动态价格约束下生鲜无人零售点选址-路径方法研究

“新零售”创新了生鲜无人零售的渠道和销售模式,通过研究网络化无人售货的技术优势,引入在线动态定价机制,解决了生鲜无人销售品控难、客户黏度低的问题,有效减低了系统综合成本;同时构建了一种面向生鲜商品的无人零售的干线和支线混杂配送模型,在多目标求解、问题解耦和PSO全局优化等方面进行突破,建立了一种动态价格约束下的带时间窗选址-路径二级运输模型(2E-dPLRPTW),并进行了案例验算,确认该方法能有效提升生鲜商品无人售卖的效益。

基于改进PSO-SVM的生产线分拣机器人罐装食品识别方法

目的:解决现有食品生产线分拣机器人目标识别方法存在的准确率差和效率低等问题。方法:在对基于双目视觉食品分拣系统进行分析的基础上,提出了一种将改进的粒子群算法和支持向量机相结合用于食品分拣机器人的目标识别。通过改进粒子群算法寻优支持向量机参数,获得优化的支持向量机分类模型,对全局特征和局部特征分别进行分类器训练,动态分配特征权重系数,得到最佳识别率。通过试验分析所提方法的性能,验证其可行性。结果:与常规方法相比,所提方法在食品分拣机器人的目标识别中具有较高的识别精度和效率,准确率为99.50%,平均识别时间为0.048 s,满足机器人的分拣需要。结论:所提方法能有效识别罐装食品,提高了分拣机器人分拣准确率和效率。

基于多目标优化的油茶果分选机器人轨迹规划方法研究

目的:解决并联机器人食品分选过程中的运动平稳性差和精度等问题。方法:在分析三自由度食品分选机器人系统的基础上,提出将多项式插值法与改进的多目标粒子群算法相结合用于Delta机器人轨迹优化。以并联机器人运行时间最短、能耗最低、运动冲击最小为优化多目标,通过改进的多目标粒子群算法优化多项式插值法,并对其性能进行验证。结果:试验所提规划方法的规划轨迹相比于常规方法更平滑、更高效。在实际的油茶果分选中,准确率>99.00%,平均一次筛选时间为0.620 s。结论:试验所提轨迹规划优化方法提高了油茶果分选机器人的分选效率、准确性和稳定性。

基于改进BP神经网络的食品分拣机器人视觉伺服控制方法

目的:解决目前食品分拣机器人的视觉伺服控制系统结构复杂、计算量大,无法满足分拣机器人对视觉伺服控制系统的灵活性和适应性的问题。方法:在机器人视觉伺服控制系统结构的基础上,提出一种将改进粒子群算法与BP神经网络相结合的食品分拣机器人视觉伺服控制方法。粒子群算法在迭代过程中使用交叉和变异来保持种群多样性,对BP神经网络的初始权值和阈值进行优化。结果:与常规控制方法相比,该控制方法可以在较短的时间内将食品生产线机器人带到预定位置,位置逼近的相对误差为0.38%。结论:该控制方法在处理较复杂的任务时,具有较强的适应性,有一定的实用价值。

食物链传导响应算法在齿轮箱优化中的应用

为改善齿轮箱的耦合优化性能,依据食物链中生物能层层传导的机制,拟将层级富集传导优化与变异的粒子群算法相融合,提出一种基于食物链传导响应粒子群算法。为弥补算法多样性保持和寻优能力的不足,对算法种群进行变异化处理,获取变异序列作为搜索初始解,调整搜索位置。在搜索机制中融合高斯差商变异算子、惯性权重变异算子对粒子进行自适应更新,对适应度较低的粒子施加惩罚变异,以保持算法的搜索能力和多样性。通过对风力机齿轮箱优化问题的研究,验证了该方法解决多变量耦合优化问题的有效性。

碳交易下生鲜电商跨区域闭环物流网络及路径

针对我国目前碳交易市场的迅猛发展、跨区域电商配送需求的增加以及生鲜产品因保质期短、易损耗而产生的退货需求,构建了碳交易环境下两阶段生鲜电商企业跨区域闭环物流网络及配送车辆路径优化模型。以苏州市生鲜电商企业为实例,采用遗传算法和粒子群优化算法验证了该模型的有效性。该研究成果为碳交易环境下构建跨区域正逆向电商物流网络及降低系统运营成本提供了借鉴。

基于改进鸡群优化算法的食品拣取机器人路径规划

目的:优化多工位食品拣取机器人路径。方法:提出了一种基于改进鸡群优化算法(Improved Chicken Swarm Optimization, ICSO)的食品拣取机器人路径规划方案,充分考虑单个工位点机器人最优拣取位置和多工位点之间机器人移动最短距离,构建多工位食品拣取机器人路径规划双层模型。利用密度峰值聚类算法对种群进行聚类分析,重新定义个体编码方式和更新进化机制,并采用ICSO对路径规划双层模型进行求解,从而实现食品分拣和机器人移动最短路径求解。结果:相比于其他路径规划方法,基于改进鸡群优化算法的食品拣取机器人路径规划方案总路径缩短了7.3%~16.7%,运行时间减少了8.14%~39.33%。结论:所提方案提高了食品分拣机器人路径规划效率,具有较好的实际应用价值。

新的仿生优化算法:食物车-蟑螂群优化算法

提出一种新的仿生优化算法——食物车-蟑螂群优化算法。该算法模拟蟑螂的觅食行为,通过食物车在解空间定义域内抛洒食物,吸引蟑螂向食物爬行,完成搜索。在求解过程中通过巢穴变迁、平等搜索和食物筛选等策略加强全局搜索和局部搜索能力,提高算法收敛速度。仿真实验结果表明,该算法寻优率高,收敛速度快。

基于粒子群算法的辊式磨粉机优化设计

采用粒子群算法和Matlab语言,以磨粉机的分流辊与快辊的水平距离及垂直距离、分流辊的转速及直径、快慢辊的斜置角度作为设计变量,以物料的喂料轨迹和物料的入磨速度作为多目标函数进行优化设计。仿真结果与原设计相比较,落点距轧点从39mm减小到1.4021mm,入磨速度也从1.795m/s提高到了2.0962m/s,有效地提高了磨粉机的工作效率。与基本型遗传算法优化结果相比,粒子群算法效果要好于基本型遗传算法。

基于IPSO-BPNN-PID控制的食品并联机器人抓取技术

目的:解决并联机器人在食品分拣中存在的效率低、精度差等问题。方法:在食品分拣系统结构的基础上,提出了一种改进BP神经网络与PID控制相结合的Delta机器人运动目标抓取策略。通过改进的粒子群优化算法优化BP神经网络初始权值,并利用优化的BP神经网络对PID控制参数进行实时调整。通过试验分析该方法的性能验证其优越性。结果:相比于传统控制方法,所提方法能够较为准确、高效地实现动态目标捕获,动态抓取成功率达到98%以上,能够满足食品分拣的需要。结论:通过对动目标抓取策略的优化可以有效地提高Delta机器人的抓取效率和精度。

基于随机点摆动前行模式的改进粒子群优化算法

基于飞鸟寻食细致化仿生,提出了一种新的基于随机点摆动前行模式(RSFM)的改进粒子群算法原理,设计了改进粒子群算法流程,并利用算例展示了该算法的具体使用方法与计算效果。

基于食物链机制的动态多物种粒子群算法

针对粒子群优化(PSO)算法在解决多峰函数时容易陷入局部最优的问题,提出了一种基于食物链机制的动态多物种粒子群(DSPSO)算法。受生物界的启发,引入食物链机制来保证种群的多样性,并结合繁殖机制使得算法具有良好的优化性能。食物链机制中,整个标榜群被分为几个子种群,每个子种群都能够捕食另外一个子种群。通过一定概率发生的捕食现象使得标榜群得以进化,剔除对种群贡献小的粒子,并通过繁殖策略生成新的粒子。种群通过不断地进化保证了种群的多样性,同时通过剔除较差粒子的误导作用使算法的进化更有效率。为了验证算法的有效性,选择了包括偏移函数、旋转函数在内的10个测试函数来测试DSPSO算法的性能。实验结果表明DSPSO算法有着良好的寻优性能。与PSO、局部版本的粒子群(LPSO)算法、动态多群粒子群(DMS-PSO)算法和全面学习粒子群(CLPSO)算法相比,DSPSO算法不仅能够得到较高精度的解,而且还具有较高的可信度。

基于改进遗传算法的生鲜多目标闭环物流网络模型

针对生鲜产品闭环物流网络中存在的经济成本高、碳排放量大、社会效益重视不足等问题,综合考虑退货量的不确定性,以经济成本最小、碳排放最小、社会效益最大为目标,建立了不确定条件下的生鲜多目标闭环物流网络模型。首先,利用改进的遗传算法(GA)求解该模型;然后,结合上海某生鲜企业运营管理数据,验证了模型的可行性;最后,将改进的GA的结果与粒子群优化(PSO)算法的结果对比,验证了算法的有效性,凸显了改进的GA在求解多目标的复杂约束问题时的优越性。算例结果表明,多目标优化满意度达到0.92,高于单目标优化满意度,展示了所提模型的有效性。