一、最优家族遗传算法（论文文献综述）
刘薇[1]（2021）在《基于卷积神经网络的恶意代码灰度图像分类研究》文中研究指明互联网已经迅速成为日常生活中不可或缺的一部分,并且我们对互联网的依赖正在持续增长。与此同时,网络攻击急剧增加,攻击手段日异月更。当前的恶意代码检测技术通常使用传统的机器学习算法,这些算法需要对恶意代码特征进行提取和选择。多数动态分析受执行环境约束,部分恶意代码通过隐藏文件逃避追踪,过程耗时且容易出错。流行的静态分析依赖于人工提取特征,安全性较差,效率较低。面对以上挑战,本文将恶意代码检测结合深度神经网络,主要工作如下:（1）目前针对恶意代码图像进行的分类研究在恶意代码领域总体而言较少,现有的工作仅在Malimg恶意代码图像数据集上进行,而基于图像的恶意代码检测需要其他数据集支撑和验证,本文将在Virus Share网站收集的二进制PE恶意代码处理为灰度图像数据集,提出一种基于卷积神经网络并结合了dropblock正则化与空间金字塔池化的模型。借助卷积操作提取灰度图像特征,利用dropblock算法思想防止过拟合,通过空间金字塔池化处理大小不同的输入并扩展了金字塔的层数,提升了模型的特征提取能力。在基于图像的恶意代码检测场景中,该模型解决了卷积神经网络只能处理固定尺寸的图像,对输入图像进行剪裁或者拉伸操作时,会丢失重要信息的问题。设计了一系列实验,将本论文处理的灰度图像数据集上训练好的卷积神经网络应用到Malimg数据集中,使得Malimg数据集的准确率有所提升。（2）提出了一种基于改进双种群遗传算法的卷积神经网络结构与参数优化方法。该方法将恶意代码检测模型训练过程建模为一个目标优化问题。使用双种群遗传算法,结合精英保留机制设计了基于个体交换的选择策略,该策略可以提高种群的基因丰富程度,提高种群适应度。利用遗传算法优胜劣汰的机制保留优势个体,快速搜索参数最优的卷积神经网络模型。该方法解决了深度神经网络模型在实际训练过程中容易受到训练次数、学习率和权重阈值等因素影响而降低检测效率的问题。实验结果证明,优化过的恶意代码检测模型准确率和整体性能有进一步提升。
周震,王辉,李俊峰[2]（2021）在《基于家族遗传算法的虚拟机放置策略》文中提出提出一种基于家族遗传算法的虚拟机放置策略FGA-VMP （family genetic algorithm based virtual machine placement）。采用一个自调节的变异算子（mutation operator）避免普通遗传算法的早熟问题;把整个种群划分为多个家族,将这些家族的进化操作并行处理,加快遗传算法的收敛速度;建立云数据中心的虚拟机放置的数学模型,以物理主机资源使用效率的最大化作为家族遗传算法的目标函数。仿真结果表明,FGA-VMP策略使云数据中心的各类性能指标得到改善。
包汉,祝海涛,刘迪[3]（2021）在《基于±3σ正态概率区间分族遗传蚁群算法的移动机器人路径规划》文中研究表明针对移动机器人路径规划问题,提出一种基于正态概率区间分族的家族遗传蚁群融合算法.首先提出初始种群优化及删除算子解决传统遗传蚁群融合算法中遗传阶段随机生成的初始种群质量低的问题;然后引入适应度值正态概率区间种群分族机制及家族混合交叉算子,解决传统遗传蚁群融合算法中易出现未成熟收敛的问题;最后引入混合变异策略以提高随机变异后生成的路径质量.将全局路径规划算法与局部路径规划算法-动态窗口算法相结合形成完整移动机器人运动规划.基于Matlab仿真平台与机器人操作系统平台进行实验分析,结果验证了所提出正态化概率分族遗传蚁群融合算法求解移动机器人路径规划问题的有效性.
张子遥[4]（2020）在《基于产品族的激光打标机造型设计》文中指出在当前智能制造成为我国工业制造业发展重点的背景之下,发展出能够与之匹配的工业产品外观设计成为现阶段需要解决的问题。激光打标机作为迅猛发展的激光行业的一员,具有非常重要且广阔的发展前景和意义。为了改善我国激光打标机产品外观设计不足、同质化严重、品牌意识不强的设计现状,本文对激光打标机的产品设计进行设计研究。基于产品族理论对激光打标机进行系统的设计分析,解构重组激光打标机产品部件,得到激光打标机产品族DNA。在此基础上利用问卷调查法、语义差分法等方法,构建激光打标机产品族DNA与产品感性意象的关系,并利用交互式遗传算法优化部件组合方式,以此得到产品设计的基本外观方案,把此方案与前期市场调研、理论研究、专家访谈所得到的功能需求结合起来,运用到激光打标机产品的方案设计当中。本论文研究了利用产品族理论的创新设计方法,该方法利用产品部件组合分析产品外观造型。通过产品族DNA结合生物学的染色体遗传等理论,分析产品外观设计的需求和缺陷。并结合产品感性意象进行外观造型设计,量化抽象的产品外观设计,且利用交互式遗传算法优化分析结果。该设计方法的运用能匹配激光打标机的产品特点、完善了激光打标机的设计要素、设计要点,对激光打标机产品的外观设计具有一定的借鉴意义。
超凡[5]（2020）在《Android代码安全检测与评估方法研究》文中提出Android是一种面向智能移动终端的开源操作系统,以其开放性、灵活性受到用户的广泛青睐。随着Android操作系统具有越来越高的市场占有率,Android应用程序日渐暴露出严重的安全隐患。为了在用户不知情的情况下隐蔽地进行不法活动,不同家族的恶意软件通过各种渠道潜入市场,一旦安装可能会使用户面临恶意扣费、隐私窃取、远程控制、恶意传播、资费消耗、系统破坏、诱骗欺诈、流氓行为等安全威胁。与此同时,不存在绝对的安全,普通Android应用也会呈现出不同程度的风险,尤其是过度授权问题泛滥,给用户的正常使用带来困扰。为了更好地分析Android应用程序的安全性和风险性,构造一个良好的Android生态环境,我们在Android代码安全检测与风险评估方法方面进行了深入探索,研究了恶意代码统计模式和结构模式识别方法,以及风险代码的定性和定量评估,本文的主要工作包括:1.针对支持向量机等传统机器学习方法难以有效进行大样本多分类的恶意软件检测,提出一种基于深度神经网络的Android恶意软件检测与家族分类方法。该方法在全面提取应用组件、Intent Filter、权限、数据流等统计特征的基础上,进行有效的特征选择以降低维度,并基于深度神经网络进行面向恶意软件的大样本多分类统计模式检测。实验结果表明,该方法能够进行有效检测和分类,良性、恶意二分类精度为97.73%,家族多分类精度可达到93.54%,比其他常用于Android恶意代码检测的机器学习算法表现得更好。2.针对已有的少量形式化检测方法面临着代码建模复杂、家族性质表达不全面不准确、人工参与过多等问题,提出一种基于通信顺序进程（CSP）的Android恶意软件形式化检测方法。该方法将应用程序的APK文件转换成易于分析的Jimple表示,以便利用CSP语言对代码行为进行建模。从恶意软件中自动抽象出表达家族性质的进程,与简化后的样本行为进程一起进入FDR的模型检测,通过样本是否具有各家族性质的典型行为来判断样本的分类。实验结果表明,该自动化方法可以从结构上刻画出应用程序的行为模式,在与其他形式化检测方法的比较中获得了99.06%的高家族分类精度。3.针对大多数现有的Android应用程序风险评估根据经验直接指定因素的权重,通过统计少量因素的使用频率来计算安全风险,提出一种基于多因素聚类选择的Android应用程序分类风险评估方法,能够同时提供定量评估和定性评估。该方法融合系统权限、API调用、Intent Filter的action属性以及数据流等多种风险因素,将安全操作对象与因素相关联,根据对象与安全威胁之间的关系进行因素风险赋值,并基于层次聚类对不同种类因素进行权重分配。实验结果分析表明,该评估方法比Androguard更能够有效地反映应用程序的真实安全风险。
黄啸晨[6]（2020）在《安卓恶意应用检测及其恶意家族多分类技术研究》文中研究表明近年来,随着移动互联网技术的飞速发展,移动应用于2019年首次超越网站成为提供互联网服务的主角。然而,伴随着移动应用的蓬勃发展,恶意犯罪者开始利用移动恶意应用谋取非法利益,开源、免费的Android平台因此成为恶意犯罪者的首选目标。面对Android平台日益严重的安全问题,传统的Android恶意应用检测方案存在很大的缺陷,因此,需要寻求一种高效、智能化的检测手段,保证Android平台应用安全。本文通过对现有的Android恶意应用检测技术进行研究,发现单一的特征无法全面、准确地描述Android应用,而多维、细粒度的Android应用行为特征数量庞大、冗余信息较多,不但需要巨大的计算开销,而且严重影响检测精度。此外,现今大部分研究仅对Android应用程序是否为恶意应用进行检测,而未对其属于哪个恶意家族进行分析。同一恶意家族的Android恶意应用程序通常包含大部分相同的恶意代码,在移动设备上运行时的恶意行为属性相同,具有一定的内在关联性与相似性,因此Android恶意家族分类也对Android应用安全研究有着重要意义。本文的主要研究和创新点如下:1.针对单一的Android静态特征无法全面、准确地描述Android应用的问题,本文通过对Android系统架构、安全机制、核心组件、APK结构等进行分析,设计了一种Android应用多维特征提取方案,通过逆向工程获取Android Mainfest.xml和.smali文件,从中提取权限、组件、Intent、API调用特征等,实验结果表明,这种多维特征可提高识别Android恶意应用准确率达95.48%。2.针对提取的多维、细粒度的Android应用行为特征数量庞大、冗余信息较多、严重影响了检测效率与检测精度的问题,设计了一种信息增益（IG）与离散二进制鲸鱼优化算法（BWOA）结合的混合特征选择方法,首先利用IG算法过滤去除冗余特征与不相干特征,然后利用BWOA算法选择Android应用的最优特征子集。该方法综合了过滤式特征选择方法的低时间开销以及包裹式特征选择方法的高准确率的优势,在减少学习时间的同时保持较高的检测精度。3.针对SVM分类模型参数难以确定的问题,提出了一种基于BWOA-SVM的协同优化方案,通过对改进WOA算法设计了一种基于SVM分类准确率、特征子集长度、支持向量个数的新适应度函数,实现在特征选择的同时,对SVM模型参数进行协同优化,实验结果表明,该方案对于Android恶意应用准确率和检测率分别提高到了97.88%和97.85%,拥有很好的自适应性与鲁棒性,在Android恶意应用检测方面具有较好的性能。4.针对各类Android恶意家族应用程序难以分析的问题,提出了一种基于APK彩色图像可视化的Android恶意家族分类方法,将classes.dex二进制文件分割切片转换为红绿蓝三色通道的值,将APK映射为RGB彩色图像,利用图像纹理特征来表示同一Android恶意家族应用在代码结构上的相似性,使用卷积神经网络模型进行恶意家族多分类,实验结果表明,Android恶意家族多分类准确率可达到94.75%。
杨莹雪[7]（2019）在《双机器人装配单元布局优化问题研究》文中研究表明自动化装配生产线上以机器人为核心的机器人装配单元是整个装配线的重要组成部分,整个单元的性能都在布局阶段确定。布局的合理性将直接影响单元后期生产。本课题对双机器人装配单元的布局优化问题进行研究,设计了一种多目标布局优化方法,协同优化设备组件位置和机器人作业任务分配。对装配单元内的设备采取长方体包络的方式,将布局问题简化为对一组矩形的最优化排列。以序列对的方式对组件设备进行定位,引入虚拟组件设备表示设备维护、维修等的必要空间,并协同优化设备组件与虚拟设备组件。考虑机器人的任务分配对布局的影响,将设备组件位置和机器人任务进行协同优化。以机器人关节空间中的运动时间作为装配单元生产周期时间的评价指标;以设备作业点处机器人的可操作性为评价指标来避免设备作业点处于机器人奇异点的情况;以单元的占地面积作为二级评价指标。对设备作业点进行约束,使其处于机器人作业空间内。以边干涉检验方法对机器人进行作业点处进行碰撞检测。根据评价指标和约束条件,设计了一种基于多目标混合粒子群遗传算法的布局优化算法。通过混合粒子群算法思想改进遗传算法,对以适应度值划分的家族,以每个家族适应度值最高的个体为节点与其他家族进行信息传递,以此达到提高收敛速度的目的。以某变速箱中间轴齿轮热压装单元为例,在MATLAB中编写仿真程序,对布局设计方法进行了验证。仿真结果表明建立的数学模型可靠,优化算法有效。
刘天航[8]（2018）在《基于比较序列分析的RNA二级结构预测中的若干关键问题研究》文中研究指明生物信息学是在20世纪80年代开始,由生命科学与数学、计算机科学等学科交叉形成的一门新兴学科。对RNA的研究始终是生物信息学中一个十分重要的研究方向,且其热门程度呈不断上升的趋势。越来越多的研究表明RNA不仅能作为遗传信息的载体,也具有各种重要功能。已经证实,RNA的功能与其结构有着紧密的关联。为了更好地探索RNA的功能,就要对其结构进行研究。由于RNA分子具有降解速度快、难以结晶的特点,采用常规的实验方法,如核磁共振或X射线晶体衍射测定RNA的结构费用高、耗时长,远远满足不了对海量数据进行分析的需求。RNA二级结构预测作为RNA三级结构预测的一个重要的中间步骤,使用计算机和数学方法对RNA二级结构进行预测是研究RNA结构的主要方法。主要的RNA二级结构预测方法包括动态规划方法、比较序列分析方法、组合优化方法、启发式方法、机器学习方法等。本文的主要工作是对基于比较序列分析的RNA二级结构预测中的若干关键问题进行研究,同时提出一个快速RNA二级结构预测模型,并在若干方面进行优化。研究内容包括以下几个方面:一是针对计算资源消耗高的问题,提出一种基于极限学习机的快速RNA二级结构预测模型。比较序列分析方法是RNA二级结构预测中精度最高的一类方法。极限学习机是一种新型的机器学习方法,具有模型简单、人工干预少、训练速度极快的优点。本文将比较序列分析法和极限学习机相结合,提出一种基于极限学习机的快速RNA二级结构预测模型。模型把RNA二级结构预测看做一个二值分类问题,分为样本集构建、模型训练、结构预测3个部分。实验结果表明,该模型在保持较高预测精度的同时,具有极快的训练速度和较快的预测速度。二是针对不平衡数据的问题,提出一种基于聚类欠采样和集成学习的不平衡数据分层处理方案。不平衡数据问题,是指由不同类的样本数量存在差异而导致的分类性能下降的问题。该方案综合运用聚类方法、采样方法和集成学习方法,分为两个层次。第一层是基于K-means聚类的训练样本欠采样选择方法,是对模型中样本选择部分的优化。第二层是基于非对称权重分配Adaboost的模型训练方法,是对模型中算法设计部分的优化。第一层的特点是计算速度快,可伸缩性好,能够排除噪声干扰;第二层的特点是预测精度高。两层方法可结合使用,也可以根据实际情况单独使用,是一种灵活的、快速和有效的RNA二级结构预测中不平衡数据的处理方案,并具有一定的通用性。实验结果表明,该方案可以有效地解决不平衡数据问题,提高预测精度。三是针对特征提取优化程度不高的问题,提出一种融合相邻列配对信息和主成分分析的特征提取方法。经过对茎区连续性的分析,论文提出了从相邻列的配对信息中提取特征的方法。并且,为解决在特征数量增加的过程中遇到的因样本稀疏而导致的过拟合问题,比较了特征选择和特征降维方法,并使用主成分分析。使用分量贡献率选择相邻列配对信息的距离。实验结果表明,使用该特征提取方法可以进一步提高预测精度。四是针对限制序列长度的问题,提出一种基于启发式茎区搜索的RNA序列比对划分方法。该方法规定了序列划分的原则,设计了基于共变积分和互补碱基对比例的评估函数,使用启发式策略搜索“显着”茎区,再根据显着茎区的位置对序列进行划分,以保证其不会被划分到不同子序列当中去。提出一种基于“茎区表”的显着茎区更新策略以处理茎区异常的情况。实验结果表明,该方法可以加快预测速度,在一定程度上提高预测精度,并且不限制序列比对的长度。
刘丽,徐浩,陈瑞生[9]（2013）在《改进的遗传算法在PCNN参数标定中的应用》文中研究指明基于PCNN算法的基础研究,详细介绍了遗传算法的基本思想,在其基础上引入了最优家族遗传算法。为了验证算法的有效性,在PC机上借助VS2008、CUDA、OpenCV 2.2实现了算法及相关对比算法。实验结果表明:改进后的PCNN算法能够更好地处理背景中的多模态区域,提高运动目标分割精度,在有效滤除干扰前景的同时,完整保留了运动物体的形状、边缘信息。提出的改进遗传算法能够较好保证运动检测的质量,为后续的图像识别精度提供了保证。
刘军,陈瑞生,王晔楠[10]（2013）在《超大规模车间作业调度优化方法研究与仿真》文中认为研究超大规模车间作业的高效调度问题。超大规模的生产作业中,由于调度规模较大,一些非主要联系的生产调度之间存在可能诱发主要调度联系冲突的可能。传统的基于遗传算法的车间作业调度方法在应用到超大规模车间作业调度环境下时,由于冲突的存在很难建立准确的调度模型,使得模型陷入收敛效率过低,早熟等缺陷,调度效率降低。为解决上述问题,提出一种最优家族遗传算法的超大规模车间生产调度方式。通过在种群优良个体附近构造最优家族,在相应的调度家族微空间中进行精确搜索,从而缩小了搜索范围。仿真结果表明,改进算法对大规模的车间调度具有搜索速度快、稳定性强的特点,提高了调度的效率。
二、最优家族遗传算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、最优家族遗传算法（论文提纲范文）
（1）基于卷积神经网络的恶意代码灰度图像分类研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统恶意代码检测技术 |
| 1.2.2 基于机器学习的恶意代码检测技术 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 2 基础理论关键技术 |
| 2.1 恶意代码概述 |
| 2.1.1 恶意代码定义及分类 |
| 2.1.2 恶意代码基本特性 |
| 2.1.3 恶意代码对抗技术介绍 |
| 2.2 神经网络概述 |
| 2.2.1 神经网络原理 |
| 2.2.2 训练神经网络 |
| 2.3 本章小结 |
| 3 基于卷积神经网络的检测模型设计 |
| 3.1 设计思想及网络架构 |
| 3.2 基于卷积神经网络空间特征提取 |
| 3.2.1 卷积层 |
| 3.2.2 池化层 |
| 3.2.3 丢弃块 |
| 3.3 基于空间金字塔池化采样 |
| 3.3.1 采样原理 |
| 3.3.2 计算过程 |
| 3.4 实验过程与结果 |
| 3.4.1 实验环境 |
| 3.4.2 数据集 |
| 3.4.3 二进制文件转灰度图 |
| 3.4.4 评价指标 |
| 3.4.5 参数设置 |
| 3.4.6 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于双种群遗传算法的卷积神经网络优化 |
| 4.1 遗传算法原理 |
| 4.2 改进双种群遗传算法实验设计 |
| 4.2.1 染色体编码 |
| 4.2.2 双种群初始化 |
| 4.2.3 个体交换选择算子 |
| 4.2.4 交叉、变异与精英保留 |
| 4.2.5 改进双种群遗传算法流程 |
| 4.3 优化实验步骤 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 不足与展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于家族遗传算法的虚拟机放置策略（论文提纲范文）
| 0 引言 |
| 1 虚拟机放置优化算法的相关工作 |
| 2 FGA-VMP工作场景与建模 |
| 2.1 FGA-VMP工作场景 |
| 2.2 FGA-VMP虚拟机放置建模 |
| 2.3 FGA-VMP的工作流程 |
| 3 FGA-VMP的虚拟机放置过程实现 |
| 3.1 FGA-VMP实现的功能模块 |
| 3.2 FGA-VMP的实现算法 |
| 4 实验与性能分析 |
| 4.1 测试环境 |
| 4.2 测试结果与性能分析 |
| 5 结束语 |
（3）基于±3σ正态概率区间分族遗传蚁群算法的移动机器人路径规划（论文提纲范文）
| 0引言 |
| 1 改进融合算法的全局路径规划 |
| 1.1 机器人工作空间描述 |
| 1.2 遗传蚁群融合算法基本原理 |
| 1.3 初始种群概率优化及删除算子 |
| 1.4 染色体编码与适应度函数设定 |
| 1.5 种群正态概率区间分族及混合交叉算子 |
| 1.6 混合变异算子 |
| 1.7 迭代过程中正态化分布判断机制 |
| 1.8 蚁群算法收敛过程 |
| 2 局部路径规划算法 |
| 2.1 移动机器人运动模型 |
| 2.2 速度采样 |
| 2.3 评价函数 |
| 3 仿真分析 |
| 3.1 全局路径规划仿真分析 |
| 3.2 局部路径规划仿真分析 |
| 4 实验分析 |
| 5 结 |
（4）基于产品族的激光打标机造型设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 引言 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究背景及目标 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外激光打标机造型研究 |
| 1.2.2 产品族理论国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构 |
| 1.5 课题创新点 |
| 1.6 课题研究意义 |
| 2 激光打标机产品族DNA分析 |
| 2.1 激光打标机现有的结构解析 |
| 2.1.1 产品介绍 |
| 2.1.2 组成模块 |
| 2.1.3 组成结构 |
| 2.2 产品族DNA |
| 2.2.1 产品族DNA的概念 |
| 2.2.2 产品族DNA的提取 |
| 2.3 主要品牌激光打标机产品造型分析 |
| 2.3.1 国外激光打标机产品族分析 |
| 2.3.2 国内主要品牌激光打标机分析 |
| 2.3.3 四个品牌产品族DNA归纳 |
| 2.4 本章小结 |
| 3 激光打标机产品族造型设计研究 |
| 3.1 激光打标机产品族DNA重要度分析 |
| 3.1.1 样本收集并建立家族图 |
| 3.1.2 问卷调查 |
| 3.1.3 分析结果 |
| 3.2 激光打标机产品族感性意象研究 |
| 3.2.1 感性意象词汇收集与选取 |
| 3.2.2 问卷调查 |
| 3.2.3 分析结果 |
| 3.3 构建各DNA部件与感性意象词的关系 |
| 3.3.1 皮尔逊相关性分析 |
| 3.3.2 逐步多元线性回归分析 |
| 3.4 激光打标机人机操作优化调研 |
| 3.4.1 专家调研 |
| 3.4.2 调查结果分析 |
| 3.5 本章小结 |
| 4 基于交互式遗传算法的激光打标机造型方案优化 |
| 4.1 遗传算法 |
| 4.2 交互式遗传算法 |
| 4.3 构建交互式遗传算法模型 |
| 4.3.1 染色体编码 |
| 4.3.2 适应度函数计算方法 |
| 4.3.3 选择及交叉、变异函数的使用 |
| 4.3.4 算法整体流程 |
| 4.4 实例分析 |
| 4.4.1 确定设计需求 |
| 4.4.2 设计编码 |
| 4.4.3 交互式遗传算法实施 |
| 4.5 本章小结 |
| 5 激光打标机产品造型方案设计 |
| 5.1 激光打标机产品方案深化设计流程 |
| 5.1.1 方案草图 |
| 5.1.2 方案建模 |
| 5.1.3 效果图 |
| 5.1.4 方案细节展示 |
| 5.2 激光打标机产品方案设计总结 |
| 5.2.1 产品色彩选择 |
| 5.2.2 产品材质选择 |
| 5.2.3 产品功能尺寸的选择 |
| 5.3 方案验证 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 研究不足与展望 |
| 参考文献 |
| 附录 |
| 个人简介 |
| 导师简介 |
| 获得成果目录清单 |
| 致谢 |
（5）Android代码安全检测与评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究内容 |
| 1.3 章节安排 |
| 第二章 Android基础与相关研究综述 |
| 2.1 Android体系架构 |
| 2.1.1 Linux内核层 |
| 2.1.2 系统运行库层 |
| 2.1.3 应用程序框架层 |
| 2.1.4 应用程序层 |
| 2.2 APK文件 |
| 2.2.1 文件结构 |
| 2.2.2 安装过程 |
| 2.2.3 配置文件manifest |
| 2.3 应用组件 |
| 2.4 组件间通信机制 |
| 2.5 权限机制 |
| 2.6 Android恶意软件检测相关研究 |
| 2.7 Android应用程序评估相关研究 |
| 2.8 存在的问题及解决思路 |
| 2.9 本章小结 |
| 第三章 基于深度神经网络的Android恶意软件检测方法 |
| 3.1 特征空间的组成模式 |
| 3.1.1 应用组件 |
| 3.1.2 Intent Filter |
| 3.1.3 权限 |
| 3.1.4 数据流 |
| 3.1.5 特征空间 |
| 3.2 系统设计 |
| 3.2.1 特征提取 |
| 3.2.2 特征向量生成 |
| 3.2.3 特征选择 |
| 3.2.4 深度神经网络学习 |
| 3.2.5 分类 |
| 3.3 实验数据 |
| 3.3.1 数据集 |
| 3.3.2 特征分布 |
| 3.3.3 实验评估 |
| 3.4 本章小结 |
| 第四章 基于通信顺序进程的Android恶意软件形式化检测方法 |
| 4.1 CSP概述 |
| 4.1.1 CSP进程的形式化表示 |
| 4.1.2 CSP进程的复合操作 |
| 4.1.3 CSP进程通信 |
| 4.1.4 CSP进程的迹及其运算 |
| 4.1.5 CSP应用示例 |
| 4.2 系统设计 |
| 4.3 Jimple代码转换 |
| 4.3.1 Soot简介 |
| 4.3.2 Jimple语言特点 |
| 4.4 CSP形式化建模 |
| 4.4.1 核心语句 |
| 4.4.2 过程内控制流语句 |
| 4.4.3 过程间控制流语句 |
| 4.4.4 监控语句 |
| 4.4.5 其他语句 |
| 4.4.6 应用程序建模 |
| 4.5 家族性质抽象 |
| 4.5.1 性质的行为组成结构 |
| 4.5.2 Root提权 |
| 4.5.3 获取敏感信息 |
| 4.5.4 短信非法操作 |
| 4.5.5 安装其他软件 |
| 4.5.6 家族性质提取算法 |
| 4.6 FDR模型检测 |
| 4.6.1 FDR简介 |
| 4.6.2 迹提炼 |
| 4.7 实验分析 |
| 4.7.1 数据集 |
| 4.7.2 实验结果 |
| 4.7.3 典型家族性质分析 |
| 4.8 本章小结 |
| 第五章 基于多因素聚类选择的Android应用程序分类风险评估方法 |
| 5.1 风险因素 |
| 5.1.1 Android应用程序的安全威胁 |
| 5.1.2 风险举例 |
| 5.2 系统设计 |
| 5.2.1 因素提取 |
| 5.2.2 因素风险赋值 |
| 5.2.3 因素子集权重分配 |
| 5.2.4 应用程序风险评估 |
| 5.3 基于层次聚类的因素子集权重分配 |
| 5.3.1 层次聚类算法 |
| 5.3.2 最优聚类选择 |
| 5.3.3 聚类相似度计算 |
| 5.3.4 权重分配算法 |
| 5.4 实验分析 |
| 5.4.1 实验数据集 |
| 5.4.2 因素提取 |
| 5.4.3 权重分布 |
| 5.4.4 样本风险评估 |
| 5.4.5 性能开销 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（6）安卓恶意应用检测及其恶意家族多分类技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容与主要工作 |
| 1.4 论文的组织结构 |
| 第二章 相关基础知识 |
| 2.1 Android系统架构 |
| 2.2 Android安全机制 |
| 2.2.1 签名机制 |
| 2.2.2 权限机制 |
| 2.2.3 沙盒机制 |
| 2.3 Android应用核心组件 |
| 2.4 Android恶意应用程序 |
| 2.4.1 Android恶意应用安装方式 |
| 2.4.2 Android恶意应用行为属性分类 |
| 2.4.3 Android恶意应用家族 |
| 2.5 特征选择方法 |
| 2.5.1 过滤式 |
| 2.5.2 包裹式 |
| 2.5.3 嵌入式 |
| 2.6 群体智能优化算法 |
| 2.6.1 遗传算法 |
| 2.6.2 粒子群优化算法 |
| 2.6.3 鲸鱼优化算法 |
| 2.7 本章小结 |
| 第三章 Android应用多维特征提取方案 |
| 3.1 APK组成及分析方法 |
| 3.1.1 APK文件目录 |
| 3.1.2 反编译工具 |
| 3.2 特征向量选取 |
| 3.2.1 权限特征 |
| 3.2.2 组件特征 |
| 3.2.3 API调用特征 |
| 3.3 Android应用多维特征提取方案 |
| 3.3.1 框架设计 |
| 3.3.2 特征提取 |
| 3.3.3 构建特征向量 |
| 3.3.4 不同分类算法检测实验 |
| 3.4 本章小结 |
| 第四章 基于BWOA算法协同优化的Android恶意应用检测方法 |
| 4.1 支持向量机 |
| 4.2 BWOA-SVM恶意应用检测方法 |
| 4.2.1 离散二进制鲸鱼优化算法 |
| 4.2.2 框架设计 |
| 4.2.3 特征提取 |
| 4.2.4 BWOA-SVM同步优化算法 |
| 4.3 实验结果及分析 |
| 4.3.1 数据集与实验环境 |
| 4.3.2 实验设置 |
| 4.3.3 不同优化算法对比实验 |
| 4.3.4 与其它方法对比实验 |
| 4.4 本章小结 |
| 第五章 基于APK可视化的Android恶意家族分类方法 |
| 5.1 Android恶意应用家族标注方法 |
| 5.2 卷积神经网络 |
| 5.3 APK可视化方法 |
| 5.3.1 DEX文件结构 |
| 5.3.2 灰度图像可视化方法 |
| 5.3.3 彩色图像可视化方法 |
| 5.4 实验结果及分析 |
| 5.4.1 数据集与实验环境 |
| 5.4.2 实验流程 |
| 5.4.3 卷积神经网络结构 |
| 5.4.4 实验结果与结论 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）双机器人装配单元布局优化问题研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 机器人装配单元布局优化问题描述 |
| 1.3 机器人装配单元布局优化问题研究现状 |
| 1.4 本文研究主要内容 |
| 第二章 双机器人装配单元布局优化问题数学建模 |
| 2.1 双机器人装配单元简化 |
| 2.2 装配单元布局优化问题设计变量 |
| 2.2.1 装配单元设备组件定位 |
| 2.2.2 装配单元机器人任务分配 |
| 2.3 装配单元布局优化问题目标函数 |
| 2.3.1 装配单元生产周期 |
| 2.3.2 机器人关节空间的可操作性 |
| 2.3.3 装配单元占地面积 |
| 2.4 装配单元布局优化问题约束条件 |
| 2.5 本章小结 |
| 第三章 双机器人装配单元布局优化算法设计 |
| 3.1 多目标混合粒子群遗传算法设计 |
| 3.1.1 标准遗传算法 |
| 3.1.2 标准粒子群算法 |
| 3.1.3 混合粒子群遗传算法 |
| 3.1.4 多目标优化算法 |
| 3.1.5 多目标混合粒子群遗传算法 |
| 3.2 基于多目标混合粒子遗传算法的布局优化算法设计 |
| 3.2.1 布局优化算法编码设计 |
| 3.2.2 布局优化算法适应度函数设计 |
| 3.2.3 布局优化算法选择算子设计 |
| 3.2.4 布局优化算法交叉算子设计 |
| 3.2.5 布局优化算法变异算子设计 |
| 3.3 本章小结 |
| 第四章 双机器人装配单元布局优化问题实例研究 |
| 4.1 变速箱中间轴齿轮压装单元简介 |
| 4.2 齿轮热压装单元机器人运动学分析 |
| 4.2.1 KR210-2 型工业机器人运动学建模 |
| 4.2.2 KR210-2 型工业机器人工作空间建模 |
| 4.2.3 KR210-2 型工业机器人逆运动学求解 |
| 4.2.4 KR210-2 型工业机器人雅各比求解 |
| 4.3 布局优化问题初始参数 |
| 4.4 仿真程序设计及结果分析 |
| 4.4.1 仿真程序设计 |
| 4.4.2 算法仿真结果分析 |
| 4.5 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录1 KR210-2 型工业机器人运动学求解推导 |
| 附录2 KR210-2 型工业机器人逆运动学求解推导 |
| 附录3 核心程序代码 |
| 攻读硕士学位期间的学术活动及成果情况 |
（8）基于比较序列分析的RNA二级结构预测中的若干关键问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 RNA与生物信息学 |
| 1.1.1 生物信息学的内涵 |
| 1.1.2 生物信息学的研究热点RNA |
| 1.2 RNA二级结构预测的意义 |
| 1.3 RNA二级结构预测的基础 |
| 1.3.1 RNA的基本组成 |
| 1.3.2 RNA二级结构预测的相关定义 |
| 1.3.3 RNA二级结构的基本单元 |
| 1.3.4 RNA二级结构的表示方法 |
| 1.3.5 RNA二级结构的数据库 |
| 1.4 RNA二级结构预测的主要方法 |
| 1.4.1 基于单序列的方法 |
| 1.4.2 比较序列分析方法 |
| 1.4.3 组合优化算法 |
| 1.4.4 启发式算法 |
| 1.4.5 机器学习方法 |
| 1.4.6 方法的发展趋势 |
| 1.4.7 文献调研的结论 |
| 1.5 论文的主要工作与创新 |
| 1.5.1 基于极限学习机的快速RNA二级结构预测模型 |
| 1.5.2 基于聚类欠采样和集成学习的不平衡数据分层处理方案 |
| 1.5.3 融合相邻列配对信息和主成分分析的特征提取方法 |
| 1.5.4 基于启发式茎区搜索的RNA序列比对划分方法 |
| 1.6 篇章结构 |
| 第二章 基于极限学习机的快速RNA二级结构预测模型 |
| 2.1 计算资源消耗高的问题 |
| 2.2 基本比较序列分析方法模型 |
| 2.3 极限学习机 |
| 2.3.1 极限学习机的概念 |
| 2.3.2 极限学习机的原理 |
| 2.4 基于极限学习机的快速RNA二级结构预测模型 |
| 2.4.1 样本集构建 |
| 2.4.2 模型训练 |
| 2.4.3 结构预测 |
| 2.4.4 模型计算流程图 |
| 2.5 实验结果和讨论 |
| 2.5.1 模型的效率验证 |
| 2.5.2 模型的精度验证 |
| 2.5.3 模型鲁棒性的验证 |
| 2.5.4 讨论 |
| 2.6 小结 |
| 第三章 基于聚类欠采样和集成学习的不平衡数据分层解决方案 |
| 3.1 RNA二级结构预测中的不平衡数据问题 |
| 3.2 不平衡数据问题分析 |
| 3.2.1 不平衡数据问题背景 |
| 3.2.2 不平衡数据问题的难点 |
| 3.2.3 不平衡数据的分类方法 |
| 3.3 聚类方法分析 |
| 3.3.1 K均值聚类 |
| 3.3.2 AGNES聚类 |
| 3.3.3 DBSCAN聚类 |
| 3.4 集成学习和Adaboost算法 |
| 3.4.1 集成学习 |
| 3.4.2 Adaboost算法 |
| 3.5 基于聚类欠采样和集成学习的不平衡数据分层解决方案 |
| 3.5.1 基于K-means聚类的训练样本欠采样选择方法 |
| 3.5.2 基于非对称权重分配Adaboost的模型训练方法 |
| 3.5.3 分层解决方案描述 |
| 3.6 实验结果和讨论 |
| 3.6.1 模型效率的验证 |
| 3.6.2 模型精度的验证 |
| 3.6.3 讨论 |
| 3.7 小结 |
| 第四章 融合相邻列配对信息和主成分分析的特征提取方法 |
| 4.1 特征提取优化程度不高的问题 |
| 4.2 基于相邻列配对信息的特征 |
| 4.3 样本稀疏问题 |
| 4.3.1 样本稀疏导致过拟合 |
| 4.3.2 样本稀疏导致过拟合问题的解决方法 |
| 4.4 融合相邻列配对信息和主成分分析的特征提取方法 |
| 4.4.1 样本稀疏问题的解决方案 |
| 4.4.2 特征降维部分的设计 |
| 4.4.3 相邻列信息的距离 |
| 4.4.4 方法描述 |
| 4.5 实验结果和讨论 |
| 4.5.1 模型效率的验证 |
| 4.5.2 模型精度的验证 |
| 4.5.3 讨论 |
| 4.6 小结 |
| 第五章 基于启发式茎区搜索的序列比对划分方法 |
| 5.1 限制序列长度的问题 |
| 5.2 启发式算法 |
| 5.2.1 遗传算法 |
| 5.2.2 模拟退火算法 |
| 5.2.3 禁忌搜索 |
| 5.2.4 粒子群算法 |
| 5.3 基于启发式茎区搜索的序列比对划分方法 |
| 5.3.1 序列划分的原则 |
| 5.3.2 评估函数的设计 |
| 5.3.3 茎区搜索的策略 |
| 5.3.4 子序列划分的策略 |
| 5.3.5 方法描述 |
| 5.4 实验结果和讨论 |
| 5.4.1 模型效率的验证 |
| 5.4.2 模型精度的验证 |
| 5.4.3 长序列比对预测能力的验证 |
| 5.4.4 讨论 |
| 5.5 小结 |
| 第六章 结束语 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、最优家族遗传算法（论文参考文献）
- [1]基于卷积神经网络的恶意代码灰度图像分类研究[D]. 刘薇. 北京交通大学, 2021(02)
- [2]基于家族遗传算法的虚拟机放置策略[J]. 周震,王辉,李俊峰. 计算机工程与设计, 2021(02)
- [3]基于±3σ正态概率区间分族遗传蚁群算法的移动机器人路径规划[J]. 包汉,祝海涛,刘迪. 控制与决策, 2021(12)
- [4]基于产品族的激光打标机造型设计[D]. 张子遥. 北京林业大学, 2020(02)
- [5]Android代码安全检测与评估方法研究[D]. 超凡. 战略支援部队信息工程大学, 2020(03)
- [6]安卓恶意应用检测及其恶意家族多分类技术研究[D]. 黄啸晨. 西安电子科技大学, 2020(05)
- [7]双机器人装配单元布局优化问题研究[D]. 杨莹雪. 合肥工业大学, 2019(01)
- [8]基于比较序列分析的RNA二级结构预测中的若干关键问题研究[D]. 刘天航. 国防科技大学, 2018(01)
- [9]改进的遗传算法在PCNN参数标定中的应用[J]. 刘丽,徐浩,陈瑞生. 机械制造, 2013(05)
- [10]超大规模车间作业调度优化方法研究与仿真[J]. 刘军,陈瑞生,王晔楠. 计算机仿真, 2013(02)
标签：遗传算法论文; 序列模式论文; android架构论文; 机器人论文;