CN117973431B - 一种最优二分共识控制方法、装置、设备及存储介质 - Google Patents
一种最优二分共识控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117973431B CN117973431B CN202410339514.3A CN202410339514A CN117973431B CN 117973431 B CN117973431 B CN 117973431B CN 202410339514 A CN202410339514 A CN 202410339514A CN 117973431 B CN117973431 B CN 117973431B
- Authority
- CN
- China
- Prior art keywords
- consensus
- optimal
- agent system
- bipartite
- value 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006870 function Effects 0.000 claims abstract description 197
- 230000001960 triggered effect Effects 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims description 64
- 238000005457 optimization Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 9
- 108091026890 Coding region Proteins 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 description 270
- 238000007726 management method Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种最优二分共识控制方法、装置、设备及存储介质,属于计算机最优二分共识控制领域。所述方法通过权重邻接矩阵来将多智能体***的最优二分共识进行事件触发的划分,得到***值函数,对不同***值函数的多智能体***的最优二分共识采用不同的节点调整方式。同时,结合***值函数的收敛特征、***值函数的状态方程以及***值函数的节点分类库,选择适合匹配地多智能体***的最优二分共识控制触发模型,以实现不同状态方程、不同***值函数对应不同的多智能体***的最优二分共识控制触发模型,使多智能体***的最优二分共识的节点调整方式的预测更加准确,进而提高了多智能体***的最优二分共识控制及分析的精准度。
Description
技术领域
本发明涉及计算机最优二分共识控制领域,尤其涉及一种最优二分共识控制方法、装置、设备及存储介质。
背景技术
随着人工智能技术的不断发展,多智能体***(Multi-Agent Systems, MAS)在自动控制、机器人协作、智能交通等领域的应用日益广泛。在多智能体***中,如何实现各个智能体之间的协同和一致性控制,是一个关键的研究问题。
目前,已有一些关于多智能体***共识控制的研究,这些研究主要集中在如何设计合适的控制算法,使得***中的所有智能体能够达到一致的状态。然而,这些研究通常忽略了***中智能体之间关系的复杂性和动态性,以及不同智能体之间可能存在的差异性。
为了解决上述问题,近年来,二分共识(Bipartite Consensus)的概念被引入到多智能体***的研究中。二分共识是指在一个由正负两类节点组成的多智能体***中,通过设计合适的控制算法,使得正节点和负节点分别形成两个不同的群体,并在这两个群体之间达到一致的状态。这种控制方法在处理具有正负对立的***中表现出较好的性能。
然而,现有的二分共识控制方法还存在一些不足。首先,这些方法通常只关注二分共识的达成,而忽略了如何根据***的实际状态进行动态调整。其次,这些方法往往缺乏对***收敛特征的深入分析,导致在实际应用中难以保证二分共识的稳定性和准确性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种最优二分共识控制方法、装置、设备及存储介质。
本发明的目的是通过以下技术方案来实现的:一种最优二分共识控制方法,包括以下步骤:
S1:获取多智能体***的最优二分共识的实时信息交互数据和所述多智能体***的最优二分共识的权重邻接矩阵;
S2:根据所述权重邻接矩阵,得到所述多智能体***的最优二分共识的***值函数;
S3:将处于相同***值函数的多智能体***的最优二分共识的实时信息交互数据作为事件触发多智能体***的最优二分共识数据;
S4:根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数的多智能体***的最优二分共识的节点分类库;
S5:根据所述事件触发多智能体***的最优二分共识数据和所述节点分类库,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程;
S6:根据所述***值函数,得到所述***值函数的收敛特征,所述收敛特征包括收敛阈值、收敛条件、***值函数系数、收敛因子和收敛损失值;
S7:根据所述***值函数的收敛特征、所述***值函数的状态方程和所述多智能体***的最优二分共识的节点分类库,匹配所述***值函数对应的多智能体***的最优二分共识控制触发模型;
S8:将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据输入所述***值函数对应的多智能体***的最优二分共识控制触发模型;
S9:根据所述多智能体***的最优二分共识控制触发模型的输出,得到所述***值函数的每个多智能体***的最优二分共识与所述状态方程对应的节点调整方式;
S10:根据所述多智能体***的最优二分共识的节点调整方式,控制所述多智能体***的最优二分共识信息交互。
优选的,所述的S2还包括:
S21:根据所述多智能体***的最优二分共识权重邻接矩阵,得到所述多智能体***的最优二分共识的迭代优化条件;
S22:根据所述多智能体***的最优二分共识的迭代优化条件,通过迭代过程数据处理,得到所述多智能体***的最优二分共识的具体迭代参数,所述具体迭代参数包括迭代速度、迭代时长、迭代影响噪声和迭代输出利用率;
S23:将所述多智能体***的最优二分共识的具体迭代参数作为所述多智能体***的最优二分共识的***值函数。
优选的,所述的S4还包括:
S41:根据所述事件触发多智能体***的最优二分共识数据,通过预设数据统计,得到所述***值函数的多智能体***的最优二分共识的事件触发种类,所述事件触发种类包括所述多智能体***的最优二分共识的事件状态、事件影响程度和事件间的相关性;
S42:根据所述***值函数内所有多智能体***的最优二分共识的事件触发种类,得到每条多智能体***的最优二分共识的节点划分条件;
S43:根据所述多智能体***的最优二分共识:节点划分条件,得到所述***值函数的多智能体***的最优二分共识的节点分类库。
优选的,所述的S5还包括:
S51:根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数中的所有多智能体***的最优二分共识存在的触发反馈误差,所述触发反馈误差包括反馈效率、误差大小和误差来源;
S52:根据所述多智能体***的最优二分共识的触发反馈误差,得到每条多智能体***的最优二分共识的控制值;
S53:将所述多智能体***的最优二分共识的控制值和所述多智能体***的最优二分共识的节点分类库,输入深度学习模型;
S54:根据所述深度学习模型的输出,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程。
优选的,所述的S7还包括:
S71:根据所述***值函数的状态方程,得到所述状态方程的系数更新误差;
S72:根据所述***值函数的收敛特征,得到所述收敛特征的影响因素;
S73:将所述系数更新误差、所述影响因素和所述多智能体***的最优二分共识的节点分类库输入聚类算法;
S74:根据所述聚类算法的输出,得到所述***值函数对应的多智能体***的最优二分共识控制触发模型。
优选的,所述的最优二分共识控制方法用于节点优化***,所述节点优化***包括多个节点,每个所述节点对应一个所述***值函数;
所述的S8还包括:
S81:通过所述节点优化***,将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据上传至所述***值函数对应的节点;
S82:通过所述节点,将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据,输入所述***值函数对应的多智能体***的最优二分共识控制触发模型。
优选的,所述的S10还包括:
S101:根据所述多智能体***的最优二分共识的节点分类库,通过预设权重分配法则,为每条多智能体***的最优二分共识分配权重比例;
S102:根据所述权重比例,得到所述***值函数内所有多智能体***的最优二分共识的编码序列;
S103:通过所述节点,按照所述多智能体***的最优二分共识的编码序列,根据每条多智能体***的最优二分共识的节点调整方式控制所述多智能体***的最优二分共识信息交互。
本发明第二方面提供:一种最优二分共识控制装置,用于实现上述任一种最优二分共识控制方法,包括:
权重邻接矩阵模块,用于获取多智能体***的最优二分共识的实时信息交互数据和所述多智能体***的最优二分共识的权重邻接矩阵;
***值函数模块,用于根据所述权重邻接矩阵,得到所述多智能体***的最优二分共识的***值函数;
信息交互管理模块,用于将处于相同***值函数的多智能体***的最优二分共识的实时信息交互数据做为事件触发多智能体***的最优二分共识数据;根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数的多智能体***的最优二分共识的节点分类库;
状态方程分析模块,用于根据所述事件触发多智能体***的最优二分共识数据和所述节点分类库,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程;
所述信息交互管理模块,还用于根据所述***值函数,得到所述***值函数的收敛特征,所述收敛特征包括收敛阈值、收敛条件、***值函数系数、收敛因子和收敛损失值;
根据所述***值函数的所述收敛特征、所述***值函数的状态方程和所述多智能体***的最优二分共识的节点分类库,匹配所述***值函数对应的多智能体***的最优二分共识控制触发模型;
控制触发模型模块,用于将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据输入所述***值函数对应的多智能体***的最优二分共识控制触发模型;
根据所述多智能体***的最优二分共识控制触发模型的输出,得到所述***值函数的每个多智能体***的最优二分共识与所述状态方程对应的节点调整方式;
节点调整方式模块,用于根据所述多智能体***的最优二分共识的节点调整方式,控制所述多智能体***的最优二分共识信息交互。
本发明第三方面提供:一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上信息交互的计算机程序,所述处理器执行所述计算机程序时实现上述任一种最优二分共识控制方法。
本发明第四方面提供:一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种最优二分共识控制方法。
本发明的有益效果是:
1)通过对每条多智能体***的最优二分共识的权重邻接矩阵进行获取,并通过权重邻接矩阵来将多智能体***的最优二分共识进行事件触发的划分,得到多智能体***的最优二分共识的***值函数,再结合每个***值函数中多智能体***的最优二分共识的节点分类库,设定与之对应的状态方程,再将***值函数的收敛特征纳入分析范围,从而实现对多智能体***的最优二分共识的事件触发性控制,即对不同***值函数的多智能体***的最优二分共识采用不同的节点调整方式。
2)结合***值函数的收敛特征、***值函数的状态方程以及***值函数的节点分类库,选择适合匹配地多智能体***的最优二分共识控制触发模型,以实现不同状态方程、不同***值函数对应不同的多智能体***的最优二分共识控制触发模型,使多智能体***的最优二分共识的节点调整方式的预测更加准确,进而提高了多智能体***的最优二分共识控制及分析的精准度。
附图说明
图1为本发明的最优二分共识控制方法的流程图;
图2为本发明的最优二分共识控制装置的结构框图。
具体实施方式
下面将结合实施例,对本发明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,本领域技术人员在没有付出创造性劳动的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-图2,第一方面,结合图1所示,本发明提供一种最优二分共识控制方法,包括:
S1:获取多智能体***的最优二分共识的实时信息交互数据和所述多智能体***的最优二分共识的权重邻接矩阵;
具体地,针对多智能体***的最优二分共识的实时信息交互数据,可以通过安装在多智能体***的最优二分共识上的传感器,实时监测多智能体***的最优二分共识的信息交互状态以及参数。传感器可以实时监测多智能体***的最优二分共识信息交互数据,并将这些数据实时传输到数据处理中心,在获取时,可从数据处理中心直接获取;同时将权重邻接矩阵上传至数据处理中心,并把权重邻接矩阵和实时信息交互数据相关联,即可实现统一获取。
S2:根据所述权重邻接矩阵,得到所述多智能体***的最优二分共识的***值函数;
具体地,在本发明的优选实施例中,可以利用迭代过程***技术,将多智能体***的最优二分共识的权重邻接矩阵进行空间分析和处理,从而确定多智能体***的最优二分共识的***值函数;确定多智能体***的最优二分共识所在的事件触发范围。
S3:将处于相同***值函数的所述多智能体***的最优二分共识的实时信息交互数据做为事件触发多智能体***的最优二分共识数据;
具体地,根据多智能体***的最优二分共识的***值函数,将位于同一***值函数的多智能体***的最优二分共识进行归类并标识,再根据多智能体***的最优二分共识的归类或标识,对实时信息交互数据进行汇总和分类,将处于相同***值函数的多智能体***的最优二分共识的实时信息交互数据进行合并,形成事件触发多智能体***的最优二分共识数据集,通过将事件触发多智能体***的最优二分共识数据集汇总为事件触发多智能体***的最优二分共识数据,可以更好地把握该事件触发内多智能体***的最优二分共识的整体信息交互状况,发现潜在问题并制定相应节点调整方式,提升了多智能体***的最优二分共识管理的准确性和效率,并为多智能体***的最优二分共识信息交互的优化提供支持。
S4:根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数的多智能体***的最优二分共识的节点分类库;
具体地,将事件触发多智能体***的最优二分共识数据呈现出来,并通过可视化,可以更直观地观察数据的分布和趋势,从而分析得到多智能体***的最优二分共识的节点分类库,在对多智能体***的最优二分共识的节点分类库进行分析时,可以采用数据分析技术和机器学习方法,例如,可以应用关联规则或异常检测等算法,来识别多智能体***的最优二分共识数据的集群、相关性和异常情况。
S5:根据所述事件触发多智能体***的最优二分共识数据和所述节点分类库,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程;
具体地,通过对事件触发多智能体***的最优二分共识数据的分析和节点分类库的识别,可以了解多智能体***的最优二分共识的信息交互状态和趋势,根据节点分类库中的异常情况或变化趋势,得到状态方程,例如,***多智能体***的最优二分共识的触发反馈误差风险,以便及时采取维护措施,避免多智能体***的最优二分共识的触发反馈误差和停运。
S6:根据所述***值函数,得到所述***值函数的收敛特征,所述收敛特征包括收敛阈值、收敛条件、***值函数系数、收敛因子和收敛损失值;
具体地,对于收敛阈值,可以参考地质调查报告、地质图、地质勘探数据等信息,通过分析收敛阈值和地层结构,了解地质条件对多智能体***的最优二分共识铺设和信息交互的影响,将收敛条件纳入最优二分共识控制范围,有助于制定适应环境的多智能体***的最优二分共识选择和维护策略;收敛因子反映了多智能体***的最优二分共识***需求的相对大小,高收敛因子事件触发的多智能体***的最优二分共识***可能需要更高的负载能力和更密集的铺设;结合上述内容,本发明的优选实施例中,可以将上述***值函数的收敛特征统一上传至数据处理中心,并于相应的***值函数进行关联,实现快速获取。
S7:根据所述***值函数的所述收敛特征、所述***值函数的状态方程和所述多智能体***的最优二分共识的节点分类库,匹配所述***值函数对应的多智能体***的最优二分共识控制触发模型;
具体地,由于不同的***值函数具有不同的地理环境、信息交互条件和负载特征,因此,选择相匹配的模型可以更好地适应所述***值函数的实际情况,提高预测的精确性和可靠性。通过相匹配的多智能体***的最优二分共识控制触发模型,可以获得与所述状态方程密切相关的预测结果,以便更好地制定多智能体***的最优二分共识节点调整方式和维护计划,预测触发反馈误差风险,优化能效,规划容量,并最大限度地提高多智能体***的最优二分共识***的可靠性和性能。在本发明的优选实施例中,可以通过深度神经网络来自主选择合适地多智能体***的最优二分共识控制触发模型。
S8:将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的所述实时信息交互数据输入所述***值函数对应的多智能体***的最优二分共识控制触发模型;
具体的,多智能体***的最优二分共识控制触发模型可通过历史数据进行训练,保证输出合适的节点调整方式,在本发明的优选实施例中,可以从数据处理中心获取历史数据进行训练,同时,确保所选模型与输入数据的特征和格式相匹配,得到准确可靠的预测结果。
S9:根据所述多智能体***的最优二分共识控制触发模型的输出,得到所述***值函数的每个多智能体***的最优二分共识与所述状态方程对应的节点调整方式;
具体地,根据多智能体***的最优二分共识控制触发模型的输出结果,可以对***值函数的资源进行规划和优化,以满足未来的需求,并提高的效率和可靠性,或制定资产节点调整方式,包括定期评估多智能体***的最优二分共识的寿命和性能,以及根据需要进行更新和升级。上述节点调整方式均由多智能体***的最优二分共识控制触发模型的输入参数决定。
S10:根据所述多智能体***的最优二分共识的所述节点调整方式,控制所述多智能体***的最优二分共识信息交互;
具体地,通过多智能体***的最优二分共识控制触发模型输出的节点调整方式,可以对每个***值函数的多智能体***的最优二分共识实施适合地节点调整方式,实现每个***值函数中的多智能体***的最优二分共识可以按照所在事件触发的特点信息交互。
本发明的最优二分共识控制方法,通过对每条多智能体***的最优二分共识的权重邻接矩阵进行获取,并通过权重邻接矩阵来将多智能体***的最优二分共识进行事件触发的划分,得到多智能体***的最优二分共识的***值函数,再结合每个***值函数中多智能体***的最优二分共识的节点分类库,设定与之对应的状态方程,再将***值函数的收敛特征纳入分析范围,从而实现对多智能体***的最优二分共识的事件触发性控制,即对不同***值函数的多智能体***的最优二分共识采用不同的节点调整方式。同时,结合***值函数的收敛特征、***值函数的状态方程以及***值函数的节点分类库,选择适合、匹配地多智能体***的最优二分共识控制触发模型,以实现不同状态方程、不同***值函数对应不同的多智能体***的最优二分共识控制触发模型,使多智能体***的最优二分共识的节点调整方式的预测更加准确,进而提高了多智能体***的最优二分共识管理及分析的精准度。
可选地,S2:所述根据所述权重邻接矩阵,得到所述多智能体***的最优二分共识的***值函数,包括:
根据所述多智能体***的最优二分共识权重邻接矩阵,得到所述多智能体***的最优二分共识的迭代优化条件;
根据所述多智能体***的最优二分共识的迭代优化条件,通过迭代过程数据处理,得到所述多智能体***的最优二分共识的具体迭代参数,所述具体迭代参数包括迭代速度、迭代时长、迭代影响噪声和迭代输出利用率;
将所述多智能体***的最优二分共识的具体迭代参数作为所述多智能体***的最优二分共识的***值函数。
具体地,根据多智能体***的最优二分共识权重邻接矩阵获取多智能体***的最优二分共识的迭代优化条件为了精确定位多智能体***的最优二分共识在地球上的具***置,基于多智能体***的最优二分共识迭代优化条件,可以使用迭代过程数据处理技术来获取多智能体***的最优二分共识的具体迭代参数,其中,迭代过程数据处理技术可以通过获取迭代速度边界数据、迭代时长信息、建筑物数据和迭代输出利用率数据等,建立相应的迭代过程数据库,将多智能体***的最优二分共识的迭代优化条件与迭代过程数据库中的相应数据进行匹配。通过匹配相应的地理数据,可以确定多智能体***的最优二分共识所在的迭代速度、迭代时长、迭代影响噪声和迭代输出利用率,根据匹配结果,确定多智能体***的最优二分共识的具体迭代参数,即所在的迭代速度、迭代时长、迭代影响噪声和迭代输出利用率。
在本实施例中,通过对具体迭代参数的确定,可以精确标识多智能体***的最优二分共识所在的迭代速度、迭代时长、迭代影响噪声和迭代输出利用率,准确地找到多智能体***的最优二分共识的位置,通过对***值函数的确定,从而实现对多智能体***的最优二分共识进行更准确的管理与维护。
可选地,所述S4:根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数的多智能体***的最优二分共识的节点分类库,包括:
根据所述事件触发多智能体***的最优二分共识数据,通过预设数据统计,得到所述***值函数的多智能体***的最优二分共识的事件触发种类,所述事件触发种类包括所述多智能体***的最优二分共识的事件状态、事件影响程度和事件间的相关性;
根据所述***值函数内所有多智能体***的最优二分共识的事件触发种类,得到每条多智能体***的最优二分共识的节点划分条件;
根据所述多智能体***的最优二分共识的节点划分条件,得到所述***值函数的多智能体***的最优二分共识的节点分类库。
具体地,通过对事件触发多智能体***的最优二分共识数据进行预设数据统计,可以得到***值函数的多智能体***的最优二分共识的事件触发种类,其中,可包括多智能体***的最优二分共识的事件状态、事件影响程度和事件间的相关性等方面的描述。在本发明的优选实施例中,可以通过计算多智能体***的最优二分共识位置的均值、中位数等指标,描述多智能体***的最优二分共识在***值函数内的集中分布趋势。例如,如果均值比较集中,则说明多智能体***的最优二分共识分布相对集中。根据***值函数内所有多智能体***的最优二分共识的事件触发种类,可以得到每条多智能体***的最优二分共识的节点划分条件,在一些的优选实施例中,可以采用相同的统计方法来计算每条多智能体***的最优二分共识位置数据的均值、方差等指标。将每条多智能体***的最优二分共识的节点划分条件综合起来,可以得到***值函数的多智能体***的最优二分共识的节点分类库,其中,通过对节点划分条件进行统计汇总,如计算均值、方差等指标,来描述整个事件触发多智能体***的最优二分共识数据的特征。
在本实施例中,通过事件触发多智能体***的最优二分共识数据,得到***值函数的多智能体***的最优二分共识节点分类库有助于对多智能体***的最优二分共识分布的全面了解和精确规划,提高多智能体***的最优二分共识***的管理效率和可靠性。
可选地,所述S5:根据所述事件触发多智能体***的最优二分共识数据和所述节点分类库,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程,包括:
根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数中的所有多智能体***的最优二分共识存在的触发反馈误差,所述触发反馈误差包括反馈效率、误差大小和误差来源;
根据所述多智能体***的最优二分共识的触发反馈误差,得到每条多智能体***的最优二分共识的控制值;
将所述多智能体***的最优二分共识的控制值和所述多智能体***的最优二分共识的节点分类库,输入深度学习模型;
根据所述深度学习模型的输出,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程。
具体地,根据事件触发多智能体***的最优二分共识数据,可以分析并确定***值函数中多智能体***的最优二分共识存在的触发反馈误差,包括反馈效率、误差大小和误差来源等;通过分析触发反馈误差,可以了解多智能体***的最优二分共识网络的现状和存在的风险,从而制定相应的状态方程。针对每条多智能体***的最优二分共识的触发反馈误差,确定其相对的控制值,触发反馈误差的严重程度和影响因素可以作为评估控制值的依据,例如,一条处于严重反馈效率状态的多智能体***的最优二分共识可能具有较高的控制值,而一条仅有轻微误差大小的多智能体***的最优二分共识可能具有较低的控制值。建立一个深度学习模型,其中,该网络可以采用图论或机器学习等方法,通过对多智能体***的最优二分共识的节点分类库和优先级进行综合分析,得到***值函数的状态方程。根据深度学习模型的输出,得到事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程,其中,状态方程涉及维护和修复多智能体***的最优二分共识设施、提高触发反馈误差检测和处理效率、优化资源分配等。
在本实施例中,通过分析多智能体***的最优二分共识数据和触发反馈误差,可以预测潜在的触发反馈误差风险,并提前采取维护和修复措施,通过建立深度学习模型,可以对多智能体***的最优二分共识触发反馈误差和控制值进行综合分析,制定相应的节点调整方式和应对措施,降低风险和提高多智能体***的最优二分共识网络的可靠性。
可选地,所述S7:根据所述***值函数的所述收敛特征、所述***值函数的状态方程和所述多智能体***的最优二分共识的节点分类库,匹配所述***值函数对应的多智能体***的最优二分共识控制触发模型,包括:
根据所述***值函数的状态方程,得到所述状态方程的系数更新误差;
根据所述***值函数的收敛特征,得到所述收敛特征的影响因素;
将所述系数更新误差、所述影响因素和所述多智能体***的最优二分共识的节点分类库输入聚类算法;
根据所述聚类算法的输出,得到所述***值函数对应的多智能体***的最优二分共识控制触发模型。
具体地,根据***值函数的状态方程,将其转化为可量化的特征。例如,状态方程可能包括多智能体***的最优二分共识设备维护次数、设备寿命延长百分比或触发反馈误差修复时间等,将这些目标转化为可量化的特征,为后续的预测模型选择提供输入。根据***值函数的收敛特征,对其进行编码,收敛特征可能包括迭代参数、气候条件或土壤状况等,通过对这些特征进行编码,可以将收敛特征转化为可用于预测模型选择的输入,将可量化的状态方程特征、收敛影响因素以及多智能体***的最优二分共识的节点分类库输入聚类算法。聚类算法可以采用机器学习、人工智能等技术,通过对输入数据进行分析和综合评估,选择适合该***值函数的多智能体***的最优二分共识控制触发模型。
在本实施例中,根据***值函数的状态方程、收敛特征和多智能体***的最优二分共识节点分类库,匹配合适的多智能体***的最优二分共识控制触发模型,通过选择适当的预测模型,提供定制化的管理建议,从而提高了预测精度。
可选地,所述最优二分共识控制方法用于节点优化***,所述节点优化***包括多个节点,每个节点对应一个所述***值函数;
S8:将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据输入所述***值函数对应的多智能体***的最优二分共识控制触发模型,包括:
通过所述节点优化***,将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据上传至所述***值函数对应的节点;
通过所述节点,将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据,输入所述***值函数对应的多智能体***的最优二分共识控制触发模型。
具体地,将最优二分共识控制方法用用在节点优化***,节点优化***可以将***值函数的收敛阈值、收敛条件、***值函数系数、收敛因子、收敛损失值以及多智能体***的最优二分共识实时信息交互数据集中存储,并与各个节点共享,同时每个节点对应管理一个***值函数内的所有多智能体***的最优二分共识信息交互,由于节点优化***中的多个节点各自负责不同的***值函数,可以实现并行处理各个地区的特征数据和多智能体***的最优二分共识实时信息交互数据,使得管理***能够更及时地做出预测和决策。节点优化***将不同地区的特征数据和多智能体***的最优二分共识实时信息交互数据输入到对应的预测模型中进行分析,能够针数据的特点进行精细化管理和预测。
在本实施例中,采用节点优化***,使得最优二分共识控制技术更加高效、精确和实时,通过多节点协同处理,提高了对多智能体***的最优二分共识管理的效率,最大程度发挥节点优化***的优势,进而提升多智能体***的最优二分共识网络的性能和可靠性。
可选地,所述S10:根据所述多智能体***的最优二分共识的节点调整方式,控制所述多智能体***的最优二分共识信息交互,包括:
根据所述多智能体***的最优二分共识的节点分类库,通过预设权重分配法则,为每条多智能体***的最优二分共识分配权重比例;
根据所述权重比例,得到所述***值函数内所有多智能体***的最优二分共识的编码序列;
通过所述节点,按照所述多智能体***的最优二分共识的编码序列,根据每条多智能体***的最优二分共识的节点调整方式控制所述多智能体***的最优二分共识信息交互。
具体地,根据多智能体***的最优二分共识的节点分类库,在节点优化***中采用预设权重分配法则为每条多智能体***的最优二分共识权重比例,根据具体需求和状态方程,可以根据经验或专家知识设定权重分配规则。在本发明的优选实施例中,按照多智能体***的最优二分共识的权重比例从高到低进行排序,确定每条多智能体***的最优二分共识的重要度,通过节点,按照多智能体***的最优二分共识的编码序列,根据每条多智能体***的最优二分共识的节点调整方式控制多智能体***的最优二分共识的信息交互。
在本实施例中,根据多智能体***的最优二分共识的节点分类库权重比例得到编码序列,并按照节点调整方式控制多智能体***的最优二分共识信息交互,其中,通过权重分配和重要度排序,能够优化资源分配和节点调整方式,最大程度地减少触发反馈误差和误差大小的风险,并提高多智能体***的最优二分共识网络的信息交互效率和可持续性。
第二方面,如图2所示,本发明提供一种最优二分共识控制装置,包括:
权重邻接矩阵模块,用于获取多智能体***的最优二分共识的实时信息交互数据和所述多智能体***的最优二分共识的权重邻接矩阵;
***值函数模块,用于根据所述权重邻接矩阵,得到所述多智能体***的最优二分共识的***值函数;
信息交互管理模块,用于将处于相同***值函数的多智能体***的最优二分共识的实时信息交互数据做为事件触发多智能体***的最优二分共识数据;
根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数的多智能体***的最优二分共识的节点分类库;
状态方程分析模块,用于根据所述事件触发多智能体***的最优二分共识数据和所述节点分类库,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程;
所述信息交互管理模块,还用于根据所述***值函数,得到所述***值函数的收敛特征,所述收敛特征包括收敛阈值、收敛条件、***值函数系数、收敛因子和收敛损失值;
根据所述***值函数的所述收敛特征、所述***值函数的状态方程和所述多智能体***的最优二分共识的节点分类库,匹配所述***值函数对应的多智能体***的最优二分共识控制触发模型;
控制触发模型模块,用于将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据输入所述***值函数对应的多智能体***的最优二分共识控制触发模型;
根据所述多智能体***的最优二分共识控制触发模型的输出,得到所述***值函数的每个多智能体***的最优二分共识与所述状态方程对应的节点调整方式;
节点调整方式模块,用于根据所述多智能体***的最优二分共识的节点调整方式,控制所述多智能体***的最优二分共识信息交互。
本发明所述的最优二分共识控制装置,具有与上述最优二分共识控制方法相对于现有技术所具有的优势相同,在此不再赘述。
第三方面,本发明提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上信息交互的计算机程序,所述处理器执行所述计算机程序时实现上述所述的最优二分共识控制方法。
本发明的所述的计算机设备,具有与上述最优二分共识控制方法相对于现有技术所具有的优势相同,在此不再赘述。
本发明还提供一种计算机可读存储介质,其中存储有计算机程序,计算机程序被处理器执行时实现上述所述的最优二分共识控制方法。
本发明的所述的计算机可读存储介质,具有与上述最优二分共识控制方法相对于现有技术所具有的优势相同,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种最优二分共识控制方法,其特征在于:包括以下步骤:
S1:获取多智能体***的最优二分共识的实时信息交互数据和所述多智能体***的最优二分共识的权重邻接矩阵,将实时信息交互数据和权重邻接矩阵传输到数据处理中心并相互关联;所述实时信息交互数据通过传感器实时获取;所述传感器实时监测多智能体***的最优二分共识的信息交互状态以及参数;
S2:根据所述权重邻接矩阵,得到所述多智能体***的最优二分共识的***值函数;
S3:将处于相同***值函数的多智能体***的最优二分共识的实时信息交互数据作为事件触发多智能体***的最优二分共识数据;
S4:根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数的多智能体***的最优二分共识的节点分类库;
S5:根据所述事件触发多智能体***的最优二分共识数据和所述节点分类库,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程;
S6:根据所述***值函数,得到所述***值函数的收敛特征,所述收敛特征包括收敛阈值、收敛条件、***值函数系数、收敛因子和收敛损失值;
S7:根据所述***值函数的收敛特征、所述***值函数的状态方程和所述多智能体***的最优二分共识的节点分类库,匹配所述***值函数对应的多智能体***的最优二分共识控制触发模型;
S8:将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据输入所述***值函数对应的多智能体***的最优二分共识控制触发模型;
S9:根据所述多智能体***的最优二分共识控制触发模型的输出,得到所述***值函数的每个多智能体***的最优二分共识与所述状态方程对应的节点调整方式;
S10:根据所述多智能体***的最优二分共识的节点调整方式,控制所述多智能体***的最优二分共识信息交互;
所述的S2还包括:
S21:根据所述多智能体***的最优二分共识权重邻接矩阵,得到所述多智能体***的最优二分共识的迭代优化条件;
S22:根据所述多智能体***的最优二分共识的迭代优化条件,通过迭代过程数据处理,得到所述多智能体***的最优二分共识的具体迭代参数,所述具体迭代参数包括迭代速度、迭代时长、迭代影响噪声和迭代输出利用率;
S23:将所述多智能体***的最优二分共识的具体迭代参数作为所述多智能体***的最优二分共识的***值函数;
所述的S5还包括:
S51:根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数中的所有多智能体***的最优二分共识存在的触发反馈误差,所述触发反馈误差包括反馈效率、误差大小和误差来源;
S52:根据所述多智能体***的最优二分共识的触发反馈误差,得到每条多智能体***的最优二分共识的控制值;
S53:将所述多智能体***的最优二分共识的控制值和所述多智能体***的最优二分共识的节点分类库,输入深度学习模型;
S54:根据所述深度学习模型的输出,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程;
所述的S7还包括:
S71:根据所述***值函数的状态方程,得到所述状态方程的系数更新误差;
S72:根据所述***值函数的收敛特征,得到所述收敛特征的影响因素;
S73:将所述系数更新误差、所述影响因素和所述多智能体***的最优二分共识的节点分类库输入聚类算法;
S74:根据所述聚类算法的输出,得到所述***值函数对应的多智能体***的最优二分共识控制触发模型;
所述的S10还包括:
S101:根据所述多智能体***的最优二分共识的节点分类库,通过预设权重分配法则,为每条多智能体***的最优二分共识分配权重比例;
S102:根据所述权重比例,得到所述***值函数内所有多智能体***的最优二分共识的编码序列;
S103:通过所述节点,按照所述多智能体***的最优二分共识的编码序列,根据每条多智能体***的最优二分共识的节点调整方式控制所述多智能体***的最优二分共识信息交互。
2.根据权利要求1所述的最优二分共识控制方法,其特征在于:所述的S4还包括:
S41:根据所述事件触发多智能体***的最优二分共识数据,通过预设数据统计,得到所述***值函数的多智能体***的最优二分共识的事件触发种类,所述事件触发种类包括所述多智能体***的最优二分共识的事件状态、事件影响程度和事件间的相关性;
S42:根据所述***值函数内所有多智能体***的最优二分共识的事件触发种类,得到每条多智能体***的最优二分共识的节点划分条件;
S43:根据所述多智能体***的最优二分共识:节点划分条件,得到所述***值函数的多智能体***的最优二分共识的节点分类库。
3.根据权利要求1或2所述的最优二分共识控制方法,其特征在于:所述的最优二分共识控制方法用于节点优化***,所述节点优化***包括多个节点,每个所述节点对应一个所述***值函数;
所述的S8还包括:
S81:通过所述节点优化***,将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据上传至所述***值函数对应的节点;
S82:通过所述节点,将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据,输入所述***值函数对应的多智能体***的最优二分共识控制触发模型。
4.一种最优二分共识控制装置,其特征在于:用于实现如权利要求1-3任一项所述的最优二分共识控制方法,包括:
权重邻接矩阵模块,用于获取多智能体***的最优二分共识的实时信息交互数据和所述多智能体***的最优二分共识的权重邻接矩阵;
***值函数模块,用于根据所述权重邻接矩阵,得到所述多智能体***的最优二分共识的***值函数;
信息交互管理模块,用于将处于相同***值函数的多智能体***的最优二分共识的实时信息交互数据做为事件触发多智能体***的最优二分共识数据;根据所述事件触发多智能体***的最优二分共识数据,得到所述***值函数的多智能体***的最优二分共识的节点分类库;
状态方程分析模块,用于根据所述事件触发多智能体***的最优二分共识数据和所述节点分类库,得到所述事件触发多智能体***的最优二分共识数据对应的***值函数的状态方程;
所述信息交互管理模块,还用于根据所述***值函数,得到所述***值函数的收敛特征,所述收敛特征包括收敛阈值、收敛条件、***值函数系数、收敛因子和收敛损失值;
根据所述***值函数的所述收敛特征、所述***值函数的状态方程和所述多智能体***的最优二分共识的节点分类库,匹配所述***值函数对应的多智能体***的最优二分共识控制触发模型;
控制触发模型模块,用于将所述***值函数的所述收敛阈值、所述收敛条件、所述***值函数系数、所述收敛因子、所述收敛损失值以及所述***值函数的每个多智能体***的最优二分共识的实时信息交互数据输入所述***值函数对应的多智能体***的最优二分共识控制触发模型;
根据所述多智能体***的最优二分共识控制触发模型的输出,得到所述***值函数的每个多智能体***的最优二分共识与所述状态方程对应的节点调整方式;
节点调整方式模块,用于根据所述多智能体***的最优二分共识的节点调整方式,控制所述多智能体***的最优二分共识信息交互。
5.一种计算机设备,其特征在于:包括存储器、处理器及存储在存储器上并可在处理器上信息交互的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-3任一项所述的最优二分共识控制方法。
6.一种计算机可读存储介质,其特征在于:其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的最优二分共识控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410339514.3A CN117973431B (zh) | 2024-03-25 | 2024-03-25 | 一种最优二分共识控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410339514.3A CN117973431B (zh) | 2024-03-25 | 2024-03-25 | 一种最优二分共识控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117973431A CN117973431A (zh) | 2024-05-03 |
CN117973431B true CN117973431B (zh) | 2024-06-21 |
Family
ID=90851729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410339514.3A Active CN117973431B (zh) | 2024-03-25 | 2024-03-25 | 一种最优二分共识控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117973431B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477581B (zh) * | 2008-12-19 | 2011-05-04 | 上海理工大学 | 多智能体区域道路交叉口信号集成控制仿真*** |
US10530805B1 (en) * | 2017-08-16 | 2020-01-07 | Symantec Corporation | Systems and methods for detecting security incidents |
CN112149959B (zh) * | 2020-08-26 | 2022-10-21 | 北京理工大学 | 一种分布式传感器-武器-目标联合分配方法 |
CN112699594A (zh) * | 2020-09-27 | 2021-04-23 | 中国海洋大学 | 多智能体***的二分共识控制律确定方法、装置、设备及存储介质 |
CN112925197B (zh) * | 2021-01-21 | 2022-08-12 | 南通大学 | 基于有限时间的多智能体***二分一致跟踪方法 |
CN113759719B (zh) * | 2021-08-24 | 2023-11-17 | 南京邮电大学 | 基于事件触发的多智能体***指定时间二分一致控制方法 |
CN115356922A (zh) * | 2022-07-22 | 2022-11-18 | 深圳市人工智能与机器人研究院 | 一种异步通信下的多智能体***二分蜂拥控制方法 |
CN117255027A (zh) * | 2023-06-09 | 2023-12-19 | 南通大学 | 一种具有切换拓扑的多智能体***二分同步方法 |
CN116974185A (zh) * | 2023-07-12 | 2023-10-31 | 武汉轻工大学 | 多智能体二分一致性的控制方法、装置、设备及存储介质 |
CN117454213A (zh) * | 2023-11-15 | 2024-01-26 | 广东工业大学 | 多视图数据聚类方法、装置、设备及介质 |
-
2024
- 2024-03-25 CN CN202410339514.3A patent/CN117973431B/zh active Active
Non-Patent Citations (2)
Title |
---|
二阶混杂多智能体***的安全二分一致性;吴佳慧 等;《控制理论与应用》;20231031;第40卷(第10期);第1821-1830页 * |
多智能体***安全二分一致性问题研究;刘洪彬;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200115;第I140-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117973431A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170315523A1 (en) | Using forecasting to control target systems | |
Tan et al. | A three-step machine learning framework for energy profiling, activity state prediction and production estimation in smart process manufacturing | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN117539726B (zh) | 绿色智算中心能效优化方法及*** | |
Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
CN117522084B (zh) | 一种自动化混凝土灌浆调度*** | |
CN112101521A (zh) | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 | |
Raju et al. | An approach for demand forecasting in steel industries using ensemble learning | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及*** | |
Chen et al. | A new cloud computing method for establishing asymmetric cycle time intervals in a wafer fabrication factory | |
CN117436727A (zh) | 一种智能水利调度优化*** | |
CN117993556A (zh) | 一种智能化生态环境分区管控*** | |
Gosavi et al. | Maintenance optimization in a digital twin for Industry 4.0 | |
CN117666448A (zh) | 基于物联网能耗预测的节能方法、装置、设备及介质 | |
CN115994674B (zh) | 一种基于数字孪生综合能源***的调度管理方法 | |
CN117973431B (zh) | 一种最优二分共识控制方法、装置、设备及存储介质 | |
CN117035468B (zh) | 一种电缆管理分析方法、装置、设备及存储介质 | |
Greitemann et al. | Quantitative model of the technology lifecycle for forecasting the maturity of manufacturing technologies | |
CN113537553A (zh) | 一种区域配电网负荷需求混合预测方法 | |
Belyakov et al. | Intuitionistic fuzzy approach to solving a distributional problem under uncertainty | |
El Alaoui et al. | Examining the Application of Artificial Neural Networks (ANNs) for Advancing Energy Efficiency in Building: A Comprehensive Reviews | |
CN118300104B (zh) | 基于图神经网络的分布式光伏功率预测方法、***、电子设备及存储介质 | |
CN118014318B (zh) | 一种基于多能***的电力能源需求动态管理方法及装置 | |
CN117791613B (zh) | 一种基于资源集群调控的决策方法及*** | |
CN118213997B (zh) | 一种基于ahp-灰色模糊算法的城市电网负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |