一、量子进化算法的研究及其应用（论文文献综述）
周鑫鑫[1]（2021）在《城市服务设施空间动态配置模型与量子优化方法》文中研究说明服务设施是人类活动的载体,合理配置服务设施,提高服务设施配置方案质量,可改善闲置和匮乏情况,是规划学、地理学、运筹学持续关注的前沿问题。服务设施包括教育、文体、卫生、商业、生活等,有“公共-商业”、“城镇-乡村”、“动态-静态”类型之分,配置规则因类型、目标导向而异。随着城市功能结构日趋综合,尤其受到职住通勤、交通潮汐等动态城市环境因素影响,服务设施配置优化问题进一步凸显。现有服务设施空间配置主要以静态模式下指标传导和布局方法为主,难以完全适应“超大城市如何进一步提高服务设施配置方案质量”需求,尤其是动态敏感性强的服务设施。其中,城市时空间动态交互是从更精细的时空尺度对动态城市环境的建模表达,可作为空间优化的新途径。如何从时空间交互行为、空间优化理论出发,研究动态城市环境中服务设施空间配置优化模型（简称:服务设施空间动态配置模型）,对提升服务设施配置方案质量具有长足价值。服务设施空间动态配置模型是以规划学为理论背景,以地理空间建模为方法内核,以运筹学为算法突破点的交叉研究方向,本质是包含空间因子的多时序组合优化问题,是典型高维多峰空间优化问题。服务设施空间配置是一种典型的空间NP-Hard问题,是地理建模研究和突破计算性能的重要方向。当融入多时序变量后,求解数据规模呈几何倍数增加,也导致计算规模更大。因此,探索新的优化理论,以提升服务设施空间动态配置模型的搜索精度;提出新方法,以缓解“长度灾”、“局部搜索”,推进空间动态优化发展,这具有重要的理论、应用价值。为研究服务设施空间动态配置模型,并获得高质量的空间配置解,本文融入动态城市环境和量子进化机制新思路,研究服务设施空间配置概念模型框架、动态城市环境下服务设施空间布局优化模型、动态城市环境下服务设施空间重定位优化模型,并改进得出量子进化机制作用下的服务设施空间优化算法。本文融入量子进化机制,提升服务设施空间动态配置的求解精度;并以特大城市——南京市,为典型研究区,基于多时序活动人口空间分布数据和多时序交通路径导航数据,并选取公共充电站和急救服务设施2种实例,开展了多目标空间优化布局、单目标空间重定位调度研究。具体研究内容包括:（1）设计服务设施空间配置优化概念模型框架,从模型指标、模型规则、模型算法三个层面设计形成了服务设施空间配置优化概念模型框架。该框架为后继开展服务设施评价、布局优化及模型设计提供统一的范式基础。（2）研究动态城市环境下新建服务设施空间动态布局优化模型。在新建服务设施方面,以概念模型为蓝本,选取公共充电站服务设施作为典型的服务设施,开展在多目标导向下的城市公共充电站服务设施新建布局优化的实例研究。（3）研究动态城市环境下服务设施空间重定位优化模型。在已建服务设施调度方面,以概念模型为蓝本,选取城市急救服务设施为典型的服务设施,开展在公平性最大化目标导向下的城市急救服务设施空间重定位调度优化的实例研究。（4）探索与构建融合量子进化机制的服务设施空间优化算法。在借鉴前人量子进化算法和量子实数编码进化算法的基础上,将量子比特、量子门、状态空间控制与转换的量子进化机制集成到遗传算法中,复现形成实数编码量子进化算法,并证明其在搜索精度上的优势。最终形成顾及动态效应的总量约束整数编码量子进化算法,并将该算法应用于动态城市环境下服务设施空间重定位优化问题求解。本文主要研究结果包括:（1）在遵循概念模型框架的基础上,开展针对急救服务设施、公共充电站服务设施的空间动态配置实例研究,得出不同目标导向下的配置结果。（2）其中,针对公共充电站服务设施的多目标空间布局优化配置,得到多组Pareto最优解,较传统静态空间配置方式而言,空间动态配置方式可有效提升配置后的服务设施的方案质量,各Pareto方案的综合覆盖人口率较传统方式提升27.5%。（3）针对急救服务设施,经动态城市环境下服务设施空间重定位优化模型计算,其结果较传统静态配置方式的公平性提升40%。（4）引入量子进化机制,改进得到顾及动态效应的总量约束的整数编码量子进化算法,其突破了顾及动态效应的总量约束整数编码遗传算法在高维求解问题容易陷入局部最优的问题,搜索精度显着提升,解集较原算法解集公平性相对提升60%,这表明量子进化机制在空间优化问题中的巨大潜力。综述,本文构建了服务设施空间动态配置模型,较传统静态配置,在配置方案质量提升上增效显着。本文发展了服务设施空间配置模型,融入了动态城市环境,将服务设施空间配置模型从静态走向动态、从布局走向空间交互,这对城市服务设施专项规划制定、提高布局后的服务设施的配置方案质量具有重要价值。模型和实例具有类型和区域的推广性,可以扩展到多类型服务设施、多个城市,可为城市专项服务设施规划、智慧城市发展提供决策。此外,本文将量子进化机制引入到空间优化研究,为服务设施空间动态配置优化研究提供了搜索精度更高的方法,改善传统空间进化算法在高维多峰空间优化问题中搜索精度的不足,为发展地理空间量子计算这一新命题付诸了努力。
党世红[2]（2021）在《流程工业调度模型与算法及其在造纸工业中的应用研究》文中进行了进一步梳理流程工业是国民经济的重要基础产业,近年来,随着经济全球化迅猛发展,我国流程工业受到了巨大的挑战。流程工业企业经营环境日益复杂,市场竞争日趋激烈,企业需要寻求最佳的生产运营管理方案,以提高生产经营效率,增强竞争优势。生产调度是企业实现高效率、高柔性和高可靠性的关键技术之一,也是企业生产管理的核心,对生产调度的合理优化有助于提高企业的服务水平,能为企业带来显着的经济效益和社会效益。在“中国制造2025”,产业优化升级的大环境下,围绕生产调度方法和优化技术进行研究,对现代企业在实现智能生产提质增效方面来说,具有十分重要的理论价值和现实意义。本文以流程工业中的造纸企业生产过程优化调度为研究对象,开展了流程工业调度模型与算法的理论和应用技术研究,主要研究工作如下:（1）基于分解多目标演化算法的造纸企业生产调度研究在对主要生产卫生纸的某造纸企业的生产特点分析调研的基础上,以最小化最大完工时间、最小化总拖期数量和最小化生产切换次数为目标,在忽略材料的准备时间,忽略设备突发故障等情况,考虑加工顺序约束、设备可用性约束、材料约束等约束条件的情况下,研究和建立了具有造纸企业特色的生产调度数学模型,并提出一种基于自组织映射的分解多目标演化算法对所构建生产调度模型进行求解,所构建的自组织映射充分利用了问题的先验知识,使得算法能在更低的空间上搜索到待优化问题的近似Pareto最优解集,同时也有利于保持种群在决策空间中的多样性。实验结果表明,提出的算法无论是收敛性还是均匀性都实现了更好的优化性能。（2）基于负相关搜索算法的造纸企业立体仓库优化调度研究针对造纸企业成品存储中的自动化立体仓库货位分配问题,在阐述货架分区原则和货位分配策略的基础上,考虑货架稳定性和出入库效率两个因素,构建了以货架重心最低、出入库时间最短为优化目标的立体仓库货位分配双目标优化调度数学模型,提出了一种负相关搜索算法对所构建的调度模型进行求解。实验结果表明,提出的负相关搜索算法（Negatively Correlated Search,NCS）相比遗传算法（Genetic Algorithm,GA）,粒子群优化算法（Particle Swarm Optimization,PSO）,差分进化算法（Differential Evolution Algorithm,DE）,进化规划（evolutionary programming,EP）和万有引力搜索算法（gravitational search algorithm,GSA）五种算法,无论是收敛精度还是收敛速度都实现了更好的优化性能。（3）基于量子进化算法的造纸企业项目调度研究针对造纸企业在智能制造环境下的多模式项目调度问题,结合多模式资源项目管理的问题以及实例,构建了多模式资源受限项目调度问题（Multi-mode Resource Constrained Project Scheduling Problem,MRCPSP）的数学模型,并提出了一种基于量子进化的启发式算法对模型进行优化求解。设计了量子比特的编码,解码,并对该问题的不可行解进行修复,对个体适应度进行评价,使用量子旋转门对种群进行进化,通过使用PSPLIB标准问题库（Project Scheduling Problem Library,PSPLIB）的数据对所提出的算法进行验证,使用随机函数生成随机案例,借助该算法求得最优解,证明了该算法的有效性,并对影响算法求解性能的参数进行逐一分析,为算法的进一步改进提供理论依据,丰富了资源受限项目调度问题（Resource Constrained Project Scheduling Problem,RCPSP）的理论研究体系,为造纸企业项目管理提供了新的问题解决思路。（4）基于云平台的造纸企业智能MES系统的设计与实现基于上述研究成果,结合造纸企业的实际需求,给出了智能造纸企业的企业资源计划（Enterprise Resource Planning,ERP）、制造执行系统（Manufacturing Execution System,MES）和过程控制系统（Process Control System,PCS）的体系结构图,设计了基于云平台的造纸企业智能MES系统,给出了系统主要功能模块框图,对基于云平台的造纸企业智能MES系统进行了软、硬件配置,设计了相关的软件功能界面,对造纸企业智能MES系统的自主研发有一定的借鉴意义。
李强[3]（2020）在《基于在线序贯极限学习机的风电机组变桨系统异常检测方法》文中研究说明在当今能源危机以及全球温室效应的影响条件下,传统的火力发电消耗化石资源并且造成一定的环境污染问题。风力发电具有清洁且可再生等特点,在新能源发电领域受到各国的关注。近些年来我国对风电不断加大研究与投入,风电机组的装机容量不断提高。随着各国对于风电机组的装机数量不断提高,维护风电机组的稳定运行,提高风电机组的可靠性,制定安全有效的维护计划显得尤为重要,因而需要对于风电机组的关键部件进行异常检测研究。本文基于风电机组状态采集与监测系统（Supervisory Control And Data Acquisition,SCADA）数据,实现风电机组变桨系统的异常检测研究。该文主要针对以下几部分内容进行研究:1)基于对双馈型风力发电机组的基本构成以及运行原理的掌握,重点阐述和分析双馈型风力发电机组变桨系统的故障形式以及故障原因。进一步对所监测参数的特点进行分析,采用ReliefF算法实现风机变桨系统特征选择。2)考虑变桨系统运行工况复杂,监测变量间具有较强非线性,且SCADA系统的数据信息动态更新等问题,提出基于在线贯序极限学习机建立多参数状态监测模型。针对在线贯序极限学习机的输入权值与偏置一般取随机数且OS-ELM的训练效果受初始值影响很大的问题,采用量子进化算法优化极限学习机的超参数集,提高模型的预测精度。3)采用基于量子进化算法优化的在线序贯极限学习机建立的变桨系统多参数状态监测模型,训练得到正常状态下变桨系统的残差集,采用马氏距离函数对模型残差信号进行计算,在利用马氏距离的Weibull分布确定的异常检测阈值,当模型得到的实际马氏距离值超过该阈值时则产生异常报警。
王丹琴[4]（2019）在《改进的量子进化算法及其在优化问题中的应用》文中研究说明量子进化算法是一种结合了量子计算和进化算法的智能优化算法,在传统进化算法的基础上加入了量子计算的相关概念,采用量子比特编码、量子门更新的方式完成进化搜索。比传统的进化算法拥有更高的搜索效率及收敛速度,因此对量子进化算法的研究具有理论价值和应用前景。本文针对量子进化算法解决复杂优化问题的能力不强,容易陷入局部最优的缺点,采用小生境策略和粒子群算法,提出一种改进的量子进化算法,并通过标准函数和枢纽机场航班停机位分配问题验证方法的有效性。首先,就不同旋转方向和角度大小的组合方案进行了研究,对求解复杂函数极值问题进行了多组实验,实验结果证明了动态调整量子门旋转角的优势。然后,使用小生境策略进行种群初始化,将种群分为若干子种群,提高了种群的多样性。针对粒子群局部搜索能力差的问题提出了新的学习因子确定方式,将改进后的粒子群进化方程引入到量子旋转门中,动态调整量子门旋转方向及大小,共同引导染色体进化,提高了编程效率及算法跳出局部极值的能力,通过多组标准函数,验证了改进后算法解决优化问题的有效性。最后,将改进的量子进化算法应用在枢纽机场的航班停机位分配问题中,以停机位空闲时间最均衡,旅客步行距离最短和大型停机位最充分使用为目标函数,选用广州白云机场的航班数据。实验得到的航班平均分配率达到90%以上,验证了改进后的量子进化算法在停机位分配实际应用的有效性和可行性。
徐旦[5]（2019）在《中小型仓配一体化企业库存需求预测与配送车辆路径优化》文中提出近年来,电子商务迅猛发展,B2C、新零售、O2O等新型电商模式促进了物流行业的转型升级,物流的智能化、标准化、集约化、绿色化已成为行业发展趋势。仓配一体化模式因其集约化特点,以及在成本、效率和服务质量上的优势,成为一大批传统物流企业创新经营的首选模式。仓储与配送有机紧密结合,能够全面提升物流作业时效,实现精细化的仓储与配送一体化管理。库存管理是仓储管理中的关键环节,在需求不确定的电商环境下,如何准确预测未来的库存需求并合理补货,避免出现货物积压或者短缺,为即时配送提供库存保障,是库存管理亟待解决的难题之一;在配送管理中最重要的是在配送时效内满足客户的配送需求,并尽可能地节约成本,因此配送车辆路径优化成为研究重点。基于上述背景,论文从库存需求预测与配送车辆路径优化两方面展开研究。在库存需求预测方面:给出基于压缩感知去噪-人工智能（CSD-AI）库存需求预测模型构建方法;根据库存需求问题特点,选择人工智能方法（AI）中的最小二乘支持向量回归机（LSSVR）构建压缩感知去噪-最小二乘支持向量回归预测模型（CSD-LSSVR）;通过实际算例总结模型存在的局限性,并运用自适应烟花算法（AFWA）对其参数寻优,改善了模型算法的性能;实例验证表明改进后的模型与算法能够适用于中小型仓配一体化企业的库存需求预测。在配送车辆路径优化方面:结合中小型仓配一体化企业的配送特点,建立以成本为目标的带硬时间窗的配送车辆路径优化模型;并针对模型特点以及烟花算法（FWA）的优良性能,选择将FWA进行离散化改进后用于模型求解;通过Solomon标准测试算例发现算法性能有待加强;在分析算法局限性的基础上,选择采用量子进化算法（QEA）对烟花个体进行概率变异操作,改善了算法性能,通过算例与实际案例数据进行验证,证实了论文模型与算法对于中小型仓配一体化企业配送车辆路径优化的有效性。论文结合实际案例对中小型仓配一体化企业库存需求预测与配送车辆路径优化问题进行了一些初步研究探索,研究了这两方面问题的建模和求解方法,为此类企业在发展过程中应对挑战提供了解决问题的思路和方法,具有借鉴价值。
季铁辛[6]（2019）在《基于无线传感器网络的目标覆盖方法研究》文中提出人工智能和信息技术的发展,推动了无线传感器网络的发展,同时该技术的发展也带动了相关技术的发展,比如通信技术和计算机技术,它们之间形成了相互促进的关系。覆盖问题被认为是无线传感器网络所涉及的技术中十分重要的一个,覆盖能力的强弱对于网络的实用性而言是很关键的,只有网络体现了很强的覆盖能力的情况下,其对于所监测区域才能有比较好的监控感知效果。目标覆盖的含义是指如果在监测区域内部有多个目标点存在,那么在任意的时刻,这些目标点至少被1个传感器节点所覆盖。如果网络中的传感器的属性不相同,则被称作是异构传感器网络（heterogeneous wireless sensor,HWSN）。异构网络的应用更为广泛。本论文的研究集中于三维空间中的异构传感器网络,对概率感知模型展开研究,探讨如何在最少的等效工作节点数量的基础上,对区域内的所有目标实现覆盖。在对本论文所涉及的国内外相关领域的研究现状进行分析的基础上,针对HWSN的结构体系进行研究,不同的结构体系其应用领域是不相同的。然后研究了 HWSN的特点,对于其优缺点和技术细节详细地进行了分析。在众多的网络覆盖模型中,传感器节点感知模型是其中比较重要的一个,本文针对这个模型展开细致深入的研究。在传感器节点感知的各种模型之中,相关研究表明,性能较好的是概率感知模型,其对于传感器节点感知范围变化的分析和描述更加准确。在各种覆盖算法中,二进制差分算法和遗传算法被认为是比较经典的算法,因此本文首先对这两种算法进行了研究,包括算法的流程,参数设置等内容,应用在目标覆盖方面,对其性能进行仿真和数据分析。这两种经典算法的缺点是收敛速度比较慢,收敛的精度也不高。因此本文进行了算法的改进,将量子算法和蚁群算法进行结合,形成了量子蚁群算法,完成系统的建模,对于蚁群的搜索路线进行动态调整。最后量子蚁群进化算法被应用到对无线传感器网络的目标覆盖的研究中,仿真分析了网络体系中的各个参数对等效传感器节点个数的影响。仿真研究结果表明,基于量子蚁群进化算法取得较好的目标覆盖率,显着提高了监测的效果。
万长京[7]（2019）在《参数自适应多目标和声搜索算法及其应用》文中研究说明随着社会生产力与计算机发展水平的提高,越来越多复杂的多目标优化问题出现,利用传统的优化算法处理这些多目标优化问题时往往达不到令人满意的效果。一种新的智能算法—和声搜索算法,因为其思想逻辑简单,控制参数少,全局搜索能力强等优点而被广泛应用于工程领域的优化问题中。大量研究结果表明:和声搜索算法相比传统的数学优化方法以及一些传统的智能优化算法具有更好的应用效果。传统的和声搜索算法存在一些缺陷:参数设置欠缺灵活性而导致算法容易陷入局部最优,收敛速度慢,因此和声搜索算法的性能还有待改善。本文重点从和声搜索算法性能的改善以及分布式驱动电动汽车（Distributed Drive Electric Vehicles,DDEV）侧向稳定性控制中的优化问题展开研究。研究内容可以概括如下:本文提出了一种参数自适应多目标和声搜索（Parameter Adaptive Multi-objective Harmony Search,PSAMOHS）算法。PSAMOHS算法结合混沌思想,将混沌映射用于控制参数音调微调概率的自适应调整;同时根据和声记忆库中解多样性的信息和迭代次数的变化分别动态调整控制参数和声记忆库候选概率和带宽。为了保护和声搜索算法解决多目标问题时获得Pareto前沿的多样性,截断程序和快速非支配排序被应用到和声记忆库的更新环节。仿真实验结果表明PSAMOHS算法比另外三种多目标优化进化算法和两种多目标和声搜索算法具有更好的性能。实验进一步分析了PSAMOHS算法性能对于参数和声记忆库大小的敏感度。最后将PSAMOHS算法与另外两种多目标和声搜索算法用于卫星热管设计的多目标优化问题中,仿真验证了PSAMOHS算法更好的寻优能力。考虑不同道路附着系数给DDEV稳定性控制带来不同程度的难度,将PSAMOHS算法应用于DDEV的侧向稳定控制系统中。针对每种工况建立对应的DDEV控制器,利用BP神经网络完成对控制器参数的增益优化。本文重点考虑控制器的控制精度,结合PSAMOHS算法的全局搜索能力,利用PSAMOHS算法对BP神经网络的权值进行离线训练。PSAMOHS算法以质心侧偏角和横摆角速度在汽车运行期间的总误差为两个优化目标,离线训练出BP神经网络的参数,使控制器在线工作时可以避免BP神经网络陷入局部最优。最后仿真输出质心侧偏角和横摆角速度良好的跟踪曲线。
李宜伦[8]（2019）在《电磁装置拓扑优化数值方法研究》文中研究说明拓扑优化设计属于产品的概念设计。与传统设计方法相比,拓扑优化设计能够获得难以想象的新颖拓扑结构,尤其适合于缺少先验经验和知识的产品设计。实际上,正是由于具有卓越的拓扑结构优化设计能力,拓扑优化技术已经成为设计者的重要手段和工具。虽然发源于结构优化,电磁装置的拓扑优化理论和应用技术研究近20-30年获得了蓬勃发展。发展至今,拓扑优化已经成为现代工程创新设计中的主要设计方法和定量计算工具。然而,由于拓扑优化问题的复杂特性,普适于工程设计问题的拓扑优化理论和方法仍在探索中。为此,为解决拓扑优化理论和方法面临的主要问题和挑战,本文在综合现有研究成果的基础上,对基于确定类算法和随机类优化算法的拓扑优化理论与方法进行了系统分析和深入研究,主要工作和成果总结如下。首先,为解决现有ON/OFF方法易发生早熟而陷入局部最优解的不足,本文先后提出了Tabu-ON/OFF方法,基于改进量子进化算法（Quantum-inspired Evolutionary Algorithm,QEA）和基于改进遗传算法（Genetic Algorithm,GA）的拓扑优化方法;详细阐述了上述算法的特点,综合对比了各算法的性能。其次,针对密度类方法存在的中间密度问题以及优化的拓扑结构不易制造等问题,本文分别提出了带惩罚的固体各向同性材料-径向基函数（Solid Isotropic Material with Penalization-Radial Basis Fucntion,SIMP-RBF）和水平集-径向基函数（Level Set Method-Radial Basis Function,LSM-RBF）两种拓扑优化方法。对于巨大设计变量的优化问题,相较于随机类搜索算法,所提出的这两种方法的计算效率明显提高。再次,为解决随机类搜索算法需要高昂计算资源问题,本文提出了一种设计变量的重新规划策略。通过将整个拓扑优化划分为不同层级,将前一层级的优化结果作为后一层级优化的初始拓扑,并仅选择毗邻边界的单元作为设计变量等思想,所提策略实现了减少设计变量进而缩短拓扑优化时间,同时保证计算精度的目的。最后,本文提出了一种基于非支配排序遗传算法Ⅱ（Non-dominated Sorting Genetic Algorithm Ⅱ,NSGAⅡ）和差分进化（Differetial Evolution,DE）混合算法的多目标拓扑优化方法。典型数学函数的计算结果表明,所提出的混合算法的性能优于传统的非支配排序遗传算法 Ⅱ 和强度 Pareto 进化算法 2（Strength Pareto Evolutionary Algorithm 2,SPEA2）。因此,所提出的拓扑优化方法具有较好的全局寻优能力,同时具有设计者直接干预优化过程、处理约束条件的能力。为验证上述方法的有效性和优越性,本文应用这些方法对两个典型工程问题进行了拓扑优化设计研究。电磁致动器拓扑优化结果表明,本文提出方法的性能优于现有方法;运用基于混合算法的多目标拓扑优化方法,获得了不同的全新设计的拓扑结构,可以在提高衔铁电磁力这一优化目标的同时,尽可能地减少材料消耗。这为设计者的设计工作提供了重要参考和理论依据。压电能量回收装置的计算结果表明,本文方法可以获得性能更优,加工性能可行的拓扑结构。
马浩天[9]（2019）在《氯碱生产过程多参数优化控制的研究》文中研究指明氯碱工业属于高能耗产业,亦是国民生活中一个重要的支柱产业。为了降低生产过程中的能耗,对于氯碱电解过程的优化控制尤为重要。由于电解过程尤为复杂,化学性质以及变量很多,所以建立一个氯碱多参数优化控制系统,以达到节能降耗的目的是需要研究的重点。本文首先分析了氯碱电解过程中电流效率以及直流电耗的影响因素,和其适用于生产范围的控制条件,然后根据生产数据利用核主元素法进行分析,得出了三个主要的影响因素。由于机理模型构建起来很复杂,而且达不到想要的控制效果,选择了Elman神经网络对其进行了模型建立。建立好神经网络模型后,为了提高控制精度,选择了BP神经网络作为控制系统中的控制器,但是BP神经网络有不足,为了弥补这些,经分析与研究,选择了改进的量子多目标进化算法来进行BP神经网络的权值、阈值优化。在量子多目标进化算法的改进中,使用了非支配排序算子以及基于Pareto个体引力的选择策略。为了令改进的量子多目标进化算法对BP神经网络控制器有更好的优化效果,提出了算法融合方法,设计了具体的融合步骤,使量子多目标进化算法对BP神经网络控制器的权值、阈值进行了充分的优化。由于实际生产过程中,随着时间的变化,生产设备等也会发生一些变化,这样提前训练好的神经网络控制系统就不再适用于当前的生产设备。为解决这些问题,提出了控制系统的在线校正策略。首先通过筛选生产数据加入到数据库,然后再对控制系统的置信水平进行判断,并设计双控制系统在线切换,在保证系统稳定运行的前提下又能够对控制系统中的神经网络进行线下训练。最后通过计算机仿真,对人工参数设计的生产过程、非在线氯碱多参数优化系统以及在线氯碱多参数优化系统的结果进行了比较,其表明在相同条件下,氯碱多参数优化系统以及在线校正环节的有效性。图28幅;表5个;参43篇。
彭星光[10]（2018）在《离散型制造企业APS中的大规模车间调度问题研究》文中指出随着经济全球化的发展,中国制造业面临着更加严峻的挑战,市场环境复杂多变、需求多样化,有效自的抓住市场机遇,及时、高效的为客户提供产品成为企业成功的利器,这使企业利用信息化建立精准生产计划、过程监控成为必然,高级计划与排程（APS,Advanced Planning and Scheduling）能够解决主流信息化软件计划与排产的缺陷,快速准确地为企业制定一个全局的、最优的计划,而排产的逻辑和算法是APS系统的主要难点,本文对此问题进行较为深入的研究。大型离散制造企业生产规模庞大,产品、工艺、设备繁多。针对离散型制造企业APS中的大规模车间调度问题,本文采用量子进化算法优化和数据分解相结合的方式,提出一种基于目标级联模型下的量子进化算法求解大规模车间调度问题模型,大大提高了算法的求解效率,并且能够获得较高的求解质觉。首先,针对大规模调度问题数据量庞大的特点,本文提出一种基于工艺相似性聚类的数据分解方法,根据不同工件加工工艺的相似性,对不同工件进行工艺相似性聚类得到相应的零件族;根据工艺和设备对应的原则,建立相应的设备分配模型,给零件族分配相应设备,构成合理的制造单元,作为后续量子进化排产算法的基本调度模型,从而把大规模车间调度问题转化为制造单元调度问题。其次,针对大规模车间制造单元调度问题,提出一种改进量子进化算法,在基本算法中加入排产规则、随机搜索和精英个体进化策略,通过量子比特编码确定工序顺序,依据排产规则进行设备选择,通过不断迭代的精英进化策略,减少了调度问题编码复杂度,缩小了解空间的范围。对比研究表明,改进的量子进化算法相比蚁群、遗传算法等其他算法能够更快速收敛到最优值,针对不同算例及算法,平均收敛代数提高35%-80%,最优解提高0-26%,运行时间提高3%-91%;各维度数据规模增长时,最优值波动值不大于0.08,证明了量子进化算法在求解质量、效率和稳定性上的优越性。最后,针对大规模多目标柔性车间调度问题,设计了一种基于目标级联的量子进化算法计算框架,并设计了动态车间调度中的紧急插单、设备故障的处理策略,通过实例进行求解。实例计算表明,算法求解效率大大提升,验证了本文的目标级联框架下的量子进化排产算法的可行性。
二、量子进化算法的研究及其应用（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、量子进化算法的研究及其应用（论文提纲范文）
（1）城市服务设施空间动态配置模型与量子优化方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 服务设施空间配置研究进展 |
| 1.2.2 空间优化研究进展 |
| 1.2.3 智能进化算法研究进展 |
| 1.2.4 总结 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 论文组织 |
| 第2章 研究区概况与数据说明 |
| 2.1 研究区概况 |
| 2.1.1 区位简介 |
| 2.1.2 行政区划 |
| 2.1.3 人口概况 |
| 2.1.4 交通概况 |
| 2.2 研究数据说明 |
| 2.2.1 多时序交通路径导航数据 |
| 2.2.2 多时序活动人口空间分布数据 |
| 2.2.3 急救服务设施数据 |
| 2.2.4 公共充电站设施数据 |
| 2.3 本章小结 |
| 第3章 服务设施空间配置优化概念模型框架 |
| 3.1 概念模型框架设计 |
| 3.1.1 模型内涵 |
| 3.1.2 三种空间转换 |
| 3.1.3 概念模型框架 |
| 3.2 问题定义与测度 |
| 3.2.1 服务设施界定 |
| 3.2.2 服务设施空间配置界定 |
| 3.2.3 问题定义流程 |
| 3.2.4 交通阻尼测度 |
| 3.3 现状、指标与规则 |
| 3.3.1 现状评价 |
| 3.3.2 目标函数设计 |
| 3.3.3 供需规模测度 |
| 3.3.4 空间配置策略分类 |
| 3.4 空间配置优化算法 |
| 3.4.1 优化问题数学定义 |
| 3.4.2 启发式优化算法体系 |
| 3.5 本章小结 |
| 第4章 动态城市环境下服务设施空间布局优化模型 |
| 4.1 空间动态布局优化模型设计 |
| 4.1.1 模型假设 |
| 4.1.2 模型输入 |
| 4.1.3 模型输出 |
| 4.2 公共充电站空间动态布局问题定义 |
| 4.2.1 研究对象界定 |
| 4.2.2 新建公共充电站服务设施流程 |
| 4.3 公共充电站空间动态布局现状、指标与规则 |
| 4.3.1 公共充电站现状评价 |
| 4.3.2 顾及动态效应的多目标函数指标设计 |
| 4.3.3 供需规模与配置策略 |
| 4.4 多目标进化算法 |
| 4.4.1 基于Pareto解的多目标进化算法框架 |
| 4.4.2 非支配排序遗传算法流程 |
| 4.5 总量约束的整数编码多目标进化算法设计 |
| 4.5.1 TC-ICMOEA算法流程 |
| 4.5.2 整数编码算子 |
| 4.5.3 总量约束算子 |
| 4.5.4 选择算子 |
| 4.5.5 交叉算子 |
| 4.5.6 变异算子 |
| 4.6 本章小结 |
| 第5章 动态城市环境下服务设施空间重定位优化模型 |
| 5.1 空间动态重定位优化模型设计 |
| 5.1.1 模型假设 |
| 5.1.2 模型输入 |
| 5.1.3 模型输出 |
| 5.2 急救服务设施空间动态重定位问题定义 |
| 5.3 评价、指标与规则 |
| 5.3.1 急救服务设施现状评价 |
| 5.3.2 顾及动态效应的公平性最大化目标函数 |
| 5.3.3 供需规模与空间配置策略 |
| 5.4 总量约束整数编码遗传算法设计 |
| 5.4.1 TC-ICGA算法流程 |
| 5.4.2 整数编码算子 |
| 5.4.3 随机遍历选择算子 |
| 5.4.4 交叉算子 |
| 5.4.5 变异算子 |
| 5.5 顾及动态效应的总量约束整数编码遗传算法设计 |
| 5.5.1 DTC-ICGA算法流程 |
| 5.5.2 多时刻整数编码算子 |
| 5.5.3 多时刻总量约束算子 |
| 5.6 本章小结 |
| 第6章 顾及动态效应的总量约束整数编码量子进化算法 |
| 6.1 量子计算理论 |
| 6.1.1 量子计算特性 |
| 6.1.2 量子进化算法结构 |
| 6.1.3 约束整数组合优化问题中的量子机制 |
| 6.2 实数编码量子进化算法设计 |
| 6.2.1 RCQEA算法流程 |
| 6.2.2 四倍体量子染色体编码算子 |
| 6.2.3 量子变异算子 |
| 6.2.4 量子交叉算子 |
| 6.3 实数编码量子进化算法与实数编码遗传算法对比 |
| 6.3.1 测试函数定义 |
| 6.3.2 测试变量设置 |
| 6.3.3 RCQEA与 RCGA算法对比结果 |
| 6.4 总量约束的整数编码量子进化算法设计与对比 |
| 6.4.1 改进难点剖析 |
| 6.4.2 TC-ICQEA算法流程 |
| 6.4.3 四倍体量子整数编码染色体算子 |
| 6.4.4 四倍体量子整数编码染色体总量约束算子改进 |
| 6.4.5 TC-ICQEA与 TC-ICGA算法对比 |
| 6.5 顾及动态效应的总量约束的整数编码量子进化算法 |
| 6.5.1 算法流程图 |
| 6.5.2 多时刻四倍体量子整数编码染色体算子 |
| 6.5.3 多时刻量子变异算子 |
| 6.5.4 多时刻量子交叉算子 |
| 6.6 本章小结 |
| 第7章 动态城市环境下服务设施空间配置优化实验 |
| 7.1 实验环境说明 |
| 7.2 动态城市环境下公共充电站空间布局优化实验 |
| 7.2.1 参数设置与实验过程 |
| 7.2.2 实验 1:动静环境对公共充电站配置对比实验 |
| 7.2.3 实验 2:多组动态城市环境下多目标实验 |
| 7.2.4 实验 3:动态城市环境下调整多目标实验 |
| 7.3 动态城市环境下急救服务设施空间重定位优化实验 |
| 7.3.1 多组参数设置与运行结果 |
| 7.3.2 急救服务设施空间重定位配置结果 |
| 7.3.3 优化后可达性、公平性对比分析 |
| 7.4 量子进化算法应用实验 |
| 7.4.1 参数设置说明 |
| 7.4.2 实验求解过程 |
| 7.4.3 急救服务设施空间重定位配置结果 |
| 7.4.4 DTC-ICGA与 DTC-ICQEA算法对比 |
| 7.5 本章小结 |
| 第8章 结论与展望 |
| 8.1 主要结论 |
| 8.2 主要创新点 |
| 8.3 不足与展望 |
| 附录:符号体系 |
| 在读期间发表研究成果 |
| 致谢 |
| 参考文献 |
（2）流程工业调度模型与算法及其在造纸工业中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要研究内容和章节安排 |
| 1.3.1 主要的研究内容 |
| 1.3.2 章节安排 |
| 2 生产调度基本概念及造纸企业生产调度中存在的问题 |
| 2.1 生产调度的提出 |
| 2.2 调度问题描述、分类及特性 |
| 2.2.1 调度问题的描述 |
| 2.2.2 车间调度问题的分类 |
| 2.2.3 车间调度问题的特点 |
| 2.3 流程工业生产调度 |
| 2.3.1 流程工业生产调度及其特点 |
| 2.3.2 流程工业生产调度的分类 |
| 2.3.3 流程工业生产调度的方法 |
| 2.4 造纸企业生产调度问题 |
| 2.4.1 订单与排产计划安排 |
| 2.4.2 排产计划与生产计划冲突 |
| 2.4.3 生产管理缺陷 |
| 2.4.4 质量管理 |
| 2.4.5 仓储管理 |
| 2.4.6 问题成因分析 |
| 2.5 本章小结 |
| 3 基于分解多目标演化算法的造纸企业生产调度研究 |
| 3.1 引言 |
| 3.2 造纸企业生产过程简述 |
| 3.2.1 第一阶段加工生产过程 |
| 3.2.2 第二阶段加工生产过程 |
| 3.3 生产调度模型的建立 |
| 3.3.1 造纸企业的生产调度流程描述 |
| 3.3.2 生产调度性能指标 |
| 3.3.3 造纸企业生产调度数学模型 |
| 3.4 生产调度模型的求解算法 |
| 3.4.1 基于分解的多目标演化算法 |
| 3.4.2 算法设计的关键步骤 |
| 3.4.3 实验数据 |
| 3.5 数值实验与结果分析 |
| 3.5.1 参数设置 |
| 3.5.2 评价指标 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 4 基于负相关搜索算法的造纸企业立体仓库优化调度研究 |
| 4.1 自动化立体仓库概述 |
| 4.1.1 自动化立体仓库的结构 |
| 4.1.2 自动化立体仓库的分类与特点 |
| 4.2 自动化立体仓库货位分配优化 |
| 4.2.1 问题描述 |
| 4.2.2 数学模型的建立 |
| 4.3 立体仓库调度模型的求解算法 |
| 4.3.1 负相关搜索算法 |
| 4.3.2 算法设计的关键步骤 |
| 4.4 数值实验与结果分析 |
| 4.4.1 参数设置 |
| 4.4.2 评价指标 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于量子进化算法的造纸企业项目调度研究 |
| 5.1 项目调度概况 |
| 5.2 多模式资源项目调度描述以及数学建模 |
| 5.3 基于量子进化算法的多模式资源项目调度问题实现 |
| 5.3.1 量子进化算法概述 |
| 5.3.2 编码方案 |
| 5.3.3 解码方案 |
| 5.3.4 不可行方案的修复 |
| 5.3.5 个体的适应度评价 |
| 5.3.6 量子种群更新 |
| 5.3.7 算法流程图 |
| 5.4 算例分析与结果评价 |
| 5.4.1 典型案例验证及结果分析 |
| 5.4.2 随机案例验证及结果分析 |
| 5.5 本章小结 |
| 6 基于云平台的造纸企业智能MES系统的设计与实现 |
| 6.1 MES系统概述 |
| 6.2 系统总体解决方案 |
| 6.2.1 造纸企业ERP、MES和PCS的体系结构 |
| 6.2.2 造纸企业智能MES系统构架 |
| 6.3 系统主要功能模块介绍 |
| 6.3.1 系统管理模块 |
| 6.3.2 信息查询模块 |
| 6.3.3 设备管理模块 |
| 6.3.4 生产管理模块 |
| 6.3.5 仓储管理模块 |
| 6.3.6 品质管理模块 |
| 6.3.7 数据分析模块 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究工作创新点 |
| 7.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的成果 |
（3）基于在线序贯极限学习机的风电机组变桨系统异常检测方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 风电机组异常检测国内外研究现状 |
| 1.2.1 基于统计分析的风电机组异常检测 |
| 1.2.2 基于数据驱动的风电机组异常检测 |
| 1.3 本文研究内容及主要工作 |
| 第2章 风电变桨系统描述及故障分析 |
| 2.1 并网风力发电机组描述 |
| 2.1.1 风力发电原理及风电机组主要类型 |
| 2.1.2 风电机组的主要结构及构成 |
| 2.1.3 风电机组控制原理及其主要功能 |
| 2.2 变桨系统描述 |
| 2.2.1 变桨系统基本组成 |
| 2.2.2 变桨系统的控制原理 |
| 2.3 变桨系统故障分析 |
| 2.3.1 变桨系统故障类型 |
| 2.3.2 变桨主要故障及其故障分析 |
| 2.4 本章小结 |
| 第3章 基于SCADA数据的风机变桨系统数据处理及特征选择 |
| 3.1 风电机组监测数据来源及预处理 |
| 3.1.1 风电机组数据采集与监控系统 |
| 3.1.2 SCADA数据来源 |
| 3.1.3 风电机组监测数据预处理 |
| 3.2 风电机组变桨系统异常检测模型特征选择 |
| 3.2.1 Relief F算法 |
| 3.2.2 基于Relief F算法变桨系统异常检测模型特征选择 |
| 3.3 本章小结 |
| 第4章 基于QEA-OS-ELM变桨系统状态监测模型 |
| 4.1 极限学习机 |
| 4.1.1 极限学习机模型介绍 |
| 4.1.2 ELM算法数学原理 |
| 4.2 在线序贯极限学习机 |
| 4.2.1 在线序贯极限学习机学习方式 |
| 4.2.2 OS-ELM算法常见激活函数 |
| 4.3 基于量子进化在线序贯极限学习机模型 |
| 4.4 基于QEA-OS-ELM变桨系统状态参数建模 |
| 4.4.1 数据归一化处理 |
| 4.4.2 模型参数设定 |
| 4.4.3 QEA-OS-ELM变桨系统状态监测模型仿真分析 |
| 4.4.4 算法对比分析 |
| 4.5 本章总结 |
| 第5章 变桨系统异常检测方法 |
| 5.1 多维时间序列的异常检测 |
| 5.1.1 异常检测描述 |
| 5.1.2 多维时间序列的异常检测方法 |
| 5.2 变桨系统的异常检测 |
| 5.2.1 风电机组变桨系统异常检测思想 |
| 5.2.2 基于马氏距离的多变量异常检测方法 |
| 5.2.3 基于QEA-OS-ELM-MD的变桨系统异常检测方法 |
| 5.3 变桨系统异常检测方法验证 |
| 5.3.1 基于马氏距离的异常检测 |
| 5.3.2 异常检测实验对比 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（4）改进的量子进化算法及其在优化问题中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文选题背景及其意义 |
| 1.2 国内外研究现状 |
| 1.2.1 进化算法 |
| 1.2.2 量子进化算法研究现状 |
| 1.2.3 优化问题求解方法研究现状 |
| 1.3 论文研究内容及章节安排 |
| 第二章 基本方法 |
| 2.1 量子进化算法 |
| 2.2 量子遗传算法 |
| 2.3 小生境策略 |
| 2.4 粒子群优化算法 |
| 本章小结 |
| 第三章 量子旋转门的参数组合策略 |
| 3.1 量子门 |
| 3.2 量子旋转门的旋转方向 |
| 3.3 量子旋转门的旋转角度 |
| 3.3.1 静态角 |
| 3.3.2 依赖于迭代的动态角 |
| 3.3.3 与函数值相关的动态角 |
| 3.4 量子非门与Hε收敛门 |
| 3.4.1 量子非门 |
| 3.4.2 Hε收敛门 |
| 3.5 参数组合策略及其实验验证 |
| 3.5.1 旋转角度方案 |
| 3.5.2 实验参数 |
| 3.5.3 实验结果和分析 |
| 本章小结 |
| 第四章 基于小生境策略和改进粒子群的QEA参数优化方法研究 |
| 4.1 QEA参数优化思想 |
| 4.1.1 基于小生境进化策略的QEA种群初始化 |
| 4.1.2 粒子群优化算法学习因子的改进 |
| 4.1.3 基于改进粒子群的量子旋转门更新策略 |
| 4.2 QEA参数优化模型 |
| 4.3 QEA参数优化过程 |
| 4.4 NCPQEA算法在函数极值求解中的应用 |
| 4.4.1 函数的选择 |
| 4.4.2 实验环境及参数 |
| 4.4.3 实验结果与分析 |
| 本章小结 |
| 第五章 NCPQEA算法在机场停机位分配中的实际应用 |
| 5.1 停机位分配建模 |
| 5.1.1 停机位分配问题的目标函数 |
| 5.1.2 停机位分配问题的约束条件 |
| 5.1.3 无量化目标函数 |
| 5.2 基于NCPQEA算法的机场停机位分配方法 |
| 5.3 方法的验证与分析 |
| 5.3.1 实验环境 |
| 5.3.2 实验数据及参数选择 |
| 5.4 实验结果及分析 |
| 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（5）中小型仓配一体化企业库存需求预测与配送车辆路径优化（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 仓配一体化相关研究 |
| 1.2.2 库存需求预测研究现状 |
| 1.2.3 配送车辆路径问题研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 技术路线图 |
| 2 基础理论概述 |
| 2.1 仓配一体化理论概述 |
| 2.1.1 仓配一体化目标 |
| 2.1.2 仓配一体化主要流程 |
| 2.1.3 仓配一体化管理系统概述 |
| 2.2 电商仓配模式及中小型仓配一体化企业特点 |
| 2.2.1 电商仓配模式 |
| 2.2.2 中小型仓配一体化企业特点 |
| 2.3 库存需求预测相关理论 |
| 2.3.1 库存需求预测方法研究 |
| 2.3.2 库存需求预测模型选择原则 |
| 2.3.3 库存需求预测方法对比 |
| 2.3.4 中小型仓配一体化企业库存需求影响因素 |
| 2.4 配送车辆路径问题相关理论 |
| 2.4.1 中小型仓配一体化企业配送车辆路径问题概述 |
| 2.4.2 常用VRP求解算法 |
| 2.5 本章小结 |
| 3 基于CSD-LSSVR的中小型仓配一体化企业库存需求预测研究 |
| 3.1 库存需求预测问题描述 |
| 3.2 库存需求预测模型构建方法 |
| 3.2.1 压缩感知去噪方法概述 |
| 3.2.2 人工智能预测算法概述 |
| 3.2.3 CSD-AI混合库存预测模型构建方法 |
| 3.2.4 模型评价指标 |
| 3.3 基于CSD-LSSVR库存需求预测研究 |
| 3.3.1 最小二乘支持向量回归方法 |
| 3.3.2 CSD-LSSVR库存需求预测模型 |
| 3.4 算例分析 |
| 3.4.1 数据来源 |
| 3.4.2 数据处理 |
| 3.4.3 预测模型参数设定 |
| 3.4.4 实验结果 |
| 3.5 本章小结 |
| 4 基于烟花算法优化CSD-LSSVR的库存需求预测研究 |
| 4.1 烟花算法 |
| 4.1.1 算法基本原理 |
| 4.1.2 烟花算法的实现步骤 |
| 4.1.3 烟花算法的局限性与改进方法 |
| 4.2 基于烟花算法优化的CSD-LSSVR库存需求预测模型 |
| 4.3 算例分析 |
| 4.3.1 数据来源与数据处理 |
| 4.3.2 预测模型参数设定 |
| 4.3.3 实验结果 |
| 4.4 本章小结 |
| 5 基于DFWA算法的中小型仓配一体化企业配送车辆路径优化研究 |
| 5.1 中小型仓配一体化企业配送车辆路径问题描述 |
| 5.2 中小型仓配一体化企业VRPHTW模型构建 |
| 5.2.1 模型基本假设与约束条件 |
| 5.2.2 模型建立 |
| 5.3 离散烟花算法实现 |
| 5.3.1 爆炸算子 |
| 5.3.2 变异算子 |
| 5.3.3 选择策略与适应度函数 |
| 5.4 算法测试 |
| 5.4.1 数据来源 |
| 5.4.2 参数设定 |
| 5.4.3 算法测试结果与分析 |
| 5.5 本章小结 |
| 6 基于量子进化改进DFWA算法的配送车辆路径优化研究 |
| 6.1 DFWA算法局限性与改进方法 |
| 6.2 量子进化算法 |
| 6.2.1 QEA基本原理 |
| 6.2.2 QEA算法步骤 |
| 6.3 QEA优化DFWA算法 |
| 6.3.1 量子编码 |
| 6.3.2 量子旋转门更新 |
| 6.3.3 量子非门变异 |
| 6.3.4 算法流程 |
| 6.4 算法测试 |
| 6.4.1 参数设定 |
| 6.4.2 算法测试结果与分析 |
| 6.5 实例分析 |
| 6.5.1 数据来源 |
| 6.5.2 仿真结果与分析 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（6）基于无线传感器网络的目标覆盖方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 国内外研究现状分析 |
| 1.3 本文研究内容及结构安排 |
| 第2章 无线传感器网络覆盖基础 |
| 2.1 无线传感器网络特点 |
| 2.2 无线传感器网络的体系结构 |
| 2.2.1 体系结构 |
| 2.2.2 协议架构 |
| 2.3 无线传感器网络的节点感知模型 |
| 2.4 无线传感器网络的覆盖控制 |
| 2.5 目标覆盖的系统模型 |
| 2.6 无线传感器网络技术挑战 |
| 2.7 覆盖算法的评价方式 |
| 2.8 本章小结 |
| 第3章 异构无线传感器网络目标覆盖 |
| 3.1 HWSN体系及概率模型 |
| 3.1.1 HWSN体系结构 |
| 3.1.2 HWSN概率模型 |
| 3.2 覆盖问题 |
| 3.3 目标覆盖的模型 |
| 3.4 基于经典优化算法的目标覆盖方法 |
| 3.4.1 基于遗传算法的目标覆盖 |
| 3.4.2 基于差分进化算法的目标覆盖 |
| 3.5 仿真结果及分析 |
| 3.6 本章小结 |
| 第4章 基于量子蚁群进化算法的目标覆盖 |
| 4.1 量子算法 |
| 4.2 蚁群算法 |
| 4.2.1 蚁群算法的原理 |
| 4.2.2 蚁群算法的特点 |
| 4.3 量子蚁群算法 |
| 4.4 基于量子蚁群算法目标覆盖 |
| 4.5 仿真结果及分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（7）参数自适应多目标和声搜索算法及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 和声搜索算法研究现状 |
| 1.2.1 和声搜索算法研究 |
| 1.2.2 和声搜索算法应用 |
| 1.3 多目标优化问题研究现状 |
| 1.4 本文主要内容及章节安排 |
| 第2章 和声搜索算法及其多目标优化算法 |
| 2.1 和声搜索算法 |
| 2.1.1 和声搜索算法原理 |
| 2.1.2 和声搜索算法流程 |
| 2.2 多目标优化算法 |
| 2.2.1 多目标优化问题的基本概述 |
| 2.2.2 几种典型的多目标优化进化算法 |
| 2.3 本章小结 |
| 第3章 参数自适应多目标和声搜索算法 |
| 3.1 PSAMOHS算法参数调整方法 |
| 3.1.1 引入混沌映射调整参数PAR |
| 3.1.2 基于解的多样性动态调整参数HMCR |
| 3.1.3 改进的参数bw调节方法 |
| 3.2 针对多目标优化问题的和声记忆库更新 |
| 3.3 PSAMOHS算法流程 |
| 3.4 仿真实验与结果分析 |
| 3.4.1 多目标评价指标简介 |
| 3.4.2 标准多目标测试函数 |
| 3.4.3 与多目标优化进化算法结果对比 |
| 3.4.4 与多目标和声搜索算法结果对比 |
| 3.4.5 和声记忆库大小对PSAMOHS算法性能的影响 |
| 3.4.6 卫星热管多目标设计模型测试 |
| 3.5 本章小结 |
| 第4章 基于PSAMOHS-BP神经网络的DDEV多目标侧向稳定性控制 |
| 4.1 DDEV动力学建模及侧向稳定性分析 |
| 4.1.1 DDEV侧向稳定性的车辆模型 |
| 4.1.2 DDEV侧向稳定性的参考模型 |
| 4.1.3 DDEV力矩分配 |
| 4.1.4 DDEV侧向稳定性约束条件 |
| 4.2 基于BP神经网络优化的控制器 |
| 4.2.1 位置式PID控制器 |
| 4.2.2 用于控制器优化的BP神经网络 |
| 4.3 PSAMOHS离线训练BP神经网络的参数 |
| 4.3.1 PSAMOHS离线训练BP神经网络参数的流程 |
| 4.3.2 BP神经网络参数在PSAMOHS算法中的变量表示 |
| 4.3.3 目标函数f_1 |
| 4.3.4 目标函数f_2 |
| 4.4 仿真结果及分析 |
| 4.4.1 PSAMOHS离线训练结果 |
| 4.4.2 DDEV控制效果仿真 |
| 4.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
| 附录 B 攻读学位期间参加的科研项目目录 |
（8）电磁装置拓扑优化数值方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 拓扑优化概念 |
| 1.3 拓扑优化方法 |
| 1.3.1 均匀化方法 |
| 1.3.2 密度类方法 |
| 1.3.3 ON/OFF方法 |
| 1.3.4 基于边界类的拓扑优化方法 |
| 1.3.4.1 水平集法 |
| 1.3.4.2 相场法 |
| 1.3.5 离散类方法 |
| 1.3.5.1 渐进结构优化 |
| 1.3.5.2 启发类搜索算法 |
| 1.3.6 多目标拓扑优化方法 |
| 1.4 电磁装置拓扑优化设计 |
| 1.5 现有拓扑优化方法主要问题 |
| 1.6 本文工作内容与章节安排 |
| 2 电磁装置单目标拓扑优化方法研究 |
| 2.1 改进的ON/OFF方法 |
| 2.1.1 ON/OFF方法 |
| 2.1.2 改进的ON/OFF方法 |
| 2.2 Tabu-ON/OFF混合拓扑优化算法 |
| 2.2.1 Tabu搜索算法 |
| 2.2.2 拓扑优化方法 |
| 2.3 基于改进量子进化算法(QEA)的拓扑优化方法 |
| 2.3.1 量子进化算法 |
| 2.3.2 改进措施 |
| 2.3.3 算法流程图 |
| 2.4 基于改进遗传算法(GA)的拓扑优化方法 |
| 2.4.1 改进GA |
| 2.4.2 基于改进GA的拓扑优化方法 |
| 2.5 基于SIMP和RBF相结合的拓扑优化方法 |
| 2.5.1 SIMP方法和RBF后处理 |
| 2.5.1.1 SIMP方法 |
| 2.5.1.2 RBF后处理器 |
| 2.5.2 拓扑优化方法 |
| 2.6 基于水平集函数和RBF相结合的拓扑优化方法 |
| 2.7 本章小结 |
| 3 电磁装置多目标拓扑优化方法研究 |
| 3.1 多目标优化算法 |
| 3.1.1 古典多目标优化算法 |
| 3.1.2 进化类多目标优化算法 |
| 3.2 多目标优化基本概念 |
| 3.2.1 可行解和可行解集合 |
| 3.2.2 强弱支配关系及Pareto最优解 |
| 3.2.3 常用性能指标 |
| 3.3 基于改进NSGA和DE的混合多目标拓扑优化算法 |
| 3.3.1 改进NSGAII |
| 3.3.2 二进制DE算法 |
| 3.3.3 算法流程图 |
| 3.4 性能测试 |
| 3.4.1 测试函数 |
| 3.4.2 算法验证 |
| 3.5 多目标拓扑优化方法 |
| 3.6 本章小结 |
| 4 典型电磁装置拓扑优化设计 |
| 4.1 单目标电磁致动器拓扑优化设计 |
| 4.1.1 分析模型 |
| 4.1.2 优化设计模型 |
| 4.1.3 计算结果 |
| 4.1.3.1 改进ON/OFF方法 |
| 4.1.3.2 Tabu-ON/OFF混合拓扑优化方法 |
| 4.1.3.3 基于改进量子进化算法的拓扑优化方法 |
| 4.1.3.4 基于改进遗传算法的拓扑优化方法 |
| 4.2 压电能量回收装置数值算例 |
| 4.2.1 悬臂式压电能量回收装置 |
| 4.2.2 运行工况 |
| 4.2.3 数值计算结果 |
| 4.2.3.1 基于SIMP和RBF的拓扑优化方法 |
| 4.2.3.2 基于水平集方法和RBF的拓扑优化方法 |
| 4.3 多目标电磁致动器数值算例 |
| 4.4 不同拓扑优化方法性能分析 |
| 4.5 本章小结 |
| 5 全文总结 |
| 参考文献 |
| 作者攻读博士学位期间主要研究成果 |
（9）氯碱生产过程多参数优化控制的研究（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 氯碱生产节能技术发展现状 |
| 1.2.1 氧阴极(ODC)技术的应用 |
| 1.2.2 陶瓷膜技术的应用 |
| 1.2.3 二次盐水精制树脂寿命延长 |
| 1.2.4 三效逆流离子膜烧碱蒸发浓缩技术 |
| 1.2.5 其他技术 |
| 1.3 多目标优化及其发展 |
| 1.3.1 研究意义 |
| 1.3.2 多目标优化的发展现状 |
| 1.4 本章小节 |
| 第2章 氯碱电解槽工艺分析及其模型建立 |
| 2.1 氯碱电解槽的能耗及其影响因素分析 |
| 2.1.1 电流效率指标分析 |
| 2.1.2 槽电压指标分析 |
| 2.1.3 电解电耗指标分析 |
| 2.1.4 阳极PH值的影响 |
| 2.1.5 阳极液浓度的影响 |
| 2.1.6 阴极液浓度的影响 |
| 2.1.7 操作温度的影响 |
| 2.1.8 压力压差的影响 |
| 2.2 机理模型构建 |
| 2.2.1 主要影响因素的选取 |
| 2.2.2 影响因素分析 |
| 2.2.3 机理模型构建 |
| 2.3 预测模型的建立 |
| 2.4 本章小结 |
| 第3章 氯碱电解多目标控制系设计及量子优化算法 |
| 3.1 控制系统的总体设计 |
| 3.2 人工神经网络 |
| 3.3 BP人工神经网络 |
| 3.3.1 BP人工神经网络简介 |
| 3.3.2 BP人工神经网络控制器 |
| 3.3.3 神经网络的学习和训练 |
| 3.3.4 BP神经网络的缺点 |
| 3.4 多目标进化算法 |
| 3.4.1 进化算法 |
| 3.4.2 进化算法的缺点 |
| 3.5 量子多目标进化算法 |
| 3.5.1 量子进化算法简介 |
| 3.5.2 量子多目标进化算法 |
| 3.6 本章小结 |
| 第4章 算法融合以及控制系统在线修正 |
| 4.1 算法的融合 |
| 4.1.1 融合的关键因素 |
| 4.1.2 算法的融合 |
| 4.1.3 算法流程 |
| 4.2 控制系统的在线修正 |
| 4.3 本章小结 |
| 第5章 氯碱电解多参数优化系统的仿真实验与结果分析 |
| 5.1 传统人工参数设置的仿真实验 |
| 5.2 基于量子多目标进化算法的仿真实验 |
| 5.3 人工参数设置和基于量子多目标进化算法的仿真实验对比 |
| 5.4 在线修正和非在线修正的基于量子多目标进化算法的仿真实验对比 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 作者简介 |
| 学位论文数据集 |
（10）离散型制造企业APS中的大规模车间调度问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 APS系统研究现状 |
| 1.2.2 生产调度问题研究现状 |
| 1.2.3 大规模车间调度问题的研究现状 |
| 1.3 论文研究内容及组织结构 |
| 1.3.1 论文的研究内容 |
| 1.3.2 论文的组织结构 |
| 2 高级计划与排程(APS)中的车间调度 |
| 2.1 APS概述 |
| 2.1.1 APS基本模块构成 |
| 2.1.2 APS与ERP、MES的关系 |
| 2.2 作业车间调度理论概述 |
| 2.2.1 作业车间调度问题基本概念 |
| 2.2.2 传统作业车间调度问题概述 |
| 2.2.3 柔性作业车间调度问题概述 |
| 2.2.4 多目标车间调度问题概述 |
| 2.3 大规模车间调度的研究方法 |
| 2.3.1 目标级联法(ATC)的基本方法与理论 |
| 2.3.2 车间调度算法 |
| 2.4 本章小结 |
| 3 基于ATC的大规模车间调度数据分解 |
| 3.1 基于ATC的车间调度模型 |
| 3.2 零件族规划层设计 |
| 3.2.1 零件工艺编码 |
| 3.2.2 零件工艺相似性聚类 |
| 3.2.3 设备分配模型 |
| 3.3 零件规划层设计 |
| 3.4 本章小结 |
| 4 量子进化算法的改进及其应用 |
| 4.1 量子基础理论 |
| 4.1.1 量子进化理论的形成与发展 |
| 4.1.2 量子态及其相干叠加性、纠缠性和塌缩 |
| 4.1.3 单量子比特 |
| 4.1.4 多量子比特 |
| 4.1.5 量子门 |
| 4.2 基本量子进化算法 |
| 4.2.1 量子进化算法特点 |
| 4.2.2 量子进化算法流程 |
| 4.3 改进量子进化算法及其在车间调度问题中的应用 |
| 4.3.1 量子编码及解码方案 |
| 4.3.2 量子更新 |
| 4.3.3 改进量子进化算法流程图设计 |
| 4.4 改进量子进化算法性能分析 |
| 4.4.1 算法求解质量分析 |
| 4.4.2 算法稳定性分析 |
| 4.5 本章小结 |
| 5 基于ATC的量子进化算法在大规模车间调度问题中的应用 |
| 5.1 静态调度问题 |
| 5.2 动态调度问题 |
| 5.3 系统界面搭建 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
四、量子进化算法的研究及其应用（论文参考文献）
- [1]城市服务设施空间动态配置模型与量子优化方法[D]. 周鑫鑫. 南京师范大学, 2021
- [2]流程工业调度模型与算法及其在造纸工业中的应用研究[D]. 党世红. 陕西科技大学, 2021(01)
- [3]基于在线序贯极限学习机的风电机组变桨系统异常检测方法[D]. 李强. 沈阳工业大学, 2020(01)
- [4]改进的量子进化算法及其在优化问题中的应用[D]. 王丹琴. 大连交通大学, 2019(08)
- [5]中小型仓配一体化企业库存需求预测与配送车辆路径优化[D]. 徐旦. 兰州交通大学, 2019(04)
- [6]基于无线传感器网络的目标覆盖方法研究[D]. 季铁辛. 哈尔滨工程大学, 2019(06)
- [7]参数自适应多目标和声搜索算法及其应用[D]. 万长京. 湖南大学, 2019(07)
- [8]电磁装置拓扑优化数值方法研究[D]. 李宜伦. 浙江大学, 2019(01)
- [9]氯碱生产过程多参数优化控制的研究[D]. 马浩天. 华北理工大学, 2019(01)
- [10]离散型制造企业APS中的大规模车间调度问题研究[D]. 彭星光. 西安理工大学, 2018(12)