一种多班级离散型教与学算法求解路径规划问题

为优化仓储拣货路径,缩短拣货距离,根据仓储布局条件建立了拣货路径优化模型,构造了货位间距离矩阵,基于基本教与学算法步骤设计了一种离散型教与学算法进行模型求解,为提高算法求解效率和搜索能力,在算法中引入优秀插班生策略和自学策略,给出一种多班级离散型教与学算法。为验证本文算法的有效性,对算法进行了实例测试,并与原算法进行对比,测试结果表明本文算法能够解决仓储路径规划问题,对比结果表明引入优秀插班生策略和自学策略后算法的收敛速度和搜索能力得到一定提升。     

自适应多切割聚合算法在两阶段随机凸规划中的应用

将Svyatoslav Trukhanov,Lewis Ntaimo和Andrew Schaefer的自适应多切割算法推广到了带补偿的两阶段随机凸规划问题上.算法的实现简单、计算量小,并具备一定的收敛性.     

基于模拟退火算法的AVS/RS多批货箱入库货位优化

针对某计量检定中心对大量待检仪表的仓储需求,提出了基于模拟退火算法的自动小车存取系统(Autonomous Vehicle Storage and Retrieval Systems,AVS/RS)多批货箱入库货位优化分配方法.提出货位预分区策略,在提高货箱出入库节奏的同时使仓库整体货位安排也较为合理;根据货箱质量与周转率将货箱分类,分类数目与仓库货区分类数目相同,并采用模拟退火算法求解各类货箱与货区的对应关系;以出入库总能耗及存取效率为优化目标建立货位分配模型,采用模拟退火算法求解该模型得到最佳货位组合,并通过实例对比分析了采用不同方法对多批货箱入库能耗和效率的影响.     

基于双指令的倍深式货位优化

随着可利用土地资源的日益稀缺,仓储企业为降低成本,提高存储密度,对紧致化仓储要求愈加迫切。提高存储密度的一个重要途径是尽量减少巷道,与单倍货架相比,倍深式货架节约了巷道空间,从而实现了紧致化仓储。在考虑堆垛机的运行时间和堆垛机在货位的停留时间的基础上,建立堆垛机执行交叉存取指令的倍深式货位优化模型。为减少翻箱操作次数,根据倍深式货架特征提出CloseOpen算法和指派算法对模型进行求解。仿真实验显示:批量存储的效率比单一存储的效率高;当存储密度为80%时,与随机存储算法对比,CloseOpen算法提高了27.76%,指派算法提高了30.12%。     

基于混合遗传算法的分布式车间作业调度问题

分布式车间作业计划与调度是一个典型的组合优化问题,而组合优化问题是遗传算法求解的领域.本文描述了分布式车间作业调度问题及其调度方法,结合分布式车间生产模式的实际情况,将模拟退火算法引入自适应遗传算法,提出了混合遗传算法(GASA);详细地阐述了分布式车间作业计划与调度问题的解决策略和操作过程,并以甘特图的方式给出了计算结果.与其它方法比较,混合遗传算法是解决分布式车间作业计划与调度问题的更为优良的方法.     

基于邻域信息约束与自适应窗口的立体匹配算法

针对传统的Census立体匹配算法对噪声敏感,在视差不连续区域容易出现误匹配的问题,提出了一种基于邻域信息约束与自适应窗口的立体匹配算法.首先,针对传统Census算法对中心像素依赖高的问题,采用邻域十字窗口的加权平均和的方式对中心像素进行赋值.然后,通过设置自适应阈值,将支持窗口的邻域像素与中心像素进行相似性的二次代价计算并与初始代价进行融合,对匹配结果进行进一步约束.在代价聚合阶段,采用颜色阈值不断变化的三约束法进行窗口的构建,并在聚合过程中引入噪声剔除策略.最后,在视差精化阶段采用左右一致性检测与区域投票相结合的方法对视差图进一步优化.使用Middlebury测试平台的标准立体图像进行实验,结果表明:该方法能够有效降低图像对高斯噪声的敏感性,并在误匹配率上低于多种立体匹配算法.     

用混合遗传算法求解武器目标分配问题

为了提高武器目标分配问题的求解效率,提出了一种求解武器目标分配问题的混合遗传算法.针对遗传算法局部搜索能力的不足,引入局部搜索能力很强的爬山算法与之结合,构造了武器目标分配问题的混合遗传算法.计算结果表明,混合遗传算法与传统优化算法相比,收敛速度更快,分配结果更优,具有很好的应用价值.     

增强蚁群算法的机器人最优路径规划

为解决复杂环境中机器人最优路径规划问题,本文结合增强学习和人工势场法的原理,提出一种基于增强势场优化的机器人路径规划方法,引入增强学习思想对人工势场法进行自适应路径规划.再把该规划结果作为先验知识,对蚁群算法进行初始化,提高了蚁群算法的优化效率,同时克服了传统人工势场法的局部极小问题.仿真实验结果表明,该方法在复杂环境中,对机器人的路径规划效果令人满意.     

基于动态规划算法的机器人避障路径研究

为了使复杂的移动机器人路径规划问题得到简化。并减少可行路径的计算量．对避障路径规划问题进行了比较深入的研究．在以可视图法所建的求解环境为基础上,将避障路径规划转化为多阶段决策问题,对每一个阶段的子问题应用改进可视图法和几何逼近算法进行求解,得出各阶段的最短路径．验证表明：该算法是一种正确、高效,实用的算法．     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.