摘要：针对动态级联车间能效调度问题(DCSESP),本文研究了由分布式流水车间、混合流水车间及二者之间的运输阶段组成的级联车间系统,旨在最小化订单总延迟时间和总能耗.为此,建立了混合整数线性规划模型,并提出了一种基于图神经网络的深度强化学习(GDRL)算法.首先,针对级联车间调度问题,设计了一种异构图模型,构建了三阶段节点嵌入方法,用于实时捕捉车间的动态状态特征;其次,依据提取的状态特征,分别对级联车间的两个阶段执行工件和工序选择决策;最后,将多层感知机(MLP)和图注意力网络(GAT)结合于近端策略优化(PPO)算法的行动者-评论者框架中,进行训练与学习,从而实现级联车间的快速联合调度.实验结果表明,GDRL算法在求解动态级联车间能效调度问题时,显著优于其他3种先进的调度方法,尤其在复杂问题场景下表现出更强的优化能力和鲁棒性.

摘要：传统多目标优化算法因参考点分布僵化、环境适应性弱与种群多样性衰减,常导致解集分布失衡且收敛效率不佳.为此,本文提出融合自适应更新参考点策略和种群预测机制的多目标优化算法.首先,设计一种精英基因引导生殖交叉算子,通过干扰交换和继承三重机制增强全局搜索与多样性;其次,建立种群预测机制,结合正则化回归与边界扰动预测新解,经误差修正实现历史信息与新种群的动态融合;然后,提出自适应更新参考点策略,动态剔除无效点并生成新点,优化高维目标空间覆盖;最后,给出基于自适应更新参考点策略和预测种群机制的多目标优化算法的完整框架.实验结果表明,该算法在一系列测试问题和实际铝电解工艺参数优化案例中表现优异.

摘要：郑大钟教授毕生献身于教育事业,在自动控制理论方面做出卓越贡献,对自动化专业教学教育富有深邃思考,拥有前瞻思想,为自动化专业教学筑牢根基,治学严谨,严于律己,称得上一位学术博大精深、思想朴实稳重的自动控制理论教育家,在国内及国际自动控制界享有盛名,深受业内同行敬重,在学界的影响力甚广,威望素著.

摘要：鉴于生产过程中订单的随机到达可能导致调度方案无法实现最优,实时动态订单到达成为关键问题.针对动态多重柔性作业车间调度问题(DMFJSP),提出了多策略决斗双深度Q网络(MPD3QN)求解方法.该问题考虑了工件订单和多类型工件的动态到达,首先,为了降低DMFJSP的复杂性,提出了一个简化的流体松弛模型,并基于流体模型设计了多指标选择策略,用于辅助生产调度决策.其次,进一步构建了马尔可夫决策过程(MDP)模型,提取了与工件和机器相关的19个状态特征,设计了20种复合规则作为动作空间.然后,结合优先经验回放、软更新机制和自适应动作选择策略,提出了MPD3QN算法.最后,通过81个测试算例,将所提算法与3种现有的深度强化学习调度方法进行比较,仿真结果验证了其优越性.

摘要：本文论述一类基于v-gap测度、达到实现L2最优的变量带误差(EIV)模型辨识问题,包括单输入单输出系统的开环与闭环EIV模型辨识和多输入多输出系统的EIV模型辨识.基于v-gap测度就是以扰动模型与逼近模型之间的距离为优化准则,当满足相应的Nyquist缠绕条件时,获得模型辨识的最优解.达到L2最优是指,在L2空间下对扰动的输出和输入频域实验数据进行正交分解,使正规右互质因子描述的系统模型的值空间与系统模型补因子描述的噪声模型的值空间具有正交性,通过优化v-gap测度间接使逼近误差(噪声)达到L2最小.本文所提出的方法为EIV模型辨识提供了一种新的研究途径,同时适用于闭环系统和多变量系统等多种情况下,不需要对系统输入和输出有界噪声的特性做任何假设,可以同时估计获得系统模型和相应的噪声模型,在工程上具有广泛的实用性.

摘要：随着制造企业间的合作日益普遍,分布式制造具有资源配置优化共享的优势,已成为一种现代化生产模式.物料作为生产制造的核心资源,供应商与生产商间的高效物料供应调度能够提升分布式生产效率、降低生产成本.本研究针对分布式生产物料供应调度问题,提出一种数模双驱的协智能优化方法,同时优化生产商的满意度和物料拖期目标.首先,针对多仓库、多工厂、多物料类型组成的复杂供应网络,构建考虑动态补货机制的混合整数规划模型;其次,在中小规模和大规模问题上分别利用数学求解器Gurobi和启发式规则最大化满意度和最小化拖期并得到两个单目标最优解,作为多目标优化的高质量起点和终点;然后,设计基于模型优化解的自适应路径重连机制,通过差异驱动自适应探索策略,提升多目标优化解集多样性;最后,提出目标驱动的局部增强搜索策略,进一步提升算法性能.不同规模数据集的仿真实验结果表明了所提算法能够有效求解分布式物料供应调度问题.

摘要：分布式优化问题是多智能体协同控制领域的重要研究课题之一,旨在通过局部信息交互实现全局目标的协同优化.在分布式优化框架下,每个智能体基于自身的局部信息,并通过通信网络与其邻居节点交换信息,以分布式方式协同最小化全局目标函数.本文系统梳理了近年来的相关文献,综述了离线和在线分布式优化问题的研究现状.最后,本文对未来的研究趋势进行了展望,指出了分布式优化在多智能体系统中的潜在发展方向.

摘要：在工业5.0时代,"以人为本"的智能制造成为研究热点.针对双资源柔性作业车间调度问题,已有研究考虑了工人的学习效应,但尚未涉及工人对工件和机器双层学习效应对生产效率的影响.为此,本文首次提出了考虑工人双层学习效应的双资源柔性作业车间调度问题,并构建以最大完工时间为优化目标的数学模型.为求解该问题,提出了一种改进的Memetic算法,主要改进包括:设计符合问题特性的3层编码,提出主动调度解码策略提升解的质量,开发种群初始化策略增强多样性,并设计融合交叉变异更新与变邻域搜索策略以提高全局探索与局部寻优能力.最后,通过对比实验验证了算法和模型的有效性.

摘要：联邦学习架构下的移动群智感知用户存在隐私泄露风险,现有基于差分隐私的方案在梯度裁剪过程中会引起本地模型训练精度的缺失,这种现象在异构环境中表现尤为不佳.为了解决上述问题,本文首先采用联邦随机主成分分析法对数据进行降维处理;随后,将经过Rényi-差分隐私扰动后的目标函数替代梯度进行更新.然后,引入Bregman散度作为正则化项更新损失函数,约束本地模型与全局模型的偏离.实验结果表明,本文所提出的方法与现有几种方法相比具有更高的准确性和收敛精度.

摘要：在非线性动态系统的模态分析与控制中,状态变量在某个关键或选定模态中的参与因子是简化稳定性研究的重要工具,它使得研究能集中于参与度高的少数状态变量.对于一个线性系统,其状态变量在某一模态的线性参与因子由左、右特征向量分别定义的模态组成和模态形状共同唯一确定.然而,其他类型参与因子的唯一性需要更为深入的研究.针对非线性参与因子及其他5种参与因子的变体,本文证明了其唯一性的充分条件.该条件考虑了模态组成和模态形状中不确定缩放因子的影响.这些缩放因子源于在分析和控制实际动态系统时选择状态变量的物理单位或数值范围的变化.因此,获得和理解参与因子唯一性的充分条件对于在实际场景中正确地将参与因子的概念用于稳定性分析和控制至关重要.此外,本文还探讨了状态变量扰动幅度与合理选择缩放因子之间的关系.

摘要：铜箔电解过程中的能耗建模精度不足会降低节能优化的可靠性,给现有的节能优化方法带来了严峻挑战.针对这一问题,在难以进一步提升能耗模型精度的背景下,本文提出了一种基于局部多尺度滤波的铜箔电解过程节能优化方法,并对其可靠性进行了系统分析.首先,针对电解过程在工业应用中的能耗建模误差,通过循环-判断结构生成不同精度的模型,分析建模精度对能耗优化的影响机制.其次,基于现有回归模型的拟合优度评估指标,设计了可靠性分析方法,实现了对节能优化可靠性的定量评估.再次,提出基于局部多尺度滤波的能耗优化改进方法,在能耗优化模型中引入多尺度的局部均值滤波,减小预测误差对智能仿生优化算法的误导影响,从而提高因建模精度不足导致的可靠性问题,并进行相关理论推导.最后,基于某企业的铜箔电解过程工业实验验证,所提方法将能耗优化的绝对误差从4.29％降至1.53％,表明该方法在能耗模型低精度条件下依然能够显著提升智能仿生优化算法的可靠性.

摘要：现有的基于学习的构造任务分配方法需要在连续构造一个完整任务分配方案后,再将任务分配给智能体去执行,其在救援、对抗等大规模紧急任务场景下通常无法满足任务的实时性需求.本文则针对大规模紧急任务场景下异构多智能体任务分配策略寻优问题,提出了一种基于深度强化学习的多智能体批次任务分配方法.在该方法中设计了包含编码器、智能体和任务节点选择解码器、递归嵌入结构的策略模型,其能够根据目标函数的最优性要求一次给出一个批次的由智能体-任务节点对所构造的部分任务分配方案.在在线任务分配中相应的智能体不用等到构造完完整的任务分配方案后再去执行相应的任务.评估结果表明,多智能体批次任务分配方法提高了紧急任务场景下任务分配策略的实时性、可靠性和协同能力.

摘要：自抗扰控制提出了内扰、总扰动和扩张状态等新概念,也让诠释这些概念成为控制理论的新课题.本文以二阶无零点对象为例,在线性系统理论框架内诠释上述概念.内扰被诠释为对象能控规范形中反馈项产生的信号.本文提出了韩氏扩张实现的概念,该实现的状态就是扩张状态,其中包含一个能观不能控的分量.扩张状态观测器是韩氏扩张实现的观测器,而线性自抗扰控制是基于韩氏扩张实现的输出反馈控制.这些结果表明,上述概念与线性系统理论完全兼容,其研究有望为线性系统理论带来新的方向和活力.

摘要：园区综合能源系统的日内调度需要根据风光自然因素、负荷的波动,对预调度方案进行快速调整,实现园区能源系统的经济稳定运行.日内调度优化模型是一个包含半连续变量的非线性多目标的问题,同时对算法的时效性要求较高,对现有的用于多目标智能优化算法的收敛速度提出挑战.为此,本文构建了包含两个时间粒度(15min和5 min)的日内调度模型及相应优化框架,针对日内调度优化时效性要求高的特点,在双层全连接权重网络进化算法的基础上,设计了全连接全重网络模型自适应更新策略,记为S-TFCWNEA.通过模型参数标准差随优化进程自适应调整的策略,平衡算法的全局和局部搜索,加速种群收敛.通过两个时间粒度的调度优化实现对日前调度方案的逐步细化调整.仿真结果表明,引入全连接权重网络模型自适应更新策略能显著提高算法收敛速度,快速响应风光、负荷的波动,在有限时间内快速调整调度方案.

摘要：随着航天技术的不断发展,具有先进姿态机动能力的敏捷地球观测卫星在气候监测、军事动态等方面发挥重要作用.为满足复杂的敏捷卫星任务调度需求,本文以最小化观测任务失败率和卫星负载均衡为目标,研究了带有时间依赖性的多敏捷卫星多目标调度优化问题.首先,基于问题特征构建了数学规划模型.其次,基于进化博弈理论提出一种混合进化博弈调度算法(HEGSA),包括全局开采和局部勘探两个进化阶段,全局开采阶段通过启发式策略生成具有异构身份的两个子种群,并采用多目标进化博弈策略优化每个子种群以平衡收敛性和多样性;局部勘探阶段采用一种自学习算子以增强对解空间的高效搜索.最后,通过仿真实验验证了 HEGSA的有效性.

摘要：天车是车间、仓库、港口等工业园区中关键的重型物料运载装置,其调度对运输效率及生产目标达成影响显著.针对带时间窗约束的天车调度问题(CSP-TW),建立了一种基于时空离散化的混合整数线性规划模型.基于模型特征,设计了一种分层强化学习(HRL)决策框架:上层决策网络将运输任务指派至适合天车;下层决策网络规划各天车运行路径执行具体运输.在学习过程中,引入了动作禁忌规则规避无效动作,引导上下层决策网络向优势策略空间探索.随后,采用了外部经验池和D3QN策略训练决策网络.基于某公司钢厂物流仿真平台进行测试:消融实验表明所引入的动作禁忌规则可提高HRL学习效率;训练比较表明HRL的收敛性优于端到端框架;对比实验表明HRL的求解效果优于多规则组合法、元启发式算法、端到端和DQN等多类方法,并符合秒级响应的应用需求.

摘要：无人机凭借其空中机动性与自主性优势,在物流配送领域展现出重要应用价值.该模式可显著降低人力成本,同时提升物流网络的灵活性与响应效率.然而,三维复杂环境中建筑物、山体等障碍物对无人机飞行安全构成严峻挑战.如何构建障碍规避约束下的配送路径,成为无人机物流系统优化的关键问题.针对三维路径规划需求,本文研究建立了包含环境建模与数学建模的综合分析框架,并提出一种融合强化学习机制的改进人工蜂群算法.该算法采用基于起讫点空间关系的启发式规则生成初始种群,通过强化学习动态选择采蜜蜂阶段的3种搜索策略,显著提升了初始解质量与搜索方向性.观察蜂阶段引入反向学习机制,生成互补种群以增强算法收敛精度与速度.仿真实验表明:相较于传统算法,改进算法在路径成本与计算效率方面均具有显著优势,可为复杂三维场景下的无人机物流路径规划提供高效解决方案.

摘要：欣闻控制理论与应用要出版一期纪念郑大钟老师诞辰90周年的专刊,我心情非常激动,特借此机会回忆我两次幸运地做郑老师学生的经历,以及这些经历对我的成长和为国家做出的贡献的深远和重要影响. 我两次跟郑老师做学生.第一次是文革之前,我上大学的时候,郑老师给我们辅导过《过渡过程分析》,当时是钟士模先生主讲.

摘要：本文针对多机器人除草任务分配问题(MWRTA)展开研究,旨在最小化任务最大完成时间、总能耗以及总农药剩余,这些指标是衡量可持续农业系统性能的关键因素.为此,本文建立了一个混合整数线性规划模型,并提出了一种新颖的基于分组策略的多目标离散人工蜂群算法(GMO-DABC),以高效求解MWRTA问题.首先,设计了一种融合分组策略与负载均衡的启发式方法,用于有效生成解;其次,基于分组策略构建邻域算子结合问题知识动态调整邻域结构,降低陷入局部最优的风险;最后,提出了一种结合分组策略与非支配前沿分析的搜索策略,以高效探索解空间.在多个规模的算例中进行的大量仿真实验表明,GMO-DABC在解质量、收敛速度和鲁棒性方面均优于多种先进算法,验证了该算法在优化能力方面的优势及其在实际农业应用中的潜在价值.

摘要：郑大钟教授(1935年5月13日-2019年11月17日),籍贯浙江绍兴,出生于江苏南京.抗战期间随家人迁居绍兴乡间.尽管童年坎坷,他仍自幼刻苦向学.家乡解放后,他依靠人民助学金的支持,得以完成中学乃至大学的学业.这段经历让他一生铭记社会的温暖与扶助,也成为其将"感恩"与"奋斗"作为人生主题的根源.