CN114003060A - 基于改进全局最优头脑风暴算法的多无人机任务分配方法 - Google Patents

基于改进全局最优头脑风暴算法的多无人机任务分配方法 Download PDF

Info

Publication number
CN114003060A
CN114003060A CN202111298361.5A CN202111298361A CN114003060A CN 114003060 A CN114003060 A CN 114003060A CN 202111298361 A CN202111298361 A CN 202111298361A CN 114003060 A CN114003060 A CN 114003060A
Authority
CN
China
Prior art keywords
target
unmanned aerial
aerial vehicle
attack
global optimal
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
Application number
CN202111298361.5A
Other languages
English (en)
Inventor
高朝晖
周谦
高怡
高广乐
韩璐
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.)
Xian Shiyou University
Original Assignee
Xian Shiyou 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 Xian Shiyou University filed Critical Xian Shiyou University
Priority to CN202111298361.5A priority Critical patent/CN114003060A/zh
Publication of CN114003060A publication Critical patent/CN114003060A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及无人机系统技术领域，具体涉及一种基于改进全局最优头脑风暴算法的多无人机任务分配方法，包括以下步骤：初始化侦查无人机对不同目标的侦查能力，以及攻击无人机对不同目标的打击能力和目标威胁值；根据无人机的自身属性以及目标的攻击需求，设计目标任务协同分配模型，以最大化摧毁敌方目标的价值成本函数为目标函数；初始化任务分配方案种群，以无人机与目标的分配关系为优化变量；通过改进全局最优头脑风暴算法以所述的价值成本函数为目标进行迭代寻优。本发明以作战收益最大化为目标函数，将侦查无人机、目标、攻击无人机结合起来统一考虑，采用协同分配模型，实现了多无人机任务的快速高效分配。

Description

基于改进全局最优头脑风暴算法的多无人机任务分配方法
技术领域
本发明属于无人机系统技术领域，具体涉及一种基于改进全局最优头脑风暴算法的多无人机任务规划方法。
背景技术
科学技术的进步带来新颖的工具和方法，其中无人系统正逐步地替代人工操作。无人机因其具有成本低廉、低风险、可靠灵活等优点，越来越多的运用于军事和民用领域。在无人系统的发展过程中，无人系统的任务规划已然成为关注的问题之一。其中三维复杂敌对场景下的任务规划是无人机面临的一项重要问题。多任务规划是一个相互过程，在设计中一方面要考虑无人机自身属性(单侦察Reconnaissance unmanned aerial vehicle,RUAV、单攻击unmanned combat aerial vehicle,UCAV、察打一体机等)，另一方面要满足决策者对目标的任务需求(侦察、攻击、察打任务)。如何快速、有效地分配RUAVs和UCAVs实现对大规模目标进行监测以及攻击是目前作战规划中一项极具挑战性的热点问题。
传统的无人机系统任务规划方法研究，大多将侦察无人机对目标(RUAVs-Target,RUAVs-T)的侦察任务分配问题以及攻击无人机对目标(UCAVs-Target,UCAVs-T)的打击任务分为两个单独问题进行考虑，鲜显有将二者结合起来进行统一规划。现有任务分配方法主要包含数学规划、合同网以及智能优化方法三大类。
整数规划或者混合整数规划方法作为一种确定性算法，其对小规模任务分配问题可在短时间内取得最优解。求解大规模任务分配时，该方法很难在有限时间内给出满意的规划结果；采用合同网的方法进行任务分配时，买卖双方以出价的方式竞争获取任务的执行权。但该方法需经过多次协商，在大规模任务分配时势必造成通信量增大以及耗时增加的问题，其次基于合同网的任务分配方法是以一组任务主体进行协商的，当出现任务主体数量不一致时，很难取得理想的作战效能。
以遗传算法、蚁群算法等进行的任务规划方法，其在优化过程中存有大量随机性搜索尝试，致使在求解任务分配问题时会出现效率和精度不高的现象。但该类智能优化方法由于其不要求目标函数的连续性以及可导性，在任务分配方面引起了许多学者的研究兴趣。
发明内容
为解决上述问题，本发明提供了一种基于改进全局最优头脑风暴算法的多无人机任务规划方法，将不同属性的无人机、目标结合起来统一考虑，采用协同分配模型，设计改进的全局最优头脑风暴算法对多无人机任务规划问题进行求解，实现了多无人机任务的协同高效分配。
为实现上述目的，本发明采取的技术方案为：
基于改进全局最优头脑风暴算法的多无人机任务分配方法，包括以下步骤：
S1、初始化侦查无人机对不同目标的侦查能力，以及攻击无人机对不同目标的打击能力和目标威胁值等；根据无人机的自身属性以及目标的攻击需求，设计目标任务协同分配模型，以最大化摧毁敌方目标的价值成本函数为目标函数；所述的目标任务协同分配模型为：
Figure BDA0003337263080000021
其中，R为分配方案对应收益值；vk表示目标k的威胁值(目标价值)；Pdes(k)表示目标k在RUAV引导下被UCAV摧毁的条件概率示。
S2、初始化任务分配方案种群，以无人机与目标的分配关系为优化变量，种群中每一个个体为一种分配方案，分为侦查无人机对目标分配关系以及攻击无人机与目标的分配关系两部分；
S3、通过改进全局最优头脑风暴算法以所述的价值成本函数为目标进行迭代寻优；
S4、根据循环代数对概率Pr进行动态调整，在优化初期设置概率Pr较大，保持算法多样性；在优化后期重点关注算法的收敛性，设置概率Pr较小使算法尽快收敛到最优分配方案；
S5、判断是否停止优化过程，若否，转至步骤S3；若是进行步骤S6；
S6、输出最优分配方案。
进一步地，所述步骤S1中，假设在T时刻监测到有Nt个具有不同威胁程度的目标来袭，防御者拥有RUAVs和UCAVs拦截目标；Ns个RUAVs用来捕获跟踪目标，从而引导Nw个UCAVs对其进行摧毁；假设每个RUAV与UCAV同时只能侦查和攻击一个目标，且UAVs具有单一的侦查或者攻击功能，不同无人机对不同目标的侦查或者攻击能力有差异。
进一步地，所述的Pdes(k)通过以下公式计算所得：
Figure BDA0003337263080000031
其中，pik为目标k被第i个RUAV成功捕获追踪的概率；qjk表示目标k被第j个UCAV摧毁的概率。
进一步地，所述步骤S2包括如下步骤：
第一步：随机选择目标编号为分配侦查无人机；第二步：根据侦查无人机挑选中的目标进行攻击无人机攻击任务分配。确保挑选中的目标能被同时执行侦察和攻击，避免无效的算法尝试，缩短算法分配时间。
进一步地，所述步骤S3包括以下步骤：
(1)对IGBSO算法的参数进行初始化，所述参数包括想法数量M1,聚类个数M2，在一个聚类中选择想法产生新想法的概率Pone-cluster,在聚类中心选择一个想法产生新想法的概率Pone-center在聚类中心选择两个不同想法产生新想法概率Ptwo-center，初始化时迭代次数设置为1；
(2)进行循环优化迭代，产生新个体,改进的新个体产生方式具体内容为：
①第一种产生方法：随机挑选一个想法的两个不同元素(即无人机执行任务的目标编号)进行交换产生新的想法；
②第二种产生方法：随机选择两个想法中的某一位置元素产生一个新元素，检查该元素在这两个父代想法中是否出现，修正两个父代想法以产生新的想法；
③若产生新的想法目标函数大于之前的目标函数，则保留该新想法，否则以概率Pr保留该新想法。
(3)计算新产生个体的适应度值，将适应度值高的经过选择操作代替之前产生的个体；
(4)循环步骤(2)(3)直至满足终止条件,优选采用迭代次数为终止条件。
进一步地，所述第二种产生方法具体为：若新产生的元素在父代中并未出现，则选择父代中目标分配侦察和攻击无人机数量多的目标进行替换修正；若新产生的元素仅在父代中侦察任务或者攻击任务中出现，则选择父代中目标分配攻击或者侦察无人机数量多的目标进行替换修正。
上述方案具有以下有益效果：
1)将不同属性的无人机、目标结合起来统一考虑，采用设计的协同分配模型可实现多无人机的协同高效分配；
2)采用基于改进全局最优的头脑风暴算法对多无人机任务分配问题进行求解，尤其是高效的分配方案初始化以及产生方法，可加速算法收敛过程，可大大缩短采用智能优化算法进行复杂优化问题求解的运行时间。
附图说明
图1为本发明实施例基于改进全局最优头脑风暴算法的多无人机任务分配方法的整体流程示意图；
图2为选择概率Pr随迭代次数调整示意图；
图3为实施例中目标函数随迭代次数变化的曲线图。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
首先，初始化侦查无人机对不同目标的侦查能力[pik]，攻击无人机对不同目标的打击能力[qjk]以及目标的价值。实例数据均在允许范围内随机产生，目标威胁程度(价值)产生方法如下式：vk＝vl+(vu-vl)×rand
其中vl与vu分别为目标价值的上下限值。RUAVs成功捕获追踪目标的概率和UCAVs成功摧毁目标的概率均采用上述方法产生,其范围如表1所示。
表1数据上下限值
Figure BDA0003337263080000051
该实施例中设置有30架RUAVs、40架UCAVs以及45个目标；Np设置为10。
接着，初始化分配方案种群，种群中每一个个体可分为两部分，侦查无人机对目标分配关系以及攻击无人机与目标的分配关系。
其中，首先随机选择目标编号仅分配侦查无人机；其次根据侦查无人机挑选中的目标进行攻击无人机攻击任务分配。例如第一部分的侦察无人机执行任务的目标编号37、41、6、42、29、5、13、25、44、44、8、44、44、22、37、7、19、42、36、44、30、2、39、43、31、35、34、18、30、8与第二部分的攻击无人机执行任务的目标编号2、37、44、41、6、31、30、44、30、41、22、44、39、43、5、37、22、44、2、39、44、30、44、29、42、37、30、8、42、13、39、25、7、30、34、30、19、29、29、25。
随后，采用改进后的个体产生和选择方法进行产生选择新个体，循环优化迭代。其中新个体产生方式有两种：
第一种随机交换某个体中两个元素的位置产生新个体：原个体的侦察任务分配方案为37、41、6、42、29、5、13、25、44、44、8、44、44、22、37、7、19、42、36、44、30、2、39、43、31、35、34、18、30、8。
假设选择第五与第七的元素位置进行交换则交换后的分配方案为：37、41、6、42、13、5、29、25、44、44、8、44、44、22、37、7、19、42、36、44、30、2、39、43、31、35、34、18、30、8。即第五架侦察机对目标13执行侦察任务，第七架侦察机对目标29实施侦察任务。
第二种产生方法：随机选择两个想法中的某一位置元素产生一个新元素，检查该元素在这两个父代想法中是否出现，修正该两个想法以产生新的想法。具体方法为：若新产生的元素在父代中并未出现，则选择父代中目标分配侦察和攻击无人机数量多的目标进行替换修正；若新产生的元素仅在在父代中侦察目标或者攻击目标中出现，则选择父代中目标分配攻击或者侦察无人机数量多的目标进行替换修正。
假设选中的元素位置第8个，产生的新元素为10。父代1个体的侦察任务分配方案为37、41、6、42、29、5、13、25、44、44、8、44、44、22、37、7、19、42、36、44、30、2、39、43、31、35、34、18、30、8和攻任务分配部分2、37、44、41、6、31、30、44、30、41、22、44、39、43、5、37、22、44、2、39、44、30、44、29、42、37、30、8、42、13、39、25、7、30、34、30、19、29、29、25中均为未出现。此时对于侦察任务分配部分目标44共分配了5架次无人机执行侦察任务，分别为第9、10、12、13以及20架侦察无人机，则随机选择第12架无人机执行目标10的侦察任务；同样的随机选择第8架无人机执行目标10的攻击任务。最终形成的新个体为侦察任务分配方案为37、41、6、42、29、5、13、25、44、44、8、10、44、22、37、7、19、42、36、44、30、2、39、43、31、35、34、18、30、8和攻任务分配部分2、37、44、41、6、31、30、10、30、41、22、44、39、43、5、37、22、44、2、39、44、30、44、29、42、37、30、8、42、13、39、25、7、30、34、30、19、29、29、25。
随着优化循环的次数不断改变选择概率Pr的大小，采用如下方式进行各因素的权重调整，具体调整为：每进行(Ns+Nw)代迭代循环Pr的数值减少0.005。(初始值设为0.12，最小值设为0.005)
采用基于改进全局的头脑风暴算法对个体进行循环优化迭代从而得到最优分配方案的成本函数为21532.082016。具体分配方案如下。30架侦察无人机具体执行的目标编号为8、6、18、15、14、45、39、35、21、44、10、20、10、12、6、12、4、7、31、26、4、40、36、45、2、7、32、31、43、23；40架攻击无人机具体执行的目标编号为44、8、10、10、14、36、23、7、44、12、32、4、44、36、6、26、40、12、44、31、12、6、14、43、6、12、6、26、10、10、12、43、4、40、26、43、10、6、10、7。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，包括以下步骤：
S1、初始化侦查无人机对不同目标的侦查能力，以及攻击无人机对不同目标的打击能力和目标威胁值；根据无人机的自身属性以及目标的攻击需求，设计目标任务协同分配模型，以最大化摧毁敌方目标的价值成本函数为目标函数；
S2、初始化任务分配方案种群，以无人机与目标的分配关系为优化变量，种群中每一个个体为一种分配方案，分为侦查无人机对目标分配关系以及攻击无人机与目标的分配关系两部分；
S3、通过改进全局最优头脑风暴算法以所述的价值成本函数为目标进行迭代寻优；
S4、根据循环代数对概率Pr进行动态调整，在优化初期设置概率Pr较大，保持算法多样性；在优化后期重点关注算法的收敛性，设置概率Pr较小使算法尽快收敛到最优分配方案；
S5、判断是否停止优化过程，若否，转至步骤S3；若是进行步骤S6；
S6、输出最优分配方案。
2.根据权利要求1所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述步骤S1中，假设在T时刻监测到有Nt个具有不同威胁程度的目标来袭，防御者拥有RUAVs和UCAVs拦截目标；Ns个RUAVs用来捕获跟踪目标，从而引导Nw个UCAVs对其进行摧毁；假设每个RUAV与UCAV同时只能侦查和攻击一个目标，且UAVs具有单一的侦查或者攻击功能。
3.根据权利要求1所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述步骤S1中，不同无人机对不同目标的侦查或者攻击能力有差异。
4.根据权利要求1所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述步骤S1中，所述的目标任务协同分配模型为：
Figure FDA0003337263070000021
其中，R为分配方案对应收益值；vk表示目标k的威胁值(目标价值)；Pdes(k)表示目标k在RUAV引导下被UCAV摧毁的条件概率示。
5.根据权利要求4所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述的Pdes(k)通过以下公式计算所得：
Figure FDA0003337263070000022
其中，pik为目标k被第i个RUAV成功捕获追踪的概率；qjk表示目标k被第j个UCAV摧毁的概率。
6.根据权利要求1所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述步骤S2包括如下步骤：
第一步：随机选择目标编号为分配侦查无人机；
第二步：根据侦查无人机挑选中的目标进行攻击无人机攻击任务分配。
7.根据权利要求1所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述步骤S3包括以下步骤：
(1)对IGBSO算法的参数进行初始化，所述参数包括想法数量M1,聚类个数M2，在一个聚类中选择想法产生新想法的概率Pone-cluster,在聚类中心选择一个想法产生新想法的概率Pone-center在聚类中心选择两个不同想法产生新想法概率Ptwo-center，初始化时迭代次数设置为1；
(2)进行循环优化迭代，产生新个体,改进的新个体产生方式具体内容为：
①第一种产生方法：随机挑选一个想法的两个不同元素进行交换产生新的想法；
②第二种产生方法：随机选择两个想法中的某一位置元素产生一个新元素，检查该元素在这两个父代想法中是否出现，修正两个父代想法以产生新的想法；
③若产生新的想法目标函数大于之前的目标函数，则保留该新想法，否则以概率Pr保留该新想法。
(3)计算新产生个体的适应度值，将适应度值高的经过选择操作代替之前产生的个体；
(4)循环步骤(2)(3)直至满足终止条件。
8.根据权利要求7所述的基于改进全局最优头脑风暴算法的多无人机任务分配方法，其特征在于，所述第二种产生方法具体为：若新产生的元素在父代中并未出现，则选择父代中目标分配侦察和攻击无人机数量多的目标进行替换修正；若新产生的元素仅在父代中侦察任务或者攻击任务中出现，则选择父代中目标分配攻击或者侦察无人机数量多的目标进行替换修正。
CN202111298361.5A 2021-11-04 2021-11-04 基于改进全局最优头脑风暴算法的多无人机任务分配方法 Pending CN114003060A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111298361.5A CN114003060A (zh) 2021-11-04 2021-11-04 基于改进全局最优头脑风暴算法的多无人机任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111298361.5A CN114003060A (zh) 2021-11-04 2021-11-04 基于改进全局最优头脑风暴算法的多无人机任务分配方法

Publications (1)

Publication Number Publication Date
CN114003060A true CN114003060A (zh) 2022-02-01

Family

ID=79927431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111298361.5A Pending CN114003060A (zh) 2021-11-04 2021-11-04 基于改进全局最优头脑风暴算法的多无人机任务分配方法

Country Status (1)

Country Link
CN (1) CN114003060A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007080584A2 (en) * 2006-01-11 2007-07-19 Carmel-Haifa University Economic Corp. Ltd. Uav decision and control system
CN105740949A (zh) * 2016-03-03 2016-07-06 浙江工业大学 一种基于随机性best策略的群体全局优化方法
US20180172843A1 (en) * 2016-12-21 2018-06-21 Topcon Corporation Operating device, operating method, operating system, and operating program
CN109917815A (zh) * 2019-04-23 2019-06-21 中原工学院 基于全局最优头脑风暴算法的无人机三维路径设计方法
CN110502031A (zh) * 2019-08-02 2019-11-26 中国航空无线电电子研究所 基于任务需求的异构无人机集群协同最优配置方法
CN111080023A (zh) * 2019-12-24 2020-04-28 中国航空工业集团公司西安飞机设计研究所 一种基于头脑风暴优化的舰载飞机出动调度规划方法
CN112733421A (zh) * 2020-12-01 2021-04-30 南京航空航天大学 一种针对有人无人机协同对地作战的任务规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007080584A2 (en) * 2006-01-11 2007-07-19 Carmel-Haifa University Economic Corp. Ltd. Uav decision and control system
CN105740949A (zh) * 2016-03-03 2016-07-06 浙江工业大学 一种基于随机性best策略的群体全局优化方法
US20180172843A1 (en) * 2016-12-21 2018-06-21 Topcon Corporation Operating device, operating method, operating system, and operating program
CN109917815A (zh) * 2019-04-23 2019-06-21 中原工学院 基于全局最优头脑风暴算法的无人机三维路径设计方法
CN110502031A (zh) * 2019-08-02 2019-11-26 中国航空无线电电子研究所 基于任务需求的异构无人机集群协同最优配置方法
CN111080023A (zh) * 2019-12-24 2020-04-28 中国航空工业集团公司西安飞机设计研究所 一种基于头脑风暴优化的舰载飞机出动调度规划方法
CN112733421A (zh) * 2020-12-01 2021-04-30 南京航空航天大学 一种针对有人无人机协同对地作战的任务规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周谦，等: "考虑目标期望摧毁概率的多无人机任务分配方法", 西北工业大学学报, vol. 39, no. 3, pages 617 - 623 *

Similar Documents

Publication Publication Date Title
Li et al. Composite particle swarm optimizer with historical memory for function optimization
Duan et al. A novel hybrid auction algorithm for multi-UAVs dynamic task assignment
CN111487995B (zh) 基于三维简化虚拟模型的群无人机多目标搜索协作方法
Hu et al. SaCHBA_PDN: Modified honey badger algorithm with multi-strategy for UAV path planning
CN114594794B (zh) 一种考虑子系统执行能力的多机协同任务规划方法
CN108632831A (zh) 一种基于动态航迹的无人机群频谱资源分配方法
CN113741508A (zh) 基于改进狼群算法的无人机任务分配方法
CN110134007A (zh) 多无人机协同目标分配方法
CN109544082B (zh) 一种用于数字化战场对抗的系统和方法
CN113109770B (zh) 一种干扰资源分配方法及系统
CN113324545A (zh) 一种基于混合增强智能的多无人机协同任务规划方法
CN114167899B (zh) 一种无人机蜂群协同对抗决策方法及系统
CN116225049A (zh) 一种多无人机狼群协同作战攻防决策算法
CN113220033A (zh) 基于改进多元宇宙优化算法的多异构无人机任务分配方法
CN114326822B (zh) 一种基于演化博弈的无人机集群信息共享方法
Li et al. Multi-uav air combat weapon-target assignment based on genetic algorithm and deep learning
Ma et al. A survey of research on the distributed cooperation method of the uav swarm based on swarm intelligence
Lu et al. Design of quadrotor hovering controller based on improved particle swarm optimization
CN114003060A (zh) 基于改进全局最优头脑风暴算法的多无人机任务分配方法
Ruan et al. Multiplayer reach–avoid differential games in 3D space inspired by Harris’ Hawks’ cooperative hunting tactics
Cheng et al. Weapon-target assignment of ballistic missiles based on Q-learning and genetic algorithm
Jishuai et al. Improved monarch butterfly optimization for multi-to-multi weapon-target assignment problems
CN114200960B (zh) 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法
Sun et al. Task allocation in multi-AUV dynamic game based on interval ranking under uncertain information
CN113283124B (zh) 基于多智能体的自治USoS参与模型构建方法及其系统

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: 20220201

RJ01 Rejection of invention patent application after publication