買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜重慶大學(xué)申請(qǐng)的專利基于非線性跨代差分進(jìn)化的花授粉優(yōu)化方法及實(shí)現(xiàn)系統(tǒng)獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114399045B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-01發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210037226.3，技術(shù)領(lǐng)域涉及：G06N3/006；該發(fā)明授權(quán)基于非線性跨代差分進(jìn)化的花授粉優(yōu)化方法及實(shí)現(xiàn)系統(tǒng)是由梁靚;魏亞星;李義鑫;賈云健;陳正川;溫萬里設(shè)計(jì)研發(fā)完成，并于2022-01-13向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于非線性跨代差分進(jìn)化的花授粉優(yōu)化方法及實(shí)現(xiàn)系統(tǒng)在說明書摘要公布了：本發(fā)明涉及一種基于非線性跨代差分進(jìn)化的花授粉優(yōu)化方法及實(shí)現(xiàn)系統(tǒng)，屬于計(jì)算機(jī)領(lǐng)域。該方法包括以下步驟：S1：非線性慣性權(quán)重設(shè)置；S2：跨代差分進(jìn)化；S3：參數(shù)自適應(yīng)調(diào)整；S4：跨代賭輪盤跳出局部最優(yōu)解。本方法可以設(shè)置非線性慣性權(quán)重使花授粉算法在全局搜索初期以較快速度加強(qiáng)搜索能力，提升算法的搜索收斂速度。自適應(yīng)調(diào)整實(shí)現(xiàn)動(dòng)態(tài)更新縮放因子和交叉概率，從而提高種群豐富度、減少局部解的數(shù)量，再結(jié)合跨代賭輪盤方式以降低陷入局部最優(yōu)解的概率。

本發(fā)明授權(quán)基于非線性跨代差分進(jìn)化的花授粉優(yōu)化方法及實(shí)現(xiàn)系統(tǒng)在權(quán)利要求書中公布了：1.基于非線性跨代差分進(jìn)化的花授粉優(yōu)化方法，其特征在于：該方法包括以下步驟：S1：非線性慣性權(quán)重設(shè)置；S2：跨代差分進(jìn)化；S3：參數(shù)自適應(yīng)調(diào)整；S4：跨代賭輪盤跳出局部最優(yōu)解；所述S1具體為：基于具有全局探索和局部開發(fā)優(yōu)勢(shì)的模擬退火算法SA，設(shè)計(jì)非線性慣性權(quán)重如下： 其中Tmax為最大迭代次數(shù)，t為當(dāng)前迭代次數(shù)，為當(dāng)前種群的最小適應(yīng)度值，為上一代種群的最小適應(yīng)度值；權(quán)重k的變化能夠指導(dǎo)全局搜索方向，降低盲目搜索帶來的成本；基于非線性慣性權(quán)重，花授粉的全局搜索迭代公式為： 其中，和分別為每個(gè)維度花粉個(gè)體值的上下限，指每個(gè)個(gè)體上下限維度的平均值,rand是分布于[0,1]的隨機(jī)數(shù)；所述S2具體為：跨代差分進(jìn)化包括兩種變異策略，即基于鄰域的跨代進(jìn)化策略NCG和基于種群的跨代進(jìn)化策略PCG；NCG和PCG通過分析連續(xù)世代之間的差異來引導(dǎo)搜索方向接近最優(yōu)解，結(jié)合兩代種群的信息減少搜索結(jié)果的數(shù)值振蕩；為提高FPA-NCDE在局部搜索過程中的搜索穩(wěn)定性，設(shè)計(jì)非線性反余弦加速因子c，使搜索開始時(shí)更快地進(jìn)入局部搜索，結(jié)束時(shí)保持較高的搜索速度而不會(huì)提前收斂；其定義如下： 其中，dnum為花粉個(gè)體的維數(shù)，t為迭代次數(shù)，Tmax為最大迭代次數(shù)；設(shè)cmax＝1.0,cmin＝0.6；隨著算法迭代次數(shù)的增加，衰減速度趨緩，提升算法的局部搜索能力；NCG通過計(jì)算種群中父代個(gè)體與其他個(gè)體之間的歐氏距離，選擇最近的T個(gè)個(gè)體組成鄰域池，并基于歐氏距離選擇上一代T個(gè)個(gè)體作為鄰域池的成員，其表達(dá)式如下： 其中，Vi,g為變異向量，表示差分進(jìn)化后產(chǎn)生的新個(gè)體，i是父代個(gè)體的索引，g是差分變異的代數(shù)，是當(dāng)前代鄰域池中隨機(jī)選取的個(gè)體，是上一代父代鄰域池中隨機(jī)選取的個(gè)體；rn1是從{Ii,g,1,Ii,g,2,...Ii,g,T}選取的隨機(jī)整數(shù)，{Ii,g,1,Ii,g,2,...Ii,g,T}記錄鄰域池中個(gè)體的索引，rn2是從{Ii,g-1,1,Ii,g-1,2,...Ii,g-1,T}隨機(jī)選取的整數(shù)，T的大小為種群個(gè)體總數(shù)的5％；PCG通過隨機(jī)選擇父代個(gè)體上一代種群中的個(gè)體和當(dāng)代種群中的個(gè)體參與突變過程，來增加種群的豐富度，其表達(dá)式如下： 其中，xi,g為父代個(gè)體，為當(dāng)前種群中隨機(jī)選取的個(gè)體，為上一代種群中隨機(jī)選取的個(gè)體，rp1和rp2為從{1,2,...N}中選取的隨機(jī)整數(shù)，N為種群規(guī)模；為平衡收斂和搜索能力，在變異操作中采用PCG和NCG的概率相同；所述S3具體為：在參數(shù)初始化過程中，初始的縮放因子Fi,g和交叉概率CRi是從[Fmin,Fmax]和[CRmin,CRmax]中隨機(jī)產(chǎn)生，F(xiàn)min和Fmax分別為縮放因子F的上下限，CRmin和CRmax為交叉概率的上下限；縮放因子動(dòng)態(tài)更新的表達(dá)式如下： 從當(dāng)前個(gè)體的鄰域中隨機(jī)選取三個(gè)個(gè)體xp1、xp2、xp3，其適應(yīng)度值分別為f1、f2、f3且f1＜f2＜f3；同樣，從上一代父代個(gè)體的鄰域池中隨機(jī)選取3個(gè)個(gè)體xp4,xp5,xp6其適應(yīng)度值分別為f4、f5、f6且f4＜f5＜f6；交叉概率動(dòng)態(tài)更新的表達(dá)式如下： 其中fave是當(dāng)前種群內(nèi)所有個(gè)體的平均適應(yīng)度；所述S4具體為：在完成對(duì)所有個(gè)體的搜索迭代后，選取適應(yīng)度值最小的T個(gè)個(gè)體，再?gòu)漠?dāng)前種群剩余個(gè)體中隨機(jī)選擇α個(gè)個(gè)體以及從上一代隨機(jī)選擇β個(gè)父代個(gè)體，共計(jì)2T個(gè)個(gè)體組成輪盤賭池，參與輪盤賭的過程；輪盤賭池每個(gè)花粉個(gè)體被選擇的概率如下： 其中i為花粉個(gè)體，wigi是適應(yīng)度值的映射權(quán)重；跨代賭輪盤的過程如下：S41：將父代花粉種群中的花粉個(gè)體按照適應(yīng)度值進(jìn)行升序排序；S42：選擇其中排名前T個(gè)花粉個(gè)體組成子種群Pt；S43：從父代種群中的剩余個(gè)體中隨機(jī)選擇β個(gè)個(gè)體；S44：從當(dāng)代種群中隨機(jī)選擇α個(gè)個(gè)體；S45：將子種群與選出的個(gè)體組成賭輪盤池Wt；S46：根據(jù)公式11將輪盤池里的個(gè)體參與賭輪盤過程；將無人機(jī)智能巡檢的路徑規(guī)劃的飛行起點(diǎn)和終點(diǎn)的直線線段進(jìn)行D等分處理，過線段上的各個(gè)等分點(diǎn)做垂直于直線線段的垂線，在各個(gè)等分點(diǎn)所在的垂線上選取合適的點(diǎn)作為航跡點(diǎn)，將這些航跡點(diǎn)進(jìn)行連接的軌跡路線就是UAV飛行的路徑規(guī)劃路線；設(shè)新的坐標(biāo)系下無人機(jī)飛行過程中遇到的障礙物和威脅目標(biāo)所在的位置坐標(biāo)為xi,yi，威脅半徑為ri，則威脅目標(biāo)的攻擊范圍為： 在進(jìn)行無人機(jī)路徑規(guī)劃過程中，包含三個(gè)約束條件，分別是飛行長(zhǎng)度限制、轉(zhuǎn)彎角度限制、飛行高度限制；1飛行長(zhǎng)度限制無人機(jī)每次轉(zhuǎn)向前都存在一個(gè)直線距離進(jìn)行誤差修正；最小飛行長(zhǎng)度影響無人機(jī)航跡；設(shè)飛行航跡起點(diǎn)為S,終點(diǎn)為T,將ST分段為D+1段；各段的長(zhǎng)度大于最小飛行長(zhǎng)度限制；每一分段最大總長(zhǎng)度遵循如下條件： 其中||Pi-1Pi||是航段的長(zhǎng)度，P0是起點(diǎn)，PD+1是終點(diǎn)，Lmax是總飛行長(zhǎng)度的最大值；2轉(zhuǎn)彎角度限制無人機(jī)在相鄰兩段分段之間存在轉(zhuǎn)彎角度遵循以下條件： 其中θmax是最大轉(zhuǎn)向角；3飛行高度限制無人機(jī)的飛行高度h遵循以下條件：Hmin＜h＜Hmax15Hmax為最大飛行高度，Hmin為最小飛行高度；基于上述約束條件，考慮能耗成本、轉(zhuǎn)向成本、威脅攻擊成本和飛行高度成本作為無人機(jī)路徑規(guī)劃算法的性能評(píng)估標(biāo)準(zhǔn)；1能耗成本能耗成本Coste與無人機(jī)的航速和總飛行長(zhǎng)度有關(guān)，其表達(dá)式如下： 其中η為能耗因子，v是無人機(jī)的速度，li是總飛行航跡第i個(gè)分段航跡的長(zhǎng)度；2轉(zhuǎn)向成本轉(zhuǎn)向成本與轉(zhuǎn)向角度有關(guān)，式17給出轉(zhuǎn)向成本Costs的計(jì)算： 其中θj是轉(zhuǎn)向角，k是轉(zhuǎn)向系數(shù)，θmax是最大轉(zhuǎn)向角；3威脅攻擊成本考慮威脅攻擊代價(jià)Costt，各航跡點(diǎn)的威脅程度表示為： 其中kj為第j個(gè)威脅目標(biāo)的威脅等級(jí)，a和b為威脅權(quán)重，dxj是指無人機(jī)在點(diǎn)x距第j個(gè)威脅目標(biāo)中心的距離，Rj表示威脅目標(biāo)的半徑；為計(jì)算每個(gè)威脅目標(biāo)在各分段路徑上的無人機(jī)所耗費(fèi)的威脅攻擊成本，將每一分段的長(zhǎng)度平均分為15個(gè)部分；每一分段的威脅攻擊成本為所在位置的所有威脅攻擊成本的平均值；則威脅攻擊成本Costt為： li為第i個(gè)飛行航跡段的長(zhǎng)度，N為威脅目標(biāo)的數(shù)量；4飛行高度成本飛行高度成本與各分段的飛行高度有關(guān)，飛行高度成本Costh為：Costh＝μhi-hbest20其中μ為飛行高度因子，hi為無人機(jī)在第i個(gè)分段的飛行高度，hbest為最佳飛行高度；無人機(jī)巡檢路徑規(guī)劃的代價(jià)函數(shù)為： 其中，λ1、λ2、λ3、λ4分別表示Costt、Coste、Costh、Costs的權(quán)重。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人重慶大學(xué)，其通訊地址為：400044 重慶市沙坪壩區(qū)沙坪壩正街174號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。