一、一种基于自适应算子和移民策略相结合的遗传算法（论文文献综述）
宋晓东[1]（2021）在《医药配送中心货到人拣选机器人多拣选台任务分配研究》文中研究说明目前,医药流通行业受到国家医药改革相关政策的影响,面临着在医药终端下单至送货到位的有限时间内,医药物流中心如何完成大量拆零订单的拣选作业,即如何提高拣选效率的困境。通过在实际中的应用,基于搬运机器人的“货到人”拣选系统已被证明是解决拆零拣选困境的重要手段之一。本文主要针对基于搬运机器人的“货到人”拣选系统中的订单问题进行研究,主要研究内容如下:首先针对基于搬运机器人的“货到人”拣选系统中,搬运通道有限所导致订单拣选问题,设计了基于波次订单的分批算法:针对波次运算后的分批订单,构建了以机器人搬运货架出入库次数为目标函数,完成了波次订单分批数学模型,针对分批结果的聚类程度设计了基于k-means算法的细分批算法,实现订单分批的合理聚类。其次对医药物流中心中的“货到人”拣选系统往往是多拣选台的场景,为了规避在药品的批次管理约束情况下传统订单分配策略带来的拣选台之间的订单耦合问题,对“货到人”拣选系统的订单分配问题进行了分析,建立了订单分配问题的数学模型,以最小化订单拣选完成时间为目标,求得较优的货箱到达顺序。为解决标准遗传算法在求解具有较大规模订单量的系统时易陷入局部最优解的问题,提出基于邻域搜索的自适应遗传算法。相比于标准遗传算法,改进遗传算法做出了两点优化:1.采用自适应交叉和变异概率,避免破坏优秀子代;2.在变异操作之后加入邻域搜索,以提高算法的局部搜索能力,避免算法过早收敛。最后,为了验证模型和算法的有效性与可靠性,通过MATLAB对算法进行仿真,实验结果证明本文提出的分批算法效果远强于传统FCFS算法。在订单分配算法方面,在解的优劣性方面,自适应遗传算法优于标准遗传算法;在算法运行时间方面,标准遗传算法优于自适应遗传算法。本文主要对基于搬运机器人的“货到人”拣选系统中多拣选台的订单问题进行研究,在国药等项目进行了部分实验验证,相关模型和算法可以为医药流通行业的实际应用提供一些参考,并为后续相关研究指明方向。
张自建[2]（2021）在《水轮机调速系统参数辨识与控制方法研究》文中研究指明水轮机调速系统在水电机组中承担着调节频率、维持水电机组输出功率与负荷功率平衡的重要作用,其调节性能对水电机组的稳定、高效运行具有十分显着的影响。然而水轮机调速系统是一个复杂的控制系统,系统内含有大量的非线性因素,其精确模型难以描述,尤其是水轮机内部水流流场复杂,无法建立解析的数学模型。相关研究多采用简化的线性模型,难以反映水轮机调速系统的真实运行特性,也限制了其控制方法的研究。为此,有必要研究水轮机调速系统的辨识方法,建立精确的系统模型,并进一步研究先进的控制方法。本文在深入研究水轮机调速系统非线性模型建模分析的基础上,采用参数辨识思路,结合多种群遗传算法对水轮机调速系统的系统参数进行辨识;以PID参数优化作为控制方法研究重点,引入MaxLIPO+TR参数优化算法,提高水轮机调速系统控制性能。本文主要研究内容如下:（1）针对水轮机调速系统参数辨识与控制方法研究的系统模型需求,对水轮机调速系统的工作原理进行分析,并对水轮机调速器、电液随动系统、压力引水系统、水轮机和发电机与负荷等模块进行了建模分析。针对水轮机模型难以描述的问题,采用神经网络模型描述其单位力矩、单位流量特性,并结合相关机理建立水轮机非线性模型。最终完成水轮机调速系统综合模型的建立,并在SIMULINK平台建立对应的仿真模型。（2）针对水轮机调速系统非线性模型参数辨识,采用多种群遗传算法,构建基于多种群遗传算法的参数辨识结构,通过构建适应度函数,将参数辨识问题转换为针对适应度函数的优化问题。通过仿真对比实验以及优化过程分析,验证了多种群遗传算法在水轮机调速系统参数辨识中的有效性。（3）引入MaxLIPO+TR作为水轮机调速系统PID参数优化算法,搭建了基于MaxLIPO+TR的PID参数优化结构。针对ITAE指标无法完全反映PID参数调节性能的问题,采用添加惩罚项的综合ITAE指标作为目标函数。通过仿真对比实验发现,MaxLIPO+TR能够在较短的时间内完成PID参数优化工作,且取得的优化效果良好。
王天泽[3]（2021）在《基于改进遗传算法对开式自然循环系统优化研究》文中研究指明自第一座核电站建成以来,人们越来越青睐于这种清洁又高效的发电方式。为了保证核电站运行安全,系统常常装配有排热装置用于事故发生时的安全壳排热。但是近几十年来发生的几次严重事故证明,依靠电力系统的排热系统在遇到洪水或强烈的震动时往往会失效,所以非能动安全系统逐渐被应用于安全壳排热,其中就包括利用自身密度差循环导出热量的开式自然循环系统。本文针对开式自然循环系统,应用自主改进的遗传算法对系统进行优化,在考虑排热量和效率的前提下提出了单位面积累计换热量的概念,使用算法对系统优化以找出使得单位面积累计换热量最佳的结构参数,本文的的研究内容分为以下三点:（1）了解开式自然循环系统的运行机理及流动瞬态特性,对系统的结构进行一定的简化,利用软件建立模型,验算系统前1400s的质量流量随时间变化的趋势,与参考文献数据进行对比,结果误差小于5%,验证了模型及后续计算结果的准确性。（2）对遗传算法进行改进,引入标记区间概念,当对某一基因值排列后,若有10%的个体的基因值区间小于该基因范围的15%,则将该区间中心5%标记,标记出可能使系统换热效果变差的惩罚区间以及可能使系统换热效果较好的免惩区间,当有某个新的个体的基因落入了标记区间,则对其进行特殊操作,通过这种方法旨在提高遗传算法交叉操作和变异操作的有效性,并使用其他多种已有的改进算法对不同的复杂函数来验算测试,从而验证本文算法的优化效果。（3）开展针对系统的实例优化研究。通过参数敏感度分析确定了由传热管高度、传热管根数、传热管内径、绝热管直径和绝热上升段高度构成的优化变量向量,以系统运行1400秒单位面积累积换热量作为优化目标,利用改进遗传算法获得在满足循环系统稳定性要求下的最优结构参数。最终得到的最优个体为:换热器高度、传热管根数、传热管内径、绝热段直径、绝热段高度取值分别为2.48m、100个、0.02m、0.24m、5.76m,经优化后的系统运行1400秒时单位面积累积换热量增加了20.8%,有效地改善了系统的换热能力。研究结果为系统结构参数的选取提供了数据支撑,具有一定的理论参考价值。
李宏伟[4]（2020）在《前端调速式风电机组并网运行自适应预测控制研究》文中研究指明交通能源互联网的发展为风电、光伏等新能源的消纳提供了新的途径,在加速交通信息化、网格化、多元化的同时推动了新能源的多场景应用,促进了交通、电力、能源行业的深度融合和协同发展。前端调速式风电机组作为一种电网友好型机组,采用液力变矩装置实现对机组转速的调节,并利用电励磁同步发电机与电网直接耦合,在结构上解决了传统机组依赖变流器进行并网控制和转速调节的局限性。本文通过深入分析前端调速式风电机组的结构特性和影响其运行控制的诸多因素,从机组建模入手,针对机组并网控制性能不佳的问题,重点开展了以下几方面创新性研究工作:（1）详细分析了前端调速式风电机组的基本运行原理,根据机组并网自适应预测控制的需求,基于机组的能量转化过程,建立了风力机输出功率模型、机组传动链的动态模型、电励磁同步发电机的五阶模型和励磁系统模型,为机组的并网自适应预测控制的提供了基础。（2）针对前端调速式风电机组液力变矩器恒转速控制难以实现的问题,设计了基于变论域的导叶可调式液力变矩器的模糊控制器,并采用多种群遗传算法进行了参数优化,实现了论域伸缩因子的智能寻优,提高了液力速度控制的精度和速度,使得前端调速式风电机组在受到风速波动、电网侧干扰等因素的影响时,其输出转速能够保持在一定误差范围之内,确保了液力变矩器泵轮和发电机输入轴的恒转速运行,为机组输出电压频率的稳定性提供了保障。（3）针对前端调速式风电机组输出功率不稳的问题,将多模型预测控制思想引入机组的输出功率控制,通过对机组实测运行数据的模糊聚类建模,将模糊C-均值聚类与多模型预测控制方法相结合,确定了机组的各种运行场景并设计了相应的模型切换预测控制器,有效解决了机组并网功率控制中存在的随机性和不确定性问题,提高机组输出功率的稳定性。（4）针对机组并网运行过程的电压波动问题,基于预测控制的思想,设计了用于机组并网电压控制的广义自适应预测控制器,将广义预测控制算法与反向传播神经网络相结合,对机组的输出电压进行跟踪控制,减小了机组并网电压的波动;根据电网对机组低电压穿越的要求,进一步设计了基于多目标遗传算法的预测控制器,在实现机组各子系统协调控制的同时保障了机组的低电压穿越特性。（5）为明确机组并网电压稳定性,建立了由前端调速式风电机组组成的风电场并网的微分代数方程,基于非线性动力学思想,利用分岔理论对机组并网后的运行电压从稳定到失稳、直至崩溃的整个过程进行了研究,揭示了无功功率与风速对前端调速式风电机组的影响规律,发现随着负荷侧无功功率的增大,负荷节点的电压将逐渐减小,当无功功率超过某一定值时,系统平衡解流形上将会出现鞍结分岔点,机组达到运行极限状态;当风速小于额定风速时,其变化对负荷节点处的电压影响较小,当风速超过14.8m/s时,系统电压开始逐渐失稳。
柯毅明[5]（2020）在《政府投资光伏扶贫项目区域优选方法及其规划模型研究》文中提出光伏扶贫项目是指由政府统一拨付资金,在光照资源良好的贫困区域建设村级光伏发电电站,并将发电营运所得用以帮扶建档立卡贫困户的政府投资项目。它不仅有助于解决落后地区的能源供给、就业创收和经济建设等问题,还可以助力于缩短贫富差距,维护社会公平并推动社会主义现代化进程。自试点以来,政府利用两年光景将光伏扶贫装机规模增至100万千瓦,受惠人数突破百万户。因巨大的利好效用,光伏扶贫项目已成为探索中国特色扶贫事业中可圈可点的“经验词条”,也被成功纳入十三五扶贫开发的工作重点。然而,随着光伏项目的发展,光伏电站潜在可安装面积日渐紧俏,弃光弃能等现象日益凸显。同时,伴随着扶贫开发的深入推进,加之光伏扶贫项目呈现出分布分散、地形特殊和地质多变等特点,部分因勘探不足、选址不良和规划不当引发的恶劣现象也逐渐显现。项目实施区域优选及其规划问题开始引发社会各界的关注和思考。综合分析当前主流的优选理论可知,传统的优选模型普遍存在契合度不高、适用性欠佳或求解精度不足的问题,难以有效应对光伏扶贫项目区域优选及规划建模。因此,本文以政策引导为支点,以“什么区域为条件适宜”、“如何进行项目组合规划”为导向,结合项目内在特征,探索高匹配度和强适应性的区域优选方法及其规划模型,旨在助力完善项目实施经验,提高光伏扶贫活力,为项目新建、改扩建乃至25年实施期满后拆除重建等情境下的投资决策活动提供可靠的智力支持。具体的研究内容如下:（1）结合项目特征的相关政策梳理及投资机理研究。针对目前光伏扶贫项目研究未考虑政策引导作用且投资机理不甚明确的问题,本文以项目特征为逻辑起点进行政策梳理及机理分析。首先,基于投资者、承包商、受益人和社会公众等利益相关方的定位及特点,明确其目标诉求,为后续因素提取和函数设立等过程提供支撑性材料;接着,结合项目目标,对项目的具体特征进行归纳,为后续研究奠定基础;随后,梳理相关政策的发展态势和时序特征,识别出对区域优选及其规划建模问题起着引导作用的政策,并以此作为全论文研究的基本准则,从而提高所建模型的政策匹配度;最后,结合政策引导作用,分析投资机理并界定项目运行机制,从而确保所建模型的项目契合度。（2）基于政策引导的双因素实施区域优选指标体系研究。针对传统指标提取过程中提取困难、因素缺失、筛选偏颇和决策支持度不足等问题,本文摒弃仅从经济、技术、社会和环境等宏观层面进行因素提取的方法,而是立足于利益相关方的目标诉求,提出“政策—风险—收益—反馈”搜索闭环,进而形成涵盖政策引导、风险规避、收益追逐和公众反馈的四维因素集,从而提升因素提取效率;考虑到部分区域因不满足建设红线或整体规划的要求而需被预先否决,本文通过界定指标概念、合并重叠因素和剔除无关因素,构建出政策引导下否决指标和优选指标双因素框架,从而保证指标体系的全面性。以上基于利益相关方目标诉求的因素提取思路可为学者搜集评估指标提供技术参考。（3）考虑决策者风险偏好的直觉模糊组合优选方法研究。针对传统模糊集难以反映决策信息犹豫度、常规赋权方法仅从主观重要性或客观信息量进行单侧度量、主流的排序过程未将决策者风险偏好纳入考虑范畴的问题,本文首先权衡了评估指标量、模糊界限及评估精度要求,决定采用直觉模糊语言集作为定性因素的评估依据。接着,结合直觉模糊集的矩阵一致性和熵值分布特征,对传统层次分析法和熵权法进行适应性调整与拓展,使得整个定权过程既能很好地反映专家经验的模糊性与犹豫程度,又能达到兼顾指标逻辑重要性和优选贡献度的决策效果;随后,基于直觉模糊集的运算逻辑和距离测度公式,对传统的风险偏好交互式决策排序框架进行调整,使排序结果充分反映决策者的风险规避心理,提高方法的实用度。本研究既有助于提升传统赋权方法的应用活力,丰富赋权方法理论体系;又可以提高排序过程的优选效率,丰富排序方法理论体系。（4）计及扶贫效果和容量约束的组合优化模型及寻优算法研究。针对传统组合优化模型契合度不高且寻优算法结果欠佳的问题,本文通过剖析光伏扶贫在战略层、项目层和资源层的投资目标及诉求,归纳出其项目组合的具体特征,在项目目标、政策引导、条例规范和并网要求的共同作用下构建出“目标—约束”组合优化模型。在目标函数方面,考虑到光伏扶贫项目兼具并网发电和帮扶贫困的任务,引入拟帮扶人数表征扶贫效果,从而设立最低成本和最佳扶贫效果两项优化目标;在约束条件方面,考虑到相关政策的规范和要求,结合电网建设和资源消耗等常规限制,从而设立容量限制的约束条件;在求解算法方面,结合种群适应度分布,令个体繁殖概率自适应调整,从而形成兼具非支配排序、拥挤度计算、精英策略和自适应遗传概率的改进算法,可应对过早收敛、求解欠佳和概率固化等问题,提高解集稳定性。改进的算法可丰富智能算法理论体系。（5）基于公平与效率的规划方案优选模型及求解算法研究。针对传统项目规划方案优选过程仅考虑效率测度结果且未对小样本数据求解偏差进行处理的问题,本论文基于项目全寿命周期与利益干系人双重视角,对公平与效率的具体表征进行归纳和总结。首先,引入公平因子,并结合标杆方案和聚类算法对备选方案进行样本初筛,识别出在公平层面表现欠佳的方案并予以剔除,极大契合政府投资项目在维护社会公平方面的理念;接着,将效率诉求转化为可运算的投入产出变量,借助数据包络分析算法对样本数据进行效率测度。考虑到小样本可能带来的估算偏差,引入重抽样技术进行样本扩容和效率值纠偏,结合纠偏后的效率值完成方案的优选排序,从而保证优选结果的准确性。以上提及的模型构建思路可拓展到其他政府投资项目的方案优选或效率分析中,提高优选模型与项目的契合度,而带纠偏处理的数据分析算法亦可丰富效率测度理论体系。
徐孟瀚[6]（2020）在《6-PSS并联机器人轨迹跟踪控制》文中研究表明并联机器人机构简单、承载能力强,在结构上具有独特优势,是近年来的研究热点,广泛应用在工业生产、运动模拟和振动平台等领域。并联机器人对工作空间要求不大,但是对控制系统的精度和稳定性有较高的要求。在实际应用中,并联机器人受到自身耦合关系和外界环境因素干扰,传统控制策略存在参数不易调节的问题,难以满足非线性系统控制需求。因此,本文以6-PSS并联机器人为研究对象,寻求一种简单可靠、鲁棒性强的神经网络控制策略。首先对6-PSS并联机器人的结构进行了阐述,绘制了并联机器人三维立体模型,建立动坐标系和定坐标系,根据支链定长杆的几何关系,利用坐标变换原理建立了运动学模型,通过运动学逆解得到了雅可比矩阵。为了保证并联机器人连续平滑完成运动任务,采用梯形轨迹规划使各支链驱动单元在启动阶段加速运动,停止阶段减速运动,得到了六个支链的移动副位移轨迹,为轨迹跟踪控制奠定基础。其次,考虑到6-PSS并联机器人的耦合关系和外界干扰对控制系统的影响,传统PID控制参数固定不变,无法满足对控制的动态需求。采用分散控制策略,对并联机器人各支链精确稳定控制以达到对并联机器人的高精度控制效果。采用RBF神经网络与PID控制策略相结合设计机器人支链控制器,控制器输入为各支链的移动副期望运动轨迹,RBF神经网络根据支链期望轨迹和实际轨迹的误差值对PID参数动态调节,实现对六个支链的自适应控制,跟踪时间从0.5s优化到实时跟踪,提高了系统的动态特性。最后,考虑到梯度下降法对RBF神经网络训练的过程中,无法保证训练后神经网络参数为全局最优解,引入两种智能算法对RBF神经网络进行优化。将RBF神经网络初始参数值作为粒子群算法的粒子初始位置,将并联机器人支链的系统误差作为适应度函数,在不断迭代过程中更新粒子位置,得到全局最优位置解。采用多种群遗传算法,多个子种群同时对RBF神经网络的初始值进行训练,选取支链的系统误差作为适应度函数,增加了移民算子,通过人工选择的方式加速寻优过程,得到全局最优解。粒子群算法和多种群遗传算法都将各支链控制器的系统误差作为适应度函数来调整优化搜索方式,具有较强的鲁棒性,将寻优过程中得到的全局最优解传递回RBF神经网络PID控制器,在受到干扰后0.05s即可恢复控制,抗干扰性更强,保证了控制器对支链的控制精度,进而提高6-PSS并联机器人的轨迹跟踪控制效果。
施承尧[7]（2020）在《基于局部搜索策略的量子遗传算法研究与应用》文中指出量子遗传算法是近年来愈发受人青睐的一种智能优化算法。较之传统遗传算法,将量子计算中的相关理论融入遗传算法,利用量子相干性和量子叠加态等量子特性,能够有效地提升算法的性能。然而,在面对一类形如多峰、不可微或者不连续的恶劣性质问题中,原生框架下的量子遗传算法仍有可能陷入局部寻优或者过早收敛的窘境。因此,针对上述问题,本文将若干局部搜索策略引入量子遗传算法,借助动态逆概率幅和双向解码等算子,提出了一种改进的量子遗传算法,以便能够更好地适应并解决问题。本文首先阐述了量子遗传算法同遗传算法一脉相承的进化过程与进化机理,深入分析了两者的共通点和差别。然后,对近年来量子遗传算法的相关研究与发展给予一定的叙述。接着,结合当前量子遗传算法自身所存在的局限性、在处理问题时所遇到的瓶颈,对算法的运算流程进行适当改进,包括编码方式、各项参数的设定、各个算子功能的设计等等。本文所涉及的算子主要包括:动态逆概率幅算子、双向解码算子、量子旋转门和量子非门。再后,对改进后量子遗传算法各功能区块运用开发工具进行编程实现。在实现的过程中,既保障了相关算子的正确运行,也确保了其本身在参与运算过程中的有效性。最后,对开发出的基于局部搜索策略的改进量子遗传算法进行性能测试,借由若干具备复杂性质的智能算法函数优化问题来对改进后的算法予以验证。通过对算法原生框架的改进,能够为量子遗传算法在处理实际问题时,取得良好的寻优性能的平衡。局部搜索策略使算法既能够进行充分的局部寻优,也能使其高效的进行解空间的探索。与此同时,种群划分策略的应用,丰富了种群的多样性,很好地避免了算法产生过早收敛的现象。在对算法进行大量的实验数据收集比较后,本文算法所求解出的优化值要优于传统情况下的计算结果。
何国强[8]（2020）在《物流配送车辆路径问题双种群混合遗传算法》文中指出相比于发达西方国家,我国物流业起步相对较晚。虽然近些年取得了长足发展,但是物流业整体运行效率偏低。据相关资料统计发现,在运输、配送、仓储、装卸搬运、流通加工和信息处理等这些物流作业活动中,配送作业成本占物流作业总成本的比例超过了50%,且一直高居不下。因此,如何进行配送线路和配送车辆的合理优化配置,实现配送作业在物流系统中的高效率、低成本运行一直是物流行业关注的重点。配送作业问题可以抽象成为容量约束的车辆路径问题,该问题是典型的NP-hard问题,也是一个组合优化问题,车辆路径问题求解的复杂程度会随着问题规模的增大呈指数级增长。对于车辆路径问题的求解方法,主要有精确算法、传统启发式算法及智能优化算法,本文采用遗传算法求解车辆路径问题。遗传算法由美国的J.H.Holland教授在1975年提出,该算法简单、易实现,具有并行、强鲁棒性等优点,是求解车辆路径这类问题的经典算法。在充分研究车辆路径特征及遗传算法优缺点后,本文设计三类改进遗传算法进行问题的求解,通过相关数据集的测试,证明了算法的有效性。主要工作如下:（1）传统遗传算法求解容量约束车辆路径时,染色体编码采用随机分割的策略,这种编码策略会产生大量的不可行解,缩小算法的搜索空间。因此,设计基于整数映射编码的遗传算法,使得每条染色体在解码后都产生可行解,保证算法解的空间在算法迭代过程始终保持多样性特征,提高算法求得最优解的概率。（2）验证可知,基于整数映射编码的遗传算法求解结果优于传统遗传算法,但该算法仍然存在早熟收敛、易陷入局部最优等问题,解严重依赖于初始化种群,特定的编码策略削弱了选择算子和交叉算子的搜索能力。因此,考虑将禁忌搜索算法的局部搜索能力同遗传算法的全局搜索能力相结合,设计遗传禁忌搜索混合算法求解容量约束车辆路径问题,通过全局搜索和局部搜索相结合的方式来提高算法搜索性能,提高算法求得最优解的概率。（3）验证可知,遗传禁忌搜索混合算法求解结果优于传统遗传算法和基于整数映射编码的遗传算法,但需要多次试算才可以得到比较满意的解,算法性能不稳定,解比较依赖于初始种群。为进一步提高算法求解稳定性及求解精度,设计了双种群混合遗传算法。种群I作为精英群体,采用扫描算法思想生产初始种群,使得种群I在迭代之初就处于一个较优状态。利用变邻域搜索策略进行局部搜索,提高算法搜索到最优解的概率。种群II作为劣势群体,进行全局开发,判断种群达到早熟收敛状态时,植入外部新个体,保证种群II的多样性。种群I和种群II通过移民算子进行种群间的协同优化,整体上提升算法稳定性和可行性。研究发现,双种群混合遗传算法在稳定性、求解精度等方面均优于传统遗传算法、基于映射编码的遗传算法及遗传禁忌搜索混合算法,这为容量约束车辆路径问题的求解提供一种新的思路。
张超超[9]（2020）在《基于改进遗传算法的特征选择方法研究与应用》文中研究指明近些年来,随着科学技术的发展,人类逐步进入大数据时代。所产生的的数据量每年以指数级增长,大量的数据对于人类的发展也起到了十分重要的作用。数据量的不断增加导致从数据中提取到的特征的数量也在增加,如何有效利用与处理数量如此庞大的特征数据既是机遇也是挑战。特征选择是一种很常见的用于除去冗余与无效的特征的方法。但是一些常见的特征选择方法通常会有一些缺点,例如基于Filter特征选择算法得到的特征子集在使用分类器进行分类的时候得到的准确率较低;一些采用随机搜索策略的特征选择方法,例如基于遗传算法的特征选择方法又会出现早熟等问题。所以,针对上述特征选择出现的问题,本文开展了如下的研究:1.提出一种改进的基于遗传算法的特征选择方法IMPGA。该算法针对遗传算法可能会出现早熟收敛的缺点,采用多个种群协同进化,每个种群使用不同的交叉及变异概率的方式,从而平衡遗传算法的全局和局部搜索能力。为了防止种群中出现超常个体主导种群进化,本文改进了遗传算法的选择算子和移民算子。在选择算子中引入了人工免疫算法中浓度的概念,选择操作从个体的适应度和浓度两方面进行考虑;同时,重新设计了计算个体浓度的方法,即从空间和浓度两方面考虑个体是否相似,从而计算个体浓度。在移民算子的改进中,首先通过交叉选优操作选择出优秀个体,然后将优秀个体与目标种群的每一个个体进行相似度评价,之后结合适应度和相似度进行优秀个体与目标种群个体的替换操作。2.将改进过的特征选择方法IMPGA在UCI上的9个公开数据集上进行验证,同时与两种经典的Filter特征选择算法以及两种Wrapper特征选择算法做对比。实验结果表明,IMPGA取得更好的特征选择效果。3.将IMPGA应用到抑郁症的识别以及有效特征选择当中。首先,提取五段音频刺激下脑电信号的96组特征,之后使用IMPGA对96组脑电特征进行筛选,选出更加有效的特征组合从而提高抑郁症的识别准确率。实验结果表明,和文中相关文献相比较,该算法可以取得更好的分类准确率以及选出有效的相关特征。
王莎莎[10]（2020）在《基于自适应机制的量子遗传算法及其应用研究》文中研究说明组合优化问题已经被证明是NP难问题,其目标是从众多组合的可行解中寻找最优解。随着求解问题规模的增大,常规的精确算法在时间复杂度和空间复杂度上代价极高导致其难于在大规模的组合优化实际问题中应用。智能优化算法是求解组合优化问题有效的近似算法,适用于求解大规模实际优化问题,能够快速获取全局近似最优解,在算法时空代价和求解质量上具有极高的性价比,成为了求解组合优化问题的主要方法。量子遗传算法作为一种典型的智能优化算法,具有种群规模小、全局搜索能力强的优点,在组合优化问题求解的诸多领域具有广泛的关注和应用。首先,针对传统的统一进化量子遗传算法中存在的收敛速度慢、容易陷入局部最优的问题,提出一种自适应进化机制提高量子遗传算法的性能。算法迭代过程中,根据种群当前的进化状态为每个个体分配适合自身进化的旋转角步长和变异概率,使每个个体都朝着当前最优的方向进化,从而加快了算法的收敛速度,且通过自适应调制变异概率提高算法跳出局部最优的能力。此外,在算法实现的过程中,采用多宇宙结构实现算法并行运算,提高了算法的执行效率。结果表明,本文所提出的自适应量子遗传算法在收敛性和全局优化能力上均具有较好的性能。其次,本文将提出的基于自适应机制的量子遗传算法应用于解决基于网络编码的组播资源优化问题,求解最小编码次数的组播路由。同时构建了网络资源优化问题到进化算法可解的优化模型和适应度函数,通过量子编码将资源映射为染色体。此外,为了进一步提高算法寻优能力,本文在自适应进化机制的基础上又引入了个体相似度评价因子、适应度评价因子和种群变异调整因子,通过多因子协同决策进一步提高算法的组播路由全局寻优能力和收敛速度。实验结果表明,改进的算法在解决资源优化网络编码组播路由问题时具有更优的性能。
二、一种基于自适应算子和移民策略相结合的遗传算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种基于自适应算子和移民策略相结合的遗传算法（论文提纲范文）
（1）医药配送中心货到人拣选机器人多拣选台任务分配研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 序言 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 医药配送中心作业特点 |
| 1.3 医药配送中心订单拣选系统选择 |
| 1.4 国内外研究现状 |
| 1.4.1 订单波次划分问题 |
| 1.4.2 订单分配问题 |
| 1.4.3 任务分配问题 |
| 1.5 课题技术路线 |
| 2 相关技术 |
| 2.1 “货到人”拣选系统 |
| 2.1.1 “货到人”拣选系统的分类 |
| 2.1.2 搬运机器人“货到人”拣选系统的工作流程 |
| 2.1.3 搬运机器人“货到人”拣选系统控制系统结构图 |
| 2.1.4 搬运机器人“货到人”拣选系统的特点 |
| 2.1.5 搬运机器人“货到人”拣选系统订单分批的问题分析 |
| 2.2 k-means算法相关理论 |
| 2.2.1 k-means算法基本思想 |
| 2.2.2 k-means算法基本步骤 |
| 2.2.3 k-means算法优缺点 |
| 2.3 本章小结 |
| 3 医药配送中心波次订单细分批算法 |
| 3.1 医药配送中心订单细分批问题描述 |
| 3.2 模型建立 |
| 3.2.1 模型假设 |
| 3.2.2 符号说明 |
| 3.2.3 模型数学表达 |
| 3.3 基于k-means的波次订单细分批算法 |
| 3.3.1 距离的度量 |
| 3.3.2 k值的选择 |
| 3.3.3 算法步骤 |
| 3.4 本章小结 |
| 4 医药配送中心多拣选台订单分配问题 |
| 4.1 “货到人”拣选系统的多拣选台问题描述 |
| 4.2 订单分配优化模型 |
| 4.3 标准遗传算法求解订单分配优化问题 |
| 4.3.1 编码方式 |
| 4.3.2 初始种群生成 |
| 4.3.3 适应度函数 |
| 4.3.4 选择 |
| 4.3.5 交叉 |
| 4.3.6 变异 |
| 4.3.7 终止条件 |
| 4.4 标准遗传算法求解存在的问题 |
| 4.5 改进的自适应遗传算法 |
| 4.5.1 遗传算子改进 |
| 4.5.2 模拟退火算法 |
| 4.5.3 多种群自适应遗传算法 |
| 4.6 本章小结 |
| 5 仿真实验与结果分析 |
| 5.1 项目背景描述 |
| 5.2 基于k-means的波次订单细分批算法仿真分析 |
| 5.2.1 基于k-means的波次订单细分批算法效果仿真分析 |
| 5.2.2 基于k-means的波次订单细分批算法聚类程度约束仿真分析 |
| 5.3 自适应遗传算法仿真分析 |
| 5.3.1 非遗传算法求解 |
| 5.3.2 标准遗传算法 |
| 5.3.3 混合算法 |
| 5.3.4 多种群遗传算法 |
| 5.3.5 算法对比 |
| 5.3.6 任务均衡 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 参考文献 |
| 附录A |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）水轮机调速系统参数辨识与控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水轮机调速系统辨识研究现状 |
| 1.2.2 水轮机调速系统控制方法研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 水轮机调速系统建模分析 |
| 2.1 水轮机调速系统工作原理 |
| 2.2 水轮机调速器模型 |
| 2.2.1 调节器模型 |
| 2.2.2 电液随动系统模型 |
| 2.3 水轮机调速系统被控系统模型 |
| 2.3.1 压力引水系统模型 |
| 2.3.2 水轮机模型 |
| 2.3.3 发电机及负荷模型 |
| 2.4 水轮机调速系统综合模型 |
| 2.4.1 水轮机调速系统线性模型 |
| 2.4.2 水轮机调速系统非线性模型 |
| 2.5 本章小结 |
| 第三章 基于多种群遗传算法的水轮机调速系统参数辨识 |
| 3.1 多种群遗传算法原理 |
| 3.1.1 遗传算法 |
| 3.1.2 多种群遗传算法 |
| 3.2 基于多种群遗传算法的水轮机调速系统参数辨识结构 |
| 3.2.1 辨识系统与待辨识参数 |
| 3.2.2 适应度函数分析 |
| 3.2.3 水轮机调速系统参数辨识策略 |
| 3.3 仿真实验与分析 |
| 3.3.1 线性辨识方法仿真实验 |
| 3.3.2 参数辨识仿真实验 |
| 3.4 本章小结 |
| 第四章 基于MaxLIPO+TR的水轮机调速系统PID参数优化 |
| 4.1 MaxLIPO+TR算法原理 |
| 4.1.1 LIPO算法 |
| 4.1.2 Ada LIPO算法 |
| 4.1.3 MaxLIPO+TR算法 |
| 4.2 基于MaxLIPO+TR的水轮机调速系统PID参数优化结构 |
| 4.2.1 目标函数分析 |
| 4.2.2 水轮机调速系统PID参数优化策略 |
| 4.3 仿真实验与分析 |
| 4.3.1 目标函数对比实验 |
| 4.3.2 频率扰动实验 |
| 4.3.3 负荷扰动实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 后续研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（3）基于改进遗传算法对开式自然循环系统优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 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 课题研究目的及研究内容 |
| 第2章开式自然循环系统C#建模 |
| 2.1 几何模型 |
| 2.2 数值计算模型 |
| 2.3 关系式选择 |
| 2.3.1 管外凝结换热系数 |
| 2.3.2 两相摩擦压降 |
| 2.3.3 空泡份额 |
| 2.4 开式自然循环系统瞬态特性及准确性验证 |
| 2.4.1 汽化起始点 |
| 2.4.2 循环回路计算框图 |
| 2.4.3 模型计算结果 |
| 2.4.4 误差分析 |
| 2.5 本章小结 |
| 第3章 遗传算法的改进 |
| 3.1 遗传算法介绍 |
| 3.1.1 遗传算法基本要素 |
| 3.1.2 遗传算法的流程以及优点 |
| 3.2 遗传算法的局限性 |
| 3.3 本文改进算法及效果验证 |
| 3.3.1 改进算法 |
| 3.3.2 验证函数及计算效果对比 |
| 3.4 本章小结 |
| 第4章 系统优化设计 |
| 4.1 约束条件 |
| 4.1.1 流动不稳定性判据 |
| 4.1.2 约束惩罚 |
| 4.2 计算结果 |
| 4.2.1 参数敏感性分析 |
| 4.2.2 不同优化算法的优化计算结果对比 |
| 4.2.3 算法分析及优化结果分析 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 主要成果 |
| 致谢 |
（4）前端调速式风电机组并网运行自适应预测控制研究（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 |
| 1.2.1 前端调速式风电机组的研究现状 |
| 1.2.2 风电机组并网自适应预测控制的研究现状 |
| 1.3 本文的主要研究内容 |
| 2 前端调速式风电机组的建模 |
| 2.1 前端调速式风电机组的基本原理 |
| 2.2 风力机的建模 |
| 2.2.1 风电机组的能量转化过程 |
| 2.2.2 风力机输出功率模型 |
| 2.3 前端调速式风电机组传动链建模 |
| 2.4 电励磁同步发电机模型 |
| 2.5 同步发电机励磁系统的模型 |
| 2.6 小结 |
| 3 基于变论域模糊控制的机组导叶可调式液力变矩器控制 |
| 3.1 导叶可调式液力变矩器的工作原理 |
| 3.2 基于多种群遗传优化算法的变论域控制器设计 |
| 3.2.1 变论域模糊控制 |
| 3.2.2 变论域伸缩因子 |
| 3.2.3 控制器设计 |
| 3.3 仿真结果及分析 |
| 3.4 小结 |
| 4 前端调速式风电机组并网功率自适应预测控制 |
| 4.1 机组实测数据的模糊聚类建模 |
| 4.1.1 数据集模糊聚类 |
| 4.1.2 最小二乘法建模 |
| 4.2 广义预测控制器的设计 |
| 4.2.1 广义自适应预测控制的原理 |
| 4.2.2 目标函数的建立 |
| 4.2.3 最优输出的确定 |
| 4.2.4 最优控制律设计 |
| 4.2.5 性能指标函数的确立 |
| 4.3 仿真分析 |
| 4.4 小结 |
| 5 前端调速式风电机组并网电压自适应控制 |
| 5.1 并网电压的广义自适应预测控制 |
| 5.1.1 广义自适应预测控制器设计 |
| 5.1.2 仿真分析 |
| 5.2 基于多目标遗传算法的机组低电压穿越预测控制 |
| 5.2.1 前端调速式风电机组低电压运行原理 |
| 5.2.2 低电压穿越协调控制策略 |
| 5.2.3 基于遗传算法的机组多目标预测控制 |
| 5.3 对称故障下机组低电压穿越特性仿真分析 |
| 5.4 不对称故障下机组低电压穿越特性仿真分析 |
| 5.5 小结 |
| 6 前端调速式风电机组并网电压稳定性分析 |
| 6.1 前端调速式风电机组并网模型建立 |
| 6.1.1 分岔理论基础 |
| 6.1.2 含前端调速式风电机组电力系统微分代数方程的建立 |
| 6.1.3 含前端调速式风电机组的风电场并网模型 |
| 6.2 前端调速式风电机组并网电压稳定性的分岔分析 |
| 6.2.1 系统无功负荷变化对其电压稳定性的影响 |
| 6.2.2 风速变化对系统电压稳定性的影响 |
| 6.3 小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录A 附录内容名称 |
| 攻读学位期间的研究成果 |
（5）政府投资光伏扶贫项目区域优选方法及其规划模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.1.1 论文的研究背景 |
| 1.1.2 论文的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光伏扶贫项目研究现状 |
| 1.2.2 实施区域优选方法研究现状 |
| 1.2.3 项目规划决策模型研究现状 |
| 1.3 主要研究内容和技术路径 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 1.4 主要创新点 |
| 第2章 相关基础理论研究 |
| 2.1 减贫相关理论 |
| 2.1.1 贫困定义与划分标准 |
| 2.1.2 社会主义贫困理论内在逻辑 |
| 2.2 风险决策相关理论 |
| 2.2.1 风险决策的基本概念 |
| 2.2.2 关键理论及其演化路径 |
| 2.3 规划模型相关理论 |
| 2.3.1 数学规划模型的基本内涵 |
| 2.3.2 条件约束与组合优化模型 |
| 2.3.3 效率测度模型及其延展 |
| 2.4 本章小结 |
| 第3章 政府投资光伏扶贫项目政策及投资机理 |
| 3.1 光伏扶贫项目基本内涵 |
| 3.3.1 光伏扶贫项目的基本特征 |
| 3.3.2 考虑利益相关方的项目目标 |
| 3.3.3 影响目标实现的关键问题 |
| 3.2 结合项目内涵的相关政策分析 |
| 3.2.1 基于时序规律的政策特征梳理 |
| 3.2.2 基于政策特征的政策引导作用 |
| 3.3 政策引导下光伏扶贫项目投资机理研究 |
| 3.3.1 项目利益相关方的组织架构 |
| 3.3.2 光伏扶贫项目的建设类型 |
| 3.3.3 光伏扶贫项目的融资模式 |
| 3.4 本章小结 |
| 第4章 政策引导下光伏扶贫项目实施区域优选方法 |
| 4.1 关键影响因素识别与分析 |
| 4.1.1 因素挖掘思路与原则 |
| 4.1.2 关键影响因素识别与挖掘 |
| 4.1.3 实施区域优选指标体系 |
| 4.2 直觉模糊环境的因素评估值采集 |
| 4.2.1 评估值类型及采集流程 |
| 4.2.2 直觉模糊环境的评估值确定方法 |
| 4.3 直觉模糊主客观组合权重计算 |
| 4.3.1 权重确定方法介绍与分析 |
| 4.3.2 直觉模糊环境的组合定权方法 |
| 4.4 基于TODIM集结框架的区位优选排序 |
| 4.4.1 信息集结及排序技术特点 |
| 4.4.2 直觉模糊环境的TODIM优选排序方法 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第5章 基于非支配排序遗传算法的组合优化模型构建 |
| 5.1 光伏扶贫项目组合优化特点及内涵 |
| 5.1.1 项目组合管理及其内涵 |
| 5.1.2 光伏扶贫项目组合优化特征 |
| 5.2 光伏扶贫项目组合优化模型设计 |
| 5.2.1 模型的基本假设 |
| 5.2.2 多维“目标—约束”组合优化模型构建 |
| 5.3 算法分析及优化 |
| 5.3.1 优化求解算法内涵及分类 |
| 5.3.2 多目标遗传算法适用性分析 |
| 5.3.3 改进的非支配遗传算法 |
| 5.4 算法性能测试及算例分析 |
| 5.4.1 算法性能测试 |
| 5.4.2 算例分析 |
| 5.5 本章小结 |
| 第6章 基于公平与效率理论的规划方案优选模型构建 |
| 6.1 光伏扶贫项目公平与效率特质分析 |
| 6.1.1 项目全寿命周期公平与效率表征 |
| 6.1.2 项目干系人视角下公平与效率诉求 |
| 6.1.3 公平与效率理论适用性 |
| 6.2 光伏扶贫项目规划方案优选模型设计 |
| 6.2.1 模型基本假设 |
| 6.2.2 变量分析及选择 |
| 6.2.3 优选模型设计与构建 |
| 6.3 算法分析与优化 |
| 6.3.1 聚类分析算法介绍 |
| 6.3.2 数据包络分析算法描述 |
| 6.3.3 考虑数据纠偏的组合求解算法 |
| 6.4 算例分析 |
| 6.5 本章小结 |
| 第7章 研究成果和结论 |
| 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 |
（6）6-PSS并联机器人轨迹跟踪控制（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 并联机器人的国内外研究现状 |
| 1.3 智能算法研究现状 |
| 1.4 论文的结构安排 |
| 第二章 6-PSS并联机器人运动学分析 |
| 2.1 6-PSS并联机器人结构 |
| 2.2 6-PSS并联机器人运动学分析 |
| 2.3 6-PSS并联机器人轨迹规划 |
| 2.4 本章小结 |
| 第三章 6-PSS并联机器人RBF神经网络PID控制 |
| 3.1 RBF神经网络原理 |
| 3.2 6-PSS并联机器人RBF神经网络PID控制系统 |
| 3.2.1 RBF神经网络PID控制器设计 |
| 3.2.2 RBF神经网络PID控制算法 |
| 3.3 交流伺服电机模型 |
| 3.4 6-PSS并联机器人控制系统仿真 |
| 3.5 本章小结 |
| 第四章 智能算法优化RBFNN-PID控制 |
| 4.1 粒子群算法 |
| 4.1.1 粒子群算法原理 |
| 4.1.2 PSO-RBFNN优化算法 |
| 4.2 多种群遗传算法 |
| 4.2.1 多种群遗传算法原理 |
| 4.2.2 多种群遗传算法结构 |
| 4.2.3 MPGA-RBFNN优化算法 |
| 4.3 实验仿真结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
（7）基于局部搜索策略的量子遗传算法研究与应用（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 组织结构 |
| 1.4 研究方法 |
| 第2章 相关理论研究综述 |
| 2.1 基本遗传算法 |
| 2.1.1 遗传算法理论基础 |
| 2.1.2 遗传算法操作流程 |
| 2.1.3 遗传算子 |
| 2.1.4 遗传算法的发展 |
| 2.2 量子遗传算法 |
| 2.2.1 量子计算的概念 |
| 2.2.2 量子比特编码 |
| 2.2.3 量子旋转门 |
| 2.2.4 量子遗传算法的发展 |
| 2.3 量子遗传算法操作流程 |
| 2.4 局部搜索策略 |
| 2.5 全局优化问题综述 |
| 2.6 本章小结 |
| 第3章 算法设计 |
| 3.1 算法设计 |
| 3.1.1 编码方案 |
| 3.1.2 双向解码算子 |
| 3.1.3 全干扰交叉算子 |
| 3.1.4 量子变异 |
| 3.1.5 动态逆概率幅算子 |
| 3.1.6 量子旋转门设计 |
| 3.1.7 种群划分策略 |
| 3.2 算法流程 |
| 3.3 本章小结 |
| 第4章 基于局部搜索策略的量子遗传算法应用 |
| 4.1 应用场景 |
| 4.2 实验环境 |
| 4.2.1 实验平台 |
| 4.2.2 实验参数设置 |
| 4.2.3 终止条件判定 |
| 4.3 函数优化应用测试 |
| 4.3.1 多局部极值型 |
| 4.3.2 碗状 |
| 4.3.3 山谷状 |
| 4.3.4 山脊或水滴状 |
| 第5章 总结与展望 |
| 5.1 研究总结 |
| 5.2 不足 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 申请学位期间的研究成果及发表的学术论文 |
（8）物流配送车辆路径问题双种群混合遗传算法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 研究背景及意义 |
| 1.1 研究现状及总结 |
| 1.1.1 国内外研究现状 |
| 1.1.2 研究现状总结 |
| 1.2 研究内容与组织结构 |
| 1.2.1 研究内容 |
| 1.2.2 组织结构 |
| 2 车辆路径问题及求解方法 |
| 2.1 车辆路径问题要素 |
| 2.2 车辆路径问题分类 |
| 2.3 启发式算法 |
| 2.4 遗传算法 |
| 2.4.1 遗传算法介绍 |
| 2.4.2 遗传算法步骤 |
| 2.4.3 遗传算法优缺点 |
| 2.4.4 遗传算法应用 |
| 2.5 模拟退火算法 |
| 2.5.1 算法介绍 |
| 2.5.2 模拟退火过程 |
| 2.5.3 模拟退火算法原理 |
| 2.5.4 Metropolis抽样准则 |
| 2.5.5 模拟退火算法过程 |
| 2.6 禁忌搜索算法 |
| 2.6.1 算法介绍 |
| 2.6.2 禁忌搜索算法特点 |
| 2.6.3 禁忌算法流程 |
| 3 两类改进遗传算法求解CVRP |
| 3.1 CVRP问题描述 |
| 3.2 CVRP数学模型 |
| 3.3 整数映射编码遗传算法 |
| 3.4 遗传禁忌混合搜索算法 |
| 3.5 仿真实验与分析 |
| 3.5.1 参数设置 |
| 3.5.2 算例求解 |
| 4 双种群混合遗传算法求解CVRP |
| 4.1 种群初始化 |
| 4.1.1 种群I初始化 |
| 4.1.2 种群II初始化 |
| 4.2 遗传算子 |
| 4.2.1 选择算子 |
| 4.2.2 交叉算子 |
| 4.2.3 变异算子 |
| 4.3 种群I变邻域搜索 |
| 4.3.1 抖动过程 |
| 4.3.2 Metropolis准则 |
| 4.4 种群II移民策略 |
| 4.5 种群信息交换 |
| 4.6 子路径再优化 |
| 4.7 算法复杂度分析 |
| 5 仿真实验与分析 |
| 5.1 参数设置 |
| 5.2 算例求解 |
| 5.2.1 实验1 |
| 5.2.2 实验2 |
| 5.2.3 实验3 |
| 5.2.4 实验4 |
| 5.2.5 实验5 |
| 5.3 结果分析 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（9）基于改进遗传算法的特征选择方法研究与应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 特征选择的研究现状 |
| 1.2.2 遗传算法的研究现状 |
| 第二章 相关理论基础 |
| 2.1 遗传算法概述 |
| 2.2 特征选择的定义 |
| 2.3 特征选择四要素 |
| 2.3.1 搜索的起点和方向 |
| 2.3.2 搜索策略 |
| 2.3.3 特征评估函数 |
| 2.3.4 停止准则 |
| 2.4 特征选择的划分 |
| 2.4.1 Filter方法 |
| 2.4.2 Wrapper方法 |
| 2.5 本章小结 |
| 第三章 基于改进遗传算法的特征选择方法研究 |
| 3.1 改进的遗传算法设计思路 |
| 3.2 对选择算子的改进 |
| 3.2.1 人工免疫算法 |
| 3.2.2 人工免疫算法的抗体浓度计算方法 |
| 3.2.3 选择算子 |
| 3.3 多种群的引入 |
| 3.4 对移民算子的改进 |
| 3.4.1 相似度评价 |
| 3.4.2 替换操作 |
| 3.5 分类算法 |
| 3.6 改进遗传算法特征选择方法过程设计 |
| 3.7 实验验证 |
| 3.7.1 实验方案 |
| 3.7.2 实验结果及分析 |
| 3.8 本章小结 |
| 第四章 基于改进遗传算法特征选择方法抑郁症识别研究 |
| 4.1 抑郁症背景 |
| 4.2 脑电数据采集 |
| 4.2.1 被试筛选 |
| 4.2.2 脑电采集设备 |
| 4.2.3 实验流程 |
| 4.3 脑电信号及其预处理 |
| 4.4 脑电信号特征提取 |
| 4.5 脑电信号特征选择 |
| 4.5.1 特征选择结果 |
| 4.5.2 不同分类器分类效果的评价 |
| 4.6 特征选择结果分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（10）基于自适应机制的量子遗传算法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 进化算法的研究现状 |
| 1.2.2 量子遗传算法的研究现状 |
| 1.3 论文研究内容及组织结构 |
| 1.3.1 论文研究内容及创新点 |
| 1.3.2 论文组织结构 |
| 第二章 遗传算法与量子遗传算法介绍 |
| 2.1 遗传算法的原理 |
| 2.1.1 遗传算法的概述及应用 |
| 2.1.2 遗传算法基本操作 |
| 2.1.3 遗传算法的运算步骤 |
| 2.1.4 遗传算法的优缺点 |
| 2.2 量子遗传算法的原理 |
| 2.2.1 量子计算 |
| 2.2.2 量子遗传算法的实现 |
| 2.2.3 量子遗传算法优势及改进 |
| 2.3 本章小结 |
| 第三章 基于自适应机制的量子遗传算法 |
| 3.1 旋转角自适应调整机制 |
| 3.1.1 自适应进化机制 |
| 3.1.2 旋转角步长调整策略 |
| 3.1.3 基于自适应机制的传统遗传算法 |
| 3.2 多宇宙并行机制 |
| 3.3 实验结果与分析 |
| 3.4 结论 |
| 第四章 基于自适应机制的多算子协同变异量子遗传算法 |
| 4.1 多算子协同变异机制 |
| 4.2 算法流程 |
| 4.3 性能测试 |
| 4.3.1 资源优化组播路由问题 |
| 4.3.2 数学模型建立 |
| 4.3.3 算法描述 |
| 4.4 模拟与分析 |
| 第五章 总结与展望 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
四、一种基于自适应算子和移民策略相结合的遗传算法（论文参考文献）
- [1]医药配送中心货到人拣选机器人多拣选台任务分配研究[D]. 宋晓东. 北京交通大学, 2021(02)
- [2]水轮机调速系统参数辨识与控制方法研究[D]. 张自建. 江西理工大学, 2021(01)
- [3]基于改进遗传算法对开式自然循环系统优化研究[D]. 王天泽. 燕山大学, 2021(01)
- [4]前端调速式风电机组并网运行自适应预测控制研究[D]. 李宏伟. 兰州交通大学, 2020(01)
- [5]政府投资光伏扶贫项目区域优选方法及其规划模型研究[D]. 柯毅明. 华北电力大学(北京), 2020(06)
- [6]6-PSS并联机器人轨迹跟踪控制[D]. 徐孟瀚. 河北大学, 2020(08)
- [7]基于局部搜索策略的量子遗传算法研究与应用[D]. 施承尧. 天津职业技术师范大学, 2020(08)
- [8]物流配送车辆路径问题双种群混合遗传算法[D]. 何国强. 兰州交通大学, 2020(01)
- [9]基于改进遗传算法的特征选择方法研究与应用[D]. 张超超. 兰州大学, 2020(12)
- [10]基于自适应机制的量子遗传算法及其应用研究[D]. 王莎莎. 山东理工大学, 2020(02)