Optimization of automated stacking crane operation based on NSGA Ⅱ with dynamic rules in mixed stacking mode

doi:10.11772/j.issn.1001-9081.2021081456

Journal of Computer Applications ›› 2022, Vol. 42 ›› Issue (10): 3259-3267.DOI: 10.11772/j.issn.1001-9081.2021081456

• Frontier and comprehensive applications • Previous Articles Next Articles

Optimization of automated stacking crane operation based on NSGA Ⅱ with dynamic rules in mixed stacking mode

Yinping GAO¹, Daofang CHANG¹, Chun‑Hsien CHEN²

^1.Institute of Logistics Science and Engineering，Shanghai Maritime University，Shanghai 201306，China
^2.School of Mechanical and Aerospace Engineering，Nanyang Technological University，Singapore 639798，Singapore

Received:2021-08-16 Revised:2021-11-26 Accepted:2021-11-26 Online:2022-01-07 Published:2022-10-10
Contact: Daofang CHANG
About author:GAO Yinping, born in 1994， Ph. D. candidate. Her research interests include port operation and optimization， digital twin.
CHANG Daofang， born in 1978， Ph. D. ， professor. His research interests include logistics system design and optimization， port and shipping logistics simulation and monitoring.
CHEN Chun‑Hsien, born in 1962， Ph. D. ， professor. His research interests include knowledge management， human factors engineering
Supported by:
National Key Research and Development Program of China(2019YFB1704403);2019 Shanghai Maritime University Graduate Outstanding Creative Talent Training Program(2019YBR014)

混堆模式下基于动态规则NSGA Ⅱ的自动堆垛起重机作业优化

高银萍¹, 苌道方¹, 陈俊贤²

^1.上海海事大学物流科学与工程研究院，上海 201306
^2.南洋理工大学机械与宇航工程学院，新加坡 639798 新加坡

通讯作者: 苌道方
作者简介:第一联系人：高银萍（1994—），女，江苏泰州人，博士研究生，主要研究方向：港口运营与优化、数字孪生
苌道方（1978—），男，河南新乡人，教授，博士，主要研究方向：物流系统设计与优化、港航物流仿真与监控; dfchang@shmtu.edu.cn
陈俊贤（1962—），男，台湾台北人，教授，博士，主要研究方向：知识管理、人因工程。
基金资助:
国家重点研发计划项目(2019YFB1704403);2019年上海海事大学研究生拔尖创新人才培养项目(2019YBR014)

Abstract

Abstract:

Aiming at the uncertain arrival time of external container trucks， the dynamic operation sequence of Automated Stacking Crane （ASC） was optimized to improve the operation efficiency of automated container terminal yard with objective of reducing the completion time of ASCs as well as the waiting time of ASCs and external container trucks. Firstly， combining the characteristics of container operation types and dynamic arrival of external container trucks in mixed stacking mode， a strategy of ASCs dynamically matching the operation tasks of external container trucks were proposed. Then， a multi-objective model with the shortest operating time of ASCs as well as the shortest waiting time of ASCs and external container trucks was constructed. Finally， a Non-dominated Sorting Genetic Algorithm Ⅱ based on Dynamic Rules （DRNSGA Ⅱ） was designed as the solving algorithm. In small-scale example experiments， DRNSGA Ⅱ and Genetic Algorithm （GA） were used to solve ASC operation problems under dynamic strategy and random strategy， respectively. The experimental results show that the target function value solved by DRNSGA Ⅱ under dynamic strategy is 28.2% better than that under random strategy， and the result solved by DRNSGA Ⅱ is 23.3% better than that solved by Genetic Algorithm （GA） when using dynamic strategy. The performance of DRNSGA Ⅱ and Multi-Objective Particle Swarm Optimization （MOPSO） algorithm were compared in large-scale experiments. The experimental results show that the result solved by DRNSGA Ⅱ is 6.7% better than that solved by MOPSO algorithm. It can be seen that DRNSGA Ⅱ can quickly generate a variety of non-dominated solutions to provide decision support for ASC dynamic operation in mixed stacking mode.

Key words: mixed stacking mode, task type, Automated Stacking Crane (ASC), dynamic strategy, Non-dominated Sorting Genetic Algorithm Ⅱ (NSGA Ⅱ)

摘要：

针对外集卡到达时间的不确定性，提出自动堆垛起重机（ASC）作业序列的动态优化，从而以减少ASC作业完成时间以及ASC和外集卡等待时间为目的，提高自动化集装箱码头堆场的作业效率。首先，结合混堆模式下集装箱作业类型与外集卡动态到达的特点，提出ASC动态匹配外集卡作业任务的策略；其次，构建ASC作业时间最短与ASC和外集卡等待时间最短的多目标模型；最后，设计基于动态规则的非支配排序遗传算法Ⅱ （DRNSGA Ⅱ）作为求解算法。在小规模算例实验中，分别运用DRNSGA Ⅱ与遗传算法（GA）求解动态策略和随机策略下的ASC作业问题。实验结果表明，DRNSGA Ⅱ求解的动态策略下目标函数值优于随机策略28.2%，并且动态策略下DRNSGA Ⅱ的求解结果优于遗传算法23.3%。在大规模算例实验中，比较了DRNSGA Ⅱ与多目标粒子群优化（MOPSO）两种算法的性能。实验结果表明DRNSGA Ⅱ的求解结果优于MOPSO算法6.7%。可见DRNSGA Ⅱ能够快速生成多样化的非支配解，为混堆模式下的ASC动态作业提供决策支持。

关键词: 混堆模式, 任务类型, 自动堆垛起重机, 动态策略, 非支配排序遗传算法Ⅱ

CLC Number:

U169.6

Yinping GAO, Daofang CHANG, Chun‑Hsien CHEN. Optimization of automated stacking crane operation based on NSGA Ⅱ with dynamic rules in mixed stacking mode[J]. Journal of Computer Applications, 2022, 42(10): 3259-3267.

高银萍, 苌道方, 陈俊贤. 混堆模式下基于动态规则NSGA Ⅱ的自动堆垛起重机作业优化[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3259-3267.

Figures/Tables 12

Fig. 1 Schematic diagram of operation of external container trucks in storage yard

Fig. 2 Schematic diagram of operation of ASC

Fig. 3 Flowchart of DRNSGA Ⅱ

Fig. 4 Schematic diagram of of chromosome coding

Fig. 5 Schematic diagram of cross process

Fig. 6 Schematic diagram of mutation process

Fig. 7 Solution results of DRNSGA Ⅱ

Tab. 1 Operation schemes of non-dominated solutions

目标函数值（f₁，f₂）	ASC任务编号	作业任务
（68，204）	1	15-9-14-6-11
	2	12-8-1-16-18-19-10-5
	3	2-4-20-17-7
	4	13-3
（78，158）	1	15-9-14-6-11
	2	12-8
	3	1-16-18-19-10-5-2
	4	4-20-17-7-13-3
（81，150）	1	15-9-14-6-11
	2	12-8-1-16-18
	3	19-10-5-2
	4	4-20-17-7-13-3
（82，102）	1	15-9-14
	2	6-11-12-8-1-16
	3	18-19-10-5-2
	4	4-20-17-7-13-3
（91，108）	1	15-9-14-6
	2	11-12-8-1-16-18
	3	19-10-5
	4	2-4-20-17-7-13-3
（96，70）	1	15-9-14-6
	2	11-12-8-1-16-18
	3	19-10-5-2-4-20-17-7
	4	13-3
（101，30）	1	15-9-14-6-11-12
	2	8-1-16-18
	3	19-10-5-2
	4	4-20-17-7-13-3

Fig. 8 Solution results under different strategies

Tab. 2 Results of four experiments

任务量	算例编号	动态策略					随机策略
		实验1（DRNSGA Ⅱ）		实验2（GA）			实验3（DRNSGA Ⅱ）			实验4（GA）
		$F 1$	T₁/s	$F 2$	T₂/s	$P 1$ /%	$F 3$	T₃/s	$P 2$ /%	$F 4$	T₄/s	$P 3$ /%
20	1	（83，54）	100.84	（99，82）	156.40	32.1	（109，79）	201.77	37.2	（115，72）	261.55	36.5
	2	（83，63）	101.44	（97，86）	156.44	25.3	（105，77）	201.43	24.7	（109，90）	225.26	36.3
	3	（85，560）	100.77	（100，81）	175.20	28.4	（104，78）	164.07	29.1	（109，84）	162.46	36.9
	4	（81，70）	99.67	（101，77）	156.09	17.9	（105，85）	162.99	25.8	（113，84）	165.48	30.5
	5	（84，56）	99.25	（96，82）	155.25	27.1	（108，80）	205.22	34.3	（107，84）	164.12	36.4
	6	（87，55）	117.91	（102，75）	155.62	24.6	（106，88）	147.67	36.6	（111，85）	157.34	38.0
	7	（84，64）	111.81	（100，79）	155.70	20.9	（97，84）	218.04	22.3	（119，100）	157.02	48.0
	8	（80，53）	110.02	（104，73）	244.40	33.1	（105，76）	158.30	36.1	（111，80）	160.96	43.6
	9	（84，63）	112.02	（98，71）	142.36	15.0	（106，73）	153.96	21.8	（112，89）	190.13	36.7
	10	（81，73）	111.67	（91，80）	144.22	11.0	（99，81）	152.34	16.9	（114，75）	186.98	22.7
	平均	（83，61）	106.54	（99，79）	164.17	23.3	（104，80）	176.58	28.2	（112，84）	183.13	36.4
50	1	（158，124）	168.98	（180，144）	223.50	14.9	（189，161）	234.26	24.1	（204，178）	275.27	35.5
	2	（156，105）	163.89	（180，160）	227.23	30.3	（199，151）	235.78	34.1	（207，167）	297.98	43.3
	3	（156，120）	161.63	（183，154）	227.66	22.1	（190，156）	247.35	25.4	（204，172）	292.50	36.2
	4	（149，103）	168.95	（173，154）	222.73	29.8	（191，150）	247.21	35.3	（202，175）	266.89	49.6
	5	（154，109）	167.08	（183，153）	222.61	27.8	（184，163）	242.79	31.9	（206，168）	290.45	42.2
	6	（152，97）	163.81	（172，143）	222.30	26.5	（192，152）	239.19	38.2	（204，175）	284.66	52.2
	7	（158，99）	164.60	（174，131）	224.32	18.7	（187，159）	226.62	34.6	（208，172）	274.49	47.9
	8	（155，121）	166.40	（175，148）	221.96	17.0	（182，164）	236.35	25.4	（203，169）	277.77	34.8
	9	（154，103）	165.11	（176，154）	233.95	28.4	（193，172）	228.45	42.0	（209，176）	285.44	49.8
	10	（157，98）	162.39	（174，162）	227.93	31.8	（197，167）	244.81	42.7	（205，174）	296.67	48.6
	平均	（155，108）	165.28	（177，150）	225.42	24.3	（190，160）	238.28	33.1	（205，173）	284.21	43.7
80	1	（219，148）	354.22	（269，224）	347.19	34.3	（277，252）	449.91	44.1	（282，267）	561.29	49.6
	2	（217，152）	301.31	（263，243）	337.71	37.1	（274，251）	411.26	42.3	（276，248）	482.25	42.0
	3	（224，158）	309.70	（271，214）	331.44	27.0	（279，224）	352.42	31.7	（287，263）	506.93	44.0
	4	（226，156）	276.40	（269，214）	395.26	26.4	（276，252）	294.00	38.2	（284，267）	517.16	44.2
	5	（218，146）	275.77	（263，235）	333.63	36.8	（273，251）	397.92	44.0	（280，267）	499.37	50.3
	6	（216，151）	288.55	（267，225）	338.17	34.1	（270，252）	365.48	42.2	（277，265）	511.69	47.7
	7	（211，158）	294.22	（261，226）	333.96	32.0	（272，252）	353.19	42.0	（285，270）	513.68	50.4
	8	（227，153）	302.44	（260，229）	338.19	28.7	（277，235）	354.78	34.7	（284，268）	502.94	4.35
	9	（218，147）	299.74	（267，235）	334.03	37.5	（271，256）	353.97	44.4	（280，266）	489.63	49.6
	10	（216，150）	294.32	（262，228）	336.09	33.9	（282，258）	353.41	47.5	（286，267）	399.62	51.1
	平均	（219，152）	299.67	（265，227）	342.57	32.6	（275，248）	368.63	41.0	（282，265）	498.46	47.4

Tab. 2 Results of four experiments

任务量	算例编号	动态策略					随机策略
		实验1（DRNSGA Ⅱ）		实验2（GA）			实验3（DRNSGA Ⅱ）			实验4（GA）
		$F 1$	T₁/s	$F 2$	T₂/s	$P 1$ /%	$F 3$	T₃/s	$P 2$ /%	$F 4$	T₄/s	$P 3$ /%
20	1	（83，54）	100.84	（99，82）	156.40	32.1	（109，79）	201.77	37.2	（115，72）	261.55	36.5
	2	（83，63）	101.44	（97，86）	156.44	25.3	（105，77）	201.43	24.7	（109，90）	225.26	36.3
	3	（85，560）	100.77	（100，81）	175.20	28.4	（104，78）	164.07	29.1	（109，84）	162.46	36.9
	4	（81，70）	99.67	（101，77）	156.09	17.9	（105，85）	162.99	25.8	（113，84）	165.48	30.5
	5	（84，56）	99.25	（96，82）	155.25	27.1	（108，80）	205.22	34.3	（107，84）	164.12	36.4
	6	（87，55）	117.91	（102，75）	155.62	24.6	（106，88）	147.67	36.6	（111，85）	157.34	38.0
	7	（84，64）	111.81	（100，79）	155.70	20.9	（97，84）	218.04	22.3	（119，100）	157.02	48.0
	8	（80，53）	110.02	（104，73）	244.40	33.1	（105，76）	158.30	36.1	（111，80）	160.96	43.6
	9	（84，63）	112.02	（98，71）	142.36	15.0	（106，73）	153.96	21.8	（112，89）	190.13	36.7
	10	（81，73）	111.67	（91，80）	144.22	11.0	（99，81）	152.34	16.9	（114，75）	186.98	22.7
	平均	（83，61）	106.54	（99，79）	164.17	23.3	（104，80）	176.58	28.2	（112，84）	183.13	36.4
50	1	（158，124）	168.98	（180，144）	223.50	14.9	（189，161）	234.26	24.1	（204，178）	275.27	35.5
	2	（156，105）	163.89	（180，160）	227.23	30.3	（199，151）	235.78	34.1	（207，167）	297.98	43.3
	3	（156，120）	161.63	（183，154）	227.66	22.1	（190，156）	247.35	25.4	（204，172）	292.50	36.2
	4	（149，103）	168.95	（173，154）	222.73	29.8	（191，150）	247.21	35.3	（202，175）	266.89	49.6
	5	（154，109）	167.08	（183，153）	222.61	27.8	（184，163）	242.79	31.9	（206，168）	290.45	42.2
	6	（152，97）	163.81	（172，143）	222.30	26.5	（192，152）	239.19	38.2	（204，175）	284.66	52.2
	7	（158，99）	164.60	（174，131）	224.32	18.7	（187，159）	226.62	34.6	（208，172）	274.49	47.9
	8	（155，121）	166.40	（175，148）	221.96	17.0	（182，164）	236.35	25.4	（203，169）	277.77	34.8
	9	（154，103）	165.11	（176，154）	233.95	28.4	（193，172）	228.45	42.0	（209，176）	285.44	49.8
	10	（157，98）	162.39	（174，162）	227.93	31.8	（197，167）	244.81	42.7	（205，174）	296.67	48.6
	平均	（155，108）	165.28	（177，150）	225.42	24.3	（190，160）	238.28	33.1	（205，173）	284.21	43.7
80	1	（219，148）	354.22	（269，224）	347.19	34.3	（277，252）	449.91	44.1	（282，267）	561.29	49.6
	2	（217，152）	301.31	（263，243）	337.71	37.1	（274，251）	411.26	42.3	（276，248）	482.25	42.0
	3	（224，158）	309.70	（271，214）	331.44	27.0	（279，224）	352.42	31.7	（287，263）	506.93	44.0
	4	（226，156）	276.40	（269，214）	395.26	26.4	（276，252）	294.00	38.2	（284，267）	517.16	44.2
	5	（218，146）	275.77	（263，235）	333.63	36.8	（273，251）	397.92	44.0	（280，267）	499.37	50.3
	6	（216，151）	288.55	（267，225）	338.17	34.1	（270，252）	365.48	42.2	（277，265）	511.69	47.7
	7	（211，158）	294.22	（261，226）	333.96	32.0	（272，252）	353.19	42.0	（285，270）	513.68	50.4
	8	（227，153）	302.44	（260，229）	338.19	28.7	（277，235）	354.78	34.7	（284，268）	502.94	4.35
	9	（218，147）	299.74	（267，235）	334.03	37.5	（271，256）	353.97	44.4	（280，266）	489.63	49.6
	10	（216，150）	294.32	（262，228）	336.09	33.9	（282，258）	353.41	47.5	（286，267）	399.62	51.1
	平均	（219，152）	299.67	（265，227）	342.57	32.6	（275，248）	368.63	41.0	（282，265）	498.46	47.4

Tab. 3 Comparison results of DRNSGA Ⅱ and MOPSO algorithm

任务量N	算例	DRNSGA Ⅱ		MOPSO
任务量N	算例	目标函数值（f₁，f₂）	计算时间/s	目标函数值（f₁，f₂）	计算时间/s	差值/%
100	1	（309，331）	362.65	（326，329）	502.34	2.3
	2	（314，334）	417.10	（331，338）	517.10	3.2
	平均	（312，333）	389.88	（329，334）	509.72	2.8
150	1	（483，514）	456.52	（508，524）	573.65	3.5
	2	（495，515）	461.74	（514，530）	588.21	3.4
	平均	（489，515）	459.13	（511，527）	580.93	3.4
200	1	（604，611）	553.46	（644，651）	691.12	6.6
	2	（605，615）	556.89	（649，655）	696.16	6.9
	平均	（605，613）	555.18	（647，653）	693.64	6.7

Fig. 9 Solution comparison of DRNSGA Ⅱ and MOPSO algorithm under different scales

References 19

1	范厚明，马梦知，姚茜，等. 集装箱堆场箱位分配及多场桥调度协同优化问题［J］. 上海交通大学学报， 2017， 51（11）：1367-1373. 10.16183/j.cnki.jsjtu.2017.11.013
	FAN H M， MA M Z， YAO X， et al. Integrated optimization of storage space allocation and multiple yard cranes scheduling in a container terminal yard［J］. Journal of Shanghai Jiao Tong University， 2017， 51（11）： 1367-1373. 10.16183/j.cnki.jsjtu.2017.11.013
2	WU Y， LI W K， PETERING M E H， et al. Scheduling multiple yard cranes with crane interference and safety distance requirement［J］. Transportation Science， 2015， 49（4）： 990-1005. 10.1287/trsc.2015.0641
3	HAN X L， WANG Q Q， HUANG J W. Scheduling cooperative twin automated stacking cranes in automated container terminals［J］. Computers and Industrial Engineering， 2019， 128： 553-558. 10.1016/j.cie.2018.12.039
4	KRESS D， DORNSEIFER J， JAEHN F， et al. An exact solution approach for scheduling cooperative gantry cranes［J］. European Journal of Operational Research， 2019， 273（1）：82-101. 10.1016/j.ejor.2018.07.043
5	SPEER U， FISCHER K. Scheduling of different automated yard crane systems at container terminals［J］. Transportation Science， 2017， 51（1）：305-324. 10.1287/trsc.2016.0687
6	GHAREHGOZLI A H， VERNOOIJ F G， ZAERPOUR N. A simulation study of the performance of twin automated stacking cranes at a seaport container terminal［J］. European Journal of Operational Research， 2017， 261（1）：108-128. 10.1016/j.ejor.2017.01.037
7	YU K， YANG J C. MILP Model and a rolling horizon algorithm for crane scheduling in a hybrid storage container terminal［J］. Mathematical Problems in Engineering， 2019， 2019： No.4739376. 10.1155/2019/4739376
8	郑红星，于凯，李芳芳，等. 考虑外集卡的混堆集装箱码头多场桥调度［J］. 计算机集成制造系统， 2014， 20（12）：3161-3169.
	ZHENG H X， YU K， LI F F， et al. Multi-yard cranes scheduling in mixed storage port container terminals considering external container trucks［J］. Computer Integrated Manufacturing Systems， 2014， 20（12）： 3161-3169.
9	郑红星，董译文，匡海波，等. 考虑倒箱的混堆装船箱区内场桥调度优化［J］. 系统工程理论与实践， 2016， 36（9）：2362-2373. 10.12011/1000-6788(2016)09-2362-12
	ZHENG H X， DONG Y W， KUANG H B， et al. Yard cranes scheduling with relocation at a mixed storage block for ship loading［J］. Systems Engineering—Theory and Practice， 2016， 36（9）： 2362-2373. 10.12011/1000-6788(2016)09-2362-12
10	周磊磊，梁承姬，胡筱渊. 不确定干扰约束下外集卡提箱策略［J］. 计算机应用， 2020， 40（3）： 891-896.
	ZHOU L L， LIANG C J， HU X Y. Delivery trucks strategy under uncertain interference constraints［J］. Journal of Computer Applications， 2020， 40（3）： 891-896.
11	邵乾虔，徐奇，边展，等. 考虑了交箱时间不确定性的场桥堆存作业优化［J］. 系统工程理论与实践， 2015， 35（2）： 394-405. 10.12011/1000-6788(2015)2-394
	SHAO Q Q， XU Q， BIAN Z， et al. Stockpiling operation optimization for yard crane with containers delivery time uncertainty［J］. Systems Engineering—Theory and Practice， 2015， 35（2）： 394-405. 10.12011/1000-6788(2015)2-394
12	ZHENG F F， MAN X Y， CHU F， et al. A two-stage stochastic programming for single yard crane scheduling with uncertain release times of retrieval tasks［J］. International Journal of Production Research， 2019， 57（13）：4132-4147. 10.1080/00207543.2018.1516903
13	HE J L， TAN C M， ZHANG Y T. Yard crane scheduling problem in a container terminal considering risk caused by uncertainty［J］. Advanced Engineering Informatics， 2019， 39：14-24. 10.1016/j.aei.2018.11.004
14	ZENG Q C， FENG Y J， YANG Z Z. Integrated optimization of pickup sequence and container rehandling based on partial truck arrival information［J］. Computers and Industrial Engineering， 2019， 127： 366-382. 10.1016/j.cie.2018.10.024
15	马梦知，范厚明，计明军，等. 集装箱码头送箱集卡预约与场桥调度协同优化［J］. 交通运输系统工程与信息， 2018， 18（3）： 202-209.
	MA M Z， FAN H M， JI M J， et al. Integrated optimization of truck appointment for export containers and crane deployment in a container terminal［J］. Journal of Transportation Systems Engineering and Information Technology， 2018， 18（3）： 202-209.
16	李娜，边展，徐奇，等. 集卡提箱预约配额与场桥配置的联合优化［J］. 交通运输系统工程与信息， 2019， 19（6）： 206-214， 222.
	LI N， BIAN Z， XU Q， et al. Optimization of quotas and yard crane allocation in pick-up truck appointment［J］. Journal of Transportation Systems Engineering and Information Technology， 2019， 19（6）： 206-214， 222.
17	KUCUKSAYACIGIL F， ULUSOY G. Hybrid genetic algorithm for bi-objective resource-constrained project scheduling［J］. Frontiers of Engineering Management， 2020， 7（3）： 426-446. 10.1007/s42524-020-0100-x
18	LIU M， LEE C Y， ZHANG Z Z， et al. Bi-objective optimization for the container terminal integrated planning［J］. Transportation Research Part B： Methodological， 2016， 93（Pt B）：720-749. 10.1016/j.trb.2016.05.012
19	HU Z H， SHEU J B， LUO J X. Sequencing twin automated stacking cranes in a block at automated container terminal［J］. Transportation Research Part C： Emerging Technologies， 2016， 69： 208-227. 10.1016/j.trc.2016.06.004

[1]	ZHANG Minlong, WANG Tao, WANG Xuping, CHANG Hongwei, WANG Fang. Step dynamic auto-regression kernel principal component analysis and its application in fault diagnosis [J]. Journal of Computer Applications, 2016, 36(5): 1464-1468.
[2]	ZHOU Jingxian, HU Zhihua. Scheduling optimization for cross-over twin automated stacking cranes in automated container terminal [J]. Journal of Computer Applications, 2015, 35(9): 2673-2677.

Optimization of automated stacking crane operation based on NSGA Ⅱ with dynamic rules in mixed stacking mode

混堆模式下基于动态规则NSGA Ⅱ的自动堆垛起重机作业优化

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 12

References 19

Related Articles 2

Recommended Articles

Metrics