CN113190801B - 一种基于焦虑度-拍卖的多无人机协同污染源定位方法 - Google Patents

一种基于焦虑度-拍卖的多无人机协同污染源定位方法 Download PDF

Info

Publication number
CN113190801B
CN113190801B CN202110596574.XA CN202110596574A CN113190801B CN 113190801 B CN113190801 B CN 113190801B CN 202110596574 A CN202110596574 A CN 202110596574A CN 113190801 B CN113190801 B CN 113190801B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
bidding
anxiety
value
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.)
Active
Application number
CN202110596574.XA
Other languages
English (en)
Other versions
CN113190801A (zh
Inventor
张振明
丁涛
刘振国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Original Assignee
China Jiliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN202110596574.XA priority Critical patent/CN113190801B/zh
Publication of CN113190801A publication Critical patent/CN113190801A/zh
Application granted granted Critical
Publication of CN113190801B publication Critical patent/CN113190801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
    • 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

Abstract

本发明创新性地提出一种基于焦虑度‑拍卖算法的多无人机协同污染源定位方法。传统拍卖算法主要用于多无人机动态任务分配和协同中最佳无人机选择的决策问题，很少有文献对参与拍卖的时机是否恰当这一问题进行讨论，导致在多无人机协作过程中无益的拍卖行为增多，从而导致搜索效率降低。而该方法将心理学中焦虑度的概念引入传统拍卖算法中，使无人机能根据自身的情绪量合理的选择拍卖时机，避免资源的浪费，提高了溯源效率。并通过在Matlab和Fluent软件中搭建的稳态环境和紊流环境污染物浓度场下分别进行传统拍卖算法与焦虑度‑拍卖算法的仿真试验，实验结果表明焦虑度‑拍卖算法具有收敛速度快、不易陷入局部最优等优点。

Description

一种基于焦虑度-拍卖的多无人机协同污染源定位方法
技术领域
本发明涉及一种多无人机协同污染物溯源方法，属于多旋翼无人机与大气环境监测领域。
背景技术
随着工业化的快速发展，空气污染问题也日益严峻，各大工厂废气的排放以及燃烧秸秆产生的污染气体严重影响了空气质量，不少的城市已经出现严重的大气污染问题，空气污染治理迫在眉睫。而在大气污染事故发生后，环境保护部门常常由于不能明确引起大气污染事故的污染源，而不能快速制定应急管理方案，有效的控制事故的发展。当发生大气污染事件时，需要及时定位到污染源，快速的制定应急管理管理方案，防止污染事故进一步的恶化。因此，研究和应用追踪定位大气污染源技术就显得异常急迫，并需要通过信息技术处理大气污染源监测信息。
多无人机协作是目前国内外无人机及人工智能领域的一个研究热点。拍卖算法是已有多无人机协作方法中研究的较为深入、应用的较为普遍的一种方法。传统拍卖算法主要用于多无人机动态任务分配和协同中最佳无人机选择的决策问题，很少有文献对参与拍卖的时机是否恰当这一问题进行讨论，导致在多无人机协作过程中无益的拍卖行为增多，从而导致搜索效率降低。针对传统拍卖算法中存在的不足，本发明将焦虑这一心理学概念引入多无人机溯源任务的协作策略当中，提出了基于焦虑度-拍卖的多无人机协同污染源定位算法。无人机在响应队友的拍卖邀请之前，首先对包括自身和环境的情况进行判断，形成一定的情绪量；然后用基于对客观现实判断产生的主观反应来决定自身是否成为投标无人机，从而使无人机“理性”的选择合适的拍卖时机，可将没有必要的投标行为在开始前就取消，从而避免了资源的浪费，提高溯源效率。
发明内容
本发明的目的是为了弥补现有污染源定位技术的不足，创新性地提出一种基于焦虑度-拍卖算法的多无人机协同污染源定位的方法。该方法将心理学中焦虑度的概念引入传统拍卖算法中，使无人机能根据自身的情绪量合理的选择拍卖时机，避免资源的浪费，从而可以快速和高效地定位污染源。
一种基于焦虑度-拍卖算法的多无人机协同污染源定位方法，包括以下步骤：
Step1：用人工嗅觉法设定疑似污染源泄露区域；
Step2：根据无人机数量N，将疑似污染源泄露区域划分为多个子区域，每个子区域内放置一架无人机构成一个微粒搜索，整个区域的所有无人机构成微粒群通过信息交互进行污染源定位；
Step3：每架无人机通过贪婪策略快速发现烟羽；
Step4：判断无人机是否发现烟羽，如发现烟羽，执行Step5，否则转至Step3；
Step5：采用焦虑度-拍卖算法搜索气体污染源；
Step6：更新各无人机位置；
Step7：判断气体污染源是否定位成功，若成功，执行Step8，否则转至Step5；
Step8：输出气体污染源位置。
所述Step3中采用贪婪搜索策略快速发现烟羽，当气体泄漏后，各无人机从划分的多个子区域同时出发，采用爬山算法的思想快速发现烟羽。
所述Step5中提出焦虑度-拍卖算法，包括以下步骤：
Step1:招标每架无人机可储存两个超过设定阈值点信息，当某一架无人机率先搜索到两个点信息后，便将次大值信息进行招标拍卖；
进一步的，所述Step1中储存超过阈值点的信息包括当前点的位置信息和浓度值信息。
Step2:投标其余无人机依据当前时刻自身的焦虑度τ(t)判断自身是否成为投标无人机；
进一步的，所述Step2中自身焦虑度τ(t)的计算准则为：
(1)若无人机当前时刻自身储存最高浓度值信息Ni(t)超过招标浓度值信息F(t)，则自身焦虑度τ(t)＝0，不参与投标，继续搜索；
(2)反之则依据自身电量和溯源难度衡量自身焦虑度值；其计算公式为：
式中，Ai(t)为第i架无人机t时刻的自身焦虑量；Ac为基准焦虑量，是规定无人机处于最高焦虑状态下的焦虑量取值；τi(t)为第i架无人机t时刻自身的焦虑度。
其中，基准焦虑量Ac的计算公式为：
式中，Dmax为溯源任务难度最高状态下的取值；ωmin为剩余能量最小允许值。
其中，自身焦虑量A(t)的计算公式为：
式中，c1、c2为权重系数；ω0为无人机的初始电量；ωi(t)为第i架无人机t时刻已消耗的电量，ω0-ωi(t)为第i架无人机t时刻的剩余电量；Di(t)为第i架无人机t时刻评估溯源任务的难易程度；
其中，权重系数c1、c2通过变异系数法计算求得。
其中，消耗电量ω(t)的计算公式为：
ωi(t)＝ωl∑Si(t)
式中，ωl为经验取值；∑Si(t)为第i架无人机截止t时刻运动的实际距离。
其中，所述评估溯源任务难易程度的计算公式为：
式中，Vi(t)为第i架无人机t时刻的平均难度系数；n为无人机历史搜索次数，为截止t时刻无人机搜索n次后的难度系数总和。
其中，难度系数ζ的取值准则为：
(1)由先验经验估计污染物浓度最大值Cmax；
(2)将难度系数根据浓度区间[0，Cmax]映射到[0，1]区间；
(3)映射规则为：浓度值越低，可搜索价值越低，难度系数越大；浓度值越高，可搜索价值越高，难度系数越小。
其具体映射规则如下表所示：
进一步的，所述Step2中决定自身是否成为投标无人机的判断准则为：
式中，Bi为第i架无人机决定投标的概率；σ1、σ2为正常数。
Step3:竞标招标无人机将所有投标信息进行汇总比较，选出本次竞标的胜者。
进一步的，所述Step3中投标无人机的投标值计算分为收益值P和消耗值C两部分，其计算公式为：
Qi＝|Ni(t)-F(t)|
Ci＝δLi
式中，Pi为第i架投标无人机的收益值；Ni(t)为第i架无人机t时刻自身储存最大浓度值；F(t)为t时刻招标点浓度值；Ci为第i架无人机的消耗值；σ3、δ为正常数；Li为第i架投标无人机与招标点之间的距离。
进一步的，所述Step3中投标无人机竞标的规则为：
(1)投标无人机集合中收益值P最大的无人机获得标的；
(2)当出现两个或两个以上投标无人机具有相同的收益最高值时，则比较它们的消耗值C，C值最小的投标无人机获得标的。
(3)获得标的的无人机飞往招标点位置，并储存招标点信息。
本发明的有益效果在于：
本发明的为了弥补现有污染源定位技术的不足，创新性地提出一种基于焦虑度-拍卖算法的多无人机协同污染源定位的方法。该方法将心理学中焦虑度的概念引入传统拍卖算法中，无人机在响应队友的拍卖邀请之前，首先对包括自身和环境的情况进行判断，形成一定的情绪量；然后用基于对客观现实判断产生的主观反应来决定自身是否成为投标无人机，从而使无人机“理性”选择合适的拍卖时机，可将没有必要的投标行为在开始前就取消，避免资源的浪费，从而可以快速、高效的定位污染源。
附图说明
图1是基于焦虑度-拍卖算法的多无人机协同污染源定位流程图；
图2是焦虑度-拍卖算法流程图；
图3是焦虑度-拍卖算法在人工搭建的高斯稳态烟羽浓度场下的仿真路线图；
图4是焦虑度-拍卖算法在人工搭建的紊流浓度场下的仿真路线图；
图5是在高斯稳态烟羽浓度场下焦虑程度-拍卖算法与传统拍卖算法溯源效率的对比图
图6是在紊流浓度场下焦虑程度-拍卖算法与传统拍卖算法溯源效率的对比图
具体实施方式
如图1所示，一种基于焦虑度-拍卖算法的多无人机协同污染源定位方法具体包括以下步骤：
Step1：用人工嗅觉法设定疑似污染源泄露区域；
Step2：设置无人机数量N＝5，将疑似污染源泄露区域划分为5个子区域，每个子区域内放置一架无人机构成一个微粒搜索，整个区域的所有无人机构成微粒群通过信息交互进行污染源定位；
Step3：每架无人机通过贪婪策略快速发现烟羽；
Step4：判断无人机是否发现烟羽，如发现烟羽，执行Step5，否则转至Step3；
Step5：采用焦虑度-拍卖算法搜索气体污染源；
Step6：更新各无人机位置；
Step7：判断气体污染源是否定位成功，若成功，执行Step8，否则转至Step5；
Step8：输出气体污染源位置。
所述Step5中提出焦虑度-拍卖算法，如图2所示，包括以下步骤：
Step1:招标每架无人机可储存两个超过设定阈值点信息，当某一架无人机率先搜索到两个点信息后，便将次大值信息进行招标拍卖；
进一步的，所述Step1中储存超过阈值点的信息包括当前点的位置信息和浓度值信息。
Step2:投标其余无人机依据当前时刻自身的焦虑度τ(t)判断自身是否成为投标无人机；
进一步的，所述Step2中自身焦虑度τ(t)的计算准则为：
(1)若无人机当前时刻自身储存最高浓度值信息Ni(t)超过招标浓度值信息F(t)，则自身焦虑度τ(t)＝0，不参与投标，继续搜索；
(2)反之则依据自身电量和溯源难度衡量自身焦虑度值；其计算公式为：
式中，Ai(t)为第i架无人机t时刻的自身焦虑量；Ac为基准焦虑量，是规定无人机处于最高焦虑状态下的焦虑量取值；τi(t)为第i架无人机t时刻自身的焦虑度。
其中，基准焦虑量Ac的计算公式为：
式中，Dmax为溯源任务难度最高状态下的取值；ωmin为剩余能量最小允许值。
其中，自身焦虑量A(t)的计算公式为：
式中，c1、c2为权重系数；ω0为无人机的初始电量；ωi(t)为第i架无人机t时刻已消耗的电量，ω0-ωi(t)为第i架无人机t时刻的剩余电量；Di(t)为第i架无人机t时刻评估溯源任务的难易程度；
其中，权重系数c1、c2通过变异系数法计算求得。
其中，消耗电量ω(t)的计算公式为：
ωi(t)＝ωl∑Si(t)
式中，ωl为经验取值；∑Si(t)为第i架无人机截止t时刻运动的实际距离。
其中，所述评估溯源任务难易程度的计算公式为：
式中，Vi(t)为第i架无人机t时刻的平均难度系数；n为无人机历史搜索次数，为截止t时刻无人机搜索n次后的难度系数总和。
其中，难度系数ζ的取值准则为：
(1)由先验经验估计污染物浓度最大值Cmax＝500mg/m3；
(2)将难度系数根据浓度区间[0，Cmax]映射到[0，1]区间；
(3)映射规则为：浓度值越低，可搜索价值越低，难度系数越大；浓度值越高，可搜索价值越高，难度系数越小。
其具体映射规则如下表所示：
进一步的，所述Step2中决定自身是否成为投标无人机的判断准则为：
式中，Bi为第i架无人机决定投标的概率。
Step3:竞标招标无人机将所有投标信息进行汇总比较，选出本次竞标的胜者。
进一步的，所述Step3中投标无人机的投标值计算分为收益值P和消耗值C两部分，其计算公式为：
Qi＝|Ni(t)-F(t)|
Ci＝δLi
式中，Pi为第i架投标无人机的收益值；Ni(t)为第i架无人机t时刻自身储存最大浓度值；F(t)为t时刻招标点浓度值；Ci为第i架无人机的消耗值；δ为正常数；Li为第i架投标无人机与招标点之间的距离。
进一步的，所述Step3中投标无人机竞标的规则为：
(1)投标无人机集合中收益值P最大的无人机获得标的；
(2)当出现两个或两个以上投标无人机具有相同的收益最高值时，则比较它们的消耗值C，C值最小的投标无人机获得标的。
(3)获得标的的无人机飞往招标点位置，并储存招标点信息。
如图3所示，通过Matlab软件搭建理想环境下的高斯稳态烟羽浓度场，使用焦虑度-拍卖算法进行污染源定位仿真实验。
如图4所示，通过Fluent软件搭建复杂环境下的紊流浓度场，使用焦虑度-拍卖算法进行污染源定位仿真实验。
如图5所示，在高斯稳态烟羽浓度场仿真实验中，焦虑度-拍卖算法在迭代后期有较高的收敛速度，传统拍卖算法虽在迭代前期具有较高的搜索效率并能够成功搜索到污染源，但随着迭代次数的增加，无用的投标行为也随之增多，导致其收敛速度明显降低，溯源效率相对于焦虑度-拍卖算法较低。
如图6所示，在紊流浓度场仿真实验中，焦虑度-拍卖算法能够成功搜索到污染源，并且迭代次数明显优于传统拍卖算法，而使用传统拍卖算法在溯源过程中陷入局部最优，无法成功定位污染源。
以上是本发明较佳的实施方式，但本发明的保护范围并不仅仅局限在此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡依本发明技术方案做变换或替换的，都应涵盖在本发明的保护范围内。因此，本发明的保护范围都应以权利要求的保护范围为准。

Claims (1)

1.一种基于焦虑度-拍卖的多无人机协同污染源定位方法，其特征在于，包括以下步骤：
Step1：用人工嗅觉法设定疑似污染源泄露区域；
Step2：根据无人机数量N，将疑似污染源泄露区域划分为多个子区域，每个子区域内放置一架无人机构成一个微粒搜索，整个区域的所有无人机构成微粒群通过信息交互进行污染源定位；
Step3：每架无人机通过贪婪策略快速发现烟羽；
Step4：判断无人机是否发现烟羽，如发现烟羽，执行Step5，否则转至Step3；
Step5：采用焦虑度-拍卖算法搜索气体污染源，其具体包括以下步骤：
Step5.1：招标，每架无人机可储存两个超过设定阈值点信息，当某一架无人机率先搜索到两个点信息后，便将次大值信息进行招标拍卖；
Step5.2：投标，其余无人机依据当前时刻自身的焦虑度τ(t)判断自身是否成为投标无人机；
其所述的自身焦虑度τ(t)的计算准则为：
若无人机当前时刻自身储存最高浓度值信息Ni(t)超过招标浓度值信息F(t)，则自身焦虑度τ(t)＝0，不参与投标，继续搜索；反之则依据自身电量和溯源难度衡量自身焦虑度值，其计算公式为：
式中，Ai(t)为第i架无人机t时刻的自身焦虑量；Ac为基准焦虑量，是规定无人机处于最高焦虑状态下的焦虑量取值；τi(t)为第i架无人机t时刻自身的焦虑度；
其中，基准焦虑量Ac的计算公式为：
式中，Dmax为溯源任务难度最高状态下的取值；ωmin为剩余能量最小允许值；
其中，自身焦虑量A(t)的计算公式为：
式中，c1、c2为权重系数；ω0为无人机的初始电量；ωi(t)为第i架无人机t时刻已消耗的电量，ω0-ωi(t)为第i架无人机t时刻的剩余电量；Di(t)为第i架无人机t时刻评估溯源任务的难易程度；
其中，评估溯源任务难易程度的计算公式为：
式中，Vi(t)为第i架无人机t时刻的平均难度系数；n为无人机历史搜索次数，为截止t时刻无人机搜索n次后的难度系数总和；
其中，难度系数ζ的取值准则为：
由先验经验估计污染物浓度最大值Cmax；将难度系数根据浓度区间[0，Cmax]映射到[0，1]区间；映射规则为：浓度值越低，可搜索价值越小，难度系数越大；浓度值越高，可搜索价值越高，难度系数越小；
其所述的判断自身是否成为投标无人机的判断准则为：
式中，Bi为第i架无人机决定投标的概率；σ1、σ2为常数；
Step5.3：竞标，招标无人机将所有投标信息进行汇总比较，选出本次竞标的胜者；
其所述的投标无人机的投标值计算分为收益值P和消耗值C两部分，其计算公式为：
Qi＝|Ni(t)-F(t)|
Ci＝δLi
式中，Pi为第i架投标无人机的收益值；Ni(t)为第i架无人机t时刻自身储存最大浓度值；F(t)为t时刻招标点浓度值；Ci为第i架无人机的消耗值；σ3、δ为正常数；Li为第i架投标无人机与招标点之间的距离；
其所述的投标无人机竞标的规则为：
投标无人机集合中收益值P最大的无人机获得标的；当出现两个或两个以上投标无人机具有相同的收益最高值时，则比较它们的消耗值C，C值最小的投标无人机获得标的；获得标的的无人机飞往招标点位置，并储存招标点信息；
Step6：更新各无人机位置；
Step7：判断气体污染源是否定位成功，若成功，执行Step8，否则转至Step5；
Step8：输出气体污染源位置。
CN202110596574.XA 2021-05-31 2021-05-31 一种基于焦虑度-拍卖的多无人机协同污染源定位方法 Active CN113190801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110596574.XA CN113190801B (zh) 2021-05-31 2021-05-31 一种基于焦虑度-拍卖的多无人机协同污染源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110596574.XA CN113190801B (zh) 2021-05-31 2021-05-31 一种基于焦虑度-拍卖的多无人机协同污染源定位方法

Publications (2)

Publication Number Publication Date
CN113190801A CN113190801A (zh) 2021-07-30
CN113190801B true CN113190801B (zh) 2023-11-17

Family

ID=76985849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110596574.XA Active CN113190801B (zh) 2021-05-31 2021-05-31 一种基于焦虑度-拍卖的多无人机协同污染源定位方法

Country Status (1)

Country Link
CN (1) CN113190801B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001025999A1 (en) * 1999-10-04 2001-04-12 Raphael Meyers Method and apparatus for conducting auctions
CN108828140A (zh) * 2018-04-26 2018-11-16 中国计量大学 一种基于粒子群算法的多无人机协同恶臭溯源方法
DE102018010197A1 (de) * 2018-12-18 2020-06-18 GRID INVENT gGmbH Elektronisches Element und elektrisch angesteuertes Anzeigeelement
CN111751502A (zh) * 2020-07-08 2020-10-09 中国计量大学 一种基于改进模拟退火的多无人机协同污染物溯源方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001025999A1 (en) * 1999-10-04 2001-04-12 Raphael Meyers Method and apparatus for conducting auctions
CN108828140A (zh) * 2018-04-26 2018-11-16 中国计量大学 一种基于粒子群算法的多无人机协同恶臭溯源方法
DE102018010197A1 (de) * 2018-12-18 2020-06-18 GRID INVENT gGmbH Elektronisches Element und elektrisch angesteuertes Anzeigeelement
CN111751502A (zh) * 2020-07-08 2020-10-09 中国计量大学 一种基于改进模拟退火的多无人机协同污染物溯源方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于无人机的大气污染物变步长溯源算法研究;谢丽华;丁涛;;中国计量大学学报(第01期);全文 *
基于积极团队情感基调的情感机器人协作任务分配拍卖算法;李虎;方宝富;;计算机科学(第04期);全文 *

Also Published As

Publication number Publication date
CN113190801A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN111751502B (zh) 一种基于改进模拟退火的多无人机协同污染物溯源方法
Li et al. Research and application of a novel hybrid air quality early-warning system: A case study in China
CN108828140A (zh) 一种基于粒子群算法的多无人机协同恶臭溯源方法
CN109916788B (zh) 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法
CN112446457B (zh) 一种基于改进人工鱼群算法的气体泄漏源定位方法
WO2021026792A1 (zh) 一种选择污染物治理措施的方法
CN109255921A (zh) 一种基于分层模糊融合的多传感器火灾检测方法
CN112684118B (zh) 一种大气臭氧污染的便捷预警方法
CN109922478B (zh) 一种基于改进布谷鸟算法的水质传感器网络优化部署方法
CN113762607B (zh) 一种电网企业碳排放量的预测方法
CN113190801B (zh) 一种基于焦虑度-拍卖的多无人机协同污染源定位方法
Xu et al. A novel online combustion optimization method for boiler combining dynamic modeling, multi-objective optimization and improved case-based reasoning
CN113051665B (zh) 一种基于改进粒子群算法的多无人机气体泄漏源定位方法
CN109085296B (zh) 判断臭氧生成敏感性与前体物控制方法、装置、存储介质、终端
Xu et al. A novel Drosophila‐back propagation method for the lithium‐ion battery state of charge estimation adaptive to complex working conditions
CN110210756B (zh) 一种计及污染物扩散里程的电力系统经济调度方法
CN113553985A (zh) 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器
CN113669142A (zh) 一种发动机原排碳烟质量流量估算方法及装置
Zhao et al. Application of data mining to the analysis of meteorological data for air quality prediction: A case study in Shenyang
CN104809500A (zh) 一种高效的基于鱼群扑食行为的改进粒子群算法
Wang et al. Improved Particle Swarm Optimization Algorithm Based on Gaussian-Grid Search Method.
CN116432748A (zh) 一种基于改进jaya算法的大气污染物溯源方法
CN115271375A (zh) 一种基于无人船的改进逆流搜索及污染源声明算法
Raimondo et al. A machine learning tool to forecast PM10 level
Sharma et al. Efficient air pollutants prediction using ANFIS trained by modified PSO algorithm

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