基于改进蚁群算法的低碳冷链物流配送模型优化与应用

实现持续低碳化发展是冷链物流技术创新与优化的重要方向。基于成本约束视角,将冷链物流存储、配运、交付诸环节的运营成本和碳排放成本纳入企业总成本目标函数,构建冷链物流配送路径优化模型,使用蚁群算法与遗传算法变异算子结合求解,提高了算法迭代收敛速度。以医药冷链物流配送为例进行算法仿真优化与分析,验证了降低物流成本与节能减排可协同优化,获得良好的经济效益。模型和算法对环境可持续视角下的冷链物流配送路径问题有理论和实践意义。     

基于PLC的食品烘干箱温度控制系统设计与试验

对粮食或食品进行烘干处理有利于运输、储存与后续加工,而在干燥过程中对温度的控制非常重要。为对比不同算法在温度控制方面的差异,使用西门子S7-200 SMART可编程逻辑控制器（Programmable logic controller,PLC）进行程序设计,并采用昆仑通态触摸屏实现人机交互。同时,为达到提高温度控制精度的目的,通过对传统比例-积分-微分（Proportion-integral-derivative,PID）控制算法与模糊控制算法进行改进,设计了模糊PID复合控制算法和模糊PID切换控制算法。采用梯形图语言对上述4种控制算法进行编程,并进行PLC控制烘干箱的试验验证。结果表明,新设计的模糊PID复合控制算法和模糊PID切换控制算法均在一定程度上反映了其结合要素各自的优点,能有效克服传统PID控制算法动态特性差和模糊控制算法稳态特性差的缺点。当温度由30 ℃升至设定温度72 ℃时,与模糊PID切换控制算法相比,模糊PID复合控制算法能将调节时间缩短6 s,且稳态误差减小0.1 ℃。     

基于多元振荡黏菌算法的田路分割模型参数优化方法

田路分割是农机轨迹语义分割模型的重要任务之一,其目的是将轨迹自动分割为田间作业轨迹和道路行驶轨迹。该文选用基于方向分布的田路分割模型（Field-Road Trajectory Segmentation Based On Direction Distribution,BDFRTS）,田路分割模型的参数是影响其分割准确性及精度的关键因素,传统的参数选择方法效率较低且难以获得较好的方案,限制了模型的分割性能。因此,该文尝试从参数优化的角度研究模型的性能提升,提出的方法主要包括两个方面,首先建立了一种基于元启发式算法（Metaheuristic Algorithms,MA）的田路分割模型参数优化解决方案;其次,在黏菌算法（Slime Mould Algorithm,SMA）的基础上提出了一种改进的多元振荡黏菌算法（Multiplex Oscillation Slime Mould Algorithm,MOSMA）求解参数优化方案以更好地提高模型的分割性能。MOSMA分别提出一种动态引导策略与多元振荡策略强化了黏菌的振荡收缩反应及细胞质的流动过程,进而增强了算法的优化能力。为验证所提参数优化方法的有效性,将博创联动提供的中国农机在2021年9月底-10月中下旬进行水稻收割的作业轨迹作为数据集开展试验。试验结果表明,该文所提方法有效地提升了田路分割模型的准确性和性能。MOSMA-BDFRTS分割模型在10组高密度轨迹中的平均准确率相比网格搜索田路分割模型,粒子群田路分割模型分别提高了25和28个百分点;在10组低密度轨迹中分割的平均准确率分别提高了17和14个百分点。该研究可为田路分割技术提供合理的性能优化方案,也为农业机械运动轨迹分割技术的效率研究提供参考依据。     

基于机器学习的遮荫设施内参考作物蒸散量估算

为高效准确地估算遮荫设施内参考作物蒸散量（Reference Evapotranspiration, ET0）,该研究通过分析三七栽培遮荫设施（四周及顶部均由黑色遮阳网遮盖,通风性较好）内及设施外气象参数的关系,采用Sobol敏感性分析方法筛选出设施外有效的气象参数,并将其作为模型输入,以Penman-Monteith（FAO-56 PM）模型计算的值为标准值,采用贝叶斯优化（Bayesian Optimization, BO）算法优化机器学习方法（支持向量回归机（Support Vector Regression, SVR）、随机森林（Random Forest, RF）和极限学习机（Extreme Learning Machine, ELM））中的参数,建立3种遮荫设施内ET0估算模型（BO-SVR、BO-RF和BO-ELM）。结果表明：遮荫设施内ET0对设施外平均相对湿度、平均风速、最高气温和平均气温的敏感性较高,一阶敏感系数分别为0.450、0.304、0.064和0.026,故基于4组气象参数建立模型。BO-ELM模型的测试精度整体优于BO-SVR和BO-RF,其中BO-ELM模型基于平均相对湿度、平均风速、最高气温和平均气温的气象参数组合估算精度最高,决定系数、均方根误差和平均绝对误差分别为0.928、0.069 mm/d和0.046 mm/d,BO-ELM模型也能很好地适应少量气象参数（平均相对湿度和平均风速）估算设施内ET0,决定系数、均方根误差和平均绝对误差分别为0.910、0.078 mm/d和0.057 mm/d。综合考虑计算精度和计算代价,可将BO-ELM模型作为气象参数缺失情况下遮荫设施内ET0的估算方法。研究为遮荫设施内ET0的估算提供有效方法。     

基于改进RRT算法的猕猴桃采摘机器人全局路径规划

为提高猕猴桃采摘机器人导航效率,提出一种基于采样状态实时引导随机树扩展的改进方法（Straight-RRT）。首先,针对传统RRT算法盲目搜索的问题,引入评价指数与阈值划分采样状态,根据采样状态决定采样节点的选取方式,实时引导随机树的扩展。其次,为增强算法对不同环境的自适应性及快速避开不规则障碍物,引入动态阈值并优化最近节点选择机制。最后对路径进行优化处理,去除路径冗余点并采用贝塞尔曲线平滑路径减小路径复杂度。基于棚架式猕猴桃果园环境进行路径规划实验,实验结果表明改进后算法在猕猴桃果园环境中具有更好的适应性及规划效率,为提高猕猴桃采摘机器人导航效率提供了解决方法。     

基于湿式离合器油压分段控制策略的动力换挡品质优化研究

动力换挡技术因具备换挡过程中动力不中断的优点,近年来逐渐被广泛应用于重型拖拉机中。而电液控制系统作为动力换挡变速箱的核心部分之一,其控制过程对车辆性能及换挡品质有直接影响。提出合理的湿式离合器油压控制策略,对改善和优化动力换挡变速箱的换挡品质具有重要意义。选定滑摩功、换挡时间和冲击率作为换挡品质评价指标,通过理论推导建立了三者与动力换挡变速箱电液控制系统之间的联系,根据湿式离合器在换挡过程中输出特性的变化,将动力换挡过程划分为原挡位、扭矩相、惯性相和新挡位4个阶段,结合换挡品质评价指标提出了湿式离合器油压分段控制策略,并以前进1挡换前进2挡为例,在AMESim仿真平台建立相应的Statechart控制模型,针对控制模型中的关键参数运用遗传算法进行优化,将参数优化结果应用于控制系统中并运行仿真。与简单控制策略相比,应用本文所提出的控制策略后,可使换挡过程中产生的最大冲击率由22.14 m/s3降为9.78 m/s3,同时湿式离合器摩擦片单位面积上的滑摩功为0.163 J/mm2,远小于许用值。验证了该控制策略经优化后对改善换挡品质的有效性及合理性。     

基于BP神经网络PID控制的主动悬架仿真分析

为研究主动悬架的控制算法,采用基于BP神经网络的一种自适应PID控制算法来搭建主动悬架控制系统。以某轿车车型为例,在Simulink软件中建立了以随机路面不平度激励作为系统输入的七自由度整车主动悬架仿真模型。将车身垂向加速度均方根、俯仰角加速度均方根、侧倾角加速度均方根作为主动悬架性能的评价指标进行时域及频域分析。由仿真结果可知,相比于传统的被动悬架,运用该控制算法的主动悬架可显著提升汽车的行驶稳定性与舒适性。     

卡尔曼滤波融合遗传PID控制算法在提高播种精度中的应用

为提高排种器的排种精度,在传统气吸式排种盘转速控制的基础上,设计了一套卡尔曼滤波融合遗传PID控制算法,通过PID控制算法实现排种盘电机转速的闭环控制,通过卡尔曼滤波算法滤除排种盘在转动过程中因振动和外界干扰等原因产生的噪声,并采用遗传算法快速准确的寻找PID控制过程中的最优控制参数.为验证算法的有效性,假设输入信号为单位阶跃信号,并在噪声大小为0.002和0.1的情况下分别进行了实验.在噪声为0.002时,传统PID控制响应波动值可达到1.5,遗传PID控制响应波动值最大仅为1.2;加入卡尔曼滤波后,传统PID控制输出响应趋于稳定的时间约为0.2 s,遗传PID控制的输出响应趋于稳定的时间约为0.08 s;同理,将噪声增大为0.1后,采用相同的实验方案进行实验,最终实验说明了卡尔曼滤波融合遗传PID控制算法在提高排种盘电机转速稳定性中的有效性.     

基于遗传算法的非饱和溶质运移参数优化

根据室内实验和数值模拟数据,分别以土壤含水率和溶质质量浓度的实测值与其计算值标准差最小为优化目标,建立溶质和水分运移参数识别的多目标优化模型,采用遗传算法、有限差分法和线性加权法相结合的计算方法,对模型进行优化求解。分别以单组、2组和3组时刻实验数据组合作为参数优化初始数据,获取了土壤非饱和水分和溶质运移参数值,并以1 345 min时刻实验数据进行验证。含水率计算值与实测值相关系数的最大值和最小值分别为0.975 3和0.945 0;溴离子溶液质量浓度的计算值与实测值相关系数最大值和最小值分别为0.964 6和0.935 2,实测值与计算值吻合较好,表明用这一方法识别非饱和水分-溶质运移参数是可行的。     

吸附性土壤溶质运移参数识别的粒子群-差分算法

非饱和土壤水分和溶质运移参数(导水率、扩散率、水动力弥散系数)的识别是进行数值模拟的关键.基于垂直一维非饱和吸附性土壤水分-溶质运移方程,以溴化钾为入渗溶液,分别以土壤含水率和溶质溶度的实测值与计算值标准差最小为优化目标,建立水分-溶质运移参数识别的多目标优化模型.应用权重系数法,将这一多目标优化问题转化为单目标优化问题,采用动态权重、异步时变学习因子的粒子群算法对模型求解.通过土柱实验,测定了220、380和780 min三组时刻的土壤含水率以及钾离子浓度的空间分布值,以前两组数据识别参数,第三组数据进行验证.结果表明入渗780 min权重系数为0.5时含水率以及钾离子浓度的计算值和实测值相关系数分别为0.977和0.952,标准差分别为0.007 4、2.369,实测值和计算值吻合较好,这表明粒子群识别水分和溶质运移参数是可行的.数值模拟表明,权重越大含水率实测和计算值的相关系数越大而浓度实测值和计算值的相关系数越小.