订单拣选效率是移动机器人拣货系统（robotic mobile fulfillment systems,RMFS）优化研究的重点关注指标。为减少RMFS中自动导引运输车充电过程的排队等待时间，提出一种灵活充电策略，并针对RMFS的任务分配与充电调度协同优化问题建...
详细信息
订单拣选效率是移动机器人拣货系统（robotic mobile fulfillment systems,RMFS）优化研究的重点关注指标。为减少RMFS中自动导引运输车充电过程的排队等待时间，提出一种灵活充电策略，并针对RMFS的任务分配与充电调度协同优化问题建立以最小化订单拣选时间为目标的混合整数线性规划模型。为提高求解效率，设计了一种嵌入强化学习的遗传算法。实验结果验证了所提算法的有效性和协同优化的重要性，同时表明采用所提充电策略能够减少充电等待时间，进而提高订单拣选效率。
基于数据驱动的单元测试代码自动化生成技术存在覆盖率低和可读性差的问题,难以应对日益增长的测试需求。大语言模型(LLM)在代码生成任务中显示了极大的潜力,然而由于代码数据的功能风格和编码风格的差异,LLM面临灾难性遗忘和资源受限这2个挑战。为了解决这些问题,提出将编码风格和功能风格同步迁移微调的思想,并开发一种高效的LLM微调训练方法用于单元测试用例生成。首先,利用广泛使用的指令数据集对LLM进行指令对齐,并按任务类型对指令集分类;同时,提取并存储具有任务特征的权重增量;其次,设计一个自适应风格提取模块,该模块包含抗噪声干扰学习和编码风格回溯学习,以应对不同的代码编写风格;最后,在目标域分别对功能风格增量和编码风格增量进行联合训练,以实现在目标域低资源情况下的高效适配和微调。在SF110 Corpus of Classes数据集上的测试用例生成实验结果表明,所提方法的结果均优于对比方法,与主流代码生成LLM Codex、Code Llama和DeepSeek-Coder相比,所提方法的编译率分别提高0.8%、43.5%和33.8%、分支覆盖率分别提高3.1%、1.0%和17.2%;行覆盖率分别提高4.1%、6.5%和15.5%,验证了所提方法在代码生成任务上的优越性。
暂无评论