Den här rapporten undersöker egenskaper hos en algoritm som är baserad på Learning Backtracking Search Optimization Algorithm (LBSA) som introducerades av Chen et. al. (2017). Undersökningen genomfördes genom att tillämpa algoritmen på Sudokuproblemet och jämföra lösningsgraden och diversiteten i den sista populationen med en algoritm som är baserad på Hybrid Genetic Algorithm (HGA) som introducerades av Deng och Li (2011). Resultaten visar att implementationen av den LBSA-baserade algoritmen har en lägre lösningsgrad än den HGA-baserade algoritmen för alla genomförda experiment, men att algoritmen håller en högre diversitet i den sista populationen för tre av de fem gjorda experimenten. Slutsatsen är att den LBSA-baserade algoritmen inte är lämplig för att lösa Sudokuproblemet på grund av en låg lösningsgrad och att implementationen har en hög komplexitet. / This report examines the properties of an algorithm based on the Learning Backtracking Optimization Algorithm (LBSA) introduced by Chen et. al. (2017). The examination was performed by applying the algorithm on the Sudoku problem and then comparing the solution rate and the diversity in the final population with an algorithm based on the Hybrid Genetic Algorithm introduced by Deng and Li (2011). The results show the implementation of the LBSA based algorithm have a lower solution rate than the HGA based algorithm for all executed experiments. But the LBSA based algorithm manage to keep a higher diversity in the final population in three of the five performed experiments. The conclusion is that the LBSA based algorithm is not suitable for solving the Sudoku problem since the algorithm has a lower solution rate and the implementation have a high complexity.

Platooning is an interesting area which involve the possibility of decreasing the fuel consumption of heavy-duty vehicles. By reducing the inter-vehicle spacing in the platoon we can reduce air drag, which in turn reduces fuel consumption. Two fuel-efficient model predictive controllers for HDVs in a platoon has been formulated in this master thesis, both utilizing road grade preview information. The first controller is based on linear programming (LP) algorithms and the second on quadratic programming (QP). These two platooning controllers are compared with each other and with generic controllers from Scania. The LP controller proved to be more fuel-efficient than the QP controller, the Scania controllers are however more fuel-efficient than the LP controller.

Sedan industriella revolutionen har hastigheten av global uppvärmning och föroreningar i miljön ökat betydligt. Företag i fordonsindustrin arbetar aktivt för att göra sina produkter mer hållbara genom att bland annat minska utsläppen, minimera användningen av icke-förnybara resurser samt att återvinna. En batteridriven elbil (BEV) är en möjlig lösning för renare transport och marknaden har ökat signifikant. Men med den nuvarande batteriteknologin skulle stora byggmaskiner som grävmaskiner behöva tunga batterier för att möta sina energibehov, vilket ökar den totala vikten. Bränslecellshybriddrivna fordon (FCHEV) med vätgas är en potentiell lösning för medelstora och stora byggmaskiner som kombinerar bränsleceller och batterier för att tillhandahålla energin. Byggmaskiner har en växlande effekt och utför vanligtvis upprepande arbetsmönster, men en bränslecell reagerar långsammare på grund av den kemiska processen. Därför behövs ett effektivt energihanteringssystem för att möta effektbehovet, uppfylla systembegränsningar, minska vätgasförbrukningen samt att begränsa bränslecell- och batteridegraderingen. Syftet med denna avhandling är att utveckla en kontrollenhet och ett estimeringsinstrument för maskinbelastning för ett sådant FCHEV system. En ny energihanteringsstrategi föreslås genom att formulera den som ett optimeringsproblem och använda modellprediktiv reglering (MPC) för att minimera målfunktionen som involverar vätgasförbrukning och hastighetsbegränsningar. Kontrollenheten ger en optimal fördelning av bränslecell- och batterikraft över en tidsperiod som uppfyller det efterfrågade effektbehovet och följer systembegränsningarna. Maskinbelastningsestimeringen är baserad på autokorrelation och integreras med kontrollenheten. Estimeringsinstrumentet fungerar som en ingång till kontrollenheten som optimerar fördelningen av kraften mellan batteriet och bränslecellen. Jämfört med den tidigare realtidsfördelningsfunktionen för effekt som användes av Volvo Construction Equipment AB (Volvo CE) visade det sig att MPC kombinerat med autokorrelationsbaserad belastningsestimering främst använde ett mycket smalare fönster för batteriets laddningstillstånd (SoC), vilket öppnar upp möjligheten att minska batteristorleken i maskinen. Transienter i bränslecellens effekt minskar också, vilket minskar dess nedbrytning och förbättrar livslängden. / Ever since the industrial evolution, the rate of global warming and pollution in the environment have gone up significantly. Automotive companies are actively working towards making their products more sustainable in terms of reducing emissions, minimizing resource utilization of non-renewables, recycling, and several other steps. A pure battery electric vehicle (BEV) is a possible solution for cleaner transport and has seen widespread adoption among users. However, with the current battery technology, large construction machines such as excavators would need heavy batteries to meet their energy demand, pushing up the overall weight. Hydrogen driven Fuel Cell Hybrid Electric Vehicles (FCHEV) are a potential solution for medium and large sized construction machines having both fuel cells and batteries to supply energy. Construction machines have a highly transient power and generally perform repeating patterns of work but a fuel cell is slow reacting device due to the chemistry involved. Hence there is a need for an efficient energy management system to meet the power demand, satisfy system constraints, reduce hydrogen consumption and limit fuel cell and battery degradation. This thesis aims to develop a controller and a machine load predictor for such a FCHEV. A novel energy management strategy is proposed by formulating it as an optimization problem and using Model Predictive Control (MPC) to minimize the objective function that involves hydrogen consumption and rate constraints. The controller yields an optimal fuel cell and battery power split over a time-horizon that fulfills the demanded power and obeys the system constraints. An auto-correlation-based machine load predictor is integrated with the controller. The predictor serves as an input to the controller that optimizes the power split between the battery and fuel cell. Compared to the previous real-time power-split function used by Volvo Construction Equipment AB (Volvo CE), the MPC combined with the auto-correlation-based load predictor was found to primarily use a much narrower battery State of Charge (SoC) window, thus opening up the potential to reduce battery size in the machine. Transients in the fuel cell power are also reduced, thus slowing down its degradation and improving the lifetime.

Nowadays, assembly robots are increasingly used in the manufacturing industry to replace or collaborate with human labors. This is the goal of the dual arm assembly robot developed by ABB. With the rapid upgrading in consumer electronics products, the lifetime of an assembly line could be only a few months. However, even for experienced programmers, to manually construct a good enough assembly sequence is time consuming, and the quality of the generated assembly sequence is not guaranteed. Moreover, a good robot assembly sequence is important to the throughput of an assembly line. For dual arm robots, it is also important to obtain a balance between the two arms, as well as handling scheduling conflicts and avoiding collisions in a crowded environment. In this master thesis, a program is produced to automatically generate the optimal assembly sequence for a class of real-world assembly cases. The solution also takes the layout of the assembly cell into account, thus constructing the best combination of cell layout, workload balancing, task sequence and task scheduling. The program is implemented using Google OR-Tools – an open-source support library for combinatorial optimization. A customized search strategy is proposed and a comparison between this strategy and the built-in search strategy of Google OR-Tools is done. The result shows that the used approach is effective for the problem study case. It takes about 4 minutes to find the optimal solution and 32 minutes to prove its optimality. In addition, the result also shows that the customized search strategy works consistently with good performance for different problem cases. Moreover, the customized strategy is more efficient than built-in search strategy in many cases. / Numera används monteringsrobotar alltmer inom tillverkningsindustrin för att ersätta eller samarbeta med människor. Detta är måluppgiften för den tvåarmiga monteringsroboten, YuMi, som utvecklats av ABB. Med den korta produktlivslängden för hemelektronikprodukter kan livslängden för en monteringslinje vara ett fåtal månader. Även för erfarna robotprogrammerare är det svårt och tidsödande att manuellt konstruera en tillräckligt bra monteringsordning, och dessutom kan resultatets kvalitet inte garanteras. En bra monteringsordning är nödvändig för genomströmningen i en monteringslinje. För tvåarmiga robotar, är det också viktigt att få en balans mellan de två armarna, samt hantering av schemakrockar och undvika kollisioner i en trång miljö. I detta examensarbete har ett program skrivits, som automatiskt genererar optimala lösningar för en klass av verkliga monteringsfall. Lösningen tar hänsyn till utformningen av monteringscellen och arrangerar cellen på bästa sätt, balanserar arbetsbelastningen, ordnar och tidsbestämmer uppgifter. Programmet använder sig av Google OR-Tools – ett öppet kodbibliotek för kombinatorisk optimering. Dessutom föreslås en skräddarsydd sökstrategi, som jämförs med Google OR-Tools inbyggda sökstrategi. Resultatet visar att den använda metoden är effektiv för problemtypen. Det tar ungefär 4 minuter att hitta den optimala lösningen och 32 minuter för att bevisa optimalitet. Dessutom visar resultatet att den anpassade sökstrategin konsekvent har en bra prestanda för olika problemfall. Dessutom är den anpassade strategin effektivare än den inbyggda sökstrategin i många fall.