CN112069731A - 一种基于遗传算法的飞行仿真机动控制优化方法 - Google Patents
一种基于遗传算法的飞行仿真机动控制优化方法 Download PDFInfo
- Publication number
- CN112069731A CN112069731A CN202010910681.0A CN202010910681A CN112069731A CN 112069731 A CN112069731 A CN 112069731A CN 202010910681 A CN202010910681 A CN 202010910681A CN 112069731 A CN112069731 A CN 112069731A
- Authority
- CN
- China
- Prior art keywords
- genetic algorithm
- maneuver
- population
- flight
- parameters
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 title claims abstract description 28
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 5
- 230000007614 genetic variation Effects 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 230000009194 climbing Effects 0.000 abstract description 2
- 230000035772 mutation Effects 0.000 description 3
- 206010064571 Gene mutation Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Abstract
本发明属航空电子技术领域,特别涉及一种基于遗传算法的飞行仿真机动控制优化方法。能够对飞行仿真中多种飞行机动(180度转弯、破S机动、飞行爬升)控制参数进行优化,在多维参数空间中寻找更为优化的参数组合,缩短飞行机动时间,提升机动动作的执行效率和执行品质。可以增强飞机执行机动动作的飞行品质,降低对飞行员的经验依赖,提高对抗训练的飞行员的操作水平,提升飞行训练效能。
Description
技术领域
本发明属航空电子技术领域,特别涉及一种基于遗传算法的飞行仿真机动控制优化方法。
背景技术
在飞行仿真训练执行任务时,如何操控飞机做出性能更优的机动动作,对于任务的成功执行具有重要意义。更优的机动动作意味着具有更短的导弹规避距离,以及能够更快地躲避导弹并占据更为有利的攻击位置,从而在仿真训练对抗中抢占先机。目前,飞行员需要依靠大量的实飞或在仿真器中进行飞行训练来学习做出性能优良的机动,需要花费大量的时间和经济成本,并且训练效果也因人而异。随着智能技术的发展,如果能在飞行仿真中对飞机操控进行优化,使飞机可以做出高性能的机动动作,则一方面可以将该控制方法和参数推广到实际飞行中,提升飞机操控水平;另一方面,可以在仿真中为飞行员的对战训练提供更为强大的AI对手,从而提升飞行员的操作水平。基于遗传算法的飞行仿真机动控制优化方法因此被提出,以实现对飞机机动控制操作的优化,提升机动性能。
发明内容
本发明提供基于遗传算法的飞行仿真机动控制优化方法,能够对飞行仿真中多种飞行机动(180度转弯、破S机动、飞行爬升)控制参数进行优化,在多维参数空间中寻找更为优化的参数组合,缩短飞行机动时间,提升机动动作的执行效率和执行品质。
本发明的发明目的通过以下技术方案实现:
一种基于遗传算法的飞行仿真机动控制优化方法,包括以下步骤:
步骤一、确定飞行机动控制参数及取值范围;
步骤二、确定适应度值的计算和传输方式;所述适应度值为待优化目标,用于评价一组机动控制参数下的机动飞行的品质;
步骤三、确定采用的遗传优化算法;
步骤四、进行种群初始化,并对种群中的每个个体所表示的机动控制参数进行初始化;
步骤五、统计种群适应度值;
步骤六、根据算子选择方法选择种群中的个体作为变异母体;
步骤七、将选择出来的变异母体进行染色体交叉;
步骤八、将染色体交叉之后的变异母体进行基因变异;
步骤九、变异母体基因变异后的生成新一代个体,新一代个体形成新一代种群;对新一代种群中的个体进行适应度值计算;
步骤十、从步骤六开始对新一代种群进行迭代优化,直至达到设定的迭代代数。
进一步,所述步骤一中的飞行机动控制参数包括:操纵杆水平方向操控量,操纵杆竖直方向操控量,左油门操控量,右油门操纵量以及襟翼操控量。
进一步,所述步骤二中的适应度值以每个飞行机动的衡量因素作为参数进行计算;所述衡量因素包括时间、速度和高度。
进一步,所述遗传优化算法包括:经典遗传算法、带代沟简单遗传算法、精英保留遗传算法、增强精英保留的遗传算法、增强精英保留多种群协同遗传算法、稳态遗传算法。
进一步,所述步骤四中待初始化的参数包括:个体个数,进化代数和参数编码方式;所述步骤四中还用于对步骤三中选择的遗传算法的超参数进行初始化;
所述步骤四中还对步骤一中机动控制参数进行编码形成编码序列。
进一步,在所述步骤五中,对种群中的每个个体按照步骤二的方式计算其适应度值,并对种群中的适应度值进行统计,记录其最优个体和平均适应度值并根据适应度值对全部个体进行排序。
进一步,所述步骤六中选择变异母体的方法包括:轮盘赌选择、随机竞争选择、最佳保留选择、无回放随机选择、确定式选择、无回放余数随机选择和最佳保存策略。
进一步,所述步骤七中的交叉方法包括:单点交叉、两点交叉与多点交叉、均匀交叉和算术交叉。
进一步,所述步骤八中的基因变异包括以下方法:基本位变异、均匀变异、边界变异、非均匀变异和高斯近似变异。
进一步,对迭代完成之后的适应度值进行判断,若适应度值已经收敛,则将最终的最优结果的参数作为优化后的参数输出;若适应度值尚未收敛,则重新选择遗传算法和相关参数,开始新一轮优化迭代。
有益效果
通过基于遗传算法的飞行仿真机动控制优化方法的使用,可以增强飞机执行机动动作的飞行品质,降低对飞行员的经验依赖,提高对抗训练的飞行员的操作水平,提升飞行训练效能。
附图说明
图1为一种基于遗传算法的飞行仿真机动控制优化方法的流程图。
具体实施方式
基于遗传算法的飞行仿真机动控制优化方法,包括如下步骤:
步骤一、确定飞行机动控制参数及取值范围
飞行仿真中的机动控制包含以下参数:操纵杆水平方向操控量,操纵杆竖直方向操控量,左油门操控量,右油门操纵量以及襟翼操控量等。
一个完整的飞行机动通常可以分解为几个基本的飞行动作,例如一个180度转弯飞行,开始时是进行一个飞行翻滚,翻滚到一定角度后,保持该角度进行转弯,转弯到180度后,再将飞机拉平。因此飞行机动由基本飞行动作序列{S1,S2,…,Si,…,Sn}组成,完成一个机动控制的飞行参数由各基本飞行动作的参数组合而成。确定了飞行序列及确定了整个机动过程中的控制参数序列,另外,还需要确定每个参数的取值范围。
步骤二、确定适应度值的计算和传输方式
适应度值用于评价一组机动控制参数下的机动飞行的品质,适应度值越小,其机动飞行品质越高。因此参数优化的方向是朝着适应度值递减的方向进行参数优化。通常在定义一个飞行机动的适应度值时,需要考虑机动完成的时间、速度以及高度等因素,而每个机动动作由于其任务目的不同,需要考虑的因素也会有差别。因此,适应度值计算应以每个飞行机动的衡量因素作为参数进行计算。
适应度值的计算可以在飞行仿真系统中进行,然后通过特定传输方式发送给遗传优化软件。传输方式可以采用函数直接调用方式进行,也可以采用网络(如UDP、TCP或RPC等)方式进行。
步骤三、确定采用的遗传优化算法
由于遗传优化算法有多种具体实现,如经典遗传算法、带代沟简单遗传算法、精英保留遗传算法、增强精英保留的遗传算法、增强精英保留多种群协同遗传算法、稳态遗传算法等。因此,需要选择相应遗传优化算法来进行飞行机动控制参数优化。
步骤四、进行种群参数初始化
遗传优化算法需要初始化种群参数,包括种群中个体个数,以及进化代数、参数编码方式等。对待优化的参数进行编码,形成类似于基因的形式。编码方式目前有二进制编码、浮点编码以及符号编码的方式。二进制编码采用二进制符号0和1对参数进行表示,其编码和解码操作简单,对交叉、变异等遗传操作便于实现,但对于连续函数优化问题可能存在精度差的问题。浮点编码是指个体的每个基因值用某一范围内的一个浮点数来表示。该方法适用于在遗传算法中表示范围较大的数,适用于精度较高的计算需求。符号编码法是指个体染色体编码串中的基因值取自一个无数值含义而只有代码含义的符号集如{A,B,C…}。该方法便于在遗传算法中利用所求问题的专门知识。
步骤五、种群适应度值统计
对种群中的每个个体按照步骤二的方式计算其适应度值,并对种群中的适应度值进行统计,记录其最优个体、平均适应度值以及根据适应度值进行排序等。
步骤六、选择变异母体
算子选择方法决定了如何根据适应度值对种群中的个体进行选择。有以下几种选择方法:轮盘赌选择、随机竞争选择、最佳保留选择、无回放随机选择、确定式选择、无回放余数随机选择以及最佳保存策略等。
步骤七、进行染色体交叉操作
染色体交叉操作是指对两个相互配对的染色体按某种方式相互交换其部分基因,从而形成两个新的个体。交叉算子有以下几种:单点交叉、两点交叉与多点交叉、均匀交叉和算术交叉。
步骤八、进行基因变异
遗传算法中的变异运算,是指将个体染色体编码串中的某些基因座上的基因值用该基因座上的其它等位基因来替换,从而形成新的个体。有以下基因变异方法:基本位变异、均匀变异、边界变异、非均匀变异和高斯近似变异等。
步骤九、生成新一代种群
对新生成的个体进行适应度值计算,并生成新一代种群。
步骤十、循环迭代
从步骤六开始对新一代种群进行迭代优化,直至达到设定的迭代代数,并且判断适应度值已经收敛,则将最终的最优结果的参数作为优化后的参数。如果适应度值尚未收敛,重新选择遗传算法和相关参数,开始新一轮优化迭代。
下面根据附图和实施例对本发明用在进行180度转弯的飞行机动控制参数优化作进一步详细说明。具体流程如图1所示:
(1)确定180度转弯的控制参数及取值范围
180度转弯飞行由控制飞机翻滚、保持飞机转弯飞行、飞机拉平至平稳飞行三个基本动作组成。每个动作都由操纵杆水平操控量X,操纵杆竖直操控量Y,左油门操控量L、右油门操控量R进行控制。因此,三个基本动作的操控量构成一个12个参数组成的序列{x1,y1,l1,r1,x2,y2,l2,r2,x3,y3,l3,r3}。这些参数的数值类型都为实数型,取值范围都为[-1.0,1.0]。x1,y1,l1,r1分别为X/Y/L/R在第一个基本动作的控制量;x2,y2,l2,r2分别为X/Y/L/R在第二个基本动作的控制量;
x3,y3,l3,r3分别为X/Y/L/R在第二个基本动作的控制量。
(2)确定适应度值的计算和传输方式
180度转弯机动需要考虑转弯完成的总体时间t与速度v,对于机动控制来说,希望时间t越小越好,速度v越大越好。因此设计适应度函数f(t,v)=a*t-b*v,a和b是权重系数。
由于飞行机动控制的操作及适应度值的计算已经封装成Python函数,因此可以直接采用Python函数调用的方式获取适应度值。
(3)确定采用的遗传优化算法
这里选择带代沟遗传算法对180度转弯的控制参数进行优化。
(4)进行种群初始化
将种群数设置为50,表示该种群有50个初始化个体。迭代代数设置为100,表示最大迭代代数为100代。对控制参数{x1,y1,l1,r1,x2,y2,l2,r2,x3,y3,l3,r3}按照二进制编码方式初始化50个个体的种群。设置代沟值为0.9,表示每代子代替代父代形成新一代种群的比例为0.9。
(5)种群适应度值统计
根据该种群每个个体所表示的参数,调用DCS仿真控制,计算180度转弯机动飞行完成所需的时间及速度,然后根据第(2)步的公式计算适应度值。对当前种群进行适应度值的统计,记录其最优个体、平均适应度值等。
(6)选择变异母体
按照轮盘赌选择方法从当前种群中选取进行进化的母体。
(7)进行染色体交叉
按照两点交叉方式对第(6)步选择的母体进行交叉操作。
(8)进行基因变异
对第(7)步交叉后的个体采用基本位变异方法进行母体基因变异,然后对变异后的个体按照步骤(5)获得每个个体的适应度值。
(9)生成新一代种群
根据设置的代沟值0.9从第(8)步得到的变异个体中选择45个个体替换父代最差的45个个体,从而得到下一代种群。
(10)循环迭代
对新生的下一代种群从第(6)步开始进行新一轮选择、交叉、变异,从而进行循环迭代。直到达到最大迭代次数后,结束迭代,最终得到优化后的180度转弯飞行机动控制参数。
Claims (10)
1.一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:所述方法包括以下步骤:
步骤一、确定飞行机动控制参数及取值范围;
步骤二、确定适应度值的计算和传输方式;所述适应度值为待优化目标,用于评价一组机动控制参数下的机动飞行的品质;
步骤三、确定采用的遗传优化算法;
步骤四、进行种群参数的初始化,并对种群中的每个个体所表示的机动控制参数进行初始化;
步骤五、统计种群适应度值;
步骤六、根据算子选择方法选择种群中的个体作为变异母体;
步骤七、将选择出来的变异母体进行染色体交叉;
步骤八、将染色体交叉之后的变异母体进行基因变异;
步骤九、变异母体基因变异后生成新一代个体,新一代个体形成新一代种群;对新一代种群中的个体进行适应度值计算;
步骤十、从步骤六开始对新一代种群进行迭代优化,直至达到设定的迭代代数。
2.根据权利要求1所述的一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:所述步骤一中的飞行机动控制参数包括:操纵杆水平方向操控量,操纵杆竖直方向操控量,左油门操控量,右油门操纵量以及襟翼操控量。
3.根据权利要求2所述的一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:所述步骤二中的适应度值以每个飞行机动的衡量因素作为参数进行计算;所述衡量因素包括机动完成的时间、速度和高度。
4.根据权利要求1所述的一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:所述遗传优化算法包括:经典遗传算法、带代沟简单遗传算法、精英保留遗传算法、增强精英保留的遗传算法、增强精英保留多种群协同遗传算法、稳态遗传算法。
5.根据权利要求1所述的一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:所述步骤四中待初始化的种群参数包括:个体个数、进化代数和参数编码方式;所述步骤四中还用于对步骤三中选择的遗传优化算法的超参数进行初始化;
所述步骤四中还对步骤一中机动控制参数进行编码形成编码序列。
6.根据权利要求3所述的一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:在所述步骤五中,对种群中的每个个体按照步骤二的方式计算其适应度值,并对种群中的适应度值进行统计,记录其最优个体和平均适应度值并根据适应度值对全部个体进行排序。
7.根据权利要求1所述的一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:所述步骤六中选择变异母体的方法包括:轮盘赌选择、随机竞争选择、最佳保留选择、无回放随机选择、确定式选择、无回放余数随机选择和最佳保存策略。
8.根据权利要求1所述的一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:所述步骤七中的染色体交叉方法包括:单点交叉、两点交叉、多点交叉、均匀交叉和算术交叉。
9.根据权利要求1所述的一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:所述步骤八中的基因变异包括以下方法:基本位变异、均匀变异、边界变异、非均匀变异和高斯近似变异。
10.根据权利要求1所述的一种基于遗传算法的飞行仿真机动控制优化方法,其特征在于:对迭代完成之后的适应度值进行判断,若适应度值已经收敛,则将最终的最优结果的参数作为优化后的参数输出;若适应度值尚未收敛,则重新选择遗传算法,开始新一轮优化迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010910681.0A CN112069731A (zh) | 2020-09-02 | 2020-09-02 | 一种基于遗传算法的飞行仿真机动控制优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010910681.0A CN112069731A (zh) | 2020-09-02 | 2020-09-02 | 一种基于遗传算法的飞行仿真机动控制优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112069731A true CN112069731A (zh) | 2020-12-11 |
Family
ID=73665796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010910681.0A Pending CN112069731A (zh) | 2020-09-02 | 2020-09-02 | 一种基于遗传算法的飞行仿真机动控制优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069731A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818472A (zh) * | 2021-02-25 | 2021-05-18 | 西北工业大学 | 一种民用飞机飞行试验科目安排及优化方法 |
CN114647994A (zh) * | 2022-05-24 | 2022-06-21 | 中国航空工业集团公司西安飞机设计研究所 | 一种爬升性能快速处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504294A (zh) * | 2015-01-14 | 2015-04-08 | 北京航空航天大学 | 飞行仿真初始状态混合遗传配平方法 |
CN107103164A (zh) * | 2017-05-27 | 2017-08-29 | 合肥工业大学 | 无人机执行多任务的分配方法及装置 |
CN108490965A (zh) * | 2018-04-19 | 2018-09-04 | 东华大学 | 基于遗传算法优化神经网络的旋翼飞行器姿态控制方法 |
US20180260714A1 (en) * | 2017-03-10 | 2018-09-13 | Yun Li | Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics |
-
2020
- 2020-09-02 CN CN202010910681.0A patent/CN112069731A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504294A (zh) * | 2015-01-14 | 2015-04-08 | 北京航空航天大学 | 飞行仿真初始状态混合遗传配平方法 |
US20180260714A1 (en) * | 2017-03-10 | 2018-09-13 | Yun Li | Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics |
CN107103164A (zh) * | 2017-05-27 | 2017-08-29 | 合肥工业大学 | 无人机执行多任务的分配方法及装置 |
CN108490965A (zh) * | 2018-04-19 | 2018-09-04 | 东华大学 | 基于遗传算法优化神经网络的旋翼飞行器姿态控制方法 |
Non-Patent Citations (2)
Title |
---|
刘家学;刘晓荣;耿宏;: "基于改进遗传算法的飞行控制律参数设计", 航空电子技术 * |
周德云,李 锋,蒲小勃 ,周宗锡: "基于遗传算法的飞机战术飞行动作决策", 西北工业大学学报 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818472A (zh) * | 2021-02-25 | 2021-05-18 | 西北工业大学 | 一种民用飞机飞行试验科目安排及优化方法 |
CN112818472B (zh) * | 2021-02-25 | 2023-04-18 | 西北工业大学 | 一种民用飞机飞行试验科目安排及优化方法 |
CN114647994A (zh) * | 2022-05-24 | 2022-06-21 | 中国航空工业集团公司西安飞机设计研究所 | 一种爬升性能快速处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108919641B (zh) | 一种基于改进樽海鞘算法的无人机航迹规划方法 | |
CN106990792B (zh) | 混合引力搜索算法的多无人机协同时序耦合任务分配方法 | |
Higashi et al. | Particle swarm optimization with Gaussian mutation | |
Man et al. | Genetic algorithms: concepts and designs | |
CN112082552A (zh) | 基于改进的混合粒子群优化算法的无人机航迹规划方法 | |
CN112069731A (zh) | 一种基于遗传算法的飞行仿真机动控制优化方法 | |
CN112550314B (zh) | 适用于无人驾驶的嵌入优化式控制方法及其驾驶控制模块和自动驾驶控制系统 | |
CN107330902A (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
CN113836803A (zh) | 基于改进狼群算法的无人机群资源调度方法 | |
CN112577507A (zh) | 基于哈里斯鹰优化算法的电动汽车路径规划方法 | |
CN110766125A (zh) | 一种基于人工鱼群算法的多目标武器——目标分配方法 | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN113095465B (zh) | 量子大马哈鱼洄游机制演化博弈的水下无人集群任务分配方法 | |
CN110619394A (zh) | 一种基于混沌免疫遗传机制的uuv智能体行为学习与演化模型 | |
CN114219605A (zh) | 一种风控方法、装置及存储介质 | |
Gan et al. | Automatic modeling of complex functions with clonal selection-based gene expression programming | |
CN110020725B (zh) | 一种服务于武器装备体系作战仿真的试验设计方法 | |
Goyal et al. | Genetic algorithm: a metaheuristic approach of optimization | |
CN113554144A (zh) | 用于多目标进化特征选择算法的自适应种群初始化方法和存储设备 | |
CN107730004B (zh) | 一种自我策略迭代吸收的gft智能决策模型自搏训练方法 | |
Gerdelan et al. | A genetic‐fuzzy system for optimising agent steering | |
Alfaro-Cid et al. | A comparative study of genetic operators for controller parameter optimisation | |
Cheng-jun et al. | Double inverted pendulum system control strategy based on fuzzy genetic algorithm | |
CN115187409B (zh) | 能源投资策略的确定方法、装置、电子设备及存储介质 | |
CN116542468B (zh) | 一种无人机集群任务规划方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201211 |