一、一種基于自適應(yīng)混合遺傳算法的非線性函數(shù)優(yōu)化方法（論文文獻綜述）
李久輝[1]（2021）在《地下水LNAPLs污染溯源辨析》文中研究說明石油及石油類產(chǎn)品往往會由于處理不當(dāng)或突發(fā)事故等原因,泄漏并進入到含水層中,對地下水造成污染。與地表水污染不同,地下水污染埋藏于地表面以下,存在并運移于巖土的空隙介質(zhì)之中,具有存在的隱蔽性和發(fā)現(xiàn)的滯后性等特點,因此即使發(fā)生了污染,通常也難以被及時發(fā)現(xiàn),導(dǎo)致人們對于含水層中的污染源信息缺乏了解和掌握。這給地下水污染肇事者責(zé)任認定、污染風(fēng)險評價、污染物質(zhì)運移預(yù)測和污染修復(fù)方案設(shè)計都帶來了很大的困難。因此,開展關(guān)于地下水污染溯源辨析的研究至關(guān)重要。地下水污染溯源辨析是指在資料收集、野外現(xiàn)場調(diào)查和定性分析等輔助工作的基礎(chǔ)上,利用有限的現(xiàn)場實測監(jiān)測數(shù)據(jù)（水位和濃度）,對刻畫地下水污染的數(shù)值模擬模型進行反向求解,從而確定含水層中污染源的信息,包括污染源的個數(shù)、空間位置與釋放歷史等。地下水污染溯源辨析屬于數(shù)理方程反問題,常常具有不適定性與非線性的特點。目前,地下水污染溯源辨析仍處于發(fā)展階段,有關(guān)地下水輕非水相流體（Light non-aqueous phase liquids,LNAPLs）污染的溯源辨析研究更是鮮有報道。LNAPLs大多具有低水溶性、高毒性、比重小于水、容易揮發(fā)擴散、易被微生物降解的特點。進入地下水后會對用水安全及生態(tài)環(huán)境造成危害。因此,制定合理高效的LNAPLs污染修復(fù)方案對LNAPLs污染進行修復(fù)顯得格外重要。然而,辨析和掌握含水層中LNAPLs污染源的信息是制定污染修復(fù)方案的重要前提。因此,進行地下水LNAPLs污染溯源辨析研究具有重要的理論意義和實際應(yīng)用前景。本文采用理論分析與實際例子相結(jié)合的研究方式,通過模擬-優(yōu)化方法、最優(yōu)互補降噪方法、人工智能集對替代模型、自適應(yīng)混合灰狼優(yōu)化算法、蒙特卡洛方法等多種理論與方法的綜合運用,對地下水LNAPLs溯源辨析研究前沿中仍待解決的科學(xué)問題開展深入研究,拓展和豐富地下水污染溯源辨析的理論、方法和技術(shù)內(nèi)涵。首先,在進行資料收集、野外現(xiàn)場調(diào)查和定性分析等輔助工作的基礎(chǔ)上,根據(jù)研究區(qū)的具體條件,對研究區(qū)的地質(zhì)及水文地質(zhì)條件進行概化處理,建立研究區(qū)的概念模型。充分利用前期工作成果,對待求的含水層參數(shù)和污染源信息賦予初估值,初步建立刻畫污染物質(zhì)運移的地下水LNAPLs污染多相流數(shù)值模擬模型。之后,為了改進對動態(tài)監(jiān)測數(shù)據(jù)降噪處理的效果,本文基于經(jīng)驗?zāi)B(tài)分解方法、集合經(jīng)驗?zāi)B(tài)分解方法和互補集合經(jīng)驗?zāi)B(tài)分解方法,構(gòu)建了最優(yōu)互補降噪方法,再將其應(yīng)用于假想例子動態(tài)監(jiān)測數(shù)據(jù)的降噪試驗,對其適用性和有效性進行分析后,將其應(yīng)用于實際例子動態(tài)監(jiān)測數(shù)據(jù)的降噪處理,為后續(xù)研究奠定堅實基礎(chǔ)。然后,采用敏感性分析方法,篩選出對多相流數(shù)值模擬模型輸出結(jié)果影響較大的模擬模型參數(shù)。將篩選出的模擬模型參數(shù)和地下水污染源信息都作為待求變量,并運用拉丁超立方抽樣方法在其取值范圍內(nèi)進行抽樣。把抽樣得到的樣本依次輸入到多相流數(shù)值模擬模型并進行正演計算,以獲得訓(xùn)練樣本與檢驗樣本。運用訓(xùn)練樣本與檢驗樣本分別對長短期記憶神經(jīng)網(wǎng)絡(luò)替代模型和深度信念神經(jīng)網(wǎng)絡(luò)替代模型進行訓(xùn)練與檢驗。通過調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的深度、超參數(shù)、權(quán)值和偏置,提高替代模型對具有復(fù)雜非線性映射關(guān)系模擬模型的逼近精度。為了使長短期記憶神經(jīng)網(wǎng)絡(luò)替代模型和深度信念神經(jīng)網(wǎng)絡(luò)替代模型發(fā)揮自身優(yōu)勢,基于上述兩者建立了人工智能集對替代模型。將人工智能集對替代模型與基于其他單一方法的替代模型進行對比,分析人工智能集對替代模型的精度和適用性。最后,建立非線性規(guī)劃優(yōu)化模型,并將人工智能集對替代模型作為等式約束條件嵌入到優(yōu)化模型中。探索非線性規(guī)劃優(yōu)化模型的有效解法,在傳統(tǒng)灰狼優(yōu)化算法中引入萊維飛行隨機游走策略、Metropolis接受準(zhǔn)則和自適應(yīng)權(quán)重策略對其進行改進,構(gòu)建了自適應(yīng)混合灰狼優(yōu)化算法。應(yīng)用自適應(yīng)混合灰狼優(yōu)化算法求解優(yōu)化模型,獲得模擬模型參數(shù)和污染源信息的辨析結(jié)果。同時對自適應(yīng)混合灰狼優(yōu)化算法的適用性進行分析。另外,在獲得模擬模型參數(shù)辨析結(jié)果的基礎(chǔ)上,對模擬模型參數(shù)取值給予隨機擾動,通過蒙特卡洛方法和模擬-優(yōu)化方法綜合運用,分析模擬模型參數(shù)的隨機變化對地下水LNAPLs污染源辨析結(jié)果的不確定性影響。得到污染源位置和污染物質(zhì)泄漏量的數(shù)字特征、概率分布和不同置信水平下污染源信息的置信區(qū)間,為決策者提供更加豐富的參考依據(jù)?；谝陨系难芯績?nèi)容,得出了以下幾條主要結(jié)論:（1）為了改進對動態(tài)監(jiān)測數(shù)據(jù)降噪處理的效果,基于經(jīng)驗?zāi)B(tài)分解方法、集合經(jīng)驗?zāi)B(tài)分解方法和互補集合經(jīng)驗?zāi)B(tài)分解方法構(gòu)建了最優(yōu)互補降噪方法。最優(yōu)互補降噪方法的降噪效果,優(yōu)于三種單一方法的降噪效果,更適用于地下水動態(tài)監(jiān)測數(shù)據(jù)的降噪處理。（2）長短期記憶神經(jīng)網(wǎng)絡(luò)替代模型和深度信念神經(jīng)網(wǎng)絡(luò)替代模型對多相流模擬模型的逼近精度,均高于極限學(xué)習(xí)機替代模型和克里格替代模型?；陂L短期記憶神經(jīng)網(wǎng)絡(luò)替代模型和深度信念神經(jīng)網(wǎng)絡(luò)替代模型,建立了人工智能集對替代模型。人工智能集對替代模型對多相流模擬模型的逼近精度,優(yōu)于其他四種單一的替代模型。人工智能集對替代模型對于變量種類多、具有復(fù)雜非線性映射關(guān)系的多相流數(shù)值模擬模型擬合能力更好。（3）探索非線性規(guī)劃優(yōu)化模型的有效解法。將萊維飛行隨機游走策略、Metropolis接受準(zhǔn)則和自適應(yīng)權(quán)重策略引用于傳統(tǒng)灰狼優(yōu)化算法中,能夠使傳統(tǒng)灰狼優(yōu)化算法得以改進?；谌R維飛行和Metropolis接受準(zhǔn)則的自適應(yīng)混合灰狼優(yōu)化算法能夠在不陷入局部最優(yōu)解的前提下,快速搜索到全局最優(yōu)解,提高地下水LNAPLs污染溯源辨析結(jié)果的精度。（4）基于模擬-優(yōu)化方法進行地下水LNAPLs污染溯源辨析只能得到唯一的辨析結(jié)果。為了分析模擬模型參數(shù)的隨機變化對污染源辨析結(jié)果的不確定性影響。將蒙特卡洛方法與模擬-優(yōu)化方法結(jié)合運用,對地下水LNAPLs污染溯源辨析結(jié)果進行不確定性分析,能夠獲得污染源信息辨析結(jié)果的數(shù)字特征、概率分布及其在不同置信水平下污染源信息的置信區(qū)間。從而為決策者提供更加豐富的參考依據(jù)。
代永強[2]（2021）在《基于混合蛙跳算法的高維數(shù)據(jù)降維技術(shù)研究》文中提出混合蛙跳算法自提出以來,在資源調(diào)度、結(jié)構(gòu)設(shè)計、參數(shù)調(diào)控和組合優(yōu)化等應(yīng)用方面取得了顯著成效。應(yīng)用實踐表明,在相同條件下,與遺傳算法和粒子群優(yōu)化算法等智能優(yōu)化算法比較,經(jīng)混合蛙跳算法優(yōu)化后的應(yīng)用模型在成本管理、能耗節(jié)約、資源利用和經(jīng)濟效益等方面均展現(xiàn)出良好的性能,且隨著模型規(guī)模增大,對模型優(yōu)化性能地提升也更加明顯。特征選擇與投影尋蹤是降低數(shù)據(jù)規(guī)模和復(fù)雜度的高維數(shù)據(jù)降維技術(shù),該技術(shù)通過分析低維數(shù)據(jù)的呈現(xiàn)特征,揭示高維數(shù)據(jù)隱含的信息和價值,以達到簡化問題規(guī)模和提高數(shù)據(jù)挖掘能力的目的。遺傳算法、粒子群優(yōu)化算法等經(jīng)典算法在高維數(shù)據(jù)降維技術(shù)中均有較多研究成果,與遺傳算法、粒子群優(yōu)化算法比較,混合蛙跳算法結(jié)合模因算法和粒子群優(yōu)化算法兩者的優(yōu)點,具有概念簡單、參數(shù)少、計算速度快、全局尋優(yōu)能力強和易于實現(xiàn)等特點;混合蛙跳算法的性能主要由算法參數(shù)和更新策略共同決定,合理的參數(shù)設(shè)置方案和優(yōu)化的更新策略可進一步提高算法的性能。因此開展混合蛙跳算法參數(shù)設(shè)置方案及更新策略研究,拓展算法在特征選擇和投影尋蹤兩類高維數(shù)據(jù)降維技術(shù)中的應(yīng)用切實可行,具有較高的研究意義。論文主要研究工作如下:（1）開展了混合蛙跳算法參數(shù)優(yōu)化和更新策略研究,提高了算法的優(yōu)化性能。針對現(xiàn)有文獻中關(guān)于混合蛙跳算法參數(shù)配置研究的不足,建立了種群、分組數(shù)和最大步長三個參數(shù)組成的分組-子群平衡改進正交試驗設(shè)計方案,提高了正交實驗方法的水平采集密度和運算效率,降低了參數(shù)關(guān)聯(lián)對于算法性能的影響。通過試驗仿真獲得了參數(shù)最優(yōu)配置方案,最優(yōu)參數(shù)配置方案與最差參數(shù)配置方案、所有參數(shù)配置方案的均值和相關(guān)文獻中的參數(shù)配置方案比較,算法優(yōu)化性能分別提高了41.56%、28.03%和41.00%。（2）通過引入混沌記憶權(quán)重因子、細菌趨化因子和平衡分組策略對混合蛙跳算法的更新策略進行優(yōu)化,提出了混沌記憶權(quán)重因子混合蛙跳算法（Improved Shuffled Frog Leaping Algorithm,ISFLA）和細菌趨化因子混合蛙跳算法（Bac terial Foraging Shuffled Frog Leaping Algorithm,BF-SFLA）。兩種改進算法較好地處理了全局探索和局部搜索之間的平衡,降低了算法陷入局部最優(yōu)的概率,進一步提高了算法的多樣性。通過對標(biāo)準(zhǔn)測試函數(shù)仿真實驗并與相關(guān)文獻中的改進算法進行比較,仿真結(jié)果顯示,ISFLA和BF-SFLA的綜合優(yōu)化性能分別提高了29.32%和33.87%,達優(yōu)成功率均值分別提高了29.36%和30.23%,平均迭代次數(shù)均值分別降低了30.21%和42.38%,改進算法獲得了更高的尋優(yōu)精度和更快的收斂速度。（3）提出了基于混合蛙跳算法的特征選擇方法,進一步提高了高維生物醫(yī)學(xué)數(shù)據(jù)特征選擇的性能。針對高維生物醫(yī)學(xué)數(shù)據(jù)中存在大量無關(guān)或弱相關(guān)特征影響疾病診斷效率的現(xiàn)狀,構(gòu)建了基于ISFLA和BF-SFLA的高維生物醫(yī)學(xué)數(shù)據(jù)特征選擇方法,充分利用ISFLA和BF-SFLA良好的尋優(yōu)性能,提高了特征選擇方法在特征空間對有效特征子集的搜索能力;通過引入自適應(yīng)策略,分類準(zhǔn)確率、有效特征出現(xiàn)概率、特征子集數(shù)目和算法執(zhí)行時間等約束因素到混合蛙跳特征選擇方法中,構(gòu)建了自適應(yīng)混合蛙跳特征選擇方法（Adaptive Shuffled Frog Leapi ng Algorithm,A-SFLA）、自適應(yīng)混沌記憶權(quán)重因子混合蛙跳特征選擇方法（Ad aptive Improved Shuffled Frog Leaping Algorithm,A-ISFLA）和自適應(yīng)細菌趨化因子混合蛙跳特征選擇方法（Adaptive Bacterial Foraging Shuffled Frog Leap ing Algorithm,ABF-SFLA）。三種自適應(yīng)特征選擇方法在迭代過程中依據(jù)約束因素自適應(yīng)調(diào)整解的空間維度,篩選出更具有代表性的特征子集。通過對9組高維度生物醫(yī)學(xué)數(shù)據(jù)進行特征選擇驗證,并與相關(guān)文獻中的改進特征選擇方法比較,ISFLA和BF-SFLA特征選擇方法獲得的平均分類準(zhǔn)確率均值提高3.4%至7.0%,標(biāo)準(zhǔn)差均值降低26.9%至46.7%,平均特征子集數(shù)目均值減少3.0%至52.1%,說明基于ISFLA和BF-SFLA的特征選擇方法在整體上獲得了更高的分類準(zhǔn)確率、更好的穩(wěn)定性和更少的特征子集數(shù)目,顯著提高了相關(guān)疾病的診斷效率;與ISF LA、BF-SFLA和SFLA比較,A-ISFLA、ABF-SFLA和A-SFLA三種自適應(yīng)特征選擇方法在保持分類準(zhǔn)確率穩(wěn)定的前提下,運行時間分別縮短了67.8%,67.6%和67.9%,進一步加快了相關(guān)疾病的診斷速度。（4）構(gòu)建了基于改進混合蛙跳算法的投影尋蹤模型,提高了模型對農(nóng)業(yè)旱災(zāi)脆弱性和城市重金屬污染綜合評價的性能。建立了農(nóng)業(yè)旱災(zāi)脆弱性、城市重金屬污染的指標(biāo)體系和等級劃分標(biāo)準(zhǔn),利用ISFLA和BF-SFLA對農(nóng)業(yè)旱災(zāi)脆弱性投影尋蹤評價模型進行優(yōu)化,與相關(guān)文獻中采用的模型計算結(jié)果比較,投影指標(biāo)函數(shù)值分別提高了4.9%和5.1%,標(biāo)準(zhǔn)差分別降低了47.0%和78.5%;利用ISFL A和BF-SFLA對城市重金屬污染投影尋蹤評價模型進行優(yōu)化,與相關(guān)文獻中采用的模型計算結(jié)果比較,投影指標(biāo)值分別提高了6.8%和7.8%,標(biāo)準(zhǔn)差分別降低了10.7%和68.0%?；诟倪M混合蛙跳算法的投影尋蹤模型降低了評價指標(biāo)賦權(quán)不科學(xué)、不規(guī)范對評價結(jié)果的影響,進一步增強了模型在農(nóng)業(yè)旱災(zāi)脆弱性和城市重金屬污染綜合評價中的應(yīng)用前景。
黃鵬[3]（2021）在《混合不確定性下工業(yè)機器人運動精度可靠性分析與優(yōu)化設(shè)計》文中進行了進一步梳理隨著自動化技術(shù)的發(fā)展,工業(yè)機器人以其高效、低成本、重復(fù)性好等優(yōu)點,在汽車制造、電子電氣和航空航天等現(xiàn)代工業(yè)生產(chǎn)中得到了廣泛的應(yīng)用。在這些應(yīng)用中,運動精度作為關(guān)鍵的性能指標(biāo),是工業(yè)機器人完成操作任務(wù)的重要保證。然而,由于工業(yè)機器人結(jié)構(gòu)中制造誤差、關(guān)節(jié)間隙、彈性變形等不確定性因素的影響,末端執(zhí)行器實際的運動遠未達到高精度、高可靠的性能要求。因此,精確地分析和評估工業(yè)機器人的運動精度可靠性,是確保其在工作過程中準(zhǔn)確、可靠運行的重要保障,對工業(yè)機器人的精度設(shè)計也具有實際的指導(dǎo)意義?？紤]到工業(yè)機器人生產(chǎn)和運行過程中,除了因自然變異性而存在的隨機不確定性外,往往還包括一些因特征不完全認識的認知不確定性,這時僅靠單一的數(shù)學(xué)模型難以實現(xiàn)有效的運動精度不確定性分析。為此,本文針對混合不確定性下工業(yè)機器人運動精度可靠性分析與優(yōu)化設(shè)計展開研究。主要內(nèi)容和成果如下:（1）研究了隨機不確定性下工業(yè)機器人定位精度可靠性分析方法。對于多自由度工業(yè)機器人,根據(jù)其運動學(xué)模型建立的定位精度極限狀態(tài)函數(shù)通常是高度非線性的,這時采用傳統(tǒng)的一階可靠度法來處理可能面臨收斂速度慢、甚至不收斂問題。為此,本文基于有限步長法和Armijo線搜索技術(shù)提出了一種高效、穩(wěn)定的定位精度失效概率計算方法。該方法一方面通過引入具有有限步長的靈敏系數(shù)增強了收斂性能,另一方面通過構(gòu)建基于Armijo線搜索技術(shù)的優(yōu)化方法和自適應(yīng)步長策略提高了計算效率。（2）提出了基于微分運動學(xué)和鞍點近似法的定位精度可靠性分析方法?？紤]到一階可靠度法在處理高度非線性定位精度可靠性模型上仍存在準(zhǔn)確性不高問題,本文首先基于微分運動學(xué)和誤差傳播理論建立位置誤差函數(shù),重新構(gòu)建了定位精度的運動學(xué)可靠性模型,以此避免復(fù)雜非線性函數(shù)引起的可靠性分析不穩(wěn)定性。然后,根據(jù)位置誤差模型推導(dǎo)了位置誤差分布參數(shù)的解析表達式,并結(jié)合特征分解技術(shù)建立了位置誤差的累積量生成函數(shù)。從而運用鞍點近似法計算了定位精度的可靠性分析結(jié)果。（3）研究了混合隨機和區(qū)間不確定性的定位精度可靠性分析方法。在實際應(yīng)用中,易面臨因信息有限而只能確定運動學(xué)參數(shù)范圍的情況。這時隨機和區(qū)間不確定性的同時存在,使得基于概率論的定位精度隨機不確定性分析方法難以應(yīng)用。對此,本文提出了一種混合隨機和區(qū)間變量的定位精度可靠性分析框架。首先,通過在每個設(shè)計點搜索過程中同時進行區(qū)間分析和概率分析,建立了混合可靠性模型的單循環(huán)計算策略。隨后針對區(qū)間分析提出了一種基于混合共軛梯度方向和有效集的投影梯度法,并在概率分析中引入混合共軛梯度方向和自適應(yīng)有限步長提高了計算效率。最后在所得設(shè)計點的基礎(chǔ)上,開發(fā)了基于響應(yīng)面的鞍點近似法以提高定位精度混合可靠性分析的準(zhǔn)確性。（4）建立了基于軌跡精度可靠性的工業(yè)機器人優(yōu)化設(shè)計方法。現(xiàn)有的精度優(yōu)化設(shè)計方法大多研究的是以工作點或其單坐標(biāo)分量為概率約束的公差分配,而很少關(guān)注工業(yè)機器人運行軌跡的可靠性水平。在本文中,構(gòu)建了以軌跡精度可靠性為約束,同時考慮制造成本和質(zhì)量損失的精度優(yōu)化設(shè)計模型。為了高效、準(zhǔn)確地求解優(yōu)化模型,針對內(nèi)層的軌跡精度可靠性分析,在混合隨機和區(qū)間不確定性等效模型上提出了基于稀疏網(wǎng)格積分和鞍點近似的失效概率計算方法。進而在外層結(jié)合遺傳算法實現(xiàn)了運動學(xué)參數(shù)公差分配方案的優(yōu)化設(shè)計。
李紅霞[4]（2021）在《基于自適應(yīng)卡爾曼濾波的負荷模型參數(shù)在線辨識算法研究》文中進行了進一步梳理隨著我國主要電網(wǎng)互聯(lián)和混連受端電網(wǎng)進程推進,新能源和電力電子元件的增加,不同地區(qū)負荷需求及特征也呈現(xiàn)出較大的差異性、隨機性和分散性。負荷相對落后于發(fā)電機和輸電網(wǎng)絡(luò)的建模工作,影響了整個電力系統(tǒng)模型計算的精度,因此面對時變的結(jié)構(gòu)參數(shù)以及復(fù)雜的電力系統(tǒng)負荷進行建模,并根據(jù)實時動態(tài)數(shù)據(jù)進行在線參數(shù)辨識具有一定迫切性。針對電力系統(tǒng)新特征,本文應(yīng)用到廣域測量系統(tǒng)提供的實時運行的小擾動數(shù)據(jù),以綜合負荷模型為研究對象,基于自適應(yīng)卡爾曼濾波算法在線辨識負荷參數(shù),并利用遺傳算法獲取更加準(zhǔn)確的系統(tǒng)噪聲估計協(xié)方差矩陣,為電力系統(tǒng)的運行分析提供有效的參數(shù)辨識結(jié)果,提高對電網(wǎng)負荷的監(jiān)視能力。負荷參數(shù)在線辨識方面,針對傳統(tǒng)負荷建模方法在數(shù)據(jù)獲取、辨識精度和在線辨識上受到限制的問題,提出基于廣域測量系統(tǒng)量測技術(shù)的自適應(yīng)卡爾曼濾波在線負荷參數(shù)辨識算法。首先考慮負荷模型的組成,建立并線性化綜合負荷模型,基于同步相量測量單元在線實時測量的小擾動數(shù)據(jù),提出了數(shù)據(jù)預(yù)處理方式,并對比傳統(tǒng)卡爾曼濾波算法和改進的Sage-Husa自適應(yīng)卡爾曼濾波算法兩種技術(shù)路線,運用預(yù)報誤差法解決辨識問題。系統(tǒng)噪聲優(yōu)化方面,提出一種基于遺傳算法優(yōu)化的自適應(yīng)卡爾曼濾波算法,首先針對遺傳算法的交叉、遺傳和選擇進行自適應(yīng)調(diào)整,避免易陷入早熟致使收斂到局部最優(yōu)解的缺陷,然后采用改進的遺傳算法離線確定系統(tǒng)噪聲協(xié)方差矩陣,以提高自適應(yīng)卡爾曼濾波在線辨識負荷參數(shù)的計算效率和準(zhǔn)確性,最后應(yīng)用傳統(tǒng)KF、AKF和本算法優(yōu)化后的AKF辨識參數(shù)并對比有功功率和無功功率的擬合度,驗證遺傳算法優(yōu)化的有效性。本文所提出的基于改進的自適應(yīng)卡爾曼濾波的負荷參數(shù)在線辨識方法和優(yōu)化模型參數(shù)的改進遺傳算法經(jīng)過浙江省電網(wǎng)的變電站實時運行數(shù)據(jù)驗證,算例結(jié)果表明,本文提出的在線辨識算法,具有較好的適用性和較高的準(zhǔn)確性。
周恒[5]（2021）在《高能耗過程智能操作優(yōu)化方法研究》文中研究表明流程工業(yè)高能耗生產(chǎn)過程的操作優(yōu)化,是其實現(xiàn)節(jié)能減排與提質(zhì)增效的重要技術(shù)手段。然而,流程工業(yè)的復(fù)雜性導(dǎo)致高能耗生產(chǎn)過程操作優(yōu)化面臨諸多困難。例如,大型高爐煉鐵高能耗過程中物理化學(xué)反應(yīng)極其復(fù)雜,從布料到出鐵存在大滯后,檢測手段欠缺且工藝指標(biāo)參數(shù)強耦合,這些特征嚴重制約著關(guān)鍵工藝質(zhì)量指標(biāo)建模預(yù)測與過程操作優(yōu)化;在造紙制漿高能耗過程中多級磨漿產(chǎn)生的數(shù)據(jù)多源多采樣率問題,給基于數(shù)據(jù)驅(qū)動的制漿過程實時操作優(yōu)化帶來了挑戰(zhàn);另外,流程工業(yè)中存在信息孤島、管理分散、操作知識難以固化共享等難題,亟需研究構(gòu)建工業(yè)云平臺以實現(xiàn)高能耗生產(chǎn)過程操作優(yōu)化知識的軟件組件化與共享復(fù)用。針對以上問題,本文分別研究大型高爐煉鐵高能耗過程關(guān)鍵工藝質(zhì)量指標(biāo)建模預(yù)測與過程操作優(yōu)化方法、數(shù)據(jù)多源多采樣率的造紙制漿高能耗過程操作優(yōu)化方法,并研究構(gòu)建工業(yè)云平臺將這些高能耗過程操作優(yōu)化方法以微服務(wù)的形式進行部署應(yīng)用,為流程工業(yè)高能耗過程操作優(yōu)化的知識分享探索新模式。具體研究工作和研究成果分為以下幾個部分:1)針對高能耗工業(yè)過程建模預(yù)測難,以大型高爐煉鐵過程鐵水質(zhì)量預(yù)報為研究對象,提出了基于滑動窗口的模糊神經(jīng)網(wǎng)絡(luò)方法。通過互信息方法選擇與質(zhì)量指標(biāo)關(guān)系性最高的操作變量,并構(gòu)建具有滑動窗口的T-S模糊神經(jīng)網(wǎng)絡(luò)用于建模,學(xué)習(xí)動態(tài)生產(chǎn)過程中鐵水質(zhì)量變化的特征。與傳統(tǒng)基于機理建模的方法相比,該方法不用考慮高爐內(nèi)部復(fù)雜的物理變化與化學(xué)反應(yīng),能夠有效處理工況多變的煉鐵過程鐵水質(zhì)量指標(biāo)預(yù)測問題。2)針對高能耗工業(yè)過程操作優(yōu)化難,以大型高爐煉鐵過程多目標(biāo)優(yōu)化為研究對象,提出了基于進化算法與深度學(xué)習(xí)的多目標(biāo)智能優(yōu)化控制方法。首先通過門控循環(huán)神經(jīng)網(wǎng)絡(luò)描述過程變量與工藝指標(biāo)間的映射關(guān)系,建立數(shù)據(jù)驅(qū)動的高爐鐵水生產(chǎn)過程黑箱模型。其次在生產(chǎn)工況、質(zhì)量守恒、操作限制等約束條件下,使用基于遺傳算法的多目標(biāo)優(yōu)化算法對工藝指標(biāo)和操作參數(shù)進行優(yōu)化。通過將深度學(xué)習(xí)所建立的模型作為遺傳算法適應(yīng)度函數(shù),實現(xiàn)高能耗過程建模優(yōu)化一體化模型的構(gòu)建。3)針對高能耗過程數(shù)據(jù)多源問題,以造紙工業(yè)多采樣率過程作為研究對象,提出了基于智能協(xié)同優(yōu)化框架的能耗優(yōu)化模型。首先基于多采樣率回歸模型建立磨漿系統(tǒng)的多采樣率模型,通過高采樣率變量預(yù)測低采樣率指標(biāo)。然后基于所建立的多采樣率回歸模型,通過自適應(yīng)種群遺傳算法尋找最優(yōu)的目標(biāo)函數(shù)值以及所對應(yīng)的輸入?yún)?shù)。最終在不影響紙漿質(zhì)量與產(chǎn)量的情況下,實現(xiàn)磨漿系統(tǒng)中高濃磨漿機能耗的優(yōu)化。4)針對智能操作優(yōu)化算法運行部署問題,以流程工業(yè)高能耗過程為研究對象,構(gòu)建了基于工業(yè)互聯(lián)網(wǎng)平臺的智能操作優(yōu)化微服務(wù)APP應(yīng)用。首先在工廠搭建由多臺服務(wù)器組成的本地云計算集群,其次通過Rancher和Harbor提供云平臺服務(wù),然后建立基于容器的流程工業(yè)互聯(lián)網(wǎng)平臺,最后將智能操作優(yōu)化方法打包成容器鏡像部署于工業(yè)互聯(lián)網(wǎng)平臺上,實現(xiàn)流程工業(yè)高能耗過程的智能操作優(yōu)化。在文章的最后對本文的研究內(nèi)容和研究結(jié)果進行了總結(jié),并對未來高能耗工業(yè)過程的智能操作優(yōu)化研究方向進行了展望。
劉丹[6]（2020）在《基于優(yōu)化算法的天然氣管道仿真模型自適應(yīng)研究》文中提出隨著天然氣管道建設(shè)規(guī)模日益龐大、復(fù)雜,天然氣管道系統(tǒng)仿真技術(shù)已成為實現(xiàn)天然氣管網(wǎng)的調(diào)度管理和管網(wǎng)系統(tǒng)故障分析等方面研究與運營管理工作的重要手段。然而由于管道參數(shù)、環(huán)境參數(shù)、測量儀表精度等在管道全生命周期內(nèi)均會發(fā)生無規(guī)律變化,偏離原始設(shè)計條件,造成以原始設(shè)計參數(shù)為依據(jù)的天然氣管道仿真在實際應(yīng)用中,易受模型參數(shù)的不準(zhǔn)確產(chǎn)生仿真結(jié)果偏差,影響管道系統(tǒng)的決策判斷和運行管理。針對管道系統(tǒng)仿真結(jié)果偏差問題,本文提出基于優(yōu)化算法的天然氣管道仿真模型自適應(yīng)方法,該方法主要在動態(tài)仿真基礎(chǔ)上,采用最小二乘法思想建立管道仿真模型自適應(yīng)優(yōu)化模型,利用AGA自適應(yīng)遺傳算法實現(xiàn)該優(yōu)化模型的高效求解,達到以修正管道參數(shù)為手段,提高動態(tài)仿真模型精度的目的。首先根據(jù)動態(tài)仿真理論建立了基于特征線法的動態(tài)仿真模型,并采用Runge-Kutta法實現(xiàn)其初始條件的精確求解,通過實際案例驗證該種仿真方法的動態(tài)仿真結(jié)果與實際觀測值僅具有0.5%的相對偏差,具有較高精度;然后,通過200組對比試驗分析壓縮因子、管徑、管長、高程、管壁粗糙度5個參數(shù)在各自偏差梯度下引起動態(tài)仿真結(jié)果偏差的程度,結(jié)果顯示影響動態(tài)仿真的關(guān)鍵參數(shù)有管徑、管長、高程、管壁粗糙度參數(shù);最后,根據(jù)模型參數(shù)反演理論建立適合于動態(tài)仿真參數(shù)反演的自適應(yīng)優(yōu)化模型,并使用AGA自適應(yīng)遺傳算法實現(xiàn)優(yōu)化模型與動態(tài)仿真的耦合求解。基于研究成果,采用Python語言實現(xiàn)天然氣管道仿真模型自適應(yīng)方法的程序化,通過YJ管道實例應(yīng)用顯示,該方法可實現(xiàn)管徑、管長、高程、管壁粗糙度的最佳修正,使YJ管道仿真壓力偏差由原始偏差23.6kPa減小至4.5kPa,驗證了該方法對提高管道仿真精度、校準(zhǔn)模型參數(shù)具有很強的適用性。
鄧錟[7]（2020）在《混合IWO算法在參數(shù)優(yōu)化中的應(yīng)用研究》文中認為隨著現(xiàn)代技術(shù)的高度發(fā)展,智能算法被用來解決眾多應(yīng)用領(lǐng)域的優(yōu)化問題,因此智能優(yōu)化算法得到了許多學(xué)者和研究人員的關(guān)注。在實際的工程問題中,優(yōu)化方法是解決問題的關(guān)鍵手段。精確的優(yōu)化方法或確定性方法在解決大多數(shù)實際應(yīng)用中存在的復(fù)雜非線性、多模態(tài)和參數(shù)優(yōu)化問題時可能無法通過計算達到理想效果,在過去的幾十年里,研究人員采用一些靈感來自生物和自然系統(tǒng)的方法來解決復(fù)雜的優(yōu)化問題。在現(xiàn)有的智能優(yōu)化算法中,大部分的智能優(yōu)化算法都是學(xué)者們通過觀察自然界中生物進化、聚集等行為提出的,入侵雜草優(yōu)化算法（Invasive Weed Optimization）是一種新興的數(shù)值隨機優(yōu)化算法,它的思想源于農(nóng)業(yè)生產(chǎn)發(fā)展中雜草生長,繁衍,競爭淘汰現(xiàn)象,雜草強壯且具有抗性,繁殖能力強,所以它們表現(xiàn)出侵入增長的行為。因此在2006年Mehrabian和Lucas提出了IWO優(yōu)化算法。IWO算法作為啟發(fā)式算法具有全局搜索能力強,參數(shù)少,易于操作,容易實現(xiàn),魯棒性強等優(yōu)點。在許多學(xué)術(shù)領(lǐng)域中都廣泛用到IWO優(yōu)化算法。IWO算法已經(jīng)被用來解決各種各樣的復(fù)雜優(yōu)化問題。本文使用四種混合IWO算法分別求解參數(shù)反演問題、藥代動力學(xué)參數(shù)優(yōu)化問題、Muskingum模型參數(shù)優(yōu)化問題、土壤水分特征曲線參數(shù)優(yōu)化問題。針對具有整數(shù)變量的太陽影子模型的參數(shù)反演問題,提出了一種基于擬牛頓算法（BFSG）的混合入侵雜草優(yōu)化算法（HIWO）。我們提出的算法不僅可以最大程度上利用BFGS算法的局部搜索能力和入侵雜草優(yōu)化算法的全局搜索能力,此外還能夠利用具有向最優(yōu)個體學(xué)習(xí)的改進策略進一步提高算法的尋優(yōu)能力。除了太陽影子模型的參數(shù)反演問題,我們還利用12個基準(zhǔn)測試函數(shù)來驗證HIWO算法的計算精度和收斂速度等相關(guān)性能。在基準(zhǔn)測試函數(shù)實驗中,HIWO算法不僅能夠的到相對于其他對比算法更高的計算精度,而且在收斂速度方面也表現(xiàn)出了比較強勢的競爭力,即收斂速度更快。針對太陽影子模型的參數(shù)反演問題實驗,HIWO算法不僅可以成功地反轉(zhuǎn)太陽陰影模型的日期,而且還可以克服經(jīng)典數(shù)學(xué)方法難以通過算法中的一些隨機變量中的整數(shù)來解決整數(shù)非線性優(yōu)化問題的缺點。實驗結(jié)果數(shù)據(jù)表明,HIWO算法不僅計算精度高,而且收斂速度較快。HIWO可以有效地提高太陽陰影定位技術(shù)的準(zhǔn)確性和效率,以及一種有效且高效的技術(shù)來處理工程應(yīng)用中的整數(shù)參數(shù)反演問題。鑒于傳統(tǒng)的估計藥代動力學(xué)參數(shù)的方法受其初始值的敏感性和進化算法無法確定搜索范圍的限制,本文提出了一種結(jié)合Hooke-Jeeves（HJ）和自適應(yīng)入侵雜草優(yōu)化算法（IWO）的混合入侵雜草優(yōu)化（HJIWO）算法。最終我們通過基準(zhǔn)測試函數(shù)和血管外給藥二室模型兩個實驗來驗證本文所提出HJIWO算法的性能。在基準(zhǔn)測試函數(shù)實驗中,我們選取了15個基準(zhǔn)測試函數(shù)。通過分析實驗數(shù)據(jù),我們發(fā)現(xiàn)HJIWO算法在計算精度和收斂速度兩方面都表現(xiàn)出了比其他對比算法更強的競爭力和優(yōu)越性。在血管外給藥二室模型實驗中,利用HJIWO算法進行參數(shù)優(yōu)化,我們可以看出,HJIWO不僅在數(shù)值穩(wěn)定性方面優(yōu)于傳統(tǒng)的FM算法,且在誤差最小化方面也要優(yōu)于HJ和IWO兩種對比算法。實驗結(jié)果表明,HJIWO算法是一種求解藥代動力學(xué)參數(shù)問題的可行方法,與其他技術(shù)相比具有更高的精度和更強的魯棒性。針對入侵雜草優(yōu)化算法（IWO）在求解馬斯京根（Muskingum）模型參數(shù)優(yōu)化問題方面收斂速度慢,計算精度較差等問題。本文采用了一種基于Powell算法和全局導(dǎo)向最優(yōu)策略的混合入侵雜草優(yōu)化算法（PIWO）。這種混合算法利用了Powell算法的局部搜索能力,對種群進行初始化,使種子能在初始化時得到較優(yōu)的解。在進化過程中,具有全局導(dǎo)向最優(yōu)策略和入侵雜草優(yōu)化算法的基本進化策略都會發(fā)揮相應(yīng)的作用,能夠進一步提高算法的計算精度和收斂速度。為了能夠使PIWO算法的優(yōu)化性能更具說服力,本文不僅采用16基準(zhǔn)測試函數(shù),還有馬斯京根模型參數(shù)優(yōu)化問題。在基準(zhǔn)測試函數(shù)實驗中,PIWO算法能夠得到計算精度更高的結(jié)果和收斂速度更快的進化過程。在馬斯京根模型參數(shù)優(yōu)化問題的仿真實驗中,實驗結(jié)果數(shù)據(jù)表明PIWO算法具有較高的收斂精度以及相對較快的收斂速度。這為求解馬斯京根線性模型參數(shù)優(yōu)化問題提供了一種新型有效的方法。在研究土壤水運動的領(lǐng)域中,土壤水分特征曲線是一個非常重要的參數(shù)。到目前為止,其中運用最廣泛的土壤水分特征曲線方程是Van Genuchten方程（簡稱VG方程）。將VG方程參數(shù)計算問題轉(zhuǎn)化為一個非線性優(yōu)化問題,然后本文在基本IWO算法的基礎(chǔ)上引入萊維飛行對其進行參數(shù)估計。通過對仿真實驗得到的結(jié)果進行分析,可以得出結(jié)論:采用基于萊維飛行的IWO混合算法解決VG方程參數(shù)估計問題,比隨機粒子群算法和混合遺傳算法有更好的效果。此外我們還利用15個基準(zhǔn)測試函數(shù)進一步驗證LIWO算法的性能優(yōu)越性,在該部分實驗中,我們通過分析實驗數(shù)據(jù)發(fā)現(xiàn)LIWO算法在計算精度方面要遠超其他幾種對比算法,以及在對比進化過程曲線圖時,我們也能夠發(fā)現(xiàn)LIWO算法也表現(xiàn)出了比較明顯的競爭力,即收斂速度更快。這些實驗數(shù)據(jù)都表明LIWO算法具有更高的計算精度和更強的魯棒性。
李孝檢[8]（2020）在《高速離心壓氣機幾何與流動參數(shù)耦合數(shù)據(jù)挖掘與優(yōu)化研究》文中認為現(xiàn)代高性能離心壓氣機追求大流量、高效率、高壓比、寬穩(wěn)定運行范圍的設(shè)計要求。由于壓氣機幾何結(jié)構(gòu)的復(fù)雜性,其內(nèi)部流場表現(xiàn)出逆壓力梯度流動、邊界層流動、二次渦流、分離流動、間隙泄漏流、激波效應(yīng)等復(fù)雜流動特征,這些流動特征是制約跨聲速離心壓氣機多目標(biāo)氣動優(yōu)化的瓶頸。傳統(tǒng)優(yōu)化方法由于對壓氣機內(nèi)部流動物理機制挖掘不足,難以全面改善其流動特征和提高氣動性能。為了解決高速離心壓氣機多目標(biāo)氣動優(yōu)化難題,本文將壓氣機理論模型數(shù)據(jù)挖掘、代理模型數(shù)據(jù)挖掘與自適應(yīng)采樣混合優(yōu)化算法結(jié)合,提出了基于幾何與流動參數(shù)耦合數(shù)據(jù)挖掘的壓氣機全工況多目標(biāo)氣動優(yōu)化方法。首先,提出了基于理論模型的幾何與流動參數(shù)耦合數(shù)據(jù)挖掘方法。推導(dǎo)并建立了離心壓氣機幾何與流動參數(shù)耦合普遍關(guān)系式,普遍關(guān)系式將壓氣機的關(guān)鍵幾何、流動和氣動參數(shù)統(tǒng)一表述為一系列具有相同無量綱參數(shù)的函數(shù)。根據(jù)普遍關(guān)系式繪制了無量綱圖譜,由此揭示壓氣機幾何、流動與氣動參數(shù)之間普遍存在的非線性耦合與制約規(guī)律,從理論角度探索了壓氣機設(shè)計空間的可行域與優(yōu)化極限。為研究非設(shè)計工況的氣動特征,進一步建立了變工況與設(shè)計工況流動參數(shù)耦合數(shù)學(xué)模型,從而實現(xiàn)根據(jù)設(shè)計工況的參數(shù)快速探索非設(shè)計工況流動特征及氣動性能,并從理論上證明不同工況流動參數(shù)耦合規(guī)律具有幾何不變性。以上模型共同構(gòu)成壓氣機全工況的幾何、流動和氣動參數(shù)耦合理論模型,為從物理機理層面對壓氣機內(nèi)流進行數(shù)據(jù)挖掘提供理論支撐。其次,建立了基于代理模型的幾何與流動參數(shù)耦合數(shù)據(jù)挖掘方法。提出一種新的自適應(yīng)采樣算法,將自適應(yīng)采樣與Kriging代理模型結(jié)合發(fā)展了一種自適應(yīng)采樣代理模型,利用數(shù)學(xué)算例驗證了自適應(yīng)采樣代理模型的高效性。進一步建立了基于代理模型的壓氣機內(nèi)流數(shù)據(jù)挖掘方法,其中,數(shù)據(jù)挖掘算法包括自組織神經(jīng)網(wǎng)絡(luò)和方差分析。相較于理論模型數(shù)據(jù)挖掘,代理模型數(shù)據(jù)挖掘能夠解析局部幾何參數(shù)與全局流動、氣動參數(shù)的耦合關(guān)系。然后,發(fā)展了基于流動特征數(shù)據(jù)挖掘的壓氣機全工況多目標(biāo)氣動優(yōu)化方法。將梯度變異與多目標(biāo)遺傳算法耦合,提出梯度變異混合優(yōu)化算法,采用高維高非線性數(shù)學(xué)算例驗證了優(yōu)化算法的全局性和高效性。開展算法關(guān)鍵參數(shù)的敏感性分析,證明優(yōu)化算法同時具有良好的魯棒性。將自適應(yīng)采樣代理模型與梯度變異混合優(yōu)化算法耦合,給出了一種適用于壓氣機多目標(biāo)優(yōu)化的自適應(yīng)采樣混合優(yōu)化算法。將基于理論模型和代理模型的幾何與流動參數(shù)耦合數(shù)據(jù)挖掘方法與自適應(yīng)采樣混合優(yōu)化算法有機結(jié)合,形成基于壓氣機內(nèi)流數(shù)據(jù)挖掘的全工況多目標(biāo)氣動優(yōu)化方法。最后,針對跨聲速增壓器壓氣機和Krain葉輪,實施了基于內(nèi)流數(shù)據(jù)挖掘的全工況多目標(biāo)氣動優(yōu)化。經(jīng)過理論模型數(shù)據(jù)挖掘,明確了壓氣機幾何、流動與氣動參數(shù)之間的耦合與制約規(guī)律,提取了對流動特征和氣動性能起關(guān)鍵作用的設(shè)計變量,進而給出反映流動特征和氣動性能全面提升更本質(zhì)的目標(biāo)函數(shù),得到優(yōu)化初始設(shè)計空間,由此將物理優(yōu)化問題抽象為數(shù)學(xué)優(yōu)化模型。經(jīng)過代理模型數(shù)據(jù)挖掘,確定了設(shè)計變量與目標(biāo)函數(shù)的非線性耦合與制約關(guān)系,得到了設(shè)計變量對目標(biāo)函數(shù)的定量貢獻率,據(jù)此精煉設(shè)計空間,簡化優(yōu)化問題。對精煉設(shè)計空間采用自適應(yīng)采樣混合優(yōu)化算法進行優(yōu)化,得到Pareto最優(yōu)解集。多角度定性與定量證明了本文提出的優(yōu)化方法在優(yōu)化效率、全局性、魯棒性方面均優(yōu)于當(dāng)前主流算法,其中優(yōu)化效率可提升2-10倍。同時闡釋了優(yōu)化過程中幾何、流動和氣動參數(shù)耦合變化規(guī)律,以及氣動性能提升背后的流體動力學(xué)機理。本文提出的基于幾何與流動參數(shù)耦合數(shù)據(jù)挖掘的壓氣機全工況多目標(biāo)氣動優(yōu)化方法,為現(xiàn)代高性能壓氣機的優(yōu)化提供一種高效的新手段,或?qū)⒅τ谙冗M航空壓氣機、增壓器壓氣機、能源動力工業(yè)壓氣機設(shè)計技術(shù)的發(fā)展及本土化。
智慧[9]（2020）在《群智能優(yōu)化算法的研究及應(yīng)用》文中研究說明在科學(xué)技術(shù)和工程實際等諸多領(lǐng)域中,存在各種各樣的復(fù)雜優(yōu)化問題,其中不少問題用傳統(tǒng)的優(yōu)化算法難以解決,而智能優(yōu)化算法在求解某些復(fù)雜優(yōu)化問題時卻具有很強的適應(yīng)性和有效性,對目標(biāo)函數(shù)解析性質(zhì)和算法初始點選擇無特殊要求,且算法收斂快,因此成為解決復(fù)雜優(yōu)化問題的有效方法.本文主要研究兩種群智能優(yōu)化算法,一種是模擬鳥群覓食行為的粒子群優(yōu)化算法,另一類是模仿蜂群采蜜行為的人工蜂群算法,它們都是模仿生物協(xié)作行為機制的隨機搜索算法.本文通過引入先進的進化策略提高算法的收斂效果,同時將其應(yīng)用于實際問題的求解中.本文的主要創(chuàng)新性成果如下:1.提出了高斯和混沌增強策略下的維進化粒子群優(yōu)化算法.通過對每個粒子按照維的適應(yīng)度依次進化,并更新較差的維,保證整個粒子不退化.為確保種群多樣性,當(dāng)粒子聚集時在最優(yōu)解附近實施高斯混沌局部收縮策略,幫粒子跳出局部最優(yōu),提高算法的收斂性能.通過基準(zhǔn)函數(shù)的測試表明所提算法的有效性,將算法引入PID控制系統(tǒng)的參數(shù)整定問題中,結(jié)果表明系統(tǒng)控制的精度提高,控制效果良好.2.提出了變尺度搜索策略下的混沌粒子群算法.變尺度搜索過程用來實現(xiàn)全局最優(yōu)位置的迅速定位和局部位置的精細搜索.采用混沌初始化和混沌變異增強種群多樣性.通過時變加速系數(shù)和時變慣性權(quán)重實現(xiàn)了參數(shù)的自適應(yīng)調(diào)節(jié),平衡算法探索開發(fā)能力.基準(zhǔn)函數(shù)的測試實驗表明,算法的收斂效果明顯提高.基于該算法的配送中心選址問題,能實現(xiàn)最優(yōu)配送中心的規(guī)劃,使物流網(wǎng)絡(luò)結(jié)構(gòu)得到優(yōu)化.3.提出了結(jié)合遺傳算法和人工蜂群算法的混合優(yōu)化算法.在人工蜂群算法中引入遺傳算法的選擇、交叉、變異操作,遺傳操作執(zhí)行全局快速搜索,蜂群算法負責(zé)局部精確探索,使算法的探索和開發(fā)能力得到均衡.為了驗證算法的性能,將算法應(yīng)用于求解非線性約束優(yōu)化問題.結(jié)果表明所提出算法與其他方法相比具有明顯的優(yōu)越性.4.提出了自適應(yīng)分組策略下的量子人工蜂群算法.基于平均目標(biāo)函數(shù)值實現(xiàn)種群的動態(tài)分組來改善算法的局部搜索能力,采用量子比特概率幅對個體實施編碼以提高種群的多樣性,通過量子非門實現(xiàn)蜂群變異并幫助其逃離局部最優(yōu).通過Benchmark函數(shù)的對比實驗說明算法是可行有效的.基于該算法的二維最大熵圖像分割實驗表明,該算法能更好地保留圖像的某些細節(jié)信息,提高圖像的分割效果.
張安琪[10]（2020）在《相位編碼波形及信號處理方法設(shè)計》文中研究表明脈沖壓縮信號是一種具有大時寬帶寬積的雷達信號,它可以有效地解決雷達探測距離和距離分辨力之間的矛盾。相位編碼信號作為一種常用的脈沖壓縮信號,具有壓縮性能好、抗截獲和抗干擾能力強等特點,在現(xiàn)代雷達中得到了廣泛的應(yīng)用。對于相位編碼脈沖壓縮雷達系統(tǒng)而言,相位編碼信號的原始碼字對雷達性能具有很大的影響,并且由于相位編碼信號的非周期自相關(guān)函數(shù)旁瓣過高,限制了它在實際中的應(yīng)用。本文圍繞相位編碼波形設(shè)計及旁瓣抑制方法進行了研究,主要內(nèi)容如下:（1）針對現(xiàn)有相位編碼波形設(shè)計方法存在搜索效率低或得到波形性能不佳的問題,本文提出基于二進制粒子群算法的M序列波形設(shè)計方法。該方法在回波信號存在多普勒頻移和距離遮擋的情況下以M序列回波信號脈沖壓縮后的主旁瓣比為目標(biāo)函數(shù)進行優(yōu)化,通過使用二進制粒子群算法搜索M序列最優(yōu)初始寄存器的方式完成M序列波形的設(shè)計。仿真結(jié)果表明,該方法在M序列碼長較短時能快速收斂于高質(zhì)量的解,在M序列碼長較長時能較快收斂于相對較優(yōu)的解,有效地提高了M序列波形設(shè)計方法的搜索效率和得到波形的性能。（2）針對現(xiàn)有組合優(yōu)化算法容易陷入局部最優(yōu)的問題,本文提出自適應(yīng)二進制粒子群遺傳算法。該算法在采取精英保留策略的基礎(chǔ)上,以自適應(yīng)遺傳算法為基本框架,引入使用自適應(yīng)慣性權(quán)重的二進制粒子群算法代替早期的遺傳選擇操作,并在遺傳交叉操作前加入有效性判斷,在維持種群多樣性的條件下提高搜索效率。仿真結(jié)果表明,該算法同時具備較強的全局搜索能力和局部搜索能力。（3）針對現(xiàn)有相位編碼波形設(shè)計方法在碼長較長時得到波形性能不佳的問題,本文提出基于自適應(yīng)二進制粒子群遺傳算法的M序列波形設(shè)計方法。該方法使用自適應(yīng)二進制粒子群遺傳算法完成對M序列最優(yōu)初始寄存器的搜索,獲取當(dāng)回波信號存在多普勒頻移和距離遮擋時具有最大主旁瓣比的M序列。仿真結(jié)果表明,該方法在M序列碼長較長時仍能收斂于高質(zhì)量的解,有效地提高了M序列波形設(shè)計方法在碼長較長時得到波形的性能。（4）針對現(xiàn)有相位編碼旁瓣抑制算法存在計算量大或旁瓣抑制性能不佳的問題,本文研究了一種自適應(yīng)失配濾波算法。該算法將優(yōu)化最小ISL濾波算法的思想應(yīng)用于基于凸優(yōu)化的失配濾波算法,同時具備計算量小和旁瓣抑制性能良好的特性。仿真結(jié)果表明,在不同信噪比下,自適應(yīng)失配濾波算法相對于自適應(yīng)脈沖壓縮算法和失配濾波算法而言均具有更好的性能。
二、一種基于自適應(yīng)混合遺傳算法的非線性函數(shù)優(yōu)化方法（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(zhǔn)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(xué)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(xué)科研究法：運用多學(xué)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(xué)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、一種基于自適應(yīng)混合遺傳算法的非線性函數(shù)優(yōu)化方法（論文提綱范文）
（1）地下水LNAPLs污染溯源辨析（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 選題依據(jù)及研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀與進展分析 |
| 1.2.1 地下水污染溯源辨析問題的研究 |
| 1.2.2 經(jīng)驗?zāi)B(tài)分解降噪方法的研究 |
| 1.2.3 替代模型建模方法的研究 |
| 1.2.4 優(yōu)化模型求解算法的研究 |
| 1.3 有待解決的科學(xué)問題 |
| 1.3.1 監(jiān)測數(shù)據(jù)降噪方法問題 |
| 1.3.2 替代模型建模方法問題 |
| 1.3.3 優(yōu)化模型求解算法問題 |
| 1.3.4 模擬模型參數(shù)不確定性問題 |
| 1.4 研究內(nèi)容與技術(shù)路線 |
| 1.4.1 研究內(nèi)容 |
| 1.4.2 技術(shù)路線 |
| 1.5 創(chuàng)新點 |
| 1.6 本章小結(jié) |
| 第2章 反演問題和模擬-優(yōu)化方法 |
| 2.1 正演問題 |
| 2.1.1 正演問題的概述 |
| 2.1.2 正演問題的適定性 |
| 2.2 反演問題 |
| 2.2.1 反演問題的概述 |
| 2.2.2 反演問題的不適定性 |
| 2.3 地下水污染溯源辨析的反演問題 |
| 2.4 模擬-優(yōu)化方法 |
| 2.5 本章小結(jié) |
| 第3章 地下水LNAPLs污染多相流數(shù)值模擬模型 |
| 3.1 地下水中LNAPLs的主要來源 |
| 3.2 地下水中LNAPLs的遷移與轉(zhuǎn)化 |
| 3.3 LNAPLs污染多相流數(shù)值模擬模型 |
| 3.3.1 偏微分方程 |
| 3.3.2 定解條件 |
| 3.4 實際污染場地地下水LNAPLs污染多相流數(shù)值模擬模型 |
| 3.4.1 污染場地概況 |
| 3.4.2 污染場地的概念模型 |
| 3.4.3 污染場地的多相流數(shù)值模擬模型 |
| 3.4.4 模型的時空離散 |
| 3.5 本章小結(jié) |
| 第4章 動態(tài)監(jiān)測數(shù)據(jù)的降噪處理 |
| 4.1 經(jīng)驗?zāi)B(tài)分解方法概述 |
| 4.2 經(jīng)驗?zāi)B(tài)分解方法的基本原理 |
| 4.3 集合經(jīng)驗?zāi)B(tài)分解方法的基本原理 |
| 4.4 互補集合經(jīng)驗?zāi)B(tài)分解方法的基本原理 |
| 4.5 降噪效果的評價指標(biāo) |
| 4.6 降噪效果的評價 |
| 4.6.1 獲取含噪聲數(shù)據(jù) |
| 4.6.2 降噪效果的評價 |
| 4.7 最優(yōu)互補降噪方法 |
| 4.7.1 最優(yōu)互補降噪方法的提出 |
| 4.7.2 灰狼優(yōu)化算法 |
| 4.7.3 最優(yōu)互補降噪方法的降噪效果評價 |
| 4.8 最優(yōu)互補降噪方法的實例應(yīng)用 |
| 4.9 本章小結(jié) |
| 第5章 多相流數(shù)值模擬模型的替代模型 |
| 5.1 敏感性分析 |
| 5.1.1 局部敏感性分析方法 |
| 5.1.2 敏感性分析結(jié)果 |
| 5.2 訓(xùn)練樣本與檢驗樣本的獲取 |
| 5.2.1 拉丁超立方抽樣方法簡介 |
| 5.2.2 拉丁超立方抽樣方法抽樣步驟 |
| 5.2.3 訓(xùn)練樣本與檢驗樣本的獲取 |
| 5.3 極限學(xué)習(xí)機替代模型 |
| 5.3.1 極限學(xué)習(xí)方法 |
| 5.3.2 極限學(xué)習(xí)機替代模型的建立 |
| 5.4 克里格替代模型 |
| 5.4.1 克里格方法 |
| 5.4.2 克里格替代模型的建立 |
| 5.5 長短期記憶神經(jīng)網(wǎng)絡(luò)替代模型 |
| 5.5.1 長短期記憶神經(jīng)網(wǎng)絡(luò)方法 |
| 5.5.2 長短期記憶神經(jīng)網(wǎng)絡(luò)替代模型的建立 |
| 5.6 深度信念神經(jīng)網(wǎng)絡(luò)替代模型 |
| 5.6.1 深度信念神經(jīng)網(wǎng)絡(luò)方法 |
| 5.6.2 深度信念神經(jīng)網(wǎng)絡(luò)替代模型的建立 |
| 5.7 四種替代模型的精度檢驗與評價 |
| 5.7.1 替代模型精度的評價指標(biāo) |
| 5.7.2 四種替代模型精度的對比分析 |
| 5.8 人工智能集對替代模型 |
| 5.8.1 人工智能集對替代模型的建立 |
| 5.8.2 人工智能集對替代模型的精度評價 |
| 5.9 本章小結(jié) |
| 第6章 優(yōu)化模型建立及其求解方法 |
| 6.1 最優(yōu)化問題的概述 |
| 6.2 非線性規(guī)劃優(yōu)化模型的建立 |
| 6.3 自適應(yīng)混合灰狼算法 |
| 6.3.1 萊維飛行隨機游走策略 |
| 6.3.2 Metropolis接受準(zhǔn)則 |
| 6.3.3 自適應(yīng)權(quán)重 |
| 6.4 本章小結(jié) |
| 第7章 地下水LNAPLs污染溯源辨析結(jié)果 |
| 7.1 假想例子污染溯源辨析 |
| 7.1.1 假想例子設(shè)計 |
| 7.1.2 灰狼優(yōu)化算法辨析結(jié)果 |
| 7.1.3 自適應(yīng)混合灰狼優(yōu)化算法辨析結(jié)果 |
| 7.2 實際例子污染溯源辨析 |
| 7.3 本章小結(jié) |
| 第8章 地下水LNAPLs污染溯源辨析的不確定性分析 |
| 8.1 蒙特卡洛方法 |
| 8.2 模擬模型參數(shù)擾動 |
| 8.3 非線性規(guī)劃優(yōu)化模型的建立與求解 |
| 8.4 地下水LNAPLs污染溯源辨析結(jié)果的不確定性分析 |
| 8.4.1 切比雪夫不等式 |
| 8.4.2 污染溯源辨析結(jié)果的不確定性分析 |
| 8.5 本章小結(jié) |
| 第9章 結(jié)論及展望 |
| 9.1 結(jié)論 |
| 9.2 展望 |
| 參考文獻 |
| 作者簡介及攻讀博士期間所取得的科研成果 |
| 致謝 |
（2）基于混合蛙跳算法的高維數(shù)據(jù)降維技術(shù)研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號說明 |
| 第一章 緒論 |
| 1.1 降維問題 |
| 1.1.1 降維分類 |
| 1.1.2 降維定義 |
| 1.2 降維方法 |
| 1.3 特征選擇與投影尋蹤的國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 特征選擇的研究現(xiàn)狀 |
| 1.3.2 投影尋蹤的研究現(xiàn)狀 |
| 1.4 優(yōu)化理論 |
| 1.4.1 優(yōu)化模型 |
| 1.4.2 優(yōu)化算法 |
| 1.5 群體智能優(yōu)化算法 |
| 1.6 混合蛙跳算法的研究現(xiàn)狀 |
| 1.6.1 算法的改進 |
| 1.6.2 算法的應(yīng)用 |
| 1.7 存在的問題 |
| 1.8 本文研究內(nèi)容和創(chuàng)新點 |
| 1.9 本文組織結(jié)構(gòu) |
| 1.10 本章小結(jié) |
| 第二章 混合蛙跳算法及參數(shù)優(yōu)化 |
| 2.1 引言 |
| 2.2 混合蛙跳算法原理 |
| 2.2.1 種群分割 |
| 2.2.2 尋優(yōu)原理 |
| 2.2.3 算法流程 |
| 2.3 混合蛙跳算法參數(shù)優(yōu)化設(shè)計 |
| 2.3.1 正交試驗設(shè)計方法 |
| 2.3.2 分組-子群平衡正交試驗設(shè)計方法 |
| 2.4 本章小結(jié) |
| 第三章 改進的混合蛙跳算法 |
| 3.1 引言 |
| 3.2 算法的改進策略 |
| 3.2.1 混沌記憶權(quán)重因子 |
| 3.2.2 細菌覓食因子 |
| 3.2.3 平衡分組策略 |
| 3.3 改進算法及性能分析 |
| 3.4 算法時間復(fù)雜度分析 |
| 3.5 本章小結(jié) |
| 第四章 基于混合蛙跳算法的高維生物醫(yī)學(xué)特征選擇方法 |
| 4.1 引言 |
| 4.2 算法的離散化處理 |
| 4.3 特征選擇的實現(xiàn) |
| 4.3.1 特征選擇流程 |
| 4.3.2 特征選擇評價函數(shù) |
| 4.3.3 數(shù)據(jù)處理與分析 |
| 4.4 自適應(yīng)特征選擇策略 |
| 4.4.1 自適應(yīng)混合蛙跳特征選擇方法 |
| 4.4.2 實現(xiàn)步驟 |
| 4.4.3 數(shù)據(jù)處理與分析 |
| 4.4.4 算法時間復(fù)雜度分析 |
| 4.5 本章小結(jié) |
| 第五章 基于混合蛙跳算法的投影尋蹤模型 |
| 5.1 引言 |
| 5.2 投影尋蹤模型 |
| 5.3 優(yōu)化投影尋蹤模型的算法步驟 |
| 5.4 模型在農(nóng)業(yè)旱災(zāi)脆弱性評價中的應(yīng)用 |
| 5.4.1 農(nóng)業(yè)旱災(zāi)脆弱性評價指標(biāo)和數(shù)據(jù) |
| 5.4.2 數(shù)據(jù)處理與分析 |
| 5.5 模型在土壤重金屬污染評價中的應(yīng)用 |
| 5.5.1 重金屬污染評價指標(biāo)和數(shù)據(jù) |
| 5.5.2 數(shù)據(jù)處理與分析 |
| 5.5.3 重金屬元素空間分布 |
| 5.6 本章小結(jié) |
| 第六章 總結(jié)和展望 |
| 參考文獻 |
| 在學(xué)期間的研究成果 |
| 致謝 |
| 附表 |
（3）混合不確定性下工業(yè)機器人運動精度可靠性分析與優(yōu)化設(shè)計（論文提綱范文）
| 摘要 |
| abstract |
| 主要符號及縮略詞 |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 工業(yè)機器人精度可靠性分析研究現(xiàn)狀 |
| 1.2.2 混合可靠性分析研究現(xiàn)狀 |
| 1.2.3 工業(yè)機器人精度優(yōu)化設(shè)計研究現(xiàn)狀 |
| 1.3 本文主要研究工作 |
| 第二章 隨機不確定性下工業(yè)機器人定位精度可靠性分析 |
| 2.1 引言 |
| 2.2 工業(yè)機器人運動可靠性模型 |
| 2.2.1 位姿描述方法 |
| 2.2.2 機械手運動學(xué) |
| 2.2.3 極限狀態(tài)函數(shù) |
| 2.3 定位精度可靠性分析方法 |
| 2.3.1 均值一次二階矩法 |
| 2.3.2 改進一次二階矩法 |
| 2.3.3 自適應(yīng)有限步長法 |
| 2.4 算例分析 |
| 2.4.1 JR605 型工業(yè)機器人簡介 |
| 2.4.2 正向運動學(xué)分析 |
| 2.4.3 可靠性分析方法對比 |
| 2.5 本章小結(jié) |
| 第三章 基于微分運動學(xué)和鞍點近似的定位精度可靠性分析 |
| 3.1 引言 |
| 3.2 基于微分運動學(xué)的可靠性模型 |
| 3.2.1 坐標(biāo)系間的微分變換關(guān)系 |
| 3.2.2 連桿坐標(biāo)系的微分運動 |
| 3.2.3 位置誤差極限狀態(tài)函數(shù) |
| 3.3 基于鞍點近似的定位精度可靠性分析 |
| 3.3.1 鞍點近似理論 |
| 3.3.2 位置誤差分布參數(shù) |
| 3.3.3 定位精度可靠性分析 |
| 3.4 算例分析 |
| 3.4.1 位置誤差模型驗證 |
| 3.4.2 可靠性分析方法對比 |
| 3.4.3 工作空間內(nèi)可靠性分析 |
| 3.5 本章小結(jié) |
| 第四章 混合隨機和區(qū)間不確定性下定位精度可靠性分析 |
| 4.1 引言 |
| 4.2 考慮區(qū)間不確定性的混合可靠性分析 |
| 4.2.1 混合可靠性分析模型 |
| 4.2.2 基于共軛投影梯度法的區(qū)間分析 |
| 4.2.3 基于共軛有限步長法的概率分析 |
| 4.3 基于響應(yīng)面的鞍點近似定位精度可靠性分析 |
| 4.3.1 響應(yīng)面方法 |
| 4.3.2 試驗點設(shè)計 |
| 4.3.3 失效概率區(qū)間計算 |
| 4.4 算例分析 |
| 4.4.1 關(guān)節(jié)變量不確定性分析 |
| 4.4.2 混合可靠性分析方法對比 |
| 4.4.3 改進可靠性分析方法驗證 |
| 4.5 本章小結(jié) |
| 第五章 基于軌跡精度可靠性的工業(yè)機器人優(yōu)化設(shè)計 |
| 5.1 引言 |
| 5.2 基于位置誤差極值的軌跡精度可靠性分析 |
| 5.2.1 工業(yè)機器人軌跡精度可靠性模型 |
| 5.2.2 隨機-區(qū)間混合可靠性模型等效處理 |
| 5.2.3 基于稀疏網(wǎng)格積分的鞍點近似可靠性分析 |
| 5.3 基于遺傳算法的工業(yè)機器人精度優(yōu)化設(shè)計 |
| 5.3.1 目標(biāo)函數(shù) |
| 5.3.2 約束條件 |
| 5.3.3 遺傳算法 |
| 5.4 算例分析 |
| 5.4.1 可靠性分析方法對比 |
| 5.4.2 優(yōu)化模型參數(shù)設(shè)置 |
| 5.4.3 優(yōu)化結(jié)果與分析 |
| 5.5 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 全文總結(jié) |
| 6.2 后續(xù)工作展望 |
| 致謝 |
| 參考文獻 |
| 攻讀博士學(xué)位期間取得的成果 |
（4）基于自適應(yīng)卡爾曼濾波的負荷模型參數(shù)在線辨識算法研究（論文提綱范文）
| 致謝 |
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 研究背景及意義 |
| 1.2 負荷建模工作發(fā)展及研究現(xiàn)狀 |
| 1.3 參數(shù)辨識工作發(fā)展及研究現(xiàn)狀 |
| 1.4 本文工作概述 |
| 2 負荷模型及負荷參數(shù)辨識分析 |
| 2.1 負荷模型基本結(jié)構(gòu)研究 |
| 2.1.1 靜態(tài)負荷模型 |
| 2.1.2 動態(tài)負荷模型 |
| 2.1.3 綜合負荷模型 |
| 2.2 負荷建模方法研究 |
| 2.2.1 統(tǒng)計綜合法 |
| 2.2.2 總體測辨法 |
| 2.2.3 故障仿真法 |
| 2.3 負荷參數(shù)辨識方法分析 |
| 2.3.1 系統(tǒng)辨識理論 |
| 2.3.2 負荷模型參數(shù)辨識方法 |
| 2.4 數(shù)據(jù)來源與預(yù)處理技術(shù) |
| 2.4.1 WAMS/PMU原理及數(shù)據(jù)特點分析 |
| 2.4.2 數(shù)據(jù)預(yù)處理研究 |
| 3 基于自適應(yīng)卡爾曼濾波的負荷參數(shù)辨識 |
| 3.1 引言 |
| 3.2 綜合負荷模型及參數(shù)介紹 |
| 3.3 自適應(yīng)卡爾曼濾波算法 |
| 3.3.1 適用于負荷模型辨識的傳統(tǒng)卡爾曼濾波方法 |
| 3.3.2 改進的Sage-Husa自適應(yīng)卡爾曼濾波計算方法 |
| 3.3.3 系統(tǒng)噪聲選定方法 |
| 3.3.4 數(shù)據(jù)處理方法 |
| 3.4 算例分析 |
| 3.5 本章小結(jié) |
| 4 基于遺傳算法優(yōu)化的自適應(yīng)卡爾曼濾波模型參數(shù)辨識 |
| 4.1 引言 |
| 4.2 基于遺傳算法優(yōu)化的AKF結(jié)構(gòu) |
| 4.3 基于遺傳算法優(yōu)化的AKF辨識參數(shù)的實現(xiàn) |
| 4.3.1 初始化設(shè)計 |
| 4.3.2 混合無重選擇算子設(shè)計 |
| 4.3.3 自適應(yīng)交叉算子設(shè)計 |
| 4.3.4 高斯近似變異算子設(shè)計 |
| 4.4 算例分析 |
| 4.5 本章小結(jié) |
| 5 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻 |
| 作者簡歷 |
（5）高能耗過程智能操作優(yōu)化方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 縮寫術(shù)語表 |
| 1 緒論 |
| 1.1 課題背景與研究意義 |
| 1.2 流程工業(yè)典型高能耗過程分析 |
| 1.2.1 高爐煉鐵過程分析 |
| 1.2.2 造紙制漿過程分析 |
| 1.3 流程工業(yè)高能耗過程建模研究現(xiàn)狀 |
| 1.3.1 高爐煉鐵過程建模研究現(xiàn)狀 |
| 1.3.2 造紙制漿過程建模研究現(xiàn)狀 |
| 1.4 流程工業(yè)高能耗過程操作優(yōu)化研究現(xiàn)狀 |
| 1.5 本文研究內(nèi)容與創(chuàng)新點 |
| 1.5.1 本文主要研究內(nèi)容 |
| 1.5.2 各個章節(jié)創(chuàng)新點 |
| 1.6 本章小結(jié) |
| 2 基于模糊神經(jīng)網(wǎng)絡(luò)的高爐鐵水質(zhì)量建模與預(yù)測 |
| 2.1 引言 |
| 2.2 互信息法特征選擇 |
| 2.2.1 特征選擇 |
| 2.2.2 熵增定義 |
| 2.2.3 互信息法 |
| 2.3 滑動窗口模型 |
| 2.4 模糊神經(jīng)網(wǎng)絡(luò) |
| 2.5 實例研究 |
| 2.6 本章小結(jié) |
| 3 基于混合模型的大型高爐操作優(yōu)化 |
| 3.1 引言 |
| 3.2 協(xié)同混合優(yōu)化模型 |
| 3.3 處置門門控循環(huán)神經(jīng)網(wǎng)絡(luò) |
| 3.3.1 簡單循環(huán)神經(jīng)網(wǎng)絡(luò) |
| 3.3.2 門控循環(huán)神經(jīng)網(wǎng)絡(luò) |
| 3.3.3 改進門控循環(huán)神經(jīng)網(wǎng)絡(luò) |
| 3.4 自適應(yīng)種群遺傳算法 |
| 3.5 實例研究 |
| 3.5.1 dGRU-RNN硅含量測試 |
| 3.5.2 SAPGA數(shù)值仿真測試 |
| 3.5.3 混合模型數(shù)值仿真測試 |
| 3.5.4 焦比能耗單目標(biāo)優(yōu)化 |
| 3.5.5 高爐煉鐵多目標(biāo)優(yōu)化 |
| 3.6 本章小結(jié) |
| 4 基于多采樣率回歸的造紙制漿能耗優(yōu)化 |
| 4.1 引言 |
| 4.2 協(xié)同混合優(yōu)化模型 |
| 4.3 實例研究 |
| 4.3.1 F-MIDAS數(shù)值仿真 |
| 4.3.2 F-MIDAS焦比測試 |
| 4.3.3 SAPGA數(shù)值仿真 |
| 4.3.4 混合模型工業(yè)實際測試 |
| 4.3.5 混合模型工業(yè)應(yīng)用驗證 |
| 4.4 本章小結(jié) |
| 5 基于工業(yè)互聯(lián)網(wǎng)平臺的智能操作優(yōu)化應(yīng)用 |
| 5.1 引言 |
| 5.2 工業(yè)互聯(lián)網(wǎng)平臺體系架構(gòu) |
| 5.3 工業(yè)互聯(lián)網(wǎng)平臺解決方案 |
| 5.3.1 工業(yè)互聯(lián)網(wǎng)平臺技術(shù)路線 |
| 5.3.2 工業(yè)互聯(lián)網(wǎng)平臺開發(fā)過程 |
| 5.3.3 工業(yè)互聯(lián)網(wǎng)平臺應(yīng)用實例 |
| 5.4 本章小結(jié) |
| 6 結(jié)論與展望 |
| 6.1 論文已有研究內(nèi)容總結(jié) |
| 6.2 論文未來研究方向展望 |
| 參考文獻 |
| 附錄 |
| 致謝 |
| Acknowledgement |
| 博士期間學(xué)術(shù)成果及科研獎勵 |
（6）基于優(yōu)化算法的天然氣管道仿真模型自適應(yīng)研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 仿真模型自適應(yīng)研究現(xiàn)狀 |
| 1.2.1 國內(nèi)研究現(xiàn)狀 |
| 1.2.2 國外研究現(xiàn)狀 |
| 1.3 研究內(nèi)容及技術(shù)路線 |
| 1.3.1 研究內(nèi)容 |
| 1.3.2 技術(shù)路線 |
| 1.4 創(chuàng)新點 |
| 第二章 天然氣長輸管道動態(tài)仿真 |
| 2.1 基本假設(shè) |
| 2.2 管道內(nèi)氣體流動關(guān)系式 |
| 2.2.1 連續(xù)性方程 |
| 2.2.2 運動方程 |
| 2.2.3 能量方程 |
| 2.3 氣體狀態(tài)方程 |
| 2.4 氣體粘度計算 |
| 2.5 水力摩阻系數(shù)計算 |
| 2.6 氣體管道動態(tài)仿真 |
| 2.6.1 特征線法求解仿真模型 |
| 2.6.2 Runge-Kutta法計算初始值 |
| 2.6.3 邊界條件 |
| 2.7 動態(tài)仿真實例 |
| 2.7.1 XJ管段基礎(chǔ)數(shù)據(jù) |
| 2.7.2 XJ管段動態(tài)仿真結(jié)果對比 |
| 2.8 小結(jié) |
| 第三章 動態(tài)仿真靈敏度 |
| 3.1 4組動態(tài)仿真試驗案例 |
| 3.2 壓縮因子模型影響分析 |
| 3.2.1 常用壓縮因子模型精度對比 |
| 3.2.2 壓縮因子對動態(tài)仿真的影響 |
| 3.3 管道參數(shù)影響分析 |
| 3.3.1 管徑對動態(tài)仿真的影響 |
| 3.3.2 管長對動態(tài)仿真的影響 |
| 3.3.3 粗糙度對動態(tài)仿真的影響 |
| 3.3.4 高程對動態(tài)仿真的影響 |
| 3.4 動態(tài)仿真模型靈敏度 |
| 3.5 小結(jié) |
| 第四章 基于AGA遺傳算法的動態(tài)仿真模型自適應(yīng)研究 |
| 4.1 仿真模型參數(shù)反演問題研究 |
| 4.1.1 仿真模型自適應(yīng) |
| 4.1.2 仿真模型參數(shù)反演問題的適定性 |
| 4.1.3 反問題求解方法 |
| 4.2 仿真模型自適應(yīng)優(yōu)化模型 |
| 4.3 遺傳算法概述 |
| 4.3.1 遺傳算法發(fā)展歷程 |
| 4.3.2 遺傳算法的原理及特點 |
| 4.3.3 基本遺傳算法實現(xiàn)步驟 |
| 4.4 AGA遺傳算法求解自適應(yīng)優(yōu)化模型 |
| 4.4.1 AGA遺傳算法 |
| 4.4.2 耦合求解過程 |
| 4.5 小結(jié) |
| 第五章 天然氣管道仿真模型自適應(yīng)方法程序設(shè)計及其應(yīng)用 |
| 5.1 程序設(shè)計 |
| 5.1.1 程序語言 |
| 5.1.2 程序功能 |
| 5.1.3 程序設(shè)計流程圖 |
| 5.2 應(yīng)用實例 |
| 5.2.1 YJ管段基礎(chǔ)數(shù)據(jù) |
| 5.2.2 管道內(nèi)徑自適應(yīng) |
| 5.2.3 管道長度自適應(yīng) |
| 5.2.4 管道高程自適應(yīng) |
| 5.2.5 管壁粗糙度自適應(yīng) |
| 5.3 小結(jié) |
| 第六章 結(jié)論及建議 |
| 6.1 結(jié)論 |
| 6.2 建議 |
| 致謝 |
| 參考文獻 |
| 攻讀碩士學(xué)位期間參加科研情況及獲得的學(xué)術(shù)成果 |
（7）混合IWO算法在參數(shù)優(yōu)化中的應(yīng)用研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 概述 |
| 1.2 參數(shù)優(yōu)化問題概述 |
| 1.3 入侵雜草優(yōu)化算法研究現(xiàn)狀 |
| 1.3.1 入侵雜草優(yōu)化算法的性能改進研究 |
| 1.3.2 入侵雜草優(yōu)化算法的相關(guān)應(yīng)用研究 |
| 1.3.3 太陽影子定位的應(yīng)用研究 |
| 1.3.4 藥代動力學(xué)的應(yīng)用研究 |
| 1.3.5 馬斯京根模型的應(yīng)用研究 |
| 1.3.6 VG方程的應(yīng)用研究 |
| 1.4 本課題研究思路及意義 |
| 1.5 本課題研究內(nèi)容及創(chuàng)新點 |
| 1.6 算法與應(yīng)用分析 |
| 1.7 本課題內(nèi)容安排 |
| 第2章 入侵雜草優(yōu)化算法的研究基礎(chǔ) |
| 2.1 優(yōu)化算法的基本概念 |
| 2.1.1 按算法求解機制分類 |
| 2.1.2 按求解搜索的目標(biāo)點分類 |
| 2.2 智能優(yōu)化算法 |
| 2.2.1 進化算法 |
| 2.2.2 群體算法 |
| 2.2.3 其他算法 |
| 2.3 入侵雜草優(yōu)化算法 |
| 第3章 HIWO算法在參數(shù)反演問題中的應(yīng)用 |
| 3.1 引言 |
| 3.2 相關(guān)研究 |
| 3.3 非線性太陽影子模型 |
| 3.4 HIWO算法的構(gòu)造 |
| 3.4.1 改進策略 |
| 3.4.2 BFGS算法 |
| 3.4.3 HIWO算法步驟 |
| 3.5 仿真實驗 |
| 3.5.1 實驗平臺 |
| 3.5.2 基準(zhǔn)函數(shù)實驗 |
| 3.5.3 太陽影子定位模型實驗 |
| 3.6 本章小結(jié) |
| 第4章 HJIWO算法在藥代動力學(xué)參數(shù)優(yōu)化中應(yīng)用 |
| 4.1 引言 |
| 4.2 房室模型 |
| 4.2.1 房室模型 |
| 4.2.2 血管外給藥二室模型及其解決方案 |
| 4.2.3 模型假設(shè) |
| 4.2.4 模型的建立及解決方法 |
| 4.3 改進IWO算法 |
| 4.3.1 自適應(yīng)調(diào)節(jié)機制 |
| 4.3.2 Hooke-Jeeves算法 |
| 4.3.3 HJIWO算法 |
| 4.4 仿真實驗及結(jié)果分析 |
| 4.4.1 實驗平臺 |
| 4.4.2 基準(zhǔn)測試函數(shù)實驗 |
| 4.4.3 血管內(nèi)給藥二室模型在藥代動力學(xué)參數(shù)優(yōu)化中的應(yīng)用 |
| 4.5 本章小結(jié) |
| 第5章 PIWO算法求解Muskingum模型參數(shù)優(yōu)化問題 |
| 5.1 引言 |
| 5.2 馬斯京根模型 |
| 5.2.1 模型描述 |
| 5.2.2 流量系數(shù)的優(yōu)化及參數(shù)k ,x的反轉(zhuǎn) |
| 5.3 算法改進策略 |
| 5.3.1 全局導(dǎo)向最優(yōu)策略 |
| 5.3.2 Powell算法 |
| 5.4 PIWO改進算法 |
| 5.4.1 PIWO算法步驟 |
| 5.5 仿真實驗 |
| 5.5.1 基準(zhǔn)函數(shù)實驗 |
| 5.5.2 馬斯京根模型實驗 |
| 5.6 本章小結(jié) |
| 第6章 基于自適應(yīng)萊維飛行的IWO算法的VG方程參數(shù)估計 |
| 6.1 引言 |
| 6.2 VG方程 |
| 6.3 改進IWO算法的構(gòu)造 |
| 6.3.1 萊維飛行 |
| 6.3.2 LIWO算法的構(gòu)造 |
| 6.4 仿真實驗與結(jié)果分析 |
| 6.4.1 基準(zhǔn)函數(shù)實驗 |
| 6.4.2 參數(shù)反演實驗 |
| 6.5 本章小結(jié) |
| 第7章 結(jié)束語與未來工作 |
| 參考文獻 |
| 附錄A 發(fā)表論文和參加科研情況說明 |
| 致謝 |
（8）高速離心壓氣機幾何與流動參數(shù)耦合數(shù)據(jù)挖掘與優(yōu)化研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 字母注釋表 |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 壓氣機數(shù)據(jù)挖掘優(yōu)化方法研究進展 |
| 1.2.1 優(yōu)化方法總體發(fā)展趨勢 |
| 1.2.2 數(shù)據(jù)挖掘 |
| 1.2.3 優(yōu)化算法 |
| 1.2.4 代理模型與采樣算法 |
| 1.2.5 目前研究存在的問題 |
| 1.3 本文主要工作 |
| 第二章 壓氣機數(shù)值模擬方法 |
| 2.1 控制方程 |
| 2.1.1 連續(xù)方程 |
| 2.1.2 動量方程 |
| 2.1.3 能量方程 |
| 2.1.4 基本方程組統(tǒng)一形式 |
| 2.1.5 氣體狀態(tài)方程與輸運特性 |
| 2.2 湍流模型 |
| 2.2.1 雷諾平均與渦粘假設(shè) |
| 2.2.2 Spalart-Allmaras湍流模型 |
| 2.3 網(wǎng)格拓撲與數(shù)值求解方法 |
| 2.3.1 網(wǎng)格拓撲結(jié)構(gòu) |
| 2.3.2 控制方程離散方法 |
| 2.3.3 數(shù)值模擬加速技術(shù) |
| 2.4 數(shù)值模擬方法驗證 |
| 2.4.1 增壓器壓氣機 |
| 2.4.2 Krain葉輪 |
| 2.5 本章小結(jié) |
| 第三章 基于理論模型的幾何與流動參數(shù)耦合數(shù)據(jù)挖掘 |
| 3.1 幾何與流動參數(shù)耦合普遍關(guān)系式 |
| 3.1.1 流量函數(shù) |
| 3.1.2 葉輪無量綱進口直徑 |
| 3.1.3 功系數(shù)偏移量 |
| 3.1.4 葉輪無量綱出口寬度 |
| 3.1.5 幾何與流動參數(shù)耦合關(guān)系圖譜 |
| 3.1.6 葉輪與擴壓器匹配模型 |
| 3.1.7 耦合普遍關(guān)系式統(tǒng)一形式 |
| 3.2 變工況與設(shè)計工況流動參數(shù)耦合模型 |
| 3.2.1 流量系數(shù)關(guān)系 |
| 3.2.2 效率關(guān)系 |
| 3.2.3 壓比關(guān)系 |
| 3.2.4 模型驗證 |
| 3.3 本章小結(jié) |
| 第四章 基于代理模型的幾何與流動參數(shù)耦合數(shù)據(jù)挖掘 |
| 4.1 自適應(yīng)采樣代理模型 |
| 4.1.1 Kriging代理模型 |
| 4.1.2 自適應(yīng)采樣代理模型 |
| 4.1.3 模型驗證 |
| 4.2 數(shù)據(jù)挖掘方法 |
| 4.2.1 自組織神經(jīng)網(wǎng)絡(luò) |
| 4.2.2 方差分析 |
| 4.3 本章小結(jié) |
| 第五章 基于流動特征數(shù)據(jù)挖掘的壓氣機優(yōu)化 |
| 5.1 梯度變異混合優(yōu)化算法 |
| 5.1.1 NSGA-Ⅱ算法 |
| 5.1.2 梯度變異混合優(yōu)化算法 |
| 5.1.3 算法驗證 |
| 5.1.4 算法參數(shù)敏感性分析 |
| 5.2 離心壓氣機優(yōu)化方法 |
| 5.2.1 自適應(yīng)采樣混合優(yōu)化算法 |
| 5.2.2 基于內(nèi)流數(shù)據(jù)挖掘的優(yōu)化方法 |
| 5.3 跨聲速離心壓氣機氣動優(yōu)化 |
| 5.3.1 增壓器壓氣機優(yōu)化 |
| 5.3.2 Krain葉輪優(yōu)化 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 全文總結(jié) |
| 6.2 本文創(chuàng)新點 |
| 6.3 展望 |
| 參考文獻 |
| 發(fā)表論文和參加科研情況說明 |
| 致謝 |
（9）群智能優(yōu)化算法的研究及應(yīng)用（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 縮略語對照表 |
| 第一章 緒論 |
| 1.1 本文的研究背景及意義 |
| 1.2 群智能算法概述 |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 粒子群優(yōu)化算法的研究現(xiàn)狀 |
| 1.3.2 人工蜂群算法的研究現(xiàn)狀 |
| 1.4 本文的主要研究內(nèi)容和結(jié)構(gòu)安排 |
| 第二章 高斯混沌增強策略下的維進化粒子群算法 |
| 2.1 粒子群優(yōu)化算法 |
| 2.1.1 粒子群優(yōu)化算法的基本原理 |
| 2.1.2 粒子群優(yōu)化算法的實現(xiàn) |
| 2.2 混沌理論和混沌映射 |
| 2.3 高斯分布和高斯變異 |
| 2.4 高斯和混沌增強策略下的維進化粒子群算法 |
| 2.4.1 維進化粒子群優(yōu)化算法 |
| 2.4.2 高斯混沌局部收縮策略 |
| 2.4.3 高斯和混沌增強策略下的維進化粒子群算法 |
| 2.5 數(shù)值實驗和結(jié)果分析 |
| 2.6 基于GC-SDPSO的PID參數(shù)整定的問題 |
| 2.6.1 PID參數(shù)整定問題 |
| 2.6.2 GC-SDPSO優(yōu)化PID參數(shù)的設(shè)計 |
| 2.6.3 實驗結(jié)果和分析 |
| 2.7 本章小結(jié) |
| 第三章 變尺度搜索策略下的混沌粒子群優(yōu)化算法 |
| 3.1 變尺度策略的混沌粒子群優(yōu)化算法 |
| 3.1.1 變尺度搜索策略 |
| 3.1.2 混沌擾動策略 |
| 3.1.3 時變加速系數(shù) |
| 3.1.4 算法的實現(xiàn)步驟 |
| 3.2 數(shù)值實驗和結(jié)果分析 |
| 3.3 基于VSCPSO算法的物流配送中心選址問題 |
| 3.3.1 物流選址問題描述 |
| 3.3.2 基于VSCPSO算法的選址問題實現(xiàn) |
| 3.3.3 實驗結(jié)果和分析 |
| 3.4 本章小結(jié) |
| 第四章 混合遺傳算法的全局最佳引導(dǎo)的人工蜂群算法 |
| 4.1 人工蜂群算法 |
| 4.1.1 人工蜂群算法的基本原理 |
| 4.1.2 人工蜂群算法的實現(xiàn) |
| 4.2 混合遺傳算法的人工蜂群算法 |
| 4.2.1 遺傳算法 |
| 4.2.2 全局最佳引導(dǎo)的人工蜂群算法 |
| 4.2.3 算法的實現(xiàn)步驟 |
| 4.3 數(shù)值實驗和結(jié)果分析 |
| 4.3.1 約束處理方法 |
| 4.3.2 實驗設(shè)置和結(jié)果分析 |
| 4.4 本章小結(jié) |
| 第五章 自適應(yīng)分組策略下的量子人工蜂群算法 |
| 5.1 量子計算原理 |
| 5.1.1 量子比特 |
| 5.1.2 量子比特旋轉(zhuǎn)門 |
| 5.2 量子人工蜂群算法 |
| 5.2.1 位置的編碼 |
| 5.2.2 解空間的轉(zhuǎn)換 |
| 5.2.3 蜂群位置的更新 |
| 5.2.4 算法的實現(xiàn)步驟 |
| 5.3 自適應(yīng)分組的量子人工蜂群算法 |
| 5.3.1 自適應(yīng)分組策略 |
| 5.3.2 蜂群變異操作 |
| 5.3.3 自適應(yīng)分組的量子人工蜂群算法 |
| 5.4 數(shù)值實驗和結(jié)果分析 |
| 5.5 基于AGQABC算法的二維最大熵圖像分割 |
| 5.5.1 圖像分割概述 |
| 5.5.2 二維最大熵圖像分割 |
| 5.5.3 二維最大熵值的求解 |
| 5.5.4 基于AGQABC的圖像分割算法 |
| 5.5.5 實驗結(jié)果和分析 |
| 5.6 本章小結(jié) |
| 第六章 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 參考文獻 |
| 致謝 |
| 作者簡介 |
（10）相位編碼波形及信號處理方法設(shè)計（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 符號對照表 |
| 縮略語對照表 |
| 第一章 緒論 |
| 1.1 論文的研究背景及意義 |
| 1.2 研究歷史、現(xiàn)狀及發(fā)展趨勢 |
| 1.3 論文內(nèi)容與結(jié)構(gòu)安排 |
| 第二章 相位編碼信號的分析及信號處理方法 |
| 2.1 引言 |
| 2.2 相位編碼信號概述 |
| 2.3 二相編碼信號特性 |
| 2.3.1 二相編碼信號波形 |
| 2.3.2 二相編碼信號頻譜 |
| 2.3.3 二相編碼信號模糊函數(shù)和分辨率 |
| 2.4 常用的二相編碼信號 |
| 2.4.1 巴克碼 |
| 2.4.2 M序列 |
| 2.5 相位編碼信號回波特性 |
| 2.6 相位編碼信號的脈沖壓縮 |
| 2.6.1 相位編碼信號脈沖壓縮原理 |
| 2.6.2 距離遮擋對相位編碼信號脈沖壓縮的影響 |
| 2.6.3 多普勒頻移對相位編碼信號脈沖壓縮的影響 |
| 2.7 本章小結(jié) |
| 第三章 基于優(yōu)化搜索的相位編碼波形設(shè)計 |
| 3.1 引言 |
| 3.2 基于遺傳算法的相位編碼波形設(shè)計 |
| 3.2.1 遺傳算法 |
| 3.2.2 基于遺傳算法的M序列波形設(shè)計 |
| 3.3 基于模擬退火算法的相位編碼波形設(shè)計 |
| 3.3.1 模擬退火算法 |
| 3.3.2 基于模擬退火算法的M序列波形設(shè)計 |
| 3.4 基于混合遺傳模擬退火算法的相位編碼波形設(shè)計 |
| 3.4.1 混合遺傳模擬退火算法 |
| 3.4.2 基于混合遺傳模擬退火算法的M序列波形設(shè)計 |
| 3.5 基于二進制粒子群算法的相位編碼波形設(shè)計 |
| 3.5.1 粒子群算法 |
| 3.5.2 基于二進制粒子群算法的M序列波形設(shè)計 |
| 3.6 基于自適應(yīng)二進制粒子群遺傳算法的相位編碼波形設(shè)計 |
| 3.6.1 自適應(yīng)遺傳算法 |
| 3.6.2 二進制粒子群算法的改進 |
| 3.6.3 自適應(yīng)遺傳算法的改進 |
| 3.6.4 自適應(yīng)二進制粒子群遺傳算法 |
| 3.6.5 基于自適應(yīng)二進制粒子群遺傳算法的M序列波形設(shè)計 |
| 3.7 算法仿真結(jié)果及性能對比分析 |
| 3.8 本章小結(jié) |
| 第四章 相位編碼信號旁瓣抑制方法 |
| 4.1 引言 |
| 4.2 旁瓣抑制濾波器的性能指標(biāo) |
| 4.3 基于最小均方誤差準(zhǔn)則的自適應(yīng)脈沖壓縮算法 |
| 4.3.1 數(shù)學(xué)模型 |
| 4.3.2 基于最小均方誤差準(zhǔn)則的自適應(yīng)匹配濾波器設(shè)計方法 |
| 4.4 基于凸優(yōu)化的失配濾波算法 |
| 4.4.1 數(shù)學(xué)模型 |
| 4.4.2 基于凸優(yōu)化的最優(yōu)積分旁瓣電平失配濾波器設(shè)計方法 |
| 4.4.3 基于凸優(yōu)化的最優(yōu)峰值旁瓣電平失配濾波器設(shè)計方法 |
| 4.5 自適應(yīng)失配濾波算法 |
| 4.5.1 數(shù)學(xué)模型 |
| 4.5.2 自適應(yīng)失配濾波器設(shè)計方法 |
| 4.6 算法仿真結(jié)果及性能對比分析 |
| 4.7 本章小節(jié) |
| 第五章 總結(jié)與展望 |
| 5.1 論文總結(jié) |
| 5.2 研究展望 |
| 參考文獻 |
| 致謝 |
| 作者簡介 |
四、一種基于自適應(yīng)混合遺傳算法的非線性函數(shù)優(yōu)化方法（論文參考文獻）
- [1]地下水LNAPLs污染溯源辨析[D]. 李久輝. 吉林大學(xué), 2021
- [2]基于混合蛙跳算法的高維數(shù)據(jù)降維技術(shù)研究[D]. 代永強. 蘭州大學(xué), 2021(09)
- [3]混合不確定性下工業(yè)機器人運動精度可靠性分析與優(yōu)化設(shè)計[D]. 黃鵬. 電子科技大學(xué), 2021(01)
- [4]基于自適應(yīng)卡爾曼濾波的負荷模型參數(shù)在線辨識算法研究[D]. 李紅霞. 浙江大學(xué), 2021(08)
- [5]高能耗過程智能操作優(yōu)化方法研究[D]. 周恒. 浙江大學(xué), 2021(01)
- [6]基于優(yōu)化算法的天然氣管道仿真模型自適應(yīng)研究[D]. 劉丹. 西安石油大學(xué), 2020(10)
- [7]混合IWO算法在參數(shù)優(yōu)化中的應(yīng)用研究[D]. 鄧錟. 湖南大學(xué), 2020(08)
- [8]高速離心壓氣機幾何與流動參數(shù)耦合數(shù)據(jù)挖掘與優(yōu)化研究[D]. 李孝檢. 天津大學(xué), 2020(01)
- [9]群智能優(yōu)化算法的研究及應(yīng)用[D]. 智慧. 西安電子科技大學(xué), 2020(05)
- [10]相位編碼波形及信號處理方法設(shè)計[D]. 張安琪. 西安電子科技大學(xué), 2020(05)
標(biāo)簽：自適應(yīng)論文; 遺傳算法論文; 系統(tǒng)仿真論文; 特征選擇論文; 計算負荷論文;