一、高效动态配置多Agent系统的算法（论文文献综述）
胡大鹏[1]（2021）在《基于强化学习的多智能体协作建模方法研究》文中指出本文是以《中国制造2025》背景,以达到实现智能制造的要求为目标,通过融合工业场景和互联网技术,在全球化充满不确定的局面下提高中国制造业的竞争力。当前工业中智能制造面临资源难共享、过程难协调、依赖领域专家等普遍问题,本文基于Agent,多Agent系统和强化学习等相关技术,构建了面向工业的多Agent混合式智能控制模型,并对多Agent系统中的Agent协作能力、作业调度策略等关键问题进行研究,以实现工业生产过程智能控制。本文基于多Agent技术,将工业过程的工艺关键点、关键设备抽象成若干Agent,构建了一个三层结构的混合式多Agent智能模型。该模型基于JADE框架从而实现底层基础功能,此外通过一些接口实现基于状态表示学习的多Agent协作方法的智能模块及基于强化学习的多Agent系统作业调度方法的智能模块,从而满足工业需求。本文针对工业中Agent接触的环境复杂,以及Agent对重要特征感知能力差的问题,基于M3DDPG算法,提出了SRL＿M3DDPG算法,在保留M3DDPG算法的强鲁棒性特点的同时提高设备Agent对重要特征的获取,从而使设备Agent的动作达到预期效果。改进的算法利用状态表示学习来帮助捕捉特征,通过深度神经网络来构造观测值和状态值的映射,然后M3DDPG中的Actor和Critic网络从新的神经网络中学习,而不是从最初的观察中学习,从而使Agent动作达到预期并且能够适应高维数据。本文针对多Agent系统中的作业调度问题,提出了一种将TS算法和Q-learning相结合的TS＿Qlearning算法,该方法通过禁忌搜索算法的禁忌表存储算法的早期训练经验,来指导算法的早期训练。并且,TS＿Qlearning算法优化了Q-learning算法解决调度问题中的策略,在保留了Q-learning算法的探索优势的基础上,在训练早期指导算法的训练,从而提高算法训练的质量,从而更好的优化资源配置。
李庭阁[2]（2020）在《基于多Agent的生鲜农产品物流配送路线优化研究》文中研究说明随着经济飞速发展,人们对生鲜农产品的需求量剧增。但我国生鲜供应市场化时间短,物流相关设施的发展也在起步阶段,不能与其高速增加的市场需求相匹配。同时,生鲜农产品的配送具有时效性、高频次、小批量、需求点分布不均的特点,提升了配送路线的规划难度。所以,需要对原有的集中配送规划方法进行改革和创新。本文将多Agent技术引入生鲜农产品物流配送路线的优化,利用各Agent协作完成复杂的系统操作,可以辅助系统高效、敏捷、实时的运行,解决新时代生鲜农产品物流面对的新问题和新需求。本文主要内容如下:（1）通过分析了物流配送、生鲜农产品物流配送以及基于Agent的配送的国内外研究现状,提出结合多Agent技术解决生鲜农产品物流配送的主题。（2）结合了多Agent系统的特点,对传统生鲜农产品配送系统进行了调整和优化,设计了多Agent系统模型架构,分析了之间交互、协商的具体流程与细节,对各Agent内部结构详细概述,并构建了实际应用多Agent模型的扩展系统的架构。（3）对基于多Agent背景下生鲜农产品配送路线优化的数学模型和优化算法进行了设计,对结果进行分析并提出改进意见。首先构建静态需求下的优化模型,目标函数为配送总成本最低,利用改进的蚁群算法进行求解;其次构建需求变动的模型,目标函数为插入动态需求后造成的额外成本最低,利用插入算法求解。（4）选取京客隆配送中心和旗下门店为实例研究对象进行分析,得到最优的优化方案,为相关物流企业提供一定解决问题的思路。并对方案进行扩展分析,通过调整参数、增加配送需求点等验证模型和算法的适用性。图23幅,表21个,参考文献38篇。
朱华[3]（2020）在《基于自适应巡航的PHEV智能控制系统研究》文中研究表明在能源危机与环境污染的影响下,全球对汽车排放的限制要求越来越高。混合动力汽车（Hybrid Electric Vehicle,HEV）结合了传统汽车续驶里程长和电动汽车高效、环保的优点,其研究和开发已成为汽车行业的一大热点。为解决HEV安全、节能问题,目前大多数控制策略集中于汽车各动力部件工作性能对整车的影响,并没有考虑周围车辆的行驶状态,因此由车辆内部各部件协调工作向车辆与周边环境协作控制发展具有很重要的意义。本文将自适应巡航控制技术（Adaptive Cruise Control,ACC）与多智能体（Agent）技术引入HEV能量管理策略中,为HEV的节能降耗提供一种新的研究方法,主要研究工作如下:以某型并联式混合动力汽车（PHEV）为研究对象,根据车辆的动力性能要求,确定动力总成主要部件及整车参数,建立相应的数学模型。分析ACC控制方法原理以及影响因素,在多Agent系统框架下提出动力总成控制策略方案。根据对七个工况识别特征参数的识别判断当前行驶工况,自主完成对行驶工况的识别,系统Agent基于当前行驶工况以及期望行驶状态,从提高整车的燃油经济性与排放性能的角度,下达任务至各部件Agent;部件Agent然后从提高工作效率的角度交互协作,最后在交互中达成共识,完成动力分配。其次,通过MATLAB/Simulink软件建立各动力部件Agent和系统Agent模型,并基于多Agent系统典型架构搭建出PHEV动力总成控制策略模型,同时将搭建好的控制策略模型嵌入ADVISOR仿真平台中进行整车性能仿真。仿真结果表明,所设计的基于ACC的PHEV动力总成控制策略能够按照当前行驶工况合理选择行车模式,在其控制下的发动机效率和电机效率以及整车相关指标均更加理想。最后,为验证控制策略的可行性,进行了台架实验,采用D2P Motohawk系统搭建“PHEV动力总成控制策略”实验平台,目标参数的标定实验的完成将由D2P工控机实现,之后通过各动力部件的协作控制完成能量分配实验。实验结果表明,与仿真结果基本相同,证明了控制策略的可行性及有效性,为HEV的节能降耗提供一种新的研究思路。
李家维[4]（2020）在《主动配电网分布式协调控制平台的搭建与应用》文中指出随着可再生能源发电技术的日益成熟,风、光等可再生能源发电分布式、大规模地并入配电网,同时储能、电动汽车、需求响应等主动负荷技术随之引入,使配电网由无源转向有源,由基本被动向主动方向转变,从而使其运行与控制面临着新的问题与挑战。伴随着分布式能源主动性的增强,主动配电网亟需智能化建设。量测、通信、网络技术的完备,使其形成了信息分散关联的格局,集中式的调控方式难以适应和满足主动配电网的需求。为充分发掘海量数据的价值与潜力,提高数据处理与利用的能力,主动配电网的调控理论与模式必须要走向分布式、协作式。为了充分发挥和体现主动配电网的“主动”能力,在大数据和互联网的时代背景下,研究构建主动配电网的分布式协调控制平台具有重要的意义与价值。本文在总结、分析国内外相关研究基础上,以多智能体系统为基本结构,针对主动配电网的分布式优化调度以及相关分布式平台的搭建与应用展开了较深入的研究与探索。具体研究成果与工作如下:（1）针对主动配电网分布式协调控制的需要,采用多智能体系统作为构建主动配电网分布式平台的软件形式,依据分布式软件平台的实现需求分析并且建立起主动配电网的分层分布式结构框架,明确了与其相适配的硬件基础。（2）阐述和分析了多智能体开发平台JADE的功能及特点,并且描述了以JADE平台作为多智能体系统构建的核心软件工具部署和开发适用于主动配电网的分布式协调控制平台的设计思路,然后利用JADE平台和其他软件一起构建了平台功能模块。从软件结构设计、软件模块部署和程序开发设计三方面阐述了平台构建的步骤,并完成了平台的软件构建流程的实现与验证。（3）提出了适应主动配电网的分布式离线优化和分布式在线优化的两层配合协调运行方案,并且将这两种功能作为高级应用阐述其在主动配电网分布式平台上的集成与实现。最终以某地实际配电网为测试算例系统,通过实际运行效果验证并展示了本文所构建的主动配电网分布式协调平台高级应用集成运行情况的有效性。
任东方[5]（2020）在《多种能源发电协同发展管控模型及大数据分析研究》文中指出随着新能源在全球范围内的崛起,我国的新能源发展也十分迅速,新能源和传统能源之间的和谐可持续发展成为值得关注的话题。用于发电的能源占据了能源消耗的重要部分,因此多种能源发电的协同是优化能源结构和促进大规模可再生能源发展的必经之路,是一个值得研究的话题。针对多种能源发电在协同发展中的一些问题,本文在多种能源发电发展现状和协同发展框架分析的基础上对多种能源发电协同发展过程中可再生能源被弃用和发电行业污染气体排放等问题进行探讨,并从多种能源发电协同发展的风险管控、信息管控、大数据分析、仿真分析的角度设计了本课题的研究思路,主要的研究内容和成果如下:（1）在电力和能源行业的当前发展背景下分析了多种能源发电协同发展的模式和框架。系统地分析了协同发展中的参与主体和主要发展瓶颈,从多种发电形式的协同模式、保障机制和发展原则等方面,提出了多种能源发电协同发展的研究结构,为后文的研究内容做铺垫。（2）针对多种能源发电协同发展中可再生能源的弃用风险,建立了风险管控模型。通过发电厂商、电网、政府、社会各方面的利益博弈来计算区域内的整体风险,以期寻求区域内一个风险最低、收益最大的多种能源发电的协同发展模式。然后以我国京津冀地区为例,对降低“弃风率”的风险成本进行计算,得到了该地区在需求不变时增加风电发电量所付出的总体成本和收益。（3）建立了基于系统动力学的多种能源发电协同发展信息管控模型。在构建了各参与主体的信息池的基础上,分析了各主体内部的信息协同和共享关系。从电厂、用户、电网、政府和社会角度对多种能源发电协同过程中涉及的多方信息进行融合,建立了包含多主体的协同发展信息管控模型。将相关数据和政策信息带入模型,分析得到在信息的协同作用下多种能源发电的比例结构变化趋势,不同种类能源发电量对污染气体排放的影响,以及相关政策目标实现的可能性。（4）对多种能源发电中的大数据进行分析,旨在研究协同发展中的规律,更好地对协同发展进行管控。以山西省多种能源的发电数据、用电量数据、污染气体排放数据为例,借助决策树模型、回归分析和聚类分析等大数据挖掘方法,对多种能源发电协同发展进行大数据分析研究,从而得到多种能源发电协同发展中的潜在规律和有价值的信息,为政策的制定提供参考。（5）在上述分析的基础上对多种能源发电协同发展过程进行仿真。本文基于多Agent技术建立起仿真模型,模型中的多种能源发电协同策略是依据我国现行的《节能发电调度办法》对各种发电形式进行调度。仿真中将不同种类机组、不同类型用户、电力调度部门简化为智能体群,通过各智能体间的协调配合完成对协同过程的仿真。然后以山西省为例,得到了该省在协同调度下的各种能源发电比例和污染气体排放量,模拟了山西省传统火电和可再生能源发电以及其他发电形式之间的协同发展过程,仿真结果验证了协同策略的有效性,体现了多种能源发电协同发展的协同效应。本文的研究丰富了多种能源协同发展以及电力结构调整相关理论成果,对于指导多种发电形式的科学和有序发展、管控协同发展风险、提高能源利用效率、大气污染防治等方面都具有实践指导意义。
陈思源[6]（2020）在《基于Fractional Hedonic博弈的联盟形成算法的研究》文中研究说明随着人工智能和分布式系统的发展,多Agent系统逐渐成为一个热门研究领域,并且广泛应用于社交网络分析、智能机器人和数据挖掘等领域。在多Agent系统中,Agent之间可以进行交互、协作和合作,互相合作的Agent组成联盟。联盟形成问题是研究Agent合作联盟的问题,是多Agent系统中的一个基本研究问题。现如今,在联盟形成问题上已经有大量的研究成果,大多数的研究重点关注在稳定的联盟结构上,如探究达到核心或纳什均衡的联盟结构的复杂度及其联盟形成算法。然而关于社会福利最大化问题的研究成果相对偏少,社会福利最大化问题旨在生成所有联盟值之和最大的联盟结构。联盟形成问题一般采用博弈论领域中的博弈模型来确定联盟值。Fractional Hedonic博弈在2014年被提出后在博弈论领域中得到了广泛的研究,其定义了Agent在联盟中的收益。一个联盟中Agent的收益是其对联盟中所有其他成员的平均偏好值,联盟值为联盟内成员的收益之和。Fractional Hedonic博弈还是一个可以用图表示的特殊博弈,把图中结点看作Agent,边看作偏好值,其刻画了Agent收益与图的拓扑结构的关系。本文研究基于Fractional Hedonic博弈的社会福利最大化问题。其相关研究数量屈指可数,并且已有的算法存在复杂度高、生成的联盟结构的社会福利不高或不符合现实等不足,有待改进和优化。因此,针对这些问题,本文分别提出了三种基于Fractional Hedonic博弈的社会福利最大化问题的联盟形成算法,在理论上证明其在部分规则图上的最优性,并且实验验证其在此问题上的优越性。此研究不仅在联盟形成领域具有理论意义,并且在社会网络分析包括网络聚类和社区检测领域具有应用价值。本文研究内容主要有以下四个方面:（1）本文提出一个自然的联盟形成机制,在此机制下根据收益分配方式提出了两种联盟形成算法。首先,本文提出了基于多Agent系统的联盟形成机制,每一个自利的Agent相继交互,根据得到的收益轮流选择是否加入其他联盟。根据在联盟形成中的不同分配方式,提出相应的两种联盟形成算法,一种是基于Fractional Hedonic博弈分配方式的联盟形成算法（CFFHG）。然而在这个机制中,CFFHG存在一定缺陷。针对这个缺陷,本文采用Shapley值的分配方式,提出基于Shapley值分配方式的联盟形成算法（CFSV）。（2）针对计算Shapley值的复杂度问题,本文采用了一种近似算法来有效地计算Shapley值,从而形成基于估算Shapley值分配方式的联盟形成（CFASV）算法。计算Shapley值的过程中,因其需要考虑联盟中所有Agent的排列序列中的边际值,计算复杂度高。利用近似的Shapley值计算方法,可以加速计算过程,并且能在规模更大的网络上形成联盟结构来评估算法。（3）本文证明CFFHG算法和CFSV算法能在某些规则图上生成基于Fractional Hedonic博弈的社会最优联盟结构。虽然在Fractional Hedonic博弈上生成社会最优的联盟结构已被证明是NP难问题,但是本文从理论上证明了两种算法在完全图、星图、线图、圆图和平衡完全二分图上的最优性。（4）本文通过实验模拟及分析评估CFFHG算法,CFSV算法和CFASV算法。本文在多个现实社会网络和生成网络上评估提出的算法。在现实社会网络中,生成的联盟结构对现实有一定的参考价值。在生成网络方面,本文使用ER随机网络模型和小世界模型生成网络评估算法。实验结果表明本文提出的算法生成的联盟结构的社会福利大于已知的其他方法。最后,本文进行了真人实验,探究了现实生活中人将如何合作形成联盟,并与本文提出的算法进行比较。
陈宝通[7]（2020）在《面向个性化定制的智能生产线预防性维护研究》文中研究指明智能生产线通过物联感知和网络协同技术,实现信息物理深度融合。其特征是制造设备高度互联、制造数据深度集成与产线动态重构,以满足多品种、小批量、个性化定制产品的混流生产要求。个性化定制生产模式下,智能生产线对设备可靠性、运行稳定性与生产适应性等提出了更高要求,常规的被动运维模式已不能满足智能生产线的复杂运维需求。本文聚焦于智能生产线预防性维护的关键技术研究,以保证个性化定制生产线效率与设备利用率为前提,对设备的劣化状态进行早期评估,通过可重构预防性维护避免生产线意外停机造成的生产中断,旨在实现生产过程的自主感知、状态评估、自适应运行及负载均衡。本文的研究工作可以具体地概括为以下五点:（1）探讨了设备信息物理深度融合为基础的智能生产线预防性维护系统架构。在智能生产线设备信息传输方面,实现了基于OPC UA的信息传输,Machine to Machine通信,软件定义工业异构网络;在多源异构传感数据深度融合方面,提出了边缘计算使能的数据融合方法与边-云合作的数据融合机制。架构涵盖了基于心电机理的设备运行状态监测方法与深度的设备健康状况评估理论,实时反馈设备亟需的运维情况。为保障智能生产线稳定运行,提出了面向个性化定制生产线的可重构运维机制,以实现生产过程自适应管控的系统运维。（2）基于设备动作时长的细粒度划分,将设备作业状态下的节拍类比为人类的心脏跳动,以设备心电图（equipment electrocardiogram,EECG）的方式揭示设备的性能衰退过程。阐明了设备心电图的构建机理,涵盖工序的细粒度划分方法,时序周期的动态匹配方法,基线、公差、Hotspot等重要工作特征的确定方法。基于设备心电机理,分别提出了生产线节拍优化方法和设备性能衰退的在线监测方法。在智能生产线上对智能设备心电图的性能进行了测试,结果表明智能心电机理能够很好地支持智能设备心电图的实施,智能生产线设备心电（Automatic Production Line EECG,APL-EECG）系统能够实时监测设备作业状态,为设备的维护提供科学指导。（3）基于时间序列设备传感数据,提出了深度的设备性能预测方法。引入流行的机器学习框架—Tensor Flow,搭建了Tensor Flow使能的深度学习模型架构;利用Keras搭建了汽车装配生产线的小台车气缸可靠性分析的深度神经网络模型,并阐述了其中关键的实现技术;进一步地制定了气缸工作性能评估策略,预测准确率达到工业应用标准。研究发现在不完全观测丰富数据集的环境下,运用深度神经网络能够实现“弱关联”多源异构设备传感数据的分析。（4）基于领域本体的形式化语义模型,构建了面向预防性维护的可重构运维方法。首先,根据对智能生产线制造资源与生产过程的系统分析,利用领域本体方法构建生产线形式化语义模型,以一种语义网结构对生产线的制造资源进行抽象化与统一描述;其次,利用数据驱动的语义模型促进了生产线信息物理资源的动态融合,为生产线状态感知与自组织重构等提供基础模型,进一步构建了基于多智能系统的智能生产线自组织自适应运行机制;最后,面向预知的设备状态衰退与性能失衡,构建路径动态规划与任务切换的可重构方法,实现混流产线的不停机动态重构。（5）针对智能生产线设备集群自组织自适应作业过程中的负载不均衡现象,探究了基于边缘计算理念的智能生产线可重构运维方法,制定基于能量感知的负载均衡与调度（Energy-aware Load Balance and Scheduling,ELBS）策略。具体地,在边缘节点建立工作负载相关的能耗模型,相应地确立以作业集群负载均衡为目标的优化函数;利用改进的粒子群算法求得优化解,对任务相关的作业集群进行任务优先级排序;采用Multi-agent系统对车间作业集群进行分布式的优化调度。结果表明,在多批量个性化定制糖果的包装产线上,在考虑能耗和工作负载的情况下,该策略实现了混流生产作业机器人的负载均衡和优化运行。综上所述,以底层信息交互为基础,提出了由单机设备到集群设备的自下而上的可重构运维方法,实现了涵盖产线自主感知、状态监测、预防维护与负载均衡等的关键运维技术,为个性化定制生产线的预防性维护关键点提供技术支撑与理论依据。
周子林[8]（2020）在《基于多智能体的通航公司生产运力匹配研究》文中指出随着我国社会经济的快速增长,通用航空产业的发展潜力受到国家与社会的关注,在相关政策的支持与引导下,通航运输业逐渐成为影响国民经济运行的重要因素。而国内通航公司在扩大运力资源规模,提高运行产能以适应市场需求的同时,也面临着传统运行控制管理方式落后,无法提升资源利用率等问题。因此如何采用信息化技术合理地调度现有资源,提升运力匹配效率以保持公司运行效能最大化是当前行业亟需解决的难题。本文基于国内某通航公司运行特点,结合多智能体理论将电力巡检背景下的运力匹配问题分解为宏观角度的多区域运力资源规划问题,和单区域内运力资源的匹配调度问题。首先以部署最少运力资源为目标构建了资源规划数学模型,采用改进后的灰狼算法求解得到静态的多区域运力资源规划结果。其次在各区域内结合多智能体理论建立运力匹配系统框架,采用基于招投标机制的多智能体协商算法实现生产任务与运力资源的匹配过程,在匹配性结果基础上,以单机日利用率最高为目标函数建立资源调度数学模型,求解得到最优每日作业时长。仿真实验结果表明,该方法能够实现运力资源作业效率最大化。本文在理论模型及仿真实验数据的支撑下,基于Eclipse实验环境及JADE智能体模型开发平台,综合运用多种科学工具,开发了C/S模式下的通航运力匹配系统软件。导入通航企业基础数据后可输出运力资源规划、匹配及调度具体推荐方案,为用户提供有效信息实现智能决策。
梁爽[9]（2020）在《基于多Agent仿真的可变线路式公交调度研究》文中认为自国务院发布《国务院关于城市优先发展公共交通的指导意见》以来,城市公共交通建设进入新时期。地铁、轻轨、BRT、公交专用道的建设有效提升了城市公共交通的平均运行时速,提高了公交分担率,但仍旧面临服务区域有限,仅能满足乘客在交通廊道出行需求的问题。可变线路式公交是指车辆在一般情况下沿基准路线行驶,在固定站点停靠,在收到乘客乘车请求后,偏离基准路线接送乘客。这类公交形式很早就出现在欧美低密度出行区域并经过理论和实例验证,其在低密度出行区域可以为乘客提供更优质的服务,为公交公司提供更多的运营收益。在国内也有许多与可变线路式公交形式类似的公共交通运营方式,如定制线路公交、旅游网预约巴士、拼车出行。虽然国内暂时没有可变线路式公交,但可以预见在信息实现实时交互,居民出行难以通过步行或骑行满足的今天,可变线路式公交在中国发展的前景广阔。本文旨在完成更加贴合实际的可变线路式公交调度研究,证明可变线路式公交在中国运行的可行性。为达成研究目的,本文引入多Agent概念用于仿真,以单个Agent所具有的智能性,赋予每辆可变线路式公交、每位乘客和可变线路式公交调度中心一定的思维能力,使模拟可变线路式公交在实际路网和实际乘客需求下调度成为可能,使可变线路式公交调度问题由系统最优分解为公交和乘客的分别最优问题,简化模型的同时,使仿真结果更贴合实际。本文首先对可变线路式公交调度问题与多Agent仿真相关性进行了详细说明,分别介绍了多Agent理论和可变线路式公交调度要素,并据此完成了对可变线路式公交关键Agent的设计和通信,包括乘客Agent、可变线路式公交Agent和调度中心Agent。乘客Agent与可变线路式公交Agent将自身信息发送给调度中心,调度中心Agent综合信息完成对可变线路式公交的调度。然后,本文以此为框架展开了对乘客Agent、可变线路式公交Agent、调度中心Agent涉及模型的研究,具体包括对乘客Agent核心行为——交通方式选择行为设计,对调度中心Agent运行前提——初始行车计划编制,对调度中心Agent运行核心行为——动态调度模型构建。为完成乘客Agent的交通方式选择行为设计,实现由可变线路式公交潜在乘客需求向实际乘客需求的转换,本文构建了乘客交通方式选择的多项Logit模型,并设计了调查问卷,完成了模型的参数标定。通过多项Logit模型计算乘客Agent在获取信息下的交通方式选择概率,完成了乘客Agent的交通方式选择行为设计。为完成调度中心Agent所需的初始行车计划表,明确可变线路式公交行驶基线、途径固定站点、发车时刻,本文提出将改进的K-means算法用于确定可变线路式公交固定站点,将常规公交时刻表编制办法用于确定可变线路式公交发车时刻表。为完成调度中心Agent的动态调度模型构建,实现可变线路式公交在乘客Agent反馈下的由调度中心Agent完成对初始路线的调整,本文将乘客按是否预约进行划分,据此提出预调度模型和实时调度策略。在预调度模型部分为提高可变线路式公交收益,构建了基于均值-方差理论的预调度模型,考虑了过往潜在乘客出行信息所代表的乘客出行规律对于可变线路式公交调度的影响,并提出了两阶段求解算法。第一阶段求解算法主要为提升第二阶段运算效率设计,采用遍历算法,第二阶段求解算法采用经典的遗传算法。在实时调度策略部分提出根据乘客出行需求变化实时改变可变线路式公交Agent运动轨迹的策略。接着,在完成各个Agent构建和各个Agent涉及模型的研究后,借助JADE平台和百度地图API平台,完成了乘客Agent、可变线路式公交Agent和调度中心Agent的集成,实现了Agent同类及不同类间的通信,并建立数据库导入或记录运行数据,运用可视化窗口完成对于调度结果的可视化显示,完成了可变线路式公交仿真平台开发。最后,以成都市一环以北区域乘客滴滴出行需求数据为可变线路式公交潜在乘客出行信息为例,借助搭建的仿真平台和对可变线路式公交初始行车计划编制的计算,实现了可变线路式公交调度,并就调度结果进行了分析。分析表明在实际路网环境、多种交通方式下,可变线路式公交在中国城郊区域具有强大的竞争力。
范媛[10]（2020）在《基于多Agent的智能仓储RMFS多任务调度研究》文中研究表明随着经济水平的日益提高和网络购物平台的快速发展,电商仓储中心每天要处理数以万计的订单,订单的交付响应速度是影响客户网络购物体验的重要因素。为提高订单交付响应速度,保障顾客良好的购物体验,在工业4.0的驱使下,仓储中心正朝着智慧化方向快速发展。拣选作业作为仓储中心的关键环节,“货到人”的拣选模式已成为各大电商仓储中心拣选作业的发展趋势。本文以典型的“货到人”拣选系统——智能仓储多机器人执行系统为研究对象,以提高订单拣选效率、降低系统作业代价、提升资源利用率为优化目标,提出基于多Agent的智能仓储多任务调度策略。具体的研究工作如下。（1）针对智能仓储机器人移动执行系统（Robotic Mobile Fulfillment Systems,RMFS）多任务调度问题,构建基于多Agent的多任务调度模型。首先,分析智能仓储RMFS的订单拣选作业流程和场景特征,建立了多任务调度指标;然后,基于Agent的建模方法,划分Agent的对应类别,构建多Agent调度模型整体框架。最后,详细设计每类Agent的变量、函数、结构和特征等自身属性,以及描述Agent执行的任务,建立基于Agent的多任务调度模型。（2）在Agent的调度模型基础上,针对多Agent间的协商问题,提出改进合同网协议机制。针对传统合同网协议机制存在的问题,分别改进Agent的投标和评标过程,在投标阶段引入任务缓冲池,在评标阶段引入可用度约束,以提高多Agent的协商效率和应用于多任务调度的适应性。基于改进的合同网协议机制,以提高订单拣选效率为目标,定义了关联Agent间的调度策略。（3）考虑智能仓储RMFS的高度动态特性,系统内外均存在多种异常事件带来的扰动。因此,针对异常事件扰动问题,提出异常事件扰动调整机制,以降低异常事件扰动对调度指标带来的影响。针对异常扰动事件的特征,采用模糊算法评估异常扰动等级。设计单Agent动态调整机制和多Agent协同调整机制。在此基础上,以紧急订单插入、订单临时撤销、拣选工作台故障以及AGV故障四种常见扰动为例,分析异常事件扰动调整机制的有效性。（4）采用eM-plant仿真软件,构建智能仓储RMFS仿真模型,开展仿真实验验证。设计仿真实验,验证了改进后的合同网协议机制算法比传统算法具有更高的计算效率和更强的鲁棒性;对比其他调度策略,本文的调度策略在提高系统资源的利用率、订单拣选效率以及减少系统作业代价方面具有优势性;对比平移法,验证了本文提出的异常事件扰动调整机制能够有效地减少扰动产生的影响。
二、高效动态配置多Agent系统的算法（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、高效动态配置多Agent系统的算法（论文提纲范文）
（1）基于强化学习的多智能体协作建模方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多Agent系统的研究现状 |
| 1.2.2 强化学习的研究现状 |
| 1.2.3 多Agent强化学习的研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文的技术路线 |
| 1.5 本文的创新点 |
| 1.6 全文的组织框架 |
| 第2章 相关理论介绍 |
| 2.1 智能制造 |
| 2.1.1 智能制造的背景 |
| 2.1.2 智能制造系统对控制模型的要求 |
| 2.2 Agent相关技术 |
| 2.2.1 Agent相关概念及特性 |
| 2.2.2 Agent体系及结构 |
| 2.2.3 多Agent系统概念 |
| 2.2.4 多Agent系统体系结构 |
| 2.3 强化学习与多Agent强化学习方法 |
| 2.3.1 强化学习 |
| 2.3.2 多Agent强化学习 |
| 2.4 本章小结 |
| 第3章 面向工业的多Agent混合式智能模型 |
| 3.1 多Agent建模的含义和优势 |
| 3.2 Agent之间的通信 |
| 3.2.1 ACL相关介绍 |
| 3.2.2 利用JADE平台实现ACL |
| 3.3 面向工业的多Agent混合式智能模型 |
| 3.3.1 多Agent混合式智能模型的构建 |
| 3.3.2 多Agent混合式智能模型中各模块功能及主要Agent的结构 |
| 3.3.3 在JADE平台上构建多Agent混合式智能模型 |
| 3.4 本章小结 |
| 第4章 基于状态表示学习的多Agent协作算法 |
| 4.1 研究背景 |
| 4.2 MADDPG算法概述 |
| 4.3 M3DDPG算法概述 |
| 4.4 SRL_M3DDPG算法概述 |
| 4.4.1 状态表示学习 |
| 4.4.2 SRL_M3DDPG算法 |
| 4.5 仿真实验 |
| 4.6 本章小结 |
| 第5章 基于TS_Qlearning的多Agent作业调度 |
| 5.1 研究背景 |
| 5.2 作业调度问题描述 |
| 5.3 强化学习求解作业调度问题 |
| 5.3.1 调度问题中的强化学习 |
| 5.3.2 Q-learning算法 |
| 5.3.3 TS_Qlearning算法 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在校期间主要研究成果 |
| 一、发表学术论文 |
| 二、其他科研成果 |
（2）基于多Agent的生鲜农产品物流配送路线优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 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 论文研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 2 相关概念与基础理论研究 |
| 2.1 生鲜农产品配送相关理论 |
| 2.1.1 生鲜农产品配送概述 |
| 2.1.2 生鲜农产品配送特点 |
| 2.2 配送路线优化相关理论 |
| 2.2.1 配送路线优化基本概述 |
| 2.2.2 配送路线优化问题的求解方法 |
| 2.3 AGENT相关理论 |
| 2.3.1 Agent的定义与特性 |
| 2.3.2 Agent的结构与原理 |
| 2.3.3 多Agent系统理论 |
| 2.4 本章小结 |
| 3 基于多AGENT的生鲜农产品配送系统模型 |
| 3.1 多AGENT结构模型设计 |
| 3.2 AGENT内部结构设计 |
| 3.3 系统扩展方案 |
| 3.4 本章小结 |
| 4 基于多AGENT的路径优化模型构建及算法研究 |
| 4.1 问题描述 |
| 4.2 静态需求下的模型构建 |
| 4.2.1 模型假设 |
| 4.2.2 模型参数 |
| 4.2.3 目标函数与约束条件 |
| 4.3 动态需求下的模型构建 |
| 4.4 算法设计 |
| 4.4.1 蚁群算法 |
| 4.4.2 插入算法 |
| 4.5 本章小结 |
| 5 实例分析 |
| 5.1 实例背景 |
| 5.2 模型基本数据信息收集与整理 |
| 5.2.1 配送中心与配送需求点位置 |
| 5.2.2 便利店需求量与配送时间 |
| 5.2.3 模型参数取值 |
| 5.3 算例求解结果与分析 |
| 5.3.1 静态需求下的求解结果 |
| 5.3.2 需求变动后的求解结果 |
| 5.4 结果扩展 |
| 5.4.1 调整算法参数 |
| 5.4.2 增加配送需求点 |
| 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/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于自适应巡航的PHEV智能控制系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 混合动力汽车研究现状 |
| 1.2.1 混合动力汽车行业发展现状 |
| 1.2.2 混合动力汽车控制策略研究现状 |
| 1.3 自适应巡航控制技术研究现状 |
| 1.4 研究目的与意义 |
| 1.5 主要研究内容 |
| 第2章 混合动力汽车动力系统结构与整车建模 |
| 2.1 PHEV动力系统结构与基本参数 |
| 2.2 PHEV动力总成系统建模与方法 |
| 2.3 驾驶员模型 |
| 2.4 PHEV动力系统数学模型 |
| 2.4.1 发动机模型 |
| 2.4.2 电机模型 |
| 2.4.3 电池模型 |
| 2.4.4 其他传动部件模型 |
| 2.5 PHEV整车动力学模型 |
| 2.6 本章小结 |
| 第3章 PHEV多智能体智能控制策略 |
| 3.1 基于ACC的PHEV动力总成控制策略 |
| 3.2 动力总成多智能体系统的控制策略 |
| 3.2.1 Agent理论 |
| 3.2.2 多Agent系统控制策略模型的搭建 |
| 3.2.3 系统Agent模型 |
| 3.3 各子Agent控制策略模型 |
| 3.3.1 电机Agent模型 |
| 3.3.2 发动机Agent模型 |
| 3.3.3 电池Agent模型 |
| 3.4 本章小结 |
| 第4章 PHEV智能控制系统仿真研究 |
| 4.1 行驶工况分析 |
| 4.1.1 工况数据参数获取 |
| 4.1.2 工况分类与识别 |
| 4.1.3 行驶工况识别仿真分析 |
| 4.2 控制策略仿真分析 |
| 4.2.1 整车仿真模型 |
| 4.2.2 动力系统部件性能分析 |
| 4.2.3 整车性能分析 |
| 4.3 本章小结 |
| 第5章 多Agent系统智能控制实验研究 |
| 5.1 D2P Motohawk系统 |
| 5.2 实验方案设计 |
| 5.3 控制策略实现 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 第6章 全文总结及展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科技成果 |
| 致谢 |
（4）主动配电网分布式协调控制平台的搭建与应用（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 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究概述 |
| 1.2.1 主动配电网调控理论研究现状 |
| 1.2.2 主动配电网调控平台研究现状 |
| 1.3 本文工作和章节安排 |
| 第二章 基于MAS的主动配电网分布式协调控制平台硬件基础 |
| 2.1 Agent与多Agent系统概述 |
| 2.1.1 Agent与多Agent系统基本概念 |
| 2.1.2 多Agent系统的结构体系 |
| 2.1.3 多Agent系统的通信方式 |
| 2.1.4 多Agent系统的协作方式 |
| 2.2 基于MAS的主动配电网分层分布式架构设计 |
| 2.2.1 分层分布式能量管理架构 |
| 2.2.2 控制区域划分 |
| 2.2.3 分层分区优化控制框架 |
| 2.3 适应MAS的主动配电网分层分区协调优化控制系统物理架构 |
| 2.3.1 构建通信系统的硬件设备 |
| 2.3.2 适应MAS的分层数据传输网络架构 |
| 2.3.3 分布式平台的工作环境与工作条件 |
| 2.4 本章小结 |
| 第三章 基于JADE的主动配电网分布式协调控制平台软件开发 |
| 3.1 JADE平台简介 |
| 3.2 基于JADE的主动配电网分布式协调控制平台设计 |
| 3.2.1 单一设备上的MAS结构建模设计 |
| 3.2.2 代理Agent分类与设计 |
| 3.2.3 体系内Agent之间的通信机制 |
| 3.3 主动配电网分布式协调控制平台的软件部署 |
| 3.3.1 数据库构建部署 |
| 3.3.2 含冗余容器的JADE平台部署 |
| 3.3.3 平台软件启动运行流程 |
| 3.4 本章小结 |
| 第四章 基于JADE平台的应用功能实现 |
| 4.1 平台实际配置 |
| 4.2 基于JADE的主动配电网离线分布式优化调度 |
| 4.2.1 基于ADMM算法的分布式求解基本原理 |
| 4.2.2 基于MAS实现的分布式协调优化 |
| 4.2.3 基于JADE设计实现的协调通信行为 |
| 4.2.4 算例仿真 |
| 4.3 基于JADE实现的主动配电网分布式在线优化 |
| 4.3.1 在线优化计算原理 |
| 4.3.2 基于MAS的分布式在线计算功能实现 |
| 4.3.3 算例仿真 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 后续研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所发表的论文及参与的项目 |
| 学位论文评阅及答辩情况表 |
（5）多种能源发电协同发展管控模型及大数据分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多种能源同发展研究综述 |
| 1.2.2 多种能源发电中的风险研究综述 |
| 1.2.3 电力信息协同利用研究综述 |
| 1.2.4 大数据挖掘研究进展 |
| 1.2.5 基于多智能体仿真研究进展 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 研究难点和创新 |
| 第2章 多种能源发电协同发展模式和框架分析 |
| 2.1 多能源发电协同发展现状分析 |
| 2.1.1 多种能源发电现状分析 |
| 2.1.2 协同发展参与主体和环境分析 |
| 2.1.3 协同发展中存在的问题 |
| 2.2 多种能源发电协同发展模式分析 |
| 2.2.1 协同关系分析 |
| 2.2.2 协同发展中的保障机制 |
| 2.2.3 协同发展模式和原则 |
| 2.3 多种能发电协同发展框架分析 |
| 2.3.1 协同发展层次结构分析 |
| 2.3.2 协同发展框架研究 |
| 2.4 本章小结 |
| 第3章 多种能源发电协同发展的风险管控模型 |
| 3.1 多种能源发电协同发展的风险分析 |
| 3.1.1 发展风险 |
| 3.1.2 政策风险 |
| 3.1.3 社会风险 |
| 3.2 基于多参与主体的风险收益管控模型 |
| 3.2.1 协同发展的风险因素 |
| 3.2.2 多主体间利益博弈的风险管控模型 |
| 3.3 实例分析 |
| 3.3.1 京津冀发电产业概况 |
| 3.3.2 风险收益模型计算 |
| 3.3.3 结果分析 |
| 3.4 本章小结 |
| 第4章 多种能源发电协同发展的信息管控模型 |
| 4.1 多种能源发电协同发展的信息结构 |
| 4.1.1 信息结构分析 |
| 4.1.2 信息结构模型 |
| 4.2 基于多主体的信息融合 |
| 4.2.1 发电侧 |
| 4.2.2 电力用户 |
| 4.2.3 电网和市场 |
| 4.2.4 电力排放 |
| 4.3 信息协同和管控模型 |
| 4.3.1 模型构建 |
| 4.3.2 信息管控模型计算 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 第5章 多种能源发电协同发展的大数据分析 |
| 5.1 大数据分析方法与流程设计 |
| 5.1.1 大数据分析方法 |
| 5.1.2 大数据挖掘流程设计 |
| 5.2 大数据收集和处理 |
| 5.2.1 发电数据 |
| 5.2.2 用电负荷数据 |
| 5.2.3 污染气体排放数据 |
| 5.2.4 数据预处理 |
| 5.3 大数据分析模型 |
| 5.3.1 基于决策树模型的多种能源发电排放分析 |
| 5.3.2 基于回归模型的多种能源发电量分析 |
| 5.3.3 基于聚类模型的多种能源发电与用电协同分析 |
| 5.4 本章小结 |
| 第6章 多种能源发电协同发展的仿真模型 |
| 6.1 智能体技术 |
| 6.1.1 多Agent关系 |
| 6.1.2 多Agent通讯 |
| 6.1.3 多Agent协作 |
| 6.2 多Agent建模方法 |
| 6.2.1 Agent行为理论 |
| 6.2.2 ABMS智能体建模方法 |
| 6.3 基于多智能体的仿真模型 |
| 6.3.1 Anylogic仿真软件简介 |
| 6.3.2 建模背景分析 |
| 6.3.3 仿真设计 |
| 6.4 案例分析 |
| 6.4.1 案例介绍 |
| 6.4.2 结果输出 |
| 6.4.3 仿真分析 |
| 6.5 本章小结 |
| 第7章 研究成果与结论 |
| 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 |
（6）基于Fractional Hedonic博弈的联盟形成算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的组织结构 |
| 1.5 本章小结 |
| 2.相关理论与技术分析 |
| 2.1 Agent和 Agent联盟 |
| 2.2 合作博弈 |
| 2.3 基于Fractional Hedonic博弈的社会福利最大化问题 |
| 2.4 本章小结 |
| 3.基于Fractional Hedonic博弈的联盟形成算法 |
| 3.1 联盟形成机制 |
| 3.2 基于Fractional Hedonic博弈分配方式的联盟形成算法 |
| 3.3 基于Shapley值分配方式的联盟形成算法 |
| 3.4 基于估算Shapley值分配方式的联盟形成算法 |
| 3.5 本章小结 |
| 4.实验与分析 |
| 4.1 计算机模拟 |
| 4.2 真人实验 |
| 4.3 本章小结 |
| 5.总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 附录 |
| 附录1 兴趣爱好调查问卷 |
| 附录2 实验须知 |
| 附录3 兴趣爱好网络 |
| 附录4 真人实验分组结果 |
| 致谢 |
| 硕士期间发表论文一览表 |
（7）面向个性化定制的智能生产线预防性维护研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 设备状态监测与评估方法研究现状 |
| 1.2.2 面向可重构运维的系统模型研究现状 |
| 1.2.3 预防性维护的可重构方法研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文创新之处 |
| 1.5 本文组织结构 |
| 第二章 个性化定制生产线预防性维护的系统框架 |
| 2.1 引言 |
| 2.2 预防性维护的系统架构 |
| 2.3 智能生产线设备信息融合 |
| 2.3.1 基于工业异构网络的信息交互 |
| 2.3.2 多源异构传感数据深度融合 |
| 2.4 智能生产线设备状态评估机制 |
| 2.4.1 基于心电机理的设备状态监测 |
| 2.4.2 基于深度学习的设备状态评估 |
| 2.5 智能生产线的可重构运维策略 |
| 2.6 本章小结 |
| 第三章 智能生产线设备心电机理研究 |
| 3.1 引言 |
| 3.2 EECG系统架构 |
| 3.3 设备心电图实现机理 |
| 3.3.1 工序时长细粒度划分方法 |
| 3.3.2 时序周期匹配策略 |
| 3.3.3 重要工作特征的确定 |
| 3.4 基于EECG的设备性能监测方法 |
| 3.4.1 生产节拍提升 |
| 3.4.2 设备性能衰退在线监测 |
| 3.5 实验验证 |
| 3.5.1 实验场景 |
| 3.5.2 运行结果 |
| 3.5.3 结果讨论 |
| 3.6 本章小结 |
| 第四章 基于时序数据的设备性能预测方法研究 |
| 4.1 引言 |
| 4.2 设备性能预测的系统架构 |
| 4.3 设备性能预测机制 |
| 4.3.1 基于Tensor Flow的设备状态的多分类模型 |
| 4.3.2 模型构建关键实现技术 |
| 4.3.3 基于深度模型的设备性能评估 |
| 4.4 案例—小台车气缸状态预测 |
| 4.4.1 神经网络监测器 |
| 4.4.2 模型效果 |
| 4.4.3 模型评估 |
| 4.5 本章小结 |
| 第五章 面向预防性维护的可重构方法研究 |
| 5.1 引言 |
| 5.2 可重构运维的形式化语义模型架构 |
| 5.3 基于领域本体的形式化语义模型构建 |
| 5.3.1 领域本体知识库构建方法与建模技术 |
| 5.3.2 生产过程知识体系分析 |
| 5.3.3 语义知识库模型构建 |
| 5.4 可重构产线的数据与语义集成 |
| 5.4.1 关系型数据映射 |
| 5.4.2 语义模型更新 |
| 5.5 基于语义推理的可重构运维方法 |
| 5.5.1 Multi-agent的自组织协商机制 |
| 5.5.2 设备状态语义推理的可重构策略 |
| 5.5.3 负载均衡的可重构运维策略 |
| 5.6 基于语义推理的可重构运维应用案例 |
| 5.7 本章小结 |
| 第六章 个性化定制生产线的预防性维护平台验证 |
| 6.1 引言 |
| 6.2 原型平台概况 |
| 6.3 设备状态监测与评估平台验证 |
| 6.3.1 智能生产线设备心电图的实施效果 |
| 6.3.2 设备可靠性评估方法平台验证 |
| 6.4 智能生产线可重构运维验证实施 |
| 6.4.1 平台设置 |
| 6.4.2 性能衰退的可重构运维平台验证 |
| 6.4.3 负载均衡的可重构运维平台验证 |
| 6.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）基于多智能体的通航公司生产运力匹配研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究意义与背景 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作内容 |
| 第二章 通航运力匹配问题分析与解决思路 |
| 2.1 国内通航运行流程与特点 |
| 2.2 应用于运力匹配问题的多智能体理论 |
| 2.2.1 智能体的概念与特征 |
| 2.2.2 多智能体系统技术 |
| 2.2.3 多智能体理论解决运力匹配问题的优势 |
| 2.3 基于多智能体理论的运力匹配问题研究思路 |
| 2.4 本章小结 |
| 第三章 运力资源配置规划研究 |
| 3.1 资源规划模型的构建 |
| 3.2 基于改进灰狼算法的资源规划模型求解 |
| 3.3 仿真实验对比分析 |
| 3.4 本章小结 |
| 第四章 运力资源与生产任务的匹配性研究 |
| 4.1 基于多Agent的运力匹配系统框架 |
| 4.2 系统级运力资源与生产任务的匹配性模型设计 |
| 4.2.1 匹配性智能体模型的构建 |
| 4.2.2 匹配性模型中Agent单元的功能设计 |
| 4.2.3 基于招投标机制的匹配流程 |
| 4.2.4 匹配性模型中Agent间的通信机制 |
| 4.3 分系统级运力资源调度模型设计 |
| 4.3.1 分系统目标函数及约束条件 |
| 4.3.2 分系统数学模型求解及分析 |
| 4.4 本章小结 |
| 第五章 运力匹配自动化系统的设计与实现 |
| 5.1 系统架构设计 |
| 5.2 功能模块的设计与实现 |
| 5.2.1 运力资源规划模块 |
| 5.2.2 运力资源匹配及调度模块 |
| 5.3 系统运行效果评估 |
| 5.4 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录1 论文发表及参与科研项目 |
（9）基于多Agent仿真的可变线路式公交调度研究（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 |
| 1.2.1 交通方式选择 |
| 1.2.2 可变线路式公交调度研究现状 |
| 1.2.3 可变线路式公交仿真现状 |
| 1.2.4 进一步需要解决的问题 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 可变线路式公交调度问题与多Agent仿真 |
| 2.1 多Agent理论 |
| 2.1.1 Agent的定义和体系结构 |
| 2.1.2 多Agent系统理论及应用 |
| 2.1.3 JADE体系框架简述 |
| 2.2 可变线路式公交调度要素分析 |
| 2.2.1 可变线路式公交运行特征 |
| 2.2.2 可变线路式公交调度流程 |
| 2.3 关键Agent设计及通信 |
| 2.3.1 乘客Agent的设计 |
| 2.3.2 可变线路式公交Agent的设计 |
| 2.3.3 调度中心Agent的设计 |
| 2.3.4 多Agent网络通信设计 |
| 2.4 本章小结 |
| 第三章 乘客Agent交通方式选择行为设计 |
| 3.1 调查问卷设计 |
| 3.1.1 RP调查内容 |
| 3.1.2 SP调查内容 |
| 3.2 描述性统计分析 |
| 3.2.1 个体特征 |
| 3.2.2 出行特征 |
| 3.3 模型构建 |
| 3.3.1 基础假设和原理 |
| 3.3.2 模型参数标定 |
| 3.3.3 出行时间价值与时间价值系数 |
| 3.4 交通方式选择行为实现 |
| 3.5 本章小结 |
| 第四章 调度中心Agent初始行车计划编制 |
| 4.1 可变线路式公交固定站点规划 |
| 4.1.1 K-means算法理论 |
| 4.1.2 改进的K-means算法设计 |
| 4.2 可变线路式公交时刻表编制 |
| 4.2.1 单线路时刻表编制 |
| 4.2.2 多线路时刻表耦合 |
| 4.3 本章小结 |
| 第五章 调度中心Agent动态调度模型构建与算法设计 |
| 5.1 预调度模型构建 |
| 5.1.1 均值-方差风险理论 |
| 5.1.2 模型符号定义及基本假设 |
| 5.1.3 模型构建 |
| 5.2 预调度模型算法设计 |
| 5.2.1 第一阶段算法设计 |
| 5.2.2 第二阶段算法设计 |
| 5.3 实时调度策略 |
| 5.4 本章小结 |
| 第六章 基于多Agent可变线路式公交运行仿真平台构建 |
| 6.1 仿真环境构建 |
| 6.1.1 开发环境 |
| 6.1.2 数据库设计 |
| 6.1.3 可视化窗口设计 |
| 6.2 多Agent模块集成构建仿真平台 |
| 6.2.1 多Agent结构集成 |
| 6.2.2 多Agent行为实现 |
| 6.3 仿真平台功能介绍 |
| 6.4 本章小结 |
| 第七章 案例分析 |
| 7.1 数据预处理 |
| 7.1.1 数据结构处理 |
| 7.1.2 数据筛选与抽样 |
| 7.2 调度中心Agent初始行车计划编制 |
| 7.2.1 可变线路式公交固定站点规划 |
| 7.2.2 可变线路式公交单时刻表编制 |
| 7.2.3 可变线路式公交多线路时刻表耦合 |
| 7.3 基于仿真平台的可变线路式公交动态调度仿真 |
| 7.3.1 仿真参数设定 |
| 7.3.2 仿真平台内部运行流程 |
| 7.3.3 仿真结果分析 |
| 7.4 本章小结 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 研究创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录 A 可变线路式公交固定站点计算结果 |
| 附录 B 可变线路式公交时刻表编制结果 |
| 作者简介 |
（10）基于多Agent的智能仓储RMFS多任务调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景与意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 智能仓储RMFS订单拣选研究现状 |
| 1.3.2 多Agent任务调度研究现状 |
| 1.3.3 异常事件扰动研究现状 |
| 1.3.4 研究现状问题总结 |
| 1.4 研究内容与方法 |
| 1.4.1 本文研究内容 |
| 1.4.2 本文方法与结构 |
| 第2章 基于Agent的 RMFS多任务调度模型 |
| 2.1 多Agent理论概念及适应性分析 |
| 2.1.1 多Agent系统的基本结构及适应性分析 |
| 2.1.2 Agent的建模方法 |
| 2.2 智能仓储RMFS作业分析 |
| 2.2.1 智能仓储RMFS结构布局和作业流程 |
| 2.2.2 系统作业过程特征描述及基本假设 |
| 2.2.3 智能仓储RMFS多任务调度指标 |
| 2.3 基于多Agent的 RMFS调度模型 |
| 2.3.1 系统结构与Agent类别划分 |
| 2.3.2 Agent个体模型构建 |
| 2.3.2.1 订单管理Agent结构模型 |
| 2.3.2.2 数据管理Agent结构模型 |
| 2.3.2.3 拣选工作台Agent结构模型 |
| 2.3.2.4 货架Agent结构模型 |
| 2.3.2.5 AGV Agent结构模型 |
| 2.4 总结 |
| 第3章 基于改进合同网的多Agent调度策略 |
| 3.1 引言 |
| 3.2 传统合同网协议机制 |
| 3.2.1 传统合同网协议机制流程 |
| 3.2.2 传统合同网协议机制存在的问题 |
| 3.3 改进合同网协议机制 |
| 3.3.1 引入任务缓冲池投标策略改进方案 |
| 3.3.2 考虑可用度的中标评价策略改进方案 |
| 3.3.3 改进合同网协议机制方案 |
| 3.4 基于改进合同网的多任务调度策略 |
| 3.4.1 订单-拣选工作台间的调度策略 |
| 3.4.2 拣选工作台-货架间的调度策略 |
| 3.4.2.1 空闲货架的标书制定策略 |
| 3.4.2.2 忙碌货架的标书制定策略 |
| 3.4.3 AGV-货架间的多任务调度策略 |
| 3.4.3.1 基于改进遗传算法的任务分组策略 |
| 3.4.3.2 AGV Agent调度策略 |
| 3.5 本章小结 |
| 第4章 异常事件扰动动态调整机制 |
| 4.1 引言 |
| 4.2 仓储RMFS异常事件特征 |
| 4.2.1 系统异常事件来源与分类 |
| 4.2.2 系统异常扰动等级评估 |
| 4.3 异常事件扰动的应对调整策略 |
| 4.3.1 Agent实时调整策略 |
| 4.3.2 多Agent协同调整策略 |
| 4.3.3 算例研究 |
| 4.4 本章小结 |
| 第5章 仿真分析 |
| 5.1 引言 |
| 5.2 仿真平台搭建及案例数据 |
| 5.3 仿真结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和参与的科研项目 |
四、高效动态配置多Agent系统的算法（论文参考文献）
- [1]基于强化学习的多智能体协作建模方法研究[D]. 胡大鹏. 齐鲁工业大学, 2021(10)
- [2]基于多Agent的生鲜农产品物流配送路线优化研究[D]. 李庭阁. 北京交通大学, 2020(03)
- [3]基于自适应巡航的PHEV智能控制系统研究[D]. 朱华. 安徽工业大学, 2020(07)
- [4]主动配电网分布式协调控制平台的搭建与应用[D]. 李家维. 山东大学, 2020(11)
- [5]多种能源发电协同发展管控模型及大数据分析研究[D]. 任东方. 华北电力大学(北京), 2020(06)
- [6]基于Fractional Hedonic博弈的联盟形成算法的研究[D]. 陈思源. 西南大学, 2020(01)
- [7]面向个性化定制的智能生产线预防性维护研究[D]. 陈宝通. 华南理工大学, 2020(01)
- [8]基于多智能体的通航公司生产运力匹配研究[D]. 周子林. 中国民航大学, 2020(01)
- [9]基于多Agent仿真的可变线路式公交调度研究[D]. 梁爽. 东南大学, 2020(01)
- [10]基于多Agent的智能仓储RMFS多任务调度研究[D]. 范媛. 武汉理工大学, 2020(08)