一、基于多目标演化算法的SOC设计空间搜索策略研究（论文文献综述）
董绍正[1]（2021）在《基于多目标优化的SQL语句测试用例生成》文中认为SQL语句的测试用例生成工作是软件工程领域中一项重要而又具有挑战性的任务。由于以数据库为中心的应用程序在生产生活中的重要性,SQL语句的测试用例生成已经引起了广泛的关注。其主要的目标是,构建一组测试数据库,用于满足指定的覆盖准则。然而,由于SQL语句本身的复杂性,为SQL语句生成测试用例将是一项非常困难和耗时的工作。现有的研究大都将该问题建模为单目标优化问题,并采用单目标方法进行求解。然而,由于对不同覆盖目标之间关系处理不当,现有的研究存在着较大的局限性。这些局限性主要表现为目标间关系障碍问题和测试数据库膨胀问题。为了克服这些局限性,本文开发了一个测试用例生成框架Moe SQL,通过结合两种独特的机制,可以生成同时具有高覆盖率和低数据库规模的测试用例。对于目标间关系障碍问题,本文采用一种基于多目标的演化算法。通过为问题建立多目标模型,算法能够在单一进化过程中覆盖多个目标,同时避免冗余计算。为了解决测试数据库膨胀问题,本文进一步地利用演化算法获得的测试用例集。通过将测试数据库约简过程划分为一系列的子问题,并使用一个局部搜索算子来对子问题进行求解。由于降低了搜索空间,算法将更容易获得具有较小规模的测试数据库。在1888个SQL语句上进行的实验表明,在30分钟的限时内,Moe SQL能够获得99.80%的目标覆盖率,与目前最先进的单目标算法Evo SQL相当。同时,在数据库规模上,仅为Evo SQL的59.47%。进一步的统计揭示了Moe SQL能够在运行效率和测试数据库规模之间达成良好的平衡。
张道庆[2]（2021）在《迁移演化计算及其应用研究》文中研究说明演化计算是模拟自然界物种演化和聚群行为来解决优化问题的一类算法,在黑箱优化、组合优化、非凸优化和多目标优化中被广泛应用。本文聚焦于演化计算的一个分支:迁移演化计算,迁移演化计算是指种群中的个体通过隐式或显式的迁移来辅助优化的一类算法,具体可以分为多任务演化计算和并行演化计算两类。迁移演化计算作为传统演化计算的一个扩展,具有较为广阔的应用价值和研究意义。对于多任务演化计算,本文的贡献有两点:第一,针对多任务演化计算中最经典的多因子演化算法MFEA,我们从理论上分析了 MFEA在处理子函数维度不同的多任务优化问题时所存在的固有缺陷,并提出改进版本的异维多因子演化算法HD-MFEA。在HD-MFEA中,我们提出了异维选择交叉与自适应精英替换策略,使HD-MFEA可以在异维多任务环境下更好的进行基因迁移。同时,我们提出了异维多任务优化的基准测试问题,在测试问题上,HD-MFEA优于MFEA和其他改进算法。第二,我们扩展了多任务演化计算的应用范围,第一次将不同结构的神经网络训练问题等效为异维多任务优化问题。同时,针对神经网络的层次化特征,提出了可同时训练多个神经网络的异维多因子神经演化算法HD-MFEA Neuroevolution。通过在混沌时间序列数据集上的实验,我们发现HD-MFEA Neuroevolution算法远优于其他演化算法,且收敛速度和精度均优于现在神经网络训练中常用的梯度算法。对于并行演化计算,我们以狮群算法作为演化算法的一个范例,提出了用于解决旅行商问题的并行狮群算法。首先,通过在原始的狮群算法中引入离散编码与顺序交叉算子,我们提出了用于解决组合优化问题的离散狮群算法;然后,我们提出了基于岛屿模型的并行狮群算法,并行狮群算法采用环型拓扑结构,通过在相邻子种群间迁移最优个体来进行通信;最后,我们在不同的设备上对并行狮群算法进行了大量实验,验证了算法能给出较短的路线,且在不同的设备上均能达到较好的加速性能。
宋蜜[3]（2021）在《基于多目标优化理论的高光谱遥感影像亚像元制图方法研究》文中提出随着高光谱遥感的迅速发展,通过影像光谱解译精细地表覆盖已逐渐成为土地利用、环境监测、资源调查、军事侦察等国家需求的重要手段。然而受限于光谱成像仪空间分辨率物理极限以及地物分布复杂多样,高光谱影像普遍存在混合光谱、混合像元,阻碍了高光谱遥感信息提取向精细化、定量化发展。亚像元制图技术是解译混合像元内地物分布,提升制图空间分辨率的一种关键技术,它利用高光谱影像丰富的光谱信息来弥补空间信息的不足,首先通过光谱分解分析混合光谱的组成,可识别混合像元内的亚像元目标地物类别和丰度,然后以丰度图为基础,引入多种空间分布先验信息作为约束,推测亚像元目标在混合像元内部的空间分布。辅助数据例如空间分布模式字典、多偏移影像、长时序影像等都可以为亚像元制图提供具备地学复杂性的空间分布先验模式。然而随着多种先验信息的引入,亚像元制图也产生了以下问题:（1）单影像亚像元制图模型非凸优化困难。传统亚像元制图方法缺乏智能优化体系,面对非凸的亚像元制图模型只能通过凸松弛将制图模型转为凸问题求解,影响了制图模型的准确性;（2）多影像辅助数据的先验信息难以有效融合约束亚像元制图问题。传统亚像元制图方法将多种先验信息加权为单个目标函数作为制图模型,权重参数的确定具有很强的主观性,对于不同的数据、不同的场景需要依据经验调整,而且难以实现先验信息的最优融合。（3）传统时空亚像元制图遵循“先分解后制图”原则,分解和制图过程独立求解,光谱分解的误差会制约亚像元制图模型的可靠性。因此,针对上述问题,本论文开展了基于多目标优化的高光谱遥感影像亚像元制图方法研究,主要研究内容和创新之处如下:（1）系统分析了亚像元制图的欠定逆问题,并详细介绍了为使亚像元制图问题适定化而引入的各种先验信息约束,由此归纳了亚像元制图算法体系。（2）深入分析了多目标优化理论在解决亚像元制图问题上的潜力,并整理了多目标演化算法体系和基本框架。（3）提出非凸稀疏亚像元多目标优化制图方法,构建具有非凸稀疏约束的亚像元制图多目标优化模型,保证了单影像亚像元制图模型的准确性,利用多目标演化算法的全局优化能力,优化求解非凸制图模型的稀疏系数解,提升了亚像元制图方法的智能优化能力。实验验证提出方法总体制图精度较最优对比算法最高提高2.5%。（4）提出多目标时空融合亚像元制图方法和基于全局-局部搜索的多偏移影像亚像元制图方法,将多影像的先验信息约束建模为多个目标函数进行同步优化,利用多目标演化算法的多源信息互补能力,使亚像元制图中多种先验信息约束自适应地融合.设计全局-局部搜索策略增强多目标演化算法在亚像元制图解空间的寻优能力,求解在各种先验信息约束下达到最优平衡的亚像元空间分布图。虽然提出方法总体制图精度较最优对比算法最高仅提高1.6%,但敏感性分析表明所提方法十分稳定,精度浮动在0.3%以内。（5）在多目标优化框架下提出联合分解的亚像元制图方法,突破传统混合像元解译思路,实现了光谱分解和亚像元制图的同步优化,有效提升了分解和制图精度,减小了制图对分解质量的依赖。实验验证提出方法总体制图精度较最优对比算法最高提高3%,同时分解精度提升0.6d B。（6）构建亚像元制图原型系统。基于系统测试分析了本论文所提方法的适用场景和优先选择依据。
党世红[4]（2021）在《流程工业调度模型与算法及其在造纸工业中的应用研究》文中认为流程工业是国民经济的重要基础产业,近年来,随着经济全球化迅猛发展,我国流程工业受到了巨大的挑战。流程工业企业经营环境日益复杂,市场竞争日趋激烈,企业需要寻求最佳的生产运营管理方案,以提高生产经营效率,增强竞争优势。生产调度是企业实现高效率、高柔性和高可靠性的关键技术之一,也是企业生产管理的核心,对生产调度的合理优化有助于提高企业的服务水平,能为企业带来显着的经济效益和社会效益。在“中国制造2025”,产业优化升级的大环境下,围绕生产调度方法和优化技术进行研究,对现代企业在实现智能生产提质增效方面来说,具有十分重要的理论价值和现实意义。本文以流程工业中的造纸企业生产过程优化调度为研究对象,开展了流程工业调度模型与算法的理论和应用技术研究,主要研究工作如下:（1）基于分解多目标演化算法的造纸企业生产调度研究在对主要生产卫生纸的某造纸企业的生产特点分析调研的基础上,以最小化最大完工时间、最小化总拖期数量和最小化生产切换次数为目标,在忽略材料的准备时间,忽略设备突发故障等情况,考虑加工顺序约束、设备可用性约束、材料约束等约束条件的情况下,研究和建立了具有造纸企业特色的生产调度数学模型,并提出一种基于自组织映射的分解多目标演化算法对所构建生产调度模型进行求解,所构建的自组织映射充分利用了问题的先验知识,使得算法能在更低的空间上搜索到待优化问题的近似Pareto最优解集,同时也有利于保持种群在决策空间中的多样性。实验结果表明,提出的算法无论是收敛性还是均匀性都实现了更好的优化性能。（2）基于负相关搜索算法的造纸企业立体仓库优化调度研究针对造纸企业成品存储中的自动化立体仓库货位分配问题,在阐述货架分区原则和货位分配策略的基础上,考虑货架稳定性和出入库效率两个因素,构建了以货架重心最低、出入库时间最短为优化目标的立体仓库货位分配双目标优化调度数学模型,提出了一种负相关搜索算法对所构建的调度模型进行求解。实验结果表明,提出的负相关搜索算法（Negatively Correlated Search,NCS）相比遗传算法（Genetic Algorithm,GA）,粒子群优化算法（Particle Swarm Optimization,PSO）,差分进化算法（Differential Evolution Algorithm,DE）,进化规划（evolutionary programming,EP）和万有引力搜索算法（gravitational search algorithm,GSA）五种算法,无论是收敛精度还是收敛速度都实现了更好的优化性能。（3）基于量子进化算法的造纸企业项目调度研究针对造纸企业在智能制造环境下的多模式项目调度问题,结合多模式资源项目管理的问题以及实例,构建了多模式资源受限项目调度问题（Multi-mode Resource Constrained Project Scheduling Problem,MRCPSP）的数学模型,并提出了一种基于量子进化的启发式算法对模型进行优化求解。设计了量子比特的编码,解码,并对该问题的不可行解进行修复,对个体适应度进行评价,使用量子旋转门对种群进行进化,通过使用PSPLIB标准问题库（Project Scheduling Problem Library,PSPLIB）的数据对所提出的算法进行验证,使用随机函数生成随机案例,借助该算法求得最优解,证明了该算法的有效性,并对影响算法求解性能的参数进行逐一分析,为算法的进一步改进提供理论依据,丰富了资源受限项目调度问题（Resource Constrained Project Scheduling Problem,RCPSP）的理论研究体系,为造纸企业项目管理提供了新的问题解决思路。（4）基于云平台的造纸企业智能MES系统的设计与实现基于上述研究成果,结合造纸企业的实际需求,给出了智能造纸企业的企业资源计划（Enterprise Resource Planning,ERP）、制造执行系统（Manufacturing Execution System,MES）和过程控制系统（Process Control System,PCS）的体系结构图,设计了基于云平台的造纸企业智能MES系统,给出了系统主要功能模块框图,对基于云平台的造纸企业智能MES系统进行了软、硬件配置,设计了相关的软件功能界面,对造纸企业智能MES系统的自主研发有一定的借鉴意义。
王昭宁[5]（2020）在《移动网络中面向终端用户的服务生成关键技术研究》文中认为随着科技的进步,无线网络技术和移动互联网产业快速发展,诸如智能手机、平板电脑、移动穿戴等移动智能设备功能在也变得更加强大,基于移动设备的丰富功能服务和移动网络中种类繁多的Web服务,开发人员创造出了大量的移动应用,使得移动技术愈发融入人们的日常生活,同时激发了用户对于移动应用和服务更加个性化和多样化的需求。传统的移动应用由专业的开发人员在编程的环境中进行开发,他们对用户的需求进行调研和分析,并根据需求针对特定的系统平台设计和实现相应的移动应用。这样的开发过程流程复杂周期冗长,不利于移动应用的跨平台适配,难以满足用户个性化的需求。为了解决以上的问题,本论文在面向服务架构的基础上,研究并提出了面向终端用户的服务生成的关键技术,一方面让终端用户利用跨平台图形化的应用开发环境,根据自己的需求基于组件化的应用生成模型独立开发移动应用,同时研究了 QoS感知自动化的服务组合技术,以用户需求为驱动实现在移动网络中自动化地服务供给,并提出了优化算法。论文的主要的工作和贡献包含了以下三个方面:1)面向终端用户的基于组件的跨平台移动应用生成模型研究。针对面向终端用户服务生成中移动应用开发的问题,提出了一个组件化的跨平台移动应用生成模型。在应用生成模型中,定义了一个服务组件模型和组件插件模型,基于事件驱动的组件聚合方法跨平台构建的移动应用。基于应用生成模型实现的EasyApp系统,为终端用户提供了一个图形化开发移动应用的编辑器和一系列可用于应用开发的Web组件库,能够快速构建跨平台的移动应用。最后演示了应用开发过程,对开发环境在终端用户中的可用性进行了评估,相比对比系统,终端用户使用EasyApp的开发应用的时间减少了约18%。2)QoS感知的自动化服务组合研究。针对移动网络中Web服务供给的问题,研究了 QoS感知的自动化服务组合问题并且提出了两方面的优化方案。一方面研究了自动规划技术中的图规划算法和启发式搜索算法,并使用了自动规划模型,将图规划与启发式搜索相结合,提出了 Q-Graphplan算法,求解QoS感知的自动化服务组合问题。用标准测试集对算法性能进行了测试,并同经典的图规划服务组合算法进行了比较分析,实验结果表明Q-Graphplan减少了约77%冗余服务,平均组合时间降低了约24%。另一方面,为了解决服务组合优化问题中需要考虑的大量的QoS属性的问题,提出了一种多QoS优化目标的服务组合的MaSC算法,它借助了一个全新的时态模型,把待解决的服务组合复杂问题分解成为若干个简单的子问题,并且采用了 一个多目标的演化过程搜索近似最优的组合服务集合。采用标准测试集对算法性能进行了测试,并同现有的算法进行了比较分析,MaSC算法求得的服务组合解与最优的偏差减少了约28%,而平均组合时间降低了约73%。3)移动动态网络中的实时服务组合研究。针对在动态的移动网络环境中的服务供给问题,重点关注了在移动自组织网络中服务发现与实时组合的问题。移动自组织网络环境具有缺少中心管理节点、服务主机持续移动等特点,于是将移动服务组合问题建模为实时规划问题,并提出RTASC算法动态地构建移动网络中的服务流程并实时执行。RTASC可分为服务发现和服务执行两个步骤,在服务发现阶段,RTASC采用了去中心化的启发式的服务发现机制,在分散的服务主机节点中发现当前可用的移动服务,并根据服务的依赖关系反向构建启发式覆盖网络。在服务执行阶段,RTASC采用了一种带有前向探测的边规划边执行的策略,实时的规划和执行组合服务。在模拟环境下测试了算法性能,并和现有的同类算法进行了比较分析,结果表明RTASC的组合时间降低了约20%,组合失败率降低了约35%。
贾伟溦[6]（2020）在《求解特征选择问题的演化优化算法研究》文中研究指明随着经济水平和信息技术水平的高速发展,当今社会已经完全进入了数据时代。但是,这些数据都具备较高的维度,并且数据中很多特征都是无用的,这些特性会造成数据存储空间利用率低下、分类性能降低、运行效率低下等诸多问题。所以,快速而有效地找到最优的数据是必须要考虑并解决的问题。特征选择作为数据预处理的重要手段,在处理大量高维数据以解决分类问题时,可以有效地提高分类问题的分类精度并降低时间复杂度,从而很好地提高机器学习算法的性能。近些年来,演化算法由于具有很好的全局搜索能力而被广泛用于求解特征选择问题。但是,当数据集的维度增加到一定程度时,许多不相关或冗余的特征使诸多方法易陷入“维度灾难”和局部最优等问题。许多现有的演化算法不能有效地解决这类问题,而且大部分研究者都是从参数和结构优化等角度来改进演化算法的性能。为了从不同的角度提升演化算法的性能,更好地解决特征选择问题,特别是大规模的特征选择问题,本文在粒子群优化算法的基础上,主要做了以下研究工作:（1）有效的种群初始化方法可以改进演化算法的收敛性能以求解特征选择问题。但是,现有的研究中,对种群初始化的研究相对较少,而过滤式方法简单且效率较高,可以快速评估和选择有用的特征,尚没有被广泛应用于改进种群初始化。因此,针对此问题,提出了基于过滤式（Filter）和阈值的种群初始化改进的粒子群优化算法（Particle Swarm Optimization with Filter and Threshold Selection-based Population Initialization,FTSI-PSO）,并将其用于求解特征选择问题。（2）针对FTSI-PSO算法普适性小、未能充分利用特征之间的交互性等问题,提出基于Filter和概率的种群初始化改进的粒子群优化算法。实验结果表明,该算法在解决特征选择问题时,具备较好的收敛速度和较高的分类性能。（3）针对大规模多目标特征选择问题的局部最优停滞问题,提出了多目标自适应粒子群优化算法。该算法将分类准确度和解大小作为两个目标。在PSO算法的基础上,采用自适应机制、快速非支配排序方法、拥挤度距离计算方法和精英策略构建该多目标特征选择算法。实验结果表明,在解决特征选择问题时,该算法的性能要优于其他的多目标算法。
李璐[7]（2020）在《基于双层分解的并行多目标演化算法研究》文中研究说明现实世界中存在大量待解决的多目标优化问题,且此类问题的复杂度随着科技的发展而不断增加。演化多目标优化算法是处理多目标优化问题的常用手段,但是演化算法的计算速度较慢,这一缺陷限制了其在对时间性能要求严格的多个领域的优化问题上的应用。近年来基于分解的多目标演化算法（Multi-objective Evolutionary Algorithm Based on Decomposition,MOEA/D）得到了越来越多学者的青睐,MOEA/D采用分解方法将一个多目标优化问题分解为一系列单目标优化子问题同时进行优化,并且利用一组均匀分布的权重向量来保障解集的多样性。MOEA/D搜索能力强、计算效率高的特点使得它在多目标优化问题上取得了良好效果,但其在解决大规模、高维度等复杂多目标优化问题时仍会出现收敛速度慢、解集多样性损失等缺陷。本文针对演化算法计算速度慢以及MOEA/D在处理复杂多目标优化问题时的缺陷展开工作,进一步研究了如何提升演化算法的计算效率以及它在处理高维或Pareto前沿面形状复杂的多目标优化问题时表现出的求解性能。本文的主要研究成果如下:（1）本文提出了一种基于双层分解的并行多目标演化算法pMOEA/BD,它采用一种求解局部Pareto前沿面的搜索策略,并通过权重空间的划分将单个种群分解为多个子种群并行协作演化以提升算法的计算性能,最后将各子种群聚合输出,即可得到原问题的全局Pareto前沿面。此外,本文在pMOEA/BD算法中设计了一种基于邻居的自适应个体迁移策略,使得子种群在演化过程中可以基于差异化思想自适应选择邻居进行知识交换,该策略为算法提供了更好的解集多样性。本文将pMOEA/BD在具有不同目标个数的标准测试函数上进行了实验,并通过与其他三种具有代表性的演化算法进行对比从而验证了pMOEA/BD的有效性。研究结果表明,pMOEA/BD的性能显着优于原始MOEA/D,尤其在处理高维多目标优化问题时pMOEA/BD的优势更明显。（2）针对复杂性较高的多目标水库优化调度问题,本文建立了同时保证水库上游大坝与水库自身安全和下游防洪安全的两目标优化模型以及同时包含水库上下游防洪安全和最大化发电量的三目标优化模型,并对模型的复杂性进行深入分析。本文将pMOEA/BD应用于水库优化调度问题,发现其在两目标优化模型上表现良好,但由于三目标优化模型的Pareto前沿面形状过于复杂,使用一组均匀分布的权重向量难以得到分布性和均匀性均优秀的解集。故此本文提出了一种基于Delaunnay三角剖分改进的多目标水库优化调度算法pMOEA/BD-DT。该算法在运行初期演化出一个小规模种群,并利用该种群中的一部分具有代表性的解进行Delaunnay三角剖分并在划分出的每一个三角网格内生成一组新的权重向量,从而在之后的演化过程中将算法的搜索方向引导至更有希望的区域上。最后以陕西安康水库的六场洪水作为实验对象,通过与其他三种算法进行对比实验证明了本文提出的基于双层分解的并行多目标水库防洪调度算法的有效性和优越性。
程天培[8]（2020）在《面向约束问题的双阶段自适应差分演化算法及其应用》文中认为在工业生产和工程实践领域存在大量约束优化问题,求解带有约束条件的优化问题较为复杂。传统的数学方法解决该类问题时十分困难,因此,启发式算法因其简单的设计结构和易实现的特点迅速的被相关研究人员所关注。约束处理技术是解决约束优化问题的一个关键技术。由于约束条件的存在使得求解约束优化问题时面临着解空间不连续和解空间非凸等挑战。约束处理的主要目的是平衡可行解和不可行解的关系使得约束优化问题能找到全局最优解。目前使用最为广泛的约束处理技术有四类,分别为:罚函数法、约束目标分离法、多目标优化法和混合法。差分演化（DE）算法是Storn和Price于1995年提出的一种启发式算法,由于其在解决优化问题上的简单性和高效性备受研究工作者的青睐。本文分析了差分进化的六种变异算子并简述了三个基于差分进化的约束优化算法FROFI、CMAD 和 e-DE。本文在分析约束优化问题特点的基础上,提出了一种双阶段多策略的自适应参数差分演化算法FG-ADE。采用分阶段的策略和自适应参数的策略对传统的DE约束优化算法进行改进。第一,采用Freedom和Governance策略将整个约束优化算法分为偏向目标函数和偏向约束处理技术两个阶段。在Freedom阶段,群体不考虑约束限制仅将目标值作为进化方向,其目的是使群体能快速分布在适应值较优区域。在Governance阶段,加入约束限制,个体比较以约束违背度作为第一准则,其目的是使个体能迅速进入可行域。第二,采用自适应的方法为不同问题或同一问题的不同阶段选择合适的参数以此来提高算法的健壮性。同时我们对FG-ADE算法的关键参数进行了比较、分析。在CEC2010的18个基准测试函数上的测试结果表明,FG-ADE的性能较其他同类约束优化算法有显着的优势。另外,本文将FG-ADE算法用于解决经济学领域的投资组合问题,在改进的均值-方差模型上测试了 FG-ADE的性能。测试结果显示,相较于其他同类型的算法FG-ADE约束优化算法在经济学投资组合问题上求得的结果更好,此外FG-ADE算法表现出的健壮性也远高于其他算法。
许芳[9]（2020）在《基于决策偏好的交互式多目标演化算法研究》文中研究表明具有相互冲突目标的多目标优化问题广泛存在于多个研究领域和工程实践领域中。基于分解的演化算法MOEA/D利用分而治之的思想,将一个复杂的多目标优化问题分解为多个单目标优化问题后同时处理,其计算复杂度较低,是解决多目标优化问题的主流算法。但是随着目标数目的增长,为了更好的逼近全局Pareto Front（PF）,算法所需的种群规模需以指数的速度增长,计算资源消耗增大。偏好多目标演化算法引入了决策者的偏好信息来缩小算法的搜索范围,只需求得部分PF,不仅能缓解求解高维问题时面临的种群规模限制问题,还能提供更容易被决策者采纳的偏好解。因此,基于分解的偏好多目标演化算法受到越来越多研究者的青睐。但是现有基于分解的偏好算法在分解方法上存在一定的缺陷,且不支持决策者与算法的交互。在求解水库防洪调度等这类复杂的实际问题时,使用现有种群生成方法的算法收敛速度较慢。本文从对分解方法的改进和对复杂实际问题的适用两方面展开工作,具体如下:（1）针对现有基于偏好点的分解方法存在的问题,提出了基于决策偏好的交互式多目标演化算法i-MOEA/D。首先从理论上分析了沿单位向量方向投影的分解方法在求解PF复杂的问题时,会造成偏好区域偏离偏好点的问题,研究了一种能够修正偏好区域位置的最近邻点加权的分解方法。其次结合允许决策者更改偏好点的交互式思想,在每次交互的后三分之二阶段修正偏好区域的位置,形成了面向交互的改进分解策略,嵌入MOEA/D算法框架,提出了i-MOEA/D算法。最后,在PF复杂的测试问题上与使用现有分解方法的算法进行对比,验证了改进分解策略的有效性,并分别在低维和高维的测试问题上,与其他三种具有代表性的偏好算法进行对比,验证了i-MOEA/D算法的优越性。（2）针对水库的防洪调度问题,提出了数据驱动的交互式水库防洪调度算法DD-MOEA/D。首先从理论上分析了常用的随机初始化方法和种群更新方法导致算法收敛缓慢和响应偏好点变化速度慢的问题。其次结合水库防洪调度问题的特性,基于相似洪水的调度方案和偏好点信息,研究了一种数据驱动的种群生成方法。在i-MOEA/D算法的基础上,使用数据驱动的种群初始化方法生成初始种群,并在每次发生交互后自适应地引入数据驱动生成种群的信息,提出了DD-MOEA/D算法。最后分别在陕西安康水库6场洪水的防洪调度问题上,与i-MOEA/D算法进行对比,结果表明DD-MOEA/D算法能更快地响应交互,收敛到新的偏好区域,并验证了其有效性和稳定性。
陈黄科[10]（2019）在《面向对地观测大数据云服务的天地一体优化方法》文中研究说明面对不断提高的卫星成像分辨率以及快速增加的在轨卫星,天基对地观测卫星系统获取数据的速度和总量都呈爆炸式增长。据报道,我国在轨卫星每天获取的对地观测数据高达数百个TB,而且增长势头强劲,这意味着对地观测大数据时代已经来临。当前,用户对卫星对地观测数据服务提出新要求。在时间分辨率上,用户急需卫星对地观测数据在获取、传输、处理和分发整个流程中的响应趋向近实时化;在空间分辨率上,用户需要卫星图像的分辨率高达亚米级、甚至厘米级;且观测范围覆盖全球。特别是面向包括时敏目标、海上移动目标、抗震救灾等应用场景时,用户对卫星对地观测数据服务的时空分辨率提出更高要求。我国当前的对地观测卫星和通信卫星各成体系,管理隔离,对地观测数据服务的响应速度慢,资源利用率低,已难以满足动态高并发全球范围内高时空分辨率服务需求。为了提高卫星覆盖能力、缩短响应时间、提高体系协同能力,一种有效的途径是实现多星组网,并耦合卫星网络和地面云计算形成天地一体化平台。以对地观测数据直接服务用户为核心,打通由用户请求发起、卫星数据获取、传输、处理、情报提取与分发共享、直至用户应用的快速服务通道。在任务驱动下,协同组织和优化星地数据获取、传输、计算、存储、数据处理等资源,从而支撑近实时甚至实时的卫星对地观测数据服务。本文重点研究以下五个关键问题:对地观测数据获取环节的任务调度、数据传输环节的星间数据卸载优化、数据处理环节的实时调度、安全管理和不确定优化。通过解决以上关键问题,本文主要做了以下五点贡献:（1）提出面向卫星多目标调度的自适应演化方法针对卫星对地观测任务多目标调度问题,本文设计一个基于目标空间划分的自适应多目标演化算法,在保持种群多样性的同时加速种群的收敛速度,从而快速搜索一组高效解来平衡卫星对地观测任务调度中多个相互冲突目标。在其中,本文定义一个新的指标来度量多目标演化算法中每个子空间对种群收敛的贡献,并提出一个自适应策略,根据子空间对种群收敛的贡献,自适应地将计算资源分配给不同子空间。（2）提出面向卫星大数据卸载的自组织优化方法针对卫星网络资源受限、高动态星间拓扑以及对地观测数据产生的随机性和突发性,本文提出了一种自组织优化方法,用于卸载卫星网络中对地观测大数据,从而近实时地下传到地面站。具体而言,该方法中定义了卫星梯度来充分反映其可用资源与约束之间的关系,并设计一种新的策略来更新每颗卫星的邻域,以处理卫星拓扑的高动态性。在卫星梯度和邻域的基础上,本文提出一种基于双向选择的优化策略,该策略支持每颗卫星通过与相邻卫星交互来进行数据卸载决策。（3）提出云计算中面向对地观测大数据处理的实时调度方法对地观测大数据流不断到达地面站,并动态地提交到云计算进行实时或近实时处理。对地观测数据流的随机性与突发性严重挑战云计算资源的快速响应能力。为了解决以上问题,本文将对地观测大数据的处理过程建模为实时工作流,每个工作流对应一份数据的处理流程,并推导出两个推论来最小化一组工作流任务的完成时间和每个工作流任务的开始时间。然后,本文定义了工作流任务的最晚完成时间,并证明最晚完成时间有助于减少对地观测大数据处理成本而不延误其完成时间。在此基础上,本文提出一个基于任务复制的调度算法,以实时调度大数据流到云计算平台进行处理,最大限度地缩短云计算的响应时间和降低处理大数据流的成本。（4）提出云计算中面向对地观测大数据处理的安全感知调度方法数据加密是保障安全性敏感对地观测大数据的重要手段,但是,数据加密的时间开销将延迟大数据处理的完成时间和增加成本。为了解决以上问题,本文首先从理论上分析如何复制任务来缓解数据传输和加密开销对任务开始时间的延迟,并提出一种面向安全敏感工作流的调度方法,其中包含两个重要阶段:1)任务调度,利用资源的空闲时隙,有选择地复制部分前驱任务来改善任务的开始时间和资源利用;2)挖掘任务的松弛时间对中间数据进行加密,以缓解数据加密开销冲击任务开始时间和工作流完成时间。（5）提出云计算中面向对地观测大数据处理的不确定感知调度方法针对不确定因素严重冲击云计算平台处理对地观测大数据的性能,本文设计一个新颖的调度框架来控制每个服务实例上等待任务的数量,以阻止不确定性传播。基于这个框架,本文提出一个不确定感知的在线算法来调度带截止期的大数据处理工作流。该算法巧妙地整合了一个前摄性和一个反应式策略,在运行基准调度方案期间,动态调用算法中的反应式策略来生成能够处理不确定因素的前摄性调度方案。
二、基于多目标演化算法的SOC设计空间搜索策略研究（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、基于多目标演化算法的SOC设计空间搜索策略研究（论文提纲范文）
（1）基于多目标优化的SQL语句测试用例生成（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 自动化测试用例生成 |
| 1.1.2 SQL语句 |
| 1.1.3 覆盖准则 |
| 1.1.4 元启发式算法 |
| 1.2 相关工作 |
| 1.2.1 SQL语句的测试用例生成 |
| 1.2.2 基于多目标的测试用例生成 |
| 1.3 研究内容及创新点 |
| 1.4 论文组织结构 |
| 2 测试数据库生成问题 |
| 2.1 问题模型 |
| 2.1.1 测试数据库生成问题模型 |
| 2.1.2 测试数据库约简问题模型 |
| 2.2 测试数据库生成框架 |
| 2.2.1 问题求解流程 |
| 2.2.2 覆盖目标生成 |
| 2.2.3 测试数据库评价 |
| 3 基于多目标的测试数据库生成方法 |
| 3.1 目标间关系障碍 |
| 3.2 多目标策略 |
| 3.2.1 多目标模型 |
| 3.2.2 多目标排序策略 |
| 3.2.3 动态目标调整策略 |
| 3.3 演化算法设计 |
| 3.4 本章小结 |
| 4 基于分解的测试数据库约简方法 |
| 4.1 测试数据库膨胀 |
| 4.2 子问题分解策略 |
| 4.3 局部搜索算子 |
| 4.4 本章小结 |
| 5 实验 |
| 5.1 实验准备 |
| 5.2 覆盖率评估 |
| 5.3 测试数据库规模评估 |
| 5.4 算法效率评估 |
| 5.5 算法在每个实例上的表现 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（2）迁移演化计算及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与创新点 |
| 1.4 本文结构安排 |
| 第二章 多因子演化算法 |
| 2.1 引言 |
| 2.2 算法分析 |
| 2.2.1 基本定义 |
| 2.2.2 算法流程 |
| 2.3 实验结果 |
| 2.3.1 基准测试问题 |
| 2.3.2 结果分析 |
| 2.4 本章小结 |
| 第三章 基于异维多因子神经演化算法求解混沌时间序列预测问题 |
| 3.1 引言 |
| 3.2 异维多因子演化算法 |
| 3.2.1 MFEA的缺陷分析 |
| 3.2.2 HD-MFEA算法流程 |
| 3.2.3 数值实验与分析 |
| 3.2.4 超参数分析 |
| 3.3 异维多因子神经演化算法 |
| 3.3.1 混沌时间序列预测 |
| 3.3.2 算法原理 |
| 3.3.3 实验分析 |
| 3.4 本章小结 |
| 第四章 基于并行狮群算法求解旅行商问题 |
| 4.1 引言 |
| 4.2 狮群优化算法 |
| 4.3 离散狮群算法 |
| 4.3.1 C2-OPT算法 |
| 4.3.2 算法流程 |
| 4.4 并行狮群算法 |
| 4.5 实验结果及分析 |
| 4.5.1 离散狮群算法结果分析 |
| 4.5.2 并行狮群算法结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来的工作展望 |
| 附录A 异维多任务优化测试问题 |
| 附录B 混沌时间序列拟合结果对比图 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文和参加科研情况 |
| 学位论文评阅及答辩情祝表 |
（3）基于多目标优化理论的高光谱遥感影像亚像元制图方法研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| ABSTRACT |
| 英文缩略词索引 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 亚像元制图的研究现状 |
| 1.2.1 亚像元制图研究的难点问题 |
| 1.3 多目标优化理论在亚像元制图中的应用潜力 |
| 1.4 本论文的研究内容与章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 1.5 本章小结 |
| 2 亚像元制图和多目标优化概述 |
| 2.1 亚像元制图基本理论与方法 |
| 2.1.1 混合像元光谱分解 |
| 2.1.2 亚像元制图基本方法 |
| 2.1.2.1 基于空间吸引力模型的单影像亚像元制图方法 |
| 2.1.2.2 基于最大后验概率模型的单影像亚像元制图方法 |
| 2.1.2.3 基于稀疏表达的单影像亚像元制图方法 |
| 2.1.2.4 多时相影像辅助的时空谱融合亚像元制图方法 |
| 2.1.2.5 多偏移影像辅助的亚像元制图方法 |
| 2.2 多目标优化基本理论与方法 |
| 2.2.1 多目标优化问题 |
| 2.2.2 多目标演化算法概述 |
| 2.2.2.1 演化算法 |
| 2.2.2.2 多目标演化算法基本流程 |
| 2.2.2.3 多目标演化算法体系 |
| 2.2.3 典型多目标演化算法 |
| 2.2.3.1 快速非占优排序遗传算法NSGA-II |
| 2.2.3.2 基于分解的多目标进化算法MOEA/D |
| 2.3 本章小结 |
| 3 单影像非凸稀疏亚像元多目标优化制图 |
| 3.1 稀疏亚像元制图多目标优化问题建模 |
| 3.2 基于多目标演化算法的稀疏亚像元制图模型求解 |
| 3.2.1 K-SVD空间分布模式字典学习 |
| 3.2.2 亚像元制图稀疏系数编码 |
| 3.2.3 最优稀疏系数求解 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设计 |
| 3.3.2 精度指标 |
| 3.3.3 实验结果 |
| 3.3.4 敏感度分析 |
| 3.3.5 计算复杂度分析 |
| 3.4 本章小结 |
| 4 基于多目标优化的多影像最优融合亚像元制图 |
| 4.1 多目标时空融合亚像元制图方法 |
| 4.1.1 时空初融合 |
| 4.1.2 时空融合亚像元制图的多目标优化问题建模 |
| 4.1.3 时空融合亚像元制图多目标优化模型求解 |
| 4.1.4 实验结果与分析 |
| 4.2 基于全局-局部搜索的多偏移影像亚像元制图 |
| 4.2.1 多偏移影像亚像元制图的多目标优化问题建模 |
| 4.2.2 多偏移影像亚像元制图多目标优化模型求解 |
| 4.2.3 实验结果与分析 |
| 4.3 本章小结 |
| 5 基于多目标优化的联合分解亚像元制图 |
| 5.1 联合分解的亚像元制图模型 |
| 5.2 基于多目标优化的联合分解亚像元制图算法 |
| 5.2.1 分解制图一体化编码 |
| 5.2.2 基于多目标优化的分解制图同步优化 |
| 5.3 实验结果与分析 |
| 5.3.1 实验结果 |
| 5.3.2 敏感度分析 |
| 5.4 本章小结 |
| 6 亚像元制图原型系统 |
| 6.1 系统架构设计 |
| 6.2 系统方法对比 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
（4）流程工业调度模型与算法及其在造纸工业中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要研究内容和章节安排 |
| 1.3.1 主要的研究内容 |
| 1.3.2 章节安排 |
| 2 生产调度基本概念及造纸企业生产调度中存在的问题 |
| 2.1 生产调度的提出 |
| 2.2 调度问题描述、分类及特性 |
| 2.2.1 调度问题的描述 |
| 2.2.2 车间调度问题的分类 |
| 2.2.3 车间调度问题的特点 |
| 2.3 流程工业生产调度 |
| 2.3.1 流程工业生产调度及其特点 |
| 2.3.2 流程工业生产调度的分类 |
| 2.3.3 流程工业生产调度的方法 |
| 2.4 造纸企业生产调度问题 |
| 2.4.1 订单与排产计划安排 |
| 2.4.2 排产计划与生产计划冲突 |
| 2.4.3 生产管理缺陷 |
| 2.4.4 质量管理 |
| 2.4.5 仓储管理 |
| 2.4.6 问题成因分析 |
| 2.5 本章小结 |
| 3 基于分解多目标演化算法的造纸企业生产调度研究 |
| 3.1 引言 |
| 3.2 造纸企业生产过程简述 |
| 3.2.1 第一阶段加工生产过程 |
| 3.2.2 第二阶段加工生产过程 |
| 3.3 生产调度模型的建立 |
| 3.3.1 造纸企业的生产调度流程描述 |
| 3.3.2 生产调度性能指标 |
| 3.3.3 造纸企业生产调度数学模型 |
| 3.4 生产调度模型的求解算法 |
| 3.4.1 基于分解的多目标演化算法 |
| 3.4.2 算法设计的关键步骤 |
| 3.4.3 实验数据 |
| 3.5 数值实验与结果分析 |
| 3.5.1 参数设置 |
| 3.5.2 评价指标 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 4 基于负相关搜索算法的造纸企业立体仓库优化调度研究 |
| 4.1 自动化立体仓库概述 |
| 4.1.1 自动化立体仓库的结构 |
| 4.1.2 自动化立体仓库的分类与特点 |
| 4.2 自动化立体仓库货位分配优化 |
| 4.2.1 问题描述 |
| 4.2.2 数学模型的建立 |
| 4.3 立体仓库调度模型的求解算法 |
| 4.3.1 负相关搜索算法 |
| 4.3.2 算法设计的关键步骤 |
| 4.4 数值实验与结果分析 |
| 4.4.1 参数设置 |
| 4.4.2 评价指标 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于量子进化算法的造纸企业项目调度研究 |
| 5.1 项目调度概况 |
| 5.2 多模式资源项目调度描述以及数学建模 |
| 5.3 基于量子进化算法的多模式资源项目调度问题实现 |
| 5.3.1 量子进化算法概述 |
| 5.3.2 编码方案 |
| 5.3.3 解码方案 |
| 5.3.4 不可行方案的修复 |
| 5.3.5 个体的适应度评价 |
| 5.3.6 量子种群更新 |
| 5.3.7 算法流程图 |
| 5.4 算例分析与结果评价 |
| 5.4.1 典型案例验证及结果分析 |
| 5.4.2 随机案例验证及结果分析 |
| 5.5 本章小结 |
| 6 基于云平台的造纸企业智能MES系统的设计与实现 |
| 6.1 MES系统概述 |
| 6.2 系统总体解决方案 |
| 6.2.1 造纸企业ERP、MES和PCS的体系结构 |
| 6.2.2 造纸企业智能MES系统构架 |
| 6.3 系统主要功能模块介绍 |
| 6.3.1 系统管理模块 |
| 6.3.2 信息查询模块 |
| 6.3.3 设备管理模块 |
| 6.3.4 生产管理模块 |
| 6.3.5 仓储管理模块 |
| 6.3.6 品质管理模块 |
| 6.3.7 数据分析模块 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 研究工作创新点 |
| 7.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的成果 |
（5）移动网络中面向终端用户的服务生成关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要缩略语及中英文对照 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 Web组件与跨平台移动应用开发 |
| 1.1.2 Web服务与面向服务的计算 |
| 1.1.3 移动动态网络中的服务组合 |
| 1.2 研究内容与主要贡献 |
| 1.3 本文的组织结构 |
| 第二章 相关研究综述 |
| 2.1 整体研究规划 |
| 2.2 面向终端用户的移动应用开发技术介绍 |
| 2.2.1 编程式开发环境 |
| 2.2.2 图形化开发环境 |
| 2.2.3 跨平台技术介绍 |
| 2.2.4 Web组件技术介绍 |
| 2.3 QoS感知的自动化服务组合技术 |
| 2.3.1 Web服务技术 |
| 2.3.2 静态的服务组合技术 |
| 2.3.3 自动化的服务组合技术 |
| 2.4 移动动态网络中的服务组合技术 |
| 2.4.1 开放式服务发现技术 |
| 2.4.2 分布式服务组合技术 |
| 2.4.3 实时启发搜索技术 |
| 2.4.4 本章小结 |
| 第三章 面向终端用户基于组件的跨平台移动应用生成模型研究 |
| 3.1 引言 |
| 3.2 研究动机及问题分析 |
| 3.3 跨平台移动应用组件化生成模型 |
| 3.3.1 服务组件模型 |
| 3.3.2 跨平台移动应用模型 |
| 3.4 系统架构 |
| 3.5 系统演示和评估 |
| 3.5.1 系统实现 |
| 3.5.2 示例应用开发 |
| 3.5.3 可用性评估 |
| 3.6 结论与展望 |
| 第四章 基于扩展图规划的QoS感知的自动化服务组合方法研究 |
| 4.1 引言 |
| 4.2 研究动机及问题分析 |
| 4.3 服务组合相关概念定义 |
| 4.3.1 服务模型 |
| 4.3.2 QoS模型 |
| 4.3.3 问题定义与映射 |
| 4.4 Q-Graphplan |
| 4.4.1 构建扩展的规划图 |
| 4.4.2 提取启发信息 |
| 4.4.3 转换图 |
| 4.4.4 反向A~*搜索 |
| 4.5 实验结果与分析 |
| 4.5.1 实验环境与数据集 |
| 4.5.2 实验结果与分析 |
| 4.6 结论与展望 |
| 第五章 基于时态模型和多目标优化的QoS感知自动化服务组合方法研究 |
| 5.1 引言 |
| 5.2 研究动机及问题分析 |
| 5.3 问题定义与概念描述 |
| 5.3.1 问题定义 |
| 5.3.2 Pareto集合概念 |
| 5.4 时间线模型概念 |
| 5.4.1 时态子目标 |
| 5.4.2 服务执行时间线 |
| 5.5 多目标优化的QoS感知自动化服务组合方法 |
| 5.5.1 流程概述 |
| 5.5.2 初始化过程 |
| 5.5.3 演化过程 |
| 5.6 实验测试与结果分析 |
| 5.6.1 实验数据集 |
| 5.6.2 实验环境与参数配置 |
| 5.6.3 实验结果分析 |
| 5.6.4 复杂度分析 |
| 5.7 结论和展望 |
| 第六章 移动动态网络中实时自动化服务组合方法研究 |
| 6.1 引言 |
| 6.2 研究动机及问题分析 |
| 6.3 实时服务组合基本概念 |
| 6.3.1 服务模型 |
| 6.3.2 实时约束 |
| 6.3.3 问题定义 |
| 6.4 基于前向探测的实时自动化服务组合方法 |
| 6.4.1 流程概述 |
| 6.4.2 启发式服务发现方法 |
| 6.4.3 基于前向探测的实时组合 |
| 6.5 实验测试与结果分析 |
| 6.5.1 实验环境与参数配置 |
| 6.5.2 实验结果与分析 |
| 6.6 结论与展望 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（6）求解特征选择问题的演化优化算法研究（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 研究现状和问题 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 基于过滤式和阈值的改进粒子群优化算法在特征选择应用中的研究 |
| 2.1 基本粒子群优化算法 |
| 2.2 特征选择问题模型 |
| 2.2.1 种群解的表示方式 |
| 2.2.2 种群解的更新策略 |
| 2.3 基于过滤式和阈值的改进粒子群优化算法 |
| 2.3.1 过滤式算法Relief |
| 2.3.2 算法基本思想和过程 |
| 2.4 实验设计与分析 |
| 2.4.1 数据集 |
| 2.4.2 参数设置 |
| 2.4.3 实验结果和分析 |
| 2.5 本章小结 |
| 第三章 基于过滤式和概率的改进粒子群优化算法在特征选择应用中的研究 |
| 3.1 两种典型的过滤式算法 |
| 3.1.1 信息增益 |
| 3.1.2 Fisher Score |
| 3.2 基于过滤式和概率的改进粒子群优化算法 |
| 3.3 实验设计与分析 |
| 3.3.1 数据集 |
| 3.3.2 参数设置 |
| 3.3.3 实验结果和分析 |
| 3.4 本章小结 |
| 第四章 基于多目标自适应粒子群优化算法的特征选择研究 |
| 4.1 多目标特征选择问题模型 |
| 4.2 多目标自适应粒子群优化算法 |
| 4.2.1 候选解生成策略(CSGS) |
| 4.2.2 自适应机制 |
| 4.2.3 快速非支配排序方法、拥挤度距离计算方法和精英策略 |
| 4.2.4 算法基本思想和过程 |
| 4.3 实验设计与分析 |
| 4.3.1 数据集和分类器 |
| 4.3.2 参数设置 |
| 4.3.3 算法性能指标 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）基于双层分解的并行多目标演化算法研究（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 引言 |
| 1.2 多目标演化算法的研究现状 |
| 1.3 并行多目标演化算法的研究现状 |
| 1.4 水库优化调度方法的研究现状 |
| 1.5 本文的主要工作和组织安排 |
| 第二章 多目标优化问题相关描述 |
| 2.1 多目标优化问题描述 |
| 2.1.1 多目标优化问题的数学模型 |
| 2.1.2 Pareto相关定义 |
| 2.2 基于分解的多目标演化算法 |
| 2.2.1 MOEA/D的常用分解方法 |
| 2.2.2 MOEA/D算法流程 |
| 2.3 演化算法常用的并行模型 |
| 2.4 本章小结 |
| 第三章 基于双层分解的并行多目标演化算法 |
| 3.1 MOEA/D算法特性分析 |
| 3.2 基于双层分解的改进策略 |
| 3.2.1 针对局部PF的搜索策略研究 |
| 3.2.2 权重空间的划分策略 |
| 3.2.3 分区演化的孤岛并行模型 |
| 3.2.4 基于邻居的自适应个体迁移策略 |
| 3.3 pMOEA/BD算法框架 |
| 3.4 实验设置 |
| 3.4.1 多目标优化问题的标准测试集 |
| 3.4.2 多目标优化算法的性能度量指标 |
| 3.4.3 对比算法与参数设置 |
| 3.5 实验结果分析 |
| 3.5.1 pMOEA/BD的有效性分析 |
| 3.5.2 基于性能度量指标的算法对比研究 |
| 3.5.3 权重划分方式对算法性能的影响 |
| 3.5.4 算法参数敏感性分析 |
| 3.6 本章小结 |
| 第四章 基于并行多目标演化算法的水库优化调度研究 |
| 4.1 水库优化调度模型及其复杂性分析 |
| 4.1.1 水库优化调度模型 |
| 4.1.2 水库优化调度模型复杂性分析 |
| 4.2 新的权重生成策略 |
| 4.2.1 权重向量对水库调度方案的影响 |
| 4.2.2 Delaunay三角剖分 |
| 4.2.3 基于Delaunay三角剖分的空间划分策略 |
| 4.2.4 在三角网格中重新生成权重向量 |
| 4.3 pMOEA/BD-DT:基于 DT 改进的并行多目标水库优化调度算法 |
| 4.4 实验设置 |
| 4.4.1 实验对象 |
| 4.4.2 水库优化调度算法的性能度量指标 |
| 4.4.3 对比算法与参数设置 |
| 4.5 实验结果分析 |
| 4.5.1 在两目标水库优化调度模型上的对比研究 |
| 4.5.2 在三目标水库优化调度模型上的对比研究 |
| 4.5.3 算法参数敏感性分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）面向约束问题的双阶段自适应差分演化算法及其应用（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 研究现状 |
| 1.2.1 罚函数法 |
| 1.2.2 目标和约束分离法 |
| 1.2.3 多目标优化法 |
| 1.2.4 混合法 |
| 1.3 论文所做工作及章节安排 |
| 第2章 差分演化算法及其在约束优化问题中的应用 |
| 2.1 差分演化算法概述 |
| 2.2 改进的差分演化算法 |
| 2.2.1 FROFI算法 |
| 2.2.2 CAMDE算法 |
| 2.2.3 e-DE算法 |
| 2.3 本章小结 |
| 第3章 基于双阶段多策略的自适应差分演化算法 |
| 3.1 研究动机 |
| 3.2 DE操作 |
| 3.2.1 策略集DEpool的构造 |
| 3.2.2 DE控制参数的设置 |
| 3.2.3 DE产生后代个体具体流程 |
| 3.3 参数和策略自适应选择机制 |
| 3.4 替换策略 |
| 3.5 算法流程 |
| 3.6 数值实验及结果分析 |
| 3.6.1 测试函数及参数设置 |
| 3.6.2 前后阶段的选择 |
| 3.6.3 前后阶段DE初始概率对比 |
| 3.6.4 交叉概率控制因子CR大小调整对比 |
| 3.6.5 自适应机制的效果 |
| 3.6.6 两种替换策略的作用 |
| 3.6.7 与其他算法对比 |
| 3.7 本章小结 |
| 第4章 基于双阶段多策略的自适应差分演化算法在投资组合问题上的应用 |
| 4.1 投资组合问题介绍 |
| 4.2 投资组合模型介绍 |
| 4.2.1 马科维茨均值-方差模型(Markowitz mean-variance model) |
| 4.2.2 有效边界和夏普比率模型 |
| 4.2.3 扩展的均值-方差模型 |
| 4.3 目标函数 |
| 4.4 实验参数及结果分析 |
| 4.4.1 参数设置 |
| 4.4.2 结果分析 |
| 4.4.3 与传统约束优化算法在投资组合问题上的性能比较 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 硕士期间的科研成果 |
| 致谢 |
（9）基于决策偏好的交互式多目标演化算法研究（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 引言 |
| 1.2 多目标演化算法研究现状 |
| 1.3 基于偏好的MOEA研究现状 |
| 1.4 本文的主要研究内容 |
| 1.5 本文的组织安排 |
| 第二章 交互式多目标优化相关技术 |
| 2.1 基于偏好的多目标优化问题描述 |
| 2.1.1 模型概述 |
| 2.1.2 Pareto支配与Pareto最优解 |
| 2.1.3 Pareto最优解集与Pareto最优前沿 |
| 2.1.4 偏好支配与偏好最优解 |
| 2.1.5 偏好表示模型 |
| 2.1.6 交互式算法原理 |
| 2.2 MOEA/D算法框架 |
| 2.2.1 算法思想 |
| 2.2.2 常用分解方法 |
| 2.3 算法性能指标 |
| 2.4 本章小结 |
| 第三章 基于决策偏好的交互式多目标演化算法 |
| 3.1 面向交互的改进分解策略 |
| 3.1.1 基于偏好点的分解方法分析 |
| 3.1.2 交互后阶段分解方法的改进 |
| 3.2 基于决策偏好的交互式多目标演化算法i-MOEA/D |
| 3.3 测试问题实验研究 |
| 3.3.1 测试问题 |
| 3.3.2 改进分解策略的有效性分析 |
| 3.3.3 对比算法与参数设置 |
| 3.4 与其他算法的对比 |
| 3.4.1 在MOP上的对比研究 |
| 3.4.2 在MaOP上的对比研究 |
| 3.5 本章小结 |
| 第四章 数据驱动的交互式防洪调度算法 |
| 4.1 水库防洪调度问题 |
| 4.1.1 水库防洪调度模型 |
| 4.1.2 调度模型复杂性分析 |
| 4.2 数据驱动的种群生成方法 |
| 4.2.1 种群生成方法分析 |
| 4.2.2 基于偏好点的种群生成方法 |
| 4.2.3 基于相似洪水和偏好点的种群生成方法 |
| 4.3 数据驱动的交互式防洪调度算法DD-MOEA/D |
| 4.4 实验研究与分析 |
| 4.4.1 实验对象 |
| 4.4.2 实验参数设置 |
| 4.4.3 有效性分析 |
| 4.4.4 实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）面向对地观测大数据云服务的天地一体优化方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题及意义 |
| 1.2.1 解决的关键问题 |
| 1.2.2 军事应用 |
| 1.2.3 理论意义 |
| 1.3 相关研究 |
| 1.3.1 卫星对地观测任务调度与多目标演化优化 |
| 1.3.2 卫星对地观测数据传输优化方法 |
| 1.3.3 面向大数据云处理的优化方法 |
| 1.4 论文主要内容与创新点 |
| 1.4.1 研究内容 |
| 1.4.2 主要创新点 |
| 1.4.3 论文结构 |
| 第二章 对地观测大数据云服务架构与关键问题 |
| 2.1 相关概念 |
| 2.1.1 多星组网 |
| 2.1.2 云计算设施 |
| 2.1.3 天地一体化架构与数据服务 |
| 2.2 典型应用场景 |
| 2.2.1 空军超视距作战应用 |
| 2.2.2 海上移动目标跟踪 |
| 2.3 关键技术分析 |
| 2.4 本章小结 |
| 第三章 自适应多目标演化优化及卫星调度应用 |
| 3.1 引言 |
| 3.2 面向卫星对地观测任务的多目标优化模型 |
| 3.2.1 卫星及对地观测任务模型 |
| 3.2.2 多目标优化模型 |
| 3.3 基于目标空间划分的自适应多目标演化算法 |
| 3.3.1 目标空间划分策略 |
| 3.3.2 计算资源自适应分配策略 |
| 3.3.3 算法描述 |
| 3.3.4 时间复杂度分析 |
| 3.4 实验验证 |
| 3.4.1 基于测试函数的性能测试 |
| 3.4.2 基于卫星对地观测任务调度的性能测试 |
| 3.5 本章小结 |
| 第四章 面向卫星大数据卸载的自组织优化方法 |
| 4.1 引言 |
| 4.2 模型与问题描述 |
| 4.2.1 模型 |
| 4.2.2 数据卸载优化模型 |
| 4.3 自组织优化方法 |
| 4.3.1 资源受限卫星的梯度 |
| 4.3.2 邻域更新策略 |
| 4.3.3 基于双向选择的优化策略 |
| 4.3.4 时间复杂度分析 |
| 4.4 实验验证 |
| 4.4.1 实验参数设置 |
| 4.4.2 卫星网络负载对算法性能的影响 |
| 4.4.3 偏移负载对算法性能的影响 |
| 4.5 本章小结 |
| 第五章 面向大数据流云处理的实时调度方法 |
| 5.1 引言 |
| 5.2 模型与问题描述 |
| 5.2.1 云计算平台调度模型 |
| 5.2.2 大数据流处理应用模型 |
| 5.2.3 问题描述 |
| 5.3 基于任务复制的实时调度算法 |
| 5.3.1 理论分析 |
| 5.3.2 算法描述 |
| 5.4 实验验证 |
| 5.4.1 实验设置 |
| 5.4.2 参数CCR对算法性能的影响 |
| 5.4.3 参数PF对算法性能的影响 |
| 5.4.4 算法在实际工作流上的性能 |
| 5.5 本章小结 |
| 第六章 面向大数据流云处理的安全感知调度方法 |
| 6.1 前言 |
| 6.2 模型与问题描述 |
| 6.2.1 云计算平台调度模型 |
| 6.2.2 安全敏感工作流模型 |
| 6.2.3 数据安全服务模型 |
| 6.2.4 问题描述 |
| 6.3 安全感知的调度算法 |
| 6.3.1 理论分析 |
| 6.3.2 算法描述 |
| 6.3.3 时间复杂度分析 |
| 6.4 实验验证 |
| 6.4.1 实验设置 |
| 6.4.2 安全需求对算法性能的影响 |
| 6.4.3 任务数量对算法性能的影响 |
| 6.4.4 参数CCR对算法性能的影响 |
| 6.4.5 并行度对算法性能的影响 |
| 6.4.6 实际工作流中的实验结果 |
| 6.5 本章小结 |
| 第七章 面向大数据流云处理的不确定感知调度方法 |
| 7.1 引言 |
| 7.2 模型与问题描述 |
| 7.2.1 服务实例模型 |
| 7.2.2 大数据流处理应用模型 |
| 7.2.3 不确定感知的调度框架 |
| 7.2.4 问题描述 |
| 7.3 不确定感知的调度算法 |
| 7.3.1 分析成本下界 |
| 7.3.2 任务排序 |
| 7.3.3 算法描述 |
| 7.3.4 时间复杂度分析 |
| 7.4 实验验证 |
| 7.4.1 实验设置 |
| 7.4.2 与成本下界的比较 |
| 7.4.3 任务运行时间的波动对算法性能的影响 |
| 7.4.4 数传时间的波动对算法性能的影响 |
| 7.4.5 工作流数量对算法性能的影响 |
| 7.4.6 算法的调度时间对比 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文总结 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、基于多目标演化算法的SOC设计空间搜索策略研究（论文参考文献）
- [1]基于多目标优化的SQL语句测试用例生成[D]. 董绍正. 大连理工大学, 2021(01)
- [2]迁移演化计算及其应用研究[D]. 张道庆. 山东大学, 2021(12)
- [3]基于多目标优化理论的高光谱遥感影像亚像元制图方法研究[D]. 宋蜜. 武汉大学, 2021
- [4]流程工业调度模型与算法及其在造纸工业中的应用研究[D]. 党世红. 陕西科技大学, 2021(01)
- [5]移动网络中面向终端用户的服务生成关键技术研究[D]. 王昭宁. 北京邮电大学, 2020(02)
- [6]求解特征选择问题的演化优化算法研究[D]. 贾伟溦. 南京信息工程大学, 2020(02)
- [7]基于双层分解的并行多目标演化算法研究[D]. 李璐. 西安电子科技大学, 2020(05)
- [8]面向约束问题的双阶段自适应差分演化算法及其应用[D]. 程天培. 华中师范大学, 2020(01)
- [9]基于决策偏好的交互式多目标演化算法研究[D]. 许芳. 西安电子科技大学, 2020(05)
- [10]面向对地观测大数据云服务的天地一体优化方法[D]. 陈黄科. 国防科技大学, 2019(01)