Lyapunov-Krasovskii泛函三重积分项求导_原理

Lyapunov-Krasovskii泛函三重积分项求导_原理

  • 1 Lyapunov-Krasovskii泛函三重积分项举例
  • 2 Lyapunov-Krasovskii泛函三重积分项求导
  • 3 基于辅助函数的一重积分不等式
  • 4 基于辅助函数的二重积分不等式

本人为研二小白,在看论文的过程中记录一下自己的学习过程和想法。

在之前转载的Lyapunov-Krasovskii泛函二重积分项求导_原理文章的基础上,这里给出Lyapunov-Krasovskii泛函三重积分项求导简单的计算过程及不等式放缩引理,主要是在文章的基础上进行一个总结。

1 Lyapunov-Krasovskii泛函三重积分项举例

这里给出研究时滞系统、网络化控制系统时常出现的Lyapunov-Krasovskii泛函三重积分项,主要参考的是以下三篇文章。

  1. P. Park, W. Lee, and S. Lee, “Auxiliary function-based integral inequalities for quadratic functions and their applications to time-delay systems,” Journal of the Franklin Institute, vol. 352, no. 4, pp. 1378-1396, Apr. 2015.
  2. J, Zhang and Y. Ma, “Event-triggered dissipative double asynchronous controller for interval type-2 fuzzy semi-Markov jump systems with state quantization and actuator failure,” ISA Transactions, vol. 138, pp. 226-242, Jul. 2023.
  3. D. Zhang, Z. Ye, G. Feng and H. Li, “Intelligent event-based fuzzy dynamic positioning control of nonlinear unmanned marine vehicles under DoS attack,” IEEE Transactions on Cybernetics, vol. 52, no. 12, pp. 13486-13499, Dec. 2022.

定义时变时延 h ( t ) h(t) h(t)满足 0 ≤ h 1 ≤ h ( t ) ≤ h 2 0\leq h_1\leq h(t)\leq h_2 0h1h(t)h2 h 12 = h 2 − h 1 h_{12}=h_2-h_1 h12=h2h1。给出如下几种常见的Lyapunov-Krasovskii泛函三重积分项。
V 1 ( t ) = ∫ − h 1 0 ∫ − h 1 γ ∫ t + β t x ˙ T ( α ) Z 1 x ˙ ( α ) d α d β d γ V 2 ( t ) = ∫ − h 2 − h 1 ∫ γ − h 1 ∫ t + β t x ˙ T ( α ) Z 2 x ˙ ( α ) d α d β d γ V 3 ( t ) = ∫ − h 2 − h 1 ∫ − h 2 γ ∫ t + β t x ˙ T ( α ) Z 3 x ˙ ( α ) d α d β d γ (1) \begin{aligned}V_1(t)&=\int_{-h_1}^{0}\int_{-h_1}^{\gamma}\int_{t+\beta}^{t}\dot{x}^T(\alpha)Z_1\dot{x}(\alpha)d\alpha d\beta d\gamma\\ V_2(t)&=\int_{-h_2}^{-h_1}\int_{\gamma}^{-h_1}\int_{t+\beta}^{t}\dot{x}^T(\alpha)Z_2\dot{x}(\alpha)d\alpha d\beta d\gamma\\ V_3(t)&=\int_{-h_2}^{-h_1}\int_{-h_2}^{\gamma}\int_{t+\beta}^{t}\dot{x}^T(\alpha)Z_3\dot{x}(\alpha)d\alpha d\beta d\gamma\end{aligned}\tag{1} V1(t)V2(t)V3(t)=h10h1γt+βtx˙T(α)Z1x˙(α)dαdβdγ=h2h1γh1t+βtx˙T(α)Z2x˙(α)dαdβdγ=h2h1h2γt+βtx˙T(α)Z3x˙(α)dαdβdγ(1)

定义时变时延 τ ( t ) \tau(t) τ(t)满足 0 ≤ τ 1 ≤ τ ( t ) ≤ τ 2 0\leq \tau_1\leq \tau(t)\leq \tau_2 0τ1τ(t)τ2 τ 12 = τ 2 − τ 1 \tau_{12}=\tau_2-\tau_1 τ12=τ2τ1。给出如下几种常见的Lyapunov-Krasovskii泛函三重积分项。
V 1 ( t ) = ∫ − τ 2 − τ 1 ∫ β − τ 1 ∫ t + u t e 2 α ( s − u ) x ˙ T ( s ) R 1 x ˙ ( s ) d s d u d β V 2 ( t ) = ∫ − τ 2 − τ 1 ∫ − τ 2 β ∫ t + u t e 2 α ( s − u ) x ˙ T ( s ) R 2 x ˙ ( s ) d s d u d β (2) \begin{aligned}V_1(t)&=\int_{-\tau_2}^{-\tau_1}\int_{\beta}^{-\tau_1}\int_{t+u}^{t}e^{2\alpha(s-u)}\dot{x}^T(s)R_1\dot{x}(s)ds dud\beta\\ V_2(t)&=\int_{-\tau_2}^{-\tau_1}\int_{-\tau_2}^{\beta}\int_{t+u}^{t}e^{2\alpha(s-u)}\dot{x}^T(s)R_2\dot{x}(s)ds dud\beta\end{aligned}\tag{2} V1(t)V2(t)=τ2τ1βτ1t+ute2α(su)x˙T(s)R1x˙(s)dsdudβ=τ2τ1τ2βt+ute2α(su)x˙T(s)R2x˙(s)dsdudβ(2)

定义时变时延 d ( t ) d(t) d(t)满足 0 ≤ d m ≤ d ( t ) ≤ d M 0\leq d_m\leq d(t)\leq d_M 0dmd(t)dM d 12 = d M − d m d_{12}=d_M-d_m d12=dMdm。给出Lyapunov-Krasovskii泛函三重积分项。
V 1 ( t ) = ∫ − d M − d m ∫ v − d m ∫ t + θ t e 2 α ( t − u ) x ˙ T ( u ) Q 1 x ˙ ( u ) d u d θ d v (3) V_1(t)=\int_{-d_M}^{-d_m}\int_{v}^{-d_m}\int_{t+\theta}^{t}e^{2\alpha(t-u)}\dot{x}^T(u)Q_1\dot{x}(u)du d\theta dv\tag{3} V1(t)=dMdmvdmt+θte2α(tu)x˙T(u)Q1x˙(u)dudθdv(3)

2 Lyapunov-Krasovskii泛函三重积分项求导

对于Lyapunov-Krasovskii泛函二重积分项,参考之前的文章Lyapunov-Krasovskii泛函二重积分项求导_原理,可以得到如下的计算过程和结果。
V ( t ) = ∫ − h 1 0 ∫ t + β t x ˙ T ( α ) M 1 x ˙ ( α ) d α d β d V ( t ) d t = ∫ − h 1 0 [ x ˙ T ( t ) M 1 x ˙ ( t ) − x ˙ T ( t + β ) M 1 x ˙ ( t + β ) ] d β = ∫ − h 1 0 x ˙ T ( t ) M 1 x ˙ ( t ) d β − ∫ − h 1 0 x ˙ T ( t + β ) M 1 x ˙ ( t + β ) d β = x ˙ T ( t ) M 1 x ˙ ( t ) − ∫ t − h 1 t x ˙ T ( β ) M 1 x ˙ ( β ) d β (5) \begin{aligned}V(t)&=\int_{-h_1}^{0}\int_{t+\beta}^{t}\dot{x}^T(\alpha)M_1\dot{x}(\alpha)d\alpha d\beta\\ \frac{dV(t)}{dt}&=\int_{-h_1}^{0}[\dot{x}^T(t)M_1\dot{x}(t)-\dot{x}^T(t+\beta)M_1\dot{x}(t+\beta)]d\beta\\ &=\int_{-h_1}^{0}\dot{x}^T(t)M_1\dot{x}(t)d\beta-\int_{-h_1}^{0}\dot{x}^T(t+\beta)M_1\dot{x}(t+\beta)d\beta\\ &=\dot{x}^T(t)M_1\dot{x}(t)-\int_{t-h_1}^{t}\dot{x}^T(\beta)M_1\dot{x}(\beta)d\beta\end{aligned}\tag{5} V(t)dtdV(t)=h10t+βtx˙T(α)M1x˙(α)dαdβ=h10[x˙T(t)M1x˙(t)x˙T(t+β)M1x˙(t+β)]dβ=h10x˙T(t)M1x˙(t)dβh10x˙T(t+β)M1x˙(t+β)dβ=x˙T(t)M1x˙(t)th1tx˙T(β)M1x˙(β)dβ(5)

同样的原理,对于Lyapunov-Krasovskii泛函三重积分项,我们可以看成是二重积分项和一重积分项的嵌套,那么,我们可以按照以下的步骤进行Lyapunov-Krasovskii泛函三重积分项求导的计算。
V ( t ) = ∫ − h 2 − h 1 ∫ γ − h 1 ∫ t + β t x ˙ T ( α ) M 2 x ˙ ( α ) d α d β d γ d V ( t ) d t = ∫ − h 2 − h 1 ∫ γ − h 1 [ x ˙ T ( t ) M 2 x ˙ ( t ) − x ˙ T ( t + β ) M 2 x ˙ ( t + β ) ] d β d γ = ∫ − h 2 − h 1 ∫ γ − h 1 x ˙ T ( t ) M 2 x ˙ ( t ) d β d γ − ∫ − h 2 − h 1 ∫ t + γ t − h 1 x ˙ T ( β ) M 2 x ˙ ( β ) d β d γ (6) \begin{aligned}V(t)&=\int_{-h_2}^{-h_1}\int_{\gamma}^{-h_1}\int_{t+\beta}^{t}\dot{x}^T(\alpha)M_2\dot{x}(\alpha)d\alpha d\beta d\gamma\\ \frac{dV(t)}{dt}&=\int_{-h_2}^{-h_1}\int_{\gamma}^{-h_1}[\dot{x}^T(t)M_2\dot{x}(t)-\dot{x}^T(t+\beta)M_2\dot{x}(t+\beta)]d\beta d\gamma\\ &=\int_{-h_2}^{-h_1}\int_{\gamma}^{-h_1}\dot{x}^T(t)M_2\dot{x}(t)d\beta d\gamma-\int_{-h_2}^{-h_1}\int_{t+\gamma}^{t-h_1}\dot{x}^T(\beta)M_2\dot{x}(\beta)d\beta d\gamma\end{aligned}\tag{6} V(t)dtdV(t)=h2h1γh1t+βtx˙T(α)M2x˙(α)dαdβdγ=h2h1γh1[x˙T(t)M2x˙(t)x˙T(t+β)M2x˙(t+β)]dβdγ=h2h1γh1x˙T(t)M2x˙(t)dβdγh2h1t+γth1x˙T(β)M2x˙(β)dβdγ(6)

到这一步,我们看到,得到的结果和Lyapunov-Krasovskii泛函二重积分项求导的结果很类似,对于第一项,由于被积函数 x ˙ T ( t ) M 2 x ˙ ( t ) \dot{x}^T(t)M_2\dot{x}(t) x˙T(t)M2x˙(t) 不含有积分变量 β \beta β γ \gamma γ,因此,我们可以将此项进一步处理,得到如下结果。
∫ − h 2 − h 1 ∫ γ − h 1 x ˙ T ( t ) M 2 x ˙ ( t ) d β d γ = ∫ − h 2 − h 1 ∫ γ − h 1 x ˙ T ( t ) M 2 x ˙ ( t ) d γ = ∫ − h 2 − h 1 ( − h 1 − γ ) x ˙ T ( t ) M 2 x ˙ ( t ) d γ = h 12 2 2 x ˙ T ( t ) M 2 x ˙ ( t ) (7) \begin{aligned}\int_{-h_2}^{-h_1}\int_{\gamma}^{-h_1}\dot{x}^T(t)M_2\dot{x}(t)d\beta d\gamma&=\int_{-h_2}^{-h_1}\int_{\gamma}^{-h_1}\dot{x}^T(t)M_2\dot{x}(t)d\gamma\\ &=\int_{-h_2}^{-h_1}(-h_1-\gamma)\dot{x}^T(t)M_2\dot{x}(t)d\gamma\\ &=\frac{h^2_{12}}{2}\dot{x}^T(t)M_2\dot{x}(t)\end{aligned}\tag{7} h2h1γh1x˙T(t)M2x˙(t)dβdγ=h2h1γh1x˙T(t)M2x˙(t)dγ=h2h1(h1γ)x˙T(t)M2x˙(t)dγ=2h122x˙T(t)M2x˙(t)(7)

因此,结合公式 (6) 和 (7),可得到如下结果。
d V ( t ) d t = ∫ − h 2 − h 1 ∫ γ − h 1 [ x ˙ T ( t ) M 2 x ˙ ( t ) − x ˙ T ( t + β ) M 2 x ˙ ( t + β ) ] d β d γ = ∫ − h 2 − h 1 ∫ γ − h 1 x ˙ T ( t ) M 2 x ˙ ( t ) d β d γ − ∫ − h 2 − h 1 ∫ t + γ t − h 1 x ˙ T ( β ) M 2 x ˙ ( β ) d β d γ = h 12 2 2 x ˙ T ( t ) M 2 x ˙ ( t ) − ∫ − h 2 − h 1 ∫ t + γ t − h 1 x ˙ T ( β ) M 2 x ˙ ( β ) d β d γ = h 12 2 2 x ˙ T ( t ) M 2 x ˙ ( t ) − ∫ − h ( t ) − h 1 ∫ t + γ t − h 1 x ˙ T ( β ) M 2 x ˙ ( β ) d β d γ − ∫ − h 2 − h ( t ) ∫ t + γ t − h ( t ) x ˙ T ( β ) M 2 x ˙ ( β ) d β d γ − ( h 2 − h ( t ) ) ∫ t − h ( t ) t − h 1 x ˙ T ( β ) M 2 x ˙ ( β ) d β (8) \begin{aligned}\frac{dV(t)}{dt}&=\int_{-h_2}^{-h_1}\int_{\gamma}^{-h_1}[\dot{x}^T(t)M_2\dot{x}(t)-\dot{x}^T(t+\beta)M_2\dot{x}(t+\beta)]d\beta d\gamma\\ &=\int_{-h_2}^{-h_1}\int_{\gamma}^{-h_1}\dot{x}^T(t)M_2\dot{x}(t)d\beta d\gamma-\int_{-h_2}^{-h_1}\int_{t+\gamma}^{t-h_1}\dot{x}^T(\beta)M_2\dot{x}(\beta)d\beta d\gamma\\ &=\frac{h^2_{12}}{2}\dot{x}^T(t)M_2\dot{x}(t)-\int_{-h_2}^{-h_1}\int_{t+\gamma}^{t-h_1}\dot{x}^T(\beta)M_2\dot{x}(\beta)d\beta d\gamma\\ &=\frac{h^2_{12}}{2}\dot{x}^T(t)M_2\dot{x}(t)-\int_{-h(t)}^{-h_1}\int_{t+\gamma}^{t-h_1}\dot{x}^T(\beta)M_2\dot{x}(\beta)d\beta d\gamma\\ &-\int_{-h_2}^{-h(t)}\int_{t+\gamma}^{t-h(t)}\dot{x}^T(\beta)M_2\dot{x}(\beta)d\beta d\gamma-(h_2-h(t))\int_{t-h(t)}^{t-h_1}\dot{x}^T(\beta)M_2\dot{x}(\beta)d\beta\end{aligned}\tag{8} dtdV(t)=h2h1γh1[x˙T(t)M2x˙(t)x˙T(t+β)M2x˙(t+β)]dβdγ=h2h1γh1x˙T(t)M2x˙(t)dβdγh2h1t+γth1x˙T(β)M2x˙(β)dβdγ=2h122x˙T(t)M2x˙(t)h2h1t+γth1x˙T(β)M2x˙(β)dβdγ=2h122x˙T(t)M2x˙(t)h(t)h1t+γth1x˙T(β)M2x˙(β)dβdγh2h(t)t+γth(t)x˙T(β)M2x˙(β)dβdγ(h2h(t))th(t)th1x˙T(β)M2x˙(β)dβ(8)

注意到,最后结果对项 ∫ − h 2 − h 1 ∫ t + γ t − h 1 x ˙ T ( β ) M 2 x ˙ ( β ) d β d γ \int_{-h_2}^{-h_1}\int_{t+\gamma}^{t-h_1}\dot{x}^T(\beta)M_2\dot{x}(\beta)d\beta d\gamma h2h1t+γth1x˙T(β)M2x˙(β)dβdγ 拆分成了三项,这是为了让更多的时滞信息得到利用,降低设计的保守性。对于结果中的一重积分项和二重积分项的处理,即通过一些不等式关系来放缩,将会在下面两节来介绍。

对于带有 e e e 指数的Lyapunov-Krasovskii泛函三重积分项,可以看出是常规的Lyapunov-Krasovskii泛函三重积分和 e e e 指数乘在一起构成的,直接运用乘积求导法则即可得到求导结果,这里不再给出详细的推导过程。

3 基于辅助函数的一重积分不等式

4 基于辅助函数的二重积分不等式


创作不易,希望大家支持,多多点赞收藏!!!!非常感谢!!!!

参考文献:

Auxiliary function-based integral inequalities for quadratic functions and their applications to time-delay systems.
Event-triggered dissipative double asynchronous controller for interval type-2 fuzzy semi-Markov jump systems with state quantization and actuator failure.
Intelligent event-based fuzzy dynamic positioning control of nonlinear unmanned marine vehicles under DoS attack.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/36873.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

ORACLE同步数据(dblink+物化视图)

1.创建dblink create public database link xirEvalDBlink connect to "XIR_TRD" identified by "xpar" USING (DESCRIPTION (ADDRESS (PROTOCOL TCP)(HOST 191.168.0.11)(PORT 1521)) (CONNECT_DATA (SERVER DEDICATED) (SERVICE_NAME orcl) ) )…

nginx 配置页面重定向,并携带链接和参数

期望 将 ip:port//oldPrefix/pages?a1 重定向到ip:port//oldPrefix/targetPrefix?a1 nginx 配置 # 原始前缀 # permanent 重定向 location /oldPrefix/ {rewrite ^/oldPrefix/(.*)$ /targetPrefix/$1 permanent; }# 目标前缀 location /targetPrefix/ {# 相关配置 }

echarts实现堆叠图加折线混合图

vue组件实现代码: <template><div :id="chartId" style="width: 100%; height: 300px"></div> </template><script>import * as echarts from "echarts";export default {name: "doubleStackLine", /…

Embedding 、词嵌入、向量模型说的是一回事么?AI是如何理解世界?AI人不能不看的Embedding白话科普!

在AI理解世界的过程中&#xff0c;向量模型扮演着一个至关重要的角色&#xff0c;甚至可以说它是AI大模型用以构建和理解复杂数据的基础&#xff0c;也是对不同形态数据的一种标准化的“浓缩”。它能够将语言、图像、声音等多样化的信息&#xff0c;转化为一种通用的、数学化的…

pg_rewind实现原理简单分析

pg_rewind的功能是在主备切换后回退旧主库上多余的事务变更&#xff0c;以便可以作为新主的备机和新主建立复制关系。通过pg_rewind可以在故障切换后快速恢复旧主&#xff0c;避免整库重建。对于大库&#xff0c;整库重建会很耗时间。 如何识别旧主上多余的变更&#xff1f; 这…

基于51单片机的银行排队呼叫系统设计

一.硬件方案 本系统是以排队抽号顺序为核心&#xff0c;客户利用客户端抽号&#xff0c;工作人员利用叫号端叫号&#xff1b;通过显示器及时显示当前所叫号数&#xff0c;客户及时了解排队信息&#xff0c;通过合理的程序结构来执行排队抽号。电路主要由51单片机最小系统LCD12…

K8S Pod常见状态

这是自己所遇到 Pod 常见状态及可能原因&#xff0c;持续更新。 如有其他的错误状态&#xff0c;可私我更新 1. ImagePullBackOff 问题分析&#xff1a; 镜像拉取失败。 可能原因&#xff1a; 可能是网络问题导致&#xff0c;检查Pod所在节点是否能够正常访问网络; 镜…

Vue-cli项目及Element UI 环境搭建 保姆级教程

一、Vue-cli介绍及其作用 什么是Vue-cli手脚架 vue-cli 官方提供的一个脚手架&#xff0c;用于快速生成一个 vue 的项目模板&#xff1b;预先定义 好的目录结构及基础代码&#xff0c;就好比咱们在创建 Maven 项目时可以选择创建一个 骨架项目&#xff0c;这个骨架项目就是脚…

electron本地运行请求端口

本地运行&#xff1a; npm run electron:start 运行后项目请求地址为&#xff1a; http://localhost:5173/api/xxxx const {protocol } require(electron); app.commandLine.appendSwitch(--ignore-certificate-errors, true); // Scheme must be registered before the app…

手把手教你玩转AD9361数字调制解调系列(二) ----纯逻辑实现FSK信号的数字调制解调

因最近客户需求&#xff0c;用纯PL实现AD9361的数字信号调制解调&#xff0c;于是就把各种数字调制都在AD9361上都实现了一遍。优点就是&#xff1a;既可以在zynq系列上配置9361&#xff0c;也可以在纯FPGA系列配置9361。并且理解起来比较简单&#xff01;&#xff01;&#xf…

lidar3607.2 雷达点云数据处理软件功能介绍

LiDAR360 是北京数字绿土科技股份有限公司自主研发的点云后处理及行业应用软件。平台可处理 TB 级点云数据&#xff0c;并拥有 10 余种国际领先的点云处理及 AI 算法&#xff0c;推动激光雷达 的多行业应用。700 余项强大且灵活的功能&#xff0c;解决用户最后一公里的应用难题…

云仓是如何发展起来的?

1、电子商务的繁荣&#xff1a; 随着电商的兴起&#xff0c;对高效仓储和物流的需求越来越大。传统的仓储方式难以满足海量订单处理和快速配送的要求&#xff0c;因此需要一种更加灵活和高效的仓储解决方案。 ------------------------------------------------- 2、科技进步…

速盾:cdn动态加速上传

CDN&#xff08;Content Delivery Network&#xff0c;内容分发网络&#xff09;是一种通过在全球范围内分布的服务器群组来提供高速、可靠内容传递的技术。CDN在网络上广泛应用&#xff0c;可以加速网站中的静态内容和动态内容的传输&#xff0c;并提高用户的访问速度和体验。…

Nuxt 的路由结构系统(七)

基本路由配置 在 Nuxt.js 中&#xff0c;每个 .vue 文件在 pages/ 目录下都会自动成为一个路由。文件名决定了路由的路径。例如&#xff1a; pages/ |-- index.vue # 映射到根路径 / |-- about.vue # 映射到路径 /about |-- contact.vue # 映射到路径 /conta…

Git clone解释

git clone gitgithub.com:tancolo/MOOC.git 是一个 Git 命令&#xff0c;用于从远程 Git 仓库复制一个仓库到本地计算机。下面我将详细解释这个命令的各个部分及其作用&#xff1a; git clone&#xff1a; 这是一个 Git 命令&#xff0c;用于从远程仓库克隆&#xff08;复制&am…

罗盘复杂网络教程—3步轻松构建社团检测任务

作为复杂网络领域中重要的课题之一&#xff0c;社团检测有助于揭示网络中存在的功能性模块或群集&#xff0c;旨在于仅利用网络中蕴含的来识别模块&#xff0c;并可能进而识别它们的层次组织。社团检测在各个领域具有重要的应用&#xff0c;可以帮助深入理解复杂系统潜在的模式…

一键进阶ComfyUI!懂AI的设计师现在都在用的节点式Stable Diffusion

前言 _ 万字教程&#xff01;奶奶看了都会的 ComfyUI 入门教程 推荐阅读 一、川言川语 大家好&#xff0c;我是言川。 阅读文章 > ](https://www.uisdc.com/comfyui-3) 目前使用 Stable Diffusion 进行创作的工具主要有两个&#xff1a;WebUI 和 ComfyUI。而更晚出现的…

SceneXplain 图片叙事升级:如何让图片听得到

SceneXplain 是一个由多模态 AI 驱动的产品服务&#xff0c;它不仅 提供一流的图像和视频标注解决方案&#xff0c;还具备卓越的多模态视觉问答能力&#xff0c;为用户解锁视觉内容的全新维度。 在[《图像描述算法排位赛》中&#xff0c;我们探讨了图像描述&#xff08;Image …

GIS 已知当前经纬度,往东移动一公里,怎么计算移动后的经纬度

已知当前经纬度&#xff0c;往东移动一公里&#xff0c;怎么计算移动后的经纬度111km1 &#xff08;经纬度都适用&#xff09;不追求精度 1米等于0.00001

有兄弟对这类区域比较感兴趣,也引起我的好奇,我提取出来给大家看看

要说这类地区&#xff0c;亚洲泰国排第二估计没人敢说第一吧&#xff0c;所以我就提取泰国的数据给大家看看&#xff01; 如图&#xff1a;这些特殊服务地区主要集中在曼谷和芭提雅地区&#xff0c;芭提雅最多&#xff01;看来管理还是不错的&#xff0c;限制在一定范围&#x…