摘要：为了更好地调节柴油机转速,提出一种强化学习–比例积分微分(proportional integral derivative, PID)控制器,并应用到了柴油机转速控制中。基于连续动作空间的柔性动作–评价(soft actor-critic, SAC)算法,结合连续型PID控制器,设计了一种强化学习–PID控制器,可代替传统PID控制的转速环。优化设计了基于演员–评论家(actor-critic)框架的输入输出和奖励函数以匹配柴油机特性,采用随机动作增加寻优效率,形成SAC-PID控制柴油机转速的网络交互结构,达到快速调整转速,减小稳定时间的效果。构建了以柴油机D6114为原型机的MATLAB/Simulink平均值模型,并利用试验数据验证了仿真模型的有效性。利用平均值模型,仿真验证了该控制算法效果。经过仿真验证本算法使柴油机转速响应曲线超调量更小,响应时间更快,鲁棒性更强,SAC-PID控制负载瞬态调速率和稳定时间均已达到1级精度指标。仿真对比验证了SAC算法的联合控制效果,结果表明其较其他算法更佳。

摘要：为提高一类欠驱动系统的控制精度和抗扰动能力,提出一种变结构自抗扰控制策略。构建了一种新型的qal函数,解决了传统非线性函数在原点处不够平滑导致的抖振现象和误差增益较大的问题。设计了2个线性跟踪微分器用于精确跟踪欠驱动倒立摆系统位移和速度的实时信号和参考的信号。基于新型非线性qal函数设计了观测性能较好的改进型扩张状态观测器,对欠驱动系统的输出角度及角速度进行实时估计,设计了线性控制率将2个输出量组合成控制量,实现对2个输出量的良好控制。以欠驱动系统的控制电机和欠驱动系统倒立摆为实验对象进行了实验,并将实验结果与传统自抗扰控制和差分进化算法ADRC进行了对比分析,验证了欠驱动系统的变结构自抗扰控制方法的优越性和可行性。

摘要：随着智能电网系统的研究深入,针对复杂智能电网系统的电压崩溃路径,研究了基于智能电网系统的等效模型。通过AGENT图分析了系统脆性关系,采用一种在脆性发生时崩溃路径优化粒子群算法,给出系统内部的脆性对于系统稳定性的影响,发现脆性激发时崩溃传递路径具有多样性的解,并分析了崩溃路径。基于35 kV智能电网一次系统模型,通过对智能电网脆性电压崩溃路径的预测和控制,有效优化了整个系统性能,对智能电网系统的设计控制具有重要的指导意义。结果表明,智能电网系统节点的崩溃在各子系统层间传递,进而导致整个系统的电压崩溃。

摘要：超声波电动机作为控制系统的执行器,被广泛应用于精密制造的驱动设备中。首先,为选择的超声波电机控制系统建立了近似的时域数学模型,使用最小二乘方法辨识了该系统模型的参数;然后,设计了一种连续切换自适应滑模控制器,并应用于超声波电机系统的控制,给出了超声波电机控制系统的稳定性检测方法,以及所设计控制器的参数选择方法;最后,采用传统滑模控制方法和所设计的控制方法跟踪相同的位置信号,取得了较好的控制效果。结果表明,对于跟踪幅值为40mm的位置信号,在较小抖振的前提下,传统滑模控制方法的最大跟踪误差为0.896 5 mm,连续切换自适应滑模控制的最大跟踪误差为0.164 6 mm,且无抖振。

摘要：为了降低延迟交货率,针对以总延迟时间为优化目标的分布式装配混合流水车间调度问题,提出基于Q-学习的蛙跳算法.设计了问题的三串编码方法,并给出解码过程.将Q-学习嵌入到蛙跳算法的模因组搜索过程中,Q-学习算法包括由全局搜索、邻域搜索和解的接收准则组成的动作集合,和基于种群精英解和离散度而构建的6种状态.在算法运行过程中,根据种群的状态,利用Q-学习动态地选择执行的模因组搜索策略.实验结果表明:与现有算法相比,基于Q-学习的蛙跳算法在112个实例中均能获得更好或者相同的结果,表明基于Q-学习的蛙跳算法在求解考虑运输和装配的分布式混合流水车间调度问题方面具有较强优势.

摘要：针对单目3D目标检测算法中存在图像缺乏深度信息以及检测精度不佳的问题,提出一种联合实例深度的多尺度单目3D目标检测算法。首先,为了增强模型对不同尺度目标的处理能力,设计基于空洞卷积的多尺度感知模块,同时考虑到不同尺度特征图之间的不一致性,从空间和通道两个方向对包含多尺度信息的深度特征进行重新精炼。其次,为了使模型获得更好的3D感知,将实例深度信息作为辅助学习任务来增强3D目标的空间深度特征,并使用稀疏实例深度来监督该辅助任务。最后,在KITTI测试集以及评估集上对所提算法进行验证。实验结果表明,所提算法相较于基线算法在汽车类别的平均精度提升了5.27%,有效提升了单目3D目标检测算法的检测性能。

摘要：针对无监督行人重识别(person re-identification,ReID)中行人特征表达不充分以及聚类过程产生噪声标签的问题,提出一种联合特征细化和耐噪声对比学习的无监督ReID方法。首先,为丰富无标记的行人表征,设计了非局部通道细化模块(non-local channel refinement module,NCRM)对关键特征信息进行加权强化,其融合了非局部通道的重要特征来捕获无标记数据的类间区别表征,形成更具有鉴别度的特征描述符。其次,考虑到特征的充分表达,采用广义均值(generalized mean,GEM)池化自适应调整参数来增强不同细粒度区域信息的提取能力。再次,为了减轻噪声标签对网络的负面影响,设计了耐噪声的动态对比均衡(dynamic contrastive equilibrium,DCE)损失函数进行无监督联合学习。最终,在两个公共数据集上的实验结果验证了所提方法的有效性和先进性,mAP分别达到了83.1%和71.9%,优于其他先进方法。

摘要：针对多目标不相关并行机混合流水车间调度问题,建立以最小化最大完工时间、机器总能耗和机器加工成本为目标的多目标数学模型。提出一种改进的基于分解的多目标进化算法(Improved multi-objective evolution algorithm based on decomposition,IMOEAD),采用均匀设计表生成初始权重向量,提高种群多样性,利用正态分布交叉并设计了自适应高斯变异来提高算法的全局搜索能力和局部搜索能力,在权重向量邻域中选择个体产生新解,运用非支配等级和拥挤距离更新外部档案。以反世代距离、世代距离和非支配解个数为性能指标,通过大量案例仿真,与非支配排序遗传算法Ⅱ和基于分解的多目标进化算法进行对比,结果验证了该算法的有效性。

摘要：为了提高CenterNet无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改进CenterNet目标检测网络。首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信息。最后,通过在VOC 2007测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到80.94%,相较于基线算法CenterNet提升了3.82%,有效提升了无锚框目标检测算法的最终性能。

摘要：针对Faster R-CNN目标检测算法存在的定位和检测精度问题,设计了一种可嵌入Faster R-CNN目标检测算法并进行端到端训练的可移动的注意力(MA)模型。首先,为了获取更加精确的空间位置信息,MA采用两个自适应最大池化分别基于输入特征图的水平和竖直两个方向进行特征聚合,生成两个独立的方向感知特征图;其次,为了防止模型过拟合,使用Sigmoid激活函数增加网络非线性;最后,为了充分利用已经得到的空间位置信息,将具有非线性的两个特征图与输入特征图依次相乘以增强输入特征图的表征能力。实验结果表明:基于MA改进的Faster R-CNN目标检测算法有效地提升了网络对感兴趣目标的定位能力,并且平均检测精度也得到了明显的提升。