CN116360266A - 一种基于多目标优化算法的猪舍温度节能控制方法 - Google Patents
一种基于多目标优化算法的猪舍温度节能控制方法 Download PDFInfo
- Publication number
- CN116360266A CN116360266A CN202310352933.6A CN202310352933A CN116360266A CN 116360266 A CN116360266 A CN 116360266A CN 202310352933 A CN202310352933 A CN 202310352933A CN 116360266 A CN116360266 A CN 116360266A
- Authority
- CN
- China
- Prior art keywords
- control
- temperature
- pig house
- period
- optimization
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出了一种基于多目标优化算法的猪舍温度节能控制方法,具体方法如下:首先采用CFD建立猪舍机械通风模式下的舍内温度场响应模型,并结合elman神经网络得到温度场快速预测模型。然后,将需要调控的时段划分为多个调控子时段,获取子时段前5分钟舍内外环境因子平均值作为调控模型输入,以控制效果和控制能耗最小为目标,利用上述神经网络快速预测模型构建适应度评估函数,最后,利用加入混沌映射和自适应t分布策略的改进INFO算法优化控制参数,采用基于能耗优先的偏好决策方法从非劣解集中选出最优解进行子时段控制。该方法结合数值仿真与物联网技术,同时通过多目标优化算法进行控制参数寻优,有利于节省能耗,提升效益。
Description
技术领域
本发明属于农业养殖领域,涉及数值模拟仿真技术和物联网技术,具体涉及一种基于多目标优化算法的猪舍温度节能控制方法。
背景技术
养殖环境是影响猪只生长以及生产经济效益的一个重要方面,其中尤以温度的影响最为显著,在炎热季节,当猪舍内温度超过舒适区以上,猪会出现皮肤血管扩张、体温升高、心率加快等热应激现象,热应激会直接导致猪采食量的下降,进而影响猪只的生长品质。猪舍内热环境状况的影响因素主要是舍外气候与舍内的猪只产热,我国的高温天气主要集中在5-10月份,在这长达几个月的时间内都需要依据天气状况对猪舍进行通风降温操作,防止猪只出现高温应激,带来病疫。由此可见,猪舍的温度调控不仅对猪只生长十分重要,同时温度调控工作也是猪舍生产管理的一大支出,并且传统的恒定值有诸多不便,设定值过大,会导致猪舍前端后端之间的温差过大,均匀性不好,且能耗过高;过小,当室外温度过高时,舍内温度居高不下,控制误差过大。因此,温度的节能优化控制对于猪只的健康生长和提升产业效益都具有重要意义。
猪舍环境差,传感器测试不易于安装和维护,并且传感器测量方式受限于测量点数量和测量范围的限制,难以表征整体环境趋势。而基于计算流体力学(CFD)的建模方法,可以通过快速的改变边界条件来模拟各种工况下的舍内环境,更易获得有价值的信息,能够很大程度上提升效率。但是传统的CFD模型计算收敛慢、耗时长,难以应用于实际的控制工程中,因此本发明提出了一种CFD—神经网络模型,大大加快了求解速度。同时,在目前的农业生产中,对于环境的控制更加偏向于控制精度层面,而忽略了控制执行器的能耗,不利于设施农业往节能减排方向的发展。因此,综合考虑控制精度、控制能耗等多目标的控制方案设计显得十分有意义。此外,针对多目标优化的算法的缺点有收敛速度慢、容易陷于局部最优等,本发明针对这些缺陷,对所用算法进行了一定的改进,由此来减少算法的运行时间与局部最优问题。
发明内容
为解决上述问题,本发明公开了一种基于多目标优化算法的猪舍温度节能控制方法,通过此发明可以对调控周期内的各个子时段进行控制优化,能够根据子时段开始前的环境状况计算出控制执行器的控制参数来使得该控制条件下的猪舍环境适宜度和执行器能耗同时达到最优。
为达到上述目的,本发明的技术方案如下:
一种基于多目标优化算法的猪舍温度节能控制方法,包括如下步骤:
步骤1:通过CFD建立猪舍温度在湿帘-风机通风模式下的响应模型,并通过拉丁超立方采样方法设计实验样本,完成多次CFD仿真,形成控制条件与温度响应之间的样本数据库;
步骤2:用elman神经网络对上述数据库进行训练,得到控制条件与温度响应的近似模型;
步骤3:以猪舍环境温度控制精度指标模型和猪舍用于通风降温的执行器控制能耗模型为最小作为优化目标,通过神经网络模型计算目标函数结果,作为多目标优化算法的适应度函数;
步骤4:将猪舍需要进行机械调控的时间划分为多个调控子时段,获取当前调控子时段前5分钟的环境因子平均值做为初始状态输入,然后以执行器控制变量为约束,以步骤3所述适应度函数利用改进INFO向量加权平均优化算法进行寻优,
步骤5:采用能耗优先的偏好选择从一组非劣解中选择一个最优解,作为最佳控制参数进行实际调控,输入到执行器的控制程序中;
步骤6:判断是否到达下一步优化周期,若是,重新执行步骤4进行周期优化,达到节能控制的目的。
进一步的,所述步骤1的样本数据库为在室外空气温度Tout,空气进口处的湿帘温度Tw,过帘温度Tin,猪舍初始环境温度T0,猪只平均体重M,变频风机出口风速V等变量的控制下,猪舍内部多个监测点的温度值。
进一步的,所述步骤2的神经网络模型以步骤1得到样本中的Tin,T0,M,V为输入,温度场指定点温度响应值ti为输出利用elman神经网络进行训练,得到各点温度在不同控制条件下的快速响应模型。
进一步的,所述步骤4的控制目标函数由控制效果J1与能耗J2构成,控制效果分为控制精度和控制均匀性,控制精度也即各个观测点与目标值的差,控制均匀性也即各个观测点之间的温差,因此目标函数为:
进一步的,所述步骤4利用改进INFO算法进行寻优操作,包括以下步骤:
步骤41:根据目标函数,设计多目标优化模型为:
其中f(J)为优化目标,模式为求解适应度最小,Tmax,Tmin分别为喷淋水温度上下限,vmax,vmin分别变频风机风速上下限;
步骤42:确定寻优变量维数,根据约束范围采用circle混沌映射代替随机初始化生成Np个个体,Np为种群数量;
步骤43:对Np个种群个体,利用步骤2的神经网络模型构成的目标函数计算初代种群每个个体对应的目标函数值f(J1)和f(J2);
步骤44:根据个体的每个目标函数值结果进行非支配排序和拥挤度计算,依据排序结果选择表现最好的个体和最差的个体;
步骤45:按照INFO算法的流程通过更新规则、向量组合和局部搜索三个步骤来更新向量的位置,完成解空间上的搜索,同时引入自适应t分布以及动态选择策略增加扰动,扩大局部搜索能力,引入方法为:通过定义动态选择概率p来实现,其中p为:
it是当前迭代次数,MaxIt是最大迭代次数,当p<rand时,产生基于迭代次数的t分布变异,新向量的位置为:
Temp=New_X+New_X*trnd(j)
步骤46:完成当前迭代,得到新的子代种群,将其与父代种群合并后重新进行非支配排序,取前Np个个体作为新一代种群,判断是否达到迭代的最大次数,如未达到,令迭代次数+1,循环上述步骤3直至迭代结束,若达到则停止循环;
步骤47:对上述循环结束后得到的种群,选择非支配排序值最小的一组作为最优非支配解集,按照偏好原则在J1≤1的范围内取使得J2最小的解,作为全局最优解,此时得到该段优化周期内使得控制效果指标不大于1,控制能耗最小的湿帘最佳喷淋水温Twbest和最佳风机风速vbest,将该参数代入到实际的控制程序中,进行本周期内的控制。
进一步的,所述步骤6的调控方式为将整个调控时段先切分为多个等时长的子时段优化周期,先计算子时段优化周期前5分钟的环境初始值,代入到多目标优化算法进行寻优,最后根据优化决策进行该优化周期内的控制,不断循环直至完成整个周期内的调控。
本发明的有益效果:
1.利用INFO算法进行猪舍环境控制参数的多目标优化,能够克服传统PID控制过于追求精度的不足,使得本发明的得出的控制参数在保证环境控制效果的同时,使得执行器的控制能耗降到最低,达到节能减排的效果,经仿真实验表明,通过多目标优化算法优化后的控制策略相比于原先的控制策略能至少节省34%的能耗。
2.智能优化算法容易出现搜索时间长以及陷入局部最优等问题,为了提高算法运行速度,对INFO算法做出两种改进,改进后的算法在前期能够更好地开展全局搜索,在后期能更好的跳出局部最优,加快了搜索速度,增强了算法的效率与实时性,同时引入非支配排序思想,获得Pareto解集,克服了单目标优化中权重的分配过于主观的缺陷。
3.通过合理划分调控子时段的时间,能够使得环境调控自适应外部条件的改变,解决调控时间过长环境因子变化过大而无法预测的缺点和调控时长过短导致调节效果滞后无法表现的缺点,同时相比于恒定值控制,通过子时段滚动优化的控制方式能更加切合舍内外环境的变化,控制效果更好,更节能。
附图说明
图1是本发明的猪舍环境节能控制方法的整体设计流程简图。
图2是本发明的猪舍环境CFD数值模拟模型构建流程图。
图3是本发明猪舍环境节能控制方法的各模块详细流程图。
图4是本发明的猪舍温度控制流程图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明的内容是提供一种基于多目标优化算法的猪舍温度节能控制方法,通过此发明可以依据猪舍当前所处环境条件设计出控制执行器的控制参数来使得该控制条件下的猪舍温度控制效果和执行器能耗同时达到最优。
为了达到上述目的,本发明提供如下技术方案:
一种基于多目标优化算法的猪舍温度节能控制方法,包括如下步骤:
步骤1:根据猪舍物理结构构建猪舍三维模型,首先对猪舍结构进行实际测量,包括猪舍大小,长、宽、高,猪栏大小、开窗大小、湿帘-风机等执行器安装位置,利用comsol流体仿真软件采用笛卡尔坐标系进行1:1物理模型搭建并进行网格划分,接着确定出入口边界条件以及猪体产热,猪体产热按照猪只体重和数量计算。数值仿真中CFD模型气体流动模型为标准的k-ε模型,湍流模块和流体传热模块之间通过速度、绝对压力和温度进行耦合,采用雷诺平均方法实现数值仿真计算,仿真结束后得到猪舍内部三维温度场信息,并依据测量结果不断完善模型的准确性。
步骤2:确定CFD模型中的边界条件,包括室外空气温度Tout,空气进口处的湿帘温度Tw,过帘温度Tin,猪舍初始环境温度T0,猪只平均体重M,圈养猪只数量S,变频风机出口风速V,其中,
Tin=Tout-η(Tout-Tw) (1)
并针对其中Tin,T0,M,V四种变量,基于拉丁超立方采样设计了50组CFD实验,并据此完成多次CFD实验,得到温度值在不同控制条件下响应的数据库样本。
步骤3:针对上一步得到的实验样本,以Tin,T0,M,V四种变量为输入,多个监测点温度值为输出,按照8:2划分训练集和测试集,采用elman神经网络模型进行训练,由于神经网络隐含层结点数目直接影响到模型的结果,因此依据训练集的训练效果进行隐含层结点的缺点,首先依据经验公式:
hiddennum=sqrt(m+n)+a (2)
其中,m为输入层节点个数,n为输出层节点个数,a取1-10之间的整数,大致确定隐含层结点数目在3到12之间,然后以训练集的目标误差为评估指标,逐次进行实验,选择训练集的目标误差最小的隐藏层节点数目为最佳的隐含层节点并完成训练,其他参数包括训练次数1000次,学习速率0.01,模型效果依据均方根误差RMSE评判,完成训练后得到CFD模型的近似优化模型,此模型在计算时间上将大大减少,并且准确度能够做到近似替代CFD模型。
步骤4:确定控制过程的目标函数J,根据猪舍养殖环境国家管理标准以及圈养猪只密度计算猪只生活区内的温度控制目标值,采用控制精度指标和控制均匀性指标表征猪舍内环境的控制指标模型,选取猪只生活区平面的多个观测点进行计算,故J1为:
其中m是温度观测点个数,ti是观测点i的温度模型输出值,ttarget是观测点i的温度控制目标。确定猪舍用于通风降温的执行器控制能耗模型J2:
J2=∑γk×pk (4)
其中γk为第k个执行器的执行动作幅度,pk为第k个执行器的标准单位能耗,故优化目标为:
f(J)=f(J1,J2) (5)
步骤5:运行INFO多目标优化算法,确定变量维数为2,即湿帘喷淋水温Tw和变频风机风速v,变化范围为Tw∈[22,27],v∈[0,5],优化目标函数个数为2,即J1和J2,多目标优化模型为:
为了提升算法运行速度,增强实时性,INFO算法做如下改进:步骤如下:
步骤1:确定寻优变量维数,根据约束范围采用circle混沌映射代替随机初始化生成Np个个体,Np为种群数量;
步骤2:对Np个种群个体,利用步骤2的神经网络模型构成的目标函数计算初代种群每个个体对应的目标函数值f(J1)和f(J2);
步骤3:根据个体的每个目标函数值结果进行非支配排序和拥挤度计算,依据排序结果选择表现最好的个体和最差的个体;
步骤4:按照INFO算法的流程通过更新规则、向量组合和局部搜索三个步骤来更新向量的位置,完成解空间上的搜索,同时引入自适应t分布以及动态选择策略增加扰动,扩大局部搜索能力,引入方法为:通过定义动态选择概率p来实现,其中p为:
it是当前迭代次数,MaxIt是最大迭代次数,当p<rand时,产生基于迭代次数的t分布变异,位置变异公式为:
Temp=New_X+New_X*trnd(j) (8)
步骤5:完成当前迭代,得到新的子代种群,将其与父代种群合并后重新进行非支配排序,取前Np个个体作为新一代种群,判断是否达到迭代的最大次数,如未达到,令迭代次数+1,循环上述步骤3直至迭代结束,若达到则停止循环;
步骤6:对上述循环结束后得到的种群,选择非支配排序值最小的一组作为最优非支配解集,按照偏好原则在J1≤1的范围内取使得J2最小的解,作为全局最优解,此时得到该段优化周期内使得控制效果指标不大于1,控制能耗最小的湿帘最佳喷淋水温Twbest和最佳风机风速vbest,将该参数代入到实际的控制程序中,进行本周期内的控制。
步骤7:在整个调控周期内,将整个调控时段先切分为多个等时长的子时段优化周期,时长依据调节效果确定,本发明在早上八点至晚上八点间取25分钟为一次调控子时段,先读取子时段优化周期前5分钟的环境初始值,代入到多目标优化算法进行寻优,最后根据优化决策进行该优化周期内的控制,不断循环直至完成整个周期内的调控。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种基于多目标优化算法的猪舍温度节能控制方法,其特征在于:包括如下步骤:
步骤1:通过CFD建立猪舍温度在湿帘-风机通风模式下的响应模型,并通过拉丁超立方抽样方法设计实验样本,完成多次CFD仿真,形成不同控制条件与温度响应之间的样本数据库;
步骤2:用elman神经网络对上述数据库进行训练,得到控制条件与温度响应之间的近似模型,该近似模型解决了CFD模型收敛慢的问题,能够用于后续多目标优化算法中的适应度函数的构建;
步骤3:以猪舍环境温度控制效果和用于机械通风降温的执行器控制能耗为最小作为优化目标函数,并通过上述神经网络模型来计算各目标函数的适应度值;
步骤4:获取当前调控子时段前5分钟的环境因子平均值作为初始状态输入,然后以执行器控制变量为约束,以步骤3所述适应度函数利用改进INFO算法进行寻优;
步骤5:采用能耗优先的偏好选择从一组非劣解中选择一个最优解,作为最佳控制参数进行实际调控,输入到执行器的控制程序中;
步骤6:判断是否到达下一步优化周期,若是,重新执行步骤5进行动态优化,达到节能控制的目的。
2.根据权利要求1所述的一种基于多目标优化算法的猪舍温度节能控制方法,其特征在于:所述步骤1的CFD模型边界条件中的关键参数包括室外空气温度Tout,空气进口处的湿帘温度Tw,过帘温度Tin,猪舍初始环境温度T0,猪只平均体重M,圈养猪只数量S,变频风机出口风速V。
3.根据权利要求2所述的一种基于多目标优化算法的猪舍温度节能控制方法,其特征在于:所述步骤3的elman神经网络输入为步骤1样本中的Tin,T0,M,V,输出为温度场指定点温度响应ti。
6.根据权利要求1所述的一种基于多目标优化算法的猪舍温度节能控制方法,其特征在于:所述步骤4的改进INFO算法包括以下步骤:
步骤41:确定寻优变量维数,根据约束范围采用circle混沌映射代替随机初始化生成Np个个体,Np为种群数量;
步骤42:对Np个种群个体,利用步骤2的神经网络模型构成的目标函数计算初代种群的目标函数值;
步骤43:根据个体的每个目标函数值结果进行非支配排序和拥挤度计算,依据排序结果选择表现最好的个体和最差的个体;
步骤44:按照INFO算法的流程通过更新规则、向量组合和局部搜索三个步骤来更新向量的位置,完成解空间上的搜索,同时引入自适应t分布以及动态选择策略增加扰动,扩大局部搜索能力,引入方法为:通过定义动态选择概率p来实现,其中p为:
it是当前迭代次数,MaxIt是最大迭代次数,当p<rand时,产生基于迭代次数的t分布变异,新向量的位置为:
Temp=New_X+New_X*trnd(j)
步骤45:完成当前迭代,得到新的子代种群,将其与父代种群合并后重新进行非支配排序,取前Np个个体作为新一代种群,判断是否达到迭代的最大次数,如未达到,令迭代次数+1,循环上述步骤3直至迭代结束,若达到则停止循环;
步骤46:对上述循环结束后得到的种群,选择非支配排序值最小的一组作为最优非支配解集,按照偏好原则在J1≤1的范围内取使得J2最小的解,作为全局最优解,此时得到该段优化周期内使得控制效果指标不大于1,控制能耗最小的湿帘最佳喷淋水温Twbest和最佳风机风速vbest,将该参数代入到实际的控制程序中,进行本周期内的控制。
7.根据权利要求1所述的一种基于多目标优化算法的猪舍温度节能控制方法,其特征在于:所述步骤6的调控方式为将整个调控时段先切分为多个等时长的子时段优化周期,先计算子时段优化周期前5分钟的环境初始值,代入到多目标优化算法进行寻优,最后根据优化决策进行该优化周期内的控制,不断循环直至完成整个周期内的调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310352933.6A CN116360266A (zh) | 2023-04-04 | 2023-04-04 | 一种基于多目标优化算法的猪舍温度节能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310352933.6A CN116360266A (zh) | 2023-04-04 | 2023-04-04 | 一种基于多目标优化算法的猪舍温度节能控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116360266A true CN116360266A (zh) | 2023-06-30 |
Family
ID=86915800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310352933.6A Pending CN116360266A (zh) | 2023-04-04 | 2023-04-04 | 一种基于多目标优化算法的猪舍温度节能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116360266A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068687A (zh) * | 2024-04-22 | 2024-05-24 | 山东欧菲特能源科技有限公司 | 一种基于改进pid的制冷机变频器控制优化方法 |
-
2023
- 2023-04-04 CN CN202310352933.6A patent/CN116360266A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068687A (zh) * | 2024-04-22 | 2024-05-24 | 山东欧菲特能源科技有限公司 | 一种基于改进pid的制冷机变频器控制优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调***能耗预测方法 | |
Zhang et al. | Optimal design of building environment with hybrid genetic algorithm, artificial neural network, multivariate regression analysis and fuzzy logic controller | |
CN112149209B (zh) | 一种建筑多性能导向设计的优化方法 | |
CN114692265B (zh) | 一种基于深度强化学习的零碳建筑优化设计方法 | |
CN110805997A (zh) | 中央空调***节能控制方法 | |
CN111291442A (zh) | 一种高层住宅被动式节能反向设计***及设计方法 | |
CN104633856A (zh) | Cfd数值模拟结合bp神经网络人工环境控制方法 | |
CN107329511A (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与*** | |
CN114662201B (zh) | 一种自然通风智能调控的寻优方法 | |
CN113283156A (zh) | 一种基于深度强化学习的地铁站空调***节能控制方法 | |
CN114200986B (zh) | 一种考虑作物生产效益和节省能耗的温室环境优化设计方法 | |
CN111881505A (zh) | 一种基于ga-rbf算法的既有建筑多目标优化改造决策方法 | |
CN112926795A (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及*** | |
CN116360266A (zh) | 一种基于多目标优化算法的猪舍温度节能控制方法 | |
CN106940068B (zh) | 一种基于遗传蚁群算法的水蓄冷空调***节能优化控制策略的确定方法 | |
CN115907191B (zh) | 一种自适应建筑光伏表皮模型预测控制方法 | |
CN114322199A (zh) | 基于数字孪生的通风***自主优化运行调控平台及方法 | |
CN113268913A (zh) | 一种基于pso-elm算法的智能建筑空调冷机***运行优化方法 | |
CN115983438A (zh) | 数据中心末端空调***运行策略确定方法及装置 | |
CN115453868A (zh) | 基于番茄光响应差分特征的全生长期光强调控方法 | |
CN108089443B (zh) | 一种基于混合精英圈养优化的灵敏板温度智能建模方法 | |
CN113947261A (zh) | 一种建筑节能改造优化决策支持方法 | |
CN111597609B (zh) | 一种包含太阳辐射的基本运算单元及应用该单元的建筑能耗快速模拟方法 | |
CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
CN105550437A (zh) | 一种基于遗传算法的室内环境反向设计方法 |
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 |