一、基于代数杂交算子的变异算子机理分析（论文文献综述）
丁毓[1]（2019）在《基于复杂网络的差分进化算法研究》文中提出智能优化算法一般是通过模拟自然过程来求得近似解,这类算法在对目标进行搜索时一般不需要目标函数的可微、可导条件,打破了传统优化算法的局限性而被广泛研究。差分进化算法是一种简单且有效的智能优化方法,是20年代末速度最快的进化算法。通过对差分进化算法的学习研究,给出一种基于复杂网络的差分进化（CNDE）算法,并利用该算法求解片上网络映射优化问题,具体工作概括如下:首先,对差分进化算法建立网络模型,将差分进化算法中的个体表示为网络中的节点,个体之间的信息传播表示为网络中的有向边,从而利用网络可视化差分进化算法的种群结构及信息传播方向。通过分析种群结构与算法进化结果之间的关系,发现可以通过控制种群结构来控制算法的进化方向和收敛速度。因此在算法的变异阶段,对目标向量的选取由完全随机变为依概率选取,概率的取值由个体的目标函数值及网络的统计参数信息共同确定,并在该阶段引入收敛因子用于控制算法的稳定性。在算法的选择阶段,针对差分进化算法中子代与父代个体关联性低的特点,提出基于排序的选择策略用以加速算法收敛。其次,为了测试改进后算法的性能,将基于复杂网络的差分进化算法与其它差分进化算法进行比较,对每个算法均采用标准测试函数进行测试,测试结果显示,基于复杂网络的差分进化算法相比于标准差分进化算法在收敛速度和求解精度方面具有显着优势。此外,为验证变异阶段与选择阶段所做改进的普适性,我们将同样的改进方法应用于自适应差分进化算法（jDE）中,并从21个标准测试函数中随机筛选出不同类型的函数进行测试,发现由此改进的自适应差分进化算法的性能也得到了很大的提升。最后,应用基于复杂网络的差分进化算法解决片上网络映射优化问题。片上网络就是把芯片上不同的核用特定的拓扑结构连接起来。对于给定的片上网络拓扑结构,不同的映射结果会导致网络性能差异较大。本文针对2D Mesh、2D Torus、超立方体拓扑结构,以能耗最小为目标,建立了基于拓扑图信息传递矩阵求解的问题模型,并对算法增加修补操作用于求解该问题。实验结果表明,在相同的映射平台和任务模型下,应用基于复杂网络的差分进化算法求解具有良好的收敛性,且相比于随机映射方法能够大幅度的降低芯片的能耗。对于相同的任务在不同的拓扑结构上执行,其能耗也会随着拓扑结构的改变而有所不同。
古发辉[2]（2017）在《基于双种群协同进化的智能优化算法及其应用研究》文中进行了进一步梳理优化问题广泛存在于科学研究和工程实践中,一直是智能计算的研究热点和难点问题之一。受生物进化启发,学者们提出了许多智能优化算法,如遗传算法、差分演化算法、粒子群算法、教与学优化算法等,这些算法能够有效地解决大多数优化问题。然而,面对日益复杂多变的优化问题,这些单一群智能算法常常表现出搜索停滞、收敛精度不高、局部最优、泛化能力弱等不足。双种群协同进化是通过设立两个种群,建立它们之间的竞争或者合作关系,两个种群通过互相作用来提高各自的性能,实现优势互补,进而提高算法在求解各类复杂优化问题的性能。本文从建立一种通用算法模型角度出发,挑选了性能较好的DE算法和TLBO算法作为重点研究对象,建立起双种群协同进化算法模型（DPCE）;针对多约束条件优化、多目标优化、非线性复杂模型参数估计等问题,基于DPCE模型,进行双种群协同进化算法设计,提出了三种新算法:双种群协同进化的差分演化算法（DPCEDE）、双种群协同进化的教与学优化算法（DPCETLBO）、基于DE和TLBO的双种群协同进化算法（DPCEDT）,并将这些算法应用到不同的实际复杂优化问题中。本文所做工作概况如下:（1）研究了DE算法、TLBO算法的基本原理,分析了这两个算法的研究现状。针对DE算法在求解多峰函数优化问题时容易出现早熟,提出了一种基于均匀分割的多种群并行差分演化算法（MPDE）,均匀分割得到几个既不重叠又可以反映函数整体性质的子种群,通过这些子种群并行搜索得到最优解,然后将这些最优解聚集到一起,进而得到全局最优解,通过仿真实验验证了MPDE算法的有效性。在研究TLBO算法时,提出了一种改进的改进教与学优化算法（MTLBO）,并将MTLBO算法应用于Van Genuchten方程参数优化中,验证了MTLBO算法的有效性和优越性。（2）通过基于DE算法和TLBO算法进行了四种情况的种群设置、子种群进化策略设计等实验分析,发现在算法改进中,多种群进化算法设计单纯通过增加种群个体总数仅能在一定范围内提升算法性能;单纯增加子种群数量还会因子种群间交流学习的隔离降低算法性能;而在各子种群进化策略选取上,采用不同的相似进化策略则能有效提升算法性能,若子种群采用互补型进化策略对算法性能提升则更为显着。同时对算法种群规模设置和现有智能优化算法特性的进一步反思,将双种群规模设置和协同进化机制相结合,建立了一种通用型双种群协同进化算法模型（DPCE）,并对DPCE模型的动力学、收敛性进行了分析,给出了DPCE模型指导下的算法设计步骤。在DPCE模型指导下,只需适当调整相应策略,便可设计出适应于不同类型优化问题求解的算法,这对人们面对复杂系统优化算法设计具有重要的指导意义。（3）针对原始DE算法存在易陷入局部最优、收敛慢、早熟、计算代价大等不足,利用DPCE模型,将单种群独立进化改造成双种群协同进化模式,提出了一种双种群协同进化的差分演化算法（DPCEDE）。在DPCEDE算法中,设立双种群独立进化,一个种群采用混合自适应杂交变异算子进行进化操作,对解空间进行大范围搜索,以提高算法的收敛性;另一个种群采用混合DE和生物地理学优化算法（BBO）杂交算子进行进化操作,一方面通过移动算子对子群体信息有效利用,另一方面以平衡算法的开采能力,避免算法早熟等现象;同时引入小生境淘汰机制,对两个种群进行重组实现种群间的信息共享和交流,从而达到提高算法整体性能的目的。通过5组标准测试函数,将DPCEDE算法与DE算法、DPDE算法进行了仿真实验比较,实验结果显示DPCEDE算法较DE算法、DPDE算法在全局搜索能力和收敛性方面均具有一定的优势;最后,将DPCEDE算法应用于柔性车间作业调度问题（FJSP）优化中,实现了柔性车间作业的资源有效配置,可有效平衡车间、设备、工序之间的平衡关系,同时,与基本DE算法、PSO算法在FJSP问题上性能进行了比较,验证了算法的有效性和实用性。（4）针对原始TLBO算法还存在收敛慢、早熟等不足,在DPCE模型指导下,建立了一种双种群协同进化的教与学优化算法（DPCETLBO）。在DPCETLBO算法中,两个种群既有分工又有交流,适应值较高的种群采用带自适应学习因子的TLBO算法进行进化,执行完学习过程后再对精英个体进行多父体非凸杂交,提升算法的收敛速度;适应值较低的种群采用带偏置的反向学习TLBO算法（OLPTLBO）进行进化,以提高算法的全局搜索能力;每轮迭代后,两个种群合并到一起,并按照适应值大小排序,重新分成两个种群,保持种群多样性,以获得更优的求解质量。通过2组标准测试函数,并比与TLBO算法、ETLBO算法进行仿真实验对比,证实算法在收敛精度和多样性上具有明显优势;最后,将该DPCETLBO算法应用于PID控制器参数优化中,算法22次迭代即能求收敛于最优解,并将最优解参数代入PID控制器的Simulink模型中,观测其阶跃响应信号,仿真结果表明阶跃响应信号能很快趋于平稳,同时,与基本TLBO算法、PSO算法在PID控制器参数优化中性能进行了比较,进一步证明该算法的实用性。（5）针对DE和TLBO算法各自的优点和缺点,基于互补策略,采用扬长避短机制,利用DPCE模型,将DE算法和TLBO算法进行巧妙结合,构建一种基于DE和TLBO的双种群协同进化算法（DPCEDT）。在DPCEDT算法中,设置双种群独立进化,一个种群采用DE算法进行进化,另一个种群采用TLBO算法进行进化,并在每一代的进化过程中,首先根据两个种群中的当前最优个体进行组合生成一个复合个体,然后利用生成的复合个体再进一步指导两个种群协同进化,通过这种方式将两个种群的优秀信息相互融合,算法一方面在搜索过程中保持了种群的多样性,另一方面又实现了DE和TLBO两种算法的优势互补。为验证DPCEDT算法性能,将该算法与与jDE、TLBO和TLBO-DE算法在13个标准测试函数在不同维度上进行仿真实验,同时对实验结果进行了双尾t检验,实验结果表明DPCEDT算法具有较高的寻优效率和搜索精度;最后将DPCEDT算法应用于动力电池SOC估算中,并与DPCEDE、DPCETLBO算法算法进行了对比,仿真实验表明DPCEDT算法在动力电池SOC估算中具有很好的收敛性,比传统方法提升了2.54%的估算精度,进一步证实了DPCEDT算法的实用性和优越性。综上所述,本文从机理建模、算法设计和实际应用等多个层面,针对智能优化算法展开研究,本文所提出的双种群协同进化算法模型,具有较强的通用性;基于DPCE模型设计的三种双种群协同进化算法,在具体的仿真、实际应用中体现了其有效性和优越性,具有一定的理论价值和实践价值。
林贻翔[3]（2017）在《无线激光通信光电跟瞄技术研究》文中研究说明随着信息技术的发展,无线通信带宽需求呈指数增长。相比于射频通信,无线激光通信技术具有通信带宽高、传输距离远、抗电磁干扰能力强等一系列优点,是未来大容量通信的最佳解决方案之一。但是激光波束窄,给信号链路的建立带来极大困难,因此光电跟瞄技术是实现无线激光通信的核心技术之一。激光通信技术的不断发展对智能化、非机械化的光电跟瞄系统提出了需求,本论文主要研究基于遗传算法和神经网络的智能光电跟瞄技术以及基于液晶相控阵的非机械光电跟瞄技术。本论文的主要研究内容和创新点概括如下:1、针对非线性力矩干扰导致光电跟瞄系统性能下降的问题,提出了一种基于非线性阻碍力矩和遗传算法的模型辨识新方法,有效地提高了非线性模型辨识的准确度。以模型响应曲线与实际系统响应曲线的均方根误差作为评价标准,本文提出的非线性阻碍力矩模型的均方根误差比Stribeck摩擦模型降低2.5倍,比线性模型降低12倍。采用辨识模型来补偿系统的非线性,使系统呈现良好的线性响应,进一步验证了该方法是解决光电跟瞄系统非线性建模的一个有效手段。2、针对实际系统具有的非线性、噪声等复杂因素导致神经网络的学习难以收敛的问题,提出了带非线性补偿的神经网络控制新策略。通过非线性补偿,降低了系统复杂度,有效地提高了神经网络的学习效率,实现了智能控制。算法设计符合自然界的一般规律,即通过漫长的进化得到对某一类固定问题的有效处理方式（遗传算法实现系统非线性辨识和补偿,整个过程可以不计时间开销,直至进化出能够准确描述系统非线性的模型参数）;通过神经系统应对自然环境刺激做出快速反应（神经网络学习目标的运动信息实时优化控制参数,实现智能跟踪目标）。在实际的激光通信光电跟瞄系统中运用了本文所提出的智能控制策略,验证了其有效性和可靠性。具体验证实验包括:（1）通过室内正弦运动信标跟踪实验,对比分析了单神经元、BP神经网络和RBF神经网络算法跟踪效果,三种算法对幅度3°、频率1Hz的正弦扰动抑制比均优于-27dB。（2）应用于外场相距4km的船-岸激光跟瞄与通信实验,船载终端两轴的粗跟踪误差（1σ）分别为0.0101°和0.0204°;岸上终端粗跟踪误差（1σ）为0.0011°。粗跟踪误差在精跟踪控制范围内,精跟踪进一步将扰动压缩到10μrad以内,实现船载2.5Gbps高速激光通信,误码率7.0199× 10-10。室内和外场实验均验证了本文提出和研制的智能跟瞄系统具有良好的跟踪控制效果,性能达到了目前成熟的粗跟踪技术水平,而与传统跟瞄系统相比,其优势在于能通过运行过程中的学习自动优化控制效果,无需人工干预,对复杂多变的应用环境具有更强的适用性。3、针对激光通信终端小型化对非机械光电跟瞄系统的需求,研究了基于液晶相控阵的非机械跟瞄技术。采用角谱理论推导并分析了液晶相控阵光束偏转原理,建立了系统传递函数和MATLAB仿真模型,搭建了基于液晶相控阵的跟瞄演示实验系统,验证了液晶相控阵多光束跟瞄技术的可行性。具体验证实验包括:（1）光束指向实验,模拟了直线、U型和S型二维运动轨迹;（2）光束跟踪实验,1Hz扰动抑制比优于-17dB,2Hz扰动抑制比优于-10dB,实验与仿真跟踪效果基本吻合;（3）多光束偏转实验,实现了单光束输入多光束输出,显示出液晶多光束跟瞄技术在无线激光通信组网中的应用潜力。
徐小琴[4]（2017）在《基于可识别分析的车用材料本构模型参数识别方法研究》文中提出随着汽车产业的发展,主机厂对零部件综合性能的要求越来越高,因此汽车零部件企业通过改善材料性能以及优化产品设计等手段提高产品的质量,以提升市场竞争力。目前,数值模拟技术已成为提高产品质量的重要途径之一,数值模拟通常由计算机硬件、前处理软件、数值模拟软件以及数值模型等几部分组成,随着计算机硬件、前处理软件及数值模拟软件的发展趋于成熟,如何将物理问题简化为可计算的数值模型成为数值模拟工作者目前的主要任务,其中一个最重要的工作是如何确定相关的本构模型及材料参数,因此如何准确地确定材料参数已经成为数值模拟技术的重要研究课题之一。故本文采用基于可识别分析方法对复杂模型的参数识别方法和理论进行研究,从而为复杂模型参数识别提供一定的理论基础和指导。本文基于灵敏度分析,提出了一套能够考虑约束影响的局部及全局参数可识别分析方法,并以此为基础提出一套参数识别方法。本文首先以灵敏度分析为基础,构造了局部敏度矩阵及Fisher信息矩阵,并应用蒙特卡罗方法将局部敏度矩阵、Fisher信息矩阵集成为全局敏度矩阵、全局Fisher信息矩阵及归一化全局Fisher信息矩阵,其中抽样策略采用拉丁-超立方抽样策略。为了考虑软性约束条件的影响,以惩罚函数的形式将约束引入到目标函数中,并通过全局竞争排序的方法确定惩罚系数的数值。其次运用反分析方法对复杂模型参数识别的理论和方法进行研究,并提出了参数识别的目标函数。基于参数识别目标函数的特性,同时,为了平衡算法的全局搜索能力和局部搜索能力,本文应用了一种混合全局优化算法。该算法具有以下特点:为了保证算法具有较好的全局搜索能力,将遗传算法作为混合优化算法的主体算法;通过应用构造的混合杂交算子,防止遗传算法陷入局部最优;为了提高算法的收敛速度,将遗传算法得到的解应用Levenberg-Marquardt算法和增广高斯牛顿算法进行改进。最后将提出的参数识别方法分别运用于对合金材料Ti-6Al-4V的超塑性本构模型以及低合金高强度钢300M的考虑动态再结晶的粘塑性本构模型这两种车用材料本构模型相关材料参数的参数识别中。首先分别针对两种本构模型的物理机理提出参数识别目标函数,然后基于参数的可识别分析方法进行材料参数的参数识别计算。两种不同车用材料本构模型的参数识别结果表明由识别后的参数得到的预测结果和实验数据符合良好,验证了本文提出的算法的有效性和实用性。
吴建辉[5]（2013）在《混合免疫优化理论与算法及其应用研究》文中研究指明在科学研究和工程实践中广泛存在着优化问题，因而开展优化问题的研究具有重要的理论意义和应用价值。模拟生物免疫系统智能信息处理机制的免疫优化算法具有自组织、多样性好、鲁棒性强等优点，适宜于优化问题的求解。然而依靠单一模式的优化算法难以满足具有强非线性、不确定性、时变等特征的复杂优化问题的性能要求。混合免疫优化算法为复杂优化问题的求解提供了新的思路和有效的途径，同时也是优化理论与算法研究的发展方向之一。本文借鉴免疫系统的机理并结合其它优化算法开展混合免疫优化理论与算法及其应用的研究。针对组合优化和数值优化问题，本文从机制模型、算法设计、理论分析、性能测试、算法比较等方面进行系统研究，通过仿真实验验证了混合免疫优化算法的有效性；将所研究的混合免疫优化算法应用于复杂离散混沌系统滑模优化控制中，取得了良好的控制效果。论文的主要研究成果与创新如下：（1）针对组合优化问题，利用免疫克隆选择算法和蚁群算法的各自优势，提出一种基于串联混合方式的优化算法：结合抗体小窗口局部搜索算法的克隆选择和蚁群融合算法（ACLA）。在蚁群算法中引入混沌扰动能在一定程度上避免早熟、停滞；克隆扩增、免疫基因等算子的操作能加快克隆选择算法的收敛速度；局部搜索算法的应用，能有效提高ACLA算法的搜索效率。针对旅行商问题的实验结果表明，该混合算法在收敛速度与求解精度上均取得了较好的效果。（2）针对组合优化问题，融合协同进化算法、免疫克隆选择算法的各自优势，构造了一种基于多子种群免疫进化的两层框架模型，在此模型的基础上提出一种基于竞争-合作的分层协同进化免疫算法（HCIA）。HCIA算法通过对若干个子种群进行局部最优免疫优势、基于竞争的克隆扩增等低层免疫操作和高层遗传操作，增强优秀抗体实现亲和度成熟的机会，提高了抗体群分布的多样性，使其在深度搜索和广度寻优之间取得了平衡。通过典型组合优化问题——旅行商问题的实验仿真结果表明，HCIA算法具有可靠的全局收敛性及较快的收敛速度。（3）针对函数全局优化问题，融合免疫算法的多样性机理、粒子群的信息共享及协同进化思想，提出基于两层模型的多子种群粒子群免疫协同进化算法（MAPCPSOI）。MAPCPSOI算法首先通过对若干个子种群进行具有协同合作特征的低层自适应多态杂交粒子群操作，改善了子种群的多样性，有效抑制了收敛过程中的早熟停滞现象；然后通过具有协同竞争特征的高层免疫克隆选择操作，显着地提高了全局寻优能力，进一步提高了收敛精度。函数优化的仿真结果表明：与其他改进微粒群算法相比，MAPCPSOI算法具有更快的收敛速度和更高的求解精度，尤其适合超高维函数及其它复杂函数的优化问题求解。（4）针对多模态函数优化问题，提出融合Powell法的粒子群优化算法（IPSO-P）及免疫云粒子群优化算法（PPSO）这两种算法。IPSO-P算法将粒子群优化算法的全局搜索能力与Powell法的强局部寻优能力有机地结合起来，在保证求解速度、尽可能找到全部极值点的同时提高了解的精确性。而在PPSO算法中，通过引入基于云模型的云变异算子提高了种群的多样性，利用小波变异克隆选择算法对云变异粒子群优化算法搜索到的较优解进行局部搜索以进一步提高解的精度。仿真实验表明这两种新混合算法的有效性。（5）将免疫云粒子群优化算法（PPSO）应用于离散混沌系统滑模优化控制中，提出一种基于PPSO算法的神经滑模等效控制方法。该方法通过将BP神经网络的输出作为滑模等效控制的切换部分的系数，有效克服了传统滑模等效控制的抖振现象；利用PPSO算法对神经滑模控制器的参数进行全局优化，提高了离散混沌系统的控制品质。实验仿真表明，该方法无需了解离散混沌系统精确模型，具有响应速度快、控制精度高以及抗干扰能力强的优点。
黄利[6]（2012）在《一类自适应遗传算法的渐近行为研究》文中认为自适应遗传算法是为了克服在经典遗传算法处理问题过程中所出现的早熟问题或随机漫游现象而产生的一种算法。它考虑的是如何使遗传算法在求解问题的不同阶段自动的调整某些因素，如遗传操作的类型、操作概率等，从而最大程度的平衡“探测”和“开发”之间的关系。为了实现自适应遗传算法参数的动态化，有时将算法与其它的计算技术（如统计学习方法、模拟退火算法等）结合起来，这不但可以提高算法的学习能力，而且可以在一定程度上改善算法的性能。目前，此算法已发展成为自动程序设计领域的有力工具，国内外很多学者对此算法都有浓厚的研究兴趣，研究内容大多数集中在算法的实现与改进方面。与算法的改进和实现相比，虽然算法的基础理论（包括收敛性、收敛速度、时间复杂性等）研究有了一定的进展，但有些自适应遗传算法（如变种群规模的遗传算法）的基础理论研究成果还非常缺乏，这种状态在一定程度上制约了算法的正常发展，也给各领域的从业者选择使用算法带来了诸多不便，需要对自适应遗传算法的基础理论进行完善。基于此，本文研究了变种群规模遗传算法的收敛性、选择概率时变遗传算法的渐近行为和变异概率时变遗传算法的渐近行为，主要内容及创新性工作概括如下：（1）综述了有关自适应遗传算法的收敛性、收敛速度估计、时间复杂度分析的研究成果及方法，分析了各类方法的不足，总结了目前研究工作中存在的亟待解决的问题，为研究自适应遗传算法基础理论的研究者提供参考和借鉴。（2）提出一种变种群规模的遗传算法，详细解释了算法中每个进化代的演化过程，分析了在这一过程中种群的变化，利用下鞅收敛理论证明了算法的收敛性，得出算法不但以概率1含有最优种群，而且依概率含有一致最优种群的结论。从仿真实验和理论分析两方面测试了此算法的性能，验证了算法在理论和应用两方面结果的一致性。（3）给出一种选择概率时变的遗传算法，详细解释了算法中每个进化代的演化过程，分析了在这一过程中状态转移矩阵的变化，根据Markov链的基本理论为其建立数学模型。利用Markov链的遍历性理论研究算法的数学模型在极限状态下的特点，给出用遍历性理论研究时变遗传算法收敛性的一般框架，从弱遍历、强遍历及收敛到全局最优种群三个环节证明了算法能够收敛到全局最优种群。然后，运用Markov链基础理论说明了算法以几何速度收敛。从证明的结果发现：此算法的收敛速度与Markov链极限状态转移矩阵的遍历系数有关。最后，从数值实验和理论验证两方面说明了选择概率时变遗传算法的优越性能。（4）研究一类典型的变异概率时变遗传算法的收敛性、收敛速度及时间复杂度，利用Markov链的基本理论分析了演化过程中状态转移矩阵的变化，得到算法的数学模型为非时齐的Markov链，通过引入遗传算子的特征参量证明算法的收敛性，得出带有时变比例选择算子的自适应遗传算法和带有择优选择算子的自适应遗传算法都是依概率收敛的结论。同时，给出了上述两种算法的概率收敛速度，并估计出算法首达最优解期望时间的上下界，得出此界直接由自适应遗传算法的参数决定。最后，通过数值实验说明变异概率时变遗传算法较经典遗传算法性能更好，并从理论上验证了数值实验的结果与理论证明结果是一致的。对于自适应遗传算法理论研究并不是将经典遗传算法理论结果的直接推广，而是需要借鉴一些方法手段对其重新推导，从而得到相应的基础结论。本文所得结果是一类自适应遗传算法渐近行为理论方面的一些研究成果，可以将其用于指导算法的设计且有助于实现算法；更重要的是，这些成果在一定程度上丰富了自适应遗传算法的基础理论研究成果，完善了自适应遗传算法的理论体系。
郭晓原[7]（2012）在《遗传算法中适应度尺度变换与操作算子的比较研究》文中研究指明遗传算法是一种模拟生物界中自然选择和遗传机制的计算模型,其高度并行性、随机性、自适应全局优化概率搜索的优势引起了国内外的重视。遗传算法的理论和应用研究都取得了令人瞩目的进展,其应用成果已渗入到许多领域。但遗传算法的理论和操作方法尚未成熟,算法自身存在的一些不足还有待于进一步改进和完善。为此,本文分析了遗传算法的运行机理,对适应度函数和遗传算子进行了深入细致的研究。提出了一种改进的遗传算法：结合免疫浓度调节机制改进选择算子,采用嵌套次级遗传算法改进交叉变异算子,并在C++环境中编程实现。最后,选择了一些典型的多维或高维复杂函数进行仿真测试,并将改进的遗传算法应用到PID参数的整定,通过仿真实验验证了本文提出的改进的遗传算法提高了算法的收敛速度和收敛概率,较基本遗传算法有明显的有效性和优越性。
张莉[8]（2012）在《几类神经网络的分析与优化及其应用研究》文中认为人工神经网络是人工智能研究领域的重要分支之一，在控制、预测、优化、系统辨识、信号处理和模式识别等方面有广泛的应用。本文分析和研究了几类主要的神经网络模型：进化神经网络、Integrate-and-Fire神经网络以及细胞神经网络，并将其应用于函数逼近、模式识别、数据分类和图像处理。论文的主要研究工作可概括为以下几个方面：1．对无约束全局优化问题，分别将高斯变异和正交杂交用于差分进化算法的变异算子和杂交算子中，给出了一种插值局部搜索算子，提出了嵌入正交杂交和局部搜索的差分进化算法。对20个标准测试函数作了数值实验。与文献中其它差分进化算法的比较结果表明了算法的有效性。由预估-校正法确定前馈神经网络结构的情况下，将改进的差分进化算法和Levenberg-Marquardt （LM）算法相结合，提出了一种混合训练算法，优化前馈神经网络的权值和阈值。将该进化神经网络应用于函数逼近、模式分类和识别问题。2．对同时含有二进制变量和实数变量的非线性优化问题，采用二进制和实数混合编码，在差分进化变异算子中引入异或逻辑运算处理二进制变量，将正交杂交引入到杂交算子中，提出了一种协同二进制—实数差分进化算法。对该算法作了大量的数值测试，并与文献中已有的进化算法作了比较，结果表明了该算法性能优良。将改进的协同二进制—实数差分进化算法和尺度化共轭梯度反向传播算法相结合，构成两阶段训练算法，同时优化前馈神经网络的结构和权值。将该进化神经网络应用于函数逼近和模式分类问题。3．对含有二进制变量和整数变量的非线性离散优化问题，采用二进制和整数混合编码，分别将异或逻辑运算和正交杂交引入到离散差分进化算法的变异算子和杂交算子中，提出了一种协同二进制—整数差分进化算法，对该算法作了大量的数值测试，并与文献中已有算法作了比较，结果表明了该算法的有效性。采用协同二进制—整数差分进化算法，同时进化前馈神经网络的结构和整数权值。将该进化神经网络应用于函数逼近和模式分类问题。4．针对Lapicque提出的Integrate-and-Fire（IF）模型，给出了一种新的侧抑制连接的IF网络模型，并讨论了其输入—输出关系。与以往的IF模型相比，此模型的活动方程被大大简化了。其运行结果很好地拟合了神经细胞的生理特性，尤其是该模型较好地匹配了突触连接的非线性特性。对其点火机制进行了改进，采用异步点火法，这使得网络的适应性有了很大的提高。讨论了指数衰减阈值对高斯白噪声刺激下的IF神经元的影响，主要研究了对点火脉冲时间间隔的均值和标准差的影响。结果显示当阈值衰减缓慢时，不论神经元的点火频率何时与衰减频率相当，脉冲时间间隔的变化系数都能达到最小值。通过改变噪声强度或者输入电流而改变点火频率也可以产生同样的影响。分析了在神经元点火后重新设置膜电位所引起的误差。5．提出了一种具有经典条件反射行为的认知模型，该模型以IF神经元为基本元素，互联形成具有反射弧结构的神经网络，能充分表现经典条件反射对时间的依赖性。计算机仿真显示IF模型能成功地模拟习得、遗忘、刺激间隔效应、阻止和二阶条件反射等现象。6.提出了一种具有暂态混沌的细胞神经网络，该网络是利用欧拉算法将模型的状态方程转化为离散形式，并引入一项负的自反馈而形成的。对单个神经元的仿真发现该模型具有分叉和混沌的特性。在函数优化中，该网络首先经过一个倍周期倒分叉过程进行混沌搜索，然后进行类似Hopfield网络的梯度搜索。由于它利用了混沌搜索固有的随机性和轨道遍历性，因而具有较强的全局寻优的能力。用两个函数优化的例子验证了这种网络的有效性。
李跃军[9]（2012）在《路基强度的快速无损检测、评价与控制研究》文中研究指明路基是路面结构的支撑体,在实践中常常出现的路面损坏现象大部分都是由于路基强度不足,稳定性变差,在外荷载作用下产生过量变形所致。路基的施工质量是获得坚实而又稳定的路基和保证路基路面整体具有良好使用性能的关键。如何快速可靠地进行路基施工质量的评价、有效地进行路基施工过程的质量控制和及时消除路基施工的质量隐患,是确保高等级公路路基路面质量和使用寿命的关键技术之一。本文对路基强度的快速无损检测、评价与控制技术进行了如下研究：1、首先分析了FWD与PFWD的工作特性,以及FWD和PFWD的性能指标、测试过程和检测结果,采用有限元软件对便携式落锤弯沉仪的测试过程进行了动态仿真,分析在不同承载板直径、不同锤重、以及不同测试土体对测试结果的影响,并在此基础上结合承载板试验的控制标准提出了不同填料路基的PFWD测试的推荐配置。2、提出了自适应信息遗传算法,针对于模量反算中,目标函数在最优值附近表现为大片狭长平坦区域的特点,提出了一类模量反算新算法——自适应信息遗传算法,首次提出了根据信息量大小来确定算法是否进行自适应细分模量解空间的机制,缩小算法后期反算中的搜索空间,此外,新算法中还改进了实数交叉算子,使用了新的探险策略。从而加强了新算法后期的局部搜索能力。这新机制、新策略的引入大大提高了模量反算的求解效率,降低了算法复杂度。本算法无论在反算结果精度还是速度方面,都得到了极大改进,能够满足工程实际中进行大量模量反算的要求。3、建立了路基施工质量均匀性评价方法中涉及的数学模型,并将广泛应用的曲面拟合方法引入路基评价领域,利用已测数据拟合出真实模量曲面。其次,进一步在该拟合曲面的基础上,提出了本文的均匀性评价方法---伪方差-均值综合评价法。随后的模拟验证表明,该方法能对路基施工质量的实际状况进行有效评价。4、根据公路可靠度设计的基本原理,研究了路基回弹模量变异系数对路面可靠度的影响,确定了采用可靠度对路基均匀性进行分析的原理及方法,并提出了以路基回弹模量变异系数作为路基均匀性评价指标；以《公路工程结构可靠度设计统一标准》（GB/T50283-1999）中规定的公路路面目标可靠度为基础,制订了评价路基均匀性的可靠度划分依据,将各级公路路基均匀性等级分为优、中、差三个级别；通过建立有限元模型分别对沥青路面结构、水泥混凝土路面结构在不同路基回弹模量、不同变异系数条件下的结构可靠度进行分析计算,得出了划分路基均匀性等级的回弹模量变异系数临界值,制定了基于可靠度的路基均匀性评价标准。5、针对我国现行规范中路基设计参数与施工质量检测指标不统一的问题,通过对12条公路32个路段成型路基的现场调查和检测,得到了现场承载板法实测路基回弹模量Eb、贝克曼梁实测弯沉l、PFWD实测路基模量Ep及灌砂法实测压实度K、含水率w和稠度wc等检测结果,以现场承载板法实测的路基回弹模量为准,建立了路基回弹模量和弯沉的综合经验关系,以及路基回弹模量与施工指标之间的关系,将路基设计参数回弹模量与施工控制指标压实度有机地联系起来,从而确定回弹模量的合理取值标准,为路面结构设计以及路基施工质量控制提供合理的参考依据。
薛运虎[10]（2011）在《基于演化算法的结构动力优化设计研究》文中研究表明结构动力优化设计研究是当前工程结构设计领域中的前端性课题。合理的机构设计不仅可以降低结构重量和材料成本,同时还能保证结构的强度、刚度、振动特性等性能。因此,结构动力优化设计是现代设计制造领域的重要研究方向。演化算法作为一类全局性的优化方法,算法的计算不涉及到任何梯度信息和灵敏度分析,对各种不同类型的结构优化均不需要重新进行繁琐的梯度公式推导,并且只涉及设计变量编码的运算操作,能灵活处理各种不同性质的变量,这些特点使得演化算法很适合开发出一个通用的全局优化算法,用来解决结构动力优化设计问题。郭涛算法是郭涛、康立山等于1999年提出的用于求解带约束的非线性规划问题的演化算法,其核心是多父体杂交算子。众多学者的实践表明,郭涛算法具有计算简单、搜索空间大、精度高、可同时搜索多个最优解等优点；同时,由于该算法只有多父体杂交算子,更多的表现为全局搜索能力强、局部搜索能力弱,因而收敛速度慢,阻碍了其进一步地工程应用。正是基于上述郭涛算法的种种特点,本文希望通过对郭涛算法进行改进,在充分吸收其优点的同时改善它的不足,提出一个新的混合演化算法。本文主要研究内容包括：1、在研究分析基本遗传算法原理的基础上,综合近期关于演化算法的研究进展,针对郭涛算法的不足,提出若干改进措施,从而提出一个新的混合演化算法。2、将本文提出的混合演化算法应用于若干结构动力优化问题中,通过大量算例的实验结果对比表明,本文的改进措施是可行和有效的。
二、基于代数杂交算子的变异算子机理分析（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、基于代数杂交算子的变异算子机理分析（论文提纲范文）
（1）基于复杂网络的差分进化算法研究（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 |
| 1.2 智能优化算法的研究现状 |
| 1.3 差分进化算法的研究现状 |
| 1.4 主要研究内容与结构安排 |
| 第二章 差分进化算法与复杂网络 |
| 2.1 差分进化算法介绍 |
| 2.1.1 标准差分进化算法 |
| 2.1.2 自适应差分进化算法 |
| 2.1.3 组合差分进化算法 |
| 2.2 复杂网络相关介绍 |
| 2.2.1 基本概念及数学表示 |
| 2.2.2 复杂网络模型 |
| 2.3 本章小结 |
| 第三章 基于复杂网络的差分进化算法 |
| 3.1 网络的构造 |
| 3.2 变异策略的改进 |
| 3.3 选择策略的改进 |
| 3.4 本章小结 |
| 第四章 算法流程及函数测试结果 |
| 4.1 算法实现流程 |
| 4.2 实验仿真与分析 |
| 4.3 与其它主流差分进化算法的对比与改进 |
| 4.4 本章小结 |
| 第五章 应用CNDE算法解决片上网络映射优化问题 |
| 5.1 NOC映射问题分析 |
| 5.2 模型建立 |
| 5.3 算法实现及结果分析 |
| 5.3.1 映射算法实现流程 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 成果总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（2）基于双种群协同进化的智能优化算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 优化问题 |
| 1.2.1 优化问题概述 |
| 1.2.2 优化问题特点 |
| 1.2.3 优化问题分类 |
| 1.3 优化算法 |
| 1.3.1 传统优化算法 |
| 1.3.2 启发式搜索算法 |
| 1.4 智能优化算法 |
| 1.5 研究路线与主要内容 |
| 1.6 本文的组织结构 |
| 第2章 双种群协同进化算法基础研究 |
| 2.1 差分演化算法 |
| 2.1.1 差分演化算法概述 |
| 2.1.2 差分演化算法基本原理 |
| 2.1.3 差分演化算法的研究现状 |
| 2.2 改进的差分演化算法及其应用 |
| 2.2.1 引言 |
| 2.2.2 基于均匀分割的多种群并行差分演化算法 |
| 2.2.3 MPDE算法实验及其分析 |
| 2.3 教与学优化算法 |
| 2.3.1 教与学优化算法概述 |
| 2.3.2 教与学优化算法基本原理 |
| 2.3.3 教与学优化算法的研究现状 |
| 2.4 改进的TLBO算法及其应用 |
| 2.4.1 引言 |
| 2.4.2 相关工作 |
| 2.4.3 MTLBO算法设计 |
| 2.4.4 基于MTLBO算法的Van Genuchten方程参数估计 |
| 2.5 基于DE和TLBO的种群进化策略研究 |
| 2.5.1 引言 |
| 2.5.2 基于DE和TLBO算法的实验分析 |
| 2.5.3 双种群进化策略 |
| 2.6 小结 |
| 第3章 双种群协同进化算法模型研究 |
| 3.1 研究动机 |
| 3.2 相关工作 |
| 3.3 双种群规模设置 |
| 3.4 协同型双种群算法子种群个体数量公平性分析 |
| 3.5 协同进化算法 |
| 3.5.1 进化算法 |
| 3.5.2 协同进化算法 |
| 3.6 双种群协同进化算法DPCE模型 |
| 3.7 DPCE模型的动力学分析 |
| 3.8 DPCE模型的收敛性分析 |
| 3.9 DPCE模型指导下的算法设计 |
| 3.10 小结 |
| 第4章 基于双种群协同进化的差分演化算法及其应用研究 |
| 4.1 基于双种群协同进化的差分演化算法 |
| 4.1.1 研究动机 |
| 4.1.2 相关工作 |
| 4.1.3 DPCEDE算法思想 |
| 4.1.4 DPCEDE算法模型 |
| 4.1.5 DPCEDE算法描述 |
| 4.1.6 DPCEDE算法实现 |
| 4.1.7 数值实验与比较 |
| 4.2 DPCEDE复杂度分析 |
| 4.3 DPCEDE在求解FJSP中的应用 |
| 4.3.1 FJSP概述 |
| 4.3.2 FJSP问题描述 |
| 4.3.3 求解FJSP研究现状和趋势 |
| 4.3.4 仿真实验及比较研究 |
| 4.4 小结 |
| 第5章 基于双种群协同进化的教与学优化算法及其应用研究 |
| 5.1 基于双种群协同进化的教与学优化算法 |
| 5.1.1 研究动机 |
| 5.1.2 相关工作 |
| 5.1.3 DPCETLBO算法思想 |
| 5.1.4 DPCETLBO算法模型 |
| 5.1.5 DPCETLBO算法描述 |
| 5.1.6 DPCETLBO算法实现 |
| 5.1.7 数值实验与比较 |
| 5.2 DPCETLBO算法复杂度分析 |
| 5.3 DPCETLBO算法在PID控制器参数优化中的应用 |
| 5.3.1 PID概述 |
| 5.3.2 PID控制器参数优化研究现状 |
| 5.3.3 仿真实验及比较研究 |
| 5.4 小结 |
| 第6章 基于互补策略的双种群协同进化算法及其应用研究 |
| 6.1 基于互补策略的双种群协同进化算法 |
| 6.1.1 研究动机 |
| 6.1.2 相关工作 |
| 6.1.3 DPCEDT算法思想 |
| 6.1.4 DPCEDT算法模型 |
| 6.1.5 DPCEDT算法描述 |
| 6.1.6 DPCEDT算法实现 |
| 6.1.7 数值实验与比较 |
| 6.2 DPCEDT算法复杂度分析 |
| 6.3 DPCEDT算法在动力电池SOC估计中的应用 |
| 6.3.1 动力电池SOC估计方法研究 |
| 6.3.2 电池老化对其SOC估计的影响 |
| 6.3.3 DPCEDT在SOC中的应用思路 |
| 6.3.4 实验仿真及比较研究 |
| 6.4 小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 创新之处 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读学位期间的科研工作情况 |
| 附录B 测试函数 |
（3）无线激光通信光电跟瞄技术研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究动态 |
| 1.2.1 船舶激光通信研究概述 |
| 1.2.2 智能算法研究概述 |
| 1.2.3 液晶光束偏转技术研究概述 |
| 1.3 本论文主要研究内容与章节安排 |
| 第2章 遗传算法与神经网络 |
| 2.1 引言 |
| 2.2 遗传算法 |
| 2.2.1 染色体编码 |
| 2.2.2 选择 |
| 2.2.3 遗传算子 |
| 2.2.4 遗传算法步骤 |
| 2.3 神经网络控制算法 |
| 2.3.1 PID控制算法 |
| 2.3.2 单神经元 |
| 2.3.3 BP神经网络 |
| 2.3.4 RBF神经网络 |
| 2.3.5 网络学习算法 |
| 2.4 本章小结 |
| 第3章 智能光电跟瞄技术 |
| 3.1 引言 |
| 3.2 光电跟瞄系统模型 |
| 3.2.1 线性模型 |
| 3.2.2 非线性模型 |
| 3.3 基于非线性阻碍力矩和遗传算法的模型辨识 |
| 3.3.1 非线性阻碍力矩 |
| 3.3.2 模型辨识遗传算法设计 |
| 3.3.3 模型辨识实验及数据分析 |
| 3.4 带非线性补偿的神经网络智能控制策略 |
| 3.4.1 算法分析 |
| 3.4.2 目标跟踪实验及数据分析 |
| 3.5 本章小结 |
| 第4章 船载激光跟瞄与通信实验 |
| 4.1 引言 |
| 4.2 激光通信光机系统 |
| 4.2.1 系统设计与链路分析 |
| 4.2.2 半捷联稳定跟踪控制结构 |
| 4.2.3 GPS引导自动捕获技术 |
| 4.3 船体运动分析 |
| 4.4 外场实验及数据分析 |
| 4.4.1 距离5km塔楼间扰动平台激光跟瞄与通信实验 |
| 4.4.2 距离4km船-岸激光跟瞄与通信实验 |
| 4.5 本章小结 |
| 第5章 液晶相控阵非机械跟瞄技术 |
| 5.1 引言 |
| 5.2 基于角谱理论的液晶相控阵分析 |
| 5.2.1 多光束干涉 |
| 5.2.2 二元光栅 |
| 5.3 二维光束偏转 |
| 5.3.1 液晶相位屏 |
| 5.3.2 光束偏转实验 |
| 5.3.3 角度放大与细分 |
| 5.4 液晶相控阵跟瞄实验及数据分析 |
| 5.4.1 传递函数 |
| 5.4.2 光束指向实验 |
| 5.4.3 光束跟踪实验 |
| 5.4.4 多光束偏转实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
（4）基于可识别分析的车用材料本构模型参数识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 参数识别研究现状 |
| 1.2.2 优化算法研究现状 |
| 1.2.3 灵敏度分析研究现状 |
| 1.2.4 材料本构模型研究现状 |
| 1.3 课题研究内容及目标 |
| 第二章 考虑软性约束的参数可识别分析方法 |
| 2.1 引言 |
| 2.2 全局可识别分析方法 |
| 2.2.1 可识别分析方法局部指标 |
| 2.2.2 局部指标集成为全局指标 |
| 2.3 基于全局竞争排序的罚函数确定方法 |
| 2.4 本章小结 |
| 第三章 基于可识别分析的参数识别方法 |
| 3.1 引言 |
| 3.2 参数识别的数学描述 |
| 3.3 本构模型参数识别模型 |
| 3.4 优化算法 |
| 3.4.1 遗传算法 |
| 3.4.2 Levenberg-Marquart算法 |
| 3.5 全局优化算法的基本流程 |
| 3.6 基于参数可识别分析的参数识别方法框架 |
| 3.7 本章小结 |
| 第四章 超塑性本构模型的参数识别 |
| 4.1 引言 |
| 4.2 超塑性本构模型描述 |
| 4.3 目标函数定义与计算 |
| 4.3.1 目标函数的定义 |
| 4.3.2 目标函数的计算 |
| 4.4 参数的取值范围确定 |
| 4.5 参数的可识别性分析 |
| 4.6 参数识别结果分析 |
| 4.7 本章小结 |
| 第五章 粘塑性本构模型的参数识别 |
| 5.1 引言 |
| 5.2 考虑动态再结晶的粘塑性本构模型演化方程 |
| 5.2.1 流动应力演化方程 |
| 5.2.2 晶粒尺寸演化方程 |
| 5.2.3 再结晶体积分数演化方程 |
| 5.3 参数取值范围的确定 |
| 5.3.1 热变形试验 |
| 5.3.2 参数取值范围确定 |
| 5.4 目标函数的确定与计算 |
| 5.4.1 目标函数的定义 |
| 5.4.2 目标函数的计算 |
| 5.5 粘塑性本构模型参数识别分析 |
| 5.5.1 参数可识别性分析 |
| 5.5.2 参数识别结果分析 |
| 5.6 本章小结 |
| 总结 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| IV-2答辩委员会对论文的评定意见 |
（5）混合免疫优化理论与算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 优化问题与优化算法 |
| 1.1.1 优化问题 |
| 1.1.2 优化算法 |
| 1.2 免疫优化算法 |
| 1.2.1 生物免疫系统 |
| 1.2.2 人工免疫算法 |
| 1.2.3 免疫优化算法 |
| 1.3 混合免疫优化算法的研究概况 |
| 1.3.1 混合优化算法的混合策略 |
| 1.3.2 混合免疫优化算法的研究进展 |
| 1.3.3 混合免疫优化算法的应用研究进展 |
| 1.4 混合免疫优化算法研究存在的不足及解决思路 |
| 1.4.1 混合免疫优化算法理论研究的不足及解决思路 |
| 1.4.2 混合免疫优化算法应用研究的局限及扩展 |
| 1.5 本论文的主要研究工作及内容安排 |
| 第2章 免疫算法和蚁群算法的混合及其在组合优化中的应用 |
| 2.1 引言 |
| 2.2 组合优化问题及旅行商问题 |
| 2.2.1 组合优化问题 |
| 2.2.2 旅行商问题(TSP) |
| 2.3 基于抗体小窗口局部搜索的蚁群和免疫混合算法(ACLA) |
| 2.3.1 ACLA算法流程 |
| 2.3.2 混沌蚁群算法 |
| 2.3.3 基于免疫基因操作的克隆选择算法 |
| 2.3.4 抗体小窗口局部搜索算法 |
| 2.4 ACLA算法收敛性分析 |
| 2.5 实验仿真 |
| 2.5.1 算法比较 |
| 2.5.2 ACLA算法与ACS算法性能比较 |
| 2.6 本章小结 |
| 第3章 分层协同进化免疫算法及其在组合优化中的应用 |
| 3.1 引言 |
| 3.2 协同进化及协同进化算法 |
| 3.2.1 协同进化 |
| 3.2.2 协同进化算法 |
| 3.3 分层协同进化免疫模型及算法(HCIA) |
| 3.3.1 亲和度函数 |
| 3.3.2 HCIA算法的模型及流程 |
| 3.3.3 HCIA算法的低层操作 |
| 3.3.4 HCIA算法的高层操作 |
| 3.4 分层协同进化免疫算法收敛性分析 |
| 3.5 分层协同进化免疫算法在TSP中的仿真实验 |
| 3.5.1 算法比较 |
| 3.5.2 抗体个数m对HCIA算法性能影响 |
| 3.5.3 子种群个数NN对HCIA算法性能影响 |
| 3.6 ACLA算法与HCIA算法性能比较 |
| 3.7 本章小结 |
| 第4章 多子种群粒子群免疫协同进化算法及其在数值优化中的应用 |
| 4.1 引言 |
| 4.2 数值优化问题及函数最优化问题 |
| 4.2.1 数值优化问题 |
| 4.2.2 函数最优化问题 |
| 4.3 多子种群粒子群免疫协同进化算法(MAPCPSOI)模型及流程 |
| 4.3.1 MAPCPSOI算法模型 |
| 4.3.2 MAPCPSOI算法流程 |
| 4.4 MAPCPSOI算法的实现 |
| 4.4.1 低层自适应多态杂交粒子群算法 |
| 4.4.2 基于种间协同竞争的高层免疫算法 |
| 4.4.3 同峰判断算子 |
| 4.5 函数优化仿真测试 |
| 4.5.1 MAPCPSOI算法参数分析 |
| 4.5.2 对比实验研究 |
| 4.5.3 高维及超高维函数对比实验 |
| 4.5.4 多模态函数全局优化实验 |
| 4.5.5 子种群多样性分析 |
| 4.6 本章小结 |
| 第5章 免疫算法的混合及其在多模态函数优化问题中的应用 |
| 5.1 引言 |
| 5.2 多模态函数优化问题及适应度函数 |
| 5.2.1 多模态函数优化问题 |
| 5.2.2 适应度函数 |
| 5.3 融合Powell法的粒子群优化算法(IPSO-P) |
| 5.3.1 IPSO-P算法流程 |
| 5.3.2 标准粒子群算法及其改进 |
| 5.3.3 Powell搜索法 |
| 5.3.4 极值点的同峰判断 |
| 5.4 IPSO-P算法在多模态函数中仿真实验 |
| 5.4.1 Powell法搜索概率的确定 |
| 5.4.2 与其他算法仿真对比实验 1 |
| 5.4.3 与其他算法仿真对比实验 2 |
| 5.5 免疫云粒子群优化算法(PPSO) |
| 5.5.1 PPSO算法流程 |
| 5.5.2 云变异粒子群优化算法 |
| 5.5.3 自适应小波变异克隆选择算法 |
| 5.6 PPSO算法性能及全局收敛性分析 |
| 5.6.1 算法性能分析 |
| 5.6.2 全局收敛性分析 |
| 5.7 PPSO算法在多模态函数中仿真实验 |
| 5.7.1 二维多模态函数仿真实验 |
| 5.7.2 搜索性能分析 |
| 5.7.3 高维多模态函数仿真实验 |
| 5.8 IPSO-P算法与PPSO算法对比 |
| 5.9 本章小结 |
| 第6章 免疫云粒子群优化算法在离散混沌系统滑模控制中的应用 |
| 6.1 引言 |
| 6.2 神经滑模等效控制 |
| 6.2.1 滑模控制 |
| 6.2.2 BP神经网络流程 |
| 6.2.3 基于等效控制方法的神经滑模控制 |
| 6.3 基于PPSO算法的神经滑模等效控制(PPSO-NNSMC) |
| 6.3.1 评价函数的选择 |
| 6.3.2 PPSO-NNSMC流程 |
| 6.4 基于PPSO-NNSMC的离散混沌系统仿真实验 |
| 6.4.1 非线性系统算例仿真实验 |
| 6.4.2 Henon混沌系统仿真实验 |
| 6.4.3 六辊UC轧机混沌系统仿真实验 |
| 6.5 本章小结 |
| 总结及展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的学术论文目录 |
| 附录B 攻读学位期间主持或参研的项目目录 |
（6）一类自适应遗传算法的渐近行为研究（论文提纲范文）
| 论文创新点 |
| 目录 |
| 图目录 |
| 表目录 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 本文的组织结构 |
| 2 自适应遗传算法研究综述 |
| 2.1 形式化描述 |
| 2.2 分类原则 |
| 2.2.1 适应性调整的因素 |
| 2.2.2 适应性调整的方式 |
| 2.2.3 适应性调整的范围 |
| 2.3 框架模型 |
| 2.3.1 种群初始化 |
| 2.3.2 适应函数 |
| 2.3.3 选择策略 |
| 2.3.4 遗传算子 |
| 2.3.5 终止准则 |
| 2.4 收敛性研究 |
| 2.4.1 谱分析方法 |
| 2.4.2 公理化模型 |
| 2.4.3 鞅方法 |
| 2.5 收敛速度研究 |
| 2.5.1 Markov链的Minorization条件 |
| 2.5.2 谱分析方法 |
| 2.6 时间复杂度研究 |
| 2.6.1 漂移分析方法 |
| 2.6.2 Dynkin’s Formula |
| 2.7 本章小结 |
| 3 变种群规模遗传算法的收敛性分析 |
| 3.1 引言 |
| 3.2 变种群规模的遗传算法 |
| 3.2.1 算法流程 |
| 3.2.2 算法的具体步骤 |
| 3.2.3 算法描述 |
| 3.3 算法的收敛性分析 |
| 3.3.1 预备知识 |
| 3.3.2 收敛性分析 |
| 3.4 算法性能测试 |
| 3.4.1 仿真实验 |
| 3.4.2 理论说明 |
| 3.5 本章小结 |
| 4 选择概率时变遗传算法的渐近行为 |
| 4.1 引言 |
| 4.2 选择概率时变的遗传算法 |
| 4.2.1 算法流程 |
| 4.2.2 算法的具体步骤 |
| 4.2.3 算法描述 |
| 4.3 算法的数学模型 |
| 4.3.1 预备知识 |
| 4.3.2 数学模型 |
| 4.4 算法的收敛性分析 |
| 4.4.1 非时齐Markov链为弱遍历 |
| 4.4.2 非时齐Markov链为强遍历 |
| 4.4.3 非时齐Markov链收敛于最优种群集 |
| 4.5 算法的收敛速度 |
| 4.6 数值实验 |
| 4.7 本章小结 |
| 5 变异概率时变遗传算法的渐近行为 |
| 5.1 引言 |
| 5.2 变异概率时变的遗传算法 |
| 5.2.1 算法流程 |
| 5.2.2 算法的具体步骤 |
| 5.2.3 算法描述 |
| 5.3 算法的数学模型 |
| 5.4 算法的收敛性及收敛速度分析 |
| 5.5 算法的时间复杂度 |
| 5.6 数值实验 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作的总结 |
| 6.2 后续研究工作的展望 |
| 参考文献 |
| 附录 1 攻读博士学位期间发表的文章 |
| 致谢 |
| 附件 |
（7）遗传算法中适应度尺度变换与操作算子的比较研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题研究背景及意义 |
| 1.3 遗传算法的研究现状 |
| 1.4 本文各章安排 |
| 第2章 遗传算法基本理论及其实现 |
| 2.1 遗传算法的描述 |
| 2.1.1 遗传算法的定义 |
| 2.1.2 遗传算法的基本要素 |
| 2.1.3 基本遗传算法(SGA)的一般流程 |
| 2.2 遗传算法的数学基础 |
| 2.2.1 模式理论 |
| 2.2.2 积木块假说 |
| 2.2.3 隐含并行性 |
| 2.2.4 遗传算法的收敛性分析 |
| 2.3 基本遗传算法的技术实现 |
| 2.3.1 编码 |
| 2.3.2 适应度的计算 |
| 2.3.3 遗传算子的设计 |
| 2.3.4 控制参数的选择 |
| 2.4 遗传算法特点及不足 |
| 2.5 本章小结 |
| 第3章 遗传算法适应度函数及遗传算子的研究与改进 |
| 3.1 引言 |
| 3.2 适应度函数的比例变换 |
| 3.2.1 适应度函数比例变换的作用 |
| 3.2.2 适应度函数的设计 |
| 3.2.3 适应度函数的自适应调整 |
| 3.2.4 算法测试与分析 |
| 3.3 选择算子的分析及改进 |
| 3.3.1 选择算子的分类 |
| 3.3.2 不同选择算子的测试比较 |
| 3.3.3 人工免疫思想改进选择算子 |
| 3.4 杂交、变异算子的分析及改进 |
| 3.4.1 不同杂交算子的比较分析 |
| 3.4.2 变异算子的分析 |
| 3.4.3 杂交算子的可替代性分析 |
| 3.4.4 嵌套次级遗传改进交叉、变异算子 |
| 3.5 改进的遗传算法描述 |
| 3.6 本章小结 |
| 第4章 遗传算法在函数优化及PID参数整定中的应用 |
| 4.1 遗传算法在函数优化问题中的应用 |
| 4.1.1 测试函数 |
| 4.1.2 实验结果与分析 |
| 4.2 遗传算法在PID控制器参数整定中的应用 |
| 4.2.1 PID控制原理 |
| 4.2.2 PID控制器参数整定 |
| 4.2.3 用遗传算法进行PID参数调节的具体实现 |
| 4.2.4 仿真实验结果 |
| 4.3 本章小结 |
| 第5章 全文总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（8）几类神经网络的分析与优化及其应用研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1.1 研究的背景和意义 |
| §1.2 差分进化算法的研究进展 |
| §1.3 进化神经网络的研究现状 |
| §1.4 Integrate-and-Fire 神经网络与细胞神经网络的研究现状 |
| §1.5 本文的主要工作和内容安排 |
| 第二章 嵌入正交杂交和局部搜索的差分进化算法 |
| §2.1 引言 |
| §2.2 全局优化问题 |
| §2.3 嵌入正交杂交和局部搜索的差分进化算法 |
| §2.4 数值实验 |
| §2.5 本章小结 |
| 第三章 协同二进制—实数差分进化算法 |
| §3.1 引言 |
| §3.2 混合整数非线性规划问题 |
| §3.3 协同二进制—实数差分进化算法 |
| §3.4 数值实验及结果 |
| §3.5 本章小结 |
| 第四章 正交离散差分进化算法 |
| §4.1 引言 |
| §4.2 二进制—整数非线性规划问题 |
| §4.3 正交离散差分进化算法 |
| §4.4 数值实验及比较 |
| §4.5 本章小结 |
| 第五章 一种结合正交 DE 和 LM 算法的混合训练算法优化前馈神经网络的权值 |
| §5.1 引言 |
| §5.2 前馈神经网络的描述 |
| §5.3 结合正交 DE 和 LM 算法的混合训练算法 |
| §5.4 仿真实验 |
| §5.5 本章小结 |
| 第六章 一种两阶段算法优化前馈神经网络的结构和权值 |
| §6.1 引言 |
| §6.2 前馈神经网络的矩阵和向量描述 |
| §6.3 两阶段训练算法 |
| §6.4 仿真实验 |
| §6.5 本章小结 |
| 第七章 协同二进制—整数差分进化算法进化神经网络的结构和整数权值 |
| §7.1 引言 |
| §7.2 训练整数权值神经网络的协同二进制—整数 DE 算法 |
| §7.3 实验与分析 |
| §7.4 本章小结 |
| 第八章 Integrate-and-Fire 神经网络的点火特征 |
| §8.1 引言 |
| §8.2 IF 神经元模型及其同步发放脉冲的特性 |
| §8.3 指数衰减阈值对 IF 神经元点火统计特性的影响 |
| §8.4 简化的 IF 模型及其点火特性 |
| §8.5 本章小结 |
| 第九章 IF 神经元的条件反射行为及在图像处理中的应用 |
| §9.1 引言 |
| §9.2 IF 神经元模型 |
| §9.3 基于部分重设的 IF 神经网络及其在图像分割中的应用 |
| §9.4 本章小结 |
| 第十章 一种自反馈细胞神经网络的稳定性分析及其在函数优化中的应用 |
| §10.1 引言 |
| §10.2 细胞神经网络模型 |
| §10.3 一种新的细胞神经网络模型 |
| §10.4 新的细胞神经网络的稳定性分析 |
| §10.5 单个细胞神经元的动态特性 |
| §10.6 细胞神经网络在函数优化中的应用 |
| §10.7 本章小结 |
| 第十一章 总结与展望 |
| §11.1 本文主要研究工作 |
| §11.2 需要进一步研究的问题 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的科研成果 |
（9）路基强度的快速无损检测、评价与控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 路基强度检测方法的研究 |
| 1.2.2 路基模量反算方法的研究 |
| 1.2.3 路基施工质量均匀性评价方法研究 |
| 1.2.4 路基施工质量控制标准的研究 |
| 1.3 主要研究内容 |
| 1.4 工作方法与研究技术路线 |
| 第二章 FWD和PFWD的工作特性研究 |
| 2.1 FWD工作特性分析 |
| 2.1.1 FWD |
| 2.1.2 测试过程 |
| 2.1.3 检测结果分析 |
| 2.2 PFWD工作特性分析 |
| 2.2.1 PFWD |
| 2.2.2 测试过程 |
| 2.2.3 检测结果分析 |
| 2.3 PFWD工作特性数值模拟 |
| 2.3.1 计算理论 |
| 2.3.2 PFWD仿真研究 |
| 2.3.3 PFWD测试影响因素分析 |
| 2.3.4 PFWD的推荐配置研究 |
| 2.4 本章小结 |
| 第三章 自适应信息遗传算法及其在路面模量反算中的应用 |
| 3.1 模量正算问题 |
| 3.1.1 基本等式和一般解 |
| 3.1.2 LM-型方程的通解 |
| 3.1.3 表面载荷、层间接触条件及定解 |
| 3.1.4 理论弯沉值的数值解 |
| 3.2 基本遗传算法与蚁群算法 |
| 3.2.1 遗传算法 |
| 3.2.2 蚁群算法 |
| 3.2.3 两种算法的局限性 |
| 3.3 自适应信息遗传算法及其在路基模量反算中的应用 |
| 3.3.1 模量反算问题的实质 |
| 3.3.2 自适应信息遗传算法 |
| 3.3.3 基于新算法的模量反算稳健性分析 |
| 3.4 新算法中的参数设置及与其他算法的对比分析 |
| 3.4.1 主要参数设置的优化设置 |
| 3.4.2 新算法同其他主要算法的比较 |
| 3.5 工程实例分析 |
| 3.6 本章小结 |
| 第四章 路基施工质量均匀性评价研究 |
| 4.1 路基施工质量均匀性评价方法研究 |
| 4.1.1 模型的建立与求解 |
| 4.1.2 均匀性评价方法 |
| 4.1.3 数据处理及实例分析 |
| 4.2 基于可靠度的路基均匀性评价标准研究 |
| 4.2.1 可靠度基本原理 |
| 4.2.2 可靠度评价路基回弹模量均匀性基本原理 |
| 4.2.3 基于可靠度的路基均匀性评价方法 |
| 4.3 本章小结 |
| 第五章 路基施工质量控制标准研究 |
| 5.1 现场检测与结果分析 |
| 5.1.1 现场调查工程概况 |
| 5.1.2 现场经验关系建立 |
| 5.2 路基回弹模量与施工质量控制指标关系研究 |
| 5.2.1 模量之间的关系 |
| 5.2.2 模量与弯沉之间的关系 |
| 5.2.3 弯沉与模量之间的关系 |
| 5.2.4 模量与压实度和含水率(稠度)之间的关系 |
| 5.3 现场经验关系汇总分析 |
| 5.3.1 总体经验关系分析 |
| 5.3.2 综合经验关系分析 |
| 5.4 本章小结 |
| 第六章 结论与创新点 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 今后研究展望 |
| 附录1 理论证明 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要的研究成果 |
（10）基于演化算法的结构动力优化设计研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 本文研究课题及意义 |
| 1.3 结构动力优化设计的发展现状 |
| 1.3.1 结构动力优化设计的分类 |
| 1.3.2 结构动力优化设计中的难点 |
| 1.4 演化算法的发展及其应用 |
| 1.4.1 演化算法的来源及发展 |
| 1.4.2 演化算法的特点 |
| 1.4.3 演化算法在结构动力优化设计中的研究现状 |
| 1.5 本文的研究工作及内容 |
| 第二章 遗传算法的基本原理 |
| 2.1 引言 |
| 2.2 遗传算法的基本概念 |
| 2.3 遗传算法的基本技术 |
| 2.3.1 编码 |
| 2.3.2 杂交 |
| 2.3.3 变异 |
| 2.3.4 选择 |
| 2.3.5 适应度函数及尺度转换 |
| 2.3.6 算法参数 |
| 2.4 算法的运行步骤和流程图 |
| 2.5 小结 |
| 第三章 结构动力优化设计的混合演化算法 |
| 3.1 引言 |
| 3.2 郭涛算法简介 |
| 3.3 单纯形法简介 |
| 3.4 混合演化算法的基本思想 |
| 3.5 混合演化算法的实现 |
| 3.6 非线性规划的算例与分析 |
| 3.7 小结 |
| 第四章 具有频率约束的桁架结构形状和尺寸优化设计 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 桁架结构的连续变量优化设计实例 |
| 4.3.1 桁架结构动力学尺寸优化设计 |
| 4.3.2 桁架结构动力学形状优化设计 |
| 4.3.3 桁架结构动力学形状和尺寸耦合优化 |
| 4.4 桁架结构的离散变量优化设计实例 |
| 4.4.1 桁架结构静力学优化设计 |
| 4.4.2 桁架结构动力学优化设计 |
| 4.5 小结 |
| 第五章 邮政包裹分拣机机架支承架结构动力修改设计 |
| 5.1 引言 |
| 5.2 机架支承架振动分析 |
| 5.3 支承架结构动力修改 |
| 5.4 工程实际应用 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间完成的学术论文 |
四、基于代数杂交算子的变异算子机理分析（论文参考文献）
- [1]基于复杂网络的差分进化算法研究[D]. 丁毓. 西安电子科技大学, 2019(02)
- [2]基于双种群协同进化的智能优化算法及其应用研究[D]. 古发辉. 华南农业大学, 2017(08)
- [3]无线激光通信光电跟瞄技术研究[D]. 林贻翔. 武汉大学, 2017(06)
- [4]基于可识别分析的车用材料本构模型参数识别方法研究[D]. 徐小琴. 华南理工大学, 2017(06)
- [5]混合免疫优化理论与算法及其应用研究[D]. 吴建辉. 湖南大学, 2013(01)
- [6]一类自适应遗传算法的渐近行为研究[D]. 黄利. 武汉大学, 2012(05)
- [7]遗传算法中适应度尺度变换与操作算子的比较研究[D]. 郭晓原. 华北电力大学, 2012(03)
- [8]几类神经网络的分析与优化及其应用研究[D]. 张莉. 西安电子科技大学, 2012(02)
- [9]路基强度的快速无损检测、评价与控制研究[D]. 李跃军. 中南大学, 2012(02)
- [10]基于演化算法的结构动力优化设计研究[D]. 薛运虎. 北京邮电大学, 2011(09)