CN112216341A - 一种群体行为逻辑优化方法及计算机可读存储介质 - Google Patents
一种群体行为逻辑优化方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112216341A CN112216341A CN202010975825.0A CN202010975825A CN112216341A CN 112216341 A CN112216341 A CN 112216341A CN 202010975825 A CN202010975825 A CN 202010975825A CN 112216341 A CN112216341 A CN 112216341A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- tree
- behavior
- expression tree
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B10/00—ICT specially adapted for evolutionary bioinformatics, e.g. phylogenetic tree construction or analysis
Abstract
本发明提供了一种群体行为逻辑优化方法及计算机可读存储介质,将群体行为逻辑优化方法将抽象的离散的群体行为和行为的执行逻辑先映射到行为树BT,然后再将所述行为树映射到能够被基因表达式编程GEP算法优化的表达式树ET,以最终通过所述GEP算法优化的所述ET中的特定代码来优化所述BT,从而最终实现所述群体行为逻辑的优化,本发明提供的群体行为逻辑优化方法具有良好的优化性能,使得优化后的群体行为逻辑在执行任务时能够节省大量时间。
Description
技术领域
本发明属于计算机图像识别技术领域,具体是涉及一种群体行为逻辑优化方法及计算机 可读存储介质。
背景技术
群体智能使群体能够完成个体根据自身行为规则无法单独完成的任务。此外,群体还应 具有在环境影响和蜂群内部因素作用下自动调整行为模式的灵活性。自适应地完成任务一直 是近年来群体智能研究的热点。行为树(Behavior Tree,BT)被用于表示群体行为逻辑。相比 于分层的有限状态机,BT在表示智能体的行为逻辑上具有很大的优势,有模块化、更注重行 为逻辑的转换等特点。BT被广泛应用于各种游戏平台,除了游戏领域,近年来BT也被逐渐 应用于各种其它领域,如用BT表示机器人在脑肿瘤切除神经外科手术中的操作行为逻辑, 各种应用证明了BT对于表示个体行为逻辑上的重要意义和可行性。
然而,目前采用BT来表示个体行为逻辑的方法大多应用于单个机器人行为逻辑的构建, 少有表示群体行为逻辑的研究。现有技术一提供了一种基于BT和多智能体模型的行为仿真 方法,但是在现有技术一中,其设计的BT只表示群体内部的个体行为逻辑。现有技术二提 出了一种根据有限行为和条件生成适用于当前场景的BT方法,其实验中所有个体都能够按 照BT的逻辑运动,呈现集群行为,但是在个体交互层面上也只体现了简单的避碰和聚集性, 并且由于条件限制只能形成简单的BT。现有技术三将单一的机器人系统控制BT扩展到多机 器人的BT,把群体任务目标通过全局任务树、任务分派树和局部任务执行树划分为具体个体 需要完成的任务,扩展了BT可用于多机器人行为控制的领域,但是研究仅给出了应用框架, 没有进行具体BT优化方法和相应的仿真实验证明。
发明内容
有鉴于此,本发明提供了一种全体行为逻辑优化方法及计算机可读存储介质,以解决现 有技术无法通过GEP算法来优化群体行为逻辑的问题。
一种群体行为逻辑优化方法,包括:
将所述群体行为逻辑用初始行为树来表示,
将所述初始行为树映射为初始表达式树,
基于所述群体行为逻辑的任务目标设计适应度评价函数,
通过基因表达式编程算法根据所述适应度函数和评价指标优化所述初始表达式树,以获 得优化表达式树,
将优化所述表达式映射为优化行为树,
将所述优化行为树转化为优化群体行为逻辑输出。
优选地,构建初始行为树,所述初始行为树包括控制节点和叶子节点,所述控制节点包 括顺序节点、选择节点、并行节点和条件循环节点,所述叶子节点包括动作节点和条件节点,
所述初始行为树的根节点为第一顺序节点,所述根节点的子节点包括第二顺序节点和所 述条件循环节点,
所述第二顺序节点的子节点包括至少一个选择节点,所述至少一个选择节点中的各个选 择节点的子节点均包括一个条件节点和一个动作节点,
所述条件循环节点包括第一子节点和第二子节点,所述第一子节点为条件节点,第二子 节点为第一并行节点,
所述第一并行节点的子节点至少包括一个第三顺序节点和一个第四顺序节点,
所述第三顺序节点的子节点包括一个条件节点和一个动作节点,
所述第四顺序节点的子节点包括一个第二并行节点和一个动作节点,
所述第二并行节点的子节点包括两个条件节点,
所述行为逻辑包括群体的基本行为和执行所述基本行为的判断条件,在构建所述初始行 为树时,将各个所述基本行为分别映射到所述行为树的各个动作节点上,将各个所述判断条 件分别映射到所述初始行为树的各个条件节点上,
在所述初始行为树的执行期间:
所述顺序节点的子节点从左到右依次执行,直到所述顺序节点的所有子节点返回值为 “ture”时,所述顺序节点返回“ture”,否则所述顺序节点返回“false”,
所述选择节点的所有子节点从左到右依次执行,直到所述选择节点的所有子节点都返回 “false”时,所述选择节点返回“false”,否则所述选择节点返回“ture”,
所述并行节点的所有子节点同时执行,所述选择节点的其中一个子节点返回“false”时, 所述并行节点返回“false”,所述并行节点的各个子节点中除搜索任务的映射节点以外的其 它所有子节点返回“ture”时,所述并行节点返回为“ture”,
所述第一子节点返回“false”时,一直执行所述第二子节点,直到所述第一子节点返回 “ture”时为止。
优选地,将所述初始行为树映射到所述初始表达式树的映射规则为:
将所述初始行为树中的所述控制节点映射到所述初始表达式树中的函数,
其中,各个所述顺序节点映射到所述初始表达式树中对应位置的各个顺序函数、各个所 述并行节点映射到所述初始表达式树中对应位置的各个并行函数、各个所述选择节点映射到 所述初始表达式树的对应位置中的各个选择函数、所述循环节点映射到所述初始表达式树中 对应位置的条件循环函数,
将所述初始行为树中的各个所述动作节点和各个条件节点分别映射到所述初始表达式树 中相应位置的各个动作终止子和各个条件终止子。
优选地,所述并行函数的参数的层次数不超过1,
所述条件循环函数的参数个数设置为2个,并且所述条件循环函数的第二个参数必须是 条件参数,除所述条件循环函数外,所述初始表达式树中的其它函数的参数个数均设置为固 定值5,
在参数个数小于5的所述函数的子节点中增加“空节点”,所述空节点表示不执行任何 操作,在将所述群体的染色体翻译到所述表达式树的过程中遇到所述空节点时会跳过所述空 节点,
在参数个数大于5的的所述函数内部继续引用所述初始表达式树中的其它所述函数。
优选地,所述基因表达式编程算法的步骤包括:
步骤a:将所述初始表达式树作为所述基因表达式编程算法进行优化的当前表达式树,
步骤b:检测所述当前所述表达式树是否为异常表达式树,若是异常的,则停止对当前表 达式树的优化步骤,否则转步骤c,
步骤c:根据设计的适应度函数评估所述当前表达式树的适应度值是否满足所述评价指标 的值,若满足,则所述基因表达式编程算法的迭代终止,并转步骤d,否则转步骤e,
步骤d:保存最适应度值满足评价指标的值的表达式树对应的染色体,
步骤e:根据保存的染色体繁殖新的染色体,
步骤d:将繁殖的新的染色体对应的表达式树作为所述当前表达式树,转步骤b,直到通 过所述基因表达式编程算法获得所述优化表达式,所述基因表达式编程算法的迭代终止,
其中,所述繁殖过程包括对最所述保存的染色体进行基因复制形成下一代以及进行转座、 突变和重组形成新的染色体。
优选地,基于所述群体行为的任务目标设计适应度评价函数,通过所述基因表达式编程 算法根据所述适应度函数和评价指标优化所述表达式树包括:
设定场景、任务、要求和所述群体的基本行为,以构建建所述群体行为逻辑优化方法的 场景仿真模型,
根据所述场景设定所述适应度函数,
通过所述场景仿真模型对所述群体行为逻辑方法进行仿真,并根据所述适应度函数和仿 真结果获得所述表达式树的适应度值,
所述基因表达式编程算法根据计算的所述适应度值是否满足所述评价指标中的预设值,
所述适应度函数fitness的表示公式为:
fitness=α×T/T0+(1-α)×E/E0
其中,T0,E0分别表示所述群体在行为逻辑未进行所述优化时执行所述任务消耗的总时 间和总电量,T表示从开始执行所述任务到执行结束的总时间步,E表示执行所述任务过程 中消耗的总电量,α表示为总执行时间赋予的权重,则(1-α)表示所述群体在执行所述任务 时的总消耗电量赋予的权重,
在所述场景仿真模型中,通过基因调控网络指导所述群体的运动以使所述群体完成所述 任务。
优选地,所述群体行为逻辑包括机器人的围捕行为和所述围捕行为的判断条件,所述围 捕行为包括充电、排列、搜索、围捕、攻击和运输,所述判断条件包括电量充足、排列成功、 发现目标、围捕成功、第一类型目标、第二类型目标和所有目标都被侦查,
所述第二顺序节点的子节点包括第一选择节点和第二选择节点,所述电量充足映射到所 述第一选择节点的子节点中的条件节点,所述充电映射到所述第一选择节点的子节点中的动 作节点,
所述排列成功映射到所述第二选择节点的子节点中的条件节点,所述排列映射到所述第 二选择节点的子节点中的动作节点,
所述所有目标都被侦查映射到所述条件循环节点的子节点中的条件节点,
所述第一并行节点的子节点还包括动作节点和第五顺序节点,所述搜索映射到所述第一 并行节点的子节点中的动作节点,
所述发现目标映射到所述第三顺序节点的子节点中的条件节点,所述围捕映射到所述第 三顺序节点的子节点中的动作节点,
所述攻击映射到所述第四顺序节点的子节点中的动作节点,所述围捕成功和第二类型目 标分别映射到所述第二并行节点中的两个子节点,
所述第五顺序节点的子节点包括第三并行节点和动作节点,所述运输映射到送上第五顺 序节点的子节点中的动作节点,所述第三并行节点的子节点包括两个条件节点,
所述围捕成功和第一类型目标分别映射到所述第三并行节点的两个子子节点。
优选地,当检测到所述当前表达式树发生异常状态时,说明所述当前表达式树异常,所 述异常状态包括以下状态:
所述当前表达式树的根元素不是函数,
所述当前表达式树的终值中存在一个或多个函数,
所述当前表达式树的终止子具有子节点,
所述当前表达式树的条件循环函数的参数个数不为2,
所述当前表达式树的条件循环函数的第一个参数是条件终止子之外的元素,
所述当前表达式树的条件循环函数的第二个参数是条件终止子,
所述当前表达式树的函数元素的参数均为空,
所述当前表达式树的并行函数的参数层数大于1。
优选地,将所述新的染色体翻译到表达式树的步骤包括:
将每个所述新的染色体的每个基因按照广度优先的顺序翻译成开放阅读框架,每个所述 开放阅读框架只有一个根节点,所述根节点为所述基因的第一个元素表示的节点,
将所述新的染色体中的不同基因对应的所述开放阅读框架根据人工设计的函数整合在一 起构成表达式树。
一种计算机可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现 如上述任意一项所述的群体行为逻辑优化方法。
本发明的有益效果一为:本发明提供的所述群体行为逻辑优化方法将抽象的离散的群体 行为和行为的执行逻辑先映射到行为树BT,然后再将所述行为树映射到能够被基因表达式编 程GEP算法优化的表达式树ET,以最终通过所述GEP算法优化的所述ET中的特定代码来 优化所述BT,从而最终实现所述群体行为逻辑的优化,本发明提供的群体行为逻辑优化方法 具有良好的优化性能,使得优化后的群体行为逻辑在执行任务时能够节省大量时间。
本发明的有益效果二为:考虑到GEP算法在优化过程中可能产生大量异常染色体,我们 还在所述GEP算法中添加了异常检测步骤,以检测当前要进行优化的ET是否为正常ET,从 而可以节省不必要的执行和评估无效解的时间。
附图说明
图1为为依据本发明实施例提供的群体行为逻辑优化方法的流程框图;
图2为依据本发明实施例中的被优化前的行为树的结构示意图;
图3为依据本发明实施例中的被优化前的表达式树的结构示意图;
图4为依据本发明实施例中的被优化后的表达式树的结构示意图;
图5为依据本发明实施例中的被优化后的行为树的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描 述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中 的实施例,本领域普通技术人员在没有做出创造性劳动前提下所产生的所有其他实施例,都 属于本发明保护的范围。此外需要说明的是,在具体实施方式这一项内容中“所述…”是仅 指本发明的中的技术属于或特征。
基因表达式编程(gene expression programming,GEP)是遗传算法(geneticalgorithm, GA)和基因编程(genetic programming,GP)方法的“升级”,GEP可以构建不同长度的染 色体,并将染色体翻译为表达树(Expression Tree,ET),然后通过设计适应度评价函数来优 化ET。ET是GEP优化的对象,但是GET不能直接优化BT,因而无法通过GEP来优化用 BT表示的群体行为逻辑。为了将GEP能够应用于群体(如机器人)行为逻辑的优化,本发明提供了一种群体行为逻辑优化方法,所述群体行为逻辑优化方法的具体流程框图如图1所 示,图2为依据本发明实施例中的被优化前的初始行为树的结构示意图,图3为依据本发明 实施例中的被优化前的初始表达式树的结构示意图,图4为依据本发明实施例中的被优化后 的优化表达式树的结构示意图,图5为依据本发明实施例中的被优化后的优化行为树的结构 示意图,下面我们将结合图1至图5具体阐述本发明所提供的群体行为逻辑优化方法。
本发明提供的所述群体行为逻辑优化方将抽象的离散的群体行为和行为的执行逻辑转换 为可被GEP优化的ET中的特定代码,且考虑到GEP算法在优化过程中可能产生大量异常染 色体对应的表达式树,我们还在所述GEP算法中添加了异常检测步骤,以检测当前要进行优 化的ET是否为正常ET,从而可以节省不必要的执行和评估无效解的时间。所述群体行为逻 辑优化方提出的BT-GEP方法旨在基于任务目标优化群体行为逻辑。我们首先利用初始BT 来描述群体行为逻辑,然后用GEP优化所述初始BT,优化过程的第一步也是最重要的一步 是将初始BT映射到可以被GEP优化的初始ET,第二步是设计适应度函数,并以所述初始 ET作为所述GEP算法的中被进行优化的当前ET,然后给根据适应度函数来优化当前表达式 树,以获得优化表达式树,然后将优化表达式树在按照第一步的映射规则再映射到行为树, 以获得所述初始行为树的优化行为树,最后再将所述优化行为树转换还原为所述群体行为逻 辑,以获得优化的全体行为逻辑输出。
具体的,如图1所述,依据本发明实施例提供的所述群体行为逻辑优化方主要包括输入 群体的基本行为和执行逻辑、场景、任务和完成任务的要求,将输入的所述群体的基本行为 和执行逻辑(即执行所述基本行为的判断条件)按照第一映射规则映射为初始行为树BT,再 将初始行为树BT映射到能够被基因表达式编程GEP算法优化的的初始表达式树,再通过所 述GEP算法来根据设定的适应度函数优化所述初始表达式树,所述适应度函数评价的对象为 ET,若当前进行优化获得ET的适应度值满足评价标准,则说明当前ET为最优化的ET,否 则需要继续进一步进行当前ET的优化。在依据本发明实施例提供的所述群体行为逻辑优化 方法中,还根据输入的场景、任务和完成任务的要求构建场景仿真模型,以对所述群体行为 逻辑优化方法进行仿真,并根据所述场景设计所述适应度函数,然后所述GEP算法根据所述 适应度函数和根据所述场景仿真模型的仿真结果获得所述当前表达式树的适应度值判断所述 当前表达式树是否满足所述评价指标中适应度的预设值,从而判断所述当前表达式树是否被 优化好,若被优化好则将其保存并输出,并依次将其转换为优化行为树以及优化的群体行为 逻辑输,若不满足则需要对当前ET进行继续迭代优化,直到优化完成为止。
在本发明实施例中,构建的初始行为树包括控制节点和叶子节点,所述控制节点包括顺 序节点、选择节点、并行节点和条件循环节点,所述叶子节点包括动作节点和条件节点,所 述初始行为树的根节点为第一顺序节点,所述根节点的子节点包括第二顺序节点和所述条件 循环节点,所述第二顺序节点的子节点包括至少一个选择节点,所述至少一个选择节点中的 各个选择节点的子节点均包括一个条件节点和一个动作节点,所述条件循环节点包括第一子 节点和第二子节点,所述第一子节点为条件节点,第二子节点为第一并行节点,所述第一并 行节点的子节点至少包括一个第三顺序节点和一个第四顺序节点,所述第三顺序节点的子节 点包括一个条件节点和一个动作节点,所述第四顺序节点的子节点包括一个第二并行节点和 一个动作节点,所述第二并行节点的子节点包括两个条件节点。
对行为树的各个节点的定义如下,在所述初始行为树的执行期间:
所述顺序节点的子节点从左到右依次执行,直到所述顺序节点的所有子节点返回值为 “ture”时,所述顺序节点返回“ture”,否则所述顺序节点返回“false”;
所述选择节点的所有子节点从左到右依次执行,直到所述选择节点的所有子节点都返回 “false”时,所述选择节点返回“false”,否则所述选择节点返回“ture”;
所述并行节点的所有子节点同时执行,所述选择节点的其中一个子节点返回“false”时, 所述并行节点返回“false”,所述并行节点的各个子节点中除搜索任务的映射节点以外的其 它所有子节点返回“ture”时,所述并行节点返回为“ture”;所述第一子节点返回“false” 时,一直执行所述第二子节点,直到所述第一子节点返回“ture”时为止。
所述行为逻辑包括群体的基本行为和执行所述基本行为的判断条件,所述第一映射规则 为:在构建所述初始行为树时,将各个所述基本行为分别映射到所述行为树的各个动作节点 上,将各个所述判断条件分别映射到所述初始行为树的各个条件节点上。
在GEP算法中,其优化方法类似于遗传算法,算法中的每个染色体包含若干条长度相等 的基因,例如每一染色体包括两条基因,每个所述基因都包含部和尾部,头部中的元素由函 数和终止子组成,尾部中的元素仅由终止子组成,每个函数都需要匹配相应个数的参数。记 头部长度为h,n表示头部包含的函数元素集合中运算所需参数最多的参数个数,尾部长度t 根据公式t=h×(n-1)+1计算,该公式保证了能为头部元素中的每个函数提供足够的参数,单 个基因总长度l=h+t。对该染色体进行编码,每个基因第一个元素编码为“0”,第二个元 素编码为“1”,依此类推。因此,每个染色体都能翻译成相应的ET,并且每个基因都能解 码成相应的开放阅读框架(Open Reading Frame,ORF)。其中,所述开放阅读框架中的节点 表示函数和终止子。因此,将染色体翻译成表达式树ET的步骤包括:先根据基因编码的顺 序将基因按照广度优先(即先从左至右,再从上至下)的顺序翻译成所述ORF,每个所述ORF只有一个根节点,即基因的第一个元素表示的节点,每个函数节点的子节点个数为该函 数的参数个数,终止子没有子节点,然后将不同基因的所述ORF联系起来的形成染色体的表 达式树ET,表达式树ET中的节点包括函数和终止子。
在本发明实施例中,将所述行为树BT映射到所述表达式树ET的第二映射规则为:将所 述初始行为树映射到所述初始表达式树的映射规则为:将所述初始行为树中的所述控制节点 映射到所述初始表达式树中的函数,其中,各个所述顺序节点映射到所述初始表达式树中对 应位置的各个顺序函数、各个所述并行节点映射到所述初始表达式树中对应位置的各个并行 函数、各个所述选择节点映射到所述初始表达式树的对应位置中的各个选择函数、所述循环 节点映射到所述初始表达式树中对应位置的条件循环函数,将所述初始行为树中的各个所述 动作节点和各个条件节点分别映射到所述初始表达式树中相应位置的各个动作终止子和各个 条件终止子。具体的,第二映射规则可以参考表1以及图2和图3所示。
在本实施例中。所述群体行为逻辑包括机器人的围捕行为和所述围捕行为的判断条件, 所述围捕行为包括充电、排列、搜索、围捕、攻击和运输,所述判断条件包括电量充足、排 列成功、发现目标、围捕成功、第一类型目标、第二类型目标和所有目标都被侦查。则依据 本发明提供的初始行为树、初始表达式树的结构及其映射规则如表1、图2和图3所示:
所述第二顺序节点的子节点包括第一选择节点和第二选择节点,所述电量充足映射到所 述第一选择节点的子节点中的条件节点,所述充电映射到所述第一选择节点的子节点中的动 作节点,所述排列成功映射到所述第二选择节点的子节点中的条件节点,所述排列映射到所 述第二选择节点的子节点中的动作节点,所述所有目标都被侦查映射到所述条件循环节点的 子节点中的条件节点,所述第一并行节点的子节点还包括动作节点和第五顺序节点,所述搜 索映射到所述第一并行节点的子节点中的动作节点,所述发现目标映射到所述第三顺序节点 的子节点中的条件节点,所述围捕映射到所述第三顺序节点的子节点中的动作节点,所述攻 击映射到所述第四顺序节点的子节点中的动作节点,所述围捕成功和第二类型目标分别映射 到所述第二并行节点中的两个子节点,所述第五顺序节点的子节点包括第三并行节点和动作 节点,所述运输映射到送上第五顺序节点的子节点中的动作节点,所述第三并行节点的子节 点包括两个条件节点,所述围捕成功和第一类型目标分别映射到所述第三并行节点的两个子 节点。所述图2中所述的初始行为树按照所述第二映射规则映射获得初始表达式树对应如图 3所示。
我们还对GEP算法中进行优化的ET中的各个函数的参数进行了设置,以便于对ET的 优化,如使得所述并行函数的参数的层次数不超过1,所述条件循环函数的参数个数设置为2 个,并且所述条件循环函数的第二个参数必须是条件参数,除所述条件循环函数外,所述表 达式树中的其它函数的参数个数均设置为固定值5。在参数个数小于5的所述函数的子节点 中增加“空节点”(如图4中的空节点),所述空节点表示不执行任何操作,在将所述群体 的染色体翻译到所述表达式树的过程中遇到所述空节点时会跳过所述空节点。在参数个数大 于5的的所述函数内部继续引用所述表达式树中的其它所述函数。
GEP算法的优化过程与遗传算法相似。在GEP中,适应度函数是用来评价进化结果是否 满足优化评价标准的公式,如果根据它获得的适应度值满足适合度值,我们就不再需要进化 了。否则,选择计算的适应度值最接近评价指标的预设值的条染色体组成新的群体,进行繁 殖,产生新的后代,然后一直迭代这个过程,直到其中一条染色体满足适应度的评价指标。
因此,如图1中的虚框部分所示,其为所述GEP算法的方法流程示意,所述GEP算法的步骤主要包括以下步骤:
步骤a:将所述初始表达式树作为所述基因表达式编程算法进行优化的当前表达式树。
步骤b:检测所述当前所述表达式树是否为异常表达式树,若是异常的,则停止对当前表 达式树的优化步骤,否则转步骤c。
步骤c:根据设计的适应度函数评估所述当前表达式树的适应度值是否满足所述评价指标 的值,若满足,则所述基因表达式编程算法的迭代终止,并转步骤d,否则转步骤e。
步骤d:保存最适应度值满足评价指标的值的表达式树对应的染色体。
步骤e:根据保存的染色体繁殖新的染色体。
步骤d:将繁殖的新的染色体对应的表达式树作为所述当前表达式树,转步骤b,直到通 过所述基因表达式编程算法获得所述优化表达式,所述基因表达式编程算法的迭代终止,
其中,所述繁殖过程包括对最所述保存的染色体进行基因复制形成下一代以及进行转座、 突变和重组形成新的染色体,并转步骤b。
异常值检测方法被用于提高评估效率,在将染色体翻译成ET的过程中,可能会存在异 常的ET,为了节约评估资源,我们在所述GEP算法中增加的所述异常检测步骤(步骤c)可 以快速识别并排除异常ET,能够更高效地利用GEP算法对BT进行优化。当检测到所述当前 表达式树发生异常状态时,说明所述当前表达式树异常,所述异常状态包括以下状态:
所述当前表达式树的根元素不是函数,
所述当前表达式树的终值中存在一个或多个函数,
所述当前表达式树的终止子具有子节点,
所述当前表达式树的条件循环函数的参数个数不为2,
所述当前表达式树的条件循环函数的第一个参数是条件终止子之外的元素,
所述当前表达式树的条件循环函数的第二个参数是条件终止子,
所述当前表达式树的函数元素的参数均为空,
所述当前表达式树的并行函数的参数层数大于1。
为了设计所述适应度函数和获取适应度值,如图1所示,本发明提供的所述群体行为逻 辑优化方法还包括根据输入的场景、任务和任务要求设计适应度函数和构建场景仿真模型, 通过所述场景仿真模型对所述群体行为逻辑方法进行仿真,并根据所述适应度函数和仿真结 果获得所述表达式树的适应度值,所述基因表达式编程算法根据计算的所述适应度值是否满 足所述评价指标中的预设值,且通过对比优化前后的评价结果,验证了BT-GEP方法的可行 性和有效性。
具体的,我们设定的场景为围捕场景,在该场景中,群体的基本动作行为有六种,包括 充电、排列、搜索、围捕、攻击和运输;基本条件判断行为有六种,包括判断电量是否充足、 是否排列成功、是否检测到所有目标、是否发现目标、是否围捕成功以及是否是1/2型目标。 在这个围捕场景中,有两种类型的目标。1型目标表示的非进攻性目标,二类目标是进攻性 目标。这些目标分布在预定义的随机位置,如果所述群体中的机器人中任何一个机器人发现 了1型目标,它将被附近的几个机器人包围,然后被运送到橙色方块表示的基站,但如果检 测到2型目标,被附近的机器人围捕后,会受到周围机器人的攻击,直到转化为1型目标, 就可以运送到基站。在初始准备状态中,整个群体整齐地排列,基站的的信号站,负责广播 目标信息和存储机器人和目标信息,与基站相邻的区域为包含10个充电桩的充电站,当准备 阶段基站中的某个机器人检测到电量不足时会移动到充电站中的充电位置充电。在群体行为 的执行方面,基因调控网络(GRN)目前逐渐被用于指导群体的运动和形成,以完成对场景中 所有目标的诱捕,并将其传输到基站的任务。所述场景仿真模型进行仿真的过程主要为:
初始行为树BT
根据上述围捕场景介绍,我们可以人为设计出一个能够满足任务目标的初始BT(未被优 化的BT),即将所述群体行为映射后得到的所述BT,如图2所示。一开始,群体被安排去 充电。之后他们开始以足够的电量进行搜索。如果任一个体发现了目标,被发现目标附近的 个体会进行协同围捕,然后攻击或者直接把它送到基站。群体中的其他个体则会等待,直到 目标被运输回到基站。然后整个群体开始继续寻找下一个目标。在所有目标都回到基站时, 即完成任务。对于所述BT树中的并行节点,其子节点同时执行,满足其执行条件的部分群 体执行其部分操作,然后返回执行结果。由于搜索是一种持续性行为,因此除搜索节点外, 只有其他子节点都返回“成功”,并行节点才能返回“成功”,否则,如果除搜索节点外长 时间没有节点运行,则返回“失败”。
获得初始化表达式树ET:将所述BT映射到ET以获得初始化的ET(未被优化的ET)
根据初始BT和从BT到ET的第二映射规则,我们将设计了二者之间具体的映射规则, 见表1。
表1.基于围捕场景从初始行为树到表达式树的具体映射规则
根据上述规则,即可得到由初始BT映射的初始ET,如图3所示,其中空节点在图3中未示意出。
设定适应度函数:在这个场景中,我们定义行为逻辑的质量与从开始到根据任务要求将 所有目标送回基站所消耗的总时间和总能量有关。因此,适应度函数应该利用执行相应任务 的总时间T和总能耗E。我们将该场景的适应度函数表示为:
fitness=α×T/T0+(1-α)×E/E0
其中T0表示按照原始BT执行任务消耗的总时间,E0表示按照原始BT执行任务消耗的 总电量,T表示从开始执行到执行结束的总时间步,E表示执行过程中消耗的总电量,计算 方法见公式如下(其中ei表示完成任务时第i个个体的剩余电量,Si表示初始状态下第i个个 体的电量,p表示总的充电次数,L表示每次充电的电量)。T/T0和E/E0是归一化的处理,α 表示为总执行时间赋予的权重,则(1-α)表示为总消耗电量赋予的权重。在能够完成任务的 条件下适应度值越小越好。
对所述GEP算法优化所述初始ET进行仿真:
表2列出了GEP算法的参数值。通过初步实验,计算出E0和T0的值分别为985和1694。对于这个围捕场景的任务而言,最好能更快地将被困目标带回基站,所以完成时间的重要性 要高于能量消耗。因此,根据任务要求,将任务完成时间周期的权重设置为70%,将能耗1 个周期的权重设置为30%。另外,选择、突变、插入和重组的概率按一般值进行设置。
表2.基因表达式编程算法参数设计
参数 | 描述 | 值 |
群体 | 种群中的个体数量 | 200 |
选择 | 选择概率 | 0.5 |
突变 | 变异概率 | 0.1 |
插入 | 插入概率 | 0.4 |
重组 | 重组概率 | 0.3 |
评价标准的预设值 | 需要满足的适应度值 | 0.5 |
L | 每次充电的电量 | 50 |
T<sub>0</sub> | 按照原始行为树执行任务消耗的总时间 | 985 |
E<sub>0</sub> | 按照原始行为树执行任务消耗的总电量 | 1694 |
α | 评估适应度值的时间权重 | 0.7 |
图3所示的初始化ET经过所述GEP优化后获得的优化ET如图4所示,图2所示的初始的BT经过所示GEP算法优化后的优化BT如图5所示。通过对比优化前后的树结构,显 然优化后的行为树和表达式树的结构相比优化前明显简化了很多。根据所述场景仿真模型的仿真,仿真结果显示,所述GEP算法经过13次迭代,得到优化后的染色体编码为:&SMGNY, 该染色体序列所代表的行为逻辑优化结果符合我们的初始任务要求。该序列的适应度值为0.4867,其中总时间T为174,总功耗E为2050。虽然总耗电量E增加了21.02%,但优化后 的方案完成任务节省了82.34%的总时间,适应度值降低了一半。具体数据见表3。
表3.实验数据对比结果
参数 | 原始结果 | 优化结果 | 增长率 |
时间消耗 | 985 | 174 | -82.34% |
电量消耗 | 1694 | 2050 | +21.02% |
适应度 | 1 | 0.4867 | -51.33% |
我们对原始行为和优化行为进行了对比仿真,结果表明群体按照原有的行为逻辑只能在 某一时间执行一种行为,当群体中的一部分正在进行诱捕、攻击或运输时,其余部分必须等 待执行下一个动作,直到这个动作完成。而当蜂群的一部分围捕目标时,其它的个体保持静 止,群体中的部分个体正在攻击被探测到的目标时,其余个体继续搜索新的目标,且在搜索 新目标的同时,也能围捕或运输其它的目标。因此,优化后的群体行为逻辑在执行任务时能 够节省大量时间,即本发明提供的群体行为逻辑优化方法具有良好的优化性能。
此外,本发明还提供了一种计算机可读存储介质,所述可读存储介质上存储的计算机程 序被处理器执行时实现依据本发明的任意一实施例所述的群体行为逻辑优化方法。
依照本发明的实施例如上文所述,这些实施例并没有详尽叙述所有的细节,也不限制该 发明仅为所述的具体实施例。根据以上描述,可作很多的修改和变化。本说明书选取并具体 描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人 员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范 围和等效物的限制。
Claims (10)
1.一种群体行为逻辑优化方法,其特征在于,包括:
将所述群体行为逻辑用初始行为树来表示,
将所述初始行为树映射为初始表达式树,
基于所述群体行为逻辑的任务目标设计适应度评价函数,
通过基因表达式编程算法根据所述适应度函数和评价指标优化所述初始表达式树,以获得优化表达式树,
将优化所述表达式映射为优化行为树,
将所述优化行为树转化为优化群体行为逻辑输出。
2.根据权利要求1所述的群体行为逻辑优化方法,其特征在于,
构建初始行为树,所述初始行为树包括控制节点和叶子节点,所述控制节点包括顺序节点、选择节点、并行节点和条件循环节点,所述叶子节点包括动作节点和条件节点,
所述初始行为树的根节点为第一顺序节点,所述根节点的子节点包括第二顺序节点和所述条件循环节点,
所述第二顺序节点的子节点包括至少一个选择节点,所述至少一个选择节点中的各个选择节点的子节点均包括一个条件节点和一个动作节点,
所述条件循环节点包括第一子节点和第二子节点,所述第一子节点为条件节点,第二子节点为第一并行节点,
所述第一并行节点的子节点至少包括一个第三顺序节点和一个第四顺序节点,
所述第三顺序节点的子节点包括一个条件节点和一个动作节点,
所述第四顺序节点的子节点包括一个第二并行节点和一个动作节点,
所述第二并行节点的子节点包括两个条件节点,
所述行为逻辑包括群体的基本行为和执行所述基本行为的判断条件,在构建所述初始行为树时,将各个所述基本行为分别映射到所述行为树的各个动作节点上,将各个所述判断条件分别映射到所述初始行为树的各个条件节点上,
在所述初始行为树的执行期间:
所述顺序节点的子节点从左到右依次执行,直到所述顺序节点的所有子节点返回值为“ture”时,所述顺序节点返回“ture”,否则所述顺序节点返回“false”,
所述选择节点的所有子节点从左到右依次执行,直到所述选择节点的所有子节点都返回“false”时,所述选择节点返回“false”,否则所述选择节点返回“ture”,
所述并行节点的所有子节点同时执行,所述选择节点的其中一个子节点返回“false”时,所述并行节点返回“false”,所述并行节点的各个子节点中除搜索任务的映射节点以外的其它所有子节点返回“ture”时,所述并行节点返回为“ture”,
所述第一子节点返回“false”时,一直执行所述第二子节点,直到所述第一子节点返回“ture”时为止。
3.根据权利要求2所述的群体行为逻辑优化方法,其特征在于,将所述初始行为树映射到所述初始表达式树的映射规则为:
将所述初始行为树中的所述控制节点映射到所述初始表达式树中的函数,
其中,各个所述顺序节点映射到所述初始表达式树中对应位置的各个顺序函数、各个所述并行节点映射到所述初始表达式树中对应位置的各个并行函数、各个所述选择节点映射到所述初始表达式树的对应位置中的各个选择函数、所述循环节点映射到所述初始表达式树中对应位置的条件循环函数,
将所述初始行为树中的各个所述动作节点和各个条件节点分别映射到所述初始表达式树中相应位置的各个动作终止子和各个条件终止子。
4.根据权利要求3所述的群体行为逻辑优化方法,其特征在于,所述并行函数的参数的层次数不超过1,
所述条件循环函数的参数个数设置为2个,并且所述条件循环函数的第二个参数必须是条件参数,除所述条件循环函数外,所述初始表达式树中的其它函数的参数个数均设置为固定值5,
在参数个数小于5的所述函数的子节点中增加“空节点”,所述空节点表示不执行任何操作,在将所述群体的染色体翻译到所述表达式树的过程中遇到所述空节点时会跳过所述空节点,
在参数个数大于5的的所述函数内部继续引用所述初始表达式树中的其它所述函数。
5.根据权利要求1所述的群体行为逻辑优化方法,其特征在于,所述基因表达式编程算法的步骤包括:
步骤a:将所述初始表达式树作为所述基因表达式编程算法进行优化的当前表达式树,
步骤b:检测所述当前所述表达式树是否为异常表达式树,若是异常的,则停止对当前表达式树的优化步骤,否则转步骤c,
步骤c:根据设计的适应度函数评估所述当前表达式树的适应度值是否满足所述评价指标的值,若满足,则所述基因表达式编程算法的迭代终止,并转步骤d,否则转步骤e,
步骤d:保存最适应度值满足评价指标的值的表达式树对应的染色体,
步骤e:根据保存的染色体繁殖新的染色体,
步骤d:将繁殖的新的染色体对应的表达式树作为所述当前表达式树,转步骤b,直到通过所述基因表达式编程算法获得所述优化表达式,所述基因表达式编程算法的迭代终止,
其中,所述繁殖过程包括对最所述保存的染色体进行基因复制形成下一代以及进行转座、突变和重组形成新的染色体。
6.根据权利要求5所述的群体行为逻辑优化方法,其特征在于,基于所述群体行为的任务目标设计适应度评价函数,通过所述基因表达式编程算法根据所述适应度函数和评价指标优化所述表达式树包括:
设定场景、任务、要求和所述群体的基本行为,以构建建所述群体行为逻辑优化方法的场景仿真模型,
根据所述场景设定所述适应度函数,
通过所述场景仿真模型对所述群体行为逻辑方法进行仿真,并根据所述适应度函数和仿真结果获得所述表达式树的适应度值,
所述基因表达式编程算法根据计算的所述适应度值是否满足所述评价指标中的预设值,
所述适应度函数fitness的表示公式为:
fitness=α×T/T0+(1-α)×E/E0
其中,T0,E0分别表示所述群体在行为逻辑未进行所述优化时执行所述任务消耗的总时间和总电量,T表示从开始执行所述任务到执行结束的总时间步,E表示执行所述任务过程中消耗的总电量,α表示为总执行时间赋予的权重,则(1-α)表示所述群体在执行所述任务时的总消耗电量赋予的权重,
在所述场景仿真模型中,通过基因调控网络指导所述群体的运动以使所述群体完成所述任务。
7.根据权利要求3所述的群体行为逻辑优化方法,其特征在于,所述群体行为逻辑包括机器人的围捕行为和所述围捕行为的判断条件,所述围捕行为包括充电、排列、搜索、围捕、攻击和运输,所述判断条件包括电量充足、排列成功、发现目标、围捕成功、第一类型目标、第二类型目标和所有目标都被侦查,
所述第二顺序节点的子节点包括第一选择节点和第二选择节点,所述电量充足映射到所述第一选择节点的子节点中的条件节点,所述充电映射到所述第一选择节点的子节点中的动作节点,
所述排列成功映射到所述第二选择节点的子节点中的条件节点,所述排列映射到所述第二选择节点的子节点中的动作节点,
所述所有目标都被侦查映射到所述条件循环节点的子节点中的条件节点,
所述第一并行节点的子节点还包括动作节点和第五顺序节点,所述搜索映射到所述第一并行节点的子节点中的动作节点,
所述发现目标映射到所述第三顺序节点的子节点中的条件节点,所述围捕映射到所述第三顺序节点的子节点中的动作节点,
所述攻击映射到所述第四顺序节点的子节点中的动作节点,所述围捕成功和第二类型目标分别映射到所述第二并行节点中的两个子节点,
所述第五顺序节点的子节点包括第三并行节点和动作节点,所述运输映射到送上第五顺序节点的子节点中的动作节点,所述第三并行节点的子节点包括两个条件节点,
所述围捕成功和第一类型目标分别映射到所述第三并行节点的两个子节点。
8.根据权利要求5所述的群体行为逻辑优化方法,其特征在于,当检测到所述当前表达式树发生异常状态时,说明所述当前表达式树异常,所述异常状态包括以下状态:
所述当前表达式树的根元素不是函数,
所述当前表达式树的终值中存在一个或多个函数,
所述当前表达式树的终止子具有子节点,
所述当前表达式树的条件循环函数的参数个数不为2,
所述当前表达式树的条件循环函数的第一个参数是条件终止子之外的元素,
所述当前表达式树的条件循环函数的第二个参数是条件终止子,
所述当前表达式树的函数元素的参数均为空,
所述当前表达式树的并行函数的参数层数大于1。
9.根据权利要求根据权利要求5所述的群体行为逻辑优化方法,其特征在于,将所述新的染色体翻译到表达式树的步骤包括:
将每个所述新的染色体的每个基因按照广度优先的顺序翻译成开放阅读框架,每个所述开放阅读框架只有一个根节点,所述根节点为所述基因的第一个元素表示的节点,
将所述新的染色体中的不同基因对应的所述开放阅读框架根据人工设计的函数整合在一起构成表达式树。
10.一种计算机可读存储介质,其特征在于,所述可读存储介质上存储的计算机程序被处理器执行时实现如权利要求1至9中任意一项所述的群体行为逻辑优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975825.0A CN112216341B (zh) | 2020-09-16 | 2020-09-16 | 一种群体行为逻辑优化方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975825.0A CN112216341B (zh) | 2020-09-16 | 2020-09-16 | 一种群体行为逻辑优化方法及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112216341A true CN112216341A (zh) | 2021-01-12 |
CN112216341B CN112216341B (zh) | 2022-05-17 |
Family
ID=74049552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010975825.0A Active CN112216341B (zh) | 2020-09-16 | 2020-09-16 | 一种群体行为逻辑优化方法及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112216341B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268078A (zh) * | 2021-04-20 | 2021-08-17 | 四川大学 | 一种无人机群自适应环境的目标追踪围捕方法 |
CN113378276A (zh) * | 2021-06-18 | 2021-09-10 | 北方工业大学 | 一种基于遗传算法及基因表达式编程的复合地基智能设计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323906A (zh) * | 2011-09-08 | 2012-01-18 | 哈尔滨工程大学 | 一种基于遗传算法的mc/dc测试数据自动生成方法 |
CN102799806A (zh) * | 2012-06-14 | 2012-11-28 | 中国人民解放军信息工程大学 | 一种基于树结构的密码算法逻辑表达式识别方法 |
CN106250583A (zh) * | 2016-07-15 | 2016-12-21 | 西安电子科技大学 | 基于双种群基因表达式编程的动态车间调度规则优化方法 |
CN107703751A (zh) * | 2017-10-13 | 2018-02-16 | 河南工程学院 | 基于蜻蜓算法的pid控制器优化方法 |
CN107784391A (zh) * | 2017-10-20 | 2018-03-09 | 中国人民解放军国防科技大学 | 作业时间随机的基本作战单元使用保障资源优化配置方法 |
CN109840551A (zh) * | 2019-01-14 | 2019-06-04 | 湖北工业大学 | 一种用于机器学习模型训练的优化随机森林参数的方法 |
-
2020
- 2020-09-16 CN CN202010975825.0A patent/CN112216341B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323906A (zh) * | 2011-09-08 | 2012-01-18 | 哈尔滨工程大学 | 一种基于遗传算法的mc/dc测试数据自动生成方法 |
CN102799806A (zh) * | 2012-06-14 | 2012-11-28 | 中国人民解放军信息工程大学 | 一种基于树结构的密码算法逻辑表达式识别方法 |
CN106250583A (zh) * | 2016-07-15 | 2016-12-21 | 西安电子科技大学 | 基于双种群基因表达式编程的动态车间调度规则优化方法 |
CN107703751A (zh) * | 2017-10-13 | 2018-02-16 | 河南工程学院 | 基于蜻蜓算法的pid控制器优化方法 |
CN107784391A (zh) * | 2017-10-20 | 2018-03-09 | 中国人民解放军国防科技大学 | 作业时间随机的基本作战单元使用保障资源优化配置方法 |
CN109840551A (zh) * | 2019-01-14 | 2019-06-04 | 湖北工业大学 | 一种用于机器学习模型训练的优化随机森林参数的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268078A (zh) * | 2021-04-20 | 2021-08-17 | 四川大学 | 一种无人机群自适应环境的目标追踪围捕方法 |
CN113268078B (zh) * | 2021-04-20 | 2022-11-18 | 四川大学 | 一种无人机群自适应环境的目标追踪围捕方法 |
CN113378276A (zh) * | 2021-06-18 | 2021-09-10 | 北方工业大学 | 一种基于遗传算法及基因表达式编程的复合地基智能设计方法 |
CN113378276B (zh) * | 2021-06-18 | 2022-03-04 | 北方工业大学 | 一种基于遗传算法及基因表达式编程的复合地基智能设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112216341B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A survey on evolutionary neural architecture search | |
Xue et al. | A self-adaptive mutation neural architecture search algorithm based on blocks | |
CN112216341B (zh) | 一种群体行为逻辑优化方法及计算机可读存储介质 | |
CN112684700B (zh) | 一种群体机器人的多目标搜索与围捕控制方法及系统 | |
CN104866904A (zh) | 一种基于spark的遗传算法优化的BP神经网络并行化方法 | |
CN111007813B (zh) | 一种基于多种群混合智能算法的agv避障调度方法 | |
CN113917925A (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN113240307A (zh) | 一种基于改进差分进化算法的电力系统经济调度方法 | |
Sahu et al. | A crow particle swarm optimization algorithm with deep neural network (CPSO-DNN) for high dimensional data analysis | |
Zhang et al. | Reinforcement learning with actor-critic for knowledge graph reasoning | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
Künzel et al. | Coping with opponents: multi-objective evolutionary neural networks for fighting games | |
Downing | Adaptive genetic programs via reinforcement learning | |
CN110766072A (zh) | 一种基于结构相似性的计算图进化ai模型自动生成方法 | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
CN116523158A (zh) | 一种多无人机航迹规划方法、装置、设备及存储介质 | |
McGhie et al. | Gpcnn: evolving convolutional neural networks using genetic programming | |
Sohn et al. | Shortest-path constrained reinforcement learning for sparse reward tasks | |
Tao et al. | Benign: An automatic optimization framework for the logic of swarm behaviors | |
CN114004282A (zh) | 一种电力系统深度强化学习紧急控制策略提取方法 | |
CN108415783B (zh) | 一种基于改进蜂群算法的异构多核任务分配方法 | |
CN116910481B (zh) | 一种基于遗传算法的船舶任务系统装载弹量优化方法 | |
Li et al. | Surrogate-Assisted Evolution of Convolutional Neural Networks by Collaboratively Optimizing the Basic Blocks and Topologies | |
Xiufang et al. | Research on Human Behavior Recognition Method Based on Static and Dynamic History Sequence | |
Rocha et al. | A memetic algorithm for the biobjective minimum spanning tree problem |
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 |