摘要:钢铁生产是国民经济的重要支柱. 近年来, 随着信息技术的迅猛发展, 协同计划已成为提升钢铁企业运行效率与适应能力的关键手段. 鉴于此, 首先从采购与生产协同、生产工序间协同和生产与分销协同3个方面, 对现有钢铁生产链与产业链协同计划进行全面梳理, 进而归纳出当前钢铁生产链与产业链协同计划面临的3大挑战, 即全产业链信息割裂、生产链与产业链计划协同缺乏以及产业链资源配置韧性不足; 之后, 展望钢铁生产链与产业链协同计划的未来重点研究方向, 即生产链与产业链协同计划优化框架、生产链与产业链全域深度感知与预测、数据驱动的多维度协同计划优化以及韧性的产业链资源配置优化. 所作研究旨在为构建高端化、智能化和韧性化的钢铁生产链与产业链协同计划体系提供研究思路与实践参考.

摘要:针对无人机自组网在复杂任务场景下拓扑控制存在的优化目标单一、多目标优先级模糊以及传统算法快速寻优能力不足等问题, 提出基于超启发式算法的多目标拓扑优化控制方案. 首先, 建立涵盖网络连通度、总吞吐量、端到端平均时延以及通信总能耗的多目标联合优化模型, 为网络拓扑全局性能评估提供多目标协同标准; 然后, 采用博弈论纳什均衡结合的主客观融合权重标定法, 协调主观经验与客观数据, 增强方案对不同场景的指标赋权准确性; 最后, 设计基于灰狼优化及改进模拟退火的超启发式算法, 依托灰狼算法全局搜索定位优质解区域, 结合改进模拟退火动态退温策略接受次优解, 实现较少次数下的全局最优和寻优精度提升. 仿真实验结果表明, 所提出方案可适配不同任务场景, 且相较于其他先进启发式算法, 其收敛速度和全局寻优能力均展现显著优势.

摘要:综合考虑水下无人航行器(UUV)的跟踪、能耗和稳定性需求, 提出一种新的基于稳定约束条件的多目标粒子群优化算法(SC-based MOPSO). 首先, 设计一种干扰观测器对系统干扰进行估计. 针对状态约束问题, 基于障碍Lyapunov函数和反步法将满足系统约束、保证系统稳定性的控制器设计问题转化为控制器增益约束问题. 其次, 以系统跟踪误差、能耗、干扰观测器的观测误差和增益大小为性能指标, 建立UUV抗干扰控制问题的多目标优化模型. 随后, 将该约束问题以惩罚项的形式引入优化过程的性能指标计算中, 对控制、干扰观测增益进行优化. 最后, 通过与其他多目标优化算法以及传统线性矩阵不等式方法计算得到的增益进行对比, 验证所提出的SC-based MOPSO能够在保证状态约束的情况下取得更好的控制性能.

摘要:模型预测控制(MPC)的性能高度依赖精确的系统模型和精心设计的代价函数, 这限制了其在复杂非线性系统中的应用. 为克服该局限性, 提出一种融合扩散模型与生成式对抗模仿学习(DGAIL)的智能MPC策略. 首先, 所提出方法利用扩散模型的分布建模能力, 从专家示范中更准确地学习隐式奖励函数, 从而有效减少对研究者经验和人工奖励设计的过度依赖, 并兼具无模型学习与基于模型优化的优势; 然后, 进一步引入一种基于粒子群优化(PSO)的在线更新策略, 以高效求解非线性MPC的约束优化问题; 最后, 在多个基准仿真环境中的实验结果表明, 所提出方法在控制性能和安全性方面均优于现有模仿学习与强化学习算法, 验证了其有效性和泛化能力.

摘要:针对连续制药流程中的多工况、非平稳及变量间强耦合等复杂特性, 提出一种数据驱动异常监测溯源方法. 该方法结合狄利克雷过程高斯混合模型(DPGMM)、变分自动编码器(VAE)与协整分析(CA)等方法的优势, 旨在实现对连续制药流程的高效异常监测及溯源. 首先, 框架以DPGMM为工况识别的核心手段, 有效解决连续制药流程中相似工况难以区分的问题; 其次, 针对连续制药流程的非平稳特性及闭环控制对其变量间相关关系带来的影响, 提出融合 CA 与 VAE 的过程监测方法, 可有效减少误报, 提高异常监测的准确性和可靠性; 同时, 通过重构数据集和绘制贡献图的方式实现异常变量的精确定位, 克服变量间的“污染”现象; 最后, 通过药物连续给料-混合-双螺杆湿法制粒过程的仿真案例研究, 验证所提出方法的可行性和有效性.

摘要:针对车队在变曲率匝道等复杂道路场景下行驶易出现队形不稳、控制迟滞及安全性下降等问题, 提出一种基于分阶段奖励优化的双延迟深度确定性策略梯度算法(SR-TD3). 该算法结合车联网信息与多智能体强化学习框架, 通过在道路的进入、保持和驶出3个曲率阶段分别设计安全、平滑与效率导向的奖励函数, 实现车队在变曲率道路下的稳定协同控制. 在算法结构上采用集中训练与分布执行架构, 并融合参数共享与优先经验回放机制, 并在Critic网络中引入残差正则项以抑制价值波动. 基于CARLA仿真平台的实验结果表明, 与现有的5种算法相比, SR-TD3算法在收敛速度、稳定性及跟车精度方面均有显著提升. 在道路曲率过渡阶段, 车速均方根误差较5种算法分别降低了41.31%、86.53%、58.25%、73.08%和81.60%; 在整个变曲率匝道上, 车距控制较前5者分别提升了27.30%、54.52%、36.66%、77.51%和76.37%, 同时奖励曲线收敛更快、波动更小, 表现出更高的控制稳定性与学习效率.

摘要:在图像和文本等多模态数据可用条件下, 利用单一深度网络进行融合决策, 存在可解释性和可靠性挑战. 针对挑战, 提出一种图像和文本数据驱动的两阶段区间决策方法, 包括准则预测和准则融合两个阶段. 在准则预测阶段, 依据各准则上的图像特征提取需求确定深度网络集合, 设计基于有放回采样的深度网络性能统计比较方法确定网络排序, 进而构建网络接续组合的选择方法确定可靠的最佳组合, 产生基于图像的区间数预测值. 在准则融合阶段, 通过文本训练集学习准则权重, 进而构建基于文本验证集的优化模型学习自适应权重函数, 最后利用准则权重和自适应权重函数融合各准则上的图像生成预测值, 产生可解释的总体预测值. 以安徽合肥某三甲医院超声部的乳腺彩超图像和文本数据为基础, 将所提出方法用于乳腺病灶辅助诊断, 验证了方法的有效性.

摘要:随着电动汽车快速增长, 充电站数量不足、分布不均以及可靠性问题日益突出, 成为影响使用和运营效率的关键因素. 考虑到充电站选址过程中面临的潜在中断风险, 构建电动汽车充电站可靠性选址多目标优化模型, 旨在通过最小化系统总成本、最大化用户时间满意度以及平均充电站可达率, 实现经济性、高效性与可达性的协同优化. 首先, 利用NSGA-III求解模型, 获得系统成本、用户满意度与可达率间的Pareto最优解集; 然后, 基于成都市三环内路网和POI数据开展实验, 验证所提出模型在实际场景中的应用潜力; 接着, 通过超体积、反世代距离、均匀性以及多样性指标评估算法性能, 并与NSGA-II对比; 同时, 对中断概率和紧急情况占比进行灵敏度分析, 探讨模型的稳定性和适应性; 最后, 通过研究结果表明, 所提出模型和方法可有效应对充电站选址中的中断风险, 能够增强充电网络韧性, 为充电站可靠性选址提供参考.

摘要:针对航空复杂装备集成系统多阶段目标偏好动态变化与随机扰动实时响应的复杂调度问题, 提出一种基于NSGA-II与近端策略优化(PPO)的强化学习双向协同优化机制的多目标调度方法. 通过构建“离线全局优化-在线动态决策”双向闭环, 实现调度策略的持续自进化. 首先, 设计基于 PPO的强化学习智能体, 实时感知系统状态和扰动, 动态调整时间、质量、成本的优化权重, 以捕获动态偏好和扰动响应需求; 其次, 改进NSGA-II算法的非支配排序和拥挤度计算, 将实时动态权重以偏好支配关系和加权拥挤度的形式深度嵌入进化过程, 引导种群向符合当前战略偏好的Pareto区域收敛. 二者通过“离线规则知识注入”和“在线学习经验反馈”双回路紧密耦合. 实证研究表明, 所提出的方法在超体积(HV)指标上较传统固定权重方法提升20.1%, 扰动平均恢复时间缩短41.7%, 并在订单延误率、返工率及成本超支率等关键绩效指标上均显著优于对比算法. 该方法对于复杂装备集成系统具有良好的通用性, 核心算法可拓展至航天、船舶等复杂装备集成的智能优化问题.

摘要:针对传统目标威胁评估仅依靠静态侦收数据, 忽略目标属性犹豫度和指挥决策者意图判断(偏好信息)问题, 依据不同时刻侦收数据属性值和目标属性语言变量值构建直觉模糊威胁决策矩阵, 在属性权重和决策者权重完全未知的情况下, 提出一种直觉模糊扩展多属性妥协解排序(VIKOR)群决策的目标威胁评估方法. 该方法首先采用综合考虑隶属度与非隶属度偏差和犹豫度的直觉模糊熵, 基于熵权法和权重协调系数确定属性权重; 其次设计基于犹豫度和相似度的决策者权重确定方法; 然后, 采用可最大化群体效益且弱化个体遗憾的VIKOR多属性群决策方法实现目标威胁排序; 最后, 通过无人机蜂群目标威胁评估实例验证所提出方法的可行性, 并利用数值实验、敏感性和对比分析验证该方法的稳定性和灵活性.

摘要:针对无人机航拍图像中因目标方向任意旋转、背景环境复杂以及目标尺寸微小等因素导致的检测精度下降问题, 提出一种基于YOLOv12架构的轻量化无人机目标检测网络YOLO-MAT, 该网络融合了旋转感知注意力与自适应特征过滤机制. 首先, 提出一种多路径旋转感知注意力模块(MRAC2f), 通过引入旋转不变注意力机制(RAM), 增强模型对旋转目标的鲁棒特征表征能力; 其次, 设计一种自适应加权多尺度特征过滤融合模块(AMFF), 集成双域协同注意力(DDCA)与拉普拉斯边缘增强器(LEE), 在抑制浅层背景噪声的同时增强高频细节特征, 利用可学习权重实现多尺度特征的自适应融合; 最后, 构建一种高分辨率小目标检测头(tiny head), 进一步提升模型对微小目标的检测性能. 在VisDrone2019和NWPU VHR-10数据集上的实验结果表明, 相较于基准模型YOLOv12, YOLO-MAT在模型参数量减少3.2%的同时, 平均精度均值(mAP)分别提升6.7%和9.3%, 可实现轻量化设计与检测精度的有效平衡. 与其他主流检测算法相比, YOLO-MAT在检测精度方面具有明显优势, 可为无人机实时目标检测提供一种高效的解决方案.

摘要:多保真高斯过程回归在应用于复杂工程系统分析时, 处理高维输入易因维度灾难导致模型精度下降. 现有缓解策略存在优化不稳定、特征表示不佳等局限性. 针对这一问题, 提出一种集成深度特征多保真高斯过程回归方法. 利用集成深度神经网络将高维输入自适应地映射至低维潜在特征空间, 提升表示的鲁棒性. 采用梯度隔离与两阶段训练策略, 将基于低保真数据的特征提取器预训练过程与后续基于固定特征的多保真高斯过程回归模型构建过程解耦, 规避深度融合模型端到端优化带来的不稳定性, 确保训练过程稳健高效. 最后通过高维测试函数的仿真验证所提出方法的有效性, 使用装备射程优化案例研究展示其解决实际工程问题的应用潜力.

摘要:针对无人船多区域自主探索缺乏前瞻性、探索面积大、受海流影响的问题, 提出一种基于滚动时域和拓扑学优化(RHTO)的自主探索方法. 首先, 利用滚动时域的思想将整个探索任务分解, 通过当前已知信息估算全局最佳探索路径, 并只执行部分路径; 其次, 通过边界检测和循环采样快速构建连通当前可达区域的基础路径网, 配合拓扑学优化算法快速收敛得到最短路径网; 最后, 通过评价函数计算每条路径的航行成本, 使用遗传算法规划最佳探索顺序和探索路径, 生成覆盖路径点作为视点引导无人船探索, 最终回到起点. 仿真实验结果表明, 采用RHTO方法相比常见的几种自主探索算法, 无人船在海上多区域探索结束后, 路径总长度、路径外角和以及克服洋流能耗3项指标最小, 鲁棒性更好.

摘要:多变量时间序列分类在工业状态识别与决策支持中发挥关键作用, 但是, 异步采样和随机缺失形成的不规则数据严重削弱了其分类精度. 基于插补的方法易引入噪声和伪影, 而直接建模又易使得关键信息被稀释或扭曲. 鉴于此, 提出一种基于增强型多尺度图Transformer的“序列-图像-图”统一建模方法. 首先, 增强型多通道图像转换将不规则序列编码为无需插补的RGB图像, 直接利用数值动态、缺失模式和采样信息; 然后, 动态扇形图构建将图像块映射为图节点, 在局部扇形邻域内自适应建立邻接边, 以覆盖跨时间和跨变量依赖并减少冗余; 接着, 自适应多尺度相对图卷积, 在邻居聚合中引入多尺度差分特征, 并结合注意力加权突出关键邻居, 从而缓解图卷积过平滑; 最后, 通过在钢铁企业高炉煤气数据实验以及4个公开不规则基准上验证所提出方法在多种不规则模式下的有效性.

摘要:延长网络生命周期是隧道无线传感网络亟需解决的核心问题, 而拓扑控制在优化网络生命周期和性能方面具有关键作用. 为提升隧道无线传感器网络在三维场景下的适配性和整体性能, 提出一种融合思维创新策略(TIS)改进MOCTCM的分簇路由算法TIMO. 首先, 构建三维隧道空间模型并推导最优簇头数, 提出基于竞争半径和节点密度的簇头自适应分配机制, 优化布局和负载; 然后, 簇头选举采用TIS改进的MOCTCM算法, 综合考虑剩余能量、簇内距离以及信任度, 路由阶段利用MOCTCM和变异系数法动态权衡总能耗与能耗方差, 优化传输路径; 最后, 通过仿真结果表明, TIMO能够有效均衡网络能耗, 显著延长生命周期.

摘要:针对双向快速搜索随机树(RRT-Connect)算法在机械臂路径规划中存在的搜索效率低下、路径规划质量不高以及复杂环境适应性差等核心问题, 提出一种融合分层启发式引导与强化学习的机械臂路径规划算法H-RRT-C. 该方法构建多策略协同优化体系: 上层利用改进A*算法生成全局粗粒度路径骨架, 并采用自适应权重机制指导双向搜索树优先采样关键节点, 有效减少随机探索的盲目性; 下层引入Dijkstra局部搜索机制, 依据障碍物分布密度动态调整搜索范围, 实现局部路径精细化处理. 同时引入双Q网络强化学习策略, 设计包含路径长度、节点分布多样性及避障安全性的多目标奖励函数, 以实现扩展方向的智能决策. 最后, 通过Matlab仿真实验验证该算法在各种复杂场景中的路径规划效果, 并通过ROS平台以及实体机械臂测试验证了其工程实用性.

摘要:针对高速列车走行部转向架轴箱轴承在复杂工况下运行具有不确定性与动态性, 且有效故障样本稀缺导致的诊断精度低的问题, 提出一种基于MCWT-Li-VIT网络的故障诊断方法. 首先, 提出一种基于统计特征的离散型工况识别方法, 采用重要的时频域特征构建特征向量, 利用综合稳定性评分函数划分阈值, 提升状态数据的有效性与稳定性; 其次, 构建包含多种母小波的连续小波变换知识库, 将一维状态信号转换为多角度、故障特征更丰富的二维时频图谱, 进而设计一种Li-ViT特征编码器, 将多头注意力替换为广播注意力降低复杂度, 保证识别精度的同时显著提升训练与推理效率, 增强在边缘设备中的实时部署能力; 最后, 设计基于多模态时-频特征的对比损失函数, 以有效训练MCWT-Li-VIT网络, 并开发基于余弦相似性分析的故障检测算法. 采用Jetson Orin NX嵌入式板卡作为核心测试平台, 通过轴承试验台数据集的验证结果表明, 所提出方法在仅使用正常样本训练的条件下, 在复杂工况中对故障状态的检测平均准确率达到97.2%, 能够构建高性能、高效率的特征提取网络.

摘要:全断面隧道掘进机(TBM)主轴承故障辨识直接关系到整机掘进安全与效率, 但工程中高可靠性要求和主动维护策略的实施使监测数据呈现极端类别不均衡(故障样本 $\leqslant $ 1%), 致使稀疏故障特征难以学习, 漏检风险极高. 为此, 提出一种深度强化学习驱动的TBM主轴承故障辨识模型(DRLimb), 将传统静态分类问题重构为强化学习的序贯决策优化问题. 该方法首先将故障辨识过程建模为马尔可夫决策过程, 通过双网络架构(在线$Q $网络与目标$Q $网络)及软更新机制确保策略学习过程的稳定收敛; 继而, 设计与决策历史相关的非对称奖励机制, 对故障样本的正确辨识给予更高回报、对漏检施加更强惩罚, 迫使智能体聚焦于稀疏但关键的故障模式, 提升对少数类故障模式的辨识灵敏度. 理论分析证明, 将多数类奖励系数设置为类别不均衡比率, 可实现类间梯度贡献的均衡化. 在多个极端不均衡比率的TBM主轴承数据集上的实验表明, DRLimb的$G $-mean值与F1-score均稳定超过93.2%, 显著优于主流不均衡学习诊断模型与基线模型.

摘要:多工况工业过程中工况改变导致的原预测模型失准, 且旧工况历史数据往往不可访问, 仅凭少量新工况数据难以直接建立准确的软测量模型. 鉴于此, 提出一种基于宽度学习系统的缩约核均值嵌入软测量模型复用算法, 其包含训练阶段和应用阶段: 在训练阶段, 针对历史工况, 建立基于宽度学习系统的软测量模型; 设计基于核均值嵌入的缩约集, 将历史工况数据映射至再生核希尔伯特空间, 保护历史工况数据隐私的同时获取其分布特征; 利用模型及其对应缩约集构建模型库. 在应用阶段, 构建基于最大均值差异的距离度量准则, 匹配模型库中最优模型以实现模型复用, 并动态更新模型参数以适应新工况. 通过基于硫回收过程和炼钢过程两个工业实例, 验证所提出方法的有效性和优越性.

摘要:磁悬浮传输系统在半导体、精密电子等对于精度和洁净度要求高的制造产线中逐渐普及, 其动子调度问题是制约产线效率的核心问题. 鉴于此, 以最小化最大完工时间、总能耗和负载不均衡度为目标, 建立磁悬浮传输系统多目标动子调度的混合整数规划模型, 提出一种LLM驱动的演化算子自动设计框架 —— LLM-EvoOp. 该框架采用“思想-代码”二元表征和演化机制: 在算子演化阶段, LLM基于问题描述和演化提示, 通过交叉和变异型提示驱动, 自动生成并迭代优化适用于调度问题结构特征的高性能遗传算子; 在实例求解阶段, 将演化所得到的算子嵌入标准NSGA-II流程, 实现高效的调度求解. 仿真实验结果表明, LLM-EvoOp是求解此类问题的高效算法.

摘要:为提高物流配送效率, 研究一种考虑工作量均衡的车辆-无人机协同路径问题. 为求解该问题, 首先, 以运营成本与车辆-无人机编队工作量均衡为目标建立双目标混合整数线性规划模型. 然后, 提出基于模型与图强化学习驱动的多目标优化方法: 1)提出基于混合策略的种群初始化方法和多个局部搜索算子以有效探索解空间; 2)提出增强强化学习的帕累托局部搜索算法并将其作为多目标问题的局部搜索算法以进一步提高多目标方法的搜索能力. 其中包括基于图卷积神经网络的特征提取机制和基于长短期记忆网络的策略优化方法: 特征提取机制通过捕捉车辆-无人机路径方案的空间关系, 为智能体决策增加状态表征信息; 策略优化方法通过构建交互环境模型并推演其多步虚拟轨迹来提高智能体的训练样本效率. 最后, 通过参数分析和对比实验验证所提出模型和算法的有效性, 所提出算法的收敛性和分布性优于精确求解器CPLEX与多个先进算法.

摘要:基于残差学习的单幅图像细节增强算法常常采用贪心搜索策略, 这容易导致系统陷入局部最优解. 对此, 提出一种受蜂群觅食行为启发的单幅图像细节增强算法. 该算法将图像块匹配过程建模为蜜蜂在二维空间中寻找高质量蜜源的行为, 针对输入图像中的每个图像块派遣多只“工蜂”在参考图像中寻找最佳匹配块; 通过计算候选块与原始块在上下文、边缘和纹理结构等多维特征上的差异, 评估匹配质量, 并结合全局最优蜜源及邻域内优秀个体的引导, 实现全局与局部相结合的搜索策略. 该算法引入概率驱动的邻域参考选择机制和边界反射策略, 通过余弦函数动态调整局部与全局权重比例, 可有效提升搜索多样性与稳定性. 实验结果表明, 经过多轮迭代优化, 该算法能够提取出结构精确且鲁棒性的细节特征, 在RealSRSet、BSDS200、T91等多个公开数据集上的表现均优于现有算法. 在RealSRSet数据集4倍放大条件下, 相较于当前流行的方法QWLS、 PSNR提升8.21 dB; 相较于SSIM提升0.1569, 充分体现了该算法在细节还原能力和视觉质量方面的优势.

摘要:针对图像分类任务中模型对频率特征感知不足的问题, 提出一种基于频率感知卷积的图像分类网络. 首先, 引入傅里叶变换, 设计频率感知卷积, 并将其嵌入到残差分支中, 以融合频率特征, 增强模型对频率特征的感知能力. 其次, 设计一种多分支特征选择模块, 在协同提取多层次特征的同时, 加强通道间的信息交互. 模型利用频率感知卷积和多分支特征选择模块, 可以实现对图像空域和频域的联合感知. 最后, 在CIFAR10、CIFAR100、SVHN、ImageNette和ImageWoof等数据集上进行实验验证. 结果表明, 与当前主流图像分类模型相比, 所提模型在分类精度上均达到最优, 验证了所提出方法在提升图像分类性能方面的有效性.

摘要:针对求解约束多目标优化无法平衡目标优化与约束满足的同时兼顾种群多样性和收敛性的问题, 提出嵌入自适应$ \varepsilon $约束处理机制的多目标狼群算法. 首先, 通过自适应$ \varepsilon $约束处理机制将种群进化过程划分为学习阶段和探索阶段: 学习阶段利用少量可行解和信息优良的不可行解引导种群快速收敛; 探索阶段对收敛种群施加强约束, 并利用非支配可行解扩散检索约束帕累托前沿, 以平衡收敛性、多样性与约束满足. 然后, 设计精英引导策略, 促进解在搜索空间中的均匀分布, 提高全局搜索能力. 最后, 引入差分进化更新机制, 通过二元锦标法筛选优势个体并实施差分变异, 在保持多样性的同时加速进化. 在20个约束多目标测试函数以及焊接梁工程问题上的对比实验表明, MOWPA-AE不仅在约束满足和目标优化的综合性能上表现优异, 还具备在实际工程优化问题中应用的可行性和推广价值.