基于深度强化学习的自动化集装箱码头集成调度方法

针对自动化集装箱码头卸货过程中岸桥、智能运输机器人和场桥设备交互作业, 实际调度环境复杂多变等问题, 以最小化最大完工时间为目标, 构建基于混合流水车间的三阶段集装箱码头集成调度模型, 为解决自动化码头调度环境动态性强的特点, 使用1种深度强化学习算法(DDQN)进行求解。依据码头实际调度情况, 使用神经网络实时拟合动作-值函数, 把各阶段设备状态数据输入模型, 采用经验回放机制训练模型, 把单一启发式规则加复合启发式规则作为设备候选行为, 通过强化学习动作选择与动作评估机制, 得到最优的集装箱-设备组合策略, 并与精确算法和常用的几种元启发式策略进行对比分析。结果表明: 较大规模算例下, 与目前较为先进的粒子群算法相比, 所提方法的总作业时间平均降低了7.84%, 与理论下界值的差距分别为6.0%, 5.6%, 4.6%, 三阶段设备负载较为均衡, 设备平均利用率为89%, 满足实际应用需求; 小规模算例下, 与Gurobi求解器的总完工时间平均误差为1.99%, 且随着算例规模增加, 所提算法在求解时间上显现出一定的优势, 求解时间最大提升59%, 验证了所提方法对于提升自动化集装箱码头运行效率的可行性和高效性。      

米非司酮改善不可预计性慢性应激所致大鼠学习和记忆功能损伤

目的探索米非司酮对不可预计性慢性应激(UCS)所致大鼠学习和记忆损伤的保护作用。方法雄性Wistar大鼠40只分为对照组、模型组、治疗组(分大、中、小剂量3组),每组8只。对照组不给予特殊处理;模型组给予21 d UCS;治疗组在给予UCS的同时,每天分别给予50、100、200 mg/kg的米非司酮。处理前后分别做电迷宫和物体识别实验,检测血促肾上腺皮质激素(ACTH)、皮质酮(CORT)浓度。结果处理前各组在电迷宫和物体识别实验中的指标无明显差异。处理后,模型组和小剂量治疗组的正确反应次数、辨别指数均明显降低且低于对照组(P<0.01);大、中剂量组较前变化不明显但显著高于模型组(P<0.01)。模型组和小剂量治疗组的总反应时间明显延长且长于对照组,但大、中剂量治疗组总反应时间延长不明显且明显短于模型组(P<0.01)。处理前各组血ACTH和CORT浓度无明显差异,处理后模型组和各治疗组均明显升高(P<0.01),且高于对照组(P<0.01)。结论米非司酮可在一定程度上拮抗UCS所致的大鼠学习和记忆损伤,并呈现出剂量依赖性。     

工学结合一体化课程教学反思的撰写示例 ——以"单排行星齿轮机构运动规律的探究"为例

工学结合一体化课程的教学设计主要包括教学设计思路、教学对象分析、教材分析与处理、任务目标与内容设计、教学情景设置、教学方法的运用、教学过程组织、教学反思等要素。而"教学反思"作为教学活动的最后一个环节,是不断提升教学质量、改善教学效果的极其重要一环,如何正确规范撰写实用性的教学反思,是每一位教师都应该掌握的一项教学基本技能。本文以"单排行星齿轮机构运动规律的探究"为例,通过这一则工学结合一体化课程教学反思的撰写示例,呈现系统全面的教学反思过程,直观解决如何开展教学反思这一问题。     

基于强化学习的干线信号混合协同优化方法

交通拥堵已成为很多大中城市普遍存在的社会问题。信号控制作为缓堵保畅的重要措施之一，愈发受到社会关注。信号优化手段可分为模型驱动和数据驱动两类，且随着交通大数据的不断充实，基于强化学习的数据驱动方法日益成为新兴发展方向。然而，现有数据驱动类研究主要偏重于决策模型设计，缺乏对智能体结构的探讨；同时，在多路口协同方面多采用分布式策略， 忽略了智能体之间信息交互，无法保障区域层面的整体最优性。为此，本文以干线信号为对象， 构建一种多智能体混合式协同决策的信号优化方法。首先，针对交通状态的多样性、异构性及数据不均衡性，设计分布训练-分区记忆的单智能体决策模型，并优化状态空间和回报函数，界定单路口控制的最佳方案；其次，融合分布式和集中式学习的模型优势设计多智能体交互方法，在单路口分布式控制的基础上，设置中心智能体评价局部智能体的决策行为并反馈附加回报以调整局部智能体的决策模型，实现干线多信号的协同运行。最后，搭建仿真平台完成效果测试与算法对比。结果表明：新方法与独立优化和分布式协同相比，在支路交通流基本不受影响的前提下， 干线停车次数分别降低了14.8%和13.6%，具有更好的控制效果。     

费曼学习法在高铁桥梁施工课程实训教学中的应用

以培养高素质技术技能人才为目标,职业技术和职业技能为主要教学内容,重视实践技能的培养,是高职教育的主要特征,也是高职与普通高等教育的重要区别,实践技能的培养要靠实习实训课程来实现。分析研究近年来高职教育课程实训项目教学中存在的问题,以强化实习实训,培养学生专业技能为目标,基于费曼学习法,以高铁桥梁施工课程为例,对课程实训项目进行重构,开展教学实践与研究。     

基于深度学习和监测数据的桥梁损伤识别方法

为了挖掘桥梁健康监测数据蕴含的大量隐藏信息,以及改进传统结构损伤识别方法的不足之处,提出了基于桥梁监测数据的损伤识别方法。从有限元模拟数据和实际监测数据中分别提取加速度响应,并对原始数据进行了预处理。通过卷积神经网络和栈式自编码网络分别对明州大桥监测数据的可视化图像和时间序列进行识别,同时与浅层神经网络方法的识别正确率对比。结果表明:基于深度学习和监测数据的损伤识别方法不论是通过图像识别还是通过时间序列识别,都表现出优秀的性能:识别正确率达85%以上。与浅层神经网络相比,深度神经网络的损伤工况分类能力更强,识别正确率提高20%以上。     

考虑驾驶风格差异的高原公路危险路段识别研究

针对高原环境中驾驶人风格、生理变化与危险路段特征之间的潜在关联，提出一种基于驾驶状态的危险路段识别方法，辨识和分析不同风格驾驶人具有潜在风险的路段，并提出优化方案。首先，通过实车实验采集驾驶人行为及生理指标数据，使用DBSCAN(Density Based Spatial Clustering of Applications with Noise)得出驾驶风格类型，并依据行为特征对驾驶风格进行差异性 分析；其次，采用卷积神经网络、双向长短时记忆神经网络与注意力机制搭建危险状态识别模型，通过GPS(Global Positioning System)点位对应实现危险路段辨识，并基于驾驶风格差异，从驾驶人感知、操纵与生理角度对危险路段进行致因分析；最后，将生理与道路线形作为优化参考，以车速建议为着力点进行多元回归分析，并按照生理舒适域确定车速建议区间。结果表明：驾驶人根据行为特点分为谨慎、稳健和激进型，3类驾驶人在上行和下行途中的危险路段多为具有弯坡特征的组合型路段；海拔提升可加速危险驾驶状态的出现，各类驾驶人在上行时的紧张状态多源于弯坡组合值和转角值的增长，激进型驾驶人在坡度大于6%的直纵坡路段时亦会开始高度紧张；下行时，谨慎与激进型驾驶人在直纵坡坡度大于3%时易出现危险状态，激进型驾驶人在转角值大于80°且弯坡组合值大于50时亦存在驾驶风险。研究成果可满足高原公路人因事故预防的需求，为线形设计与交通管理措施制定提供理论依据。