本发明公开了一种基于粒子群算法的无人机群协同目标搜索方法，其包括分布设置多架无人机视为粒子群，通过无人机进行初始位置的环境反馈建模，将当前环境反馈值作为适应度值；初始化设置无人机粒子群的算法参数，并随机初始化无人机的自身参数；令无人机移动至对应位置并计算每架无人机当前位置的环境反馈值F(xi)作为该位置的适应度值，无人机运动速度记为V；以及，通过粒子群算法更新粒子的速度和位置；本发明适用于存在源信号的环境，尤其适用于大范围广域环境下稀疏信号源的定位任务，例如灾难现场救援、有害气体泄露源定位等。本
(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114912565 A (43)申请公布日 2022.08.16 (21)申请号 0.9 (22)申请日 2022.04.14 (71)申请人 同济大学 地址 200092 上海市杨浦区四平路1239号 (72)发明人 张军旗卢烨昊王成臧笛 康琦刘春梅 (74)专利代理机构 南京禹为知识产权代理事务 所(特殊普通合伙) 32272 专利代理师 张永强 (51)Int.Cl. G06N 3/00 (2006.01) 权利要求书2页 说明书7页 附图1页 (54)发明名称 一种基于粒子群算法的无人机群协同目标 搜索方法 (57)摘要 本发明公开了一种基于粒子群算法的无人 机群协同目标搜索方法，其包括分布设置多架无 人机视为粒子群，通过无人机进行初始位置的环 境反馈建模，将当前环境反馈值作为适应度值； 初始化设置无人机粒子群的算法参数，并随机初 始化无人机的自身参数；令无人机移动至对应位 置并计算每架无人机当前位置的环境反馈值F (x)作为该位置的适应度值，无人机运动速度记 i 为V；以及，通过粒子群算法更新粒子的速度和位 置；本发明适用于存在源信号的环境，尤其适用 于大范围广域环境下稀疏信号源的定位任务，例 A 如灾难现场救援、有害气体泄露源定位等。本发 5 明设计合理，显著提高目标搜索的精度与效率。 6 5 2 1 9 4 1 1 N C CN 114912565 A 权利要求书 1/2页 1.一种基于粒子群算法的无人机群协同目标搜索方法，其特征在于：包括， 分布设置多架无人机视为粒子群，通过无人机进行初始位置的环境反馈建模，将当前 环境反馈值作为适应度值； 初始化设置无人机粒子群的算法参数，并随机初始化无人机的自身参数； 令无人机移动至对应位置并计算每架无人机当前位置的环境反馈值F(xi)作为该位置 的适应度值，无人机运动速度记为V；以及， 通过粒子群算法更新粒子的速度和位置。 2.如权利要求1所述的基于粒子群算法的无人机群协同目标搜索方法，其特征在于：所 述多架无人机均配备信号感知传感器、通信与定位模块，通过信号感知传感器、通信与定位 模块进行初始环境反馈建模的构建并计算环境反馈值作为粒子群算法的适应度值。 3.如权利要求2所述的基于粒子群算法的无人机群协同目标搜索方法，其特征在于：初 始化设置无人机粒子群的算法参数包括粒子群规模n，最大迭代次数G；初始化无人机的自 身参数包括粒子的初始位置x＝{x ，x ，...，x}和速度v＝{v ，v ，...，v}。 1 2 n 1 2 n 4.如权利要求2或3所述的基于粒子群算法的无人机群协同目标搜索方法，其特征在 于：所述粒子群算法更新粒子的速度和位置： 其中，d∈{1，2，...，D}，D表示优化维数，ω称为惯性权重，用于衡量上一次迭代中粒子 的速度对本轮迭代的影响；c 、c是常数加速因子，且c ＝c ＝2.05；r、r是D维随机数向量； 1 2 1 2 1 2 pbest 表示第i个粒子的历史最优位置；lbest 表示第i个粒子邻域内粒子的历史最优位置； i i 表示第i个粒子的速度； 表示第i个粒子的位置。 5.如权利要求4所述的基于粒子群算法的无人机群协同目标搜索方法，其特征在于：若 当前迭代次数大于最大迭代次数G，则完成定位任务，否则重新移动无人机粒子群计算环境 反馈值F(x)作为该位置的适应度值，无人机运动速度记为V，然后进行下一次迭代。 i 6.如权利要求2或5所述的基于粒子群算法的无人机群协同目标搜索方法，其特征在 于：通过模拟无人机飞行高度对信号检测范围与强度的影响机制，构建三维环境反馈模型， 其包括： 获取无人机当前位置信息； 计算无人机信号检测范围； 通过传感器获取信号检测范围内各位置的信号强度； 将最大信号强度值作为当前无人机位置的环境反馈值。 7.如权利要求6所述的基于粒子群算法的无人机群协同目标搜索方法，其特征在于：假 设信号源均位于地面，即高度为0，其信号强度随与其距离的增加而逐渐减弱，直至消失，地 面位置 处的环境反馈值计算如下： 2 2 CN 114912565 A 权利要求书 2/2页 其中，S表示信号源位置的集合，S表示第i个信号源的位置， 表示x 到第i个信号源 i i 的距离，表示x 与离其最近信号源的距离，W表示最大信号强度，R表示信号范围的半径，当 i 距离超出信号范围时，信号强度衰减为0。 8.如权利要求7所述的基于粒子群算法的无人机群协同目标搜索方法，其特征在于：信 号源随高度增加，信号强度也会逐渐减弱，直至消失，空中位置 处的环境 反馈值计算如下： 其中， 表示地面位置 处的信号强度值，α为衰减系数，用于表征 信号强度随高度增加衰减的速度。 9.如权利要求8所述的基于粒子群算法的无人机群协同目标搜索方法，其特征在于：无 人机信号检测范围，记为Θ，会逐渐扩大，在本方法中将其建模为以无人机当前位置 为中心的正方形区域，其边长计算如下： 其中，β用于表征高度对无人机信号检测范围的影响大小。 10.如权利要求9所述的基于粒子群算法的无人机群协同目标搜索方法，其特征在于： 无人机会计算其信号检测范围内信号强度的最大值作为环境反馈值，计算如下： 其中，X表示无人机当前位置，X表示无人机信号检测范围内的任意位置。 i 3 3 CN 114912565 A 说明书 1/7页 一种基于粒子群算法的无人机群协同目标搜索方法 技术领域 [0001] 本发明涉及群体智能与多智能体目标搜索技术领域，特别是一种基于粒子群算法 的无人机群协同目标搜索方法。 背景技术 [0002] 近年来，源定位问题引起了广泛关注，并逐渐发展为研究热点。此问题假设未知环 境中存在多个信号源，各个信号源会持续向外界发射信号，多智能体需要根据在各区域检 测到的信号强度来协同定位各源所在的位置，并在搜索结束时聚集在各信号源周围以开展 后续任务。其中，信号源的数量与分布均是未知的，信号强度最大处即为信号源位置。因此， 该问题可以转化为多模优化问题，即需要同时搜索目标函数的多个全局最优解。 [0003] 粒子群算法是一种群体智能算法，由Kennedy和Eberhart受鸟群觅食的启发于 1995年提出，用于解决全局最优化问题。由于其参数简单性与快速收敛性，粒子群算法已成 为主流的全局优化技术之一，并被广泛应用于各类实际问题。但由于粒子搜索具有一定随 机性，该方法容易陷入局部最优解。据此，众多学者不断提出粒子群的变体算法，通过平衡 群体全局搜索与局部搜索能力，进一步提高其优化性能。 [0004] 群体智能领域与多智能体目标搜索领域很多工作具有相似性与相容性，若用具有 一定通信与感知能力的实体智能体代替粒子群算法中的虚拟粒子，那么可将群体智能优化 算法推广至现实世界，即解决源定位问题。但是，由于各信号源的信号范围有限，尤其是在 广域环境下稀疏信号源定位任务中，搜索环境存在大范围无信号值区域，即信号强度为0， 在抽象成多模优化问题时，搜索空间中会存在大范围无梯度区域，严重影响优化效果，从而 降低多智能体搜索精度与效率。据调查，目前源定位算法均聚焦于平面搜索空间，然而高度 信息其实是非常有用的，随着高度的增加，无人机能检测到更大范围内的信号，但检测到的 信号值会逐渐减弱，直至消失。若能实现无人机高度的自主调节，自主涌现从高处全局粗略 定位到低处局部精细搜索的行为模式，则能显著提高源定位精度与效率。因此，发明一种考 虑无人机群飞行高度自主调节的多目标搜索算法是很有必要的。 发明内容 [0005] 本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施 例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部 分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。 [0006] 鉴于上述背景技术中存在的问题，提出了本发明。 [0007] 为解决上述技术问题，本发明提供如下技术方案：一种基于粒子群算法的无人机 群协同目标搜索方法，其包括分布设置多架无人机视为粒子群，通过无人机进行初始位置 的环境反馈建模，将当前环境反馈值作为适应度值；初始化设置无人机粒子群的算法参数， 并随机初始化无人机的自身参数；令无人机移动至对应位置并计算每架无人机当前位置的 环境反馈值F(x)作为该位置的适应度值，无人机运动速度记为V；以及，通过粒子群算法更 i 4 4 CN 114912565 A 说明书 2/7页 新粒子的速度和位置。 [0008] 作为本发明所述基于粒子群算法的无人机群协同目标搜索方法的一种优选方案， 其中：：所述多架无人机均配备信号感知传感器、通信与定位模块，通过信号感知传感器、通 信与定位模块进行初始环境反馈建模并计算环境反馈值作为粒子群算法的适应度值。 [0009] 作为本发明所述基于粒子群算法的无人机群协同目标搜索方法的一种优选方案， 其中：初始化设置无人机粒子群的算法参数包括粒子群规模n，最大迭代次数G；初始化无人 机的自身参数包括粒子的初始位置x＝{x ,x ,…,x }和速度v＝{v ,v ,…,v }。 1 2 n 1 2 n [0010] 作为本发明所述基于粒子群算法的无人机群协同目标搜索方法的一种优选方案， 其中：所述粒子群算法更新粒子的速度和位置： [0011] [0012] [0013] 其中，d∈{1,2,...,D}，D表示优化维数，ω称为惯性权重，用于衡量上一次迭代中 粒子的速度对本轮迭代的影响；c 、c是常数加速因子，且c ＝c ＝2.05；r 、r是D维随机数 1 2 1 2 1 2 向量；pbest表示第i个粒子的历史最优位置；lbest 表示第i个粒子邻域内粒子的历史最优 i i 位置； 表示第i个粒子的速度； 表示第i个粒子的位置。 [0014] 作为本发明所述基于粒子群算法的无人机群协同目标搜索方法的一种优选方案， 其中：若当前迭代次数大于最大迭代次数G，则完成定位任务，否则重新移动无人机粒子群 计算环境反馈值F(x )作为该位置的适应度值，无人机运动速度记为V，然后进行下一次迭 i 代。 [0015] 作为本发明所述基于粒子群算法的无人机群协同目标搜索方法的一种优选方案， 其中：通过模拟无人机飞行高度对信号检测范围与强度的影响机制，构建三维环境反馈模 型，其包括：获取无人机当前位置信息；计算无人机信号检测范围；通过传感器获取信号检 测范围内各位置的信号强度；将最大信号强度值作为当前无人机位置的环境反馈值。 [0016] 作为本发明所述基于粒子群算法的无人机群协同目标搜索方法的一种优选方案， 其中：假设信号源均位于地面，即高度为0，其信号强度随与其距离的增加而逐渐减弱，直至 消失，地面位置 处的环境反馈值计算如下： [0017] [0018] [0019] 其中，S表示信号源位置的集合，S 表示第i个信号源的位置， 表示x 到第i个 i i 信号源的距离，表示x 与离其最近信号源的距离，W表示最大信号强度，R表示信号范围的 i 半径，当距离超出信号范围时，信号强度衰减为0。 [0020] 作为本发明所述基于粒子群算法的无人机群协同目标搜索方法的一种优选方案， 其中：信号源随高度增加，信号强度也会逐渐减弱，直至消失，空中位置 处的环境反馈值计算如下： 5 5 CN 114912565 A 说明书 3/7页 [0021] [0022] 其中， 表示地面位置 处的信号强度值，α为衰减系数，用于 表征信号强度随高度增加衰减的速度。 [0023] 作为本发明所述基于粒子群算法的无人机群协同目标搜索方法的一种优选方案， 其中：无人机信号检测范围，记为Θ，会逐渐扩大，在本方法中将其建模为以无人机当前位 置 为中心的正方形区域，其边长计算如下： [0024] [0025] 其中，β用于表征高度对无人机信号检测范围的影响大小。 [0026] 作为本发明所述基于粒子群算法的无人机群协同目标搜索方法的一种优选方案， 其中：无人机会计算其信号检测范围内信号强度的最大值作为环境反馈值，计算如下： [0027] [0028] 其中，X表示无人机当前位置，X表示无人机信号检测范围内的任意位置。 i [0029] 本发明的有益效果：本发明是一个具有通用性的无人机群目标搜索方法，所基于 的粒子群算法可以是任意的粒子群变体；本方法的搜索精度、抗干扰能力等性能也将会随 粒子群智能优化领域的发展而不断提升。本发明适用于存在源信号的环境，尤其适用于大 范围广域环境下稀疏信号源的定位任务，例如灾难现场救援、有害气体泄露源定位等。本发 明设计合理，显著提高目标搜索的精度与效率。 附图说明 [0030] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用 的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本 领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它 的附图。其中： [0031] 图1为第一、二个实施例中的基于粒子群算法的无人机群协同目标搜索方法的流 程示意图。 具体实施方式 [0032] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对 本发明的具体实施方式做详细的说明。 [0033] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以 采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的 情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。 [0034] 其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方 式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指 同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。 [0035] 实施例1 6 6 CN 114912565 A 说明书 4/7页 [0036] 参照图1，为本发明第一个实施例，该实施例提供了一种基于粒子群算法的无人机 群协同目标搜索方法，包括以下步骤： [0037] 步骤1.1：在应用场景中，分散布置多架无人机，每架无人机配备信号感知传感器、 通信与定位模块，将无人机群视为粒子群，将各架无人机视为粒子。 [0038] 步骤1.2：进行环境反馈建模，将每架无人机当前位置的环境反馈值作为粒子群算 法的适应度值。 [0039] 步骤1.3：初始化粒子群算法参数设置：粒子群规模n＝50，优化维数D＝3，最大迭 代次数G＝100。同时随机初始化n个粒子的初始位置x＝{x ,x ,…,x }和速度v＝{v ,v ,…, 1 2 n 1 2 v }。 n [0040] 步骤1.4：令n架无人机分别移动至其对应粒子的位置，并计算每架无人机当前位 置的环境反馈值F(x)作为该位置的适应度值，无人机运动速度记为V＝1。 i [0041] 关于步骤1.4进一步的，将每个无人机所获取到的信息共享至后端平台。 [0042] 步骤1.5：通过粒子群算法更新粒子的速度和位置，更新公式分别如下所示： [0043] [0044] [0045] 其中，d∈{1,2,...,D}，D表示优化维数，ω称为惯性权重，用于衡量上一次迭代中 粒子的速度对本轮迭代的影响；c 、c是常数加速因子，且c ＝c ＝2.05；r 、r是D维随机数 1 2 1 2 1 2 向量；pbest表示第i个粒子的历史最优位置；lbest 表示第i个粒子邻域内粒子的历史最优 i i 位置； 表示第i个粒子的速度； 表示第i个粒子的位置。 [0046] 步骤1.6：若当前迭代次数大于最大迭代次数G，则执行步骤1.7，否则返回步骤1.4 进行下一次迭代。 [0047] 步骤1.7：源定位任务结束。 [0048] 实施例2 [0049] 参照图1，为本发明第二个实施例，该实施例基于上一个实施例，通过模拟无人机 飞行高度对信号检测范围与强度的影响机制，构建三维环境反馈模型，其包括： [0050] 获取无人机当前位置信息，包括平面位置与无人机的高度； [0051] 计算无人机信号检测范围，此范围随高度变化，无人机位置越高，则对无人机下方 的平面检测范围越大； [0052] 通过传感器获取信号检测范围内各位置的信号强度，此信号强度取决于无人机的 位置与高度，和目标源信号辐射强弱的实际分布； [0053] 将最大信号强度值作为当前无人机位置的环境反馈值，不用无人机所在位置的信 号强度值的原因，是因为无人机因为高度的原因，可以感知更广泛的区域，将它感知到的最 大信号强度值作为当前无人机位置的环境反馈值，即可加强整个无人机群体向信号强度值 大的区域搜索。 [0054] 假设信号源均位于地面，即高度为0，其信号强度随与其距离的增加而逐渐减弱， 直至消失，地面位置 处的环境反馈值计算如下： 7 7 CN 114912565 A 说明书 5/7页 [0055] [0056] [0057] 其中，S表示信号源位置的集合，S 表示第i个信号源的位置， 表示x 到第i个 i i 信号源的距离，表示x 与离其最近信号源的距离，W表示最大信号强度，R表示信号范围的 i 半径，当距离超出信号范围时，信号强度衰减为0。 [0058] 信号源随高度增加，信号强度也会逐渐减弱，直至消失，空中位置 处的环境反馈值计算如下： [0059] [0060] 其中， 表示地面位置 处的信号强度值，α为衰减系数，用于 表征信号强度随高度增加衰减的速度。 [0061] 无人机信号检测范围，记为Θ，会逐渐扩大，在本方法中将其建模为以无人机当前 位置 为中心的正方形区域，其边长计算如下： [0062] [0063] 其中，β用于表征高度对无人机信号检测范围的影响大小。 [0064] 无人机会计算其信号检测范围内信号强度的最大值作为环境反馈值，计算如下： [0065] [0066] 其中，X表示无人机当前位置，X表示无人机信号检测范围内的任意位置。 i [0067] 本发明是一个具有通用性的无人机群目标搜索方法，在所提出的框架中，所基于 的粒子群算法可以是任意的粒子群变体，首次在源定位算法中考虑了智能体的飞行高度， 并构建三维环境反馈模型，在此基础上，将粒子群算法作为集群自组织协同控制策略，无人 机群能够自主涌现从高处全局粗略定位到低处局部精细搜索的行为模式。并且本方法的搜 索精度、抗干扰能力等性能也将会随粒子群智能优化领域的发展而不断提升。实施本方法 的无人机群可通过协同有效完成源定位任务，拥有广泛的应用前景。 [0068] 验证：在小范围搜索环境、大范围稀疏信号源环境、大范围密集信号源环境3种复 杂环境中进行了仿真实验，并在每种情况下分别基于经典SPSO(D.Bratton and J.Kennedy,“Defining a standard for particle swarm optimization,”in Proc.IEEE Swarm Intelligence Symposium,pp.120–127,2007.)、LIPSO(B.Y.Qu,P.N.Suganthan,and S.Das,“A distance‑based locally informed particle swarm model for multimodal optimization,”IEEE Transactions on Evolutionary Computation,vol.17,no.3, pp.387–402,2013.)与较新HRTPSO(Z.‑G.Chen,Z.‑H.Zhan,D.Liu,S.Kwong and J.Zhang, Particle Swarm Optimization with Hybrid Ring Topology for Multimodal Optimization Problems,2020IEEE International Conference on Systems,Man,and Cybernetics(SMC),pp.2044‑2049,2020.)进行无人机群自组织协同控制策略的部署，以完 8 8 CN 114912565 A 说明书 6/7页 成目标搜索任务，环境参数设置如表1所示： [0069] 表1多类型仿线] [0074] 设置无人机数量n＝50，总体情况如表2所示，其中，A表示搜索精度，Δ表示收敛距 离，SPSO、LIPSO、HRTPSO表示3种粒子群变体算法本身，SPSO*、LIPSO*、HRTPSO*表示部署我 们模型之后的3种粒子群变体算法。 [0075] 较直接应用SPSO，基于SPSO采用本发明的方法后，无人机群各环境中搜素精度平 9 9 CN 114912565 A 说明书 7/7页 均提升9.08％，收敛距离平均减小47.16％。较直接应用LIPSO，基于LIPSO采用本发明的方 法后，无人机群各环境中搜素精度平均提升102.58％，收敛距离平均减小7.40％。较直接应 用HRTPSO，基于HRTPSO采用本发明的方法后，无人机群各环境中搜素精度平均提升2.63％， 收敛距离平均减小42.08％。实验结果表明，在部署我们的模型之后，无人机集群的搜索性 能与收敛性能均有显著提升，尤其是在大范围广域环境下稀疏信号源定位任务中。 [0076] 重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和布置仅 是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员 应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改 型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力 等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多 个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目 或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替 代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装 置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同 而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行 状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而 是扩展至仍落在所附的权利要求书的范围内的多种改型。 [0077] 此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特 征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的 那些特征)。 [0078] 应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可 做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益 于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和 生产的常规工作。 [0079] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳 实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术 方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发 明的权利要求范围当中。 10 10 CN 114912565 A 说明书附图 1/1页 图1 11 11
2、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问加。
3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
临床SGLT2i、呋塞米、MRA等慢性肾脏病常用利尿剂作用位点、剂量方案及临床决策要点.doc
提供农业、铸造、给排水、测量、发电等专利信息的免费检索和下载；后续我们还将提供提供专利申请、专利复审、专利交易、专利年费缴纳、专利权恢复等更多专利服务。并持续更新最新专利内容，完善相关专利服务，助您在专利查询、专利应用、专利学习查找、专利申请等方面用得开心、用得满意！
海南师范大学《计算机组成原理》2024-2025学年第二学期期末试卷（A卷）.docx
原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者
