课程文献中心 更多>>

关键词： 柔性作业车间   多目标优化   NSGA-III   绿色调度  

摘要： 为解决多目标柔性作业车间调度问题在实际生产中求解效率低的难题，文章提出了一种改进的NSGA-III算法，旨在同时实现最小化最大完工时间、最小化瓶颈机器负荷及最小化设备总能耗的目标。首先，采用MSOS混合编码方法，以获取更优质的初始解集；其次，针对精英个体数量不足可能导致算法收敛停滞的问题，引入了一种改进的种群补充策略，即在精英个体数量不足时，从剩余个体中随机选取全体进行补充；最后，通过采用改进的交叉操作，进一步提升解的质量和算法的收敛速度。通过对Brandimarte数据集进行验证对比，结果表明，改进后的NSGA-III算法在求解质量和效率方面均表现出优异的性能。

关键词： 力学计量   货场集装箱   空重混装   偏载偏重   安全检测设备   智能场站  

摘要： 为解决铁路货场集装箱装火车时空重匹配实时性差和整车计量困难的问题，将称重传感器信息和空间位置信息相结合，通过称重传感器信号上升沿、下降沿判断集装箱装车时刻及落点位置信息，当北斗高精度定位信号丢失时，则采用惯性算法弥补丢失的落点信息。最终通过综合落点经纬度及惯性速度验证当2个集装箱的落点距离为6 000 mm左右时装载在同1个辆货车上。将这2个集装箱的8个受力点进行力矩平衡计算，可将2个集装箱的偏载偏重状态转换为整车计量状态。通过与铁路货运安全平台中的数据进行对比，总重误差平均值为0.4%，横向偏重误差平均值为0.3 t，纵向偏移误差平均值为3.46 mm。

关键词： 目标检测   联合优化   YOLOv8   复杂天气   图像去噪  

摘要： 针对自动驾驶车辆视觉感知系统在雾天、雨天等复杂天气下因环境噪声导致目标检测效果不佳的问题，提出基于自适应图像去噪与多重关注的联合优化目标检测算法DMC-YOLO（Denoising and Multiple Concern-based YOLOv8）。构建一个图像去噪网络，融合暗通道先验算法和ACE图像增强技术模块，提升复杂天气下的图像质量；进一步地，将该网络与YOLOv8主干网络相连，并在YOLOv8网络中运用SCDonw卷积代替标准卷积，集成点卷积与深度卷积，降低网络计算成本，同时获得更丰富的下采样信息；采用SEAM注意力模块，整合网络局部信息和全局信息；引入SA检测头，广泛关注上下文特征以保留更多细节信息；在损失函数中引入线性区间映射重构IoU，以提升网络对于不同复杂环境的适应性。实验结果表明，相较于基线模型，改进算法在参数量降低15%的情况下，平均精度提升2.9个百分点，有效增强了自动驾驶车辆在复杂环境下对目标的识别能力。

关键词： 疵棉异纤   YOLOv8   注意力机制   轻量化   目标检测  

摘要： 为解决疵棉小目标异纤检测难度高、检测实时性差等问题,本文提出一种基于轻量化YOLOv8的疵棉异纤检测算法(YOLOv8-MMW)。首先,引入MobileNetV3轻量级网络替换原骨干网络,以降低参数数量和计算复杂度,提高网络算法检测的实时性;其次,在骨干网络中加入多维协作注意力机制(MCA),增强多维特征交互能力,使模型关注疵棉小目标异纤;最后,引入动态非单调聚焦机制WIoUv3,以提高模型收敛速度和精度,提升对小目标异纤的定位能力。结果表明,改进后的YOLOv8-MMW模型精确度和平均精度均值分别为95.5%和95.8%,与原始基线模型YOLOv8相比,精确度和平均精度均值分别提升了0.9%和0.1%,模型权重减少了56.7%,帧率达到367.8帧/s。改进后的模型可以更快速、准确地识别出疵棉小目标异纤,为疵棉智能化分拣提供技术支撑。

关键词： 感知算法控制   时间困境   角色宽度   主动服务行为   职业未来时间观  

摘要： 零工工作者在算法控制下可能被迫做出更多的短期抉择,是其在看似自由的工作面前更为实际的当下生存抉择。然而,过往研究却未能将其明确纳入研究框架。本研究基于生命史理论,创新性提出算法控制下的时间困境本质,并进一步探讨了“在时间困境中,算法控制是如何迫使零工工作者做出短期抉择以及该如何破局”的问题。具体而言,通过两阶段时间滞后田野调查和实验室实验,考察了算法控制影响零工工作者主动服务行为的作用机制及主观时间边界。研究发现：作为解开时间困境的钥匙,职业未来时间观缓解了零工工作者感知算法控制与角色宽度之间的负向关系,及其通过角色宽度对主动服务行为的负向间接影响,而不同零工行业类型影响了职业未来时间观的发挥。结论有助于推动对算法控制下的时间困境的思考,并为零工工作者如何跳脱困境提供启示。

关键词： 分布式博弈   差分隐私   聚合博弈   寻找纳什均衡   隐私保护   Frank-Wolfe方法  

摘要： 考虑聚合博弈的隐私保护分布式纳什均衡寻求算法设计.特别地,考虑该博弈不存在中心节点,在这种情况下,每个玩家无法直接获得用于策略更新所需的聚合策略信息,采用动态跟踪一致性协议对其进行估计,其中玩家用于估计聚合策略的状态量被认为是需要保护的敏感信息.为了保护玩家的隐私,利用相互独立的高斯噪声对玩家的梯度信息进行干扰.通过将Frank-Wolfe方法与动态跟踪一致性协议相结合,设计时变通信拓扑下带约束聚合博弈的分布式纳什均衡寻求算法.进而,分析算法实现(?, δ)-差分隐私的方差界.此外,通过对聚合项估计误差的收敛性分析得到算法收敛的充分条件,给出算法的收敛性证明.最后,通过数值仿真验证了所提出算法的有效性和收敛速度更快的优越性.

关键词： 目标检测   军用飞机   YOLOv8   倒置瓶颈   注意力模块   特征金字塔  

摘要： 针对现有的轻量级目标检测算法在应用于遥感图像军用飞机目标检测任务所面临的模型参数大、检测速度慢的情况，提出一种基于YOLOv8n的轻量级遥感图像军用飞机目标检测算法：LeYOLO-MARs。采用了优化后的倒置瓶颈模块替换原始主干网络中的经典瓶颈模块，更换高效的骨干网络特征提取模式，在保持特征提取能力的同时，有效降低了计算需求并提升了计算速度；颈部网络中引入了快速金字塔架构网络，减少了卷积层数并提高了语义信息共享的效率，减少了锁定和等待时间，同时考虑了有限的并行化机会和架构的复杂性；使用轻量级解耦网络头，通过逐点卷积简化检测头结构；使用Inner-SIoU作为新的定位回归损失函数，提升对小目标样本的学习能力并加快回归边界框的收敛；加入了轻量级金字塔压缩注意力机制模块，有效整合局部注意力和全局注意力，以建立long-range通道依赖关系。实验结果表明，改进的算法在保证检测速度的同时取得了95.7%的检测精度，比基线模型高0.4%，模型参数缩小43%，计算量减少63%，较主流算法在检测效果上有一定的提升，能够对军用飞机目标进行高质量实时检测。

关键词： 集成学习   包络学习   样本变换   近邻样本包络化   域适应   分类器集成  

摘要： 集成学习是机器学习领域的重要分支和研究热点.目前集成学习算法的主要范式是：基于原样本集得到多个样本子集，分别训练基分类器，集成基分类器结果 .这种做法的主要问题在于：由于各子集均来自原样本集，因此，各子集之间的多样性显著降低.尤其当原样本集数据尺寸小、采样比率大、不平衡程度高时，这一问题非常严重.此外，当原样本集可分度低时，重采样获得的样本子集的可分度改善也有限.为解决这个问题，本文提出面向集成学习的流形近邻样本包络与分层多类型变换算法，旨在通过包络化机制和多类型样本变换将原样本集转化为具有差异性的分层包络样本集，从而提高样本子集的多样性和可分度.首先设计流形近邻样本包络化机制，将原样本转化为样本包络.然后对样本包络进行多类型样本变换，重构生成分层包络样本.接着，设计基于联合结构域适应的层间一致性保持机制，保持变换前后样本分布的一致性，提高包络样本对原样本的高表征能力.此后，针对各层包络样本集，分别进行特征降维和训练基分类器.最后，采用二维决策融合机制得到最终分类结果.实验部分采用了十余个数据集和多个相关算法用于验证.结果表明，相较于原样本集，本文算法构造的分层包络样本集提高了样本子集的多样性，改进了集成学习性能，准确率最高提升了18.56%.与相关集成学习算法相比，准确率最高提升了7.56%.本文工作为现有集成学习算法改进研究提供了新思路，将直接基于原样本的集成学习范式转化为基于分层包络样本的集成学习新范式，具有参考价值.