一、一種改進的遺傳算法及其應用（論文文獻綜述）
孫晶華[1]（2020）在《基于混合量子算法的生產(chǎn)車間干擾管理問題應用研究》文中進行了進一步梳理車間作業(yè)調(diào)度問題是典型的多目標組合優(yōu)化問題,具有高計算復雜性和廣泛的實用前景。在生產(chǎn)加工企業(yè)實際生產(chǎn)中,由于加工需求和客戶需求不同等干擾事件,預期生產(chǎn)調(diào)度方案可能發(fā)生改變。工件加工優(yōu)先級變動、加工機器發(fā)生故障等事件發(fā)生可能導致加工時間和成本增加,企業(yè)和客戶滿意度降低。如何降低不確定干擾事件的負面影響已成為生產(chǎn)領(lǐng)域研究的熱點和亟需解決的問題。柔性作業(yè)車間調(diào)度問題是在傳統(tǒng)作業(yè)車間調(diào)度問題的基礎(chǔ)上擺脫了機器條件的約束,為干擾管理理論的應用奠定了基礎(chǔ)?，F(xiàn)有柔性作業(yè)車間調(diào)度生產(chǎn)方案中,常忽視急件到達干擾、加工優(yōu)先級改變以及機器發(fā)生故障等事件引起的惡化效應。干擾事件發(fā)生時,由于柔性作業(yè)車間調(diào)度問題具有高計算復雜性和多目標優(yōu)化的特點,傳統(tǒng)生產(chǎn)調(diào)度方案很難顧及多個客戶的利益需求,從而不易快速有效地生成應對干擾事件擾動的生產(chǎn)調(diào)度方案。本文在前景理論基礎(chǔ)上針對干擾事件的特點,分別對考慮行為主體因素、機器故障因素以及急件插單因素等干擾問題進行了研究和分析。結(jié)合量子優(yōu)化算法,對不同擾動問題的相應解決策略進行設(shè)計與探討,通過仿真實驗和實例來驗證提出干擾策略的有效性、穩(wěn)定性和可行性,同時選取Z汽車公司鉚焊車間物料配送進行調(diào)度研究,為實際生產(chǎn)作業(yè)車間調(diào)度提供了有力的理論支撐和實踐證明。本文主要研究內(nèi)容包括:（1）多目標柔性作業(yè)車間調(diào)度干擾管理問題研究。針對生產(chǎn)加工過程中受到干擾事件影響導致需要變更初始調(diào)度方法的問題,結(jié)合前景理論使用一種考慮客戶、企業(yè)管理者和車間工人三類行為主體對擾動感知程度的擾動度量方法,建立了同時考慮原始目標和擾動目標的多目標干擾管理模型,設(shè)計了一種改進的字典序多目標規(guī)劃方法以更好地解決基于干擾管理的多目標車間調(diào)度問題。最后,結(jié)合自適應調(diào)整旋轉(zhuǎn)角的量子遺傳算法來求解該模型。（2）基于前景理論的機器故障干擾管理研究。在作業(yè)車間實際生產(chǎn)過程中會遇到機器故障、工人離崗和緊急插單等干擾事件,這些隨機、動態(tài)的事件可能導致初始調(diào)度方案受到影響。本文在生產(chǎn)調(diào)度干擾管理中,將前景理論加入對干擾事件因素的分析,結(jié)合行為運籌學解決生產(chǎn)調(diào)度干擾管理問題。討論了基于右移、局部和全局三種重調(diào)度策略,提出并實現(xiàn)結(jié)合運籌學理論的相應調(diào)度方法。采用改進的量子細菌覓食算法對16種重調(diào)度情景的4項響應指標進行模擬測試和分析,比較了相同情景下不同調(diào)度策略的指標值。（3）基于累積前景理論的急件到達干擾管理研究。對急件到達的的車間調(diào)度問題進行分析研究,結(jié)合累積前景理論,從成本偏離、路徑偏離和累積前景值三個方面進行擾動度量,建立了以最小化急件插單完工時間、車間物流總時間和最大化序位相似性為目標的急件到達車間調(diào)度干擾管理模型。設(shè)計了一種改進遺傳模擬退火算法求解該模型。最后,從生產(chǎn)車間物料配送的角度,以物料配送過程出現(xiàn)的急件到達干擾為研究對象,選取Z汽車公司鉚焊車間物料配送調(diào)度進行研究,驗證了本文提出的干擾策略和算法的有效性。
谷曉琳[2]（2020）在《基于改進遺傳算法的柔性作業(yè)車間調(diào)度問題的應用研究》文中研究說明制造業(yè)的發(fā)展水平反映了國家的生產(chǎn)力水平,生產(chǎn)車間調(diào)度是制造系統(tǒng)的基礎(chǔ),生產(chǎn)調(diào)度的優(yōu)化是先進制造企業(yè)和現(xiàn)代制造技術(shù)的核心,是實現(xiàn)企業(yè)的生產(chǎn)高效率和高可靠性的關(guān)鍵技術(shù)。有效的車間調(diào)度方法和優(yōu)化技術(shù),對于制造類企業(yè)實現(xiàn)現(xiàn)代化具有重要的理論和實際意義。文中對各類柔性作業(yè)車間問題（Flexible Job-shop Scheduling Problem,FJSP）進行研究和探索,結(jié)合遺傳算法和粒子群優(yōu)化算法,對其進行改進和融合。共設(shè)計了三個優(yōu)化算法,并開發(fā)了一個柔性作業(yè)車間調(diào)度問題的原型系統(tǒng),為實際生產(chǎn)車間的調(diào)度問題提供理論指導和技術(shù)支持。針對單目標柔性作業(yè)車間調(diào)度問題,提出改進的變鄰域搜索的分層遺傳算法,求解總完工時間。在算法中,染色體采用雙層編碼結(jié)構(gòu),采用混合方法生成初始種群;將初始種群劃分為N個子種群,在每個子種群中進行改進的遺傳操作,將得到的尋優(yōu)結(jié)果存儲在精英庫中,防止最優(yōu)解的丟失;在精英庫中采用自適應變鄰域搜索,共設(shè)計了三種不同的鄰域結(jié)構(gòu),迭代過程中自適應的選擇優(yōu)化效果好的鄰域進行下一次的搜索,促進了鄰域間的競爭,使具有更優(yōu)秀搜索效果的鄰域方法擁有更高概率用于算法的優(yōu)化。針對多目標柔性作業(yè)車間調(diào)度問題,提出改進的遺傳退火算法,將總完工時間、關(guān)鍵機器負荷和機器總負荷三個目標采用加權(quán)和的方法,將多目標問題轉(zhuǎn)換為單目標問題。算法中,交叉過程采用改進的多父代工序交叉方法,多父代生成多子代,實現(xiàn)了基因的重組,加快了算法的收斂速度;在交叉和變異過程中及時更新最優(yōu)個體庫;對變異后的最優(yōu)個體庫進行模擬退火操作,通過退火機制進行細化搜索,避免了遺傳算法陷入局部最優(yōu)。充分利用模擬退火算法與遺傳算法的優(yōu)點,增強了遺傳算法的局部搜索能力,提高了算法的效率。針對多目標柔性作業(yè)車間調(diào)度問題,其求解總完工時間、關(guān)鍵機器負荷和機器總負荷三個目標的Pareto最優(yōu)解,提出自適應慣性權(quán)重的離散粒子群算法。算法在進化過程中應用離散粒子群算法直接在離散域內(nèi)求解下一代染色體的值,位置的更新用的是遺傳算法中的交叉和變異操作;并提出了一種自適應慣性權(quán)重的方法,根據(jù)粒子當前位置與全局最優(yōu)位置的距離來調(diào)整慣性權(quán)重,有效平衡了算法的全局搜索和局部搜索能力。開發(fā)針對柔性作業(yè)車間調(diào)度問題的原型系統(tǒng),用于對提出的優(yōu)化算法進行仿真和研究,并給出優(yōu)化結(jié)果。原型系統(tǒng)中可以對實際的車間問題和五組國際標準算例（5個Kacem問題,10個BRdata問題,21個BCdata問題,18個DPdata問題和66個HUdata問題）進行仿真實驗,對得到的仿真結(jié)果進行測試和分析,仿真結(jié)果驗證了文中提出的三個優(yōu)化算法是可行且有效的。最后,對全文的研究內(nèi)容和創(chuàng)新點進行了歸納和總結(jié),并對今后的研究方向進行了展望。
王仕文[3]（2019）在《某籃球館鋼結(jié)構(gòu)桁架優(yōu)化設(shè)計研究》文中提出對結(jié)構(gòu)進行優(yōu)化設(shè)計,除了能夠降低整體結(jié)構(gòu)的重量,控制項目成本,同時能夠更好地保障結(jié)構(gòu)的剛度與強度。桁架結(jié)構(gòu)的重量相對比較輕,承受荷載的能力比較強,能合理的利用材料,提升材料的利用率。桁架結(jié)構(gòu)已被廣泛應用于很多實際工程。因此優(yōu)化桁架的結(jié)構(gòu)非常重要。傳統(tǒng)的結(jié)構(gòu)優(yōu)化方法存在多種缺陷,隨著科技的發(fā)展,工程實踐中遇到的問題越來越復雜。傳統(tǒng)的優(yōu)化方法計算量較大,計算的結(jié)果精度較低,越來越不適合解決復雜的結(jié)構(gòu)優(yōu)化問題。伴隨著計算機科學技術(shù)、仿生學、數(shù)學、人工智能等學科的飛速發(fā)展,人們通過研究和利用自然界中自然現(xiàn)象或生物體機制,提出了一些智能優(yōu)化算法。智能優(yōu)化算法的開發(fā)為建筑和土木工程領(lǐng)域結(jié)構(gòu)優(yōu)化設(shè)計提供了新穎的思路和高效的方法。目前在建筑和土木工程領(lǐng)域中,雞群優(yōu)化算法的應用還很少,本文將提出一種改進的雞群優(yōu)化算法,將改進的算法與桁架結(jié)構(gòu)優(yōu)化設(shè)計相結(jié)合,希望為土木工程結(jié)構(gòu)優(yōu)化設(shè)計提供一種新的方法和思路。雞群優(yōu)化算法的改進方法為:將混沌反向?qū)W習策略的概念引入到算法的初始化中,保證全局搜索能力;母雞位置更新上加入偏好隨機動態(tài)慣性權(quán)重因子,增強算法穩(wěn)定性;再次在小雞位置更新過程中引入慣性權(quán)重因子和學習因子,做到更好的結(jié)合全局和局部搜索,并通過邊界處理預防個體出現(xiàn)越界;最后通過差分進化算法對算法整體個體位置優(yōu)化。將改進雞群優(yōu)化算法與實際桁架結(jié)構(gòu)優(yōu)化設(shè)計相結(jié)合,建立桁架結(jié)構(gòu)模型,設(shè)計變量為桁架結(jié)構(gòu)的截面面積,目標函數(shù)為桁架結(jié)構(gòu)的最小結(jié)構(gòu)重量,對建立好的桁架結(jié)構(gòu)模型進行結(jié)構(gòu)優(yōu)化分析,與其他算法和傳統(tǒng)雞群優(yōu)化算法進行對比。結(jié)果證明改進雞群優(yōu)化算法更加有效。對優(yōu)化后的桁架結(jié)構(gòu)進行ANSYS有限元分析,主要包括內(nèi)力分析、位移分析和優(yōu)化后的模態(tài)分析,得出優(yōu)化后的桁架結(jié)構(gòu)滿足內(nèi)力要求和位移要求。與優(yōu)化前的桁架結(jié)構(gòu)相比,具有更好的經(jīng)濟性。本文的研究為結(jié)構(gòu)優(yōu)化設(shè)計提供了一種新穎的思路和高效的方法。
張奇松[4]（2019）在《我國國債利率期限結(jié)構(gòu)與宏觀因子的動態(tài)關(guān)聯(lián)性研究 ——基于機器學習方法的實證分析》文中研究指明伴隨著近些年來我國經(jīng)濟的迅猛發(fā)展,中國經(jīng)濟急需一個健全和穩(wěn)定的金融市場作為其支撐,利率市場化是中國金融改革的重要組成部分,隨著1996年利率市場化改革的開始,我國利率市場化已經(jīng)取得了令人矚目的成績,目前正處于全面沖刺階段。在一個由市場自主決定利率的經(jīng)濟環(huán)境下,央行往往利用泰勒規(guī)則來保持短期利率的穩(wěn)定,進而影響長期利率,最終達到調(diào)節(jié)社會產(chǎn)出和通脹的目的。美國金融危機爆發(fā)后,利率期限結(jié)構(gòu)對于宏觀經(jīng)濟的影響效果進一步增強,比如2008年金融危機爆發(fā)后,美國政府為擺脫經(jīng)濟危機,美聯(lián)儲將聯(lián)邦基準利率調(diào)到歷史最低水平,通過“定量寬松”等手段來改變利率期限結(jié)構(gòu),進而實現(xiàn)其經(jīng)濟目標。由此可以看出,研究利率期限結(jié)構(gòu)及其相關(guān)問題對分析和判斷宏觀經(jīng)濟態(tài)勢及預期有著重要的學術(shù)價值和實踐意義。針對利率期限結(jié)構(gòu)模型的構(gòu)建大致可分為靜態(tài)模型和動態(tài)模型,但隨著金融市場的復雜化,不管是靜態(tài)模型的估計方法還是動態(tài)模型的估計方法在參數(shù)估計的精確度和算法的穩(wěn)定性上都不能滿足現(xiàn)代金融市場的需求。通過傳統(tǒng)方法擬合出現(xiàn)的收益率偏差,在微觀層面上使我們很難精準把握期限結(jié)構(gòu)的真實變動特征,在宏觀層面上也很難為政府實施精準貨幣政策而提供相應的實證支持。因此本文從利率期限結(jié)構(gòu)的估計方法入手,對靜態(tài)模型和動態(tài)模型的估計方法進行改進,提高描述利率期限結(jié)構(gòu)的精確度以及估計算法的穩(wěn)定性,同時在優(yōu)化利率期限結(jié)構(gòu)精確度的基礎(chǔ)上,緊密結(jié)合宏觀經(jīng)濟信息,分析利率期限結(jié)構(gòu)與宏觀經(jīng)濟因子的動態(tài)特征,進而有助于我們分析和判斷宏觀經(jīng)濟態(tài)勢和預期。本文共分七章,主要做了以下五個方面的工作:第一,闡述利率期限結(jié)構(gòu)的相關(guān)理論基礎(chǔ),并對國內(nèi)外相關(guān)文獻進行綜述。首先較為系統(tǒng)的介紹利率期限結(jié)構(gòu)的基礎(chǔ)理論,理順了其發(fā)展脈絡,其次針對靜態(tài)利率期限結(jié)構(gòu)、動態(tài)利率期限結(jié)構(gòu)以及宏觀金融模型的利率期限結(jié)構(gòu)的相關(guān)文獻進行闡述,總結(jié)其優(yōu)缺點,并指出本文相對于前人研究的創(chuàng)新之處。第二,關(guān)于我國國債利率期限結(jié)構(gòu)的靜態(tài)模型估計方法的研究。首先對國債利率期限結(jié)構(gòu)靜態(tài)模型進行介紹,重點介紹靜態(tài)模型中常用的三次樣條函數(shù)、Nelson-Siegel及其擴展形式模型,并指出基于三次樣條函數(shù)的利率期限結(jié)構(gòu)模型、NS模型和Svensson模型的估計方法都存在參數(shù)估計精度不高,整體擬合效果有待優(yōu)化的問題。針對其問題,本文提出一種改進遺傳算法,并將其應用在三次樣條函數(shù)分界點的選取以及估計NS及其擴展模型的參數(shù)上。通過本文所提的改進遺傳算法,可以解決傳統(tǒng)遺傳算法易陷入局部最優(yōu)解的問題,從而提高整體算法的求解性能。同時利用我國國債數(shù)據(jù)進行實證分析和研究,研究結(jié)果表明利用改進遺傳算法得到的靜態(tài)模型不管是在樣本內(nèi)數(shù)據(jù)和還是樣本外數(shù)據(jù),其擬合能力都有較大的提升,同時在多項式樣條函數(shù)模型中對改進算法中的相關(guān)參數(shù)進行討論,得出相關(guān)參數(shù)的最優(yōu)取值范圍。第三,關(guān)于無套利Nelson-Siegel模型估計方法的研究。目前針對無套利NS模型中參數(shù)的估計,往往使用卡爾曼濾波進行估計,但在卡爾曼濾波算法中,比較依賴參數(shù)初始值的設(shè)置,同時隨著參數(shù)估計數(shù)目的逐漸增多,會導致誤差的均值和均方誤差在迭代過程中會逐漸放大,使濾波估計的精準度下降。為此,本文提出一種改進自適應卡爾曼濾波方法,通過實證對比分析發(fā)現(xiàn),基于改進自適應卡爾曼濾波估計的即期利率比基于傳統(tǒng)卡爾曼濾波估計的即期利率更加接近于真實值,同時也能更好的描述我國國債期限結(jié)構(gòu)的變動特征。最后利用改進自適應卡爾曼濾波提取模型中三個狀態(tài)因子,實證發(fā)現(xiàn),提取出的水平、斜率和曲率三因子與實證代理變量高度重合,并通過潛在因子與自身滯后項的相關(guān)性分析,得出水平因子代表長期利率,受到外界沖擊時,受影響的持續(xù)時間較長;曲率因子的持久性高于斜率因子,但低于水平因子,代表了中期利率;而斜率因子持久性最短,波動性最大。第四,關(guān)于我國國債利率期限結(jié)構(gòu)與宏觀經(jīng)濟變量相關(guān)性的研究。本文在高斯仿射模型的基礎(chǔ)上加入宏觀經(jīng)濟變量,構(gòu)建關(guān)于我國國債利率期限結(jié)構(gòu)的宏觀金融仿射模型,并借助本文所提出的改進自適應卡爾曼濾波方法對宏觀金融仿射模型中的參數(shù)進行估計。重點研究經(jīng)濟狀況、財政政策、貨幣政策等宏觀因子和利率期限結(jié)構(gòu)之間的相關(guān)性,構(gòu)建基于潛在因子和宏觀經(jīng)濟因子的無套利仿射模型,并利用我國國債利率數(shù)據(jù)及宏觀經(jīng)濟數(shù)據(jù)進行實證研究。通過實證研究發(fā)現(xiàn),財政因子和貨幣因子對我國國債利率期限結(jié)構(gòu)有較為明顯的正向沖擊作用;經(jīng)濟狀態(tài)因子對我國短期國債有較為明顯的正向作用,但對長期國債的影響作用較小;通脹因子對短期期限的即期利率有正向作用,但隨著期限的增加,效果逐漸減弱,甚至出現(xiàn)微弱的負向作用,該結(jié)論與實際經(jīng)濟狀況一致。這是由于從2014年,中國經(jīng)濟增長開始放緩,而經(jīng)濟增長的放緩抵消了通貨膨脹的增長對利率的正向沖擊作用;同時潛在因子系數(shù)大于宏觀經(jīng)濟因子系數(shù),表明利率自身的滯后項對利率期限結(jié)構(gòu)的影響大于我國宏觀經(jīng)濟因子對利率期限結(jié)構(gòu)的影響,表明我國國債收益率與宏觀經(jīng)濟變量之間的傳導機制仍然不夠完善。第五,關(guān)于利率期限結(jié)構(gòu)與宏觀經(jīng)濟聯(lián)系的進一步研究。由于宏觀金融仿射模型中只能包含少數(shù)宏觀經(jīng)濟變量信息,所以導致無法更為精確的反映利率期限結(jié)構(gòu)與宏觀經(jīng)濟之間的密切關(guān)聯(lián)性,同時也無法得知貨幣政策預期對我國國債利率期限結(jié)構(gòu)的影響及其傳導作用。因此本文基于FAVAR模型,將更多更適合的宏觀經(jīng)濟變量信息,包括預期貨幣政策和未預期貨幣政策指標納入模型當中。在模型中,首先利用本文所提出的改進自適應卡爾曼濾波估計出國債即期利率期限結(jié)構(gòu),其次考察利率期限結(jié)構(gòu)與關(guān)鍵宏觀經(jīng)濟變量之間的動態(tài)關(guān)聯(lián)性以及貨幣政策預期對利率期限結(jié)構(gòu)的影響。實證發(fā)現(xiàn),改進自適應卡爾曼濾波較傳統(tǒng)卡爾曼濾波相比,改進自適應卡爾曼濾波在基于FAVAR形式的宏觀金融模型中更加有效;宏觀變量對利率期限結(jié)構(gòu)的影響較為平穩(wěn),沒有較大波動,而利率期限結(jié)構(gòu)三因子對宏觀變量的影響,波動較大,且曲率因子與宏觀經(jīng)濟變量的動態(tài)關(guān)聯(lián)與水平因子類似;經(jīng)濟放緩時期,宏觀變量與利率期限結(jié)構(gòu)之間的關(guān)聯(lián)性不變,但影響效果變大,影響持續(xù)時間縮短;未預期貨幣政策對利率期限結(jié)構(gòu)的影響程度遠大于預期貨幣政策對于利率期限結(jié)構(gòu)的影響。本文的創(chuàng)新之處在于:第一,提出一種改進遺傳算法,考察了改進遺傳算法對我國國債利率期限結(jié)構(gòu)靜態(tài)模型的影響。該算法首先在選擇操作中加入分層機制,同時在交叉過程中改進了Srinivas提出的動態(tài)交叉概率,提出“均值鄰域”的概念,根據(jù)該“均值鄰域”可以更為有效的對交叉概率進行動態(tài)調(diào)整。通過兩處改進,可以使種群中個體的優(yōu)秀基因得到進一步保留,提高整體算法的優(yōu)化效果。本文將該改進遺傳算法應用到利率期限結(jié)構(gòu)靜態(tài)模型中的多項式樣條函數(shù)模型、Nelson-Siegel和Svensson模型的相關(guān)參數(shù)估計中,提高了上述靜態(tài)模型的擬合效果,得到了更為精確的國債利率期限結(jié)構(gòu)。第二,對無套利動態(tài)Nelson-Siegel模型和宏觀金融仿射模型的估計方法進行改進,提出一種改進自適應卡爾曼濾波方法。該算法在計算預測的均方誤差操作中時增加一個指數(shù)型衰減因子,避免了在濾波過程中的易出現(xiàn)的濾波發(fā)散現(xiàn)象,進而得出更為優(yōu)化的參數(shù)值,擬合出的即期利率值更加貼近實際值,并在此基礎(chǔ)上研究利率期限結(jié)構(gòu)與宏觀經(jīng)濟變量之間的相關(guān)性。第三,利用改進自適應卡爾曼濾波對基于FAVAR形式的宏觀金融模型進行估計。一般宏觀金融模型,只能包含少數(shù)宏觀經(jīng)濟變量,無法對利率期限結(jié)構(gòu)和宏觀經(jīng)濟因子的關(guān)聯(lián)性進行深層次分析,本文利用FAVAR模型將包括預期貨幣政策和未預期貨幣政策在內(nèi)的多種宏觀變量納入考量范圍之內(nèi),不僅進一步考察利率期限結(jié)構(gòu)與宏觀經(jīng)濟因子之間的動態(tài)關(guān)聯(lián)性,也考察了貨幣政策預期對利率期限結(jié)構(gòu)的影響,同時利用改進自適應卡爾曼濾波對基于FAVAR形式的宏觀金融模型中的參數(shù)進行精確估計。
趙濤巖[5]（2019）在《二型模糊系統(tǒng)的建模與控制》文中研究表明傳統(tǒng)的模糊集合在表達和處理不確定性問題時具有很大的局限性,針對這一問題,美國模糊控制領(lǐng)域的專家Zadeh教授在其基礎(chǔ)上進行了擴展,首次引入了二型模糊集合的概念。它是對傳統(tǒng)的模糊集合中的隸屬度值再次進行模糊化處理,使其具有三維隸屬度函數(shù)特性,這樣可以擴展隸屬度函數(shù)及模糊推理的設(shè)計自由度,能夠更好的處理不確定性復雜問題。然而,二型模糊集合的三維隸屬度函數(shù)特性也帶來了計算復雜、計算量過大的問題。為此,提出了區(qū)間二型模糊集合的概念,其具有易于表達、結(jié)構(gòu)簡單和計算成本低的特點,由其組成的系統(tǒng)叫做區(qū)間二型模糊系統(tǒng)。目前,區(qū)間二型模糊系統(tǒng)是二型模糊系統(tǒng)的研究熱點問題,在很多領(lǐng)域得到了大量地應用。本文以區(qū)間二型模糊系統(tǒng)理論為基礎(chǔ),充分利用其處理不確定性復雜問題的優(yōu)勢,以乙烯裂解過程為應用背景,重點研究區(qū)間二型模糊系統(tǒng)在復雜工業(yè)過程中的建模與控制方面的理論和應用。本文的主要研究工作如下:（1）針對非線性系統(tǒng)的辨識和復雜工業(yè)過程的建模問題,提出了一種改進的區(qū)間二型模糊神經(jīng)網(wǎng)絡建模方法。在改進的算法中,網(wǎng)絡的模糊規(guī)則前件采用區(qū)間二型模糊隸屬度函數(shù),規(guī)則后件采用Mamdani模型。在解模糊計算中,設(shè)計一種能夠?qū)W習的?因子可自適應的調(diào)節(jié)降型集合的左、右端點值替代常用的均值計算方法,以此來提升系統(tǒng)的精度。改進的區(qū)間二型模糊神經(jīng)網(wǎng)絡由結(jié)構(gòu)和參數(shù)學習構(gòu)成,網(wǎng)絡模糊規(guī)則前件參數(shù)通過自適應模糊c均值算法確定,網(wǎng)絡規(guī)則后件參數(shù)的初值為區(qū)間隨機數(shù)。改進的區(qū)間二型模糊神經(jīng)網(wǎng)絡的前件參數(shù)、后件參數(shù)和權(quán)重因子?利用一種自適應梯度下降方法進行學習和調(diào)整。最后,通過一個非線性系統(tǒng)辨識的例子和建立乙烯裂解爐軟測量模型,驗證了所提出的改進區(qū)間二型模糊神經(jīng)網(wǎng)絡的有效性。（2）針對具有不確定性的復雜非線性系統(tǒng)的辨識和建模問題,提出了一種具有非對稱隸屬度函數(shù)的自組織區(qū)間二型模糊神經(jīng)網(wǎng)絡。首先采用具有四個不同模糊化參數(shù)的模糊c均值算法對輸入數(shù)據(jù)進行劃分獲得模糊規(guī)則的不確定均值和標準差。然后根據(jù)聚類有效性標準可以確定模糊規(guī)則數(shù),從而自動完成區(qū)間二型模糊神經(jīng)網(wǎng)絡的結(jié)構(gòu)和規(guī)則前件參數(shù)辨識。網(wǎng)絡的規(guī)則后件部分采用Mamdani模型,后件參數(shù)的初值為區(qū)間隨機數(shù)。最后,將提出的具有非對稱隸屬度函數(shù)的自組織區(qū)間二型模糊神經(jīng)網(wǎng)絡應用到了非線性系統(tǒng)辨識和乙烯裂解爐收率預測問題上。實驗結(jié)果與模糊神經(jīng)網(wǎng)絡和區(qū)間二型模糊神經(jīng)網(wǎng)絡相比較,證明了提出的方法擁有更好的性能。（3）針對復雜化工過程的軟測量建模問題,提出了一種基于自組織遞歸區(qū)間二型模糊神經(jīng)網(wǎng)絡的軟測量模型。它合并了區(qū)間二型模糊系統(tǒng)和遞歸神經(jīng)網(wǎng)絡的優(yōu)點,可以避免數(shù)據(jù)的不確定性帶來的困擾。高斯區(qū)間二型模糊隸屬度函數(shù)用來描繪網(wǎng)絡規(guī)則的前件,網(wǎng)絡規(guī)則后件為Mamdani類型。一種基于高斯核有效性指標的自適應最優(yōu)聚類數(shù)模糊核聚類算法用來確定網(wǎng)絡的結(jié)構(gòu)和參數(shù),網(wǎng)絡參數(shù)采用梯度下降法進行學習。最后,提出的自組織遞歸區(qū)間二型模糊神經(jīng)網(wǎng)絡應用到了乙烯裂解爐收率建模中。通過實驗比較提出的方法與模糊神經(jīng)網(wǎng)絡和區(qū)間二型模糊神經(jīng)網(wǎng)絡,結(jié)果表明提出的方法擁有更佳的性能。（4）乙烯裂解爐出口溫度控制系統(tǒng)存在非線性、多變量耦合、大時滯等干擾因素,使得它在實際的生產(chǎn)過程中很被難精確控制。為了解決這個問題,提出了一種基于區(qū)間二型模糊模型的逆控制器設(shè)計的控制策略。所提出的控制方案分為兩部分:一部分是區(qū)間二型模糊模型的逼近結(jié)構(gòu),其用來逼近過程輸出。另一部分是區(qū)間二型模糊模型逆控制器,其用來控制過程輸出跟蹤目標值。此外,大量的工業(yè)現(xiàn)場數(shù)據(jù)用來測試并取得了乙烯裂解爐平均出口溫度控制系統(tǒng)的數(shù)學模型。最后,將提出的基于區(qū)間二型模糊模型的逆控制器設(shè)計方案用在了乙烯裂解爐平均出口溫度控制系統(tǒng)中,仿真結(jié)果表明所提出的方法是可行的。（5）針對區(qū)間二型模糊控制器的降型過程損失系統(tǒng)不確定信息的問題,提出了一種基于遺傳算法的改進區(qū)間二型模糊控制器。首先,利用區(qū)間二型模糊推理和Wu-Mendel不確定邊界降型算法得到區(qū)間二型模糊輸出的四個不確定邊界值,然后對其進行再次優(yōu)化。通過利用遺傳算法優(yōu)化區(qū)間二型模糊控制器的量化因子、比例因子和隸屬度函數(shù),構(gòu)建遺傳算法的適度函數(shù)作為性能指標,使其與系統(tǒng)輸出直接相關(guān),以此來提升整個控制系統(tǒng)的性能。最后,提出的方法應用在了乙烯裂解爐平均出口溫度系統(tǒng)中,仿真結(jié)果表明所提出的方法是有效的。
古發(fā)輝[6]（2017）在《基于雙種群協(xié)同進化的智能優(yōu)化算法及其應用研究》文中指出優(yōu)化問題廣泛存在于科學研究和工程實踐中,一直是智能計算的研究熱點和難點問題之一。受生物進化啟發(fā),學者們提出了許多智能優(yōu)化算法,如遺傳算法、差分演化算法、粒子群算法、教與學優(yōu)化算法等,這些算法能夠有效地解決大多數(shù)優(yōu)化問題。然而,面對日益復雜多變的優(yōu)化問題,這些單一群智能算法常常表現(xiàn)出搜索停滯、收斂精度不高、局部最優(yōu)、泛化能力弱等不足。雙種群協(xié)同進化是通過設(shè)立兩個種群,建立它們之間的競爭或者合作關(guān)系,兩個種群通過互相作用來提高各自的性能,實現(xiàn)優(yōu)勢互補,進而提高算法在求解各類復雜優(yōu)化問題的性能。本文從建立一種通用算法模型角度出發(fā),挑選了性能較好的DE算法和TLBO算法作為重點研究對象,建立起雙種群協(xié)同進化算法模型（DPCE）;針對多約束條件優(yōu)化、多目標優(yōu)化、非線性復雜模型參數(shù)估計等問題,基于DPCE模型,進行雙種群協(xié)同進化算法設(shè)計,提出了三種新算法:雙種群協(xié)同進化的差分演化算法（DPCEDE）、雙種群協(xié)同進化的教與學優(yōu)化算法（DPCETLBO）、基于DE和TLBO的雙種群協(xié)同進化算法（DPCEDT）,并將這些算法應用到不同的實際復雜優(yōu)化問題中。本文所做工作概況如下:（1）研究了DE算法、TLBO算法的基本原理,分析了這兩個算法的研究現(xiàn)狀。針對DE算法在求解多峰函數(shù)優(yōu)化問題時容易出現(xiàn)早熟,提出了一種基于均勻分割的多種群并行差分演化算法（MPDE）,均勻分割得到幾個既不重疊又可以反映函數(shù)整體性質(zhì)的子種群,通過這些子種群并行搜索得到最優(yōu)解,然后將這些最優(yōu)解聚集到一起,進而得到全局最優(yōu)解,通過仿真實驗驗證了MPDE算法的有效性。在研究TLBO算法時,提出了一種改進的改進教與學優(yōu)化算法（MTLBO）,并將MTLBO算法應用于Van Genuchten方程參數(shù)優(yōu)化中,驗證了MTLBO算法的有效性和優(yōu)越性。（2）通過基于DE算法和TLBO算法進行了四種情況的種群設(shè)置、子種群進化策略設(shè)計等實驗分析,發(fā)現(xiàn)在算法改進中,多種群進化算法設(shè)計單純通過增加種群個體總數(shù)僅能在一定范圍內(nèi)提升算法性能;單純增加子種群數(shù)量還會因子種群間交流學習的隔離降低算法性能;而在各子種群進化策略選取上,采用不同的相似進化策略則能有效提升算法性能,若子種群采用互補型進化策略對算法性能提升則更為顯著。同時對算法種群規(guī)模設(shè)置和現(xiàn)有智能優(yōu)化算法特性的進一步反思,將雙種群規(guī)模設(shè)置和協(xié)同進化機制相結(jié)合,建立了一種通用型雙種群協(xié)同進化算法模型（DPCE）,并對DPCE模型的動力學、收斂性進行了分析,給出了DPCE模型指導下的算法設(shè)計步驟。在DPCE模型指導下,只需適當調(diào)整相應策略,便可設(shè)計出適應于不同類型優(yōu)化問題求解的算法,這對人們面對復雜系統(tǒng)優(yōu)化算法設(shè)計具有重要的指導意義。（3）針對原始DE算法存在易陷入局部最優(yōu)、收斂慢、早熟、計算代價大等不足,利用DPCE模型,將單種群獨立進化改造成雙種群協(xié)同進化模式,提出了一種雙種群協(xié)同進化的差分演化算法（DPCEDE）。在DPCEDE算法中,設(shè)立雙種群獨立進化,一個種群采用混合自適應雜交變異算子進行進化操作,對解空間進行大范圍搜索,以提高算法的收斂性;另一個種群采用混合DE和生物地理學優(yōu)化算法（BBO）雜交算子進行進化操作,一方面通過移動算子對子群體信息有效利用,另一方面以平衡算法的開采能力,避免算法早熟等現(xiàn)象;同時引入小生境淘汰機制,對兩個種群進行重組實現(xiàn)種群間的信息共享和交流,從而達到提高算法整體性能的目的。通過5組標準測試函數(shù),將DPCEDE算法與DE算法、DPDE算法進行了仿真實驗比較,實驗結(jié)果顯示DPCEDE算法較DE算法、DPDE算法在全局搜索能力和收斂性方面均具有一定的優(yōu)勢;最后,將DPCEDE算法應用于柔性車間作業(yè)調(diào)度問題（FJSP）優(yōu)化中,實現(xiàn)了柔性車間作業(yè)的資源有效配置,可有效平衡車間、設(shè)備、工序之間的平衡關(guān)系,同時,與基本DE算法、PSO算法在FJSP問題上性能進行了比較,驗證了算法的有效性和實用性。（4）針對原始TLBO算法還存在收斂慢、早熟等不足,在DPCE模型指導下,建立了一種雙種群協(xié)同進化的教與學優(yōu)化算法（DPCETLBO）。在DPCETLBO算法中,兩個種群既有分工又有交流,適應值較高的種群采用帶自適應學習因子的TLBO算法進行進化,執(zhí)行完學習過程后再對精英個體進行多父體非凸雜交,提升算法的收斂速度;適應值較低的種群采用帶偏置的反向?qū)W習TLBO算法（OLPTLBO）進行進化,以提高算法的全局搜索能力;每輪迭代后,兩個種群合并到一起,并按照適應值大小排序,重新分成兩個種群,保持種群多樣性,以獲得更優(yōu)的求解質(zhì)量。通過2組標準測試函數(shù),并比與TLBO算法、ETLBO算法進行仿真實驗對比,證實算法在收斂精度和多樣性上具有明顯優(yōu)勢;最后,將該DPCETLBO算法應用于PID控制器參數(shù)優(yōu)化中,算法22次迭代即能求收斂于最優(yōu)解,并將最優(yōu)解參數(shù)代入PID控制器的Simulink模型中,觀測其階躍響應信號,仿真結(jié)果表明階躍響應信號能很快趨于平穩(wěn),同時,與基本TLBO算法、PSO算法在PID控制器參數(shù)優(yōu)化中性能進行了比較,進一步證明該算法的實用性。（5）針對DE和TLBO算法各自的優(yōu)點和缺點,基于互補策略,采用揚長避短機制,利用DPCE模型,將DE算法和TLBO算法進行巧妙結(jié)合,構(gòu)建一種基于DE和TLBO的雙種群協(xié)同進化算法（DPCEDT）。在DPCEDT算法中,設(shè)置雙種群獨立進化,一個種群采用DE算法進行進化,另一個種群采用TLBO算法進行進化,并在每一代的進化過程中,首先根據(jù)兩個種群中的當前最優(yōu)個體進行組合生成一個復合個體,然后利用生成的復合個體再進一步指導兩個種群協(xié)同進化,通過這種方式將兩個種群的優(yōu)秀信息相互融合,算法一方面在搜索過程中保持了種群的多樣性,另一方面又實現(xiàn)了DE和TLBO兩種算法的優(yōu)勢互補。為驗證DPCEDT算法性能,將該算法與與jDE、TLBO和TLBO-DE算法在13個標準測試函數(shù)在不同維度上進行仿真實驗,同時對實驗結(jié)果進行了雙尾t檢驗,實驗結(jié)果表明DPCEDT算法具有較高的尋優(yōu)效率和搜索精度;最后將DPCEDT算法應用于動力電池SOC估算中,并與DPCEDE、DPCETLBO算法算法進行了對比,仿真實驗表明DPCEDT算法在動力電池SOC估算中具有很好的收斂性,比傳統(tǒng)方法提升了2.54%的估算精度,進一步證實了DPCEDT算法的實用性和優(yōu)越性。綜上所述,本文從機理建模、算法設(shè)計和實際應用等多個層面,針對智能優(yōu)化算法展開研究,本文所提出的雙種群協(xié)同進化算法模型,具有較強的通用性;基于DPCE模型設(shè)計的三種雙種群協(xié)同進化算法,在具體的仿真、實際應用中體現(xiàn)了其有效性和優(yōu)越性,具有一定的理論價值和實踐價值。
二、一種改進的遺傳算法及其應用（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、一種改進的遺傳算法及其應用（論文提綱范文）
（1）基于混合量子算法的生產(chǎn)車間干擾管理問題應用研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 選題來源、研究意義 |
| 1.1.1 選題來源及研究目的 |
| 1.1.2 研究背景和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 車間調(diào)度問題的相關(guān)概念 |
| 1.2.2 柔性作業(yè)車間調(diào)度問題相關(guān)概念 |
| 1.2.3 FJSP的國內(nèi)外研究現(xiàn)狀 |
| 1.3 求解方法 |
| 1.3.1 研究方法現(xiàn)狀 |
| 1.3.2 算法應用現(xiàn)狀 |
| 1.4 現(xiàn)有研究中存在的問題 |
| 1.5 論文的組織結(jié)構(gòu) |
| 本章小結(jié) |
| 第二章 干擾管理和前景理論現(xiàn)狀分析 |
| 2.1 量子計算相關(guān)特性 |
| 2.2 干擾管理研究現(xiàn)狀分析 |
| 2.3 前景理論研究現(xiàn)狀及相關(guān)概念 |
| 本章小結(jié) |
| 第三章 多目標柔性作業(yè)車間調(diào)度干擾管理問題研究 |
| 3.1 干擾管理模型 |
| 3.1.1 干擾管理模型特點 |
| 3.1.2 干擾管理模型的建立 |
| 3.1.3 度量函數(shù)的建立及分析 |
| 3.1.4 干擾管理的決策分析及評價標準 |
| 3.2 多目標柔性作業(yè)車間調(diào)度模型 |
| 3.3 基于前景理論的干擾管理模型 |
| 3.3.1 問題的界定 |
| 3.3.2 基于前景理論的擾動度量方法 |
| 3.3.3 字典序多目標規(guī)劃方法 |
| 3.4 自適應調(diào)整旋轉(zhuǎn)角量子遺傳算法 |
| 3.4.1 量子編碼 |
| 3.4.2 遺傳操作 |
| 3.4.3 云模型自適應調(diào)整量子旋轉(zhuǎn)角 |
| 3.4.4 算法步驟 |
| 3.5 仿真實驗 |
| 3.5.1 算法性能驗證 |
| 3.5.2 干擾管理方法驗證 |
| 本章小結(jié) |
| 第四章 基于前景理論的機器故障干擾管理研究 |
| 4.1 引言 |
| 4.2 生產(chǎn)調(diào)度問題的干擾管理模型 |
| 4.2.1 問題界定的數(shù)學模型 |
| 4.2.2 基于前景理論的價值函數(shù)模型 |
| 4.2.3 基于前景理論的干擾管理模型 |
| 4.3 生產(chǎn)調(diào)度干擾管理策略 |
| 4.3.1 右移重調(diào)度策略 |
| 4.3.2 局部重調(diào)度策略 |
| 4.4 機器不可用干擾管理求解算法 |
| 4.5 算例驗證及結(jié)果分析 |
| 4.5.1 實驗指標設(shè)計 |
| 4.5.2 實驗結(jié)果分析 |
| 4.6 實例測試 |
| 本章小結(jié) |
| 第五章 基于累積前景理論的急件到達干擾管理研究 |
| 5.1 引言 |
| 5.2 累積前景理論簡介 |
| 5.3 急件到達干擾事件研究現(xiàn)狀分析 |
| 5.3.1 急件到達干擾事件的特點及研究現(xiàn)狀分析 |
| 5.3.2 急件到達FJSP求解算法分析 |
| 5.4 有急件插單的干擾管理模型 |
| 5.4.1 問題描述 |
| 5.4.2 模型建立與描述 |
| 5.4.3 急件插單干擾下的重調(diào)度 |
| 5.4.4 累積前景值模型 |
| 5.5 重調(diào)度方法的設(shè)計與實現(xiàn) |
| 5.5.1 確定重調(diào)度時間域 |
| 5.5.2 局部約簡調(diào)度階段 |
| 5.5.3 生產(chǎn)車間物流干擾問題 |
| 5.6 調(diào)度實例及分析 |
| 5.6.1 鉚焊車間物料數(shù)據(jù)信息 |
| 5.6.2 生產(chǎn)物流實例測試 |
| 5.6.3 仿真實驗 |
| 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 攻讀博士學位期間發(fā)表的學術(shù)論文 |
| 致謝 |
（2）基于改進遺傳算法的柔性作業(yè)車間調(diào)度問題的應用研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 課題的選題背景及意義 |
| 1.2 調(diào)度問題綜述 |
| 1.2.1 生產(chǎn)調(diào)度問題 |
| 1.2.2 調(diào)度問題的分類和特點 |
| 1.2.3 調(diào)度問題的研究方法 |
| 1.3 柔性作業(yè)車間調(diào)度問題 |
| 1.3.1 柔性作業(yè)車間調(diào)度問題模型 |
| 1.3.2 柔性作業(yè)車間調(diào)度問題評價指標 |
| 1.3.3 柔性作業(yè)車間調(diào)度問題研究現(xiàn)狀 |
| 1.3.4 柔性作業(yè)車間調(diào)度問題現(xiàn)有研究中存在的問題 |
| 1.4 遺傳算法 |
| 1.4.1 遺傳算法的基本思想 |
| 1.4.2 遺傳算法的特點 |
| 1.4.3 遺傳算法的相關(guān)參數(shù) |
| 1.4.4 遺傳算法的基本步驟 |
| 1.4.5 遺傳算法的改進 |
| 1.5 粒子群算法 |
| 1.5.1 基本粒子群算法 |
| 1.5.2 粒子群算法的改進 |
| 1.5.3 粒子群算法的應用 |
| 1.5.4 粒子群算法的研究現(xiàn)狀 |
| 1.6 遺傳算法與粒子群算法之間的比較 |
| 1.7 本文的研究內(nèi)容及論文結(jié)構(gòu) |
| 本章小結(jié) |
| 第二章 改進的變鄰域搜索的分層遺傳算法 |
| 2.1 變鄰域搜索 |
| 2.2 改進變鄰域搜索的分層遺傳算法 |
| 2.2.1 FJSP編碼和解碼 |
| 2.2.2 種群初始化 |
| 2.2.3 改進的遺傳操作 |
| 2.2.4 自適應變鄰域搜索的設(shè)計 |
| 2.3 自適應變鄰域搜索的分層遺傳算法的流程 |
| 2.4 仿真算例分析 |
| 本章小結(jié) |
| 第三章 改進的遺傳退火算法 |
| 3.1 多目標優(yōu)化問題 |
| 3.2 模擬退火算法 |
| 3.2.1 模擬退火的原理 |
| 3.2.2 模擬退火算法 |
| 3.3 IGA算法描述 |
| 3.3.1 編碼和解碼 |
| 3.3.2 初始化種群 |
| 3.3.3 交叉操作 |
| 3.3.4 變異操作 |
| 3.4 算法流程 |
| 3.5 仿真與分析 |
| 3.5.1 實際車間數(shù)據(jù)仿真 |
| 3.5.2 Kacem算例 |
| 3.5.3 BRdata算例 |
| 本章小結(jié) |
| 第四章 改進的離散粒子群-遺傳算法 |
| 4.1 多目標優(yōu)化問題 |
| 4.2 FJSP問題的描述及調(diào)度目標 |
| 4.3 粒子群算法 |
| 4.3.1 基本粒子群算法 |
| 4.3.2 離散粒子群算法 |
| 4.4 自適應慣性權(quán)重的離散粒子群算法 |
| 4.4.1 編碼和解碼 |
| 4.4.2 初始化種群 |
| 4.4.3 PSO位置更新方法 |
| 4.4.4 自適應慣性權(quán)重的計算 |
| 4.4.5 Pareto最優(yōu)非支配前沿的求解 |
| 4.5 DPSO-AIW算法步驟 |
| 4.6 算法復雜度分析 |
| 4.7 實驗結(jié)果 |
| 4.8 參數(shù)敏感度分析 |
| 本章小結(jié) |
| 第五章 柔性作業(yè)車間調(diào)度問題原型系統(tǒng) |
| 5.1 系統(tǒng)總體設(shè)計 |
| 5.1.1 原型系統(tǒng)的開發(fā)環(huán)境 |
| 5.1.2 系統(tǒng)體系結(jié)構(gòu) |
| 5.2 案例分析 |
| 5.2.1 實際車間案例 |
| 5.2.2 國際標準算例 |
| 5.3 算法優(yōu)化的實現(xiàn)過程 |
| 本章小結(jié) |
| 結(jié)論 |
| 展望 |
| 創(chuàng)新點 |
| 參考文獻 |
| 附錄 部分仿真結(jié)果 |
| 攻讀博士學位期間發(fā)表論文情況 |
| 攻讀博士學位期間參與的科研課題 |
| 致謝 |
（3）某籃球館鋼結(jié)構(gòu)桁架優(yōu)化設(shè)計研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 選題的背景及意義 |
| 1.2 結(jié)構(gòu)優(yōu)化設(shè)計的基本概況 |
| 1.2.1 結(jié)構(gòu)優(yōu)化設(shè)計的概述 |
| 1.2.2 結(jié)構(gòu)優(yōu)化設(shè)計的方法 |
| 1.2.3 結(jié)構(gòu)優(yōu)化設(shè)計的數(shù)學模型 |
| 1.3 智能優(yōu)化算法在結(jié)構(gòu)優(yōu)化設(shè)計中應用的國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 國內(nèi)研究現(xiàn)狀 |
| 1.3.2 國外研究現(xiàn)狀 |
| 1.4 本文的主要工作 |
| 第2章 桁架結(jié)構(gòu)優(yōu)化設(shè)計概述 |
| 2.1 桁架結(jié)構(gòu)的發(fā)展歷程 |
| 2.2 桁架結(jié)構(gòu)的國內(nèi)外研究現(xiàn)狀 |
| 2.2.1 國內(nèi)研究現(xiàn)狀 |
| 2.2.2 國外研究現(xiàn)狀 |
| 2.3 桁架結(jié)構(gòu)特點及應用 |
| 2.4 桁架結(jié)構(gòu)優(yōu)化的國內(nèi)外研究現(xiàn)狀 |
| 2.4.1 國內(nèi)研究現(xiàn)狀 |
| 2.4.2 國外研究現(xiàn)狀 |
| 2.5 桁架結(jié)構(gòu)優(yōu)化程序的實現(xiàn) |
| 2.5.1 桁架結(jié)構(gòu)截面優(yōu)化 |
| 2.5.2 桁架結(jié)構(gòu)形狀優(yōu)化 |
| 2.6 本章小結(jié) |
| 第3章 雞群優(yōu)化算法及其應用 |
| 3.1 雞群優(yōu)化算法的原理 |
| 3.2 雞群優(yōu)化算法的國內(nèi)外研究現(xiàn)狀 |
| 3.2.1 雞群優(yōu)化算法的國內(nèi)研究現(xiàn)狀 |
| 3.2.2 雞群優(yōu)化算法的國外研究現(xiàn)狀 |
| 3.3 改進雞群優(yōu)化算法 |
| 3.3.1 改進雞群優(yōu)化算法的方法 |
| 3.3.2 改進雞群優(yōu)化算法流程 |
| 3.4 改進雞群優(yōu)化算法的仿真測試 |
| 3.5 改進雞群優(yōu)化算法在桁架結(jié)構(gòu)優(yōu)化中的應用 |
| 3.5.1 25桿空間桁架結(jié)構(gòu)截面優(yōu)化設(shè)計 |
| 3.5.2 52桿平面桁架結(jié)構(gòu)截面優(yōu)化設(shè)計 |
| 3.5.3 72桿空間桁架結(jié)構(gòu)截面優(yōu)化設(shè)計 |
| 3.5.4 200桿平面桁架結(jié)構(gòu)截面優(yōu)化設(shè)計 |
| 3.6 本章小結(jié) |
| 第4章 基于改進雞群優(yōu)化算法的鋼結(jié)構(gòu)桁架優(yōu)化設(shè)計 |
| 4.1 工程概況 |
| 4.2 建立鋼結(jié)構(gòu)桁架結(jié)構(gòu)優(yōu)化設(shè)計的數(shù)學模型 |
| 4.2.1 鋼結(jié)構(gòu)桁架結(jié)構(gòu)的約束條件 |
| 4.2.2 鋼結(jié)構(gòu)桁架結(jié)構(gòu)的目標函數(shù) |
| 4.3 鋼結(jié)構(gòu)桁架結(jié)構(gòu)工程結(jié)構(gòu)優(yōu)化設(shè)計 |
| 4.3.1 GHJ-1 段桁架結(jié)構(gòu)工程概況 |
| 4.3.2 GHJ-1 段桁架結(jié)構(gòu)優(yōu)化設(shè)計 |
| 4.3.3 CC-1 段桁架結(jié)構(gòu)工程概況 |
| 4.3.4 CC-1 段桁架結(jié)構(gòu)優(yōu)化設(shè)計 |
| 4.4 本章小結(jié) |
| 第5章 優(yōu)化后桁架結(jié)構(gòu)有限元分析 |
| 5.1 模型建立 |
| 5.1.1 計算參數(shù) |
| 5.1.2 單元選取 |
| 5.1.3 荷載施加 |
| 5.2 有限元計算結(jié)果及分析 |
| 5.2.1 內(nèi)力分析 |
| 5.2.2 位移分析 |
| 5.3 優(yōu)化后模態(tài)分析 |
| 5.3.1 優(yōu)化后桁架結(jié)構(gòu)的固有頻率 |
| 5.3.2 優(yōu)化后桁架結(jié)構(gòu)的模態(tài)振型 |
| 5.3.3 模態(tài)分析結(jié)果 |
| 5.4 本章小結(jié) |
| 結(jié)論與展望 |
| 致謝 |
| 參考文獻 |
| 作者簡介 |
| 攻讀碩士學位期間發(fā)表的學術(shù)論文 |
（4）我國國債利率期限結(jié)構(gòu)與宏觀因子的動態(tài)關(guān)聯(lián)性研究 ——基于機器學習方法的實證分析（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 研究背景和意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 技術(shù)路線與主要研究內(nèi)容 |
| 2 利率期限理論基礎(chǔ)及國內(nèi)外文獻綜述 |
| 2.1 傳統(tǒng)利率期限結(jié)構(gòu)理論 |
| 2.1.1 預期理論 |
| 2.1.2 市場分割理論 |
| 2.2 現(xiàn)代利率期限結(jié)構(gòu)理論 |
| 2.2.1 靜態(tài)利率期限模型 |
| 2.2.2 動態(tài)利率期限結(jié)構(gòu)模型 |
| 2.3 國內(nèi)外文獻綜述 |
| 2.3.1 靜態(tài)模型 |
| 2.3.2 動態(tài)模型 |
| 2.3.3 仿射模型和宏觀金融模型 |
| 3 基于改進遺傳算法的靜態(tài)利率期限模型 |
| 3.1 多項式樣條函數(shù)模型 |
| 3.1.1 建模原理 |
| 3.1.2 零息票債券利率期限結(jié)構(gòu)模型 |
| 3.1.3 基于多項式的樣條函數(shù)利率期限結(jié)構(gòu) |
| 3.2 Nelson-Siegel模型 |
| 3.2.1 Nelson-Siegel基本模型 |
| 3.2.2 Svensson模型 |
| 3.2.3 Nelson-Siegel擴展模型 |
| 3.3 基于改進遺傳算法的求解 |
| 3.3.1 分層機制 |
| 3.3.2 改進自適應交叉概率 |
| 3.4 實證分析 |
| 3.4.1 基于改進遺傳算法的多項式利率期限結(jié)構(gòu) |
| 3.4.2 不同分界點方法樣本外預測能力 |
| 3.4.3 相關(guān)參數(shù)分析 |
| 3.4.4 基于改進遺傳算法的NS和SV模型 |
| 3.5 本章小結(jié) |
| 4 基于改進自適應卡爾曼濾波的無套利NS模型 |
| 4.1 動態(tài)Nelson-Siegel模型 |
| 4.2 無套利NS模型 |
| 4.3 模型估計方法 |
| 4.3.1 狀態(tài)空間模型 |
| 4.3.2 傳統(tǒng)卡爾曼濾波 |
| 4.3.3 改進自適應卡爾曼濾波 |
| 4.4 實證分析 |
| 4.5 本章小結(jié) |
| 5 基于改進自適應卡爾曼濾波的無套利仿射模型與宏觀經(jīng)濟因子影響研究 |
| 5.1 宏觀經(jīng)濟對利率期限結(jié)構(gòu)影響的理論基礎(chǔ) |
| 5.2 加入宏觀因子的無套利仿射模型 |
| 5.3 不同風險價格的仿射模型 |
| 5.4 仿射模型的規(guī)范形式 |
| 5.5 基于改進自適應卡爾曼濾波的估計 |
| 5.6 實證分析 |
| 5.6.1 變量的選擇與數(shù)據(jù)預處理 |
| 5.6.2 基于自適應卡爾曼濾波的估計結(jié)果 |
| 5.6.3 擬合檢驗 |
| 5.7 本章小結(jié) |
| 6 基于FAVAR模型的利率期限結(jié)構(gòu)與宏觀因子關(guān)聯(lián)性研究 |
| 6.1 基于FAVAR模型的利率期限結(jié)構(gòu) |
| 6.1.1 基于FAVAR的宏觀金融模型 |
| 6.1.2 FAVAR模型的估計方法 |
| 6.1.3 模型估計 |
| 6.2 期限結(jié)構(gòu)因子與宏觀因子的動態(tài)關(guān)聯(lián)性 |
| 6.2.1 貨幣政策預期變量的分解 |
| 6.2.2 脈沖響應函數(shù) |
| 6.3 經(jīng)濟放緩時期關(guān)聯(lián)性分析 |
| 6.4 本章小結(jié) |
| 7 研究結(jié)論與政策建議 |
| 7.1 研究結(jié)論 |
| 7.2 政策建議 |
| 7.3 研究不足及展望 |
| 研究成果 |
| 附錄 |
| 參考文獻 |
| 后記 |
（5）二型模糊系統(tǒng)的建模與控制（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 引言 |
| 1.2 二型模糊集合及系統(tǒng)基本概念 |
| 1.2.1 二型模糊集合基本概念 |
| 1.2.2 二型模糊系統(tǒng)結(jié)構(gòu) |
| 1.3 二型模糊系統(tǒng)降型算法綜述 |
| 1.3.1 區(qū)間二型模糊系統(tǒng)降型算法研究現(xiàn)狀 |
| 1.3.2 廣義二型模糊系統(tǒng)降型算法研究現(xiàn)狀 |
| 1.4 二型模糊系統(tǒng)理論的研究現(xiàn)狀與趨勢 |
| 1.4.1 二型模糊系統(tǒng)理論研究 |
| 1.4.2 二型模糊系統(tǒng)與其它控制算法的結(jié)合 |
| 1.4.3 二型模糊系統(tǒng)的優(yōu)化 |
| 1.4.4 二型模糊系統(tǒng)存在的問題與發(fā)展趨勢 |
| 1.5 二型模糊系統(tǒng)的應用現(xiàn)狀 |
| 1.5.1 二型模糊系統(tǒng)在系統(tǒng)辨識與建模中的應用 |
| 1.5.2 二型模糊系統(tǒng)在控制領(lǐng)域中的應用 |
| 1.5.3 二型模糊系統(tǒng)在數(shù)據(jù)分類、圖像處理及模式識別中的應用 |
| 1.5.4 二型模糊在其它領(lǐng)域的應用 |
| 1.6 本文主要研究內(nèi)容和結(jié)構(gòu) |
| 第二章 一種改進區(qū)間二型模糊神經(jīng)網(wǎng)絡設(shè)計及其應用 |
| 2.1 引言 |
| 2.2 改進區(qū)間二型模糊神經(jīng)網(wǎng)絡(Improved IT2FNN)結(jié)構(gòu) |
| 2.3 Improved IT2FNN學習算法 |
| 2.3.1 Improved IT2FNN結(jié)構(gòu)學習算法 |
| 2.3.2 Improved IT2FNN參數(shù)學習算法 |
| 2.4 仿真實例 |
| 2.5 基于Improved IT2FNN的乙烯裂解爐收率軟測量模型建模 |
| 2.5.1 乙烯裂解過程的重要性 |
| 2.5.2 乙烯裂解過程描述 |
| 2.5.3 工業(yè)應用實例 |
| 2.6 本章小結(jié) |
| 第三章 具有非對稱隸屬度函數(shù)的自組織區(qū)間二型模糊神經(jīng)網(wǎng)絡及其應用 |
| 3.1 引言 |
| 3.2 具有非對稱隸屬度函數(shù)的自組織區(qū)間二型模糊神經(jīng)網(wǎng)絡(SIT2FNN-AMF)結(jié)構(gòu) |
| 3.2.1 非對稱高斯區(qū)間二型隸屬度函數(shù)的構(gòu)成 |
| 3.2.2 SIT2FNN-AMF結(jié)構(gòu) |
| 3.3 SIT2FNN-AMF學習算法 |
| 3.3.1 SIT2FNN-AMF結(jié)構(gòu)學習算法 |
| 3.3.2 SIT2FNN-AMF參數(shù)學習算法 |
| 3.4 SIT2FNN-AMF穩(wěn)定性分析 |
| 3.5 仿真研究 |
| 3.6 工業(yè)應用實例 |
| 3.7 本章小結(jié) |
| 第四章 基于自組織遞歸區(qū)間二型模糊神經(jīng)網(wǎng)絡的軟測量建模研究 |
| 4.1 引言 |
| 4.2 自組織遞歸區(qū)間二型模糊神經(jīng)網(wǎng)絡(SRIT2FNN)結(jié)構(gòu) |
| 4.3 SRIT2FNN學習算法 |
| 4.3.1 SRIT2FNN結(jié)構(gòu)學習算法 |
| 4.3.2 SRIT2FNN參數(shù)學習算法 |
| 4.4 實驗和結(jié)果 |
| 4.5 本章小結(jié) |
| 第五章 基于區(qū)間二型模糊模型的逆控制器設(shè)計研究 |
| 5.1 引言 |
| 5.2 區(qū)間二型模糊模型(IT2FM) |
| 5.3 IT2FM逼近結(jié)構(gòu) |
| 5.4 區(qū)間二型模糊模型逆控制器(IT2FMIC)設(shè)計 |
| 5.5 仿真研究 |
| 5.5.1 IT2FM逼近乙烯裂解爐平均出口溫度系統(tǒng) |
| 5.5.2 IT2FMIC在乙烯裂解爐平均出口溫度控制系統(tǒng)中的應用 |
| 5.6 本章小結(jié) |
| 第六章 一種基于遺傳算法優(yōu)化的改進區(qū)間二型模糊控制器設(shè)計 |
| 6.1 引言 |
| 6.2 區(qū)間二型模糊控制器結(jié)構(gòu) |
| 6.3 一種基于遺傳算法優(yōu)化的改進區(qū)間二型模糊控制器設(shè)計 |
| 6.4 仿真研究 |
| 6.5 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 研究總結(jié) |
| 7.2 研究展望 |
| 參考文獻 |
| 致謝 |
| 攻讀博士學位期間發(fā)表的學術(shù)論文和參加科研情況 |
（6）基于雙種群協(xié)同進化的智能優(yōu)化算法及其應用研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景和意義 |
| 1.2 優(yōu)化問題 |
| 1.2.1 優(yōu)化問題概述 |
| 1.2.2 優(yōu)化問題特點 |
| 1.2.3 優(yōu)化問題分類 |
| 1.3 優(yōu)化算法 |
| 1.3.1 傳統(tǒng)優(yōu)化算法 |
| 1.3.2 啟發(fā)式搜索算法 |
| 1.4 智能優(yōu)化算法 |
| 1.5 研究路線與主要內(nèi)容 |
| 1.6 本文的組織結(jié)構(gòu) |
| 第2章 雙種群協(xié)同進化算法基礎(chǔ)研究 |
| 2.1 差分演化算法 |
| 2.1.1 差分演化算法概述 |
| 2.1.2 差分演化算法基本原理 |
| 2.1.3 差分演化算法的研究現(xiàn)狀 |
| 2.2 改進的差分演化算法及其應用 |
| 2.2.1 引言 |
| 2.2.2 基于均勻分割的多種群并行差分演化算法 |
| 2.2.3 MPDE算法實驗及其分析 |
| 2.3 教與學優(yōu)化算法 |
| 2.3.1 教與學優(yōu)化算法概述 |
| 2.3.2 教與學優(yōu)化算法基本原理 |
| 2.3.3 教與學優(yōu)化算法的研究現(xiàn)狀 |
| 2.4 改進的TLBO算法及其應用 |
| 2.4.1 引言 |
| 2.4.2 相關(guān)工作 |
| 2.4.3 MTLBO算法設(shè)計 |
| 2.4.4 基于MTLBO算法的Van Genuchten方程參數(shù)估計 |
| 2.5 基于DE和TLBO的種群進化策略研究 |
| 2.5.1 引言 |
| 2.5.2 基于DE和TLBO算法的實驗分析 |
| 2.5.3 雙種群進化策略 |
| 2.6 小結(jié) |
| 第3章 雙種群協(xié)同進化算法模型研究 |
| 3.1 研究動機 |
| 3.2 相關(guān)工作 |
| 3.3 雙種群規(guī)模設(shè)置 |
| 3.4 協(xié)同型雙種群算法子種群個體數(shù)量公平性分析 |
| 3.5 協(xié)同進化算法 |
| 3.5.1 進化算法 |
| 3.5.2 協(xié)同進化算法 |
| 3.6 雙種群協(xié)同進化算法DPCE模型 |
| 3.7 DPCE模型的動力學分析 |
| 3.8 DPCE模型的收斂性分析 |
| 3.9 DPCE模型指導下的算法設(shè)計 |
| 3.10 小結(jié) |
| 第4章 基于雙種群協(xié)同進化的差分演化算法及其應用研究 |
| 4.1 基于雙種群協(xié)同進化的差分演化算法 |
| 4.1.1 研究動機 |
| 4.1.2 相關(guān)工作 |
| 4.1.3 DPCEDE算法思想 |
| 4.1.4 DPCEDE算法模型 |
| 4.1.5 DPCEDE算法描述 |
| 4.1.6 DPCEDE算法實現(xiàn) |
| 4.1.7 數(shù)值實驗與比較 |
| 4.2 DPCEDE復雜度分析 |
| 4.3 DPCEDE在求解FJSP中的應用 |
| 4.3.1 FJSP概述 |
| 4.3.2 FJSP問題描述 |
| 4.3.3 求解FJSP研究現(xiàn)狀和趨勢 |
| 4.3.4 仿真實驗及比較研究 |
| 4.4 小結(jié) |
| 第5章 基于雙種群協(xié)同進化的教與學優(yōu)化算法及其應用研究 |
| 5.1 基于雙種群協(xié)同進化的教與學優(yōu)化算法 |
| 5.1.1 研究動機 |
| 5.1.2 相關(guān)工作 |
| 5.1.3 DPCETLBO算法思想 |
| 5.1.4 DPCETLBO算法模型 |
| 5.1.5 DPCETLBO算法描述 |
| 5.1.6 DPCETLBO算法實現(xiàn) |
| 5.1.7 數(shù)值實驗與比較 |
| 5.2 DPCETLBO算法復雜度分析 |
| 5.3 DPCETLBO算法在PID控制器參數(shù)優(yōu)化中的應用 |
| 5.3.1 PID概述 |
| 5.3.2 PID控制器參數(shù)優(yōu)化研究現(xiàn)狀 |
| 5.3.3 仿真實驗及比較研究 |
| 5.4 小結(jié) |
| 第6章 基于互補策略的雙種群協(xié)同進化算法及其應用研究 |
| 6.1 基于互補策略的雙種群協(xié)同進化算法 |
| 6.1.1 研究動機 |
| 6.1.2 相關(guān)工作 |
| 6.1.3 DPCEDT算法思想 |
| 6.1.4 DPCEDT算法模型 |
| 6.1.5 DPCEDT算法描述 |
| 6.1.6 DPCEDT算法實現(xiàn) |
| 6.1.7 數(shù)值實驗與比較 |
| 6.2 DPCEDT算法復雜度分析 |
| 6.3 DPCEDT算法在動力電池SOC估計中的應用 |
| 6.3.1 動力電池SOC估計方法研究 |
| 6.3.2 電池老化對其SOC估計的影響 |
| 6.3.3 DPCEDT在SOC中的應用思路 |
| 6.3.4 實驗仿真及比較研究 |
| 6.4 小結(jié) |
| 第7章 結(jié)論與展望 |
| 7.1 結(jié)論 |
| 7.2 創(chuàng)新之處 |
| 7.3 展望 |
| 致謝 |
| 參考文獻 |
| 附錄A 攻讀學位期間的科研工作情況 |
| 附錄B 測試函數(shù) |
四、一種改進的遺傳算法及其應用（論文參考文獻）
- [1]基于混合量子算法的生產(chǎn)車間干擾管理問題應用研究[D]. 孫晶華. 大連交通大學, 2020
- [2]基于改進遺傳算法的柔性作業(yè)車間調(diào)度問題的應用研究[D]. 谷曉琳. 大連交通大學, 2020(05)
- [3]某籃球館鋼結(jié)構(gòu)桁架優(yōu)化設(shè)計研究[D]. 王仕文. 河北工程大學, 2019(02)
- [4]我國國債利率期限結(jié)構(gòu)與宏觀因子的動態(tài)關(guān)聯(lián)性研究 ——基于機器學習方法的實證分析[D]. 張奇松. 東北財經(jīng)大學, 2019(06)
- [5]二型模糊系統(tǒng)的建模與控制[D]. 趙濤巖. 西北工業(yè)大學, 2019(04)
- [6]基于雙種群協(xié)同進化的智能優(yōu)化算法及其應用研究[D]. 古發(fā)輝. 華南農(nóng)業(yè)大學, 2017(08)
標簽：遺傳算法論文; 模糊神經(jīng)網(wǎng)絡論文; 自適應算法論文; 模糊算法論文; 系統(tǒng)仿真論文;