摘要：为解决一类具有串并行混流装配结构的关联排序问题,建立了以串行线和总装线投产序列差异度最小、并行线和总装线投产序列差异度最小以及总装线物料消耗均衡为目标的多目标关联排序模型;在多目标问题的处理上,分别对串行线、并行线与总装线的序列差异根据序列调整成本设置了权重系数,同时设计了一种基于模糊目标规划的多目标人工蜂群优化策略对问题进行优化;建立了考虑串并行总差异度最小与总装线物料消耗均衡的隶属函数,设计了一种改进人工蜂群优化算法对隶属函数构建过程中的单目标优化问题以及转化后的集成优化问题进行了求解,其中针对多段编码设计了一种多段随机搜索的雇佣蜂寻优方法,提高了算法的全局寻优能力,引入适应性邻域,增强了算法的局部寻优能力;通过构造Benchmark算例验证了算法的有效性,并采用冰箱生产关联排序问题实例对模型与方法的有效性进行了验证。

摘要：在智能交通中,对于目前产生的海量视频通过人工来标记行人图像不切实际,使无监督学习得到更多的关注。针对在无监督学习数据中缺少详细的身份信息,无法知晓目标图像对应的正负样本问题,提出一种无监督学习三元组用于视频行人重识别研究的方法。该方法从无标签的数据集中挖掘三元组、即目标图像,与目标图像身份相同的轨迹和与目标图像身份不同的轨迹。首先根据单相机内轨迹的时空一致性,即构成轨迹的任意帧图像具有相同的身份,将行人轨迹特征表示成图像特征均值后,通过计算rank-1轨迹作为判断三元组的条件,用于设计特殊的三元组损失函数。并根据特征距离大小分配样本权重,着重学习困难样本,使模型动态调整正、负样本对之间的距离,加速模型的收敛速率,降低过拟合风险。然后通过计算跨相机rank-1,合并高度关联的轨迹作为跨相机三元组的锚样本用于损失计算。最后联合单相机和跨相机的损失评估模型。经过实验证明,该方法在PRID2011、iLIDS-VID和MARS上的结果都表明了该模型的有效性和可靠性。