第 49 卷第 1 期 2019 年 1 月东南大学学报 ( 自然科学版 ) JOURNALOFSOUTHEASTUNIVERSITY(NaturalScienceEdition) Vol.49 No.1 Jan.2019 DOI: /j.isn

Size: px

Start display at page:

Download "第 49 卷第 1 期 2019 年 1 月东南大学学报 ( 自然科学版 ) JOURNALOFSOUTHEASTUNIVERSITY(NaturalScienceEdition) Vol.49 No.1 Jan.2019 DOI: /j.isn"

郁厉
5 years ago
Views:

第 49 卷第 1 期 2019 年 1 月东南大学学报 ( 自然科学版 ) JOURNALOFSOUTHEASTUNIVERSITY(NaturalScienceEdition) Vol.49 No.1 Jan.2019 DOI:10.3969/j.isn.1001-0505.2019.01.013 多基地多 UCAV 任务分配建模及求解方法刘振李伟任建存 ( 海军航空大学岸防兵学院, 烟台 264001) 摘要 : 为有效求解多基地情形下的无人作战飞机 (UCAV) 任务分配问题, 在考虑任务收益任务负载以及时间因素的条件下, 建立了多基地多无人作战飞机的任务分配模型, 并提出采用初始分配和动态分配相结合的求解方法.

1 第 49 卷第 1 期 2019 年 1 月东南大学学报 ( 自然科学版 ) JOURNALOFSOUTHEASTUNIVERSITY(NaturalScienceEdition) Vol.49 No.1 Jan.2019 DOI: /j.isn 多基地多 UCAV 任务分配建模及求解方法刘振李伟任建存 ( 海军航空大学岸防兵学院, 烟台 ) 摘要 : 为有效求解多基地情形下的无人作战飞机 (UCAV) 任务分配问题, 在考虑任务收益任务负载以及时间因素的条件下, 建立了多基地多无人作战飞机的任务分配模型, 并提出采用初始分配和动态分配相结合的求解方法. 为提高初始任务分配问题的求解效率, 将量子遗传算法融入了扩展紧致遗传算法的边缘积模块思想中, 提出一种分布估计量子遗传算法 (ED QGA), 用于初始全局最优分配, 当出现突发动态任务时, 采用合同网进行分配方案的局部调整. 最后对提出模型和算法进行了仿真分析. 结果表明, 相比基于种群的增量学习算法和多粒度的量子遗传算法, 分布估计量子遗传算法求解获得效能值分别提高了 33.4% 和 7.2%, 与基本合同网和扩展合同网相比, 效能值分别提高了 9.2% 和 5%, 因此能够有效提高 UCAV 整体作战效能. 关键词 : 任务分配 ; 量子遗传算法 ; 分布估计 ; 合同网中图分类号 :TP15;E955 文献标志码 :A 文章编号 : (2019) Modelingofmulti basemulti UCAVtaskalocationand itssolvingmethod LiuZhen LiWei RenJiancun (ColegeofCoastalDefenseForce,NavalAeronauticalUniversity,Yantai264001,China) Abstract:Aimingattheproblemoftaskalocationunderconditionofmulti baseandmulti UCAV, amodelwasestablishedconsideringfactorsoftaskreward,taskloadandtime,asolvingmethodfor theproblem ofinitialalocationcombinedwithdynamicalocationwasproposed.toimprovetheef ficiencyofinitialtaskalocation,themarginalproductmodelofextendedcompactgeneticalgorithm couldbebroughtintothequantum geneticalgorithm,anovelquantum geneticalgorithm inspiredby estimationofdistributionalgorithm (ED QGA)wasproposedtoobtainthecomprehensiveoptimum results.thecontractnetwasusedtoadjustthetaskalocationprojectwhenthepop upthreatap peared.finaly,simulationswereusedtoverifytheperformanceoftheproposedmodelandtheal gorithm.experimentalresultsshow thattheefectivenesesareimprovedby33.4% and7.2% by ED QGA,comparedwithpopulation basedincrementallearning(pbil)algorithmandmulti granu larityquantum geneticalgorithm (MQGA),by9.2% and5% comparedwithcontractnetandex tendedcontractnet. Keywords:taskalocation;quantum geneticalgorithm;estimationofdistribution;contractnet 多无人作战飞机 (unmannedcombataerialve hicle,ucav) 任务分配是研究如何将多个任务分配给多个 UCAV 执行, 并在满足多种约束下使得作战效能最大 [12]. 目前大多文献只研究某一层面下的任务分配, 即研究 UCAV 的侦察搜索或者攻击, 而目标分配是任务分配领域一个研究较为广泛的问题. 文献 [3] 考虑了通信距离角度和时间延迟等诸多限制条件, 提出了无人机协同搜索中的目收稿日期 : 作者简介 : 刘振 (1983 ), 男, 博士, 讲师,hylz1008@126.com. 基金项目 : 国家自然科学基金资助项目 ( ). 引用本文 : 刘振, 李伟, 任建存. 多基地多 UCAV 任务分配建模及求解方法 [J]. 东南大学学报 ( 自然科学版 ),2019,49(1):88 93.DOI: /j.isn

2 第 1 期刘振, 等 : 多基地多 UCAV 任务分配建模及求解方法 89 标分配. 文献 [4] 将任务分配与航迹规划问题统一考虑, 利用 PSO 算法获得分配结果, 再利用 B 样条曲线获得航迹. 当前各种智能进化算法已广泛应用于任务分配问题中 [5], 如采用萤火虫算法 [6] 蜂群 [7] [8] 算法和文化基因算法对任务分配问题进行求解, 能够得到较为满意的结果. 对于动态任务分配国内研究相对较少, 基本思想都是利用合同网机制的合同买卖交换及置换等操作, 进行任务的动态重分配 [910]. 另外当前大部分文献都只考虑所有的 UCAV 位于同一个基地中, 但在实际作战情形下, 不同基地的 UCAV 通常可以协同执行作战任务, 故建立多基地多 UCAV 任务分配模型具有现实意义. 本文建立了多基地多 UCAV 任务分配模型, 给出了初始分配和动态重分配相结合的求解方法. 在初始作战条件下, 未出现突发任务情形时, 为了提高任务分配的求解效果, 将量子遗传算法应用于任务分配问题中. 为提高基本量子遗传算法的全局收敛性和收敛速度, 将量子遗传算法与分布估计算法融合, 提出一种分布估计量子遗传算法 (estima tiondistribution quantum geneticalgorithm, ED QGA). 首先利用提出的分布估计量子遗传算法进行初始全局最优分配, 当出现突发任务以及平台损失等动态情形时, 实时利用合同网的快速响应性进行动态任务重分配, 充分利用 2 种方法的特点和优势, 获得最佳分配效果. 1 多基地多 UCAV 任务分配建模假设单架 UCAV 在一次作战中可以执行多个任务, 在实际作战情况下, 处于不同基地的多 UCAV 进行调度, 能有效提高作战效能. 设有 B 个无人机基地和 K V 种类型的 UCAV, 每种类型的 UCAV 数目为 N KV,UCAV 总数目为 N V, 任务集合为 T A ={ T 1,T 2,,T N },N T 为任务数目.UCAV T 完成任务的整体效能需要考虑 UCAV 执行任务的收益任务负载以及执行任务的时间 3 个因素. 1.1 执行任务的收益执行任务的收益主要由任务的价值效益和执行任务的风险代价组成, 任务的价值效益为 R bki (T j )=V(T j )P bki (T j ), 其中 V(T j ) 表示第 j 个任务的价值,P bki (T j ) 表示第 b(1 b B) 个基地第 k 种类型的第 i 架 UCAV 执行该任务的能力概率. 执行任务的风险代价包括路径威胁代价以及燃油代价 2 部分 [5]. 威胁代价取该路径的 1/6,1/2 和 5/6 到各个威胁点的距离, 威胁代价可表示为 i=1 d i 1/6 d i 1/2 d i 5/ 6 式中,n 为威胁数目. 燃油代价 L c 取该段路径的长度 l i, 即 L c =l i. 执行任务的风险代价为 H c = n C bki (T j )=k c H c +(1-k c )L c 式中,k c 为权值系数, 表征每个因素的重要性. 综合考虑任务价值收益以及风险代价后,V bki 完成任务 T j 的收益为 U T j bki =R bki (T j )-C bki (T j ) (1) 1.2 任务负载均匀性对效能的影响为保证任务分配的均匀性, 定义第 i 个 UCAV 任务负载均匀因子为 { Q珚 i Q γ i = Q i > Q珚 i i 1 其他式中, Q珚 i 为 i 架 UCAV 的最佳任务数目, 当任务数超出珚 Q i 时, 将导致执行任务的效率降低 ;Q i 为第 i 个 UCAV 当前任务数量. 考虑任务负载因素后的效能为 U T j bki (T j ) =U T j bki (T j )e γ i (2) 1.3 时间因素对效能的影响设定 UCAV 机群执行任务所需要的最大时间 N V 为 G M =max F(S i ), 其中,S i 为第 i 架 UCAV 的任 i=1 务集合,F(S i ) 为第 i 架 UCAV 完成任务的时间. UCAV 机群执行任务的预设时间为 G S, 则时间惩罚系数为 φ=exp G S-G M. GS UCAV 执行任务时间过长容易导致被敌方击毁, 且 UCAV 需在预定时间内执行完任务, 否则会影响到下一步的任务执行. 在考虑时间因素后, UCAV 完成全部任务的整体效能为 U al = ( B K N V KV N T U T j b=1 k=1 i=1 j=1 bki (T j ) ) exp G S -G R G (3) 利用式 (3) 的效能评估模型, 就可以对多基地多 UCAV 进行作战任务的分配. 2 多基地多 UCAV 任务分配求解方法在求解多基地多 UCAV 任务分配问题过程中, 可以采用分步骤求解方法. 初始阶段, 利用 ED QGA 的强大进化能力进行全面分配, 可以获得较好的分配效果. 当出现突发任务时, 利用合同网快速进行动态任务的重分配, 从而可以充分结合 2 种方法的优势, 获得最佳分配效果. S

3 90 东南大学学报 ( 自然科学版 ) 第 49 卷 2.1 初始全面分配的 ED QGA 基本思想为有效地提高多基地多 UCAV 任务分配效果, 提出一种分布估计量子遗传算法 (ED QGA) 求 [11] 解该问题.ED QGA 融入了扩展紧致遗传算法的边缘积模块 (marginalproductmodel,mpm) 思想, 依据基因位置连接关系划分为 MPM 进行进化, 使得优良染色体基因不会受到破坏, 保证了进化方向持续性, 使得优良染色体基因不断累积, 从而保证了进化性能染色体表示及种群初始化方法 1) 染色体的表示染色体示意图如图 1 所示. 图 1 染色体示意图染色体长度为 l=n v N T, 其中每段长度为 N T, 第 i(1 i N V ) 部分的第 j(1 j N T ) 位为 1, 则表示第 i 架 UCAV 能够执行第 j 个任务. 2) 利用启发式信息对染色体进行修复在算法进化过程中, 利用启发式信息对染色体进行调整和修复, 如当第 b 个基地的第 k 种 UCAV 不能执行某项作战任务时, 则染色体相应的位置设为多粒度旋转的染色体更新方法为避免采用固定旋转角所导致的进化速度缓慢 [12], 对于不同个体可采用不同的旋转角 [1314], 以保证进化过程中的种群多样性, 并能有效加快收敛速度. 多粒度旋转角可按下式进行设置 : δ i =W i μ i 1-g t (4) tmax 式中,W i 为常数,0.05π W i 0.5π;t max 为最大迭代次数 ;g [0,1] 为常数 ;t 为迭代次数 ; μ i = μ i μ i <η { 1-μ i μ i η i=1,2,,n N 为种群规模,μ i [0,1],η [0,1] 为常数, 其方向可以根据文献 [16] 定理 1 得出基于 MPM 的交叉 [15] 为避免量子交叉导致的优良基因破坏和提高量子进化算法全局搜索能力, 本文依据分布估计算法思想, 采用文献 [16] 提出的 MPM 交叉操作方法, 有效提高算法的进化能力. 2.2 合同网进行动态任务分配和调整设定在当前战场环境中突发任务为 T S, 无人作战飞机 U i 当前的任务集合为 S(i), 当出现突发任务时, 令 U i (T S ) 表示 U i 执行任务 T S 时的效能值, 即如果 U i (S(i)\T i,k )+U i (T S )-U i (S(i))>0, 则舍弃原有任务 T i,k, 买入新的突发任务,U i 对舍弃的原任务进行拍卖, 从而可有效地提高整体作战效能. 3 任务分配问题仿真结果与分析仿真分析主要分为 2 部分, 首先利用 ED QGA 进行初始全面分配, 当出现动态突发任务后, 利用合同网进行任务重分配. 在 Matlab7.0 语言环境进行编程, 计算机配置为 :Intel(R)Pentium(R)4CPU 3.00GHz. 整个战场仿真环境为 60km 60km, 基地位置分别为 (10,0) 和 (40,0), 共有 4 架 UCAV, 基地 B 1 内具有 2 架同类型的 UCAV, 分别为 U 1 和 U 2, 基地 B 2 具有 2 架另一种类型的 UCAV, 分别为 U 3 和 U 4. 威胁体位置坐标分别为 (43,20) (30,10) (10, 30) (25,48) (20,18) (40,30), 威胁等级分别为 2,4,3,4,2,3, 目标均值均设定为 5. 在整个战场环境中共有 8 个任务需要执行. 3.1 ED QGA 初始全面分配仿真分析任务负载均匀性对分配结果的影响图 2(a) 和 (b) 分别为考虑负载均匀性前后得 (a) 未考虑负载均匀性 (b) 考虑负载均匀性后图 2 考虑负载前后任务分配对比图

4 第 1 期刘振, 等 : 多基地多 UCAV 任务分配建模及求解方法 91 出的任务分配结果. 由图 2(a) 可以看出, 利用本文提出的任务分配模型和求解算法, 可以有效地完成 UCAV 的任务分配. 图 2(b) 为考虑任务负载均匀性后的分配结果. 在考虑负载后,U 1 获得 T 1 和 T 2,U 2 获得 T 3 和 T 4,U 3 获得 T 5 和 T 6,U 4 获得 T 7 和 T 8. 由于考虑了 UCAV 执行任务能力的负载因素, 从而使得 UCAV 能够充分地完成所执行的任务, 有效地增加了系统的效能, 效能对比如图 3 所示. 解获得效能值分别提高了 33.4% 和 7.2%. 但同时也注意到, 分布估计量子遗传算法相比 MQ GA, 虽然在解的质量和收敛时间都有了明显的提高, 但收敛时间却比 PBIL 算法长. 这主要是因为 PBIL 是一种低阶的概率进化算法, 其收敛的快速性是建立在牺牲所求解问题的精度上, 在全局寻优性能方面存在明显的劣势. 因此本文算法在保证一定收敛速度下, 能够得到最优的任务分配方案. 表 1 3 种算法的比较结果算法效能运行时间 /s 均值标准差均值标准差 PBIL MQGA ED QGA 图 3 考虑负载前后效能对比图不同算法的对比分析对任务分配问题分别采用多粒度的量子遗传算法 [13] [17] (MQGA) 基于种群的增量学习算法 (PBIL) 及本文提出的分布估计量子遗传算法 (ED QGA) 进行对比分析, 算法分别独立运行 30 次, 图 4 是进化过程中的收敛迭代图. 由图可见, 本文算法收敛速度快并且收敛效果也优于其他 2 种算法. 从仿真结果可以看出, 本文提出的方法不仅能快速收敛到最优解, 同时能够有效地提高任务分配的整体效能. 图 4 不同算法效能对比图表 1 给出 3 种算法在效能和运行时间上的对比结果. 从表中的统计结果可以看出, 利用本文提出的方法能够获得最大的作战效能值, 相比 PBIL 和 MQGA 算法, 分布估计量子遗传算法求与利用合同网进行初始分配的对比分析在同样的仿真环境下与合同网进行对比分析. [18] 利用基本合同网扩展合同网和 ED QGA 进行初始分配的比较结果如表 2 所示. 表 2 本文算法与合同网的比较结果效能运行时间 /s 方法均值标准差均值标准差基本合同网扩展合同网 ED QGA 从仿真结果可以看出, 与基本合同网和扩展合同网相比, 效能值分别提高了 9.2% 和 5%. 因此, 本文提出的算法效能值明显优于基本合同网以及扩展合同网, 但本文算法运行时间却劣于扩展合同网和基本合同. 但考虑到初始分配是一种离线的分配方法, 故初始分配可以在 UCAV 起飞前就进行分配, 此时对实时性要求并不很高. 故采用本文算法是有效和合理的, 以运行时间来换取更优的分配方案是合适的, 这就是本文采用 ED QGA 进行初始分配, 而没有选用合同网机制进行初始分配的原因. 当 UCAV 遇到突发任务时, 利用合同网的快速响应机制, 进行动态任务重分配. 3.2 合同网动态任务重分配仿真分析新增任务为 T 9 和 T 10, 对新增任务进行拍卖, 分配结果如图 5(a) 所示. 经拍卖后, 将 T 9 分配给 U 2, 将 T 10 分配给 U 4, 同时 U 2 放弃任务 T 4,U 1 通过竞拍获得任务 T 4. 当出现平台损失时, 例如 U 3 被击毁, 则将 T 5 和 T 6 进行拍卖, 最终的结果为 U 2 获得 T 6,U 4 获得 T 5, 仿真结果如图 5(b) 所示.

5 92 东南大学学报 ( 自然科学版 ) 第 49 卷 4 结论 (a) 新增任务后的任务分配结果 (b) 平台损失后的任务分配结果图 5 动态任务分配结果 1) 在考虑了任务收益任务负载及执行任务的时间情况下, 建立了多基地多 UCAV 任务分配模型. 2) 为提高初始任务分配问题的求解速度和精度, 将分布估计算法思想融入到量子遗传算法中, 提出了一种分布估计量子遗传算法用于初始全面分配. 3) 当出现突发动态威胁体时, 利用合同网进行动态任务重分配和局部调整, 以提高任务分配效率, 仿真结果证明了所提出的算法能够有效完成动态任务分配, 提高了任务分配的整体效能. 参考文献 (References) [1] HuXX,MaHW,YeQS,etal.Hierarchicalmethod oftaskasignmentformultiplecooperatinguav teams [J].JournalofSystemsEngineeringandElectronics, 2015,26(5): DOI: /jsee [2] 赵明, 苏小红, 马培军, 等. 复杂多约束 UAVs 协同目标分配的一种统一建模方法 [J]. 自动化学报, 2012,38(12): ZhaoM,SuX H,MaPJ,etal.A unifiedmodeling methodofuavscooperativetargetasignmentbycom plexmulti constraintconditions[j].actaautomatica Sinica,2012,38(12): (inChinese) [3] 符小卫, 李建, 高晓光. 带通信约束的多无人机协同搜索中的目标分配 [J]. 航空学报,2014,35(5): DOI: /S FuX W,LiJ,GaoX G.Targetalocationinmulti UAVcooperativesearchwithcommunicationconstraints [J].ActaAeronauticaETAstronauticaSinica,2014, 35(5): DOI: /S (inChinese) [4] 孙小雷, 齐乃明, 董程, 等. 无人机任务分配与航迹规划协同控制方法 [J]. 系统工程与电子技术,2015, 37(12): DOI: /j.isn X SunXL,QiNM,DongC,etal.Cooperativecontrol algorithm oftaskasignmentandpathplanningformul tipleuavs[j].systemsengineeringandelectronics, 2015,37(12): DOI: /j.isn X (inChinese) [5]CruzJ,ChenGS,LiDX,etal.Particleswarm opti mizationforresourcealocation in UAV cooperative control[c]//aiaaguidance,navigation,andcontrol ConferenceandExhibit.RhodeIsland,USA,2004:1 11.DOI: / [6] 王永泉, 罗建军. 基于多群体改进萤火虫算法的 UCAV 协同多目标分配 [J]. 西北工业大学学报, 2014,32(3): DOI: /j.isn WangYQ,LuoJJ.Targetasignmentincooperative atackingofucavsbased on multi inteligenceim provedglowworm swarm optimizationalgorithm[j]. Journal of Northwestern Polytechnical University, 2014,32(3): DOI: /j.isn (inChinese) [7] 赵辉, 李牧东, 韩统, 等. 基于多目标 MQABC 算法的无人机协同任务分配 [J]. 华中科技大学学报 ( 自然科学版 ),2016,44(3): DOI: / j.hust ZhaoH,LiM D,HanT,etal.UAVcooperativetask alocationbasedonmulti objectivemqabc algorithm [J].JournalofHuazhongUniversityofScienceand Technology(NaturalScienceEdition),2016,44(3): DOI: /j.hust (inChi nese) [8] 王晓光, 章卫国, 陈伟. 无人机编队超视距空战决策及作战仿真 [J]. 控制与决策,2015,30(2): DOI: /j.kzyjc WangXG,ZhangW G,ChenW.BVRaircombatde cisionmakingandsimulationforuav formation[j]. ControlandDecision,2015,30(2): DOI: /j.kzyjc (inChinese)

6 第 1 期刘振, 等 : 多基地多 UCAV 任务分配建模及求解方法 93 [9] 曹雷, 谭何顺, 彭辉, 等. 一种多 UAV 混合动态任务分配方法 [J]. 南京理工大学学报 ( 自然科学版 ), 2015,39(2): DOI: /j.cnki n CaoL,TanH S,PengH,etal.Mixeddynamictask alocationformultipleuav[j].journalofnanjing UniversityofScienceandTechnology,2015,39(2): DOI: /j.cnki n (inChinese) [10] 龙涛, 陈岩, 沈林成. 基于合同机制的多 UCAV 分布式协同任务控制 [J]. 航空学报,2007,28(2): DOI: /j.isn: LongT,ChenY,ShenLC.Distributedcooperative misioncontrolbasedoncontractmechanismformulti pleunmannedcombataerialvehicles[j].actaaero nauticaetastronauticasinica,2007,28(2): DOI: /j.isn: (inchinese) [11] KumaraS,GoldbergE.Onextendedgeneticalgorithms [R].Urbana:IlinoisGeneticAlgorithmsLaboratory, DepartmentofIlinoisatUrbana Champaign,2000. [12] dasilveiralr,tanscheitr,velascom M B R. Quantum inspiredevolutionaryalgorithm forordering problems[j].expertsystemswithapplications,2017, 67:71 83.DOI: /j.eswa [13]XingH L,LiuX,JinX,etal.A multi granularity evolutionbased quantum geneticalgorithm forqos multicastrouting problem in WDM networks[j]. ComputerCommunications,2009,32(2): DOI: /j.comcom [14] QuZ,LiuX,ZhangX,etal.Hamming distance basedadaptivequantum inspiredevolutionaryalgorithm fornetworkcodingresourcesoptimization[j].the JournalofChinaUniversitiesofPostsandTelecommu nications,2015,22(3):92 99.DOI: / S (15) [15]GuJW,GuM Z,CaoCW,etal.Anovelcompeti tiveco evolutionaryquantumgeneticalgorithmforsto chasticjobshopschedulingproblem[j].computers& OperationsResearch,2010,37(5): DOI: /j.cor [16] 刘振, 胡云安, 彭军. 协同进化扩展紧致量子进化算法 [J]. 控制与决策,2014,29(2): DOI: /j.kzyjc LiuZ,HuYN,PengJ.Coevolutionaryquantumevo lutionaryalgorithm basedonextendedcompact[j]. ControlandDecision,2014,29 (2): DOI: /j.kzyjc (inChinese) [17]ChenM H,ChangPC,WuJL.Apopulation based incrementallearningapproachwithartificialimmune system fornetworkintrusiondetection[j].engineer ingapplicationsofartificialinteligence,2016,51: DOI: /j.engappai [18] LiangH T,KangFJ.Taskalocationmodelingfor agent orienteduuv colaborativesystem[j].journal ofsystemsimulation,2015,27(9):

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位自然科学版文章编号视网膜图像中视盘的快速自动定位方法赵晓芳林土胜李碧摘要基于眼底视网膜血管的分布结构及视盘本身的特点提出一种快速自动定位视盘的方法首先根据视网膜血管的网络分布结构大致定位视盘的垂直坐标然后根据视盘的亮度信息及视盘与血管的关系来定位视盘的水平坐标最后把视盘限定在以粗定位的视盘为中心的一个小窗口内用变换精确定位视盘中心该方法不需要事先分割视网膜血管也不需要对算法进行训练

第 49 卷第 1 期 2019 年 1 月 东南大学学报 ( 自然科学版 ) JOURNALOFSOUTHEASTUNIVERSITY(NaturalScienceEdition) Vol.49 No.1 Jan.2019 DOI: /j.isn

第 49 卷第 1 期 2019 年 1 月东南大学学报 ( 自然科学版 ) JOURNALOFSOUTHEASTUNIVERSITY(NaturalScienceEdition) Vol.49 No.1 Jan.2019 DOI: /j.isn