CN109343966B - 一种无人节点的集群组织方法及装置 - Google Patents
一种无人节点的集群组织方法及装置 Download PDFInfo
- Publication number
- CN109343966B CN109343966B CN201811294450.0A CN201811294450A CN109343966B CN 109343966 B CN109343966 B CN 109343966B CN 201811294450 A CN201811294450 A CN 201811294450A CN 109343966 B CN109343966 B CN 109343966B
- Authority
- CN
- China
- Prior art keywords
- unmanned
- task
- node
- determining
- fitness function
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种无人节点的集群组织方法及装置,涉及计算机领域。该方法包括:当确定满足任务约束的无人节点的数量为零时,根据适应度函数确定每个初始个体的第一适应度函数值和第二适应度函数值,根据轮盘赌旋转法得到第一复制种群;根据所述第一适应度函数值排序的初始个体,将第一复制种群内包括的多个第一复制个体进行交叉得到交叉个体;根据变异概率选择至少两个交叉个体进行变异,并确定变异个体的第三适应度函数值;当确定迭代次数达到设定值时,将最大的所述第三适应度函数值的所述变异个体确定为最优结果,当确定所述最优结果的基因编码为1时,确定与所述最优结果对应的无人节点加入任务联盟。
Description
技术领域
本发明涉及计算机领域,更具体的涉及一种无人节点的集群组织方法及装置。
背景技术
无人节点指的是包括无人机、机器人、无人车等在内的单一无人***,无人节点具有一定的通信、感知、自主行动、群体合作能力。无人节点群是由大量无人节点组成,具有规划、自组织、群体协同能力的,面向并行多任务的集群***。目前对于无人节点集群的研究主要涉及任务分配、协同算法、集群通信、等问题。然而对大规模无人节点集群的组织问题研究少之又少。随着无人节点集群中节点数量的不断增加及任务场景的动态变化,无人节点群的通信、控制、决策等难度不断增加,使得面向任务的无人节点集群组织的问题显得尤为重要。
并行任务驱动的无人节点群组织指的是依据不同无人节点的能力和资源,组织不同的无人节点协同完成多个任务。针对任务驱动的集群组织问题,目前的解决方法包括:1)基于角色的方法,该方法的核心思想是:组织管理者划分任务,建立角色集合,角色由子目标、能力需求、收益三个要素组成,然后进行角色招聘,无人节点提出期望承担的角色,由组织管理者决定角色的归属,最后组织管理者组织这些无人节点去完成各自的子目标;2)基于拍卖的方法,该方法的核心思想是:组织管理者划分任务,下达多个任务标书进行拍卖,任务标书由任务时间、地点、能力需求、约束四个要素组成,无人节点对标书进行评估,提交包含“任务适应度”的竞价信息,由组织管理者决定拍卖结果,最后组织管理者组织这些无人节点去完成各自的任务。
上述两种方法存在几个共同问题,一是无人节点可能无法单独完成子任务,需要将任务划分到足够小;二是角色、竞价信息难于刻画,难于实现,难于适用于现实应用场景;三是在规模较大的情况下,组织效率低,难于支撑规模化无人节点集群的应用。
发明内容
本发明实施例提供一种无人节点的集群组织方法及装置,用以解决现有技术并行任务驱动存在无人节点无法完成子任务,难于适用于现实应用场景以及组织效率低的问题。
本发明实施例提供一种无人节点的集群组织方法,包括:
当确定满足任务约束的无人节点的数量为零时,设定一个包括多个初始个体的初始种群,所述初始个体是一个包括多位二进制的基因编码;根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值,根据轮盘赌旋转法从所述初始种群内选择多个所述初始个体,得到第一复制种群;
通过交叉概率和根据所述第一适应度函数值排序的所述初始个体,将所述第一复制种群内包括的多个第一复制个体进行交叉,得到多个交叉个体;根据变异概率从多个所述交叉个体中选择至少两个所述交叉个体进行变异,并确定变异个体的第三适应度函数值;
当确定迭代次数达到设定值时,将具有最大的所述第三适应度函数值的所述变异个体确定为最优结果,当确定所述最优结果的基因编码为1时,确定与所述最优结果对应的无人节点加入任务联盟。
优选的,还包括:
当确定满足所述任务约束的所述无人节点的数量为多个时,确定多个所述无人节点的能力超出程度,将超出程度最低的所述无人节点确定为第一无人节点;其中,所述第一无人节点用于负责有所述任务约束的任务;
通过下列公式确定所述无人节点的能力超出程度:
CS=CL+CP
CP=(||perceptionNi||-||perceptionT||)*w2
其中,CL表示负载能力的超出程度,loadNi表示无人节点的负载能力值,loadT表示任务对负载能力的需求值,CP表示感知能力的超出程度,||perceptionNi||表示无人节点感知能力的总个数,||perceptionT||表示任务对感知能力需求的总个数,Nodes={Ni|i={1,2,3,...n}},Tasks={Ti|i={1,2,3,...m}},w1表示负载能力超出程度的权重,w2表示感知能力超出程度的权重。
优选的,采用五元组对所述无人节点进行描述:
Unmanned-Node=<Uid,Type,Capability,Location,State>
采用四元组对所述任务进行描述:
Task=<Tid,Location,Time,Capability>
其中,Uid表示无人节点的ID,Type表示无人节点类型,Capability表示无人节点的能力,Location表示无人节点的最大负载能力,State表示当前无人节点的状态;Tid表示任务ID,Location表示任务的空间位置信息,Time表示任务的时间约束,Capability表示任务的能力需求。
优选的,所述根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值,具体包括:
通过下列公式确定所述初始个体的第一适应度函数值:
f(Q)=cost(Q)+r1*P(Q)+r2*|H(Q)|
通过下列公式确定所述初始个体的第二适应度函数值:
newf(Qi)=maxValue=max(f(Qi))+100
所述根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值之后,还包括:
分别通过下列公式确定所述初始个体的选择概率和所述初始个体的累积概率:
其中,f(Q)表示初始个体Q的适应度,cost(Q)表示初始个体Q的成本,P(Q)表示初始个体Q在负载能力方面的惩罚值,H(Q)表示初始个体Q在感知能力方面的惩罚值,newf(Qi)所述初始个体的第二适应度函数值,P(Qi)为所述初始个体的选择概率,Sum(Qi)为所述初始个体的累积概率,r1表示负载能力惩罚值的权重,r2表示感知能力惩罚值的权重。
优选的,确定与所述最优结果对应的无人节点加入任务联盟之后,还包括:
当所述任务联盟内只包括一个所述无人节点时,确定所述无人节点为所述任务联盟的管理员;或者
当所述任务联盟包括多个所述无人节点时,按照能力值确定具有最大能力值的所述无人节点为所述任务联盟的管理员;
所述能力值公式如下所示:
scorei={loadi|perceptioni|}·{U1U2}T
其中,load表示无人节点的负载能力,|perception|表示无人节点感知能力的个数,U1表示负载能力的权重,U2表示感知能力的权重。
本发明实施例还提供一种无人节点的集群组织装置,包括:
得到单元,用于当确定满足任务约束的无人节点的数量为零时,设定一个包括多个初始个体的初始种群,所述初始个体是一个包括多位二进制的基因编码;根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值,根据轮盘赌旋转法从所述初始种群内选择多个所述初始个体,得到第一复制种群;
第一确定单元,用于通过交叉概率和根据所述第一适应度函数值排序的所述初始个体,将所述第一复制种群内包括的多个第一复制个体进行交叉,得到多个交叉个体;根据变异概率从多个所述交叉个体中选择至少两个所述交叉个体进行变异,并确定变异个体的第三适应度函数值;
第二确定单元,用于当确定迭代次数达到设定值时,将具有最大的所述第三适应度函数值的所述变异个体确定为最优结果,当确定所述最优结果的基因编码为1时,确定与所述最优结果对应的无人节点加入任务联盟。
优选的,还包括:第三确定单元,用于当确定满足所述任务约束的所述无人节点的数量为多个时,确定多个所述无人节点的能力超出程度,将超出程度最低的所述无人节点确定为第一无人节点;其中,所述第一无人节点用于负责有所述任务约束的任务;
通过下列公式确定所述无人节点的能力超出程度:
CS=CL+CP
CP=(||perceptionNi||-||perceptionT||)*w2
其中,CL表示负载能力的超出程度,loadNi表示无人节点的负载能力值,loadT表示任务对负载能力的需求值,CP表示感知能力的超出程度,||perceptionNi||表示无人节点感知能力的总个数,||perceptionT||表示任务对感知能力需求的总个数,Nodes={Ni|i={1,2,3,...n}},Tasks={Ti|i={1,2,3,...m}},w1表示负载能力超出程度的权重,w2表示感知能力超出程度的权重。
优选的,采用五元组对所述无人节点进行描述:
Unmanned-Node=<Uid,Type,Capability,Location,State>
采用四元组对所述任务进行描述:
Task=<Tid,Location,Time,Capability>
其中,Uid表示无人节点的ID,Type表示无人节点类型,Capability表示无人节点的能力,Location表示无人节点的最大负载能力,State表示当前无人节点的状态;Tid表示任务ID,Location表示任务的空间位置信息,Time表示任务的时间约束,Capability表示任务的能力需求。
优选的,所述第一确定单元具体用于:
通过下列公式确定所述初始个体的第一适应度函数值:
f(Q)=cost(Q)+r1*P(Q)+r2*|H(Q)|
通过下列公式确定所述初始个体的第二适应度函数值:
newf(Qi)=maxValue=max(f(Qi))+100
所述根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值之后,还包括:
分别通过下列公式确定所述初始个体的选择概率和所述初始个体的累积概率:
其中,f(Q)表示初始个体Q的适应度,cost(Q)表示初始个体Q的成本,P(Q)表示初始个体Q在负载能力方面的惩罚值,H(Q)表示初始个体Q在感知能力方面的惩罚值,newf(Qi)所述初始个体的第二适应度函数值,P(Qi)为所述初始个体的选择概率,Sum(Qi)为所述初始个体的累积概率。
优选的,所述第二确定单元还用于:
当所述任务联盟内只包括一个所述无人节点时,确定所述无人节点为所述任务联盟的管理员;或者
当所述任务联盟包括多个所述无人节点时,按照能力值确定具有最大能力值的所述无人节点为所述任务联盟的管理员;
所述能力值公式如下所示:
scorei={loadi|perceptioni|}·{U1U2}T
其中,load表示无人节点的负载能力,|perception|表示无人节点感知能力的个数,U1表示负载能力的权重,U2表示感知能力的权重。
本发明实施例提供一种无人节点的集群组织方法,包括:当确定满足任务约束的无人节点的数量为零时,设定一个包括多个初始个体的初始种群,所述初始个体是一个包括多位二进制的基因编码;根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值,根据轮盘赌旋转法从所述初始种群内选择多个所述初始个体,得到第一复制种群;通过交叉概率和根据所述第一适应度函数值排序的所述初始个体,将所述第一复制种群内包括的多个第一复制个体进行交叉,得到多个交叉个体;根据变异概率从多个所述交叉个体中选择至少两个所述交叉个体进行变异,并确定变异个体的第三适应度函数值;当确定迭代次数达到设定值时,将具有最大的所述第三适应度函数值的所述变异个体确定为最优结果,当确定所述最优结果的基因编码为1时,确定与所述最优结果对应的无人节点加入任务联盟。该方法中,当确认没有满足任务要求的无人节点时,通过遗传算法可以为任务选择一个或者多个无人节点,从而解决了现有并行任务驱动存在无人节点无法达到完成子任务,难于适用于现实应用场景以及组织效率低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例提供的一种无人节点的集群组织方法流程示意图;
图2为本发明实施例提供的一种确认满足任务约束的无人节点方法流程示意图;
图3为本发明实施例提供的复制个体1和复制个体2选择两个基因位置进行交叉示意图;
图4为本发明实施例提供的任务联盟结构示意图;
图5为本发明实施例提供的一种无人节点的集群组织装置结构示意图。
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。
图1示例性的示出了本发明实施例提供的一种无人节点的集群组织方法流程示意图,如图1所示,该方法主要包括以下步骤:
步骤101,当确定满足任务约束的无人节点的数量为零时,设定一个包括多个初始个体的初始种群,所述初始个体是一个包括多位二进制的基因编码;根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值,根据轮盘赌旋转法从所述初始种群内选择多个所述初始个体,得到第一复制种群;
步骤102,通过交叉概率和根据所述第一适应度函数值排序的所述初始个体,将所述第一复制种群内包括的多个第一复制个体进行交叉,得到多个交叉个体;根据变异概率从多个所述交叉个体中选择至少两个所述交叉个体进行变异,并确定变异个体的第三适应度函数值;
步骤103,当确定迭代次数达到设定值时,将具有最大的所述第三适应度函数值的所述变异个体确定为最优结果,当确定所述最优结果的基因编码为1时,确定与所述最优结果对应的无人节点加入任务联盟。
在本发明实施例中,对无人节点和任务分别进行了形式化描述,具体地,采用五元组对无人节点进行形式化描述,采用四元组对任务进行形式化描述。
1.采用五元组对无人节点进行形式化描述:
Unmanned-Node=<Uid,Type,Capability,Location,State>
其中,Uid表示无人节点的ID;Type表示无人节点类型,比如,1表示无人机,2表示无人小车,3表示机器人;Capability表示无人节点的能力,且该Capability可以用三元组表示;Location表示无人节点的最大负载能力,State表示当前无人节点的状态;
具体地,Capability的三元组可以表示为:
Capability=<Power,Loads,Perception>
其中,Power=<Battery,max-endurance>表示续航能力,分别表示电量、最大续航时间;Loads表示无人节点的最大负载能力,以克为标准;
Perception=[<sensor,max-range,min-range,rate,precision>,...]表示感知能力,
sensor表示传感器类型,max-range和min-range表示最大和最小感知范围,rate表示频率,precision表示感知精度;
2.采用四元组对任务进行形式化描述
Task=<Tid,Location,Time,Capability>
其中,Tid表示任务ID;
Location=<x,y,z,radius,width,length>表示任务的空间位置信息,参数分别表示任务坐标及区域范围;Time=<LST,LFT>表示任务的时间约束,分别表示最迟开始时间、最迟完成时间;Capability=<Loads,Perception>表示任务的能力需求,分别表示负载能力和感知能力,具体描述和无人节点中的负载和感知能力描述一样。
表1为无人节点和任务的具体描述形式:
表1无人节点和任务的描述
在步骤101之前,假设当前有m组任务和n个无人节点,针对每个任务,采用图2所示的一种确认满足任务约束的无人节点方法为该任务选择一个或多个无人节点,由这几个无人节点形成一个联盟,负责执行该任务。
其中,无人节点可以表示为:Nodes={Ni|i={1,2,3,...n}};
任务可以表示为:Tasks={Ti|i=1,2,3,...n};
具体地,如图2所示:
步骤201,从当前空闲的无人节点中,选择一个满足任务能力需求的无人节点,即候选的无人节点的能力大于或者包含任务的能力需求;
步骤202,如果只有一个无人节点满足,则选择该节点;
步骤203,如果有多个无人节点,按照下述公式计算每个候选无人节点的能力超出程度,将超出程度最低的无人节点确定为第一无人节点,在本发明实施例中,第一无人节点用于负责有任务约束的任务,即第一节点能够满足任务约束条件。
在本发明实施例中,通过下列公式(1)确定无人节点的能力超出程度:
CS=CL+CP (1)
其中,CL表示负载能力的超出程度,CP表示感知能力的超出程度。
具体地,负载能力的超出程度通过下列公式(2)确定,感知能力的超出程度通过公式(3)确定:
CP=(||perceptionNi||-||perceptionT||)*w2 (3)
其中,loadNi表示无人节点的负载能力值,loadT表示任务对负载能力的需求值,||perceptionNi||表示无人节点感知能力的总个数,||perceptionT||表示任务对感知能力需求的总个数,Nodes={Ni|i={1,2,3,...n}},Tasks={Ti|i={1,2,3,...m}},w1表示负载能力超出程度的权重,w2表示感知能力超出程度的权重。
在本发明实施例中,当无人节点的能力超出程度最小时,将该无人节点的确定为第一节点,该第一节点用于负责该任务。
在步骤204,当没有一个无人节点能够满足任务约束需要时,则需要通过下列步骤101,步骤102和步骤103来选择一个无人节点或者多个无人节点来负责该任务。
在步骤101中之前,需要先介绍几个相关概念:
1.基因编码:
采用n位的二进制编码,定义一个联盟个体Q,Q={a1,a2,...,an},基因ai=1,表示无人节点Ni加入任务联盟,否则,ai=0表示无人节点Ni不加入任务联盟。
举例:Q={0,1,1,0,1},表示无人节点2、3、5加入联盟,无人节点1、4不加入。
2.适应度函数设计
f(Q)=cost(Q)+r1*P(Q)+r2*|H(Q)| (3)
其中,f(Q)表示个体Q的适应度,cost(Q)表示个体Q的成本,P(Q)表示个体Q在负载能力方面的惩罚值,H(Q)表示个体Q在感知能力方面的惩罚值,r1表示负载能力惩罚值的权重,r2表示感知能力惩罚值的权重。
其中,XT、YT、ZT分别表示任务T区域位置的坐标X、Y、Z,XNi、YNi、ZNi分别表示无人节点Ni的位置坐标X、Y、Z;loadNi表示无人节点的负载能力值,loadT表示任务对负载能力的需求值。
其中,b=||perceptionT||,||perceptionT||表示任务对感知能力需求的总个数,ci表示任务对某种感知能力的需求(比如任务需要摄像能力,则ci为摄像能力),因此perceptionT(ci)=1,perceptionT(ci)表示个体Q的是否含有感知能力ci。
在本发明实施例中,适应度度值f(Q)越低,个体越好,即由个体表示的联盟结果越好。
在步骤101中,接上述步骤204,当确定满足任务约束的无人节点的数量为零时,设定一个包括有多个初始个体的初始种群,其中种群规模为S,最大迭代次数为L。在本发明实施例中,初始个体是一个包括有多位二进制的基因编码,当该基因编码为1时,表示与该基因编码对应的初始个体为一个能够加入任务联盟的无人节点;当该基因编码为0时,表示与该基因编码对应的初始个体为一个不能够加入任务联盟的无人节点。
举例来说,若初始种群内包括有多个初始个体,针对每个初始个体,可以设置一个设定阈值P(P∈(0,1)),然后再随机产生一个数q(q∈[0,1]),当p≤q时,则可以确定初始个体Q的基因ai=1,即表示与该基因编码对应的初始个体为一个能够加入任务联盟的无人节点,否则,当ai=0,则表示与该基因编码对应的初始个体为一个不能够加入任务联盟的无人节点。
进一步地,根据公式(3)确定初始种群内包括的每个初始个体的第一适应度,在实际应用中,若第一适应度越高,则表示被选中的几率越大;而在本发明实施例中,由于已经定义了适应度函数值越低,结果越好,因此,对现有的轮盘赌选择法需要进行一步处理,具体如下:
在确认初始种群包括的每个初始个体的第一适应度之后,将多个初始个体的第一适应度进行排序,选取其中的最大值;将选择的最大值按照如下公式(9)进行处理,从而可以得到初始个体的第二适应度。
具体地,公式(9)如下所示:
newf(Qi)=maxValue-f(Qi)=max(f(Qi))+100-f(Qi)
其中,maxValue=max(f(Qi))+100,通过公式(9)可以确定初始种群内每个初始个人的第二适应度为:{maxValue-f(Q1),maxValue-f(Q2),maxValue-f(Q3),...,maxValue-f(Qs)},可以简单记作:{newf(Q1),newf(Q2),newf(Q3),...,newf(Qs)}。
进一步地,在确认初始个体的第二适应度之后,还可以根据下列公式确定每个初始个体的选择概率和初始个体的累积概率:
其中,f(Q)表示个体Q的适应度,cost(Q)表示个体Q的成本,P(Q)表示个体Q在负载能力方面的惩罚值,H(Q)表示个体Q在感知能力方面的惩罚值,newf(Qi)所述初始个体的第二适应度函数值,P(Qi)为所述初始个体的选择概率,Sum(Qi)为所述初始个体的累积概率,r1表示负载能力惩罚值的权重,r2表示感知能力惩罚值的权重。
进一步地,在设定区间【0,1】产生一个随机数p,p∈[0,1],若Sum(Qi)≤p<Sum(Qi+1)时,则选择初始个体Qi+1。对选择的这个初始个体进行复制,从而可以得到第一复制种群。
举例来说,若有如下四个染色体时:
s1=13(01101)
s2=24(11000)
s3=8(01000)
s4=19(10011)
假设上述多个染色体的第二适应度分别为:
f(s1)=f(13)=13^2=169;
f(s2)=f(24)=24^2=576;
f(s3)=f(8)=8^2=64;
f(s4)=f(19)=19^2=361;
根据公式(10)确认染色体的选择概率:
根据公式(11)确认染色体的累积概率:
若从区间【0,1】中产生4个随机数:
r1=0.450126,
r2=0.110347,
r3=0.572496,
r4=0.98503;
则可以得到以下表1所示的情况:
染色体 | 第二适应度 | 选择概率 | 累积概率 | 选中次数 |
s1=01101 | 169 | 0.14 | 0.14 | 1 |
s2=11000 | 576 | 0.49 | 0.63 | 2 |
s3=01000 | 64 | 0.06 | 0.69 | 0 |
s4=10011 | 361 | 0.31 | 1.00 | 1 |
根据表1可以确定,可以选择染色体s11次,染色体s22次,染色体s41次,从而得到第一复制种群。
在步骤102中,按照第一适应度函数值,将初始种群内包括的多个初始个体从大到小进行排序,按照排序后的顺序分别将第一复制种群内的复制个体进行配对交叉,从而可以得到交叉个体;比如,将第一复制种群内的第一个和第二个进行配对,然后按照交叉概率进行交叉,在进行交叉是随机选择两个基因位置进行交叉。图3为本发明实施例提供的复制个体1和复制个体2选择两个基因位置进行交叉示意图,如图3所示,将复制个体1和复制个体2进行配对,随机选择了第2位和第5位进行交叉,即选择第2和第5两个基因位置,将个体1和个体2在这两个位置的基因值相互交换,得到两个新个体。
进一步地,根据变异概率从多个交叉个体中选择至少两个交叉个体进行变异,按照选中的个体,随机选择两个基因位置进行变异。
当确定了变异个体之后,根据适应度函数公式确定变异个体的第三适应度函数值。
在步骤103中,假设上述算法的迭代次数达到设定的最大次数之后,则上述算法停止运行,从而确定每个变异个体的第三适应度,将确定的第三适应度和初始个体的第一适应度进行对比,若第三适应度大于第一适应度,则确定选择与第三适应度对应的变异个体;若第三适应度小于第一适应度,则确定选择与第一适应度对应的初始个体;
进一步地,从选择的变异个体或者初始个体中选择一个具有最大适应度的变异个体或者初始个体作为最优结果。
当确定最优结果之后,需要对该最优结果进行基因解码,若基因解码结果为1时,则确定与该最优结果对应的无人节点可以加入到任务联盟中;若基因解码结果为0时,则确定与该最优结果对应的无人节点不能加入到任务联盟中。
在本发明实施例中,加入任务联盟的无人节点的数量可以是一个,也可以包括有多个。通过上述算法,可以选择多个无人节点加入到任务联盟中,而当任务联盟中包括有多个无人节点时,则需要为每个任务联盟选择一个无人节点作为该任务联盟的管理员。具体地,单任务联盟中只有一个无人节点,则该无人节点为该联盟的管理员;任务联盟中有多个无人节点,按照能力值确定具有最大能力值的无人节点为所述任务联盟的管理员。
能力值公式如(12)所示:
scorei={loadi|perceptioni|}·{U1U2}T (12)
其中,load表示无人节点的负载能力,|perception|表示无人节点感知能力的个数,U1表示负载能力的权重,U2表示感知能力的权重。
需要说明的是,在实际应用中,若在选择能力值最大的无人节点为该联盟的管理员,如果有多个能力值大小相同的无人节点,则随机选择一个。
当所有任务联盟管理员选择完毕,此时,无人节点群形成如图4所示的结构。
基于同一发明构思,本发明实施例提供了一种无人节点的集群组织装置,由于该装置解决技术问题的原理与一种无人节点的集群组织方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
图5为本发明实施例提供的一种无人节点的集群组织装置结构示意图,如图5所示,该装置包括得到单元501,第一确定单元502,第二确定单元503和第三确定单元504。
得到单元501,用于当确定满足任务约束的无人节点的数量为零时,设定一个包括多个初始个体的初始种群,所述初始个体是一个包括多位二进制的基因编码;根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值,根据轮盘赌旋转法从所述初始种群内选择多个所述初始个体,得到第一复制种群;
第一确定单元502,用于通过交叉概率和根据所述第一适应度函数值排序的所述初始个体,将所述第一复制种群内包括的多个第一复制个体进行交叉,得到多个交叉个体;根据变异概率从多个所述交叉个体中选择至少两个所述交叉个体进行变异,并确定变异个体的第三适应度函数值;
第二确定单元503,用于当确定迭代次数达到设定值时,将具有最大的所述第三适应度函数值的所述变异个体确定为最优结果,当确定所述最优结果的基因编码为1时,确定与所述最优结果对应的无人节点加入任务联盟。
优选地,还包括:第三确定单元504,用于当确定满足所述任务约束的所述无人节点的数量为多个时,确定多个所述无人节点的能力超出程度,将超出程度最低的所述无人节点确定为第一无人节点;其中,所述第一无人节点用于负责有所述任务约束的任务;
通过下列公式确定所述无人节点的能力超出程度:
CS=CL+CP
CP=(||perceptionNi||-||perceptionT||)*w2
其中,CL表示负载能力的超出程度,loadNi表示无人节点的负载能力值,loadT表示任务对负载能力的需求值,CP表示感知能力的超出程度,||perceptionNi||表示无人节点感知能力的总个数,||perceptionT||表示任务对感知能力需求的总个数,Nodes={Ni|i={1,2,3,...n}},Tasks={Ti|i={1,2,3,...m}},w1表示负载能力超出程度的权重,w2表示感知能力超出程度的权重。
优选地,采用五元组对所述无人节点进行描述:
Unmanned-Node=<Uid,Type,Capability,Location,State>
采用四元组对所述任务进行描述:
Task=<Tid,Location,Time,Capability>
其中,Uid表示无人节点的ID,Type表示无人节点类型,Capability表示无人节点的能力,Location表示无人节点的最大负载能力,State表示当前无人节点的状态;Tid表示任务ID,Location表示任务的空间位置信息,Time表示任务的时间约束,Capability表示任务的能力需求。
优选地,所述第一确定单元502具体用于:
通过下列公式确定所述初始个体的第一适应度函数值:
f(Q)=cost(Q)+r1*P(Q)+r2*|H(Q)|
通过下列公式确定所述初始个体的第二适应度函数值:
newf(Qi)=maxValue=max(f(Qi))+100
所述根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值之后,还包括:
分别通过下列公式确定所述初始个体的选择概率和所述初始个体的累积概率:
其中,f(Q)表示初始个体Q的适应度,cost(Q)表示初始个体Q的成本,P(Q)表示初始个体Q在负载能力方面的惩罚值,H(Q)表示初始个体Q在感知能力方面的惩罚值,newf(Qi)所述初始个体的第二适应度函数值,P(Qi)为所述初始个体的选择概率,Sum(Qi)为所述初始个体的累积概率,r1表示负载能力惩罚值的权重,r2表示感知能力惩罚值的权重。
优选地,所述第二确定单元503还用于:
当所述任务联盟内只包括一个所述无人节点时,确定所述无人节点为所述任务联盟的管理员;或者
当所述任务联盟包括多个所述无人节点时,按照能力值确定具有最大能力值的所述无人节点为所述任务联盟的管理员;
所述能力值公式如下所示:
scorei={loadi|perceptioni|}·{U1U2}T
其中,load表示无人节点的负载能力,|perception|表示无人节点感知能力的个数,U1表示负载能力的权重,U2表示感知能力的权重。
应当理解,以上一种无人节点的集群组织装置包括的单元仅为根据该设备装置实现的功能进行的逻辑划分,实际应用中,可以进行上述单元的叠加或拆分。并且该实施例提供的一种无人节点的集群组织装置所实现的功能与上述实施例提供的一种无人节点的集群组织方法一一对应,对于该装置所实现的更为详细的处理流程,在上述方法实施例一中已做详细描述,此处不再详细描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种无人节点的集群组织方法,其特征在于,包括:
当确定满足任务约束的无人节点的数量为零时,设定一个包括多个初始个体的初始种群,所述初始个体是一个包括多位二进制的基因编码;根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值,根据轮盘赌旋转法从所述初始种群内选择多个所述初始个体,得到第一复制种群;当确定满足所述任务约束的所述无人节点的数量为多个时,确定多个所述无人节点的能力超出程度,将超出程度最低的所述无人节点确定为第一无人节点;其中,所述第一无人节点用于负责有所述任务约束的任务;
通过下列公式确定所述无人节点的能力超出程度:
CS=CL+CP
CP=(||perceptionNi||-||perceptionT||)*w2
其中,CL表示负载能力的超出程度,loadNi表示无人节点的负载能力值,loadT表示任务对负载能力的需求值,CP表示感知能力的超出程度,||perceptionNi||表示无人节点感知能力的总个数,||perceptionT||表示任务对感知能力需求的总个数,Nodes={Ni|i={1,2,3,...n}},Tasks={Ti|i={1,2,3,...m}},w1表示负载能力超出程度的权重,w2表示感知能力超出程度的权重;
所述根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值,具体包括:
通过下列公式确定所述初始个体的第一适应度函数值:
f(Q)=cost(Q)+r1*P(Q)+r2*|H(Q)|
通过下列公式确定所述初始个体的第二适应度函数值:
newf(Qi)=maxValue-f(Qi)=max(f(Qi))+100-f(Qi)
所述根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值之后,还包括:
分别通过下列公式确定所述初始个体的选择概率和所述初始个体的累积概率:
其中,f(Q)表示初始个体Q的适应度,cost(Q)表示初始个体Q的成本,P(Q)表示初始个体Q在负载能力方面的惩罚值,H(Q)表示初始个体Q在感知能力方面的惩罚值,newf(Qi)所述初始个体的第二适应度函数值,P(Qi)为所述初始个体的选择概率,Sum(Qi)为所述初始个体的累积概率,r1表示负载能力惩罚值的权重,r2表示感知能力惩罚值的权重;
所述无人节点采用五元组进行描述:
Unmanned-Node=<Uid,Type,Capability1,Loadm,State>
所述无人节点采用采用四元组进行描述:
Task=<Tid,Location,Time,Capability2>
其中,Uid表示无人节点的ID,Type表示无人节点类型,Capability1表示无人节点的能力,Loadm表示无人节点的最大负载能力,State表示当前无人节点的状态;Tid表示任务ID,Location表示任务的空间位置信息,Time表示任务的时间约束,Capability2表示任务的能力需求;
通过交叉概率和根据所述第一适应度函数值排序的所述初始个体,将所述第一复制种群内包括的多个第一复制个体进行交叉,得到多个交叉个体;根据变异概率从多个所述交叉个体中选择至少两个所述交叉个体进行变异,并确定变异个体的第三适应度函数值;
当确定迭代次数达到设定值时,将具有最大的所述第三适应度函数值的所述变异个体确定为最优结果,当确定所述最优结果的基因编码为1时,确定与所述最优结果对应的无人节点加入任务联盟。
2.如权利要求1所述的方法,其特征在于,确定与所述最优结果对应的无人节点加入任务联盟之后,还包括:
当所述任务联盟内只包括一个所述无人节点时,确定所述无人节点为所述任务联盟的管理员;或者
当所述任务联盟包括多个所述无人节点时,按照能力值确定具有最大能力值的所述无人节点为所述任务联盟的管理员;
所述能力值公式如下所示:
scorei={loadi|perceptioni|}·{U1 U2}T
其中,load表示无人节点的负载能力,|perception|表示无人节点感知能力的个数,U1表示负载能力的权重,U2表示感知能力的权重。
3.一种无人节点的集群组织装置,其特征在于,包括:
得到单元,用于当确定满足任务约束的无人节点的数量为零时,设定一个包括多个初始个体的初始种群,所述初始个体是一个包括多位二进制的基因编码;根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值,根据轮盘赌旋转法从所述初始种群内选择多个所述初始个体,得到第一复制种群;
第一确定单元,用于通过交叉概率和根据所述第一适应度函数值排序的所述初始个体,将所述第一复制种群内包括的多个第一复制个体进行交叉,得到多个交叉个体;根据变异概率从多个所述交叉个体中选择至少两个所述交叉个体进行变异,并确定变异个体的第三适应度函数值;所述第一确定单元具体用于:
通过下列公式确定所述初始个体的第一适应度函数值:
f(Q)=cost(Q)+r1*P(Q)+r2*|H(Q)|
通过下列公式确定所述初始个体的第二适应度函数值:
newf(Qi)=maxValue=max(f(Qi))+100
所述根据适应度函数确定每个所述初始个体的第一适应度函数值和第二适应度函数值之后,还包括:
分别通过下列公式确定所述初始个体的选择概率和所述初始个体的累积概率:
其中,f(Q)表示初始个体Q的适应度,cost(Q)表示初始个体Q的成本,P(Q)表示初始个体Q在负载能力方面的惩罚值,H(Q)表示初始个体Q在感知能力方面的惩罚值,newf(Qi)所述初始个体的第二适应度函数值,P(Qi)为所述初始个体的选择概率,Sum(Qi)为所述初始个体的累积概率,r1表示负载能力惩罚值的权重,r2表示感知能力惩罚值的权重;
第二确定单元,用于当确定迭代次数达到设定值时,将具有最大的所述第三适应度函数值的所述变异个体确定为最优结果,当确定所述最优结果的基因编码为1时,确定与所述最优结果对应的无人节点加入任务联盟;
第三确定单元,用于当确定满足所述任务约束的所述无人节点的数量为多个时,确定多个所述无人节点的能力超出程度,将超出程度最低的所述无人节点确定为第一无人节点;其中,所述第一无人节点用于负责有所述任务约束的任务;
通过下列公式确定所述无人节点的能力超出程度:
CS=CL+CP
CP=(||perceptionNi||-||perceptionT||)*w2
其中,CL表示负载能力的超出程度,loadNi表示无人节点的负载能力值,loadT表示任务对负载能力的需求值,CP表示感知能力的超出程度,||perceptionNi||表示无人节点感知能力的总个数,||perceptionT||表示任务对感知能力需求的总个数,Nodes={Ni|i={1,2,3,...n}},Tasks={Ti|i={1,2,3,...m}},w1表示负载能力超出程度的权重,w2表示感知能力超出程度的权重;
采用五元组对所述无人节点进行描述:
Unmanned-Node=<Uid,Type,Capability1,Loadm,State>
采用四元组对所述任务进行描述:
Task=<Tid,Location,Time,Capability2>
其中,Uid表示无人节点的ID,Type表示无人节点类型,Capability1表示无人节点的能力,Loadm表示无人节点的最大负载能力,State表示当前无人节点的状态;Tid表示任务ID,Location表示任务的空间位置信息,Time表示任务的时间约束,Capability2表示任务的能力需求。
4.如权利要求3所述的装置,其特征在于,所述第二确定单元还用于:
当所述任务联盟内只包括一个所述无人节点时,确定所述无人节点为所述任务联盟的管理员;
或者当所述任务联盟包括多个所述无人节点时,按照能力值确定具有最大能力值的所述无人节点为所述任务联盟的管理员;
所述能力值公式如下所示:
scorei={loadi|perceptioni|}·{U1 U2}T
其中,load表示无人节点的负载能力,|perception|表示无人节点感知能力的个数,U1表示负载能力的权重,U2表示感知能力的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294450.0A CN109343966B (zh) | 2018-11-01 | 2018-11-01 | 一种无人节点的集群组织方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294450.0A CN109343966B (zh) | 2018-11-01 | 2018-11-01 | 一种无人节点的集群组织方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109343966A CN109343966A (zh) | 2019-02-15 |
CN109343966B true CN109343966B (zh) | 2023-04-07 |
Family
ID=65313273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811294450.0A Active CN109343966B (zh) | 2018-11-01 | 2018-11-01 | 一种无人节点的集群组织方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109343966B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321938B (zh) * | 2019-06-20 | 2022-10-11 | 西北工业大学 | 一种智能无人集群的状态空间构建方法及装置 |
CN111007874B (zh) * | 2019-09-18 | 2022-07-19 | 合肥工业大学 | 无人机与车辆协同的电力巡检方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学(武汉) | 一种用于带约束条件的工程优化问题的遗传算法 |
CN105704255A (zh) * | 2016-04-29 | 2016-06-22 | 浙江理工大学 | 一种基于遗传算法的服务器负载均衡方法 |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN106934459A (zh) * | 2017-02-03 | 2017-07-07 | 西北工业大学 | 一种基于种群进化过程的自适应遗传算法 |
CN107329831A (zh) * | 2017-06-29 | 2017-11-07 | 北京仿真中心 | 一种基于改进遗传算法的仿真资源调度方法 |
WO2018036282A1 (zh) * | 2016-08-24 | 2018-03-01 | 深圳市中兴微电子技术有限公司 | 一种任务调度方法、装置及计算机存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7668788B2 (en) * | 2005-06-06 | 2010-02-23 | Wren William E | Resource assignment optimization using direct encoding and genetic algorithms |
CN102711266B (zh) * | 2012-05-17 | 2014-08-13 | 北京邮电大学 | 基于遗传算法的调度与资源分配联合优化方法 |
-
2018
- 2018-11-01 CN CN201811294450.0A patent/CN109343966B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学(武汉) | 一种用于带约束条件的工程优化问题的遗传算法 |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN105704255A (zh) * | 2016-04-29 | 2016-06-22 | 浙江理工大学 | 一种基于遗传算法的服务器负载均衡方法 |
WO2018036282A1 (zh) * | 2016-08-24 | 2018-03-01 | 深圳市中兴微电子技术有限公司 | 一种任务调度方法、装置及计算机存储介质 |
CN106934459A (zh) * | 2017-02-03 | 2017-07-07 | 西北工业大学 | 一种基于种群进化过程的自适应遗传算法 |
CN107329831A (zh) * | 2017-06-29 | 2017-11-07 | 北京仿真中心 | 一种基于改进遗传算法的仿真资源调度方法 |
Non-Patent Citations (3)
Title |
---|
Genetic Algorithm Based Decentralized Task Assignment for Multiple;Hyunjin Choi et al;《IJASS》;20111231;全文 * |
基于自适应惩罚函数的云工作流调度协同进化遗传算法;徐健锐等;《计算机科学》;20180815(第08期);全文 * |
无线传感器网络节点感知进化计算模型研究;孔凡兴;《计算机仿真》;20130515(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109343966A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Simaria et al. | A genetic algorithm based approach to the mixed-model assembly line balancing problem of type II | |
CN109343966B (zh) | 一种无人节点的集群组织方法及装置 | |
CN113269424B (zh) | 机器人集群任务分配方法、***、设备及存储介质 | |
Chakraborty et al. | Differential evolution and its applications in image processing problems: a comprehensive review | |
CN112272102B (zh) | 边缘网络业务卸载和调度方法及装置 | |
CN105988930A (zh) | 测试用例生成方法和装置 | |
CN111832725A (zh) | 一种基于改进遗传算法的多机器人多任务分配方法及装置 | |
CN113128839B (zh) | 面向高端装备分布式制造与多模式运输的协同调度方法 | |
CN112100450A (zh) | 一种图计算数据分割方法、终端设备及存储介质 | |
CN110874626B (zh) | 一种量化方法及装置 | |
CN113962481B (zh) | 一种应急物资的资源配置方法、装置和服务器 | |
CN115237592B (zh) | 隐私感知的混合云服务流程调度方法 | |
Kumar et al. | A hybrid algorithm optimization approach for machine loading problem in flexible manufacturing system | |
CN116186571B (zh) | 车辆聚类方法、装置、计算机设备及存储介质 | |
CN112231466A (zh) | 撮合活动中的企业匹配方法及装置 | |
Rifai et al. | Multi-operator hybrid genetic algorithm-simulated annealing for reentrant permutation flow-shop scheduling | |
CN110175172B (zh) | 基于稀疏二分图的极大二分团并行枚举方法 | |
CN111753886A (zh) | 一种设备故障处理方法、装置及终端 | |
CN106709572A (zh) | 一种数据处理方法及设备 | |
CN115933664A (zh) | 物流机器人的调度方法以及*** | |
CN101639904A (zh) | 工作流***及其在流程运行期实现任务的方法 | |
CN114021895A (zh) | 基于邻域结构的最小化总成本it运维人员调度方法和*** | |
Rezaeian et al. | Scheduling of a flexible flow shop with multiprocessor task by a hybrid approach based on genetic and imperialist competitive algorithms | |
Mutingi et al. | Reliability optimization for the complex bridge system: fuzzy multi-criteria genetic algorithm | |
CN117829552B (zh) | 一种基于赛汝生产调度的鲁棒优化方法、装置和设备 |
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 |