一、基于STEP和Internet的船舶数据中心研究（论文文献综述）
赵倩儒[1]（2021）在《考虑能耗的自动化集装箱码头作业设备协同调度优化》文中指出随着“互联网+”和5G时代的到来,建设绿色、智慧、安全、专业、高效的港口是全球港口发展的主要趋势。自动化集装箱码头作为绿色智慧港口的重要标志,正在引领港口建设新的变革。无论是像上海洋山港自动化集装箱码头这样的新建码头,还是像天津港这样由传统码头改造升级的自动化集装箱码头,均始终秉持着绿色、智慧、经济、高效的理念。生产作业自动化是自动化集装箱码头建设和改造升级的核心,通过加大自动化作业设备的投入,采用先进的自动化集装箱码头作业设备,如自动化岸边起重机（Automated Quay Crane,AQC）、自动导引车（Automated Guided Vehicle,AGV）以及自动化轨道吊（Automated Rail-Mounted Gantry,ARMG）等,利用智能调度、远程操控、能耗监测以及安全预警等手段推动自动化集装箱码头的建设应用。此外,从绿色节能的视角,研究自动化集装箱码头作业设备的协同调度问题对于提高自动化码头整体作业效率,降低生产作业能源消耗,实现码头绿色智慧调度具有重要意义。本文的研究对象是自动化集装箱码头核心作业设备,研究重点是自动化作业设备间协同调度优化,以作业总时间和总能耗最小为双重优化目标,设置目标优先级,以总作业时间最小为第一优先级,总作业能耗最小为第二优先级,即在保证码头生产效率的前提下,兼顾降低能耗的优化目标。通过调整AQC、AGV和ARMG的数量配置关系,突出自动化作业设备间协同调度的重要性。本文的主要研究内容如下:（1）自动化集装箱码头作业设备协同调度研究边界的限定和优化目标的提出。通过对自动化集装箱码头核心作业设备和进出口操作流程进行分析,限定了本文研究的边界,为了突出重点研究自动化作业设备间的协同调度问题,本文将研究边界上限设在自动化双小车岸桥装卸船作业,下限设在自动化双轨道吊堆场堆存作业,以自动化集装箱码头作业总时间最小和总能耗最小为双重优化目标展开研究。（2）考虑能耗的自动化集装箱码头作业设备协同调度体系构建。在对自动化集装箱码头作业系统分析的基础上,本文构建了自动化码头作业设备调度的四层结构模型、能效关系模型和逻辑框架模型,为接下来的研究提供理论基础和依据。（3）考虑能耗的自动化双小车岸桥与AGV协同调度研究。以自动化集装箱码头核心作业设备中的装卸船设备和水平运输设备为研究对象,通过分析各自动化设备的作业特点和能源消耗情况,以作业总时间和总能耗最小为双重优化目标,构建以总作业时间最小为第一目标优先级的AQC和AGV的协同调度模型,建模过程中引入AQC中转平台容量限制等约束条件,模型的求解算法设计的是改进二阶段禁忌搜索算法,通过算例实验验证AQC与AGV协同调度模型和二阶段禁忌搜索算法是真实有效的,最终获得兼顾提升作业效率和降低能耗双重目标的AQC与AGV协同调度优化方案。（4）考虑能耗的AGV和自动化轨道吊协同调度研究。以自动化集装箱码头核心作业设备中的水平运输设备和堆场堆存设备为研究对象,通过分析各自动化设备的作业特点和能源消耗情况,以作业总时间和总能耗最小为双重优化目标,构建以总作业时间最小为第一目标优先级的AGV和ARMG协同调度模型,建模过程中引入双ARMG相互干扰等约束条件,通过算法对比,选择二阶段遗传算法求解模型,采用算例实验证明AGV和ARMG协同调度模型和二阶段遗传算法在解决该问题上的有效性,最终获得兼顾提升作业效率和降低能耗双重目标的AGV与ARMG协同调度优化方案。（5）考虑能耗的AQC、AGV和ARMG协同调度研究。以自动化集装箱码头核心作业设备中的装卸船设备、水平运输设备和堆场堆存设备为研究对象,通过分析各自动化设备的作业特点和能源消耗情况,以作业总时间和总能耗最小为双重优化目标,设置目标优先级,基于混合流水车间调度理论,构建AQC、AGV和ARMG的集成调度模型,参考混合流水车间调度问题的求解算法,设计改进的果蝇优化算法求解该问题,采用自适应步长策略提高嗅觉搜索的寻优能力,同时引入协同机制。最后,通过算例对模型和算法的有效性加以验证。
杨晓慧[2]（2021）在《边缘计算中可信协同服务与计算迁移策略研究》文中研究说明随着物联网、大数据以及5G技术的发展与普及,云计算已无法满足网络边缘设备产生的海量数据和计算任务。边缘计算应运而生,通过将计算任务迁移到网络边缘的可计算设备上执行,缓解云中心计算负载的同时拓展了网络边缘节点计算资源,为实现“就地、就近”服务提供一种新的解决方案。其中,迁移节点的选择、综合性能评价和迁移策略直接影响计算迁移的服务质量,是边缘计算可信协同服务的关键研究问题。本文主要研究工作如下:通过构建基于节点综合性能评价的任务驱动协同虚拟服务池,提出一种基于综合性能评价的边缘计算协同服务策略（cooperative service in edge computing based on comprehensive performance evaluation,CSEC-CPE）。构建节点连接概率预测模型,抑制连接趋优的马太效应;融合直接信任度与推荐信任度构建节点综合信任度计算模型,联合综合信任度、鲁棒性、资源共享等影响盟员节点选择的因素,构建综合性能评价模型筛选候选盟员节点。然后,基于任务驱动,协同服务盟主节点根据备选盟员节点的综合性能评价快速选取可信、鲁棒、性能优良的盟员节点,完成边缘计算资源的自主融合,构建协同虚拟服务池。以负载均衡能力、丢包率、延迟、任务完成率等为指标衡量构建的协同服务池的性能。通过建立协同服务效用博弈模型证明其具有纳什均衡稳态。基于Route Views公开数据集设计实现了一个近海海域边缘计算协同服务仿真系统,模拟边缘计算中的协同服务、任务协同、交互行为等。仿真结果表明,所提机制与KNN、Kmeans聚类算法相比,盟员聚合度分别提高64.40%和51.56%,系统平均聚合能力提高34.5%和15.67%,综合信任度提高12.66%和28.99%;与AODV、SR路由算法相比,协同池任务接收率提高64.41%和51.65%,协同服务成功率提高52.54%和40.63%。在构建的可信协同服务池中,对盟员节点能量的合理利用有利于计算的良性迁移。且当节点能量耗尽,掉线易致使网络抖动,且任务无法继续完成。因此,将边缘节点的能耗作为可信协同服务池内任务迁移的评价要素,以其中一个可信盟员簇为应用场景,通过建立能耗约束的迁移策略模型,改善节点因能量耗尽导致的边缘网络不稳定,进而提高边缘计算的服务质量。根据源迁移节点任务的算力、能量等需求特征和迁移节点的剩余能量、计算能力等特征,将任务迁移至合适的节点执行,提出一种面向能耗约束的智能计算混合迁移策略（hybrid offloading strategy constrained by node energy,HOS-NE）。采用上行与平行结合的迁移模式,根据任务需求选择迁移模式,当任务计算量大时,采用以能耗为约束的上行迁移;而对于延迟敏感任务采用以延迟为约束的平行迁移,即簇内执行。考虑到边缘节点的多样异构性,且功率差异较大,本文使用边缘节点的剩余供电时长表示节点的状态,综合考虑计算迁移时边缘迁移节点的负载情况和能量利用率等因素,将迁移能耗最小化问题转化为剩余电量最大化问题进行求解。约束优化问题直接求解算法复杂度高,为了优化求解能力,本文利用粒子群优化算法（particle swarm optimization,PSO）和模拟退火（simulated annealing,SA）算法求解优化HOS-NE,提高网络的稳定性、吞吐量,实现负载均衡。实验结果表明,基于智能算法优化的迁移策略与随机迁移算法、贪心算法相比,网络吞吐量、剩余能量分别提高了16.7%,28.6%,丢包率降低了5%～10%。
赵巍[3]（2021）在《水文与气象条件下的船舶多目标航路规划研究》文中研究表明随着经济与船舶运输业的迅速发展,人们对船舶航行的安全性、绿色性、经济性均提出了更高的要求。而船舶在航行中不可避免地面临着复杂的外界环境,如在内河中狭窄水道、桥梁、水深、它船,以及在远洋航行中岛礁、海岸线、浮标、恶劣风浪等严重影响船舶的航行状态。为了保障船舶航行安全,有必要为内河及远洋航行的船舶规划高效的航线。因此本文基于粒子群与遗传算法,分别设计了针对内河环境与远洋环境下的船舶航线规划仿真系统,主要研究内容及成果如下:（1）建立了水文与气象条件下船舶航线规划问题的数学模型。首先,基于粒子群算法与遗传算法的特点,提出了一种船舶航行区域模型的构建方法,将船舶可航行区域限制在惯用航线周围的局部海域中,既减少了计算量也保证了精度。然后,提出一种船舶航线模型数学表示方法,航线由多个包含航向、静水航速等参量的航路段组成。最后,讨论分析了航线规划问题中需要考虑的主要约束条件。（2）研究了内河环境下船舶单目标及多目标航线规划算法。首先,分析了内河地图模型构建方法,将内河航行区域地图分解为栅格图,在栅格图中建立可航行区域与不可航行区域。然后将一种改进型遗传算法应用于单目标航线规划中,该算法具有良好的快速收敛性及对航线解的搜索能力。最后以非支配排序遗传算法为基础提出了一种改进的多目标航线规划算法,通过多种群精英选择操作提高了航线解的质量。（3）研究了远洋航行船舶单目标及多目标航线规划算法。首先,提出了一种多目标气象航线规划框架,该框架由六个部分组成,分别是优化准则、船速分析、模型构建、多目标算法、航线评估与航线选择。其次,建立了船舶在气象航线优化中的目标函数数学模型,主要包括航行时间模型、燃油消耗模型、航行风险模型以及定时间到达模型。再次,由于风浪状况对船舶速度有较大的影响,研究了船舶在风浪条件下的速度损失计算方法。然后,将一种改进型粒子群算法应用于单目标航线规划中,该算法引入了交叉与变异操作,并对速度更新公式进行了改进。最后,提出一种混合粒子群—遗传算法以解决多目标航线规划问题,该算法不仅具有粒子群算法收敛速度快的特点,而且通过结合交叉、变异以及多种群精英选择操作,提升了航线解的多样性;为了避免Pareto前沿解分布不均,对Pareto最优前沿分布进行了改进。根据推荐航线选择准则,在Pareto最优解集中得到最短航时航线、最少油耗航线、最低风险航线与推荐航线。（4）建立了船舶多目标航线规划仿真系统。建立的仿真系统具有良好的可视化界面,在仿真系统中算法参数、航行任务参数、航行区域地图、航线数据、算法优化结果等均可以进行设置或查看。基于该仿真系统,本文分别针对单目标及多目标航线规划设计了多个不同场景下的仿真实验。实验结果表明,本文所提出的算法具有良好的收敛性和航线规划能力。
胡芳亿[4]（2021）在《面向车路协同的边缘计算任务卸载研究》文中研究说明实现传统的云计算需要经过核心网络,车载计算单元与远程云之间的频繁交互过程会增加网络负担,导致核心网络关键路径堵塞,不能满足车联网对于低时延越来越高的需求。移动边缘计算作为一种有前景的解决方案被提出,不仅实现了车辆终端业务的实时化,而且也大大降低了车辆终端的电池电量损耗。但是与远程云不同的是,边缘云由于受限于基站的外部环境和自身的部署成本,是由分布式的小规模服务器实现的。并且随着万物互联时代的到来,大量碎片化的智能终端将数据卸载到边缘云去计算,超出了后者的计算能力。所以传统的耗时和耗能的网络方法在车联网中的性能会大幅度下降。本文以边缘云服务器辅助的车辆编队为研究背景,即考虑边缘云服务器为该车辆编队分配的计算资源和车队其他成员车辆空闲的计算资源,并考虑计算任务在计算单元间的分布式计算、在计算单元内的并行计算及其时延约束,对车路协同计算任务卸载问题进行了如下研究:（1）给出车路协同任务卸载框架,介绍各个组成部分的功能,分析任务卸载和资源分配流程。（2）考虑车联网有限的异构网络资源、边缘云服务器为该车辆编队分配的有限的计算资源、成员车辆车载计算单元有限的计算资源和计算任务不同的时延约束,以减小车队总能耗为优化目标,建立车路协同任务卸载模型。（3）任务卸载决策和资源分配策略对任务卸载和资源分配方案进行联合优化,前者分别采用广义Benders分解和本文给出的扩展自适应大邻域搜索算法,后者采用使计算任务恰好在时延约束内完成的方法。（4）在基于Edge Cloud Sim搭建的车路协同任务卸载仿真环境下对本文的两种任务卸载决策算法进行能耗优化对比实验,实验结果验证了扩展自适应大邻域搜索算法在任务卸载决策过程中对车队总能耗优化的有效性。
宋晓莉[5]（2021）在《无线传感器网络节点部署优化策略研究》文中认为无线传感器网络是通过大量分布的传感器节点作为终端来协同感知和自主地监测外部世界,以多跳、自组织或协作的方式进行通信和信息传输,具备自主决策和自控能力,并智能地完成目标任务。这些传感器节点具有体积微小、能耗较低等特点,并且计算和通信能力具有局限性。由于无线传感器网络具备实用性高、设置灵活,网络规模具备可扩展性,接入方式可变性等特征,近十多年来,无线传感器网络已经受到学术界和工业界密切的关注,并已广泛应用于智慧城市、国防军事、智能交通、工农业生产、智慧医疗、环境灾害预警等众多领域。作为一种新的计算模式,无线传感器网络已经发展成为涉及多种技术的交叉学科,成为构造智能物联系统和普适计算的关键技术,在物联网时代具有决定性作用。传感器网络通常是大规模部署在环境比较恶劣、高危、偏僻的无人区域。在海洋、浅海和湖泊等水下部署的无线传感器网络,明显具有传感器节点的位置或感知方向易发生摆动或漂移、监测信号衰减较快、噪声干扰大、节点能量损耗快、部署成本高等特性。因此,在水下复杂、多变的应用环境下,构建无线传感器网络节点部署优化策略将对提升传感器节点的监测能力和无线传感器网络的综合性能至关重要,也是无线传感器网络相关研究的基础性和关键性问题。本文针对二维有向无线传感器网络、水下三维异构无线传感器网络节点部署优化以及水下三维传感器网络异构节点部署优化问题,深入系统研究了不同目标应用所处场景下网络部署面临的环境特点和具体应用需求特征,探索具有针对性的、高效的无线传感器网络节点部署和优化方案,以有效分散节点功耗,提升感知质量,延长网络生命周期。本文主要研究内容与成果包括以下方面:1.二维有向无线传感器网络节点部署优化策略。针对在二维环境下的有向无线传感器网络监测任务中,以随机部署方式撒播在指定监测区域内部的有向感知节点通常会出现分布不均匀等问题,分析有向传感器节点、概率感知模型特征以及多个传感器节点对监测目标点的协同感知模型的特点,提出了极坐标下的感知优化策略,指导二维平面有向传感器节点的方向调整和感知优化,从而提升网络节点感知能力。实验结果证实了该算法能够提升待监测区域覆盖率和感知服务质量,而且利用分布式节点同步调度机制减少了网络总体能量消耗,在无线传感器网络有向节点使用总量有限的前提下,延长网络保持良好监测能力的生命周期。2.水下三维异构无线传感器网络节点部署优化策略。针对水下环境复杂多变而造成部署在水下的三维无线传感器网络节点的位置、感知方向和能量水平等参数很容易发生改变的情况,本文深入研究被监测目标的出现和变化特点与外部规律存在的关联性,分析待监测空间所处水下网络环境异构特点,尤其是各个分区内障碍物和被测目标的聚集区域、聚集度和分布特征。通过发现和提取各个影响因素的规律和关联信息作为先验知识来辅助证据推理,实现多传感器的协作感知和可信任的多源感知数据融合任务。对比实验结果表明本文提出的部署策略能够依据待监测区域的需求特点调整和优化无线传感器节点位置分布,满足不同区域的感知需求,提升网络和节点能量效率,确保水下感知和监测质量的可靠性。3.水下三维无线传感器网络异构节点部署优化策略。针对应用水下异构传感网络进行目标对象监测和拦截问题,对指定监测水域内部存在多种特征数据同时进行监测的应用场景,异构无线传感器网络节点部署策略需要对网络部署成本投入、网络覆盖性能以及网络监测寿命等多种因素进行综合考量,寻求一个能够均衡多种指标和性能需求的解决方案。本文研究和比较多种异构传感器在感知能力、感知模型、通信能力等方面差异性。在节点规模有限的约束条件下,提出利用多重二维垂直截面监测的动态异构节点部署和感知优化策略,同时复合感知模块实现协同感知数据融合和覆盖空洞修复。实验结果表明,在网络节点规模有限的情况下,该算法不仅能够提升网络的有效覆盖率和节点能效,而且能够均衡网络负载,从而改进水下异构无线传感器网络的综合监测性能。
张鲲[6]（2020）在《多域室内定位系统算法精度提升关键技术研究》文中研究表明随着无线通信技术的快速发展,定位技术已成为各行各业领域中普遍应用的实用技术,例如Wi Fi、Wi Max、Zig Bee、Ad hoc、Blue Tooth和超宽带（Ultra-Wide Band,UWB）等技术,在工业生产、仓储物流、智能交通、智慧城市、公安司法、社会矫正、旅游景区、医院医疗等人民群众息息相关的每个领域中均得到广泛应用。而超宽带（UWB）定位技术,以其极窄脉冲下的传输技术特有的低功耗、抗多径效果好、安全性高、系统复杂度低,定位精度高等优点,受到普遍青睐,也体现了其良好的应用未来与前景。本文以UWB定位技术及雷达信号探测技术为基础,尝试分析各类信号时域（Time Domain,TD）,到达时间（Time of Arrival,TOA）、到达时间差（Time Difference of Arrival,TDOA）;信号角度域（Angel Domain,AD）,到达角度（Angle of Arrival,AOA）、到达方向（Direction of Arrival,DOA）;信号混合域（Hybrid Domain,HD）,混合TOA/AOA、硬件辅助混合到达等参数。提出多种改进式的算法,解决定位系统中测距精度提升与应用问题。主要集中在,UWB定位技术的时域、角度域、混合域等典型算法优化及应用设计研究等方面,以及视距与非视距全环境下降低误差,实现测距定位的研究。论文主要工作如下:1、针对UWB定位技术的基础知识、超宽带定位技术算法的基本原理、室内定位技术所受限制、基本定位技术,针对时域、角度域、混合域等典型的定位测距算法,如TOA、TDOA、TOF、TDOA Chan算法、TOA Taylor算法、DOA、AOA、混合算法、视距非视距的特点等,做了针对性的概念及原理的阐述。2、以时域算法类型中的多种典型算法进行优化,提出多种改进式的算法,解决定位系统中测距精度提升与应用问题。分别就基于TDOA方法的典型算法Chan算法及BP神经网络算法进行优化;提出一种基于时间反演的两步TOA估计算法。以获得较好的抗多径效应能力、良好的自适应性以及较好的估计性能,从而提升了超宽带室内定位精度,并实现较好的效果;基于TDOA利用UWB射频信号的增强方案和参考标签辅助定位方法,克服了TDOA算法的多通道的影响和缺陷,进而提升了超宽带室内定位精度,形成了一种具有一定应用价值的船舶室内无线高精度定位系统,实现了技术应用。3、以角度域算法类型中的典型算法进行优化,提出多种改进式的算法,解决定位系统中测距精度提升与应用问题。分别就基于AOA估计方法,提出了一种在UWB MIMO系统中的角度域方法,提高频谱效率,改善系统性能,同时多天线对提高定位精度具有明显的提升效果;基于DOA估计方法提出了一种解耦协方差矩阵优化算法,在雷达信号处理技术中,通过展开ACA的矩阵,提出了UACA算法,设计了一个小规模的稀疏矩阵来填充展开运算产生的差分共阵中的漏洞,利用互耦矩阵构造解耦协方差矩阵,从而得到精确的DOA估计。4、以混合域算法进行优化,基于TDOA方法和AOA方法融合,提出一种由二维算法改进而来的三维联合TDOA/AOA融合算法,进而有效提升定位精度,实现了混合域的应用研究。
马永浩[7]（2020）在《基于强化学习的海事边缘网络卸载策略研究》文中研究表明随着我国海洋事业的不断发展,无人船被广泛应用于对未知海域及危险海域的环境监测、海洋调查、安防救援,越来越多的资源密集型任务,如水面救生打捞等也出现在无人船的业务需求中。这些变化增加了无人船的能耗并对完成任务的时延提出了更高的要求。移动边缘计算通过在网络边缘部署计算节点或服务器使得用户降低时延成为可能。强化学习可以在智能体与环境交互过程中通过学习策略以达到回报最大化或者实现特定目标,能够有效地解决移动边缘计算网络卸载决策的问题。本文针对海事边缘计算网络,利用强化学习方法分别设计单无人船和无人船编队两种场景下的任务卸载决策方案,以优化海事移动边缘计算网络中无人船的计算任务执行效率。本文的研究工作总结如下:（1）针对单无人船卸载计算场景,周边的大型船舶作为海事移动边缘计算网络的计算节点为单无人船提供低延迟的卸载服务。无人船通过将延迟敏感型任务卸载到附近的边缘计算节点来降低任务完成时延,在卸载时面临变化的无线信道和边缘节点计算资源,同时还要考虑自身设备的能量约束。针对计算任务选择本地计算或是卸载至哪个边缘计算节点的问题,本文首先介绍了单无人船卸载场景的信道与通信模型、任务模型、时延模型和能耗模型,其次以最小化时延为目标提出了一种基于多臂赌博机的自适应卸载决策算法UCB-AOD。仿真结果表明提出的算法在不同的位置数和任务数情况下相比其他多种边缘计算卸载策略,可以自适应的根据信道情况和边缘计算节点的计算资源情况确定卸载策略,获得更低的时延。（2）海事边缘网络下受主船管理的无人船编队卸载决策场景中,主船作为基站船充当边缘计算节点,在每个时间帧通过为无人船编队分配带宽完成卸载决策并提供计算资源进行卸载。但是受到信道环境和无人船任务队列的影响,无人船很难将所有计算任务全部卸载,队列拥塞将会导致任务被丢弃而造成损失。针对无人船编队卸载问题,文中建立了信道与通信模型以及任务队列模型,然后建立了以最大化整个无人船编队卸载奖励变量为目标的优化问题,进一步提出一种基于深度强化学习中深度确定性策略梯度的卸载决策算法DDPG-OD。仿真结果表明提出的算法在不同的任务到达率和信道情况下有良好的表现。
段建丽[8]（2020）在《海域立体监测网络拓扑优化与智能接入机制研究》文中研究表明建设海域立体监测网络是实施海洋强国战略、提高我国海洋综合实力的重要基础工作,为认知海洋、开发海洋、利用海洋、保护海洋、管控海洋提供信息数据服务,对于促进海洋科学研究、提高海上应急响应能力、促进沿海地区经济社会发展、维护国家海洋权益具有重要作用。然而,海洋监测网络的发展远低于陆地监测网络,迫切需要针对海洋监测网络部署中的关键问题开展研究。网络拓扑优化以及接入控制是海域立体监测网络部署建设要解决的首要科学问题。为此,本文对当前海洋监测网络架构、部署以及接入技术现状进行了综述,网络拓扑多目标优化问题、面向能源可持续性的网络拓扑优化问题提出了对应的解决方案,并针对海洋声学特性和节点能量收集随机特性提出智能网络接入方案。论文的主要工作如下:首先,基于海域立体监测网络（Stereoscopic Marine Monitoring Networks,SMMNs）架构,以最小化网络部署成本同时最大化网络寿命为目标,在网络拓扑、网络连接性、数据流量和节点电池容量的约束下,建立了一个多目标优化问题（SMMN Topology Multi-objective Optimization,STMO）数学模型,随后,提出了基于贪婪策略和蚁群群智能策略的高效拓扑优化算法,并对所提算法的时间复杂度进行了分析,对模型的有效性和算法的性能进行了大量数值仿真实验测试。其次,将潮汐能量收集技术融合到海域立体监测网络架构中,构建起基于能量收集的 SMMN 网络（Energy Harvesting based SMMN,EH-SMMN）模型。综合考虑节点能量收集特性、海洋通信传输损失大网络带宽有限等特征,结合树状网络拓扑、数据流量等约束条件,建立了一个以最小化网络部署成本为目标的能源可持续海域立体网络布局优化（EH-SMMN Topology Optimization,ESTO）问题数学模型。针对多层异构网络拓扑优化问题,提出了基于路径搜索和集合覆盖的网络拓扑优化算法,并进行复杂度分析和仿真实验。最后,为了研究潮汐能供电的监测网络性能,捕获能量收集和流量到达的随机性以及水声通信信道特性,本文首先建立了一个Markov链通用模型,并对平均就绪节点数和吞吐量进行了理论分析。综合考虑信息价值（Value ofInformation,VoI）、吞吐量和公平性,建立了一个以最大化节点信息价值加权吞吐量为目标的优化问题数学模型,并设计了基于深度强化的动态接入方案。在全局网络信息不可用的动态网络环境中,网络节点采用深度强化学习技术,根据环境交互情况来选择传输概率。仿真结果表明所提算法的性能大大优于基于固定传输概率的接入算法和传统的随机轮询方法。
张威[9]（2020）在《基于新兴信息技术的S企业船舶流体性能试验服务流程优化研究》文中进行了进一步梳理
李慧玲[10]（2020）在《邮轮仓储出入库任务调度优化研究》文中研究说明邮轮产业是促进国家制造业转型升级、落实《中国制造2025》战略的重要组成部分,提升国产邮轮自主建造能力对我国船舶高端装备产业发展具有重要意义。邮轮建造物资具有种类繁多、数量庞大的特点,目前已有的船舶仓储管理及仓储出入库任务调度方法难以支撑邮轮千万数量级零件调度和精准生产的要求。邮轮仓储管理通过管理建造物资的仓储活动满足生产需求,减少因仓储效率对生产进度的延误,对国产邮轮建造生产起着重要的影响,而邮轮仓储出入库任务调度是邮轮仓储管理的核心组成部分。因此,本文研究邮轮仓储出入库任务调度方法,提出邮轮单仓储点出入库任务动态调度优化方法和邮轮多仓储点物资供需协同调度优化方法,并通过开发原型系统进行应用验证。本文首先分析多仓储、动态调度、船厂任务调度相关的国内外研究现状;在此基础上分析邮轮仓储资源构成以及邮轮仓储流程,形成邮轮仓储业务模式;随后,针对邮轮建造物资较一般船舶出入库频繁、种类繁多且数量庞大的特点,构建邮轮单仓储点出入库任务动态调度问题模型,提出邮轮单仓储点出入库任务动态调度优化方法,通过实例验证,证明该方法的有效性和可行性;将单仓储点出入库任务扩展到多仓储点出入库任务分配环节,构建邮轮多仓储点物资供需协同调度问题模型,提出邮轮多仓储点物资供需协同调度优化方法,通过实例验证证明该方法的有效性和可行性;最后,基于B/S架构设计开发邮轮仓储出入库任务调度原型系统,验证上述研究成果的有效性和实用性。
二、基于STEP和Internet的船舶数据中心研究（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STEP和Internet的船舶数据中心研究（论文提纲范文）
（1）考虑能耗的自动化集装箱码头作业设备协同调度优化（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 论文选题背景 |
| 1.2 研究意义 |
| 1.3 国内外研究综述 |
| 1.3.1 考虑能耗的集装箱码头调度的相关研究 |
| 1.3.2 AQC与AGV协同调度的相关研究 |
| 1.3.3 AGV与ARMG协同调度的相关研究 |
| 1.3.4 AQC、AGV与ARMG集成调度的相关研究 |
| 1.3.5 研究现状评述 |
| 1.4 研究内容与结构框架 |
| 1.4.1 研究内容 |
| 1.4.2 研究结构框架 |
| 1.5 本章小结 |
| 2 考虑能耗的自动化集装箱码头作业设备协同调度体系构建 |
| 2.1 自动化集装箱码头作业系统分析 |
| 2.1.1 自动化集装箱码头核心作业设备 |
| 2.1.2 自动化集装箱码头进出口作业流程 |
| 2.1.3 自动化集装箱码头作业设备协同调度必要性分析 |
| 2.2 考虑能耗的自动化集装箱码头作业设备协同调度结构模型 |
| 2.3 考虑能耗的自动化集装箱码头作业设备协同调度关系模型 |
| 2.3.1 自动化集装箱码头作业设备能耗与效率影响因素分析 |
| 2.3.2 自动化集装箱码头作业设备协同调度能效关系模型 |
| 2.4 考虑能耗的自动化集装箱码头作业设备协同调度框架模型 |
| 2.4.1 自动化集装箱码头作业设备协同调度优化目标 |
| 2.4.2 自动化集装箱码头作业设备协同调度决策变量 |
| 2.4.3 自动化集装箱码头作业设备协同调度约束条件 |
| 2.5 本章小结 |
| 3 考虑能耗的自动化双小车岸桥与AGV协同调度研究 |
| 3.1 问题描述 |
| 3.2 模型构建 |
| 3.2.1 符号定义 |
| 3.2.2 建立模型 |
| 3.3 模型求解 |
| 3.4 算例分析 |
| 3.4.1 算例介绍 |
| 3.4.2 算例结果分析 |
| 3.5 本章小结 |
| 4 考虑能耗的AGV与自动化轨道吊协同调度研究 |
| 4.1 问题描述 |
| 4.2 模型构建 |
| 4.2.1 符号定义 |
| 4.2.2 建立模型 |
| 4.3 求解算法 |
| 4.3.1 编码和解码 |
| 4.3.2 交叉与变异 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 5 考虑能耗的AQC、AGV与 ARMG集成调度研究 |
| 5.1 问题描述 |
| 5.2 模型构建 |
| 5.2.1 符号定义 |
| 5.2.2 建立模型 |
| 5.3 求解算法 |
| 5.3.1 编码 |
| 5.3.2 种群初始化 |
| 5.3.3 基于适应步长的嗅觉搜索 |
| 5.3.4 视觉搜索 |
| 5.3.5 全局协作机制 |
| 5.4 算例分析 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 研究结论 |
| 6.2 研究创新点 |
| 6.3 研究展望 |
| 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 |
（2）边缘计算中可信协同服务与计算迁移策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织架构 |
| 第二章 边缘计算可信协同与计算迁移研究进展 |
| 2.1 边缘计算概述 |
| 2.1.1 边缘计算简介 |
| 2.1.2 边缘计算典型应用 |
| 2.2 边缘计算可信协同发展 |
| 2.2.1 信任评价机制研究 |
| 2.2.2 协同服务机制研究 |
| 2.3 边缘计算迁移研究进展 |
| 2.3.1 基于能耗优化目标的迁移决策 |
| 2.3.2 基于延迟优化目标的迁移决策 |
| 2.3.3 多目标联合迁移决策 |
| 2.4 本章小结 |
| 第三章 基于综合性能评价的边缘计算协同服务策略研究 |
| 3.1 基于综合性能评价的协同盟员发现机制 |
| 3.1.1 边缘计算节点连接概率预测建模 |
| 3.1.2 节点综合信任度计算模型 |
| 3.1.3 盟员节点综合性能特征评价模型 |
| 3.2 基于综合性能评价的协同服务池模型 |
| 3.2.1 综合性能协同服务池建模 |
| 3.2.2 综合性能协同服务池效用分析 |
| 3.3 CSEC-CPE性能仿真实验与分析 |
| 3.3.1 仿真环境设置 |
| 3.3.2 CSEC-CPE协同盟员聚合精度和协同服务效用分析 |
| 3.3.3 CSEC-CPE协同服务负载均衡服务能力分析 |
| 3.3.4 CSEC-CPE协同服务综合效用分析 |
| 3.4 本章小结 |
| 第四章 面向能耗约束的智能计算混合迁移模型构建与仿真 |
| 4.1 基于能耗约束的计算迁移模型构建 |
| 4.1.1 平行迁移决策 |
| 4.1.2 上行迁移决策 |
| 4.2 智能算法设计 |
| 4.2.1 基于PSO算法优化的HOS-NE策略 |
| 4.2.2 基于SA算法优化的HOS-NE策略 |
| 4.3 仿真结果及分析 |
| 4.3.1 实验仿真 |
| 4.3.2 结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（3）水文与气象条件下的船舶多目标航路规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外进展状况 |
| 1.3 主要工作和研究内容 |
| 第二章 水文气象下船舶路径规划基本方法及原理 |
| 2.1 水文与气象状况 |
| 2.1.1 水文特征 |
| 2.1.2 气象要素 |
| 2.2 航线规划基本方法介绍 |
| 2.2.1 粒子群算法 |
| 2.2.2 遗传算法 |
| 2.3 地图模型构建 |
| 2.3.1 墨卡托投影 |
| 2.3.2 船舶航线数学模型 |
| 2.3.3 船舶航行区域模型 |
| 2.4 约束条件 |
| 2.4.1 气象航线优化约束 |
| 2.4.2 内河航线优化约束 |
| 2.5 本章小结 |
| 第三章 基于改进遗传算法的内河航线规划 |
| 3.1 内河航道资料获取及处理 |
| 3.1.1 航道地图 |
| 3.1.2 水文数据 |
| 3.2 内河航线优化目标及优劣评价 |
| 3.2.1 航行距离 |
| 3.2.2 航行风险 |
| 3.2.3 单目标与多目标优劣评价 |
| 3.3 基于遗传算法的单目标航线规划 |
| 3.4 基于非支配排序遗传算法的多目标航线规划 |
| 3.5 本章小结 |
| 第四章 基于混合粒子群—遗传算法的气象导航 |
| 4.1 气象导航框架 |
| 4.2 气象数据获取及处理 |
| 4.3 气象导航航线优化目标及优劣评价 |
| 4.3.1 航行时间 |
| 4.3.2 燃油消耗 |
| 4.3.3 航行风险 |
| 4.3.4 定时间到达 |
| 4.4 船舶在风浪中的失速现象 |
| 4.4.1 自然失速 |
| 4.4.2 临界速度 |
| 4.5 基于改进粒子群算法的单目标航线规划 |
| 4.6 基于粒子群—遗传算法的多目标航线规划 |
| 4.7 本章小结 |
| 第五章 路径规划算法的仿真及结果分析 |
| 5.1 内河单目标路径规划仿真及结果分析 |
| 5.1.1 桥区航道条件 |
| 5.1.2 弯道航道条件 |
| 5.2 内河多目标路径规划仿真及结果分析 |
| 5.2.1 弯道航道条件 |
| 5.2.2 近海岸多岛屿条件 |
| 5.3 远洋单目标气象导航仿真及结果分析 |
| 5.4 远洋多目标气象导航仿真及结果分析 |
| 5.4.1 良好气象条件 |
| 5.4.2 恶劣气象条件 |
| 5.4.3 综合近海条件 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（4）面向车路协同的边缘计算任务卸载研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 车辆计算任务卸载研究现状 |
| 1.2.1 车联网环境下车辆计算任务卸载研究现状 |
| 1.2.2 基于车辆编队的计算任务卸载研究现状 |
| 1.3 主要研究内容和组织框架 |
| 2 面向车辆编队的车路协同任务卸载框架与流程 |
| 2.1 车路协同任务卸载框架 |
| 2.1.1 异构车联网 |
| 2.1.2 移动边缘计算系统 |
| 2.1.3 车载计算单元 |
| 2.2 车路协同任务卸载流程 |
| 2.3 本章小节 |
| 3 能耗驱动的车路协同任务卸载模型与分析 |
| 3.1 引言 |
| 3.2 车路协同任务卸载建模 |
| 3.2.1 场景模型 |
| 3.2.2 计算任务模型 |
| 3.2.3 卸载到MEC服务器计算模型 |
| 3.2.4 本地计算和卸载到车队其他车辆计算模型 |
| 3.2.5 能耗驱动的任务卸载模型 |
| 3.3 车路协同任务卸载分析与求解 |
| 3.3.1 计算资源分配分析 |
| 3.3.2 任务卸载决策分析 |
| 3.4 本章小结 |
| 4 任务卸载决策的扩展自适应大邻域搜索算法 |
| 4.1 引言 |
| 4.2 本文EALNS算法 |
| 4.2.1 算法基本框架 |
| 4.2.2 带有惩罚项的目标函数 |
| 4.2.3 单车任务卸载决策 |
| 4.2.4 初始解的构造启发式与临时解的接受准则 |
| 4.2.5 三种破坏启发式 |
| 4.2.6 三种修复启发式 |
| 4.3 任务卸载决策问题求解步骤 |
| 4.4 本章小结 |
| 5 基于Edge Cloud Sim的任务卸载仿真实验 |
| 5.1 引言 |
| 5.2 实验环境配置与搭建 |
| 5.3 仿真实验与结果分析 |
| 5.4 本章小节 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）无线传感器网络节点部署优化策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 无线传感器网络概述 |
| 1.2.1 无线传感器网络简介 |
| 1.2.1.1 网络系统架构 |
| 1.2.1.2 节点结构 |
| 1.2.1.3 协议架构和网络管理接口 |
| 1.2.2 主要特点 |
| 1.2.3 应用领域 |
| 1.2.4 关键技术 |
| 1.2.5 国内外研究现状 |
| 1.3 无线传感器网络技术发展趋势 |
| 1.4 论文研究内容和创新点 |
| 1.4.1 论文主要内容 |
| 1.4.2 论文创新点 |
| 1.5 论文组织结构 |
| 参考文献 |
| 第二章 无线传感器网络部署优化技术研究 |
| 2.1 网络部署相关理论与技术分析 |
| 2.1.1 感知模型 |
| 2.1.2 节点通讯模型 |
| 2.1.3 网络部署方式分类 |
| 2.1.3.1 基于覆盖效果分类 |
| 2.1.3.2 基于节点特性分类 |
| 2.1.4 部署技术优化目标 |
| 2.1.5 部署优化的作用 |
| 2.2 传感器网络部署控制机制 |
| 2.2.1 节点同步调度 |
| 2.2.2 数据融合 |
| 2.2.3 虚拟力算法 |
| 2.2.3.1 虚拟力作用原理 |
| 2.2.3.2 虚拟力算法特点和应用 |
| 2.3 水下无线传感器网络概述 |
| 2.3.1 水下无线传感器网络的特点 |
| 2.3.2 水下无线传感器网络体系结构 |
| 2.3.3 水下无线传感器网络的研究现状 |
| 2.3.4 水下传感网部署优化问题面临的挑战 |
| 2.4 本章小结 |
| 参考文献 |
| 第三章 二维有向无线传感器网络节点部署优化策略 |
| 3.1 有向无线传感器网络特性分析 |
| 3.1.1 有向无线传感器网络应用场景 |
| 3.1.2 有向传感器网络特性 |
| 3.2 相关理论与技术 |
| 3.2.1 有向节点感知模型分类 |
| 3.2.2 有向节点通讯模型 |
| 3.2.3 节点运动方式 |
| 3.2.4 有向无线传感器网络部署研究现状分析 |
| 3.3 数学模型及相关定义 |
| 3.3.1 有向感知模型 |
| 3.3.2 分布式节点联合感知模型 |
| 3.3.3 相关定义 |
| 3.4 节点部署优化算法 |
| 3.4.1 前提假设 |
| 3.4.2 算法思想 |
| 3.4.3 算法步骤 |
| 3.5 仿真实验与结果分析 |
| 3.5.1 仿真实验设计 |
| 3.5.2 仿真结果分析 |
| 3.6 本章小结 |
| 参考文献 |
| 第四章 水下三维异构无线传感器网络节点部署优化策略 |
| 4.1 异构无线传感器网络特性分析 |
| 4.1.1 典型的异构网络体系结构 |
| 4.1.2 无线传感器网络异构性特征 |
| 4.1.3 异构无线传感器网络的优势 |
| 4.1.4 异构无线传感器网络研究现状分析 |
| 4.1.5 水下无线传感器网络部署研究现状分析 |
| 4.2 相关理论与技术 |
| 4.2.1 引入证据理论的必要性分析 |
| 4.2.2 证据理论的引入 |
| 4.2.2.1 D-S证据理论方法 |
| 4.2.2.2 D-S相关定义 |
| 4.2.2.3 证据理论的合成规则 |
| 4.2.2.4 基于证据理论的决策融合模型 |
| 4.2.2.5 证据理论研究现状 |
| 4.3 数学模型及相关定义 |
| 4.3.1 水下三维空间模型 |
| 4.3.2 被动声呐节点感知模型 |
| 4.3.3 基于监测可信任度的感知 |
| 4.3.4 基于证据理论的数据融合模型 |
| 4.3.5 被动声呐可信感知模型 |
| 4.4 水下三维异构无线传感器网络部署优化算法 |
| 4.4.1 前提假设 |
| 4.4.2 算法思想 |
| 4.4.3 算法步骤 |
| 4.5 仿真实验与结果分析 |
| 4.5.1 仿真实验设计 |
| 4.5.2 仿真结果分析 |
| 4.6 本章小结 |
| 参考文献 |
| 第五章 水下三维传感器网络异构节点部署优化策略 |
| 5.1 无线传感器网络节点异构特性分析 |
| 5.1.1 无线传感器网络节点异构的优势 |
| 5.1.2 传感器节点异构性类型 |
| 5.1.3 异构节点部署面临的挑战分析 |
| 5.1.4 水下异构节点部署技术的研究现状分析 |
| 5.1.5 水下目标探测和拦截问题特殊性分析 |
| 5.2 数学模型及相关定义 |
| 5.2.1 相关定义 |
| 5.2.2 节点三维覆盖模型 |
| 5.2.3 节点协同感知概率模型 |
| 5.2.4 虚拟势场方法 |
| 5.2.4.1 虚拟势场原理 |
| 5.2.4.2 节点位移计算 |
| 5.2.4.3 算法步骤 |
| 5.2.4.4 虚拟势场算法的问题 |
| 5.2.5 基于DSmT的数据融合感知模型 |
| 5.2.5.1 DSmT数据融合模型 |
| 5.2.5.2 基本概念 |
| 5.2.6 复合感知模块的协同感知 |
| 5.2.7 异构传感器节点的感知类型 |
| 5.3 水下无线传感器网络异构节点部署优化算法 |
| 5.3.1 前提假设 |
| 5.3.2 算法思想 |
| 5.3.3 算法步骤 |
| 5.4 仿真实验与结果分析 |
| 5.4.1 仿真实验设计 |
| 5.4.2 仿真结果分析 |
| 5.5 本章小结 |
| 参考文献 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 攻读学位期间学术成果目录 |
（6）多域室内定位系统算法精度提升关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外发展与应用现状 |
| 1.3 研究目的 |
| 1.4 本文的主要工作与章节安排 |
| 2 超宽带室内定位的典型算法与定位算法 |
| 2.1 UWB算法的基本原理 |
| 2.2 室内环境下定位的限制 |
| 2.3 室内定位技术基本思路 |
| 2.4 UWB典型的定位方法 |
| 2.4.1 时域算法类型中的典型定位方法 |
| 2.4.2 角度域算法类型中的典型定位方法 |
| 2.4.3 混合域定位方法 |
| 2.4.4 其他定位方法 |
| 3 时域实时定位系统定位精度提升算法 |
| 3.1 基于布谷鸟搜索算法优化BP神经网络的TDOA算法 |
| 3.1.1 引言 |
| 3.1.2 布谷鸟搜索算法概述 |
| 3.1.3 BP神经网络的TDOA算法模型 |
| 3.1.4 基于布谷鸟搜索算法优化神经网络的TDOA算法 |
| 3.1.5 实验环境设置 |
| 3.1.6 仿真结果分析 |
| 3.1.7 本节算法小结 |
| 3.2 复杂环境下基于TR技术的两步TOA估计算法 |
| 3.2.1 引言 |
| 3.2.2 TOA定位算法 |
| 3.2.3 时间反演技术的基本原理 |
| 3.2.4 基于时间反演的两步TOA估计算法 |
| 3.2.5 仿真分析 |
| 3.2.6 本节算法小结 |
| 3.3 超宽带技术的船舶室内精确定位系统技术研究 |
| 3.3.1 引言 |
| 3.3.2 系统结构设计 |
| 3.3.3 算法对比与仿真 |
| 3.3.4 小结 |
| 3.4 本章小结 |
| 4 角度域实时定位系统定位精度提升算法 |
| 4.1 基于MIMO UWB通信系统AOA估计的算法仿真优化研究 |
| 4.2 展开增广互质阵的波达方向估计与鲁棒自适应波束形成 |
| 4.2.1 稀疏阵列信号处理和自适应波束形成 |
| 4.2.2 展开增广原始阵列 |
| 4.2.3 初始试验 |
| 4.2.4 互耦系数估计 |
| 4.2.5 干扰者的功率估算 |
| 4.2.6 数值模拟 |
| 4.2.7 本节算法小结 |
| 5 混合域实时定位系统定位精度提升算法 |
| 5.1 基于TDOA/AOA融合算法的UWB室内节点定位研究 |
| 5.1.1 引言 |
| 5.1.2 相关技术比对研究 |
| 5.1.3 TDOA/AOA融合算法下的三维坐标计算 |
| 5.1.4 仿真实验与结果 |
| 5.1.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
（7）基于强化学习的海事边缘网络卸载策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容及安排 |
| 1.4 本章小结 |
| 2 移动边缘计算及强化学习相关技术理论 |
| 2.1 移动边缘计算概述 |
| 2.1.1 移动边缘计算的背景 |
| 2.1.2 移动边缘计算的网络架构 |
| 2.2 强化学习 |
| 2.2.1 强化学习简介 |
| 2.2.2 经典多臂赌博机 |
| 2.2.3 深度强化学习 |
| 2.3 本章小结 |
| 3 海事边缘网络单无人船卸载决策在线学习算法 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 信道和通信模型 |
| 3.2.2 任务模型 |
| 3.2.3 时间延迟模型 |
| 3.2.4 能耗模型 |
| 3.3 单无人船卸载决策问题描述 |
| 3.4 基于MAB的自适应在线学习卸载决策算法 |
| 3.5 仿真结果与分析 |
| 3.5.1 性能指标 |
| 3.5.2 仿真结果分析 |
| 3.6 本章小结 |
| 4 海事边缘网络下无人船编队卸载决策算法 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 信道与通信模型 |
| 4.2.2 队列模型 |
| 4.3 无人船编队卸载决策问题描述 |
| 4.4 基于深度确定性策略梯度的无人船编队卸载决策算法 |
| 4.4.1 强化学习构建 |
| 4.4.2 算法架构与参数更新 |
| 4.5 仿真结果与分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（8）海域立体监测网络拓扑优化与智能接入机制研究（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 |
| 1.2 海洋监测网络国内外现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织架构 |
| 2 相关技术研究综述 |
| 2.1 海域立体监测网络架构研究 |
| 2.1.1 海域监测网络架构研究 |
| 2.1.2 海上通信网络架构研究 |
| 2.2 海域立体监测网络相关技术研究 |
| 2.2.1 网络拓扑优化技术研究 |
| 2.2.2 网络接入控制技术研究 |
| 2.3 本章小结 |
| 3 海域立体监测网络拓扑多目标优化 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 网络模型 |
| 3.2.2 节点能量模型 |
| 3.3 问题描述与优化建模 |
| 3.3.1 问题描述 |
| 3.3.2 优化建模 |
| 3.4 求解方法 |
| 3.4.1 基于贪婪策略的网络拓扑多目标优化算法 |
| 3.4.2 基于蚁群群体智能的网络拓扑多目标优化算法 |
| 3.5 数值仿真 |
| 3.5.1 仿真场景与参数设置 |
| 3.5.2 STMO问题数学模型验证 |
| 3.5.3 多目标优化算法仿真分析 |
| 3.6 本章小结 |
| 4 基于能量收集的海域立体监测网络拓扑优化 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 网络模型 |
| 4.2.2 绿色能源供电节点能量模型 |
| 4.3 问题描述与优化建模 |
| 4.3.1 问题描述 |
| 4.3.2 优化建模 |
| 4.4 求解方法 |
| 4.4.1 基于路径搜索的网络拓扑优化算法 |
| 4.4.2 基于集合覆盖的网络拓扑优化算法 |
| 4.5 数值仿真 |
| 4.5.1 仿真场景与参数设置 |
| 4.5.2 收集能量对网络拓扑优化的影响分析 |
| 4.5.3 算法仿真分析 |
| 4.6 本章小结 |
| 5 基于强化学习的智能海域立体监测网络接入控制 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 性能评估模型 |
| 5.3.1 节点参数获取建模 |
| 5.3.2 优化问题建模 |
| 5.4 求解算法 |
| 5.4.1 相关理论基础 |
| 5.4.2 基于深度强化学习的智能网络接入控制算法 |
| 5.5 数值仿真 |
| 5.5.1 仿真场景与参数设置 |
| 5.5.2 模型验证与仿真分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 缩略语 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（10）邮轮仓储出入库任务调度优化研究（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 国内外研究现状分析 |
| 1.2.1 邮轮仓储研究现状 |
| 1.2.2 多仓储研究现状 |
| 1.2.3 动态调度问题研究现状 |
| 1.2.4 船厂任务调度研究现状 |
| 1.3 论文研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 邮轮仓储业务模式研究 |
| 2.1 邮轮仓储资源构成 |
| 2.1.1 邮轮建造物资分类 |
| 2.1.2 邮轮仓储点类型 |
| 2.1.3 邮轮仓储设备 |
| 2.2 邮轮仓储流程 |
| 2.2.1 物资入库流程 |
| 2.2.2 物资出库流程 |
| 2.2.3 仓储点盘库流程 |
| 2.2.4 物资可追溯流程 |
| 2.3 物联网概念及相关技术 |
| 2.3.1 物联网概念及应用 |
| 2.3.2 信息感知与采集技术 |
| 2.4 小结 |
| 第3章 邮轮单仓储点出入库任务动态调度优化 |
| 3.1 面向邮轮建造物资的单仓储点出入库任务动态调度特点 |
| 3.1.1 本章研究问题与FJSP问题 |
| 3.1.2 问题动态调度影响因素 |
| 3.2 邮轮单仓储点出入库任务动态调度问题模型 |
| 3.2.1 模型符号及说明 |
| 3.2.2 问题描述 |
| 3.2.3 模型假设 |
| 3.2.4 目标函数及约束条件 |
| 3.3 邮轮单仓储点出入库任务动态调度优化方法 |
| 3.3.1 算法融合策略 |
| 3.3.2 基于遗传算法的邮轮单仓储点出入库任务动态调度优化过程 |
| 3.4 实例验证与分析 |
| 3.5 小结 |
| 第4章 邮轮多仓储点物资供需协同调度优化 |
| 4.1 邮轮建造物资供需协同调度特点 |
| 4.2 邮轮多仓储点物资供需协同调度问题模型 |
| 4.2.1 模型符号及说明 |
| 4.2.2 问题描述 |
| 4.2.3 模型假设 |
| 4.2.4 目标函数及约束条件 |
| 4.3 邮轮多仓储点物资供需协同调度优化方法 |
| 4.3.1 算法融合策略 |
| 4.3.2 基于蚁群算法的邮轮多仓储点物资供需协同调度优化过程 |
| 4.4 实例验证与分析 |
| 4.5 小结 |
| 第5章 邮轮仓储出入库任务调度原型系统实现 |
| 5.1 原型系统需求分析 |
| 5.1.1 原型系统角色功能分析 |
| 5.1.2 业务流程需求分析 |
| 5.2 原型系统总体设计 |
| 5.2.1 原型系统架构设计 |
| 5.2.2 原型系统功能设计 |
| 5.3 原型系统初步实现 |
| 5.4 小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、基于STEP和Internet的船舶数据中心研究（论文参考文献）
- [1]考虑能耗的自动化集装箱码头作业设备协同调度优化[D]. 赵倩儒. 北京交通大学, 2021(02)
- [2]边缘计算中可信协同服务与计算迁移策略研究[D]. 杨晓慧. 江西理工大学, 2021(01)
- [3]水文与气象条件下的船舶多目标航路规划研究[D]. 赵巍. 吉林大学, 2021(01)
- [4]面向车路协同的边缘计算任务卸载研究[D]. 胡芳亿. 大连理工大学, 2021(01)
- [5]无线传感器网络节点部署优化策略研究[D]. 宋晓莉. 北京邮电大学, 2021
- [6]多域室内定位系统算法精度提升关键技术研究[D]. 张鲲. 海南大学, 2020(04)
- [7]基于强化学习的海事边缘网络卸载策略研究[D]. 马永浩. 大连海事大学, 2020(04)
- [8]海域立体监测网络拓扑优化与智能接入机制研究[D]. 段建丽. 大连海事大学, 2020(04)
- [9]基于新兴信息技术的S企业船舶流体性能试验服务流程优化研究[D]. 张威. 江苏科技大学, 2020
- [10]邮轮仓储出入库任务调度优化研究[D]. 李慧玲. 哈尔滨工程大学, 2020(04)