
Citation: | WANG Jian, QIN Chunxia, YANG Ke, REN Ping, ZHENG Jie, ZHAO Yuanpeng, CHEN Guifeng. Design of Airborne Video Dehazing System for UCAV Based on HSV Transmission Weighted Correction[J]. Journal of Southwest Jiaotong University, 2021, 56(1): 160-167, 205. doi: 10.3969/j.issn.0258-2724.20190985 |
空车调运是实现铁路资源优化配置的重要内容,空车调运的优劣直接影响铁路车辆的利用效率、市场需求的满足程度以及运输组织的现代化水平.
近年来空车调运优化问题的研究多从供需及环境的随机性出发建立动态随机规划模型. 文献[1]基于广义旅速建立时空服务网络,提出了空车调配多阶段动态优化方法;在此基础上,文献[2]着重考虑了实际运输生产中的能力约束,建立了考虑车种替代动态规划模型;文献[3]则将空车调配分为基于固定需求的优化调整和基于客户实时需求的策略再优化两个阶段,解决了空车需求的动态变化问题;文献[4]基于供需的不确定性,为约束条件和目标函数设置了一定的置信水平,建立了多车种调配优化模型;文献[5]考虑了路网中转能力和通行能力不确定性的影响,建立多目标随机期望约束模型;文献[6]则针对列车走行时间的不确定性,提出了鲁棒优化模型,并利用对称和对偶变化降低了模型求解难度,提高了求解效率.
在上述研究的基础上,考虑到实际铁路生产中空车的产生以及空车的需求是一个时空问题,除了物理层面的连接外,还应当结合空车与列车接续时间关系进行列车之间的空车配流. 同时,网络中列车的旅行时间以及车站的技术作业时间具有不确定性,时间的波动会直接对供需网络的接续关系造成影响. 因此,本文基于鲁棒优化理论对多车种、可替代条件下的空车调运问题进行了研究.
供应站与需求站的车站技术作业时间以及站间旅行时间不确定性时,如何确定需求站的空车来源、类型与空车数量是鲁棒接续时间要求下空车调运的核心问题. 模型中包含下述参数.
定义集合及索引:I、i分别为空车供应站集合和索引,
定义供应站相关变量:
定义需求站相关变量:pj、cj和tj分别为需求站j的空车装车后产生收益、空车等待车小时费用及车站技术作业时间;Sjg,χ为空车需求站j第g列发出列车需要的
定义0-1变量: xi,e,f表示供应站i的第e列到达列车与供应站i的第f列发出列车间是否存在接续关系,xi,e,f = 1为是,xi,e,f = 0为否;yif,jg = 0表示供应站i的第f列发出列车与需求站j的第g列发出列车间是否存在接续关系,yif,jg = 1为是,yif,jg = 0为否.
定义决策变量:di,e,f,η为供应站i的第e列到达列车为供应站i发出的第f列列车供应的η型空车的数量;dif,jg,χ为供应站i第f列发出列车为需求站j发出的第g列列车供应的χ型空车的数量;dif,jg,η为供应站i第f列发出列车为需求站j第g列发出列车供应的η型空车的数量.
另外定义了空车供应站i和空车需求站j间的空车输送费用cij及站间旅行时间tij.
名义模型是将供应站与需求站车站技术作业时间以及站间旅行时间看作确定值时的空车调运模型.
1) 目标函数
以空车调运效益最大化为目标函数,如式(1)所示,其中:等号右端第1项表示空车到达需求站后由需求站装车发出所产生收益;第2项表示空车调运时产生的路径消耗费用[7];第3项表示空车在需求站的等待费用;第4项表示空车在供应站的等待费用.
C1=max{∑χ∑i∑j∑f∑gyif,jgdif,jg,χpj−∑χ∑i∑j∑f∑gyif,jgdif,jg,χcij−∑χ∑i∑j∑f∑gyif,jgdif,jg,χcj[Ljg−(Lif+tij+tj)]−∑η∑i∑e∑fxi,e,fdi,e,f,ηci(Lif−ti−Aie)}. | (1) |
2) 约束条件
式(2)表示供应站i的第e列到达列车给该站各发出列车f提供的η型空车总数不得超过第e列到达列车产生η型空车总数.
∑fxi,e,fdi,e,f,η⩽Sie,η. | (2) |
式(3)表示供应站i的各次到达列车e为该站第f列发出列车供应的空车总数不得超过第f列发出列车的最大空车挂运数目.
∑η∑exi,e,fdi,e,f,η⩽Sif. | (3) |
式(4)表示
dif,jg,η=∑χ∈Rηdif,jg,χ. | (4) |
式(5)表示供应站i发出的第f列列车中挂运的各型空车均用于满足需求站的空车需求[9-10].
∑exi,e,fdi,e,f,η=∑gyif,jgdif,jg,η. | (5) |
式(6)表示各供应站发出的列车为需求站j发出的第g列列车提供的χ型空车数量等于该列车对χ型空车的需求量.
∑i∑fyif,jgdif,jg,χ = Sjg,χ. | (6) |
式(7)表示列车间空车输送数量非负.
{di,e,f,η⩾0,dif,jg,η⩾0. | (7) |
式(8)表示如果供应站i的第e列到达列车在供应站i完成相关技术作业后,到达调车场的时刻不晚于i站第f列发出列车的最晚编组时刻,则该组供应站到达列车与发出列车之间满足最小接续时间要求,即xi,e,f = 1,否则,xi,e,f = 0. 供应站到达列车产生的空车来自重车卸车时,ti = (ti,dj + ti,zx) + (ti,jt + ti,zx) + (ti,xc + ti,zx);到达列车本身挂有空车时,ti = (ti,dj + ti,zx) + (ti,jt + ti,zx);其中:ti,dj 、 ti,zx 、ti,jt和ti,xc分别为i站的到达技术作业时间标准、转线作业时间标准、解体作业时间标准(含推峰时间)及卸车作业时间标准.
xi,e,f={1,Aie+ti⩽Lif,0,Aie+ti>Lif. | (8) |
式(9)表示若供应站i发出的第f列列车在需求站j完成相关技术作业后,到达调车场的时刻不晚于j站发出第g列列车的最晚编组时刻,即yie,jg = 1,否则,yie,jg = 0. 列车在需求站j的技术作业时间tj = (tj,dj + tj,zx) + (tj,jt + tj,zx) + (tj,zc + tj,zx),其中:tj,dj、tj,zx、tj,jt、tj,zc分别为j站到达技术作业时间标准、转线作业时间标准、解体作业时间标准及装车作业的时间标准.
yif,jg={1,Lif+tij+tj⩽Ljg,0,Lif+tij+tj>Ljg. | (9) |
式(10)表示只有当供应站i第f列发出列车存在满足接续时间要求的空车来源时,即xi,e,f = 1时,才考虑该发出列车与需求站发出列车的接续关系.
yif,jg⩽∑exi,e,f. | (10) |
为便于说明,本文定义了属于关系、连接关系和车流关系,如图1所示,图中:三角框为供应站,正方形框为需求站,圆圈为列车,后同.
定义1 属于关系指供应站到达列车e、发出列车f与供应站i之间的关系以及需求站发出列车g与需求站j之间的关系.
定义2 连接关系为供应站发出的列车f与该列车到达的需求站j之间的关系,供应站发出的任一可挂运空车的列车有且只与一个需求站建立连接关系.
定义3 车流关系是指当某一列车中的车辆可以成为另一列车中的车流来源时,两列列车之间存在的关系. 车流关系可以定义为两部分:
1) 供应站到达列车e与该站发出列车f之间的车流关系定义为第1阶段车流关系;
2) 供应站发出的列车f与需求站发出的列车e之间的车流关系定义为第2阶段车流关系.
车流关系由约束条件式(8)~(10)确定.
实际运输中由于设备因素、环境因素和人为因素的影响,列车站间旅行时间以及车站技术作业时间是不确定的,若以固定的旅行时间和技术作业时间作为空车接续时间的判断依据,当接续条件
为描述站间旅行时间和车站技术作业时间的不确定性,令
引入
{˜tij=tij+αijˆtij,˜ti=ti+βiˆti,˜tj=tj+γjˆtj. | (11) |
若
1) 目标函数
鲁棒优化模型的目标函数如式(12),约束关系如式(13)所示,结合波动程度与波动下限约束,式(12)中的C2如(14)所示,矩阵表达如式(15)所示.
max{C1+C2}, | (12) |
s.t.{αij + δij=1,βi+δi=1,γj+δj=1,∑i∑j(θij−αij)=−Γ1,∑i(θi−βi)=−Γ2,∑j(θj−γj)=−Γ3, | (13) |
C2=min{∑χ∑i∑j∑f∑gyif,jgdif,jg,χci(αijˆtij+γjˆtj)+∑η∑i∑j∑fxi,e,fdi,e,f,ηβiˆti}, | (14) |
\left[\begin{array}{ccccccccc}{{\boldsymbol{E}}}_{nm}& 0& 0& {{\boldsymbol{E}}}_{nm}& 0& 0& 0& 0& 0\\ 0& {{\boldsymbol{E}}}_{n}& 0& 0& {{\boldsymbol{E}}}_{n}& 0& 0& 0& 0\\ 0& 0& {{\boldsymbol{E}}}_{m}& 0& 0& {{\boldsymbol{E}}}_{m}& 0& 0& 0\\ -{{\boldsymbol{Z}}}_{nm}& 0& 0& 0& 0& 0& {{\boldsymbol{Z}}}_{nm}& 0& 0\\ 0& -{{\boldsymbol{Z}}}_{n}& 0& 0& 0& 0& 0& {{\boldsymbol{Z}}}_{n}& 0\\ 0& 0& -{{\boldsymbol{Z}}}_{m}& 0& 0& 0& 0& 0& {{\boldsymbol{Z}}}_{m}\end{array}\right]\left[\begin{array}{c}{{\boldsymbol{U}}}_{nm}\\ {{\boldsymbol{V}}}_{n}\\ {{\boldsymbol{W}}}_{m}\\ {{\boldsymbol{\delta}} }_{nm}\\ {{\boldsymbol{\delta}} }_{n}\\ {{\boldsymbol{\delta}} }_{m}\\ {{\boldsymbol{\theta}} }_{nm}\\ {{\boldsymbol{\theta}} }_{n}\\ {{\boldsymbol{\theta}} }_{m}\end{array}\right]=\left[\begin{array}{l}{{\boldsymbol{Z}}}_{nm}^{\text{T}}\\ {{\boldsymbol{Z}}}_{n}^{\text{T}}\\ {{\boldsymbol{Z}}}_{m}^{\text{T}}\\ -{\varGamma }_{1}\\ -{\varGamma }_{2}\\ -{\varGamma }_{3}\end{array}\right], | (15) |
式(13)、(15)中:
证明一个矩阵为完全幺模矩阵的充分条件为:① 矩阵中元素仅包含0、1、−1;② 矩阵每列最多两个非0元素;③ 矩阵的行可分划成两个子集,使得同列中两个非零元素符号相同时,对应的两行在不同的行子集中,当符号不同时,对应的两行在同一行子集中. 易得:约束矩阵式(15)满足条件 ①、②,并且当矩阵行划分为(1,4)和(2,3,5,6)两个行子集时满足条件 ③,故该约束矩阵为完全幺模矩阵. 结合完全幺模矩阵的性质,当
2) 约束条件
原约束条件中式(2)~(7)、(10)不变,式(8)、(9)分别变更为式(16)、(17).
{x_{i,e,f}} = \left\{ \begin{gathered} 1,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {A_{ie}} + {t_i} + {\beta _i}\hat{t} {{_i}} \leqslant {L_{if}}, \hfill \\ 0,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {A_{ie}} + {t_i} + {\beta _i}\hat{t} {{_i}} > {L_{if}}, \hfill \\ \end{gathered} \right. | (16) |
{y_{if,jg}} = \left\{ \begin{gathered} 1,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {L_{if}} + {t_{ij}} + {a_{ij}}\hat{t} {{_{ij}}} + {t_j} + {\gamma _j}\hat{t} {{_j}} \leqslant {L_{jg}}, \hfill \\ 0,{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {L_{if}} + {t_{ij}} + {a_{ij}}\hat{t} {{_{ij}}} + {t_j} + {\gamma _j}\hat{t} {{_j}} > {L_{jg}}{\kern 1pt} . \hfill \\ \end{gathered} \right. | (17) |
名义模型为非线性整数规划模型,求解困难,因此,求解前结合约束关系式(8) ~ (10)对模型进行简化.
以算例中的供应站3为例,为便于表示,此处仅保留三列供应站发出列车,变化前后网络结构如图2所示. 与原网络相比,新网络中仅保留了
鲁棒优化模型中引入了变量
遍历满足约束的每组
步骤1 结合式(8)~(10),得出固定出行时间下供需网络中存在的车流关系,令供应站i的第1阶段车流关系集合为
{{\varOmega} _{{\kern 1pt} {\kern 1pt} 1,i}} = [(1,1),(1,2), \cdots ,(e,f)] , | (18) |
\begin{split} {{\varOmega} _{{\kern 1pt} {\kern 1pt} {\text{2,}}i}} = [(1,1,1),(1,1,2), \cdots ,(f,j,g)], \end{split} | (19) |
式中:Ω1,i中(
步骤2 令集合
步骤3 比较
步骤4 找出减少的车流关系中包含的供应站集合I1、需求站集合J1以及连接关系集合O,以步骤3中假设为例,减少的车流关系中包含的供应站为I1 = {1,2,3},包含的需求站为J1 = {1,2},包含的连接关系为
步骤5 令集合
1) 若
2) 针对
3) 若
步骤6 输入由
该算法在给定波动量
以5个需求站和4个供应站构成的网络进行分析. 供应站列车的到达时刻
供应站 | 产生空车的到达列车编号 | |||
1 | 2 | 3 | 4 | |
1 | 7,5,7,5 | 412,3,5,5 | −439,5,5,5 | −100,5,3,5 |
2 | −35,3,5,7 | 450,3,10,2 | −465,7,5,3 | −50,5,8,3 |
3 | −367,5,6,5 | −497,5,5,5 | 200,3,4,5 | |
4 | −436,5,5,2 | −356,5,2,5 | 80,6,4,5 | |
注:以逗号为分隔的各项依次为列车到达时间/min、平车数目/辆、棚车数目/辆、敞车数目/辆. |
供应站 | 可挂运空车的发出列车编号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | 222,1,10 | 627,3,15 | −224,5,15 | 300,2,10 | 150,4,15 |
2 | 203,1,10 | 693,3,15 | −217,5,15 | 0,2,15 | 500,4,10 |
3 | −138,2,10 | −268,4,10 | 400,1,10 | 800,3,10 | 500,5,10 |
4 | −326,2,15 | −246,4,15 | 200,1,10 | 400,3,10 | 340,5,10 |
注:以逗号为分隔的各项依次为最晚编组时间/min、发往需求站编号、最大空箱挂运数目/辆. |
列车 序号 | 需求站编号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | 660,2,6,2 | 280,5,2,10 | 1160,5,8,2 | 260,2,6,1 | 400,2,8,2 |
2 | 780,5,5,2 | 560,6,8,5 | 1400,6,5,2 | 920,8,5,5 | 800,10,2,2 |
注:以逗号为分隔的各项依次为最晚编组时间/min、平车数目/辆、棚车数目/辆、敞车数目/辆. |
供 应 站 | 需求站编号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | 200,3.3 | 157,2.3 | 285,4.6 | 322,4.8 | 420,5.9 |
2 | 174,3.4 | 79,1.2 | 202,3.3 | 288,4.1 | 406,5.5 |
3 | 298,4.0 | 172,3.4 | 186,2.8 | 193,4.1 | 204,3.4 |
4 | 363,5.5 | 338,6.2 | 248,4.9 | 210,3.5 | 209,3.1 |
注:以逗号为分隔的各项依次为空车输送费用/(元•箱)−1、名义旅行时间/h. |
通过MATLAB 2018a调用数学优化软件CPLEX编程求解,得到该供需网络下的最优空车匹配方案,供应站各发出列车挂运的空车来源见表6. 各需求站发出列车的空车来源见表7. 该网络下存在474个第1阶段车流关系,204个第2阶段车流关系,空车输送效益值为53708元.
站点编号 | 需求站 | 供应站 | ||||
pj/(元•箱−1) | tj/min | cj /(元•h−1) | ti/min | ci /(元•h−1) | ||
1 | 673 | 231 | 3 | 205 | 2 | |
2 | 485 | 205 | 5 | 225 | 4 | |
3 | 598 | 246 | 6 | 218 | 6 | |
4 | 659 | 271 | 2 | 105 | 2 | |
5 | 805 | 257 | 3 |
供应站编号 | 列车发出序号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | (1,4);(1,6);0 | (2,3):0;(2,2) | (3,5);(3,5);(3,5) | 0;0;0 | (4,2);(4,3);(4,1) |
2 | (1,3);(1,5);(1,2) | (2,3);(2,10);(2,2) | 0;(3,1);0 | (3,7);(3,4);(3,3) | 0;0;0 |
3 | 0;(1,1);[(1,5),(2,4)] | (2,4);(2,5);(2,1) | 0;0;0 | (1,5);(1,3);0 | 0;0;0 |
4 | (1,5);(1,5);(1,2) | (2,4);(2,2);(2,5) | 0;0;(3,2) | 0;0;0 | [(2,1),(3,6)];(3,2);(3,1) |
注:以分号分割的各项依次对应的车型为平车、棚车、敞车; [ ]内为相同车型的空车来源集;( )内各项依次表示到达列车序号、提供空车数量/辆. 以“(1,4);(1,6);0”为例,供应站1发出的第1列列车中,挂运空车的来源为:第1列到达列车提供4辆平车;第1列到达列车提供6辆棚车;该列车中不包含敞车. |
需求站编号 | 列车发出序号 | |
1 | 2 | |
1 | (2,1,2);(1,1,6);(2,1,2) | [(1,1,4),(2,1,1)];(2,1,5);(4,3,2) |
2 | [(2,4,1),(4,1,4)];(4,1,2);[(2,4,3),(3,1,5),(4,1,2)] | (2,4,6);[(2,4,4),(3,1,1),(4,1,3)];[(3,1,4),(4,1,1)] |
3 | [(1,2,2),(2,2,3)];(2,2,8);(1,2,2) | [(1,2,1),(3,4,5)];[(2,2,2),(3,4,3)];(2,2,2) |
4 | (4,2,2);[(3,2,5),(4,2,1)];(3,2,1) | [(1,5,2),(3,2,4),(4,2,2)];[(1,5,4),(4,2,1)];(4,2,5) |
5 | (1,3,2);[(1,3,7),(2,3,1)];(1,3,2) | [(1,3,3),(4,5,7)];(4,5,2);[(1,3,1),(4,5,1)] |
注:以分号分割的各项依次对应的车型为平车、棚车、敞车; [ ]内为相同车型的空车来源集合;( )内各项依次表示供应站编号、供应站发出列车序号、空车数量/辆. 以“[(1,1,4),(2,1,1)];(2,1,5);(4,3,2)”为例,需求站1发出的第2列列车中,其装车空箱的来源为:供应站1发出的第1列车提供4辆平车,供应站2发出的第1列车提供1辆平车;供应站2发出的第1列车提供5辆棚车;供应站4发出的第3列车提供2辆敞车. |
空车替代情况:需求站2发出的列车2中由列车(4,1,1)供应的1辆敞车为平车用作敞车. 需求站4发出的列车2中由列车(1,5,4)供应的棚车中,有1辆为敞车用作棚车. 需求站5发出的列车1中由列车(1,3,7)供应的棚车中,2辆为敞车用作棚车.
波动量和波动下限造成的网络结构变化可能导致无可行解,为保证可行解的存在对网络进行下述变化.
1) 为各供应站增加一辆虚拟到达列车,该列车与供应站所有发出列车
2) 任一供应站与所有需求站间均增加一列虚拟发出列车,该列车与需求站所有发出列车
3) 当供应站发出列车空车来源为供应站虚拟到达列车时,供应站库存费用取较大常数,当需求站发出列车车流来源为供应站虚拟发出列车时,需求站发车效益为0.
4) 求得最优解后,除去供应站虚拟到达列车和虚拟发出列车对应车流关系,结合式(1)求解实际效益,作为当前方案下的效益值.
模型中的不确定因素包括站间旅行时间、供应站及需求站作业时间3项. 各因素的不确定程度由波动量
由图3可知:
1) 单因素的不确定性导致效益值出现较大变化时,必然伴随车流关系的变化. 只有当减少的车流关系属于当前最优调运方案时效益值才会有较大变化.
2) 相同波动率下效益值差距较大时,波动下限越大效益值越小. 此时,相同波动率下的最优调运方案不同,波动下限越大,网络中存在车流关系越少,网络结构越劣,效益越小.
3) 相同波动率下效益值很接近时,波动下限越大效益值越大. 此时最优调运方案一致,波动下限越大,受到影响的作业或旅行时间越多,车辆的等待时间越小,效益值越大.
4) 从单因素的绝对鲁棒性来看,波动率相同时,效益值越小则受波动率影响越大,故各因素对效益的影响程度为
给定
当
1) 站间旅行时间波动下限影响分析
2) 供应站作业时间波动下限影响分析
3) 需求站作业时间波动下限影响分析
综上,供应站作业时间波动下限对效益值的影响最小. 旅行时间波动下限和需求站作业时间波动下限取值较小时,它们对效益值有较大影响,并且二者间存在相互影响.
1) 提出供应站到达列车、发出列车以及需求站发出列车间的空车接续时间关系判断方法,并据此分别建立了确定环境与不确定环境下的空车调运优化模型.
2) 考虑构建模型的特征,将确定环境下的模型转化为了线性模型,并结合车流关系的变化是效益值变化的主要原因这一特点,设计了鲁棒优化模型的求解算法,求得了考虑车种替代的空车配流方案.
3) 需求站技术作业时间波动率对效益值影响最大. 供应站技术作业时间波动下限对效益值影响最小. 方案效益值随方案鲁棒性的提高而下降.
HE Kaiming, SUN Jian, TANG Xiaoou, et al. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341-2353. doi: 10.1109/TPAMI.2010.168
|
HE Kaiming, SUN Jian, TANG Xiaoou, et al. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409. doi: 10.1109/TPAMI.2012.213
|
BERMAN D, TREIBITZ T, AVIDAN S. Non-local image dehazing[C]//Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition. Los Alamitos: IEEE Computer Society Press, 2016: 1674-1682
|
MENG G F, WANG Y, DUAN J Y, et al. Efficient image dehazing with boundary constraint and contextual regularization[C]//Proceedings of the IEEE International Conference on Computer Vision. Los Alamitos: IEEE Computer Society Press, 2013: 617-624.
|
范新南,冶舒悦,史朋飞,等. 改进大气散射模型实现的图像去雾算法[J]. 计算机辅助设计与图形学学报,2019,31(7): 1148-1155.
FAN Xinnan, YE Shuyue, SHI Pengfei, et al. An image dehazing algorithm based on improved atmospheric scattering model[J]. Journal of Computer-Aided Design & Computer Graphics, 2019, 31(7): 1148-1155.
|
CHEN Xuesong, LU Haihua, CHENG Kaili, et al. Sequentially refined spatial and channel-wise feature aggregation in encoder-decoder network for single image dehazing[C]//IEEE International Conference on Image Processing. [S.l.]: IEEE, 2019: 2776-2780.
|
HU Haimiao, ZHANG Hongda, ZHAO Zichen, et al. Adaptive single image dehazing using joint local-global illumination adjustment[J]. IEEE Transactions on Multimedia, 2020, 22(6): 1485-1495. doi: 10.1109/TMM.2019.2944260
|
ZHAO D, XU L, YAN Y, et al. Multi-scale optimal fusion model for single image dehazing[J]. Signal Processing-Image Communication, 2019, 74: 253-265. doi: 10.1016/j.image.2019.02.004
|
LIU P J, HORNG S J, LIN J S, et al. Contrast in haze removal:configurable contrast enhancement model based on dark channel prior[J]. IEEE Transactions on Image Processing, 2019, 5(28): 2212-2227.
|
QIN M J, XIE F Y, W Li, et al. Dehazing for multi-spectral remote sensing images based on a convolutional neural network with the residual architecture[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(5): 1645-1655.
|
SINGH P, KOMODAKIS N. Cloud-gan: cloud removal for sentinel-2 imagery using a cyclic consistent generative adversarial networks[C]//IEEE International Geoscience and Remote Sensing Symposium. [S.l.]: IEEE, 2018: 1772-1775.
|
DING J, YAN Z, WEI X, et al. Light-weight residual learning for single image dehazing[J]. Journal of Elec- tronic Imaging, 2019, 28(3): 033013.1-033013.13.
|
周晓波,何魁华,周聪. 基于FPGA的图像高速去雾实时系统设计实现[J]. 电视技术,2018,42(4): 67-72.
ZHOU Xiaobo, HE Kuijua, ZHOU Cong, et al. Design and implementation of high-speed real-time image dehazing system based on FPGA[J]. Video Engineering, 2018, 42(4): 67-72.
|
张海斌. 基于Zynq实时视频图像去雾系统的设计[D]. 上海: 上海师范大学, 2018.
|
匡娇娇,张瑞珏,王慧芳. 改进的暗通道去雾算法在多核DSP上的并行实现[J]. 武汉大学学报(理学版),2016,62(6): 519-524.
KUANG Jiaojiao, ZHANG Ruijue, WANG Huifang, et al. Parallel implementaiton of improved dark channel dehazing algorithm on multicores DSP[J]. Journal of Wuhan University of Technology (Natural Science Edition), 2016, 62(6): 519-524.
|
ZHANG B, WEI J. Hardware implementation for haze removal with adaptive filtering[J]. IEEE Access, 2019, 7(11): 142498-142506.
|
Techwell Corporation. Data sheet of TW9912[M/OL]. [S.l.]: Techwell Corporation, 2011[2019-10-08]. http://www.techwelllinc.com.
|
Semtech Corporation. Gennum corporation GS2971 data sheet[M/OL]. [S.l.]: Semtech Corporation, 2009[2019-10-08]. http://www.semtech.com.
|
Surveillance Semiconductor. TS1601 3D HD video enhance processor product datasheet[M/OL]. [S.l.]: Surveillance Semiconductor, 2012[2019-10-08]. http://www.tssic.com.
|
NXP Semiconductors. i.MX6 dual/6 quad multimedia applications processor reference manual[M/OL]. Freescale: NXP Semiconductors, 2012[2019-10-08]. http://www.nxp.com.cn.
|
王健,辛向龙,张修飞. 基于i.MX6无人机视频码率受控的压缩系统设计[J]. 火力与指挥控制,2016,41(11): 148-152. doi: 10.3969/j.issn.1002-0640.2016.11.034
WANG Jian, XIN Xianglong, ZHANG Xiufei. Design of the embedded video process system based on i.MX6[J]. Fire Control & Command Control, 2016, 41(11): 148-152. doi: 10.3969/j.issn.1002-0640.2016.11.034
|
王健,秦春霞,杨珂,等. 无人机机载视频去雾系统设计[J]. 计算机测量与控制,2020,28(6): 135-139.
WANG Jian, QIN Chunxia, YANG Ke, et al. Design of the airborne video demisting system for UCAV[J]. Computer Measurement & Control, 2020, 28(6): 135-139.
|
耿威. 基于视频图像的雾天能见度检测方法研究与实现[D]. 南京: 东南大学, 2013.
|
李雪,江旻珊. 光学显微成像系统图像清晰度评价函数的对比[J]. 光学仪器,2018,40(1): 28-38.
LI Xue, Jiang Minshan. Comparison of sharpness function based on microscope[J]. Optical Instruments, 2018, 40(1): 28-38.
|
WANG Zhou, BOVIK A C, SHEIKH H R, et al. Image quality assessment:from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612. doi: 10.1109/TIP.2003.819861
|
[1] | CEN Weijun, CHEN Sining, Deng Tongchun, XIONG Kun. Algorithm Development and Application of Double-Yield-Surface Elastoplastic Constitutive Model for Earth-Rock Materials[J]. Journal of Southwest Jiaotong University, 2018, 53(3): 582-588. doi: 10.3969/j.issn.0258-2724.2018.03.020 |
[2] | SHI Jianjun, CHENG Zhiqiang, LIU Baosheng. Modified Algorithm for Simulation of Injection Molding Process[J]. Journal of Southwest Jiaotong University, 2012, 25(6): 962-967. doi: 10.3969/j.issn.0258-2724.2012.06.009 |
[3] | ZHOU Lingyuan, LI Tongmei, LI Qiao. Nonlinear Beam Element with Meshed Sections[J]. Journal of Southwest Jiaotong University, 2009, 22(5): 726-731. |
[4] | JIA Chong, ZHANG Xiyan. Plastic Deformation Mechanism of Nanocrystalline Nickel[J]. Journal of Southwest Jiaotong University, 2008, 21(4): 544-548. |
[5] | GUO Jun, WEN Zefeng, JIN Xuesong, LIU Qiyue. Three-Dimensional Elastic-Plastic Rolling Contact Stresses in Rail[J]. Journal of Southwest Jiaotong University, 2007, 20(3): 262-268. |
[6] | SHE Jian, HE Chuan. 3D Elasto-plastic Numerical Simulation of Entire Construction Process for H ighway Tunnel[J]. Journal of Southwest Jiaotong University, 2005, 18(3): 298-302. |
[7] | WANG Jue, LI Zhi. Algorithm for Wheel Rail Contact Geometry[J]. Journal of Southwest Jiaotong University, 2003, 16(2): 132-137. |
[8] | KANGGuo一zheng, CAOqing. ThermalResidualStressesinAlignedShortFiber ReinforcedMetalMatrixComPosites[J]. Journal of Southwest Jiaotong University, 2001, 14(4): 387-391. |
[9] | ZUO De-yuan, CHENDa-peng. Finite Deformation Analysis with Hybrid/Mixed Finite Element Method[J]. Journal of Southwest Jiaotong University, 2001, 14(3): 327-331. |
[10] | JIANG Xiao-yu, JINXue-song. Elastic-Plastic Analysis of Contact Problems of Wheel/Rail with Surface Micro-Roughness[J]. Journal of Southwest Jiaotong University, 2001, 14(6): 588-590. |
[11] | LUHui, SUNGuo-ying. Analysis of Three Dimensional Elastic-Plastic Stresses of Rail under Non-Ellipse Contact Area[J]. Journal of Southwest Jiaotong University, 2000, 13(4): 340-343. |
[12] | LiLan, ZhengDongfang, Yao Jie. A Compensation Algorithm for the Staggers of Contact Network under Train Vibration[J]. Journal of Southwest Jiaotong University, 1999, 12(5): 457-460. |
[13] | LI Lan, ZHENG Dong-Fang, TAO Jie. A Compensation Algorithm for the Staggers of Contact Network under Train Vibration[J]. Journal of Southwest Jiaotong University, 1999, 12(5): 457-460. |
1. | 彭梦瑶,顾水涛,周洋靖,王世猛,冯志强. 基于LiToSim平台的疲劳寿命评估LtsFatigue软件开发及应用. 应用数学和力学. 2022(09): 976-986 . ![]() |
供应站 | 产生空车的到达列车编号 | |||
1 | 2 | 3 | 4 | |
1 | 7,5,7,5 | 412,3,5,5 | −439,5,5,5 | −100,5,3,5 |
2 | −35,3,5,7 | 450,3,10,2 | −465,7,5,3 | −50,5,8,3 |
3 | −367,5,6,5 | −497,5,5,5 | 200,3,4,5 | |
4 | −436,5,5,2 | −356,5,2,5 | 80,6,4,5 | |
注:以逗号为分隔的各项依次为列车到达时间/min、平车数目/辆、棚车数目/辆、敞车数目/辆. |
供应站 | 可挂运空车的发出列车编号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | 222,1,10 | 627,3,15 | −224,5,15 | 300,2,10 | 150,4,15 |
2 | 203,1,10 | 693,3,15 | −217,5,15 | 0,2,15 | 500,4,10 |
3 | −138,2,10 | −268,4,10 | 400,1,10 | 800,3,10 | 500,5,10 |
4 | −326,2,15 | −246,4,15 | 200,1,10 | 400,3,10 | 340,5,10 |
注:以逗号为分隔的各项依次为最晚编组时间/min、发往需求站编号、最大空箱挂运数目/辆. |
列车 序号 | 需求站编号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | 660,2,6,2 | 280,5,2,10 | 1160,5,8,2 | 260,2,6,1 | 400,2,8,2 |
2 | 780,5,5,2 | 560,6,8,5 | 1400,6,5,2 | 920,8,5,5 | 800,10,2,2 |
注:以逗号为分隔的各项依次为最晚编组时间/min、平车数目/辆、棚车数目/辆、敞车数目/辆. |
供 应 站 | 需求站编号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | 200,3.3 | 157,2.3 | 285,4.6 | 322,4.8 | 420,5.9 |
2 | 174,3.4 | 79,1.2 | 202,3.3 | 288,4.1 | 406,5.5 |
3 | 298,4.0 | 172,3.4 | 186,2.8 | 193,4.1 | 204,3.4 |
4 | 363,5.5 | 338,6.2 | 248,4.9 | 210,3.5 | 209,3.1 |
注:以逗号为分隔的各项依次为空车输送费用/(元•箱)−1、名义旅行时间/h. |
站点编号 | 需求站 | 供应站 | ||||
pj/(元•箱−1) | tj/min | cj /(元•h−1) | ti/min | ci /(元•h−1) | ||
1 | 673 | 231 | 3 | 205 | 2 | |
2 | 485 | 205 | 5 | 225 | 4 | |
3 | 598 | 246 | 6 | 218 | 6 | |
4 | 659 | 271 | 2 | 105 | 2 | |
5 | 805 | 257 | 3 |
供应站编号 | 列车发出序号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | (1,4);(1,6);0 | (2,3):0;(2,2) | (3,5);(3,5);(3,5) | 0;0;0 | (4,2);(4,3);(4,1) |
2 | (1,3);(1,5);(1,2) | (2,3);(2,10);(2,2) | 0;(3,1);0 | (3,7);(3,4);(3,3) | 0;0;0 |
3 | 0;(1,1);[(1,5),(2,4)] | (2,4);(2,5);(2,1) | 0;0;0 | (1,5);(1,3);0 | 0;0;0 |
4 | (1,5);(1,5);(1,2) | (2,4);(2,2);(2,5) | 0;0;(3,2) | 0;0;0 | [(2,1),(3,6)];(3,2);(3,1) |
注:以分号分割的各项依次对应的车型为平车、棚车、敞车; [ ]内为相同车型的空车来源集;( )内各项依次表示到达列车序号、提供空车数量/辆. 以“(1,4);(1,6);0”为例,供应站1发出的第1列列车中,挂运空车的来源为:第1列到达列车提供4辆平车;第1列到达列车提供6辆棚车;该列车中不包含敞车. |
需求站编号 | 列车发出序号 | |
1 | 2 | |
1 | (2,1,2);(1,1,6);(2,1,2) | [(1,1,4),(2,1,1)];(2,1,5);(4,3,2) |
2 | [(2,4,1),(4,1,4)];(4,1,2);[(2,4,3),(3,1,5),(4,1,2)] | (2,4,6);[(2,4,4),(3,1,1),(4,1,3)];[(3,1,4),(4,1,1)] |
3 | [(1,2,2),(2,2,3)];(2,2,8);(1,2,2) | [(1,2,1),(3,4,5)];[(2,2,2),(3,4,3)];(2,2,2) |
4 | (4,2,2);[(3,2,5),(4,2,1)];(3,2,1) | [(1,5,2),(3,2,4),(4,2,2)];[(1,5,4),(4,2,1)];(4,2,5) |
5 | (1,3,2);[(1,3,7),(2,3,1)];(1,3,2) | [(1,3,3),(4,5,7)];(4,5,2);[(1,3,1),(4,5,1)] |
注:以分号分割的各项依次对应的车型为平车、棚车、敞车; [ ]内为相同车型的空车来源集合;( )内各项依次表示供应站编号、供应站发出列车序号、空车数量/辆. 以“[(1,1,4),(2,1,1)];(2,1,5);(4,3,2)”为例,需求站1发出的第2列列车中,其装车空箱的来源为:供应站1发出的第1列车提供4辆平车,供应站2发出的第1列车提供1辆平车;供应站2发出的第1列车提供5辆棚车;供应站4发出的第3列车提供2辆敞车. |
供应站 | 产生空车的到达列车编号 | |||
1 | 2 | 3 | 4 | |
1 | 7,5,7,5 | 412,3,5,5 | −439,5,5,5 | −100,5,3,5 |
2 | −35,3,5,7 | 450,3,10,2 | −465,7,5,3 | −50,5,8,3 |
3 | −367,5,6,5 | −497,5,5,5 | 200,3,4,5 | |
4 | −436,5,5,2 | −356,5,2,5 | 80,6,4,5 | |
注:以逗号为分隔的各项依次为列车到达时间/min、平车数目/辆、棚车数目/辆、敞车数目/辆. |
供应站 | 可挂运空车的发出列车编号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | 222,1,10 | 627,3,15 | −224,5,15 | 300,2,10 | 150,4,15 |
2 | 203,1,10 | 693,3,15 | −217,5,15 | 0,2,15 | 500,4,10 |
3 | −138,2,10 | −268,4,10 | 400,1,10 | 800,3,10 | 500,5,10 |
4 | −326,2,15 | −246,4,15 | 200,1,10 | 400,3,10 | 340,5,10 |
注:以逗号为分隔的各项依次为最晚编组时间/min、发往需求站编号、最大空箱挂运数目/辆. |
列车 序号 | 需求站编号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | 660,2,6,2 | 280,5,2,10 | 1160,5,8,2 | 260,2,6,1 | 400,2,8,2 |
2 | 780,5,5,2 | 560,6,8,5 | 1400,6,5,2 | 920,8,5,5 | 800,10,2,2 |
注:以逗号为分隔的各项依次为最晚编组时间/min、平车数目/辆、棚车数目/辆、敞车数目/辆. |
供 应 站 | 需求站编号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | 200,3.3 | 157,2.3 | 285,4.6 | 322,4.8 | 420,5.9 |
2 | 174,3.4 | 79,1.2 | 202,3.3 | 288,4.1 | 406,5.5 |
3 | 298,4.0 | 172,3.4 | 186,2.8 | 193,4.1 | 204,3.4 |
4 | 363,5.5 | 338,6.2 | 248,4.9 | 210,3.5 | 209,3.1 |
注:以逗号为分隔的各项依次为空车输送费用/(元•箱)−1、名义旅行时间/h. |
站点编号 | 需求站 | 供应站 | ||||
pj/(元•箱−1) | tj/min | cj /(元•h−1) | ti/min | ci /(元•h−1) | ||
1 | 673 | 231 | 3 | 205 | 2 | |
2 | 485 | 205 | 5 | 225 | 4 | |
3 | 598 | 246 | 6 | 218 | 6 | |
4 | 659 | 271 | 2 | 105 | 2 | |
5 | 805 | 257 | 3 |
供应站编号 | 列车发出序号 | ||||
1 | 2 | 3 | 4 | 5 | |
1 | (1,4);(1,6);0 | (2,3):0;(2,2) | (3,5);(3,5);(3,5) | 0;0;0 | (4,2);(4,3);(4,1) |
2 | (1,3);(1,5);(1,2) | (2,3);(2,10);(2,2) | 0;(3,1);0 | (3,7);(3,4);(3,3) | 0;0;0 |
3 | 0;(1,1);[(1,5),(2,4)] | (2,4);(2,5);(2,1) | 0;0;0 | (1,5);(1,3);0 | 0;0;0 |
4 | (1,5);(1,5);(1,2) | (2,4);(2,2);(2,5) | 0;0;(3,2) | 0;0;0 | [(2,1),(3,6)];(3,2);(3,1) |
注:以分号分割的各项依次对应的车型为平车、棚车、敞车; [ ]内为相同车型的空车来源集;( )内各项依次表示到达列车序号、提供空车数量/辆. 以“(1,4);(1,6);0”为例,供应站1发出的第1列列车中,挂运空车的来源为:第1列到达列车提供4辆平车;第1列到达列车提供6辆棚车;该列车中不包含敞车. |
需求站编号 | 列车发出序号 | |
1 | 2 | |
1 | (2,1,2);(1,1,6);(2,1,2) | [(1,1,4),(2,1,1)];(2,1,5);(4,3,2) |
2 | [(2,4,1),(4,1,4)];(4,1,2);[(2,4,3),(3,1,5),(4,1,2)] | (2,4,6);[(2,4,4),(3,1,1),(4,1,3)];[(3,1,4),(4,1,1)] |
3 | [(1,2,2),(2,2,3)];(2,2,8);(1,2,2) | [(1,2,1),(3,4,5)];[(2,2,2),(3,4,3)];(2,2,2) |
4 | (4,2,2);[(3,2,5),(4,2,1)];(3,2,1) | [(1,5,2),(3,2,4),(4,2,2)];[(1,5,4),(4,2,1)];(4,2,5) |
5 | (1,3,2);[(1,3,7),(2,3,1)];(1,3,2) | [(1,3,3),(4,5,7)];(4,5,2);[(1,3,1),(4,5,1)] |
注:以分号分割的各项依次对应的车型为平车、棚车、敞车; [ ]内为相同车型的空车来源集合;( )内各项依次表示供应站编号、供应站发出列车序号、空车数量/辆. 以“[(1,1,4),(2,1,1)];(2,1,5);(4,3,2)”为例,需求站1发出的第2列列车中,其装车空箱的来源为:供应站1发出的第1列车提供4辆平车,供应站2发出的第1列车提供1辆平车;供应站2发出的第1列车提供5辆棚车;供应站4发出的第3列车提供2辆敞车. |