一、两种基本搜索策略的计算机模拟与评估（论文文献综述）
沈雪雁[1]（2021）在《基于蒙特卡洛树与神经网络的五子棋算法的设计与实现》文中研究表明强化学习长期以来的一个目标是创造一个能够在具有挑战性的领域,以超越人类的精通程度学习的算法。博弈论是人工智能中最优化策略的代表性算法,许多的人工智能研究者将博弈论应用到在各种棋类游戏中。Alpha Go使用博弈论的一般原理,通过强化学习的方式在围棋领域取得了成功,使得强化学习在当今机器学习的最热门领域中有着一席之地。五子棋是具有典型策略性的传统黑白棋种之一,棋局复杂多变,具有较大的分支因素。因此,想在计算资源有限的短时间内找出一种必胜的策略显然是件非常困难的事情。本文针对五子棋游戏局面分支因素较大和棋局复杂多变等情况,研究了基于蒙特卡洛树搜索与深度神经网络的五子棋算法,使用蒙特卡洛树搜索对五子棋对弈进行模拟,完全由自对弈强化学习训练。在此基础上,提出了基于改进的蒙特卡洛树搜索与深度神经网络的五子棋算法,在保持模型性能的同时,提高了模型的训练速度。本文的主要工作如下:（1）针对五子棋棋局中每一层搜索节点过于庞大的问题,本文使用蒙特卡洛树搜索模拟五子棋博弈的结果。蒙特卡洛树搜索将根据五子棋当前游戏状态选择出最优的下一步落子。当蒙特卡洛树受限于计算力或时间搜索终止,下一步行动将基于收集到的统计数据进行决策,不需要穷举所有的组合,就能找到最优或者次优的五子棋落子方案。（2）针对随着网络层数的加深以及参数的增多,传统卷积神经网络存在的梯度爆炸、梯度消失和网络性能退化等问题,本文使用由多个残差块组成的五子棋策略估值深度神经网络评估五子棋棋局的落子位置和样本移动。残差结构形成了跨层连接,使得网络稳定更易于训练。使用具有残差结构的策略估值深度神经网络指导蒙特卡洛树搜索,提高了树搜索的强度,使落子质量更高,自对弈迭代更强。（3）针对某些不需要较长搜索时间就可以找到最佳落子的五子棋棋盘状态,本文提出蒙特卡洛树搜索的不确定性的定义,在找到稳定的最佳落子动作后终止搜索。本文使用三种深度神经网络预测蒙特卡洛树搜索的不确定性,通过改进的蒙特卡洛树搜索与深度神经网络相结合,将五子棋算法模型训练智能体的速度提高,同时保持相似的胜率。最后,本文对提出的改进前后的蒙特卡洛树搜索与深度神经网络的五子棋算法分别进行了实验验证与性能评估,通过评价指标Elo等级分的比较,从实验结果上证明了本文模型的效果。
徐铸业[2]（2021）在《基于统计形状模型的医学图像3D建模方法研究》文中研究说明随着医学图像数量的急剧增加,对医学图像进行深层次的解释和建模成为了现代医学亟需解决的问题。传统的X射线计算机断层扫描成像技术（Computed Tomography,CT）与核磁共振成像技术（Magnetic Resonance Imaging,MRI）能够拍摄患者病患部位的一系列二维（Two-Dimensional,2D）图像,医生通过观察这些2D图像来判断患者病患部位的特征及位置。然而,仅通过观察2D图像很难对患者病情进行准确地诊断,并且诊断过程主要依赖于医生的个人经验,因此会存在一定的误诊风险。患者病患部位的三维（Three-Dimensional,3D）模型能够更好的可视化数据,并帮助医生通过计算机直接与3D模型进行交互,同时对医学图像数据进行定性和定量的分析,从而有效地降低误诊的风险,为医生制订后续治疗计划提供有力的依据。因此,根据患者病患部位的2D平面图像构建出相应的3D模型成为了医学图像处理的核心问题。针对构建3D模型过程中存在的分割感兴趣区域、模板样本与目标样本之间建立对应关系、3D模型与测试样本拟合、根据缺损样本构建3D预测模型等问题,本文将统计形状模型（Statistical Shape Model,SSM）作为基础,分析了不同方法构建3D模型的特点,并提出了相应的改进方法,从而实现医学图像的3D建模。主要研究内容如下:（1）针对医学图像建模过程中不能准确地将感兴趣区域从目标图像中分割出来的问题,提出了基于统计形状模型的随机森林回归（Random Forest Regression-Statistical Shape Model,RFR-SSM）医学图像分割方法。首先利用随机森林回归对输入的训练样本进行训练,并在每个训练样本的根节点处进行分裂,当所有叶子节点中包含的样本数小于预定义的观测值时分裂停止;然后根据不同的分类特征建立决策树,并对多个决策树的输出进行加权,从而生成预测函数;最后对参考坐标系中不同位置和不同方向的训练样本进行迭代优化,并将优化后的训练样本转换回图像坐标系中,从而完成目标对象中感兴趣区域的分割。（2）针对构建患者病患部位的解剖结构模型过程中不能有效地建立模板样本与目标样本之间的对应关系的问题,提出了基于统计形状模型的自动构建患者病患部位的3D解剖结构模型（3D Anatomical Structure Model of Patients Automatically Constructed Based on Statistical Shape Model,3DASMPACB-SSM）方法。首先对输入数据进行预处理,增强感兴趣区域,并通过RFR-SSM将感兴趣区域从患者的CT扫描图像中分割出来;然后将分割出来的感兴趣区域作为训练样本,并用三角形对训练样本进行网格化,同时引入顶点收缩策略对三角形网格进行迭代收缩,在保证训练样本不失真的前提下有效地减少了训练样本中三角形网格顶点的个数;最后采用B样条自由变形（B-Spline Fre e-Form Deformation,BSFFD）在模板样本和目标样本之间建立对应关系,并通过主成分分析（Principal Component Analysis,PCA）生成解剖结构的平均模型和变形模型。3DASMPACB-SSM能够有效地构建出患者病患部位的3D解剖结构模型,并通过紧凑性、特异性、通用性和表示性四种评价指标对3D解剖结构模型的性能进行评价。（3）针对传统方法构建的患者病患部位的3D解剖结构模型与测试样本拟合效果较差的问题,提出了基于点分布模型的3D模型拟合（3D Model Fitting Based on Point Distribution Model,3DMFB-PDM）方法。首先对训练样本集进行数据处理,通过普氏分析（Procrustes Analysis,PA）使模板样本与目标样本对齐,减小训练样本由于旋转变化和尺度变化产生的不利影响;然后在训练样本间建立对应关系,并根据对应关系将患者病患部位的点分布模型用正态分布进行表示;最后计算点分布模型中的特征点与测试样本中对应点之间的距离,将马氏距离（Mahalanobis Distance,MD）作为附加项引入到目标函数中,并将非线性方程组转换为线性方程组,从而使二者之间的距离最小。与此同时,根据二者之间的最小距离不断调整点分布模型的模型参数,从而使点分布模型与测试样本具有最小拟合误差。3DMFB-PDM能够有效地计算出点分布模型与测试样本的最小拟合误差,并将最大误差（Max Error）、平均误差（Mean Error）以及均方根误差（RMS Error）作为评价指标来衡量拟合程度。（4）针对构建患者病患部位的预测模型过程中存在数据缺损的问题,提出了基于缺损样本构建3D解剖结构预测模型（3D Anatomical Structure Prediction Model Based on Defect Specimens,3DASPMB-DS）方法。首先通过RFR-SSM对输入数据集进行分割处理,并将分割后的感兴趣区域作为训练样本集;其次将训练样本集分为健康样本集和缺损样本集,并手动模拟缺损样本集中的样本在所有情况下可能发生的缺损;然后将健康样本的平均样本作为模板样本,将所有的缺损样本作为目标样本,并通过迭代最近点（Iterative Closest Point,ICP）将模板样本与目标样本对齐;最后在模板样本与目标样本之间建立对应关系,根据对应关系生成患者病患部位的预测模型,并通过相似度量函数对预测模型与测试样本的拟合误差进行评估。3DASPMB-DS能够有效地根据缺损样本构建出患者病患部位的预测模型,并通过紧凑性、特异性和通用性对预测模型的性能进行分析。
崔佳旭[3]（2021）在《贝叶斯图优化：关注成本的网络优化理论与方法》文中认为以网络为主要研究对象的网络科学是发现复杂系统运行规律和释放大数据价值的关键,其正在形成的理论和算法框架将成为众多领域新的驱动力。网络的结构和属性共同决定了网络系统的功能和动力学特性,因此网络科学面临的一个基本研究问题是:如何设计具有最优功能或动力学特性的网络结构和属性,即网络优化问题。目前,随机搜索、演化算法和强化学习方法已被用于解决不同领域的网络优化任务。但这些方法大都忽略了评估成本的问题,为了避免寻优过程陷入局部最优,通常需要评估大量个体来维护种群或训练集的多样性,在求解评估成本高昂和搜索空间巨大的优化问题时需要消耗过多的资源和时间开销。如何突破现有方法的局限性,在提升求解质量的同时显着降低求解成本,是大幅节省设计成本、缩短设计周期的关键,但该问题极具挑战性,迄今仍未取得突破性进展。贝叶斯优化是一种基于模型的全局优化算法,其适合优化评估成本高昂的黑盒函数。这恰好契合了网络优化的特点,有望为关注成本的网络优化提供更加理想的通用求解框架。基于以上认识,本文研究:如何把贝叶斯优化的优势迁移到网络优化问题,以尽可能少的评估成本获得最优目标性质的网络。针对此问题,本文提出了三种新型的贝叶斯图优化方法,主要贡献如下:1)提出基于核学习的贝叶斯图优化方法。该方法通过向量核函数处理明确的显式特征,而把网络直接输入到图核函数自动地提取未知的隐式特征,融合了拓扑结构与图的全局属性信息,同时能够自动地学习特征重要性以及对目标优化问题的认知程度。应用提出的方法求解若干具有实际意义的网络优化任务,具体包括基础设施系统的可靠网络设计、社会网络中最活跃节点识别以及城市交通网络设计问题。在这些现实任务中我们的方法均在最少的评估成本下获得最优解。同时,为路网优化任务提出了全新的基准:开放小区问题。据我们所知,这是首个应用贝叶斯优化处理该问题的工作。此外,根据对实验结果的详细分析,我们建议在求解过程中与其他机器学习技术协作,增加优化过程的可解释性。在开放小区问题中我们发现了若干具有指导意义的、可迁移的知识规则,进而辅助专家决策。2)提出基于深度学习的贝叶斯图优化方法。该方法是国际上首次融合了图神经网络和贝叶斯优化的工作,充分利用图上拓扑结构与所有属性信息,减少评估成本,加速优化过程。由于以图神经网络为基础构建的新型深度概率代理模型能够以数据驱动的方式自动提取图特征,因此可避免文中提出的第一个工作中手工设计图核函数的繁琐工作,且能够直接扩展到其他领域应用。同时,对该方法进行了时间复杂性和收敛性理论分析,这也是首个在理论上保证深度贝叶斯优化收敛性的工作。应用提出的方法处理化学领域分子发现、交通领域路网优化和神经架构搜索等多领域问题,实验结果表明:结构相关属性确实可为网络优化任务提供帮助;该方法可在多个领域问题上得到最优或近似最优解,同时相比于各领域最新技术能够显着降低评估成本。3)提出基于生成模型的贝叶斯图优化方法。目标驱动的图生成模型为网络优化任务提供了一个具有潜力的解决方案。我们从节约评估成本的图生成角度出发,提出一种通用的基于生成模型的贝叶斯图优化方法,解决当前生成方法需较高评估成本的难题,同时突破本文前两项工作需预先给定候选图集合的限制,以尽可能低的成本产生新的、具有最优目标性质的网络。该方法是一个迭代过程,其主要思想是在每次迭代中利用生成模型产生接近最优目标的理想网络集合,然后使用深度贝叶斯优化从候选集中选取最有潜力的网络进行评估。我们应用提出的方法求解分子发现和神经架构搜索两个具有挑战性的现实任务,实验结果表明:该方法在产生最优目标网络的同时,可较最新技术节约30%到95%的评估成本。相信本文提出的三种贝叶斯图优化方法为药物设计、晶体结构优化、电路设计、交通路网优化、材料设计等评估成本高昂的领域提供了有效的解决方案。
高学伟[4]（2021）在《数字孪生建模方法及其在热力系统优化运行中的应用研究》文中研究表明随着社会经济的飞速发展,我国产业结构优化调整和转型升级进程的深入,要实现未来“碳达峰,碳中和”的目标,需要建设清洁低碳、安全高效的现代能源体系。以风电和太阳能发电为代表的可再生能源替代作用日益突显,而火电机组在未来很长一段时间内仍将处于主导地位。亟需解决火电和可再生能源的协同发展问题,大型火电机组更多需要担负起高效节能、低碳环保、深度调频调峰的任务。实施电能替代供热对于推动能源消费革命、减少碳排放、促进能源清洁化意义重大。利用电锅炉储热供暖还可以降低电网调节压力,增加供热能力,有效解决可再生能源的消纳问题。火电机组热力系统和电锅炉储热供暖热力系统都属于典型的非线性、多参数、强耦合的复杂热力系统。本文通过研究流体网络机理建模和数据驱动建模相融合的数字孪生建模方法,为热力系统建模工作提供了新的思路和途径,为热力系统安全、环保和经济运行提供理论支撑。论文围绕数字孪生建模方法及其在热力系统优化运行中的应用,主要研究内容和成果包括以下几个方面:（1）对数字孪生理论、热力系统建模理论以及大数据处理等基本理论进行了研究。比较了数字孪生与仿真技术及信息物理系统的异同;以火力发电厂为例,研究了流体网络机理建模及求解方法;对Hadoop系统的MapReduce与Spark计算进行了对比分析,对实时数据处理Spark Streaming与Storm进行了对比分析,并搭建了适用于数字孪生及大数据在热力系统建模领域应用的大数据分布式集群平台;在该集群上实现了大数据的存储管理,以及大数据分布式计算,研究了基于大数据平台的数据驱动建模理论,包括支持向量回归建模、极限学习机建模、智能辨识优化算法以及即时学习等基本理论。（2）针对数据驱动建模方法的研究,提出一套基于改进即时学习策略的自适应数据驱动建模方法。采用“主成分+互信息”的方法获得输入和输出变量之间的相关程度,确定权重因子,然后利用“欧式距离+角度”定义一种加权综合相似度度量函数。在离线状态下,利用改进遗传模拟退火模糊聚类方法进行工况划分;进行工况预测时,采用一种多层次综合相似度度量的相似工况快速识别方法构建相似工况训练集,即根据两级搜索的策略实现了在线快速识别:初级识别是确定预测工况在历史工况库中所属的类别提取预测类工况,次级识别是采取基于综合相似度度量函数的相似工况识别方法,在历史数据库中针对预测类工况的快速识别;局部模型建模方法是在Spark计算框架下,对SparkSVMHPSO算法、Spark ELM算法以及基于SparkHPSO的多参数辨识等数据驱动建模方法进行研究。然后以SCR脱硝系统出口 NOx预测、电锅炉储热供热系统源侧及荷测负荷预测为案例,验证了所提出的建模方法有效性。为热力系统数字孪生模型建模及系统工况优化提供了理论支撑。（3）针对数据孪生建模的研究,提出一套改进即时学习策略的自适应数据驱动与机理模型多参数辨识协同融合的数字孪生建模方法。在建立热力系统机理模型的基础上,关键的设备模型参数利用多参数多工况拟合的离线智能辨识方法,得到可以模拟实际系统全工况下动态变化趋势的离线智能参数辨识模型;以离线智能参数孪生模型为主,根据相似度阈值进行判断,采用自适应模型参数更新策略,实现数字孪生模型的在线协同;为进一步提升孪生模型预测的精度和鲁棒性,采用移动窗格信息熵的多模型输出在线融合方法,提升关键工况以及动态变化过程的逼近程度。基于这一理论构建的数字孪生模型,能够基于系统运行数据持续进行自我修正,在线跟踪设备运行特性,从而具有自适应、自演进的智能化特点,能够全面反映系统的运行状态和性能,为系统工况迭代优化提供可靠的模型输入和结果校验工具。以燃煤电站SCR脱硝系统和电锅炉储热供热系统为研究对象,建立其热力系统数字孪生模型。（4）最后,基于数字孪生模型的实时跟踪能力,提出一种基于负荷分配和工况寻优的热力系统智能工况动态寻优策略。并以电锅炉储热供热系统为研究对象,根据能耗成本分析和负荷分配策略,利用数字孪生模型系统,对电网负荷、电锅炉系统、储热系统进行预测计算,模拟不同运行方案、不同工况下系统动态运行,得出最优的供热调节和负荷分配方案。以火力发电厂SCR脱硝系统为例,根据建立的自适应、自演进的智能化SCR脱硝系统数字孪生模型,将该模型应用于模型预测控制算法中。结果表明,利用基于数字孪生模型的自适应预测控制算法比传统的PID控制效果更精确,运行更稳定。证明了所提建模方法的有效性,具有重要的工程实用意义和行业示范价值。
韩礼红[5]（2021）在《影响力最大化智能优化算法及应用研究》文中研究说明5G时代的到来使得网上办公、网上会议、网络直播、网上课堂等应用在生活中已变为一种常态,彻底改变了人们传统的工作与生活方式,即人们的生产生活方式从传统意义上的线下行为转变为线上线下相互融合的行为方式。此外,基于人们的生产生活行为而抽象出的个体交汇关系网络模型,能够直观的刻画人们各种交互行为关系。在现实中,个体之间在交互过程中会对其近邻个体产生基于情感、认识等方面的影响,采用基于网络影响力传播机制来评估个体间的这种相互影响,能够揭示人们生产生活行为网络的动力学规律。对这种网络动力学加以有效的控制与利用,在提高生产效率,降低管理成本等方面具有重要的现实意义。影响力最大化问题是网络科学中的一个重要研究课题,其本质上包括两个方面的研究内容。首先,基于某种评价机制识别出一组影响力节点集;其次,基于某种优化策略,消除该组节点集中影响力的重叠效应,使其在网络中能够基于某种传播模型使得信息或影响力传播达到最大化。当前,不同领域的学者们从不同的角度提出了许多不同的方法来解决影响力最大化问题。随着网络规模的不断膨胀,使得这些算法在实际应用中面临着求解效率低、可扩展性弱等问题。近年来智能优化算法在社会网络影响力最大化节点集的识别应用中取得了较好的效果,但是,这类算法在离散化网络空间中基于不同的搜索策略与搜索机制存在着稳定性差、容易陷入局部最优解及求解效率有待进一步提高等问题。为此,本文研究了智能优化算法在影响力最大化问题中的求解与应用,并在两类现实网络中验证了其有效性。本文主要工作概括如下:（1）分析了离散粒子群算法（DPSO）因易陷入早熟而导致算法陷入全局次优解的缺陷,提出了采用节点近邻域中心性来增强算法局部搜索能力的策略。通过在现实社会网络数据集的实验发现,基于近邻域节点度中心性增强DPSO算法的局部搜索能力时存在饱和效应,即基于3跳近邻域节点度中心性对算法性能的提升最为显着,近邻域越广反而使算法性能下降。基于该发现,提出了基于3跳近邻域节点度中心性局部搜索策略的离散粒子群算法DPSO＿NDC,在六个现实网络中的实验表明,本文所提算法性能优于原始算法。（2）离散蝙蝠算法（DBA）虽然在求解社会网络影响力最大化问题时具有较高的效率优势,但该算法继承了基本蝙蝠算法中基于随机数的选择进化策略,使该算法在有限的迭代进化过程中存在收敛稳定性弱的特点。本文提出了基于网络派系结构来构建候选种子节点池的策略,来增强蝙蝠群在进化过程中对位置向量节点选择的多样性与针对性,从而提高算法在收敛过程中的稳定性。基于此提出了Clique＿DBA算法,通过在六个现实网络中进行实验,验证了该算法性能的有效性与收敛的稳定性。（3）采用单一智能优化算法在求解大规模网络结构的影响力最大化问题时,存在效率上的瓶颈。基于多核处理器技术,采用并行化智能优化算法来识别大规模网络中的影响力最大化节点集,是提高求解效率的一条有效途径。本文对乌鸦搜索算法针对网络结构进行重新编码、离散化设计后实现并行化搜索计算,提出了基于并行化搜索的离散乌鸦搜索算法（DCSA）。在六个大规模现实网络中的实验结果表明,该算法与其它先进算法相比,不但具有竞争性的求解性能,同时其求解效率得到了显着的提高,适合在大规模网络结构中并行化求解影响力最大化问题。（4）本文从两个不同的应用场景中分别抽象出网络模型,分别进行了网络特征分析及影响力最大化节点集的识别研究。（一）构建了Linux操作系统内核的动态行为网络模型,揭示了该软件网络的结构特征。根据实际应用场景提出相应的影响力评估模型,采用智能优化算法进行影响力最大化节点集的识别,并从软件波及度及与其它中心性算法识别结果的重合度角度分别评估了智能优化识别算法的有效性。（二）构建大学图书馆图书借阅行为网络模型,分析该行为网络模型的一些网络特征,解释这些特征的现实意义;基于实际应用背景提出该网络节点影响力评估模型,并采用智能优化算法对影响力节点集进行识别,分析了智能优化算法的有效性并在图书阅读推广服务中进行应用。本文研究结果表明,智能优化算法在大规模网络中求解影响力最大化问题时,具有较高的效率与性能;基于相应的评估模型采用智能优化算法在不同结构特征的现实网络中,验证了智能优化算法在现实网络中识别影响力最大化节点集的可行性与有效性。
李欢[6]（2021）在《社会网络中的影响力最大化问题研究》文中进行了进一步梳理随着互联网的普及和Web2.0技术的飞速发展,社交网络的规模不断扩大,已成为人们相互交流、传播信息和共享知识的主要平台。网络中的信息传播对新技术、新思想的推广带来了极大的便利,但与此同时也带来潜在的威胁。在交互过程中,网络中的个体会影响周围的个体,从而改变其他个体的行为和认知,进而使网络拓扑结构发生变化。因此,影响力分析在理解网络中节点的行为特征,揭示网络中的传播动力学规律以及分析网络拓扑的演变方面起着重要作用。作为影响力分析的主要研究内容之一,影响力最大化问题的目的是在给定网络中以一定的策略选择出一组指定规模的影响力节点构成种子节点集合,在给定传播模型下,使得选择的种子节点集合影响力传播范围达到最大。开展影响力最大化问题的研究在产品推广、广告投放、谣言管控、疫情监控、水质监测等方面具有重大的理论研究意义和实际应用价值。传统的影响力最大化算法主要是基于贪心策略的算法和基于中心性策略的启发式算法。基于贪心策略的算法时间复杂度高,难以扩展至大规模社会网络;而基于中心性策略的启发式算法因为其自身局限性,导致算法求解质量较低。针对现有算法存在的问题,本文针对社会网络,基于社团结构以及元启发式优化算法,采用生成候选节点集合的方式,提出了不同的影响力最大化问题的求解算法,具体如下:（1）针对传统的贪心算法时间复杂度高,启发式算法求解质量低的问题,鉴于网络中普遍存在的社团结构,提出了基于派系社团划分的混合影响力最大化算法。首先分析了社团结构在影响力传播中的重要作用,然后基于派系社团划分方法获取社团结构,之后定义了重要社团以及提取候选节点的方法,并在此基础上定义了基于节点邻域集合评估节点影响力传播期望的策略,最后基于启发式算法高效和贪心算法准确的特点,采用二者相结合的方式从候选节点集合中获取最具影响力的节点。真实社会网络数据集上的实验结果表明,基于派系社团划分的混合影响力最大化算法具有较好的求解准确度且时间复杂度低于CELF算法。（2）针对上述工作中采用贪心策略选择一部分种子节点比较耗时的问题,分析了网络结构特征中的派系以及节点影响力传播重叠现象,提出了基于派系和节点影响力折扣的影响力最大化算法。首先研究了在派系中节点影响力更容易传播的特点,在获取网络中的派系后为了避免影响力传播重叠,采用派系剪枝的方式获取候选节点集合;然后定义了基于节点多跳邻域集合及传播概率估计节点影响力的方法,最后基于节点影响力估计从候选节点集合中选取种子节点,同时采用了度折扣的策略解决选取节点在网络中聚集导致求解质量不高的问题。在真实社会网络数据集上的实验结果表明,提出的算法具有与CELF算法非常接近的影响力传播效果,而且非常高效。（3）在前两章工作的基础上,研究了基于元启发式优化算法求解影响力最大化问题的可行性和有效性,并尝试将乌鸦搜索算法用于影响力最大化问题,提出了离散乌鸦搜索算法。首先基于网络解空间的离散特点,提出了乌鸦个体的离散化编码机制和进化机制;此外,为了避免乌鸦搜索过程中的盲目性,基于节点的k-shell分解和结构洞约束构造了衡量影响力的节点贡献指标,按照该指标从网络中选取一定数量的候选节点用于乌鸦随机游走策略的搜索过程,提升了算法的收敛速度;最后对于最优的候选种子节点集合,采用基于贪心机制的局部搜索策略,充分搜索候选节点的一阶邻居替换当前候选种子节点,以此提升最优候选种子的质量。与经典算法的对比结果表明,离散乌鸦搜索算法在求解影响力最大化问题时具有很高的求解质量和稳定性。（4）为进一步提升基于元启发式优化算法求解影响力最大化问题时的效率,根据网络中普遍存在社团结构这一特点,提出了基于社团划分和离散差分进化算法选取种子节点的策略。首先基于网络社团结构剔除掉一部分影响力较小的节点形成候选节点集合;其次,为了保证种群的多样性,在初始化种群个体时提出了基于网络全局和候选节点集合相结合的初始化方式;然后基于网络离散化结构特征,定义了差分进化种群个体的离散编码机制和进化机制,并采用从候选节点集合中选取节点的方式进行离散差分算法的进化。在真实社会网络数据集上与经典的影响力最大化算法的对比结果证明采用二阶邻域估计节点影响力的准确度要高于基于一阶邻域的估计,此外实验结果也表明提出的基于社团划分和离散差分进化算法求解影响力最大化问题具有较快的求解速度和较好的性能。综上所述,本文针对社会网络中的影响力最大化问题提出了一系列有效的解决方案,并在真实社会网络数据集上进行了算法的验证和对比,对于推进社会网络中的影响力最大化问题研究具有较好的理论意义和应用价值。
程海峰[7]（2020）在《情绪视角下的车载信息交互界面设计研究》文中研究表明随着我国汽车保有量的增大,道路交通安全成为了社会发展过程中重要难题,通过对交通事故起因的分析发现,情绪化驾驶已经成为了交通事故产生的主要原因之一。驾驶情绪通过影响驾驶者对驾驶信息的感知绩效,进而对其驾驶绩效产生影响,而车载信息交互系统作为重要驾驶信息来源,其界面设计对驾驶者信息认知及情绪体验具有直接影响。因此,本文以情绪为视角,分析驾驶情绪与车载交互界面信息认知间的关系,基于两者间的关系,提出车载交互界面设计策略,为不同情绪下提升车载信息认知绩效以及对驾驶情绪进行一定干预提供界面设计参考。本文具体研究内容如下:（1）情绪与认知及两者间关系的相关理论研究:通过对情绪、认知及两者间关系的相关理论研究,构建车载信息交互中的情绪与认知关系模型,为本文研究奠定理论基础,并且,基于情绪与认知间的关系,从理论层面阐述本文研究路径,为后续研究提供理论指导。（2）车载交互界面信息“认知”对驾驶“情绪”的影响研究:重点关注驾驶者对车载交互界面信息要素情绪特征的认知,并依据界面信息要素情绪特征,从界面认知对情绪干预的角度提出界面相关设计策略。（3）驾驶“情绪”对车载交互界面信息“认知”的影响实证研究:通过实验方式探究驾驶情绪对界面认知的影响,主要涉及两类实验:第一类实验为情绪的诱发与评估实验,实验目的为通过构建情绪样本库,有效控制实验被试情绪状态,从而将个体情绪状态转变为可控变量。第二类实验采用驾驶模拟及眼动实验方式探究不同情绪状态下驾驶者对车载交互界面的信息认知特征,基于认知特征分析驾驶情绪对车载交互界面认知的影响,并依据对该实验结果的分析,从情绪对界面认知的影响角度提出相关设计策略。（4）结合情绪与认知的界面设计实践:选取了一款现有车载交互界面,通过对该界面的分析,总结界面中存在的问题点;接着,依据上文输出的相关设计策略,针对界面中的问题点对界面进行设计优化,并对优化后的界面认知绩效及情绪干预效度进行验证。本论文有图48幅,表32个,参考文献177篇。
张晓辉[8]（2020）在《分布式阻塞流水车间调度方法研究》文中研究说明在全球经济一体化的背景下,随着通用型工厂的优化以及同构生产线的整合,分布式制造已逐渐发展成为一种常见的制造模式。分布式制造可以使集团对下属多个企业或工厂的资源进行合理配置、优化组合及共享,统筹多个工厂建立协作关系,在低成本和低风险环境下采用分工和协作方式快速实现产品的高效生产。车间调度作为生产活动的重要环节,在分布式制造系统中占据着举足轻重的地位。不同于传统的单车间调度,分布式车间调度不仅需要考虑加工任务特性和生产约束的关联性,还需要考虑全局调度和各分布式工厂局部调度的耦合性,其求解过程更为复杂。因此,根据分布式制造特性构建调度优化模型,设计有效的优化方法,对推动分布式制造的调度理论研究具有重要意义。分布式车间调度问题有时优化单一生产目标,有时则需兼顾优化现代企业和国民宏观经济发展目标（如节能减排等环保政策）;有时决策空间仅受单一约束限制,有时则需要同时满足多个约束;有时调度环境是静态的,有时则受不确定因素的干扰。随着问题规模的扩大,在多项式时间内较难获得最优解。因此,开展分布式车间的调度研究具有较高的挑战性。本文以分布式阻塞流水制造为研究背景,设计了相应的分布式生产调度体系架构,围绕分布式阻塞流水车间静态调度、绿色调度和动态调度三个方面展开了深入研究,分别构建了静态调度、绿色调度和动态调度问题的数学模型,并基于不同问题特性提出了三类元启发式算法。最后,搭建了分布式阻塞流水车间调度原型系统,对理论研究进行了系统实现和应用验证。本文主要研究工作如下:（1）分析了一般流水阻塞车间调度问题特性,引入分布式制造概念,对分布式生产调度业务流程进行了分析。在此基础上,进一步研究了分布式阻塞流水车间调度业务的关键决策点,设计了面向分布式流水制造的生产调度体系架构,提出了云-边缘结合的生产调度管控模式。（2）研究了静态环境下分布式阻塞流水车间调度问题,在分析了分布式流水制造模式特点的基础上,以完工时间为优化目标,构建了调度问题的整数规划模型,提出了离散果蝇优化算法（Discrete fruit fly optimization algorithm,DFOA）。首先,针对阻塞流水约束特性,提出了三类种群初始化方法;在嗅觉搜索阶段,设计了四类有向邻域搜索算子,以扩大算法的搜索空间;随后,提出了包含两类插入式局部搜索的变邻域下降搜索框架;在视觉搜索阶段,改进了种群更新策略,确保算法的快速收敛。最后,在基准测例上验证了DFOA的有效性和优越性。（3）同时从生产效率和节能角度出发,研究了分布式阻塞流水车间绿色多目标调度问题,分析了加工周期和能耗的冲突关系,提出了基于Pareto理论的多目标分布估计算法（Multi-objective estimation of distribution algorithm,MOEDA）。首先,建立了基于贝叶斯网络的离散概率模型,通过概率模型更新加工排序;随后,设计了两类加工速度调整算子,改进了一类工件插入策略,实现了算法调整工件排序时工序加工速度的自适应调整,加速种群向Pareto前沿逼近。最后,通过对比实验验证了MOEDA对Pareto前沿的覆盖和逼近性能。（4）考虑了事件驱动的分布式制造模式,以机器故障为背景,研究了分布式阻塞流水车间动态调度问题。设计了故障模拟与修复机制,提出了面向分布式阻塞流水车间的动态调度策略,以完工时间和系统稳定性为优化目标,构建了分布式阻塞流水车间干扰管理模型,针对重调度工件设计了基于差分进化思想的离散Memetic算法（Discrete Memetic algorithm based on differential evolution,DMA）。首先,设计了基于工件权重位置的种群初始化策略;随后,引入差分进化思想对重调度的目标空间进行邻域搜索;之后,提出了基于工件块的随机参考局部搜索策略,避免算法陷入局部最优。最后,通过对比实验验证了重调度算法的有效性和优越性。（5）结合分布式阻塞流水车间生产调度体系架构,开发了云-边缘结合的调度原型系统,实现了调度算法在云端的部署和集团调度业务的运行。随后,在某技术密集型企业搭建了边缘侧调度控制平台,以多品种、小规模和定制化产品为应用对象,对动态调度策略和DMA重调度算法的有效性进行了实例验证。该论文有图77张,表24个,参考文献186个。
黄增强[9]（2020）在《面向机器人模拟与强化学习的分布式训练平台设计与实现研究》文中进行了进一步梳理随着强化学习算法在机器人场景上的应用与发展,此类算法表现出了巨大的潜力;同时,模拟框架的出现为基于强化学习算法的机器人训练任务提供了一个便利的训练方式。但是,大多数强化学习训练任务仍然是在单物理节点上运行,物理节点的性能成为了限制训练任务执行效率的一个瓶颈,迫切需要寻找一种途径解决单物理节点的性能限制问题;同时,强化学习算法在分布式平台上运行时会因为物理网络的延迟增加时间消耗,因此,有必要对通信开销进行优化。本文在国内外已有研究的基础之上,设计并实现了一个面向机器人模拟与强化学习的分布式训练平台Re-Ray（即分布式框架Ray的remake版本）,为各种强化学习算法在机器人模拟框架上的训练任务提供了一个通用性平台。然后,本文基于进化策略算法提出了ES-RPRS算法,为强化学习算法在分布式场景下的优化提供了新的思路。主要研究工作如下:（1）基于开源的分布式框架Ray,设计并实现了一个面向机器人模拟的分布式训练平台Re-Ray,其主要服务于强化学习算法在机器人模拟应用的训练任务。Re-Ray平台的重点工作:首先,基于分布式框架Ray提出了本平台Re-Ray的架构设计;然后,分别从应用层、分布式框架Ray的适应性修改、多种模拟框架的整合与修改、容器层四个方面完成了训练平台Re-Ray的设计与实现;最后通过实验的对比分析,验证了Re-Ray平台的各方面性能表现。Re-Ray平台既能够为用户提供更丰富的模拟机器人种类与场景,又为用户提供了使用上的便利性。（2）在分布式平台Re-Ray基础之上,针对分布式训练平台网络延迟问题,提出了ES-RPRS算法,该算法能够在提高训练速度的同时具备较低的计算复杂度和高并行性。本文根据分布式场景下对算法的原子性等要求,以及进化策略算法的并行性特点,取消了工作节点间交换内容中的扰动参数,由各工作节点借助共享的随机因子生成扰动参数。在不影响训练效果的情况下,通过削减网络通信开销达到了加速训练任务的目的。最后,对ES-RPRS算法在超参数搜索方面的应用效果进行了测试与验证。
马卫[10]（2020）在《仿生群智能优化算法及在点云配准中的应用研究》文中研究表明仿生群智能优化算法是一种模拟自然界中生物行为的目标优化策略,在工程优化问题中有一定的应用。研究更加高效的仿生群智能优化策略并将其应用于解决复杂的三维点云配准问题具有理想的发展前景。本文侧重于改进的布谷鸟搜索算法和人工蜂群算法,利用模式搜索趋化,全局侦察策略和二阶振荡机制等提出了新的改进的群智能优化算法以提高算法的性能,并应用于解决点云配准优化问题。本文的创新性成果主要包括以下几个方面:1)提出了一种基于模式搜索趋化的布谷鸟搜索算法。布谷鸟搜索算法是一种基于莱维飞行搜索策略的新型智能优化算法。然而单一的莱维飞行随机搜索更新策略存在局部开采能力受限和寻优精度不高等缺陷。为了解决这一问题,提出了一种改进的布谷鸟全局优化算法。该算法的主要特点在于以下三个方面:首先,采用全局探测和模式移动交替进行的模式搜索趋化策略,实现了布谷鸟莱维飞行的全局探测与模式搜索的局部优化的有机结合,从而避免盲目搜索,加强算法的局部开采能力;其次,采取自适应竞争机制动态选择最优解数量,实现了迭代过程搜索速度和解的多样性间的有效平衡。最后,采用优势集搜索机制,实现了最优解的有效合作分享,强化了优势经验的学习。该算法应用于数值函数优化问题,结果表明,算法不仅寻优精度和寻优率显着提高,鲁棒性强,且适合于多峰及复杂高维空间全局优化问题。与典型的改进布谷鸟优化算法以及其它群智能优化策略相比,其局部开采性能与寻优精度更具优势,效果更好。点云配准是三维数字处理技术的一个核心问题,而传统的点云配准方法对初始配准位置敏感并易陷入局部最优。利用仿生群智能优化算法可以有效的解决该类问题。采用基于模式搜索趋化的布谷鸟搜索来解决点云配准优化问题,在整个配准过程中先采用点云简化与特征点提取,然后利用改进的布谷鸟搜索全局优化方法进行目标函数的优化,获得点云变换矩阵的全局最优参数,再通过精配准获得最终的点云配准效果。通过不同的模型数据对算法的性能测试,结果表明,首次提出的基于改进布谷鸟全局优化算法的点云配准,在点云配准优化问题中,较好地解决传统的迭代最近点配准算法对点云初始位置严重依赖的问题,有很好地抑制早熟的能力,提高了全局寻优能力,同时求解精度也相比于传统的迭代最近点配准算法大幅提高。在点云配准中有很好的鲁棒能力,具有较好的应用价值。2)提出了一种基于全局侦察搜索的人工蜂群算法。人工蜂群算法是近年来提出的模拟蜂群觅食行为的群智能优化算法。由于算法中侦察蜂逃逸行为的不足,使得该算法存在全局搜索性能不足、早熟收敛,易于陷入局部最优等问题。根据对最新的侦察蜂行为的研究成果表明,侦察蜂具有快速飞行、全局侦察并指导其他蜂群觅食的行为特征。算法利用蜂群觅食过程先由侦察蜂进行全局快速侦察蜜源并和其他蜂群相互协作的特征,提出了一种模拟自然界中侦察蜂全局快速侦察搜索改进的蜂群优化算法。首先,该算法由侦察蜂根据新的侦察搜索策略在所分配的子空间内进行大视域全局快速侦察,可以有效避免算法的早熟收敛,防止陷入局部最优。其次,侦察蜂群利用全局侦察的启发信息指导其他蜂群觅食搜索,两者相互协作共同实现算法的寻优性能,提高求解精度。最后,算法还引入预测与选择机制改进引领蜂和跟随蜂的搜索策略,进一步加强算法邻域局部搜索的性能。算法应用于数值函数优化问题,结果表明,与典型改进的人工蜂群算法和其他群智能优化改进算法相比,算法的全局搜索性能增强,能有效地避免早熟收敛,寻优精度显着提高,并能适用于高维空间的优化问题。3)提出了一种基于二阶振荡扰动的人工蜂群算法。人工蜂群算法是利用蜂群的角色分配,协同工作的机理形成的一套搜索策略。但是,在搜索后期,局部开采逐渐枯竭,全局侦察逃逸能力不足。算法在搜索后期,存在种群多样性不足,过快早熟收敛,常常表现为搜索能力强和开采能力弱,其实质是全局探索和局部开采能力的不平衡。为了解决这一问题,结合人工蜂群算法易与其他技术混合的优势,算法在雇佣蜂群觅食过程中,引入二阶振荡扰动策略,提出了一种基于异步变化学习的二阶振荡机制人工蜂群算法。首先,通过引入二阶振荡搜索机制有效地抑制过快早熟,增强局部搜索能力。其次,算法在搜索过程中利用扰动策略在迭代初期加强全局探测,增加空间搜索的多样性;最后,通过异步变化学习机制,算法在后期搜索过程中增强局部开采性能,从而加强求解精度。算法应用于数值函数优化问题,针对典型测试函数的实验结果表明,该算法能有效实现人工蜂群算法在全局探索和局部开采能力两者间的平衡,克服搜索性能不足,增加搜索的多样性,寻优率显着提高。与其他提出的典型策略相比,算法具有较强的竞争优势。将异步变化学习的二阶振荡人工蜂群算法应用于三维点云配准问题。提出了一种基于改进的人工蜂群算法点云配准方法,通过对输入点云的均匀采样,并基于领域半径约束的固有形状特征点提取进一步简化点云,然后通过改进的人工蜂群算法完成对点云较好的初始配准,得到空间变换矩阵参数。最后通过k-d tree近邻搜索法加速对应点查找,以提高点云迭代最近点配准算法精细配准的效率。通过对不同初始位置的点云库模型和场景数据进行配准实验,验证结果表明该算法相比于传统的配准方法,抗噪性好,配准精度高,鲁棒性强。
二、两种基本搜索策略的计算机模拟与评估（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、两种基本搜索策略的计算机模拟与评估（论文提纲范文）
（1）基于蒙特卡洛树与神经网络的五子棋算法的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织结构 |
| 第二章 相关理论及关键技术 |
| 2.1 引言 |
| 2.2 蒙特卡洛树搜索 |
| 2.3 卷积神经网络 |
| 2.4 深度残差网络 |
| 2.5 Elo等级分 |
| 2.6 本章小结 |
| 第三章 基于蒙特卡洛树与深度神经网络的五子棋算法 |
| 3.1 引言 |
| 3.2 基于蒙特卡洛树与深度神经网络的五子棋算法结构图 |
| 3.3 五子棋规则的蒙特卡洛树搜索算法 |
| 3.3.1 五子棋的马尔科夫决策过程 |
| 3.3.2 五子棋的蒙特卡洛树搜索 |
| 3.3.3 五子棋的蒙特卡洛树搜索上限置信区间的确定 |
| 3.4 五子棋的策略估值深度神经网络 |
| 3.4.1 策略估值深度神经网络的结构设计 |
| 3.4.2 策略估值深度神经网络的训练方法 |
| 3.5 融合策略估值深度神经网络的蒙特卡洛树搜索算法 |
| 3.6 本章小结 |
| 第四章 改进的蒙特卡洛树与深度神经网络的五子棋算法 |
| 4.1 引言 |
| 4.2 改进的蒙特卡洛树与深度神经网络的五子棋算法结构图 |
| 4.3 蒙特卡洛树搜索的不确定性估计 |
| 4.4 蒙特卡洛树搜索的不确定性的预测 |
| 4.4.1 基于策略估值深度神经网络的预测方法 |
| 4.4.2 基于棋盘状态不确定性网络的预测方法 |
| 4.4.3 基于蒙特卡洛树不确定性网络的预测方法 |
| 4.5 基于不确定性的改进的蒙特卡洛树搜索 |
| 4.6 本章小结 |
| 第五章 基于蒙特卡洛树与神经网络的五子棋算法评估 |
| 5.1 引言 |
| 5.2 本文实验环境 |
| 5.3 本文评价指标 |
| 5.3.1 损失函数 |
| 5.3.2 Elo等级分 |
| 5.4 五子棋算法模型的参数优化 |
| 5.4.1 深度神经网络残差块数量的优化 |
| 5.4.2 深度神经网络卷积核的优化选择 |
| 5.4.3 深度神经网络学习率的优化选择 |
| 5.4.4 深度神经网络批尺寸的优化选择 |
| 5.4.5 蒙特卡洛树搜索模拟阶段的次数优化选择 |
| 5.5 基于蒙特卡洛树与深度神经网络的五子棋算法模型评估 |
| 5.5.1 游戏规则的设置与自我对弈 |
| 5.5.2 五子棋算法模型的训练与生成 |
| 5.5.3 五子棋算法模型的性能评估 |
| 5.5.4 五子棋算法模型的评估结果与分析 |
| 5.6 改进的蒙特卡洛树与深度神经网络的五子棋算法模型评估 |
| 5.6.1 改进的五子棋算法模型评估结果分析 |
| 5.6.2 改进前后五子棋算法模型训练速度对比与分析 |
| 5.7 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 |
| 作者在学期间学术成果 |
（2）基于统计形状模型的医学图像3D建模方法研究（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 国内外研究现状 |
| 1.2.1 医学图像分割研究现状 |
| 1.2.2 目标图像的轮廓描述研究现状 |
| 1.2.3 目标图像与模板图像的配准研究现状 |
| 1.2.4 医学图像解释研究现状 |
| 1.3 研究目标及主要研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 主要研究内容 |
| 第2章 SSM的工作原理及医学图像3D建模过程 |
| 2.1 引言 |
| 2.2 SSM的工作原理 |
| 2.3 基于SSM的3D建模过程 |
| 2.4 SSM的评价指标及实验验证 |
| 2.4.1 紧凑性 |
| 2.4.2 特异性 |
| 2.4.3 通用性 |
| 2.4.4 SSM的实验验证 |
| 2.5 本章小结 |
| 第3章 基于统计形状模型的随机森林回归医学图像分割方法 |
| 3.1 引言 |
| 3.2 随机森林 |
| 3.3 RFR-SSM |
| 3.3.1 RFR-SSM训练阶段 |
| 3.3.2 RFR-SSM匹配阶段 |
| 3.4 仿真验证与分析 |
| 3.4.1 RFR-SSM的实施与参数设置 |
| 3.4.2 由粗到精的多阶段搜索策略 |
| 3.4.3 RFR-SSM的性能评估 |
| 3.5 本章小结 |
| 第4章 基于统计形状模型的构建3D解剖结构方法研究 |
| 4.1 引言 |
| 4.2 网格及网格简化 |
| 4.3 3DASMPACB-SSM |
| 4.3.1 数据处理 |
| 4.3.2 顶点收缩 |
| 4.3.3 建立对应关系 |
| 4.4 仿真验证与分析 |
| 4.4.1 3DASMPACB-SSM通用性验证 |
| 4.4.2 网格简化能力分析 |
| 4.4.3 3DASMPACB-SSM标记点选择 |
| 4.4.4 3DASMPACB-SSM性能评估 |
| 4.5 本章小结 |
| 第5章 基于点分布模型的3D模型拟合方法研究 |
| 5.1 引言 |
| 5.2 相关知识 |
| 5.2.1 相关概念 |
| 5.2.2 点分布模型 |
| 5.3 3DMFB-PDM |
| 5.3.1 问题的形成 |
| 5.3.2 计算最小拟合误差 |
| 5.4 仿真验证与分析 |
| 5.4.1 3DMFB-PDM的通用性验证 |
| 5.4.2 3DMFB-PDM与测试样本的拟合误差评估 |
| 5.4.3 3DMFB-PDM的效率分析 |
| 5.4.4 3DMFB-PDM的性能评估 |
| 5.5 本章小结 |
| 第6章 基于缺损数据构建3D解剖结构预测模型 |
| 6.1 引言 |
| 6.2 迭代最近点 |
| 6.3 3DASPMB-DS |
| 6.3.1 感兴趣区域的分割 |
| 6.3.2 手动模拟数据缺损 |
| 6.3.3 构建预测模型 |
| 6.3.4 预测模型与测试样本拟合 |
| 6.4 实验仿真验证 |
| 6.4.1 3DASPMB-DS通用性验证 |
| 6.4.2 预测模型的误差评估 |
| 6.4.3 预测模型的性能分析 |
| 6.4.4 预测模型的时间对比 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
| 附录B 攻读学位期间申请的发明专利 |
（3）贝叶斯图优化：关注成本的网络优化理论与方法（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 本文的主要内容与创新性 |
| 1.3 本文主要工作之间的关系 |
| 1.4 本文的组织与内容安排 |
| 1.5 本章小结 |
| 第2章 研究现状 |
| 2.1 黑盒网络优化的相关工作 |
| 2.1.1 基于随机搜索方法 |
| 2.1.2 基于演化计算方法 |
| 2.1.3 基于强化学习方法 |
| 2.1.4 基于贝叶斯优化方法 |
| 2.1.5 面向具体问题的方法 |
| 2.2 贝叶斯优化原理及应用介绍 |
| 2.3 本章小结 |
| 第3章 基于核学习的贝叶斯图优化方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 相关知识 |
| 3.3.1 贝叶斯优化 |
| 3.3.2 图核 |
| 3.4 图贝叶斯优化 |
| 3.5 实验评估与结果分析 |
| 3.5.1 对比算法和参数设置 |
| 3.5.2 人工非线性函数 |
| 3.5.3 不同图核对框架的影响 |
| 3.6 现实网络分析任务中的应用 |
| 3.6.1 基础设施系统的可靠网络设计 |
| 3.6.2 社会网络中最活跃节点识别 |
| 3.6.3 城市交通网络设计 |
| 3.7 本章小结 |
| 第4章 基于深度学习的贝叶斯图优化方法 |
| 4.1 引言 |
| 4.2 问题形式化定义 |
| 4.3 相关工作 |
| 4.3.1 贝叶斯优化 |
| 4.3.2 图神经网络 |
| 4.3.3 结构优化方法 |
| 4.3.4 图相关的贝叶斯优化方法 |
| 4.4 深度图贝叶斯优化 |
| 4.4.1 DGBO框架描述 |
| 4.4.2 DPM_(GC):基于图卷积的深度概率代理模型 |
| 4.4.3 DPM_(GN):基于图网络的深度概率代理模型 |
| 4.4.4 深度概率代理模型的训练 |
| 4.4.5 深度图贝叶斯优化的并行化扩展 |
| 4.4.6 深度概率代理模型的架构优化 |
| 4.5 理论分析 |
| 4.5.1 收敛性分析 |
| 4.5.2 时间复杂度分析 |
| 4.5.3 小样本情况下的回归分析 |
| 4.6 实验与结果分析 |
| 4.6.1 数据集介绍 |
| 4.6.2 对比算法与实验设置 |
| 4.6.3 人工非线性函数 |
| 4.6.4 分子发现任务 |
| 4.6.5 城市路网结构优化任务 |
| 4.6.6 神经架构搜索任务 |
| 4.7 框架的局限性 |
| 4.8 本章小结 |
| 第5章 基于生成模型的贝叶斯图优化方法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 CAGG:关注成本的目标导向图生成方法 |
| 5.3.1 CAGG框架概述 |
| 5.3.2 代理模型:鲁棒的贝叶斯图神经网络 |
| 5.3.3 生成模型:目标导向的候选集生成 |
| 5.3.4 采集函数 |
| 5.4 实验与结果分析 |
| 5.4.1 挑战性任务 |
| 5.4.2 数据集 |
| 5.4.3 对比算法 |
| 5.4.4 实验设置 |
| 5.4.5 分子发现任务上的实验结果与分析 |
| 5.4.6 神经架构搜索任务上的实验结果与分析 |
| 5.4.7 验证代理模型和生成模型在CAGG中的作用 |
| 5.5 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（4）数字孪生建模方法及其在热力系统优化运行中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号及缩写表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 能源电力发展背景与现状 |
| 1.1.2 智能控制优化研究现状 |
| 1.2 热力系统建模仿真及大数据技术研究现状 |
| 1.2.1 热力系统建模研究现状 |
| 1.2.2 电力大数据及其发展现状 |
| 1.2.3 热力系统仿真技术发展背景 |
| 1.3 数字孪生技术的应用现状及关键技术 |
| 1.3.1 数字孪生的应用发展现状 |
| 1.3.2 数字孪生研究的关键技术 |
| 1.3.3 数字孪生发展面临的挑战 |
| 1.4 论文的研究内容 |
| 第2章 大数据背景下的数字孪生与热力系统建模理论 |
| 2.1 数字孪生的基本理论 |
| 2.1.1 数字孪生的定义与内涵 |
| 2.1.2 数字孪生与仿真技术之间的关系 |
| 2.1.3 数字孪生与信息物理系统之间的关系 |
| 2.2 热力系统建模理论与方法 |
| 2.2.1 流体网络机理建模理论与方法 |
| 2.2.2 数据驱动建模理论与方法 |
| 2.3 大数据的基本理论 |
| 2.3.1 大数据平台框架及相关技术 |
| 2.3.2 大数据存储管理与预处理方法 |
| 2.3.3 大数据分布式集群平台构建 |
| 2.4 本章小结 |
| 第3章 基于改进即时学习策略的自适应数据驱动建模方法研究 |
| 3.1 基于改进即时学习策略的自适应数据驱动建模方法 |
| 3.1.1 建模思路 |
| 3.1.2 基于改进遗传模拟退火算法的模糊聚类工况划分 |
| 3.1.3 基于多层次综合相似度度量的相似工况识别 |
| 3.1.4 基于Spark平台的数据驱动局部模型建模 |
| 3.2 SCR脱硝系统数据驱动建模应用案例 |
| 3.2.1 建模对象及背景介绍 |
| 3.2.2 数据预处理和相似工况选取 |
| 3.2.3 局部建模过程及结果分析 |
| 3.3 电锅炉供热系统荷侧和源侧负荷预测建模应用案例 |
| 3.3.1 建模对象及背景介绍 |
| 3.3.2 荷侧供热负荷预测模型 |
| 3.3.3 源侧电负荷预测 |
| 3.4 本章小结 |
| 第4章 热力系统数字孪生建模理论及应用 |
| 4.1 热力系统数字孪生建模思路 |
| 4.1.1 数字孪生建模方法的提出 |
| 4.1.2 数字孪生模型的构建方法及流程 |
| 4.2 数字孪生机理模型的构建 |
| 4.2.1 管路模型 |
| 4.2.2 调节阀模型 |
| 4.2.3 离心水泵模型 |
| 4.2.4 换热器模型 |
| 4.3 数字孪生模型的协同与融合理论 |
| 4.3.1 数字孪生模型离线智能参数辨识 |
| 4.3.2 数字孪生模型参数在线自适应协同 |
| 4.3.3 基于移动窗格信息熵的多模型输出在线融合 |
| 4.4 数字孪生建模实例分析 |
| 4.4.1 脱硝系统数字孪生模型的建立 |
| 4.4.2 供热系统数字孪生模型的建立 |
| 4.5 本章小结 |
| 第5章 基于热力系统数字孪生模型的节能控制优化 |
| 5.1 基于数字孪生模型的智能工况动态寻优 |
| 5.1.1 热力系统智能工况动态寻优策略 |
| 5.1.2 基于数字孪生模型的供热储热系统智能工况动态寻优 |
| 5.2 基于数字孪生模型的自适应预测控制优化 |
| 5.2.1 基于数字孪生模型的预测控制算法 |
| 5.2.2 基于数字孪生模型预测控制的喷氨量优化 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要研究工作及成果 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 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 |
（5）影响力最大化智能优化算法及应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的意义 |
| 1.3 研究现状 |
| 1.3.1 影响力节点识别 |
| 1.3.2 影响力最大化问题 |
| 1.3.3 问题的延伸 |
| 1.3.4 应用研究概况 |
| 1.4 本文主要工作 |
| 1.5 本文组织结构 |
| 第二章 网络科学相关理论基础 |
| 2.1 图论与网络研究 |
| 2.2 网络的基本概念 |
| 2.2.1 度及度分布 |
| 2.2.2 中心性 |
| 2.2.3 网络直径与平均距离 |
| 2.2.4 聚集系数与网络密度 |
| 2.2.5 网络模型 |
| 2.3 影响力节点识别相关理论 |
| 2.3.1 相关问题定义 |
| 2.3.2 传播模型 |
| 2.4 智能优化算法简介 |
| 第三章 基于近邻域中心性增强离散粒子群算法局部搜索能力研究 |
| 3.1 主要问题 |
| 3.2 相关研究工作 |
| 3.2.1 基本粒子群算法 |
| 3.2.2 离散粒子群算法 |
| 3.3 改进算法DPSO_NDC |
| 3.3.1 节点近邻域中心性 |
| 3.3.2 基于近邻域度中心性局部搜索策略 |
| 3.3.3 DPSO_NDC算法框架 |
| 3.4 DPSO_NDC算法性能评估 |
| 3.4.1 实验网络与基准识别算法 |
| 3.4.2 LIE期望值评估 |
| 3.4.3 传播能力模拟评估 |
| 3.4.4 非参数检验分析 |
| 3.4.5 时间复杂性分析 |
| 3.5 本章小结 |
| 第四章 基于Clique结构增强离散蝙蝠算法的稳定性研究 |
| 4.1 主要问题 |
| 4.2 相关研究工作 |
| 4.2.1 基本蝙蝠算法 |
| 4.2.2 离散蝙蝠算法DBA |
| 4.3 基于Clique结构的离散蝙蝠算法 |
| 4.3.1 研究动机 |
| 4.3.2 Clique_DBA算法基本流程 |
| 4.3.3 Clique结构划分 |
| 4.3.4 候选种子节点池构建 |
| 4.3.5 Clique_DBA算法框架 |
| 4.4 算法性能评估 |
| 4.4.1 实验数据集及基准算法 |
| 4.4.2 LIE期望值评估 |
| 4.4.3 传播范围模拟值评估 |
| 4.4.4 时间复杂性评估 |
| 4.5 本章小结 |
| 第五章 并发式离散乌鸦算法在IM问题求解中的搜索机制研究 |
| 5.1 主要问题 |
| 5.2 相关研究 |
| 5.2.1 多核处理器与并行计算 |
| 5.2.2 基本乌鸦搜索算法 |
| 5.3 离散乌鸦搜索算法 |
| 5.3.1 乌鸦群体离散化编码 |
| 5.3.2 乌鸦群搜索规则 |
| 5.3.3 离散乌鸦搜索算法框架 |
| 5.3.4 离散乌鸦搜索算法的实现 |
| 5.3.5 算法复杂性分析 |
| 5.4 实验与分析 |
| 5.4.1 实验网络特征 |
| 5.4.2 基准对比算法选择 |
| 5.4.3 DCSA算法参数设置 |
| 5.4.4 影响力评估与对比 |
| 5.4.5 算法处理时间对比分析 |
| 5.4.6 假设检验性能评估 |
| 5.5 本章小结 |
| 第六章 RTBN软件网络特征及影响力最大化节点集识别 |
| 6.1 相关研究工作 |
| 6.2 软件网络构建 |
| 6.2.1 实验过程及硬件条件 |
| 6.2.2 RTBN网络的构建 |
| 6.3 网络特征分析 |
| 6.3.1 多态性网络特征 |
| 6.3.2 一致性网络特征 |
| 6.4 RTBN网络影响力节点识别 |
| 6.4.1 函数节点影响力评估 |
| 6.4.2 影响力最大化节点集识别 |
| 6.4.3 影响力最大化节点集分析 |
| 6.5 本章小结 |
| 第七章 图书阅读行为网络特征及影响力最大化节点集识别 |
| 7.1 相关研究工作 |
| 7.2 阅读行为网络构建 |
| 7.2.1 阅读行为数据收集 |
| 7.2.2 二分网络构建 |
| 7.2.3 读者阅读行为网络 |
| 7.3 阅读行为网络特征 |
| 7.3.1 一模投影网络规模 |
| 7.3.2 平均度及度分布特征 |
| 7.3.3 其它网络特征 |
| 7.4 读者节点影响力分析 |
| 7.4.1 读者节点影响力评估 |
| 7.4.2 RRRN影响力节点集识别与应用 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 研究总结 |
| 8.2 工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（6）社会网络中的影响力最大化问题研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 社会网络概述 |
| 1.1.2 社会网络影响力最大化 |
| 1.1.3 影响力最大化问题的研究意义 |
| 1.2 影响力最大化问题的研究现状与挑战 |
| 1.2.1 影响力最大化问题的研究现状 |
| 1.2.2 影响力最大化算法的不足和面临的挑战 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第二章 相关知识概述 |
| 2.1 网络的图表示 |
| 2.2 图的基本拓扑性质 |
| 2.2.1 度、平均度与度分布 |
| 2.2.2 聚集系数 |
| 2.2.3 派系、社团结构和模块度 |
| 2.3 影响力传播模型 |
| 2.3.1 独立级联模型 |
| 2.3.2 线性阈值模型 |
| 2.3.3 其他传播模型 |
| 2.4 影响力最大化问题 |
| 2.4.1 问题定义 |
| 2.4.2 影响力最大化常用求解算法 |
| 2.4.3 影响力最大化算法的评价标准 |
| 2.5 元启发式优化算法 |
| 2.6 本章小结 |
| 第三章 基于派系社团的混合影响力最大化算法 |
| 3.1 问题描述 |
| 3.2 相关研究工作 |
| 3.3 基于k-派系社团的混合影响力最大化算法 |
| 3.3.1 启发式阶段 |
| 3.3.2 贪心阶段 |
| 3.3.3 HAIM算法框架 |
| 3.3.4 HAIM算法时间复杂度分析 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据集 |
| 3.4.2 基准对比算法 |
| 3.4.3 不同算法影响力传播对比 |
| 3.4.4 不同算法运行时间对比 |
| 3.5 本章小结 |
| 第四章 基于派系和节点影响力折扣的影响力最大化算法 |
| 4.1 问题描述 |
| 4.2 相关研究工作 |
| 4.3 基于派系和节点影响力折扣的影响力最大化算法 |
| 4.3.1 基于派系剪枝的候选节点生成算法 |
| 4.3.2 基于传播概率和度剪枝的种子节点选取算法 |
| 4.3.3 IMC算法时间复杂度分析 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据集 |
| 4.4.2 基准对比算法 |
| 4.4.3 不同算法影响力传播对比 |
| 4.4.4 不同算法运行时间对比 |
| 4.5 本章小结 |
| 第五章 基于离散乌鸦搜索算法的影响力最大化算法 |
| 5.1 问题描述 |
| 5.2 相关研究工作 |
| 5.2.1 乌鸦搜索算法 |
| 5.2.2 局部影响力评估函数 |
| 5.3 离散乌鸦搜索算法 |
| 5.3.1 乌鸦个体离散编码机制 |
| 5.3.2 乌鸦个体离散进化机制 |
| 5.4 离散乌鸦搜索算法框架 |
| 5.4.1 初始化 |
| 5.4.2 随机游走策略 |
| 5.4.3 局部搜索策略 |
| 5.4.4 DCSA算法时间复杂度分析 |
| 5.5 实验结果与分析 |
| 5.5.1 实验数据集 |
| 5.5.2 基准对比算法 |
| 5.5.3 DCSA算法的参数设置策略 |
| 5.5.4 LIE适应度值优化对比 |
| 5.5.5 不同算法影响力传播对比 |
| 5.5.6 不同算法运行时间对比 |
| 5.6 本章小结 |
| 第六章 基于社团划分和离散差分进化的影响力最大化算法 |
| 6.1 问题描述 |
| 6.2 相关研究工作 |
| 6.2.1 社团划分算法 |
| 6.2.2 差分进化算法 |
| 6.3 基于社团划分和离散差分进化的影响力最大化算法 |
| 6.3.1 基于社团划分的候选节点选择 |
| 6.3.2 基于离散差分进化算法的种子节点选取策略 |
| 6.3.3 CDDE算法时间复杂度分析 |
| 6.4 实验结果与分析 |
| 6.4.1 实验数据集 |
| 6.4.2 基准对比算法 |
| 6.4.3 CDDE算法的参数设置策略 |
| 6.4.4 LIE适应度值优化对比 |
| 6.4.5 不同算法影响力传播对比 |
| 6.4.6 不同算法运行时间对比 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（7）情绪视角下的车载信息交互界面设计研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 相关研究现状 |
| 1.3 研究目的及意义 |
| 1.4 研究组织结构 |
| 2 车载界面交互中情绪与认知 |
| 2.1 情绪概述 |
| 2.2 人机交互界面的信息认知 |
| 2.3 情绪视角下车载交互界面的信息认知 |
| 2.4 情绪视角下车载交互界面设计研究路径 |
| 2.5 本章小结 |
| 3 车载交互界面信息“认知”对驾驶“情绪”的影响研究 |
| 3.1 车载交互界面解构 |
| 3.2 界面信息要素情绪特征分析 |
| 3.3 基于认知对情绪影响的车载信息界面设计策略 |
| 3.4 本章小结 |
| 4 基于实证的驾驶“情绪”对车载交互界面信息“认知”的影响研究 |
| 4.1 实验前期准备 |
| 4.2 实验一:情绪诱发素材库的构建实验 |
| 4.3 实验二:不同情绪下车载信息界面认知模拟实验 |
| 4.4 基于情绪对认知影响的车载信息界面设计策略 |
| 4.5 本章小结 |
| 5 结合情绪与认知的仪表盘界面设计实践 |
| 5.1 大众帕萨特仪表盘界面分析 |
| 5.2 结合情绪与认知的仪表盘界面设计优化方案 |
| 5.3 基于信息认知的优化方案可用性评估 |
| 5.4 基于情绪干预的优化方案效度评价 |
| 5.5 本章小结 |
| 6 总结 |
| 6.1 研究总结 |
| 6.2 研究不足与展望 |
| 参考文献 |
| 附件 1 音乐样本库 |
| 附录 2 |
| 附件 3 汽车仪表盘优化界面展示 |
| 附件 4 仪表盘界面情绪主观评估问卷 |
| 作者简历 |
| 学位论文数据集 |
（8）分布式阻塞流水车间调度方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究目标 |
| 1.3 相关领域国内外研究现状 |
| 1.4 研究现状总结及问题分析 |
| 1.5 研究内容 |
| 2 分布式阻塞流水车间调度体系架构研究 |
| 2.1 概述 |
| 2.2 分布式制造模式特点分析 |
| 2.3 分布式阻塞流水车间调度业务流程和关键决策点 |
| 2.4 分布式阻塞流水生产调度体系架构研究 |
| 2.5 分布式生产调度管控模式设计 |
| 2.6 本章小结 |
| 3 分布式阻塞流水车间静态调度研究 |
| 3.1 概述 |
| 3.2 分布式阻塞流水车间静态调度数学模型 |
| 3.3 标准果蝇优化算法介绍 |
| 3.4 离散果蝇优化算法流程描述 |
| 3.5 实验对比与分析 |
| 3.6 本章小结 |
| 4 分布式阻塞流水车间绿色调度研究 |
| 4.1 概述 |
| 4.2 分布式阻塞流水车间绿色调度数学模型 |
| 4.3 标准分布估计算法介绍 |
| 4.4 多目标分布估计算法流程描述 |
| 4.5 实验对比与分析 |
| 4.6 本章小结 |
| 5 分布式阻塞流水车间动态调度研究 |
| 5.1 概述 |
| 5.2 分布式阻塞流水车间动态调度流程关键问题研究 |
| 5.3 分布式阻塞流水车间动态调度数学模型 |
| 5.4 分布式阻塞流水车间动态调度策略 |
| 5.5 基于差分进化的Memetic算法流程 |
| 5.6 实验对比与分析 |
| 5.7 本章小结 |
| 6 分布式阻塞流水车间调度系统实现及应用 |
| 6.1 概述 |
| 6.2 分布式阻塞流水车间调度系统框架 |
| 6.3 系统开发模式和配置 |
| 6.4 系统应用模块设计 |
| 6.5 系统功能框架设计 |
| 6.6 系统功能实现和界面展示 |
| 6.7 系统应用实例 |
| 6.8 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）面向机器人模拟与强化学习的分布式训练平台设计与实现研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 机器人模拟研究现状 |
| 1.2.2 分布式框架研究现状 |
| 1.3 本文主要工作及创新点 |
| 1.4 文章组织结构 |
| 第二章 分布式框架选择 |
| 2.1 分布式框架Spark |
| 2.1.1 弹性分布式数据集(RDDs) |
| 2.1.2 并行作业 |
| 2.1.3 共享变量 |
| 2.2 分布式框架Ray |
| 2.2.1 应用层 |
| 2.2.2 系统层 |
| 2.2.3 整合 |
| 2.3 本章小结 |
| 第三章 分布式训练平台Re-Ray的架构设计与实现 |
| 3.1 引言 |
| 3.2 Re-Ray平台硬件及网络设计 |
| 3.3 分布式框架Ray的修改与扩展 |
| 3.4 应用层 |
| 3.4.1 应用层架构设计 |
| 3.4.2 相关组件的配置脚本化 |
| 3.5 模拟框架的修改与部署自动化 |
| 3.5.1 模拟赛车游戏框架 |
| 3.5.2 第一人称射击游戏框架 |
| 3.5.3 模拟框架Gazebo |
| 3.5.4 模拟框架gym-gazebo2 |
| 3.6 容器层 |
| 3.6.1 容器封装 |
| 3.6.2 调度策略 |
| 3.7 本章小结 |
| 第四章 基于Re-Ray的进化策略算法ES-RPRS |
| 4.1 引言 |
| 4.2 进化策略算法(Evolution Strategies) |
| 4.3 策略类算法并行性优势分析 |
| 4.4 ES-RPRS的设计与实现 |
| 4.5 ES-RPRS的超参数搜索实现 |
| 4.6 本章小结 |
| 第五章 实验与评估 |
| 5.1 引言 |
| 5.2 实验模拟环境搭建 |
| 5.3 Re-Ray平台性能测试 |
| 5.3.1 流数据处理性能 |
| 5.3.2 可靠性 |
| 5.3.3 扩展性 |
| 5.3.4 算力成本对比 |
| 5.4 ES-RPRS算法相关测试 |
| 5.4.1 扰动参数优化测试 |
| 5.4.2 超参数搜索测试 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 下一步研究方向 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 |
| 详细摘要 |
（10）仿生群智能优化算法及在点云配准中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 仿生群智能优化算法研究现状 |
| 1.2.1 布谷鸟搜索算法研究现状 |
| 1.2.2 人工蜂群算法研究现状 |
| 1.3 本文研究思路 |
| 1.3.1 问题的提出 |
| 1.3.2 研究方案 |
| 1.4 本文研究工作 |
| 1.4.1 本文工作 |
| 1.4.2 论文结构 |
| 第二章 仿生群智能优化及点云配准相关研究进展 |
| 2.1 概述 |
| 2.2 局部开采 |
| 2.3 全局勘探 |
| 2.4 均衡搜索 |
| 2.5 点云配准 |
| 2.6 本章小结 |
| 第三章 基于模式搜索的布谷鸟搜索算法 |
| 3.1 引言 |
| 3.2 布谷鸟搜索算法及局限性 |
| 3.2.1 布谷鸟的生物机理 |
| 3.2.2 布谷鸟搜索算法原理 |
| 3.2.3 布谷鸟搜索算法特点 |
| 3.2.4 CS算法求解全局优化问题的局限性 |
| 3.3 PSCS算法的基本策略 |
| 3.3.1 模式搜索趋化策略 |
| 3.3.2 自适应竞争排名构建机制 |
| 3.3.3 合作分享策略 |
| 3.4 计算机数值仿真实验结果与算法比较 |
| 3.4.1 测试函数与评价标准 |
| 3.4.2 PSCS算法参数设置 |
| 3.4.3 PSCS与 CS算法比较 |
| 3.4.4 与改进CS算法以及其他智能优化算法的比较 |
| 3.5 算法复杂性分析与讨论 |
| 3.5.1 复杂性分析 |
| 3.5.2 讨论 |
| 3.6 算法在点云配准上的应用拓展 |
| 3.6.1 点云配准优化模型 |
| 3.6.2 点云简化与特征点提取 |
| 3.6.3 基于模式搜索布谷鸟算法的点云配准优化 |
| 3.6.4 实验结果与算法比较 |
| 3.7 本章小结 |
| 第四章 基于全局侦察搜索的人工蜂群算法 |
| 4.1 引言 |
| 4.2 人工蜂群算法和侦察蜂的生物机理 |
| 4.2.1 蜜蜂的群体采蜜机理 |
| 4.2.2 人工蜂群优化算法原理 |
| 4.2.3 人工蜂群优化算法特点 |
| 4.2.4 侦察蜂全局快速侦察的生物机理 |
| 4.3 全局侦察策略的改进的人工蜂群算法 |
| 4.3.1 相关定义 |
| 4.3.2 侦察蜂的全局侦察机制 |
| 4.3.3 觅食蜂的局部邻域搜索机制 |
| 4.3.4 SABC算法步骤 |
| 4.4 计算机数值仿真实验结果与讨论 |
| 4.4.1 侦察蜂规模系数对收敛的影响 |
| 4.4.2 SABC与 ABC算法的实验对比 |
| 4.4.3 SABC与 PS-ABC算法的实验对比 |
| 4.4.4 算法对维数变化的影响 |
| 4.4.5 与经典的不同算法的实验比较 |
| 4.4.6 计算时间复杂度分析 |
| 4.5 本章小结 |
| 第五章 基于二阶振荡扰动的人工蜂群算法 |
| 5.1 引言 |
| 5.2 基于二阶振荡扰动的人工蜂群算法 |
| 5.2.1 搜索机制 |
| 5.2.2 异步变化学习因子 |
| 5.2.3 基于目标函数值选择寻优 |
| 5.3 数值仿真实验结果与分析 |
| 5.3.1 基准测试函数 |
| 5.3.2 参数设置 |
| 5.3.3 所提算法与其他算法的实验比较 |
| 5.4 二阶振荡扰动策略人工蜂群算法的点云配准优化 |
| 5.4.1 SOABC算法在点云配准中的应用 |
| 5.4.2 实验结果及算法分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 下一步研究方向 |
| 参考文献 |
| 致谢 |
| 附录A 博士期间主持和参与的科研项目 |
| 附录B 博士期间发表论文和专利 |
四、两种基本搜索策略的计算机模拟与评估（论文参考文献）
- [1]基于蒙特卡洛树与神经网络的五子棋算法的设计与实现[D]. 沈雪雁. 沈阳化工大学, 2021
- [2]基于统计形状模型的医学图像3D建模方法研究[D]. 徐铸业. 兰州理工大学, 2021(01)
- [3]贝叶斯图优化：关注成本的网络优化理论与方法[D]. 崔佳旭. 吉林大学, 2021(01)
- [4]数字孪生建模方法及其在热力系统优化运行中的应用研究[D]. 高学伟. 华北电力大学(北京), 2021(01)
- [5]影响力最大化智能优化算法及应用研究[D]. 韩礼红. 兰州大学, 2021(09)
- [6]社会网络中的影响力最大化问题研究[D]. 李欢. 兰州大学, 2021(09)
- [7]情绪视角下的车载信息交互界面设计研究[D]. 程海峰. 中国矿业大学, 2020(07)
- [8]分布式阻塞流水车间调度方法研究[D]. 张晓辉. 中国矿业大学, 2020(07)
- [9]面向机器人模拟与强化学习的分布式训练平台设计与实现研究[D]. 黄增强. 杭州电子科技大学, 2020(04)
- [10]仿生群智能优化算法及在点云配准中的应用研究[D]. 马卫. 南京大学, 2020