订单驱动下基于强化学习的智能车间AGV调度

物料搬运效率对智能车间的生产调度效率有着重要影响.物料搬运任务通常由自动导引车(Automated Guided Vehicle,AGV)执行,其具有数量多、任务需求实时变化、任务下达密集等特点.为及时、高效、准确地处理AGV搬运作业,提出基于强化学习的订单驱动下智能车间AGV调度模型,使用二级调度机制,第一级以负载均衡为目标,基于规则的调度方法对AGV进行任务分配;第二级运用强化学习深度Q网络(Deep Q-Network,DQN)算法对AGV进行单智能体下的搬运路径规划,通过减少智能体动作空间维数的方式,降低调度算法的收敛难度,并通过仿真实例验证该方法的有效性和创新性.

基于双重特征增强的遥感舰船小目标检测

针对遥感图像中舰船小目标占比大、多方向旋转等问题,提出一种基于纹理和颜色双重特征增强的舰船小目标检测方法。首先,设计生成对抗网络增强舰船小目标的纹理特征,生成高分辨率的舰船图像。然后,采用深度强化学习算法增强图像的颜色信息,解决舰船目标与背景颜色低对比度的问题。接着,设计自适应变换特征金字塔网络,增强全局感受野,有效解决深层网络中空间信息缺乏导致的小目标特征难以提取的问题。最后,利用特征细化模块和圆形光滑标签完成对舰船目标边界框的特征点对齐和角度回归,有效提高多方向旋转舰船目标的检测精度。此外,在HRSC2016和DOTA两个公共数据集上进行了相关实验。可以发现,所提方法在两个数据集上的平均精度均值可分别达到72.87%和89.91%,相比主流的目标检测算法得到了大幅提升。