CN117970805A - 一种面向大规模工业过程的分布式模型预测控制方法 - Google Patents
一种面向大规模工业过程的分布式模型预测控制方法 Download PDFInfo
- Publication number
- CN117970805A CN117970805A CN202410137601.0A CN202410137601A CN117970805A CN 117970805 A CN117970805 A CN 117970805A CN 202410137601 A CN202410137601 A CN 202410137601A CN 117970805 A CN117970805 A CN 117970805A
- Authority
- CN
- China
- Prior art keywords
- control
- subsystems
- industrial process
- scale industrial
- distributed
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及大规模工业过程控制技术领域，具体公开了一种面向大规模工业过程的分布式模型预测控制方法，包括：S1：将大规模工业过程分为多个相对独立的子系统，根据子系统将集中目标解析分解；S2：根据分解结果设计控制器，并使其能够根据局部目标和约束条件来生成控制指令；S3：将控制器划分到不同的组，建立协调方案来实现控制器间的实时通讯或信息交换；本发明将复杂的大规模工业过程的实时问题求解分散到各个子系统中去分布式实现，同时各个子系统之间通过网络进行通信和信息共享，采用协同控制结合分布式优化集成子系统控制行为和全局优化，从而降低了问题的规模和复杂性，提高系统的鲁棒性、稳定性和性能，并降低计算负载和通信开销。
Description
技术领域
本发明属于大规模工业过程控制技术领域，具体涉及一种面向大规模工业过程的分布式模型预测控制方法。
背景技术
随着计算机网络的迅速发展，控制作为一种信息处理手段已不限于集中式的控制，而更多地为分布式控制所取代，这就给传统的控制问题带来了新的挑战和要求。预测控制作为一种先进的过程控制方法已被广泛地应用在各种工业过程中，实际系统中大量而广泛存在的是复杂高维的大规模系统，其变量和约束的数目常常是几十个甚至是上百个，对于这样一类大规模预测控制的在线实现问题就显得十分重要。
如果采用集中式的整体求解，对计算机的性能和处理速度等要求很高，而在实际工业系统中必须考虑经济性，因此人们更愿意采用多台廉价的微机取代高性能计算机对复杂的工业对象进行控制，同时希望保持良好的控制性能，通信网络的建立和现场总线的发展为这种需求提供了可能性。虽然计算机计算力也在不断增强，但是针对大规模工业过程的分布式模型预测控制问题的高效求解仍然是很多要求实时工程控制的应用场景下的难题。
因此，有必要提出一种面向大规模工业过程的分布式模型预测控制方法，以至少部分地解决现有技术中存在的问题。
本背景技术所公开的上述信息仅仅用于增加对本发明背景技术的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术。
发明内容
本发明的目的在于提供一种面向大规模工业过程的分布式模型预测控制方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种面向大规模工业过程的分布式模型预测控制方法，包括：
S1：将大规模工业过程分为多个相对独立的子系统，根据子系统将集中目标解析分解；
S2：根据分解结果设计控制器，并使其能够根据局部目标和约束条件来生成控制指令；
S3：将控制器划分到不同的组，建立协调方案来实现控制器间的实时通讯或信息交换；
S4：通过协同控制方式协调各个子系统的控制行为，实现整体系统的目标和约束条件；
S5：采用分布式控制协议确保各个子系统之间的同步性和稳定性，并进行分布式优化；
S6：将各个控制器和协同控制方式进行集成，并进行系统级的调试和验证。
优选的，所述解析分解将控制目标细分为不同的控制问题，并将其与对应子系统关联起来，所述在S1中采用相关性分析将工业过程分解为不同的子系统，所述在S1中子系统之间通过网络进行通信和信息共享。
优选的，所述每个子系统可以是一个独立的工艺单元、设备或控制回路，划分的目的是将系统分解为多个可并行计算的子任务，所述在分析工业过程时对整个系统进行建模，包含各个子系统之间的关系和相互作用，可以使用物理模型、离散时间模型或数据驱动的模型进行建模。
优选的，所述在S2中对于每个控制问题设计一个对应的控制器，所述局部目标与控制问题是相对应的，且约束条件基于局部目标对控制问题的处理方式进行约束，所述在S2中根据大规模工业过程的目标和整体条件对子系统的控制指令进行计算得到全局的最优控制指令。
优选的，所述控制器设计的目的是求解使局部控制系统的性能最优的解值，若整体系统较为复杂或子系统数据较多，可设计中央控制器用于协调各个子系统的控制行为，所述在计算最优控制指令可以通过优化算法来实现，优选算法的选择根据子系统的相关性来确定采用线性或非线性优化算法。
优选的，所述在S3中控制器间信息的交换程度与控制行为的整体成本相平衡，所述协调方案中将闭环控制行为相对输出测量值的灵敏度作为标准来确定该输出测量值是否对控制器组有用，所述协调方案包括迭代求解、控制行为选择、控制问题修改和自动学习。
优选的，所述信息交换包括状态变量、控制指令、优化问题和其他相关信息，通过实时数据传输或消息传递的方式实现。
优选的，所述迭代求解是指每一个控制器在考虑到相邻控制器决策的同时不停地修改自己的决策，所述控制行为选择在多数决策是正确的情况下通过其他控制器来决定本控制器的控制行为，所述控制问题修改是指根据需要对控制问题进行不同情况、程度的修改，所述自动学习可以提高有效性，扩宽应用范围及提高协同方案的适应性。
优选的，所述在S4中根据最优控制指令结合子系统之间的相互作用来进行协同控制，所述在S4中实时获取各个子系统进行控制行为的反馈信息，并以此对协同控制进行反向调整，所述在反向调整时以实现整体系统的目标和约束条件为基准，确定变动子系统的控制行为并考虑其与相邻子系统之间的关联性。
优选的，所述分布式控制协议根据协同控制结合分布式模型进行制定，所述分布式控制协议基于整体成本的平衡来调整不同控制器组之间的信息交换，所述在S5中分布式优化结合协同控制进行整体系统的优化，分解多个较小的优化问题并通过通信网络进行信息交换和协同求解。
优选的，所述分布式协议包括通信时间间隔的调度、数据同步机制、故障处理等，所述分布式优化中还可建立一个大规模的优化问题对整体系统进行信息整合与求解。
优选的，所述集成过程涉及控制器参数的调整、网络通信的验证，所述在S6中对整体系统性能进行验证，并通过验证反向调整控制器的参数与通信。
与现有技术相比，本发明的有益效果是：
本发明将复杂的大规模工业过程的实时问题求解分散到各个子系统中去分布式实现，同时各个子系统之间通过网络进行通信和信息共享，采用协同控制结合分布式优化集成子系统控制行为和全局优化，从而降低了问题的规模和复杂性，提高系统的鲁棒性、稳定性和性能，并降低计算负载和通信开销，提高系统控制性能。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
图1为本发明的方法流程图。
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。
实施例：
请参阅图1所示，一种面向大规模工业过程的分布式模型预测控制方法，包括：
S1：将大规模工业过程分为多个相对独立的子系统，根据子系统将集中目标解析分解；
S2：根据分解结果设计控制器，并使其能够根据局部目标和约束条件来生成控制指令；
S3：将控制器划分到不同的组，建立协调方案来实现控制器间的实时通讯或信息交换；
S4：通过协同控制方式协调各个子系统的控制行为，实现整体系统的目标和约束条件；
S5：采用分布式控制协议确保各个子系统之间的同步性和稳定性，并进行分布式优化；
S6：将各个控制器和协同控制方式进行集成，并进行系统级的调试和验证。
解析分解将控制目标细分为不同的控制问题，并将其与对应子系统关联起来，在S1中采用相关性分析将工业过程分解为不同的子系统，在S1中子系统之间通过网络进行通信和信息共享。
在S2中对于每个控制问题设计一个对应的控制器，局部目标与控制问题是相对应的，且约束条件基于局部目标对控制问题的处理方式进行约束，在S2中根据大规模工业过程的目标和整体条件对子系统的控制指令进行计算得到全局的最优控制指令。
在S3中控制器间信息的交换程度与控制行为的整体成本相平衡，协调方案中将闭环控制行为相对输出测量值的灵敏度作为标准来确定该输出测量值是否对控制器组有用，协调方案包括迭代求解、控制行为选择、控制问题修改和自动学习。
迭代求解是指每一个控制器在考虑到相邻控制器决策的同时不停地修改自己的决策，控制行为选择在多数决策是正确的情况下通过其他控制器来决定本控制器的控制行为，控制问题修改是指根据需要对控制问题进行不同情况、程度的修改，自动学习可以提高有效性，扩宽应用范围及提高协同方案的适应性。
在S4中根据最优控制指令结合子系统之间的相互作用来进行协同控制，在S4中实时获取各个子系统进行控制行为的反馈信息，并以此对协同控制进行反向调整，在反向调整时以实现整体系统的目标和约束条件为基准，确定变动子系统的控制行为并考虑其与相邻子系统之间的关联性。
分布式控制协议根据协同控制结合分布式模型进行制定，分布式控制协议基于整体成本的平衡来调整不同控制器组之间的信息交换，在S5中分布式优化结合协同控制进行整体系统的优化，分解多个较小的优化问题并通过通信网络进行信息交换和协同求解。
集成过程涉及控制器参数的调整、网络通信的验证，所述在S6中对整体系统性能进行验证，并通过验证反向调整控制器的参数与通信。
考虑一个由M个子系统构成的复杂生产过程，在分布式模型预测控制策略中，子系统i的优化性能指标可以写为：wr和Φr分别为第r个子系统的权值和目标函数，ui表示子系统i的控制变量，xr(k)表示第r个子系统的状态变量，该子系统相对应的约束条件为：ui(tk)∈Ωi k≤t≤k+N-1式中，N为控制时域。
在不同的工况下分布式模型预测控制算法的控制对象可分为三类：1)各子系统间动态独立，它们的局部状态及控制变量在优化性能目标中具有相关性；2)各子系统动态及目标函数与其它子系统均不相关，仅靠关联约束条件将子系统的状态及输入变量联系到一起，即优化性能目标中子系统i的目标函数仅受其本身的状态变量xi及控制变量ui影响，可改写为3)各子系统间动态具有相关性，且它们的局部状态及控制变量在优化性能目标中也有相关性。
假设子系统Gi的状态的反馈矩阵为Kii，对子系统Gi有影响的其他子系统的状态量的反馈矩阵为Kij，则在采样间隔[tk,tk+1]内，子系统Gi的控制律是：
同样的，子系统Gj的状态反馈控制律为uj(t)＝Kjkxj(tk)，下角标k表示是在根据采样时刻tk的状态量计算得到的状态反馈矩阵。
由上可知，本发明将复杂的大规模工业过程的实时问题求解分散到各个子系统中去分布式实现，同时各个子系统之间通过网络进行通信和信息共享，采用协同控制结合分布式优化集成子系统控制行为和全局优化，从而降低了问题的规模和复杂性，提高系统的鲁棒性、稳定性和性能，并降低计算负载和通信开销，提高系统控制性能。
在本说明书的描述中，参考术语“一个实施例”“一些实施例”“示例”“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本发明公开实施例附图中，只涉及与本发明公开实施例所涉及的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明范围由所附权利要求及其等同物限定。
Claims (8)
1.一种面向大规模工业过程的分布式模型预测控制方法，其特征在于，包括：
S1：将大规模工业过程分为多个相对独立的子系统，根据子系统将集中目标解析分解；
S2：根据分解结果设计控制器，并使其能够根据局部目标和约束条件来生成控制指令；
S3：将控制器划分到不同的组，建立协调方案来实现控制器间的实时通讯或信息交换；
S4：通过协同控制方式协调各个子系统的控制行为，实现整体系统的目标和约束条件；
S5：采用分布式控制协议确保各个子系统之间的同步性和稳定性，并进行分布式优化；
S6：将各个控制器和协同控制方式进行集成，并进行系统级的调试和验证。
2.根据权利要求1所述的一种面向大规模工业过程的分布式模型预测控制方法，其特征在于：所述解析分解将控制目标细分为不同的控制问题，并将其与对应子系统关联起来，所述在S1中采用相关性分析将工业过程分解为不同的子系统，所述在S1中子系统之间通过网络进行通信和信息共享。
3.根据权利要求2所述的一种面向大规模工业过程的分布式模型预测控制方法，其特征在于：所述在S2中对于每个控制问题设计一个对应的控制器，所述局部目标与控制问题是相对应的，且约束条件基于局部目标对控制问题的处理方式进行约束，所述在S2中根据大规模工业过程的目标和整体条件对子系统的控制指令进行计算得到全局的最优控制指令。
4.根据权利要求3所述的一种面向大规模工业过程的分布式模型预测控制方法，其特征在于：所述在S3中控制器间信息的交换程度与控制行为的整体成本相平衡，所述协调方案中将闭环控制行为相对输出测量值的灵敏度作为标准来确定该输出测量值是否对控制器组有用，所述协调方案包括迭代求解、控制行为选择、控制问题修改和自动学习。
5.根据权利要求4所述的一种面向大规模工业过程的分布式模型预测控制方法，其特征在于：所述迭代求解是指每一个控制器在考虑到相邻控制器决策的同时不停地修改自己的决策，所述控制行为选择在多数决策是正确的情况下通过其他控制器来决定本控制器的控制行为，所述控制问题修改是指根据需要对控制问题进行不同情况、程度的修改，所述自动学习可以提高有效性，扩宽应用范围及提高协同方案的适应性。
6.根据权利要求5所述的一种面向大规模工业过程的分布式模型预测控制方法，其特征在于：所述在S4中根据最优控制指令结合子系统之间的相互作用来进行协同控制，所述在S4中实时获取各个子系统进行控制行为的反馈信息，并以此对协同控制进行反向调整，所述在反向调整时以实现整体系统的目标和约束条件为基准，确定变动子系统的控制行为并考虑其与相邻子系统之间的关联性。
7.根据权利要求6所述的一种面向大规模工业过程的分布式模型预测控制方法，其特征在于：所述分布式控制协议根据协同控制结合分布式模型进行制定，所述分布式控制协议基于整体成本的平衡来调整不同控制器组之间的信息交换，所述在S5中分布式优化结合协同控制进行整体系统的优化，分解多个较小的优化问题并通过通信网络进行信息交换和协同求解。
8.根据权利要求7所述的一种面向大规模工业过程的分布式模型预测控制方法，其特征在于：所述集成过程涉及控制器参数的调整、网络通信的验证，所述在S6中对整体系统性能进行验证，并通过验证反向调整控制器的参数与通信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137601.0A CN117970805A (zh) | 2024-02-01 | 2024-02-01 | 一种面向大规模工业过程的分布式模型预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137601.0A CN117970805A (zh) | 2024-02-01 | 2024-02-01 | 一种面向大规模工业过程的分布式模型预测控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117970805A true CN117970805A (zh) | 2024-05-03 |
Family
ID=90864278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410137601.0A Pending CN117970805A (zh) | 2024-02-01 | 2024-02-01 | 一种面向大规模工业过程的分布式模型预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117970805A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170111223A1 (en) * | 2015-10-16 | 2017-04-20 | California Institute Of Technology | Data Network Controlled and Optimized Using Layered Architectures |
| CN109388062A (zh) * | 2018-04-18 | 2019-02-26 | 南京工业大学 | 一种基于系统分解指标的全局协调分布式预测控制算法 |
| CN114509998A (zh) * | 2022-01-18 | 2022-05-17 | 北京大学 | 一种面向大规模工业过程的分布式模型预测控制方法 |
| CN114757408A (zh) * | 2022-04-07 | 2022-07-15 | 桂林电子科技大学 | 基于改进分布式模型预测控制算法 |
| CN115333168A (zh) * | 2022-09-20 | 2022-11-11 | 浙江大学 | 一种基于分布式滚动优化的海上风电场场级控制策略 |
-
2024
- 2024-02-01 CN CN202410137601.0A patent/CN117970805A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170111223A1 (en) * | 2015-10-16 | 2017-04-20 | California Institute Of Technology | Data Network Controlled and Optimized Using Layered Architectures |
| CN109388062A (zh) * | 2018-04-18 | 2019-02-26 | 南京工业大学 | 一种基于系统分解指标的全局协调分布式预测控制算法 |
| CN114509998A (zh) * | 2022-01-18 | 2022-05-17 | 北京大学 | 一种面向大规模工业过程的分布式模型预测控制方法 |
| CN114757408A (zh) * | 2022-04-07 | 2022-07-15 | 桂林电子科技大学 | 基于改进分布式模型预测控制算法 |
| CN115333168A (zh) * | 2022-09-20 | 2022-11-11 | 浙江大学 | 一种基于分布式滚动优化的海上风电场场级控制策略 |
Non-Patent Citations (2)
| Title |
|---|
| 刘雨波;罗雄麟;许锋;: "分布式预测控制全局协调及稳定性分析", 化工学报, no. 04, 15 April 2013 (2013-04-15) * |
| 曾静;薛定宇;袁德成;: "分布式模型预测控制方法的研究", 系统仿真学报, no. 21, 5 November 2008 (2008-11-05) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | Control synthesis of continuous-time TS fuzzy systems with local nonlinear models | |
| Li et al. | An improved event-triggered communication mechanism and L∞ control co-design for network control systems | |
| Chen et al. | Necessary and sufficient conditions for group consensus of fractional multiagent systems under fixed and switching topologies via pinning control | |
| Jahromi et al. | Fundamentals of cyber-physical systems | |
| Zhong et al. | Automatically generating assembly sequences with an ontology-based approach | |
| Yu et al. | Almost sure consensus of stochastic nonlinear multi-agent systems via event-triggered control | |
| Jin et al. | Fuzzy small-gain approach for the distributed optimization of T–S fuzzy cyber–physical systems | |
| Jing et al. | Asynchronous distributed reinforcement learning for lqr control via zeroth-order block coordinate descent | |
| Yao et al. | Event-triggered finite-time adaptive fuzzy tracking control for stochastic nontriangular structure nonlinear systems | |
| CN117970805A (zh) | 一种面向大规模工业过程的分布式模型预测控制方法 | |
| CN114385601B (zh) | 基于超算的云边协同高通量海洋数据智能处理方法及系统 | |
| Yu et al. | A data-driven distributed adaptive control approach for nonlinear multi-agent systems | |
| Fan et al. | A coevolution algorithm based on two-staged strategy for constrained multi-objective problems | |
| Zhu et al. | Fully distributed event‐triggered formation control for multi‐agent systems with unknown disturbances | |
| Shi et al. | Two-dimensional model-free optimal tracking control for batch processes with packet loss | |
| Mu et al. | Robust observer design for TS fuzzy singular systems with unmeasurable premise variables and partially decoupled disturbances | |
| Cao et al. | Coordinated control of distributed multi-agent systems using event-triggered predictive control strategy | |
| Abyad et al. | Fuzzy Takagi-Sugeno based modelling and control for an alcoholic fermentation process | |
| Sancı et al. | Neural Network Based Adaptive Inverse Optimal Control for Non-Affine Nonlinear Systems | |
| Zheng et al. | Course scheduling algorithm based on improved binary cuckoo search | |
| Choinski et al. | Cooperative validation in distributed control systems design | |
| Wei et al. | Research on Parameter Optimization of Tracked Vehicle Transmission System Based on Genetic Algorithm | |
| Yin et al. | An optimal scheduling method for data resources of production process based on multicommunity collaborative search algorithm | |
| Gavrilov | Development of a wireless sensor network simulator using energy-efficient traffic routing methods | |
| Liu et al. | A large-scale multi-objective brain storm optimization algorithm based on direction vectors and variance analysis |
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 |