728A CN202010499825.8A CN202010499825A CN111695728A CN 111695728 A CN111695728 A CN 111695728A CN 202010499825 A CN202010499825 A CN 202010499825A CN 111695728 A CN111695728 A CN 111695728A
- Authority
- CN
- China
- Prior art keywords
- strategy
- scheduling
- warehouse
- parameters
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 16
- 238000013499 data model Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 125000002015 acyclic group Chemical group 0.000 claims description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本发明公开一种基于机器学习的密集库设备调度策略参数动态调优方法，本发明针对仓库的物理通路和设备运动范畴进行拓扑图建模，利用模型量化自动化车辆在特定策略参数下的实际运作细分指标，并设定此模型下的仓库调度指标目标值，进而利用机器学习的主数据分析思路来降维参数模型，进而发现策略参数与目标指标间的关联模型，以便于通过不断优化策略参数，来逐步逼近调度目标，从而实现在仓库现有条件下的自动化最优化参数调整。
Description
技术领域
本发明涉及智能自动化仓储设备控制领域，尤其是一种智能高效的仓库任务统筹规划方法。
背景技术
仓库自动化设备运行环境往往非常复杂，例如密集库中存在多种货物不同程度的信号遮挡，导致网络信号覆盖强度在密集库中的各个点均不相同，此外设备间的磨损也会导致运行设备在特定位置出现一定程度的打滑，以上环境上细微的差别，极有可能对实际设备运行造成较大影响，进而影响整个仓库的作业效率。
为了解决上述难题，多数自动化仓库设备的调度系统都会配置多种策略以及策略所使用的参数来适配仓库环境，从而保障设备尽可能的稳定运行。例如常见的出错最多重试次数N，表示当一个设备没有正确响应调度时，调度系统会最多进行N次重发指令的尝试，如果N次均失败，则会通知工作人员人工介入。此类方案更多依赖于人的经验和长时间的手动矫正，效率较低。且如果环境出现变化，而参数无法自动适应这种变化，则原先调整的策略将不再是最好的，甚至达不到既定目标。
故，需要一种新的技术方案以解决上述问题。
发明内容
发明目的：为解决上述问题，提供一种基于机器学习的密集库设备调度策略参数动态调优方法，针对多变且不一致的仓库实际环境，本方法总会尽可能的保障达到或尽可能接近既定的目标。
技术方案：为达到上述目的，本发明可采用如下技术方案：
一种基于机器学习的密集库设备调度策略参数动态调优方法，其特征在于，包括以下步骤，
(1)建立拓扑图模型：
根据仓库的实际连接模式，将设备及通路抽象成拓扑图模型，拓扑图模型采用有向无自环带边权值的拓扑图，用每个边的边权值代表到指定区域每条路径的选择权重，权重由具体的路径管理算法决定主要部分，而权重值包含的一个调优因子；
(2)指定调度目标，形成策略评价函数：
根据仓库业务的实际情况，设定仓库调度目标，调度目标根据几个指标约定优先级，系统按照优先级对几个指标的实际值于目标值的偏差值做加权求和而自动生成评价函数，评价函数内设置各指标的加权系数；
(3)设置策略初始值：
系统设置重试策略和路径选择策略的初始参数值，以及上下调整的步长和上下限初始的重试次数；
(4)一个统计周期中计算调度策略的评价指标，并使用评价函数进行量化：
实际执行策略一段时间，判定在此参属下评价函数的反馈值，反馈值根据配置选择一组向量或者一个单一数值；
(5)按照初始设定的启发式搜索策略寻找参数调整值，重复步骤(4)，迭代多次获取多组统计数据；
(6)利用机器学习算法将统计数据进行主数据分析，得出关键变量，分析关键变量和调度目标间的函数增减性关系，更新启发式搜索策略；
(7)初步获得启发式搜索策略后，模型建立阶段结束。
有益效果：本发明针对仓库的物理通路和设备运动范畴进行拓扑图建模，利用模型量化自动化车辆在特定策略参数下的实际运作细分指标，并设定此模型下的仓库调度指标目标值，进而利用机器学习的主数据分析思路来降维参数模型，进而发现策略参数与目标指标间的关联模型，以便于通过不断优化策略参数，来逐步逼近调度目标，从而实现在仓库现有条件下的自动化最优化参数调整。
具体实施方式
本发明提供一种基于机器学习的密集库设备调度策略参数动态调优方法。该方法应用在现代智能仓储系统中的密集库作业任务池并提供优化。
本发明针对的自动化密集仓库系统，适用于各种自动化库的策略调优，例如堆垛机库，子母车库以及四向穿梭车库。
各种仓库可设置调度目标主要包含四个指标：
设备占用率Oc
count表示设备总数量，Time表示统计周期长度，DTi表示第i个设备在本统计周期内工作的总时长
平均任务完成时间Tc
Ti表示第i个任务完成时间，n表示任务个数
任务完成时间标准差Ac
Ti表示第i个任务完成时间，n表示任务个数，Tc表示平均完成时间
Ti表示第i个任务完成时间，n表示任务个数
任务吞吐量Ct
Ct表示单位时间内整个系统完成的任务个数,Time为统计周期长度，Tcount为周期内完成任务总数。
以上参数的设定将确定仓库整体的调度目标，通常情况下，吞吐量应该满足业务的需求量，在吞吐量达标的前提下，应该使得设备占空比尽量高，减少设备磨损，第三个目标则是保证任务完成时间的标准差尽量小，让出入库业务尽可能流畅，避免出现某些任务完成迅速，却在等待个别完成极度缓慢的作业。
可以用本算法管理的策略参数包括，
重试策略中的最大重试次数，重试次数可按照设备维度进行细分，即每个设备均有自身的重试次数。
寻找路径策略的路径选择权重，仓库路径中每段独立路径均可以设置路径选择权重，实际是拓扑图的边权值，通过边权值可以调整各个路径的使用情况，尽量保证各路径的通行能力得到最大化利用。
其他算法策略的参数如希望使用本策略管理，也可通过配置加入。
下面说明本发明提供的基于机器学习的密集库设备调度策略参数动态调优方法的具体步骤：
模型建立阶段
1.建立拓扑图模型
根据仓库的实际连接模式，将设备及通路抽象成拓扑图模型，拓扑图模型采用有向无自环带边权值的拓扑图，用每个边的边权值代表到指定区域每条路径的选择权重，权重通常由具体的路径管理算法决定主要部分，而权重值包含的一个调优因子，则可用于路径选择策略的微调。
2.指定调度目标，形成策略评价函数
根据仓库业务的实际情况，设定仓库调度目标，调度目标可以根据几个指标约定优先级，系统会自动生成评价函数，一般是按照优先级对几个指标的实际值于目标值的偏差值做加权求和，评价函数可以设置各指标的加权系数
3.设置策略初始值
系统需设置重试策略和路径选择策略的初始参数值以及上下调整的步长和上下限
初始的重试次数可以每个设备设置成一样，每条路径也均为统一值，在实际运行中，参数会根据策略有动态的变更
4.一个统计周期中计算调度策略的评价指标，并使用评价函数进行量化
实际执行策略一段时间，判定在此参属下评价函数的反馈值，反馈值根据配置可以是一组向量或者一个单一数值
5，按照初始设定的启发式搜索策略寻找参数调整值，重复步骤4，迭代多次获取多组统计数据
6.利用机器学习算法将统计数据进行主数据分析，得出关键变量，分析关键变量和调度目标间的函数增减性关系，更新启发式搜索策略
7.初步获得启发式搜索策略后，模型建立阶段结束
进一步的，作为一个补充的优选方案，还可以在本发明中自动调整阶段：
监控作业指标是否在可接受范围内，如果出现偏差，则根据策略调整对应的不符合预期的参数，通常会调整和本次偏差相关联的路径和设备参数。
调整参数后的下次任务，利用评价指标评估策略参数调整是否符合预期，如符合预期则结束，如不符合预期，但差值减小，则进一步使用策略调整，如不符合预期且差值增大，说明启发式参数搜索策略失效，回到模型建立阶段重新构建参数与指标间的数据模型。
将本发明提供的调优方法应用于一个具体的实际仓库案例时，包括如下步骤：
1.根据实际仓库的设备和物理条件建立拓扑结构图。拓扑图可描述货物在单次作业中所经过的所有设备和路径，例如入库到2层在上图中经过路径，可以为称重传送带A，提升机传送带B，提升机B，二层母车，二层子车再到目标点。拓扑图中，边权值代表每段路径的实际平均通过时间。
2.设定调度目标，进而产生策略评估函数
通常会设定的评估目标为，每小时吞吐量不少于400箱，平均完成时间标准差不超过5分钟，机器占用率不超过80％，按以上优先级排序。
3.设置较短的统计周期，密集的进行作业，用于训练数据模型。
4.数据模型训练完毕后，进行仓库的正常作业，则此时整个系统已经具备了自适应调整参数的能力。
经过模拟测试，可以得知以上方法应用在仓库案例中后，会产生以下积极的效果：
设定仓库主要通过路径发生磨损，导致车辆打滑，进而行进速度降为原始值1/2，发现系统会自动调整路径选择参数，导致后续车辆在可能的情况下会自动选择其他绕开此路径的方案行进，从而保证任务吞吐率并未发生大的下降。
设定某段路径出现频繁丢包现象，导致经过此路径的小车会在此处等待较长时间，系统同样会更新路径选择参数，保证任务正常执行
设定某个小车由于网卡接触问题，导致自身的丢包率上升场景，此时系统会自动调高此小车的重试次数阈值以减少小车报警需要人为干预的频次，从而保证任务执行不受较大影响。
另外，本发明的具体实现方法和途径很多，以上所述仅是本发明的优选实施方式。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种基于机器学习的密集库设备调度策略参数动态调优方法，其特征在于，包括以下步骤，
(1)建立拓扑图模型：
根据仓库的实际连接模式，将设备及通路抽象成拓扑图模型，拓扑图模型采用有向无自环带边权值的拓扑图，用每个边的边权值代表到指定区域每条路径的选择权重，权重由具体的路径管理算法决定主要部分，而权重值包含的一个调优因子；
(2)指定调度目标，形成策略评价函数：
根据仓库业务的实际情况，设定仓库调度目标，调度目标根据几个指标约定优先级，系统按照优先级对几个指标的实际值于目标值的偏差值做加权求和而自动生成评价函数，评价函数内设置各指标的加权系数；
(3)设置策略初始值：
系统设置重试策略和路径选择策略的初始参数值，以及上下调整的步长和上下限初始的重试次数；
(4)一个统计周期中计算调度策略的评价指标，并使用评价函数进行量化：
实际执行策略一段时间，判定在此参属下评价函数的反馈值，反馈值根据配置选择一组向量或者一个单一数值；
(5)按照初始设定的启发式搜索策略寻找参数调整值，重复步骤(4)，迭代多次获取多组统计数据；
(6)利用机器学习算法将统计数据进行主数据分析，得出关键变量，分析关键变量和调度目标间的函数增减性关系，更新启发式搜索策略；
(7)初步获得启发式搜索策略后，模型建立阶段结束。
2.根据权利要求1所述的密集库设备调度策略参数动态调优方法，其特征在于，对步骤(2)-(6)中的各个作业指标进行监控，如果出现偏差，则根据策略调整对应的不符合预期的参数，包括本次偏差相关联的路径和设备参数。
3.根据权利要求2所述的密集库设备调度策略参数动态调优方法，其特征在于，调整参数后的下次任务，利用评价指标评估策略参数调整是否符合预期，如符合预期则结束，如不符合预期，但差值减小，则进一步使用策略调整，如不符合预期且差值增大，说明启发式参数搜索策略失效，回到模型建立阶段重新构建参数与指标间的数据模型。
4.根据权利要求1所述的密集库设备调度策略参数动态调优方法，其特征在于，步骤(1)中，拓扑图可描述货物在单次作业中所经过的所有设备和路径，边权值代表每段路径的实际平均通过时间。
5.根据权利要求4所述的密集库设备调度策略参数动态调优方法，其特征在于，本方法管理的策略参数包括：重试策略中的最大重试次数、寻找路径策略的路径选择权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010499825.8A CN111695728B (zh) | 2020-06-04 | 2020-06-04 | 基于机器学习的密集库设备调度策略参数动态调优方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010499825.8A CN111695728B (zh) | 2020-06-04 | 2020-06-04 | 基于机器学习的密集库设备调度策略参数动态调优方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695728A true CN111695728A (zh) | 2020-09-22 |
| CN111695728B CN111695728B (zh) | 2021-09-21 |
Family
ID=72478911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010499825.8A Active CN111695728B (zh) | 2020-06-04 | 2020-06-04 | 基于机器学习的密集库设备调度策略参数动态调优方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695728B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298445A (zh) * | 2021-07-22 | 2021-08-24 | 北京三快在线科技有限公司 | 一种模型训练和调度无人设备的方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050065902A1 (en) * | 2001-11-23 | 2005-03-24 | Simon De Givry | Method for designing optimization algorithms integrating a time limit |
| CN103488707A (zh) * | 2013-09-06 | 2014-01-01 | 中国人民解放军国防科学技术大学 | 一种基于贪心策略和启发式算法搜索候选类别的方法 |
| CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
| US20180246758A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Automated generation of scheduling algorithms based on task relevance assessment |
| CN109961129A (zh) * | 2017-12-25 | 2019-07-02 | 中国科学院沈阳自动化研究所 | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 |
| CN110334837A (zh) * | 2019-04-11 | 2019-10-15 | 浙江同筑科技有限公司 | 一种基于petri网分解的多AGV调度方法 |
-
2020
- 2020-06-04 CN CN202010499825.8A patent/CN111695728B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050065902A1 (en) * | 2001-11-23 | 2005-03-24 | Simon De Givry | Method for designing optimization algorithms integrating a time limit |
| CN103488707A (zh) * | 2013-09-06 | 2014-01-01 | 中国人民解放军国防科学技术大学 | 一种基于贪心策略和启发式算法搜索候选类别的方法 |
| US20180246758A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Automated generation of scheduling algorithms based on task relevance assessment |
| CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
| CN109961129A (zh) * | 2017-12-25 | 2019-07-02 | 中国科学院沈阳自动化研究所 | 一种基于改进粒子群的海上静止目标搜寻方案生成方法 |
| CN110334837A (zh) * | 2019-04-11 | 2019-10-15 | 浙江同筑科技有限公司 | 一种基于petri网分解的多AGV调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 卫珊: "多 AGV 路径规划及调度系统研究", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技II集》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298445A (zh) * | 2021-07-22 | 2021-08-24 | 北京三快在线科技有限公司 | 一种模型训练和调度无人设备的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695728B (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Balaji et al. | Urban traffic signal control using reinforcement learning agents | |
| CN106709692A (zh) | 一种物流中心储位分配方法 | |
| CN102402716B (zh) | 智能生产决策支持系统 | |
| CN111695728B (zh) | 基于机器学习的密集库设备调度策略参数动态调优方法 | |
| US11258659B2 (en) | Management and control for IP and fixed networking | |
| CN105871724A (zh) | 电力通信网线路优化方法及系统 | |
| CN115689069B (zh) | 基于人工智能的电网调度控制方法及系统 | |
| Caridá et al. | Approaches of fuzzy systems applied to an AGV dispatching system in a FMS | |
| CN113473480A (zh) | 面向蜂窝网络的改进式强化学习网络覆盖优化方法 | |
| EP3410766B1 (en) | Assigning a subset of access points in a wireless network to a high priority | |
| CN117687884A (zh) | 一种电网调度自动化主站运维操作票智能优化方法及系统 | |
| Krupitzer et al. | Adding self-improvement to an autonomic traffic management system | |
| Duan et al. | Dynamic emergency vehicle path planning and traffic evacuation based on salp swarm algorithm | |
| Melnyk et al. | Wireless Industrial Communication and Control System: AI Assisted Blind Spot Detection-and-Avoidance for AGVs. | |
| CN116594358B (zh) | 基于强化学习的多层工厂车间调度方法 | |
| CN117408598A (zh) | 基于动态路网的高速公路大件运输路径快速决策方法 | |
| CN115577934B (zh) | 一种基于多智能体强化学习的应急方案更新方法及装置 | |
| CN111935761A (zh) | 一种移动通信网的质差根因自动定位方法及系统 | |
| CN116191449A (zh) | 用户电力负荷实时调度方法及系统、电子设备、存储介质 | |
| US20210099897A1 (en) | Server, radio communication system, and control method | |
| Rojas et al. | Machine Learning-based SON function conflict resolution | |
| CN114200960A (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 | |
| CN118244729B (zh) | 基于mes的生产车间动态管理方法与系统 | |
| CN116911579B (zh) | 配电台区的调度方法及装置 | |
| RU2556423C2 (ru) | Способ функционирования беспроводной сенсорной сети |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 211100 room 126, west area, first floor, Zhongguancun Software Park, building 1, No. 7, Yingcui Road, Jiangning District, Nanjing City, Jiangsu Province Patentee after: Nanjing Fengyun Technology Co.,Ltd. Country or region after: China Address before: 211100 room 126, west area, first floor, Zhongguancun Software Park, building 1, No. 7, Yingcui Road, Jiangning District, Nanjing City, Jiangsu Province Patentee before: Nanjing Yinfei Fengyun Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 33 Southeast University Road, Jiangning District, Nanjing City, Jiangsu Province, China. 5th Floor, Building 3, Jiangning Park Innovation and Entrepreneurship Base, Southeast University National University Science and Technology Park (Jiangning Development Zone) Patentee after: Nanjing Fengyun Technology Co.,Ltd. Country or region after: China Address before: 211100 room 126, west area, first floor, Zhongguancun Software Park, building 1, No. 7, Yingcui Road, Jiangning District, Nanjing City, Jiangsu Province Patentee before: Nanjing Fengyun Technology Co.,Ltd. Country or region before: China |