一种海空一体化无人智能设备协同对抗任务分配方法

1.本发明属于无人智能设备对抗领域，涉及一种海空一体化无人智能设备协同对抗任务分配方法，特别是一种基于量子鱼机制的海空一体化无人智能设备协同对抗任务分配方法。


背景技术：

2.海空一体化无人智能设备是指在大型船舰上的舰载无人机与船舰周边的无人艇构成一套较为完整的海空无人对抗系统，在舰载无人机和无人艇协同对抗下，如何实现对抗任务分配是研究重点。
3.根据已有文献发现，梁国强等在《计算机仿真》(2018,35(2):22-28)上发表的“基于离散粒子群优化的无人机协同多任务分配”中，在无人机协同多任务分配模型的基础上，综合考虑了任务时间约束和弹药约束等复杂约束条件，提出了一种基于离散粒子群方法的多无人机协同多任务分配方法。通过实验仿真验证了该方法在复杂多约束条件下可以解决多无人机协同作战任务分配问题，所设计的离散粒子群任务分配方法在一定程度上解决了多无人机的对抗任务分配问题，但是该方法容易陷入局部收敛中，且收敛速度过慢，需要一定的迭代次数才能获取最优解。


技术实现要素：

4.针对上述现有技术，本发明要解决的技术问题是提供一种海空无人对抗的场景中基于量子鱼机制的海空一体化无人智能设备协同对抗任务分配方法，设计量子编码的鱼量子位置演化机制，得到一种新的量子鱼机制方法，增大寻优速率，克服以往方法容易陷入局部收敛的弊端。
5.为解决上述技术问题，本发明的一种海空一体化无人智能设备协同对抗任务分配方法，包括以下步骤：
6.步骤一，建立海空一体化无人智能设备协同对抗任务分配模型；
7.步骤二，初始量子鱼的量子位置并设定参数；
8.步骤三，计算量子鱼位置的适应度函数值；
9.步骤四，使用自由搜索策略更新量子鱼的量子位置，判断第i只量子鱼适应度值是否大于其经验位置的适应度值，i＝1,2,3,
…
,k1，当满足大于条件时，第i只量子鱼通过步骤五进行局部搜索；否则第i只量子鱼通过步骤六进行局部搜索；
10.步骤五，使用吸附鲸鱼策略更新量子鱼的量子位置，执行步骤七；
11.步骤六，使用脱离宿主策略更新量子鱼的量子位置，执行步骤七；
12.步骤七，判断是否达到量子鱼的最大迭代次数k2，是则终止迭代，将最优量子鱼的位置映射为海空一体化无人协同对抗任务分配矩阵并输出；否则令迭代次数k＝k+1，找到第k+1次迭代最大适应度值对应的量子位置为最优量子鱼的量子位置继续执行
步骤四。
13.进一步，步骤一中建立海空一体化无人智能设备协同对抗任务分配模型包括：
14.假设海空无人对抗群中有n架舰载无人机和艘水面无人艇可执行对抗任务，海空一体化无人智能设备的集合定义为其中，舰载无人机un的属性集合为un＝{vn,ln,wn,rn}，vn为舰载无人机un的航行速度，ln为舰载无人机un的初始位置，即大型船舰的位置，wn为舰载无人机un的携带弹药量，rn为舰载无人机un的航程；水面无人艇的属性集合为的属性集合为的属性集合为为水面无人艇的航行速度，且满足的航行速度，且满足为水面无人艇的初始位置，为水面无人艇的携带弹药量，为水面无人艇的航程；假设检测到敌方有m个海面目标，则海面目标的集合定义为t＝{t1,t2,
…
,tm}，其中，tm为第m个海面目标；
15.海空一体化无人协同对抗任务分配矩阵为其中，时，x
n,m
＝1表示舰载无人机un攻击海面目标tm，m＝1,2,
…
,m，x
n,m
＝0表示舰载无人机un不攻击海面目标tm；时，x
n,m
＝1表示水面无人艇攻击海面目标tm，x
n,m
＝0表示水面无人艇不攻击海面目标tm；
16.建立海空一体化无人智能设备协同对抗任务分配的最大化目标函数建立海空一体化无人智能设备协同对抗任务分配的最大化目标函数其中，m＝1,2,
…
,m；e(
·
)为判断函数，当时，函数返回值1，而时，函数返回值0；c1为任务约束惩罚项，c2为弹药约束惩罚项，c3为航程约束惩罚项，α1、α2和α3为别为约束惩罚项c1、c2和c3的权值因子；
17.建立的模型需要满足3个约束条件，分别为任务约束条件、弹药约束条件和航程约束条件；任务约束条件为m＝1,2,
…
,m，表示至多有一架舰载无人机或一艘水面无人艇攻击海面目标tm；舰载无人机的弹药约束条件为表示舰载无人机un攻击的海面目标数不能超过携带弹药量；水面无人艇的弹药约束为攻击的海面目标数不能超过携带弹药量；水面无人艇的弹药约束为表示水面无人艇攻击的海面目标数不能超过携带弹药量；舰载无人机的航程约束条件为dn≤rn，其中，dn为舰载无人机un的飞行总距离；假设舰载无人机un依次攻击海面目标t1、t2和t3，这时舰载无人机un的飞行总距离为dn＝d
0,1
+d
1,2
+d
2,3
+d
0,3
，d
0,1
为大型船舰位置与海面目标t1之间的距离，d
1,2
为海面目标t1与海面目标t2的距离，d
2,3
为海面目标t2与海面目标t3的距离，d
0,3
为大型船舰位置与海面目标t3之间的距离，舰载无人机un的飞行总距离包括返航距离；水面无人艇的航程约束
条件为条件为为水面无人艇的航行总距离；假设水面无人艇依次攻击海面目标t1、t2和t3，这时水面无人艇的航行总距离为，这时水面无人艇的航行总距离为为水面无人艇初始位置与海面目标t1之间的距离，d
1,2
为海面目标t1与海面目标t2的距离，d
2,3
为海面目标t2与海面目标t3的距离；
18.将任务约束条件转化为任务约束惩罚项其中|
·
|为绝对值函数，将舰载无人机和水面无人艇的弹药约束条件转化为弹药约束惩罚项将舰载无人机和水面无人艇的航程约束条件转化为航程约束惩罚项为判断函数，对于e(dn,rn)，如果dn≥rn时，函数值返回1；否则返回0。
19.进一步，步骤二中初始量子鱼的量子位置并设定参数包括：
20.设置种群规模为k1，最大迭代次数为k2，在初始种群中，随机初始量子鱼的量子位置，第i只量子鱼的第1代初始量子位置为鱼的第1代初始量子位置为h＝1,2,
…
,s，i＝1,2,3,
…
,k1，其中，s是量子位置向量的最大维数，所有量子位置的任一维都是[0,1]之间的随机数，量子鱼的位置通过量子位置测量得到；若第k次迭代中第i只量子鱼的量子位置为i＝1,2,3,
…
,k1，k∈{1,2,
…
,k2}，则测量得到第k次迭代中第i只量子鱼的位置为i＝1,2,
…
,k1，k∈{1,2,
…
,k2}，测量规则为表示第i只量子鱼位置的第h维变量，为[0,1]之间的随机数，h＝1,2,
…
,s，k∈{1,2,
…
,k2}。
[0021]
进一步，步骤三中计算量子鱼位置的适应度函数值包括：
[0022]
第k代第i只量子鱼的位置均映射一个海空一体化无人协同对抗任务分配矩阵，所述映射规则为：将的对应海空一体化无人协同对抗任务分配矩阵中第一行的x
1,1
,x
1,2
,
…
,x
1,m
；对应海空一体化无人协同对抗任务分配矩阵中第二行的x
2,1
,x
2,2
,
…
,x
2,m
；以此类推，对应海空一体化无人协同对抗任务分配矩阵中最后一行的构成的任务分配矩阵记作最大维数s满足
[0023]
将第k次迭代第i只量子鱼的位置映射为海空一体化无人协同对抗任务分配矩阵得到第k次迭代第i只量子鱼的适应度函数值i＝1,2,
…
,k1；通过比较所有量子鱼适应度函数值找到第k次迭代最大适应度值对应的量子位置为最优量
子鱼的量子位置
[0024]
进一步，步骤四中用自由搜索策略更新量子鱼的量子位置，判断第i只量子鱼适应度值是否大于其经验位置的适应度值，i＝1,2,3,
…
,k1，当满足大于条件时，第i只量子鱼通过步骤五进行局部搜索；否则第i只量子鱼通过步骤六进行局部搜索包括：
[0025]
在自由搜索策略中第i只量子鱼的第h维量子旋转角为i＝1,2,
…
,k1，h＝1,2,
…
,s，ε为[1,k1]之间的随机整数，ζ
i,h
、为[0,1]之间的随机数，为第ε个量子鱼位置的第h维变量，为第k次迭代最优量子鱼位置的第h维变量；
[0026]
利用量子旋转门更新自由搜索策略中第i只量子鱼的第h维量子位置：h＝1,2,
…
,s，i＝2,3,
…
,k1；根据测量规则对量子位置的每一维测量得到位置然后计算的适应度函数值并对进行赋值，所述赋值规则如下：
[0027]
量子鱼附着在高速移动的剑鱼身上时，会在剑鱼身上调整位置，第i只量子鱼经验量子位置第h维量子旋转角为其中，h＝1,2,
…
,s，i＝2,3,
…
,k1，为第i只量子鱼在上一代位置的第h维变量，ξ
i,h
是一个满足均值为0，方差为1的高斯随机数；利用量子旋转门更新第i只量子鱼的第h维经验量子位置将i只量子鱼的经验量子位置测量为经验位置并计算的适应度函数值比较与的大小，当较大时，第i只量子鱼通过步骤五来局部搜索；当大于或者等于时，第i只量子鱼通过步骤六来局部搜索。
[0028]
进一步，步骤五中使用吸附鲸鱼策略更新量子鱼的量子位置包括：
[0029]
当量子鱼的宿主由剑鱼改为鲸鱼时，以鲸鱼身上的食物残渣为食，这时量子鱼采取吸附鲸鱼策略来更新量子鱼的量子位置；在吸附鲸鱼策略中第i只量子鱼的第h维量子旋转角为其中，h＝1,2,
…
,s，i＝2,3,
…
,k1，为与的欧氏距离，的欧氏距离，为[0,1]之间的随机数；
[0030]
利用量子旋转门更新吸附鲸鱼策略中第i只量子鱼的第h维量子位置：然后计算的适应度函数值并对第k
+1次迭代第i只量子鱼的量子位置进行赋值，赋值规则如下
[0031]
进一步，步骤六中使用脱离宿主策略更新量子鱼的量子位置包括：
[0032]
当量子鱼的宿主仍然是剑鱼时，并且剑鱼已经找到了食物丰富的海区，量子鱼将脱离宿主摄取食物，这时量子鱼采用脱离宿主策略更新量子鱼的量子位置，在脱离宿主策略中第i只量子鱼的第h维量子旋转角为h＝1,2,
…
,s，i＝2,3,
…
,k1，λ为决策值，为[0,1]之间的随机数；
[0033]
利用量子旋转门更新脱离宿主策略中第i只量子鱼的第h维量子位置：然后计算的适应度函数值并对第k+1次迭代第i只量子鱼的量子位置进行赋值，赋值规则如下
[0034]
本发明的有益效果：本发明设计了基于量子鱼机制的海空一体化无人智能设备协同对抗任务分配方法。在海空无人对抗的场景中，设计了大型船舰上的舰载无人机和无人艇海空一体协同对抗策略，综合考虑了多个复杂约束条件，以任务效率为目标函数，对舰载无人机和无人艇进行对抗任务分配，最终实现对多个目标协同打击的对抗任务。
[0035]
与现有技术相比，本发明的有益效果是：
[0036]
(1)鲜有文献在大型船舰对抗背景中，研究海空一体化无人智能设备对抗问题，本发明设计了海空一体化无人智能设备协同对抗任务分配模型，大型船舰上的舰载无人机与船舰周围的无人艇做到了海空协同无人对抗，打破了以往文献中只有空中几架无人机协同对抗的局限。
[0037]
(2)本发明采用了惩罚项函数法，将几个约束条件转化为惩罚项代入到目标函数中，使带有多个复杂约束条件的有约束问题转化为无约束问题，简化模型并降低问题的求解难度。
[0038]
(3)本发明设计了量子编码的鱼量子位置演化机制，得到一种新的量子鱼机制方法，量子鱼中的自由搜索策略用于全局搜索，吸附鲸鱼策略和脱离宿主策略用于局部搜索，三种策略协同优化适应度函数，克服了过去方法容易陷入局部收敛的弊端，也提升了演化机制的寻优速率。
附图说明
[0039]
图1为本发明设计的基于量子鱼机制的海空一体化无人智能设备协同对抗任务分配方法示意图；
[0040]
图2为无人智能设备与海面目标的位置分布；
[0041]
图3为无人智能设备与海面目标的位置分布；
[0042]
图4为无人智能设备与海面目标的位置分布；
[0043]
图5为的目标函数收敛曲线。
具体实施方式
[0044]
下面结合说明书附图和实施例对本发明做进一步说明。
[0045]
结合图1，本发明包括以下步骤：
[0046]
步骤一，建立海空一体化无人智能设备协同对抗任务分配模型。
[0047]
假设海空无人对抗群中有n架舰载无人机和艘水面无人艇可执行对抗任务，海空一体化无人智能设备的集合定义为其中，舰载无人机un的属性集合为un＝{vn,ln,wn,rn}，vn为舰载无人机un的航行速度，ln为舰载无人机un的初始位置，即大型船舰的位置，wn为舰载无人机un的携带弹药量，rn为舰载无人机un的航程。水面无人艇的属性集合为的属性集合为的属性集合为为水面无人艇的航行速度，且满足的航行速度，且满足为水面无人艇的初始位置，为水面无人艇的携带弹药量，为水面无人艇的航程。假设检测到敌方有m个海面目标，则海面目标的集合定义为t＝{t1,t2,
…
,tm}，其中，tm为第m个海面目标。
[0048]
海空一体化无人协同对抗任务分配矩阵为其中，时，x
n,m
＝1表示舰载无人机un攻击海面目标tm，m＝1,2,
…
,m，x
n,m
＝0表示舰载无人机un不攻击海面目标tm；时，x
n,m
＝1表示水面无人艇攻击海面目标tm，x
n,m
＝0表示水面无人艇不攻击海面目标tm。
[0049]
建立海空一体化无人智能设备协同对抗任务分配的最大化目标函数建立海空一体化无人智能设备协同对抗任务分配的最大化目标函数其中，m＝1,2,
…
,m。e(
·
)为判断函数，当时，函数返回值1，而时，函数返回值0。c1为任务约束惩罚项，c2为弹药约束惩罚项，c3为航程约束惩罚项，α1、α2和α3为别为约束惩罚项c1、c2和c3的权值因子。
[0050]
建立的模型需要满足3个约束条件，分别为任务约束条件、弹药约束条件和航程约束条件。任务约束条件为m＝1,2,
…
,m，表示至多有一架舰载无人机或一艘水面无人艇攻击海面目标tm。舰载无人机的弹药约束条件为表示舰载无人机un攻击的海面目标数不能超过携带弹药量；水面无人艇的弹药约束为
表示水面无人艇攻击的海面目标数不能超过携带弹药量。舰载无人机的航程约束条件为dn≤rn，其中，dn为舰载无人机un的飞行总距离。假设舰载无人机un依次攻击海面目标t1、t2和t3，这时舰载无人机un的飞行总距离为dn＝d
0,1
+d
1,2
+d
2,3
+d
0,3
，d
0,1
为大型船舰位置与海面目标t1之间的距离，d
1,2
为海面目标t1与海面目标t2的距离，d
2,3
为海面目标t2与海面目标t3的距离，d
0,3
为大型船舰位置与海面目标t3之间的距离，由于舰载无人机un执行完自身的所有任务还要返航，因此舰载无人机un的飞行总距离包括返航距离。水面无人艇的航程约束条件为的飞行总距离包括返航距离。水面无人艇的航程约束条件为的飞行总距离包括返航距离。水面无人艇的航程约束条件为为水面无人艇的航行总距离。假设水面无人艇依次攻击海面目标t1、t2和t3，这时水面无人艇的航行总距离为，这时水面无人艇的航行总距离为为水面无人艇初始位置与海面目标t1之间的距离，d
1,2
为海面目标t1与海面目标t2的距离，d
2,3
为海面目标t2与海面目标t3的距离。
[0051]
将任务约束条件转化为任务约束惩罚项其中|
·
|为绝对值函数。将舰载无人机和水面无人艇的弹药约束条件转化为弹药约束惩罚项将舰载无人机和水面无人艇的航程约束条件转化为航程约束惩罚项e(
·
)为判断函数。以e(dn,rn)为例，如果dn≥rn时，函数值返回1；否则返回0。
[0052]
步骤二，初始量子鱼的量子位置并设定参数。
[0053]
设置种群规模为k1，最大迭代次数为k2。在初始种群中，随机初始量子鱼的量子位置，第i只量子鱼的第1代初始量子位置为h＝1,2,
…
,s，i＝1,2,3,
…
,k1，其中，s是量子位置向量的最大维数，所有量子位置的任一维都是[0,1]之间的随机数，量子鱼的位置可通过量子位置测量得到。若第k次迭代中第i只量子鱼的量子位置为i＝1,2,3,
…
,k1，k∈{1,2,
…
,k2}，则可以测量得到第k次迭代中第i只量子鱼的位置为i＝1,2,
…
,k1，k∈{1,2,
…
,k2}，测量规则为表示第i只量子鱼位置的第h维变量，为[0,1]之间的随机数，h＝1,2,
…
,s，k∈{1,2,
…
,k2}。
[0054]
步骤三，计算量子鱼位置的适应度函数值。
[0055]
第k代第i只量子鱼的位置均映射一个海空一体化无人协同对抗任务分配矩阵，具体映射规则为：将的对应海空一体化无人协同对
抗任务分配矩阵中第一行的对应海空一体化无人协同对抗任务分配矩阵中第二行的x
2,1
,x
2,2
,
…
,x
2,m
；以此类推，对应海空一体化无人协同对抗任务分配矩阵中最后一行的构成的任务分配矩阵记作因此，最大维数s要满足
[0056]
将第k次迭代第i只量子鱼的位置映射为海空一体化无人协同对抗任务分配矩阵得到第k次迭代第i只量子鱼的适应度函数值i=1,2,
…
,k1。通过比较所有量子鱼适应度函数值找到第k次迭代最大适应度值对应的量子位置为最优量子鱼的量子位置
[0057]
步骤四，使用自由搜索策略更新量子鱼的量子位置。
[0058]
根据自由搜索策略来更新量子鱼的量子位置，在自由搜索策略中第i只量子鱼的第h维量子旋转角为i＝1,2,
…
,k1，h＝1,2,
…
,s，ε为[1,k1]之间的随机整数，ζ
i,h
、为[0,1]之间的随机数，为第ε个量子鱼位置的第h维变量，为第k次迭代最优量子鱼位置的第h维变量。
[0059]
利用量子旋转门更新自由搜索策略中第i只量子鱼的第h维量子位置：h＝1,2,
…
,s，i＝2,3,
…
,k1。根据测量规则对量子位置的每一维测量得到位置然后计算的适应度函数值并对进行赋值，赋值规则如下量子鱼附着在高速移动的剑鱼身上时，也会在剑鱼身上调整位置。第i只量子鱼经验量子位置第h维量子旋转角为其中，h＝1,2,
…
,s，i＝2,3,
…
,k1，为第i只量子鱼在上一代位置的第h维变量，ξ
i,h
是一个满足均值为0，方差为1的高斯随机数。利用量子旋转门更新第i只量子鱼的第h维经验量子位置将i只量子鱼的经验量子位置测量为经验位置并计算的适应度函数值比较与的大小，当较大时，第i只量子鱼通过步骤五来局部搜索；当大于或者等于时，第i只量子鱼通过步骤六来局部搜索。
[0060]
步骤五，使用吸附鲸鱼策略更新量子鱼的量子位置。
[0061]
当量子鱼的宿主由剑鱼改为鲸鱼时，这时会以鲸鱼身上的食物残渣为食，这时量子鱼采取吸附鲸鱼策略来更新量子鱼的量子位置。在吸附鲸鱼策略中第i只量子鱼的第h维量子旋转角为其中，h＝1,2,
…
,s，i＝2,3,
…
,k1，
为与的欧氏距离，的欧氏距离，为[0,1]之间的随机数。
[0062]
利用量子旋转门更新吸附鲸鱼策略中第i只量子鱼的第h维量子位置：然后计算的适应度函数值并对第k+1次迭代第i只量子鱼的量子位置进行赋值，赋值规则如下
[0063]
步骤六，使用脱离宿主策略更新量子鱼的量子位置。
[0064]
当量子鱼的宿主仍然是剑鱼时，并且剑鱼已经找到了食物丰富的海区，量子鱼将脱离宿主摄取食物。这时量子鱼采用脱离宿主策略更新量子鱼的量子位置。在脱离宿主策略中第i只量子鱼的第h维量子旋转角为h＝1,2,
…
,s，i＝2,3,
…
,k1，λ为决策值，为[0,1]之间的随机数。
[0065]
利用量子旋转门更新脱离宿主策略中第i只量子鱼的第h维量子位置：然后计算的适应度函数值并对第k+1次迭代第i只量子鱼的量子位置进行赋值，赋值规则如下
[0066]
步骤七，判断是否达到量子鱼的最大迭代次数k2，是则终止迭代，将最优量子鱼的位置映射为海空一体化无人协同对抗任务分配矩阵并输出；否则令k＝k+1，找到第k+1次迭代最大适应度值对应的量子位置为最优量子鱼的量子位置继续执行步骤四。
[0067]
下面结合具体参数对本发明做进一步说明。
[0068]
将量子鱼优化方法qro，离散鸽群优化方法记为dpio。为了验证基于量子鱼机制的多无人机对sead任务规划方法的性能，本发明进行了三组仿真测试以及两个收敛曲线仿真图。设置种群规模为k1＝100，λ＝0.2，α＝0.01，α1＝-1，α2＝-1，α3＝-1，目标随机分布于5km
×
5km的区域中，假设所有舰载无人机和水面无人艇全程以一个速度航行，速度单位是m/s，大型船舰的位置为(2500,0)，单位是m。每个海面目标的任务执行时间为10s。表1给出了舰载无人机的属性参数。
[0069]
表1舰载无人机的属性参数
[0070][0071]
表2给出了水面无人艇的属性参数。
[0072]
表2水面无人艇的属性参数
[0073][0074]
在第一组实验中，n＝2架舰载无人机和艘水面无人艇执行m＝9个海面目标的对抗任务。舰载无人机信息为表1中的编号1和2，水面无人艇信息为表2中编号1和2，目标位置如图2所示。设置种群规模为k1＝100，迭代次数为k2＝500。表3给出了qro方法和ga方法最优解测量出的任务规划方案。可以看到，相比于dpio方法，qro方法生成的最优任务分配方案更加合理，该任务分配方案中，将几个临近的任务分为一组，比如海面目标t2和t6，以及t1和t8，使无人智能设备的航行距离做到最短。
[0075]
表3 qro方法和dpio方法最优解测量出的任务分配方案
[0076][0077][0078]
在第二组实验中，n＝4架舰载无人机和艘水面无人艇执行m＝18个海面目标的对抗任务。舰载无人机信息为表1中的编号1、2、3和4，水面无人艇信息为表2中编号1和2，目标位置如图3所示。设置种群规模为k1＝100，迭代次数为k2＝500。表4给出了qro方法和
dpio方法最优解测量出的任务规划方案。可以看出，dpio方法生成的最优任务分配矩阵不满足约束条件，因此最优解远小于qro方法生成的最优解。
[0079]
表4 qro方法和dpio方法最优解测量出的任务规划方案
[0080][0081]
在第三组实验中，n＝8架舰载无人机和艘水面无人艇执行m＝30个海面目标的对抗任务。舰载无人机信息如表1所示，水面无人艇信息如表2所示，目标位置如图4所示。设置种群规模为k1＝100，迭代次数为k2＝500。表5给出了qro方法和dpio方法最优解测量出的任务规划方案。当任务规模逐渐增大时，两个方法的目标函数值差距也越来越大，dpio方法最优解测量出的任务规划方案甚至出现一个任务被多个无人智能设备重复执行，而qro方法最优解测量出的任务规划方案仍然可以满足3个任务约束惩罚项，且最优解基本可以达到临界最优值。
[0082]
表5 qro方法和dpio方法最优解测量出的任务规划方案
[0083][0084]
为了进一步验证qro方法的收敛性，选择dpio方法进行对比仿真，收敛性分析如图5图5是在n＝4,的规模上，设置迭代次数为k2＝500，种群规模为k1＝100，进行
100次独立重复实验，仿真结果取平均值。可以看出，qro方法的收敛性能明显优于dpio方法。