【MDVRP】水滴算法求解多仓库车辆路径规划问题【含Matlab源码 1310期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab路径规划（仿真科研站版）仿真内容点击👇
Matlab路径规划（仿真科研站版）

⛄一、VRP简介

1 VRP基本原理
车辆路径规划问题(Vehicle Routing Problem，VRP)是运筹学里重要的研究问题之一。VRP关注有一个供货商与K个销售点的路径规划的情况，可以简述为：对一系列发货点和收货点，组织调用一定的车辆，安排适当的行车路线，使车辆有序地通过它们，在满足指定的约束条件下（例如：货物的需求量与发货量，交发货时间，车辆容量限制，行驶里程限制，行驶时间限制等），力争实现一定的目标（如车辆空驶总里程最短，运输总费用最低，车辆按一定时间到达，使用的车辆数最小等）。
VRP的图例如下所示：

2 问题属性与常见问题
车辆路径问题的特性比较复杂，总的来说包含四个方面的属性：
（1）地址特性包括：车场数目、需求类型、作业要求。
（2）车辆特性包括：车辆数量、载重量约束、可运载品种约束、运行路线约束、工作时间约束。
（3）问题的其他特性。
（4）目标函数可能是总成本极小化，或者极小化最大作业成本，或者最大化准时作业。

3 常见问题有以下几类：
（1）旅行商问题
（2）带容量约束的车辆路线问题(CVRP)



该模型很难拓展到VRP的其他场景,并且不知道具体车辆的执行路径，因此对其模型继续改进。



（3）带时间窗的车辆路线问题
由于VRP问题的持续发展，考虑需求点对于车辆到达的时间有所要求之下，在车辆途程问题之中加入时窗的限制，便成为带时间窗车辆路径问题（VRP with Time Windows, VRPTW）。带时间窗车辆路径问题（VRPTW）是在VRP上加上了客户的被访问的时间窗约束。在VRPTW问题中，除了行驶成本之外, 成本函数还要包括由于早到某个客户而引起的等待时间和客户需要的服务时间。在VRPTW中，车辆除了要满足VRP问题的限制之外，还必须要满足需求点的时窗限制，而需求点的时窗限制可以分为两种，一种是硬时窗（Hard Time Window），硬时窗要求车辆必须要在时窗内到达，早到必须等待，而迟到则拒收；另一种是软时窗（Soft Time Window），不一定要在时窗内到达，但是在时窗之外到达必须要处罚，以处罚替代等待与拒收是软时窗与硬时窗最大的不同。


模型2(参考2017 A generalized formulation for vehicle routing problems)：
该模型为2维决策变量



（4）收集和分发问题
（5）多车场车辆路线问题
参考(2005 lim，多车场车辆路径问题的遗传算法_邹彤, 1996 renaud)

由于车辆是同质的，这里的建模在变量中没有加入车辆的维度。


（6）优先约束车辆路线问题
（7）相容性约束车辆路线问题
（8）随机需求车辆路线问题

4 解决方案
（1）数学解析法
（2）人机交互法
（3）先分组再排路线法
（4）先排路线再分组法
（5）节省或插入法
（6）改善或交换法
（7）数学规划近似法
（8）启发式算法

5 VRP与VRPTW对比

⛄二、IWD（智能水滴）算法简介

1 概述
在大自然中，河道是由流动的水滴组成的巨大群体移动创造的，相对于水滴群体本身来说，它们流经的河道周围就是它们所处在的环境，而这个环境正在被水滴群体的流动方向剧烈的改变着，同时周围的环境也在影响着水滴群体的流向。例如，环境当中的坚便的巨石泥土阳碍水滴的流动，而柔软松弛的泥土对于河水的流动的阻力就要小得多，实际上，大自然中的河流样貌就是由丁水滴群体和周围环境长期相互作用的结果而形成的。
依据人们的常识，大自然当中大部分的河流水道都是曲曲折折的，然而河流中的水清并不是像人类一样依靠视觉才到湖中或是海里的，而是，水滴在地球重力的作用下不断向前流动的。我们都知道，地球重力的方向指向地心，所以如果周围环境当中没有障碍物的话，水滴应该会沿着重力的方向向地心运动：由于在地球重力的作用下的，水滴在流动的过程当中会获得一定的加速度，因此随着运动其速度也会慢慢地不断增大。但是，在现实情况下，并不存在这样理想的状态也不存在从水清源头到地心的理想直线路径，甚至由于障砖物的影响，水消运动的实际路径与理想路径是远远不同的，因此才会有今天我们看到的河流样貌.而经研究发现，水滴在移动情况下建立起米的河道是最优的。河流当中的水滴具有两种属性：其本身具有一定的速度和携带一定量的泥土。在这样的情况下，水滴在运动时，就能够将泥上从一个地方向搬运到另一个地方。据我们所知，泥土会被水流从速度较高的地方携带到水流速度较低的地方，原因是当水滴速度较高时其具有的动能较大，能够克服地球重力对其所抛带泥土的作用，当水流具有的速度较低时，水滴携带的泥土会在地球重力的作用在水滴行进的路径中沉积下来。由于这个原因，泥土就会在水流速度较高的区域被搬移的越来越多，河道相应变得越来越深，也就吸引了越来越多的水流流向此处，进而可以容纳更多的水，同时水滴携带的泥土会在水流速度变慢时由于地球重力的作用
卸下来并沉积在河床上。
当一个水滴在河流中从一个地方流动另一个地方时，水滴具有的速度、水滴携带的泥土量、两个地方之间的泥土量三者都会发生明显的变化：
1)水滴流动时具有的速度会越来越大；
2)水滴携带的泥土量会越来越多：
3)位于这两点之间的河床上的泥土量会越来越少。

事实上，正如前文所描述，水清在从一个地方移动另一个地方的过程中会从河床上携带走一定量的泥土，河道上的泥土量会越来越少相应地水滴木身携带的泥土量会越来越多。在这个移动的过程中，水滴流动时具有的速度也会不断的变化。速度较大的水滴在流动时会从河床上携带走更多的泥上，除此之外，由于水滴流动时具有速度的快慢还和它周用所处的环境有关，周围的环境对水滴的移动起着阻碍的作用，所以当周围的泥土量较大时，水清在此段路径上流动时速度增长的就会越慢，当周围环境的泥土最较少时，水滴在此段路径上获得的速度就相应的会越来越快，向前流动就会更加容易：内此我们得到自然界中移动时的水滴具备以下属性：
1)流动速度高的水滴比流动速度低的水滴在路径中移动时能够携带走更多的泥土：
2)水滴能够在泥土量较小的路径中获取的速度增量大于比在泥土最较多的路径中获取的速度增量：
3)水滴在选择路径流动时会以较大的可能性朝着泥土量较少的路径移动.
3 智能水滴算法的基本原理
前文已经介绍了大自然中水滴具有某些典型的特点，根据上文中描述的这些特性， 根据人们的想象， 可以虚拟建立人工模型， 称为智能水滴(IWD) ， 它具备两个重要的属性：我们一般用soil(IWD) 表示水滴木身携带的泥土量， 用veloci tv(/WD) 表示水清向前流动时本身具有的速度口，在工程问题巾，智能水滴流动时周围的环境就代表着我们需要解决的工程问题，而由于相互作用智能水滴寻找的最短路径就是我们解决工程问题找到的最优路径， 在子找最优路径的过程中， 智能水滴具有的两项重要属性即soil(JWD) 和
velocity(IWD) 是不断变化的。
我们假设某些智能水滴在某种环境下流动，从始点流向某个终点，在这种情况下，从始点到达终点的路径可能不止一条.这里所指的环境就是实践当中我们需要解决的工程类问题，可以分为两种问题：
其一：在终点已知的情况下，解决此类问题需要按照某个标准(一般情况下是距离)从始点到终点找到最佳路径.
其二：在终点的位置事先不知道的情况下，解决此类问题需要按照代价或者其他标准找到终点最优的位置。

⛄三、部分源代码

clc; close all; clear all;

%% Variable initialization
iterations = 60;
pIter = 3; % # of parallel sol’ns calculated to find totalbest

stats = zeros(iterations, 2); % rows are iteration number, columns are best/worst

% Initial variables
tempInit = 150; % initial temperature for SA
temp = tempInit;
tempDec = 0.95; % temperature decrease rate
tempIter = 1; % number of iterations at each step
soilInit = 1000;
velocityInit = 100;
a_v = 1000; a_s = 1000;
b_v = 0.01; b_s = 0.01;
c_v = 1; c_s = 1;

vel_params = [a_v b_v c_v];
soil_params = [a_s b_s c_s];

% Soil updating params
rho_o = 0.9;
rho_n = 1 - rho_o;
% Global soil updating params
rho_s = 0.8;
rho_iwd = -1.5;

% Data sets
pind = 1; % problem index
problempath = ‘./…/data/problems/’;
problemfiles = { ‘p01’, ‘p02’, ‘p03’, ‘p04’, ‘p05’ };

solutionpath = ‘./…/data/solutions/’;
solutionfiles = { ‘p01.res’, ‘p02.res’, ‘p03.res’, ‘p04.res’, ‘p05.res’ };

%% Load and format data
% Grab the first fileset
[desc, depot_desc, cust, depot] = parseProblemSet(strcat(problempath, problemfiles{pind}));
num_customers = desc(3);
num_depots = desc(4);
num_vehicles = desc(2);
all_coords = [cust(:,2:3); depot(:,2:3)];

% Build adjacency matrix row is source, col is dest
[ distMat globalSoilMat ] = prepareBoard(desc, depot_desc, cust, depot, soilInit);
soilMat = globalSoilMat;
% Soil weightings based on edge length
soilMat = log(distMat+1).*globalSoilMat; %logarithmic
%soilMat = distMat.*globalSoilMat; %linear
%soilMat = exp(distMat).*globalSoilMat; %exponential
soilMat = normalizeSoilMat(soilMat, soilInit);
globalSoilMat = soilMat; % globalSoilMat contains the soil going forward

%% Initialize agents
for i = 1:pIter
dropstemp = [];
for d = 1:num_depots % for each depot
for v = 1:num_vehicles % populate vehicles
dep = depot(d,1);
capacity = depot_desc(d,2);
dropstemp = [ dropstemp; WaterDrop(dep,capacity,velocityInit, …
vel_params, soil_params) ];
end
end
drops(:, 1, i) = dropstemp;
end

clear dropstemp;

% Best solution
best_sol = 0;
best_cost = 0;
temp_counter = 0;

%% Simulate water drops
for it = 1:iterations
% reset calcualtion variables
soilMat = globalSoilMat;
for i = 1:pIter

    % reset droplets
    for dr = 1:length(drops)
        drops(dr, 1, i) = drops(dr, 1, i).reset(velocityInit);
    end
end

for s = 1:pIter % iterate to get parallel solutions and then will compare 
    % Build a full route set with multiple agents
    % Reset the parameters of each water drop on init

    customers = cust(:,1);
    demand = [cust(:,1) cust(:, 5)];
    while ~isempty(customers)

        for i = 1:length(drops)
            if isempty(customers)
                break; % stop processing this loop since allocation complete
            end

            % Simulate water drop flow for one agent
            iwd = drops(i, 1, s);
            iwd = iwd.flow(soilMat,customers, demand);
            customers(customers == iwd.route(end)) = [];

            % Update water drop
            iwd = iwd.updateVelocity(soilMat);
            iwd = iwd.updateSoil(distMat);
            drops(i, 1, s) = iwd;

            % Update soil on edges
            dsoil = iwd.deltaSoil(distMat);
            n = length(iwd.route);
            soilMat(iwd.route(n - 1), iwd.route(n)) = ...
                rho_o * soilMat(iwd.route(n - 1), iwd.route(n)) ...
                - rho_n * dsoil;
            soilMat(iwd.route(n), iwd.route(n - 1)) = ...
                rho_o * soilMat(iwd.route(n), iwd.route(n - 1)) ...
                - rho_n * dsoil;
        end% end of looping over agents for allocation

    end % end of customer allocation
    
    % send agents home
    for i = 1:length(drops)
        drops(i, 1, s) = drops(i, 1, s).returnHome();
    end

end % parallel solution construction

parallelCost = zeros(pIter, 1);
parallelBestCost = 0;

% Calculate total solution cost (Euclidean distance; sum of routes)
for s = 1:pIter
    dropcost = 0;
    for i = 1:length(drops)
        dropcost = drops(i, 1, s).calcRouteCost(distMat);
        parallelCost(s) = parallelCost(s) + dropcost;
    end
end

% Get index of the best solution
bestIndex = 0;
for s = 1:pIter
    if parallelCost(s) == min(parallelCost)
        bestIndex = s;
        parallelBestCost = parallelCost(s);
        break;
    end
end

% Stat updating
stats(it, :) = [min(parallelCost) max(parallelCost)];

% Update the best solution
if (parallelBestCost < best_cost) || (best_cost == 0)
    best_cost = parallelBestCost
    best_sol = drops(:, :, bestIndex);
end

% Update the global soil
probability = exp(-(parallelBestCost - best_cost)/temp);
temp_counter = temp_counter + 1;
if (temp_counter > tempIter)
    temp_counter = 0;
    temp = temp*tempDec; %reduce it
end
function [desc, depot_desc, cust, depot] = parseProblemSet(filename)
% Summary:  Function for parsing Cordeau problem sets and returning 
%           arrays containing the data.
% 
% desc:         Prob descr (type, # vehicles, # cust, # dep)
% depot_desc:   Descr of depots (max dur of route, max vehicle load)
% cust:         Customers (id, x,y, serv dur, demand, visit freq, 
%                           # visit combs, list visit combs)
% depot:        Depots (same as customers, but list is not present)

f = fopen(filename); % Open for read

% Description of problem set
desc = str2double(strsplit(strtrim(fgets(f)), ' '));
if length(desc) ~= 4
    error('File not correct format')
end

% Pull out variables
desc_cell = num2cell(desc);
[ptype m n t] = desc_cell{:};

% Depot descriptions
depot_desc = zeros(t,2);
for i = 1:t
    depot_desc(i,:) = str2double(strsplit(strtrim(fgets(f)), ' '));
end

% Customers
first_cust = str2double(strsplit(strtrim(fgets(f)), ' '));
cust = zeros(n,length(first_cust));
cust(1,:) = first_cust;
for i = 2:n
    cust(i,:) = str2double(strsplit(strtrim(fgets(f)), ' '));
end

% Depots
first_depot = str2double(strsplit(strtrim(fgets(f)), ' '));
depot = zeros(t,length(first_depot));
depot(1,:) = first_depot;
for i = 2:t
    depot(i,:) = str2double(strsplit(strtrim(fgets(f)), ' '));
end

fclose(f); % Close it up
return

end

⛄四、运行结果

⛄五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置