物联网环境共享汽车充电智能指导最优路径研究

摘要

近年来，随着物联网（物联网）技术的改进，人们的生活中出现了“共享”的服务理念。在有限的可用资源中，研究共用汽车充电桩选择的最佳路径是很大的价值。借助事物互联网技术和通过分析收集的数据，介绍了三种路径优化方法，Dijkstra算法，启发式算法 ，和改进的粒子群优化（PSO）算法;建立相关的收敛条件;并将实际的路径成本作为判断最佳路径的标准。此外，本文研究了共用汽车到充电桩的最佳路径。通过仿真实验，结果表明，与传统的最优路径算法相比，改进的粒子群优化算法具有很强的平行性和更好的搜索效果，以便在大量的流量路径节点和复杂路径的情况下进行最佳路径选择反映了算法的性能优势。

1.介绍

作为一个长期问题，空气污染尚未完全改善，汽车尾气是空气污染的重要原因。在此基础上，通过IOT技术的支持，研究从共用汽车到充电桩的最佳路径具有重要意义。

为了合理分配交通网络，提高交通运营效率，美国开始在20世纪60年代学习智能交通。1991年，美国国会通过了综合土地运输效率法案（Istea）[1］．仿真结果表明，一旦采用isstra方案，美国路网的通行能力将提高20%~30% [2］．智能交通系统（其）首先用于停车场车辆引导系统。1971年，德国亚琛最早出现了最早的外国停车指导系统。然后它首先在英国和其他欧洲国家，日本和其他发达国家广泛使用[3.，4］．在中国北京[5，6]、上海、广州[7[其他城市采取领先地位介绍停车指导系统，有效减轻交通拥堵。越来越多的城市已经开始使用停车指导系统[8］．越来越多的城市正在申请停车指导系统。国内共用电动汽车的崛起，结合国内和国际城市停车指导系统的发展，已经指出了从共用电动汽车到充电桩的最佳路径的发展目标和方向。

DRGS的核心是路径制导算法，但目前的路径制导大多基于静态信息。以求得前者中的最短路径旅行并降低多项式顺序的复杂性，Wei等人。[10.]提出了采用改进的Dijkstra算法的广义最短路径。一位(11.用遗传算法组合了Dijkstra算法，研究了快速获取最佳路径的方法，但没有网络条件的限制。2009年，为了避免单一算法落入本地最佳缺陷并提高优化效率，范德Zijpp和加泰罗纳[12.]提出了一种基于模拟退火算法和遗传算法的最短路径优化算法。传统的路径引导方法仅局限于单个个体寻找起点和终点的最优路径，不能考虑整体道路影响因素，实现路径动态归纳[13.］．因此，有必要设计电动汽车共享充电的最优路径，以提高共享车的利用率，缓解交通拥堵带来的交通压力[14.］．

动态路线指导系统（DRG）首先在美国，英国，日本等发达国家学习。基于DRG的其他路径引导系统已经实现了一些结果[9］．DRG的核心是路径引导算法，但是当前路径引导主要基于静态信息。魏等人。[10.]提出了广义最短路径，采用改进的Dijkstra算法查找前面的最短路径路由并将复杂性降低到多项式顺序。一位(11.使用与遗传算法将Dijkstra算法组合的方法，以找到最佳路径而不限制道路网络条件。van der zijpp和catalano [12.]在2009年提出了一种基于模拟退火算法和遗传算法的最短路径优化算法，避免了单一算法容易陷入局部最优的缺点，提高了优化效率。传统的路线引导方法局限于个体寻找起点和终点的最优路径，不能考虑道路因素的整体影响，实现动态路线引导[13.］．因此，在共享电动车需要充电时需要设计最佳路径，这不仅可以提高共享汽车的利用率，而且可以减轻交通拥堵和其他交通压力[14.］．

基于IOT的停车指导系统和城市路线指导的上述研究具有一定的局限性，并且由于城市交通网络的复杂性，不确定，仍有关于引导共用汽车到充电桩的桩的路径规划的研究。道路网络中车辆的情况，车辆的实时和道路状况。当我们使用实时更新的流量数据来搜索路径时，提出了更高的要求，以实现最佳路径选择。

2. IOT技术

IOT是新一代信息技术的重要组成部分，该技术被称为计算机和互联网后世界信息产业的第三波。早期的IOT基于物流系统的背景提出，射频识别（RFID）技术被用作条形码识别的替代，以实现物流系统的智能管理。“事物互联网”的概念在2005年国际电联世界峰会上正式提出了突尼斯的信息社会。报告指出，物联网是信息和通信技术世界的新沟通方面（如图所示）1），任何时间，任何位置和连接任何人都会连接到任何对象。所有事物的连接形成IOT [15.］．

国际电联报告的引入使得物联网在世界上的地位越来越重要。各个相关领域的工作者都从不同的角度对物联网进行了研究。然而，不同的工作者对物联网有不同的看法，对物联网的描述也不同。因此，物联网的概念并没有达成共识。

在这里，我们只介绍一个被广泛认可的概念。“物联网技术”的定义是[16.一种网络技术，通过RFID、红外传感器、全球定位系统(GPS)、激光扫描仪和其他信息传感设备。为了实现智能识别、定位、跟踪、监控和管理，任何连接到互联网进行信息交换和通信的项目都可以称为互联网技术[17.]根据协议。其核心和基础仍然是“互联网技术”;它是一种在互联网技术的基础上扩展和扩展的一种网络技术。客户端扩展并扩展到任何商品和对象，交换信息，以及彼此通信[18.］．

对于IOT中的关键链路的描述，根据信息科学的角度，IOT的信息功能模型围绕信息的流程摘要，如图所示2．

２.１.物联网应用的三大关键技术

一般的物联网架构有四个层次:感知层、网络层、数据智能处理层和应用层。感知层就像人的皮肤和感官，用来识别物体和收集信息。网络层就像人类的神经网络，将信息传递给大脑进行处理。数据智能处理层是核心技术，以数据为中心实现。应用层包括应用支持层和各种特定对象组网应用。物联网的应用包括三个关键技术，其技术架构如图所示3.．（1)传感器技术：收集信号是模拟信号，只有在模拟信号转换为数字信号时，才能通过计算机处理（2）RFID标签技术：射频识别和嵌入式技术的集成，具有广泛的应用前景，在自动识别中，物品物流管理（3）嵌入式系统技术：复合技术，集成计算机硬件和软件技术，传感器技术，集成电路技术，电子应用技术

２.２.物联网的特点

物联网基于互联网，这不仅具有互联网的许多特征，而且还扩展了其拥有更多突出的功能。网络网络的基本特征是感知，可靠性和智力，主要反映在以下三个方面：

2.2.1。洞察力

这主要体现在物联网的识别和通信方面。在整个物联网中，有大量的传感器。每个传感器都是一个信息源。传感器接收信息，并通过特定协议识别信息。在我们科技信息化飞速发展的今天，信息数据也在不断的被更新，所以传感器必须不断的感知数据，更新信息。

2.2.2。可靠性

可靠性主要体现在信息传输的可靠性，通过云计算;模糊识别技术，对应各种事物的变化;可靠传输;并及时发送指示。

2.2.3。智力

物联网是事物与事物之间的沟通，没有人类的干涉。换句话说，这不是通过人类的授权，但是这个人只是一种意识控制。IOT可以通过各种技术传输，分析和处理信息。最后，可以通过智能控制进行智能决策。

因此，全面感知、可靠传输和智能处理是物联网的三大重要特征。在“智能星球”中，涉及到物联网的重要性，体现了物联网深刻的感知、全面的互联、强大的智能化。

２.３.物联网系统架构

在这里，我们介绍一种物联网架构，包括底层网络分布、融合网关接入、互联网融合和终端用户应用。其结构如图所示4．

在图中4，根据其各自的特征，在物理空间中选择性地分布大量底层网络系统，其形成网络分布。底层网络收集易货交易的交换信息，并通过RFID，WSNS，WLAN等将其传送到智能融合网关[19.］．通过智能融合网关，网络连接到网络融合系统。最后，包括无线电和电视网络，互联网和电信网络的网络方法用于到达终端用户应用系统。同时，终端用户可以通过主观行为将底层网络对不同的应用来影响，以实现人类和事物之间的材料协会信息相互作用，事物与人类的东西。The underlying network distribution including heterogeneous networks, such as WSNs, RFID system, and WLAN, allows the system to identify the properties of the objects and collects and captures the information, through the information interaction of heterogeneous network, which can realize the object’s perception of the external physical environment. From the view of network function, the underlying network should have the dual functions of information acquisition and routing, while the underlying heterogeneous networks need to collaborate with each other to accomplish specific tasks.

融合网关访问主要完成从底层网络收集的信息，顺利地访问传输网络。访问技术包括有线访问方法和无线接入方法。智能融合网关通常具有强大的存储，处理和通信功能。该键与底层网络相结合，并顺利地向上访问集成网络。优化的网络系统包括广播电视，互联网和电信网络，主要完成信息的远程传输[20.］．终端用户应用系统主要完成信息相关的服务发现和应用程序功能。

3.Question-Making和分析

３.１.提出了优化导路的问题

随着城市化和产业化的发展，城市交通拥堵问题越来越严重。共用汽车在缓解交通拥堵压力方面的作用越来越明显。但随着共用汽车的应用范围的增加，如何指导它找到最佳充电桩路由问题已经困扰了电动车充电的管理者。随着物联网的发展，城市的交通监控设备可以做非法捕捉，流量控制等。交通管理中心可以使用传感器或监控视频处理技术，以便对每个车辆的实时监控。路径引导成为可能。该城市的实时交通数据迅速更新，在动态流量信息前面，提出了更高的要求，提出了如何快速查找充电桩的最佳路径。

3.2。分析路径影响因素

实时流量中的最佳路径问题不等于理论上的最短路径研究。结合交通法律法规，单向道路交通，转动限制等，我们通过将电动车辆的最短行驶距离引导到充电桩的最短驾驶距离，引导电动车辆的最佳路径，最短的驾驶时间以及最低的功耗和其他优化标准作为目标。相关影响因素主要来自几个方面。（1)实时交通条件在实际交通中，如果多辆电动汽车选择同一最优路径，超过道路通行能力，必然会导致最坏情况。因此，在选择最优路径时，根据通道上的交通流、行车速度等因素对道路拥堵程度的量化，可表示为畅通、普遍拥堵、拥堵和严重拥堵，通过车辆行驶记录器采集实时交通信息，路口电子监控等可以用来分析和量化交通状况。（2）交叉延迟时间在理论研究中，采用优化算法研究最优路径时忽略了节点间的时延，主观判断段的时延对时间优化没有影响。在实际交通中，交通信号(交通灯)是交叉口最明显的时滞，对优化时间有很大的影响。（3）道路单向街的影响在实际的道路中，交通管理部门将在某些特定道路上设置一条单向街道，而传统的路径优化方法则在默认节点处都是双向巷子。此优化模式不符合实际的流量路径。

3.3。物联网智能交通系统模型

根据物联网的系统结构和智能运输系统的功能要求，提出了基于物联网的智能交通系统模型。智能流量系统分层以实现模型功能和属性的分析和描述。

在感知层，基于物联网的智能交通应用建立在车辆、人员、环境等相关基础设施上。信息收集由信标、路标传感器等基本传感工具完成。在网络层，基于物联网的智能交通系统强调信息的共享和利用，通过卫星、计算机网络、无线移动通信等相关技术完成交通信息在网络层的传输。另外，信息的存储和处理可以根据不同的服务提供不同的信息。应用层，可实现根据交通流量调整信号灯、实时提供交通信息的服务，并根据不同的服务领域进行不同的交通管理和控制，及时反馈实现，不断扩展更智能化的服务功能。

总之，基于IOT的智能流量系统是一种网络系统，实现流量信息的集合，传输，控制和应用。随着IOT技术的发展，智能交通系统的服务水平将继续扩大并更好地服务于旅行者。

4.城市网络最优路径研究方案

将城市交通路线图抽象为一个方向图。电动汽车停车点与起点比较，终点与终点比较。根据路径长度、交通信号、双向交通等条件，将起点、终点、交叉口定义为交通网络中的节点，将两个节点之间的道路定义为两点之间的路径。对这些信息进行加权，确定交通拥堵程度，找到引导电动汽车到达充电桩的最佳路径。

传统的最佳路径选择可以根据节点，路径特性和路径分配的权重值分为以下类型的问题，如图所示5．

4．1.Dijkstra算法[21.］

Dijkstra算法是一种解决网络图中所有路径的权重大于零的算法。目前，这种算法的研究更加成熟，其最大的缺点是它忽略了网络拓扑模型中独立个体的特征，使得算法长时间运行。对局部小样品的最佳路径的选择存在一定影响;然而，它的高时间复杂性在大规模中选择最佳路径时具有很大的限制。

基本实现步骤:

Dijkstra算法是求解网络图中所有大于零路径的权值，并计算出网络中最优路径即最短路径的算法。把图6作为实例，简要介绍了求解最短路径的步骤。数字7是网络结构的树形结构。

算法的实现过程如表所示1：

4.2。启发式算法

最短的路径问题有很多含义。在启发式算法中，最佳路径选择是指函数在搜索树的节点上定义，该节点用于评估从该节点到目标节点的路径的最佳选择。启发式是一种具有最丰富的资源数据的搜索算法。是一种经典启发式搜索算法，可以有效地找到静态路网中的最佳路径。公式 （1)是选择成本最低节点的基础: 在哪里为从起始节点到当前节点的最优路径的目标函数，价格是否在可接受的估计范围内表示初始节点到节点的实际路径n．

4.3。弗洛伊德算法

弗洛伊德算法是一种算法[22.]解决任何两点之间的最短路径，可以正确地处理定向图或负功率（但不是负电源环）的最短路径问题，也用于计算定向图的传递闭合。

计算图表中每个顶点的最短路径时 根据Floyd算法，需要引入两个矩阵。的元素 在矩阵代表距离顶点的距离（ ）到顶点（ ）。的元素在矩阵中表示顶点的顶点的顶点后值记录由 ．

假设图表中的顶点数量是 ，然后矩阵和矩阵需要更新次了。首先是顶点的距离在矩阵是顶点的重量到顶点 ，而如果和不是相邻的吗 ，矩阵的值的价值顶点 ．下一步是N乘以矩阵的更新 ．在第一次更新中，如果“距离 “大于” ，哪个表示通过第一个顶点的距离我和j，“ 更新 “ “和更新 到 ．同样的,当k^th更新，如果“距离 “大于” ，“然后更新 “ “和更新 到 ．迭代运作时间和程序结束。

Floyd算法是一种详尽的算法。在计算任意两点之间的最短路径时，弗洛伊德算法需要在途中计算具有连接的点。然而，城市交通路线网络中有许多节点，因此时间复杂性高，并且不适合该算法。

基于PSO算法的最优感应路径研究

5.1。最优路径计算流程

当电动车充电管理员启动汽车时，目的地信息被输入车辆终端设备。IOT技术可以感知交通拥堵程度，交通管理信息和其他实时交通信息。传输层传输网络被发送到数据处理中心，并且通过网络层处理和分析接收的信息。计算充电​​桩的最合理选择方案和最佳感应路径，然后通过传输层向管理员发送实时交通信息和系统决策方案以实现最佳感应路径的目标。整体流量指导过程如图所示8．

5.2。识别交通状态

城市的交通状况可以分为流利，基本的光滑，轻度充血，适度拥堵和严重拥堵。最佳导向路径的选择取决于每个部分的流量状态的状态，并预测每个可能的路段的流量状态。

交通状况的识别步骤包括交通特征的提取与选择、交通状况的分类和交通状况的预测。交通状态识别主要是通过传感设备实现交通量、线路长度、道路饱和度、平均速度、车辆密度等可检测特征。然后根据交通特征对交通状态进行分类。最后，根据实时交通数据，预测未来可能选择的道路的交通状态。

5.3。计算最佳路径

根据共用汽车管理人员利润的目的和使用后的电动车辆，本研究的主要内容是使用粒子群优化算法从停车点选择最佳路径到充电桩共用汽车需要收取费用。

5.3.1。粒子群算法的基本思想

粒子群算法由Eberhart，美国的计算智能研究专家，1995年的心理学家研究专家Kennedy博士[23.- - - - - -25.］．该算法是一种基于鸟类活动规律性和群体智能的随机搜索算法。在该算法中，鸟被认为是粒子，只保留鸟的飞行功能和组行为。因此，算法中的颗粒被抽象成鸟类以一定的速度飞行，并根据飞行体验动态调整。颗粒的位置可用于表示优化问题的溶液，可以通过速度控制颗粒运动的方向和距离，并且可以通过适应性函数来评估每个颗粒的优缺点。

在解决优化问题时，粒子群算法假设粒子群的大小是并延伸到 -维度空间中，粒子表示为矢量 在里面 -尺寸空间，飞行速度是 ．每个颗粒具有由目标函数确定的健身值，并知道最佳位置（Pbest）和当前位置到目前为止已经找到了它。这可以被视为粒子自己的飞行经验。此外，到目前为止，每个粒子还知道该组中发现的所有粒子的最佳位置（Gbest）（Gbest是Pbest中最佳值）。这可以被视为同行组的经验。粒子通过他们的经验和同龄人的最佳体验来确定下一个运动。在找到（PBEST，GBEST）两个最佳值后，粒子使用以下公式来更新其速度和位置。

其中,被称为惯性重量，这是搜索粒子的新搜索空间的能力，是当前的迭代号码，和是学习因素，调节个人经验部分，规范社会认知部分，并且通常将它们设置为相同的值，并且rand（）是（0,1）之间的随机数。在每个尺寸中，粒子具有最大限制速度 ，如果一维速度超过 ，该维度的速度仅限于 ．粒子的运动原理如图所示9．

其算法流程如图所示10.．

5.3.2。基于蚁群算法的最优路径选择

最佳路径选择的问题类似于鸟类觅食。共享汽车对接点被设置为起点。目的地是充电桩被认为是鸟类的食物来源。共享车辆需要通过一个部分，从起点到充电桩的位置。在路径选择过程中，共享汽车将根据自己的判断选择所需的路径。整个网络是一个定向图，车辆是一种具有智能行为的人造鸟类，人造鸟类刚刚找到从起点到终止点的路径，并没有返回原始起点。通过对流量进程的抽象，将实际的流量成本作为启发式信息，从而可以建立具有最佳路径选择的人工鸟类群系统。

在实际的流量中，我们不应该考虑路径的长度，而且还考虑到实时交通，交叉口的延迟时间，以及单向街的影响。在这里，我们将全面成本作为最佳参考标准设置。公式如下：

在哪里表示路段和的费用参数表示该路段的可靠性系数。

通过实验模拟，路径标签的数据 ，起始点和结束点的标记，开始和结束点之间的长度（m）布置如表所示2．Dijkstra算法，启发式算法 ，采用粒子群算法分别计算最优路径，并根据实际情况计算路段间的费用参数和可靠性系数。假设一个城市有26个节点，用阿拉伯数字1-26进行编号，节点分布如图所示11.；我们应分别计算每条路径的综合成本。这里，我们使用Dijkstra算法，启发式算法和粒子群算法从节点7（共享汽车初始点）到节点22（共享汽车充电桩）获得最佳路径。他们最短的路线是7⟶886⟶18⟶19⟶21→22,7⟶86⟶18⟶19⟶21⟶22，7⟶6⟶18⟶19⟶21⟶22。细节显示在图中的虚线12.， 数字13.,图14.．剩下的任何两个节点都可以使用相同的方法来解决最佳路径。

根据表的数据3.，与启发式算法相比与Dijkstra算法相比，粒子群算法的实际路径成本最低，且与理论路径成本没有偏差。但是，启发式算法的实际路径代价 ，Dijkstra算法偏离理论值，说明这两种算法在寻找最优路径的过程中容易陷入局部优化。同时，由于仿真构建的网络不够大，采用粒子群优化算法比启发式算法需要更长的时间Dijkstra算法。

Dijkstra算法的原理是遍历整个网络，当网络尺寸很小时具有明显的优势。粒子群优化是一种具有简单原理的启发式算法。粒子可以基于先前的搜索信息进行当前搜索，这大大降低了盲目搜索的可能性。因此，随着网络施工的增加，粒子群优化算法的优势将变得更加明显。

粒子群算法是一种基于多智能体的仿生优化算法。因此，将粒子群优化算法应用到最优路径选择过程中可以充分体现算法的优势，算法本身具有很大的发展前景和研究价值。通过选择不同的起点和终点，利用粒子群算法寻找最短路径，计算可信度、代价系数和综合代价。排序结果如表所示2．

数据可用性

在本研究中分析的数据集可以在合理的请求时从相应的作者获得。

利益冲突

提交人声明有关本文的出版物没有利益冲突。

致谢

基金资助:河北省自然科学青年基金资助项目(No. 5137508);华北航空航天学院博士科学基金资助项目(No. A2018409015);BKY-2018-23)，廊坊市科技局科研项目(No. 2019029012)。

参考

1. R. J. Diller，“Istea：运输政策的新方向”Publius：联邦制杂志，卷。22，没有。3，pp。67-78,1992。查看在：出版商网站|谷歌学术
2. 运输研究委员会特殊，ista与多式联运规划:概念、实践、愿景，交通研究委员会特别报告，1993年。
3. Y. Sun，H.强，J.Xu和G. Lin，“基于事物的互联网在线状态监测，并改进了中低速Maglev火车系统的适应性模糊控制”，工业信息学学报，卷。16，不。4，pp。2629-2639,2020。查看在：出版商网站|谷歌学术
4. J.Verplanke，M.K.McCall，C. Uberhuaga，G. Rambaldi和M. Haklay，“PGIS和VGI的共同视角”《制图，第53卷，第53期4、pp. 308-317, 2016。查看在：出版商网站|谷歌学术
5. z . y .周,城市停止指导信息系统功能设计与关键模型研究，东南人类科学运输规划与管理，2004。
6. 李斌，刘涛，朱华，上海公共停车信息系统技术方案研究是2007年第三届中国智能交通大会。
7. 王伟，“城市停车引导信息系统的发展与应用综述”，交通运输系统工程和信息， 2006年第2期。查看在：谷歌学术
8. Y. Wen，Y. Lu，J. Yan，Z.周，K. M. Von Deneen和P. Shi，“诸如智能运输系统的车牌识别算法”，IEEE智能交通系统交易，第12卷，第2期3, pp. 830-845, 2011。查看在：出版商网站|谷歌学术
9. A. M. Yang，X. L. Yang，Y. Han，Y.K. Guo，J. M. Liu和H. Zhang，“无线渠道优化的信息”IEEE访问，卷。6，不。1，pp。54064-54074,2018。查看在：出版商网站|谷歌学术
10. 魏伟，夏新，M. Wozniak, X. Fan, R. Damaševičius，“煤矿井下网络物理系统的多sink分布式功率控制算法”，计算机网络，卷。161，pp。210-219，2019。查看在：出版商网站|谷歌学术
11. 温学林，“基于混合算法的最短路径优化算法”，天津工业大学学报，卷。25，不。1，pp。37-40,2009。查看在：谷歌学术
12. N. J. van der Zijpp和S. F. Catalano，《通过寻找约束k -最短路径的路径枚举》，交通研究，卷。39，没有。6，pp。545-563，2005。查看在：出版商网站|谷歌学术
13. 经济合作和发展组织，城市移动系统升级分享自驾车如何改变城市交通，经合组织发布，2015年。
14. 国际电信联盟,2005年互联网报告：事物互联网，国际电联，日内瓦，2005年。
15. J. Li，L. Zhang，X. Feng，K.Jia和F. Kong，“移动通信中无线通道的特点提取和面积识别”互联网技术杂志，第20卷，第2期。2，第545-553页，2019。查看在：谷歌学术
16. 毛艳青，“物联网的信息模型与能力分析”，软件学报，卷。25，不。8，pp。1685-1695,2014。查看在：谷歌学术
17. 付慧，G. Manogaran, K. Wu, M. Cao, S. Jiang, A. Yang，“基于物联网的网上购物行为智能决策”，国际信息管理杂志， vol. 50, pp. 515-525, 2020。查看在：出版商网站|谷歌学术
18. A.杨，Y.Li，C.刘，J.Li，Y.张和J. Wang，基于块链技术的钢铁企业物流供应链研究，“下一代计算机系统，第101卷，第635-645页，2019。查看在：出版商网站|谷歌学术
19. 吴俊，“绿色无线通信:从概念到现实[行业展望]，”IEEE无线通信，卷。19，没有。4，pp。4-5,2012。查看在：出版商网站|谷歌学术
20. “基于cdma的EPC全球C1 gen 2系统的抗碰撞算法”，“基于cdma的EPC全球C1 gen 2系统的抗碰撞算法”，“基于cdma的EPC全球C1 gen 2系统的抗碰撞算法”，电信系统，第67卷，第5期1, pp. 63-71, 2018。查看在：出版商网站|谷歌学术
21. J.Peng和Y. Shao，“基于V2V Multisource大数据识别驾驶风险的智能方法”复杂性文章编号1801273,9页，2018。查看在：出版商网站|谷歌学术
22. J.肯尼迪和R.C.Eberhart，“粒子群优化”ICNN'95的诉讼程序 - 神经网络国际会议，pp. 1942-1948，珀斯，沃斯，澳大利亚，1995年11月至12月。查看在：出版商网站|谷歌学术
23. A. Yang, C. Zhang, Y. Zhuansun, Y. Zhuansun, H. Liu，“基于物联网和立体匹配算法的智能家居系统的安全与隐私”，IEEE的东西互联网，卷。2019年，没有。第1款2019年。查看在：出版商网站|谷歌学术
24. C. W. Reynolds，“羊群，牧群和学校：分布式行为模型”，ACM Siggraph计算机图形，卷。21，不。4，pp。25-34,1987。查看在：出版商网站|谷歌学术
25. J.Wu，L.张，S. Yin，H. Wang，G. Wang和J.元，“基于医疗大数据平台的低细胞性骨髓增生综合征和血吸虫贫血的差异诊断模型”复杂性，卷。2018年，第4824350，12页，2018年。查看在：出版商网站|谷歌学术

版权

版权所有©2020 yuefang sun等。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。