混合交叉熵算法求解模糊分布式装配流水线低碳调度问题

本文针对实际生产过程中普遍存在的不确定性,采用模糊数表示工件的加工时间与产品的装配时间,以同时最小化模糊最大完工时间和模糊总能耗为优化目标,建立模糊分布式装配流水线低碳调度问题(FDAPFLSP)的模型,进而提出一种混合交叉熵算法(HCEA)进行求解.首先,通过分析现有三角模糊数排序准则特点,并考虑生产调度问题的基本约束,设计一种实用的三角模糊数排序修正准则.其次,为增强算法性能,设计一种自适应变邻域局部搜索以实现对解空间不同区域的有效搜索.最后,仿真实验与算法对比验证HCEA可有效求解FDAPFLSP.     

超启发式交叉熵算法求解分布式装配柔性作业车间调度问题

本文针对一类新型两阶段分布式装配柔性作业车间调度问题(DAFJSP),建立问题模型,以最小化最大完工时间为优化目标并提出一种超启发式交叉熵算法(HHCEA)进行求解.首先,设计基于工序序列、工厂分配和产品序列的三维向量编码规则和结合贪婪策略的解码规则,同时提出4种启发式方法以提高初始解的质量.然后,设计高低分层结构的HHCEA,高层为提高对搜索方向的引导性,采用交叉熵算法(CEA)学习和积累优质排列的信息,其中各排列由结合问题特点设计的11种启发式操作(即11种有效的邻域操作)构成;低层为增加在解空间中的搜索深度,将高层确定的每个排列中的启发式操作依次重复执行指定次数并在执行过程中加入基于模拟退火的扰动机制,以此作为一种新的启发式方法执行搜索.最后,通过仿真实验与算法对比验证HHCEA可有效求解DAFJSP.     

基于机器视觉的机械产品在线装配质量控制系统

针对传统机械产品在线装配控制系统的自动化程度差,信息集成程度低等问题,提出了基于机器视觉的机械产品在线装配质量控制系统（Online Quality Control System Base On Machine Vision,V-OQCS）.首先建立V-OQCS整体概念模型并说明,然后介绍了机器视觉组成结构并建立了在线装配质量控制系统的视觉因子库,最后以某汽车变速箱装配系统为研究对象,开发V-OQCS应用实例,验证本文所述方法的可行性和有效性.     

多装配特征影响下的装配质量特性预测方法

针对现有产品装配过程中一次装配成功率难以保证的问题,以灰熵关联分析与粒子群—BP神经网络为建模工具,采用灰熵关联分析对装配特征进行筛选,找出影响产品装配质量的关键装配特征,缩减预测模型的规模,应用粒子群—BP神经网络实现产品装配质量的预测.以某型外圆磨床的砂轮架装配为例,验证了该方法的有效性.     

GO-FLOW法在产品装配过程可靠性分析中的应用*

借鉴可靠性工程理论,运用GO-FLOW法分析产品装配过程的可靠性。通过分析装配过程各工步之间的关系,建立起产品装配过程可靠性控制的一般框架模型。以齿轮油泵装配过程为例,建立起齿轮油泵装配过程的GO-FLOW图,并分析其信号流、操作符和运算规则;通过GO-FLOW运算,求出各信号流的故障率和可靠度,找到影响产品装配过程可靠性的关键环节。结果表明,GO-FLOW法在产品装配过程可靠性分析中的应用是方便有效的。     

求解互补问题的极大熵差分进化算法*

针对传统算法无法获得互补问题多个最优解的困难, 提出了求解互补问题的差分进化算法。首先利用NCP函数, 将互补问题转换为一个非光滑方程组问题, 然后用凝聚函数对其进行光滑化, 进而把互补问题的求解转换为无约束优化问题, 利用差分进化算法对其进行求解。该算法对目标函数的解析性质没有要求且容易实现, 数值结果表明了该方法在求解互补问题中的有效性。     

K-匿名熵分类算法研究及分析*

提出了一种新的K-匿名模型对隐私信息进行保护,将熵分类的方法应用于K-匿名模型上,实验表明该模型的有效性,利用该模型对数据进行K-匿名处理后,确保共享数据具有很高的精确度,尽可能接近原始数据,同时有效地防止隐私信息的泄露。     

改进频点权重系数的频域盲源分离排序算法

为解决卷积混合频域盲源分离排序不确定问题,研究了分离矩阵行列式变化和频点距离对基于相邻频点幅度相关性排序算法的影响,提出了改进的盲源分离排序算法.改进算法用权重系数来衡量频点对排序的影响,并将分离矩阵作为下一频点分离矩阵的迭代初值,给出了权重系数设定函数.最后对瞬时混合信号、卷积混合信号、实际房间采集信号分别进行盲源分离实验.实验结果表明,与Murata算法相比,改进算法分离信号信噪比提高、分离速度加快、算法鲁棒性强.     

基于粗糙熵权的模糊多准则决策方法及应用

提出度量粗糙集不确定性的粗糙熵概念,并基于粗糙熵对属性的重要度给出了定义,从而提供一种求解模糊多准则决策模型中准则权重的方法．根据备选方案的模糊评价系统,给出相关的知识表达系统,并建立删除冗余属性后的备选方案综合评价优选矩阵,通过比较各备选方案与理想方案的近似度求出最优方案．最后,通过实例计算证明了上述模型及方法的有效性．     

叠加暂态电能质量扰动的分形熵分析

暂态电能质量会给敏感用户带来重大损失,因此,在最普遍情况下识别叠加的暂态电能质量扰动非常重要。从图形模式识别的角度出发,基于分形理论对数据进行分段,并构建含扰动波形的能量熵,在此基础上通过最大熵方法辨识特征最为显著的扰动。随后在波形中去掉该扰动,在剩下的波形中辨识新的暂态扰动,由此可逐个辨识叠加波形中所有的暂态电能质量扰动。仿真实验表明,该算法具有较好的适应性及稳健性,可以在噪声环境中识别叠加的小幅度暂态电能质量扰动,识别率也较高。     

基于加权香农熵的图像阈值法

熵阈值法是图像分割的一种重要方法,在图像处理与识别中广为应用。针对最大熵阈值法是基于图像灰度分布的均匀性假设,导致它对有些图像分割无效的问题,首先提出了加权信息熵的图像分割新方法,其次对加权信息熵的灰度级权因子选取方式进行了探讨,最后给出了基于类内熵和类间熵相结合的图像分割效果评价新方法。实验结果表明,提出的方法是可行的。     

融合知识图谱与熵权评价的电力设备缺陷文本检索方法

随着电力设备数量的不断增长,如何有效管理和处理其缺陷记录成为了一个重要问题。传统的人工处理方法效率低下,且难以应对文本挖掘的挑战。为解决这一问题,本文提出了一种结合知识图谱技术和熵权评价策略的电力设备缺陷文本精准检索方法。该方法首先根据缺陷规范标准构建了电力设备缺陷的知识图谱,并建立了标准缺陷路径库。在分词和关键词提取过程中,考虑到电力行业的专业特性,采用了预学习处理和大规模知识图谱数据的应用,有效解决了共指消解问题。最后,基于电力设备缺陷知识图谱,运用熵权评价方法完成了标准路径的检索和相似度的排序。通过算例分析,验证了该方法能够精准检索缺陷文本,定位标准缺陷路径库,并为规范标准的本地化提供了重要参考。这一研究对于提升电力设备运维管理的质量和效率,保证电网的安全稳定和可靠供电具有重要意义。     

色彩熵在图像质量评价中的应用

目的 由于色彩空间包含了图像的大量信息,而且Lab色彩空间更接近于人眼视觉,因此提出一种改进的无参考图像质量评价算法IQALE(image quality assessment using Lab color space and entropy),通过在SSEQ(spatial-spectral entropy-based quality)算法中加入Lab色彩空间a通道和b通道的特征来提高算法精度。方法 信息熵是近几年研究较多的图像特征,并且能较好地运用在图像质量评价研究中。该文在色彩空间和灰度空间同时提取信息熵特征,通过支持向量机(SVM)对图像特征和MOS值进行训练和测试。结果 在LIVE、TID2008、MICT、CSIQ和IVC这5个常用数据库上的实验结果表明:在算法中加入Lab色彩空间信息可以提高算法精度,并且本文算法IQALE的效果优于目前流行的无参考图像质量评价算法。为了验证算法的可扩展性,该文还在这5个数据库上进行了数据库独立性实验。结论 从实验结果来看,本文提出的IQALE算法通过加入色彩熵特征使得算法具有较高且较稳定的精度,数据库独立性实验也体现了算法较好的鲁棒性,对于各种失真类型都具有较好的普适性。     

基于相对熵和二元熵的多粒度直觉语言TODIM决策方法

针对评估信息为多粒度直觉语言集的决策问题,提出一种基于相对熵和二元熵的TODIM方法。该方法首先定义了直觉语言数的相对熵和二元熵,以度量决策信息的差异和不确定性;其次,构建了基于相对熵和二元熵的专家赋权模型,并建立了主观权重完全已知、部分已知和完全未知场景下的属性赋权模型;最后,为集结多粒度群体决策信息,提出了多粒度直觉语言加权算术平均(MIL-WAA)算子。算例分析表明,该方法能够较好地度量决策信息的不确定性和差异性,并考虑了决策者的有限理性行为,具有一定的合理性和有效性。     

基于修正熵权算法的信息披露质量评价

基于信息披露质量与信息披露违规的对偶关系,从违规行为直接评价与违规影响间接评价两个方面,构建了三级层次的信息披露质量评价指标体系,并利用建立在一般熵权算法基础上的修正熵权算法,评价了深交所1 385家上市公司的信息披露质量。实证计算、t检验及Wilcoxon检验的结果表明,修正熵权算法既保证评价结果无显著性差异,也比一般熵权算法更具适用性和有效性。     

Partitioning for selective assembly

Selective assembly is a means by which high-precision assemblies may be fabricated from relatively low precision components. This is accomplished by partitioning the component populations into groups prior to random assembly. This paper details an enhanced BASIC program that will generate group partitions given component distributions and the desired number of groups.     

基于信息熵的流线质量评估和布局算法

基于流线的矢量场可视化是科学可视化的重要分支,在许多领域都有重要应用。但是现有的可视化方法很难有效评估流线对矢量场信息的反映程度。为了解决这一问题,提出了一种基于信息熵的矢量场种子点评估和布局算法。首先,基于信息熵进行初始布点捕捉矢量场中的主要特征,并利用模板将这些特征加强显示。然后,基于生成的流线恢复中间矢量场,通过恢复的矢量场和输入矢量场的条件熵值量化评估现有流线对矢量场的信息反映程度。根据条件熵和重要性添加新种子点。重新评估流线质量,反复迭代直到条件熵收敛。实验表明,该方法可以用较少的流线反映出矢量场中较多的信息。     

The relationship between physical workload and quality within line-based assembly

Reducing costs and improvement of product quality are considered important to ensure productivity within a company. Quality deviations during production processes and ergonomics have previously shown to be associated. This study explored the relationship between physical workload and real (found during production processes) and potential (need of extra time and assistance to complete tasks) quality deviations in a line-based assembly plant. The physical workload on and the work rotation between 52 workstations were assessed. As the outcome, real and potential quality deviations were studied during 10 weeks. Results show that workstations with higher physical workload had significantly more real deviations compared to lower workload stations. Static work posture had significantly more potential deviations. Rotation between high and low workload was related to fewer quality deviations compared to rotation between only high workload stations. In conclusion, physical ergonomics seems to be related to real and potential quality deviation within line-based assembly.

Practitioner Summary: To ensure good productivity in manufacturing industries, it is important to reduce costs and improve product quality. This study shows that high physical workload is associated with quality deviations and need of extra time and assistance to complete tasks within line-based assembly, which can be financially expensive for a company.