基于粒子群優(yōu)化算法的室內(nèi)智能泊車系統(tǒng)路徑規(guī)劃研究

摘要：隨著智能泊車需求的增加，室內(nèi)復(fù)雜環(huán)境中的高效路徑規(guī)劃已成為重要研究課題。本文設(shè)計(jì)一種基于粒子群優(yōu)化算法（PSO） 的室內(nèi)智能泊車系統(tǒng)路徑規(guī)劃算法，解決車輛在狹窄且障礙物復(fù)雜的環(huán)境中容易陷入局部最優(yōu)解的問題，通過改進(jìn)粒子群優(yōu)化算法并結(jié)合三次樣條插值法，以優(yōu)化路徑的平滑性。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法相較于基本粒子群優(yōu)化算法表現(xiàn)出更優(yōu)異的性能，能夠有效減少路徑轉(zhuǎn)折點(diǎn)，提高路徑規(guī)劃的精度和穩(wěn)定性。為智能泊車系統(tǒng)提供了更穩(wěn)定、快捷的路徑規(guī)劃方法，具有重要的應(yīng)用價(jià)值。

關(guān)鍵詞：粒子群優(yōu)化算法；路徑規(guī)劃；智能泊車系統(tǒng)；三次樣條插值

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）32-0001-04 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

隨著全球機(jī)動(dòng)車數(shù)量的持續(xù)增長，尤其是在城市化進(jìn)程迅速的國家，停車問題已成為影響城市交通運(yùn)行的重要難題。據(jù)統(tǒng)計(jì)，全球每年因停車難題帶來的交通擁堵和環(huán)境污染問題愈加嚴(yán)重。在大型購物中心、寫字樓及機(jī)場等人流密集的場所，停車位的緊缺、泊車過程的復(fù)雜性，以及對(duì)泊車效率和安全性的要求，使得室內(nèi)智能泊車系統(tǒng)逐漸受到廣泛關(guān)注。近年來，隨著人工智能、機(jī)器學(xué)習(xí)、傳感器技術(shù)的飛速發(fā)展，基于高新技術(shù)的室內(nèi)智能泊車系統(tǒng)在路徑規(guī)劃、車輛控制等方面得到了顯著提升。

路徑規(guī)劃算法在智能泊車系統(tǒng)中扮演了至關(guān)重要的角色，決定了車輛能否在復(fù)雜的室內(nèi)環(huán)境中快速、準(zhǔn)確地找到合適的停車位并成功完成泊車，是智能泊車系統(tǒng)實(shí)現(xiàn)自動(dòng)駕駛和自動(dòng)泊車的核心技術(shù)之一。高效的路徑規(guī)劃算法能夠顯著提高停車效率和安全性，減少車輛能耗和碰撞事故的發(fā)生。路徑規(guī)劃需要在不同的停車環(huán)境中進(jìn)行適應(yīng)性調(diào)整，以滿足不同的停車場景。本文的研究基于這一要求，探討并優(yōu)化現(xiàn)有的路徑規(guī)劃算法，提升智能泊車系統(tǒng)的性能。

在室內(nèi)智能泊車系統(tǒng)的路徑規(guī)劃研究中，粒子群優(yōu)化算法（Particle Swarm Optimization，PSO） [1-3]作為一種高效的全局優(yōu)化方法得到了廣泛應(yīng)用。粒子群優(yōu)化算法基于模擬群體智能行為，能夠快速尋找從起點(diǎn)到目標(biāo)點(diǎn)的最優(yōu)路徑，并在復(fù)雜環(huán)境中保持較高的收斂速度。然而，傳統(tǒng)粒子群優(yōu)化算法在應(yīng)用于路徑規(guī)劃時(shí)，容易在狹窄且充滿障礙物的室內(nèi)環(huán)境中陷入局部最優(yōu)、路徑不平滑等問題。近年來的研究主要集中在如何通過改進(jìn)算法來解決這些問題。

改進(jìn)粒子群優(yōu)化算法的一個(gè)典型方向是通過引入自適應(yīng)慣性權(quán)重和非線性下降機(jī)制來提高算法的全局搜索能力和收斂速度。例如，Zheng Li等通過結(jié)合人工勢場（Artificial Potential Field， APF） 方法[4]與粒子群優(yōu)化算法相結(jié)合，在復(fù)雜的動(dòng)態(tài)環(huán)境中增強(qiáng)了算法對(duì)障礙物的感知與避讓能力，顯著提高路徑規(guī)劃的精度和可靠性。國內(nèi)多個(gè)研究也探討了粒子群優(yōu)化算法的應(yīng)用和改進(jìn)，通過動(dòng)態(tài)慣性權(quán)重調(diào)整[5]、混沌初始化[6]、多種群機(jī)制混合優(yōu)化[7]和人工勢場[8]等方法改進(jìn)粒子群優(yōu)化算法，增強(qiáng)了其全局搜索能力。為解決泊車系統(tǒng)中的復(fù)雜路徑規(guī)劃問題提供了新的解決思路。

1 路徑規(guī)劃算法的改進(jìn)

1.1 路徑規(guī)劃算法的發(fā)展現(xiàn)狀

隨著停車場環(huán)境的實(shí)時(shí)動(dòng)態(tài)變化，路徑推薦系統(tǒng)逐漸成為室內(nèi)泊車系統(tǒng)的研究重點(diǎn)。智能優(yōu)化算法結(jié)合實(shí)時(shí)數(shù)據(jù)分析，能夠根據(jù)車輛位置和停車場障礙物分布，動(dòng)態(tài)調(diào)整停車路徑，確保停車的高效性與安全性。在室內(nèi)智能泊車系統(tǒng)中，路徑規(guī)劃是確保車輛安全、高效停放的關(guān)鍵技術(shù)。該問題的核心在于為車輛設(shè)計(jì)一條從起點(diǎn)到停車位的最優(yōu)路徑，須滿足避障、安全性和效率等要求。傳統(tǒng)的路徑規(guī)劃算法如Dijkstra算法和A*算法曾廣泛應(yīng)用于機(jī)器人導(dǎo)航與自動(dòng)駕駛領(lǐng)域。Dijkstra算法適用于靜態(tài)環(huán)境，但在動(dòng)態(tài)環(huán)境中的效率較低；A*算法通過引入啟發(fā)式函數(shù)，提高了在復(fù)雜環(huán)境下路徑規(guī)劃的速度。然而，隨著室內(nèi)停車場環(huán)境的復(fù)雜性增加，傳統(tǒng)算法在處理實(shí)時(shí)變化的環(huán)境中效率不足。

近年來，智能優(yōu)化算法如粒子群優(yōu)化（PSO） 算法因其收斂速度快和計(jì)算復(fù)雜度低而在室內(nèi)泊車路徑規(guī)劃中得到了廣泛應(yīng)用。粒子群優(yōu)化算法通過模擬群體智能行為，并利用粒子間的信息共享機(jī)制來進(jìn)行全局優(yōu)化，但在復(fù)雜環(huán)境中容易陷入局部最優(yōu)解。為解決這一問題，研究人員提出了多種改進(jìn)策略，如通過動(dòng)態(tài)慣性權(quán)重和混沌序列的引入改善種群初始化，增強(qiáng)全局搜索能力和算法魯棒性。粒子群優(yōu)化與灰狼算法等智能算法的結(jié)合，顯著提升了全局搜索能力，避免了局部最優(yōu)問題。

在路徑平滑處理方面，為了進(jìn)一步優(yōu)化路徑規(guī)劃的效果，諸多研究引入了路徑平滑算法來減少路徑轉(zhuǎn)折點(diǎn)，提升路徑的實(shí)際可行性與平滑性。夏佳等[5]提出了一種基于冗余點(diǎn)刪除的路徑平滑處理方法，通過減少轉(zhuǎn)折點(diǎn)來提升車輛的行駛效率。江冀海[9]則通過改進(jìn)的多群粒子群算法，在全局最優(yōu)路徑規(guī)劃完成后對(duì)路徑進(jìn)行平滑處理，使得機(jī)器人在實(shí)際行駛過程中轉(zhuǎn)彎次數(shù)顯著減少，提升了路徑的安全性與節(jié)能效果。

1.2 路徑規(guī)劃過程建模

粒子群優(yōu)化算法利用群體智能的原理通過模擬鳥群覓食和魚群游動(dòng)的群體行為，實(shí)現(xiàn)全局搜索，以有效確定最優(yōu)解。粒子群優(yōu)化算法的核心思想是通過一群粒子在空間中的協(xié)同搜索，找到問題的最優(yōu)解。本文將它應(yīng)用于路徑規(guī)劃問題，通過優(yōu)化車輛從起點(diǎn)到目標(biāo)的路徑，達(dá)到最小化時(shí)間、距離或能源消耗的目的。建模過程具體分為以下幾個(gè)步驟：

第一，問題建模：路徑規(guī)劃問題通常可以通過加權(quán)圖模型表示，其中圖的節(jié)點(diǎn)代表需要經(jīng)過的關(guān)鍵位置（如路口或中轉(zhuǎn)點(diǎn)），邊則代表連接這些位置的路徑。每條邊的權(quán)重可以根據(jù)總行駛距離、交通擁堵情況或能源消耗優(yōu)化目標(biāo)賦予不同的意義。路徑規(guī)劃的目標(biāo)是在約束條件下，找到從起點(diǎn)到終點(diǎn)的最優(yōu)路徑。路徑規(guī)劃的目標(biāo)可以形式化為一個(gè)最小化問題，如下所示。

minf （P） = α?Time （P） + β?Dis tance （P）+γ?Cost（P ） （1）

式中，P 表示一條路徑，α、β 和γ 是權(quán)重系數(shù)。在室內(nèi)停車場中，β 和γ 是調(diào)節(jié)路徑長度和轉(zhuǎn)彎代價(jià)的重要系數(shù)，若希望路徑更直，則可以增大γ；若更關(guān)注路徑長度，則增加β。Time（P）代表路徑P 的總行駛時(shí)間，Distance（P）代表路徑的總距離，Cost（P）可以包括燃油成本、碳排放、磨損等其他費(fèi)用。

第二，粒子初始化：粒子初始化可通過多種方法實(shí)現(xiàn)。隨機(jī)生成法簡單易行，但易產(chǎn)生不可行解；啟發(fā)式生成法利用算法如Dijkstra或A*生成初始路徑并進(jìn)行擾動(dòng)；基于歷史數(shù)據(jù)生成法則依托歷史交通數(shù)據(jù)生成路徑，適用于特定場景。本文采用歷史數(shù)據(jù)生成法，并為每個(gè)粒子賦予零或小范圍隨機(jī)值的初始速度vi，以便在初期階段廣泛探索搜索空間。在粒子群優(yōu)化算法中，每個(gè)粒子代表一種潛在的泊車路徑。設(shè)定停車場的地圖為一個(gè)二維網(wǎng)格，其中車輛起點(diǎn)（xs，ys ）行駛至目標(biāo)停車位（xt，yt ）。例子由路徑上的一系列中間點(diǎn)xi = （ p1，p2，…，pk ） 構(gòu)成，其中pj = （xj，yj ） 是路徑上的一個(gè)中間節(jié)點(diǎn)，k 為節(jié)點(diǎn)數(shù)量。每個(gè)粒子還具有初始速度vi，用于調(diào)整路徑節(jié)點(diǎn)的移動(dòng)方向與速度。粒子的初始速度通常設(shè)為較小的隨機(jī)值，以保證初期的廣泛搜索。

第三，適應(yīng)度函數(shù)設(shè)計(jì)：適應(yīng)度函數(shù)是衡量粒子優(yōu)劣的關(guān)鍵標(biāo)準(zhǔn)。對(duì)于路徑規(guī)劃問題，適應(yīng)度函數(shù)通常是總距離、行駛時(shí)間、能源消耗等多個(gè)因素的加權(quán)組合。其目標(biāo)是使粒子向著更優(yōu)的路徑搜索方向移動(dòng)。具體的適應(yīng)度函數(shù)形式如式（2） 所示。dobs （ pj ）表示路徑點(diǎn)pj 與最近障礙物的距離，若距離小于預(yù)設(shè)閾值?，則增加懲罰項(xiàng)λ，通過實(shí)驗(yàn)調(diào)整，確保路徑安全避障。I （?）為指示函數(shù)，當(dāng)路徑與障礙物過近時(shí)，其值為1，反之為0。d （ pj，pj + 1 ）為路徑pj 和pj + 1 之間的歐式距離，如式（3） 所示。

第四，粒子速度和位置更新：粒子群優(yōu)化算法通過粒子群的速度和位置更新機(jī)制，在搜索空間內(nèi)尋找最優(yōu)解。每個(gè)粒子的速度和位置根據(jù)其個(gè)體最優(yōu)解和全局最優(yōu)解動(dòng)態(tài)調(diào)整。其速度更新公式如式（4） 所示。vi （t） 是粒子i 在時(shí)刻t 的速度向量。ω 是慣性權(quán)重，用于平衡全局探索與局部開發(fā)的能力。c1 和c2 是學(xué)習(xí)因子，分別控制個(gè)體經(jīng)驗(yàn)和群體經(jīng)驗(yàn)的影響權(quán)重。r1 和r2 是在[0，1]之間的隨機(jī)數(shù)，用以引入隨機(jī)性，增強(qiáng)算法的全局搜索能力。pi_best 是粒子i 在過去經(jīng)歷中找到的最佳位置。gbest 是整個(gè)粒子群中的全局最佳位置。位置更新公式如式（5） 所示。粒子的運(yùn)動(dòng)受到自身歷史最佳經(jīng)驗(yàn)和群體經(jīng)驗(yàn)的共同影響，逐步逼近全局最優(yōu)解。

vi （t + 1） = ω?vi （t） + c1?r1?（ p ） ibest - xi （t）+c2?r2?（g ） best - xi （t） （4）

xi （t + 1） = xi （t） + vi （t + 1） （5）

第五，算法參數(shù)調(diào)節(jié)：為了提高算法的搜索效率和精度，慣性權(quán)重ω 通常采用自適應(yīng)調(diào)整方式，初期采用較大的值以增加全局搜索能力，后期逐漸減小以提高局部搜索精度。同時(shí)，學(xué)習(xí)因子c1 和c2 的調(diào)節(jié)也對(duì)算法性能有重要影響。進(jìn)一步的優(yōu)化手段包括引入動(dòng)態(tài)變異機(jī)制，避免粒子陷入局部最優(yōu)解。

第六，終止條件設(shè)定：粒子群優(yōu)化算法的終止條件可以有多種設(shè)定，最常見的是達(dá)到預(yù)定的最大迭代次數(shù)。此外，當(dāng)全局最優(yōu)適應(yīng)度值在若干次迭代中未發(fā)生顯著變化，或粒子群的速度趨于零時(shí)，也可認(rèn)為算法已收斂，停止迭代。

1.3 改進(jìn)的粒子群優(yōu)化算法

為優(yōu)化智能泊車系統(tǒng)中的路徑規(guī)劃問題，本文引入三次樣條插值法[10]以改進(jìn)粒子群優(yōu)化算法，從而提升路徑的平滑性和全局最優(yōu)能力。在泊車系統(tǒng)中，車輛路徑通常需要經(jīng)過多個(gè)轉(zhuǎn)折點(diǎn)，這些點(diǎn)在傳統(tǒng)的離散路徑規(guī)劃方法中會(huì)導(dǎo)致路徑不平滑，增加了車輛轉(zhuǎn)向時(shí)的復(fù)雜性和泊車時(shí)間。為了解決這一問題，本文采用三次樣條插值法對(duì)規(guī)劃路徑進(jìn)行平滑處理。三次樣條插值是一種常用的數(shù)值方法，其優(yōu)點(diǎn)在于插值函數(shù)具有連續(xù)的一階和二階導(dǎo)數(shù)，從而確保車輛行駛路徑的平滑性，有效降低轉(zhuǎn)向時(shí)的車輪磨損和能量消耗。假設(shè)泊車路徑中的關(guān)鍵離散點(diǎn)為（x0，y0 ），（x1，y1 ），…，（xn，yn ），三次樣條插值法為每兩個(gè)相鄰點(diǎn)xi 和xi + 1構(gòu)造一段三次多項(xiàng)式如式（6） 所示。其中，Si （x） 表示在[ x ] i，xi + 1 區(qū)間內(nèi)的插值函數(shù)。為了使整個(gè)路徑平滑過渡，插值函數(shù)的系數(shù)ai，bi，ci，di，通過滿足以下條件來確定。

Si （x） = ai + bi （x - x ） i + ci （x - xi ）2 + di （x - xi ）3，i = 0，1，…，n - 1 （6）

為保證路徑的平滑性與可行性，三次樣條插值須滿足以下3個(gè)條件，首先是插值條件：曲線須通過所有路徑點(diǎn)，如式（7） 所示。

其次是滿足一階和二階導(dǎo)數(shù)的連續(xù)性，在每個(gè)相鄰區(qū)間的交界處，需保證曲線的一階、二階導(dǎo)數(shù)連續(xù)，如式（8） 所示。

第三是要滿足自然邊界條件，在路徑的起點(diǎn)和終點(diǎn)，通常假設(shè)曲線的二階導(dǎo)數(shù)為零，以保證路徑在首末兩端平滑過渡，如式（9） 所示。

通過以上計(jì)算，三次樣條插值保證了路徑的光滑性和可行性。它在每個(gè)路徑點(diǎn)上確保函數(shù)值以及一階、二階導(dǎo)數(shù)的連續(xù)性，保證了路徑的平滑過渡。其次，三次樣條插值只依賴于相鄰路徑點(diǎn)的坐標(biāo)，因此當(dāng)調(diào)整某個(gè)路徑點(diǎn)時(shí)，對(duì)其他路徑段的影響較小，這使得路徑具備了較強(qiáng)的局部可調(diào)整性和靈活性。在智能泊車系統(tǒng)的應(yīng)用中，三次樣條插值能夠有效減少車輛的轉(zhuǎn)彎次數(shù)和路徑曲率變化，從而提升泊車效率和安全性 。

2 實(shí)驗(yàn)分析

為驗(yàn)證三次樣條插值對(duì)泊車路徑的優(yōu)化效果，本文對(duì)基本粒子群優(yōu)化算法和基于三次樣條插值優(yōu)化路徑的算法進(jìn)行了測試與對(duì)比。本文在仿真環(huán)境下對(duì)車輛的路徑優(yōu)化問題進(jìn)行了研究，在笛卡爾坐標(biāo)系中設(shè)置了三行四列的障礙物矩陣，障礙物的長寬尺寸隨機(jī)生成，兩個(gè)測試環(huán)境中障礙物的參數(shù)相同，小車的起始坐標(biāo)為（0，5） ，目標(biāo)位置為（9，-5） ，各進(jìn)行100次迭代計(jì)算，如圖1所示是基本粒子群優(yōu)化算法進(jìn)行的前10個(gè)泊車路徑規(guī)劃，如圖2所示是三次樣條插值對(duì)路徑平滑優(yōu)化的前10個(gè)泊車路徑規(guī)劃。

將兩個(gè)算法的迭代數(shù)據(jù)進(jìn)行對(duì)比分析，如圖3所示，兩組測試數(shù)據(jù)均用貝塞爾曲線優(yōu)化描繪。在實(shí)驗(yàn)中基本的粒子群優(yōu)化算法實(shí)現(xiàn)的路徑推薦優(yōu)點(diǎn)是收斂速度快，從迭代數(shù)據(jù)中可以看出，僅第11次迭代已經(jīng)收斂，L=15.06，但是其推薦路徑均值較大，且相對(duì)于理想值抖動(dòng)較大，不利于車輛平穩(wěn)行駛。而三次插值優(yōu)化的粒子群優(yōu)化算法路徑推薦，到第28次迭代才得到最優(yōu)解，L=14.75，但是其路徑推薦的均值較接近于理想值，且變化不大，這對(duì)于車輛的安全穩(wěn)定行駛是非常重要的，它的實(shí)時(shí)性則須進(jìn)一步優(yōu)化算法及硬件配置。

在實(shí)際的車輛行駛中，障礙物形狀各異，具有尖銳結(jié)構(gòu)的障礙物對(duì)基本粒子群優(yōu)化算法的推薦結(jié)果影響較大，從圖3的對(duì)比可以看出，有少數(shù)幾個(gè)計(jì)算結(jié)果偏離理想值較大，不符合實(shí)際的導(dǎo)航路徑需求，而三次樣條插值對(duì)路徑做平滑處理，可以很好地解決這一問題，推薦路徑不存在異常值，在實(shí)際應(yīng)用中極具價(jià)值。

3 總結(jié)與展望

本文研究了室內(nèi)智能泊車系統(tǒng)中的路徑規(guī)劃算法，詳細(xì)探討粒子群優(yōu)化算法在室內(nèi)泊車場景中的應(yīng)用。通過對(duì)比分析，基于三次樣條插值改進(jìn)的粒子群優(yōu)化算法在尖銳型障礙物矩陣環(huán)境中的表現(xiàn)優(yōu)異，而基本的粒子群優(yōu)化算法在實(shí)時(shí)調(diào)整能力則具有明顯優(yōu)勢。

未來的研究將隨著自動(dòng)駕駛技術(shù)的進(jìn)一步發(fā)展而實(shí)現(xiàn)多算法融合策略，例如將粒子群優(yōu)化算法與動(dòng)態(tài)窗口法（DWA） 結(jié)合[11]，從而顯著提高路徑規(guī)劃的效率與精度。這些混合算法不僅能夠解決靜態(tài)泊車問題，還能在動(dòng)態(tài)環(huán)境中表現(xiàn)出更好的實(shí)時(shí)性與智能化性能。智能泊車系統(tǒng)將朝著更智能化和自動(dòng)化的方向發(fā)展。多傳感器數(shù)據(jù)融合和深度學(xué)習(xí)的引入將為智能泊車系統(tǒng)帶來新的研究機(jī)遇，路徑規(guī)劃算法也將朝著更高效、更精準(zhǔn)的方向發(fā)展。

參考文獻(xiàn)：

[1] 吳鈞皓，戚遠(yuǎn)航，羅浩宇，等.帶時(shí)間窗的車輛路徑問題的混合粒子群優(yōu)化算法[J].電子設(shè)計(jì)工程，2024，32（6）：21-26.

[2] 王佳榮，周超.改進(jìn)PSO及其在機(jī)器人路徑規(guī)劃中的應(yīng)用[J]. 計(jì)算機(jī)仿真，2024，41（5）：436-440，445.

[3] 熊昕霞，何利力.基于混合粒子群算法的移動(dòng)機(jī)器人路徑規(guī)劃[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2021，30（4）：153-159.

[4] ZHENG L，YU W J，LI G X，et al.Particle swarm algorithm pathplanning method for mobile robots based on artificial potential fields[J].Sensors，2023，23（13）：6082.

[5] 夏佳，鄭晏群，謝秉磊，等.基于改進(jìn)粒子群的智能汽車最優(yōu)路徑規(guī)劃方法研究[J].機(jī)械設(shè)計(jì)與制造，2024，52（8）：1-7.

[6] 胡章芳，馮淳一，羅元.改進(jìn)粒子群優(yōu)化算法的移動(dòng)機(jī)器人路徑規(guī)劃[J].計(jì)算機(jī)應(yīng)用研究，2021，38（10）：3089-3092.

[7] 賈新春，智瀚宇，池小波，等.機(jī)器人路徑規(guī)劃：一個(gè)改進(jìn)的粒子群灰狼混合算法[J].山西大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，46（6）：1307-1314.

[8] 施眾.移動(dòng)機(jī)器人路徑規(guī)劃中的PSO優(yōu)化算法研究[J].貴陽學(xué)院學(xué)報(bào)（自然科學(xué)版），2021，16（1）：1-6.

[9] 江冀海.基于定向變異多群粒子群算法的機(jī)器人路徑規(guī)劃[J].自動(dòng)化應(yīng)用，2022（6）：95-97.

[10] 王哲，王龍達(dá)，劉罡，等.基于三次樣條插值的自動(dòng)入庫泊車免疫粒子群改進(jìn)算法[J]. 計(jì)算機(jī)與現(xiàn)代化，2022，37（2）：7-12，18.

[11] LI J，WAN L L，HUANG Z，et al.Hybrid path planning strategy based on improved particle swarm optimisation algorithm com?bined with DWA for unmanned surface vehicles[J].Journal of Marine Science and Engineering，2024，12（8）：1268.

【通聯(lián)編輯：梁書】

基金項(xiàng)目：廣東開放大學(xué)（廣東理工職業(yè)學(xué)院）教改課題：2024CGPY002；廣東省特色創(chuàng)新項(xiàng)目（自然科學(xué)）：工業(yè)互聯(lián)網(wǎng)邊緣網(wǎng)關(guān)協(xié)議適配的分布式應(yīng)用研究（JXJYGC2021BY0077） ；廣東開放大學(xué)人才項(xiàng)目：區(qū)塊鏈應(yīng)用平臺(tái)性能提升關(guān)鍵技術(shù)研究（項(xiàng)目編號(hào)：2021F001） ；澳門基金會(huì) 2024 年學(xué)術(shù)資助計(jì)劃“建設(shè)橫琴數(shù)據(jù)跨境傳輸安全管理試點(diǎn)（數(shù)據(jù)飛地）的多視角可行政策研究”（G01156-2309-262）