含匹配扰动的多智能体领航跟随一致性Matlab仿真

news2024/10/6 2:27:13

文章目录

    • @[TOC](文章目录)
  • 前言
  • 一、问题描述
  • 二、基于LQR的观测器和控制器设计
    • 1.观测器设计
    • 2.控制器设计
  • 三、数值仿真
  • 四、参考文献
  • 总结

前言

​本文探讨了带有匹配扰动的多智能体领航跟随一致性控制方法，并提供了相应的Matlab仿真代码。

具体的设计步骤如下：

  1. 将匹配扰动看为系统的扩张状态，设计扩张状态观测器，估计扰动的大小；
  2. 基于邻居节点间的状态误差设计控制器，并更具扰动估计值，在控制器中补偿扰动；
  3. 使用使用线性二次型调节器（Linear Quadratic Regulator，LQR）对控制器增益和观测器增益进行了优化设计。

​本文所涉及到的关于图论和LQR的基础知识可参考如下博客：

  • https://zhuanlan.zhihu.com/p/373435683
  • https://zhuanlan.zhihu.com/p/139145957
  • https://blog.csdn.net/qq_24649627/article/details/104690279

一、问题描述

多智能体系统由一个领航者和 N N N个含有匹配扰动跟随者组成。跟随者动力学模型为：
x ˙ i = A x i + B ( u i + d i ) y i = C x i \begin{array}{l} {{\dot x}_i} = A{x_i} + B({u_i} + {d_i})\\ {y_i} = C{x_i} \end{array} x˙i​=Axi​+B(ui​+di​)yi​=Cxi​​
式中， i = 1 , 2 , . . . , N i=1,2,...,N i=1,2,...,N， x i x_i xi​、 u i u_i ui​、 d i d_i di​和 y i y_i yi​分别是跟随者的状态、控制输入、匹配扰动和系统输出。

​ 领导者动力学模型为：
x ˙ 0 = A x 0 y 0 = C x 0 \begin{array}{c} {{\dot x}_0} = A{x_0}\\ {y_0} = C{x_0} \end{array} x˙0​=Ax0​y0​=Cx0​​
式中， x 0 x_0 x0​和 y 0 y_0 y0​分别为领航者的状态和系统输出。

二、基于LQR的观测器和控制器设计

1.观测器设计

将扰动 d i d_i di​看为跟随者的状态，则模型(1)可重构为：
x ˉ ˙ i = A ˉ x ˉ i + B ˉ u i + E p i y i = C ˉ x ˉ i \begin{array}{c} {{\dot{\bar x}_i} } = \bar A{{\bar x}_i} + \bar B{u_i} + E{p_i}\\ {y_i} = \bar C{{\bar x}_i} \end{array} xˉ˙i​=Aˉxˉi​+Bˉui​+Epi​yi​=Cˉxˉi​​
式中， x ˉ i = [ x i d i ] T \bar{x}_i=\left[ x_i \quad d_i \right]^{\rm{T}} xˉi​=[xi​di​]T， p i = d ˙ i p_i=\dot{d}_i pi​=d˙i​， A ˉ = [ A B 0 0 ] \bar{A}=\left[ \begin{matrix} A & B \\ \textbf{0} & \textbf{0} \end{matrix} \right] Aˉ=[A0​B0​]， B ˉ = [ B 0 ] T \bar{B}=\left[ B \quad \textbf{0} \right]^{\rm{T}} Bˉ=[B0]T， C ˉ = [ C 0 ] \bar{C}=\left[ C \quad \textbf{0} \right] Cˉ=[C0]，其中 0 \textbf{0} 0是适度维度的零矩阵。
假设模型(3)中 ( A ˉ , C ˉ ) (\bar{A},\bar{C}) (Aˉ,Cˉ)是可观的，可设计一个龙伯格扩张状态观测器为：
x ˉ ^ ˙ i = A ˉ x ˉ ^ i + B ˉ u i + G ( y i − C ˉ x ˉ ^ i ) \dot{\hat{\bar{x}}}_i = \bar A{\hat{\bar x} }_i + \bar B{u_i} + G({y_i} - \bar C{\hat{\bar x} }_i) xˉ^˙i​=Aˉxˉ^i​+Bˉui​+G(yi​−Cˉxˉ^i​)
式中， x ˉ ^ i = \hat{\bar{x}}_i= xˉ^i​=是对 x ˉ i \bar{x}_i xˉi​的估计， G G G是观测器增益矩阵。

​ 增益 G G G常采用极点配置法求取，但理想的期望极点很难确定，且该方法无法通过误差和控制输入的优化来选取增益G，因此，可以使用LQR的方法设计 G G G，具体设计方法参考文献【1】。

2.控制器设计

​ 第 i i i个跟随者节点与其邻居节点之间的状态误差定义为：
ξ i = ∑ j ∈ N i ( ( a i j ( x ^ i − x ^ j ) + b i ( x ^ i − x 0 ) ) {\xi _i} = \sum\nolimits_{j \in {N_i}} {(({a_{ij}}(\hat{{ x}}_i - {\hat{ x}_j}) + {b_i}({\hat{ x}_i} - {x_0}))} ξi​=∑j∈Ni​​((aij​(x^i​−x^j​)+bi​(x^i​−x0​))
式中， N i N_i Ni​表示 i i i节点邻居节点的集合； j j j节点对 i i i节点有信息传递时， a i j = 1 a_{ij}=1 aij​=1，否则 a i j = 0 a_{ij}=0 aij​=0；领航者对 i i i节点有信息传递时， b i = 0 b_i=0 bi​=0，否则 b i = 0 b_i=0 bi​=0。

​ 假设模型(2)中(A,B)是可控的，根据扩张状态观测器得到的扰动估计值，可设计带扰动补偿的控制器为：
u i = K ξ i − d ^ i {u_i} = K{\xi _i} - {\hat d_i} ui​=Kξi​−d^i​
式中， K = − τ K a K=-\tau{K_a} K=−τKa​，其中 τ \tau τ是一个与多智能体通讯拓扑结构相关的参数， K a K_a Ka​为控制器增益矩阵。

​ 为了提高控制器的性能，同样可以使用LQR方法设计控制器增益 K a K_a Ka​，具体设计方法参考文献【2】。
关于控制器和观测器的稳定性，感兴趣的读者可以自行证明。

三、数值仿真

考虑一个二阶领航跟随多智能体系统有1个领航者和4个跟随者，状态 x i = [ x 1 , i x 2 , i ] T x_i=\left[ x_{1,i} \quad x_{2,i} \right]^{\rm{T}} xi​=[x1,i​x2,i​]T，系统矩阵 A = [ 0 1 0 0 ] A=\left[ \begin{matrix} 0 & 1 \\ 0 & 0 \end{matrix} \right] A=[00​10​]， B = [ 0 1 ] T B=\left[ 0 \quad 1 \right]^{\rm{T}} B=[01]T， C ˉ = [ 1 0 ] \bar{C}=\left[ 1 \quad 0 \right] Cˉ=[10]。领航跟随多智能体系统通讯拓扑图为：
在这里插入图片描述
设置外部扰动为：
d i = α i t + β i e χ i t sin ⁡ t + γ i i = 1 , 2 ⋯ 8 {d_i} = {\alpha _i}t + {\beta _i}{e^{{\chi _i}t}}\sin t + {\gamma _i}{\rm{ }}i = 1,2 \cdots 8 di​=αi​t+βi​eχi​tsint+γi​i=1,2⋯8
式中，扰动参数 α = [ 0.001 − 0.001 0.002 0.001 ] T \alpha = \left[ 0.001 \quad -0.001 \quad 0.002 \quad 0.001 \right]^{\rm{T}} α=[0.001−0.0010.0020.001]T， β = [ 1 1.5 2 2.5 ] T \beta= \left[ 1 \quad 1.5 \quad 2 \quad 2.5 \right]^{\rm{T}} β=[11.522.5]T， χ = [ − 0.3 − 0.3 − 0.5 0.3 ] T \chi= \left[ -0.3 \quad -0.3 \quad -0.5 \quad 0.3 \right]^{\rm{T}} χ=[−0.3−0.3−0.50.3]T， γ = [ 1 2 − 1 5 ] T \gamma= \left[ 1 \quad 2 \quad -1 \quad 5 \right]^{\rm{T}} γ=[12−15]T
设置跟随者初始状态：
x 1 ( 0 ) = [ 2 0 4 0 ] T x 2 ( 0 ) = [ − 1 0 − 1 1 ] T \begin{align*} x_{1}(0) &= \left[ 2 \quad 0 \quad 4 \quad 0 \right]^{\rm{T}} \\ x_{2}(0) &= \left[ -1 \quad 0 \quad -1 \quad 1 \right]^{\rm{T}} \end{align*} x1​(0)x2​(0)​=[2040]T=[−10−11]T​
设置领航初始状态与运动轨迹为：
x 1 , 0 ( 0 ) = 2 x 2 , 0 ( 0 ) = 0 x ˙ 2 , 0 ( t ) = 0.2 cos ⁡ ( 0.15 t ) \begin{align*} x_{1,0}(0) &= 2 \\ x_{2,0}(0) &= 0 \\ \dot{x}_{2,0}(t)=0.2\cos (0.15t) \end{align*} x1,0​(0)x2,0​(0)x˙2,0​(t)=0.2cos(0.15t)​=2=0​
Matlab仿真代码如下所示：

clear
clc

%% 预先设置
global L F K G A B A_bar B_bar D_Mar
%系统矩阵
A = [0 1; 0 0];
B = [0; 1];
C = [1 0];
A_bar = [A B; 0 0 0];
B_bar = [B; 0];
C_bar = [C 0];

%系统通讯拓扑图
L = [2 -1  0 -1
    -1  2 -1  0
     0 -1  2 -1
    -1  0 -1  2];% 拉普拉斯矩阵

F= diag([1  0  0  0]); % 牵引矩阵

%观测器Riccati方程
Qa = diag([15 15 15]);Ra = 0.1;
%控制器Riccati方程
Qb = diag([10 10]);Rb = 0.6;

% LQR方法求解观测器增益
[G,Pa] = lqr(A_bar', C_bar', Qa, Ra); 
G = G';

% LQR方法求解控制器增益
[Ka,Pb] = lqr(A, B, Qb, Rb);
tau = 1/(2*min(eig(L+F)));
K = -tau*Ka;

%扰动参数矩阵
D_Mar = [ 0.001 -0.001 0.002 0.001
          1 1.5 2 2.5
         -0.3 -0.3 -0.5 -0.3
          1  2 -1  5];

% 多智能体初始状态设置
X1l = 2;
X2l = 0;
X1f = [2 0 4 0];
X2f = [-1 0 -1 1];
X1hat = X1f; % 跟随者位置状态的初始估计
X2hat = X2f; % 跟随者速度状态的初始估计
Dhat = D_Mar(4,:);% 扰动的初始估计

%时间设置
tBegin = 0;
tFinal = 50;
tspan = [tBegin, tFinal];

%% Calculate ODE Function
In = [X1l X2l X1f X2f X1hat X2hat Dhat]';
[t, X] = ode23(@ctFun, tspan, In);

%% Draw Graphs
% 提取仿真结果
X1l_sim = X(:, 1);
X2l_sim = X(:, 2);
X1f_sim = X(:, 3:6);
X2f_sim = X(:, 7:10);
X1hat_sim = X(:, 11:14);
X2hat_sim = X(:, 15:18);
Dhat_sim = X(:, 19:22);

% 计算真实扰动

% 绘图
% 1-1.绘制领导者与跟随者的状态X1曲线
figure;
hold on
% 定义点画线样式
line_styles = {'--', ':', '-.', '-..'};
% 循环跟随者曲线
for j = 1:4
    plot(t, X1f_sim(:, j), line_styles{j}, 'linewidth', 1.5);
end
% 绘制 X1l_sim 曲线
plot(t, X1l_sim, 'r-', 'linewidth', 1);
hold off
% 添加图例
legend('Agent1','Agent2','Agent3','Agent4','Leader', 'FontSize', 16);
xlabel('$t(s)$', 'Interpreter','latex', 'FontSize', 26);
ylabel('$x_{1,i}$','Interpreter','latex', 'FontSize', 26);
% 添加上边框和右边框
box on;
grid on;

% 1-2.绘制领导者与跟随者的状态X2曲线
figure;
hold on
% 定义点画线样式
line_styles = {'--', ':', '-.', '-..'};
% 循环跟随者曲线
for j = 1:4
    plot(t, X2f_sim(:, j), line_styles{j}, 'linewidth', 1.5);
end
% 绘制 X2l_sim 曲线
plot(t, X2l_sim, 'r-', 'linewidth', 1);
hold off
set(gca, 'FontSize', 16); % 修改全局图的坐标数字字号为 16
% 添加图例
legend('Agent1','Agent2','Agent3','Agent4','Leader', 'FontSize', 16);
xlabel('$t(s)$', 'Interpreter','latex', 'FontSize', 26);
ylabel('$x_{2,i}$','Interpreter','latex', 'FontSize', 26);
% 添加上边框和右边框
box on;
grid on;

%绘制扰动与扰动观测值
% 计算真实扰动
Disturbance_true = zeros(size(Dhat_sim));
for i = 1:length(t)
    for j = 1:4
        Disturbance_true(i,j) = D_Mar(1,j)*t(i)+ D_Mar(2,j) * exp(D_Mar(3,j)*t(i))*sin (t(i)) + D_Mar(4,j);
    end
end

% 绘制扰动估计对比
for i = 1:4
    figure;
    plot(t, Disturbance_true(:,i), 'color', 'k', 'linewidth', 1.5);
    hold on;
    plot(t, Dhat_sim(:,i), '--', 'linewidth', 1.5);
    hold off;
    % 动态生成图例文本
    legend(sprintf('$d_%d$', i), sprintf('$\\hat{d}_%d$', i), 'Interpreter', 'latex', 'Location', 'northeast', 'FontSize', 16);
    set(gca, 'FontSize', 16); % 修改全局图的坐标数字字号为 16
    xlabel('$t(s)$', 'Interpreter', 'latex', 'FontSize', 26);
    ylabel(sprintf('$d_%d(t)$', i), 'Interpreter', 'latex', 'FontSize', 26);
    grid on;
end


%% ODE Function
function dX = ctFun(t,In)
    global L F K G A B A_bar B_bar D_Mar
     % 提取状态
    X1l = In(1);
    X2l = In(2);
    X1f = In(3:6);
    X2f = In(7:10);
    X1hat = In(11:14);
    X2hat = In(15:18);
    Dhat = In(19:22);

    % 初始化Disturbance为列向量
    Disturbance = zeros(length(X1f), 1);
    % 设置外部扰动
    for j = 1:4
        Disturbance(j) = D_Mar(1,j)*t + D_Mar(2,j) * exp(D_Mar(3,j)*t)*sin(t) + D_Mar(4,j);
    end

    % 领导者动力学
    dX1l = X2l;
    dX2l = 0.2*cos(0.15*t) ;
    
    % 跟随者动力学
    X1_Bar = X1hat - X1l; X2_Bar = X2hat - X2l;
    dX1f = A(1,2)*X2f;
    u = K(1)*(L+F) * X1_Bar + K(2)*(L+F) * X2_Bar - Dhat;%加了扰动补偿
    dX2f = B(2,1)*u + B(2,1)*Disturbance;
 
    % 扩张状态观测器
    dX1hat = A_bar(1,2)*X2hat + G(1) * (X1f - X1hat);
    dX2hat = A_bar(2,3)*Dhat + B_bar(2,1)*u + G(2)*(X1f - X1hat);
    dDhat = G(3) * (X1f - X1hat);
    
    % output 
    dX = [dX1l; dX2l; dX1f; dX2f; dX1hat; dX2hat; dDhat];
end

仿真结果：

由上图片可知，四个跟随者可以跟踪上领航者的运动状态。修改Matlab中LQR权重矩阵Qb和Rb，可改变一致性跟踪效果。

上面是扰动的真实值和观测值，修改Matlab中LQR权重矩阵Qa和Ra，可改变状态估计结果。

四、参考文献

【1】费红姿, 刘冰鑫, 柳一林, 等. 基于LQR的高压共轨系统喷油量观测器设计[J]. 内燃机学报, 2023, 41(03): 247-254.

【2】高琳琳, 唐风敏, 郭蓬, 等. 自动驾驶横向运动控制的改进LQR方法研究[J]. 机械科学与技术, 2021, 40(03): 435-441.

总结

我的个人站：JosephWen (rovn.ink)

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.coloradmin.cn/o/1619298.html

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，一经查实，立即删除！

相关文章

Algorius Net Viewer 2024.2.1 (Windows) - 网络可视化、管理、监控和清点

Algorius Net Viewer 2024.2.1 (Windows) - 网络可视化、管理、监控和清点

Algorius Net Viewer 2024.2.1 (Windows) - 网络可视化、管理、监控和清点 Comprehensive software product for visualizing, administering, monitoring, and inventorying computers network of any level 请访问原文链接：Algorius Net Viewer 2024.2.1 (Windo…
阅读更多...
【动态规划】C++ 子序列问题（递增子序列、数对链、定差子序列、斐波那契子序列...）

【动态规划】C++ 子序列问题（递增子序列、数对链、定差子序列、斐波那契子序列...）

文章目录 1. 前言2. 例题最长递增子序列 3. 算法题3.1_摆动序列3.2_最长递增子序列的个数3.3_最长数对链[3.4_ 最长定差子序列](https://leetcode.cn/problems/longest-arithmetic-subsequence-of-given-difference/description/)3.5_最长的斐波那契子序列的长度3.6_最长等差数…
阅读更多...
剪画APP动漫AI工具｜短剧轻松变动漫，开辟出海新方向

剪画APP动漫AI工具｜短剧轻松变动漫，开辟出海新方向

近期，剪画全新升级“AI动漫”功能，让创作者们打开全新的视频创作方式。 这个功能把我们的短剧作品快速转化为动漫风格，非常精准和细腻 在剪画将AI动漫功能升级后，越来越多的使用者将短剧变身成动漫效果发布到平台后，…
阅读更多...
Git 保姆级教程（一）：Git 基础

Git 保姆级教程（一）：Git 基础

一、获取 Git 仓库 通常有两种获取 Git 项目仓库的方式： 1. 将尚未进行版本控制的本地目录转换为 Git 仓库； 2. 从其它服务器克隆 一个已存在的 Git 仓库。 两种方式都会在你的本地机器上得到一个工作就绪的 Git 仓库。 1.1 git init（本地…
阅读更多...
Fisher判别示例：鸢尾花（iris）数据（R）

Fisher判别示例：鸢尾花（iris）数据（R）

先读取iris数据，再用程序包MASS（记得要在使用MASS前下载好该程序包）中的线性函数lda()作判别分析： data(iris) #读入数据 iris #展示数据 attach(iris) #用变量名绑定对应数据 library(MASS) #加载MASS程序包 ldlda(Species~…
阅读更多...
c++的策略模式，就是多态

c++的策略模式，就是多态

一、定义： 策略模式定义了一系列的算法，并将每一个算法封装起来，而且使它们还可以相互替换。 策略模式让算法独立于使用它的客户而独立变化。 二，核心 抽象策略（抽象基类）（Strategy&#xff09…
阅读更多...
Fork for Mac v2.42 激活版 Git客户端

Fork for Mac v2.42 激活版 Git客户端

Fork for Mac是一款运行在Mac平台上的Git客户端，Fork Mac版具备基本的取、推、提交、修改、创建和删除分支和标签、创建和删除远程备份等功能，还有实用的差异查看器，你可以通过清晰的视图快速发现源代码中的更改。 Fork for Mac v2.42 激活版…
阅读更多...
【C++】优先队列

【C++】优先队列

优先队结构的不同物理结构与常用操作算法 优先队列是一种特殊的队列,队列中的元素具有优先级,每次弹出操作会弹出优先级最高的元素。 优先队列常用的物理结构有: 1. 数组:简单但不高效,插入和删除操作需要移动大量元素,时间复杂度高。 2. 二叉堆:是一种完全二叉树,通常用数…
阅读更多...
在Jupyter notebook中添加虚拟环境

在Jupyter notebook中添加虚拟环境

通常我们打开Jupyter notebook，创建一个新文件，只有一个Python3，但是我们也会想使用自己创建的虚拟环境，很简单仅需几部即可将自己的conda环境添加到jupyter notebook中。 1. 创建并激活conda环境（已有可跳过&#xf…
阅读更多...
【QT进阶】Qt http编程之实现websocket server服务器端

【QT进阶】Qt http编程之实现websocket server服务器端

往期回顾 【QT进阶】Qt http编程之json解析的简单介绍-CSDN博客 【QT进阶】Qt http编程之nlohmann json库使用的简单介绍-CSDN博客 【QT进阶】Qt http编程之websocket的简单介绍-CSDN博客 【QT进阶】Qt http编程之实现websocket server服务器端 一、最终效果 通过ip地址和端口…
阅读更多...
Redis入门到通关之Redis数据结构-Hash篇

Redis入门到通关之Redis数据结构-Hash篇

文章目录 ☃️ 概述☃️底层实现☃️源码☃️其他 欢迎来到 请回答1024 的博客 🍓🍓🍓欢迎来到 请回答1024的博客 关于博主： 我是 请回答1024，一个追求数学与计算的边界、时间与空间的平衡，0与1的延伸的后…
阅读更多...
使用 vllm 本地部署 cohere 的 command-r

使用 vllm 本地部署 cohere 的 command-r

使用 vllm 本地部署 cohere 的 command-r 0. 引言1. 安装 vllm2. 本地部署 cohere 的 command-r3. 使用 cohere 的 command-r 0. 引言 此文章主要介绍使用 使用 vllm 本地部署 cohere 的 command-r。 1. 安装 vllm 创建虚拟环境， conda create -n myvllm python…
阅读更多...
微软开源了Phi-3-mini适用于移动硬件设备

微软开源了Phi-3-mini适用于移动硬件设备

🦉 AI新闻 🚀 微软开源了Phi-3-mini适用于移动硬件设备 摘要：微软最新开源的小参数大语言模型Phi-3-mini，包括其架构特点、训练数据、性能测试以及未来发布计划。该模型拥有38亿参数，占用内存少，且在语言…
阅读更多...
JVM--Java对象到底存在哪?

JVM--Java对象到底存在哪?

Java对象存放在堆中，但堆又分为新生代和老年代，新生代又细分为 Eden、From Survivor、To Survivor。那我们创建的对象到底在哪里？ 堆分为新生代和老年代，新生代用于存放使用后就要被回收的对象（朝生夕死）&a…
阅读更多...
单片机学习过程

单片机学习过程

继电器光耦隔离电压转换步进电机直流电机 arduino是目前最好用的一种，他提供了完整的设备库文件，任何外部设备只要查找相应的库，就可以很方便的使用 ， 但是如果不去学习51 或stm32 或 嵌入式玩玩还可以，如果碰到没有实…
阅读更多...
Navicat和MySQL的安装、破解以及MySQL的使用（详细）

Navicat和MySQL的安装、破解以及MySQL的使用（详细）

1、下载 Navicat Navicat 官网：www.navicat.com.cn/ 在产品中可以看到很多的产品，点击免费试用 Navicat Premium 即可，是一套多连数据库开发工具，其他的只能连接单一类型数据库 点击试用 选择系统直接下载 二、安装 Navicat 安…
阅读更多...
【C++】---STL之vector的模拟实现

【C++】---STL之vector的模拟实现

【C】---STL之vector的模拟实现 一、vector在源码中的结构：二、vector类的实现：1、vector的构造2、析构3、拷贝构造4、赋值运算符重载5、迭代器6、operator[ ]7、size()8、capacity()9、reserve()10、resize()11、empty()12、push_back()13、pop_back()1…
阅读更多...
Pytorch常用的函数(八)常见优化器SGD,Adagrad,RMSprop,Adam,AdamW总结

Pytorch常用的函数(八)常见优化器SGD,Adagrad,RMSprop,Adam,AdamW总结

Pytorch常用的函数(八)常见优化器SGD,Adagrad,RMSprop,Adam,AdamW总结 在深度学习中，优化器的目标是通过调整模型的参数，最小化（或最大化）一个损失函数。 优化器使用梯度下降等迭代方法来更新模型的参数，以使损失函数…
阅读更多...
【JavaScriptthreejs】对于二维平面内的路径进行扩张或缩放

【JavaScriptthreejs】对于二维平面内的路径进行扩张或缩放

目标 对指定路径 [{x,y,z},{x,y,z},{x,y,z},{x,y,z}.........]沿着边缘向内或向外扩张，达到放大或缩小一定范围的效果，这里我们获取每个点（这里是Vector3(x,y,z)）,获取前后两个点和当前点的坐标，计算前后两点的向量&a…
阅读更多...
AJAX——案例

AJAX——案例

1.商品分类 需求&#xff1a;尽可能同时展示所有商品分类到页面上 步骤&#xff1a; 获取所有的一级分类数据遍历id&#xff0c;创建获取二级分类请求合并所有二级分类Promise对象等待同时成功后&#xff0c;渲染页面 index.html代码 <!DOCTYPE html> <html lang&qu…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023