CN115729829A - 一种基于改进遗传算法的自动驾驶加速测试方法 - Google Patents
一种基于改进遗传算法的自动驾驶加速测试方法 Download PDFInfo
- Publication number
- CN115729829A CN115729829A CN202211503314.4A CN202211503314A CN115729829A CN 115729829 A CN115729829 A CN 115729829A CN 202211503314 A CN202211503314 A CN 202211503314A CN 115729829 A CN115729829 A CN 115729829A
- Authority
- CN
- China
- Prior art keywords
- individuals
- population
- scene
- genetic algorithm
- automatic driving
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于改进遗传算法的自动驾驶加速测试方法。包括:一、确立待测系统的关键场景参数类型、范围及分布情况、适应度函数;二、确立各场景要素排序逻辑,进行浮点数编码,并生成初代种群;三、对个体解码生成表现型,进行种群内个体的仿真;四、进行编码并且根据仿真结果对种群内个体进行劣质个体筛选;五、使用改进的精英保留选择算子、启发式交叉和非均匀变异算子,进行染色体交叉与变异操作,产生子代;六、根据种群内个体信息计算种群重复度进行重复度筛选;七、设立终止条件及时中断试验进程。本发明具备搜索初期快速寻优,并在找到部分优解后仍然持续探索的能力,可以加速寻找到大量对自动驾驶算法迭代优化有益的危险边界场景。
Description
技术领域
本发明属于汽车技术领域,具体的说是一种基于改进遗传算法的自动驾驶加速测试方法。
背景技术
随着自动驾驶技术的不断成熟,如何验证自动驾驶技术的安全性已成为制约自动驾驶汽车上路量产的主要阻碍。基于场景的虚拟仿真技术是测试自动驾驶汽车性能的有效手段,虚拟仿真测试的核心是结合场景生成与测试需求的测试用例生成技术。然而仿真测试面临着场景参数维度大,无效用例占比多等挑战,严重制约了自动驾驶汽车的测试进程。
基于优化搜索的自动驾驶汽车加速测试方法以具备更高测试价值的危险边界场景为搜索目标,结合智能优化算法,在场景参数空间内进行强化搜索,从而可以大幅度提升测试效率,减少仿真资源占用量。目前针对危险场景的优化搜索算法执行初期速度缓慢,严重制约了对于关键场景的快速寻优能力。且各优化算法主要关注搜索速度,在找到一定优解后种群易陷入局部最优,缺乏对大量优解的持续探索能力。而自动驾驶汽车的危险边界场景是一个具备较多解的参数空间,当前的搜索算法难以满足找寻大量优解的需求,亟需一种同时具备全局快速寻优和持续探索能力的优化搜索策略以提升测试效率。
发明内容
本发明提供了一种基于改进遗传算法的自动驾驶加速测试方法,对传统遗传方法的选择、交叉、变异等算子进行了改进,并新增了重复度筛选和劣质个体筛选模块,具备搜索初期快速寻优,并在找到部分优解后仍然持续探索的能力,从而可以加速寻找到大量对自动驾驶算法迭代优化有益的危险边界场景,加速自动驾驶被测算法在逻辑场景中的测试流程,解决了现有加速测试方法存在的上述问题。
本发明技术方案结合附图说明如下:
一种基于改进遗传算法的自动驾驶加速测试方法,包括以下步骤:
步骤一、确立待测系统的关键场景参数类型、范围及分布情况,作为改进遗传算法优化的参数空间;并且确立适应度函数,引导遗传算法演化过程;
步骤二、确立各场景要素排序逻辑,进行浮点数编码,并生成初代种群;
步骤三、对个体解码生成表现型,导入仿真系统中,并引入并行加速模块,进行种群内个体的快速仿真;
步骤四、进行编码并且根据步骤三的仿真结果对种群内个体进行劣质个体筛选;
步骤五、使用改进的精英保留选择算子、启发式交叉和非均匀变异算子,进行染色体交叉与变异操作,产生子代;
步骤六、根据种群内个体信息计算种群重复度,并进行重复度筛选;
步骤七、重复执行步骤三-步骤六,并设立终止条件及时中断试验进程。
进一步地,所述步骤一的具体方法如下:
11)基于场景的自动驾驶测试按照功能场景-逻辑场景-具体场景的步骤生成具体测试用例,从而确立待测系统的关键场景参数类型、范围及分布情况;
12)根据危险边界场景、危险场景、一般安全场景和不合理场景的特点确立适应度函数四个阶段,其中,危险边界场景的适应度函数阶段取值最高,危险场景的适应度函数阶段取值适中,一般安全场景的适应度函数阶段取值较低,不合理场景的适应度函数阶段取值最低。
进一步地,所述步骤二的具体方法如下:
21)根据步骤一获取待测系统的关键场景参数类型、范围及分布情况确立各要素的排列顺序并采用浮点数编码;
22)确立遗传进程的种群数量,利用随机取值的方式生成初代种群编码。
进一步地,所述步骤三的具体方法如下:
31)在初代种群编码的基础上,对个体进行解码生成具体场景参数,导入仿真系统中,执行自动化测试;
32)引入并行加速模块,使用多设备云端数据同步仿真,并且将仿真场景参数与结果保存到场景库中。
进一步地,所述步骤四的具体方法如下:
根据种群个体的运行结果确立优劣特性,对劣质个体即适应度值小于阈值的个体进行删除。
进一步地,所述步骤五的具体方法如下:
51)在选择算子处,采用轮盘赌和精英保留选择法,对个体采用与适应度成比例的轮盘赌选择法,并按比例保留当前最优个体,持续引导种群进化;轮盘赌选择法中第xi个个体的选取概率公式如下:
式中,f(xi)为第xi个个体的适应度值;N为此种群中除去精英个体后的个体数量;
52)在交叉算子处,采用启发式交叉方法,根据父辈的适应度值进行子代个体的启发式变换;在种群中随机选取两个父代,并进行比较,让较差个体的参数向着较好个体的方向进行移动;
53)在变异算子处,采用非均匀变异方法,根据种群个体参数的分布情况确立重复度,标准为两个变量都处于某一离散步长区间内,即认为重复;以种群重复度作为变异概率选取指标;种群重复度与变异概率成反比例关系;在重复度达到阈值后,种群筛选模块会补充新的随机场景。
进一步地,所述步骤六的具体方法如下:
再次计算重复度,如果种群内重复度达到设定阈值即重复个体占整体比例大于50%时,则删除超出阈值的重复个体,并引入等量随机个体加以替代,使得整体重复度小于等于50%。
进一步地,所述步骤七的具体方法如下:
设立终止条件,迭代次数50次,或者连续3轮没有找到新的关键场景,满足条件后及时中断试验进程。
本发明的有益效果为:
1)本发明对传统遗传方法的选择、交叉、变异等算子进行了改进,并新增了重复度筛选和劣质个体筛选模块。相较于传统算法,具备搜索初期快速寻优,并在找到部分优解后仍然持续探索的能力,从而可以加速寻找到大量对自动驾驶算法迭代优化有益的危险边界场景,加速自动驾驶被测算法在逻辑场景中的测试流程;
2)本发明可以满足自动驾驶测试领域对加速测试、场景生成的需求,能够更有效的引导测试过程,具有广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明流程示意图;
图2为改进的遗传算法的流程示意图;
图3为步骤一中场景表述示意图;
图4为并行仿真架构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1和图2,一种基于改进遗传算法的自动驾驶加速测试方法,包括以下步骤:
步骤一、确立待测系统的关键场景参数类型、范围及分布情况,作为改进遗传算法优化的参数空间;并且确立适应度函数,引导遗传算法演化过程;
具体方法如下:
11)基于场景的自动驾驶测试按照功能场景-逻辑场景-具体场景的步骤生成具体测试用例,从而确立待测系统的关键场景参数类型、范围及分布情况;
遗传算法编码的前提是了解需要优化的输入值,关键场景要素是基于场景的自动驾驶测试的重要输入。需要结合分析自然驾驶数据集,确立对应功能场景、关键场景要素类型、取值范围的分布情况,以满足生成场景的真实性与覆盖度要求。以AEB系统测试为例,确立跟驰功能场景下的关键场景要素为主车车速、前车车速、前车制动减速度和两车间距,并结合传感器探测精度确立它们的取值范围与离散步长,关键场景要素如图3所示。
12)本发明结合现有场景研究,将自动驾驶仿真场景分为如下四种:①极度危险,无法避免碰撞的危险场景;②碰撞边缘,可以优化改进的危险边界场景;③确保不会碰撞,对算法改进价值很低的一般安全场景;④生成无法仿真,运动不符合物理规律或者仿真结果绝对安全的不合理场景。根据危险边界场景、危险场景、一般安全场景和不合理场景的特点确立适应度函数四个阶段,其中,危险边界场景、危险场景、一般安全场景和不合理场景的适应度函数依次降低。结合实例说明如下:
适应度函数是引导遗传算法迭代进化的关键,需要结合具体场景特点进行确定。以AEB系统测试为例,以碰撞时间(TTC)为关键场景选取指标,TTC在0.6-1s表示危险边界场景、TTC在0-0.6s表示危险场景、TTC大于1s表示一般安全场景、TTC为负数表示不合理场景。根据四种搜索场景特点确立适应度函数四个阶段,不同的数值设置得以引导场景在不同阶段均向危险边界收敛。TTC计算公式和适应度函数公式如下所示:
TTC=s/(vego-vfront)
式中,vego为主车车速;vfront为前车车速;s为主车与前车的初始相对位置;TTC为计算出的碰撞时间;ffit为计算出的适应度值,用以引导遗传算法搜索过程。
步骤二、确立各场景要素排序逻辑,进行浮点数编码,并生成初代种群;
具体方法如下:
21)根据步骤一获取待测系统的关键场景参数类型、范围及分布情况确立各要素的排列顺序进行编码,便于之后按照此顺序进行解码,初代种群是遗传算法执行的关键,由于二进制编码具有扩大搜索空间及搜索不连续问题,采用浮点数编码,直接对关键场景参数进行排序,比如以主车车速、前车车速、前车制动加速度和前车制动时两车间距为序列。
22)确立遗传进程的种群数量,利用随机取值的方式生成初代种群编码。
例如,可以在场景空间内对每一个场景要素进行随机采样30次,生成包含30个个体的初代种群。
步骤三、对个体解码生成表现型,导入仿真系统中,并引入并行加速模块,进行种群内个体的快速仿真;
具体方法如下:
31)在初代种群编码的基础上,对个体进行解码生成具体场景参数,导入仿真系统中,执行自动化测试;
32)引入并行加速模块,使用多设备云端数据同步仿真,并且将仿真场景参数与结果保存到场景库中。
由于遗传算法单种群内部个体之间互相没有影响,为了进一步提升仿真效率,设计多设备并行加速仿真方案,通过网络将仿真结果实时传递到遗传算法执行主机上。仿真测试流程和并行加速架构如图4所示,共设置3台计算机,如果种群庞大,可以考虑增加副机数量。
在三台计算机的PreScan/MATLAB仿真平台中构建好基础场景,并设立自动化测试方式,利用传感器信号计算实时TTC值,取一次仿真过程中的最小TTC为场景选取指标。主机首先根据改进遗传算法迭代得到的30个个体进行解码,获取单独场景所需的各场景参数输入值,将其与云端已仿真数据库进行比对,如果已经仿真过则不需要仿真,直接得出TTC运算结果;将没有仿真过的场景数据尽量均匀分配成三份,并将其中两份存入云端服务器中的任务分配数据库中,一份数据由主机完成仿真。两台副机在云端服务器获取各自的任务,并进行自动化仿真。三台计算机自动化仿真过程中,会将已仿真数据和得到的危险边界场景数据分别上传到云端的已仿真数据库和优秀个体数据库。仿真结束后,主机会获取当前种群的仿真结果,以执行后续遗传操作。
步骤四、进行编码并且根据步骤三的仿真结果对种群内个体进行劣质个体筛选;
根据种群个体的运行结果确立优劣特性,对劣质个体即适应度值过低个体进行删除;为避免劣质个体影响种群进化过程,干扰后续遗传算子操作,设计劣质个体筛选模块,将适应度过低(0.05以下)的场景定义为劣质个体,直接将其在场景库中剔除,避免后续迭代过程中搜索算子搜索到该值,增加了算法的局部优化能力与快速寻优能力。
步骤五、使用改进的精英保留选择算子、启发式交叉和非均匀变异算子,进行染色体交叉与变异操作,产生子代;
为进一步提升危险场景搜索速度,对基本遗传算子进行改进设计。
具体方法如下:
51)在选择算子处,采用轮盘赌和精英保留选择法,对个体采用与适应度成比例的轮盘赌选择法,并按5%比例保留当前最优个体,持续引导种群进化;轮盘赌选择法中第xi个个体的选取概率公式如下:
式中,f(xi)为第xi个个体的适应度值;N为此种群中除去精英个体后的个体数量;根据此式,可以在精英保留外,仍然按照适应度值进行个体选取,体现遗传算法的启发性。
52)在交叉算子处,采用启发式交叉方法,根据父辈的适应度值进行子代个体的启发式变换;在种群中随机选取两个父代,并进行比较,让较差个体的参数向着较好个体的方向移动,从而在交叉层面体现启发性,加速种群个体向优值收敛。原理如下式所示:
x′low=xlow+kcross×(xhigh-xlow)
x′high=xhigh
式中,xlow为父代两个取值中适应度较低个体的要素取值;xhigh为适应度较高个体的要素取值;kcross为交叉启发式系数;x′low和x′hight为启发式交叉算子生成子代的要素取值。
53)在变异算子处,采用非均匀变异方法,以种群重复度作为变异概率选取指标;根据种群个体参数的分布情况确立重复度,标准为两个变量都处于某一离散步长区间内,即认为重复。遗传算法的变异概率与种群重复度与反比例关系;。原理如下式所示:
式中,x为父代中某要素取值;x’为子代中该要素取值,xmax为该要素取值空间的最大值;xmin为该要素取值空间的最小值;r是0到1之间的随机数;b是非均匀系数;t和T是当前重复度和重复度阈值;变异效果与重复度相关,重复度越大,变动值越小,从而可以动态调整搜索步长,促进局部寻优探索。
定义种群重复度为各场景要素取值均相同的个体数。首先对遗传算法中的种群构建判断矩阵,将相等的个体置1,不相等的个体置0。以7个个体构造矩阵实例,由比较矩阵的特性(元素之间的相等具有传递性),设计如下算法:依次对每一行元素求和,若大于等于1,则返回所有为1元素的列数,保留第一个为1元素的列,将后面为1元素所在列清零。如下面矩阵所示,最终确定1号、2号、4号和5号个体相等,3号,6号和7号个体相等。种群重复度分别为4和3。
步骤六、根据种群内个体信息再次计算种群重复度,并进行重复度筛选;
再次计算重复度,如果种群内重复度达到设定阈值(重复个体占整体比例大于50%),则删除超出阈值的重复个体,并引入等量随机个体加以替代,使得整体重复度小于等于50%。
传统遗传算法在执行一定代数后会陷入局部最优,种群内大部分个体取值相同,无法通过遗传操作找到足够多的优解。为此,本发明引入重复度筛选模块,筛选种群中重复度过高的个体,如果重复度大于阈值50%(在本例中即为4个),则将阈值以外的个体重新探索,替换掉种群中原有的数据。
步骤七、重复执行步骤三-步骤六,并设立终止条件及时中断试验进程。
设立终止条件,迭代次数50次,或者连续3轮没有找到新的关键场景,满足条件后及时中断试验进程。
重复执行上述步骤三到步骤六,即为一轮完整的迭代过程。为了保证算法可以及时停止迭代从而节省计算消耗,本方法设立了终止条件,具体如下:迭代次数达到设定阈值(50次)则终止遗传进程。或每次迭代都从云端数据库中获取新增的危险边界场景数量,一定迭代次数后连续进行3轮迭代都没有发现新的危险边界场景,则终止迭代。
结果评价方法:为准确评价设计算法的加速测试性能,结合具体加速测试需求、算法改进目的与改进过程设计如下评价指标:
(1)覆盖效果:评价算法对危险边界场景的覆盖度。
将设计的加速算法、标准遗传算法和传统遍历算法针对同一逻辑场景空间进行测试,计算本文加速算法寻找到危险边界场景的比例,评价算法是否能找到足够多的危险边界场景,达到测试的目的。
(2)搜索效率:评价算法的加速效果。
定义搜索效率η=优秀个体数目/仿真次数,同样针对设计的加速算法、标准遗传算法和传统遍历算法进行测试,计算搜索到的危险边界场景与仿真测试执行次数的比值,评价算法的加速效果。
(3)探索能力:评价算法的持续搜索能力。
定义每10次迭代搜索到的新优秀个体数目平均值定义为探索能力,即探索能力ω=优秀个体数目/10。通过多次迭代后是否生成足够数量的新危险边界场景,体现重复度筛选策略的应用效果,评价算法的持续探索能力。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (8)
1.一种基于改进遗传算法的自动驾驶加速测试方法,其特征在于,包括以下步骤:
步骤一、确立待测系统的关键场景参数类型、范围及分布情况,作为改进遗传算法优化的参数空间;并且确立适应度函数,引导遗传算法演化过程;
步骤二、确立各场景要素排序逻辑,进行浮点数编码,并生成初代种群;
步骤三、对个体解码生成表现型,导入仿真系统中,并引入并行加速模块,进行种群内个体的快速仿真;
步骤四、进行编码并且根据步骤三的仿真结果对种群内个体进行劣质个体筛选;
步骤五、使用改进的精英保留选择算子、启发式交叉和非均匀变异算子,进行染色体交叉与变异操作,产生子代;
步骤六、根据种群内个体信息计算种群重复度,并进行重复度筛选;
步骤七、重复执行步骤三-步骤六,并设立终止条件及时中断试验进程。
2.根据权利要求1所述的一种基于改进遗传算法的自动驾驶加速测试方法,其特征在于,所述步骤一的具体方法如下:
11)基于场景的自动驾驶测试按照功能场景-逻辑场景-具体场景的步骤生成具体测试用例,从而确立待测系统的关键场景参数类型、范围及分布情况;
12)根据危险边界场景、危险场景、一般安全场景和不合理场景的特点确立适应度函数四个阶段,其中,危险边界场景的适应度函数阶段取值最高,危险场景的适应度函数阶段取值适中,一般安全场景的适应度函数阶段取值较低,不合理场景的适应度函数阶段取值最低。
3.根据权利要求1所述的一种基于改进遗传算法的自动驾驶加速测试方法,其特征在于,所述步骤二的具体方法如下:
21)根据步骤一获取待测系统的关键场景参数类型、范围及分布情况确立各要素的排列顺序并采用浮点数编码;
22)确立遗传进程的种群数量,利用随机取值的方式生成初代种群编码。
4.根据权利要求1所述的一种基于改进遗传算法的自动驾驶加速测试方法,其特征在于,所述步骤三的具体方法如下:
31)在初代种群编码的基础上,对个体进行解码生成具体场景参数,导入仿真系统中,执行自动化测试;
32)引入并行加速模块,使用多设备云端数据同步仿真,并且将仿真场景参数与结果保存到场景库中。
5.根据权利要求1所述的一种基于改进遗传算法的自动驾驶加速测试方法,其特征在于,所述步骤四的具体方法如下:
根据种群个体的运行结果确立优劣特性,对劣质个体即适应度值小于阈值的个体进行删除。
6.根据权利要求1所述的一种基于改进遗传算法的自动驾驶加速测试方法,其特征在于,所述步骤五的具体方法如下:
51)在选择算子处,采用轮盘赌和精英保留选择法,对个体采用与适应度成比例的轮盘赌选择法,并按比例保留当前最优个体,持续引导种群进化;轮盘赌选择法中第xi个个体的选取概率公式如下:
式中,f(xi)为第xi个个体的适应度值;N为此种群中除去精英个体后的个体数量;
52)在交叉算子处,采用启发式交叉方法,根据父辈的适应度值进行子代个体的启发式变换;在种群中随机选取两个父代,并进行比较,让较差个体的参数向着较好个体的方向进行移动;
53)在变异算子处,采用非均匀变异方法,根据种群个体参数的分布情况确立重复度,标准为两个变量都处于某一离散步长区间内,即认为重复;以种群重复度作为变异概率选取指标;种群重复度与变异概率成反比例关系;在重复度达到阈值后,种群筛选模块会补充新的随机场景。
7.根据权利要求1所述的一种基于改进遗传算法的自动驾驶加速测试方法,其特征在于,所述步骤六的具体方法如下:
再次计算重复度,如果种群内重复度达到设定阈值即重复个体占整体比例大于50%时,则删除超出阈值的重复个体,并引入等量随机个体加以替代,使得整体重复度小于等于50%。
8.根据权利要求1所述的一种基于改进遗传算法的自动驾驶加速测试方法,其特征在于,所述步骤七的具体方法如下:
设立终止条件,迭代次数50次,或者连续3轮没有找到新的关键场景,满足条件后及时中断试验进程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211503314.4A CN115729829A (zh) | 2022-11-28 | 2022-11-28 | 一种基于改进遗传算法的自动驾驶加速测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211503314.4A CN115729829A (zh) | 2022-11-28 | 2022-11-28 | 一种基于改进遗传算法的自动驾驶加速测试方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115729829A true CN115729829A (zh) | 2023-03-03 |
Family
ID=85298706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211503314.4A Pending CN115729829A (zh) | 2022-11-28 | 2022-11-28 | 一种基于改进遗传算法的自动驾驶加速测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115729829A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859725A (zh) * | 2023-06-25 | 2023-10-10 | 盐城工学院 | 一种基于遗传算法的汽车底盘控制系统优化方法 |
CN117909249A (zh) * | 2024-03-20 | 2024-04-19 | 中国汽车技术研究中心有限公司 | 一种自动驾驶场景测试用例的生成方法和设备 |
-
2022
- 2022-11-28 CN CN202211503314.4A patent/CN115729829A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859725A (zh) * | 2023-06-25 | 2023-10-10 | 盐城工学院 | 一种基于遗传算法的汽车底盘控制系统优化方法 |
CN117909249A (zh) * | 2024-03-20 | 2024-04-19 | 中国汽车技术研究中心有限公司 | 一种自动驾驶场景测试用例的生成方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115729829A (zh) | 一种基于改进遗传算法的自动驾驶加速测试方法 | |
CN102413029B (zh) | 基于分解的局部搜索多目标复杂动态网络社区划分方法 | |
CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN106168797B (zh) | 一种模块化获取核电站故障树顶事项失效概率的方法 | |
CN111814626B (zh) | 一种基于自注意力机制的动态手势识别方法和系统 | |
CN106709503B (zh) | 一种基于密度的大型空间数据聚类算法k-dbscan | |
CN111612252A (zh) | 大规模应急设施的自动选址方法、装置及可读存储介质 | |
CN111275172A (zh) | 一种基于搜索空间优化的前馈神经网络结构搜索方法 | |
CN114495499B (zh) | 一种多目标智能网联车辆协同优化控制方法 | |
CN112181698A (zh) | 自动驾驶极限性能的测试方法、装置、设备及存储介质 | |
CN114528646B (zh) | 一种基于在线地图数据的车辆行驶工况构建方法 | |
CN110852417A (zh) | 面向物联网应用的单深度神经网络模型鲁棒性提升方法 | |
CN114743010A (zh) | 基于深度学习的超高压输电线路点云数据语义分割方法 | |
Chen et al. | A new multiobjective evolutionary algorithm for community detection in dynamic complex networks | |
CN110942504B (zh) | 一种众核平台上面向规则网格问题的结构化着色方法 | |
CN115081609A (zh) | 一种智能决策中的加速方法、终端设备及存储介质 | |
CN107391728A (zh) | 数据挖掘方法以及数据挖掘装置 | |
CN110968690B (zh) | 词语的聚类划分方法和装置、设备以及存储介质 | |
CN111898666A (zh) | 一种随机森林算法结合模群种群的数据变量选择方法 | |
CN111488903A (zh) | 基于特征权重的决策树特征选择方法 | |
CN116976220A (zh) | 一种基于全局代理优化的自动驾驶系统加速测试方法 | |
CN115859768B (zh) | 一种动态装配作业车间工件完工时间预测方法及装置 | |
CN115796480B (zh) | 一种基于多租户模式下司乘订单匹配方法及系统 | |
CN116662859B (zh) | 非遗文化数据特征选择方法 | |
CN112990246B (zh) | 孤立树模型建立的方法和装置 |
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 |