CN114878986A - 一种基于改进人工鱼群的局部放电定位的方法 - Google Patents

一种基于改进人工鱼群的局部放电定位的方法 Download PDF

Info

Publication number
CN114878986A
CN114878986A CN202210568233.6A CN202210568233A CN114878986A CN 114878986 A CN114878986 A CN 114878986A CN 202210568233 A CN202210568233 A CN 202210568233A CN 114878986 A CN114878986 A CN 114878986A
Authority
CN
China
Prior art keywords
behavior
artificial fish
partial discharge
value
algorithm
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
CN202210568233.6A
Other languages
English (en)
Inventor
王群
郑剑锋
陈智超
高寅冲
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.)
Changzhou University
Original Assignee
Changzhou 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 Changzhou University filed Critical Changzhou University
Priority to CN202210568233.6A priority Critical patent/CN114878986A/zh
Publication of CN114878986A publication Critical patent/CN114878986A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1254—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of gas-insulated power appliances or vacuum gaps
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)

Abstract

本发明涉及AFSA算法技术领域，尤其涉及一种基于改进人工鱼群的局部放电定位的方法，包括：设置人工鱼群算法初始化参数；计算初始鱼群各个体的适应度值，并将最优值在公告板中记录；根据迭代次数计算自适应Visual和Step；判断是否满足食物浓度的条件，从而执行觅食行为或执行侦查行为；将觅食行为、追尾行为、侦查行为和聚群行为的适应度值与公告板的适应度值进行比较；根据预设的最大迭代次数，判断执行输出最优值还是再次迭代。本发明将人工蜂群算法中的侦查行为引入到AFSA中，并且采用动态参数，并将改进的AFSA运用到GIS设备的局部放电定位当中，提高局部放电定位的精度。

Description

一种基于改进人工鱼群的局部放电定位的方法
技术领域
本发明涉及AFSA算法技术领域，尤其涉及一种基于改进人工鱼群的局部放电定位的方法。
背景技术
GIS设备的运行状态关系到电网是否能安全运行，而局部放电是GIS设备绝缘劣化或击穿的主要原因之一，严重影响着GIS设备乃至电网的稳定运行。GIS设备内部发生局部放电时会产生超声波信号，向四周辐射，这为局部放电的定位提供了理论依据，在对局部放电进行定位时，定位算法对定位的准确性起着关键作用。
邹康等人的《人工鱼群算法研究综述》，人工鱼群算法(artificial fish swarmalgorithm，AFSA)具有良好的全局并行能力和结构简单、收敛速度快的特点，但也存在算法后期收敛速度减慢、早熟的缺点，将其运用到局部放电定位当中，所达到的精度较低。
徐艳春等人的《SA-APSO算法及其在变压器油中局部放电超声定位中的应用》，提出了一种融入模拟退火思路的自适应粒子群混合算法(simulated annealing-adaptiveparticle swarm optimization algorithm，SA-APSO)，虽然解决了基本粒子群算法(particle swarm optimization algorithm，PSO)局部寻优能力差及易早熟收敛的情况，但是定位精度还有待近一步提高。
发明内容
针对现有算法的不足，本发明针对AFSA的缺点，将人工蜂群算法中的侦查行为引入到AFSA中，并且采用动态参数，有利于跳出局部极值并增强算法的寻优性能，并将改进的AFSA运用到GIS设备的局部放电定位当中，提高局部放电定位的精度。
本发明所采用的技术方案是：一种基于改进人工鱼群的局部放电定位的方法包括以下步骤：
A1、人工鱼群算法参数初始化设置，包括：最大迭代次数Kmax、种群规模N、每条人工鱼的初始位置、人工鱼的初始视野Visual1和步长Step1、拥挤度因子δ、重复次数try_number；
A2、计算初始鱼群各个体的适应度值F(xp,yp,zp)，并将最优值在公告板中记录；
适应度值计算包括：
在GIS局部放电定位的数学模型中设置多个传感器，计算参考传感器和其他传感器之间的相对距离，公式为：
Figure BDA0003659163660000021
其中，其它传感器坐标为(xi,yi,zi)，i＝1,2,3…，(x0,y0,z0)为参考传感器坐标，放电源P的位置为(xp,yp,zp)；
放电源P的超声波信号到达其它传感器的时间与到达参考传感器的时间差为τi(i＝1,2,3…n)，超声波的速度为v，则有Δli≈τiv，其中，v为超声波的速度；
适应度函数公式为：
Figure BDA0003659163660000031
适应度函数公式是根据τi的值和改进人工鱼群算法求解出适应度最小值F(xmin,ymin,zmin)的对应的坐标(xmin,ymin,zmin)；
A3、根据迭代次数计算自适应Visual(视野)和Step(步长)；
AFSA算法参数为固定值，当δ设置不合理，收敛效果不明显，在算法后期，随着人工鱼个体逐渐靠近最优点，此时的解只有一、两位元素与最优解不同，所以仍在Visual与Step范围内觅食的方式寻优是不合理的；本发明采用自适应的Visual和Step，前期过程采用较大的Step和Visual，使算法较快地得到一个相对较优的解，增加局部寻优能力；后期过程采用较小的Step和Visual，增强算法的全局寻优能力，得到精度更高的解，即得到精确的局放定位坐标；
进一步的，采用动态参数Visual和Step，计算公式为：
Figure BDA0003659163660000032
Figure BDA0003659163660000033
其中，k为当前迭代次数；
A4、首先执行人工鱼群算法的聚群行为和追尾行为，判断是否满足食物浓度的条件，从而执行觅食行为或执行侦查行为；
人工蜂群算法(artificial bee colony,ABC)：侦查蜂实现对新蜜源的开采时，跳出局部极值并增强算法的寻优性能；将ABC算法中的侦查机制引入AFSA算法中，即在鱼群种群中引入“侦查鱼群”的概念，将适应度值较差的鱼群定义为侦查鱼群，通过对其位置的重新赋值实现对搜索空间的重新较优搜索，舍弃原有信息而只采用随机初始化的方式进行定义，可以防止AFSA算法早熟收敛，提高AFSA算法的全局寻优能力，从而提高AFSA算法的精度，进而得到更加精确的局放定位坐标；
进一步的，觅食行为时设当前人工鱼坐标为(xpm,ypm,zpm)记为fm，其对应的食物浓度值为Fm(食物浓度值根据适应度函数求得)；在当前人工鱼的感知范围内随机选择一个坐标(xpn,ypn,zpn)记为fn，其对应的食物浓度值为Fn；当Fn大于当前的食物浓度Fm(在求最大值问题时，优化函数值越大，食物浓度越大；在求最小值问题时，优化函数值越小，食物浓度越大)时，则向食物浓度大的地方的方向前进一个步长的距离；否则，随机选择状态fn进行下一次的判断；这样反复一定次数后，如果还没找到前进的条件，则随机向前一步即到达fnext处，重复尝试try_number次后，若仍不满足前进条件，则进行侦查行为；
觅食行为的公式为：
Figure BDA0003659163660000041
式中，Rand为一个(0,1)的随机数，||fn-fm||为人工鱼个体之间的距离；
进一步的，侦查行为的公式：
fnext＝fbest+Rand*(fm-fbest) (6)
式中，fnext是下一个人工鱼的坐标，fbest是公告板中对应人工鱼的坐标；fm为当前人工鱼坐标；
进一步的，聚群行为时人工鱼个体要向人工鱼数量较多的区域聚集并且要遵循两个原则：一是要使人工鱼个体尽量向周围伙伴的中心方向移动；二是要尽量避免鱼群过于拥挤；设人工鱼当前状态为fm，探索当前感知距离内的伙伴数目为nf及伙伴中心位置坐标fc，fc对应的食物浓度值为Fc；
如果Fc/nf＞δFm，表明伙伴中心有较多的食物且其周围不太拥挤，则朝伙伴中心位置方向前进一步；否则执行觅食行为，聚群行为的公式：
Figure BDA0003659163660000051
式中，fm为当前人工鱼坐标，fc为伙伴中心位置坐标。
进一步的，追尾行为时，当人工鱼发现其周围伙伴处食物丰富时，会尾随处在最优状态的伙伴，向其所在方向靠近；若人工鱼当前状态为fm，让其探索其感知距离内的状态最优的伙伴fmax，fmax对应的食物浓度值为Fmax；
如果Fmax/nf＞δFm，表明fmax坐标具有较高的食物浓度且其周围不太拥挤，则朝fmax的方向前进一步；否则执行觅食行为；
追尾行为的公式：
Figure BDA0003659163660000052
式中，fmax为状态最优的伙伴位置坐标；
A5、比较觅食行为、追尾行为、侦查行为、聚群行为的适应度值，选择最优的适应度值与公告板比较，若优于公告板则替代之，否则保留公告板的值；
A6、判断是否达到最大迭代次数Kmax，若是，则输出最优值；否则迭代次数加1，转入步骤A3；
A7：输出最优值时的局放源位置坐标；
最优值计算是通过计算min F(xp,yp,zp)，约束条件为：0≤xp≤l、0≤yp≤w、0≤zp≤h，式中，l,w,h分别表示GIS设备的长、宽、高。
本发明的有益效果：
1、针对AFSA算法的缺点，将人工蜂群算法中的侦查行为引入到AFSA算法，并且采用动态参数，有利于跳出局部极值并增强算法的寻优性能，并将改进的AFSA算法运用到局部放电定位中，将定位结果与基本AFSA算法和SA-APSO算法的结果进行对比，结果表明改进AFSA算法在局部放电定位中具有更高的定位精度。
附图说明
图1是本发明的基于改进人工鱼群的局部放电定位的方法流程图；
图2是本发明的局部放电定位的数学模型；
图3是本发明的改进人工鱼群算法迭代过程。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图2所示，为局部放电定位的数学模型，超声波定位的主要原理是将超声波传感器测得超声波信号用算法转化为时延信号后代入超声波定位的数学模型中去求解局部放电点的位置；
将GIS设备用一个长方体等效，并建立如图2所示的空间直角坐标系；其中P为局部放电点，S0-S3分别表示传感器1-4，S0为传感器2-4的参考传感器；
其中，放电源P的位置为(xp,yp,zp)传感器S1-S3的位置为(xi,yi,zi)(i＝1、2、3)，参考传感器S0的位置为(x0,y0,z0)；
根据图中的几何信息可知：传感器S1-S3与参考传感器S0到放电源P点的相对距离差为：
Figure BDA0003659163660000061
上式中，i＝1,2,3，记超声波信号到达传感器S1-S3的时间与到达参考传感器S0的时间差为τi，超声波的速度为v，则△li≈τiv，其中，v为超声波的速度；
得到以下的适应度函数，公式为：
Figure BDA0003659163660000071
式(2)为非线性方程，直接求解十分困难，为了简化计算可以等效为带约束的优化问题，即求出f(xp,yp,zp)的最小值；
局放源在时刻T0发射出信号，信号在空气中以超声波传播，由于两个传感器的位置不同，设传感器S0于T1时刻接收到信号，传感器S1于T2时刻接收到信号，因此τi＝T2 i-T1 i；
τi的值通过局放信号波形，并由时延估计算法计算得到，最后再由改进人工鱼群算法解出最优解(即求解出最小值f(xmin，ymin，zmin)，即为局放源的位置坐标(xmin，ymin，zmin)；
如图1所示，一种基于改进人工鱼群的局部放电定位的方法，包括以下步骤：
A1、初始化设置，包括：最大迭代Kmax＝60、种群规模N＝80、每条人工鱼的初始位置、人工鱼的初始视野Visual1＝8、初始步长Step1＝6、拥挤度因子δ＝0.618、重复次数try_number＝30；
A2、通过适应度函数计算初始鱼群各个体的适应度值F(xp,yp,zp)，即当前鱼群所在位置的食物浓度值，取最优人工鱼坐标及其食物浓度值赋予给公告板；
A3、根据迭代次数计算自适应视野(Visual)和步长(Step)；
采用动态参数Visual和Step，计算公式为：
Figure BDA0003659163660000072
Figure BDA0003659163660000073
其中，k为当前迭代次数；
A4、分别执行聚群行为和追尾行为，若不满足条件，则执行觅食行为，若依旧不满足条件，则执行侦查行为；
觅食行为的公式为：
Figure BDA0003659163660000081
式中，Rand为一个(0,1)的随机数，||fn-fm||为人工鱼个体之间的距离；
进一步的，侦查行为的公式：
fnext＝fbest+Rand*(fm-fbest) (6)
式中，fnext是下一个人工鱼的坐标，fbest是公告板中对应人工鱼的坐标；fm为当前人工鱼坐标；
进一步的，聚群行为时人工鱼个体要向人工鱼数量较多的区域聚集并且要遵循两个原则：一是要使人工鱼个体尽量向周围伙伴的中心方向移动；二是要尽量避免鱼群过于拥挤。设人工鱼当前状态为fm，探索当前感知距离内的伙伴数目为nf及伙伴中心位置坐标fc，fc对应的食物浓度值为Fc；
如果Fc/nf＞δFm，表明伙伴中心有较多的食物且其周围不太拥挤，则朝伙伴中心位置方向前进一步；否则执行觅食行为，聚群行为的公式：
Figure BDA0003659163660000082
进一步的，追尾行为时，当人工鱼发现其周围伙伴处食物丰富时，会尾随处在最优状态的伙伴，向其所在方向靠近。若人工鱼当前状态为fm，让其探索其感知距离内的状态最优的伙伴fmax，fmax对应的食物浓度值为Fmax；
如果Fmax/nf＞δFm，表明fmax坐标具有较高的食物浓度且其周围不太拥挤，则朝fmax的方向前进一步；否则执行觅食行为，追尾行为的公式：
Figure BDA0003659163660000091
A5、比较四种行为的食物浓度值，选择最优的与公告板比较，若优于公告板则替代之，否则保留公告板的值；
S6、判断是否达到最大迭代次数Kmax，若是，则输出最优值；否则迭代次数加1，转入步骤A3；
S7、输出最优值，即为局放源的位置坐标；
进一步的，最优值计算是通过计算min F(xp,yp,zp)，约束条件为：0≤xp≤l、0≤yp≤w、0≤zp≤h，式中，l,w,h分别表示GIS设备的长、宽、高；
将本发明方法与基本AFSA算法和SA-APSO定位误差进行对比，结果如下：
表1：本发明与AFSA算法和SA-APSO定位误差对比
Figure BDA0003659163660000092
其中，误差定义为放电源坐标与算法计算得到的坐标之间的距离偏差；
从表1可以看出本发明方法误差远小于基本AFSA算法的误差，与SA-APSO算法相比误差也明显减小；
从图3可以看出，改进人工鱼群算法前期局部寻优能力强，没有出现早熟收敛从而陷入局部最优，具有跳出局部最优的能力，后期全局寻优能力强，能够快速找到最优解，且收敛速度快，具有较好的收敛性。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.一种基于改进人工鱼群的局部放电定位的方法，其特征在于，包括以下步骤：
A1、设置人工鱼群算法初始化参数；
A2、计算初始鱼群各个体的适应度值，并在公告板中记录最优适应度值；
A3、根据迭代次数计算自适应Visual和Step；
A4、首先执行人工鱼群算法的聚群行为和追尾行为，判断是否满足食物浓度的条件，从而执行觅食行为或执行侦查行为；
A5、将觅食行为、追尾行为、侦查行为和聚群行为的适应度值与公告板的适应度值进行比较，从而选择替换或者保留公告板中的适应度值；
A6、根据预设的最大迭代次数，判断执行输出最优值还是重复迭代；
A7：输出最优值时的局放源位置坐标。
2.根据权利要求1所述的基于改进人工鱼群的局部放电定位的方法，其特征在于，所述自适应Visual和Step的计算公式为：
Figure FDA0003659163650000011
Figure FDA0003659163650000012
其中，k为当前迭代次数。
3.根据权利要求1所述的基于改进人工鱼群的局部放电定位的方法，其特征在于，所述觅食行为的公式为：
Figure FDA0003659163650000013
式中，Rand为一个(0,1)的随机数，||fn-fm||为人工鱼个体之间的距离。
4.根据权利要求1所述的基于改进人工鱼群的局部放电定位的方法，其特征在于，所述侦查行为的公式：
fnext＝fbest+Rand*(fm-fbest) (6)
式中，fnext是下一个人工鱼的坐标，fbest是公告板中对应人工鱼的坐标；fm为当前人工鱼坐标。
5.根据权利要求1所述的基于改进人工鱼群的局部放电定位的方法，其特征在于，所述聚群行为的公式为：
Figure FDA0003659163650000021
6.根据权利要求1所述的基于改进人工鱼群的局部放电定位的方法，其特征在于，所述追尾行为的公式为：
Figure FDA0003659163650000022
CN202210568233.6A 2022-05-24 2022-05-24 一种基于改进人工鱼群的局部放电定位的方法 Pending CN114878986A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210568233.6A CN114878986A (zh) 2022-05-24 2022-05-24 一种基于改进人工鱼群的局部放电定位的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210568233.6A CN114878986A (zh) 2022-05-24 2022-05-24 一种基于改进人工鱼群的局部放电定位的方法

Publications (1)

Publication Number Publication Date
CN114878986A true CN114878986A (zh) 2022-08-09

Family

ID=82678062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210568233.6A Pending CN114878986A (zh) 2022-05-24 2022-05-24 一种基于改进人工鱼群的局部放电定位的方法

Country Status (1)

Country Link
CN (1) CN114878986A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117288209A (zh) * 2023-11-27 2023-12-26 南昌工程学院 一种变压器声级测定方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117288209A (zh) * 2023-11-27 2023-12-26 南昌工程学院 一种变压器声级测定方法及系统
CN117288209B (zh) * 2023-11-27 2024-01-30 南昌工程学院 一种变压器声级测定方法及系统

Similar Documents

Publication Publication Date Title
CN109765893B (zh) 基于鲸鱼优化算法的移动机器人路径规划方法
He et al. The parameters selection of PSO algorithm influencing on performance of fault diagnosis
CN108256577B (zh) 一种基于多线激光雷达的障碍物聚类方法
CN107300925B (zh) 基于改进鱼群算法的四旋翼无人机姿控参数整定方法
RU2648573C2 (ru) Выделение ресурсов для машинного обучения
Pan et al. Fish migration optimization based on the fishy biology
CN114878986A (zh) 一种基于改进人工鱼群的局部放电定位的方法
EP3777984A1 (en) Method, device, and apparatus for configuring ai parameter of racing ai model, and storage medium
Song et al. Improved non-maximum suppression for object detection using harmony search algorithm
CN108245194B (zh) 基于布谷鸟优化策略的超声图像心脏流场运动估计方法
CN110514567B (zh) 基于信息熵的气体源搜索方法
CN109269502A (zh) 一种基于多策略改进粒子群算法的无人机三维航路规划方法
CN112462805B (zh) 基于改进蚁群算法的5g网联无人机航迹规划方法
Yan et al. An improved firefly algorithm with adaptive strategies
CN111983625A (zh) 一种基于gabp的脉冲激光测距误差补偿方法
CN116189147A (zh) 一种基于yolo的三维点云低功耗快速目标检测方法
CN110297221B (zh) 一种基于高斯混合模型的数据关联方法
Jiao et al. An improved cuckoo search algorithm for multithreshold image segmentation
Champasak et al. Grid-based many-objective optimiser for aircraft conceptual design with multiple aircraft configurations
Zheng et al. Speech Emotion Recognition based on Multi-Level Residual Convolutional Neural Networks.
CN115933669A (zh) 基于改进蝴蝶优化算法的移动机器人路径规划方法
Tan et al. Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm.
CN110276476A (zh) 一种基于pso-rbf神经网络的汽车发动机烟度预测方法
CN114608585A (zh) 一种移动机器人同步定位与建图方法及装置
CN113534042A (zh) 基于改进反向学习布谷鸟搜索的tdoa定位算法

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