摘要:汽车行业正在进行智能化与网联化的发展变革,智能网联汽车的出现使交通管理者找到缓解交通拥堵、提高道路安全以及减少能源消耗的一种解决方案.对此,调研混合交通流模型、智能网联汽车协同控制、交通管理等领域的最新成果,系统地论述基于车路云一体化的智慧交通系统优化控制的研究现状与进展.首先,分析基于车路云一体化的混合交通系统的框架,梳理各部分的组成与作用;其次,总结混合交通流的建模方法,探究交通现象本质,归纳各类方法的特点、优势以及局限性;再次,探讨混合交通系统优化控制问题,围绕交通流稳定性、交通安全、交通效率和绿色交通4个方面分析智能化与网联化在交通方面的潜能,并梳理在不同交通场景下的控制对象与控制目标,总结具有借鉴意义的控制方法;最后,对车路云一体化发展进程中存在的问题与挑战进行总结,并对未来发展指明方向.

摘要:作为三维场景理解的重要技术之一,三维点云分割受到广泛的关注,具有重要的研究价值和广阔的应用前景.基于此,梳理基于深度学习的三维点云分割技术的最新研究进展;在介绍三维点云分割常用的8个室内和室外数据集的基础上,重点阐述和分析现有主要基于深度学习的语义分割、实例分割和部件分割方法,并基于量化数据进行部分方法的效能比较;最后从10个方面总结现有方法的不足,并针对性地提出工作展望.

摘要:针对蚁群算法进行路径规划中出现的运行时间长、搜索效率低和容易出现死锁的问题,提出一种基于达尔文进化论思想的蚁群算法.首先,针对空白栅格搜索效率低的问题,提出一种蚁群算法简易模式;然后在启发函数中引入目标影响因子和障碍物影响因子以提高算法的全局搜索能力,避免陷入死锁;最后利用达尔文的进化论改进蚁群算法的信息素更新规则用于加快算法的迭代速度,缩小运行时间.在不同规模的栅格地图环境下的实验表明,所提出的进化蚁群算法能够加快迭代速度,提高搜索效率,实现最优路径并避免算法死锁问题.

摘要:采用鱼群模型驱动多智能体可以涌现出优良的运动特性,但是,由于机器人与真实鱼类相比具有较大的差异性,使得鱼群模型难以应用于真实机器人系统.为此,提出一种结合深度学习与强化学习的迁移控制方法,首先,使用鱼群运动数据训练深度网络(deep neural network,DNN)模型,以此作为机器人成对交互的基础;然后,连接强化学习的深度确定性策略梯度方法(deep deterministic policy gradient,DDPG)来修正DNN模型的输出,设计集群最大视觉尺寸方法挑选关键邻居,从而将DNN$ + $DDPG模型拓展到多智能体的运动控制.集群机器人运动实验表明:所提出方法能使机器人仅利用单个邻居信息就能形成可靠、稳定的集群运动,与单纯DNN直接迁移控制相比,所提出DNN$+$DDPG控制框架既可以保存原有鱼群运动的灵活性,又能增强机器人系统的安全性与可控性,使得该方法在集群机器人运动控制领域具有较大的应用潜力.

摘要:小脑对运动的调控和对环境的适应性是人体完成快速精准运动的关键,模拟并研究小脑的运行机制将为控制复杂多变的机器人模型提供更有效的方法.鉴于此,遵循神经元数量的真实生物比率,构建大规模小脑脉冲神经网络模型,模拟大脑中小脑的真实结构、信息传递方式和学习机制,实现对机械臂的误差纠正控制,同时依据系统在不同控制任务下的控制结果,得到不同突触可塑性对小脑网络控制效果的影响规律.为了进一步增加小脑控制系统的生物真实性,以更贴近人脑的并行运算方式在现场可编程门阵列(field programmable gate array,FPGA)平台上实现所构建的模型,并进行相应的资源优化,增加可实现的网络规模.FPGA实现结果显示,系统能够成功完成基于小脑误差纠正功能的自适应类脑机械臂控制,可以验证小脑的真实细胞动力学和大规模颗粒层提供的高容错性,并提供兼顾小脑应用功能实现和理论研究的平台.

摘要:目标检测的精确程度是计算机视觉识别任务的主要影响因素.针对单阶段目标检测模型YOLOv5存在的检测精度问题,从多任务损失优化角度,提出一种在不同分辨率特征图上基于同一目标的预测边界框分簇自适应损失权重改进模型.该模型由GT(ground true)目标边界框UID分配器、GT目标边界框UID匹配器、边界框位置及分类损失权重算法构成,通过改善YOLOv5的位置精度和分类精度实现模型整体精度的提升.实验结果表明,改进模型的平均精度均值(mean average precision,mAP)较YOLOv5.6标准模型相对提升5.23%;相较于更为复杂的YOLOv5x6标准模型,改进模型mAP取得8.02%的相对提升.

摘要:针对具有参数不确定和外负载扰动的不确定受扰电液伺服系统,提出一种智能自学习PID控制策略.该方法不依赖于系统的精确模型,是一种数据驱动的控制方法.首先,通过改进的动态线性化方法将非线性非仿射的电液伺服系统等效为含有时变参数项和非线性不确定项的线性仿射形式;然后,采用梯度估计算法和时间差分算法分别对时变参数项和非线性不确定项进行估计;接着,利用iPID控制引入附加误差信息对过度线性化丢失的信息进行补偿;最后,根据最优准则,设计不确定受扰电液伺服系统的参数更新律和学习控制律.通过理论分析和仿真实验验证所提出控制策略的收敛性,并通过对比实验,验证该控制方案应用于电液伺服系统的优越性和精确性.实验结果表明,所提出方法能够抑制非线性扰动对系统造成的不良影响,实现理想轨迹的精确跟踪.

摘要:行星齿轮箱是大型机械装备的核心传动环节,其内部关键零部件故障发生的部位与形式多样,威胁机械装备的安全服役.针对其不同部件的多类故障诊断问题,提出一种基于改进的胶囊网络(enhanced capsule ntwork,ECN)的“端到端”智能故障诊断方法.ECN充分发挥了卷积神经网络对故障特征的深度提取能力,同时具备胶囊结构矢量化挖掘特征空间信息的特点,可利用动态路由机制计算胶囊层之间的相关度,从而实现对故障特征的精准归类.此外,建立的间隔损失函数与输入数据不断优化模型参数,实现了对故障的智能诊断.对太阳轮、行星轮以及多类部件故障数据混合的情况分别开展分析,实验结果表明,ECN相比传统卷积神经网络和胶囊网络均表现出更强的故障诊断能力.

摘要:研究一类非连续混合自时延多智能体系统的全局指数一致性问题.首先,利用具有时变控制增益的分布式负反馈控制器实现智能体之间状态信息交互.考虑到实际系统运行环境与节省控制成本,增设外部饱和环节将控制信号幅值限制在一个合理的范围内,从而提出利用高斯误差函数以及微分中值定理来近似模拟饱和效应,以此降低控制信号的不平滑度.随后,利用Filippov微分包含理论和测度选择定理将多智能体系统的非线性动力学函数映射为Filippov集值函数,再通过广义Halanay不等式和Lyapunov稳定性定理给出该多智能体系统的指数一致性判定条件及其最大容许时延.最后,通过数值仿真验证所提出控制策略的有效性.

摘要:针对电静液作动器(electro-hydrostatic actuators,EHA)系统存在内外部扰动、参数不确定性和变控制增益等问题,提出一种基于模型信息的降阶线性自抗扰位置控制方法.首先,基于系统模型信息选取控制增益.其次,通过降阶线性扩张观测器对系统总扰动进行估计,并在控制器中加入扰动项进行补偿.利用奇异摄动理论证明所提控制器可使闭环系统是半全局最终一致有界的,并且当观测器带宽足够大时,所提出的控制器理论上可以使系统输出以所需精度跟踪期望轨迹.仿真结果表明,所提控制方法响应速度较快,控制精度较高,对外部扰动和参数不确定性具有较强的鲁棒性.

摘要:为了探索解决在无模型控制算法中如何对系统的未知模型和扰动进行准确估计,提出一种基于高阶微分器(HOD)的无模型RBF神经网络滑模控制器(HODRBFSMC).引入HOD估计系统模型的各阶状态变量,并将系统模型的未知项和外界干扰统一归为总扰动,通过RBF神经网络对总扰动进行估计,并根据Lyapunov定理证明所设计控制器的闭环稳定性.为验证控制器的有效性,所设计的控制器被应用于四旋翼飞行器的轨迹控制,解决其模型参数复杂且飞行过程中易受外界干扰的问题.仿真实验表明,所提出方法能够有效估计并补偿总扰动,其轨迹跟踪能力和抗干扰性能相比PID和高阶微分反馈控制(HODFC)具有一定的优越性,能够很好地满足四旋翼飞行器控制的需求.

摘要:为了深入研究新冠肺炎传播趋势和传播风险,根据新冠肺炎的传播特点,考虑政府管控和个人防护等措施,在经典传染病SIR模型的基础上,引入低风险群体,提出一种新冠肺炎传播动力学模型SLIR,并对模型的平衡点、稳定性和分岔等复杂动力学行为进行分析,揭示新冠肺炎传播机理.为了提高该模型的疫情预测精度,以美国新冠肺炎的真实数据为基础,使用最小二乘法对模型参数进行分段估计.最后利用该模型对美国新冠肺炎进行预测和分析,仿真结果表明,相比于传统SIR模型,该模型能较好地对美国疫情发展趋势做出预测,官方公布的实际数据也可进一步验证模型的有效性.SLIR模型可以有效仿真新冠肺炎传播,并为政府选择合适的防控措施提供技术支撑.

摘要:针对多无人机在编队飞行过程中需满足机间避碰、通信、避障等约束的问题,设计一种考虑多约束的分布式模型预测控制算法,使无人机编队在满足上述约束的前提下,实现轨迹跟踪、队形保持.首先,在不考虑通信时延、外界干扰、噪声的情况下,以四旋翼为控制对象,建立线性时不变的单机及编队运动模型;然后,在考虑状态约束、输入约束、机间避碰、机间通信、避障等多种约束的情况下,以轨迹跟踪、队形保持为控制目标,基于虚拟领航策略设计一种分布式模型预测控制算法;接着,对优化问题的可行性以及编队系统的渐近稳定性进行分析,其中算法的终端部分设计、相容性约束设计是保证系统稳定的关键;最后,利用6架无人机仿真验证所提出控制算法的有效性.

摘要:为解决制造设备关键部件的维修决策问题,将生产任务信息、视情维修以及机会维修相结合,考虑设备关键部件的剩余价值以及可靠性风险建立维修决策优化模型.在已有关于视情维修和机会维修成果的基础上,考虑关键部件的剩余寿命与下一阶段生产任务时长间的关系,以总成本最小化为目标确定是否在相邻生产任务间利用维修机会,使得在任务顺利进行的条件下降低成本.基于逆高斯过程进行部件退化建模,计算不同维修组合对应的失效概率,进而构建成本最小化目标规划函数并通过仿真算法得到预防性维修的最优值.最后通过数值实验验证所提出维修策略的有效性.

摘要:基于深度学习的红外与可见光图像融合算法通常无法感知源图像显著性区域,导致融合结果没有突出红外与可见光图像各自的典型特征,无法达到理想的融合效果.针对上述问题,设计一种适用于红外与可见光图像融合任务的改进残差密集生成对抗网络结构.首先,使用改进残差密集模块作为基础网络分别构建生成器与判别器,并引入基于注意力机制的挤压激励网络来捕获通道维度下的显著特征,充分保留红外图像的热辐射信息和可见光图像的纹理细节信息;其次,使用相对平均判别器,分别衡量融合图像与红外图像、可见光图像之间的相对差异,并根据差异指导生成器保留缺少的源图像信息;最后,在TNO等多个图像融合数据集上进行实验,结果表明所提方法能够生成目标清晰、细节丰富的融合图像,相比基于残差网络的融合方法,边缘强度和平均梯度分别提升了64.56%和64.94%.

摘要:随着自动驾驶技术的发展,传统人驾车与自动驾驶车将在一段时间内共存,形成一类新型混合交通.网联自动车的出现为车辆协同行驶提供了新的控制手段,传统的混合交通效率优化控制方法更多地立足于宏观流量的控制或小群体的局部优化,CAV对交通优化作用的潜能还有待开发.鉴于此,首先给出混合交通的信息物理描述,揭示混合交通物理拓扑的动态性;然后提出一种动态物理拓扑下基于CPS的混合交通牵制控制方法,该方法通过调节网联自动车的行驶状态,间接影响、诱导和控制交通中存在的传统人驾车,从而优化整个交通系统.基于Matlab的仿真实验验证了所提出方法的有效性,而基于SUMO的仿真实验表明所提出的牵制控制方法在更真实的场景下依然适用.

摘要:集成学习已成为一种广泛使用的软测量建模框架,但是建立高性能的集成学习软测量模型依然面临特征选择不当、基模型多样性不足、基模型估计性能不佳等诸多挑战.为此,提出一种基于堆栈自编码器多样性生成机制的选择性集成学习高斯过程回归(selective ensemble of stacked autoencoder based Gaussian process regression,SESAEGPR)软测量建模方法.该方法充分发挥深度学习在特征提取方面的优势,通过构建多样性的堆栈自编码器(stacked autoencoder,SAE)网络,建立基于隐特征的高斯过程回归(Gaussian process regression,GPR)基模型.基于模型性能提升率和进化多目标优化对SAEGPR基模型实施两次集成修剪,以降低集成模型复杂度、保持甚至进一步提升模型估计性能,最后,引入PLS Stacking集成策略实现基模型融合.所提出方法显著优于传统全局和全集成软测量建模方法,其有效性和优越性通过青霉素发酵过程和Tennessee Eastman化工过程得到验证.

摘要:基于嵌入式平台对深度神经网络轻量化的需求,结合模块化、逐层处理思想,以主流检测识别深度神经网络Faster RCNN轻量化为目标,设计基于深度稀疏低秩分解的轻量化方法.针对Faster RCNN网络架构特点,首先采用深度可分离卷积和稀疏低秩理论对Faster RCNN网络的特征提取主干网络部分进行初始轻量化;其次采用稀疏低秩裁剪对主干网络进行“逐层通道裁剪,逐层重训练,逐层调优”轻量化,采用张量Tensor-Train分解理论,对区域建议网络进行轻量化处理,尽可能保证低性能损失;再次对识别与分类网络进行稀疏低秩分解和通道裁剪,增加模型压缩倍数,减少所需要和所消耗计算资源;最后,基于感兴趣区域定位感知的RPN网络输入特征知识蒸馏,提升检测识别性能.数值实验表明,所提出方法可以实现模型压缩100倍,检测识别率仅下降5%.

摘要:针对城市部分区域限行、物流系统中燃油车与电动车同时并存的实际情况,综合考虑客户需求量、服务时间、电动车行驶里程、已有充电设施、部分充电策略、燃油车油耗与碳排放等因素,以车辆使用固定成本、驾驶员工资、电动车的充电成本、燃油车的油耗与碳排放成本之和最小为目标构建混合车辆路径规划模型.根据模型特征设计一种改进蚁群算法求解,并采用多类型算例进行实验.实验结果表明,所提方法能在非常短的时间内给出符合决策者目标的混合车辆路径规划方案,有效降低总配送成本,减少燃油车油耗与碳排放,具有合理性、可行性与有效性.

摘要:面向越库配送模式下二维装载和车辆路径联合优化,考虑现实配送过程的不确定性因素,提出考虑随机旅行时间和二维装载约束的越库配送车辆路径问题.基于蒙特卡洛模拟与场景分析方法,建立以运输成本、车辆固定成本以及时间窗期望惩罚成本之和最小化为目标的带修正随机规划模型.继而根据问题特征,设计改进的自适应禁忌搜索算法和基于禁忌搜索的多重排序最佳适应装箱算法进行求解.其中,改进的自适应禁忌搜索算法在禁忌搜索算法的基础上引入自适应机制,对不同邻域算子进行动态选择,并提出基于移除-修复策略的多样性机制以增强算法的寻优能力.数值实验表明,所提出的模型与方法能够有效求解考虑随机旅行时间和二维装载约束的越库配送车辆路径问题,自适应与多样性机制能一定程度上增强算法的全局搜索能力.

摘要:研究每阶段含不相关并行机的分布式柔性流水线调度问题.考虑顺序相关准备时间和工件动态到达时间,以最小化总加权提前/拖期惩罚为目标建立整数规划模型,提出一种融合离散差分进化算法、变邻域下降算法和局域搜索的混合离散人工蜂群算法以获取近优解.该算法采用基于工厂-工件号的编码以及基于机器最早空闲时间的动态解码机制,通过随机规则和均衡分派策略生成初始工厂-工件序列群,在引领蜂阶段引入离散差分进化算法产生优质工厂-工件序列,在跟随蜂阶段利用变邻域下降算法在被选择序列附近继续搜索以得到邻域序列,在侦察蜂阶段设计基于关键/非关键工厂间插入的局域搜索提高算法搜索能力.通过仿真实验测试不同规模的算例,实验结果表明,所提出的混合离散人工蜂群算法表现出较好的求解性能.

摘要:考虑新技能的学习机制,建立软件项目调度问题的数学模型.该模型融入员工对新技能的学习、新技能熟练度的增长、投入度的自适应变化以及已有技能熟练度变化等实际因素,通过寻找最佳员工任务分配方案,最小化软件项目的工期和成本.为求解该模型,提出一种引入问题启发信息的离散人工蜂群算法.将多元学习策略应用于引领蜂阶段,在保证种群多样性的同时,加强算法全局搜索能力.在跟随蜂阶段采用一种基于启发信息的变异机制,保留最优个体中契合度较高的员工信息,并根据不同个体目标值的优劣采用相异的变异方式,针对性地进行搜索,以增强算法的局部寻优能力.实验结果表明,与已有算法相比,所提算法在不同规模的软件项目调度问题中均能够搜索到更优的分配方案.

摘要:迁移学习是将源域的知识迁移解决目标域问题的方法,能有效解决数据分布不一致的问题.针对多源域迁移时传统方法缺乏对多源域的可迁移性的合理分析和迁移效果的有效处理问题,提出一种基于流形结构的多源自适应迁移学习的方法,旨在提高单源域迁移效果的同时实现多源域的有效迁移.首先,对多源域进行可迁移性分析,选择可迁移的源域;然后,适配边缘分布和条件分布并引入均衡因子得到均衡分布适配,同时利用流形正则化约束数据结构,使单源域的信息使用最大化;最后,通过加权因子对不同源域分类器进行自适应加权,充分利用多源域的信息求解目标域问题.将该算法应用于滚磨光整加工中滚抛磨块的优选,通过建立滚抛磨块的相似度匹配方法,构建基于流形结构的多源自适应迁移学习的滚抛磨块优选模型.大量对比实验表明所提出方法表现更佳,准确率最高至73.44%,可以为滚磨光整中滚抛磨块的选择提供更有效的决策指导.

摘要:工业互联网和分享经济正在改变企业配置资源和产能规划的方式,制造企业之间分享空闲产能的模式逐渐显示出广阔的发展空间和经济效益.研究基于平台的产能分享情境中,利润最大化和社会福利最大化两种决策目标下,平台的最优定价策略问题.研究表明:注册费模式下的平台均衡利润大于固定交易费模式下的均衡利润,两种定价模式的平台利润与供需双方的网络外部性和服务敏感性系数均存在正相关关系,与供应方的产能定价存在负相关关系,且是平台服务水平的凹函数;两种定价模式的社会福利优劣和平台对双边用户的补贴策略均与供应方网络外部性冲销的制造成本相关.另外,存在社会福利与平台利润同时较优的情况,这也是产能分享平台良性发展的方向.

摘要:规则约减和规则激活是扩展置信规则库(EBRB)推理模型优化研究中的两个重要方向.然而,现有研究成果大多存在方法参数确定主观性强和计算复杂度高等不足.为此,通过引入聚类集成和激活因子提出改进的EBRB推理模型,称为CEAF-EBRB模型.该模型先基于聚类集成对历史数据进行多次的数据聚类分析,再以簇为单位将所有历史数据生成扩展置信规则;同时,通过激活因子修正个体匹配度计算公式以及离线的方式计算激活因子取值,以确保高效地激活一致性的规则.最后,在非线性函数拟合、模式识别、医疗诊断等常见问题中验证了所提CEAF-EBRB模型的可行性和有效性,从而为决策者提供更准确的决策支持.

摘要:南水北调工程是国家水网的重要组成部分,为进一步发挥南水北调工程水资源优化配置能力,确保优质南水供给,推动后续运营管理工作有序开展,助力国家水网建设,结合博弈论与供应链理论,从考虑经济效益和水质提升双目标视角,探讨南水北调水资源供应链协调问题.基于对南水北调水资源供应系统的概化及相关假设,建立水资源供应链的市场需求函数、水质效用函数和水质提升成本函数,分别构建包括集中决策、批发价格契约和收益共享-水质提升成本共担契约下的水资源供应链多目标模型并探讨相应的协调策略.最后通过数值分析对结论进行验证.研究表明,水质效用与经济效益之间存在冲突,批发价格契约无法实现供应链的协调,而收益共享-水质提升成本共担契约可以实现水质效用目标的协调,以及经济目标的帕累托改进.

摘要:三支决策理论采取“三分而治”的处理思路,为复杂问题求解提供了一种简洁高效的解决方案.对此,借助软集理论研究犹豫模糊集和三支决策方法,通过定义犹豫模糊集的值空间和值陪集,引入犹豫模糊集的典范软集、单位区间参数化软集和导出犹豫模糊集等概念,解决犹豫模糊集和软集的相互表示问题.此外,利用软粗糙集理论建立一种基于犹豫模糊集的广义粗糙模型,借助给定的预决策集,计算软上近似集并确定评价函数,进而提出一种基于软粗糙集的犹豫模糊三支决策方法.最后,通过两个数值实例和相关对比分析,验证所提出三支决策方法的合理性和有效性.

摘要:城市道路交通的路段信息与车流量信息对道路交通的安全、高效运行至关重要.在交通高峰时期,通过对关键路段加以控制,可实现整个道路交通网络的完全能控.为寻找路网中的关键路段,将道路网络的交叉口-节点模型转化为道路网络的路段-节点模型,基于路段信息与车流量信息提出拥堵系数来衡量道路交通网络的车辆拥堵程度,并将其作为道路网络的路段-节点模型的边权重,最后运用关键路段辨识算法对道路交通网络的关键路段进行辨识.以沈阳市皇姑区主城区道路为例建立以拥堵系数为权重的网络模型, 按照所提方法辨识的关键路段数量为14条,约占道路网络总路段数的14.3%,具有较低的控制成本,且大部分为由北向南方向和由西向东方向.其中8条路段分布在皇姑区道路实时拥堵排行前5名,约占关键路段总数的57.1%,表明所给出的关键路段更多地分布在交通状态较为拥堵的路段上,符合实际情况.

摘要:针对含未知负载信息的二质量伺服系统,提出一种基于有限时间扩张状态观测器的非奇异快速终端滑模控制方法.首先,利用电机侧位置信息设计有限时间扩张状态观测器估计系统的扰动,并将估计值融入到控制器中作为前馈项对系统的未知扰动进行补偿;然后,引入一种新型的滑模趋近律,该趋近律能够避免传统滑模控制中存在的奇异性问题,据此设计非奇异快速终端滑模控制器,保证系统状态在有限时间内收敛到原点,并根据李雅普诺夫稳定性理论分析闭环系统的稳定性;最后,通过仿真和实验验证所提出方法的优越性.结果表明,与传统的PID等控制相比较,所提出的基于扩张状态观测器的有限时间滑模控制方法能够提高系统的跟踪性能,并有效增强二质量伺服系统的抗扰动能力.

摘要:K均值聚类,对于非凸、稀疏及模糊的非线性可分数据,其聚类效果不佳.针对此问题,通过引入粒计算理论,采用邻域粒化技术,提出一种邻域粒K均值聚类方法.样本在单特征上使用邻域粒化技术构造邻域粒子,在多特征上使用邻域粒化技术形成邻域粒向量;通过定义邻域粒与邻域粒向量的大小、度量和运算规则,提出两种邻域粒距离度量,并对所提出的邻域粒距离度量进行公理化证明.采用多个UCI数据集进行实验,将K均值聚类算法分别结合两种邻域粒距离度量,在邻域参数和距离度量两个方面与经典聚类算法进行比较,结果验证了所提出的邻域粒K均值聚类方法的可行性和有效性.