一、随机仿真优化的一类遗传序优化框架(论文文献综述)
宋云婷[1](2021)在《集装箱班轮的港口运行时间规律及其应用研究》文中进行了进一步梳理集装箱班轮的港口运行时间规律是港口管理优化研究的重要理论基础,但对于这一与传统船舶随机到港模式有本质区别的崭新运行方式,目前尚未有适应其运行特征且具有普遍意义的结论,使得在有关集装箱港口运营与管理等方面的重大决策缺少相应的理论支撑。本文基于随机过程理论,采用数理统计、计算机仿真和优化算法等方法,重点研究集装箱班轮的港口运行时间基本规律问题,以及这一认识在港口的规划管理、生产计划管理和生产调度管理等方面的应用价值。本文研究对于深入挖掘集装箱班轮运行的本质特征,揭示其港口运行时间规律,优化港口管理具有重要的理论和应用意义。本文具体研究内容如下:(1)针对集装箱班轮的港口运行时间规律问题,从集装箱班轮的运行特点入手,以集装箱班轮到港间隔时间规律、装卸服务时间规律、实际到港与计划船期的偏差时间规律、在港接受装卸服务与计划的偏差时间规律为切入点,探讨了集装箱班轮运行的基本特征,分析了与特性相对应的概率分布函数,利用世界主要集装箱港口和跨海区班轮航线的大量数据开展实证检验,研究结果显示集装箱班轮的港口运行时间规律均服从爱尔朗高阶分布,从而为揭示其港口运行时间规律提供了理论基础。(2)针对港口规划管理方面的应用问题,运用集装箱班轮的港口运行时间规律开展集装箱港口泊位通过能力的估算,提出基于Ek/Ek/S的复合排队过程,以此描述各航线班轮在船期表约束下分别到港、依次完成装卸的作业流程,建立离散事件仿真模型,深入分析港口运行时间规律对泊位通过能力的影响,并探讨不同管理模式对于提升泊位通过能力的意义。研究表明,不同的概率分布函数对于泊位通过能力的估算结果相差较大,采用爱尔朗高阶分布的计算结果更加贴近港口实际情况,通过统一管理模式可有效推迟港口建设时机。(3)针对港口生产计划管理方面的应用问题,运用集装箱班轮的港口运行时间规律优化泊位分配计划,以机动时间损失最小为目标,构建了集装箱码头泊位分配计划优化模型,设计了以遗传算法为外层框架,嵌入仿真过程构成优化循环的算法,以大连港集装箱码头作业为实际背景进行计算。研究表明,运用港口运行时间规律可有效降低偏差时间对港口泊位分配计划的干扰,不同概率分布函数对于分析结果有较大的影响,进一步说明了爱尔朗高阶分布对于港口生产计划管理具有重要价值。(4)针对港口生产调度管理的应用问题,运用集装箱班轮的港口运行时间规律优化泊位及岸桥的协同调度,提出按时离港保证率的概念,以集装箱班轮按时离港保证率最大和码头作业成本最低为目标构建双目标优化模型,设计了叠加式局部搜索算法,将其嵌入到带精英策略的非支配排序遗传算法中得到Pareto非劣解,采用“性价比”的概念和量化方法对P areto非劣解进行筛选。研究结果表明,采用这一优化思路可以选择出对港口和船公司的利益偏向最小的调度方案,降低港口作业成本,此外不同概率分布函数对于分析按时离港保证率有较大的影响,进一步表明了爱尔朗高阶分布对于港口生产调度管理具有重要价值。
张晓辉[2](2020)在《分布式阻塞流水车间调度方法研究》文中进行了进一步梳理在全球经济一体化的背景下,随着通用型工厂的优化以及同构生产线的整合,分布式制造已逐渐发展成为一种常见的制造模式。分布式制造可以使集团对下属多个企业或工厂的资源进行合理配置、优化组合及共享,统筹多个工厂建立协作关系,在低成本和低风险环境下采用分工和协作方式快速实现产品的高效生产。车间调度作为生产活动的重要环节,在分布式制造系统中占据着举足轻重的地位。不同于传统的单车间调度,分布式车间调度不仅需要考虑加工任务特性和生产约束的关联性,还需要考虑全局调度和各分布式工厂局部调度的耦合性,其求解过程更为复杂。因此,根据分布式制造特性构建调度优化模型,设计有效的优化方法,对推动分布式制造的调度理论研究具有重要意义。分布式车间调度问题有时优化单一生产目标,有时则需兼顾优化现代企业和国民宏观经济发展目标(如节能减排等环保政策);有时决策空间仅受单一约束限制,有时则需要同时满足多个约束;有时调度环境是静态的,有时则受不确定因素的干扰。随着问题规模的扩大,在多项式时间内较难获得最优解。因此,开展分布式车间的调度研究具有较高的挑战性。本文以分布式阻塞流水制造为研究背景,设计了相应的分布式生产调度体系架构,围绕分布式阻塞流水车间静态调度、绿色调度和动态调度三个方面展开了深入研究,分别构建了静态调度、绿色调度和动态调度问题的数学模型,并基于不同问题特性提出了三类元启发式算法。最后,搭建了分布式阻塞流水车间调度原型系统,对理论研究进行了系统实现和应用验证。本文主要研究工作如下:(1)分析了一般流水阻塞车间调度问题特性,引入分布式制造概念,对分布式生产调度业务流程进行了分析。在此基础上,进一步研究了分布式阻塞流水车间调度业务的关键决策点,设计了面向分布式流水制造的生产调度体系架构,提出了云-边缘结合的生产调度管控模式。(2)研究了静态环境下分布式阻塞流水车间调度问题,在分析了分布式流水制造模式特点的基础上,以完工时间为优化目标,构建了调度问题的整数规划模型,提出了离散果蝇优化算法(Discrete fruit fly optimization algorithm,DFOA)。首先,针对阻塞流水约束特性,提出了三类种群初始化方法;在嗅觉搜索阶段,设计了四类有向邻域搜索算子,以扩大算法的搜索空间;随后,提出了包含两类插入式局部搜索的变邻域下降搜索框架;在视觉搜索阶段,改进了种群更新策略,确保算法的快速收敛。最后,在基准测例上验证了DFOA的有效性和优越性。(3)同时从生产效率和节能角度出发,研究了分布式阻塞流水车间绿色多目标调度问题,分析了加工周期和能耗的冲突关系,提出了基于Pareto理论的多目标分布估计算法(Multi-objective estimation of distribution algorithm,MOEDA)。首先,建立了基于贝叶斯网络的离散概率模型,通过概率模型更新加工排序;随后,设计了两类加工速度调整算子,改进了一类工件插入策略,实现了算法调整工件排序时工序加工速度的自适应调整,加速种群向Pareto前沿逼近。最后,通过对比实验验证了MOEDA对Pareto前沿的覆盖和逼近性能。(4)考虑了事件驱动的分布式制造模式,以机器故障为背景,研究了分布式阻塞流水车间动态调度问题。设计了故障模拟与修复机制,提出了面向分布式阻塞流水车间的动态调度策略,以完工时间和系统稳定性为优化目标,构建了分布式阻塞流水车间干扰管理模型,针对重调度工件设计了基于差分进化思想的离散Memetic算法(Discrete Memetic algorithm based on differential evolution,DMA)。首先,设计了基于工件权重位置的种群初始化策略;随后,引入差分进化思想对重调度的目标空间进行邻域搜索;之后,提出了基于工件块的随机参考局部搜索策略,避免算法陷入局部最优。最后,通过对比实验验证了重调度算法的有效性和优越性。(5)结合分布式阻塞流水车间生产调度体系架构,开发了云-边缘结合的调度原型系统,实现了调度算法在云端的部署和集团调度业务的运行。随后,在某技术密集型企业搭建了边缘侧调度控制平台,以多品种、小规模和定制化产品为应用对象,对动态调度策略和DMA重调度算法的有效性进行了实例验证。该论文有图77张,表24个,参考文献186个。
沈楷程[3](2020)在《装配式建造过程返工风险研究》文中研究指明装配式建造是一个复杂的系统工程,其实施环节多,系统中存在复杂的交互作用,大量的研究和实践表明,以现场为重心的建造管理已经不适用于装配式建造,很多不确定因素影响装配式建造的发展,装配式建造还缺乏完善的计划控制体系,存在大量返工风险。因此,从装配式建造全过程的角度出发,研究适用于装配式建造的过程优化方法与返工风险管理体系是很有必要的。论文界定了返工风险,并从供应链、利益相关者和工艺流程的角度全面梳理了装配式建造过程的范围。基于文献调研、访谈调研和项目资料,从设计、生产和施工装配三个阶段识别返工风险因素,从人工、材料设备、工艺、环境四个方面得到41类返工因素,作为返工风险分类结果。论文从返工频率、返工成本和返工工期三个维度详细分析了返工影响,其中,设计是建造过程中返工影响最大的阶段,生产阶段的返工对成本有显着的影响。通过构建期望影响函数识别了返工影响较大的13个核心工作,包括设计阶段的所有过程,生产阶段20%的过程和施工阶段23.1%的过程,为后续过程优化和构建管理体系奠定基础。论文基于并行工程理论,从装配式建造过程的特点出发,构建了DSM模型来分析装配式建造过程中的依赖关系,结合图论识别并优化了耦合任务,减少任务之间的耦合迭代。针对返工风险传播方式,建立了以最小化成本和工期为目标的过程优化模型,将DSM模型与自适应遗传算法相结合,对装配式建造全过程进行了优化分析。通过改进精益项目交付体系构建装配式建造返工风险管理体系,明确了管理目标、内外环境和主体,评估了返工风险,并提出了相应的预防、自留、降低、转移等应对策略和监控措施,以指导装配式建造全过程的规范管理。论文将上述成果应用于装配式建造项目中,梳理了案例的基本情况和返工问题,改进了建造过程,从优化结果看出模型减少了返工对成本和工期的影响。评估项目返工风险并分析其监控措施,提出了应对策略和管理方案,在一定程度上验证了返工风险过程优化模型和返工风险管理体系的有效性。论文所确定的装配式建造返工风险和构建的返工风险过程优化模型,深化了智能优化方法在建造过程中的应用,拓展了工程风险管理理论和方法体系。所提出的返工风险管理体系,对科学指导装配式建造返工风险预测,提升项目建造的管理效率,丰富装配式建造的管理体系具有应用价值。
姜宇虹[4](2020)在《多精度数据驱动的昂贵优化问题求解及其在天线设计中的应用》文中研究表明作为无线电收发设备的关键部件,天线在通信、雷达等领域有广泛应用。传统的天线设计方法依赖于天线设计人员的电磁理论知识与经验,在面对具有挑战性的需求时,难以快速高效地找到较好的解决方案。数据驱动优化算法辅助的天线自动与半自动设计,能够综合考虑各项设计要求,获得最优天线结构。它降低了天线设计对工程经验的依赖,具有自动化、智能化的优点,是未来天线设计的必然发展趋势。但由于天线设计优化过程中需要频繁调用电磁仿真软件进行天线个体评估,导致算法的整体时间复杂度较大,难以适用于多参数复杂天线的设计。因此,提高优化效率,缩短优化时间成为演化天线设计中的研究热点。对此,部分研究人员在演化算法迭代寻优中调用计算成本低、仿真时间短的代理模型代替电磁仿真。不仅如此,不同精度的代理模型可以看作真实问题的不同近似,即对应不同精度的电磁仿真,会产生不同的近似误差与计算代价。数据驱动的多精度优化算法权衡优化性能与计算代价,旨在减少计算代价的同时得到满意的优化结果。本论文的主要目的就是研究多精度数据驱动的优化在天线设计中的应用。本文的主要研究工作如下:1)针对高斯模型代理建模中的超参数估计,通过观察似然函数特征,设计一个正则量计算表达式来保证超参数估计的计算稳定性与准确度,也就是保证整个数据驱动优化过程的稳定性与准确度,同时还提出一个用于确定高斯模型超参数的取值范围的方法。2)针对多精度高斯过程回归代理模型,分析与总结不同精度评估函数之间的相关性、评估代价比、高精度训练数据个体数以及不同精度评估个体的分配对代理模型的性能的影响,为多精度高斯模型的构造设计一套通用准则。3)针对多精度优化问题设计一个利用多个单响应高斯模型的优化算法,并使用多精度测试问题集验证算法性能。实验结果显示该算法在求解较高维度问题时性能优于同等代价的单精度优化。4)针对火山烟天线设计问题,采用单精度与多精度数据驱动高斯代理模型辅助的演化算法进行求解,并与差分演化算法作比较。除此之外,本文还提出了一种无需额外计算代价的提高演化天线鲁棒性的方法。实验结果表明,在有限的计算代价下,数据驱动代理模型辅助的演化算法求解天线问题具有优势,且双精度情形在消耗更少计算代价时能够获得与单精度情形不相上下的天线个体解。本文有两个创新点:a)针对如何保证高斯代理模型建模过程中超参数估计的计算稳定性与精确度,以及最大化似然函数前如何给定超参数取值范围这两个问题,本文通过观察与分析似然函数特征,给出明确的解决方法。b)针对多精度高斯过程代理模型,挖掘不同精度评估函数之间的相关性、评估代价比、高精度训练数据个体数以及不同精度评估个体的分配对代理模型的性能的影响。
袁午阳[5](2020)在《铁路客票预分与动态定价优化研究》文中提出随着我国高速铁路网络的不断完善,客运发送量不断增加,客票销售方案的制定已经成为铁路客运工作中的重要环节。同时,随着新技术的应用,客票销售更加网络化、集中化。然而目前我国铁路客票销售管理水平还有较大的提升空间:一方面,各条线路、不同时期客运需求差异大,不同线路票额预分方案的制定与调整主要依赖人工经验,缺乏精准适应不同场景的客票销售理论与方法;另一方面,从上世纪九十年代至今,我国铁路一直采用基于运行里程的定价方式,对客运需求的调节作用有限。本文在借鉴航空业收益管理理论的基础上,研究了我国铁路客票销售中票额预分和动态定价的建模与求解方法,具有重要的理论和现实意义。本文主要内容包括以下几个方面:(1)铁路客票销售的建模框架研究本文提出了由客票销售决策模型、客票销售过程模型和旅客行为模型三部分构成的铁路客票销售问题的基本建模框架,考虑了动态、随机的旅客购票行为以及复杂的铁路客票销售规则。通过应用马尔科夫决策过程理论和离散选择理论,将客票销售决策模型和旅客的购票行为模型有机地结合起来。在问题的求解上,由于模型结构带来了“维数灾难”的问题,本文引入了近似动态规划技术求解客票销售决策模型。建模框架的提出有效解决了复杂客票销售规则和旅客行为的模型表达问题,是分析与解决票额预分和动态定价优化问题的基础。(2)票额预分的优化方法研究票额预分是我国铁路目前广泛采用的一类客票销售规则,它由席位共用、复用等多种类型的客票销售规则复合而成。如何通过模型细化表达票额预分机制是解决票额预分优化问题的重点。本文运用提出的建模框架通过模型语言表达票额预分机制,并且采用了遗传算法求解了共用分组的票额分配问题。通过进行仿真实验,本文验证了求解结果的可行性。实验结果表明,优化后的票额预分方案能够显着提高客票销售收入。(3)基于动态投标价格的铁路动态价格问题研究动态价格是铁路客运市场化运营的重要机制之一。目前,航空业和旅店业主要通过投标价格控制的方式对产品进行动态定价。本文运用这种方式来制定铁路车票的的动态价格。在建模框架的基础上,本文通过引入最优控制问题与值函数近似方法,构建动态规划模型来计算投标价格。在问题的求解中,将问题进行转换和简化,为了解决产生的大规模线性规划问题,提出了动态聚合方法与列生成方法。所提出的近似求解方法有效减少了变量和约束的数量。求解测试表明,所提出的方法能够在更短的求解时间内准确求解投标价格问题。此外,对不同换乘意愿的旅客进行的客票销售仿真实验表明,旅客换乘意愿的增加会带来售票收入的无明显趋势的随机波动。(4)基于网络模型的铁路动态价格问题研究在铁路动态价格问题的研究中,本文还尝试采用了另一种基于网络模型的建模方法,即通过状态网络将旅客出行行为和动态价格机制表达为网络中的路径。通过求解一类网络路径问题,可以不需要制定投标价格,直接得到动态价格。针对这类网络路径问题,本文研究了求解它的拉格朗日启发式方法,通过运用拉格朗日函数分解方法和采用带有置信范围的割平面法,该问题可以并行地快速求解。数值实验表明,该方法能够减少求解过程中拉格朗日乘子的震荡,稳定地逼近最优解。(5)南广高速铁路案例研究以南广高铁2016年暑运为背景,本文在不同的需求场景下,按照本文提出的优化方法,通过仿真实验测试了包括票额预分和动态价格在内的不同类型的客票销售规则对客票销售收入的影响。案例结果表明,灵活运用席位存量和动态定价的客票销售规则能够显着提高客票销售收入。
蒋祥明[6](2020)在《基于演化多目标优化的高光谱图像解混》文中认为随着航空航天技术的发展和光谱成像技术的进步,高光谱图像的可获得性和可利用性得到了显着的提升。因为可以同时提供地物的空谱信息,高光谱图像已经广泛应用于目标的分类、检测、识别等任务中,并在食品安全、环境监测、农林资源评估、医学诊断等应用领域取得了一系列的成果。然而,鉴于高光谱图像的分辨率有限且地物的分布复杂多样,其像元光谱通常是多种纯物质光谱的混合。为了获得对地物目标更深入的理解,通常需要对高光谱图像进行解混处理,得到每个像元中所包含的纯物质光谱(端元)和它们在该像元中所占的比例(丰度)。高光谱图像解混除了需要优化解混误差之外,通常还需要优化一些先验知识所启发的正则项,所以它本质上是一个多目标优化问题。传统的优化方法通常需要将多个目标通过正则加权的方式整合成单目标,因而面临着先决策后求解的困境,即:在求解问题之前需要对多个目标进行权衡并选定合适的正则参数。其次,为了便于求解,传统优化方法通常对所构造正则项的解析特性(如凸性、可微性等)具有严格的要求,这往往会弱化该正则项对先验知识的刻画能力。相较之下,多目标优化无需引入正则参数,可以利用基于群体的演化算法获得一组目标间的非支配解集,是一种先求解后决策的方法。决策者可以根据实际问题的偏好从非支配解集中选择或集成出最终解。而且,多目标演化方法对目标函数的形式和性质要求不高,建模简单,因而对实际问题的建模能力更强。本文围绕高光谱图像解混的演化多目标优化方法展开研究。基于外部光谱库和自词典的思想,逐步将线性、双线性、非线性高光谱混合问题建成多目标稀疏优化问题,并基于分解的多目标演化框架提出了一系列群体优化算法。具体内容如下:(1)提出了一种多目标稀疏非负矩阵分解的模因算法。非负矩阵分解能够在实现数据非线性维数约减的同时,得到其关于局部可解释特征的稀疏表示。为了进一步探索数据在不同稀疏度下的本质结构,本文将稀疏非负矩阵分解问题建模成多目标稀疏优化问题,并提出基于分解的模因算法来搜索问题的一组非支配解集。在模因算法中,除了基于种群的全局搜索,还专门设计了基于个体的掩蔽投影梯度算子用于局部搜索。对比实验结果表明,本方法能够在保持高分解精度的同时,获得数据在不同稀疏度下的本质特征和基于这些特征的稀疏表示。(2)基于外部光谱库,提出了一种两阶段多目标稀疏高光谱解混算法。在第一阶段,同时优化解混误差和端元数目两个目标,并提出基于分解的离散变量优化算法来搜索目标间的一组非支配解集。实验结果表明,该解集的帕累托前沿具有显着的膝点区域,且对应于该区域的解所识别出的端元通常与图像的真实端元一致。因此,可以利用膝点查询算法确定所要估计的端元。在第二阶段,基于已估计的端元,同时优化解混误差和丰度的全变分项,并提出基于分解的模因算法来搜索一组丰度的非支配解集。在模因算法中,采用非负矩阵分解的乘性迭代算子作为局部搜索策略。最后,从非支配解集中根据应用偏好选择最终的丰度。实验结果表明,本方法在估计端元和丰度两方面都具有出色的表现。(3)提出了一种空谱目标改进的两阶段多目标稀疏高光谱解混算法。为了提升高噪声下的端元识别精度并实现丰度估计的一体化,在端元估计阶段,利用光谱相关角和欧氏距离构造了一个复合光谱相似度量,综合考虑重构光谱和真实光谱间的形状和幅度差异,以提升算法在高噪声下的端元识别性能;在丰度估计阶段,构造了基于2,∞范数的解混误差量度,并在该量度下重新设计了更具有像元针对性的遗传算子,实现了同步估计所有像元丰度的目的。对比实验结果表明,本方法在高噪声干扰下的端元和丰度估计精度均有提升,且时间复杂度显着降低。(4)提出了一种基于双线性混合模型的多目标端元识别算法。相对于线性混合模型,双线性混合模型更适于刻画二次散射难以忽略的光谱混合过程。然而,大多数双线性解混方法都是基于已知端元构造可能存在的二次散射项,并在此基础上估计一次、二次散射的丰度。它们并没有在双线性混合的范式下进行端元估计,如果端元的初始化不准确,会导致所估计的丰度也不准确。为了解决该问题,通过将二次散射看做虚拟端元,建立了双线性混合下的稀疏多目标端元识别模型。在一些直观的约束下,问题的解空间明显减小,加上专门为虚拟端元设计的搜索算子,算法的寻优效率得到显着提升。对比实验结果表明,本方法在双线性混合数据上具有更高的端元估计精度,且时间复杂度与线性多目标端元估计方法相仿。(5)针对复杂的非线性混合数据,提出了一种数据驱动的稀疏多目标端元提取方法。假定光谱数据的分布符合离散的非线性流形,且端元位于流形的极端点,则端元沿着流形所张成的非线性单形体在同维度单形体中具有最大的体积。通过引入凯利-门格尔行列式,可以利用顶点间的测地线距离近似计算非线性单形体的体积。多目标优化模型通过搜索数据流形的边界点可以得到一组对应于不同端元数目的最大非线性单形体,根据它们的体积变化情况并结合先验信息可以确定最优的端元组合。为了提升方法的计算效率和稳健性,本章还设计了边界点检测方法缩小端元识别范围,并采用多元线性回归技术对数据进行局部去噪。对比实验结果表明,本算法在非线性混合数据上具有更高的端元估计精度。
朱强[7](2020)在《高性能数值微分博弈 ——一种机器智能方法》文中研究说明人工智能,是指由人制造的机器所表现出的智能。在工业革命时代,我们通过思考制造机器;而到了人工智能时代,我们制造会思考的机器。在人工智能革命前,所有人类生产技术和生产方式的革命均可称为人类学习和发现的过程,是人类大脑的专利。而放眼未来,人工智能终将继承人类的这一特质。人工智能对未来的改变,是对我们一点一滴形成知识体系过程本身的自动化,是用机器取代人类过程本身的自动化。人工智能技术从概念提出到今日蓬勃发展已历经几个世纪,在此过程中弱机器意识问题的理论体系以及实际应用日趋完备,同时机器行为学也得到了迅猛发展。而在下一代人工智能技术发展中,科学家们试图把机器视为可以独立思考的个体,从而研究强机器意识问题。但目前我们对此问题仍没有足够深刻而统一的认识,且现阶段面临着诸多方向性和技术性的难题,所以我们当下的研究重点仍然放在无意识的人工智能领域技术和基本原理的突破上。本文将从机器智能研究和机理建模的角度来研究无意识人工智能技术。机器智能是利用机理建模的方法描述一个系统内部运作的机制,同时配以控制论和优化理论作为决策辅助,从而实现机器的智能决策和最优操作。机器智能不再是一种简单的仿人智能,也不再依赖于人类所谓的“最优经验”和海量的数据样本,而是基于对机器系统内部特征的充分认识构建机理模型,之后利用数学物理方法进行科学决策的一种智能技术。机理建模技术在机器智能中充当着重要角色,是机器智能的决策基础,其可以在大范围内描述系统的非线性特征,具有较好的外推能力,适应性强。在使用上述技术思路研究无意识人工智能技术时,假设我们对机理模型已经有了充分认识,则机器智能科学决策中的相关控制理论和最优化理论就是本文最重要的研究内容。为处理当前万物互联背景下各种利益关系中多智能体系统的智能决策和最优操作问题,本文基于微分博弈理论和数值优化技术构建了一套高性能微分博弈数值优化算法,来对机理建模后的系统进行智能决策和最优操作分析,从而建立了一种机器智能方法来支撑人工智能研究。本文主要研究内容概括如下:1.微分博弈基本理论的介绍及已有求解算法的构造及验证。首先,本文针对微分博弈理论的基本概念、分类及性质做了详实的介绍,同时还介绍了目前较为成熟的微分博弈求解算法,如解析法、数值间接法及启发式算法等。在此基础上,本文针对三类典型的微分博弈,即竞争对抗微分博弈、非合作微分博弈及合作微分博弈进行求解框架分析,赋予每种微分博弈实际的工业、军事应用背景,构建每种微分博弈的数学优化命题,并利用成熟的计算方法进行仿真求解。2.微分博弈问题数值优化求解算法。针对传统微分博弈求解算法存在的缺陷,本文从数值直接求解算法入手,用以克服已有算法的不足,从而保证各种复杂场景、各种利益关系下的微分博弈问题成功求解。本文提出了两种数值直接求解算法:联立迭代分解正交配置法(SOCD,Simultaneous Orthogonal Collocation Decomposition)和联立直接间接混合法(SSD,Simultaneous Semi Direct)。前者的算法核心是:先将微分博弈中的极大极小化问题分解为两个轮流交替求解的普通动态优化子问题,之后针对每个子问题采用正交配置法将其离散化为非线性规划(NLP,NonLinear Programming)问题,最后求解该NLP问题,直到优化结果成功收敛为止。后者的算法核心是:先使用间接法得到某一位玩家A动态优化问题的一阶最优性必要条件,之后使用直接法求解另一位玩家B的动态优化问题,同时把玩家A的一阶最优性必要条件当作是玩家B动态优化问题中的约束来看待。这样就可以分别使用间接法和直接法来获得玩家A和B的微分博弈最优策略。本文对上述两种算法的细节进行了详细描述,同时配以工业、军事等领域仿真案例加以解释说明。此外,本文还提出了滚动时域优化算法(RHO,Receding Horizon Optimization),用于求解不确定性微分博弈问题。3.微分博弈问题高性能数值优化求解算法。在实际的微分博弈数值优化求解过程中,我们还面临着来自优化求解收敛性、实时性及准确性方面带来的诸多挑战。首先,对于增强微分博弈问题数值优化求解算法的收敛性,本文分别提出了基于回溯同伦法(HBM,Homotopy-based Backtracking Method)的初值化生成策略以及收敛深度控制算法(CDC,Con-vergence Depth Control),用以保证优化求解的收敛性并提高收敛过程的计算效率。其次,为了解决微分博弈动态优化问题在线求解计算耗时长,优化收敛难的问题,本文提出了一种基于灵敏度信息的微分博弈优化求解实时性提升算法(SRI,Sensitivity-based Real-time Im-provement)。该算法利用当前 NLP 问题优化结果的灵敏度信息实现在线预估未来优化周期内的微分博弈近似最优解,同时通过背景计算和离线矫正等手段进一步提升预估解的精度,从而保证既快又准地获得微分博弈动态优化问题的最优解。最后,为了提高微分博弈优化求解的精度并保证求解结果的最优性,本文提出了改进的hp自适应网格精细化策略(mhp-AMR,modified hp-Adaptive Mesh Refinement),该策略分别通过自适应调整网格个数以及插值多项式的阶次来精准捕捉控制变量的跳变点位置以及保证用来近似控制变量和状态变量的曲线足够光滑,从而提高微分博弈优化求解的准确性并保证求解结果的最优性。4.微分博弈问题数值优化求解算法结果稳定性分析。在实际应用场景中,除需要关注微分博弈问题如何求解、如何极大化目标函数以及如何提升优化算法的性能外,我们还需要关注微分博弈系统在优化求解过程中是否一直保持稳定。我们首先提出了一种针对微分博弈数值求解算法优化结果稳定性分析的理论分析工具——输入状态实际稳定性(IS p S,Input-to-State practical Stability)。之后,本文基于ISpS对不确定性微分博弈、合作微分博弈以及非合作微分博弈问题进行了优化结果稳定性分析并给出了相关证明。最后,本文通过工业仿真案例对微分博弈数值求解算法优化结果稳定性分析进行了有效性验证。
许传博[8](2020)在《计及不确定性与协同性的微电网项目投资组合优化研究》文中研究表明微电网是未来分布式能源的重要载体,其作为泛在电力物联网的重要组成部分,在城市区域、海岛及偏远地区均有广泛的应用前景。与此同时,微电网的建设隶属于新型基础设施建设的范畴,其投资建设将助力我国经济培育新增长点、形成新动能。本文以微电网项目为主体,从能源电力企业角度对其投资组合优化问题展开了研究。在对微电网项目战略对应度评估的基础上,由浅入深地构建了静态、动态、多阶段动态三种情景下的微电网项目投资组合优化模型。针对不同模型的特点,分别引入分枝定界算法、改进差分进化算法、多智能体强化学习算法进行求解,从而探索了能源电力企业在各种情景下的微电网项目最优投资组合策略。首先,论文梳理了微电网项目投资组合优化的研究背景及意义,开展了对国内外微电网项目和项目投资组合优化问题及其方法的研究综述,并概述了项目组合管理、项目投资组合优化、项目评估模型及方法、组合优化模型及方法、不确定性等相关基础理论与方法,为后续的研究奠定了理论基础和研究范围。然后,论文研究了计及双重不确定性的微电网项目战略对应度评估问题。在对中国大型能源电力企业的战略目标进行分析的基础上,提炼出绿色发展战略、效益导向战略、科技创新战略及和谐发展战略这四大重点战略目标;结合文献综述对战略目标进行分解,建立起一套完备的微电网项目战略对应评估指标体系;针对微电网项目中多种不确定性因素的影响,采用云模型来描述微电网项目的模糊-随机双重不确定性;提出云层次分析法和基于K-means算法改进的云PROMETHEE-II算法进行微电网项目的战略对应度计算。该部分研究可为能源电力企业的微电网项目的初步筛选提供理论依据。其次,论文研究了计及不确定性和协同性的微电网项目静态投资组合优化问题。对微电网项目的协同因素进行识别,针对微电网项目间可能存在的电力交易提出了新的运营协同因素;基于现有文献中对项目间协同性刻画不充分的缺陷,采用云Choquet积分结合模糊测度对微电网项目协同性进行量化;考虑到非线性问题求解的复杂性,对构建的不确定0-1非线性规划模型采用MCPPSP-GW模型进行等价线性化处理,转化为不确定0-1线性规划模型;采用精确算法中的分支定界法对不确定0-1线性规划模型进行求解。该部分研究可为能源电力企业在现有微电网项目无调整的单决策时点情景下提供投资组合决策依据。再次,论文研究了计及不确定性和协同性的微电网项目动态投资组合优化问题。引入动态的概念来考虑现有微电网项目的调整,包括升级、维持以及放弃动作;在考虑微电网项目的机会成本与沉没成本的基础上,以总净现值最大化为目标,构建微电网项目动态投资组合不确定性0-1非线性规划模型;采用云模型的去不确定性公式将其转化为确定性0-1非线性规划模型;针对差分进化算法易陷入局部最优的缺陷,提出了增加自适应算子和结合粒子群算法的一种改进差分进化算法对模型进行求解。该部分研究可为能源电力企业在现有微电网项目有调整的单决策时点情景下提供投资组合决策依据。最后,论文研究了计及不确定性和协同性的微电网项目多阶段动态投资组合优化问题。引入多阶段的概念来考虑企业在一个规划期内的连续动态投资组合问题;基于发电成本与项目电价的不确定性,采用实物期权法确定每个新微电网项目的最佳投资时机;考虑到多阶段的时序决策问题,将微电网项目多阶段动态投资组合优化问题建模为马尔可夫决策过程,并对相应的状态、动作和奖励进行定义;将每个微电网视为一个智能体,提出随机博弈理论与强化学习算法相结合的多智能体强化学习算法,对微电网项目多阶段动态投资组合优化问题进行求解。该部分研究可为能源电力企业在现有微电网项目有调整的连续多决策时点情景下提供投资组合决策依据。
刘丹[9](2020)在《基于元启发式算法的体检机构顾客预约与顺序调度研究》文中研究表明随着国民经济水平的提高及健康意识的增强,定期进行健康体检的人越来越多。国内大部分体检机构仍处于传统的管理模式,工作效率低,导致了体检机构的排队问题日益严重,影响了顾客满意度。顾客调度是减少顾客等待的有效手段之一。体检服务的顾客调度主要包含顾客的预约调度与体检项目的顺序调度优化。因此,本文针对体检顾客,从预约调度及体检项目顺序调度两个方面进行研究,以减少顾客的等待时间。主要研究内容包括以下三方面:首先,针对顾客体检项目顺序调度问题,假设服务时长固定,建立了多目标混合整数规划模型,并设计了混合遗传算法进行求解。数值实验通过对比混合遗传算法、基本遗传算法以及启发式调度策略,验证了所提解决方案的有效性。其次,针对顾客体检项目顺序调度问题,假设服务时长随机,本文基于仿真优化算法的架构,结合序优化思想,将混合遗传算法作为进化策略,并通过最优计算量分配方法,形成了仿真资源的全局和自适应优化分配机制。数值实验通过将仿真优化算法的结果与不同的启发式调度规则对比,验证了所设计的仿真优化算法的有效性。最后,针对顾客预约调度问题,考虑了固定服务时长和随机服务时长两种情况。使用了多人时间槽调度规则,对每个调度批次内的顾客数量进行优化,同时安排每批次顾客的检查项目顺序。对于确定服务时长问题,本文在遗传算法的基础上提出了改进的基于交叉亲和度评价的多种群遗传算法。将多种群遗传算法的结果与混合遗传算法的结果对比,验证算法的有效性。对于随机时长问题,建立了两阶段仿真优化框架,将多种群遗传算法作为仿真优化算法的迭代策略。将算法结果与使用混合遗传算法作为迭代策略的两阶段仿真优化结果作对比,验证算法的有效性。本研究的结果不仅可以为体检机构和类似服务机构的管理者提供有效的顾客调度方法,以减少顾客等待时间,提高资源利用水平,增加体检机构的竞争力,还可以辅助体检机构管理者进行决策,增加关键项目设备或人员投入,平衡拥堵项目和非拥堵项目的服务能力,以此提高体检系统的整体服务水平。
孔敏[10](2020)在《面向离散制造过程考虑高效节能的生产调度优化问题研究》文中指出快速增长的制造产品需求使得全球能源消耗水平持续走高,在太阳能、风能等可再生能源未成为全球能源消耗来源的主体之前,煤炭、石油、天然气等化石类不可再生能源仍然是全球能源消耗来源的主力。面对化石类能源可能带来的环境污染和资源短缺问题,节能减排已经成为各国政府和能源消耗密集型企业共同关心的课题。除了开发节能装置等硬件技术外,立足于计划和调度层面进行能源的有效利用正在成为学术界的研究热点。本文研究了供电可断、分时能源消耗成本、机器处理速度可控以及柔性车间配置等四类节能机制,以数控机床切割过程以及钢铁连铸和轧制过程为背景,分别研究了四类高效节能生产调度优化问题。为解决上述问题,分析了各个节能机制对企业生产调度方案的影响,提出了问题最优调度方案的结构化性质,并据此开发了具有针对性的启发式算法或者改进元启发式算法,算法性能在一系列仿真实验中得到了验证。本文主要研究内容和创新点可以概括如下:1)研究了带有能源消耗和机器启动成本的订单接收和调度问题,分析了单机情形下该问题的结构化性质,提出了改进的变邻域搜索算法,利用仿真对比实验验证了所提算法的有效性。在传统的订单接收和调度问题中引入了机器启动选择、订单的释放时间、订单生产恶化效应等因素,目标是最大化绿色制造系统净收益。分析了该问题单机情形下最优调度方案关于订单内工件排序、订单排序和能源消耗成本计算等结构化性质,给出了该问题NP难性质的证明,设计了求解最优解决方案的单机调度算法。针对一般性问题,提出了改进的变邻域搜索算法,为了扩大邻域空间,结合编码和解码规则设计了交叉邻域结构和变异邻域结构等两类邻域结构。提出了基于动态规划算法的适应度值度量方法,以提供订单选择和机器启动选择方面的相关决策。仿真实验结果表明,所提改进变邻域搜索算法优于其他变邻域搜索算法以及其他基线算法。2)研究了分时能源消耗成本情形下高效节能生产重调度优化问题,分析了原有调度方案和重调度方案的最优化性质,提出了一类改进的变邻域搜索算法,通过与不同基线算法的对比验证了所提算法的有效性。在经典的平行机重调度优化模型的基础上,考虑了分时能源消耗成本和线性恶化效应等因素,目标函数是在考虑重调度扰动指标满足一定限制的前提下最小化制造系统总能源消耗成本。分析了原有调度方案和重调度方案在工件排序、能源消耗成本计算等方面的性质,设计了包含三种新型互换邻域结构的改进变邻域搜索算法,开发了基于动态规划算法的适应度值计算方法,以最优化分配各个机器上的扰动指标。仿真实验结果表明,所提算法较人工蜂群算法和差分进化算法而言,在求解上述重调度优化模型上具有一定的优势。3)研究了加工速率可控情形下考虑高效节能的混合生产调度优化问题,分析了单机调度问题的结构化特性,提出了基于动态规划算法的单机调度算法,开发了一系列多机情形下针对混合制造系统调度优化问题的启发式算法。混合制造系统环境下考虑了工件可变加工速度以及工件生产恶化效应的调度优化模型,目标函数是在总能耗成本和再制造成本预算的限制下最大程度地缩短制造周期。基于单机最优调度方案的结构化性质,提出了基于动态规划算法的单机调度算法,可以提供产品再制造选择、工件处理顺序、工件加工速度等方面的决策支持。同时考虑了能源成本预算无限以及给定工件集合最小化能源消耗成本的特例问题,并提出了相应的动态规划算法。针对多台机器的混合制造系统调度优化问题,提出了两类简单启发式算法以及一种贪婪算法。多组仿真实验分析了三类算法的求解性能。4)研究了柔性供应链情形下考虑工件恶化效应和高效节能的生产调度优化问题,构建了考虑平行批处理和恶化效应的生产和运输协同调度模型,目标函数是最小化总能源消耗水平和运输成本的总和。针对任一给定机器情形,提出了关于批生产和批排序的结构化特性。基于这些性质,开发了一种基于动态规划的启发式算法,以确定各个批运输点。为解决一般问题,提出了一种有效的混合智能优化算法,该算法结合了偏随机键遗传算法和花朵授粉算法,其中偏随机键遗传算法作为算法外围框架主要是将工件分配至机器上,基于花朵授粉算法的遗传算子主要用于种群的迭代。仿真实验结果表明,所提算法在求解质量和收敛性都优于偏随机键遗传算法、花朵授粉算法以及粒子群算法。本文系统地研究了面向离散制造过程的高效节能调度优化问题,研究内容涵盖了四类有效的工业生产节能机制,并考虑了诸如生产恶化效应、批生产等实际工业生产因素。研究成果丰富了高效节能生产调度方面的理论研究,在一定程度上可以为钢铁企业等能源消耗密集型企业提供节能减排方面的决策支持。
二、随机仿真优化的一类遗传序优化框架(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、随机仿真优化的一类遗传序优化框架(论文提纲范文)
(1)集装箱班轮的港口运行时间规律及其应用研究(论文提纲范文)
创新点摘要 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外相关研究现状及进展 |
1.2.1 关于集装箱班轮港口运行时间的概率分布研究 |
1.2.2 关于港口运行时间在集装箱港口管理中的应用研究 |
1.3 研究内容及论文结构 |
1.3.1 研究内容 |
1.3.2 论文结构 |
2 基础理论 |
2.1 相关理论 |
2.1.1 随机过程 |
2.1.2 排队论 |
2.2 相关方法 |
2.2.1 数理统计方法 |
2.2.2 系统仿真方法 |
2.2.3 港口优化问题中适用算法 |
2.2.4 Pareto解的选择方法 |
2.3 本章小结 |
3 集装箱班轮的港口运行时间规律分析及实证 |
3.1 引言 |
3.2 集装箱班轮的港口运行时间特征分析 |
3.2.1 运行特点 |
3.2.2 到港时间间隔及装卸服务时间特征分析 |
3.2.3 偏差时间特征分析 |
3.2.4 概率分布函数性质分析 |
3.3 数据采集与检验方法 |
3.4 集装箱班轮的到港时间间隔和装卸服务时间规律数据实证 |
3.4.1 间隔时间规律 |
3.4.2 服务时间规律 |
3.5 集装箱班轮的偏差时间规律数据实证 |
3.5.1 到港偏差时间规律 |
3.5.2 服务偏差时间规律 |
3.6 本章小结 |
4 基于集装箱班轮港口运行时间规律的集装箱港口泊位通过能力估算 |
4.1 引言 |
4.2 研究背景 |
4.3 问题描述 |
4.3.1 集装箱码头通过能力 |
4.3.2 影响泊位通过能力的因素 |
4.3.3 泊位服务水平 |
4.3.4 基于E_k/E_k/S的集装箱码头复合排队过程 |
4.4 模型构建 |
4.4.1 模型假设 |
4.4.2 符号含义 |
4.4.3 数学模型 |
4.5 仿真流程设计 |
4.6 计算结果与讨论 |
4.6.1 不同概率分布函数对仿真结果的影响 |
4.6.2 两种管理方式下泊位通过能力对比 |
4.7 本章小结 |
5 基于集装箱班轮港口运行时间规律的集装箱港口泊位分配计划优化 |
5.1 引言 |
5.2 问题描述 |
5.2.1 泊位分配计划 |
5.2.2 制定泊位分配计划的基本流程 |
5.3 模型构建 |
5.3.1 模型假设 |
5.3.2 符号定义 |
5.3.3 数学模型 |
5.4 算法设计 |
5.4.1 染色体编码 |
5.4.2 初始择优策略设计 |
5.4.3 遗传操作 |
5.4.4 内部仿真模块设计 |
5.5 数值计算 |
5.5.1 输入数据 |
5.5.2 计算结果 |
5.5.3 算法有效性检验 |
5.5.4 不同概率分布函数对机动时间损失计算的影响 |
5.6 本章小结 |
6 基于集装箱班轮港口运行时间规律的泊位及岸桥协同调度优化 |
6.1 引言 |
6.2 问题描述 |
6.3 模型构建 |
6.3.1 模型假设 |
6.3.2 符号定义 |
6.3.3 泊位及岸桥协同调度双目标优化模型 |
6.4 算法设计 |
6.4.1 染色体编码与初始种群生成 |
6.4.2 遗传操作 |
6.4.3 叠加式局部搜索算法设计 |
6.4.4 基于叠加式局部搜索的NSGA-Ⅱ算法步骤 |
6.4.5 Pareto解的选择 |
6.5 数值计算 |
6.5.1 基本数据 |
6.5.2 方案优化 |
6.5.3 不同概率分布函数对结果的影响 |
6.6 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
作者简历及攻读博士学位期间的科研成果 |
致谢 |
(2)分布式阻塞流水车间调度方法研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景和意义 |
1.2 研究目标 |
1.3 相关领域国内外研究现状 |
1.4 研究现状总结及问题分析 |
1.5 研究内容 |
2 分布式阻塞流水车间调度体系架构研究 |
2.1 概述 |
2.2 分布式制造模式特点分析 |
2.3 分布式阻塞流水车间调度业务流程和关键决策点 |
2.4 分布式阻塞流水生产调度体系架构研究 |
2.5 分布式生产调度管控模式设计 |
2.6 本章小结 |
3 分布式阻塞流水车间静态调度研究 |
3.1 概述 |
3.2 分布式阻塞流水车间静态调度数学模型 |
3.3 标准果蝇优化算法介绍 |
3.4 离散果蝇优化算法流程描述 |
3.5 实验对比与分析 |
3.6 本章小结 |
4 分布式阻塞流水车间绿色调度研究 |
4.1 概述 |
4.2 分布式阻塞流水车间绿色调度数学模型 |
4.3 标准分布估计算法介绍 |
4.4 多目标分布估计算法流程描述 |
4.5 实验对比与分析 |
4.6 本章小结 |
5 分布式阻塞流水车间动态调度研究 |
5.1 概述 |
5.2 分布式阻塞流水车间动态调度流程关键问题研究 |
5.3 分布式阻塞流水车间动态调度数学模型 |
5.4 分布式阻塞流水车间动态调度策略 |
5.5 基于差分进化的Memetic算法流程 |
5.6 实验对比与分析 |
5.7 本章小结 |
6 分布式阻塞流水车间调度系统实现及应用 |
6.1 概述 |
6.2 分布式阻塞流水车间调度系统框架 |
6.3 系统开发模式和配置 |
6.4 系统应用模块设计 |
6.5 系统功能框架设计 |
6.6 系统功能实现和界面展示 |
6.7 系统应用实例 |
6.8 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 论文创新点 |
7.3 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(3)装配式建造过程返工风险研究(论文提纲范文)
摘要 |
abstract |
主要符号对照表 |
第1章 引言 |
1.1 研究背景 |
1.2 文献综述 |
1.2.1 装配式建造研究现状 |
1.2.2 返工风险研究现状 |
1.2.3 并行工程和精益建造理论研究现状 |
1.2.4 过程优化方法研究现状 |
1.2.5 文献总结 |
1.3 研究目标与意义 |
1.3.1 研究目标 |
1.3.2 研究意义 |
1.4 研究内容及技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线图 |
1.5 论文结构安排 |
第2章 装配式建造全过程返工风险识别 |
2.1 装配式建造全过程返工风险研究的界定 |
2.1.1 返工风险的定义 |
2.1.2 装配式建造全过程的范围 |
2.1.3 返工风险研究框架 |
2.2 返工风险识别的方法和过程 |
2.2.1 返工风险识别的方法与依据 |
2.2.2 访谈调研 |
2.2.3 项目资料分析 |
2.3 返工风险分类 |
2.3.1 返工风险分类原则 |
2.3.2 返工风险分类过程 |
2.3.3 返工风险分类结果 |
2.4 本章小结 |
第3章 装配式建造全过程返工风险影响分析 |
3.1 返工风险影响分析维度和调研过程 |
3.1.1 影响分析维度 |
3.1.2 调研方法 |
3.1.3 调研过程 |
3.2 访谈设计及调研 |
3.2.1 访谈设计 |
3.2.2 正式调研及数据统计 |
3.3 返工影响分析 |
3.3.1 返工频率 |
3.3.2 返工成本 |
3.3.3 返工工期 |
3.3.4 期望影响 |
3.4 本章小结 |
第4章 装配式建造过程优化 |
4.1 过程优化对象及方法 |
4.1.1 过程优化对象 |
4.1.2 过程优化方法 |
4.2 耦合任务优化 |
4.2.1 依赖关系识别 |
4.2.2 耦合任务集识别 |
4.2.3 耦合任务集优化模型 |
4.2.4 应用验证1 |
4.3 基于返工风险影响的过程优化模型构建 |
4.3.1 返工风险传播关系 |
4.3.2 返工矩阵的定义 |
4.3.3 模型参数 |
4.4 优化算法及求解过程 |
4.4.1 遗传算法在DSM中的应用 |
4.4.2 目标函数及适应度函数 |
4.4.3 遗传编码及种群 |
4.4.4 遗传算子 |
4.4.5 终止条件 |
4.4.6 算法流程 |
4.4.7 应用验证2 |
4.5 本章小结 |
第5章 装配式建造返工风险管理体系 |
5.1 返工风险管理体系框架的构建 |
5.1.1 构建返工风险管理体系的必要性 |
5.1.2 管理体系的构建原则和维度 |
5.1.3 返工风险管理体系框架 |
5.2 返工风险评估和应对 |
5.2.1 风险评估要素 |
5.2.2 返工风险评估方法 |
5.2.3 返工风险应对 |
5.3 返工风险监控与学习 |
5.3.1 返工风险监控 |
5.3.2 返工风险学习 |
5.4 本章小结 |
第6章 实证分析 |
6.1 项目概况 |
6.1.1 项目基本信息 |
6.1.2 项目主要进度安排 |
6.1.3 责任主体 |
6.1.4 项目返工问题 |
6.2 耦合任务优化模型应用 |
6.2.1 项目建造过程依赖关系识别 |
6.2.2 项目耦合任务集识别 |
6.2.3 项目耦合任务优化 |
6.3 返工风险过程优化模型应用 |
6.3.1 初始参数 |
6.3.2 模型仿真 |
6.4 项目返工风险管理体系应用 |
6.4.1 项目返工风险评估 |
6.4.2 项目返工风险应对 |
6.4.3 项目返工风险监控和学习 |
6.4.4 项目返工风险管理方案 |
6.5 本章小结 |
第7章 结论与展望 |
7.1 研究主要工作与结论 |
7.2 研究创新点 |
7.3 研究局限及展望 |
参考文献 |
致谢 |
附录 A 访谈专家信息 |
附录 B 装配式建筑项目返工影响调查问卷 |
个人简历、在学期间发表的学术论文与研究成果 |
(4)多精度数据驱动的昂贵优化问题求解及其在天线设计中的应用(论文提纲范文)
作者简历 |
摘要 |
abstract |
第一章 绪论 |
1.1 天线设计昂贵优化求解问题介绍 |
1.2 演化天线概述 |
1.2.1 演化算法 |
1.2.2 演化天线设计 |
1.3 多精度数据驱动优化的国内外前沿进展 |
1.3.1 数据驱动代理模型 |
1.3.2 常用代理模型 |
1.3.3 代理模型辅助优化框架 |
1.3.4 多精度数据驱动 |
1.3.5 数据驱动优化发展现状 |
1.4 本论文的主要研究工作和创新之处 |
1.5 本文的组织结构 |
1.6 本章小结 |
第二章 多精度数据高斯模型的超参数估计改进 |
2.1 最大似然估计 |
2.2 改进设计 |
2.2.1 问题描述 |
2.2.2 改进基本思想 |
2.3 测试函数与所选算法 |
2.3.1 测试函数 |
2.3.2 所选算法介绍 |
2.4 参数设置与结果分析 |
2.4.1 参数设置 |
2.4.2 实验结果分析 |
2.5 本章小结 |
第三章 基于多精度高斯模型辅助的多精度数据优化 |
3.1 多精度高斯过程模型 |
3.2 多精度模型的构造 |
3.3 测试函数 |
3.4 精度相关性与评估代价比的影响 |
3.5 高精度评估次数的影响 |
3.6 高低精度评估个体数分配的影响 |
3.7 本章小结 |
第四章 基于多个单精度高斯模型辅助的多精度优化算法 |
4.1 设计思路 |
4.2 算法框架 |
4.3 测试问题及实验结果 |
4.4 本章小结 |
第五章 多精度数据驱动的天线设计 |
5.1 天线智能优化软件 |
5.1.1 软件体系结构 |
5.1.2 软件界面 |
5.1.3 软件接口 |
5.1.4 数据结构 |
5.1.5 软件模块设计 |
5.1.6 数据驱动演化天线流程 |
5.2 天线性能参数 |
5.3 鲁棒性研究 |
5.4 火山烟天线设计 |
5.4.1 天线问题构造 |
5.4.2 优化设计结果 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 总结 |
6.2 未来展望 |
6.2.1 工作不足 |
6.2.2 工作展望 |
致谢 |
参考文献 |
(5)铁路客票预分与动态定价优化研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 问题的提出 |
1.2.1 票额预分问题 |
1.2.2 动态价格问题 |
1.2.3 收益管理理论 |
1.3 研究综述 |
1.3.1 收益管理问题的建模研究 |
1.3.2 旅客行为模型的研究 |
1.3.3 对我国铁路客票销售问题的研究 |
1.3.4 既有研究中存在的问题 |
1.4 技术路线 |
2 铁路客票销售问题建模框架 |
2.1 铁路客票销售问题 |
2.2 客票销售决策模型 |
2.3 客票销售过程模型 |
2.3.1 马尔科夫链模型 |
2.3.2 席位分配规则 |
2.4 旅客行为模型 |
2.5 其他建模方式的对比 |
2.6 模型求解 |
2.6.1 近似动态规划 |
2.6.2 值函数近似 |
2.6.3 含参值函数的标定 |
2.6.4 客票销售过程采样 |
2.7 本章小结 |
3 铁路票额预分优化模型与算法 |
3.1 票额预分 |
3.2 模型构建 |
3.2.1 客票销售决策模型 |
3.2.2 售票过程模型 |
3.2.3 旅客行为模型 |
3.3 求解方法 |
3.3.1 样本平均法 |
3.3.2 遗传算法 |
3.3.3 基于规则的启发式方法 |
3.4 算例 |
3.4.1 数据准备 |
3.4.2 结果分析 |
3.5 本章小节 |
4 基于动态投标价格的铁路动态价格建模与算法 |
4.1 铁路动态投标价格问题 |
4.2 模型构建 |
4.2.1 客票销售决策模型 |
4.2.2 旅客行为模型 |
4.3 求解方法 |
4.3.1 问题近似 |
4.3.2 状态空间的简化 |
4.3.3 动态分解算法 |
4.3.4 子问题求解 |
4.3.5 其它近似模型 |
4.4 算例 |
4.4.1 算法性能分析 |
4.4.2 换乘对收益的影响 |
4.5 本章小节 |
5 基于网络模型的铁路动态价格模型与算法 |
5.1 状态网络构建 |
5.1.1 价格-时间网络 |
5.1.2 旅客行为的路径表示 |
5.2 模型构建 |
5.3 求解方法 |
5.3.1 拉格朗日松弛问题的分解 |
5.3.2 解修复算法 |
5.3.3 次梯度方法 |
5.3.4 割平面法 |
5.4 模型拓展 |
5.4.1 考虑订票的能力限制 |
5.4.2 考虑旅客上下车的时间 |
5.4.3 考虑旅客的出行成本限制 |
5.4.4 与上限式控制的结合 |
5.5 算例 |
5.5.1 数据准备 |
5.5.2 结果分析 |
5.6 本章小节 |
6 应用案例 |
6.1 数据准备 |
6.1.1 运力与销售数据 |
6.1.2 客运需求数据 |
6.2 案例设计 |
6.2.1 案例变量 |
6.2.2 采用的客票销售规则 |
6.3 结果分析 |
7 结论 |
7.1 主要研究工作 |
7.2 创新点 |
7.3 研究展望 |
参考文献 |
附录 A 独立需求模型 |
附录 B 网络均衡模型 |
插图索引 |
表格索引 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(6)基于演化多目标优化的高光谱图像解混(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.1.1 高光谱遥感 |
1.1.2 研究目的和意义 |
1.2 基于演化多目标优化的高光谱图像解混研究现状 |
1.2.1 演化多目标优化研究现状 |
1.2.2 高光谱解混研究现状 |
1.2.3 演化多目标优化在高光谱解混中的研究现状 |
1.3 研究内容及文章结构 |
第二章 演化多目标优化与高光谱图像解混基础理论 |
2.1 引言 |
2.2 基于分解的演化多目标优化方法 |
2.2.1 多目标优化相关概念 |
2.2.2 MOEA/D原理及框架 |
2.3 高光谱图像混合模型 |
2.3.1 线性光谱混合模型 |
2.3.2 双线性光谱混合模型 |
2.3.3 非线性光谱致密混合模型 |
2.4 光谱相似性量度 |
2.5 实验数据集介绍 |
2.5.1 ORL人脸数据集 |
2.5.2 CBCL人脸数据集 |
2.5.3 仿真数据集SD1 |
2.5.4 仿真数据集SD2 |
2.5.5 Jasper Ridge数据集 |
2.5.6 Terrain数据集 |
2.5.7 Cuprite数据集 |
2.6 本章小结 |
第三章 基于演化多目标优化的稀疏非负矩阵分解方法 |
3.1 引言 |
3.2 基于演化多目标优化的稀疏非负矩阵分解 |
3.2.1 MO-SNMF方法建模 |
3.2.2 基于目标偏好的分解 |
3.2.3 基于掩蔽投影梯度的文化基因算法 |
3.2.4 算法复杂度分析 |
3.3 实验与结果分析 |
3.3.1 仿真数据实验 |
3.3.2 人脸数据实验 |
3.4 本章小结 |
第四章 基于演化多目标优化的两阶段稀疏高光谱解混方法 |
4.1 引言 |
4.2 基于演化多目标优化的两阶段稀疏高光谱解混 |
4.2.1 两阶段多目标优化建模 |
4.2.2 基于MOEA/D的端元识别算法 |
4.2.3 基于文化基因的丰度估计算法 |
4.2.4 算法复杂度分析 |
4.3 实验结果与分析 |
4.3.1 端元选择仿真实验 |
4.3.2 丰度估计仿真实验 |
4.3.3 高光谱真实数据实验 |
4.4 本章小结 |
第五章 基于空谱目标的两阶段稀疏高光谱解混方法 |
5.1 引言 |
5.2 基于空谱目标的两阶段稀疏高光谱解混 |
5.2.1 复合光谱相似性量度 |
5.2.2 基于L_(2,∞)的误差量度 |
5.2.3 同步像元丰度估计算法 |
5.2.4 算法复杂度分析 |
5.3 实验结果与分析 |
5.3.1 端元选择仿真实验 |
5.3.2 丰度估计仿真实验 |
5.3.3 高光谱真实数据实验 |
5.3.4 时间复杂度统计 |
5.4 本章小结 |
第六章 基于双线性混合模型的多目标端元选择方法 |
6.1 引言 |
6.2 基于双线性混合模型的多目标端元选择 |
6.2.1 双线性混合问题的多目标建模 |
6.2.2 基于双线性模型的多目标端元识别算法 |
6.3 实验结果与分析 |
6.3.1 端元识别仿真实验 |
6.3.2 时间复杂度分析 |
6.3.3 高光谱真实数据实验 |
6.4 本章小结 |
第七章 基于测地线单形体的多目标端元选择方法 |
7.1 引言 |
7.2 基于测地线距离的单形体体积计算 |
7.3 基于测地线单形体的多目标端元选择 |
7.3.1 非线性流形的边界点检测方法 |
7.3.2 基于多元线性回归的高光谱图像局部去噪 |
7.3.3 近邻图的构造 |
7.3.4 基于单形体体积的多目标端元选择模型 |
7.3.5 基于分解的演化优化算法 |
7.3.6 时间复杂度分析 |
7.4 实验结果与分析 |
7.4.1 参数敏感性测试 |
7.4.2 端元选择仿真实验 |
7.4.3 高光谱数据实验 |
7.5 本章小结 |
第八章 总结与展望 |
8.1 论文工作总结 |
8.2 未来工作展望 |
参考文献 |
致谢 |
作者简介 |
(7)高性能数值微分博弈 ——一种机器智能方法(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 人工智能与机器行为 |
1.2 机器智能 |
1.3 微分博弈论 |
1.3.1 微分博弈论发展简史 |
1.3.2 微分博弈论研究现状 |
1.4 高性能数值优化算法 |
1.5 研究内容 |
1.6 论文框架 |
2 微分博弈基本理论 |
2.1 引言 |
2.2 微分博弈理论基础知识 |
2.2.1 非线性与线性微分博弈 |
2.2.2 零和与非零和微分博弈 |
2.2.3 确定型与随机型微分博弈 |
2.2.4 二人与多人微分博弈 |
2.2.5 主从微分博弈 |
2.2.6 定量与定性微分博弈 |
2.3 微分博弈问题计算方法 |
2.3.1 微分博弈问题解析计算方法 |
2.3.2 微分博弈问题数值计算方法 |
2.3.3 微分博弈问题启发式计算方法 |
2.4 三类典型微分博弈问题及仿真算例 |
2.4.1 “冲突制衡”——竞争对抗微分博弈 |
2.4.2 “独善其身”——非合作微分博弈 |
2.4.3 “心有灵犀”——合作微分博弈 |
2.5 本章小结 |
3 微分博弈问题数值优化求解算法 |
3.1 引言 |
3.2 联立迭代分解正交配置法(SOCD)求解微分博弈 |
3.2.1 分解复杂场景下的微分博弈动态优化问题 |
3.2.2 正交配置法离散化微分博弈动态优化子问题 |
3.2.3 SOCD算法的最优性分析 |
3.2.4 SOCD算法仿真案例 |
3.3 联立直接间接混合法(SSD)求解微分博弈 |
3.3.1 SSD算法细节 |
3.3.2 SSD算法初值化策略 |
3.3.3 SSD算法仿真案例 |
3.4 滚动时域优化(RHO)求解不确定性微分博弈 |
3.4.1 RHO微分博弈数值求解算法细节 |
3.4.2 RHO微分博弈数值求解算法仿真案例 |
3.5 本章小结 |
4 微分博弈问题高性能数值优化求解算法 |
4.1 引言 |
4.2 微分博弈数值优化求解收敛性增强算法 |
4.2.1 基于回溯同伦法(HBM)的微分博弈数值优化求解初值化生成策略 |
4.2.2 微分博弈数值优化求解收敛深度控制算法(CDC) |
4.2.3 微分博弈数值优化求解收敛性增强算法仿真案例 |
4.3 微分博弈数值优化求解实时性提升算法 |
4.3.1 基于灵敏度信息的微分博弈数值优化求解实时性提升算法(SRI)背景知识 |
4.3.2 微分博弈数值优化求解SRI算法细节 |
4.3.3 微分博弈数值优化求解SRI算法仿真案例 |
4.4 微分博弈数值优化求解精确性提高算法 |
4.5 本章小结 |
5 微分博弈问题数值优化求解算法结果稳定性分析 |
5.1 引言 |
5.2 微分博弈优化求解结果稳定性分析 |
5.3 微分博弈优化求解结果稳定性分析仿真案例 |
5.4 本章小节 |
6 总结与展望 |
6.1 论文总结 |
6.2 研究展望 |
参考文献 |
攻读博士学位期间主要的研究成果 |
(8)计及不确定性与协同性的微电网项目投资组合优化研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及意义 |
1.1.1 论文的研究背景 |
1.1.2 论文的研究意义 |
1.2 国内外研究现状 |
1.2.1 微电网项目发展与研究现状 |
1.2.2 项目投资组合优化问题研究现状 |
1.2.3 项目投资组合优化方法研究现状 |
1.3 主要研究内容与技术路径 |
1.3.1 主要研究内容 |
1.3.2 技术路径 |
1.4 主要研究创新点 |
第2章 相关基础理论研究 |
2.1 项目组合管理相关理论 |
2.1.1 项目组合管理理论的发展 |
2.1.2 项目组合管理理论的内涵及流程 |
2.2 项目组合优化相关理论 |
2.2.1 项目组合优化的原则 |
2.2.2 项目投资组合优化的流程 |
2.3 项目评估相关模型及方法探讨 |
2.3.1 权重确定方法探讨 |
2.3.2 综合评估方法探讨 |
2.4 组合优化相关模型及方法探讨 |
2.4.1 基于精确算法的组合优化探讨 |
2.4.2 基于启发式算法的组合优化探讨 |
2.4.3 基于机器学习算法的组合优化探讨 |
2.5 不确定性理论探讨 |
2.6 本章小结 |
第3章 计及不确定性的微电网项目战略对应度评估 |
3.1 引言 |
3.2 微电网项目战略对应评估指标体系研究 |
3.2.1 能源电力企业战略分析 |
3.2.2 战略目标的指标分解 |
3.3 微电网项目战略对应度评估研究 |
3.3.1 微电网项目不确定性分析 |
3.3.2 云模型理论 |
3.3.3 云层次分析法 |
3.3.4 改进的云PROMETHEE-Ⅱ算法 |
3.4 算例分析 |
3.4.1 项目简介 |
3.4.2 指标数据收集及计算 |
3.4.3 指标权重计算 |
3.4.4 战略对应度评估结果 |
3.5 本章小结 |
第4章 计及不确定性和协同性的静态投资组合优化 |
4.1 引言 |
4.2 微电网项目静态投资组合优化模型特点分析 |
4.2.1 传统微电网项目静态投资组合优化模型 |
4.2.2 计及不确定性的微电网项目静态投资组合优化模型 |
4.2.3 计及不确定性和协同性的微电网项目静态投资组合优化模型 |
4.3 微电网项目间协同性模型构建 |
4.3.1 微电网项目协同因素识别 |
4.3.2 基于模糊测度和云Choquet积分的微电网项目协同性刻画 |
4.4 基于线性化处理和分支定界法的项目静态投资组合优化研究 |
4.4.1 线性化处理方法 |
4.4.2 分枝定界法 |
4.5 算例分析 |
4.5.1 项目简介 |
4.5.2 项目协同度计算 |
4.5.3 求解结果 |
4.6 本章小结 |
第5章 计及不确定性和协同性的动态投资组合优化 |
5.1 引言 |
5.2 微电网项目动态投资组合优化模型构建 |
5.2.1 微电网项目动态性问题阐述 |
5.2.2 动态投资组合优化模型构建 |
5.3 改进差分进化算法研究 |
5.3.1 标准差分进化算法 |
5.3.2 差分进化算法的改进 |
5.3.3 算法性能测试 |
5.4 算例分析 |
5.4.1 项目简介 |
5.4.2 项目协同度计算 |
5.4.3 求解结果 |
5.5 本章小结 |
第6章 计及不确定性和协同性的多阶段动态投资组合优化 |
6.1 引言 |
6.2 基于实物期权的微电网项目最佳投资时机分析 |
6.2.1 实物期权及微电网项目的实物期权特性分析 |
6.2.2 微电网项目最佳投资时机确定模型 |
6.3 基于多智能体强化学习的多阶段动态投资组合研究 |
6.3.1 微电网项目多阶段动态投资问题阐述 |
6.3.2 强化学习与Q-学习算法 |
6.3.3 多智能体强化学习与纳什Q-学习算法 |
6.4 算例分析 |
6.4.1 项目简介 |
6.4.2 项目投资时机确定 |
6.4.3 求解结果 |
6.5 本章小结 |
第7章 研究成果和结论 |
参考文献 |
攻读博士学位期间发表的学术论文 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(9)基于元启发式算法的体检机构顾客预约与顺序调度研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 体检中心现有管理模式和工作流程 |
1.3.1 体检中心现有的管理模式 |
1.3.2 体检中心现有工作流程 |
1.3.3 体检中心管理方式存在的问题 |
1.4 国内外研究现状 |
1.4.1 排队论在医疗领域应用研究 |
1.4.2 医疗领域的预约调度研究 |
1.4.3 医学检查中心调度研究 |
1.4.4 国内外相关研究总结 |
1.5 论文的主要内容与章节安排 |
1.5.1 研究内容 |
1.5.2 章节安排 |
第二章 确定服务时长下顾客体检项目顺序调度研究 |
2.1 问题描述 |
2.2 混合整数规划模型 |
2.3 混合遗传算法 |
2.3.1 染色体编码与解码 |
2.3.2 交叉和变异 |
2.3.3 局部搜索 |
2.3.4 适应度函数 |
2.4 数值实验 |
2.4.1 基础算例结果及分析 |
2.4.2 敏感度分析 |
2.4.3 数值实验结果总结 |
2.5 本章小结 |
第三章 随机服务时长下顾客体检项目顺序调度研究 |
3.1 问题描述 |
3.2 GAOO-OCBA算法 |
3.2.1 基于遗传算法的改进序优化算法 |
3.2.2 基于遗传算法与最优计算量分配的改进序优化算法 |
3.2.3 整体算法设计 |
3.3 数值实验 |
3.3.1 参数设置 |
3.3.2 基础算例结果 |
3.3.3 敏感度分析 |
3.4 本章小结 |
第四章 体检顾客预约调度研究 |
4.1 问题描述与数学模型 |
4.2 基于多种群遗传算法的确定服务时长预约调度研究 |
4.2.1 多种群遗传算法 |
4.2.2 数值实验 |
4.3 基于仿真优化算法的随机服务时长预约调度问题 |
4.3.1 仿真优化算法 |
4.3.2 数值实验 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 研究展望 |
参考文献 |
致谢 |
攻读硕士学位期间已发表或录用的论文 |
(10)面向离散制造过程考虑高效节能的生产调度优化问题研究(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究目的及意义 |
1.2.1 提升数控机床切割过程的能源利用率 |
1.2.2 提升钢锭均热与轧制过程的能源利用率 |
1.3 研究路线和主要研究内容 |
1.3.1 主要研究内容及创新点 |
1.3.2 研究技术路线 |
2 文献综述 |
2.1 基于供电可断的高效节能生产调度优化研究 |
2.1.1 基于供电可断的高效节能单机生产调度优化研究 |
2.1.2 基于供电可断的高效节能作业车间或流水车间生产调度优化研究 |
2.2 基于速率可控的高效节能生产调度优化研究 |
2.2.1 基于速率可控的高效节能作业车间生产调度优化研究 |
2.2.2 基于速率可控的高效节能流水车间生产调度优化研究 |
2.3 基于分时能源消耗成本的高效节能生产调度优化研究 |
2.3.1 基于分时能源消耗成本的高效节能单机生产调度优化研究 |
2.3.2 基于分时能源消耗成本的高效节能作业车间和流水车间生产调度优化研究 |
2.4 基于柔性车间动态配置的高效节能生产调度优化研究 |
2.5 研究评述 |
2.6 本章小结 |
3 考虑能源消耗和机器启动成本的订单接收和调度问题 |
3.1 引言 |
3.2 问题描述 |
3.3 最优解性质及复杂度分析 |
3.4 改进的变邻域搜索算法 |
3.4.1 编码及解码策略 |
3.4.2 基于动态规划的适应度计算方法 |
3.4.3 交叉邻域结构 |
3.4.4 变异邻域结构 |
3.5 仿真实验 |
3.5.1 仿真数据来源 |
3.5.2 参数调整预实验 |
3.5.3 改进变邻域搜索算法与其他变邻域算法的比较 |
3.5.4 改进变邻域搜索算法与其他基准算法的比较 |
3.6 本章小结 |
4 分时能源消耗成本情形下高效节能生产重调度优化问题 |
4.1 引言 |
4.2 问题描述 |
4.3 最优解性质及单机调度算法 |
4.4 改进的变邻域搜索算法 |
4.4.1 平行机环境下该高效节能生产调度问题的复杂性 |
4.4.2 编码及解码策略 |
4.4.3 基于动态规划的适应度计算方法 |
4.4.4 三种交换邻域结构 |
4.4.5 VNS算法的总体框架 |
4.5 仿真实验 |
4.5.1 数据来源及实验设计 |
4.5.2 新型邻域结构对算法性能的影响 |
4.5.3 改进的变邻域搜索算法与其他基准算法的对比 |
4.6 本章小结 |
5 加工速率可控情形下考虑高效节能的混合生产调度优化问题 |
5.1 引言 |
5.2 问题描述与问题建模 |
5.3 单机调度问题及其特例问题的解决方案 |
5.3.1 针对单机调度问题的性质及动态规划算法 |
5.3.2 不考虑能源消耗约束的特例问题 |
5.3.3 给定工件集合情形下最小化能源消耗成本的特例问题 |
5.4 平行机调度问题的解决方案 |
5.4.1 启发式算法1(H1) |
5.4.2 启发式算法2(H2) |
5.4.3 启发式算法3(H3) |
5.5 计算性实验和讨论 |
5.5.1 实例数据及实验设计 |
5.5.2 实验结果及讨论 |
5.5.3 非参数检验 |
5.6 本章小结 |
6 柔性供应链情形下考虑工件恶化效应和高效节能的生产调度优化问题 |
6.1 引言 |
6.2 问题描述与问题建模 |
6.3 最优解性质分析 |
6.4 特例问题的最优解决方案 |
6.5 基本的偏随机键遗传算法和花朵授粉算法 |
6.5.1 基本的偏随机键遗传算法(BRKGA) |
6.5.2 花朵授粉算法(FPA) |
6.6 混合偏随机键遗传算法和花朵授粉算法及启发式算法 |
6.6.1 基于SNPT的启发式算法 |
6.6.2 混合偏随机键遗传算法和花朵授粉算法 |
6.7 仿真实验 |
6.7.1 仿真数据来源和实验设计 |
6.7.2 实验参数预调整 |
6.7.3 混合算法与其他基准算法的对比 |
6.8 本章小结 |
7 总结与展望 |
7.1 全文总结 |
7.2 未来展望 |
参考文献 |
攻读博士学位期间的学术活动及成果情况 |
1 )攻读学位期间参与的科研项目和学术交流 |
2 )攻读学位期间发表及撰写的论文 |
3 )攻读学位期间授权专利 |
四、随机仿真优化的一类遗传序优化框架(论文参考文献)
- [1]集装箱班轮的港口运行时间规律及其应用研究[D]. 宋云婷. 大连海事大学, 2021(04)
- [2]分布式阻塞流水车间调度方法研究[D]. 张晓辉. 中国矿业大学, 2020(07)
- [3]装配式建造过程返工风险研究[D]. 沈楷程. 清华大学, 2020(01)
- [4]多精度数据驱动的昂贵优化问题求解及其在天线设计中的应用[D]. 姜宇虹. 中国地质大学, 2020(03)
- [5]铁路客票预分与动态定价优化研究[D]. 袁午阳. 北京交通大学, 2020
- [6]基于演化多目标优化的高光谱图像解混[D]. 蒋祥明. 西安电子科技大学, 2020(05)
- [7]高性能数值微分博弈 ——一种机器智能方法[D]. 朱强. 浙江大学, 2020(01)
- [8]计及不确定性与协同性的微电网项目投资组合优化研究[D]. 许传博. 华北电力大学(北京), 2020(06)
- [9]基于元启发式算法的体检机构顾客预约与顺序调度研究[D]. 刘丹. 上海交通大学, 2020(01)
- [10]面向离散制造过程考虑高效节能的生产调度优化问题研究[D]. 孔敏. 合肥工业大学, 2020(01)