一、一种基于免疫思想的混合式遗传算法（论文文献综述）
徐东方[1]（2020）在《多移动机器人系统协调规划与控制研究》文中研究说明当前我国的生产制造、物流运输等众多产业都在向现代化和智能化方向迅猛发展,对多移动机器人系统的应用需求也在不断攀升。与单移动机器人相比,多移动机器人系统具备更高的鲁棒性和执行能力,但相应的协调规划与控制方法也更加复杂。本文设计并改进了多移动机器人协调规划与控制方案,进一步增强了系统灵活性、稳定性和协调能力,对提升多移动机器人系统的工作性能和应用价值具有重要意义。根据多移动机器人系统应用需求,建立了混合式控制体系,并对移动机器人个体功能结构和整体通信体系进行了设计与搭建。采用栅格法构建环境地图坐标系,对机器人和目标任务间的空间属性与能力属性进行了分析,获得了系统路径代价、执行代价以及任务之间的耦合关系信息,根据执行能力和任务耦合关系改进蚁群算法,并基于代价损耗实现整体效能评价,由此建立了多移动机器人任务分配方案,在保证任务可执行性的同时提高了分配效率与均衡性。设计了全局与局部双层协调路径规划体系,并分析了全局路径规划的性能要求,结合路径组亲和度评价方法提出了改进的免疫协同进化算法,增强了规划过程中各机器人全局路径的协同性能,实现了更加高效、优质的多移动机器人全局协同路径规划。针对系统运行过程中出现的局部碰撞情况,采用动态窗口法及时进行规划调整,建立了移动机器人正、逆运动学模型,使局部路径规划能够准确进行,并基于优先级机制对局部路径协调方案进行了设计,利用全局路径信息改进了局部协调规划过程,根据优先级设定路径协调的次序和范围,在尽量维护全局路径质量的同时,实现了移动机器人灵活有序的局部协调避碰。根据混合式体系运行流程完成了协调规划控制系统的设计与开发,并搭建了硬件工作环境,依托软硬件试验平台实现了多移动机器人系统的协调规划与控制过程。结果表明,多移动机器人系统协调规划与控制方案具有良好的可行性,能够进行更加快速、均衡且合理的任务分配,在取得全局最优路径质量的同时,实现了移动机器人个体灵活有序地局部协调避碰,有效增强了系统的整体稳定性和灵活协调能力。
权浩[2]（2020）在《面向多任务的仓储移动机器人路径规划与调度》文中认为随着工业的发展,制造业也发生了翻天覆地的变化,移动机器人的出现将人从繁琐的劳动中解放了出来,尤其是移动机器人在仓储应用领域大放异彩。机器人随着时代潮流的发展,不仅在功能上越来越强大,而且在规划方面越来越智能。多任务下的机器人协作已经成为工业机器人中的重要发展方向,随着通信与物联网等技术的发展,移动机器人得到了巨大的发展助力。本文针对智能仓储环境下的移动机器人展开研究。首先,本文介绍了移动机器人的研究背景及研究意义,并对该领域内的国内外研究现状展开了叙述。本文对移动机器人领域内的问题进行了归纳,并阐述了相关的解决算法。然后,由浅入深地介绍了移动机器人的通信方式、控制方式和仓储等问题。为后续章节算法的原理做了铺垫。最后,本文着重对移动机器人路径规划和多机器人调度问题展开研究。基于群体智能算法和强化学习相关思想,在群体智能算法的基础上改进并设计了新的混合算法。其中针对移动机器人路径规划问题,本文在蚁群算法基础上做出了巨大改进,设计了基于独狼蚁群混合算法的路径规划,算法分别在路径选择方向、信息素控制和路径停滞上进行了改进和创新;针对多任务下的多机器人调度,本文在对传统遗传算法进行了改进,在遗传算法的基础上设计了新的任务分配算法,有效减少了路径的交叉。本文设计了栅格环境实验模型,在不同栅格地图上对算法进行了测试,并进行了对比验证。改进后算法在多机器人协作中表现突出,能有效解决仓储复杂环境下的机器人路径规划和调度问题。综上,本文对多目标、多任务下仓储机器人的路径规划和调度进行了研究,改进了相关的算法,并验证了算法在解决仓储机器人的有效性。
刘奕[3]（2020）在《5G网络技术对提升4G网络性能的研究》文中研究指明随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
朱凯莉[4]（2019）在《基于特征选择的数据驱动水库动态调度决策算法研究》文中提出随着经济的发展,大规模水库群、水电站逐步建成,水文数据平台逐步完善,水库及水电站调度开始从传统的人工调度转向智能优化调度。水库调度不仅涉及到防洪、灌溉、发电、供水等多种目标,还要统筹协调各个部门之间的综合需求和利益关系,因此是一个带有复杂约束条件的多目标决策问题。目前在水库、水电站调度决策的模型与方法基本上仍按一般的多目标决策问题处理,需要决策者自行根据当前具体情况从备选方案中选择合适的调度方案实施。本文提出了基于实时情况分类的水电站调度决策算法,首先,通过第二、三章提出的两种特征选择算法对水文、气象等数据进行特征选择筛选影响水库调度模式的关键因素;其次,在此基础上根据实时水文和气象等数据对当前调度时段进行调度决策选择,即根据实时情况调整侧重不同的调度目标,以提供更加智能和实时的水库调度决策支持;最后,对当前调度模型进行求解,得到调度方案。本文主要工作如下:（1）提出了一种基于蜻蜓算法和序列浮动后向选择算法的封装式特征选择算法（Dragonfly Algorithm-Partial Sequential Backward Floating Selection,DAPSBFS）,在标准数据集上的实验结果表明,算法具有较高的分类精确度的同时也获得了较小的特征子集规模,将其用于筛选重要的水库参数、水文气象等重要特征。（2）针对DA-PSBFS算法较高的计算时间消耗的缺点,提出了一种基于互信息的过滤式方法和DA-PSBFS相结合的混合式特征选择算法HDA-PSBFS（Hybrid Dragonfly Algorithm-Partial Sequential Backward Floating Selection）,与其他类似的混合式特征选择算法在标准数据集上的实验结果表明,算法能够具有较高的分类精确度,同时计算时间较少。（3）在基本蜻蜓算法中引入粒子群算法中个体和群体学习的思想以及遗传算法中变异的思想提出了单目标IDA（Improved Dragonfly Algorithm）算法,并将其用于求解三类防洪调度单目标模型。（4）以江西泸水河流域为例,应用第二三章提出的特征选择算法对该流域内水文、气象、各级水库参数、径流量、下游生态环境情况数据等各项数据进行特征选择分析找到影响该流域调度模式的重要特征,并将流域内梯级水库、水电站调度模式分为两大类-防洪和发电灌溉,其中防洪模式又根据洪水量级分为三小类,分别采用不同的调度模型应用所提出的IDA算法进行调度求解,发电灌溉则为水库群日常调度模式,建立了发电和生态两目标优化模型并对模型采用MOEA/D算法求解。
王学渊[5]（2018）在《基于膜计算的移动机器人自主行走控制方法研究》文中提出膜计算理论与应用研究,为移动机器人自主行走中的智能规划、决策与控制等关键问题的解决提供了新途径。目前,膜计算的理论研究成果丰硕,而急需应用研究领域的突破。抽象于生物细胞的膜系统是一种仿生并行分布式计算模型,具有强大的信息处理与计算能力,适于求解移动机器人的运动规划与控制问题。本文针对移动机器人自主行走所面临的三类关键问题,结合膜计算模型的特点,分别设计了基于膜优化的路径规划算法以及多种行为膜控制器,用于提升移动机器人自主行走时的环境适应能力。本文首先描述了膜计算模型信息处理的特点,剖析了膜系统适合于解决移动机器人自主行走关键问题的原因。另一方面,在综合分析一般智能体混合式体系结构与膜系统构造的认知系统的共性基础上,构建了适合不同类型膜系统应用的自主移动机器人混合控制体系结构;分层次探讨了可以利用膜计算模型解决的具体应用问题,为后续膜系统与移动机器人自主行走控制方法相结合的研究工作,奠定了膜计算应用框架基础。针对智能路径规划方法常存在收敛慢、局部探测能力弱,难以兼顾效率与效果的问题,通过分析有效路径优化过程中解个体节点的演变规律,提出了一种维度可变的粒子群膜优化算法。充分利用动态膜结构的膜溶解、膜通信、膜转运等规则,将点修复算法、平滑算法以及移动方向调整等辅助功能算法有机结合,实现寻优粒子种群的维度变化与信息交流。利用多维度种群具有更广泛探测能力的特点,以提高搜索效能。另一方面,定义的多个目标的评价与决策方法,在加快算法收敛与提高适应性的同时,可以产生更合理的路径。针对非完整约束的轨迹跟踪过程中,移动机器人常面临外部扰动、参数剧烈变化、难以精确建模等问题,设计了运动学模型结合动力学模型的两层结构轨迹跟踪控制器。在外层运动学层面,结合Lyapunov稳定性理论、滑模控制方法以及Backstepping技术,分段设计了前馈与反馈相结合的运动学跟踪控制律,为动力学模型提供了更精确的参考路径输入。在内层动力学层面,利用膜系统将神经网络PID的控制模型规则化,同时利用酶变量灵活多变选择规则执行的特性,在膜内实现神经网络与专家知识相结合的参数自学习过程,这种灵活切换方式可使参数间的影响减弱,达到有效控制强时变扰动的效果。针对基于行为的实时导航过程中,存在易振荡与易陷入最小值陷阱等问题,分别设计了局部环境模式分类器、多行为选择策略与多行为融合膜控制器。考虑到自主机器人探索未知环境时,机器人对所处环境理解越精确越有利于做出正确行为响应,但传感器易受噪声影响的情况,定义了二值化的多种局部环境模式,将膜系统引入到环境分类器设计中,实现环境模式的准确快速识别;为便于多行为的融合,根据机器人物理特性分别设计了目标趋向、避障、随墙、通道穿越等行为控制律;提出能摆脱局部最小值陷阱的多行为融合策略,所设计的多行为融合膜控制器能够帮助移动机器人成功走出复杂的迷宫环境,自主行走性能优良。搭建了基于膜控制器的移动机器人实验平台。多组实验验证本文提出的膜控制器在移动机器人自主行走中具有满意的运动规划与运动控制性能。
吴宇航[6]（2017）在《多操作员多无人机指挥控制辅助决策》文中进行了进一步梳理战场环境中多炮射无人机指挥控制过程面临信息不确定性,计算复杂性,时间紧迫性的严峻挑战。多操作员多无人机（Multi-Operator-Multi-UAV,MOMU）指挥控制辅助决策是网络化战争中发挥多无人机协同优势的关键之一。论文以多操作员、多任务、多目标的MOMU指挥控制为背景,重点围绕辅助决策模型、操作员任务分配、注意力分配和操作员任务自适应排序四个内容,建立数学模型,研究优化理论,设计求解算法,开展仿真与实验验证。（1）提炼炮射无人机典型任务,并基于任务的执行过程对任务进行分解,得到无人机子任务集合;根据无人机的自动化水平提炼出需要操作员处理的子任务,作为操作员的任务空间,研究了操作员任务的属性,并对典型目标设定属性值;根据指挥控制过程设计MOMU指挥控制辅助决策系统的逻辑结构,并建立了多操作员多无人机指挥控制辅助决策系统。最后对辅助决策关键问题进行分解,提炼出多操作员任务分配,操作员注意力分配和基于操作员任务处理习惯的任务排序三个互相衔接的关键问题。（2）根据战场目标的特点,将操作员任务分配分解为集中式和分布式两种任务分配模式。针对集中式任务分配模式,结合滚动时域控制思想,建立基于全局回报最大化的任务分配模型,并改进人工免疫算法对集中式任务分配模型进行求解。针对分布式任务分配模式,结合操作员任务分配特点,基于合同网协议建立任务分配模型。建立混合式任务分配模型,根据任务特点自动采用相应任务分配方法,实现非时敏任务分配的综合回报最大化,以及时敏任务的实时动态分配。（3）针对先进先出、权重优先和寻优排序三种任务排序策略的特点,分别建立操作员注意力分配模型。采用动态规划算法对先进先出和权重优先两种固定排序策略的注意力分配模型进行求解。针对寻优排序这种动态任务序列,将动态规划算法嵌套在免疫算法内,设计免疫动态规划算法（AIA-DP）,应用该算法对寻优排序的单操作员注意力分配模型进行求解。（4）针对操作员手动选择任务处理顺序破坏系统设置的问题,首先,结合操作员任务属性设计了操作员任务处理习惯模型,并采用随机策略产生符合操作员任务处理习惯的任务序列;其次,采用改进的线性回归方法对操作员任务处理习惯数据进行训练,得到操作员任务处理习惯的任务排序模型;最后,采用测试数据对模型进行验证。（5）采用模块化设计思想,设计测试平台。基于MOMU指挥控制结构,设计了一套MOMU指挥控制测试平台,利用该测试平台对本文提出的多操作员任务分配算法、操作员注意力分配算法和自适应任务排序算法进行测试。测试结果表明,本文提出的算法整体缩短了操作员完成任务的时间;任务分配算法分配所有任务平均消耗时间约为0.53秒,虽然该时间高于对照组的结果,但在时域滚动控制框架下,该结果可以满足MOMU指挥控制的实时性要求;任务分配算法获得的任务综合回报大于对照组的结果,平均提升26%;任务自适应排序算法预测任务排序的正确率在88%90%之间,比原始算法的正确率平均提高了33%,其减少了操作员手动选择任务的工作,降低了操作员的工作负荷,提高了操作员的工作效率。
王琼[7]（2011）在《基于优化理论的神经网络研究及在抽油机故障诊断中的应用》文中研究说明抽油机故障诊断的关键是实现从故障征兆空间到故障空间的映射,从而实现对故障的识别和诊断,它是一个复杂的非线性问题。神经网络的自学习能力、非线性映射能力、对任意函数的逼近能力、并行计算能力和容错能力等为故障诊断提供了有力手段。但是由于实际生产设备工况复杂,故障类型种类繁多,致使在诊断时出现网络规模庞大、学习训练时间超长、易于陷入局部最小点等问题,降低了神经网络的实用性。神经网络与遗传算法、进化机制等结合,形成计算智能,将成为神经网络用于故障诊断的趋势。本文就是将神经网络与其它优化算法结合,改善神经网络性能,从而用于抽油机的故障诊断。主要研究内容如下：1、设计一个适合故障诊断的双权连接可拓神经网络,该网络以抽油机的状态数据为输入层,以故障类型为输出层,输入输出采用双权连接,权值分别为故障的上限数据和下限数据。提出一种能够自适应改变交叉率和变异率的自适应遗传算法,以可拓距离为评价函数,利用遗传算法的全局搜索能力,对建立的可拓神经网络的权值进行优化,克服BP算法的训练神经网络收敛性差,容易陷入局部极值的缺点。2、设计一种免疫遗传RBF神经网络。对免疫遗传算法进行改进,给出一种基于抗体矢量距离的亲和度计算方法,在抗体的促进和抑制环节增加基于密度的调节因子,保留优秀抗体,保证抗体的多样性,避免未成熟收敛现象。用改进的免疫遗传算法优化RBF神经网络的隐层中心,提高其逼近精度,克服传统算法需要预先指定隐含层节点数或者通过大量实验获得节点数、学习效率差的缺点。3、设计一种基于粒子群优化的神经网路。根据传统粒子群算法在训练后期容易陷入局部极值的缺点,对基本粒子群算法的速度方程进行更新,在现有的速度更新机制上加入非常小的扰动项,并动态调整加速系数,使算法能够分别调整进化初期和后期的性能。采用粒子群优化算法对神经网络的权值和阈值进行优化。4、提出一种新的故障诊断融合方式,并将以上神经网络组成功能相容并具有选择机制的软件包,利用抽油机无线巡检数据实现智能在线故障诊断,并对诊断结果进行分析比较。
袁桂丽[8]（2010）在《人工免疫系统及其在电站控制中的应用研究》文中提出本文设计了几种基于免疫反馈原理的控制器和基于免疫原理的自适应免疫遗传算法,并在电站控制系统进行了大量的应用仿真研究。第一：通过免疫反馈原理的研究,将免疫反馈控制器与模糊控制、PID控制有效的结合,设计模糊自调整免疫增量PID控制,并将其与传统方法整定的PID控制在球磨机负荷控制系统进行仿真对比研究,将模糊免疫PID控制与解决大迟延的Smith控制、内模控制进行仿真对比实验。仿真结果表明,模糊免疫PID控制器具有很好的快速性和抗干扰性。第二：在充分分析不完全微分和串级控制内回路作用基础上,设计了免疫不完全微分PID一免疫P串级控制,并将其应用到电站给水系统中。仿真结果表明,该控制策略下,即使参数在很大范围变化,给水系统仍具有很好的快速性和具有很好的克服给水扰动、蒸汽扰动的能力,大大减小了虚假水位的影响。第三：设计模糊免疫Smith控制器,利用Smith控制解决大迟延问题,利用模糊免疫控制解决快速性和抗干扰性、模型不匹配时系统的稳定性问题。并将其应用于给水系统,仿真结果表明,模糊免疫改进Smith控制具有比Smith控制更好的快速性和抗干扰性。第四：设计了免疫内模控制器。利用免疫控制实现在线整定内模控制器的滤波器参数,解决内模控制系统快速性和鲁棒性之间的矛盾。并将其用于球磨机负荷控制系统,仿真结果表明,免疫内模控制比内模控制具有更好的快速性和抗干扰性。第五：设计了基于相似性矢量距的自适应免疫遗传算法。给出了自适应免疫遗传算法各个模块的设计方法,同时将自适应免疫遗传算法同遗传算法收敛性函数验证做了仿真实验对比,仿真结果表明,自适应免疫遗传算法较遗传算法具有更好、更快的寻优能力。第六：将自适应免疫遗传算法用于电站主汽温控制系统PID参数的优化和电站机组的经济负荷优化分配。仿真结果表明,自适应免疫遗传算法具有比遗传算法更强的寻优能力,尤其它的全局、快速收敛性能,为电站系统在线实时优化运行的实施,提供了有利的保证。
苏学灵[9]（2010）在《混合式蓄能水电站优化调度与风险分析方法及应用研究》文中指出改善电源结构,充分利用可再生能源,加快蓄能水电站建设,提高蓄能水电站的运行管理水平,对构建资源节约型和环境友好型社会及推动电力工业可持续发展具有重要作用。本文以混合式蓄能水电站为研究对象,从优化调度算法、风险分析方法、中长期优化调度、实时调度、调度风险分析和评价等不同角度深入探讨了电站的优化调度管理问题,并取得了如下主要成果：（1）混合式蓄能水电站的优化调度是一个多阶段、非线性和组合性的问题,针对目前采用的基本粒子群算法在求解时存在易陷入局部最优和早熟的缺点,提出以随机动态改变惯性权重机制来选取惯性权重因子、以混沌变量生成机制增加粒子的多样性、以逐步优化和随机生成相结合增加粒子生成的有效性的改进粒子群算法（APSO）进行求解,为混合式蓄能水电站的优化调度提供了一种有效的方法。（2）针对目前水库调度运行管理实际,基于事件与事件的目标,即事件发生的途径空间和目标空间是可变的思想,提出了概率最优化风险分析方法（POMR）,深入地刻画出风险与效益的对立关系,为调度人员的决策提供了基础理论方法。（3）针对发电量最大和调峰效益最大、上库和下库联合调度,存在着多维、多阶段和多约束条件等具有高度复杂性的问题,建立了混合式蓄能水电站中长期优化调度模型,并采用APSO求解。实例研究证明了所建模型的合理性和算法的有效性,所建模型对解决混合式蓄能水电站中长期优化调度运行管理问题具有重要的理论价值和广阔的应用前景。（4）建立了基于调度函数的混合式蓄能水电站实时调度模型。把时间、空间和能量因子作为待选变量,提出用逐步回归原理建立混合式蓄能水电站的调度函数。在考虑电站自身发电、综合利用及电站出力等约束的基础上,采用调度函数对某混合式蓄能水电站进行实际运行模拟,并对模拟结果与优化调度结果进行了对比。结果表明调度函数基本保留了优化调度方案的成果和效益,同时具有良好的可操作性和解释性,为混合式蓄能水电站寻找调度规律、拟定运行方案提供了一种新的方法。（5）在构建发电调度风险评价指标体系的基础上,运用不确定性理论和POMR方法建立了混合式蓄能水电站调度风险分析的期望值模型,并给出简便实用的求解方法。实例应用表明,该模型实现了水库在承担一定风险的情况下,可以追求电站效益的最大化,并通过灵敏度分析建立目标空间与因子空间的关系,达到通过控制风险因子改善较优可行方案的目的,对调度方案决策具有重要指导意义。（6）针对围堰漫堰的主要风险因子,建立了基于POMR方法的围堰漫堰风险分析模型,并把此模型应用于向家坝水文站一期围堰漫堰风险计算。在对横江洪水特点和顶托分析的基础上,采用3层BP神经网络对向家坝水文站水位变化进行预测,探讨了汛期横江洪水入流对向家坝一期围堰河段水位的顶托影响,并建立了向家坝一期围堰漫堰风险模型,为管理决策人员提供了汛期围堰安全度汛的依据。
赵秀平[10]（2008）在《基于免疫遗传算法的QoS组播路由算法》文中进行了进一步梳理随着网络技术的迅速发展,通信网络带宽和处理能力的提高使网络能够提供更多的多媒体业务,也使得支持“点对多点”或“多点多点”的组播通信方式成为网络支持多媒体业务的必要形式。多媒体通信和分布式环境下的协同工作等应用促使了组播通信的发展。组播问题的关键在于组播路由的确定,即寻找简单、高效、健壮的组播路由算法,组播路由算法主要是用来建立一棵性能良好的组播树,并使它能够满足各种业务的服务质量（Quality of Service,QoS）需求,由于QoS组播路由带有多个QoS约束参数,而这种多约束条件下的QoS组播路由问题属于NP完全问题。这使得它与传统的路由过程不同,难以用经典的最短路径优先算法（如Bellman-Ford和Dijkstra算法）求解。对于QoS组播路由问题的研究大多都集中在采用启发式算法和遗传算法求解无约束组播路由问题和延时受限组播路由优化问题,然而由于这些算法要么具有较高的时间复杂度而不能满足实际应用的需要,要么算法早熟收敛,陷入局部,不能求得全局最优解。针对遗传算法的缺陷,本文将生物免疫系统中的浓度调节机制引入遗传算法,形成一种改进的免疫遗传算法。以具有精英保留的免疫遗传算法ⅡGAE为基础,提出了一种新的用来求解带宽、延时、延时抖动受限,费用最小的QoS组播路由选择问题的方法。文中,首先采用预处理机制,将网络结构中不满足带宽约束的链路去掉,利用Dijkstra前N最短路径算法建立ⅡGAE算法编码空间的备选路径集;然后采用基于路径的树结构编码来随机产生初始群体,使种群中的每个个体都代表组播路由问题的一个候选解（即一棵组播树）。最后利用ⅡGAE算法对种群进行优化,最终求得满足QoS要求的组播路由。计算机仿真实验的结果证实了这种方法的有效性。此外,仿真实验中,通过与精英保留遗传算法、基于信息熵的精英保留免疫遗传算法进行比较,结果表明该算法具有较好的性能,以较快的速度搜索到满足QoS要求的费用最小的组播树。
二、一种基于免疫思想的混合式遗传算法（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、一种基于免疫思想的混合式遗传算法（论文提纲范文）
（1）多移动机器人系统协调规划与控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.4 存在的主要问题 |
| 1.5 主要研究内容 |
| 2 协调控制总体方案设计 |
| 2.1 引言 |
| 2.2 协调控制体系的搭建 |
| 2.3 移动机器人个体结构设计 |
| 2.4 系统网络通信的实现 |
| 2.5 本章小结 |
| 3 均衡协调任务分配研究 |
| 3.1 引言 |
| 3.2 建立环境地图坐标系 |
| 3.3 基于属性的任务代价描述 |
| 3.4 均衡任务分配方案设计 |
| 3.5 任务分配规划效果分析 |
| 3.6 本章小结 |
| 4 全局协同路径规划研究 |
| 4.1 引言 |
| 4.2 全局路径规划方法研究 |
| 4.3 建立免疫协同进化机制 |
| 4.4 协同路径规划方案改进 |
| 4.5 全局协同路径规划分析 |
| 4.6 本章小结 |
| 5 局部协调规划控制研究 |
| 5.1 引言 |
| 5.2 局部路径规划方法选择 |
| 5.3 移动机器人运动学分析 |
| 5.4 协调规划控制机制设计 |
| 5.5 局部协调规划仿真分析 |
| 5.6 本章小结 |
| 6 协调规划与控制系统实现 |
| 6.1 引言 |
| 6.2 搭建系统工作环境 |
| 6.3 任务分配规划验证 |
| 6.4 双层协调控制实现 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 全文内容总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（2）面向多任务的仓储移动机器人路径规划与调度（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作及章节安排 |
| 1.4 本章小结 |
| 第2章 多移动机器人的基本问题 |
| 2.1 多移动机器人的通信方式 |
| 2.2 多移动机器人的地图构建方式与控制结构 |
| 2.3 多目标与多任务问题 |
| 2.4 仓储搬运环境问题 |
| 2.5 本章小结 |
| 第3章 基于群体智能算法的多机器路径规划 |
| 3.1 移动机器人路径规划 |
| 3.2 群体智能优化算法 |
| 3.2.1 蚁群算法原理 |
| 3.2.2 狼群算法原理 |
| 3.3 改进的独狼蚁群混合算法的机器人路径规划 |
| 3.3.1 新的觅食方向选择 |
| 3.3.2 信息素更新机制的改进 |
| 3.3.3 针对算法早熟问题的优化 |
| 3.3.4 目标函数描述及算法流程 |
| 3.3.5 实验建模及数据分析 |
| 3.4 本章小结 |
| 第4章 多任务下多移动机器人调度 |
| 4.1 机器人任务调度问题分析 |
| 4.2 遗传算法与强化学习 |
| 4.2.1 遗传算法原理 |
| 4.2.2 强化学习原理 |
| 4.3 改进的多移动机器人调度算法 |
| 4.3.1 仓储环境路径规划站点的编码设计 |
| 4.3.2 仓储模型下遗传算法的基本操作 |
| 4.3.3 结合强化学习思想的改进交叉概率 |
| 4.3.4 多任务调度下的改进遗传算法 |
| 4.3.5 实验结果及结论 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（3）5G网络技术对提升4G网络性能的研究（论文提纲范文）
| 引言 |
| 1 4G网络现处理办法 |
| 2 4G网络可应用的5G关键技术 |
| 2.1 Msssive MIMO技术 |
| 2.2 极简载波技术 |
| 2.3 超密集组网 |
| 2.4 MEC技术 |
| 3 总结 |
（4）基于特征选择的数据驱动水库动态调度决策算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题目的和意义 |
| 1.1.1 传统调度方法面临的问题 |
| 1.1.2 基于数据驱动的调度研究 |
| 1.1.3 水库优化调度 |
| 1.2 国内外研究现状 |
| 1.2.1 水库优化调度研究现状 |
| 1.2.2 特征选择研究现状 |
| 1.3 论文组织结构 |
| 1.3.1 课题来源 |
| 1.3.2 论文组织结构 |
| 第二章 基于改进蜻蜓算法的封装式特征选择算法 |
| 2.1 引言 |
| 2.2 混合序列浮动后向选择的改进的蜻蜓算法 |
| 2.2.1 基本蜻蜓算法 |
| 2.2.2 引入局部序列浮动后向选择机制 |
| 2.3 基于改进蜻蜓算法的封装式特征选择算法框架 |
| 2.3.1 算法结构和流程 |
| 2.3.2 特征表示和初始化策略 |
| 2.3.3 评价函数 |
| 2.4 实验设计与结果分析 |
| 2.4.1 实验设置 |
| 2.4.2 实验结果与原算法对比 |
| 2.4.3 与其他进化及群智能算法对比 |
| 2.5 本章小结 |
| 第三章 融合最小冗余最大相关性的混合式特征选择算法 |
| 3.1 引言 |
| 3.2 融合最小冗余最大相关性的二阶段混合式特征选择算法 |
| 3.2.1 算法基本思想 |
| 3.2.2 算法实现及流程 |
| 3.3 实验设计及结果分析 |
| 3.3.1 参数讨论 |
| 3.3.2 参数设置与对比算法 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于特征选择的梯级水库动态调度研究 |
| 4.1 引言 |
| 4.2 基于特征选择的梯级水库调度分类模型 |
| 4.2.1 梯级水库调度目标分类 |
| 4.2.2 动态调度分类模型 |
| 4.3 面向水库调度的蜻蜓算法 |
| 4.3.1 蜻蜓算法改进分析 |
| 4.3.2 改进的蜻蜓算法流程 |
| 4.4 泸水河流域实例计算 |
| 4.4.1 泸水河流域水库群调度模型 |
| 4.4.2 计算结果及分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读硕士学位期间发表的学术论文 |
| 3 参与的科研项目及获奖情况 |
| 学位论文数据集 |
（5）基于膜计算的移动机器人自主行走控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的提出 |
| 1.2 国内外研究现状 |
| 1.2.1 膜计算研究现状 |
| 1.2.2 移动机器人发展概况 |
| 1.2.3 移动机器人自主行走关键问题研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 基于膜计算的移动机器人自主行走控制分析 |
| 2.1 引言 |
| 2.2 移动机器人自主行走控制的膜计算基础 |
| 2.2.1 膜算法 |
| 2.2.2 数值膜系统定义 |
| 2.2.3 酶数值膜系统定义 |
| 2.3 基于膜计算的移动机器人自主行走控制体系分析 |
| 2.3.1 基于膜计算的认知体系 |
| 2.3.2 基于膜计算的混合式体系结构分析 |
| 2.4 本章小结 |
| 第3章 基于膜计算的移动机器人路径规划方法 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于m MPSO算法的移动机器人路径规划 |
| 3.3.1 路径规划问题的数学建模 |
| 3.3.2 可变维策略分析 |
| 3.3.3 m MPSO算法描述 |
| 3.4 实验验证及结果分析 |
| 3.5 本章小结 |
| 第4章 基于膜计算的移动机器人轨迹跟踪方法 |
| 4.1 引言 |
| 4.2 移动机器人轨迹跟踪问题描述 |
| 4.3 移动机器人轨迹跟踪控制器 |
| 4.3.1 移动机器人运动学控制器设计 |
| 4.3.2 移动机器人动力学控制器设计 |
| 4.4 实验验证及分析 |
| 4.4.1 运动学控制器仿真实验 |
| 4.4.2 动力学控制器计算机仿真及分析 |
| 4.5 本章小结 |
| 第5章 基于膜计算的移动机器人多行为融合控制方法 |
| 5.1 引言 |
| 5.2 移动机器人自主行走中的行为选择 |
| 5.3 环境状态识别的膜分类器设计 |
| 5.3.1 局部环境模型定义 |
| 5.3.2 环境模型膜分类器设计 |
| 5.4 基本行为控制律设计 |
| 5.4.1 趋向目标行为 |
| 5.4.2 避障行为 |
| 5.4.3 随墙行为 |
| 5.4.4 穿越通道行为 |
| 5.4.5 自转行为 |
| 5.4.6 紧急调头行为 |
| 5.5 基于膜系统的多行为融合控制器设计 |
| 5.5.1 多行为动态选择策略 |
| 5.5.2 行为融合的膜控制器设计 |
| 5.6 实验验证及分析 |
| 5.6.1 环境分类器实验 |
| 5.6.2 多行为融合控制器对比实验 |
| 5.7 本章小结 |
| 第6章 实验验证及结果分析 |
| 6.1 引言 |
| 6.2 膜控制器实现的系统框架 |
| 6.3 膜控制器实现的软硬件平台 |
| 6.3.1 数值膜系统仿真平台 |
| 6.3.2 移动机器人平台 |
| 6.4 实验结果及分析 |
| 6.4.1 轨迹跟踪计算机仿真及结果分析 |
| 6.4.2 多行为融合实验及结果分析 |
| 6.4.3 实体平台实验 |
| 6.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间科研成果 |
（6）多操作员多无人机指挥控制辅助决策（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 本论文研究的目的和意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 无人机指挥控制国内外现状 |
| 1.2.2 多无人机指挥控制系统结构研究现状 |
| 1.2.3 多操作员任务分配国内外现状 |
| 1.2.4 单操作员注意力分配国内外研究现状 |
| 1.2.5 任务自适应排序国内外研究现状 |
| 1.2.6 操作员模型国内外研究现状 |
| 1.3 论文结构和主要研究内容 |
| 第二章 MOMU指挥控制辅助决策模型 |
| 2.1 炮射无人机指挥控制结构 |
| 2.1.1 炮射无人机执行任务过程 |
| 2.1.2 共享MOMU指挥控制结构 |
| 2.2 MOMU指挥控制辅助决策相关要素分析与建模 |
| 2.2.1 操作员任务处理模型 |
| 2.2.2 操作员任务空间建立 |
| 2.3 MOMU指挥控制辅助决策系统 |
| 2.3.1 MOMU指挥控制辅助决策逻辑结构 |
| 2.3.2 MOMU指挥控制辅助决策系统结构 |
| 2.3.3 辅助决策关键问题分解 |
| 2.4 本章小结 |
| 第三章 基于混合式方法的多操作员任务分配 |
| 3.1 混合式多操作员任务分配框架 |
| 3.1.1 多操作员任务分配方式分析 |
| 3.1.2 混合式结构下多操作员任务分配框架建立 |
| 3.2 基于MPC与全局最大回报的集中式多操作员任务分配模型建立 |
| 3.2.1 操作员任务分配中的MPC基本模型 |
| 3.2.2 基于状态预测的集中式多操作员任务分配过程 |
| 3.2.3 集中式多操作员任务分配的全局最大回报模型 |
| 3.2.4 基于改进人工免疫算法的集中式任务分配求解 |
| 3.3 基于多智能体合同网协议的分布式动态任务分配 |
| 3.3.1 分布式多操作员任务分配模型 |
| 3.3.2 分布式任务分配算法 |
| 3.4 仿真实验 |
| 3.4.1 集中式多操作员任务分配仿真 |
| 3.4.2 分布式多操作员任务分配仿真 |
| 3.5 本章小结 |
| 第四章 操作员注意力分配建模与可行性分析 |
| 4.1 操作员注意力分配建模 |
| 4.1.1 先进先出排序下的操作员注意力分配建模 |
| 4.1.2 重要性优先排序下的的操作员注意力分配建模 |
| 4.1.3 寻优排序下的的操作员注意力分配建模 |
| 4.2 先进先出和重要性优先任务排序下的注意力分配求解算法设计 |
| 4.2.1 基于动态规划的注意力求解算法设计 |
| 4.2.2 注意力分配求解 |
| 4.3 寻优排序下的注意力分配求解算法设计 |
| 4.3.1 寻优排序下注意力分配求解算法框架 |
| 4.3.2 基于AIA-DP算法的注意力分配求解 |
| 4.4 仿真实验 |
| 4.4.1 三种任务排序策略下的注意力分配仿真 |
| 4.4.2 注意力分配方法的可行性分析 |
| 4.5 本章小结 |
| 第五章 基于操作员任务处理习惯的任务自适应排序 |
| 5.1 操作员任务处理习惯数据产生 |
| 5.1.1 操作员任务处理习惯分析 |
| 5.1.2 操作员任务生成 |
| 5.1.3 操作员任务处理习惯数据生成 |
| 5.2 基于改进线性回归方法的任务自适应排序模型建立 |
| 5.2.1 针对操作员任务处理习惯的任务自适应排序方法的选择 |
| 5.2.2 基于多元线性回归方法的任务自适应排序建模 |
| 5.2.3 多元线性回归方法的改进 |
| 5.3 仿真验证 |
| 5.3.1 基于操作员任务处理习惯的自适应排序模型仿真验证 |
| 5.3.2 更改操作员任务处理习惯自适应任务排序验证 |
| 5.3.3 改进模型可行性分析 |
| 5.4 本章小结 |
| 第六章 MOMU指挥控制测试平台设计与测试 |
| 6.1 指挥控制测试平台设计 |
| 6.1.1 测试系统硬件设计 |
| 6.1.2 仿真测试平台软件设计 |
| 6.2 测试系统验证 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 内容总结及结论 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
（7）基于优化理论的神经网络研究及在抽油机故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 目录 |
| 前言 |
| 0.1 课题研究背景及意义 |
| 0.2 抽油机故障诊断技术及其发展 |
| 0.2.1 故障诊断技术 |
| 0.2.2 抽油机的故障诊断 |
| 0.2.3 故障诊断的发展方向 |
| 0.3 神经网络技术及其在故障诊断中的应用 |
| 0.3.1 人工神经网络(ANN) |
| 0.3.2 基于神经网络的故障诊断方法 |
| 0.3.3 神经网络在抽油机故障诊断中的应用 |
| 0.4 论文研究内容 |
| 0.5 论文安排 |
| 第1章 基于自适应遗传算法的可拓神经网络 |
| 1.1 引言 |
| 1.2 可拓性理论 |
| 1.2.1 物元 |
| 1.2.2 可拓集合 |
| 1.2.3 关联函数 |
| 1.3 可拓神经网络 |
| 1.3.1 可拓神经网络可行性分析 |
| 1.3.2 可拓神经网络优势 |
| 1.3.3 可拓神经网络结构 |
| 1.4 自适应遗传算法 |
| 1.4.1 遗传算法的基本思想 |
| 1.4.2 遗传算法的基本概念 |
| 1.4.3 算法的改进 |
| 1.4.4 自适应遗传算法的性能测试 |
| 1.5 基于自适应遗传算法的可拓神经网络(GENN) |
| 1.6 本章小结 |
| 第2章 基于免疫遗传机制的RBF神经网络 |
| 2.1 引言 |
| 2.2 径向基函数(RBF)神经网络 |
| 2.3 免疫遗传算法 |
| 2.3.1 人工免疫算法 |
| 2.3.2 免疫遗传算法原理 |
| 2.3.3 算法流程 |
| 2.3.4 算法改进 |
| 2.3.5 收敛性分析 |
| 2.3.6 改进免疫遗传算法性能测试 |
| 2.4 基于改进免疫遗传的RBF神经网络 |
| 2.5 本章小结 |
| 第3章 基于粒子群算法优化的神经网络 |
| 3.1 引言 |
| 3.2 粒子群优化算法 |
| 3.2.1 基本pso算法数学描述 |
| 3.2.2 算法流程 |
| 3.2.3 算法改进 |
| 3.2.4 改进算法的收敛性分析 |
| 3.2.5 改进粒子群算法的性能测试 |
| 3.3 基于改进粒子群方法的神经网络 |
| 3.3.1 优化神经网络方法 |
| 3.3.2 神经网络的建立 |
| 3.4 本章小结 |
| 第4章 抽油机故障诊断 |
| 4.1 引言 |
| 4.2 数据采集及处理 |
| 4.3 故障特征提取 |
| 4.4 抽油机故障诊断 |
| 4.4.1 基于可拓神经网络的抽油机故障诊断 |
| 4.4.2 基于免疫遗传RBF神经网络的抽油机故障诊断 |
| 4.4.3 基于粒子群神经网络的抽油机故障诊断 |
| 4.4.4 故障结果对比分析 |
| 4.5 故障诊断软件包 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文和科研情况 |
| 论文摘要 |
（8）人工免疫系统及其在电站控制中的应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及其意义 |
| 1.2 国内外研究现状 |
| 1.3 人工免疫系统今后研究方向 |
| 1.4 本文的主要内容和结构安排 |
| 第二章 生物免疫系统 |
| 2.1 生物免疫系统组成 |
| 2.1.1 免疫器官 |
| 2.1.2 免疫分子 |
| 2.1.3 免疫细胞 |
| 2.2 免疫系统的主要功能 |
| 2.3 免疫系统的功能实现环节 |
| 2.3.1 自己与非己区分 |
| 2.3.2 免疫应答 |
| 2.3.3 免疫调节 |
| 2.4 免疫系统的特点 |
| 第三章 免疫控制器的设计及其在电站控制中的应用研究 |
| 3.1 基于免疫调节的免疫反馈原理 |
| 3.1.1 免疫系统的自调节 |
| 3.1.2 免疫系统的反馈调节任务 |
| 3.1.3 免疫系统与控制系统的类比 |
| 3.2 模糊免疫P控制器 |
| 3.2.1 基于免疫原理的免疫控制器算法 |
| 3.2.2 基于免疫原理的免疫P控制器 |
| 3.2.3 f(u(k),△u(k))的非线性实现 |
| 3.2.4 模糊控制的特点 |
| 3.2.5 模糊控制的原理及结构 |
| 3.2.6 基本模糊控制器的设计 |
| 3.2.7 模糊免疫P控制器设计 |
| 3.3 模糊自调整免疫增量PID控制器设计 |
| 3.4 模糊免疫PID控制在球磨机负荷控制系统仿真研究 |
| 3.4.1 球磨机负荷系统运行原理 |
| 3.4.2 球磨机负荷控制系统的工作特性 |
| 3.4.3 负荷控制系统的动态模型 |
| 3.4.4 模糊免疫PID控制在球磨机负荷控制系统中的仿真研究 |
| 3.5 免疫不完全微分PID—免疫P构成串级控制器 |
| 3.5.1 免疫不完全微分PID的主控制器设计 |
| 3.5.2 副回路的免疫P调节 |
| 3.5.3 免疫PID主控制器结构及免疫P副控制器结构 |
| 3.6 免疫不完全微分PID-免疫P串级控制在给水系统的仿真研究 |
| 3.6.1 三冲量汽包水位控制系统工作原理 |
| 3.6.2 三冲量汽包水位控制系统的数学模型 |
| 3.6.3 仿真研究 |
| 3.7 基于模糊免疫的改进Smith预估补偿控制器设计 |
| 3.7.1 改进的Smith预估补偿控制 |
| 3.7.2 基于模糊免疫的Smith控制器设计 |
| 3.7.3 模糊免疫Smith控制在给水系统的仿真研究 |
| 3.8 免疫内模控制器的设计 |
| 3.8.1 内模控制器结构、性质和设计 |
| 3.8.2 内模控制与Smith控制的关系 |
| 3.8.3 基于Smith预估原理的IMC控制器设计 |
| 3.8.4 免疫Smith内模控制 |
| 3.8.5 免疫内模控制在球磨机负荷系统的应用研究 |
| 第四章 自适应免疫遗传算法的设计 |
| 4.1 研究自适应免疫遗传算法的意义 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法发展概述 |
| 4.2.2 遗传算法的基本原理 |
| 4.2.3 遗传算法流程图及基本步骤 |
| 4.2.4 遗传算法的构造过程 |
| 4.2.5 遗传算法作为算法具有如下优点、不足和改进方向 |
| 4.3 免疫算法 |
| 4.3.1 免疫机制简介 |
| 4.3.2 免疫算法发展概述 |
| 4.3.3 免疫算法基本思想和基本类型 |
| 4.3.4 免疫算法的特点和免疫算法的基本步骤 |
| 4.3.5 免疫算法与遗传算法的区别 |
| 4.4 免疫遗传算法基本原理 |
| 4.4.1 免疫遗传算法的基本思想 |
| 4.4.2 自适应免疫遗传算法流程图与遗传算法流程图比较 |
| 4.5 自适应免疫遗传算法模块设计 |
| 4.6 基于矢量距免疫遗传算法收敛性 |
| 4.7 自适应免疫遗传算法的性能测试 |
| 第五章 自适应免疫遗传算法在电站优化控制中的应用研究 |
| 5.1 自适应免疫遗传算法在主汽温控制系统中的应用研究 |
| 5.1.1 基于自适应免疫遗传算法的控制系统PID自整定研究的背景及意义 |
| 5.1.2 基于免疫遗传算法的主汽温系统PID参数优化设计方案 |
| 5.1.3 主汽温对象动态特性 |
| 5.1.4 仿真研究 |
| 5.2 自适应免疫遗传算法在厂级负荷优化中的应用研究 |
| 5.2.1 厂级负荷优化的背景及意义 |
| 5.2.2 厂级分配的国内外研究现状 |
| 5.2.3 火电厂单元机组煤耗特性曲线的确定 |
| 5.2.4 自适应免疫遗传算法的参数设置 |
| 5.2.5 仿真研究 |
| 第六章 结论 |
| 参考文献 |
| 致谢 |
| 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 |
（9）混合式蓄能水电站优化调度与风险分析方法及应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 电网安全运行关系到我国社会经济的发展 |
| 1.1.2 混合式蓄能水电站是电网安全运行的必然要求 |
| 1.2 研究意义 |
| 1.2.1 可持续发展战略的内在要求 |
| 1.2.2 混合式蓄能水电站可以提高能源利用效率 |
| 1.2.3 混合式蓄能水电站可以有效地减少燃料消耗 |
| 1.3 国内外研究进展 |
| 1.3.1 蓄能水电站的建设 |
| 1.3.1.1 国外的装机情况 |
| 1.3.1.2 国内的装机情况 |
| 1.3.2 水电站水库优化调度的研究进展 |
| 1.3.2.1 国外研究进展 |
| 1.3.2.2 国内研究进展 |
| 1.3.3 水电站调度风险研究进展 |
| 1.3.4 水电站施工期围堰漫堰风险分析研究进展 |
| 1.4 本文研究的主要内容和章节安排 |
| 第二章 改进粒子群算法 |
| 2.1 改进粒子群算法 |
| 2.1.1 基本粒子群算法 |
| 2.1.2 算法的改进 |
| 2.1.2.1 惯性权重因子ω的处理 |
| 2.1.2.2 加入混沌变量生成机制 |
| 2.1.2.3 种群的初始化 |
| 2.1.3 改进粒子群算法的设计 |
| 2.2 本章小结 |
| 第三章 风险计算的概率最优化方法 |
| 3.1 风险分析的实施步骤 |
| 3.2 传统风险计算方法及不足 |
| 3.2.1 传统风险计算方法 |
| 3.2.2 传统风险分析计算的不足 |
| 3.3 风险计算的概率最优化方法 |
| 3.3.1 概率最优化方法原理 |
| 3.3.2 POMR方法优点 |
| 3.3.3 POMR方法求解 |
| 3.3.4 POMR方法的程序框图 |
| 3.3.5 传统风险分析方法与POMR方法的比较 |
| 3.4 本章小结 |
| 第四章 混合式蓄能水电站中长期发电优化调度模型 |
| 4.1 抽水蓄能电站 |
| 4.1.1 抽水蓄能电站的分类 |
| 4.1.2 抽水蓄能电站与常规电站的差异 |
| 4.1.3 混合式抽水蓄能电站与纯抽水蓄能电站的差异 |
| 4.1.4 混合式抽水蓄能电站的运行效益 |
| 4.2 混合式抽水蓄能电站的中长期优化调度模型 |
| 4.2.1 目标函数 |
| 4.2.2 约束条件 |
| 4.3 模型求解—基于APSO算法 |
| 4.3.1 粒子位置和速度的确定 |
| 4.3.2 粒子群的初始化 |
| 4.3.3 适应值函数的确定 |
| 4.3.4 约束条件的处理 |
| 4.4 实例研究 |
| 4.4.1 电站概况 |
| 4.4.2 电站的调度规则 |
| 4.4.3 结果分析 |
| 4.4.3.1 多年平均发电量 |
| 4.4.3.2 各时段的水位与出力 |
| 4.4.4 结论 |
| 4.5 本章小结 |
| 第五章 混合式蓄能水电站调度函数的研究与评价 |
| 5.1 调度函数决策变量与相关因子的选择 |
| 5.2 多元逐步回归原理求解调度函数 |
| 5.3 实例研究 |
| 5.4 本章小结 |
| 第六章 基于POMR方法的混合式蓄能水电站中长期发电调度风险分析 |
| 6.1 混合式蓄能水电站中长期发电调度风险因子分析 |
| 6.1.1 中长期发电调度风险因子识别 |
| 6.1.2 中长期发电调度风险因子量化 |
| 6.1.3 风险因子的灵敏度分析 |
| 6.2 基于POMR方法的混合式蓄能水电站中长期发电调度风险模型 |
| 6.2.1 中长期发电调度风险分析指标 |
| 6.2.2 中长期发电调度风险分析模型 |
| 6.2.3 模型的求解思想及步骤 |
| 6.3 实例研究 |
| 6.3.1 工程概述 |
| 6.3.2 电站系统中水库常规调度研究 |
| 6.3.2.1 计算的基本原则 |
| 6.3.2.2 运行方案设计 |
| 6.3.3 基于POMR方法的中长期发电调度风险分析 |
| 6.4 本章小结 |
| 第七章 基于POMR方法的围堰漫堰风险分析 |
| 7.1 围堰漫堰风险因子分析 |
| 7.1.1 风险因子识别 |
| 7.1.2 风险因子的量化 |
| 7.2 围堰漫堰风险分析模型 |
| 7.2.1 模型的建立 |
| 7.2.2 模型的求解 |
| 7.2.3 模型的计算框图 |
| 7.3 实例研究 |
| 7.3.1 向家坝工程概况 |
| 7.3.2 向家坝一期围堰漫堰风险因子分析 |
| 7.3.2.1 横江洪水特性分析 |
| 7.3.2.2 横江洪水顶托分析 |
| 7.3.2.3 向家坝水文站水位变化的预测 |
| 7.3.3 向家坝一期围堰漫堰风险计算 |
| 7.4 本章小结 |
| 第八章 混合式蓄能水电站堤坝风险评价及水利工程后评价 |
| 8.1 混合式蓄能水电站堤坝运行风险评价 |
| 8.1.1 堤坝运行风险识别模型 |
| 8.1.1.1 层次分析法的概念 |
| 8.1.1.2 堤坝风险指标及体系 |
| 8.1.1.3 堤坝风险评价指标隶属度的确定 |
| 8.1.1.4 堤坝风险评价评语集的选择 |
| 8.1.1.5 堤坝风险模糊综合评语集的建立方法 |
| 8.1.2 实例研究 |
| 8.1.2.1 基层指标的风险评价 |
| 8.1.2.2 评价指标的风险值 |
| 8.1.3 结论 |
| 8.2 水利工程后评价模型 |
| 8.2.1 基于EOWA算子的定性评价指标量化方法 |
| 8.2.2 评价指标的规范化处理 |
| 8.2.3 基于遗传算法的投影寻踪方法 |
| 8.2.3.1 综合投影特征值Z(?)的构造 |
| 8.2.3.2 投影指标函数Q(a)的构造 |
| 8.2.3.3 优化投影方向 |
| 8.2.3.4 计算综合特征 |
| 8.2.4 算例分析 |
| 8.2.4.1 评价指标 |
| 8.2.4.2 构造投影指标函数及投影方向的优化 |
| 8.2.5 结果分析 |
| 8.2.6 结论 |
| 8.3 本章小结 |
| 第九章 总结与展望 |
| 9.1 全文总结 |
| 9.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间参与的科研工作 |
| 攻读博士学位期间发表的学术论文 |
（10）基于免疫遗传算法的QoS组播路由算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 组播技术产生的背景 |
| 1.2 组播的特点 |
| 1.3 组播路由技术概述 |
| 1.4 组播路由选择协议 |
| 1.5 组播路由算法研究现状 |
| 1.5.1 静态和动态组播路由算法 |
| 1.5.2 分布式算法和集中式算法 |
| 1.5.3 Steiner树算法和CBT算法 |
| 1.5.4 分层组播路由算法 |
| 1.5.5 QoS组播路由算法 |
| 1.6 本文主要研究内容和组织结构 |
| 第二章 QoS组播路由问题 |
| 2.1 QoS路由的度量选择 |
| 2.1.1 常用网络性能度量 |
| 2.1.2 路由的度量选择原则 |
| 2.1.3 QoS路由的度量选择思想 |
| 2.2 QoS组播路由 |
| 2.2.1 组播原理 |
| 2.2.2 QoS组播原理 |
| 2.2.3 QoS组播路由的数学模型 |
| 2.2.4 QoS多约束 QoS组播路由是NP完全问题 |
| 2.3 QoS组播路由算法的研究现状 |
| 2.3.1 QoS约束Steiner树问题及其启发式算法 |
| 2.3.2 启发式算法分析 |
| 2.3.3 QoS组播路由问题相关遗传算法 |
| 2.4 本章小节 |
| 第三章 基于遗传算法的QoS的组播路由算法 |
| 3.1 随机网络拓扑图的生成算法 |
| 3.2 遗传算法概述 |
| 3.2.1 遗传算法简介 |
| 3.2.2 遗传算法的特点 |
| 3.3 基于遗传算法的QoS组播路由选择 |
| 3.3.1 编码与产生初始群体 |
| 3.3.2 遗传路由算法的算子设计方法 |
| 3.3.3 遗传路由算法的实现过程 |
| 3.4 基于遗传算法的延时受限的组播路由算法 |
| 3.4.1 求解备选路径集 |
| 3.4.2 编码与产生初始群体 |
| 3.4.3 适应度函数的建立 |
| 3.4.4 选择方法 |
| 3.4.5 交叉操作和变异操作 |
| 3.4.6 仿真实验 |
| 3.5 遗传算法求解组播路由的研究现状及发展趋势 |
| 3.5.1 遗传算法求解 QoS组播路由问题的难点 |
| 3.5.2 遗传算法的改进技术 |
| 3.6 基于模拟退火遗传算法的延时受限的组播路由算法 |
| 3.6.1 模拟退火遗传算法主要思想 |
| 3.6.2 利用 SAGA求解延时受限的组播路由的流程 |
| 3.6.3 仿真实验结果和分析 |
| 3.7 本章小节 |
| 第四章 免疫遗传算法 |
| 4.1 自然免疫学基本原理 |
| 4.1.1 生物免疫机制简介 |
| 4.1.2 抗体与抗原 |
| 4.1.3 获得性免疫应答 |
| 4.1.4 生物免疫机制的抽取 |
| 4.2 已经提出的免疫遗传算法 |
| 4.2.1 免疫遗传算法基本原理 |
| 4.2.2 基于信息嫡的免疫遗传算法 |
| 4.2.3 基于欧式距离的免疫遗传算法 |
| 4.3 一种改进的免疫遗传算法 |
| 4.3.1 改进的免疫遗传算法中的几个重要定义 |
| 4.3.2 精英保留策略 |
| 4.3.3 改进的免疫遗传算法 |
| 4.4 本章小节 |
| 第五章 基于免疫遗传算法的QoS组播路由算法 |
| 5.1 免疫遗传算法的基本步骤设计 |
| 5.2 基于免疫遗传算法的多约束 QoS组播路由选择算法 |
| 5.2.1 QoS组播路由问题的描述 |
| 5.2.2 网络结构预处理 |
| 5.2.3 求解备选路径集及编码 |
| 5.2.4 群体初始化 |
| 5.2.5 适应度函数的建立 |
| 5.2.6 遗传算子 |
| 5.2.7 QoS组播路由选择算法流程 |
| 5.2.8 算法计算复杂度分析 |
| 5.3 仿真实验研究 |
| 5.3.1 实验结果 |
| 5.3.2 HGAE与其他算法性能的比较 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
四、一种基于免疫思想的混合式遗传算法（论文参考文献）
- [1]多移动机器人系统协调规划与控制研究[D]. 徐东方. 山东科技大学, 2020(06)
- [2]面向多任务的仓储移动机器人路径规划与调度[D]. 权浩. 重庆邮电大学, 2020(02)
- [3]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [4]基于特征选择的数据驱动水库动态调度决策算法研究[D]. 朱凯莉. 浙江工业大学, 2019
- [5]基于膜计算的移动机器人自主行走控制方法研究[D]. 王学渊. 西南交通大学, 2018(03)
- [6]多操作员多无人机指挥控制辅助决策[D]. 吴宇航. 北京理工大学, 2017(02)
- [7]基于优化理论的神经网络研究及在抽油机故障诊断中的应用[D]. 王琼. 东北石油大学, 2011(02)
- [8]人工免疫系统及其在电站控制中的应用研究[D]. 袁桂丽. 华北电力大学（北京）, 2010(09)
- [9]混合式蓄能水电站优化调度与风险分析方法及应用研究[D]. 苏学灵. 华北电力大学（北京）, 2010(09)
- [10]基于免疫遗传算法的QoS组播路由算法[D]. 赵秀平. 中南大学, 2008(01)