买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于混沌对立学习的足球队训练优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119645099B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411678884.6，技术领域涉及：G05D1/495；该发明授权一种基于混沌对立学习的足球队训练优化方法是由孙新禹;李维豪;岳江枫;林伯先;施孟佶;李曈;李孟;李志强;秦开宇设计研发完成，并于2024-11-22向国家知识产权局提交的专利申请。

本一种基于混沌对立学习的足球队训练优化方法在说明书摘要公布了：本发明公开了一种基于混沌对立学习的足球队训练优化方法，首先设计一种新颖的混沌映射方法，实现更随机更混沌的种群初始化，加快算法初期收敛速度。随后依次利用集体训练策略、联合集训策略、分组训练策略、个人额外训练策略对种群进行更新。直到满足最大迭代次数后输出最优解。本发明的方法相较于已有的优化方法，不仅能解决高维、非凸的优化问题，而且有着更强的全局搜索能力以及更快的求解速度，能够一定程度上解决复杂优化问题。

本发明授权一种基于混沌对立学习的足球队训练优化方法在权利要求书中公布了：1.一种基于混沌对立学习的足球队训练优化方法，其特征在于，包括以下步骤： S1、定义多维优化问题minfx：针对卫星组网的协同控制问题，在每个卫星上都部署一个基于神经网络的控制器，协同控制的目标是使所有卫星的姿态角达成一致；该控制器有两个待优化的自定义参数：控制器增益、神经网络更新速率；该优化问题的目标是选择一对合适的参数，满足如下指标：1最小化控制器的总控制输入；2最小化神经网络估计误差；3最小化姿态角收敛误差的标准差；每个控制器都需优化这三个指标，因此定义卫星组网协同控制的优化问题fx如下： 其中，N为卫星数量，T为控制器仿真迭代总次数，K为姿态角收敛误差向量个数，N＝4，T＝50001，K＝2；α1、α2、α3分别为三个优化目标的权重，需满足α1+α2+α3＝1，α1＝0.3、α2＝0.3、α3＝0.4；自变量x＝{x1,x2,x3}，x1、x2、x3分别为协同控制器的控制输出、神经网络估计误差、姿态角收敛误差的标准差，其中，x1和x2是大小为N×T的矩阵，x3是大小为K×T的矩阵；为xa中第i个卫星的第j次迭代的样本数据，a＝1或2；为第k个姿态角收敛的第j次迭代的样本数据，为x3的均值； S2、在足球队招生阶段，采用更具混沌性的无限折叠的迭代逻辑-倾斜帐篷映射方法，迭代生成pop个运动员；有如下子步骤： S21、将两个待优化控制器参数组成的参数对作为一个运动员；定义足球队训练优化算法的运动员个数为pop，优化算法的最大迭代次数为IterMax；迭代次数为Iter时，其第j维上的解为 S22、定义无限折叠的迭代逻辑-倾斜帐篷映射方法，第t+1个运动员在一维上的迭代更新公式为： 其中，t∈[1,pop]；xt∈[lb,ub]为随机生成的运动员状态，即优化问题的一个随机解；μ∈0,4]、α∈[0,1]是控制参数； S23、随机生成x1，然后采用S22中定义的无限折叠的迭代逻辑-倾斜帐篷映射方法迭代生成pop个运动员； S3、进行集体训练，找出最佳运动员与最差运动员，然后根据运动员类型更新其状态； S4、进行联合集训，生成并吸纳对立运动员，并对所有运动员进行评估和排名，保留排名前50％的尖子运动员组成集训队伍；有如下子步骤： S41、基于经S3迭代更新后的运动员，采用对立学习规则生成对立运动员： 其中是第i个对立运动员的状态；rand1∈[0,1]和rand2∈[0,1]为两个不同的随机数；k∈0,∞是对立学习的控制参数，k＝12000； S42、将对立运动员吸纳至我方队伍中，计算所有运动员的状态，保留排名前50％的运动员组成集训队伍； S5、进行分组训练：将所有运动员分组，并在组内进行学习与交流，根据四种学习与交流效果更新运动员状态； S6、个人额外训练：找出足球队中的最佳运动员，并对其进行个人额外训练； S7、记录并更新最佳运动员状态及其评分，若未达到算法最大迭代次数，则返回S3；若达到算法最大迭代次数，则输出最佳运动员状态。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。