文摘

针对多传感器资源调度的问题在导弹预警操作中,调度分解战略导弹预警任务下的合作提出了检测。检测效益因素,目标威胁因素,回归系数作为适应度函数,我们建立一个sensor-subtask作业(SSA)模型,提出一种混合离散人工蜂群(HDABC)算法来解决SSA模型的最优解。HDABC算法有以下改进:在初始化阶段,旨在减少sensor-subtask-based编码方法解决维度,和启发式规则用于获得优秀的人群提高收敛速度;在蜜蜂和旁观者蜜蜂阶段,食物来源更新策略基于离散微分突变(DDM)操作提出了改善算法的功能,和sorting-based自适应概率(SAP)选择方法应用于提高全局搜索和局部优化的能力。仿真实验进行了不同尺度的操作场景。实验结果表明,该HDABC算法可以获得最优调度方案和有一个更好的解决解决SSA模型时的性能,尤其是在中型的和大型操作场景。

1。介绍

导弹预警动态资源调度是指多传感器探测和跟踪序列的确定多目标条件下的有限的传感器资源,然后确定时间跟踪和资源分配,从而达到连续和稳定的威胁检测和跟踪目标。其实质是一种非线性组合优化决策问题多传感器检测的目标。目前,大多数研究都是针对单一传感器资源调度问题,集中调度方法和算法优化问题的约束下,能量,计算资源(1- - - - - -4]。然而,随着导弹预警系统的加速建设未来,导弹预警业务将以多传感器协作跟踪和检测。多目标资源调度问题的研究多传感器检测条件下的资源冲突已经成为一个迫切需要解决的问题。

确定任务优先级和调度算法设计的主要问题是多传感器资源调度。因此,多传感器调度解决方案方法可分为两类。

第一类是指优化任务优先级的决心。任务优先级确定资源调用的顺序和反映出任务的重要性。设置任务优先级调度期间确保重要的任务不会丢失,这要求优先级的确定对环境变化具有良好的适应性。传统的任务优先级确定方法采用过去的操作经验固定设置,但这种方法不够灵活有效地安排新任务的场景。之后,提出了优先级的确定方法,如最高优先级第一(高通滤波器)算法(5),最早截止日期前(EDF)算法(6最早)及其改进算法:修改期限(MEDF)算法,优先级最高,最早的期限(HPEDF)算法(7- - - - - -10]等。然而,上述算法没有充分利用先验信息的目标优先计划的过程中,有一个问题,过于强烈的主观性造成的人为分配任务的优先级模式。提高资源调度的可靠性和准确性,多参数综合优先级确定算法,其中包括最优任务效益因素和目标的威胁因素。程等。11)建立了调度模型考虑时间和精力限制从调度的角度;陈等人。12)提出了一个启发式多波束住基于最大的调度算法调度的好处;Zhang et al。13)提出了一个算法来计算任务的综合优先级相结合的威胁密度目标和任务的最后期限。仿真结果表明综合多参数方法相比的显著改善传统的任务优先级确定方法。在此基础上,本文将建立一个多传感器任务优先级确定方法更适合导弹预警。

第二类是指调度算法的设计,基于拍卖机制(如算法14,15[],博弈论的框架16),和近似动态规划17,18]。尺寸较小的这些算法可以有效地解决问题,但难以解决高维的问题。人工智能算法是一个流行的优化算法来解决目标分配和资源调度的问题,比如蚁群优化算法(ACO) [19)、遗传算法(GA) [20.),粒子群优化算法(PSO) (21,22),和人工蜂群算法(ABC) [23]。通过大量的实验(24,25),这是证明了ABC算法具有更好的优化能力比其他智能优化算法和不容易落入局部最适条件。目前,ABC算法已经应用于许多资源调度问题。例如,针对问题的收敛速度慢和武器资源调度算法的搜索效率低,Chang et al。26ABC)提出了一种改进算法,采用基于规则的启发式因子初始化,提高了算法的收敛速度和精度。彭日成et al。27]提出了一种改进的基于双概率的ABC算法获取传感器管理方案基于适应度函数的目标检测和目标跟踪的风险风险。夏et al。28ABC算法)提出了一个基于干扰几个参数的调整,资源调度问题,提出了ABC算法具有更好的性能在收敛速度和精度。综上所述,本文选择ABC算法优化多传感器资源调度问题,进一步支持的更好应用ABC算法领域的资源调度。

尽管上述方法多样化,他们仍有以下缺点:(1)大部分任务优先级的方法是针对空气动力目标,哪些不符合时间敏感目标预警的特点,如弹道导弹。(2)ABC算法的收敛性和精度并不好当处理多传感器多目标问题的检测。(3)sensor-target分配方案不能匹配传感器的功能很好地获得最优任务中获益。

本研究旨在构建一个多传感器资源调度决策模型优化任务优先级策略和改进调度算法来提高收敛性和精度。本文的主要贡献可以概括如下:(1)的前提下可预测的轨迹,一个导弹预警任务分解策略基于周期性调度和任务分解采用多传感器资源调度问题转化为一个sensor-subtask作业(SSA)优化问题。的合作检测p波段地面预警雷达(PBR)和x波段地面预警雷达(XBR)作为一个例子,一个多传感器资源调度决策模型和检测的好处是构造基于目标威胁(2)混合离散人工蜂群(HDABC)算法来解决多传感器资源分配问题的合作检测。算法改进方面的编码规则,初始化启发式策略,食物来源更新策略,和食物来源的选择概率,改进算法可以更优秀的在处理这些问题

2。定期调度和任务分解策略

定期调度和任务分解的导弹预警任务预警资源解决问题的时间规划和目标分组,也就是说,当生成调度方案以及如何分配传感器和目标(29日]。图1说明了导弹预警资源调度框架基于周期性调度和任务分解。

2.1。定期调度

调度周期的持续时间会极大地影响调度的效果(30.):如果生成的调度周期太长,与目标探测的跟踪误差,增加调度方案将不能满足检测现实;如果调度周期太短,解决方案的工作量将大幅增加。因此,调度周期应根据测量结果动态调整的目标和任务的变化趋势,主要取决于预测信息的准确性的早期预警系统和战场空间的复杂性。预测的准确性越高,业务规模越小,时间越长,所需的调度时间和可靠性越高,反之亦然;调度计划的准确性会受到影响。此外,在紧急情况下如新目标的出现,添加和撤军预警资源,和目标偏离预测弹道,期间必须动态地计算,以确保自适应复杂的战场任务。

调度周期的持续时间的计算方法如下:假设预测预警系统对目标的准确性是 ,目标是计划的数量 ,传感器的数量 ,生成调度方案的平均时间 ,的频率产生新的目标在一个调度周期 ,然后,下一个调度周期的持续时间如下: 在哪里计算函数的周期性调度长度。

2.2。任务分解策略

任务分解是指改进复杂可见传感器和目标之间的关系在一个调度周期的序列完成的子任务,这些子任务可以直接执行和传感器(21]。不同的任务分解策略往往会导致不同的子任务序列,最终导致不同的调度方案。目前,最常用的任务分解策略是“观察最长时间”和“开始和结束时间分割”方法(22),但他们都是打检测任务的分解。当目标同时存在的数量和在相同的空间太大,上述战略的分解的复杂性大大增加。因此,我们采用“最小调度间隔”的任务分解方法来避免这个问题的计算量显著增加,由于过度分解。进行如下:

步骤1。计算每个传感器对目标的可见性在一个调度周期和最小调度时间根据预测的目标轨迹。

步骤2。把预测轨迹生成基于可见性子任务。每个子任务的时间 。

步骤3。如果有 ,输出的子任务 ;如果有 ,当 ,输出的子任务 。

步骤4。直到 ,输出的子任务序列;否则,跳到步骤3。

上述周期调度和任务分解后的导弹预警任务,每个预警资源将对应于一系列的子任务序列。这时,预警资源的调度问题转化为一个“sensor-subtask任务”(SSA)的问题基于调度周期。定期生成调度方案,以确定哪些子任务是发现和预警资源分配执行,从而大大减少了复杂任务之间的通信和资源。

3所示。资源调度模型基于Sensor-Subtask任务

当传感器有一个可见的关系到同一个目标,为了分析理性的目标探测传感器,基于sensor-subtask分配的资源调度模型(SSA)是用来描述它。SSA模型建立如下。

3.1。适应度函数

等因素检测的适应度函数是由利益因素,目标威胁因素,回归和目标因素,这是表示如下: 多传感器协作检测的好处在哪里是计算 在哪里是检测效益因素,是目标威胁因素,是目标回归因子,然后呢是一个决策变量,描述的检测 - - - - - -th目标 - - - - - -th的子任务 - - - - - -th传感器和计算公式

3.1.1。检测利益因素

检测因子表示为受益 在哪里 , ,和体重因素和吗 。

(1)空间距离 的影响是指示目标之间的距离和上的传感器检测效果。目标距离越近,就越好,提高目标跟踪精度的信息,表示为 在哪里的最大探测距离吗- - - - - -th传感器和的平均距离是吗 - - - - - -传感器为每个子任务。

(2)视线角。是测量视线角之间的偏差(贷款)的传感器来检测目标和最优角。影响传感器识别目标的能力。从最佳角度越远,越检测效果,表示为 在哪里的最优贷款吗 - - - - - -th传感器的 - - - - - -th目标和贷款的每个子任务吗 - - - - - -传感器。

(3)检测覆盖率。是指示传感器探测覆盖能力的子任务。弹道越长弧长是由传感器检测的子任务,更好的可以避免目标丢失,表示为 在哪里的总预测弧长吗 - - - - - -th目标和检测电弧的长度吗 - - - - - -传感器为每个子任务。

(4)检测优先。是指示传感器的检测优先。识别传感器的精度越高,其优先级越高,表示为

3.1.2。目标威胁因素

在导弹预警操作,弹道目标通常表现为集群目标和执行饱和罢工的战略位置。因此,在有限的资源条件下,有必要对所有目标进行威胁评估区分优先检测,实现资源的合理分配。的威胁因素 - - - - - -目标表示为 在哪里和体重因素和吗 。

(1)朋友或敌人的信息。是指示的朋友还是敌人信息的目标。目标确定为我们没有发现。

(2)目标类别信息。信息包括弹头目标的信心和目标类型和表示目标的威胁等级和类型匹配的导弹模型。是由特征数据库中匹配目标后综合确定。值越大,越有可能目标弹头目标,和更大的威胁。值范围是

(3)飞行数据。包括各种信息,比如每个目标的预测范围的速度关闭点,剩下的飞行时间,弹道倾角,熔断点之间的距离和防御点,表示为 在哪里相对应的威胁值吗 - - - - - -th因素,得到的预测预警系统的信息。值范围(0,1),和值越大,威胁程度越高;每个因素的权重和吗 。

3.1.3。目标回归系数

目标回归系数是用来表达的影响合作的目标交接数量的传感器。为了避免误将和失去跟踪跟踪目标的过程中,目标的数量交接应该最小化。此外,是一个重要因素来控制解决方案的稳定性。计算公式是 在哪里 是一个异或操作,指示是否- - - - - -传感器开关跟踪目标和是最大的可追踪目标的能力- - - - - -传感器。

3.2。约束

(1)从总体的角度来看的导弹防御和资源优化,必须确保每个弹道目标能被探测到的尽可能多的和与检测子任务重叠只占用一个传感器, (2)限制的跟踪能力,目标跟踪的传感器的数量不能高于其目标的能力,和一定的冗余应该保留,以避免无法应对紧急由于资源过载,表示为 在哪里是最大的可追踪目标的能力- - - - - -th传感器

3.3。代的调度方案

解决SSA模型可以获得决策矩阵所有子任务的传感器检测到的。通过结合决策矩阵根据传感器数量,一个调度方案 可以生成调度时间内。

4所示。混合离散人工蜂群算法

拟议的SSA模型是一个典型的非线性组合优化问题,并且有许多的算法来解决此类问题。人工智能算法是一种有效的方法来解决这个np难度问题,从而得到一个令人满意的解决方案后一个给定的时期内迭代和优化搜索,但是有一些缺点,如收敛速度慢,效率低,不稳定的解决方案(26]。人工蜂群(ABC)算法是一种有效的人工智能算法通过模拟蜜蜂觅食行为(31日,32),已应用于许多领域,如动态聚类(33[],最短路径问题34),和旅行商问题35]。与PSO相比,德,EA (36],ABC算法具有柔性结构的特点,更少的控制参数,在大规模优化能力强、优势解决问题(37- - - - - -39]。考虑到有效的ABC算法的优化能力,我们采用ABC算法来解决SSA问题研究中。

然而,最初的ABC算法是首次开发解决连续问题[40),不能直接应用到解决问题与离散变量,如SSA模型。像其他人工智能算法,ABC算法局部收敛能力弱的缺点,收敛速度慢41]。为了解决上述问题,许多研究提出了离散ABC (DABC)算法(42,43)和改进的。到目前为止,这个改进DABC算法已经成功地应用于组合优化问题。例如,Masdari et al。44)提出了混沌离散ABC来解决离散问题,如无线传感器网络中传感器节点的聚类;李等人。45)提出了一个sorting-based离散人工蜂群算法解决流水车间调度问题;他等。46)提出了一种多任务蜜蜂殖民地与适应集群波段选择算法解决多任务优化问题在乐队的选择。

基于上述研究,我们提出了混合离散人工蜂群(HDABC)算法来解决SSA模型。我们首先定义整数编码策略,然后改善初始化规则,食物来源更新策略,改善ABC和食物来源的选择概率算法。导弹预警资源调度的解决方案过程基于HDABC如图2。

4.1。ABC算法

ABC算法蜜蜂殖民地分为三类:旁观者蜜蜂,童子军蜜蜂,蜜蜂。蜜蜂殖民地的目标是找到最优的食物来源,和食物来源代表解空间中所有可能的解决方案和测量的健身价值。采用蜜蜂关注食物源检测。旁观者蜜蜂收到食物来源信息共享的其他蜜蜂和负责矿业食物来源。侦察蜂寻找新的食物来源随机当食物来源被遗弃了。算法过程如下:(1)初始化阶段。在一个 - - - - - -维搜索空间,人口数量是NP,和每个食物源的位置 - - - - - -th迭代 在哪里 。食物来源的健身价值 (2)采用蜜蜂阶段。每个使用蜜蜂随机选择一种食物来源,然后生成一个新的食物来源食物来源的更新策略。健身值计算新的食物来源,更好的健身价值的食物来源是由贪婪的保留策略(3)旁观者蜜蜂阶段。雇佣蜂的接收信息后,旁观者蜜蜂选择几个食物来源根据食物来源选择策略,寻找新的食物来源根据健康的食物来源更新策略的比较,选择了食物来源和更好的保持健康(4)侦察蜂阶段。如果食物来源没有改善迭代,禁忌的食物来源被遗弃和记录列表。同时,蜜蜂的食物来源变成侦察蜂和生成一个新的食物来源根据随机初始化策略(5)重复步骤(2)(4),直到满足终止条件和最优食物源位置输出

4.2。改进的初始化阶段

4.2.1。准备基于Sensor-Subtask序列的离散的整数编码策略

决策变量SSA模型对应于蜜蜂蜂群算法的个体。的问题传感器,目标,子任务,如果使用0 - 1编码,a - - - - - -维( )将生成矢量,这将导致维灾难场景的复杂性增加。为了减少算法的计算复杂度,一个离散的整数编码方法提出了基于sensor-subtask序列如图3。

在这种方法中,决策矩阵编码的目标数相应的传感器,和位置没有视觉的关系充满了0。这时,编码长度是由最大跟踪能力每个传感器;也就是说, 。通过这种编码方法,算法是有效的维数减少,每个传感器和目标分配的数量不超过目标的能力,这是方便直接表达的调度方案。

4.2.2。初始化启发式规则

初始化启发式规则的目的是生成一个初始可行解来改善初始解的质量和加快收敛18]。根据SSA模型的特点,我们提出了基于target-threat-priority和resource-balance-priority初始化规则。

(1)基于Target-Threat-Priority启发式初始化过程。

步骤1。与最大的威胁程度,选择目标分配的传感器哪一个优先级最高的检测和删除目标。

步骤2。继续与最大分配目标威胁程度的传感器和删除目标之前到达最大容量。

步骤3。据的方法步骤1和2,指定目标 - - - - - - 反过来,直到没有目标或传感器资源饱和。

步骤4。采取分配方案作为启发式初始个体代替最初的解决方案。

(2)基于Resource-Balance-Priority启发式初始化过程。

步骤1。选择目标检测最大的好处 ,将其分配给 ,和删除目标;继续采取目标检测最大的好处 - - - - - - ,并将目标分配给每个传感器和删除目标。到目前为止,每个传感器都有被分配一个目标检测最大的好处。

步骤2。重复步骤1直到没有目标或传感器资源饱和。

步骤3。采取分配方案作为启发式初始个体代替最初的解决方案。

4.3。改进食物来源更新策略

从采用整数编码策略,更新食物来源的传统战略在侦察蜂蜜蜂阶段和阶段(47不适用。根据张等人的研究(48),一种食物来源更新策略基于离散微分突变(DDM)操作提出了提高算法的搜索能力。食物来源的更新公式如下: 规模的因素和随机数在[0,1], 是- - - - - -食物来源和- - - - - -食物来源,分别是新的食品资源。操作过程分为以下三个部分:

步骤1。计算的一部分
操作被定义为 在哪里 和 。通过这个操作的代码- - - - - -食物来源和- - - - - -一点点食物来源进行了比较。如果代码的- - - - - -th是零和,它是0;如果都是零,它将一个随机整数 ;如果是不同的,它将采取的一些编码- - - - - -食物来源。

步骤2。计算的一部分 。
操作被定义为 在哪里 变异算子和吗是舍入函数。这个操作之后,代码的一些概率问题转换为一个整数 。

步骤3。计算的一部分 。
操作被定义为 在哪里是交换两个数和的函数是函数,第二个数字之前插入第一个数字。突变的过程可以说明如下:如果 ,保持不变;如果 和 ,然后交换 - - - - - -th和- - - - - -th的 ;如果 和 ,插入 - - - - - -th的到 - - - - - -th,和其余的向后移动,如图4。

给出了一个说明的操作步骤3。对比后和 , 对应于交换和 ; 对应的插入的几位 ,和另一位依次向后移动; 对应于交换和 ; 对应的插入9日的 ,和另一位依次向后移动; 对应的插入在5日的 ,和另一位依次向后移动; 对应于 - - - - - -有些不会改变。

4.4。改善旁观者蜜蜂阶段

在传统的ABC算法,旁观者蜜蜂通常使用轮盘赌方法选择的食物来源14- - - - - -16]。然而,轮盘赌方法有一些缺点。例如,在早期的迭代中,由于大型健身价值的差异,较低的食物来源健身会很快消除,这将破坏个体的多样性;在迭代的后期,由于小健身价值的差异,每个食物来源往往选择的概率 ,和选择主要食物来源的能力会降低。

针对上述问题,我们提出一个sorting-based自适应概率(SAP)的选择方法。选择概率计算了该方法与健身价值,但没有直接的关系仅仅是相关的主要食物来源和迭代的数量49]。它是一种有效的方法来控制迭代过程的选择能力。其计算公式如下: 在哪里指数序列排序后所有的食物来源根据健身价值;健康的食物来源,越大排名越高;是最低的选择概率;和自适应控制系数。的变量和是设置为 和 (49]。当 ,自适应食物选择概率的变化曲线如图5。

可以看出,食物来源的选择概率计算的方法是平衡迭代的开始,它可以增加穷人食物来源的选择概率,保持种群的多样性,提高算法的全局搜索能力,和后期的迭代,可以增加优秀的食物来源的选择概率,使算法快速收敛。

5。仿真结果和比较

在相同的实验环境,我们设计了一个仿真分析实验和一个算法比较实验来验证模型的可行性和算法的性能。我们使用MATLAB 11.0 2021和STK建立模拟场景和生成目标运动数据。所有的实验都是运行在Windows 11个人电脑酷睿i7 - 11800 h, 2.3 GHz CPU和16 GB的RAM。

5.1。评价指标

算法的性能评估由以下指标。

5.1.1。值的调度

被定义为合作的比值检测子任务分配的调度计划中受益的和合作检测受益所有子任务的调度时间,用于反映结果是否最优(50]。 在哪里是合作效益组成的检测效益因素和威胁因素的单一子任务吗和分配子任务的数量和所有子任务的数量,分别。

5.1.2中。弹头目标分配率

被定义为的数量的比例分配的弹头目标的总数,用于反映算法的结果是否有效,如下: 在哪里是弹头目标的数量在调度方案和分配是总数量的目标。

5.2。HDABC算法的性能分析

这个实验分析HDABC算法的性能在处理SSA的问题。建立一个中等规模的导弹预警仿真场景如下:假设攻击者发起5导弹从3发射平台(启动时间 )在罢工和点的后卫。每个导弹携带2同伴诱饵;也就是说,有最多45目标在同一时间。导弹的参数如表所示1和2。后卫部署2 PBR和2 XBR导弹预警操作。其中,PBR可以追踪多达10个目标同时,和XBR可以跟踪5目标。的基本参数如表所示3。仿真场景如图6。

后 年代,所有目标进入检测范围的所有传感器;根据生成的子任务序列描述的策略部分2和调度间隔 拍摄进行仿真分析。

传统的离散算法美国广播公司(ABC), HDABC算法本文HDABC算法没有初始化启发式规则(ABC-1) HDABC算法没有DDM (ABC-2),和HDABC算法没有SAP (ABC-3)比较在这一节中,和比较的目的是验证改进算法的有效性。所有算法的参数设置如表所示4。不同的算法的结果比较图7。

可以看出HDABC算法的结果是最好的,和其他四个算法的收敛性能不如这个算法。其中,HDABC和ABC-1之间的区别很小,因为初始化启发式规则HDABC算法有更好的食物来源在早期迭代中,提高了收敛速度;之间的巨大差异HDABC ABC-2是DDM食物来源的更新策略提高了算法的优化能力。

蒙特卡罗模拟进行了20倍对于上面的仿真场景,和平均值。五种算法的仿真对比结果如表所示5。计算结果表明,所有这些ABC算法可以获得有效的调度方案,各指标和HDABC算法有明显的改进。然而,随着算法的复杂性增加,HDABC算法的运行时间增加,但这是在可接受的范围之内的。

5.3。不同算法的比较分析

这个实验比较不同算法的性能和HDABC算法在处理SSA不同尺度的问题。我们使用了HDABC算法,IGA算法(20.],SAPPSO算法[21[],PSO-VNS算法22)进行比较。比较的目的是验证的能力提出HDABC算法在解决SSA的问题。

场景被设置为小规模(1 PBR 1 XBR 5目标,和10个诱饵),中等(2 PBR 2 XBR 15目标,30诱饵),和大规模操作(4 PBR 4 XBR 30目标,60诱饵)场景。小规模和大规模仿真场景图所示8,中等规模的场景是一样的人物6。所有算法的参数设置为中等规模的场景如表所示6。

不同的算法的结果比较图9。从结果可以看出,HDABC更好的收敛能力与其他算法相比,在处理不同尺度的问题。为中型和大型SSA问题,HDABC算法收敛速度快,可以得到最佳的解决方案。

执行20蒙特卡罗模拟在上面的小,中期,和大规模SSA问题和平均值,箱形图的比较分析如图所示10,分析结果如表所示7。小规模SSA的问题,四个算法可以获得最优解,但IGA算法是相对贫穷的,收敛的结果是不稳定的。对于中期和大规模SSA问题,HDABC算法与其他算法相比能找到最优解,最好收敛,和算法结果更可靠。从大规模场景的实验数据,可以得出结论,HDABC算法获得的时间表的价值率为16.72%,10.74%,和11.41%高于IGA, PSO-VNS,和SAPPSO算法,和弹头目标分配率为16.44%,11.70%,和13.55%,分别。总之,HDABC算法的优点更反映在中型的和大型SSA问题的解决方案。然而,HDABC算法的效率需要进一步提高。

6。结论

在这篇文章中,进行一些探索性研究导弹预警多传感器资源调度的问题。多传感器、多目标资源调度问题转化为一个sensor-subtask分配问题通过周期性调度组件分解,建立了这个问题和SSA模型来解决协同调度问题的运营背景下导弹预警系统。通过ABC算法的适应性改进,它有更好的性能在处理这样的问题。HDABC算法与其它算法相比,具有收敛速度快,求解精度高,搜索性能好;此外,HDABC算法有很大的优势在解决大规模的导弹预警操作的问题。

然而,本文有以下缺点:分析主要是进行地面预警雷达的协同调度问题,如PBR XBR;建立模型和仿真场景很简单;HDABC算法的效率需要进一步提高。在后续工作中,我们将进一步研究多源传感器的合作资源调度方法,如早期预警卫星和早期预警雷达在复杂的场景。

数据可用性

本文分析了MATLAB中的所有模拟2021年和STK 11.0。使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(62106283)。