随着GNSS载波相位技术的快速发展，导航与位置服务科学在测绘、交通、航空、安防等诸多领域取得了广泛的应用.GNSS天线不仅能给用户提供准确的时间和位置信息，还能完成高精度的载体实时姿态测量任务.而载波相位测量的整周模糊度求解问题作为GNSS实时测姿的核心，一直是国内外众多学者的关注热点[1-2].近几年来先后涌现出大量关于模糊度求解的技术和方法，主要归为四类.基于测量域的整周模糊度求解，操作简单，观测时间短，实时性好，但仅适用于短基线测量.基于观测域的整周模糊度解算，通过卫星伪距测量确定模糊度，但测量值精度会影响解得模糊度的精度.以模糊度函数法为代表的基于位置域的整周模糊度求解作为发展较为完善的方式，对初值的依赖较大，且易出现由于估计精度差而导致无解或搜索次数剧增的情况.基于模糊度空间的整周模糊度搜索，主要借鉴最小二乘算法和滤波技术，比较有代表意义的有最小二乘搜索(Least Squares Search，LSS)、快速求解模糊度法(Fast Ambiguity Algorithm，FARA)和LAMBDA算法(Least Squares Ambiguity Decorrelation Adjustment)等，但这些算法属遍历方法，搜索效率较低，实时性欠佳[3-5].

蚁群进化算法(Ant Colony Evolving Algorithm,ACEA)受自然进化的灵感而被提出，在求解全局优化问题中具有自适应和自学习的特点，算法过程易实现，计算效率高，但存在局部收敛的缺陷[6].因此，本文在整周模糊度搜索特点的研究基础上，提出一种自适应掠夺策略的蚁群进化算法，应用于模糊度固定解搜索，不仅可免去整周模糊度去相关处理等过程，且在搜索效率上有较大改善.根据所得高精度的载波相位观测值用于求解基线矢量，实现载体的实时姿态确定.通过实验分析，表明新算法相比传统算法模糊度成功固定率显著提高，测姿结果精度较好，收敛速度快，为今后的GNSS动态实时测姿工程应用提供一定的理论依据.

壳聚糖是一种天然的抑菌物质，对果蔬进行适宜浓度的涂膜处理，可以有效防止其在贮藏期间的失水和皱缩，减缓营养物质消耗，并能提高各种抗病相关酶的活性，因此也可用于果蔬采后病害的防治[27]。有文献报道，采用1%的壳聚糖涂膜处理的杨梅果实，可以明显抑制果实贮藏期间SOD、APX和GR活性的下降，并可以提高果实的抗病性[28]。胡晓亮等[29]则采用不同浓度的壳聚糖、海藻酸钠和溶菌酶3种天然物质对杨梅果实进行涂膜处理，通过对比发现，壳聚糖处理的效果最好，在4℃条件下能贮藏20 d，其腐烂率明显低于其他处理组。

1 最小二乘求解整周模糊度浮点解

如文献[3]所述基于GNSS载波相位观测量的双差观测方程

Φ=A·N+B·b+e,

(1)

设GNSS天线可接收k+1颗卫星信号，其中主星1颗，则构成k维双差观测方程，式中Φ表示相位双差值矩阵，N为双差整周模糊度矩阵，b为基线矢量，e表示均值为0,方差为Q的观测噪声误差,A=-1和B=[s-2,1,s-3,1,…,s-k,1]T分别表示N和b的设计矩阵.

在疾病架构中，若不进行手术，疾病无法痊愈，对应于若不进行实质性的改革，经济不会有太大起色，同理，在旅程架构中，若不真正的改变路线和方向，旅途仍会一路坎坷，对应于经济状况不会有太大改善。这些观点源于2008年金融危机后，许多外媒将中国视为世界经济的救命稻草，对中国的经济寄予厚望，而近两年中国经济走势放缓，媒体在报道中则开始“唱衰”。

施用腐熟的农家肥作底肥为主，不施碳铵、磷铵等刺激性强的化肥，避免伤害泥鳅，每亩施有机肥约500kg，水稻专用复合肥30～40kg，水稻移植后7～10天，每亩追尿素8～10kg，在孕穗期酌情施肥，肥料不撒在沟内。病虫防治要选用高效低毒、低残留对口农药，如氯虫苯甲酰胺、苯甲·丙环唑、烯啶·吡蚜酮等，喷药时保持深水。禁用毒杀酚、五氯酚钠、呋喃丹、敌百虫、菊酯类及生石灰、茶籽饼等。

 

其中Ns为蚂蚁s寻找的整数矢量，Q为常量，J(Ns)为目标函数值，其表达式

N∈Zk.

(2)

其中表示在第i维的整数取值，m表示模糊度搜索幅度，可由基线长度通过GNSS干涉仪测姿原理确定.综上所述，搜索空间大小经过计算得(2m+1)k，式(2)的最小化问题就是带有约束条件的离散形式的组合优化问题，可以借鉴ACEA算法思路进行求解.

 

(3)

转换基线矢量到地理坐标系，并计算基线的航向角h和俯仰角p：

 

(4)

其中表示两GNSS天线经过平移后的相对坐标.

在上述GNSS载波相位双差模糊度求解中，为确保计算效率,应对模糊度搜索空间限定

i=1,2,…,k.

(5)

从而求得GNSS模糊度整数解然后使用纠正基线矢量

2 蚁群进化算法原理

为测试ACEA算法性能，设置三组不同基线(1m,0.7m,0.5m)实验情况，进行GNSS测姿分组实验.算法中设置蚂蚁数n=20，α和β分别为4和1，ρ设置为0.9，gmax为50，整数N定义为50，NCmax=200.将计算结果与文献[8]进行对比，具体见表1所列.ACEA算法的最优解进化曲线如图1～图3所示.

在蚁群算法中信息素决定蚂蚁s(s=1,2,…，n)在运动过程中的转移方向，设蚂蚁s在t时刻从整数Nip爬向整数Njq的概率用表示，

 

表1 模糊度搜索空间描述

  

N1mN1m…N1m︙︙︙︙N1mN1mN1mN1mN1mN1mN1mN1m…N1mN1mN1mN1mN1mN1m…N1m︙︙︙︙N1mN1m…N1m

q=-m,…,0,…,m.

(6)

式中α、β分别用来调节信息素和启发式信息所起作用的相对程度，ε用于避免分母为零.在迭代计算中，蚂蚁之前所选整数间的信息素浓度逐渐降低，设1-ρ表示其降低程度，在一次循环后各条边上的信息素将调整为

τip,jq(t+1)←

(7)

式中为本循环中第s只蚂蚁对整数Nip和Njq之间信息素的增加浓度，具体表达式为

 

(8)

利用上述实数估计值和协方差矩阵进行最小化问题的求解

式中g表示掠动因子，每次循环结束后依据最优解是否进化进行调整,调整方法为

 

(9)

上述算法中，通过整体信息对信息素进行调整，结果的性能较好.参数α、β可用实验法确定，循环终止条件可设定为迭代次数或判断进化趋势.

3 基于ACEA算法的整周模糊度解算

如果直接使用ACEA求解整周模糊度，会出现收敛速度缓慢或陷入局部最优解等问题[7].为将ACEA算法用于模糊度求解，需避免上述情况，才能有效提高算法搜索能力和收敛速度.本文提出一种自适应掠夺策略，将式(6)改为

q=-m,…,0,…,m.

(10)

对于播音主持来说，情感表达是整个节目的基础。播音主持人良好的情感表达能力可以有效带动现场节目气氛，激发受众对节目的情感，从而引发共鸣，实现节目收视率的提升。新媒体发展迅猛，播音主持人与受众的互动更加重要。可是，在很多节目中，情感表达较差的现象仍屡见不鲜，临场应变能力不足，对节目的控制能力较差，在这种情况下，节目整体效果不佳，在影响节目收视率的同时也会制约媒体行业的健康发展。

 

(11)

由上式可见，当最优解继续进化时，g=0不影响选择概率当N次循环内最优解无明显改进时，则判定局部极小出现，并发挥掠动作用在中显著降低信息素的作用程度，提升启发式信息程度，使以前选过的整数选择性降低；如最优解仍无进化，引入gmax掠动作用可以迅速增加，算法就会迅速跳出局部极小情况；当算法所有最优解跳出局部极小，则进化继续进行，掠动作用消失.

对式(1)进行最小二乘解算，求得实数估计值和协方差矩阵

4 实验测试与分析

为验证本文所提算法在GNSS测姿数据处理中的效果，实验使用两个GPS-701-GG天线，接收板模块为OEMV-1G，可输出频率为20Hz的天线位置、卫星坐标和L1载波等数据，并由RS-232串口连接计算机，基于Matlab开发算法测试平台进行实时解算.计算平台：i5-4210U,RAM4G,Win10,Matlab2014a.

4.1 模糊度固定解搜索测试

ACEA算法是一种研究较热的智能算法，其思路通过模拟生物进化，假设在初始时刻，将n只蚂蚁随机且不重复的放置到k(2m+1)个候解空间上，在一次循环计算中，蚂蚁前后自由寻找路径，因此每一维都将会有一个整数被挑选出来，当n只蚂蚁遍历全部维数，则能形成n个整数值，搜索空间形式化描述如表1所列.

实验结果表明：表2中本文所提的ACEA算法对模糊度固定解进行搜索时，模糊度成功固定率略高于文献[8]所用方法，且算法耗时明显占有优势，说明ACEA算法在进行模糊度搜索中表现出良好的鲁棒性，算法性能明显优于文献[8]中算法.在收敛速度分析上，从图1～图3中发现，第一组和第三组在第40代之前均能收敛，第二组在第50代左右收敛至最优解.总体来说，本文提出的ACEA算法进化速度快，计算效率高，适合实时模糊度搜索计算.

为解决永康市城乡供水备用水源和水量不足问题，积极实施北部水库联网与境外引水工程。北部水库联网工程总投资8.2亿元，现已累计完成投资2.78亿元。其中四大坑至洪塘坑4.67km的引输水隧洞工程完成33%，联网主管线长21km、直径1.20 m的双管线埋设工程的三个标段累计完成43.7%，四大坑续建工程累计完成56%。境外引水工程一期磐安引水2 000万m3，总投资9亿元工程的各项前期准备工作在稳步推进中。2014年，为解决农村日益增长的用水需求,开工建设象珠、珠坑、洪塘坑、上黄等4座农村水厂扩建工程。

 

表2 实验对比结果

  

实验组ACEA算法目标函数值搜索成功率耗时(s)文献[8]算法目标函数值搜索成功率耗时(s)一(1m基线)0.34397%1.560.34395%18.63二(0.7m基线)0.243100%1.840.24399%21.41三(0.5m基线)0.39299%1.740.39297%17.36

  

图1 第一组进化曲线(1m基线)

  

图2 第二组进化曲线(0.7m基线)

  

图3 第三组进化曲线(0.5m基线)

  

图4 动态测姿航向角结果

4.2 动态测姿性能测试

为进一步讨论ACEA算法在动态条件下的实时计算性能，进行了不同转速(4s/圈、9s/圈和15s/圈)的动态测姿实验.设置1m长的短基线，L1载波长为19.03cm，通过GNSS干涉仪测姿原理确定搜索幅度m=|0.5/λ|=3.

实验测试输出结果(载体航向角)如图4所示，三种不同转速方案下，采用新算法进行数据处理未出现发散情况，能较好地完成实时姿态测量任务，说明ACEA算法可以成功用于载体动态情况下的整周模糊度搜索，进而实现高精度的实时姿态确定工作.

4.3 ACEA测姿算法中参数设置分析

为进一步讨论ACEA算法中参数对实时测姿性能的影响，进行不同参数配置方案的数据实验，测试中设置5颗高信噪比卫星进行观测，选取4个历元的数据，将精确指北针和高精度陀螺仪测量结果作为实验参考值，如表3所列.

一路上，他不停地痛骂着儿子，列数儿子的种种不是，说儿子毁了一个家，毁了他。他含辛茹苦养大儿子，为他在城里买了房，买了车，帮他娶了媳妇。那个不肖子，却被一帮狐朋狗友拖下水，去吸食毒品。房子吸没了，车子吸没了，媳妇吸跑了……他一辈子积攒的家业，几乎被他掏空了。

 

表3 测姿数据实验参考值

  

航向角(°)俯仰角(°)经纬度(°)高程(m)86.3700.9117.287966360731.8465811442170.062

实验结果见表4，当蚂蚁数目和迭代次数增加时，算法的计算量较大，耗时较长.当蚂蚁数目和迭代次数略微减少时，算法计算时间则能迅速减少，而测姿结果则变化不大.说明最优解在50次迭代内已经进化好了，继续进化对其优化效果并不明显.由此可见，选择合适的蚂蚁数和迭代次数，能很好地平衡计算精度和耗时之间的矛盾.

5 结束语

载波相位测量中整周模糊度的准确高效解算，是实现GNSS实时动态测姿的关键.本文在讨论传统模糊度求解问题的基础上，借鉴蚁群进化算法在解决复杂组合优化问题上的优点，改进算法的鲁棒性和收敛速度.同时为解决ACEA算法在搜索整周模糊度固定解中遇到的收敛速度慢和易陷入局部最优解的问题，引入自适应掠动策略.最后通过实测数据验证，新算法用于模糊度固定解搜索，成功率显著提高，计算输出精度有一定改善，收敛速度较快，且合理的算法参数设置，可以平衡计算精度和时间上的矛盾，对今后工程应用具有借鉴意义.

与正常组相比较,模型组大鼠血清中TNF-α和IL-6水平明显升高,P<0.01,差异有统计学意义;与模型组相比较,低剂量、高剂量组大鼠血清中TNF-α和IL-6水明显降低,P<0.01,差异有统计学意义。结果见表1。

在安全、云存储等方面，业界也有进一步的考虑：LIANG X等人提出了一种使用区块链技术的分散且可信的云数据起源架构。基于区块链的数据来源可以提供防篡改记录，实现云中数据的透明度，增强源始数据的隐私性和可用性[8]。TRAN A B等人提出了一个基于浏览器的工具，用于用户注册的管理和部署，并调用区块链上的智能合约[9]。

 

表4 不同参数设置的ACEA测姿性能比较

  

参数设置航向角(°)俯仰角(°)耗时(ms)成功率蚂蚁数目:30迭代次数:20086.3921.3482035100%蚂蚁数目:20迭代次数:10086.4121.349984100%蚂蚁数目:10迭代次数:5086.4121.57427492%

参考文献：

[1] 李博峰,沈云中.顾及基线先验信息的GPS模糊度快速解算[J].测绘学报，2008，37(4)：423-428.

[2] TEUNISSEN P J G. Integer least-squares theory for the GNSS compass[J]. Journal of Geodesy,2010,84(13):433-447.

[3] 阳仁贵，袁运斌，欧吉坤.相位实时差分技术应用于飞行器交会对接研究[J].中国科学物理学力学，2010，40(5)：651-657.

[4] PEHLIVANOGLU Y V. A new vibrational genetic algorithm enhanced with a voronoi diagram for path planning of autonomous UAV[J]. Aerospace Science and Technology,2012,16(1):47-55.

[5] TANG X， ZHANG P， JIANG B， et al. Ant colony optimization based on maximum selection probability for path planning in unknown environment[J]. Journal of Computational Information Systems,2012,8(24):10325-10332.

[6] 税薇，葛艳，韩玉，等.基于混合蚁群算法的无人机航路规划[J].系统仿真学报,2011,23(3):574-576.

[7] 王先全.短基线GPS定向系统及搜索模糊度优化算法的研究[J].测绘科学，2009,34(4):47-49.

[8] 牟廉明，戴锡笠，李坤，等.求解二次指派问题的最优迭代最大最小蚂蚁算法[J].计算机应用,2014，34(1):199-203.

[9] 刘月，魏瑞轩，刘敏，等.用改进变异粒子算法实现突发威胁下的无人机航迹规划[J].电光与控制，2010,17(1):22-25.