一、Dijkstra算法的一个改进（论文文献综述）
李海啸[1]（2021）在《面向智能工厂的无线传感器网络定位技术研究》文中指出随着传感技术、无线通信技术、嵌入式技术、分布式处理技术和微电子技术等快速发展和成熟,无线传感器网络应运而生并广泛应用在智慧医疗、智能交通、军事侦查、智能家居、绿色环保、智能工业等领域。无线传感器网络由大量传感器节点组成,形成一个自组织、可扩展、点到点通信、多跳传输的无线网络,通过环境感知、信息融合和数据传输,将大量感知信息传递给观测者。在无线传感器网络的众多应用中,感知信息不仅仅包括感知数据,还应包括感知数据所在的具体位置信息,没有具体位置信息的感知数据是毫无意义的,因此节点定位技术是无线传感器网络的重要的、基础性的技术之一。而以无线传感器网络为主体的泛在感知计算网络是智能工厂的重要感知和监测基础。在智能工厂中,决策者或智能分析系统能够准确分析当前情况和决策采取下一步有效措施的重要依据是需要感知、采集大量的环境、人员、设备和能源等重要参数信息。大部分感知信息都是位置相关的,所以在智能工厂中,对自动引导小车的定位和轨迹追踪、对内部人员或外来人员的定位、对监测区域特征参数或事件的定位都离不开无线传感器网络定位技术。根据监测对象的数量和性质以及采用定位技术的不同,无线传感器网络定位算法主要分为:静态定位和动态定位、基于测距定位和基于非测距定位、单目标定位和多目标定位。此外定位技术还应满足定位时间和定位精度的要求。通过对国内外大量关于无线传感器网络定位技术相关文献的研究,掌握了当前备受大家认可的无线传感器网络定位技术,对无线传感器网络在智能工厂的不同应用领域中如何提高定位精度、减小定位时间、如何改善算法鲁棒性等方面进行研究。本文主要的研究内容和改进如下:（1）基于非测距的距离矢量—跳段（Distance Vector-Hop,DV-Hop）定位算法的研究。针对DV-Hop定位算法定位误差大的问题,本文提出了基于一般误差向量修正和基于模糊聚类的误差向量修正的DV-Hop定位算法。改进算法根据无线传感器网络拓扑结构（节点单一区域分布和节点分区域分布）构建相似度函数,利用锚节点与未知节点的最小跳数得到节点间的相似度值,再利用预设的相似度阈值选择与未知节点相似度达到一定条件的锚节点组成锚节点集合,对集合中的锚节点进行重定位得到锚节点的位置估计值,根据锚节点的真实位置和估计位置依据仿射空间原理得到每个锚节点的定位误差向量或修正向量,最后利用多个锚节点的误差向量或修正向量加权平均得到未知节点的定位误差向量或修正向量,进一步优化未知节点的估计位置。实验表明,改进算法能有效提高无线传感器网络不同网络拓扑下DV-Hop非测距定位算法的定位精度。（2）基于测距的三边加权质心定位算法的研究。针对基于RSSI测距的定位算法的定位精度受信号噪声和环境干扰较大的问题,对基于RSSI测距定位算法进行了三个方面的改进:首先,针对传统三边加权质心定位算法锚节点的选择不当导致定位误差大的问题,提出了双集合组合法寻找满足一定条件的三个锚节点用于三边定位。其次,针对RSSI测距容易受到环境噪声和设备脉冲信号的小概率大干扰事件影响造成RSSI测距精准度低的问题,提出了结合量子粒子群优化的模糊C均值聚类过滤算法以消除基于RSSI测距的小概率大干扰事件,再利用假设检验方法检验过滤后的RSSI三元组的准确性。最后,提出参考点加权质心定位算法解决了传统三边加权质心算法在噪声和脉冲干扰下定位成功率不高且误差较大的问题。实验通过CC2530传输模块和Tiny OS2开发平台验证了改进的三边加权质心定位算法的有效性。（3）针对移动无线传感器网络的蒙特卡罗定位盒子算法的研究。蒙特卡罗定位盒子算法是一种基于锚节点信息限制的蒙特卡罗样本抽样定位算法,可用于智能工厂中对移动目标的定位和跟踪。为解决蒙特卡罗盒子定位算法的采样效率低、迭代次数多、样本退化、采样随机性的问题,本文在传统蒙特卡罗定盒子定位算法的采样阶段,根据灰色系统预测理论增加了灰色模型预测采样功能,将在样本盒子中随机采样过程改进为根据前期的样本位置进行灰色模型预测采样,使预测样本与未知节点当前的真实位置更接近,因此采样预测更具有目的性、针对性和方向性,提高了采样效率,减少了迭代次数。实验仿真表明,改进算法能够有效防止随着时间段的增加而采样样本退化,显着提高智能工厂移动目标的定位精度,减少定位响应时间。（4）基于压缩感知的稀疏多目标定位算法研究。针对传统基于压缩感知多目标定位算法感知矩阵维数大、计算复杂度高、网格边长难以细化等问题,本文提出了基于压缩感知的两阶段多目标定位算法。在大规模定位阶段,将监测区域依据部署的传感器进行Voronoi图划分,将多目标确定在每个子区域中,并在所有子区域中进行贪婪匹配追踪算法重构目标稀疏位置向量,得到包含目标的候选网格。在精细定位阶段,对选出的候选网格依据网格最小边长定理进行细化,对每个子区域中候选网格组成的本地区域内采用1-稀疏度位置向量贪婪匹配重构算法得到目标所在的细化网格,并以细化网格作为目标的最终位置。基于压缩感知的两阶段多目标定位算法既提高了的定位精度,也减小了稀疏重构感知矩阵的维数,降低了算法复杂度,减小了定位响应时间。最后通过实验仿真验证了改进算法的效果,可以用于对智能工厂监测区域的稀疏多目标进行有效定位。（5）基于多维标度的协作式多目标定位算法研究。为解决无线传感网络多维标度定位精度容易受最短路径估计距离误差影响的问题,改善多维标度定位算法的初始估计位置,提出一种基于模拟退火优化的无线传感器网络多维标度定位算法。首先利用RSSI接受信号强度测距并建立距离矩阵,使用多维标度方法和锚节点信息得到节点的初始估计绝对坐标,再利用测距信息和节点的权重系数构造模拟退火优化算法的胁强系数,通过模拟退火优化算法良好的全局搜索能力不断迭代优化求解节点的最优位置。通过实验仿真验证了基于模拟退火优化的多维标度定位算法即使在C型网络和测距噪声存在的情况下也能够具有较低的平均定位误差和较高的网络覆盖率,而且非常适于应用在智能工厂基站数量少的环境。本文系统地研究了无线传感器网络基于测距定位和基于非测距定位、静态定位和动态定位、单目标定位和多目标定位的相关技术,提出了5种创新和改进方案,并通过大量的实验验证了所提算法的有效性和可行性。实验结果表明,本文所提的5种定位方案是无线传感器网络定位技术的重要创新和改进,可以应用在智能工厂无线传感器网络多个定位领域,有非常重要的现实意义和应用价值。
郭彦超[2]（2021）在《无人车路径规划与自主避障算法研究》文中研究指明自主导航技术是地面无人车的核心技术,是人工智能领域研究的热点问题。地面无人车的自主导航一般分为感知、定位、路径规划与控制这四个部分。路径规划问题作为地面无人车研究中不可或缺的一部分,具有非常重要的研究和应用价值,虽然目前有许多学者提出各种各样的算法来分析、解决这个问题,但是行之有效的方法并不多,这就是本文继续研究路径规划问题的必要性。本文内容和研究成果如下:（1）实现了基于改进A*算法的全局路径规划算法。该算法与传统的A*算法相比,添加了方向代价到代价函数中,减少了不必要的栅格搜索以及转向次数,并且提出了一种近似欧几里德距离计算方式,使它比精确值更快地进行计算,同时在靠近目标时采用Weight A*算法,提高算法收敛速率,然后利用三次样条插值的方式对所规划出的路径进行平滑处理,使最后得到的路径更加合理。另外,基于地面无人在自主巡航方面的应用需求,借鉴安全的空中走廊（Safe Flight Corridor,SFC）思想提出了一种基于虚拟通道的自主巡航方案,这种方式与传统的逐个发送航点给导航系统不同,首先,预先在环境地图中采样序列航点,然后通过航点和车身尺寸设定一条固定宽度的虚拟通道,最后通过改进后的A*算法进行规划出一条全局路径,从而实现了依照设定的路径自主巡航。所提出的方案有效避免了传统方式中,当相邻航点之间角度偏差较大时,规划失败的问题。（2）提出了一种改进时间弹性带（Timed Elastic Band,TEB）算法的局部路径规划算法。本文利用PID（Proportional Integral Derivative）控制器,采用路径跟踪的方式,跟踪TEB算法得到的局部路径,替代了原算法计算下发控制量的方式,使获得的控制量更加精准。此外,原始的TEB算法仅对最大速度、加速度等进行了约束,为了提高算法在实际使用中的性能,本文在原有约束的基础上添加了加加速度约束,限制了加速度的变化率,减少了避障过程中地面无人车的震荡次数,提高了运动的平顺性。（3）利用ROS Navigation框架以及所搭建的软硬件仿真平台,对本文提出的结合改进后的A*算法以及TEB算法的混合路径规划算法、基于虚拟通道的自主巡航方案进行了验证。最终,实验结果表明本文所提出的路径规划与自主巡航策略在多种环境下都是有效、可行的。
杨东昉[3]（2021）在《基于XCSP3约束表示的路径规划算法研究》文中进行了进一步梳理路径规划是人工智能领域的一个重要研究方向,一个好的路径规划算法需要满足两个基本的要素:第一,算法应规划出一条能在飞行过程中绕过障碍物的路径;第二,算法规划出的路径应该是最佳路径,并满足所涉及的各种约束。然而,传统的路径规划算法把所涉及的约束固化在程序中,不方便修改、添加新的约束,因此,本文采用XCSP3语言对路径规划过程中所涉及的约束进行表示,从而实现约束的可动态修改与删除。*算法是一种经典的启发式路径规划算法,具有结构简单、易扩展、适用性广等优点。XCSP3是一种全新的约束表示语言,具有通用、完整、易读、灵活等众多优点。XCSP3约束表示能力很强,几乎覆盖了当前主流约束求解器（如Choco和Gecode等）中涉及的约束,可以方便对各种问题进行建模。现实生活中的很多问题,如时间表问题、产品配置问题、航空调度问题、路径规划问题都可以建模为约束满足问题。约束满足问题（Constraint Satisfaction Problems,CSPs）可以定义为一个变量集合、变量对应的论域集合和一个约束集合。其中,每个约束都定义在变量集的某个子集上,并且约束了该子集中变量可以采用的值的组合,约束满足问题的目标是找到变量的一组赋值,使得满足所有的约束。本文采用XCSP3语言对无人机路径规划的复杂约束进行建模,提出了结合改进启发式的双向A*和A*+IDA*路径规划算法,对于转弯半径约束、出射入射速度方向约束等,采用Dubins曲线对规划路径进行平滑。改进启发式的主要思想是在保证算法采纳性的前提下尽量提高启发函数的精度,并且通过引入系数p来提高算法搜索效率,另外为了提高改进算法的健壮性,我们采用堆队列排序思想对Open表进行排序。我们采用路径规划基准测试数据集（https://www.movingai.com/benchmarks/）对算法进行测试,并将算法在无人机领域进行实验,实验结果表明,结合改进启发式的双向A*算法和A*+IDA*算法的性能都得到了有效提高,而且采用Dubins曲线进行平滑优化之后,所得到的路径更接近实际。此外,本文对双向A*算法在三维空间中进行了扩展,并采用三维Dubins曲线对规划路径进行平滑。实验结果表明,该三维路径规划算法能有效规划出一条规避障碍物,并满足无人机自身约束条件的三维空间路径。随着应用环境的复杂多变,路径规划算法也遇到了前所未有的挑战,其中主要面临的问题是仅依靠单一路径规划算法不足以快速规划出合适路径,因此,未来可以考虑把路径规划算法与预处理技术相结合以提高算法效率;此外,本文仅研究了静态环境中的路径规划算法,下一步将考虑动态环境下的路径规划,即进一步提升物体动态障碍规避能力,使之能根据实际情况去规避障碍,重新规划出一条满足新约束的路径。
谢洋浩[4]（2021）在《网络功能虚拟化中的资源分配研究》文中研究表明传统电信网络由一系列的专有物理设备组成,网络服务所需的网络功能都是专有设备。这样的网络使提供网络服务的周期长、服务敏捷性低,并且严重依赖于专用硬件。这些缺点使在传统网络中提供敏捷的、多样的服务变得极其困难。网络功能虚拟化（Network Function Virtualization,NFV）被提出来以解决这些问题。NFV使用虚拟化技术,将基于硬件的网络功能实现为基于软件的虚拟网络功能（Virtualized Network Function,VNF）;然后在通用服务器上运行这些VNF,而不用购买和安装新的硬件。这样,网络服务便可以分解为,多个可以动态部署在通用服务器上的VNF。因此,NFV提供了一个设计、部署和管理网络服务的新范式。NFV在提高网络灵活性的同时,也降低了资本支出（Capital Expense,CAPEX）和运营成本（Operating Expense,OPEX）。虽然NFV具有许多优势,但是,为了应用NFV,仍然还有许多挑战亟需解决。本文主要研究了,动态场景中NFV中的资源分配问题,包括VNF的放置问题,以及云环境中的VNF供给问题。本文的研究内容和主要贡献点如下:1.基于在线原始对偶算法的性能保证的VNF放置算法研究。在考虑NFV网络的动态特征情况下,本文提出了一个可证明性能的算法DAFT。DAFT基于在线原始对偶算法框架设计,并将子问题规约到一个能够使用迪杰斯特拉（Dijkstra）算法来求解的问题,从而使算法在满足理论可证明性能的同时,保证较低的计算复杂度。理论分析表明,DAFT相对离线最优解的竞争比（Competitive ratio）为（1-1/e）,其中e≈2.7183。本文还提出了一个基于DAFT改进的算法来解决DAFT可能违背容量约束这一问题,即FDAFT。仿真结果表明,DAFT和FDAFT的竞争比显着优于同类对比算法。2.基于李亚普诺夫优化的缓存感知的VNF放置算法研究。本文在考虑缓存（队列）稳定性的情况下,研究了动态网络中的VNF放置问题。本文提出了在线算法MACRO来求解这个问题。另外,为了限制最坏情况下请求的延迟,本文提出了一个改进的算法WEB-MACRO。两个算法与平均最优解的差距都为O（1/V）,其中V是一个可调参数,用于控制目标函数值和队列长度的折中。此外,MACRO维护的队列长度由O（V）约束;WEB-MACRO维护的队列长度存在有限上界,从而限制了最坏情况下服务请求遇到的延迟。仿真结果表明,MACRO和WEB-MACRO的队列稳定,总成本低于同类对比算法。3.基于图神经网络和DRL的VNF-FG放置算法研究。复杂的网络服务可以被抽象为虚拟网络功能转发图（Virtual Network Function Forwarding Graph,VNF-FG）,它也是一个有向无圈图（Directed Acyclic Graph,DAG）。本文研究了动态场景下VNF-FG的放置问题。为了充分利用复杂网络服务特殊的DAG结构,以及处理动态网络的复杂性,本文将图神经网络（Graph Neural Network,GNN）与深度强化学习（Deep Reinforcement Learning,DRL）结合起来,提出了一个高效的VNF-FG放置算法,即Kolin。仿真结果表明,与最新的方法相比,Kolin在系统成本、接入率和计算复杂度方面都有显着提升。4.基于组合优化算法的限制VNF迁移的VNF放置算法研究。本文研究了如何在限制VNF迁移数目的同时,减少放置VNF所需的服务器数目的问题。本文基于一个求解在线装箱问题的组合优化算法,设计了VNF放置算法SIVA。理论分析表明,SIVA每一步最多迁移λ个VNF,当k→∞的时候,该算法的渐近竞争比（Asymptotic Competitive Ratio,ACR）为3/2,其中λ=k·|N|,k是可调参数,|N|是网络支持的VNF类型的数目。仿真结果表明,SIVA利用较少的VNF迁移减少了使用的服务器,并且优于对比算法。5.基于模型预测控制的随机云环境中的VNF供给算法研究。由于NFV的优势,网络功能虚拟化提供商（Network Function Virtualization Provider,NFVP）尝试购买云资源来部署VNF,从而提供NFV服务。然而,现有的资源购买方案忽略了云环境的动态特征,从而可能导致成本过高。本文同时考虑了云资源价格,以及服务请求流量大小的动态变化,研究了NFVP应该如何购买云资源,从而降低其成本的问题。本文基于模型预测控制（Model Predictive Control,MPC）提出了算法VINOS,其中,VINOS使用长短时记忆（Long Short Term Memory,LSTM）网络来预测未来的云资源价格和服务请求流量大小。仿真结果表明,VINOS的总成本接近离线最优,并优于对比算法。
潘青慧[5]（2020）在《自主移动机器人SLAM与路径规划算法研究》文中研究说明随着科学技术水平的不断提高,越来越多的智能机器人出现在人们的视野当中。自主移动机器人就是其中的典型代表,其被广泛应用在生活、工业、医疗和军事等方面。随着自主移动机器人的应用越来越广泛,其所处的周围环境也越来越复杂。如何有效的提高自主移动机器人的环境感知能力以及复杂环境下的路径规划能力成为重中之重。本文围绕自主移动机器人的关键技术同时定位与地图构建（Simultaneous Localization And Mapping,SLAM）和路径规划开展了深入研究,主要内容如下:（1）针对传统的EKF-SLAM算法在实际应用过程中难以获得准确的系统噪声和测量噪声,导致算法定位精度低的问题。提出一种改进的粒子群优化的模糊自适应EKF-SLAM算法。通过模糊系统动态地调节测量噪声的协方差矩阵,并基于改进的粒子群优化算法实现模糊系统最优参数的求解,有效提高了移动机器人SLAM算法的定位精度。（2）针对RBPF-SLAM算法在重采样过程中粒子多样性降低导致的粒子退化问题,提出一种自适应遗传重采样算法,解决了粒子退化问题,有效地提高粒子的多样性,使移动机器人SLAM算法性能得到很大程度的提高。（3）针对传统A*算法存在的规划路径安全性低、拐点多、轨迹不平滑等问题,通过对A*算法的估值函数、搜索方式和生成的轨迹进行优化,提高了静态环境下全局路径规划的效率和安全性,使规划的路径更符合移动机器人的运动。针对DWA局部路径算法评价函数系数选择难的问题,通过程序仿真对DWA算法中不同评价函数系数进行了仿真验证,为DWA算法在实际中的应用提供了指导。（4）基于ROS机器人操作系统设计了自主移动机器人导航系统。首先通过不同环境的地图构建实验,验证了改进的自适应遗传重采样RBPF-SLAM算法。实验结果表明改进的自适应遗传重采样RBPF-SLAM算法可以完成对周围环境特征的准确提取,实现地图的精确构建。然后通过静态环境和动态环境下的路径规划实验,验证了不同环境下本文所提出的移动机器人路径规划算法的有效性,改进的路径规划算法能够很好地适应不同的环境。最后对搭建的自主移动机器人导航系统的精度进行了测试。测试结果表明设计自主移动机器人导航系统的定位精度为7cm以内,有一定的实际应用价值。
胡聪[6]（2020）在《变电站远程倒闸操作机器人导航研究》文中提出在科技高速发展的今天,变电站也迎来智能化、无人化的发展,变电站智能化的发展就需要倒闸操作机器人的稳定、高效、可靠的工作。为了让倒闸操作机器人更加的智能化和自主化,本文研究出了基于激光雷达结合同步定位与地图构建理论（Simultaneous Localization and Mapping,SLAM）的导航技术,并对其中的SLAM、机器人定位建图和机器人导航与避障三个关键问题进行了深入研究,最后采用机器人操作系统（Robot Operating System,ROS）来对整个设计研究进行仿真验证。针对SLAM算法,其应用原理是倒闸操作机器人在激光雷达的探测下,并结合坐标系的转换公式,在SLAM算法下形成环境地图。本文对SLAM构建的四种地图进行优缺点分析,并选出栅格地图作为本次课题的导航地图。针对机器人的定位建图研究,先对机器人的定位问题进行了分类,找出倒闸操作机器人的应用类型;然后分别详细的介绍了目前应用较为广泛的马尔科夫定位算法和卡尔曼滤波定位算法的数学模型。随后,分析了两种定位算法的优缺点,给出一种改进的RBPF-SLAM定位算法,该算法的优点是减少内存占用量、节约计算时间,并进行Matlab仿真验证,验证该算法具有高度的收敛性和可靠性。并对SLAM算法的建图步骤与原理进行详细介绍,与定位建图算法进行综合,就可绘制详细的导航地图。针对机器人的导航与避障研究,首先,为机器人的安全考虑,将机器人所获得的环境信息进行了一定的膨胀处理,得到一幅代价地图,并应用该代价地图进行导航与避障操作。倒闸操作机器人的导航算法就是全局规划算法,分别给出了Dijkstra算法和A*算法,并运用Matlab对两个算法进行仿真比较,得出A*算法更加高效,所以本次课题的机器人导航算法采用A*算法。倒闸操作机器人避障算法就是局部规划算法,给出传统的动态窗口法,详细分析其优缺点,做出改进后得到改进的动态窗口法,相较于传统的动态窗口法提高运算速度、加快了系统的运行效率,应用Matalb对两种算法进行比较验证,得出改进的动态窗口法的速度更快而且更加准确。然后,将全局规划与局部规划进行结合,给出混合路径导航算法的操作步骤,并在倒闸操作机器人进行倒闸操作时运用精调装置,使得倒闸操作完美完成。最后,采用ROS系统对整个设计方案进行仿真验证。运用仿真软件先构建出一个双轮差分机器人,前面是万向轮,机器人车顶中心带有一个激光雷达。再利用ROS中的gazebo工具搭建模拟实验环境,最后分别进行机器人的定位建图和导航避障的实验。仿真结果表明,该设计方案真实可靠、可操作性强。
魏钰博[7]（2020）在《船舶机舱虚拟角色漫游路径规划》文中研究表明在虚拟现实技术被广泛应用的背景下,轮机模拟器也逐渐从二维仿真向三维视景仿真进行转变。本文针对当前三维轮机模拟器中虚拟角色漫游功能单一和漫游质量一般的问题,提出采用改进A*算法实现虚拟角色对单目标的自动漫游,并在此基础上,将遗传算法与A*算法结合以实现虚拟角色对多目标的自动漫游。以“育鲲”轮虚拟机舱为实例,成功进行了虚拟角色自动漫游仿真实验。本文主要做了以下几方面的工作:采用冗余节点剔除法、引入斥力函数、引入双向机制对传统A*算法进行改进,优化规划路径的质量。采用冗余节点剔除法对A*算法进行了平滑处理,解决了传统A*算法无效转折点过多的问题;引入了斥力函数对A*算法进行了安全处理,解决了路径紧贴障碍物的问题;针对改进后的A*算法效率明显降低的问题,将双向搜索机制引入到A*算法中,并对双向搜索机制进行了优化。在MATLAB中进行路径规划仿真实验证明了改进算法的有效性。将遗传算法和改进A*算法相结合,并对遗传A*算法进行聚类改进,实现对多目标的路径规划功能。将遗传算法引入到改进A*算法中,使其可进行对多目标的路径规划,扩展了漫游功能;针对因船舶机舱设备密度大而导致的漫游不流畅的问题,对遗传A*算法进行了聚类改进,使多个目标点在一定约束下自动分组,优化多目标路径规划流程。通过路径规划仿真实验证明了改进算法的有效性。以“育鲲”轮辅机舱为实例建立虚拟机舱,在其中设计并实现虚拟角色的自动漫游功能。在unity3d三维引擎中搭建船舶虚拟机舱场景,利用C#语言编写脚本将路径规划算法应用到虚拟机舱中。进行自动漫游仿真实验,证明了改进路径规划算法对于提升漫游质量的有效性,完善了三维轮机模拟器的功能,为以后可能实现的智能船舶中的虚拟角色漫游部分做出了理论性的尝试。
程海晟[8]（2020）在《基于改进型K聚类算法的无线传感器网络拓扑控制研究》文中进行了进一步梳理无线传感器网络集传感器、网络、无线通信和嵌入式计算于一身,是一种新型的信息获取和处理技术。网络中节点体积小、重量轻的特点使得网络可被灵活的应用在对复杂环境信息的感知和采集当中。此外网络节点的密集性以及自组织性,使得网络能够实现对对象的实时监测。随着科学技术的发展,无线传感器网络越发显示出其重要性,引起了研究工作者的高度关注,其在科研、军事、国防等领域有着巨大的应用潜力,应用前景十分广阔。由于网络的节点具有存储容量有限、计算能力有限、自身能量有限、不可充电、回收成本高等特点,因此如何实现节点能量的高效利用及网络的优化控制显得十分重要。本文从网络的拓扑控制入手,研究如何高效的控制网络的能量消耗,以实现提高网络生命周期的目的。在传统K聚类算法的基础上,首先针对LEACH（Low Energy Adaptive Clustering Hierarchy）控制算法的不足之处,提出了基于K聚类算法的改进控制算法。改进算法由分簇算法、节点路径规划算法PSR（Positive Semicircle Rule）、簇头选取算法MCH（Mark of Cluster Head）综合构成;然后在改进控制算法的基础上,对密集型网络进行睡眠调度,并通过提出新的睡眠调度算法IRS（Improve Random Sleeping）及优于簇头选取算法MCH的SCH（Super Cluster Head）算法,来优化网络的睡眠调度。本文的主要具体工作如下:1、受分区聚类算法的启发,提出了不同于LEACH算法的分簇控制策略。新的控制策略首先对网络能耗公式进行推导,求出理想的K值;其次将网络分成K个簇;而后在簇内选取簇头节点。通过此方法,解决了网络的实际簇头节点分布不均匀的情况。2、受Floyd算法及Dijkstra算法启发,提出了一种基于最大权值的PSR算法,通过此算法对节点进行路径规划,使得节点的平均能耗得到降低,而后在PSR算法的基础上经过改进得到TCM（TriangleC Minimum）算法,实验数据表明,TCM算法在PSR算法的基础上进一步优化了节点到簇头的路径,路径冗余节点变少。3、原始的K聚类算法是以簇内质心作为虚拟簇头,借此本文提出了簇头选取算法MCH,用于在无线传感器网络中选取出合适的簇头节点。实验数据表明,网络在采用簇头选取算法之后,网络能量消耗降低,网络的生命周期得到了较好的延长。4、尽管提出的簇头选取算法MCH在网络的控制上有其优越性,但是算法本身缺乏对网络簇头选取因素的全面考虑。因此在MCH算法的基础上提出了新的簇头选取算法SCH,SCH算法通过添加额外的考量因素,如基站的位置。在平衡各个因素之间关系的同时,进一步改进算法策略。实验结果表明SCH算法较之MCH算法具有明显的优越性,其对网络的能量消耗和生命周期有更为积极的影响。5、为了降低密集型网络的空闲节点监听能耗以及节点覆盖重叠造成的数据冗余,在已有的随机睡眠调度算法上提出了层次型调度算法IRS,IRS算法有避免网络局部节点全部进入睡眠状态的优点。实验数据对比结果表明,IRS算法性能优于已有的随机睡眠调度算法,IRS算法能够更好的对网络中的节点进行睡眠调度控制。
王坤[9]（2020）在《移动机器人路径规划的RRT*算法研究》文中认为移动机器人路径规划作为机器人领域的热门研究,正吸引着越来越多学者的参与。在众多路径规划算法中,基于采样的RRT及其相关算法可以不需要对整个状态空间进行建模,从而大大减少高维空间下路径规划的计算量,有效地解决了高维空间和复杂约束条件下的路径规划问题。基于此,本文将RRT算法作为研究重点,并提出了两种改进算法。首先,针对RRT-Connect算法在路径规划效率上较低且采样随机树节点时具有随机性的问题,提出了基于RRT-Connect的改进算法。该算法主要改进点包括:1)在RRT-Connect中增加第三节点,使改进的算法可以在扩展中同时生成四棵随机树,加速随机树对状态空间的探索速度;2)加入一种自适应步长调节函数,该函数使随机树在探索无障碍物空间时不断增加扩展步长,从而提高随机树的扩展速度;3)在RRT-Connect算法的基础上加入目标偏置策略,使改进后的算法在无障碍区域时不需要随机采样,而探索障碍区域时则自动采用随机采样的方式探索,加速算法扩展速度并避免陷入局部最优。其次,针对RRT*及其改进算法B-RRT*算法收敛速度缓慢的问题,提出了一种EB-RRT*算法,该算法融合改进的RRT-Connect算法,主要改进点包括:1)在原始B-RRT*的基础上,加入了一种智能的采样函数,在DRRT-Connect算法的基础上使算法可以在采样第三节点时更智能,从而降低路径生成时间,增强随机树在扩展时的方向性并提高路径最终生成路径的平滑性;2)在EB-RRT*算法中加入快速扩展策略,避免随机树在探索无障碍空间时消耗大量的时间,从而大幅提高算法的扩展效率,而在存有障碍物的空间探索时,则使用经改进后的RRT*算法进行扩展,从而保证随机树生成路径的最优性,同时也可以防止算法陷入局部最优。最后,通过对改进后的算法分别进行仿真实验,并以RRT、RRT-Connect、RRT*、B-RRT*等典型算法作为对比,结果表明改进后的算法在路径规划效率、迭代次数、路径长度等方面相较于原始算法均具有明显优势。其中相较于RRT-Connect算法,改进的DRRT-Connect在路径规划效率上提高了37.9%,迭代次数降低了19.3%。相较于B-RRT*算法,改进的EB-RRT*算法在路径规划效率上提高了73.0%,迭代次数下降了46.0%,路径长度降低了9.5%。
高晓梅[10]（2020）在《分布式网络下的服务节点配置优化算法研究》文中提出在现今的信息科技时代下,网络资源优化问题备受关注,网络优化算法的研究成为近年来的研究热点。具有分布式特性的网络结构有较高的可靠性和易扩展性,在各个领域都有较高的应用价值,所以分布式网络的资源优化问题也就变的尤为重要。分布式网络资源优化中,服务节点资源的合理分配是整个分布式网络的核心,如何低成本高利用率的将服务节点的资源分配给其他节点是分布式网络服务节点配置优化算法应该解决的问题。本文通过图论的知识结合分布式网络通信的特征,构建了多种优化目标下的分布式网络服务节点配置优化模型。在对网络图进行网络结构优化配置时,网络的最短路径计算是首要问题,由于传统Dijkstra算法的执行时间较长,本文给出基于最小加代数域上的两种运算改进的Dijkstra最短路径算法,并对改进Dijkstra算法和传统Dijkstra算法进行算法执行时间的对比分析。然后通过改进Dijkstra算法求解网络节点间的通信流量,包括通信的距离、费用、时延等,构建网络约束的判别矩阵。从而对分布式网络中服务节点增删、服务节点服务范围优化以及服务节点位置重配置优化问题建立线性和非线性优化模型,并给出相应的算法过程。对线性规划模型,本文采用传统的单纯型算法求得最优解;对非线性规划模型,本文首先对模型进行线性化,无法线性化的非线性规划模型则使用近似搜索算法:遗传算法来求得模型的最优近似解。接下来,利用这三种模型算法分别优化城市消防网络、快递网络、分布式通信网络的服务节点布局和需求点分配,证明了算法的有效性和适用性。最后,本文基于图的不变量讨论分布式网络的特征,以网络图的总费用为优化目标建立优化分布式网络结构的非线性优化模型,通过遗传算法求解模型,并优化分布式通信网络的网络服务路径。本文提出的四种分布式网络优化算法可以有效的解决常见的分布式网络服务节点配置及资源优化问题,在多种应用环境中都能适用。优化后分布式网络均满足全局服务的特性,且能有效的提高网络资源的利用率,对现代分布式网络资源配置优化算法的发展有一定的指导意义。
二、Dijkstra算法的一个改进（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、Dijkstra算法的一个改进（论文提纲范文）
（1）面向智能工厂的无线传感器网络定位技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 智能工厂概述 |
| 1.1.2 智能工厂实时定位系统 |
| 1.2 无线传感器网络技术 |
| 1.2.1 无线传感器网络概述 |
| 1.2.2 无线传感器网络组成 |
| 1.2.3 无线传感器网络特点 |
| 1.3 无线传感器网络定位技术 |
| 1.3.1 无线传感器网络定位原理 |
| 1.3.2 无线传感器网络定位种类 |
| 1.3.3 测距和非测距定位技术 |
| 1.3.4 无线传感器网络定位算法的性能指标 |
| 1.4 本文的研究内容及结构安排 |
| 1.4.1 研究内容及意义 |
| 1.4.2 本文的组织结构 |
| 第2章 基于非测距的DV-Hop定位算法研究 |
| 2.1 引言 |
| 2.2 基于非测距的定位算法 |
| 2.2.1 非测距定位算法原理 |
| 2.2.2 常见非测距定位算法 |
| 2.2.3 DV-Hop定位算法的相关研究 |
| 2.3 DV-Hop定位算法原理 |
| 2.4 DV-Hop定位算法的误差来源 |
| 2.4.1 网络结构原因 |
| 2.4.2 定位算法原因 |
| 2.4.3 信号传输原因 |
| 2.5 仿射空间原理 |
| 2.6 基于误差向量修正的DV-Hop定位算法 |
| 2.6.1 建立锚节点信息列表 |
| 2.6.2 修正锚节点的选择策略 |
| 2.6.3 修正初始估计位置 |
| 2.6.4 基于误差向量修正的DV-Hop定位算法流程 |
| 2.6.5 基于模糊聚类误差向量修正的DV-Hop定位算法流程 |
| 2.6.6 两种改进的DV-Hop定位算法分析 |
| 2.7 实验分析 |
| 2.7.1 实验环境设置 |
| 2.7.2 实验结果分析 |
| 2.8 本章总结 |
| 第3章 基于测距的三边加权质心定位算法研究 |
| 3.1 引言 |
| 3.2 基于测距的无线传感器网络定位算法 |
| 3.3 三边加权质心定位算法 |
| 3.3.1 基于RSSI测距的定位原理 |
| 3.3.2 三边加权质心定位算法原理 |
| 3.4 量子粒子群优化算法 |
| 3.5 模糊C均值聚类算法 |
| 3.6 改进的三边加权质心定位算法 |
| 3.6.1 双集合组合法 |
| 3.6.2 利用模糊C均值聚类法计算RSSI准确值 |
| 3.6.3 参考点加权质心定位算法 |
| 3.7 实验分析 |
| 3.7.1 实验环境设置 |
| 3.7.2 实验结果分析 |
| 3.8 本章总结 |
| 第4章 基于灰色模型预测的蒙特卡罗盒子定位算法研究 |
| 4.1 引言 |
| 4.2 移动无线传感器网络 |
| 4.2.1 移动无线传感器网络概述 |
| 4.2.2 移动无线传感器网络在智能工厂的应用 |
| 4.2.3 移动无线传感器网络定位 |
| 4.3 动态定位算法和静态定位算法的比较 |
| 4.4 移动无线传感器网络定位算法的研究 |
| 4.5 动态定位算法的特点 |
| 4.6 灰色模型预测原理 |
| 4.7 蒙特卡罗定位和蒙特卡罗定位盒子原理 |
| 4.7.1 蒙特卡罗定位算法 |
| 4.7.2 蒙特卡罗定位盒子算法 |
| 4.8 基于灰色模型预测的蒙特卡罗定位盒子算法 |
| 4.8.1 GMMCB定位算法原理 |
| 4.8.2 GMMCB定位算法流程 |
| 4.9 实验分析 |
| 4.9.1 实验环境设置 |
| 4.9.2 实验结果分析 |
| 4.10 本章总结 |
| 第5章 基于压缩感知的多目标定位算法研究 |
| 5.1 引言 |
| 5.2 无线传感器网络稀疏多目标非协作式定位 |
| 5.3 压缩感知技术原理 |
| 5.3.1 压缩感知技术 |
| 5.3.2 稀疏信号表达 |
| 5.3.3 稀疏信号采样 |
| 5.3.4 稀疏信号重构 |
| 5.4 压缩感知技术的应用 |
| 5.5 基于压缩感知的定位研究 |
| 5.6 基于压缩感知的定位原理 |
| 5.6.1 基于压缩感知的定位模型 |
| 5.6.2 信号传播衰减测距模型 |
| 5.7 基于压缩感知的两阶段定位算法 |
| 5.7.1 大尺度定位阶段 |
| 5.7.2 精细化定位阶段 |
| 5.8 实验分析 |
| 5.8.1 实验环境设置 |
| 5.8.2 实验结果分析 |
| 5.9 本章总结 |
| 第6章 基于模拟退火优化的多维标度定位算法研究 |
| 6.1 引言 |
| 6.2 无线传感器网络少基站多目标协作式定位 |
| 6.3 多维标度定位算法及相关研究 |
| 6.3.1 多维标度定位相关研究 |
| 6.3.2 信号强度距离衰减模型 |
| 6.3.3 多维标度定位原理 |
| 6.3.4 MDS-MAP定位误差分析 |
| 6.4 模拟退火优化算法 |
| 6.5 基于模拟退火优化的多维标度定位算法 |
| 6.5.1 改进定位算法原理 |
| 6.5.2 改进定位算法流程 |
| 6.6 实验分析 |
| 6.6.1 实验环境设置 |
| 6.6.2 实验结果分析 |
| 6.7 本章总结 |
| 第7章 总结和展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 |
| 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 |
（2）无人车路径规划与自主避障算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状及背景 |
| 1.2.1 地面无人车国内外发展 |
| 1.2.2 路径规划研究分类 |
| 1.2.3 全局路径规划算法 |
| 1.2.4 局部路径规划算法 |
| 1.2.5 其他路径规划算法 |
| 1.3 本文的主要研究工作 |
| 1.4 本文内容安排 |
| 1.5 本章小结 |
| 2 基于改进A*算法的全局路径规划算法 |
| 2.1 引言 |
| 2.2 环境感知地图建模概述 |
| 2.3 环境建模方法 |
| 2.4 栅格法建模 |
| 2.5 A*算法 |
| 2.5.1 A*算法基本原理 |
| 2.5.2 A*算法的流程与实现 |
| 2.6 基于改进A*算法的全局路径规划 |
| 2.6.1 代价函数的改进 |
| 2.6.2 距离函数的改进 |
| 2.7 基于三次样条插值的路径平滑方法 |
| 2.7.1 路径平滑概述 |
| 2.7.2 三次样条插值 |
| 2.7.3 三次样条插值在路径平滑中的应用 |
| 2.8 自主巡航的设计与实现 |
| 2.9 仿真平台介绍 |
| 2.9.1 ROS系统简介 |
| 2.9.2 Rviz三维可视化平台简介 |
| 2.9.3 Gazebo平台简介 |
| 2.9.4 Stage平台简介 |
| 2.10 仿真实验与结果分析 |
| 2.10.1 改进后的A*算法与传统A*算法对比实验 |
| 2.10.2 路径平滑验证 |
| 2.10.3 自主巡航方案验证 |
| 2.11 本章小结 |
| 3 局部路径规划算法研究 |
| 3.1 引言 |
| 3.2 基于时间弹性带算法的局部路径规划 |
| 3.2.1 TEB算法基本原理 |
| 3.2.2 TEB轨迹约束表示 |
| 3.3 TEB的求解 |
| 3.4 同伦路径优化方案 |
| 3.5 TEB算法的不足与改进 |
| 3.6 PID控制轨迹跟踪算法 |
| 3.7 仿真实验结果与分析 |
| 3.7.1 TEB局部路径规划仿真 |
| 3.7.2 PID控制器轨迹跟踪实验验证 |
| 3.8 本章小结 |
| 4 混合路径规划仿真实验与结果分析 |
| 4.1 引言 |
| 4.2 混合路径规划算法介绍 |
| 4.2.1 混合路径规划算法 |
| 4.2.2 混合路径规划与自主巡航 |
| 4.3 仿真实验平台的搭建 |
| 4.3.1 自主导航系统的设计 |
| 4.3.2 环境地图的构建 |
| 4.3.3 UGV仿真平台介绍 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 仿真准备工作 |
| 4.4.2 路径规划仿真 |
| 4.4.3 自主巡航仿真 |
| 4.5 本章小结 |
| 5 地面无人车路径规划算法实验验证 |
| 5.1 引言 |
| 5.2 实验环境介绍 |
| 5.3 硬件开发平台设计 |
| 5.3.1 地面无人车平台 |
| 5.3.2 主控制器 |
| 5.3.3 激光雷达传感器 |
| 5.3.4 IMU传感器 |
| 5.3.5 硬件系统搭建 |
| 5.4 路径规划实验及结果分析 |
| 5.4.1 环境地图的构建 |
| 5.4.2 路径规划实验 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 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 |
（3）基于XCSP3约束表示的路径规划算法研究（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 国内外研究现状 |
| 1.3 论文组织结构 |
| 第2章 背景知识 |
| 2.1 约束满足问题 |
| 2.2 相关约束 |
| 2.2.1 无人机自身约束 |
| 2.2.2 三维空间约束 |
| 2.3 XCSP3 约束建模语言 |
| 2.4 A~*算法 |
| 2.4.1 A~*算法原理 |
| 2.4.2 A~*算法步骤 |
| 2.4.3 A~* +IDA~*算法 |
| 2.5 双向A~*算法 |
| 2.5.1 双向A~*算法原理 |
| 2.5.2 双向A~*算法步骤 |
| 2.6 本章小结 |
| 第3章 基于复杂约束表示的改进路径规划算法 |
| 3.1 基于XCSP3 的复杂约束描述 |
| 3.2 算法流程 |
| 3.2.1 堆队列算法 |
| 3.2.2 启发式的选取 |
| 3.3 实验及结果分析 |
| 3.4 本章小结 |
| 第4章 三维空间的双向A*路径规划算法实现 |
| 4.1 环境建模 |
| 4.2 实验及结果分析 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介及在学期间所获得的科研成果 |
| 致谢 |
（4）网络功能虚拟化中的资源分配研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 网络功能虚拟化概述 |
| 1.1.1 网络功能虚拟化架构 |
| 1.1.2 网络功能虚拟化用例 |
| 1.1.3 网络功能虚拟化面临的主要挑战 |
| 1.2 网络功能虚拟化中的资源分配 |
| 1.2.1 VNF放置问题 |
| 1.2.2 云数据中心的VNF供给问题 |
| 1.2.3 动态场景中NFV中的资源分配问题和相关工作现状 |
| 1.3 处理动态场景的优化算法 |
| 1.3.1 动态场景 |
| 1.3.2 优化算法 |
| 1.3.3 优化算法的对比 |
| 1.3.4 实际系统中的算法实现 |
| 1.4 本论文的结构安排和主要工作 |
| 第二章 基于在线原始对偶算法的性能保证的VNF放置算法研究 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 系统建模与数学模型 |
| 2.4 VNF放置算法设计 |
| 2.4.1 数学模型变换 |
| 2.4.2 算法设计 |
| 2.4.3 查找单个请求的最佳放置 |
| 2.4.4 算法性能分析 |
| 2.4.5 确保节点和链路容量不受违背 |
| 2.5 实验与性能评估 |
| 2.5.1 实验设计和参数设置 |
| 2.5.2 对比算法和性能指标 |
| 2.5.3 算法的竞争比 |
| 2.5.4 服务请求的接入率 |
| 2.5.5 节点和链路容量违背情况 |
| 2.5.6 负载均衡 |
| 2.5.7 扩展性 |
| 2.6 本章小结 |
| 第三章 基于李亚普诺夫优化的缓存感知的VNF放置算法研究 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 系统模型和数学建模 |
| 3.4 系统缓存感知的在线VNF放置算法 |
| 3.4.1 算法设计 |
| 3.4.2 算法性能分析 |
| 3.5 改进的最坏情况下延迟有界的算法 |
| 3.5.1 算法设计 |
| 3.5.2 算法性能分析 |
| 3.6 实验与性能评估 |
| 3.6.1 实验设计和参数设置 |
| 3.6.2 对比算法和性能指标 |
| 3.6.3 总成本和队列长度 |
| 3.6.4 队列长度的上界 |
| 3.6.5 VNF成本、路由成本和迁移成本 |
| 3.6.6 计算时间 |
| 3.6.7 不同数值的成本的影响 |
| 3.7 本章小结 |
| 第四章 基于图神经网络和DRL的 VNF-FG放置算法研究 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 系统模型和数学建模 |
| 4.3.1 底层网络 |
| 4.3.2 VNF和VNF-FG |
| 4.3.3 决策变量 |
| 4.3.4 优化模型 |
| 4.4 GNN辅助的DRL的算法 |
| 4.4.1 DRL概述和面临的挑战 |
| 4.4.2 状态表示 |
| 4.4.3 动作空间与策略网络设计 |
| 4.4.4 奖励设计与训练过程 |
| 4.4.5 算法实现 |
| 4.5 实验与性能评估 |
| 4.5.1 实验设计和参数设置 |
| 4.5.2 对比算法和性能指标 |
| 4.5.3 不同到达间隔的影响 |
| 4.5.4 每个请求具有不同数目的VNF的影响 |
| 4.5.5 不同嵌入对Kolin的性能的影响 |
| 4.6 本章小结 |
| 第五章 基于组合优化算法的限制VNF迁移的VNF放置算法研究 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 系统模型与数学建模 |
| 5.3.1 VNF和服务请求 |
| 5.3.2 底层网络 |
| 5.3.3 决策变量与数学模型 |
| 5.3.4 VNF放置问题的NP困难性 |
| 5.4 VNF放置算法设计 |
| 5.4.1 求解装箱问题的算法HR-k |
| 5.4.2 半在线VNF放置算法 |
| 5.4.3 算法性能分析 |
| 5.5 实验与性能评估 |
| 5.5.1 实验设计和参数设置 |
| 5.5.2 对比算法和性能指标 |
| 5.5.3 竞争比 |
| 5.5.4 VNF迁移数目 |
| 5.5.5 负载均衡 |
| 5.5.6 计算时间 |
| 5.5.7 参数k不同取值的影响 |
| 5.6 本章小结 |
| 第六章 基于模型预测控制的随机云环境中的VNF供给算法研究 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 系统模型和数学建模 |
| 6.3.1 云、VM和VNF |
| 6.3.2 服务请求 |
| 6.3.3 决策变量和数学模型 |
| 6.4 基于MPC的资源购买算法 |
| 6.5 实验与性能评估 |
| 6.5.1 实验设计和参数设置 |
| 6.5.2 对比算法和性能指标 |
| 6.5.3 预测的准确性 |
| 6.5.4 不同长度的系统时间跨度的影响 |
| 6.5.5 不同数量的服务请求的影响 |
| 6.5.6 不同数量的VNF的影响 |
| 6.6 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（5）自主移动机器人SLAM与路径规划算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 背景及意义 |
| 1.2 国内外自主移动机器人关键技术研究现状 |
| 1.2.1 自主移动机器人SLAM研究现状 |
| 1.2.2 自主移动机器人路径规划研究现状 |
| 1.3 论文的主要研究内容 |
| 2 SLAM技术相关理论与技术基础 |
| 2.1 引言 |
| 2.2 SLAM技术模型描述 |
| 2.3 移动机器人系统建模 |
| 2.3.1 移动机器人坐标系统模型 |
| 2.3.2 移动机器人运动学模型 |
| 2.3.3 移动机器人里程计模型 |
| 2.3.4 传感器观测模型 |
| 2.4 本章小结 |
| 3 自主移动机器人SLAM算法研究 |
| 3.1 改进的EKF-SLAM算法 |
| 3.1.1 扩展卡尔曼滤波 |
| 3.1.2 基于扩展卡尔曼滤波的SLAM算法 |
| 3.1.3 改进的粒子群优化的模糊自适应EKF-SALM算法 |
| 3.2 改进的自适应遗传重采样RBPF-SLAM算法 |
| 3.2.1 基于RBPF粒子滤波的SLAM算法 |
| 3.2.2 自适应遗传重采样算法 |
| 3.2.3 仿真实验和分析 |
| 3.3 本章小结 |
| 4 自主移动机器人路径规划算法研究 |
| 4.1 引言 |
| 4.2 基于Dijkstra和 A*全局路径规划算法研究 |
| 4.2.1 Dijkstra路径规划算法原理 |
| 4.2.2 A*路径规划算法基本原理 |
| 4.2.3 A*算法和Dijkstra算法仿真对比 |
| 4.3 A*算法的改进 |
| 4.3.1 估值函数的改进 |
| 4.3.2 搜索方式的改进 |
| 4.3.3 轨迹平滑处理 |
| 4.3.4 仿真实验结果分析 |
| 4.4 基于DWA的局部路径规划算法 |
| 4.4.1 DWA算法原理 |
| 4.4.2 DWA算法实验仿真 |
| 4.5 本章小结 |
| 5 基于自主移动机器人的SLAM与路径规划实验 |
| 5.1 引言 |
| 5.2 自主移动机器人导航系统设计 |
| 5.2.1 系统硬件设计 |
| 5.2.2 主要硬件选型 |
| 5.2.3 系统软件设计 |
| 5.3 基于自适应遗传重采样RBPF-SLAM算法实验 |
| 5.4 自主移动机器人路径规划实验 |
| 5.5 自主移动机器人导航精度测试 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间发表的学术论文与研究成果 |
| 致谢 |
（6）变电站远程倒闸操作机器人导航研究（论文提纲范文）
| 摘要 |
| abstract |
| 选题的依据与意义 |
| 国内外文献资料综述 |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 远程倒闸操作机器人的导航要求 |
| 1.3 论文研究内容及主要结构 |
| 2 基于ROS系统的激光雷达和SLAM结合的导航方案设计 |
| 2.1 ROS系统结构介绍 |
| 2.2 SLAM与激光雷达结合导航原理简述 |
| 2.3 机器人空间状态 |
| 2.4 系统整体设计 |
| 2.5 本章小结 |
| 3 机器人定位 |
| 3.1 机器人定位问题的分类 |
| 3.2 马尔科夫定位 |
| 3.3 卡尔曼滤波定位 |
| 3.4 改进的RBPF-SLAM算法定位 |
| 3.5 改进的RBPF-SLAM算法仿真验证 |
| 3.6 SLAM建图 |
| 3.7 本章小结 |
| 4 导航和避障 |
| 4.1 地图信息的获取和处理 |
| 4.2 全局规划 |
| 4.3 局部规划 |
| 4.4 基于改进的DWA机器人避障算法 |
| 4.5 改进的DWA算法仿真验证 |
| 4.6 倒闸操作机器人的混合路径规划 |
| 4.7 倒闸操作机器人精调 |
| 4.8 本章小结 |
| 5 系统整体设计的ROS仿真验证 |
| 5.1 整体仿真方案设计 |
| 5.2 机器人的配置 |
| 5.3 仿真环境的搭建 |
| 5.4 机器人定位建图仿真 |
| 5.5 机器人导航和避障仿真 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 论文总体总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 附录 :攻读工程硕士学位期间发表的部分科研成果 |
| 致谢 |
（7）船舶机舱虚拟角色漫游路径规划（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 国内外研究现状与发展趋势 |
| 1.2.1 路径规划研究现状与发展趋势 |
| 1.2.2 船舶机舱虚拟漫游功能研究现状与发展趋势 |
| 1.3 论文组织架构 |
| 2 路径规划基本理论 |
| 2.1 路径规划算法概述 |
| 2.1.1 图的遍历算法 |
| 2.1.2 贪心算法 |
| 2.1.3 Dijkstra算法 |
| 2.1.4 传统A~*算法 |
| 2.2 场景地图表示方法概述 |
| 2.2.1 栅格法 |
| 2.2.2 四叉树法 |
| 2.2.3 可见点法 |
| 2.2.4 导航网格法 |
| 2.3 本章小结 |
| 3 基于改进A~*算法的单目标路径规划 |
| 3.1 对传统A~*算法的路径分析 |
| 3.2 对A~*算法的平滑处理 |
| 3.2.1 平滑处理原理 |
| 3.2.2 平滑处理A*算法仿真实验 |
| 3.3 对A~*算法的安全处理 |
| 3.3.1 安全处理原理 |
| 3.3.2 安全处理A~*算法仿真实验 |
| 3.4 对A~*算法的双向改进 |
| 3.4.1 双向改进原理 |
| 3.4.2 双向A~*算法仿真实验 |
| 3.5 本章小结 |
| 4 基于遗传A~*算法的多目标路径规划 |
| 4.1 遗传算法的基本理论 |
| 4.2 多目标路径规划算法原理 |
| 4.2.1 编码 |
| 4.2.2 种群初始化 |
| 4.2.3 适应度函数 |
| 4.2.4 遗传操作 |
| 4.2.5 进化逆转 |
| 4.3 多目标路径规划仿真实验 |
| 4.4 对遗传A~*算法的聚类改进 |
| 4.4.1 聚类改进的原理 |
| 4.4.2 聚类改进遗传A~*算法 |
| 4.4.3 聚类改进遗传A~*算法仿真实验 |
| 4.5 本章小结 |
| 5 船舶虚拟机舱自动漫游功能的设计与实现 |
| 5.1 Unity3d引擎简介 |
| 5.2 船舶虚拟机舱场景的建立 |
| 5.2.1 船舶虚拟机舱模型建立 |
| 5.2.2 虚拟角色模型建立 |
| 5.3 自动漫游功能的组成 |
| 5.3.1 视角切换功能 |
| 5.3.2 跨地图路径规划功能 |
| 5.3.3 场景中障碍物的设置 |
| 5.3.4 小地图的制作 |
| 5.3.5 实现自动漫游功能相关脚本 |
| 5.4 船舶虚拟机舱自动漫游仿真实验 |
| 5.4.1 对单目标的自动漫游仿真实验 |
| 5.4.2 对多目标的自动漫游仿真实验 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（8）基于改进型K聚类算法的无线传感器网络拓扑控制研究（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 国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的章节内容安排 |
| 第二章 无线传感器网络的拓扑控制 |
| 2.1 拓扑控制的结构 |
| 2.2 拓扑控制的设计目标 |
| 2.3 拓扑控制的技术 |
| 2.4 本章小结 |
| 第三章 基于K聚类算法的WSN拓扑控制 |
| 3.1 分区聚类算法和最优路径算法 |
| 3.2 基于K聚类算法的WSN分簇控制 |
| 3.3 整体算法流程图 |
| 3.4 仿真实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于K聚类的WSN睡眠调度改进 |
| 4.1 随机睡眠调度 |
| 4.2 固定概率调度算法的改进 |
| 4.3 整体算法流程图 |
| 4.4 仿真实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
（9）移动机器人路径规划的RRT*算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 移动机器人研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 RRT算法研究现状 |
| 1.4 本文主要研究内容及结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 结构安排 |
| 第二章 路径规划算法及其分类 |
| 2.1 传统规划算法 |
| 2.1.1 模拟退火算法 |
| 2.1.2 人工势场法 |
| 2.2 基于栅格图的算法 |
| 2.2.1 Dijkstra算法 |
| 2.2.2 A*算法 |
| 2.2.3 D*算法 |
| 2.3 基于仿生学的算法 |
| 2.3.1 蚁群算法 |
| 2.3.2 遗传算法 |
| 2.4 基于随机采样的算法 |
| 2.4.1 PRM算法 |
| 2.4.2 RRT算法 |
| 2.5 本章小结 |
| 第三章 典型RRT及其改进算法 |
| 3.1 基于速度最优的RRT算法 |
| 3.1.1 RRT算法原理分析 |
| 3.1.2 RRT-Connect算法原理分析 |
| 3.2 基于路径最优的RRT算法 |
| 3.2.1 RRT*算法原理分析 |
| 3.2.2 B-RRT*算法原理分析 |
| 3.3 本章小结 |
| 第四章 基于改进RRT-Connect的快速路径规划算法 |
| 4.1 改进点详述 |
| 4.1.1 自适应步长调节 |
| 4.1.2 第三节点选择 |
| 4.1.3 障碍规避原则 |
| 4.2 算法实现过程 |
| 4.3 仿真分析 |
| 4.4 本章小结 |
| 第五章 基于改进RRT*的融合算法 |
| 5.1 改进点详述 |
| 5.1.1 智能采样函数 |
| 5.1.2 快速扩展策略 |
| 5.2 算法实现过程 |
| 5.3 仿真分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（10）分布式网络下的服务节点配置优化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作与创新点 |
| 1.3.1 主要工作 |
| 1.3.2 创新点 |
| 1.4 本文的结构 |
| 第二章 分布式网络服务节点配置优化问题 |
| 2.1 分布式网络的服务节点配置优化问题描述 |
| 2.2 分布式网络的实际优化问题与问题假设 |
| 2.2.1 城市消防网络服务节点配置优化问题 |
| 2.2.2 快递网络服务节点配置优化问题 |
| 2.2.3 分布式无线通信网络服务节点配置优化问题 |
| 2.3 本章小结 |
| 第三章 理论基础 |
| 3.1 图论中的基本定义 |
| 3.2 最小加代数域及可达性 |
| 3.3 图论中图的不变量 |
| 3.4 分布式网络的服务节点和被服务节点 |
| 3.5 近似搜索算法 |
| 3.5.1 蚁群算法 |
| 3.5.2 遗传算法 |
| 3.6 本章小结 |
| 第四章 基于min-plus代数可达的分布式网络服务节点配置优化 |
| 4.1 基于min-plus代数域上的Dijkstra算法改进 |
| 4.1.1 传统Dijkstra算法 |
| 4.1.2 改进Dijkstra算法 |
| 4.1.3 求解分布式网络图的最短路径时耗比较 |
| 4.2 基于min-plus代数可达的分布式网络服务节点配置评估 |
| 4.3 基于min-plus代数可达的分布式网络服务节点配置优化 |
| 4.3.1 分布式网络新增或删除服务节点的优化算法 |
| 4.3.2 分布式网络服务节点对应需求点的重分配算法 |
| 4.3.3 分布式网络服务节点布局的优化重配置算法 |
| 4.4 本章小结 |
| 第五章 基于图不变量的分布式网络结构优化 |
| 5.1 算法思想 |
| 5.2 算法模型 |
| 5.3 算法描述 |
| 5.4 遗传算法求解非线性规划模型 |
| 5.5 分布式通信网络服务节点服务路径优化 |
| 5.6 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 |
| 附录 A 在读期间发表的学术论文与取得的研究成果 |
| 附录 B 论文核心程序源代码 |
四、Dijkstra算法的一个改进（论文参考文献）
- [1]面向智能工厂的无线传感器网络定位技术研究[D]. 李海啸. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [2]无人车路径规划与自主避障算法研究[D]. 郭彦超. 北京交通大学, 2021(02)
- [3]基于XCSP3约束表示的路径规划算法研究[D]. 杨东昉. 吉林大学, 2021(01)
- [4]网络功能虚拟化中的资源分配研究[D]. 谢洋浩. 电子科技大学, 2021(01)
- [5]自主移动机器人SLAM与路径规划算法研究[D]. 潘青慧. 郑州大学, 2020(02)
- [6]变电站远程倒闸操作机器人导航研究[D]. 胡聪. 三峡大学, 2020(06)
- [7]船舶机舱虚拟角色漫游路径规划[D]. 魏钰博. 大连海事大学, 2020(01)
- [8]基于改进型K聚类算法的无线传感器网络拓扑控制研究[D]. 程海晟. 东华大学, 2020(01)
- [9]移动机器人路径规划的RRT*算法研究[D]. 王坤. 上海工程技术大学, 2020(04)
- [10]分布式网络下的服务节点配置优化算法研究[D]. 高晓梅. 昆明理工大学, 2020(04)