CN113727275B - 一种无人机辅助的无线传感器网络节点充电选择方法 - Google Patents
一种无人机辅助的无线传感器网络节点充电选择方法 Download PDFInfo
- Publication number
- CN113727275B CN113727275B CN202111008945.4A CN202111008945A CN113727275B CN 113727275 B CN113727275 B CN 113727275B CN 202111008945 A CN202111008945 A CN 202111008945A CN 113727275 B CN113727275 B CN 113727275B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- hovering
- sensor network
- wireless sensor
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
- H02J50/70—Circuit arrangements or systems for wireless supply or distribution of electric power involving the reduction of electric, magnetic or electromagnetic leakage fields
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0261—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机辅助的无线传感器网络节点充电选择方法,通过粒子群算法对无人机的悬停次数和无人机的悬停位置进行更新,通过改变决策的变量维度,并结合K‑means方法寻找无人机的位置并更新种群,计算所有粒子的适应度函数值,确定所述种群中的局部最优解和全局最优解;在此过程中通过惩罚和补偿机制提高算法的收敛速度和解的有效性,最后通过保存适应度函数值最小化的粒子,达到最大迭代次数时,输出的为最终无人机的悬停次数和无人机的悬停位置。本发明所提供的充电选择方法减少了无人机悬停次数,减少了无人机对同一节点的重复充电,从而达到提高了充电效率的目的。
Description
技术领域
本发明涉及无线充电技术领域,更具体的是,本发明涉及一种无人机辅助的无线传感器网络节点充电选择方法。
背景技术
无线传感器网络是由大量传感器节点分布在监控区域组成的网络,具有感知、计算和通信能力。在无线传感器网络中,由于节点能量有限且更换电池昂贵,因此如何为节点补充电能是无线传感器网络的关键问题。
无线可充电传感网络是利用无线充电方式给传感器进行充电,是解决传感网络寿命的可行方案之一。在无线可充电传感网络中,由于无人机成本低且使用方便,所以使用无人机辅助为节点充电是一种可行的解决办法。
由于无人机在不同位置所覆盖的无线可充电传感网络的节点不同,而网络最终要保证所有的节点都被充电,并且充电效率是衡量无线可充电传感网络的重要因素,而无人机本身会产生能耗因而降低充电效率,另外,对一个节点重复充电也会降低充电效率,所以关键是要降低无人机本身的悬停能耗和减少节点的重复充电,因此,需要对无人机进行合理的调度以提升充电效率。
发明内容
本发明的目的是设计开发了一种无人机辅助的无线传感器网络节点充电选择方法,建立了多目标联合优化模型,利用进化算法获得最少的无人机悬停次数和无人机悬停位置,提高了无人机的调度速度和充电效率。
本发明提供的技术方案为:
一种无人机辅助的无线传感器网络节点充电选择方法,包括如下步骤:
步骤一、种群的随机初始化;
步骤二、以K-means方法寻找无人机的位置并更新种群,计算所有粒子的适应度函数值:
F=k+SNrc;
式中,F为适应度函数值,k为无人机悬停次数,SNrc为被重复充电的无线传感器网络节点数量;
步骤三、确定所述种群中的局部最优解和全局最优解;
步骤四、以惩罚和补偿机制更新所述无人机的悬停次数;
步骤五、以K-means方法寻找无人机的位置并更新种群,计算所有粒子的适应度函数值;
步骤六、对粒子的速度与粒子的位置进行更新得到新的种群,计算所有粒子的适应度;
步骤七、保存适应度函数值更小的粒子并保持种群中粒子数的最大值;
步骤八、更新所述种群中的局部最优解和全局最优解;
步骤九、判断迭代次数是否达到上限:
若迭代次数达到最大迭代次数,则输出最终的无人机的悬停次数和无人机的悬停位置坐标;
若迭代次数未达到最大迭代次数,则重复执行所述步骤四至步骤九。
优选的是,所述步骤一中生成一定种群规模的粒子,以无人机悬停次数和无人机悬停位置联合作为粒子群算法的候选解,每个粒子在搜索域内随机初始化生成k个初始悬停次数和k个悬停位置坐标。
优选的是,当所述每个粒子的维度不同时,在所述粒子的原始决策变量的基础上添加辅助决策变量,所述辅助决策变量不参与运算过程,且所述辅助决策变量为搜索域内的随机变量。
优选的是,所述以K-means方法寻找无人机的位置并更新种群具体包括如下过程:
对每个粒子,以无线传感器网络节点的坐标为定点,使用K-means方法生成与所述粒子对应的k个聚类中心。
优选的是,所述被重复充电的无线传感器网络节点数量满足:
式中,n为被充电节点的总数量,μij为无人机在第i次悬停时,是否能为第j个节点充电,若是,则μij=1,若否,则μij=0。
优选的是,所述步骤四具体包括如下过程:
当无人机的悬停次数不能满足所有无线传感器网络节点全部获得电能时,给予补偿机制增加所述无人机的悬停次数,每次补偿的大小为当所述无人机的悬停次数满足所有无线传感器网络节点全部获得电能后有无线传感器网络节点被重复充电,给予惩罚机制降低所述无人机的悬停次数,每次惩罚的大小为
优选的是,所述步骤六中,调节每个粒子的速度与位置,使每个粒子朝向其自身历史最佳位置和种群的最优位置,所述更新的公式如下:
Vi(t+1)=w×Vi(t)+c1×rand()×(pbesti(t)-Xi(t))+c2×rand()×(gbest(t)-Xi(t));
Xi(t+1)=Xi(t)+Vi(t+1);
式中,Xi(t)为第t次迭代粒子i位置,Vi(t)为第t次迭代粒子i速度,w为惰性因子,且w=0.7,c1为第一学习因子,c2为第二学习因子,且c1=2,c2=2,pbesti(t)为第t次迭代粒子i局部最优解,gbest(t)为到第t次迭代全局最优解,rand()为0到1之间的随机数。
优选的是,所述步骤七具体包括:
所述粒子的最优解为适应度函数值的最小值,比较所有粒子的最优解,保存适应度函数值更小的粒子,淘汰所述种群中多余的粒子以保持种群中粒子数的最大值。
本发明所述的有益效果:
(1)、本发明设计开发的一种无人机辅助的无线传感器网络节点充电选择方法,通过改变决策变量维度结合K-means方法寻找无人机的位置,通过惩罚与补偿机制的粒子群算法合理调度了无人机,提高了无人机调度的速度,减少了无人机悬停次数,减少了无人机对同一节点的重复充电,从而达到提高了充电效率的目的。
(2)、本发明设计开发的无人机辅助的无线传感器网络节点充电选择方法,建立了以减少悬停次数和减少重复充电节点的多目标联合优化模型,利用进化算法设计理想的无人机悬停位置和无人机悬停次数进而对模型求解,利用理想的无人机悬停位置和无人机悬停次数,可以使无人机的悬停能耗降低,节点的重复充电减少,进而提高能量利用效率。
附图说明
图1为本发明所述无人机辅助的无线传感器网络节点充电选择的示意图。
图2为本发明所述改变决策变量维度的示意图。
图3为本发明所述无人机辅助的无线传感器网络节点充电选择方法的流程示意图。
具体实施方式
下面结合对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供的一种无人机辅助的无线传感器网络节点充电选择方法,通过飞行在同一高度h上的无人机对固定在地面α的节点S1~S7,无人机在不同位置所覆盖的节点不同,而网络最终要保证所有节点都被充电,建立了减少悬停次数和减少重复充电节点的多目标联合优化模型,利用进化算法设计理想的无人机悬停位置和无人机悬停次数进而对模型求解,如图3所示,具体包括如下步骤:
步骤一:种群的随机初始化:
针对无人机悬停次数和位置优化,生成一定种群规模的粒子,无人机的悬停次数和位置联合被视为粒子群算法的候选解,每个粒子初始化生成k个初始悬停次数和k个悬停位置坐标作为一个粒子的初始值,随机地将解散布在解的空间中;
其中,由于不同粒子的决策变量维度不同(无人机的悬停次数不同),所以需要对不同的粒子进行改变决策变量维度操作以保证算法正常运行,具体如图2所示,当所述每个粒子的维度不同时,在所述粒子的原始决策变量的基础上添加辅助决策变量,辅助决策变量只保证算方法能正常运行,而不参与计算粒子适应度函数值的过程,且所述辅助决策变量为搜索域内的随机变量;
步骤二:针对步骤一中的每个粒子,以地面无线传感器网络节点的坐标为给定点,使用K-means算法产生与粒子对应的k个聚类中心,计算所有粒子的适应度函数值;
F=k+SNrc;
式中,F为适应度函数值,k为无人机悬停次数,SNrc为被重复充电的无线传感器网络节点数量。
其中,被重复充电的无线传感器网络节点数量满足:
式中,n为被充电节点的总数量,μij为无人机在第i次悬停时,是否能为第j个节点充电,若是,则μij=1,若否,则μij=0。
通过寻找最优解来最小化无人机的悬停次数与被重复充电的无线传感器网络节点数量之和(即适应度函数值最小);
步骤三:记录所述种群中的局部最优解和全局最优解;
步骤四:使用惩罚和补偿机制获取新的无人机的悬停次数,当无人机的悬停次数过少而不能满足所有无线传感器网络节点都可以获得电能时,给予补偿机制来增加无人机的悬停次数,每次补偿的大小为当无人机的悬停次数过多而造成性能过剩(即当无人机的悬停次数满足所有无线传感器网络节点全部获得电能后还有无线传感器网络节点被重复充电),给予惩罚机制来降低无人机的悬停次数,每次惩罚的大小为
步骤五:针对步骤四中的每个粒子,以地面无线传感器网络节点的坐标为给定点,使用K-means算法产生与粒子对应的k个聚类中心,根据步骤二中的公式计算新产生粒子的适应度函数值;
步骤六:针对步骤四中的每个粒子,对粒子的速度与粒子的位置进行更新得到新的种群,计算所有粒子的适应度;
其中,对粒子的速度与粒子的位置进行更新得到新的种群具体包括:调节每个粒子的速度与位置,使每个粒子朝向其自身历史最佳位置和种群的最优位置,所述更新的公式如下:
Vi(t+1)=w×Vi(t)+c1×rand()×(pbesti(t)-Xi(t))+c2×rand()×(gbest(t)-Xi(t));
Xi(t+1)=Xi(t)+Vi(t+1);
式中,Xi(t)为第t次迭代粒子i位置,Vi(t)为第t次迭代粒子i速度,w为惰性因子,且w=0.7,c1为第一学习因子,c2为第二学习因子,且c1=2,c2=2,pbesti(t)为第t次迭代粒子i局部最优解,gbest(t)为到第t次迭代全局最优解,rand()为0到1之间的随机数。
步骤七:保存适应度值更优的粒子,淘汰种群中多余的粒子并保持种群中粒子数的最大值;
其中,适应度函数值更优的粒子为适应度函数值更小的粒子;
步骤八:更新所述种群中的局部最优解和全局最优解;
步骤九:判断迭代次数是否达到上限:
迭代终止条件为是否达到最大迭代次数itermax;若符合迭代终止条件,则输出最终的无人机的悬停次数和无人机的悬停位置坐标,否则迭代执行步骤四至步骤九;
本发明设计开发的一种无人机辅助的无线传感器网络节点充电选择方法,通过使用基于改变决策变量维度,使用K-means方法寻找无人机的位置和惩罚与补偿机制的粒子群算法建立了多目标联合优化模型,合理调度了无人机,提高了无人机调度的速度,减少了无人机悬停次数,减少了无人机对同一节点的重复充电,降低了无人机的能耗,从而达到提高了充电效率的目的。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (8)
1.一种无人机辅助的无线传感器网络节点充电选择方法,其特征在于,包括如下步骤:
步骤一、种群的随机初始化;
步骤二、以K-means方法寻找无人机的位置并更新种群,计算所有粒子的适应度函数值:
F=k+SNrc;
式中,F为适应度函数值,k为无人机悬停次数,SNrc为被重复充电的无线传感器网络节点数量;
步骤三、确定所述种群中的局部最优解和全局最优解;
步骤四、以惩罚和补偿机制更新所述无人机的悬停次数;
步骤五、以K-means方法寻找无人机的位置并更新种群,计算所有粒子的适应度函数值;
步骤六、对粒子的速度与粒子的位置进行更新得到新的种群,计算所有粒子的适应度;
步骤七、保存适应度函数值更小的粒子并保持种群中粒子数的最大值;
步骤八、更新所述种群中的局部最优解和全局最优解;
步骤九、判断迭代次数是否达到上限:
若迭代次数达到最大迭代次数,则输出最终的无人机的悬停次数和无人机的悬停位置坐标;
若迭代次数未达到最大迭代次数,则重复执行所述步骤四至步骤九。
2.如权利要求1所述的无人机辅助的无线传感器网络节点充电选择方法,其特征在于,所述步骤一中生成一定种群规模的粒子,以无人机悬停次数和无人机悬停位置联合作为粒子群算法的候选解,每个粒子在搜索域内随机初始化生成k个初始悬停次数和k个悬停位置坐标。
3.如权利要求2所述的无人机辅助的无线传感器网络节点充电选择方法,其特征在于,当所述每个粒子的维度不同时,在所述粒子的原始决策变量的基础上添加辅助决策变量,所述辅助决策变量不参与运算过程,且所述辅助决策变量为搜索域内的随机变量。
4.如权利要求3所述的无人机辅助的无线传感器网络节点充电选择方法,其特征在于,所述以K-means方法寻找无人机的位置并更新种群具体包括如下过程:
对每个粒子,以无线传感器网络节点的坐标为定点,使用K-means方法生成与所述粒子对应的k个聚类中心。
7.如权利要求6所述的无人机辅助的无线传感器网络节点充电选择方法,其特征在于,所述步骤六中,调节每个粒子的速度与位置,使每个粒子朝向其自身历史最佳位置和种群的最优位置,所述更新的公式如下:
Vi(t+1)=w×Vi(t)+c1×rand()×(pbesti(t)-Xi(t))+c2×rand()×(gbest(t)-Xi(t));
Xi(t+1)=Xi(t)+Vi(t+1);
式中,Xi(t)为第t次迭代粒子i位置,Vi(t)为第t次迭代粒子i速度,w为惰性因子,且w=0.7,c1为第一学习因子,c2为第二学习因子,且c1=2,c2=2,pbesti(t)为第t次迭代粒子i局部最优解,gbest(t)为到第t次迭代全局最优解,rand()为0到1之间的随机数。
8.如权利要求7所述的无人机辅助的无线传感器网络节点充电选择方法,其特征在于,所述步骤七具体包括:
所述粒子的最优解为适应度函数值的最小值,比较所有粒子的最优解,保存适应度函数值更小的粒子,淘汰所述种群中多余的粒子以保持种群中粒子数的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008945.4A CN113727275B (zh) | 2021-08-31 | 2021-08-31 | 一种无人机辅助的无线传感器网络节点充电选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008945.4A CN113727275B (zh) | 2021-08-31 | 2021-08-31 | 一种无人机辅助的无线传感器网络节点充电选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113727275A CN113727275A (zh) | 2021-11-30 |
CN113727275B true CN113727275B (zh) | 2022-04-15 |
Family
ID=78679447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111008945.4A Active CN113727275B (zh) | 2021-08-31 | 2021-08-31 | 一种无人机辅助的无线传感器网络节点充电选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113727275B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045458A (zh) * | 2017-03-09 | 2017-08-15 | 西北工业大学 | 基于多目标量子粒子群算法的无人机协同任务分配方法 |
CN109099918A (zh) * | 2018-07-11 | 2018-12-28 | 郑州航空工业管理学院 | 无人机辅助无线能量传输系统及其节点调度与路径规划方法 |
CN109275094A (zh) * | 2018-11-02 | 2019-01-25 | 北京邮电大学 | 一种高能效无人机覆盖点连续覆盖方法和装置 |
CN110418434A (zh) * | 2019-07-08 | 2019-11-05 | 东南大学 | 一种无人机辅助的无线传感器网络充电方法与装置 |
US10586024B1 (en) * | 2019-05-23 | 2020-03-10 | Banjo, Inc. | System and method for event-based vehicle operation |
CN113015185A (zh) * | 2021-01-15 | 2021-06-22 | 浙江工业大学 | 基于粒子滤波的uav无线携能通信网络系统上行链路吞吐量最大化方法 |
-
2021
- 2021-08-31 CN CN202111008945.4A patent/CN113727275B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045458A (zh) * | 2017-03-09 | 2017-08-15 | 西北工业大学 | 基于多目标量子粒子群算法的无人机协同任务分配方法 |
CN109099918A (zh) * | 2018-07-11 | 2018-12-28 | 郑州航空工业管理学院 | 无人机辅助无线能量传输系统及其节点调度与路径规划方法 |
CN109275094A (zh) * | 2018-11-02 | 2019-01-25 | 北京邮电大学 | 一种高能效无人机覆盖点连续覆盖方法和装置 |
US10586024B1 (en) * | 2019-05-23 | 2020-03-10 | Banjo, Inc. | System and method for event-based vehicle operation |
CN110418434A (zh) * | 2019-07-08 | 2019-11-05 | 东南大学 | 一种无人机辅助的无线传感器网络充电方法与装置 |
CN113015185A (zh) * | 2021-01-15 | 2021-06-22 | 浙江工业大学 | 基于粒子滤波的uav无线携能通信网络系统上行链路吞吐量最大化方法 |
Non-Patent Citations (1)
Title |
---|
基于改进粒子群算法的多无人机任务分配研究;国博等;《计算机仿真》;20090715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113727275A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence | |
CN113985294B (zh) | 一种电池剩余寿命的预估方法及装置 | |
Wang et al. | A hybrid multi-swarm particle swarm optimization to solve constrained optimization problems | |
CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
CN110034596B (zh) | WRSNs中基于SOM神经网络的多基站充电方法 | |
Banerjee et al. | An integrated application of IoT‐based WSN in the field of indian agriculture system using hybrid optimization technique and machine learning | |
CN111507488A (zh) | 一种基于vr的车辆维修保养辅助系统 | |
CN115841176A (zh) | 充电桩变频负荷的安全态势感知方法及系统 | |
Peng et al. | An improved PSO algorithm for battery parameters identification optimization based on Thevenin battery model | |
CN113836803A (zh) | 基于改进狼群算法的无人机群资源调度方法 | |
CN112307667A (zh) | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 | |
CN113098008A (zh) | 一种基于改进政治优化算法的光储容量优化配置方法 | |
CN113452037A (zh) | 一种兼顾调频的光伏阵列重构优化方法 | |
Chien et al. | UAV–assisted joint wireless power transfer and data collection mechanism for sustainable precision agriculture in 5G | |
CN113434958B (zh) | 基于异构集成代理模型的磁悬浮飞轮电机多目标优化方法 | |
CN113727275B (zh) | 一种无人机辅助的无线传感器网络节点充电选择方法 | |
CN115021295A (zh) | 针对一次调频的风电场混合储能容量优化配置方法及系统 | |
CN110717684A (zh) | 一种基于任务分配协调策略与粒子群算法的任务分配方法 | |
CN114358414A (zh) | 一种自适应并行的社区养老服务点选址优化方法及系统 | |
TW201428511A (zh) | 一種最佳化鋰電池多階段快速充電策略 | |
CN113378954A (zh) | 一种基于粒子群改进k均值算法的负荷曲线聚类方法及系统 | |
CN107315903B (zh) | 一种智能的电场分析系统 | |
CN116321189A (zh) | 一种面向边缘计算中基于深度强化学习的服务器部署方法 | |
CN113937808B (zh) | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 | |
CN110048483B (zh) | 高功耗WRSNs中基于SOM神经网络的多基站协同充电方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |