基于重要度的矩形工件优化填充排样算法

大规模矩形件优化排样是一个典型的组合优化问题,属于NP2hard问题。矩形件优化排样已广泛应用于板材切割、瓷砖铺设、服装裁剪等行业。在实际排样工作中发现,决策者对工件的选择不仅要考虑大小、工件费用、铺设利用率等诸多因素,往往还需要考虑颜色、花式、铺设方式等因素。基于这种状况,引入排样属性重要度的概念,提出了基于重要度的矩形工件优化填充排样算法,使用计算机辅助排样。通过实例排样表明了该算法的有效性和实用性。     

基于重要度的矩形工件优化填充排样算法

大规模矩形件优化排样是一个典型的组合优化问题,属于NP2hard问题。矩形件优化排样已广泛应用于板材切割、瓷砖铺设、服装裁剪等行业。在实际排样工作中发现,决策者对工件的选择不仅要考虑大小、工件费用、铺设利用率等诸多因素,往往还需要考虑颜色、花式、铺设方式等因素。基于这种状况,引入排样属性重要度的概念,提出了基于重要度的矩形工件优化填充排样算法,使用计算机辅助排样。通过实例排样表明了该算法的有效性和实用性。     

基于改进粒子群算法的多机器多任务3D打印智能调度方法

针对批量3D打印成本高,多机器多任务的3D打印批次调度复杂的问题,建立以最小单位体积平均成本为目标的优化模型,并提出一种基于改进粒子群算法的智能调度方法求解该模型;首先,分析打印工场、生产流程,构建3D打印单位体积平均成本模型;之后基于改进粒子群算法,以单位体积平均成本为适应度,以调度序列为粒子的位置信息,采用十进制顺序二维编码方式表示问题的解,并在更新策略上应用线性递减权值的动态惯性因子来调整全局与局部的搜索能力;算法迭代后,得到目标函数最优值及对应解集;经实验算例结果表明,该方法较单独打印加工的单位体积平均成本降低了0.101 3GBP/cm3,有效地降低工厂生产的总成本,提高了3D打印机的利用效率。     

改进Q学习的薄壁结构3D打印路径规划

3D打印是一项先进的制造技术,通过优化其中路径规划方案可以提高效率或成型质量。由于用于3D打印路径规划的传统方法在打印复杂薄壁结构时效果不佳,该文结合强化学习的智能性,提出了一种适用于复杂薄壁结构的路径规划方法。基于3D打印中的路径规划是填充任务,将强化学习中的路径规划任务转换为全遍历问题。为提高打印效率和成型质量,以最小化打印总成本为优化目标,根据优化目标设计强化学习中的约束条件,即最小化打印头的启停和转弯次数。建立单层切片的仿真环境,采用带有上述约束条件的Q-learning算法,通过计算总成本的值来引导学习,寻找最优路径方案。实验结果表明,该方法在打印复杂薄壁结构上的表现优于用于3D打印路径规划的传统方法。     

基于精确罚函数的神经网络优化方法求解TSP问题

利用精确罚函数方法结合神经网络来求解最优化问题,重点求解的是组合优化问题的TSP经典问题,重点讲述的是Hopfield神经网络基于精确罚函数求解组合优化问题TSP,在用Hopfield神经网络求解TSP问题时,人工神经网络的初始态对应着无约束优化问题的初始解,人工神经网络系统的稳态对应着无约束问题的优化解。在求解TSP问题中是利用能量函数来构造的。当人工神经网络系统达到稳定状态时的一个极小点也就是TSP问题的最优解。     

基于神经网络的图象序列特征点匹配

利用神经网络优化技术解决图象序列的特征点匹配问题，将特征点匹配归结为一个带约束的优化问题，并用2D Hopfield网络实现，在Hopfield网络的能量函数的设计中，综合考虑了特征点的预测结果、特征点的遮挡等情况，从而克服了现有的多数方法所存在的误匹配现象，对于特征点的跟踪，头3帧图象的正确匹配是十分关键的。本文提出了一种3D Hopfield网络用以解决头3帧图象的特征点匹配，并提出了一个运动平滑性的代价函数用以构造3D Hopfield网络的能量函数，实际图象序列的实验结果证明了本方法的有效性。     

一种改进的Hopfield网络学习算法

对人工神经网络ANN(Hopfield网络进行了分析,提出了Hopfield网络的稳定性问题,完善了Hopfield网络的学习算法。     

基于宽容分层策略的启发式排样算法

针对2D Packing排样方法中存在的择优匹配思想与排样优劣评估的平衡性问题,基于多目标优化的宽容分层策略提出一种新颖有效的择优匹配启发式排样算法。首先,定义排样空间和匹配值,计算入排零件与排样空间的宽、高匹配值,然后建立统一的多目标优化函数模型,并根据目标函数值的大小来确定排放优先规则。特别针对一般可排入匹配情况,可在目标函数模型中通过设置和调整宽容值,最后实现多种排样布局的最优化。对benchmark问题的7类数据实例的计算结果表明,该算法相对于底部左齐择优匹配（LLABF）和水平线择优匹配（LSBF）算法,Gap的平均值可降低了2%;在C1P1+C3P1以及C2~C7随机构成的两组混合数据测试中（矩形数量为33和66）,排样高度达到24和339。该算法也可用于多类型异形零件的排样过程。     

图像的线型逼近3D打印

针对给定的图像3D打印问题,提出一种基于线型图逼近的打印路径生成算法,并对打印路径进行几何与拓扑优化,使得生成的路径可以满足3D打印的条件.首先对给定图像进行初始化,即通过对图片进行分块采样.点的连通与边界提取来得到保持原图片色调变化与轮廓特征的初始的线型图;然后通过几何优化修正组成线型图点的位置,使得它们的连线平滑且尖锐的拐点减少;再通过拓扑优化改变局部区域中的点的连接关系,消除因几何优化带来的连线自交问题,同时将边界与内部线连接起来;最后将点的连接顺序作为3D打印的路径,通过3D打印机进行制造.实验结果表明,该方法能够有效且高效地给图像生成线型图并用于3D打印.     

基于遗传算法的一体式3D打印自动化控制技术

针对传统3D打印机存在打印自动化控制效果不佳，导致打印时间和打印成本增加的问题，提出基于改进遗传算法的一体式3D打印自动化控制技术。首先构建基于3D打印任务多目标优化调度模型，并确定优化调度的约束条件和目标函数；然后基于传统遗传算法的3D打印任务多目标优化调度问题，基于遗传算法的子代选择，引入浓度平衡机制和抑制条件，将三轮迭代缩减至一轮，得到基于改进遗传算法的3D打印任务多目标优化调度方法。仿真结果表明，改进后的遗传算法在47次、88次、86次和95次时即可实现收敛，收敛速度明显优于粒子群优化算法和传统遗传算法，寻优求解效率更高。实际应用发现，3D打印机的总打印时间由16.8小时降低至9小时，打印成本由2 759.3元下降至1 762.4元。由此说明，改进的遗传算法可减少3D打印机的打印时间和打印成本、提高打印效率，可实现3D打印自动化控制。     

布局优化子问题的改进遗传神经网络算法

带性能约束的航天舱布局问题可分解为有限多个子问题,每个子问题克服了关于优化变量的时断时续性。本文针对子问题(关于同构布局等价类),首先构造了用于产生与已知布局方案同构的布局方案的优化算法,然后在给出组合变异策略的基础上,设计了连续空间上基于实数编码的改进遗传神经网络算法。将该算法应用于二维布局优化子问题,数值实验表明该遗传神经网络进行布局逼近是有效的。这种方法是对布局问题求解的有效探索。     

基于径向基函数神经网络的柔印专色配色系统

针对目前人工配色受配色者的生理、心理等主观因素影响,使产品质量难以保证这一问题,提出了基于径向基函数（RBF）神经网络的计算机柔印配色方法。该方法通过印刷实验获得样本数据,利用K均值聚类算法确定隐含层节点中心、采用伪逆法计算输出权值等参数,完成配色模型的建立。该配色模型可以快速完成柔印配色,并且具有较高的配色精度。     

异型冲压工件边缘检测算法研究

为了不断提高产品质量和生产效率,冲压工件缺陷自动在线检测技术在生产过程中显得日益重要。针对这一需求,提出了基于小波分解的神经网络和快速模糊算法相融合的异型冲压工件边缘检测算法。神经网络算法的引入,克服了快速模糊算法在图像边缘检测时高频信号得不到有效利用和检测速度较慢等问题。在提高算法效率的同时,增强了算法的适应性。与经典的边缘检测算法相比较,得到的处理图像更加清晰完整。     

基于多级神经元的神经网络及其在分类中的应用

为了提高前向神经网络的分类能力,该文将多级神经元扩展使用到多层感知器的输出层和隐含层中,并提出了量子神经网络的学习算法。通过一个实际的分类问题实验验证了该方法的有效性。实验表明,无论输出层或隐含采用多级神经元,都可以带来分类能力的提高。而当输出层采用多级神经元时,还可以导致连接的减少和训练速度的加快。     

基于PID和深度卷积神经网络的辐射源识别方法

利用神经网络进行辐射源个体识别时,训练样本的单一性会导致深度网络出现过拟合的现象,继而影响辐射源个体识别的精确性。针对该问题,本文提出一种基于PID算法的深度卷积网络结构,该结构通过在传统卷积神经网络的输出层与输入层间构建一条反馈回路,采用PID算法将网络输出错误率转化为划分训练集数据构成的概率,通过优化训练集数据构成,达到抑制过拟合的目的。将该方法应用于超短波电台识别,平均识别率达到92.59%,识别率方差约为传统算法的1/3,训练用时减少约35 min,上述指标均优于传统神经网络。实验结果表明,该算法增强了深度网络的鲁棒性,有效地抑制了过拟合现象。     

An Interactive Designing System with Virtual Sculpting and Virtual Woodcut Printing

In this paper, we propose an interactive designing method and a system based on it to create 3D objects and 2D images. This system consists of two subsystems for virtual sculpting to create a 3D shape and virtual printing to produce a picture with a printing block. In the virtual sculpting subsystem, a user can form solid objects with curved surfaces as if sculpting them. The user operates virtual chisels, and can remove or attach arbitrary shapes of ellipsoids or cubes from or to the workpiece. A 3D object generated by virtual sculpting looks like a real wooden sculpture. If using a board as a workpiece, a user can generate a virtual printing block. In the virtual printing subsystem, a user can synthesize a woodcut printing image from the virtual printing block mentioned above, a virtual paper sheet, and a printing brush. The user can synthesize a realistic woodcut print with a procedure similar to the actual woodcut printing.     

Hopfield神经网络在机组组合问题中的应用

提出利用多层Hopfield神经网络求解机组组合优化问题。通过构造合适的能量函数使得单层Hopfield神经网络可以解决某一时刻的机组出力问题,与之相对应的多层神经网络可以解决任意时间段的机组出力问题。多层Hopfield神经网络的层数由所需求解问题的时间段确定。给出单层及多层神经网络的能量函数及求解算法,能量函数考虑到机组升降功率和出力上下限的约束。通过对已有文献的算例进行计算比对,所得结果和遗传算法基本一致,但Hopfield神经网络通过解微分方程组来确定最优解,计算时间相对较少。     

一种基于灰色神经网络的网络流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。灰色模型和神经网络在反映数据的趋势性变化上效果明显,随着灰色神经网络的发展及其广泛应用,越来越多的方法已经被提出。文中利用神经网络补偿器获得误差补偿信号,则最终的预测值为灰色神经网络模型的预测值加上误差补偿。仿真结果验证了所提方法的有效性。     

Pose Estimation for 3D Workpiece Grasping in Industrial Environment Based on Evolutionary Algorithm

In industrial fields, precise pose of a 3D workpiece can guide operations like grasping and assembly tasks, thus precise estimation of pose of a 3D workpiece has received intensive attention over the last decades. When utilizing vision system as the source of pose estimation, it is difficult to get the pose of a 3D workpiece from the 2D image data provided by the vision system. Conventional methods face the complexity of model construction and time consumption on geometric matching. To overcome these difficulties, this paper proposes a search-based method to determine appropriate model and pose of a 3D workpiece that match the 2D image data. Concretely, we formulate the above problem as an optimization problem aiming at finding appropriate model parameters and pose parameters which minimizes the error between the notional 2D image (given by the model/pose parameters being optimized) and the real 2D image (provided by the vision system). Due to the coupling of model and pose parameters and discontinuity of the objective function, the above optimization problem cannot be tackled by conventional optimization techniques. Hence, we employ an evolutionary algorithm to cope with the optimization problem, where the evolutionary algorithm utilizes our problem-specific knowledge and adopts a hierarchical coarse-to-fine style to meet the requirement of online estimation. Experimental results demonstrate that our method is effective and efficient.     

基于PSO算法的动态模块化神经网络结构设计

针对模块化神经网络结构设计过程中子网络输出不能最优集成的问题,提出一种基于粒子群算法的动态模块化神经网络.首先,该网络采用数据密度辨识样本分布空间,并更新数据中心;然后,根据输入数据激活相应的子网络,利用PSO算法寻找子网络的最优网络贡献度,并依据贡献度计算子网络的输出权值;最后优化模块化神经网络的集成输出.通过对非线性函数和时变系统的逼近实验,验证了集成网络中子网络数目可以根据任务动态调整,网络输出的集成权值能够通过PSO算法寻找到最优值,并且训练精度和自适应能力较其他算法均有一定的提高.