基于双向搜索的改进蚁群路径规划算法

针对移动机器人在复杂地图环境中移动耗时长、易陷入局部最优等问题,设计了一种基于双向搜索的改进蚁群路径规划算法。基于K-means算法对地图预处理,量化地图的局部复杂度程度,并将局部环境信息融合到状态转移概率函数,使机器人优先选择在复杂程度小的区域进行寻优,减少路径拐点。设定双向搜索规则,改进启发函数,提高算法的局部方向搜索精度和全局搜索效率。针对蚁群算法中蚂蚁遇到U障碍物陷入死锁的问题,提出死锁判断系数,增加了有效蚂蚁的数量,进一步提高了算法性能。仿真结果表明所设计的算法在复杂地图环境中相较于传统蚁群算法移动机器人的路径搜索效率更高。     

基于Sinkhorn距离特征缩放的多约束非负矩阵分解算法

为了减少原始特征对非负矩阵分解(NMF)算法的共适应性干扰,并提高NMF的子空间学习能力与聚类性能,该文提出一种基于Sinkhorn距离特征缩放的多约束半监督非负矩阵分解算法。首先该算法通过Sinkhorn距离对原始输入矩阵进行特征缩放,提高空间内同类数据特征之间的关联性,然后结合样本标签信息的双图流形结构与范数稀疏约束作为双正则项,使分解后的基矩阵具有稀疏特性和较强的空间表达能力,最后,通过KKT条件对所提算法目标函数的进行优化推导,得到有效的乘法更新规则。通过在多个图像数据集以及平移噪声数据上的聚类实验结果对比分析,该文所提算法具有较强的子空间学习能力,且对平移噪声有更强的鲁棒性。     

退火炉内罩中气体流动及钢卷传热的数值模拟

摘要：轧制力预报一直是热连轧过程控制模型的核心，浅层神经网络对复杂函数的表示能力有限，而深度学习模型通过学习一种深层非线性网络结构，实现复杂函数逼近。利用深度学习框架TensorFlow，构建了一种深度前馈神经网络轧制力模型，采用BP算法计算网络损失函数的梯度，运用融入Mini batch策略的Adam优化算法进行参数寻优，采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略，针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验，对比分析了4种不同结构的前馈网络预测精度。结果表明，相比于传统SIMS轧制力模型，深度神经网络可实现轧制力的高精度预测，针对所有机架的预测精度平均提升21.11%。     

基于“新息误差”的粒子流滤波算法

在粒子滤波（PF）过程中存在粒子权值退化、维度灾难、计算成本高等问题。粒子流滤波通过构造对数同伦函数避免了粒子权值退化问题,但是在求解边值问题时过于依赖观测方程,当噪声较大时效果较差。针对上述问题,提出了一种改进的粒子流滤波算法。首先,该算法在粒子流动的过程中引入了一种“新息误差”结构,使每个粒子的更新相互独立;其次,利用Galerkin有限元法求得边值问题的数值解,从而消除了拟合样本先验可能导致的数值不稳定问题;最后,分别在通用非线性滤波模型和机动目标跟踪模型中对改进的算法进行了性能测试。仿真结果表明,改进的算法可以抑制系统对观测信息的依赖性,在噪声增大的情况下也能得到相对较好的结果,有效改善了滤波精度,而在多维目标跟踪情况下算法的计算效率与滤波精度高于标准粒子滤波。     

基于自组织增量-图卷积神经网络的金相图半监督学习

采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集。针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法。首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果。针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12%时,新模型的分类准确度可达到91%。     

复杂协同攻击下一类非线性系统的分布式一致性滤波器设计

针对复杂协同攻击下一类非线性系统的状态估计问题,提出一种分布式一致性递推滤波算法.首先,将拒绝服务攻击(denial of service, DoS)和虚假数据注入攻击(false data injection, FDI)现象描述为两个随机Bernoulli序列,并利用统一的框架建立包含DoS和FDI的复杂协同攻击模型;然后,基于一致性理论设计具有分布式结构的递推滤波器,计算最优滤波器增益,并推导该滤波器估计误差满足均方有界的充分必要条件;最后,利用室内机器人的定位问题进行验证,仿真结果验证了所提出滤波器算法的有效性.     

基于卷积神经网络的钢铁材料微观组织自动辨识

基于深度学习在计算机视觉上优异的表现,采用深度学习模型对扫描电子显微镜(SEM)所获得的钢铁材料微观组织图片进行自动辨识。提出了适用于钢铁材料微观组织辨识的AlexNet、VggNet、GoogleNet、ResNet改进模型,比较了不同卷积神经网络模型在不同预处理方式下的图片辨识精度,针对从某国家重点实验室收集到的铁素体、珠光体、上贝氏体、下贝氏体、板条马氏体、片状马氏体等6类微观组织图像的数据集进行预测实验,结果表明:与现有技术或人工辨识相比,提出的卷积神经网络能成功辨识不同类型的钢材微观组织,具有较高的适应性和准确度,在测试集上的识别率精度最高可达到100%。     

路网约束下异构机器人系统路径规划方法

由无人机(Unmanned aerial vehicles, UAV)和地面移动机器人组成的异构机器人系统在协作执行任务时,可以充分发挥两类机器人各自的优势.无人机运动灵活,但通常续航能力有限;地面机器人载荷多,适合作为无人机的着陆平台和移动补给站,但运动受路网约束.本文研究这类异构机器人系统协作路径规划问题.为了降低完成任务的时间代价,提出一种由蚁群算法(Ant colony optimization, ACO)和遗传算法(Genetic algorithm, GA)相结合的两步法对地面机器人和无人机的路线进行解耦,同时规划地面机器人和无人机的路线.第1步使用蚁群算法为地面机器人搜索可行路线.第2步对无人机的最优路径建模,采用遗传算法求解并将无人机路径长度返回至第1步中,用于更新路网的信息素参数,从而实现异构协作系统路径的整体优化.另外,为了进一步降低无人机的飞行时间代价,研究了无人机在其续航能力内连续完成多任务的协作路径规划问题.最后,通过大量仿真实验验证了所提方法的有效性.     

Two-sided assembly line balancing to maximize work relatedness and slackness

This paper considers two-sided (left- and right-side) assembly lines that are often used in assembling large-sized products, such as trucks and buses. A large number of exact algorithms and heuristics have been proposed to balance one-sided assembly lines. However, little attention has been paid to balancing the two-sided lines. An efficient assignment procedure is developed for two-sided assembly line balancing problems. A special emphasis is placed on maximizing work relatedness and maximizing work slackness, which are of practical significance especially in two-sided lines. We first investigate the characteristics of two-sided lines and define new measures for the balancing. Then, a group assignment procedure, which assigns a group of tasks at a time rather than a unit task, is designed. Experiments are carried out to demonstrate the performance of the proposed method. The results show that our procedure is promising in the solution quality.     

基于RF-LSTM的热连轧板坯粗轧出口温度预报

摘要： 热连轧板坯温度的连续、实时预报是提高带钢产品性能的关键,针对热连轧过程数据维度过高不利于快速、准确预测板坯温度的问题,提出一种基于随机森林 长短期记忆神经网络（RF LSTM）的板坯粗轧出口温度预测模型。首先,采用改进随机森林算法对特征变量进行选择,通过分析板坯粗轧出口温度的预测结果变化衡量特征的贡献度,进而构造反映过程数据特征与板坯温度的特征选择评价函数;其次,针对热连轧过程数据具有时间序列特性的特点,采用LSTM预测板坯粗轧出口温度;通过钢厂实际的热连轧过程数据特征选择实验验证和对比分析,结果表明：特征选择前后钢坯的温度预测平均绝对误差、均方根误差分别下降了0.21、0.25℃,预测相对误差在±30%以内的精度达到了99.07%。