LU/doctoral-dissertation
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

学位论文定稿

Browse Source
This commit is contained in:
hit-lu
2025-05-27 22:27:39 +08:00
commit a789f36041
74 changed files with 1427510 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files

45
back/acknowledgements.tex Normal file
View File

@ -0,0 +1,45 @@
% !Mode:: "TeX:UTF-8"
\begin{acknowledgements}
二十余载的求学之路，至今日暂告一段落。书山有路，学海无涯，我以这篇博士学位论文，为我的求学生涯标上一个阶段性的句点，同时也为新的征程拉开序幕。
谨以此文，向一路走来给予我支持与帮助的亲人、师长、朋友表达深深的谢意。
首先，衷心感谢我的导师高会军教授。高老师作为团队的主心骨和领路人，带领团队在光机电一体化、智能装备研发领域深耕十余年，得益于老师搭建的高端研发平台和前瞻性的课题规划，我在其中将产学研紧密结合，从工程实践中提炼科学问题，将所学知识运用于解决实际工程问题中，真正把论文写在祖国的大地上。高老师对待科研项目严谨的态度、勤勉不懈的精神，始终是我学习的榜样。
感谢邱剑彬教授，邱老师在我课题研究过程中多次为我指点迷津、答疑解惑，
在学术论文和博士学位论文的撰写过程中，邱老师细致耐心地为我修改论文，提出宝贵建议，指导我回复审稿人的意见，使我有信心一步步深入课题的研究工作。
感谢Juan J. Rodr\'{i}guez-Andina教授，Juanjo教授对我的学术论文进行了大量细致入微的修改，对我论文写作水平的提升起到很大助益。
感谢杨宪强教授，杨老师总是身体力行地参与到项目之中，在项目的立项和开展过程中提供了很多指导，在忙碌之余关心和鼓励我的课题进展，令我深受感动。
智能控制与系统研究所的杨学博教授、孙维超教授、王桐教授、潘惠惠教授、于金泳教授、林伟阳教授等也在平时的学习生活中给予了我诸多关心和帮助，在此一并致谢。
感谢李政锴师兄，作为课题组的大师兄，师兄在课题前期做了大量基础性工作，并给予我悉心指导，支持和帮助我开展课题的相关研究。
感谢刘志太师兄，师兄从研究生入学起便给予我诸多帮助，在我科研、生活、工作中遇到困难时，总是为我答疑解惑、出谋划策，于我而言既是良师也是益友。
感谢陈琦师兄，我们在学习和生活中常常交流探讨，在数年的硕博求学过程中他常常为我排忧解难，宿舍内的深夜长谈更是为我的读博生活增添了许多乐趣。
感谢任昕旸师兄，即使是对初来乍到的小师弟，师兄也总是愿倾囊相助，在我项目研究中做那个可靠又热心的“智囊”，为我解决工程难题提供了重要的助力。
感谢皮棋棋和曹峻虎师弟，同为课题组早期成员，我们相识最久，交流最频繁，时常讨论论文的想法和进展，感谢他们在学习、工作和生活上对我的支持和帮助。
感谢优化课题组的尹宝青、毕宇航、高磊、王跃翔、杨利龙等师弟，在相互学习和交流中，我们一起参与项目的研发和课题的研究，很高兴能与他们相遇。
此外，还要感谢同门师兄弟陈兆楠、刘欢锂、张忠金、李苑、龚见素、余朝海、贾志祥、韩春刚、刘译彭、张元明等同学，我们在读博期间相互沟通、共同进步，让我感受到了集体的力量和温暖。
感谢宁波智能装备研究院有限公司，研究院立足于智能装备研发、培养了一批批硕博士研究生，取得了一系列突出的成果。在学校异地培养政策的支持下，我在研究院学习和工作了四年有余，工程能力和科研能力跟着项目共同进步和成长。公司全体同仁通力合作，共同研制了多款表面组装设备，为智能装备国产化贡献了力量。我也得益于平台的快速发展，为本学位论文相关实验的顺利开展创造了有利条件。
感谢我的女友赵姗，相识近五年，我们无话不谈。在我攻读博士学位期间，她始终不离不弃地陪伴在我身边，即使面对长时间的异地恋，她也始终支持我的学习和工作。无论是我的正面或是负面情绪，她都愿意做我生活中的倾听者和分享者，我很幸运能遇到理解我的另一半。未来的路，我们一同走。
特别感谢我的父母，他们含辛茹苦地抚养我长大，始终默默支持我的求学之路。他们虽不学识渊博，但总是以鼓励的态度支持我继续深造。他们是我生命中最重要的人，是他们让我认识到知识改变命运，也是他们教会我做人做事的道理。感谢他们对我无微不至的关怀和辛勤付出，是他们在我成长的道路上指引方向，使我能在求学和科研的道路上坚定不移地走下去。
本文的研究得到国家自然科学基金项目（项目编号：U20A20188）、国家重点研发计划项目（项目编号：2024YFB3409200）等科研项目的资助，谨此致谢。基金为实验工作的开展提供了关键支持，确保了研究的顺利推进。
% 感谢国家自然科学基金项目（项目编号：U20A20188）、国家重点研发计划项目（项目编号：2024YFB3409200）等科研项目对学位论文研究工作给予的经费支持。
感谢各位评阅专家能在百忙之中参与论文的答辩和审阅工作。
生在红旗下，长在春风里。我为自己能生活在这样一个伟大的时代和国家而感到无比幸运和自豪。感谢祖国，感谢中国共产党。未来，我将继续发光发热，用自己的微薄之力为祖国的发展贡献力量！
\vspace{2em}
\hfill 2025 年 4 月
\hfill 于哈尔滨工业大学明德楼
\end{acknowledgements}

72
back/appA.tex Normal file
View File

@ -0,0 +1,72 @@
% -*-coding: utf-8 -*-
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\chapter{带章节的附录}[Full Appendix]%
完整的附录内容，包含章节，公式，图表等
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\section{附录节的内容}[Section in Appendix]
这是附录的节的内容
附录中图的示例：
% \begin{figure}[htbp]
% \centering
% \includegraphics[width = 0.4\textwidth]{golfer}
% %\bicaption[golfer5]{}{\xiaosi[0]打高尔夫球的人}{Fig.$\!$}{The person playing golf}\vspace{-1em}
% \caption{\xiaosi[0]打高尔夫球的人}
% \end{figure}
附录中公式的示例：
\begin{align}
a & = b \times c \\
E & = m c^2
\label{eq}
\end{align}
\chapter{这个星球上最好的免费Linux软件列表}[List of the Best Linux Software in our Planet]
\section{系统}
\href{http://fvwm.org/}{FVWM自从上世纪诞生以来，此星球最强大的窗口管理器。}
推荐基于FVWM的桌面设计hifvwm：\href{https://github.com/dustincys/hifvwm}{https://github.com/dustincys/hifvwm}。
\subsection{hifvwm的优点}
\begin{enumerate}
\item 即使打开上百个窗口也不会“蒙圈”，对比win或mac都无法做到。计算机性能越来越强大，窗口任务的管理必须要升级到打怪兽级别。
\item 二维可视化任务栏。
\item 自动同步Bing搜索主页的壁纸。每次电脑开机，午夜零点自动更新，用户
也可以手动更新，从此审美再也不疲劳。
\item 切换窗口自动聚焦到最上面的窗口。使用键盘快捷键切换窗口时候，减少
操作过程，自动聚焦到目标窗口。这一特性是虚拟窗口必须的人性化设
计。
\item 类似window右下角的功能的最小化窗口来显示桌面的功能此处类似
win7/win10，实现在一个桌面之内操作多个任务。
\item 任务栏结合标题栏。采用任务栏和标题栏结合，节省空间。
\item 同类窗口切换。可以在同类窗口之内类似alt-tab的方式切换。
\item ……
\end{enumerate}
\section{其他}
\href{https://github.com/goldendict/goldendict}{goldendict 星球最强大的桌面字典。}
\href{https://github.com/yarrick/iodine}{iodine，“HIT-WLAN + 锐捷”时代的福音。}
\href{http://www.aircrack-ng.org/}{aircrack，Wifi“安全性评估”工具，自由上网，
就是隔壁寝室网络会变慢一点。}
\href{https://www.ledger-cli.org/}{ledger，前“金融区块链”时代最好的复式记账系统。}
\href{https://orgmode.org/}{orgmode，最强大的笔记系统，从来没有之一。}
\href{https://www.jianguoyun.com/}{坚果云，国内一款支持WebDav的云盘系统，国内真正的云盘没有之一。}
\href{https://notmuchmail.org/}{notmuch, 目前最好的邮件管理工具，还在为每天几百
个email苦恼？几百个这些都不算多，notmuch。}
\section{vim}
实现中英文每一句一行，以及实现每一句折叠断行的简单正则式，tex源码更加乖乖。
\begin{lstlisting}
vnoremap <leader>fae J:s/[.!?]\zs\s\+/\="\r".matchstr(getline('.'), '^\s*')/g<CR>
vnoremap <leader>fac J:s/[。！？]/\=submatch(0)."\n".matchstr(getline('.'), '^\s*')/g<CR>
vnoremap <leader>fle :!fmt -80 -s<CR>
\end{lstlisting}

247
back/appendix01.tex Normal file
View File

@ -0,0 +1,247 @@
\chapter{外文资料原文}
\label{cha:engorg}
\title{The title of the English paper}
\textbf{Abstract:} As one of the most widely used techniques in operations
research, \emph{ mathematical programming} is defined as a means of maximizing a
quantity known as \emph{bjective function}, subject to a set of constraints
represented by equations and inequalities. Some known subtopics of mathematical
programming are linear programming, nonlinear programming, multiobjective
programming, goal programming, dynamic programming, and multilevel
programming$^{[1]}$.
It is impossible to cover in a single chapter every concept of mathematical
programming. This chapter introduces only the basic concepts and techniques of
mathematical programming such that readers gain an understanding of them
throughout the book$^{[2,3]}$.
\section{Single-Objective Programming}
The general form of single-objective programming (SOP) is written
as follows,
\begin{equation}\tag*{(123)} % 如果附录中的公式不想让它出现在公式索引中，那就请
% 用 \tag*{xxxx}
\left\{\begin{array}{l}
\max \,\,f(x)\\[0.1 cm]
\mbox{subject to:} \\ [0.1 cm]
\qquad g_j(x)\le 0,\quad j=1,2,\cdots,p
\end{array}\right.
\end{equation}
which maximizes a real-valued function $f$ of
$x=(x_1,x_2,\cdots,x_n)$ subject to a set of constraints.
\newtheorem{mpdef}{Definition}[chapter]
\begin{mpdef}
In SOP, we call $x$ a decision vector, and
$x_1,x_2,\cdots,x_n$ decision variables. The function
$f$ is called the objective function. The set
\begin{equation}\tag*{(456)} % 这里同理，其它不再一一指定。
S=\left\{x\in\Re^n\bigm|g_j(x)\le 0,\,j=1,2,\cdots,p\right\}
\end{equation}
is called the feasible set. An element $x$ in $S$ is called a
feasible solution.
\end{mpdef}
\newtheorem{mpdefop}[mpdef]{Definition}
\begin{mpdefop}
A feasible solution $x^*$ is called the optimal
solution of SOP if and only if
\begin{equation}
f(x^*)\ge f(x)
\end{equation}
for any feasible solution $x$.
\end{mpdefop}
One of the outstanding contributions to mathematical programming was known as
the Kuhn-Tucker conditions\ref{eq:ktc}. In order to introduce them, let us give
some definitions. An inequality constraint $g_j(x)\le 0$ is said to be active at
a point $x^*$ if $g_j(x^*)=0$. A point $x^*$ satisfying $g_j(x^*)\le 0$ is said
to be regular if the gradient vectors $\nabla g_j(x)$ of all active constraints
are linearly independent.
Let $x^*$ be a regular point of the constraints of SOP and assume that all the
functions $f(x)$ and $g_j(x),j=1,2,\cdots,p$ are differentiable. If $x^*$ is a
local optimal solution, then there exist Lagrange multipliers
$\lambda_j,j=1,2,\cdots,p$ such that the following Kuhn-Tucker conditions hold,
\begin{equation}
\label{eq:ktc}
\left\{\begin{array}{l}
\nabla f(x^*)-\sum\limits_{j=1}^p\lambda_j\nabla g_j(x^*)=0\\[0.3cm]
\lambda_jg_j(x^*)=0,\quad j=1,2,\cdots,p\\[0.2cm]
\lambda_j\ge 0,\quad j=1,2,\cdots,p.
\end{array}\right.
\end{equation}
If all the functions $f(x)$ and $g_j(x),j=1,2,\cdots,p$ are convex and
differentiable, and the point $x^*$ satisfies the Kuhn-Tucker conditions
(\ref{eq:ktc}), then it has been proved that the point $x^*$ is a global optimal
solution of SOP.
\subsection{Linear Programming}
\label{sec:lp}
If the functions $f(x),g_j(x),j=1,2,\cdots,p$ are all linear, then SOP is called
a {\em linear programming}.
The feasible set of linear is always convex. A point $x$ is called an extreme
point of convex set $S$ if $x\in S$ and $x$ cannot be expressed as a convex
combination of two points in $S$. It has been shown that the optimal solution to
linear programming corresponds to an extreme point of its feasible set provided
that the feasible set $S$ is bounded. This fact is the basis of the {\em simplex
algorithm} which was developed by Dantzig as a very efficient method for
solving linear programming.
\begin{table}[ht]
\centering
\centering
\caption*{Table~1\hskip1em This is an example for manually numbered table, which
would not appear in the list of tables}
\label{tab:badtabular2}
\begin{tabular}[c]{|m{1.5cm}|c|c|c|c|c|c|}\hline
\multicolumn{2}{|c|}{Network Topology} & \# of nodes &
\multicolumn{3}{c|}{\# of clients} & Server \\\hline
GT-ITM & Waxman Transit-Stub & 600 &
\multirow{2}{2em}{2\%}&
\multirow{2}{2em}{10\%}&
\multirow{2}{2em}{50\%}&
\multirow{2}{1.2in}{Max. Connectivity}\\\cline{1-3}
\multicolumn{2}{|c|}{Inet-2.1} & 6000 & & & &\\\hline
& \multicolumn{2}{c|}{ABCDEF} &\multicolumn{4}{c|}{} \\\hline
\end{tabular}
\end{table}
Roughly speaking, the simplex algorithm examines only the extreme points of the
feasible set, rather than all feasible points. At first, the simplex algorithm
selects an extreme point as the initial point. The successive extreme point is
selected so as to improve the objective function value. The procedure is
repeated until no improvement in objective function value can be made. The last
extreme point is the optimal solution.
\subsection{Nonlinear Programming}
If at least one of the functions $f(x),g_j(x),j=1,2,\cdots,p$ is nonlinear, then
SOP is called a {\em nonlinear programming}.
A large number of classical optimization methods have been developed to treat
special-structural nonlinear programming based on the mathematical theory
concerned with analyzing the structure of problems.
Now we consider a nonlinear programming which is confronted solely with
maximizing a real-valued function with domain $\Re^n$. Whether derivatives are
available or not, the usual strategy is first to select a point in $\Re^n$ which
is thought to be the most likely place where the maximum exists. If there is no
information available on which to base such a selection, a point is chosen at
random. From this first point an attempt is made to construct a sequence of
points, each of which yields an improved objective function value over its
predecessor. The next point to be added to the sequence is chosen by analyzing
the behavior of the function at the previous points. This construction continues
until some termination criterion is met. Methods based upon this strategy are
called {\em ascent methods}, which can be classified as {\em direct methods},
{\em gradient methods}, and {\em Hessian methods} according to the information
about the behavior of objective function $f$. Direct methods require only that
the function can be evaluated at each point. Gradient methods require the
evaluation of first derivatives of $f$. Hessian methods require the evaluation
of second derivatives. In fact, there is no superior method for all
problems. The efficiency of a method is very much dependent upon the objective
function.
\subsection{Integer Programming}
{\em Integer programming} is a special mathematical programming in which all of
the variables are assumed to be only integer values. When there are not only
integer variables but also conventional continuous variables, we call it {\em
mixed integer programming}. If all the variables are assumed either 0 or 1,
then the problem is termed a {\em zero-one programming}. Although integer
programming can be solved by an {\em exhaustive enumeration} theoretically, it
is impractical to solve realistically sized integer programming problems. The
most successful algorithm so far found to solve integer programming is called
the {\em branch-and-bound enumeration} developed by Balas (1965) and Dakin
(1965). The other technique to integer programming is the {\em cutting plane
method} developed by Gomory (1959).
\hfill\textit{Uncertain Programming\/}\quad(\textsl{BaoDing Liu, 2006.2})
\section*{References}
\noindent{\itshape NOTE: These references are only for demonstration. They are
not real citations in the original text.}
\begin{translationbib}
\item Donald E. Knuth. The \TeX book. Addison-Wesley, 1984. ISBN: 0-201-13448-9
\item Paul W. Abrahams, Karl Berry and Kathryn A. Hargreaves. \TeX\ for the
Impatient. Addison-Wesley, 1990. ISBN: 0-201-51375-7
\item David Salomon. The advanced \TeX book. New York : Springer, 1995. ISBN:0-387-94556-3
\end{translationbib}
\chapter{外文资料的调研阅读报告或书面翻译}
\title{英文资料的中文标题}
{\heiti 摘要：} 本章为外文资料翻译内容。如果有摘要可以直接写上来，这部分好像没有
明确的规定。
\section{单目标规划}
北冥有鱼，其名为鲲。鲲之大，不知其几千里也。化而为鸟，其名为鹏。鹏之背，不知其几
千里也。怒而飞，其翼若垂天之云。是鸟也，海运则将徙于南冥。南冥者，天池也。
\begin{equation}\tag*{(123)}
p(y|\mathbf{x}) = \frac{p(\mathbf{x},y)}{p(\mathbf{x})}=
\frac{p(\mathbf{x}|y)p(y)}{p(\mathbf{x})}
\end{equation}
吾生也有涯，而知也无涯。以有涯随无涯，殆已！已而为知者，殆而已矣！为善无近名，为
恶无近刑，缘督以为经，可以保身，可以全生，可以养亲，可以尽年。
\subsection{线性规划}
庖丁为文惠君解牛，手之所触，肩之所倚，足之所履，膝之所倚，砉然响然，奏刀騞然，莫
不中音，合于桑林之舞，乃中经首之会。
\begin{table}[ht]
\centering
\centering
\caption*{表~1\hskip1em 这是手动编号但不出现在索引中的一个表格例子}
\label{tab:badtabular3}
\begin{tabular}[c]{|m{1.5cm}|c|c|c|c|c|c|}\hline
\multicolumn{2}{|c|}{Network Topology} & \# of nodes &
\multicolumn{3}{c|}{\# of clients} & Server \\\hline
GT-ITM & Waxman Transit-Stub & 600 &
\multirow{2}{2em}{2\%}&
\multirow{2}{2em}{10\%}&
\multirow{2}{2em}{50\%}&
\multirow{2}{1.2in}{Max. Connectivity}\\\cline{1-3}
\multicolumn{2}{|c|}{Inet-2.1} & 6000 & & & &\\\hline
& \multicolumn{2}{c|}{ABCDEF} &\multicolumn{4}{c|}{} \\\hline
\end{tabular}
\end{table}
文惠君曰：“嘻，善哉！技盖至此乎？”庖丁释刀对曰：“臣之所好者道也，进乎技矣。始臣之
解牛之时，所见无非全牛者；三年之后，未尝见全牛也；方今之时，臣以神遇而不以目视，
官知止而神欲行。依乎天理，批大郤，导大窾，因其固然。技经肯綮之未尝，而况大坬乎！
良庖岁更刀，割也；族庖月更刀，折也；今臣之刀十九年矣，所解数千牛矣，而刀刃若新发
于硎。彼节者有间而刀刃者无厚，以无厚入有间，恢恢乎其于游刃必有余地矣。是以十九年
而刀刃若新发于硎。虽然，每至于族，吾见其难为，怵然为戒，视为止，行为迟，动刀甚微，
謋然已解，如土委地。提刀而立，为之而四顾，为之踌躇满志，善刀而藏之。”
文惠君曰：“善哉！吾闻庖丁之言，得养生焉。”
\subsection{非线性规划}
孔子与柳下季为友，柳下季之弟名曰盗跖。盗跖从卒九千人，横行天下，侵暴诸侯。穴室枢
户，驱人牛马，取人妇女。贪得忘亲，不顾父母兄弟，不祭先祖。所过之邑，大国守城，小
国入保，万民苦之。孔子谓柳下季曰：“夫为人父者，必能诏其子；为人兄者，必能教其弟。
若父不能诏其子，兄不能教其弟，则无贵父子兄弟之亲矣。今先生，世之才士也，弟为盗
跖，为天下害，而弗能教也，丘窃为先生羞之。丘请为先生往说之。”
柳下季曰：“先生言为人父者必能诏其子，为人兄者必能教其弟，若子不听父之诏，弟不受
兄之教，虽今先生之辩，将奈之何哉？且跖之为人也，心如涌泉，意如飘风，强足以距敌，
辩足以饰非。顺其心则喜，逆其心则怒，易辱人以言。先生必无往。”
孔子不听，颜回为驭，子贡为右，往见盗跖。
\subsection{整数规划}
盗跖乃方休卒徒大山之阳，脍人肝而餔之。孔子下车而前，见谒者曰：“鲁人孔丘，闻将军
高义，敬再拜谒者。”谒者入通。盗跖闻之大怒，目如明星，发上指冠，曰：“此夫鲁国之
巧伪人孔丘非邪？为我告之：尔作言造语，妄称文、武，冠枝木之冠，带死牛之胁，多辞缪
说，不耕而食，不织而衣，摇唇鼓舌，擅生是非，以迷天下之主，使天下学士不反其本，妄
作孝弟，而侥幸于封侯富贵者也。子之罪大极重，疾走归！不然，我将以子肝益昼餔之膳。”
\chapter{其它附录}
前面两个附录主要是给本科生做例子。其它附录的内容可以放到这里，当然如果你愿意，可
以把这部分也放到独立的文件中，然后将其到主文件中。

4
back/ceindex.tex Normal file
View File

@ -0,0 +1,4 @@
\begin{ceindex}
%如果想要手动加索引，注释掉以下这一样，用wordlist环境
\printsubindex*
\end{ceindex}

41
back/conclusion.tex Normal file
View File

@ -0,0 +1,41 @@
% !Mode:: "TeX:UTF-8"
\begin{conclusions}
表面组装技术作为现代电子制造业的一项核心技术，用于完成高效的集成化密集电路板表面元件组装任务，推动了相关产业的发展与升级。随着技术创新与产品升级，表面组装元件正向微型化、多引脚、高集成度的方向发展，对组装过程的生产效率也提出了更高的要求，表面组装过程优化技术在其中发挥着重要作用。现有研究已对表面组装过程优化开展了广泛的探讨，分析了其中影响组装效率的主要环节，提升了表面组装过程生产效率。为解决已有研究中模型构建不完备、优化算法适用场景受限、表面组装过程效率有待提升的问题，
本文基于既有的研究成果，从数学模型的建立和优化算法的设计两方面，围绕组装过程的关键环节由点及面地研究了贴片机的组装过程优化及其生产线的负载平衡优化，旨在扩宽算法的适用范围，进一步提升贴片机及其生产线的表面组装过程效率。
现将本文的主要研究内容总结如下：
1. 通过提取影响组装效率的关键性能指标，建立了基于关键子目标分解的贴片头任务分配模型；进一步地，提出了带约束的多拾贴周期表面组装过程路径规划模型；
通过结合组装生产线的约束条件，以关键性能指标近似组装效率，提出了最小-最大表面组装生产线负载平衡模型。
相较于以往的研究，本文提出的数学规划模型充分考虑了实际组装条件，对各环节模型进行了深入讨论，给出了模型的实例说明、参数灵敏度和模型复杂度分析。分阶段的数学模型可用于小规模数据的优化，从而获得组装过程优化问题的近似最优解；
2. 提出了周期任务集成的增强数学规划模型，以基于递归的启发式确定模型的初始解，运用限制决策变量规模和压缩模型可行解域的策略，加快了周期任务集成模型求解的速度；研究了模型的解集池的选择标准，以预先评估不同解的组装过程的移动路径指标，降低了分解子问题之间的耦合性，实现了对加权关键子目标的优化。为提升大规模数据的优化求解效率，本文提出了分层前瞻启发式搜索框架，以吸嘴分配模式的构造为基础，研究了启发式的供料器安装策略，提出了基于多种评价准则和长短期目标收益的贴片头元件分配启发式算法，优化了组装任务中的主要子目标，同时结合了实际应用场景的需求进行了扩展；
3. 提出了结合组装过程多轴作业特性的动态规划算法，保证拾贴周期规划解的最优性。动态规划可作为周期内的路径规划方法，基于此，本文设计了周期间的贴装点分配方法。在贴片头任务约束下，本文研究了多源贪心算法并融合了动态导向集束搜索策略保留非贪心解，有效提高了路径规划解的质量；提出了基于聚合路径重构启发式的自适应大邻域搜索算法，用于克服贪心搜索解的拾贴周期路径贴装点分配不均衡的局限性，实现了对组装过程贴装路径持续在线优化；
4. 设计了基于数据驱动和目标驱动的底层启发式用以快速搜索高质量的负载平衡解，提出了元件可重复分配策略用以分配同类型元件在不同贴片机的组装任务，研究了组装优先级和可用组装过程对元件分配过程的限制，进一步平衡了贴片机的工作负载。本文基于集成学习构建了组装时间估计器，通过全连接神经网络的基模型和融合子目标等的多维特征编码，提升了估计器的准确度。高准确度的估计器与有较强邻域搜索能力的超启发式算法结合，使其在可接受时间内获得具有更高装配效率和更稳定输出的解。
结合上述分析，现将本论文的主要创新点归纳如下：
1. 分析了表面组装过程的优化目标和约束条件，对复杂组装任务进行分阶段解耦，建立了完备的表面组装过程混合整数线性规划模型，分析了模型优化目标参数灵敏度和复杂度，实现了解的可行性验证和解的质量的定量分析；
2. 针对贴片头的任务分配问题，提出了周期任务集成增强模型和分层前瞻扫描启发式算法，用于解决不同规模的任务分配问题，算法具备全面搜索和高效优化的能力，在提升适用范围的基础上，保证了组装过程关键子目标的高质量；
3. 针对贴装过程的路径规划问题，设计了基于动态规划的周期内和动态导向集束搜索的周期间路径规划算法，研究了基于自适应大邻域搜索的在线迭代路径优化算法，实现了多轴路径规划高质量解的构造和对解的持续迭代优化；
4. 针对组装生产线的负载平衡问题， 研究了基于多特征融合集成时间估计的超启发式优化方法用于表面组装生产线负载平衡，构建了数据驱动和目标驱动的启发式算子，实现了多台贴片机不同生产配置下负载任务的平衡，提升了整条生产线的组装效率。
综上所述，本文针对表面组装过程优化问题，对问题的各阶段模型的建立、优化算法的设计等方面开展了全面而深入的研究。所研究的模型在完备性和可解性均有所改进，所提出的启发式算法具有运算速度快、解的质量高、适用范围广等特点，能直接部署到表面组装设备及其生产线，取得了实质性的创新性成果。然而，尽管本文的研究取得了一定的进展，但其在处理具有复杂解空间的表面组装过程优化问题时，在求解效率和解的质量方面仍有提升空间。未来的研究工作将从以下几个方面展开：
1. 改进表面组装过程数学模型：本文提出的模型仅适用于中小规模数据，且所得解仅为关键指标加权拟合的近似最优解，不同角度的建模策略有望得到深入研究，模型的求解效率仍待改进提升；
2. 完善贴装过程路径规划算法：本文对贪心式路径规划算法做了改进，下一步工作中将优化路径规划搜索策略，利用组装路径规划问题的结构特征生成更高质量的解，并设计更优的局部搜索策略提升组装过程效率；
3. 提升组装时间估计器的准确度：本文将组装时间估计器作为生产线负载平衡中分配结果质量评估的依据，后续研究可通过减少组装估计器的预测误差、融合贴装点的分布特征等，提升表面组装生产线的效率。
\end{conclusions}

37
back/publications.tex Normal file
View File

@ -0,0 +1,37 @@
% !Mode:: "TeX:UTF-8"
\begin{publication}
\noindent\textbf{（一）发表的学术论文}
\begin{publist}
\item \textbf{LU G}, LI Z, SUN H, YU X, QIN J, QIU J and GAO H. A Two-Phase PCBA Optimization with ILP Model
and Heuristic for a Beam Head Placement Machine[J]. IEEE Transactions on Industrial Informatics, 2024, 20(12):13612-13621.（WOS：001292793500001，IF：11.7，对应本文第三章和第四章）
\item \textbf{LU G}, YU X, SUN H, LI Z, QIU, J and GAO H. A Scan-Based Hierarchical Heuristic Optimization Algorithm for PCB Assembly Process[J]. IEEE Transactions on Industrial Informatics. 2024, 20(3): 3609-3618.（WOS：001077226700001，IF：11.7，对应本文第二章、第三章和第四章）
\item \textbf{LU G}, GAO H, LI Z, YU X, WANG T, QIU J and RODR\'{I}GUEZ-ANDINA J J. Hyper-Heuristic Optimization Using Multifeature Fusion Estimator for PCB Assembly Lines with Linear-Aligned-Heads Surface Mounters[J]. IEEE Transactions on Cybernetics. DOI:10.1109/TCYB.2025.3556512.（WOS：001480230000001，IF：9.4，对应本文第二章和第五章）
\end{publist}
% \clearpage
\noindent\textbf{（二）授权的发明专利}
\begin{publist}
\item 高会军，\textbf{卢光宇}，杨宪强，王大钊，刘金泽. 基于动态规划的直排式贴片机贴装头元件分配方法：ZL202211392055.2 [P], 2023-07-28.
\item 高会军,\textbf{卢光宇},杨宪强. 一种基于最大二分配的贴片机吸嘴分配方法：ZL202211392089.1 [P], 2023-05-09.
% \item 于兴虎,\textbf{卢光宇},陈兆楠,孙昊. 基于分层启发式的直排式贴片机表面贴装过程优化方法：202310039384.7 [P], 2024-10-30.
% \item 邱剑彬,\textbf{卢光宇},李政锴,于兴虎,高会军. 一种基于聚类的LED贴片机拾贴路径优化方法，202010388770.3, 2021-07-09.
\item 高会军,李政锴,\textbf{卢光宇},邱剑彬,于兴虎. 一种基于最近插入法的贴片机贴装路径规划方法：ZL202010387811.7 [P], 2021-09-24.
% \item 高会军,李政锴,\textbf{卢光宇},邱剑彬,于兴虎. 一种基于混合遗传算法的LED贴片机拾贴路径优化方法：ZL202010387801.3 [P], 2021-06-01.
\item 高会军,李政锴,\textbf{卢光宇},邱剑彬,于兴虎. 一种基于禁忌搜索算法的LED贴片机拾贴路径优化方法：ZL202010388771.8 [P], 2021-06-01.
\item 高会军,李政锴,\textbf{卢光宇},邱剑彬,于兴虎. 一种基于聚类的多功能贴片机贴装路径规划方法：ZL202010387784.3 [P], 2021-05-07.
\end{publist}
\noindent\textbf{（三）参与的科研项目}
\begin{publist}
\item 精密电子表面焊装全工序调控理论与方法，国家重点研发计划“高性能制造技术与重大装备”重点专项，2024YFB3409200，2024年12月--2027年11月.
\item 表面贴装高端智能装备基于视觉的高速高精度运动控制理论与方法，国家自然科学基金重点支持项目（联合）项目，U20A20188，2020年1月--2024年12月.
\end{publist}
\vfill
\hangafter=1\hangindent=2em\noindent
\setlength{\parindent}{2em}
\end{publication}

37
back/resume.tex Normal file
View File

@ -0,0 +1,37 @@
% !Mode:: "TeX:UTF-8"
\begin{resume}
卢光宇，男，汉族，中共党员，1996年6月出生于山西省太原市。
\textbf{学习经历：}
2015年9月，考入大连海事大学信息科学技术学院自动化专业，2017年9月转入船舶电气工程学院，2019年6月本科毕业并获得工学学士学位。
2019年9月，推荐免试攻读哈尔滨工业大学航天学院智能控制与系统研究所控制科学与工程硕士学位，同年获得硕博连读资格；2020年9月-至今，攻读控制科学与工程博士学位。
\textbf{学术成果：}
1、在国际顶级期刊IEEE Transactions on Industrial Informatics/IEEE Transactions on Cybernetics上共发表学术论文3篇。
2、申请并授权国家发明专利8项。
\textbf{参与的科研项目}
1、2020年--至今，高速高精度贴片机研发，参与贴片机软件开发、表面组装过程算法设计、表面组装生产线调度算法研究等工作，团队研制贴片机初步投入市场应用。
2、2021年--2024年，国家自然科学基金重点支持项目（联合）项目“表面贴装高端智能装备基于视觉的高速高精度运动控制理论与方法”，参与表面贴装装备中智能优化算法的研究工作。
3、2024年--至今，国家重点研发计划“高性能制造技术与重大装备”重点专项“精密电子表面焊装全工序调控理论与方法”，参与表面焊装生产线全工序调控与优化算法的研究工作。
\textbf{荣誉奖励：}
1、2015--2016学年一等优秀学业奖学金，2016--2017学年、2017--2018学年本科生国家奖学金。
2、2019年辽宁省普通高等学校优秀毕业生。
3、2022--2023学年博士生国家奖学金。
4、2025年哈尔滨工业大学优秀毕业生。
\end{resume}