一、混合SPMD模拟退火算法及其应用（论文文献综述）
姜惠文[1]（2021）在《基于数字孪生的车间调度管理系统构建》文中提出近年来制造技术正在向智能化的方向不断发展,而车间生产过程中的调度问题是智能制造的重要研究对象,针对于日益增长的智能化生产需求和车间生产效率要求,更加高效稳定且寻优性能更好的生产调度算法应当被提出。在目前的车间生产管理过程中,物理空间和信息空间缺乏互通,这无法满足智能化生产需求。数字孪生作为一种新的思想,它的出现为实现生产车间有效调度管理提供了新思路。基于上述观点,本文的主要研究内容如下:（1）本文针对蜜蜂进化型遗传算法进行改进,通过设置汉明距离来优化初始化种群,在选择操作中采用分阶段选择策略,在算法中加入种群舍弃算子,并将简化后的模拟退火操作融入到蜜蜂进化型遗传算法,最终提出一种名为融合模拟退火的改进蜜蜂进化型遗传算法。该算法很大程度上提高了传统蜜蜂进化型算法的全局搜索能力,增加了搜索的精度,同时避免了模拟退火算法的低效性,并通过经典的FT06问题和FT10问题进行仿真分析,验证了改进算法在作业车间调度问题中具有更好寻优性能及稳定性。（2）针对当前智能制造背景下车间调度过程的新要求和传统车间管理系统的不足,本文提出了一种基于WEB开发的数字孪生车间调度管理系统架构,并以此架构为基础,融合数字孪生思想和本文提出的新算法设计了车间调度管理系统并对于系统的核心功能模块进行开发测试。系统开发以JavaWeb技术为基础,它的主要功能包括对于车间人员信息的管理维护、调度信息参数的存储及调度方案生成、设备及传感器数据的管理、基于数字孪生的工厂可视化管理以及融入数字孪生思想的在线调度仿真。最终对于系统核心功能模块的测试证明了该管理系统的有效性。
马士青[2]（2021）在《基于自适应光学的混合腔板条固体激光器光束质量控制技术研究》文中提出基于混合腔的板条固体激光器具有效率高、结构紧凑、寿命长、全电运行等优点,然而由于工作过程中产生的废热会引起热畸变等不良热效应以及光学元件加工装调误差,导致输出光束波前发生畸变,限制了板条固体激光输出光束质量的提升。自适应光学是解决热畸变引入的波前像差,改善光束质量的有效手段,但基于波前传感的自适应光学依赖波前测量准确性,且系统结构相对复杂,不利于实现激光器系统的轻量化和小型化。基于优化算法的无波前光束净化系统,无需波前测量和重建,因而具有结构简单、体积小、重量轻、成本低等优点,能够有效地减小系统的体积和重量。无波前光束净化技术的性能受到选用的寻优算法的影响,目前常用的无波前寻优算法中综合性能最好是随机并行梯度下降算法（SPGD）。相较于有波前光束净化技术,该算法的校正速度较慢,算法性能对参数取值和指标选取非常敏感,并且算法速度随着优化控制参数数量的增加而逐渐变慢;同时,该算法全局搜索能力较差,算法容易收敛至局部极值。本文针对无波前光束净化的上述问题开展了研究,提出了两种高效的无波前优化算法,并设计开展了数值仿真和实验验证,取得了一系列成果。首先,本文对基于混合腔的板条固体激光器的结构进行介绍,利用波前重构算法分析激光器波前像差特性,并对无波前光束净化技术的基本原理和常用寻优算法进行分析研究,对无波前光束净化的数学模型进行推导,并搭建了一套无波前光束净化数值仿真系统。详细介绍了爬山法、遗传算法、粒子群算法、模拟退火算法和SPGD算法的基本原理和算法流程,并通过数值仿真系统对各算法的算法速度、校正效果和局部极值问题等性能进行比较,对比分析各算法的优缺点。研究发现,SPGD算法的综合性能最好,但其存在收敛至局部最优的缺陷,同时相较于有波前光束净化系统,校正速度较慢。其次,结合SPGD算法的原理分析和仿真试验,对限制算法性能的主要因素进行了推导和仿真,并提出针对性的改进策略。为了提升算法速度,提出了自适应增益系数的改进SPGD算法,该算法利用双向指标和自适应的调整增益系数的取值,能够有效提升算法收敛速度,同时避免了算法迭代过程中频繁修改参数设置的操作。在分析激光器各种光束性能指标对SPGD算法光束净化性能影响的基础上,论证了以理想光斑与待校正光斑图像矩阵的相关系数作为优化指标的可行性,再结合自适应增益系数的思想,提出了基于联合指标优化高效算法,该算法采用多指标联合指导迭代方向和步长,通过控制不同指标在不同迭代阶段的权重,实现高效收敛。为了避免算法陷入局部极值的问题,根据各算法特点,提出了基于粒子群算法和SPGD算法的混合优化算法,该算法结合了粒子群算法优秀的全局搜索能力和SPGD算法局部优化的特点,能够有效提升算法速度和收敛效果,增强SPGD算法的全局优化能力。随后,在自适应增益系数思想的启发下,通过引入搜索点的二阶梯度估计值,对迭代步长进行限制,提出了自适应梯度估计修正随机并行梯度下降（AGESPGD）算法,该算法采用二阶收敛的思想,可以加快收敛速度,同时有效抑制了传统SPGD算法收敛至局部极值的问题。最后,对上述提出的算法进行了仿真和实验验证。利用本文搭建无波前光束净化数值仿真系统对上述高效算法进行了仿真验证。仿真结果表明,较传统SPGD算法,联合指标优高效算法有效提升了算法收敛速度和校正效果,自适应梯度估计SPGD算法在提升速度的同时有效抑制了局部极值问题,并提升了算法对搜索步长的鲁棒性。最后搭建k W级混合腔Nd:YAG板条固体激光器光束净化实验系统,开展了无波前光束净化实验研究。首先对联合指标优化高效算法开展实验,实验结果表明,本文提出的高效算法的算法速度和校正效果都远超传统SPGD算法,校正效果媲美有波前光束净化系统,为实现轻小型板条激光器光束净化提供了新思路。随后对自适应梯度估计SPGD算法开展实验研究,该实验通过变形镜拟合实测像差作为输入波前像差,实验结果表明,与传统的SPGD方法相比,AGESPGD方法的校正效果略有提升,算法速度大幅提升。实验验证了该算法是一种高效可行的通用优化算法,有望应用于其他最优化问题的解决。
高学伟[3]（2021）在《数字孪生建模方法及其在热力系统优化运行中的应用研究》文中研究表明随着社会经济的飞速发展,我国产业结构优化调整和转型升级进程的深入,要实现未来“碳达峰,碳中和”的目标,需要建设清洁低碳、安全高效的现代能源体系。以风电和太阳能发电为代表的可再生能源替代作用日益突显,而火电机组在未来很长一段时间内仍将处于主导地位。亟需解决火电和可再生能源的协同发展问题,大型火电机组更多需要担负起高效节能、低碳环保、深度调频调峰的任务。实施电能替代供热对于推动能源消费革命、减少碳排放、促进能源清洁化意义重大。利用电锅炉储热供暖还可以降低电网调节压力,增加供热能力,有效解决可再生能源的消纳问题。火电机组热力系统和电锅炉储热供暖热力系统都属于典型的非线性、多参数、强耦合的复杂热力系统。本文通过研究流体网络机理建模和数据驱动建模相融合的数字孪生建模方法,为热力系统建模工作提供了新的思路和途径,为热力系统安全、环保和经济运行提供理论支撑。论文围绕数字孪生建模方法及其在热力系统优化运行中的应用,主要研究内容和成果包括以下几个方面:（1）对数字孪生理论、热力系统建模理论以及大数据处理等基本理论进行了研究。比较了数字孪生与仿真技术及信息物理系统的异同;以火力发电厂为例,研究了流体网络机理建模及求解方法;对Hadoop系统的MapReduce与Spark计算进行了对比分析,对实时数据处理Spark Streaming与Storm进行了对比分析,并搭建了适用于数字孪生及大数据在热力系统建模领域应用的大数据分布式集群平台;在该集群上实现了大数据的存储管理,以及大数据分布式计算,研究了基于大数据平台的数据驱动建模理论,包括支持向量回归建模、极限学习机建模、智能辨识优化算法以及即时学习等基本理论。（2）针对数据驱动建模方法的研究,提出一套基于改进即时学习策略的自适应数据驱动建模方法。采用“主成分+互信息”的方法获得输入和输出变量之间的相关程度,确定权重因子,然后利用“欧式距离+角度”定义一种加权综合相似度度量函数。在离线状态下,利用改进遗传模拟退火模糊聚类方法进行工况划分;进行工况预测时,采用一种多层次综合相似度度量的相似工况快速识别方法构建相似工况训练集,即根据两级搜索的策略实现了在线快速识别:初级识别是确定预测工况在历史工况库中所属的类别提取预测类工况,次级识别是采取基于综合相似度度量函数的相似工况识别方法,在历史数据库中针对预测类工况的快速识别;局部模型建模方法是在Spark计算框架下,对SparkSVMHPSO算法、Spark ELM算法以及基于SparkHPSO的多参数辨识等数据驱动建模方法进行研究。然后以SCR脱硝系统出口 NOx预测、电锅炉储热供热系统源侧及荷测负荷预测为案例,验证了所提出的建模方法有效性。为热力系统数字孪生模型建模及系统工况优化提供了理论支撑。（3）针对数据孪生建模的研究,提出一套改进即时学习策略的自适应数据驱动与机理模型多参数辨识协同融合的数字孪生建模方法。在建立热力系统机理模型的基础上,关键的设备模型参数利用多参数多工况拟合的离线智能辨识方法,得到可以模拟实际系统全工况下动态变化趋势的离线智能参数辨识模型;以离线智能参数孪生模型为主,根据相似度阈值进行判断,采用自适应模型参数更新策略,实现数字孪生模型的在线协同;为进一步提升孪生模型预测的精度和鲁棒性,采用移动窗格信息熵的多模型输出在线融合方法,提升关键工况以及动态变化过程的逼近程度。基于这一理论构建的数字孪生模型,能够基于系统运行数据持续进行自我修正,在线跟踪设备运行特性,从而具有自适应、自演进的智能化特点,能够全面反映系统的运行状态和性能,为系统工况迭代优化提供可靠的模型输入和结果校验工具。以燃煤电站SCR脱硝系统和电锅炉储热供热系统为研究对象,建立其热力系统数字孪生模型。（4）最后,基于数字孪生模型的实时跟踪能力,提出一种基于负荷分配和工况寻优的热力系统智能工况动态寻优策略。并以电锅炉储热供热系统为研究对象,根据能耗成本分析和负荷分配策略,利用数字孪生模型系统,对电网负荷、电锅炉系统、储热系统进行预测计算,模拟不同运行方案、不同工况下系统动态运行,得出最优的供热调节和负荷分配方案。以火力发电厂SCR脱硝系统为例,根据建立的自适应、自演进的智能化SCR脱硝系统数字孪生模型,将该模型应用于模型预测控制算法中。结果表明,利用基于数字孪生模型的自适应预测控制算法比传统的PID控制效果更精确,运行更稳定。证明了所提建模方法的有效性,具有重要的工程实用意义和行业示范价值。
王英伟[4]（2021）在《基于群体智能算法的神经网络优化与股指预测研究》文中认为度量和反映股票市场总体变动趋势的股票价格指数是经济发展的“晴雨表”,它不但能够准确反映经济运行的基本趋势,为政府对市场的调控监管提供依据,同时也是投资者判断经济前景的重要参考指标,为投资者做出合理投资决策提供指引,因此,对股票价格指数进行预测具有重要的理论和现实意义。本文以股指预测的建模及股指预测模型的实证分析为研究主题,每个股指预测模型包括数据预处理、特征提取、特征选择和基于神经网络的股指预测模型。综合学习粒子群优化算法是一种改进的粒子群优化算法,能够解决粒子群优化算法的早熟收敛问题。因此,本文在重点研究综合学习粒子群优化算法的基础上,提出四种改进的综合学习粒子群优化算法,并将其用于三个股指预测模型的特征选择算法和神经网络参数优化,以期获得更优的特征子集和精度更高的股指预测模型。本文具体研究内容和创新点如下:（1）股指预测模型Ⅰ:首先,基于随机扰动操作和模拟退火算法提出了一种综合学习粒子群和模拟退火混合算法,该方法能够扩大粒子个体最优解的探索区域,在算法迭代后期能够进一步提高算法的局部开发能力,提高算法收敛精度,解决了综合学习粒子群优化算法在迭代后期收敛速度慢的问题。通过各类型标准函数测试对比,本文提出的综合学习粒子群混合算法在函数优化精度方面显着提高;其次,在基于神经网络的股指预测模型中,将综合学习粒子群混合算法用于神经网络的权值和阈值优化问题中,神经网络超参数和输入特征长度采用二进制粒子群优化算法进行优化;最后,将基于随机森林的特征选择算法输出的最优特征子集和全部特征组成的特征集作为输入,分别用于四种神经网络股指预测模型。仿真结果显示,基于随机森林的特征选择算法和改进的综合学习粒子群混合算法优化的神经网络股指预测模型Ⅰ的精度最高。（2）股指预测模型Ⅱ:首先,提出了基于多目标二进制粒子群算法和神经网络的特征选择算法,多目标二进制粒子群优化算法同时用于特征选择和神经网络的超参数优化,仿真结果显示,和二进制粒子群特征选择算法及变异二进制粒子群特征选择算法相比,多目标优化算法能够有效降低神经网络的复杂度和最优特征的数量;其次,基于差分变异和拟牛顿法提出了一种综合学习粒子群和差分进化混合算法,该方法能够在算法初期提高粒子个体最优解的全局探索能力,在算法迭代后期提高了粒子的收敛精度,解决了综合学习粒子群优化算法迭代后期收敛速度慢的问题。通过各类型标准函数测试对比,本文提出的综合学习粒子群混合算法在函数优化精度方面显着提高。在此基础上,将综合学习粒子群混合算法用于神经网络的权值和阈值优化问题中,神经网络超参数和输入特征长度采用二进制粒子群优化算法进行优化;最后,将多目标二进制粒子群特征选择算法和二进制粒子群特征选择算法输出的最优特征子集和全部特征组成的特征集作为输入,分别用于四种神经网络股指预测模型。仿真结果显示,基于多目标二进制粒子群算法和神经网络的特征选择算法和改进的综合学习粒子群混合算法优化的神经网络股指预测模型Ⅱ预测精度最高。（3）股指预测模型Ⅲ:首先,提出了基于改进的多目标综合学习粒子群优化算法和支持向量回归的特征选择模型,仿真结果显示,和基于标准的多目标综合学习粒子群优化算法的特征选择模型相比,改进的算法能够有效降低最优特征子集中的特征数量;其次,基于柯西变异和高斯变异提出了多种群综合学习粒子群优化算法,通过引入全局探索子种群和局部开发子种群来平衡算法的全局探索能力和局部开发能力,并在两种子种群中分别引入柯西变异和高斯变异,以期对进化停滞的粒子实施变异策略,帮助粒子逃离局部最优解,提高种群多样性;最后,将两个特征选择算法得出的最优特征子集和全部特征组成的特征集作为输入,分别用于四种神经网络股指预测模型。仿真结果显示,基于改进的多目标粒子群优化算法的特征选择模型和改进的多种群综合学习粒子群优化算法优化的神经网络股指预测模型Ⅲ预测精度最高。（4）从三种股指预测模型的测试结果可以看出,股指预测模型Ⅱ在沪深300指数和富时100指数的预测结果中最优,股指预测模型Ⅰ在标准普尔500指数的测试结果中最优,股指预测模型Ⅲ在日经225指数的测试结果中最优。
缪杰[5]（2021）在《船舶不规则零件排样算法的研究》文中提出在世界能源短缺的今天,节约资源,提高资源利用效率,是全球制造业绕不开的话题。船舶制造业作为国家重要的基础制造业,消耗着大量的资源,板材是最大的资源消耗之一。目前,船舶制造企业通常采用人工套料的方式,这种方式依赖排样工作者的经验,阻碍了船舶制造业智能化的发展。同时,人工套料的方式导致了船用板材利用率低,造成了资源的浪费,国内的板材利用率明显低于日韩企业,而且“绿色造船”的新模式给船舶行业在资源利用率方面提出了更高的要求,要求采用先进的技术,实现节省资源和能源的目的。计算机辅助排样技术作为船舶工业设计、制造与生产中关键环节,对提高资源利用率、减少生产成本和降低劳动强度起到了重要的作用。所以,将计算机辅助排样技术应用到船舶生产过程中,是船舶制造业实现智能化和“绿色造船”模式的一个重要手段。因此,船舶套料问题的研究具有重要实际意义。船舶套料问题属于二维排样问题,又可分为规则排样问题和不规则排样问题,船舶零件大多数是不规则零件,所以本文主要对二维不规则零件排样问题的进行研究。首先确定了排样问题的类型,以最大化母板利用率为目标,以零件排放过程中的工艺约束和几何约束为约束条件,建立船体不规则零件排样问题的数学模型,采用了矢量图法表示不规则零件的形状,并采用CSV文件格式存储和读取图形的几何信息。在求解零件与母板的靠接关系时,提出了基于轨迹线法求解内接多边形的算法。考虑到船舶零件的几何特性,提出了基于pyclipper.Minkowski Sum法求解临界多边形来处理零件与零件间的位置关系。通过实验表明,该算法求解得到的母板利用率明显优于目前市面上流行的两款套料软件。基于TOPOS算法和左下原则策略,提出了混合启发式定位策略,建立3种定位准则,确定了待排零件在母板中最佳排放位置。接着分析了遗传算法和模拟退火算法的优缺点,提出了基于GA和SA的混合改进遗传算—模拟退火算法（HIGSAA）。HIGSAA的设计以GA为外层循环,SA为内层循环。对传统GA进行了改进,设计了“固定+随机”的初始种群创建方法和加权随机选择算子。SA作用在遗传变异操作后,以某一概率选择父母代、子代继承到下一代群体中,该个体进入下一迭代的遗传操作。最后通过基准算例对基于混合启发式算法的排样算法在HIGSAA算法优化下的排样效果进行了测试,验证了本文算法的可行性以及较好的效率。
彭子舜[6]（2020）在《Si IGBT/SiC MOSFET混合器件的开关控制策略及其应用研究》文中研究说明近年来,轨道交通、航空航天、军工核能等复杂与特殊应用场合对逆变器在功率密度、效率、容量、稳定及可靠性等方面提出更为苛刻的要求。然而,纯Si IGBT或SiC MOSFET均难以有效满足这些严格需求,限制了单一功率器件应用技术和相关产业的进一步发展。为有效解决这些瓶颈与难题,本论文巧妙结合Si IGBT和SiC MOSFET各自优势,采用由大容量Si IGBT和小容量SiC MOSFET并联组成的Si IGBT/SiC MOSFET混合器件结构（简称混合器件）,以突破单一功率器件现阶段存在的局限性,有效满足高效率、高功率密度、大容量以及高可靠逆变器的应用需求。本论文以混合器件为核心,以逆变器为应用背景,针对混合器件的功率损耗、电磁干扰（EMI）噪声以及故障后的冗余特性三个方面设计相应的高性能优化及控制方法。结合并联控制技术以及能量管理策略为高性能、高可靠模块化逆变系统的研制提供技术和理论支撑。论文的创新点以及研究成果主要为以下几个方面:（1）采用灰狼算法,设计反映逆变器平均功率损耗的适应值函数,提出针对混合器件的自适应损耗优化方法。建立基于器件物理特性的混合器件功率损耗模型,研究其内部延时时间与自身功率损耗之间的关系。针对最优延时时间难以获取的难题,本论文充分利用延时时间的灵活及可变性,从基于生物群体行为的自然启发式算法中选取性能优异的灰狼算法,结合反映逆变器平均功率损耗的适应值函数,最终提出适用于混合器件的自适应损耗优化方法。通过2kW对比实验可知,相比采用固定延时时间的逆变器功率损耗,所提自适应损耗优化方法能有效降低功率损耗6%以上。（2）研究混合器件在不同驱动模式下的EMI特性,分析逆变器应用背景下的最优开关频率曲线,提出适用于混合器件的EMI噪声抑制策略。首先,建立基于混合器件的Boost变换器高频仿真模型,分析混合器件在不同驱动模式以及驱动电阻下的传导EMI特性,为混合器件最优驱动电阻设计以及EMI噪声抑制策略提供理论基础。然后,针对混合器件因采用传统控制策略（驱动模式和开关频率恒定）而产生严重的EMI噪声问题,设计包含变开关模式和变开关频率策略的EMI噪声抑制策略,在不降低逆变器性能的前提下,实现该装置传导EMI噪声在150kHz～30MHz频段范围内有效降低,同时也能在30MHz～1GHz频段范围间接实现辐射EMI噪声有效降低。（3）分析混合器件故障后的冗余特性,设计针对混合器件的故障检测方法,提出适用于混合器件的冗余容错控制策略。当混合器件发生开路故障,过大的导通电流以及脉冲宽度变化将影响逆变器运行性能和可靠性,极大地限制了混合器件运行区间。为有效解决这一问题,首先通过分析混合器件故障后的运行特性,预测故障后逆变器运行性能的变化情况;然后,设计能够检测混合器件不同故障类型以及定位故障位置的功率器件故障检测方法;最后,提出由多种控制方式相结合的冗余容错控制策略,以防止基于混合器件的逆变器在开路故障后的性能以及可靠性下降。（4）结合以上优化及控制方法,研制基于混合器件的模块化逆变系统,以提高该模块化逆变系统故障前后的运行性能与可用性。首先,将自适应损耗优化方法、EMI噪声抑制策略和冗余容错控制策略结合到该模块化逆变系统中,并对自适应损耗优化方法中的粒子编码过程进行修改。然后,将基于虚拟阻抗的虚拟同步发电机控制策略以及合适的能量管理策略也应用到该模块化逆变系统中,以实现模块化逆变系统在健康状态下效率和电磁兼容能力的有效提升。在功率器件故障后,所提方案也能防止该系统的电能质量、效率以及可用性大幅下降。通过3kW实验可知,该模块化逆变系统在故障前后均能稳定且可靠运行;故障发生后,逆变单元效率高于98%、系统公共点电压谐波低于1.3%,且混合器件内部每个功率器件结温始终小于95°C。
蒋权威[7]（2020）在《多车场多车型车辆路径问题的改进猫群算法》文中指出经济的飞速增长为物流企业带来了很多机遇,规模不断增加,单车场和单车型的配送模式已经无法满足大规模的配送需求,因此,其服务模式也在不断变化。目前,多个车场和多种车型的服务模式的应用越来越广泛,而该问题的求解方法及求解能力还有较大的提升空间。考虑以上因素,对多车场多车型车路径问题的解决有着重要意义。为此,对车辆路径问题及其求解方法进行了梳理和总结,构建了数学模型;然后,提出了一种改进的猫群算法,用于寻找问题的解。（1）分析问题,建立模型。阐述了车辆路径问题的主要特性,制定了关于多车场多车型车辆路径问题及带时间窗和同时取送货的多车场多车型车辆路径问题数学模型。（2）设计和改进猫群算法。根据建立的数学模型以及车辆路径问题的特点,改进设计了猫群算法,包括该算法的编码方式、变异算子、搜寻模式、跟踪模式等,并制定了算法求解的具体步骤。（3）利用改进猫群算法求解具体问题。通过对两个问题的不同算例进行测试求解,并与其他算法的结果进行对比,验证了改进猫群算法的求解能力。（4）测试分析改进猫群算法的性能。首先分析了模拟退火算法对于猫群算法求解性能的影响;然后,通过设置不同的种群规模、记忆池容量和分组率,分析了不同参数值下的求解结果,从而确定了三组参数对改进猫群算法的求解性能的影响。结果表明,针对两个模型,相比于现有的求解方法,改进猫群算法具有更加优越的求解性能,其收敛速度更快,解的质量更高,稳定性更强。另外,该算法的参数分析结果表明,相比于种群规模和分组率,记忆池容量的变化对算法求解性能的影响更大。本研究为解决多车场多车型车辆路径问题提供了方案,也为利用智能算法求解复杂优化问题提供了参考。
谷晓琳[8]（2020）在《基于改进遗传算法的柔性作业车间调度问题的应用研究》文中认为制造业的发展水平反映了国家的生产力水平,生产车间调度是制造系统的基础,生产调度的优化是先进制造企业和现代制造技术的核心,是实现企业的生产高效率和高可靠性的关键技术。有效的车间调度方法和优化技术,对于制造类企业实现现代化具有重要的理论和实际意义。文中对各类柔性作业车间问题（Flexible Job-shop Scheduling Problem,FJSP）进行研究和探索,结合遗传算法和粒子群优化算法,对其进行改进和融合。共设计了三个优化算法,并开发了一个柔性作业车间调度问题的原型系统,为实际生产车间的调度问题提供理论指导和技术支持。针对单目标柔性作业车间调度问题,提出改进的变邻域搜索的分层遗传算法,求解总完工时间。在算法中,染色体采用双层编码结构,采用混合方法生成初始种群;将初始种群划分为N个子种群,在每个子种群中进行改进的遗传操作,将得到的寻优结果存储在精英库中,防止最优解的丢失;在精英库中采用自适应变邻域搜索,共设计了三种不同的邻域结构,迭代过程中自适应的选择优化效果好的邻域进行下一次的搜索,促进了邻域间的竞争,使具有更优秀搜索效果的邻域方法拥有更高概率用于算法的优化。针对多目标柔性作业车间调度问题,提出改进的遗传退火算法,将总完工时间、关键机器负荷和机器总负荷三个目标采用加权和的方法,将多目标问题转换为单目标问题。算法中,交叉过程采用改进的多父代工序交叉方法,多父代生成多子代,实现了基因的重组,加快了算法的收敛速度;在交叉和变异过程中及时更新最优个体库;对变异后的最优个体库进行模拟退火操作,通过退火机制进行细化搜索,避免了遗传算法陷入局部最优。充分利用模拟退火算法与遗传算法的优点,增强了遗传算法的局部搜索能力,提高了算法的效率。针对多目标柔性作业车间调度问题,其求解总完工时间、关键机器负荷和机器总负荷三个目标的Pareto最优解,提出自适应惯性权重的离散粒子群算法。算法在进化过程中应用离散粒子群算法直接在离散域内求解下一代染色体的值,位置的更新用的是遗传算法中的交叉和变异操作;并提出了一种自适应惯性权重的方法,根据粒子当前位置与全局最优位置的距离来调整惯性权重,有效平衡了算法的全局搜索和局部搜索能力。开发针对柔性作业车间调度问题的原型系统,用于对提出的优化算法进行仿真和研究,并给出优化结果。原型系统中可以对实际的车间问题和五组国际标准算例（5个Kacem问题,10个BRdata问题,21个BCdata问题,18个DPdata问题和66个HUdata问题）进行仿真实验,对得到的仿真结果进行测试和分析,仿真结果验证了文中提出的三个优化算法是可行且有效的。最后,对全文的研究内容和创新点进行了归纳和总结,并对今后的研究方向进行了展望。
张策[9]（2020）在《禁忌搜索的并行化及其应用》文中研究说明禁忌搜索算法作为众多优化算法中的一种,自1986年被Fred Glover教授提出,就因其独特的“记忆力”在智能算法中独树一帜,之后一直被众多学者研究与改进。禁忌搜索算法一直在与时俱进,其涉及到电子科学与技术等诸多学科,并被广泛应用于解决车辆路径问题、调度问题、网络路由问题、函数优化等问题且均取得了理想的效果。禁忌搜索算法是人工智能的一种体现,是对局部领域搜索的一种扩展,通过对国内外对禁忌搜索的研究现状可以看出,禁忌搜索最大的缺点在于,算法在解空间中的移动是单一的“串行移动”,不像其他智能算法具有内在并行性。本论文对串行禁忌搜索算法进行了深入的研究,介绍了算法的基本思想和关键参数的设置与选择。在此基础上,本论文针对串行禁忌搜索算法进行了改进,提出了并行禁忌搜索算法:首先,提出了并行策略,利用并行策略增加多个并行初始解,解决了串行禁忌搜索算法对初始解有较强依赖性这一不足之处,其主要思想为:主进程主要负责参数的初始化和将原始任务分解为若干个语义等同的子任务并发送数据给从进程;从进程主要负责接受来自主进程发送的数据,完成局部禁忌搜索计算并将结果回传给主进程;其次,添加了校正算子,有效取消了禁忌搜索算法邻域解存在盲区这一问题;然后,通过设计邻域收缩因子可自适应调整邻域空间,加强算法对优良解的搜索。对提出的并行禁忌搜索算法进行连续多峰函数寻优仿真实验,验证了算法的可行性和稳定性。人工神经网络是人工智能领域兴起的研究热点,其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,表现出了良好的智能特性。本论文针对前馈神经网络中应用最广、最具代表性的BP神经网络存在样本不能完全训练、易陷入局部极小点、泛化能力低和较强依赖初始解的问题,采用并行禁忌搜索算法去优化神经网络中网络各层的连接权值。利用MATLAB及其并行计算工具箱对语音信号特征识别分类问题和函数逼近问题进行仿真实验,通过对实验结果分析表明基于并行禁忌搜索算法优化的神经网络具有全局寻优能力强、收敛效率高、收敛性能好和鲁棒性强等特点。此外,还针对并行进程数目对并行效率的影响进行了验证与讨论,并行效率并不是盲目地随着并行进程数目的增加而增加,所以在处理实际问题时,应当根据问题的规模合理地选择进程数从而达到较高的并行效率。
陈文硕[10]（2018）在《综合孔径辐射计阵列排布优化并行算法研究》文中研究说明综合孔径辐射计是以干涉测量为基础的微波辐射接收机。它采用若干个以一定结构形式排布而成的天线阵列来等效合成一个大的接收口径。相比于传统的实孔径辐射计,综合孔径辐射计减少了体积与重量,无需机械扫描,并且提高了空间分辨率等探测性能。阵列排布优化是综合孔径辐射计的一项关键技术,阵列的排布形式很大程度上决定着最后的反演图像质量。用于阵列排布优化的启发式算法面临着求解精度与计算复杂度之间的矛盾,当阵列规模较大时,优化阵列的时间代价往往很高。因此,本文以此作为切入点,将并行计算技术引入到阵列排布优化之中。主要内容如下:针对搜索大阵元数低冗余线阵时间消耗过大的问题,本文以经典的粒子群算法作为基础,提出针对搜索低冗余线阵问题的一种有效的协同并行策略,并且充分利用一般低冗余线阵的结构信息,将并行粒子群算法运用到搜索大阵元数的低冗余线阵之中。本文实验将采用不同核心数的并行算法做了对比,实验结果表明了该并行算法的可行性及效果。寻找最优灵敏度阵列也是阵列优化中比较重要的问题,优化阵列的灵敏度同样经常面临着时间代价过高的问题。本文提出了用于搜索最优灵敏度阵的一种并行模拟退火算法,并且基于该算法的原理,进一步提出自适应并行模拟退火算法,即借助算法执行过程中各进程通信的契机,将当前计算结果进行反馈以调整算法的降温速率。实验结果表明了并行模拟退火算法以及进一步的改进方法对搜索最优灵敏度阵的效率提升的效果。
二、混合SPMD模拟退火算法及其应用（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、混合SPMD模拟退火算法及其应用（论文提纲范文）
（1）基于数字孪生的车间调度管理系统构建（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及发展趋势 |
| 1.2.1 车间生产调度问题的研究现状 |
| 1.2.2 数字孪生及车间管理系统的发展现状 |
| 1.3 本文主要研究内容与章节安排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文章节安排 |
| 第二章 车间调度问题描述及相关算法 |
| 2.1 车间调度问题描述 |
| 2.1.1 车间调度问题分类 |
| 2.1.2 车间调度问题特点 |
| 2.2 蜜蜂进化型遗传算法 |
| 2.2.1 算法背景及生物学基础 |
| 2.2.2 蜜蜂进化型遗传算法模型及流程 |
| 2.2.3 蜜蜂进化型遗传算法应用及改进现状 |
| 2.3 模拟退火算法 |
| 2.3.1 模拟退火算法概述 |
| 2.3.2 Metropolis准则 |
| 2.3.3 模拟退火算法结构及流程 |
| 第三章 融合模拟退火的改进蜜蜂进化型遗传算法在车间调度中的应用 |
| 3.1 引言 |
| 3.2 JSP问题模型构建 |
| 3.2.1 调度约束条件 |
| 3.2.2 调度数学模型 |
| 3.3 融合模拟退火改进蜜蜂型遗传算法 |
| 3.3.1 算法提出背景 |
| 3.3.2 算法改进设计 |
| 3.3.3 SABIBEGA算法流程 |
| 3.4 改进算法求解JSP问题 |
| 3.4.1 染色体编码与解码 |
| 3.4.2 目标函数选择及参数设置 |
| 3.5 仿真验证 |
| 3.6 本章小结 |
| 第四章 基于数字孪生的车间调度管理系统设计与核心功能实现 |
| 4.1 引言 |
| 4.2 基于数字孪生思想的车间调度管理系统的整体设计 |
| 4.2.1 架构模型 |
| 4.2.2 架构在车间管理过程中的实施 |
| 4.2.3 系统框架选择 |
| 4.2.4 系统核心功能模块 |
| 4.2.5 系统数据保障层设计 |
| 4.3 系统核心功能实现 |
| 4.3.1 车间信息管控模块 |
| 4.3.2 基于数字孪生的可视化监控模块 |
| 4.3.3 在线调度模块 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）基于自适应光学的混合腔板条固体激光器光束质量控制技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 固体激光器的研究进展 |
| 1.2.1 激光原理概述 |
| 1.2.2 固体激光器结构 |
| 1.2.3 限制固体激光器的因素 |
| 1.2.4 提升固体激光器性能的方法 |
| 1.3 自适应光学光束净化技术概述 |
| 1.4 无波前光束净化系统 |
| 1.4.1 无波前光束净化基本原理 |
| 1.4.2 无波前光束净化系统存在的问题 |
| 1.5 论文研究内容及结构 |
| 第2章 混合腔板条固体激光器结构及像差特性分析 |
| 2.1 脉冲板条固体激光器结构 |
| 2.2 板条固体激光器像差测量及特性分析 |
| 2.2.1 波前像差重构算法 |
| 2.2.2 系统像差特性分析 |
| 2.3 基于自适应光学的板条固体激光器光束净化仿真研究 |
| 2.4 小结 |
| 第3章 板条固体激光器无波前光束净化系统模型及常用算法介绍 |
| 3.1 无波前寻优算法性能评价指标 |
| 3.2 常用的无波前寻优算法介绍 |
| 3.2.1 爬山法 |
| 3.2.2 遗传算法 |
| 3.2.3 粒子群算法 |
| 3.2.4 模拟退火算法 |
| 3.2.5 随机并行梯度下降算法 |
| 3.3 无波前光束净化系统模型 |
| 3.3.1 无波前光束净化数学模型 |
| 3.3.2 无波前光束净化系统数值仿真模型 |
| 3.3.3 各无波前寻优算法仿真试验结果 |
| 3.3.4 讨论与分析 |
| 3.4 小结 |
| 第4章 无波前光束净化高效寻优算法理论研究 |
| 4.1 引言 |
| 4.2 基于SPGD算法的高效寻优算法研究 |
| 4.2.1 优化参数数目对SPGD算法的影响 |
| 4.2.2 自适应增益系数SPGD算法 |
| 4.2.3 基于联合指标优化的高效SPGD算法 |
| 4.2.4 自适应梯度估计SPGD算法 |
| 4.2.5 基于粒子群算法和SPGD算法的混合优化算法 |
| 4.3 小结 |
| 第5章 kW级混合腔板条固体激光无波前光束净化实验研究 |
| 5.1 k W级混合腔Nd:YAG板条固体激光器光束净化实验系统设计 |
| 5.1.1 搭建无波前光束净化实验系统 |
| 5.1.2 远场成像系统的噪声分析 |
| 5.2 高效无波前寻优算法验证实验 |
| 5.2.1 联合指标优化高效算法实验研究 |
| 5.2.2 自适应梯度估计SPGD算法原理实验研究 |
| 5.3 小结与讨论 |
| 第6章 总结与展望 |
| 6.1 本文的主要研究内容 |
| 6.2 本文的主要创新点 |
| 6.3 后续工作的展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）数字孪生建模方法及其在热力系统优化运行中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号及缩写表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 能源电力发展背景与现状 |
| 1.1.2 智能控制优化研究现状 |
| 1.2 热力系统建模仿真及大数据技术研究现状 |
| 1.2.1 热力系统建模研究现状 |
| 1.2.2 电力大数据及其发展现状 |
| 1.2.3 热力系统仿真技术发展背景 |
| 1.3 数字孪生技术的应用现状及关键技术 |
| 1.3.1 数字孪生的应用发展现状 |
| 1.3.2 数字孪生研究的关键技术 |
| 1.3.3 数字孪生发展面临的挑战 |
| 1.4 论文的研究内容 |
| 第2章 大数据背景下的数字孪生与热力系统建模理论 |
| 2.1 数字孪生的基本理论 |
| 2.1.1 数字孪生的定义与内涵 |
| 2.1.2 数字孪生与仿真技术之间的关系 |
| 2.1.3 数字孪生与信息物理系统之间的关系 |
| 2.2 热力系统建模理论与方法 |
| 2.2.1 流体网络机理建模理论与方法 |
| 2.2.2 数据驱动建模理论与方法 |
| 2.3 大数据的基本理论 |
| 2.3.1 大数据平台框架及相关技术 |
| 2.3.2 大数据存储管理与预处理方法 |
| 2.3.3 大数据分布式集群平台构建 |
| 2.4 本章小结 |
| 第3章 基于改进即时学习策略的自适应数据驱动建模方法研究 |
| 3.1 基于改进即时学习策略的自适应数据驱动建模方法 |
| 3.1.1 建模思路 |
| 3.1.2 基于改进遗传模拟退火算法的模糊聚类工况划分 |
| 3.1.3 基于多层次综合相似度度量的相似工况识别 |
| 3.1.4 基于Spark平台的数据驱动局部模型建模 |
| 3.2 SCR脱硝系统数据驱动建模应用案例 |
| 3.2.1 建模对象及背景介绍 |
| 3.2.2 数据预处理和相似工况选取 |
| 3.2.3 局部建模过程及结果分析 |
| 3.3 电锅炉供热系统荷侧和源侧负荷预测建模应用案例 |
| 3.3.1 建模对象及背景介绍 |
| 3.3.2 荷侧供热负荷预测模型 |
| 3.3.3 源侧电负荷预测 |
| 3.4 本章小结 |
| 第4章 热力系统数字孪生建模理论及应用 |
| 4.1 热力系统数字孪生建模思路 |
| 4.1.1 数字孪生建模方法的提出 |
| 4.1.2 数字孪生模型的构建方法及流程 |
| 4.2 数字孪生机理模型的构建 |
| 4.2.1 管路模型 |
| 4.2.2 调节阀模型 |
| 4.2.3 离心水泵模型 |
| 4.2.4 换热器模型 |
| 4.3 数字孪生模型的协同与融合理论 |
| 4.3.1 数字孪生模型离线智能参数辨识 |
| 4.3.2 数字孪生模型参数在线自适应协同 |
| 4.3.3 基于移动窗格信息熵的多模型输出在线融合 |
| 4.4 数字孪生建模实例分析 |
| 4.4.1 脱硝系统数字孪生模型的建立 |
| 4.4.2 供热系统数字孪生模型的建立 |
| 4.5 本章小结 |
| 第5章 基于热力系统数字孪生模型的节能控制优化 |
| 5.1 基于数字孪生模型的智能工况动态寻优 |
| 5.1.1 热力系统智能工况动态寻优策略 |
| 5.1.2 基于数字孪生模型的供热储热系统智能工况动态寻优 |
| 5.2 基于数字孪生模型的自适应预测控制优化 |
| 5.2.1 基于数字孪生模型的预测控制算法 |
| 5.2.2 基于数字孪生模型预测控制的喷氨量优化 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要研究工作及成果 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（4）基于群体智能算法的神经网络优化与股指预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 问题提出及意义 |
| 1.1.1 问题提出 |
| 1.1.2 研究意义 |
| 1.2 研究内容及结构安排 |
| 1.3 研究思路与方法 |
| 1.4 创新与不足 |
| 第2章 相关工作 |
| 2.1 神经网络 |
| 2.1.1 神经元模型 |
| 2.1.2 神经网络结构 |
| 2.1.3 神经网络学习算法 |
| 2.2 后向传播神经网络 |
| 2.3 国外文献综述 |
| 2.4 国内文献综述 |
| 2.5 已有研究局限性评述 |
| 2.6 本章小结 |
| 第3章 基于改进的综合学习粒子群混合算法优化的股指预测模型Ⅰ |
| 3.1 基于随机森林的特征选择算法 |
| 3.2 粒子群优化算法 |
| 3.2.1 标准粒子群优化算法 |
| 3.2.2 综合学习粒子群优化算法 |
| 3.3 改进的综合学习粒子群和模拟退火混合算法 |
| 3.3.1 模拟退火算法 |
| 3.3.2 变异策略 |
| 3.3.3 改进的综合学习粒子群和模拟退火混合算法 |
| 3.4 实验结果及分析 |
| 3.5 基于改进的综合学习粒子群和模拟退火混合算法的神经网络参数优化 |
| 3.5.1 技术指标 |
| 3.5.2 基于改进的综合学习粒子群和模拟退火混合算法的股指预测模型 |
| 3.5.3 实验结果及分析 |
| 3.6 本章小结 |
| 第4章 基于改进的综合学习粒子群混合算法优化的股指预测模型Ⅱ |
| 4.1 多目标二进制粒子群算法 |
| 4.1.1 二进制粒子群优化算法 |
| 4.1.2 多目标优化算法 |
| 4.1.3 多目标二进制粒子群优化算法 |
| 4.2 多目标二进制粒子群特征选择算法和模糊决策 |
| 4.2.1 MOBPSO-BPNN特征选择算法 |
| 4.2.2 模糊决策 |
| 4.3 实验结果及分析 |
| 4.4 改进的综合学习粒子群和差分进化混合算法 |
| 4.5 实验结果及分析 |
| 4.6 比较两种改进的综合学习粒子群优化算法 |
| 4.7 基于改进的综合学习粒子群和差分进化混合算法的神经网络参数优化 |
| 4.7.1 基于改进的综合学习粒子群和差分进化混合算法的股指预测模型 |
| 4.7.2 实验结果及分析 |
| 4.8 本章小结 |
| 第5章 基于改进的多种群综合学习粒子群算法优化的股指预测模型Ⅲ |
| 5.1 支持向量回归模型 |
| 5.2 改进的多目标综合学习粒子群算法 |
| 5.3 基于改进的多目标综合学习粒子群特征选择算法 |
| 5.4 测试结果及分析 |
| 5.5 改进的多种群综合学习粒子群算法 |
| 5.5.1 粒子变异策略 |
| 5.5.2 算法流程 |
| 5.6 实验结果及分析 |
| 5.7 基于改进的多种群综合学习粒子群算法的神经网络参数优化 |
| 5.7.1 基于改进的多种群综合学习粒子群算法的股指预测模型 |
| 5.7.2 实验结果及分析 |
| 5.8 三种股指预测模型比较 |
| 5.9 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表论文以及参加科研情况 |
（5）船舶不规则零件排样算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 排样问题研究的背景及意义 |
| 1.2 排样问题的类型 |
| 1.3 国外与国内研究状况 |
| 1.3.1 国外研究状况 |
| 1.3.2 国内研究状况 |
| 1.4 主要研究内容和论文构架 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文构架 |
| 2 图形预处理和相关几何原理 |
| 2.1 引言 |
| 2.2 零件的几何表达 |
| 2.2.1 栅格法(像素法) |
| 2.2.2 图像法 |
| 2.2.3 包络拟合法 |
| 2.2.4 矢量图法 |
| 2.3 几何信息的读取 |
| 2.4 多边形计算几何原理 |
| 2.4.1 多边形面积的计算和顶点逆时针化 |
| 2.4.2 多边形的平移与旋转 |
| 2.4.3 判断点是否在线段上 |
| 2.4.4 判断两线段是否相交 |
| 2.4.5 判断点是否在多边形内 |
| 2.5 本章小结 |
| 3 临界多边形和定位策略在二维不规则排样问题中的研究 |
| 3.1 引言 |
| 3.2 临界多边形(No-fit Polygon)算法的定义 |
| 3.3 临界多边形的构造 |
| 3.3.1 基于轨迹线的临界多边形的构造 |
| 3.3.2 基于NFP的内部临界多边形(Inner-fit Polygon)的构造 |
| 3.3.3 基于pyclipper.Minkowski Sum的两图形相切空间的求解 |
| 3.3.4 混合算法实验结果 |
| 3.4 混合定位策略的研究 |
| 3.4.1 启发式算法的介绍 |
| 3.4.2 混合TOPOS和左下原则排放策略研究 |
| 3.5 本章小节 |
| 4 混合改进遗传—模拟退火算法在二维不规则排样问题中的应用研究 |
| 4.1 前言 |
| 4.2 遗传算法和模拟退火算法简介 |
| 4.2.1 遗传算法 |
| 4.2.2 模拟退火算法 |
| 4.3 基于混合改进遗传—模拟退火算法的排样优化算法研究 |
| 4.3.1 基本原理 |
| 4.3.2 编码方式的设计 |
| 4.3.3 个体适应度的设计 |
| 4.3.4 初始种群的创建 |
| 4.3.5 选择算子的设计 |
| 4.3.6 交叉算子的设计 |
| 4.3.7 变异算子的设计 |
| 4.3.8 模拟退火算法的设计 |
| 4.4 本章小结 |
| 5 算法实验与分析 |
| 5.1 前言 |
| 5.2 算例仿真与分析 |
| 5.3 HIGSAA算法收敛曲线 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（6）Si IGBT/SiC MOSFET混合器件的开关控制策略及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 Si IGBT的发展现状 |
| 1.1.2 Si C MOSFET的发展现状 |
| 1.1.3 混合器件的提出 |
| 1.2 混合器件关键技术问题研究现状 |
| 1.2.1 混合器件功率损耗优化研究 |
| 1.2.2 混合器件EMI噪声抑制研究 |
| 1.2.3 混合器件冗余研究 |
| 1.3 混合器件应用研究现状 |
| 1.4 混合器件发展存在的不足 |
| 1.5 本文主要研究内容与章节安排 |
| 1.5.1 主要研究内容 |
| 1.5.2 章节安排 |
| 第2章 混合器件的损耗优化方法研究 |
| 2.1 引言 |
| 2.2 混合器件原理及特性分析 |
| 2.2.1 混合器件开关模式分析 |
| 2.2.2 混合器件静态特性分析 |
| 2.2.3 混合器件功率损耗分析 |
| 2.2.4 传统方法存在的挑战 |
| 2.3 自适应损耗优化方法设计 |
| 2.3.1 自然启发式算法基本概念 |
| 2.3.2 自然启发式算法描述 |
| 2.3.3 适应值函数设计 |
| 2.3.4 粒子编码 |
| 2.3.5 自适应损耗优化方法总框架 |
| 2.4 实验测试及验证 |
| 2.4.1 不同算法性能对比 |
| 2.4.2 实验平台搭建 |
| 2.4.3 实验对比和验证 |
| 2.5 小结 |
| 第3章 混合器件的EMI噪声抑制策略研究 |
| 3.1 引言 |
| 3.2 基于混合器件的Boost变换器高频模型设计 |
| 3.2.1 Si IGBT高频仿真模型 |
| 3.2.2 SiC MOSFET高频仿真模型 |
| 3.2.3 SiC SBD高频仿真模型 |
| 3.2.4 LISN高频仿真模型 |
| 3.2.5 高频模型仿真验证 |
| 3.3 混合器件的传导EMI特性分析 |
| 3.3.1 传导EMI噪声传播路径研究 |
| 3.3.2 混合器件开关频谱研究 |
| 3.3.3 驱动模式和驱动电阻对EMI噪声的影响 |
| 3.4 EMI噪声抑制策略研究 |
| 3.4.1 变开关模式策略 |
| 3.4.2 变开关频率策略 |
| 3.4.3 EMI噪声抑制策略 |
| 3.5 EMI噪声抑制策略实验验证 |
| 3.5.1 最优控制参数获取 |
| 3.5.2 单相逆变器的传导EMI抑制实验 |
| 3.5.3 三相逆变器的传导EMI抑制实验 |
| 3.5.4 辐射EMI抑制实验 |
| 3.6 小结 |
| 第4章 混合器件的冗余容错控制策略研究 |
| 4.1 引言 |
| 4.2 混合器件故障后的容错拓扑分析 |
| 4.2.1 开路故障后的容错拓扑分析 |
| 4.2.2 短路故障后的容错拓扑分析 |
| 4.3 冗余容错控制策略设计 |
| 4.3.1 故障检测方法 |
| 4.3.2 冗余容错控制策略原理 |
| 4.3.3 故障后实施方案及步骤 |
| 4.4 实验测试及验证 |
| 4.4.1 故障后混合器件温升研究 |
| 4.4.2 故障检测及冗余容错控制策略验证 |
| 4.5 小结 |
| 第5章 基于混合器件的模块化逆变系统应用研究 |
| 5.1 引言 |
| 5.2 基于混合器件的模块化逆变系统特性分析 |
| 5.2.1 拓扑结构分析 |
| 5.2.2 并联运行特性分析 |
| 5.3 并联控制策略原理 |
| 5.3.1 VSG控制策略基本原理 |
| 5.3.2 虚拟阻抗环节 |
| 5.3.3 引入虚拟阻抗的VSG控制策略设计 |
| 5.4 故障前后能量管理策略 |
| 5.5 模块化逆变系统总控制框图 |
| 5.5.1 电路拓扑和控制模块 |
| 5.5.2 优化模块 |
| 5.6 模块化逆变系统实验验证 |
| 5.6.1 计算成本研究 |
| 5.6.2 损耗优化及EMI噪声抑制验证 |
| 5.6.3 故障前后逆变单元性能验证 |
| 5.6.4 故障前并联运行实验验证 |
| 5.6.5 故障后并联运行实验验证 |
| 5.7 小结 |
| 总结与展望 |
| 参考文献 |
| 附录A 攻读博士期间的主要成果 |
| 致谢 |
（7）多车场多车型车辆路径问题的改进猫群算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 多车场车辆路径问题研究 |
| 1.2.2 多车型车辆路径问题研究 |
| 1.2.3 多车场多车型车辆路径问题研究 |
| 1.2.4 带时间窗的车辆路径问题研究 |
| 1.2.5 同时取送货的车辆路径问题研究 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 车辆配送路径问题研究概述 |
| 2.1 车辆路径问题的基本概念 |
| 2.2 车辆路径问题的构成要素 |
| 2.3 车辆路径问题的基本类型 |
| 2.4 车辆路径问题的求解方法 |
| 2.4.1 精确算法 |
| 2.4.2 启发式算法 |
| 2.5 小结 |
| 第三章 多车场多车型车辆路径问题模型构建 |
| 3.1 多车场多车型车辆路径问题模型 |
| 3.1.1 问题描述 |
| 3.1.2 问题假设 |
| 3.1.3 参数描述 |
| 3.1.4 目标函数 |
| 3.1.5 约束条件 |
| 3.2 带时间窗和同时取送货的多车场多车型车辆路径问题模型 |
| 3.2.1 问题描述 |
| 3.2.2 问题假设 |
| 3.2.3 参数描述 |
| 3.2.4 目标函数 |
| 3.2.5 约束条件 |
| 3.3 小结 |
| 第四章 设计改进猫群算法 |
| 4.1 猫群算法概述 |
| 4.2 猫群算法理论基础 |
| 4.3 多车场多车型车辆路径问题的改进猫群算法设计 |
| 4.3.1 编码解码及适应度计算 |
| 4.3.2 初始化种群 |
| 4.3.3 变异算子 |
| 4.3.4 搜寻模式 |
| 4.3.5 跟踪模式 |
| 4.3.6 模拟退火算法 |
| 4.3.7 改进猫群算法的流程 |
| 4.3.8 改进猫群算法参数 |
| 4.4 带时间窗和同时取送货的车辆路径问题的改进猫群算法设计 |
| 4.4.1 路径检测 |
| 4.4.2 路径调整 |
| 4.4.3 解码及适应度计算 |
| 4.5 小结 |
| 第五章 算例求解与算法分析 |
| 5.1 多车场多车型车辆路径问题求解 |
| 5.1.1 参数设置 |
| 5.1.2 算例求解 |
| 5.1.3 算法对比 |
| 5.1.4 算法分析 |
| 5.1.5 算法参数分析 |
| 5.2 带时间窗和同时取送货的多车场多车型车辆路径问题求解 |
| 5.2.1 参数设置 |
| 5.2.2 算例求解 |
| 5.2.3 算法对比 |
| 5.2.4 算法分析 |
| 5.2.5 算法参数分析 |
| 5.3 求解总结 |
| 5.4 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 学位论文数据集 |
（8）基于改进遗传算法的柔性作业车间调度问题的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的选题背景及意义 |
| 1.2 调度问题综述 |
| 1.2.1 生产调度问题 |
| 1.2.2 调度问题的分类和特点 |
| 1.2.3 调度问题的研究方法 |
| 1.3 柔性作业车间调度问题 |
| 1.3.1 柔性作业车间调度问题模型 |
| 1.3.2 柔性作业车间调度问题评价指标 |
| 1.3.3 柔性作业车间调度问题研究现状 |
| 1.3.4 柔性作业车间调度问题现有研究中存在的问题 |
| 1.4 遗传算法 |
| 1.4.1 遗传算法的基本思想 |
| 1.4.2 遗传算法的特点 |
| 1.4.3 遗传算法的相关参数 |
| 1.4.4 遗传算法的基本步骤 |
| 1.4.5 遗传算法的改进 |
| 1.5 粒子群算法 |
| 1.5.1 基本粒子群算法 |
| 1.5.2 粒子群算法的改进 |
| 1.5.3 粒子群算法的应用 |
| 1.5.4 粒子群算法的研究现状 |
| 1.6 遗传算法与粒子群算法之间的比较 |
| 1.7 本文的研究内容及论文结构 |
| 本章小结 |
| 第二章 改进的变邻域搜索的分层遗传算法 |
| 2.1 变邻域搜索 |
| 2.2 改进变邻域搜索的分层遗传算法 |
| 2.2.1 FJSP编码和解码 |
| 2.2.2 种群初始化 |
| 2.2.3 改进的遗传操作 |
| 2.2.4 自适应变邻域搜索的设计 |
| 2.3 自适应变邻域搜索的分层遗传算法的流程 |
| 2.4 仿真算例分析 |
| 本章小结 |
| 第三章 改进的遗传退火算法 |
| 3.1 多目标优化问题 |
| 3.2 模拟退火算法 |
| 3.2.1 模拟退火的原理 |
| 3.2.2 模拟退火算法 |
| 3.3 IGA算法描述 |
| 3.3.1 编码和解码 |
| 3.3.2 初始化种群 |
| 3.3.3 交叉操作 |
| 3.3.4 变异操作 |
| 3.4 算法流程 |
| 3.5 仿真与分析 |
| 3.5.1 实际车间数据仿真 |
| 3.5.2 Kacem算例 |
| 3.5.3 BRdata算例 |
| 本章小结 |
| 第四章 改进的离散粒子群-遗传算法 |
| 4.1 多目标优化问题 |
| 4.2 FJSP问题的描述及调度目标 |
| 4.3 粒子群算法 |
| 4.3.1 基本粒子群算法 |
| 4.3.2 离散粒子群算法 |
| 4.4 自适应惯性权重的离散粒子群算法 |
| 4.4.1 编码和解码 |
| 4.4.2 初始化种群 |
| 4.4.3 PSO位置更新方法 |
| 4.4.4 自适应惯性权重的计算 |
| 4.4.5 Pareto最优非支配前沿的求解 |
| 4.5 DPSO-AIW算法步骤 |
| 4.6 算法复杂度分析 |
| 4.7 实验结果 |
| 4.8 参数敏感度分析 |
| 本章小结 |
| 第五章 柔性作业车间调度问题原型系统 |
| 5.1 系统总体设计 |
| 5.1.1 原型系统的开发环境 |
| 5.1.2 系统体系结构 |
| 5.2 案例分析 |
| 5.2.1 实际车间案例 |
| 5.2.2 国际标准算例 |
| 5.3 算法优化的实现过程 |
| 本章小结 |
| 结论 |
| 展望 |
| 创新点 |
| 参考文献 |
| 附录 部分仿真结果 |
| 攻读博士学位期间发表论文情况 |
| 攻读博士学位期间参与的科研课题 |
| 致谢 |
（9）禁忌搜索的并行化及其应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的与主要内容 |
| 1.3 研究意义 |
| 1.4 研究方法 |
| 第2章 串行禁忌搜索算法 |
| 2.1 引言 |
| 2.2 串行禁忌搜索基本思想 |
| 2.3 关键参数说明 |
| 2.4 发展及国内外的研究现状 |
| 2.4.1 理论研究 |
| 2.4.2 应用研究 |
| 第3章 并行禁忌搜索算法 |
| 3.1 并行禁忌搜索的分类 |
| 3.2 并行禁忌搜索算法 |
| 3.3 并行禁忌搜索算法的改进 |
| 3.3.1 自适应搜索策略 |
| 3.3.2 校正算子 |
| 3.4 并行编程模式 |
| 3.5 并行编程环境 |
| 3.6 并行计算性能评测 |
| 3.7 算法测试 |
| 3.7.1 测试函数 |
| 3.7.2 测试结果 |
| 第4章 基于并行禁忌搜索优化的神经网络学习算法 |
| 4.1 神经网络 |
| 4.1.1 基本概念 |
| 4.1.2 神经网络选择 |
| 4.2 神经网络学习算法 |
| 4.3 基于并行禁忌搜索的神经网络学习算法 |
| 4.3.1 神经网络结构 |
| 4.3.2 训练算法设计 |
| 4.4 小结 |
| 第5章 并行禁忌搜索算法在神经网络优化中的应用 |
| 5.1 在语音信号特征识别分类问题中的应用 |
| 5.1.1 引言 |
| 5.1.2 实验数据 |
| 5.1.3 神经网络模型 |
| 5.1.4 学习算法初始值设置 |
| 5.1.5 实验结果与分析 |
| 5.2 在函数逼近问题中的应用 |
| 5.2.1 引言 |
| 5.2.2 实验数据 |
| 5.2.3 神经网络模型 |
| 5.2.4 学习算法初始值设置 |
| 5.2.5 实验结果与分析 |
| 5.3 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 申请学位期间的研究成果及发表的学术论文 |
（10）综合孔径辐射计阵列排布优化并行算法研究（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 |
| 1.3 论文的研究内容及结构安排 |
| 2 综合孔径辐射计测量基本原理与阵列优化基础 |
| 2.1 综合孔径辐射计干涉测量基本理论 |
| 2.2 综合孔径辐射计天线阵列关键参数 |
| 2.3 阵列排布优化算法简述 |
| 2.4 本章小结 |
| 3 基于并行粒子群算法的低冗余线阵优化 |
| 3.1 低冗余线阵结构分析 |
| 3.2 粒子群优化算法及并行策略 |
| 3.3 实验及结果分析 |
| 3.4 本章小结 |
| 4 基于并行模拟退火算法的最优灵敏度线阵优化 |
| 4.1 最优灵敏度阵列排列方法 |
| 4.2 模拟退火算法及并行策略 |
| 4.3 实验及结果分析 |
| 4.4 本章小结 |
| 5 总结及展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
四、混合SPMD模拟退火算法及其应用（论文参考文献）
- [1]基于数字孪生的车间调度管理系统构建[D]. 姜惠文. 北京邮电大学, 2021(01)
- [2]基于自适应光学的混合腔板条固体激光器光束质量控制技术研究[D]. 马士青. 中国科学院大学(中国科学院光电技术研究所), 2021(08)
- [3]数字孪生建模方法及其在热力系统优化运行中的应用研究[D]. 高学伟. 华北电力大学(北京), 2021(01)
- [4]基于群体智能算法的神经网络优化与股指预测研究[D]. 王英伟. 辽宁大学, 2021(02)
- [5]船舶不规则零件排样算法的研究[D]. 缪杰. 大连理工大学, 2021(01)
- [6]Si IGBT/SiC MOSFET混合器件的开关控制策略及其应用研究[D]. 彭子舜. 湖南大学, 2020(02)
- [7]多车场多车型车辆路径问题的改进猫群算法[D]. 蒋权威. 浙江工业大学, 2020(02)
- [8]基于改进遗传算法的柔性作业车间调度问题的应用研究[D]. 谷晓琳. 大连交通大学, 2020(05)
- [9]禁忌搜索的并行化及其应用[D]. 张策. 天津职业技术师范大学, 2020(08)
- [10]综合孔径辐射计阵列排布优化并行算法研究[D]. 陈文硕. 华中科技大学, 2018(06)