复杂工况下视觉AGV导航标识带中心线的提取研究

针对光照不均匀、导航标识带破损、少量杂物干扰的复杂工况条件下,对视觉AGV采集到的路面导航标识带图片进行特征提取,采用灰度化、中值滤波进行了图像预处理,研究了Otsu法和迭代法等动态阈值分割算法以及形态学在图像分割中的应用,并对预处理图像作了分割对比实验;然后对分割后的图像进行边缘提取,分析了基于最小二乘法和Hough变换算法的直线拟合原原理,提出了Hough算法下基于边缘线的中心线拟合算法,并作了直线拟合对比试验;实验表明,复杂工况下,采用基于形态学和Otsu算法相结合的方法对图像进行分割,得到的二值图像边界更完整,效果更好,基于Hough变换算法较最小二乘法能更精确有效地提取出导航标识带中心线及其方程。     

进化式超启发算法求解多车型低碳选址-路径问题

为了降低物流配送成本和减少CO$_2$排放量,提出一种综合考虑多车型和同时取送货的低碳选址-路径问题,并构建三维指数混合整数规划模型.针对所提问题,设计一种进化式超启发式求解算法,即在超启发式算法框架下,采用进化式策略作为高层学习策略,以实时准确地监控底层算子的性能信息并选择合适的底层算子,包括量子选择、蚂蚁策略、蛙跳机制以及自然竞争等.同时,挖掘算子性能信息以构建自适应接收机制,引导全局搜索,加快算法收敛速度.通过对不同规模实例的仿真实验与对比分析,验证了4种进化式超启发式算法在求解物流配送多车型同时取送货低碳选址-路径问题模型上的有效性与鲁棒性.     

基于深度强化学习的多配送中心车辆路径规划

多配送中心车辆路径规划(multi-depot vehicle routing problem, MDVRP)是现阶段供应链应用较为广泛的问题模型,现有算法多采用启发式方法,其求解速度慢且无法保证解的质量,因此研究快速且有效的求解算法具有重要的学术意义和应用价值.以最小化总车辆路径距离为目标,提出一种基于多智能体深度强化学习的求解模型.首先,定义多配送中心车辆路径问题的多智能体强化学习形式,包括状态、动作、回报以及状态转移函数,使模型能够利用多智能体强化学习训练;然后通过对MDVRP的节点邻居及遮掩机制的定义,基于注意力机制设计由多个智能体网络构成的策略网络模型,并利用策略梯度算法进行训练以获得能够快速求解的模型;接着,利用2-opt局部搜索策略和采样搜索策略改进解的质量;最后,通过对不同规模问题仿真实验以及与其他算法进行对比,验证所提出的多智能体深度强化学习模型及其与搜索策略的结合能够快速获得高质量的解.     

Duffing振子在小电阻测量中的应用与研究

在一些精密仪器中,小电阻的测量使用小电流激励,导致测量精度有限和测量效率较低。为了提高测量精度与测量效率,提出利用Duffing振子检测的非线性检测方法对信号进行检测,减少电子器件内部的噪声干扰;硬件电路通过电流倒向测试法来消除定向直流误差,实现了多通道微弱信号的检测;通过LabVIEW上位机对数据经行处理得到实时的电阻值。测试结果表明采用Duffing振子对小电阻阻值的测量能有效的提高系统测量精度。     

时间依赖型同时取送货VRP及超启发式算法

为有效地协调正逆向物流,更好地体现城市物流配送速度时变的特点,降低物流配送成本,以时间依赖型同时取送货车辆路径问题为对象,建立其数学规划模型;设计了基于禁忌搜索的超启发式算法对其进行求解。在算法高层,设计了基于禁忌搜索评分制的选择策略及模拟退火的接收准则,实时监控底层启发式算子的性能并选择最优算子。通过基准实例测试及实验对比分析,表明了该算法能快速地找到满意解,所设计高层策略能保证算法跳出局部最优并快速收敛,从而证明了所提算法求解该问题的有效性。     

车辆路径问题的水波算法

水波算法(Water Wave Optimization WWO)是郑宇军于2014年基于浅水波理论提出的一种新颖的元启发式算法,用于全局优化问题.通过水波的传播、折射和碎浪操作,可以用来导出在高维解决方案空间中搜索的有效机制.算法WWO的框架简单,易于实现,并且只需要少量的控制参数.本文应用WWO求解车辆路径问题(the Capacitated Vehicle Routing Problem CVRP),算法采用0-1矩阵编码方式,通过传播操作进行全局搜索,反射操作实现进化,碎浪操作防止陷入局部最优.利用构建的算法求解64个benchmark算例,求解的结果中有65%的算例获得已知最优解,有6个算例更新了已知最好解,验证水波算法求解车辆路径问题的可行性,为水波算法应用于其他优化问题提供参考.     

基于强化学习的超启发算法求解有容量车辆路径问题

为了更高效地求解物流优化领域中的有容量车辆路径问题,减少陷入局部最优的情况,提出一种基于强化学习的超启发算法。设计了算法的高层启发式策略,包括选择策略和解的接受准则:基于学习机制,使用强化学习中的深度Q神经网络算法构造该算法的选择策略,对底层算子的性能进行奖惩评价;利用奖惩值以及模拟退火作为算法的接受准则,对优质解建立序列池,从而引导算法更有效地搜索解空间,并采用聚类思想提升初始解的质量。对有容量车辆问题的标准算例进行计算,并与其他算法对比,统计分析了最优值、误差率和平均值,实验结果表明了所提算法在该问题求解上的有效性和稳定性,总体求解效果优于对比算法。     

求解物流配送同时取送货低碳选址—路径问题的量子超启发式算法

为降低物流配送过程中车辆排放量,建立以碳排放为目标的同时取送货低碳选址—路径问题模型,并利用量子超启发式算法对模型进行求解。量子超启发算法以量子进化策略作为超启发式算法的高层学习策略,并结合滑动窗口机制实现底层算子的准确搜索,以提高算法框架性能。此外,为了减少计算负担,构造了能够保证可行性解的编码方式和底层算子,并不需要任何解的修复技术,在此基础上提出一种快速简单易行的适应度评价方法。通过不同规模的实例的仿真实验和对比分析,表明所提算法能够在合理的时间内获得优质解,并验证了该算法的有效性和鲁棒性。     

分数阶Fourier变换在水声信号处理中的应用研究

线性调频（LFM）信号瞬时频率随时间呈线性变化,当干扰噪声与其强耦合时,经典的滤波方法难以有效的滤除噪声。针对水声通信中采用LFM信号作为载体时滤波效果不明显的问题,提出了一种改进的分数阶Fourier变换（FRFT）滤波方法。水听器接收到的LFM信号在最佳变换域经FRFT变换后,同时对期望信号进行FRFT变换,系数修正后再对信号进行窄带滤波处理。仿真结果表明,在信噪比高于-12dB时,新算法能够有效的实现信噪分离,还原出信号。     

基于机器视觉的锯条自动化装盒系统设计

以VS2010为软件平台,以Staubli TP80机器人,康耐视摄像机和传送带为硬件基础,对锯条进行识别,定位和动态抓取,搭建了一个基于机器视觉的工业机器人智能抓取系统,其中Staubli-TP80机器人为操作手臂,利用康耐视摄像机和工控机搭建视觉检测平台,通过抓取系统的参数化建模实现图像坐标到机器人坐标的转换,利用OpenCV函数库实现锯条的图像处理和模式匹配,最后控制机器人对动态目标进行抓取。