CN117196262B - 一种基于状态编码优化的测试场车辆与场景匹配调度方法 - Google Patents
一种基于状态编码优化的测试场车辆与场景匹配调度方法 Download PDFInfo
- Publication number
- CN117196262B CN117196262B CN202311461351.8A CN202311461351A CN117196262B CN 117196262 B CN117196262 B CN 117196262B CN 202311461351 A CN202311461351 A CN 202311461351A CN 117196262 B CN117196262 B CN 117196262B
- Authority
- CN
- China
- Prior art keywords
- test
- time
- scene
- matrix
- vehicle
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 230000007704 transition Effects 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 5
- 108020004705 Codon Proteins 0.000 claims description 2
- 238000009395 breeding Methods 0.000 claims description 2
- 230000001488 breeding effect Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 108020004414 DNA Proteins 0.000 claims 9
- 102000053602 DNA Human genes 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于人工智能和智能优化计算领域,提供一种基于状态编码优化的测试场车辆与场景匹配调度方法,包括:建立联合状态矩阵并判断当前空闲的测试场景;建立剩余测试时间矩阵和转场时间矩阵;计算时间和最小值;更新联合状态矩阵;利用整数规划遗传算法并行迭代所述联合状态矩阵,得到最优联合状态矩阵。本发明将最小化剩余测试时间和转场时间的和作为优化目标建立调度优化模型,然后采用DNA遗传算法进行求解,能够提升计算效率,实现实时调度需求。
Description
技术领域
本发明属于人工智能和智能优化计算领域,尤其涉及一种基于状态编码优化的测试场车辆与场景匹配调度方法。
背景技术
在智慧城市背景下,汽车测试场的调度也走向智能化。借助物联网、云计算、大数据等信息技术,可以全面、准确地收集到汽车测试实时状态数据并进行实时动态调度,对我国汽车智能测试工作的开展具有极其重要的意义。其中,能够清晰表达和优化汽车与测试场景的匹配调度情况是智能化调度的关键,其核心问题,就是利用一个类似编码的状态变换矩阵和计算算法去实现科学调度。
汽车测试场优化调度,是以待测试车辆和能够进行测试的测试场景为研究对象,属于离散模型,是一个整数规划的组合优化问题。若测试车辆数量为m个,备选测试场景为n个,则共有个调度方案,若采用枚举法计算优化目标则要计算/>次,对于汽车与测试场景动态的状态改变时,不满足求解的实时性。尤其是对于大型汽车测试场,其场景复杂,存在多辆车在一个测试场景,其清晰的状态变化表示和智能化计算成为关键。此类问题的求解是建立整数规划模型,为了不发生维数爆炸,需要采用DNA遗传算法等智能算法求解,DNA遗传算法是求解整数规划的表现良好的遗传算法。
汽车测试场景调度还存在转场道路是否联通,以及测试剩余时间与转场时间的综合计算问题,测试剩余时间较少的车辆由于转场时间的增加,可能不优于测试时间更多的车辆。因此,必须建立合适的算法综合计算调度时间,从而得到更优的调度方案。
发明内容
鉴于上述问题,本发明的目的在于提供一种基于状态编码优化的测试场车辆与场景匹配调度方法,旨在解决上述技术问题。
本发明采用如下技术方案:
所述基于状态编码优化的测试场车辆与场景匹配调度方法,包括下述步骤:
步骤S1、将测试车辆和测试场景进行编码,建立测试车辆向量和测试场景向量,形成车辆-场景的联合状态矩阵,根据所述联合状态矩阵判断当前空闲的测试场景;
步骤S2、建立测试车辆在测试场景的剩余测试时间矩阵和转场时间矩阵,根据空闲测试场景,计算最小剩余测试时间与转场时间和的最小值,即时间和最小值;
步骤S3、根据时间和最小值更新联合状态矩阵;
步骤S4、以寻求最优的时间和最小值,利用整数规划遗传算法并行迭代所述联合状态矩阵,得到最优联合状态矩阵。
本发明的有益效果是:本发明提供一种更为合理地表示测试场中测试车辆与测试场景之间的调度矩阵,即联合状态矩阵,以剩余测试时间和转场时间进行综合优化,形成以此联合状态矩阵为基础的调度优化算法模型,最后采用适宜求解此类整数规划问题的遗传算法进行求解,求解结果能快速获得易于可视化理解的矩阵调度方案。本发明方案能够为测试场车辆测试调度系统提供更为节省人力物力的调度,为智能测试场建设提供一种新的优选方案。
附图说明
图1是本发明实施例提供的基于状态编码优化的测试场车辆与场景匹配调度方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,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。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
如图1所示,本实施例提供基于状态编码优化的测试场车辆与场景匹配调度方法,包括下述步骤:
步骤S1、将测试车辆和测试场景进行编码,建立测试车辆向量和测试场景向量,形成车辆-场景的联合状态矩阵,根据所述联合状态矩阵判断当前空闲的测试场景。
本步骤实现了通过所建立测试车辆向量与测试场景向量形成的联合状态矩阵,自动化判断空闲测试场,具体实现过程如下:
S11、将测试车辆进行编码,得到测试车辆向量;将测试场景进行编码,得到测试场景向量;其中测试车辆数量为m个,备选的测试场景数量为n个,若第r辆车在第z个测试场景测试,则测试车辆向量为第r项为1其他为0的m维向量,测试场景向量为第z项为1其他为0的n维向量,将测试车辆向量和测试场景向量联合拼接后,即为第r辆车的测试状态向量。
假设测试车辆数量为m个,备选的测试场景数量为n个,则第一辆车可以编码为测试车辆向量,假设第1辆测试辆车在第2个测试场景进行测试,则第一辆车的测试场景编码为测试场景向量/>,将测试车辆向量和测试场景向量联合拼接后,即为第1辆车的测试状态向量,如下:
。
S12、将所有车辆的测试状态向量组成维度为m×(m+n)的车辆-场景的联合状态矩阵M。
在得到所有车辆的测试状态向量后,按照顺序上下组合,即可得到联合状态矩阵M。
比如,继续假设第2辆在第一个测试场景,第m辆车在第3个测试场景,其它车辆的状态依次类推,这里省略。这样此状态下所有车辆形成的联合状态矩阵如下:
。
S13、根据所述联合状态矩阵判断当前空闲的测试场景,即对联合状态矩阵M,n个测试场景能容纳车辆数量的向量为,若矩阵M第j的元素之和小于aj,即/>,则第(j-m)个测试场景为空闲。
假设,此时每个测试场景仅能容纳一辆车进行测试,当该测试场景空闲时,联合状态矩阵M的后n列中,若存在一列的元素值之和为0 ,则这一列对于的测试场景为空闲。即对于联合状态矩阵M,当第j列满足,且其所有行元素值的和为零,即一列的和为0,表示为:/>,此时第(j-m)个测试场景空闲。
同理,如果n个测试场景能容纳车辆数量分别为a1至an,即组成向量为,则此时依次计算是否满足/>,若满足,则第(j-m)个测试场景空闲。这里Ai-m表示向量A的第i-m个元素。
步骤S2、建立测试车辆在测试场景的剩余测试时间矩阵和转场时间矩阵,根据空闲测试场景,计算最小剩余测试时间与转场时间和的最小值,即时间和最小值。
本步骤通过建立两个时间矩阵,通过时间叠加计算时间和最小值,具体过程如下:
S21、根据联合状态矩阵和车辆的剩余测试时间,建立剩余测试时间矩阵,具体的,将联合状态矩阵中,代表各车辆所在测试场景的元素值1更新为对应的剩余测试时间,即可得到剩余测试时间矩阵。
还是以S12得到的联合状态矩阵为例。获取各车辆的剩余测试时间,比如第1辆、第2辆和第m辆车的剩余测试时间为,/>,/>,其他车辆以此类推,这里省略,得到所有车辆的剩余测试时间矩阵表示如下:
。
S22、建立转场时间矩阵,其维度为n×n,如果第s个测试场景与第v个测试场景联通,则转场时间矩阵的第s行第v列以及第v行第s列的元素为相应的转场时间。
转场时间矩阵为U,假设对于第1个测试场景、第2个测试场景和第个测试场景仅与第n个测试场景联通,转场时间用t转表示,其他测试场景的联通关系这里省略。那么转场时间矩阵U可表示为:
。
S23、根据空闲测试场景,计算时间和最小值,具体过程为:
当前的空闲测试场景数量为q,将剩余测试时间从小到大进行排序,取前q个剩余测试时间,先计算各剩余测试时间分别与所有转场时间的和,然后取所有的计算结果的最小值作为所述时间和最小值。
前述已经举例假设,/>,/>等剩余测试时间。为了方便后续举例计算时间和最小值,当前的的空闲测试场景数量为q,转场时间有p个,假设剩余测试时间从小到大进行排序分别为/>,取前q个剩余测试时间,即t1至tq,则计算时间和最小值可表示为:
。
步骤S3、根据时间和最小值更新联合状态矩阵。
具体的,在联合状态矩阵中,将时间和最小值对应车辆在矩阵中的所在测试场景更新为0,并将对应联通的测试场景更新为1。
假设计算时间和最小值时,所对应的剩余测试时间为第1辆车,则先将所在的测试场景更新为0,即,然后将时间和最小值对应联通的测试场景更新为1,比如联通的即将进入的测试场景是第n个测试场景,将其更新为1,表示如下:
。
形成新的联合状态矩阵如下:
。
步骤S4、以寻求最优的时间和最小值,利用整数规划遗传算法并行迭代所述联合状态矩阵,得到最优联合状态矩阵。
为了寻找时间和最小值的最优解,可以重复上述S13之后的部分,再次得到新的联合状态矩阵。但是对于调度要求实时性较高,因此需要更好的寻优过程提升以计算效率。本步骤通过DNA遗传算法随机模拟,计算优化调度模型。
具体过程如下:
S41、输入遗传参数,包括种群规模、交叉概率/>、变异概率/>、倒位概率/>;
S42、初始产生个DNA链形成初始群体,即如步骤S12所示的联合状态矩阵,并按照S13所示的空闲判断方式判断这些DNA链存在空闲测试场景的可行性;
S43、计算适应度:将群体中的每一个DNA链的密码子根据密码表翻译成参数值,然后按照S2所示方法计算个体的适应度,即时间和最小值;
S44、选择:按一定的概率从DNA链群体中选出m个DNA链个体,作为双亲用于繁殖后代,然后按照S13所示方法验证这些后代存在空闲测试场景的可行性,将满足可行性的新个体加入下一代;
S45、对DNA链进行交叉、变异和倒位运算,其中仍需用S13所示方法验证这些DNA链存在空闲测试场景的可行性;
S46、将产生的新一代DNA链群体重复步骤S43-S45进行迭代,直到满足收敛条件为止,最终得到的链群体即为最优联合状态矩阵。
由于DNA遗传算法是现有方法,本发明通过采用DNA遗传算法来求解最优解的问题,这里不再对DNA遗传算法具体过程赘述。
综上,本发明将最小化剩余测试时间和转场时间的和作为优化目标建立调度优化模型,然后采用DNA遗传算法进行求解,能够提升计算效率,实现实时调度需求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于状态编码优化的测试场车辆与场景匹配调度方法,其特征在于,所述方法包括下述步骤:
步骤S1、将测试车辆和测试场景进行编码,建立测试车辆向量和测试场景向量,形成车辆-场景的联合状态矩阵,根据所述联合状态矩阵判断当前空闲的测试场景;
步骤S2、建立测试车辆在测试场景的剩余测试时间矩阵和转场时间矩阵,根据空闲测试场景,计算剩余测试时间与转场时间和的最小值,即时间和最小值;
步骤S3、根据时间和最小值更新联合状态矩阵;
步骤S4、以寻求最优的时间和最小值,利用整数规划遗传算法并行迭代所述联合状态矩阵,得到最优联合状态矩阵;
其中所述步骤S1具体过程如下:
S11、将测试车辆进行编码,得到测试车辆向量;将测试场景进行编码,得到测试场景向量;其中测试车辆数量为m个,备选的测试场景数量为n个,若第r辆车在第z个测试场景测试,则测试车辆向量为第r项为1其他为0的m维向量,测试场景向量为第z项为1其他为0的n维向量,将测试车辆向量和测试场景向量联合拼接后,即为第r辆车的测试状态向量;
S12、将所有车辆的测试状态向量组成维度为m×(m+n)的车辆-场景的联合状态矩阵M;
S13、根据所述联合状态矩阵判断当前空闲的测试场景,即对联合状态矩阵M,n个测试场景能容纳车辆数量的向量为,若矩阵M第j列的元素之和小于aj,即/>,则第(j-m)个测试场景为空闲;
所述步骤S2具体过程如下:
S21、根据联合状态矩阵和车辆的剩余测试时间,建立剩余测试时间矩阵,具体的,将联合状态矩阵中,代表各车辆所在测试场景的元素值1更新为对应的剩余测试时间,即可得到剩余测试时间矩阵;
S22、建立转场时间矩阵,其维度为n×n,如果第s个测试场景与第v个测试场景联通,则转场时间矩阵的第s行第v列以及第v行第s列的元素为相应的转场时间;
S23、根据空闲测试场景,计算时间和最小值,具体过程为:
当前的空闲测试场景数量为q,将剩余测试时间从小到大进行排序,取前q个剩余测试时间,先计算各剩余测试时间分别与所有转场时间的和,然后取所有的计算结果的最小值作为所述时间和最小值;
所述步骤S3具体过程如下:在联合状态矩阵中,将时间和最小值对应车辆在矩阵中的所在测试场景更新为0,并将对应联通的测试场景更新为1;
步骤S4中,所述整数规划遗传算法为DNA遗传算法,步骤S4的具体过程如下:
S41、输入遗传参数,包括种群规模、交叉概率/>、变异概率/>、倒位概率/>;
S42、初始产生个DNA链形成初始群体,即联合状态矩阵,并判断这些DNA链存在空闲测试场景的可行性;
S43、计算适应度:将群体中的每一个DNA链的密码子根据密码表翻译成参数值,然后计算个体的适应度,即时间和最小值;
S44、选择:按一定的概率从DNA链群体中选出m个DNA链个体,作为双亲用于繁殖后代,然后验证这些后代存在空闲测试场景的可行性,将满足可行性的新个体加入下一代;
S45、对DNA链进行交叉、变异和倒位运算,其中仍需验证这些DNA链存在空闲测试场景的可行性;
S46、将产生的新一代DNA链群体重复步骤S43-S45进行迭代,直到满足收敛条件为止,最终得到的链群体即为最优联合状态矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311461351.8A CN117196262B (zh) | 2023-11-06 | 2023-11-06 | 一种基于状态编码优化的测试场车辆与场景匹配调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311461351.8A CN117196262B (zh) | 2023-11-06 | 2023-11-06 | 一种基于状态编码优化的测试场车辆与场景匹配调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117196262A CN117196262A (zh) | 2023-12-08 |
CN117196262B true CN117196262B (zh) | 2024-02-13 |
Family
ID=88987233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311461351.8A Active CN117196262B (zh) | 2023-11-06 | 2023-11-06 | 一种基于状态编码优化的测试场车辆与场景匹配调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196262B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949604A (zh) * | 2019-04-01 | 2019-06-28 | 南京邮电大学 | 一种大型停车场调度导航方法、系统以及使用方法 |
CN111735639A (zh) * | 2020-05-26 | 2020-10-02 | 清华大学苏州汽车研究院(相城) | 一种面向智能网联汽车示范区的自动驾驶场景最小集生成方法 |
CN112466123A (zh) * | 2021-02-02 | 2021-03-09 | 四川紫荆花开智能网联汽车科技有限公司 | 智能网联汽车测试场景在封闭测试场的布置方法 |
CN113158560A (zh) * | 2021-04-09 | 2021-07-23 | 中国科学院合肥物质科学研究院 | 一种基于场景对抗的智能驾驶车辆自主能力测试方法 |
CN113743788A (zh) * | 2021-09-06 | 2021-12-03 | 爱动超越人工智能科技(北京)有限责任公司 | 一种基于改进遗传算法的工业车辆调度方法 |
CN114166520A (zh) * | 2021-08-27 | 2022-03-11 | 东风汽车集团股份有限公司 | 汽车adas场景识别功能的测试方法 |
WO2022133090A1 (en) * | 2020-12-17 | 2022-06-23 | Intel Corporation | Adaptive generation and assessment of autonomous vehicle critical scenarios |
WO2022262469A1 (zh) * | 2021-06-18 | 2022-12-22 | 重庆邮电大学工业互联网研究院 | 一种基于博弈论的工业园区物流调度方法及系统 |
CN115691134A (zh) * | 2022-10-31 | 2023-02-03 | 吉林大学 | 一种基于对抗生成网络的智能汽车测试场景库构建方法 |
WO2023059994A1 (en) * | 2021-10-08 | 2023-04-13 | Cummins Inc. | Management and optimization of freight delivery vehicle fleets |
CN116631217A (zh) * | 2023-05-19 | 2023-08-22 | 河南城建学院 | 基于A-Star算法的超大型智慧停车场停取车动态诱导方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310014B (zh) * | 2019-06-05 | 2022-05-03 | 清华大学 | 基于过渡矩阵的泛在电力物联网分布式经济调度方法 |
CN114090404B (zh) * | 2021-11-24 | 2024-05-14 | 吉林大学 | 一种考虑效率和覆盖度的自动驾驶加速测试方法 |
-
2023
- 2023-11-06 CN CN202311461351.8A patent/CN117196262B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949604A (zh) * | 2019-04-01 | 2019-06-28 | 南京邮电大学 | 一种大型停车场调度导航方法、系统以及使用方法 |
CN111735639A (zh) * | 2020-05-26 | 2020-10-02 | 清华大学苏州汽车研究院(相城) | 一种面向智能网联汽车示范区的自动驾驶场景最小集生成方法 |
WO2022133090A1 (en) * | 2020-12-17 | 2022-06-23 | Intel Corporation | Adaptive generation and assessment of autonomous vehicle critical scenarios |
CN112466123A (zh) * | 2021-02-02 | 2021-03-09 | 四川紫荆花开智能网联汽车科技有限公司 | 智能网联汽车测试场景在封闭测试场的布置方法 |
CN113158560A (zh) * | 2021-04-09 | 2021-07-23 | 中国科学院合肥物质科学研究院 | 一种基于场景对抗的智能驾驶车辆自主能力测试方法 |
WO2022262469A1 (zh) * | 2021-06-18 | 2022-12-22 | 重庆邮电大学工业互联网研究院 | 一种基于博弈论的工业园区物流调度方法及系统 |
CN114166520A (zh) * | 2021-08-27 | 2022-03-11 | 东风汽车集团股份有限公司 | 汽车adas场景识别功能的测试方法 |
CN113743788A (zh) * | 2021-09-06 | 2021-12-03 | 爱动超越人工智能科技(北京)有限责任公司 | 一种基于改进遗传算法的工业车辆调度方法 |
WO2023059994A1 (en) * | 2021-10-08 | 2023-04-13 | Cummins Inc. | Management and optimization of freight delivery vehicle fleets |
CN115691134A (zh) * | 2022-10-31 | 2023-02-03 | 吉林大学 | 一种基于对抗生成网络的智能汽车测试场景库构建方法 |
CN116631217A (zh) * | 2023-05-19 | 2023-08-22 | 河南城建学院 | 基于A-Star算法的超大型智慧停车场停取车动态诱导方法 |
Non-Patent Citations (2)
Title |
---|
最小最大车辆路径问题的动态自适应蚁群优化算法;葛斌等;模式识别与人工智能(第10期);第930-938页 * |
装备系统转场时间计算方法研究;郭霖瀚等;兵工自动化(第11期);第89-92页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117196262A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111710375B (zh) | 一种分子性质预测方法及系统 | |
Dowlatshahi et al. | A discrete gravitational search algorithm for solving combinatorial optimization problems | |
EP3422261A1 (en) | Global optimization, searching and machine learning method based on lamarck acquired genetic principle | |
CN112396181A (zh) | 一种卷积神经网络通用压缩架构的自动剪枝方法及平台 | |
CN110689920A (zh) | 一种基于深度学习的蛋白质-配体结合位点预测算法 | |
CN112232511B (zh) | 面向多任务的预训练语言模型自动压缩方法及平台 | |
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 | |
CN113128432B (zh) | 基于演化计算的机器视觉多任务神经网络架构搜索方法 | |
CN114038517A (zh) | 一种基于对比学习的自监督图神经网络预训练方法 | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN112860411A (zh) | 一种基于模型压缩和服务分发的边缘计算方法及系统 | |
CN112634992A (zh) | 分子性质预测方法及其模型的训练方法及相关装置、设备 | |
CN111832637B (zh) | 基于交替方向乘子法admm的分布式深度学习分类方法 | |
CN116362325A (zh) | 一种基于模型压缩的电力图像识别模型轻量化应用方法 | |
Thamilselvan et al. | Integration of genetic algorithm with tabu search for job shop scheduling with unordered subsequence exchange crossover | |
Berglund et al. | New Calabi–Yau manifolds from genetic algorithms | |
CN113660676A (zh) | 基站流量预测方法、系统、存储介质及设备 | |
Tian et al. | A dynamic job-shop scheduling model based on deep learning. | |
CN117196262B (zh) | 一种基于状态编码优化的测试场车辆与场景匹配调度方法 | |
CN113611354A (zh) | 一种基于轻量级深度卷积网络的蛋白质扭转角预测方法 | |
CN117669874A (zh) | 一种基于qpso的电网规划数据失真智能识别方法及系统 | |
CN116403090A (zh) | 一种基于动态锚框和Transformer的小尺寸目标检测方法 | |
Monov et al. | Improving Efficiency of Routing Transportation Equipment using Genetic Algorithms | |
CN116227311A (zh) | 一种改进的基于差分进化的亨利气体溶解度优化方法 | |
CN116959555A (zh) | 基于蛋白质三维结构进行化合物-蛋白质亲和力预测的方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |