一、基于遗传规划的GSBAR学习算法（论文文献综述）
张苏雨[1]（2021）在《动态作业车间调度规则自动生成方法的研究》文中提出车间调度是工业生产系统优化的重要研究内容之一,近年来得到了学术界的广泛关注。由于复杂工况下生产节点状态的多变性和网络环境下生产扰动的随机性,使得调度问题十分具有挑战性。在现有的车间调度问题中,优化方法通常是占主导地位的,但这些方法主要集中在静态问题和简化的作业车间环境,往往不能适应实际车间的动态特征,并且太耗时、不切实际。因此,调度规则作为一种处理实际约束的有效方法被提出来寻找快速高效的解决方法,并且可以应对车间的动态变化。然而,设计一个有效的调度规则不是一件简单的任务,需要大量的调度相关知识。自动化启发式的出现解决了这一困难,该方法的目标是探索问题的“启发式搜索空间”,而不是启发式和元启发式情况下的解的搜索空间。该方法的目的是减少人工设计调度规则所需的时间,并增加发掘性能更强大和还未被发现的调度规则的机会。本文针对动态作业车间的实际生产需求,研究基于遗传规划的超启发式算法并应用于作业车间调度规则的自动启发式设计。主要研究内容如下:（1）针对动态作业车间的实际生产过程,建立多目标动态作业车间优化调度的数学模型,阐明优化目标与工艺参数间的关联性,并给出约束条件。本章节给出了单一规则、复合规则、加权组合规则等多类调度规则的定义,还进一步根据动态作业车间中的机器生产特征和工件自身的加工信息进行分析,给出了动态生产系统调度规则自动化设计所需的终端特征集。（2）针对动态作业车间生产任务的不确定性和随机性,难以寻找适用于多种复杂生产情景的通用调度规则问题。本文研究了一种基于超启发式遗传规划的动态车间调度规则自动化发现方法,来提高调度规则在不同生产情景下的动态适应性。通过对所生成的调度规则进行语义分析,进一步研究GP树终端特征属性对不同优化目标的作用。仿真实验结果表明,所提算法能够针对不同生产场景,生成适合的调度规则,且性能优于人工设计的基准调度规则。（3）针对上述方法的特征数量庞大复杂所导致的搜索空间大、计算时间过长的问题,本文研究了一种基于遗传规划的三阶段自适应算法,通过加权投票排序对特征集进行特征选择,保留重要特征、剔除不相关特征。与特征选择前的调度规则相比,该方法生成的调度规则结构更简单且更易理解,并对于实际动态车间的生产具有较强的自适应力。仿真实验结果表明,仅使用所剩特征便能得到调度效果更好且结构更简单的调度规则。（4）基于本文所提出的动态作业车间调度规则的自动生成方法,针对无锡某机床厂的实际生产需求,利用课题组自主研发的信息集成平台,研发了基于动态车间调度规则的生产调度软件工具。基于Matlab、Oracle数据库、以及IDEA等开发软件完成系统功能模块的开发,在实际企业车间进行工业应用,验证了本课题算法理论方法在实际动态作业车间调度生产的应用可行性和有效性。
张松灿[2]（2021）在《基于蚁群算法的移动机器人路径规划研究》文中研究指明移动机器人的自主导航能力对其广泛应用具有决定作用,而良好的路径规划技术是自主导航的基础。机器人的工作环境复杂多变,不仅存在静态障碍,还存在一些运行状态未知的动态障碍,在规划任务开始前无法获取全部环境信息。传统的路径规划算法在面对复杂环境时存在效率低、稳定性及适应能力差等不足,难以满足实际需求。蚁群算法具有正反馈机制、分布式计算及鲁棒性强等优势,候选解构建过程与路径规划过程相似,无需先验知识即可找到最短觅食路径,与路径规划目标相似,因此,蚁群算法成为最常用路径规划方法之一。针对蚁群算法在静态环境路径规划中存在收敛速度慢、协同不足、适应性弱等不足,在优化过程中还存在种群多样性与收敛速度的矛盾,从算法结构、参数优化及规划路径特征等方面提出针对性的改进策略,增强算法的优化性能,加快算法收敛度,提高算法适应能力。针对现有局部路径规划方法侧重于避障,无法保证路径的最优等问题,提出将全局规划信息和局部规划相结合的动态路径规划方法。主要研究内容如下:（1）自适应改进蚁群算法的路径规划。为解决基本蚁群算法在路径规划时存在收敛速度慢、易陷入局部极值等不足,提出基于种群信息熵的自适应改进蚁群算法。利用种群信息熵度量算法优化过程的多样性特征;依据种群信息熵自动调整算法参数的自适应策略;在全局信息素更新规则中,增加了迭代最优解的信息素项,并根据种群信息熵自动调整迭代最优解的信息素更新强度;提出信息素扩散模型以增强蚂蚁间的协作能力;非均匀信息素初始化策略能减少算法运行前期的盲目性搜索,加速算法收敛。仿真实验表明所提算法收敛速度快,适应性好,优化性能强。（2）单种群自适应异构蚁群算法的路径规划。针对多种群蚁群算法结构复杂、优化速度慢及适应性不足等问题,提出一种结构简单的单种群自适应个体异构蚁群算法。为提高初始蚁群的质量,首次迭代时仅以启发信息来构建候选解;非首次迭代时每只蚂蚁使用各自的控制参数构建候选解,增强种群的多样性;信息交换与参数突变操作不仅能发挥最优蚂蚁的引导作用,而且有助于算法在更大的参数空间探索更优的算法参数;基于种群信息熵的自适应信息交换周期策略,提高了算法的适应能力。仿真结果验证了算法的适应性、有效性及优越性。（3）融合改进蚁群算法和几何优化的路径规划方法。提出改进蚁群算法和几何局部优化相混合的路径规划方法。改进蚁群算法主要包括信息素初始化策略,带惩罚机制的动态权重信息素更新策略。根据蚁群算法规划路径的几何特征与运动约束条件,设计了局部优化方法,对每次迭代得到的最优路径进行几何优化。同时将优化后的路径作为新路径也进行信息素更新与扩散,显着提升了规划效率。实验结果表明所提出的算法具收敛速度快、优化能力强与适应能力好等优点。（4）动态环境的路径规划方法。针对动态环境路径规划的需求与特点,提出两阶段动态路径规划方法。第一阶段依据全局环境信息,利用改进蚁群算法规划出全局最优路径,并作为第二阶段的参考路径。第二阶段为路径跟踪与局部再规划阶段。当机器人沿着所最优路径行走时,实时更新其视野内的局部地图,进行碰撞预测与避碰,协调控制策略完成路径跟踪与避障。仿真实验表明算法能有效避开环境中的动态障碍,获取无碰最优或次优路径,规划性能与规划效率优于蚁群算法再规划方法。最后对全文进行总结,对未来的一些研究内容进行了展望。
王瑜琼[3]（2021）在《考虑常规线路影响的需求响应式公交协同优化方法研究》文中研究指明需求响应式公交是“互联网+城市公交”的创新服务模式,其根据乘客特殊需求设定线路,为相对处于相同区域、具有相同出行时间和相同出行需求的人群提供公共交通服务。需求响应式公交与地面公交的常规线路既相互竞争、又彼此协作,实现需求响应式公交与常规线路的协调和配合,是提升地面公交系统整体竞争力的有效途径。因此,对需求响应式公交及常规线路进行协同优化设计,并对多种模式的需求响应式公交进行协调调度优化,可以更好地发挥地面公交系统的整体出行效率,提升地面公交系统综合竞争力。本文面向需求响应式公交的应用及城市公共交通协调发展理念,研究了考虑常规线路影响的需求响应式公交协同优化的相关问题。对跨区域需求响应式公交进行系统设计,研究其站点选址及线路规划方法;考虑需求响应式公交与常规线路的竞争关系,在跨区域需求响应式公交模式开通条件下,对地面公交的运行协同问题进行研究;考虑需求响应式接驳公交与常规公交线路、跨区域需求响应式公交的协作关系,研究需求响应式接驳公交运行计划协同优化方法。具体研究内容包括:（1）跨区域需求响应式公交的站点选址及线路规划方法研究。建立考虑节点需求密度的AP聚类算法,明确使用该算法进行跨区域需求响应式公交站点选址的技术路线;考虑道路拥堵状况、线路停靠站点最大数量限制、车辆容量限制、乘客预约时间要求等因素,建立基于Q学习算法、决策需求响应式公交的车辆实际路径及时刻表的方法。算例结果表明,相比经典的AP聚类算法,本文提出的改进的AP聚类算法使得乘客平均步行距离由545.8 m降至500.9 m,降幅8.2%;基于该线路规划方法的运营方案可满足乘客起讫点及时间窗要求,响应率为87.5%。（2）考虑跨区域需求响应式公交与常规线路的竞争关系,构建地面公交运行协同优化的双层规划模型。上层模型以乘客总出行时间、地面公交出行量、地面公交企业运营盈余为目标,以常规公交线路的发车频率和跨区域需求响应式公交的车辆配置数为决策变量;下层模型为基于Logit-SUE的多方式交通网络配流模型,以网络平衡时各路径流量为决策变量。设计求解算法,并根据不同的通勤客流量及常规公交原有满载率水平设计多个算例。研究表明,通过地面公交系统运行协同优化,可降低乘客总出行时间,并使得地面公交企业运营盈余增加;同时,由于需求响应式公交提供舒适度高的“一人一座”服务,两种模式的运行协同优化会造成地面公交出行量在合理范围内有所减小、常规公交车辆的满载率稍有增加。不同的通勤客流量及常规公交原有满载率水平下的优化效果不同:在两者水平较低时,优化效果显着,适宜采用本文提出的地面公交协同优化模型进行优化;两者水平较高时,优化效果不显着,应综合分析后进行决策。（3）建立需求响应式接驳公交运行计划协同优化模型。该模型以系统响应率、人均时间成本、人均运营成本为目标,以车辆路径、时刻表、车辆排班为决策变量。确定接驳线路时刻表时,充分考虑接驳系统与其接驳的跨区域需求响应式公交的衔接。设计求解算法,并通过算例验证模型与算法的可行性和有效性。研究表明,相较于不考虑车辆往复运行的协同优化模型,本文模型的系统响应率增加比例为20.3%;人均时间成本的总等价时间减少3.2%;人均运营成本减少36.5%。本文提出的运行计划协同优化模型可以在减少车辆配置数和车辆固定运营成本的投入同时,保证需求响应式接驳系统的服务水平。（4）对需求响应式公交竞争力影响因素进行定量分析,为多模式需求响应式公交的运营提供策略和建议。跨区域需求响应式公交平均旅行速度及票价是其竞争力的内部影响因素;与跨区域需求响应式公交具有竞争关系的常规线路的运行特征是其竞争力的外部影响因素。在跨区域需求响应式公交与需求响应式接驳公交同时运营情境下,对两种模式需求响应式公交的竞争力影响因素进行分析,结果表明两种模式的需求响应式公交的衔接协作提高了需求响应式公交系统的整体竞争力。图56幅,表21个,参考文献148篇。
李雪靖[4]（2021）在《智慧标识网络中边缘计算服务的任务卸载和资源适配研究》文中研究表明随着互联网技术的发展,网络服务和网络应用已渗透到各个领域。网络数据流量和计算任务的迅猛攀升,导致传统网络体系难以满足高效、可靠、海量、泛在等服务需求。智慧标识网络从解决传统互联网三重绑定问题出发,提出了“三层两域”的体系架构,为实现网络的可管、可控、开放、灵活提供了新的思路。针对智慧标识网络中的计算服务,边缘计算可以利用网络边缘计算资源为其提供更好的服务质量。然而,边缘网络的服务复杂性和资源有限性给不同场景下计算服务的动态灵活管控带来了新的挑战。本文分别针对边缘网络中的终端复杂计算服务、终端流式计算服务、多终端竞争计算服务和边缘汇聚计算服务,依据不同服务的需求特征,融合网络通信资源和计算资源,分析了具有特定优化目标的服务管控问题,研究了基于智慧标识网络的任务卸载和资源适配策略。本论文主要工作和创新点如下:（1）针对边缘网络中终端复杂计算服务的任务卸载和资源适配问题,提出了一种复杂服务分割和部分任务卸载的联合管控优化策略。本文以复杂计算服务的处理开销最小化为优化目标,通过综合考虑服务模型特征、任务依赖关系、节点设备能力和无线信道状况等因素,提出了基于智慧标识网络和边缘计算的终端复杂计算服务系统架构和管控机制,构建了服务模型分割和部分任务卸载的联合优化模型;基于深度学习方法构建了针对视频流进行人体姿态估计的服务计算模型,通过分析所构建模型的计算负载和数据流,采用神经层分组和流水线处理方法,设计了基于阈值粒子群优化的协同分割卸载TP-CPO算法,并通过仿真实验进行了性能评估。仿真结果表明,在不同的信道带宽和服务器负载下,所提策略有效地降低了服务响应时间和终端能量消耗。（2）针对边缘网络中终端流式计算服务的任务卸载和资源适配问题,提出了一种任务卸载调度和终端功率控制的联合管控优化策略。本文以流式计算服务的任务处理效用最大化为优化目标,通过综合考虑到达任务特征、终端能量状态、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的终端流式计算服务系统架构和管控机制,构建了任务卸载调度和终端功率控制的联合优化模型;根据终端等待计算任务的马尔可夫性,分析了卸载调度决策和功率控制决策的约束条件,设计了状态、动作和奖惩函数,将系统时间分层划分为决策周期和事件回合,实现了基于分层深度强化学习的自适应调度控制HDRL-ASC算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,在不同的任务到达率、无线信道状况和服务器计算性能下,所提策略有效地提高了任务处理效率,降低了终端功率消耗。（3）针对边缘网络中多终端竞争计算服务的任务卸载和资源适配问题,提出了一种终端卸载选择和通信资源编排的联合管控优化策略。本文以多终端竞争计算服务的综合计算效用最大化为优化目标,通过综合考虑终端接入数目、终端设备状态、终端需求优先级、无线信道状况和计算服务器负载等因素,提出了基于智慧标识网络和边缘计算的多终端竞争计算服务系统架构和管控机制,构建了终端卸载选择和通信资源编排的联合优化模型;提出了融合多种方法的算法框架,包括利用神经网络和阈值判断方法估计多终端任务卸载的优先级,利用一维优化搜索方法编排无线通信的资源块,利用经验回放和梯度下降方法构建神经网络模型的更新机制,利用分布式采样训练方法实现高效的神经网络训练模型,设计了基于纵向联邦学习的灵活卸载编排VFL-FOO算法,并通过仿真实验进行了算法参数调优和性能评估。仿真结果表明,算法具有较好的收敛性和较低的复杂度,在不同终端数目和动态环境状况下,所提策略有效地提高了多终端综合计算能力。（4）针对边缘网络中边缘汇聚计算服务的任务卸载和资源适配问题,提出了一种流量鲁棒分类和资源感知转发的联合管控优化策略。本文以边缘汇聚计算服务的综合处理开销最小化为优化目标,通过综合考虑单位时间请求交易量、服务数据量到达速度、单位比特计算负载、服务流量类型、服务器计算资源和传输路径通信资源等因素,提出了基于智慧标识网络和边缘计算的边缘汇聚计算服务系统架构和管控架构,构建了流量鲁棒分类和资源感知转发的联合优化模型;设计了包含异常需求检测、流量特征分类和任务卸载转发的算法框架,实现了基于遗传进化算法的快速分类转发GE-RCF算法,并通过仿真实验进行了参数调优和性能评估。仿真结果表明,在流量动态变化、不同边缘服务器性能和不同传输路径带宽下,所提策略有效地提升了流量分类效率,降低了多流量综合处理开销。
李皓燃[5]（2021）在《基于遗传规划算法的量化交易策略设计 ——以沪金期货为例》文中指出
孙肖坤[6]（2021）在《复杂大型建设项目费用偏差控制方法及信息系统设计》文中指出随着全球范围内经济形势的动态稳定发展,复杂大型建设项目在国内外均呈持续增长的态势,国际工程项目市场的竞争愈发激烈。复杂大型建设项目事关民生和经济效益,其开发建设会对国家和社会产生广泛而深远的影响。在工程建设领域,许多投资主体拥有雄厚的资金实力和丰富的开发建设经验,并开始涉足复杂大型建设项目的开发建设,项目投资规模越来越大,建设周期越来越长,参与建设的单位越来越多,不确定性带来的项目风险也愈发复杂。随着时代的发展,复杂大型建设项目逐渐成为项目管理领域的研究热点。然而,在项目建设过程中,投资效率低下、费用超支等现象屡见不鲜,项目执行情况在各层面上不尽如人意,传统的项目管理理论已经不能适应现阶段管理实践的需求。因此,从复杂性视角出发对项目管理领域进行研究就成为一种新的解决思路。如何对项目复杂性进行科学、系统以及深入的分析,如何在项目建设过程中动态、全面地掌握项目费用状态,如何判断工程费用实际状态与计划的偏差严重程度,如何对项目费用偏差做出科学的警报和预测,如何有依据地对工程项目的费用偏差进行有效纠偏控制,就成为摆在管理者面前的一个理论和实践问题。为了更加科学有效地针对复杂大型建设项目费用实施监控管理,本文运用系统动力学相关理论和方法,建立了基于复杂性视角的建设项目费用偏差影响因素的系统动力学模型,构建了项目费用偏差的警报及预测模型,梳理了项目全生命周期不同费用偏差程度下的纠偏流程,进而分析并设计了以理论模型为基础的复杂大型建设项目费用偏差控制信息系统。具体研究内容包括以下四个部分:（1）基于系统动力学的费用偏差关键影响因素识别研究。首先,对复杂大型建设项目的费用监控模式进行概述;在此基础上,对系统动力学相关基础理论及其应用在建设项目费用偏差控制领域的可行性进行分析;然后,将复杂大型建设项目作为一个整体系统,对项目建设各阶段内费用偏差影响因素之间的关系进行分析识别,构建系统动力学反馈图模型,确定主要变量,内生变量、外生变量,建立各变量之间方程关系;最后,通过Vensim软件模拟仿真,建立动态控制模型并验证其可行性和有效性,识别出费用偏差关键影响因素及其影响程度,并对模拟结果进行分析。（2）复杂大型建设项目费用偏差警报及预测模型研究。首先对复杂大型建设项目不同阶段费用偏差计算的需求及特点进行分析,据此选取适用于复杂大型建设项目费用偏差警报的方法模型;然后对K-Means聚类算法进行缺陷分析,引入贴近度概念,并将边界均值算子作为主要方法对经典K-means聚类进行改进,有效克服了主观随意性和警情区间不连续的问题;最后通过算例分析证实了本模型的有效性。复杂大型建设项目费用偏差预测模型是偏差警报模型的后续研究。首先,全面论述了神经网络模型的相关原理,对其在复杂大型建设项目费用偏差预测研究中的可行性和适用性进行了分析;然后,利用仿生算法对传统BP神经网络进行改进,优化神经网络模型中的初始网络权值和阈值,并将历史数据输入模型中进行训练获得成熟模型;同时,将现阶段的费用偏差进行子目费用分析,将总偏差最终分摊至每一个子目费用的扰动因素,深度分析复杂大型建设项目中不同活动对费用偏差的影响,在当前费用偏差情况已知的情况下,研究其对未来费用偏差的影响程度并予以量化,判定即将发生的项目警情及其位置,有效辅助项目费用管理方采取措施进行处理,实现真正意义上的项目费用事前控制。（3）复杂大型建设项目费用偏差控制策略及效果评价研究。首先,针对复杂大型建设项目费用偏差控制策略,挖掘了流程再造和协同理论与之相适应的契合点,梳理了费用偏差控制中流程再造和协同的目标和原则;其次,针对复杂大型建设项目在前期决策阶段、中期实施阶段、后期运维阶段所面临的不同费用偏差警情,明确各阶段责任方,梳理并总结出具体的纠偏操作流程和控制策略;为了增强该纠偏流程的适用性,本节首次提出了纠偏效果评价,从控制能力、控制效果、经济和社会效果等角度构建指标体系,构建了基于支撑度理论的模糊群决策模型,对纠偏效果进行评价,给出反馈结果,推动纠偏策略的持续改进。（4）复杂大型建设项目费用偏差控制系统设计研究。把研究的理论和构建的模型拓展到实际的项目费用管理中,提出了复杂大型建设项目费用偏差控制信息系统设计。首先,对复杂大型建设项目费用偏差控制系统进行了定义,对系统建设目标、系统用户和系统需求进行分析,确定了系统的非功能需求和功能需求;然后构建费用偏差控制系统的总体设计框架结构,从系统开发方法、系统开发平台、系统功能模块、系统数据库四个角度对系统进行详细深入的设计;在涉及到系统关键的实施技术方面,对开发技术选型进行了结构性论述,并对数据仓库的核心设计理念进行了详细介绍,设计了系统模型管理模块的结构和重点功能。该系统包括费用偏差警报、费用偏差预测、费用偏差控制、纠偏效果评价等功能。
田立霞[7]（2021）在《高铁新能源微电网规划定容及调度优化研究》文中认为面对全球气候变暖,我国提出了“碳达峰、碳中和”发展目标。交通系统作为用能大户,为加速实现“双碳”目标,近年来,相关部门制定出台了一系列能源、交通融合发展的战略与政策。高铁作为中长途运输中的主力军,近年来发展十分迅速。在高铁用电构成中,牵引用电占比最大,是碳减排的重点领域之一。高铁运营部门为积极响应国家号召,实现深度绿色交通,在保障牵引供电安全的前提下,开展了一系列新能源发电并入牵引供电系统的研究,以优化高铁用能结构,提升能源综合利用效率。高铁牵引负荷不同于生活、工业用电负荷,具有分布广、冲击性强、随机不稳定、功率大、时段特征显着、安全要求高等特征,大大地增加了新能源牵引供电理论研究与实际应用的难度。在前期各学者研究的基础上,本文根据高铁牵引负荷的特征、新能源发电出力特征及高铁沿线新能源分布情况等因素,在高铁沿线分段构建基于能源互联网技术的高铁新能源微电网,使之与沿线大电网一同为高铁牵引供电系统供电。在保障牵引供电安全的前提下,对高铁新能源微电网的规划、容量配置以及后期运行调度展开研究,最后对高铁微电网的构建及运行进行了综合效益评价。本文主要创新点包括以下几点:（1）高铁新能源牵引供电安全性测度方法研究安全是高铁运行的前提条件。牵引供电系统作为高铁运行的唯一动力来源,在高铁安全稳定运行中起着至关重要的作用。本部分中,首先介绍了高铁新能源牵引供电安全性测度的重要性;其次,分别从高铁牵引供电风险分析和新能源发电并网影响的角度出发,确定高铁新能源牵引供电风险因子;然后,结合风险因子、高铁牵引供电和新能源发电相关技术条例,建立了高铁新能源牵引供电安全测评体系;最后,根据安全测评体系,提出高铁新能源牵引供电安全系数,为后续高铁新能源微电网的构建及运行优化研究奠定基础。（2）高铁新能源微电网规划方法研究首先,通过对比分析高铁牵引功率、新能源出力及储能系统的特征,确定新能源发电采用高铁新能源微电网AT所的方式并入牵引供电系统。其次,综合高铁牵引网络分布特性及沿线风光分布情况,基于能源互联网技术,给出了“局部微电网、全国高铁微电网互联、区块链技术做监督、大电网做安全保障”的高铁新能源微电网的构建原则和基本框架,解决了传统微电网供电范围与高铁路网分布广的冲突。互联高铁新能源微电网间电能互传互济,有效平抑不稳定新能源带来的冲击,提高新能源利用率。高铁新能源微电网与沿线大电网相联,实现“自发自用、余电上网”,可保障高铁牵引供电安全,提高能源综合利用率。（3）基于安全约束的高铁新能源微电网定容模型研究首先,基于能源互联网技术,将牵引供电安全作为微电网定容模型的约束条件之一,采用多目标均衡优化理论,建立以牵引供电安全系数最大、成本最低、碳排放最少为目标的高铁新能源微电网定容模型。通过有效整合高铁线可用空闲土地面积、风光分布情况及相联高铁新能源微电网装机等资源,实现互联新能源微电网新能源装机及储能容量的优化配置,提高能源利用率,降低投资成本。其次,采用改进型量子遗传算法（IQGA）对模型求解,结果发现高铁牵引供电系统具有较好的新能源消纳潜力。（4）基于安全约束的高铁新能源微电网调度模型研究首先,以牵引供电安全、优先消纳新能源电力为指导,提出了高铁新能源微电网安全调度的基本原则;其次,根据牵引负荷特征,在牵引供电安全的约束下,对互联高铁新能源微电网牵引供电系统进行“源-网-车-储”多环节互动调节,采用多目标优化理论,建立以牵引供电安全系数最大、成本最低、碳排放最少为目标的高铁新能源微电网调度模型,可提高互联微电网各环节能量综合利用率、牵引供电质量和安全可靠性;最后,采用IQGA对模型进行求解,发现互联高铁新能源微电网的运行成本低于不互联模式。
陈丹妮[8]（2021）在《基于E-SAM模型的中职《Python与人工智能入门》课程开发研究》文中研究指明计算思维被列为信息技术学科核心素养之一,是信息技术学科育人价值的集中体现,也是中等职业学生通过学习与运用形成的关键能力。与此同时,随着新一代信息技术的不断发展,人工智能教育和编程教学逐步进入中等教育阶段。中等职业教育是职业教育的基础,如何有效培养中职学生的计算思维、如何把人工智能教育走进中职课程、采用哪个课程开发模型适合进行中职新一代信息技术的课程开发是非常具有研究价值的。在计算思维培养、人工智能教育、Python编程的背景下,本研究对国内外相关的课程和计算思维的培养进行调查研究,发现目前人工智能入门教育和计算思维培养在中职教育有所欠缺。因此,根据中职学生的特点以及人工智能入门教育的要求,本研究首先针对SAM模型开发中职课程的不足,将PMADE模型的经验萃取环节引入到SAM模型中,并提出E-SAM模型。其次,根据E-SAM模型的课程开发流程,本研究融入计算思维培养,开发一门面向中职学生的《Python与人工智能》课程。这门课程以流行专题主线,先后介绍了简单人工智能导论、智能优化、推荐系统、机器学习四大主题,又以算法简介、算法框架、算法应用为设计思路,让中职学生体验人工智能算法以及Python编程。再次,本研究开发的课程资源已上传到超星平台,供一线教师和学生的使用。最后将该课程进行相应的教学实践,并从多角度多手段评价对课程进行评价。本研究以计算思维培养为导向,以人工智能教育为目标,以Python编程为落脚点,面向中职学生开发《Python与人工智能入门》课程。通过课程教学实施与评价,验证了本研究开发的课程可以帮助中职学生认识简单的人工智能算法,掌握初级的Python编程能力,提高计算思维水平。与此同时,在研究过程中产生了三个创新点:一是提出了一个课程开发模型,二是将海狸测试应用到中职学生的计算思维测量,三是改进了一个人工智能算法。
韩岩峰[9]（2021）在《基于深度强化学习的无人物流车队配送路径规划研究》文中提出随着自动驾驶和人工智能技术的发展,无人物流车队在城市区域内的配送货物发挥了越来越重要的作用。针对传统算法在求解城市末端区域内无人物流车队配送中面临的时效性差,往往陷入次优解,配送规模扩大时间成本指数增加等亟待解决的问题,本文提出了一种改进的基于注意力机制和深度强化学习算法的方法,并将其应用于带时间窗的无人物流车队的配送路径规划问题和考虑区域拥堵的带时间窗的无人物流车队的配送路径规划问题。本研究面向城市“最后一公里”无人物流车队配送路径规划问题,以带时间窗的无人物流车队配送路径和考虑区域拥堵的带时间窗的无人物流车队配送路径成本最优化,用车数量成本最小化为目标,从人工智能的方向挖掘对城市区域物流车队配送问题的求解方法。通过遵守软时间窗约束和配送车容量约束,满足配送客户随机需求,完成对无人物流车队的配送路线规划。模型代表了一个参数化的策略和一个参数化的价值评判网络,应用强化学习算法基于序列奖励通过回合更新方式来训练优化模型。本文主要工作如下:（1）提出了一种改进的基于深度强化学习算法的注意力机制模型。该模型基于端到端的思想,一端是将带时间窗的物流车队路径问题输入训练好的模型中,另一端可以快速有效率的给出整个车队路线调度。通过设计深度神经网络模型,搭建强化学习状态信息融合模块、注意力机制模块和递归神经网络模块作为策略网络,搭建价值网络,设计奖励函数、状态转移函数、屏蔽函数,构建强化学习算法并应用该算法训练模型。（2）将搭建的基于深度强化学习算法的注意力机制模型应用于城市末端区域内无人物流车队配送的路径规划问题,重点研究了带软时间窗的无人配送车队在城市末端区域内的配送路径问题。为了提高模型收敛速度、求解效率、求解质量,本文通过对奖励函数不断调整改进,在奖励函数中加入相应惩罚;改进顾客节点屏蔽方案;优化强化学习状态转移函数等主要三个方面优化改进模型。（3）在上述研究的基础上,将区域拥堵因素加入带时间窗的无人配送车队配送路径问题,将基于深度强化学习算法的注意力机制模型应用于考虑区域拥堵的无人物流车队配送路径规划问题。通过对模型进一步修改和改进,增加模型对拥堵区域信息（拥堵半径,拥堵中心,拥堵强度）的信息处理,将其作为深度强化学习的状态考虑因素。数值实验表明,模型能够快速解决不同顾客节点规模的带时间窗车辆路径问题,特别是在顾客节点配送规模扩大时能够高效地给出良好的车队规划路线;在小规模问题的求解方面模型在采用贪婪解码策略时和遗传算法的解相差不大,但对于顾客规模扩大时本文模型表现相对较好,在路径成本和用车数量成本方面要优于遗传算法;通过对比顾客节点两种解码策略,分析发现训练阶段顾客节点采用随机解码策略,使得模型尝试探索更多解空间,有效避免陷入局部最优,测试阶段采用贪婪解码方式,可有效提高模型在车队总路径成本,车队数量规模,时间效率等方面的效果。此外,基于深度强化学习算法的改进模型能够快速高效率处理城市区域拥堵的无人车队配送路径规划问题。
王雪夫[10]（2021）在《空地协同场景中无人机路径规划与调度研究》文中研究表明应急场景下灾区信息的数据收集具有很重要的作用,可以支撑目标识别、数据分析、高清地图重建等应急应用。然而,由于灾区建筑损毁,道路不畅,导致地面部署的一些传感器信息不能被及时收集,影响救援效率。因此,可以采用无人机对应急场景中部署的传感器进行数据收集。然而由于无人机自身能量的约束,其飞行里程和飞行时长受限,因此,需要对无人机的采集路径做出优化,最大化信息采集效率。在此背景下,本文聚焦于应急场景中无人机进行数据采集时的路径规划问题,分别针对无人机不充电场景及可充电场景下,对无人机路径规划进行了研究,并基于研究结果,搭建了不充电场景下单架无人机的路径规划与视频采集系统。首先,为了提高数据采集效率,缩短数据采集时间,本文针对应急场景中多架无人机协同数据采集场景进行了分析,并分别针对其路径规划和任务分配进行了研究。首先,在路径规划方面,考虑到无人机能量有限可能无法采集完所有传感器的问题,本文以最大化地理公平性和数据量的权重和为目标,并提出遗传算法（Genetic Algorithm,GA）和动态规划算法（Dynamic Programming,DP）分别实现低复杂度和高精确路径规划结果;再基于路径规划的结果,针对无人机和子区域之间不同分配方式带来的效用差异问题,综合考虑地理公平性、数据采集量、无人机能耗等多方面因素,建立了无人机和子区域的偏好列表,并提出GS算法（Gale-Shapley）实现两者之间的一对一稳定匹配。仿真结果表明,本文所提路径规划方案在无人机能量约束下同时兼顾地理公平性与采集数据量,并大幅减少了无人机的飞行路径长度,而GS匹配算法则在低复杂度下保持了接近于最优分配的性能。然后,为了进一步降低无人机使用成本,发挥无人机可多次充电重复利用的能力,本文接着针对单架无人机的可充电场景进行了分析,并同时对无人机的飞行路径策略和充电策略进行了研究。考虑到单架无人机能量有限无法完全覆盖整个采集区域的问题,本文通过传感器分簇与簇头选择,令无人机只对簇头节点进行采集,并在此基础上提出了一种基于深度强化学习（Deep Reinforcement Learning,DRL）的路径规划方案,以实现无人机飞行轨迹和充电次数的自适应调整,完成飞行策略和充电策略的联合优化。仿真结果表明,本文所提算法极大地降低了无人机的能量消耗,说明了所提方案的合理性与有效性。最后,为了对本文中提出的理论路径规划算法进行实际验证,本文在前述路径规划方案设计的基础上,进一步搭建了单架无人机路径规划与数据采集系统,并在实际场景中进行了测试。具体地,该系统由手机对无人机的路径规划进行控制,然后利用无人机自身携带的摄像机等传感设备进行数据采集,并实时回传至地面。经过实际工程测试,本文验证了该系统可以有效地降低无人机飞行路径长度,提升无人机收集数据的效率,具有一定的实际应用价值。
二、基于遗传规划的GSBAR学习算法（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、基于遗传规划的GSBAR学习算法（论文提纲范文）
（1）动态作业车间调度规则自动生成方法的研究（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 作业车间调度问题的求解方法 |
| 1.2.2 作业车间调度规则的自动化设计 |
| 1.2.3 基于遗传规划的调度规则自动化生成 |
| 1.3 论文的主要内容和结构 |
| 第二章 多目标动态作业车间调度规则的表达方式 |
| 2.1 引言 |
| 2.2 多目标动态作业车间的数学模型 |
| 2.2.1 问题描述 |
| 2.2.2 数学模型 |
| 2.2.3 性能指标 |
| 2.2.4 多目标优化 |
| 2.3 车间调度规则的描述 |
| 2.3.1 调度规则的分类 |
| 2.3.2 调度规则的表达形式 |
| 2.4 本章小结 |
| 第三章 基于遗传规划的动态作业车间调度规则自动化生成 |
| 3.1 引言 |
| 3.2 遗传规划算法 |
| 3.3 调度规则的自动生成 |
| 3.3.1 调度规则的性能评价 |
| 3.3.2 调度规则的初始化 |
| 3.3.3 调度规则的进化 |
| 3.4 实验仿真结果 |
| 3.4.1 仿真环境构建与算法参数设计 |
| 3.4.2 模型参数对调度规则的影响 |
| 3.4.3 自动生成调度规则与基准调度规则对比 |
| 3.4.4 自动生成调度规则的语义分析 |
| 3.5 本章小结 |
| 第四章 基于特征选择的动态作业车间调度规则自动化生成 |
| 4.1 引言 |
| 4.2 基于特征选择的调度规则自动化生成 |
| 4.3 实验仿真结果 |
| 4.3.1 仿真环境构建与算法参数设计 |
| 4.3.2 相关特征的选择分析 |
| 4.3.3 调度规则的生成分析 |
| 4.4 本章小结 |
| 第五章 动态作业车间调度工具软件开发与应用 |
| 5.1 引言 |
| 5.2 软件模型 |
| 5.2.1 车间需求分析 |
| 5.2.2 车间模型分析 |
| 5.3 工具软件框架设计 |
| 5.3.1 软件开发环境 |
| 5.3.2 软件开发整体框架 |
| 5.3.3 动态调度执行框架 |
| 5.4 功能模块开发 |
| 5.4.1 调度规则运算模块 |
| 5.4.2 调度规则选择模块 |
| 5.4.3 调度生产模块 |
| 5.4.4 调度结果模块 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:攻读硕士学位期间的科研成果 |
（2）基于蚁群算法的移动机器人路径规划研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 移动机器人路径规划研究现状 |
| 1.2.1 全局路径规划研究 |
| 1.2.2 局部路径规划研究 |
| 1.3 蚁群算法的现状 |
| 1.3.1 蚁群算法的研究现状 |
| 1.3.2 蚁群算法的发展 |
| 1.4 蚁群算法在路径规划应用现状 |
| 1.4.1 单蚁群算法的应用 |
| 1.4.2 多蚁群算法的应用 |
| 1.4.3 融合蚁群算法的应用 |
| 1.5 本文研究内容及组织结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 组织结构 |
| 第2章 移动机器人路径规划方法 |
| 2.1 引言 |
| 2.2 路径规划问题描述 |
| 2.3 路径规划算法的评价 |
| 2.4 静态环境下路径规划的实现与问题 |
| 2.5 动态环境下路径规划的实现与问题 |
| 2.6 本章小结 |
| 第3章 静态环境下移动机器人路径规划算法研究 |
| 3.1 引言 |
| 3.2 蚁群算法存在的不足及原因 |
| 3.3 自适应改进蚁群系统 |
| 3.3.1 二维栅格环境的建立 |
| 3.3.2 蚁群系统 |
| 3.3.3 自适应改进蚁群系统算法设计 |
| 3.3.4 仿真实验结果与分析 |
| 3.4 基于单种群的异构自适应蚁群算法 |
| 3.4.1 相关研究工作 |
| 3.4.2 最大最小蚂蚁系统 |
| 3.4.3 自适应异构蚁群算法设计 |
| 3.4.4 单种群异构自适应蚁群算法的移动机器人路径规划 |
| 3.4.5 AHACO算法复杂度分析 |
| 3.4.6 AHACO算法收敛性分析 |
| 3.4.7 仿真实验与分析 |
| 3.5 本章小结 |
| 第4章 融合改进蚁群算法与几何优化的路径规划方法 |
| 4.1 引言 |
| 4.2 改进蚁群算法设计 |
| 4.2.1 信息素初始化方法 |
| 4.2.2 信息素更新规则 |
| 4.3 基于路径几何特征的局部优化算法 |
| 4.3.1 蚁群算法规划路径的几何特征 |
| 4.3.2 基于路径几何特征的局部优化算法 |
| 4.4 融合改进蚁群算法与几何优化的路径规划方法 |
| 4.5 仿真实验与分析 |
| 4.6 本章小结 |
| 第5章 动态环境下移动机器人路径规划研究 |
| 5.1 引言 |
| 5.2 人工势场法 |
| 5.2.1 经典人工势场法 |
| 5.2.2 改进人工势场法 |
| 5.3 子目标点的选择 |
| 5.4 动态窗口动态障碍物避碰策略设计 |
| 5.5 两阶段动态路径规划方法 |
| 5.6 仿真实验及分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（3）考虑常规线路影响的需求响应式公交协同优化方法研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 核心概念 |
| 1.3 国内外研究综述 |
| 1.3.1 需求响应式公交站点选址与线路规划 |
| 1.3.2 地面公交运行协同优化 |
| 1.3.3 需求响应式公交运行计划协同优化 |
| 1.3.4 需要进一步研究的问题 |
| 1.4 研究内容与论文结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 2 需求响应式公交服务模式分析 |
| 2.1 需求响应式公交系统特征分析 |
| 2.2 跨区域需求响应式公交服务模式分析 |
| 2.2.1 运营流程 |
| 2.2.2 竞争力影响因素分析 |
| 2.3 需求响应式接驳公交服务模式分析 |
| 2.3.1 运营流程 |
| 2.3.2 运行计划的关键要素分析 |
| 2.4 本章小结 |
| 3 跨区域需求响应式公交站点选址及线路规划方法 |
| 3.1 概述 |
| 3.2 问题描述与研究框架 |
| 3.2.1 站点选址问题描述 |
| 3.2.2 线路规划问题描述 |
| 3.2.3 研究框架 |
| 3.3 考虑节点需求密度的AP聚类算法的站点选址方法 |
| 3.3.1 经典AP聚类算法 |
| 3.3.2 考虑节点需求密度的AP聚类算法设计 |
| 3.4 基于Q学习算法的线路规划方法 |
| 3.4.1 Q学习算法原理 |
| 3.4.2 基于Q学习算法的线路规划算法设计 |
| 3.5 算例研究 |
| 3.5.1 算例背景与需求数据设定 |
| 3.5.2 站点选址结果与分析 |
| 3.5.3 线路规划结果与分析 |
| 3.6 本章小结 |
| 4 需求响应式公交开通条件下地面公交运行协同优化模型 |
| 4.1 概述 |
| 4.2 模型构建基础 |
| 4.2.1 问题描述 |
| 4.2.2 模型假设与参数定义 |
| 4.2.3 出行广义费用函数 |
| 4.3 跨区域需求响应式公交及常规线路发车频率协同优化模型 |
| 4.3.1 上层模型:多目标优化模型 |
| 4.3.2 下层模型:基于Logit-SUE的多方式交通网络配流模型 |
| 4.4 求解思路与算法设计 |
| 4.4.1 模型求解思路 |
| 4.4.2 算法设计及流程 |
| 4.5 算例研究 |
| 4.5.1 网络与参数取值 |
| 4.5.2 算例结果与分析 |
| 4.5.3 重要参数灵敏度分析 |
| 4.6 跨区域需求响应式公交竞争力影响因素分析 |
| 4.6.1 研究环境设定 |
| 4.6.2 跨区域需求响应式公交内部因素 |
| 4.6.3 常规公交线路运行特征 |
| 4.7 本章小结 |
| 5 需求响应式接驳公交运行计划协同优化模型 |
| 5.1 概述 |
| 5.2 问题描述与基本假设 |
| 5.2.1 问题描述 |
| 5.2.2 需求响应式接驳公交与常规公交的协作关系分析 |
| 5.2.3 基本假设与参数定义 |
| 5.3 需求响应式接驳公交运行计划协同优化模型 |
| 5.3.1 模型目标函数 |
| 5.3.2 约束条件 |
| 5.4 算法设计 |
| 5.4.1 遗传算法关键步骤 |
| 5.4.2 算法流程设计 |
| 5.5 算例研究 |
| 5.5.1 算例设计与参数赋值 |
| 5.5.2 算例结果与分析 |
| 5.5.3 重要参数灵敏度分析 |
| 5.6 多模式需求响应式公交竞争力影响因素分析 |
| 5.6.1 研究环境设定 |
| 5.6.2 影响因素分析 |
| 5.7 本章小结 |
| 6 结论与展望 |
| 6.1 主要工作及结论 |
| 6.2 论文的创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 附录 A |
| 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 |
（4）智慧标识网络中边缘计算服务的任务卸载和资源适配研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 主要缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 新型网络技术及智慧标识网络研究现状 |
| 1.2.1 新型网络相关关键技术 |
| 1.2.2 智慧标识网络理论及其相关研究 |
| 1.3 边缘计算及其服务管控问题的相关研究 |
| 1.3.1 边缘计算技术概述 |
| 1.3.2 边缘计算中服务管控问题的相关研究 |
| 1.3.3 机器学习在边缘计算中的应用研究 |
| 1.4 研究内容和主要创新 |
| 1.5 论文组织结构 |
| 第二章 复杂计算服务的服务分割和任务卸载研究 |
| 2.1 引言 |
| 2.2 复杂服务分割和部分任务卸载的优化问题 |
| 2.2.1 系统架构 |
| 2.2.2 服务管控机制 |
| 2.2.3 问题建模和优化 |
| 2.3 复杂计算服务模型和协同分割卸载算法 |
| 2.3.1 基于DL方法的模型分析 |
| 2.3.2 终端复杂计算服务的模型构建 |
| 2.3.3 服务模型的数据流和计算负载分析 |
| 2.3.4 TP-CPO算法设计 |
| 2.4 仿真实验和结果分析 |
| 2.4.1 复杂计算服务仿真环境的建立 |
| 2.4.2 TP-CPO策略的性能评估 |
| 2.4.3 TP-CPO策略的扩展性分析 |
| 2.5 本章小结 |
| 第三章 流式计算服务的任务调度和功率控制研究 |
| 3.1 引言 |
| 3.2 任务卸载调度和终端功率控制的优化问题 |
| 3.2.1 系统架构和管控机制 |
| 3.2.2 问题建模和优化 |
| 3.3 基于分层深度强化学习的自适应调度控制算法 |
| 3.3.1 深度强化学习方法简介 |
| 3.3.2 状态、动作及奖励函数设计 |
| 3.3.3 HDRL-ASC算法设计 |
| 3.4 仿真实验和结果分析 |
| 3.4.1 实验参数和环境变量的设置 |
| 3.4.2 HDRL-ASC算法性能分析 |
| 3.4.3 HDRL-ASC策略性能评估分析 |
| 3.5 本章小结 |
| 第四章 多终端竞争计算服务的卸载选择和资源编排研究 |
| 4.1 引言 |
| 4.2 终端卸载选择和通信资源编排的优化问题 |
| 4.2.1 系统架构和管控机制 |
| 4.2.2 问题建模和优化 |
| 4.3 基于纵向联邦学习的灵活选择编排算法 |
| 4.3.1 L-FOO算法框架设计 |
| 4.3.2 VFL-FOO算法设计 |
| 4.4 仿真实验和结果分析 |
| 4.4.1 实验参数设置 |
| 4.4.2 VFL-FOO算法参数调优 |
| 4.4.3 VFL-FOO算法收敛性分析 |
| 4.4.4 VFL-FOO算法复杂度评估 |
| 4.4.5 VFL-FOO策略的综合计算效用评估 |
| 4.5 本章小结 |
| 第五章 边缘汇聚计算服务的流量分类和资源适配研究 |
| 5.1 引言 |
| 5.2 流量鲁棒分类和资源感知转发的优化问题 |
| 5.2.1 系统架构和管控架构 |
| 5.2.2 问题建模和优化 |
| 5.3 基于遗传进化算法的快速分类转发算法 |
| 5.3.1 RCF算法框架设计 |
| 5.3.2 GE-RCF快速分类转发算法 |
| 5.4 仿真实验和结果分析 |
| 5.4.1 仿真实验参数设置 |
| 5.4.2 GE-RCF策略评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来研究工作展望 |
| 参考文献 |
| 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）复杂大型建设项目费用偏差控制方法及信息系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 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 复杂大型建设项目研究现状 |
| 1.2.2 项目费用控制研究现状 |
| 1.2.3 预警方法研究现状 |
| 1.2.4 纠偏策略研究现状 |
| 1.2.5 信息系统应用研究现状 |
| 1.3 主要研究内容和技术路线 |
| 1.4 主要创新点 |
| 第2章 相关基础理论研究 |
| 2.1 复杂大型建设项目特点及费用控制分析 |
| 2.1.1 复杂大型建设项目特点分析 |
| 2.1.2 复杂大型建设项目费用偏差控制参与主体 |
| 2.1.3 复杂大型建设项目费用控制复杂性分析 |
| 2.2 费用偏差控制相关理论研究 |
| 2.2.1 费用偏差控制内涵 |
| 2.2.2 费用偏差影响因素分析 |
| 2.2.3 费用偏差控制基本原则 |
| 2.3 费用偏差控制模型及方法研究 |
| 2.3.1 偏差特征系统动力学理论 |
| 2.3.2 神经网络模型 |
| 2.3.3 费用偏差预警聚类方法 |
| 2.3.4 费用偏差控制策略及评价理论 |
| 2.4 本章小结 |
| 第3章 基于系统动力学的费用偏差影响因素识别研究 |
| 3.1 复杂大型建设项目费用监控模式 |
| 3.1.1 费用监控模式特征分析 |
| 3.1.2 费用监控模式构建 |
| 3.1.3 费用监控模式运行流程 |
| 3.2 费用偏差影响因素的系统动力学模型构建 |
| 3.2.1 系统动力学的基本理论 |
| 3.2.2 基于系统动力学的费用偏差控制的可行性分析 |
| 3.2.3 系统动力学模型构建 |
| 3.3 费用偏差影响因素的子系统方程式建立 |
| 3.3.1 系统动力学建模中涉及到的数学方法 |
| 3.3.2 影响因素的子系统方程式建立 |
| 3.4 系统动力学模型仿真和分析 |
| 3.5 本章小结 |
| 第4章 基于改进神经网络模型的费用偏差控制方法研究 |
| 4.1 工程建设项目费用偏差计算需求及特点分析 |
| 4.2 基于K-means算法的费用偏差警情计算模型研究 |
| 4.2.1 K-means聚类理论及缺陷分析 |
| 4.2.2 K-means聚类方法改进及适用性研究 |
| 4.2.3 基于改进K-means算法的费用偏差计算模型构建 |
| 4.3 基于改进神经网络模型的费用偏差计算模型研究 |
| 4.3.1 神经网络模型原理分析 |
| 4.3.2 神经网络模型的改进及适用性研究 |
| 4.3.3 基于改进神经网络模型的费用偏差计算模型构建 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第5章 基于流程再造的费用偏差控制策略及效果评价 |
| 5.1 复杂大型建设项目费用偏差控制中的流程再造与协同 |
| 5.1.1 费用偏差控制中流程再造与协同的目标 |
| 5.1.2 费用偏差控制中流程再造与协同的原则 |
| 5.2 复杂大型建设项目各阶段费用偏差控制策略 |
| 5.2.1 前期决策阶段的费用偏差控制策略 |
| 5.2.2 中期实施阶段的费用偏差控制策略 |
| 5.2.3 后期运维阶段的费用偏差控制策略 |
| 5.3 复杂大型建设项目费用偏差控制效果评价 |
| 5.3.1 费用偏差控制效果评价指标体系 |
| 5.3.2 基于支撑度理论的纠偏控制效果评价群决策模型 |
| 5.3.3 算例分析 |
| 5.4 本章小结 |
| 第6章 复杂大型项目费用偏差控制信息系统分析与设计 |
| 6.1 复杂大型建设项目CDMIS分析 |
| 6.1.1 复杂大型建设项目CDMIS的定义 |
| 6.1.2 复杂大型建设项目CDMIS的建设目标 |
| 6.1.3 复杂大型建设项目CDMIS的用户分析 |
| 6.1.4 复杂大型建设项目CDMIS的需求分析 |
| 6.2 复杂大型建设项目CDMIS设计 |
| 6.2.1 系统的总体设计原则及开发方法 |
| 6.2.2 系统的平台整体设计 |
| 6.2.3 复杂大型建设项目CDMIS的功能及模块设计 |
| 6.2.4 复杂大型建设项目CDMIS的数据库设计 |
| 6.3 复杂大型建设项目CDMIS关键技术 |
| 6.3.1 复杂大型建设项目CDMIS的开发技术选型 |
| 6.3.2 复杂大型建设项目CDMIS的数据仓库设计 |
| 6.3.3 复杂大型建设项目CDMIS的模型管理模块设计 |
| 6.4 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 附录 |
| 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 |
（7）高铁新能源微电网规划定容及调度优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实际意义 |
| 1.3 国内外研究现状 |
| 1.3.1 高铁供电安全研究现状 |
| 1.3.2 新能源发电并入牵引供电系统研究现状 |
| 1.3.3 基于能源互联网的微电网定容研究现状 |
| 1.3.4 基于能源互联网的微电网调度研究现状 |
| 1.4 研究思路及主要研究内容 |
| 1.4.1 研究思路 |
| 1.4.2 主要研究内容 |
| 1.5 创新点 |
| 第2章 高铁新能源微电网及相关基础理论 |
| 2.1 高铁供电理论 |
| 2.1.1 高铁供电系统基本架构 |
| 2.1.2 牵引供电原理 |
| 2.2 高铁新能源微电网牵引供电 |
| 2.2.1 可行性及必要性 |
| 2.2.2 高铁新能源微电网牵引供电的特殊性 |
| 2.2.3 重点研究内容 |
| 2.3 相关理论基础 |
| 2.3.1 牵引供电安全理论 |
| 2.3.2 定容优化理论 |
| 2.3.3 调度优化理论 |
| 2.3.4 多目标优化理论 |
| 2.4 本章小结 |
| 第3章 高铁新能源牵引供电安全性测度方法研究 |
| 3.1 高铁新能源牵引供电安全性测度的重要性 |
| 3.2 风险识别 |
| 3.2.1 历史电力机车故障分析 |
| 3.2.2 新能源发电并网的影响 |
| 3.2.3 风险因子 |
| 3.3 高铁新能源牵引供电安全性测度 |
| 3.3.1 高铁新能源牵引供电安全测评体系 |
| 3.3.2 高铁新能源牵引供电安全系数 |
| 3.4 本章小结 |
| 第4章 高铁新能源微电网规划方法研究 |
| 4.1 新能源发电并入牵引供电系统的并入方式 |
| 4.1.1 特征分析 |
| 4.1.2 并入方式的选取 |
| 4.2 高铁新能源微电网的构建原则 |
| 4.3 高铁新能源微电网的基本架构 |
| 4.4 建立高铁新能源微电网的核心技术 |
| 4.4.1 能源互联网技术 |
| 4.4.2 区块链技术 |
| 4.5 本章小结 |
| 第5章 基于安全约束的高铁新能源微电网定容模型研究 |
| 5.1 高铁新能源微电网定容主要相关因素分析 |
| 5.1.1 新能源发电预测 |
| 5.1.2 牵引负荷预测 |
| 5.2 “源-源-储”互动调节机制 |
| 5.3 基于安全约束的高铁新能源微电网定容模型 |
| 5.3.1 MOPEC模型框架 |
| 5.3.2 目标函数 |
| 5.3.3 约束条件 |
| 5.4 基于改进型量子遗传算法求解 |
| 5.4.1 量子遗传算法基本原理 |
| 5.4.2 改进型量子遗传算法基本原理 |
| 5.4.3 改进型量子遗传算法流程 |
| 5.5 算例仿真 |
| 5.5.1 输入数据 |
| 5.5.2 参数设置 |
| 5.5.3 结果分析 |
| 5.6 本章小结 |
| 第6章 基于安全约束的高铁新能源微电网调度模型研究 |
| 6.1 高铁新能源微电网调度的基本原则 |
| 6.1.1 高铁“源-网-车-储”多环节互动机制 |
| 6.1.2 情景分析 |
| 6.2 基于安全约束的高铁新能源微电网调度模型 |
| 6.2.1 目标函数 |
| 6.2.2 约束条件 |
| 6.2.3 模型求解 |
| 6.3 算例仿真 |
| 6.4 本章小结 |
| 第7章 高铁新能源微电网综合效益评价模型研究 |
| 7.1 高铁新能源微电网综合效益评价指标体系 |
| 7.1.1 评价指标体系构建原则 |
| 7.1.2 评价指标体系的构建 |
| 7.2 高铁新能源微电网综合效益评价模型基本理论 |
| 7.2.1 模糊神经网络 |
| 7.2.2 模糊神经网络原理 |
| 7.3 高铁新能源微电网综合效益评价模型 |
| 7.3.1 模型的构建 |
| 7.3.2 模型评价过程 |
| 7.4 算例仿真 |
| 7.4.1 数据预处理 |
| 7.4.2 模型求解 |
| 7.4.3 结果分析 |
| 7.5 本章小结 |
| 第8章 结论与展望 |
| 8.1 研究结果与结论 |
| 8.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（8）基于E-SAM模型的中职《Python与人工智能入门》课程开发研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 计算思维培养 |
| 1.1.2 人工智能发展 |
| 1.1.3 Python编程语言 |
| 1.1.4 中职信息技术课程新标准 |
| 1.2 国内外研究现状 |
| 1.2.1 中职学生计算思维培养现状 |
| 1.2.2 人工智能课程内容设计现状 |
| 1.2.3 Python课程内容设计现状 |
| 1.2.4 课程开发模型研究现状 |
| 1.3 研究思路与方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.3.3 论文框架 |
| 1.4 研究意义及创新点 |
| 1.4.1 理论研究意义 |
| 1.4.2 实践研究意义 |
| 1.4.3 研究创新点 |
| 1.5 本章小结 |
| 2 相关理论 |
| 2.1 计算思维 |
| 2.1.1 计算思维定义 |
| 2.1.2 计算思维培养 |
| 2.1.3 计算思维评价 |
| 2.2 人工智能 |
| 2.2.1 人工智能定义 |
| 2.2.2 人工智能研究内容 |
| 2.2.3 人工智能热门领域 |
| 2.3 敏捷开发理念 |
| 2.3.1 敏捷开发原则 |
| 2.3.2 敏捷开发特点 |
| 2.3.3 敏捷开发与教育 |
| 2.4 SAM敏捷迭代课程开发模型 |
| 2.4.1 SAM模型简介 |
| 2.4.2 SAM模型优缺点 |
| 2.4.3 SAM模型应用 |
| 2.5 本章小结 |
| 3 Python与人工智能入门课程开发 |
| 3.1 课程开发分析 |
| 3.1.1 新课程标准出台 |
| 3.1.2 现存课程不足 |
| 3.1.3 实际学校需求 |
| 3.2 课程开发模型 |
| 3.2.1 SAM模型不足之处 |
| 3.2.2 PMADE模型可取之处 |
| 3.2.3 E-SAM智萃敏捷迭代模型 |
| 3.3 课程开发准备阶段 |
| 3.3.1 收集信息 |
| 3.3.2 经验萃取 |
| 3.3.3 认知启动 |
| 3.4 课程开发迭代设计阶段 |
| 3.4.1 项目规划 |
| 3.4.2 附加设计 |
| 3.5 课程开发迭代开发阶段 |
| 3.5.1 标准设计 |
| 3.5.2 A版本 |
| 3.5.3 B版本 |
| 3.5.4 黄金版本 |
| 3.6 本章小结 |
| 4 课程实施与评价 |
| 4.1 课程分析 |
| 4.1.1 教学内容分析 |
| 4.1.2 授课对象分析 |
| 4.1.3 制定教学目标 |
| 4.2 课程实施 |
| 4.2.1 课前预习 |
| 4.2.2 课堂学习 |
| 4.2.3 课后考核 |
| 4.3 课程评价 |
| 4.3.1 计算思维评价 |
| 4.3.2 课前诊断性评价 |
| 4.3.3 课堂过程性评价 |
| 4.3.4 课后总结性评价 |
| 4.4 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A 经验萃取环节的访谈提纲 |
| 附录B 课程实施阶段计算思维前测题目 |
| 附录C 课程实施阶段计算思维后测题目 |
| 附录D 教学效果调查问卷 |
| 附录E 课程评价环节的访谈提纲 |
| 致谢 |
| 攻读硕士学位期间取得的研究成果 |
| 学位论文数据集表 |
（9）基于深度强化学习的无人物流车队配送路径规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 无人车队城市“最后一公里”配送问题 |
| 1.3 无人车队路径规划问题 |
| 1.3.1 车辆路径问题及其变种问题 |
| 1.3.2 车辆路径问题求解算法 |
| 1.3.3 带时间窗的无人物流车队路径问题 |
| 1.4 国内外研究现状 |
| 1.4.1 无人物流车路径问题研究现状 |
| 1.4.2 带时间窗车辆路径问题国内研究现状 |
| 1.4.3 带时间窗车辆路径问题国外研究现状 |
| 1.5 研究内容 |
| 1.6 技术路线 |
| 2 深度强化学习理论 |
| 2.1 深度学习思想原理概述 |
| 2.1.1 LSTM长短时记忆神经网络 |
| 2.1.2 Encoder Decoder框架 |
| 2.1.3 Attention注意力机制原理 |
| 2.2 强化学习思想 |
| 2.2.1 马尔科夫决策过程 |
| 2.2.2 策略梯度法 |
| 2.2.3 Actor Critic算法框架 |
| 2.3 本章小结 |
| 3 带时间窗无人物流车队路径问题及其求解模型 |
| 3.1 基于深度强化学习的VRPTW问题 |
| 3.2 无人配送车队路径规划模型 |
| 3.2.1 顾客状态信息融合模块 |
| 3.2.2 注意力机制模块 |
| 3.2.3 长短时记忆神经网络模块 |
| 3.2.4 价值网络模型 |
| 3.2.5 顾客屏蔽方案 |
| 3.2.6 解码策略 |
| 3.3 深度强化学习环境设计 |
| 3.3.1 奖励函数设计 |
| 3.3.2 状态转移函数 |
| 3.4 深度强化学习算法的训练 |
| 3.4.1 目标函数 |
| 3.4.2 梯度估计 |
| 3.4.3 强化学习算法 |
| 3.5 本章小结 |
| 4 带时间窗无人车队配送路径规划实验 |
| 4.1 训练准备 |
| 4.1.1 训练验证软硬件 |
| 4.1.2 训练集验证测试集数据集生成 |
| 4.1.3 车辆信息 |
| 4.1.4 模型参数 |
| 4.2 数值实验 |
| 4.2.1 VRPTW-10 训练验证测试分析 |
| 4.2.2 VRPTW-20 训练验证测试分析 |
| 4.2.3 VRPTW-50 训练验证测试分析 |
| 4.2.4 VRPTW-100 训练验证测试分析 |
| 4.3 实验结果对比分析 |
| 4.4 本章小结 |
| 5 考虑区域拥堵的无人配送车队路径规划 |
| 5.1 考虑区域拥堵的车辆路径问题 |
| 5.2 区域拥堵原因及对无人物流车队配送的影响 |
| 5.2.1 区域拥堵原因 |
| 5.2.2 区域拥堵对无人物流车队配送的影响 |
| 5.2.3 区域拥堵相关指标 |
| 5.3 区域拥堵相关设置 |
| 5.4 考虑区域拥堵的无人配送车队行驶时间 |
| 5.5 考虑区域拥堵的无人配送车队路径规划模型 |
| 5.6 考虑区域拥堵的无人配送车队路径规划实验 |
| 5.6.1 训练准备 |
| 5.6.2 数值实验 |
| 5.7 考虑区域拥堵的无人配送车队路径规划汇总分析 |
| 5.8 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
（10）空地协同场景中无人机路径规划与调度研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容及创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文创新点 |
| 1.4 论文结构安排 |
| 1.5 本章小结 |
| 第二章 关键技术概要 |
| 2.1 遗传算法 |
| 2.1.1 遗传算法相关概念 |
| 2.1.2 遗传算法基本过程 |
| 2.2 动态规划算法 |
| 2.2.1 动态规划算法基本概念 |
| 2.2.2 动态规划算法基本过程 |
| 2.3 匹配理论 |
| 2.3.1 匹配理论技术概述 |
| 2.3.2 匹配算法分类 |
| 2.4 深度强化学习 |
| 2.4.1 深度强化学习概论 |
| 2.4.2 深度强化学习的简单分类 |
| 2.5 本章小结 |
| 第三章 面向不充电场景下多无人机协同路径规划方案 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 问题建模 |
| 3.4 算法设计 |
| 3.5 流程说明 |
| 3.6 仿真参数 |
| 3.7 结果分析 |
| 3.8 本章小结 |
| 第四章 面向低能耗的单无人机可充电路径规划方案 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 问题建模 |
| 4.4 算法设计 |
| 4.5 流程说明 |
| 4.6 仿真参数 |
| 4.7 结果分析 |
| 4.8 本章小结 |
| 第五章 无人机路径规划与视频采集系统设计及实现 |
| 5.1 引言 |
| 5.2 总体设计 |
| 5.2.1 需求分析 |
| 5.2.2 功能分析 |
| 5.3 系统具体实现 |
| 5.3.1 单无人机路径规划系统实现 |
| 5.3.2 视频采集系统实现 |
| 5.4 系统测试与功能展示 |
| 5.4.1 安卓端界面与功能 |
| 5.4.2 电脑端界面与功能 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文主要工作总结 |
| 6.2 进一步研究工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
四、基于遗传规划的GSBAR学习算法（论文参考文献）
- [1]动态作业车间调度规则自动生成方法的研究[D]. 张苏雨. 江南大学, 2021
- [2]基于蚁群算法的移动机器人路径规划研究[D]. 张松灿. 河南科技大学, 2021(02)
- [3]考虑常规线路影响的需求响应式公交协同优化方法研究[D]. 王瑜琼. 北京交通大学, 2021
- [4]智慧标识网络中边缘计算服务的任务卸载和资源适配研究[D]. 李雪靖. 北京交通大学, 2021
- [5]基于遗传规划算法的量化交易策略设计 ——以沪金期货为例[D]. 李皓燃. 上海师范大学, 2021
- [6]复杂大型建设项目费用偏差控制方法及信息系统设计[D]. 孙肖坤. 华北电力大学(北京), 2021(01)
- [7]高铁新能源微电网规划定容及调度优化研究[D]. 田立霞. 华北电力大学(北京), 2021(01)
- [8]基于E-SAM模型的中职《Python与人工智能入门》课程开发研究[D]. 陈丹妮. 广东技术师范大学, 2021
- [9]基于深度强化学习的无人物流车队配送路径规划研究[D]. 韩岩峰. 大连理工大学, 2021(01)
- [10]空地协同场景中无人机路径规划与调度研究[D]. 王雪夫. 北京邮电大学, 2021(01)