CN113379228A - 一种垃圾清运车的调度优化方法 - Google Patents
一种垃圾清运车的调度优化方法 Download PDFInfo
- Publication number
- CN113379228A CN113379228A CN202110635772.2A CN202110635772A CN113379228A CN 113379228 A CN113379228 A CN 113379228A CN 202110635772 A CN202110635772 A CN 202110635772A CN 113379228 A CN113379228 A CN 113379228A
- Authority
- CN
- China
- Prior art keywords
- gene
- points
- population
- transportation
- garbage collection
- 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
- 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
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种垃圾清运车的调度优化方法:包括参数准备、参数验证及处理、产生种群、计算适应度、优质基因可视化、优质基因变异、迭代计算、结果可视化。本发明能够克服现有垃圾收运模式耗时长、效率低、收运路线依靠工人经验确定等问题,可适用于某特大型城市固废垃圾清运车的调度优化。
Description
技术领域
本发明涉及智慧市政领域,更具体的说,是涉及一种垃圾清运车的调度优化方法。
背景技术
随着社会经济的不断发展,人们日常生活产生的垃圾量也逐年攀升,特别是对于较大城市,全国约2/3的大中型城市受城市生活垃圾困扰。目前,城市管理者已不再只着力于加强末端处理,逐渐开始尝试全过程管理策略。
城市生活垃圾的收集,指的是将每家每户、单位的垃圾按照不同收集手段转载到环卫车上,然后进行统一运送的过程。收运优化问题是城市固体废物全过程管理的重要一环,收运成本占管理总成本的40~70%,国家科技支撑计划课题《城市生活垃圾收运关键技术与示范》(2006BAC06B02)的研究成果表明,利用运筹学方法对收运车辆路径进行的优化,收运成本相对传统的依靠经验制定转运路径的方法低10%左右,因此,收运优化有利于大大减少管理成本、提高管理效率。
近几年,我国很多城市的生活垃圾收运方式逐渐向密闭化、机械化方向转变,对于生活垃圾的混合收运工作,其模式基本固定,而从混合收运过渡到分类收运,需要对转运站、收运车辆、收集点等进行改造,所以推行垃圾分类的城市迫切需要找到最合适的分类收运模式,既能最大限度地利用原有收运系统,又不会带来收运成本的大幅增长,这就必须要依托收运优化手段,比选出成本较低的分类收运模式。
发明内容
为了克服现有垃圾收运模式耗时长、效率低、收运路线依靠工人经验确定等问题,本发明提出一种清运路线优化计算并将计算过程可视化处理的方法,即一种垃圾清运车的调度优化方法,将垃圾清运车的调度优化问题转化为MTSP(Multiple Traveling SalesmanProblem)问题,利用遗传算法求解。
本发明的目的是通过以下技术方案实现的。
本发明垃圾清运车的调度优化方法,包括以下过程:
(1)参数准备:确定待优化区域内垃圾清运点坐标数据、两两垃圾清运点间路径距离和计算所需的相关参数;所述计算所需的相关参数包括参与清运工作的清运车数量、每辆清运车最少需要清运的垃圾清运点数、清运车起终点是否相同、种群中个体数量、计算迭代次数;
(2)参数验证及处理:验证步骤(1)准备的参数的数量是否合理,所准备参数是否正确,否则进行补齐或修正;
(3)产生种群:随机生成路径基因以及中断点;
(4)计算适应度:分别计算种群中每个路径基因的路径总距离;
(5)优质基因可视化:以距离最短者为最优基因,选出种群中最优基因,并将其路径以图片的形式展示;
(6)优质基因变异:随机改变最优基因的某一片段,随机生成新的中断点,得到新的种群;
(7)迭代计算:对步骤(6)产生的新的种群,重复上述步骤(4)、(5)、(6),直至达到参数验证及处理后的计算迭代次数;
(8)结果可视化:输出最后一次迭代计算后得到的最优基因及其对应的路径距离,并将每次迭代计算步骤(5)中生成的图片整合成GIF格式的图片,动态展示路径优化过程。
步骤(1)中所述垃圾清运点坐标为直角坐标。
步骤(2)中所述参数的数量是否合理指的是参与清运工作的清运车数量为整数、每辆清运车最少需要清运的垃圾清运点数为整数、种群中个体数量为整数、计算迭代次数为整数,所准备参数是否正确指的是垃圾清运点坐标是二维直角坐标、清运车起终点是否相同的定义值为0或1,其中,0表示不相同,1表示相同。
步骤(2)中参数数量不足时根据默认参数补齐,参数不正确时进行修正,如下:
①清运点坐标:随机生成二维直角坐标;
②清运车数量:5辆;
③每辆清运车最少需要清运的垃圾清运点数:清运点坐标数量除以清运车数量,取整数;
④清运车起终点是否相同:1,表示相同;
⑤种群中个体数量:16个;
⑥计算迭代次数:10000次。
步骤(3)中产生种群包括两部分:一是借助Matlab中randperm函数生成M个路径基因,M=参数验证及处理后的种群中个体数量;二是随机抽取N个清运点作为中断点,N=参数验证及处理后的清运车数量-1。
步骤(5)中优质基因可视化的具体过程:以距离最短者为最优基因,选出种群中最优基因,利用Matlab中plot函数将该路径可视化处理,同时利用saves函数将图片保存。
步骤(6)中优质基因变异的具体过程:从M个路径基因中取出2个最优基因作为父代,通过基因突变产生M个子代与新的中断点,M=参数验证及处理后的种群中个体数量;其中,基因突变产生子代的方式包括以下7种:
①随机生成两个突变位置I、J,反转I与J之间的基因片段,中断点使用父代基因的中断点;
②交换I和J位置的基因,中断点使用父代基因的中断点;
③将J位置的基因放到I与I-1之间,中断点使用父代基因的中断点;
④反转I与J之间的基因片段,随机产生中断点;
⑤交换I和J位置的基因,随机产生中断点;
⑥将J位置的基因放到I与I-1之间,随机产生中断点;
⑦复制父代基因,随机产生中断点;
父代基因与产生的以上七个基因共同组成子代。
与现有技术相比,本发明的技术方案所带来的有益效果是:
(1)本发明提出的垃圾清运车的调度优化方法,可通过快速计算得出最优路径,可以为垃圾清运工作中路径规划提供便利,大大提升垃圾清运工作效率。
(2)本发明提出的垃圾清运车的调度优化方法,计算过程可视化,计算结果可视化,可以直观地展示计算过程与结果。
附图说明
图1是本发明本发明垃圾清运车的调度优化方法的工艺流程图;
图2是本发明中M=16时迭代计算的流程图;
图3是垃圾清运点坐标分布图;
图4是路径规划计算结果示意图。
具体实施方式
下面结合附图对本发明作进一步的描述。
如图1所示,本发明垃圾清运车的调度优化方法,包括参数准备、参数验证及处理、产生种群、计算适应度、优质基因可视化、优质基因变异、迭代计算、结果可视化共八个步骤。具体过程如下:
(1)参数准备:确定待优化区域内垃圾清运点坐标数据、两两垃圾清运点间路径距离和计算所需的相关参数。由于垃圾清运点一般较为集中,分布范围最大为某个城市,使用经纬度坐标与直角坐标对计算影响不大,为便于计算,本发明中传入的垃圾清运点坐标为直角坐标。所述计算所需的相关参数包括参与清运工作的清运车数量、每辆清运车最少需要清运的垃圾清运点数、清运车起终点是否相同、种群中个体数量、计算迭代次数。
(2)参数验证及处理:验证步骤(1)准备的参数的数量是否合理,所准备参数是否正确,否则进行补齐或修正。
其中,所述参数的数量是否合理指的是参与清运工作的清运车数量为整数、每辆清运车最少需要清运的垃圾清运点数为整数、种群中个体数量为整数、计算迭代次数为整数;所准备参数是否正确指的是垃圾清运点坐标是二维直角坐标、清运车起终点是否相同的定义值为0或1,其中,0表示不相同,1表示相同。
其中,参数数量不足时根据默认参数补齐,参数不正确时可利用Matlab中ceil、real等函数进行修正,如下:
①清运点坐标:随机生成二维直角坐标;如:利用Matlab中rand函数随机生成,图3是垃圾清运点坐标分布图;
②清运车数量:5辆;
③每辆清运车最少需要清运的垃圾清运点数:清运点坐标数量除以清运车数量,向负无穷方向取整数;
④清运车起终点是否相同:1,表示相同;
⑤种群中个体数量:16个;
⑥计算迭代次数:10000次。
(3)产生种群:随机生成路径基因以及中断点。
产生种群包括两部分:一是借助Matlab中randperm函数生成M个路径基因,M=参数验证及处理后的种群中个体数量;二是随机抽取N个清运点作为中断点,N=参数验证及处理后的清运车数量-1。
例如:M=16,生成的某个路径基因为
7-4-17-12-8-18-15-9-6-16-2-3-5-19-14-10-11-13-19(基因中数字代表垃圾清运点序号,且基因中略去起终点:1),生成的中断点为8,9,3,10;则该基因对应的路径方案为:
truck1:1-7-4-17-12-8-1;
truck2:1-18-15-9-1;
truck3:1-6-16-2-3-1;
truck4:1-5-19-14-10-1;
truck5:1-11-13-19-1。
(4)计算适应度:分别计算种群中每个路径基因对应的路径总距离。
(5)优质基因可视化:以距离最短者为最优基因,选出种群中最优基因,并将其路径以图片的形式展示。
例如:以距离最短者为最优基因,选出种群中最优基因,利用Matlab中plot函数将该路径可视化处理,同时利用saves函数将图片保存到本地。
(6)优质基因变异:随机改变最优基因的某一片段,随机生成新的中断点,得到新的种群。
具体过程:从M个路径基因中取出2个最优基因作为父代,通过基因突变产生M个子代与新的中断点。其中,基因突变产生子代的方式包括以下7种:
①随机生成两个突变位置I、J,反转I与J之间的基因片段。
例如:从16个基因中取出2个最优基因作为父代,产生16个子代与新的中断点,I=2,J=5时:
若父代基因为7-|4-17-12-8|-18-15-9-6-16-2-3-5-19-14-10-11-13-19,
则子代基因为7-|8-12-17-4|-18-15-9-6-16-2-3-5-19-14-10-11-13-19;
中断点使用父代基因的中断点。
②交换I和J位置的基因。
例如:从16个基因中取出2个最优基因作为父代,产生16个子代与新的中断点。
若父代基因为7-|4|-17-12-|8|-18-15-9-6-16-2-3-5-19-14-10-11-13-19,
则子代基因为7-|8|-17-12-|4|-18-15-9-6-16-2-3-5-19-14-10-11-13-19;
中断点使用父代基因的中断点。
③将J位置的基因放到I与I-1之间。
例如:从16个基因中取出2个最优基因作为父代,产生16个子代与新的中断点。
若父代基因为7-|4-17-12|-|8|-18-15-9-6-16-2-3-5-19-14-10-11-13-19,
则子代基因为7-|8|-|4-17-12|-18-15-9-6-16-2-3-5-19-14-10-11-13-19;
中断点使用父代基因的中断点。
④反转I与J之间的基因片段,随机产生中断点。
⑤交换I和J位置的基因,随机产生中断点。
⑥将J位置的基因放到I与I-1之间,随机产生中断点。
⑦复制父代基因,随机产生中断点。
父代基因与产生的以上七个基因共同组成子代。
(7)迭代计算:对步骤(6)产生的新的种群,重复上述步骤(4)、(5)、(6),直至达到参数验证及处理后的计算迭代次数。如图2所示。
(8)结果可视化:输出最后一次迭代计算后得到的最优基因及其对应的路径距离,并以图片形式展示,如图4是路径规划计算结果示意图。将每次迭代计算步骤(5)中生成的图片整合成GIF格式的图片,动态展示路径优化过程。其中,可以借助Matlab中imwrite函数用步骤(5)中保存到本地的图片生成GIF图片,动态展示路径优化过程。
尽管上面结合附图对本发明的功能及工作过程进行了描述,但本发明并不局限于上述的具体功能和工作过程,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种垃圾清运车的调度优化方法,其特征在于,包括以下过程:
(1)参数准备:确定待优化区域内垃圾清运点坐标数据、两两垃圾清运点间路径距离和计算所需的相关参数;所述计算所需的相关参数包括参与清运工作的清运车数量、每辆清运车最少需要清运的垃圾清运点数、清运车起终点是否相同、种群中个体数量、计算迭代次数;
(2)参数验证及处理:验证步骤(1)准备的参数的数量是否合理,所准备参数是否正确,否则进行补齐或修正;
(3)产生种群:随机生成路径基因以及中断点;
(4)计算适应度:分别计算种群中每个路径基因的路径总距离;
(5)优质基因可视化:以距离最短者为最优基因,选出种群中最优基因,并将其路径以图片的形式展示;
(6)优质基因变异:随机改变最优基因的某一片段,随机生成新的中断点,得到新的种群;
(7)迭代计算:对步骤(6)产生的新的种群,重复上述步骤(4)、(5)、(6),直至达到参数验证及处理后的计算迭代次数;
(8)结果可视化:输出最后一次迭代计算后得到的最优基因及其对应的路径距离,并将每次迭代计算步骤(5)中生成的图片整合成GIF格式的图片,动态展示路径优化过程。
2.根据权利要求1所述的垃圾清运车的调度优化方法,其特征在于,步骤(1)中所述垃圾清运点坐标为直角坐标。
3.根据权利要求1所述的垃圾清运车的调度优化方法,其特征在于,步骤(2)中所述参数的数量是否合理指的是参与清运工作的清运车数量为整数、每辆清运车最少需要清运的垃圾清运点数为整数、种群中个体数量为整数、计算迭代次数为整数,所准备参数是否正确指的是垃圾清运点坐标是二维直角坐标、清运车起终点是否相同的定义值为0或1,其中,0表示不相同,1表示相同。
4.根据权利要求1所述的垃圾清运车的调度优化方法,其特征在于,步骤(2)中参数数量不足时根据默认参数补齐,参数不正确时进行修正,如下:
①清运点坐标:随机生成二维直角坐标;
②清运车数量:5辆;
③每辆清运车最少需要清运的垃圾清运点数:清运点坐标数量除以清运车数量,取整数;
④清运车起终点是否相同:1,表示相同;
⑤种群中个体数量:16个;
⑥计算迭代次数:10000次。
5.根据权利要求1所述的垃圾清运车的调度优化方法,其特征在于,步骤(3)中产生种群包括两部分:一是借助Matlab中randperm函数生成M个路径基因,M=参数验证及处理后的种群中个体数量;二是随机抽取N个清运点作为中断点,N=参数验证及处理后的清运车数量-1。
6.根据权利要求1所述的垃圾清运车的调度优化方法,其特征在于,步骤(5)中优质基因可视化的具体过程:以距离最短者为最优基因,选出种群中最优基因,利用Matlab中plot函数将该路径可视化处理,同时利用saves函数将图片保存。
7.根据权利要求1所述的垃圾清运车的调度优化方法,其特征在于,步骤(6)中优质基因变异的具体过程:从M个路径基因中取出2个最优基因作为父代,通过基因突变产生M个子代与新的中断点,M=参数验证及处理后的种群中个体数量;其中,基因突变产生子代的方式包括以下7种:
①随机生成两个突变位置I、J,反转I与J之间的基因片段,中断点使用父代基因的中断点;
②交换I和J位置的基因,中断点使用父代基因的中断点;
③将J位置的基因放到I与I-1之间,中断点使用父代基因的中断点;
④反转I与J之间的基因片段,随机产生中断点;
⑤交换I和J位置的基因,随机产生中断点;
⑥将J位置的基因放到I与I-1之间,随机产生中断点;
⑦复制父代基因,随机产生中断点;
父代基因与产生的以上七个基因共同组成子代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635772.2A CN113379228A (zh) | 2021-06-08 | 2021-06-08 | 一种垃圾清运车的调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635772.2A CN113379228A (zh) | 2021-06-08 | 2021-06-08 | 一种垃圾清运车的调度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379228A true CN113379228A (zh) | 2021-09-10 |
Family
ID=77576413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635772.2A Pending CN113379228A (zh) | 2021-06-08 | 2021-06-08 | 一种垃圾清运车的调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379228A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110173042A1 (en) * | 2010-01-13 | 2011-07-14 | Lockheed Martin Corporation | Systems, methods and apparatus for just-in time scheduling and planning |
CN104202188A (zh) * | 2014-09-01 | 2014-12-10 | 北京航空航天大学 | 一种采用遗传算法进行afdx网络路径优化的方法 |
CN105303486A (zh) * | 2015-09-06 | 2016-02-03 | 李想 | 一种基于成本最低的智慧旅游推荐系统与方法 |
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN109685243A (zh) * | 2018-11-05 | 2019-04-26 | 南京航空航天大学 | 一种基于遗传算法的作业车间物流配送路径优化方法 |
CN110276499A (zh) * | 2019-06-28 | 2019-09-24 | 青岛立东生态有限公司 | 一种垃圾清运路线优化计算方法 |
CN111461402A (zh) * | 2020-03-06 | 2020-07-28 | 上海汽车集团股份有限公司 | 物流排程优化方法及装置、计算机可读存储介质、终端 |
-
2021
- 2021-06-08 CN CN202110635772.2A patent/CN113379228A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110173042A1 (en) * | 2010-01-13 | 2011-07-14 | Lockheed Martin Corporation | Systems, methods and apparatus for just-in time scheduling and planning |
CN104202188A (zh) * | 2014-09-01 | 2014-12-10 | 北京航空航天大学 | 一种采用遗传算法进行afdx网络路径优化的方法 |
CN105303486A (zh) * | 2015-09-06 | 2016-02-03 | 李想 | 一种基于成本最低的智慧旅游推荐系统与方法 |
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN109685243A (zh) * | 2018-11-05 | 2019-04-26 | 南京航空航天大学 | 一种基于遗传算法的作业车间物流配送路径优化方法 |
CN110276499A (zh) * | 2019-06-28 | 2019-09-24 | 青岛立东生态有限公司 | 一种垃圾清运路线优化计算方法 |
CN111461402A (zh) * | 2020-03-06 | 2020-07-28 | 上海汽车集团股份有限公司 | 物流排程优化方法及装置、计算机可读存储介质、终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516870B (zh) | 一种基于协同进化的多回收站点垃圾收运方法 | |
CN104835026B (zh) | 基于Petri网与改进遗传算法的自动化立体仓库拣选作业调度建模优化方法 | |
Hu et al. | Creating a new socio-technical regime in China: Evidence from the Sino-Singapore Tianjin Eco-City | |
CN109034465A (zh) | 考虑充电站选址与出行路径耦合的充电站两层规划方法 | |
CN111536987B (zh) | 一种用于大面积垃圾清扫的车辆路径规划方法 | |
CN108805403A (zh) | 一种基于改进遗传算法的单件车间调度方法 | |
CN103336894B (zh) | 一种城市容积率自动分区方法 | |
CN106920402A (zh) | 一种基于交通流量的时间序列划分方法与系统 | |
CN113191672B (zh) | 基于空间数据和vrptw的村镇垃圾分类转运规划方法及系统 | |
CN112699610A (zh) | 一种基于高维多目标进化算法的海绵城市优化设计方法 | |
CN104392064B (zh) | 一种中观尺度下缓解热岛效应的优化城市形态设计方法 | |
CN107832891A (zh) | 一种城市快速路口的充电站规划方法 | |
CN107730029A (zh) | 基于量子行为粒子群算法的生产制造过程优化方法和装置 | |
CN104952261A (zh) | 一种单交叉口交通信号优化控制方法 | |
CN105550825A (zh) | 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 | |
CN113379228A (zh) | 一种垃圾清运车的调度优化方法 | |
CN115526427A (zh) | 一种垃圾转运站规划布局方法 | |
Bihun et al. | Optimization of garbage removal within a territorial community | |
CN116342148A (zh) | 一种医疗垃圾无害一体化溯源管理系统及方法 | |
CN106781543B (zh) | 一种城市道路交叉口信号控制多目标优化方法 | |
Paulchamy et al. | IOT based waste management in smart city | |
CN114185960A (zh) | 一种基于Copula函数的城镇水、能源与环境系统的优化决策管理方法 | |
CN114611864A (zh) | 一种垃圾车辆低碳调度方法及系统 | |
Hu et al. | Municipal solid waste collection and transportation routing optimization based on IAC-SFLA | |
CN114065995B (zh) | 一种基于协同演化算法的流水车间节能调度求解方法 |
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 |
Application publication date: 20210910 |
|
RJ01 | Rejection of invention patent application after publication |