This paper proposes a push and pull search (PPS) framework for solving constrained multi-objective optimization problems (CMOPs). To be more specific, the proposed PPS divides the search process into two different stages: push and pull search stages. In the push stage, a multi-objective evolutionary algorithm (MOEA) is used to explore the search space without considering any constraints, which can help to get across infeasible regions very quickly and to approach the unconstrained Pareto front. Furthermore, the landscape of CMOPs with constraints can be probed and estimated in the push stage, which can be utilized to conduct the parameter setting for the constraint-handling approaches to be applied in the pull stage. Then, a modified form of a constrained multi-objective evolutionary algorithm (CMOEA), with improved epsilon constraint-handling, is applied to pull the infeasible individuals achieved in the push stage to the feasible and non-dominated regions. To evaluate the performance regarding convergence and diversity, a set of benchmark CMOPs and a real-world optimization problem are used to test the proposed PPS (PPS-MOEA/D) and state-of-the-art CMOEAs, including MOEA/D-IEpsilon, MOEA/D-Epsilon, MOEA/D-CDP, MOEA/D-SR, C-MOEA/D and NSGA-II-CDP. The comprehensive experimental results show that the proposed PPS-MOEA/D achieves significantly better performance than the other six CMOEAs on most of the tested problems, which indicates the superiority of the proposed PPS method for solving CMOPs.

Domination-based sorting and decomposition are two basic strategies used in multiobjective evolutionary optimization. This paper proposes a hybrid multiobjective evolutionary algorithm integrating these two different strategies for combinatorial optimization problems with two or three objectives. The proposed algorithm works with an internal (working) population and an external archive. It uses a decomposition-based strategy for evolving its working population and uses a domination-based sorting for maintaining the external archive. Information extracted from the external archive is used to decide which search regions should be searched at each generation. In such a way, the domination-based sorting and the decomposition strategy can complement each other. In our experimental studies, the proposed algorithm is compared with a domination-based approach, a decomposition-based one, and one of its enhanced variants on two well-known multiobjective combinatorial optimization problems. Experimental results show that our proposed algorithm outperforms other approaches. The effects of the external archive in the proposed algorithm are also investigated and discussed.

Cracks are among the most common, most likely, and earliest of all pavement distresses. Detecting and repairing cracks as early as possible can help extend the service life of pavements. However, Detecting cracks with precision can be challenging due to their varied structural characteristics and complex background interference. In this paper, a new convolutional neural network architecture, OUR-Net, is designed to more efficiently treat both high-and low-frequency visual image features. An Ocatve Convolution is incorporated into the proposed network as an enhancement to conventional convolution. In particular, an Octave Convolution Residual Block (OCRB) is embedded in the encoder to replace the convolutional layer of the classical encoder. Moerover, we propose Octave Max Unpooling (OMU) as the upsampling operation of the decoder, enabling the neural network to learn how to decode multi-spatial frequency features. Compared with models using traditional convolution, OUR-Net has better capability of processing multi-scale information, thus simultaneously improving model performance while saving computational costs by reducing spatial redundancy. We evaluate the superiority of the proposed method by comparing it to state-of-the-art crack segmentation methods on four public datasets (CrackLS315, CFD, Crack200, DeepCrack), which encompass cracks of various widths. Comprehensive experimental results reveal that the proposed method performs excellently, which achieves F1-score and mIoU of 0.9112, 0.9271, 0.8106, 0.9318, and 0.8369, 0.8644, 0.6815, 0.8723, respectively, on the four datasets. A lightweight version of the proposed network is constructed using depthwise separable convolution that achieves excellent performance with only 0.88M parameters.

This paper proposes a novel adaptive variable power sliding mode observer-based model predictive control (AVPSMO-MPC) method for the trajectory tracking of a Mecanum-wheeled mobile robot (MWMR) with external disturbances and model uncertainties. First, in the absence of disturbances and uncertainties, a model predictive controller that considers various physical constraints is designed based on the nominal dynamics model of the MWMR, which can transform the tracking problem into a constrained quadratic programming (QP) problem to solve the optimal control inputs online. Subsequently, to improve the anti-jamming ability of the MWMR, an AVPSMO is designed as a feedforward compensation controller to suppress the effects of external disturbances and model uncertainties during the actual motion of the MWMR, and the stability of the AVPSMO is proved via Lyapunov theory. The proposed AVPSMO-MPC method can achieve precise tracking control while ensuring that the constraints of MWMR are not violated in the presence of disturbances and uncertainties. Finally, comparative simulation cases are presented to demonstrate the effectiveness and robustness of the proposed method.

The fuzzy controller is a popular choice for permanent magnet synchronous motor (PMSM) control systems because of its advantages, such as straightforward design, and no reliance on the precise mathematical model of the motor. But the existing pure PI-like fuzzy control strategy still has some disadvantages, such as poor adaptive ability and large overshooting. This work redevelops the structure and rules of the adaptive fuzzy controller, and proposes and proves an improved adaptive PI-like fuzzy control algorithm for the PMSM system. Firstly, a parallel dual fuzzy controller structure is constructed to facilitate the adaptive adjustment of the “PI-like fuzzy controller”. Secondly, the error acceleration parameter rv(k), which contains the PMSM speed information, is set and normalized to accurately identify the dynamic response stages of the PMSM system. Lastly, an adaptive fuzzy rule table is designed based on the dynamic response waveform of the PMSM system, and the control characterization is analyzed. The simulation and experimental results of the PMSM system show that the improved adaptive PI-like fuzzy controller has a broad dynamic adjustment range, the PMSM can rapidly and smoothly reach the given speed during the startup stage with small overshooting, the speed drop is low when the load is abruptly added, the PMSM system can quickly return to the steady state with a strong adaptive ability, and its dynamic performance indicators surpass those of the PID controller and traditional PI-like fuzzy controller.

During quadrotor load transport, the cable’s elasticity exacerbates load fluctuations, which may result in platform instability or a potential crash. This paper introduced a model of the connecting cable as a spring-damper system and established the dynamic model of the suspension system based on Newton’s law. Nonsingular fast terminal sliding mode control (NFTSMC) was employed for attitude, position, and anti-swing controller design. Adaptive controllers were integrated into altitude control to address uncertainties related to load mass and cable length. The inclusion of an anti-swing controller into the position control loop effectively dampens load oscillations while ensuring accurate position tracking. Numerical simulations demonstrated that the proposed controller outperforms both the energy-based controller and the conventional linear sliding mode controller.

Current energy-saving lighting control algorithms often face the dilemma of local optimality, which limits the energy-saving potential and comfort improvement of indoor lighting systems. The control parameters of the lighting system are optimized using a genetic simulated annealing algorithm to achieve the global optimal solution and enhance energy-saving efficacy in indoor lighting. The local search ability of the algorithm is enhanced by simulated annealing processing of excellent individuals after genetic operation. The genetic probability is adaptively adjusted according to the number of iterations and the fitness of the population, so that the algorithm enriches the population diversity in the early stage and avoids the “premature” convergence of the algorithm. A lamp illuminance model based on an artificial neural network and an indoor natural illuminance model based on a workbench are proposed to evaluate the lighting comfort, which provides a basis for constructing the fitness function of the optimization algorithm. Through the simulation experiment, the genetic simulated annealing algorithm is applied to the lighting scene introduced in this paper and compared with the traditional particle swarm optimization algorithm and genetic algorithm, the lighting energy saving performance is significantly improved.