一、有效解集的自动生成方法（论文文献综述）
刘钰芩[1]（2019）在《窄带物联网覆盖增强机制的性能分析与优化设计》文中提出窄带物联网（Narrow-Band Internet of Things,NB-IoT）是3GPP为智能水电气表、智慧农业等以数据采集和传感为目标的应用场景而提出的一种低功耗广域（Low Power Wide Area,LPWA）技术,面临海量连接、超低功耗、广域覆盖与深度覆盖、信令与数据相互触发等技术挑战。为满足NB-IoT覆盖增强的目标,3GPP设计了一种特殊的链路自适应技术,即终端根据当前信道环境确定其所处的覆盖类别（Coverage Classes,CC）并采用相应的覆盖增强（Coverage Enhancement,CE）配置,如不同的前导码重复次数和发射功率。覆盖类别是3GPP为NB-IoT引入的新概念,当小区内NB-IoT终端的信道环境差异较大时,对所有终端采取相同的覆盖增强配置将导致资源浪费或信道环境差的终端性能恶化,因此NB-IoT定义一个小区最多可设置3个覆盖类别,以满足差异化的覆盖增强需求。本文的主要创新工作如下:（1）设计了NB-IoT室内外信道传播环境测试方案,根据终端密集度、穿透损耗等影响因素确定测试场景,对不同场景的测试数据进行了统计特性分析和多峰高斯拟合,验证了3GPP为NB-IoT引入覆盖类别的合理性,提出了初始覆盖类别的判决算法,并给出了典型场景的覆盖类别个数设置和最佳判决门限。仿真结果表明:城市地区的NB-IoT小区可设置2个覆盖类别,最佳判决门限可设为-101.8dBm;农村地区的NB-IoT小区可设置3个覆盖类别,最佳判决门限可设为-107.7dBm和-79.63dBm。（2）以覆盖类别为状态建立了NB-IoT覆盖类别更新机制的马尔可夫链,准确描述了NB-IoT覆盖类别的动态更新过程;为减少终端判决初始覆盖类别带来的额外功耗,提出了引入回退机制的覆盖类别更新模型,以前导码最大重传次数为变量、系统平均接入失败概率和平均功耗为目标建立了多目标优化模型,给出了各覆盖类别前导码最大重传次数的最优配置,分析了前导码重复次数、系统负载、全局最大重传次数对最大重传次数最优取值及对应的平均接入失败概率和平均功耗的影响。数值分析表明:常规覆盖和扩展覆盖的最大重传次数对系统性能影响较大,其取值应分别控制在[1,5]和[1,7];极端覆盖的最大重传次数对系统性能影响不大,可取[1,10]的任意值,建议设为1;本文所提的引入覆盖类别回退机制的覆盖类别更新模型的平均功耗比协议模型低约95%。（3）研究NB-IoT随机接入信道和上行共享信道复用时的上行时频资源利用率,以前导码重复次数为变量,平均接入成功概率和上行时频资源利用率为目标建立了多目标优化模型,求解并给出了典型复用场景在是否考虑前导码最大重传次数时的重复次数最佳配置,分析了前导码最大重传次数对重复次数最佳配置的影响。仿真结果表明:时频资源利用率随着重复次数的增加而降低,随机接入成功概率随着重复次数的增加而升高;各覆盖类别最大重传次数和重复次数的配合使用能够在保证随机接入成功概率的情况下,实现超低功耗和较高的上行时频资源利用率。
王成[2]（2019）在《离散制造企业多目标主生产计划研究》文中指出离散制造企业具有产品结构复杂、工艺路线灵活、生产能力有限、产品需求数量不均衡、绩效管理目标冲突等特点,受此影响,其产品生产制造过程的计划、组织、协调往往较为困难。主生产计划是企业资源计划体系的核心,它将计划体系中的战略计划转换为战术执行操作,是下游物料需求计划和能力需求计划的主要输入来源,决定着企业所有产品零部件以及物料的生产与供应。在整个计划体系中起到承上启下的作用,实现企业计划管理从战略到战术、从宏观到微观、从粗到细的转变过程。由于主生产计划在生产计划系统中的重要作用,必须保证主生产计划的有效性和现实性,否则公司可能对客户的需求不能及时响应或浪费资源。本文以离散制造企业主生产计划为研究对象,在分析国内外关于主生产计划理论体系、方法和应用现状的基础上,综合运用系统、集成的方法,研究了离散制造企业主生产计划管理的模型和方法,本文的研究内容主要包括以下四个方面。（1）介绍了离散制造企业及其主生产计划的内涵,分析了主生产计划创建过程中的输入参数、输出参数及目标参数的项目构成要点。以此为基础,在深入研究现有企业资源计划体系中存在的主生产计划、物料需求计划和能力需求计划相互割裂、缺少优化机制等相关问题的基础上,提出一种多目标集成生产计划模型,构建了集成生产计划的概念模型、过程模型和制造清单模型,阐述了集成生产计划的层次结构、运行逻辑、制造系统中的物流及工艺关系,说明了集成生产计划的优势。（2）针对主生产计划制定中生产能力均衡利用问题,建立了基于均衡生产的单产品、多阶段、多目标主生产计划模型,模型除考虑净需求和生产能力约束外,还考虑均衡生产、按时交货、库存占用以及加班生产四个绩效管理目标。基于模型多目标非线性整数规划的数学特征,设计了基于自动调节策略的遗传算法（AT-GA）进行计算求解。该算法设计了一种整数变量染色体的编码方法,以适应模型的约束条件;采用理想点法对模型四个非线性目标进行多目标处理,以获得适应值函数;使用模糊逻辑控制技术（FLC）来自动调节交叉、变异算子的参数变化,以平衡算法的全局和局部搜索能力,从而增加遗传算法的计算能力。通过对所提出的模型和算法进行两个算法实验,分别验证AT-GA处理多目标的能力和算法搜索能力,最后对模型参数进行了敏感性分析。（3）针对主生产计划制定受物料、生产能力限制缺少优化机制的问题,提出一种在资源与物料双重约束下的多产品、多阶段、多目标主生产计划模型,模型以按时交货、降低库存、减少加班生产、保持安全库存为目标。针对模型的特点设计了基于对偶理论的自适应粒子群优化算法（DTA-PSO）,采用分层整数编码定义粒子结构,使用对偶式更新机制来代替传统更新机制,即将归一化粒子速率定义粒子中元素的更新概率。引入正反元素的概念,将粒子中的各个元素划分为正反元素,基于更新概率成对更新正反元素,该机制有效保障更新后粒子的可行性,并且较大程度规避了无效搜索,从而提升算法的搜索能力。引入了自适应参数机制,该机制能根据迭代次数的变化,自动调节算法参数,从而有效的平衡算法的全局和局部搜索能力。与Lingo对比实验发现,当问题复杂度过高时,Lingo已无法得到有效解,而DTA-PSO求解时间不会随着问题规模的扩大而呈现不稳定的状态。与传统粒子群算法（PSO）的对比,在适应值指标和收敛代数指标上都要好于传统PSO,验证了该算法在求解非线性整数规划方面上的优势,最后对模型参数进行了敏感性分析。（4）针对需求不确定环境下多目标主生产计划优化问题,将企业各项产品在各个计划期的毛需求考虑为不确定变量,考虑其主观和客观不确定特征,使用三角模糊随机数对其进行度量,同时考虑库存水平、产品未满足需求、产品低于安全库存水平以及资源超负荷产能四个目标,建立了带有模糊随机变量的多目标主生产计划模型。针对模型带有模糊随机变量、多目标函数以及整数决策变量等特征,设计了一种集成模糊随机仿真的自适应多结构粒子群算法（FRS-AMPSO）进行计算,该算法采用0-1变量的二进制编码,以适应模型决策变量的离散特征;将模糊随机仿真技术集成于粒子性能评估的过程,从而有效的解决了模型中带有不确定变量的问题;采用多结构的粒子更新机制,扩展了粒子间社会学习的机会,从而提高了算法后期局部搜索能力;引入自适应的变异算子和惯性权重的改进方案,以提高算法前期全局的探测能力。通过对所提出的模型和算法进行两个不同规模的主生产计划问题的情景模拟,分别验证了FRS-AMPSO处理实际需求不确定多目标主生产计划问题的性能,最后对模型参数进行了敏感性分析。
宋望[3]（2019）在《云计算中的服务组合技术研究》文中研究表明在云计算环境中,随着用户需求的多样化与复杂化,单个云服务提供的功能已经无法满足用户的需求,把单个云服务按照一定的组合方式进行组合形成更大粒度的组合服务即服务组合越来越受到专家的重视。但由于云环境中存在海量功能相同或相似的服务,导致云服务的选择以及在云服务的组合过程中会消耗大量的时间,使云服务组合的效率较为低下。本文针对云服务组合中对云服务QoS建模考虑因素不够全面以及服务组合算法效率低下问题进行了改进。首先,分析了现阶段对云服务QoS产生影响的各个因素,通过结合用户满意度因素与负载均衡因素设计出单个云服务QoS模型。在此基础上分析云计算环境中服务与服务之间的关系,从而设计组合服务QoS模型,进一步得出云服务QoS模型的数学计算表达式。其次,针对现阶段研究中将服务组合建模为单目标优化问题所存在的不足,提出QoS效益最大化、成本最小化双优化目标模型,将云服务组合问题建模为多目标优化问题,并采用Pareto解集求解多目标优化问题。最后,针对传统人工蜂群算法的缺点,提出改进型人工蜂群算法,加入了基于选拔规则的离散有效解生成策略与基于快速非支配排序与稳定性的种群选择策略,通过实验证明,该算法的性能相比于其他参照算法较高,更适用于具有大规模服务数量的云计算环境。
朱书进[4]（2018）在《被动毫米波图像处理关键技术研究》文中进行了进一步梳理毫米波辐射成像系统通过毫米波辐射计接收和测量目标毫米波段的辐射能量,将目标辐射信号转化为电信号并处理得到目标场景的毫米波亮温图像。相对于微波,毫米波成像系统具有更高的分辨率和更好的抗干扰能力。与红外和可见光相比,毫米波对雨雾或者沙尘的穿透性更强,毫米波成像系统具有全天时和全天候工作能力,特别是毫米波辐射成像系统,因不发射信号,具有良好的隐蔽性。因此,其在民用和军事领域如战场引导、遥感观测和反恐安检等方面获得了广泛应用。毫米波辐射成像的最终目的是获得高质量的毫米波亮温图像并对其进行有效的目标检测和分析以满足不同应用需求。但由于毫米波辐射成像系统易受噪声和衍射受限效应等影响,导致被动毫米波图像噪声大、分辨率低。因此如何改善被动毫米波图像的图像质量,提高图像分类和目标识别的准确性是十分重要的。论文围绕被动毫米波图像的去噪和超分辨方法以及目标的分类识别开展了研究,主要包括以下几个方面:（1）毫米波干涉综合孔径辐射成像的机理和建模仿真的研究。介绍了毫米波目标的辐射特性,从二元干涉仪入手,利用系统传输特性推导了毫米波干涉测量远场近场统一的复相关输出和目标场景亮温分布的关系,建立了笛卡尔坐标系下毫米波干涉综合孔径成像模型,分析了系统参数对成像结果的影响。（2）基于两级自适应非局部均值的被动毫米波图像联合滤波。针对毫米波辐射成像系统在实际成像中易受成像环境、系统电路等影响导致亮温图像出现噪声污染的缺点,在非局部均值滤波的基础上,利用弱纹理块的图像噪声估计实现了自适应滤波,提高了算法的去噪性能,同时通过引入两级框架的联合滤波,解决了高噪声情况下传统非局部均值滤波器权值分配函数可信度和准确度急剧下降的问题,进而改善算法的去噪性能和边缘保持能力。（3）基于自适应流形高维滤波的被动毫米波图像去噪算法。针对毫米波辐射成像系统通道间不一致性导致亮温图像存在条带噪声和冲激噪声的问题,利用窗口遍历数据扩维方法将被动毫米波图像扩展到高维空间,通过主成分分析提取高维图像的主要信息,同时利用高维空间中的平均中值滤波提高了自适应流形高维滤波的去噪性能,并借助基于拉普拉斯高斯算子的边缘增强技术实现了目标边缘的增强,进一步提高了图像的质量。（4）基于多帧框架的正则化非线性扩散模型的单帧毫米波图像超分辨算法。针对单帧毫米波图像无法适用于基于毫米波图像序列的超分辨方法的不足,通过引入循环引导滤波生成结构上多尺度的被动毫米波图像序列,利用正则化非线性扩散模型超分辨方法和全差分去卷积方法在多帧框架下实现了单帧毫米波图像的超分辨重建,恢复了丢失的高频和细节信息。（5）被动毫米波图像分类识别系统的设计与实现。为了实现被动毫米波图像的分类识别,同时验证提出的去噪算法和超分辨算法的有效性,通过建立被动毫米波图像数据库,并借助MATLAB GUI可视化平台编程实现了被动毫米波图像分类识别系统。以多类别的三维模型为基础,通过主视角选择和小角度旋转捕获目标主要的姿态,利用毫米波干涉综合孔径成像方法生成亮温图像并建立被动毫米波图像库。利用基于自适应流形高维滤波的去噪算法和基于正则化的非线性扩散模型的超分辨算法进行处理,结合局部二值模型图像特征提取方法和基于直方图交叉核的支持向量机分类器实现被动毫米波图像特征的提取和分类。通过目标分类和检索对比实验,对所提的去噪算法和超分辨算法进行了验证。
姜云霞[5]（2015）在《云制造环境下加工制造资源虚拟化关键技术研究》文中研究表明云制造是一种面向服务的网络化制造新模式,它为中国制造业的服务化转型提供一种新的思路,但其还没有达到真正的落地实现的程度。作为网络化制造的一种模式,云制造强调按需获取资源,这一点正好符合互联网时代的制造企业对资源全面共享的诉求。逻辑资源的抽取和服务化是云制造的基础,本文以云制造环境下制造过程中加工制造阶段作为研究对象,搭建加工制造资源虚拟化框架,为了解决架构中资源如何描述、虚拟资源如何抽取和资源发现与优选的问题,从加工制造资源建模方法、加工制造资源的映射方法、制造资源选择与优化方法三个方面进行了深入研究。根据加工制造资源的特点,构建底层的资源虚拟化架构,建立虚拟资源抽取模型。建立基于元模型的加工制造资源及其虚拟资源的两层模型结构,研究加工制造资源的逻辑资源抽取策略。在分析本体概念的基础上,结合加工制造资源的特点,提出加工制造资源及其虚拟资源的元概念和元属性的形式化定义。在元模型的语义和语法的约束下,采用本体建模工具protégé和语义Web本体描述语言OWL,建立加工制造资源及其虚拟资源的模型层,通过切削加工资源虚拟化原型系统进行验证。在此基础上,提出资源组合模型和组合服务模型。依据加工制造资源的特性,建立其虚拟化映射模型,分析映射的基本规则和实现流程。研究了基于ai Net人工免疫网络的资源聚类方法;为解决ai Net网络呈现无规律的动态变化的问题,定义优化目标函数,提出改进的ai Net免疫学习算法。对算法的时间复杂度和合理性进行了评价,并对其进行了实例验证。研究加工制造资源—虚拟资源的语义本体映射方法,分析了基于语义相等的映射实现原理。依据加工制造任务的对象特性和云制造的特点,在资源云池的基础上,研究加工制造过程中资源发现的流程,建立加工制造任务的形式化模型,阐述了任务分解的原则。为保证子任务集获得最优的资源集,研究资源候选集的优化选择方法,建立加工制造资源优选的评价指标体系。利用模糊层次分析法的模糊一致比较矩阵对评价指标的权重进行评价,给出权重评价向量。在云制造环境下,加工制造任务链是串并行共存、加工制造资源异地共享,为此,时间和成本两个评价因素中引入物流和仓储的时间和成本。依据评价指标体系,建立资源优选多目标函数;依据遗传算法全局搜索性与精英保留策略,实现资源优选算法的设计,给出了相应的算法流程。最后通过切削加工类资源的虚拟化原型系统和轴承座组件加工实例对上述理论进行了验证。
郭希旺[6]（2015）在《废旧产品拆解序列优化和拆解批量计划问题的研究》文中提出人类历史己跨入21世纪,世界经济在近几十年以飞快的速度发展,在创造繁荣物质文明的同时,也使资源投入量骤增,生存环境遭受破坏,环境污染日趋严重,环境、资源、能源问题已成为全球共同关注的问题。本文以废旧产品拆解为研究背景,研究了废旧产品拆解序列优化和拆解批量计划过程中的若干优化问题。研究成果及核心内容主要有以下五个方面：（1）研究了完全拆解多目标拆解序列优化问题。针对拆解序列优化问题建立了多目标优化数学模型,模型以最小拆解时间和最大拆解收益为优化目标。应用线性加权方法将多目标优化问题转换为单目标优化问题,并提出了一种改进的分散搜索算法,算法采用保持优先关系的交叉过程作为子集解的组合算子,通过局域搜索算子改进组合算子产生的新解。引用数值算例对模型和算法进行了验证,结果表明模型及算法求解此类多目标拆解序列优化问题有效。（2）研究了选择性拆解多目标拆解序列优化问题。根据选择性拆解的特点,建立了选择性拆解序列优化问题数学模型,同时考虑了以最小拆解时间和最大拆解收益为优化目标,提出了一种改进的多目标分散搜索优化算法。该算法针对多目标问题的特点建立了相应的初始解集和参考解集,将保持优先关系的交叉过程作为子集解的组合算子,利用改进的局域搜索策略进一步提高新解的质量。利用外部存档方法存放Pareto解集。最后,通过实例验证了模型和算法在求解此类多目标拆解序列优化问题的有效性。（3）研究了在多资源约束情况下零部件选择性拆解序列优化问题。根据拆解对象特点构建了产品拆解与／或图模型,该模型描述了零部件之间的连接关系和优先关系。根据选择性拆解问题的特点,建立了选择性拆解序列优化问题数学模型,在单目标方面考虑了以最大拆解收益为优化目标,在多目标方面考虑了以最大拆解收益和最小拆解时间为优化目标。同时提出了一种分散搜索算法,设计了保持优先关系的交叉组合算子和路径重连组合算子,利用局域搜索策略进一步提高新解的质量。通过实例验证,实验结果表明算法求解此类问题性能良好。（4）研究了多资源约束下拆解时间顺序依赖的选择性拆解序列优化问题。根据多资源约束下拆解时间顺序依赖的选择性拆解序列优化问题的特点,建立了以最大拆解收益和最小拆解时间为优化目标的多目标数学模型,提出了一种改进的多目标分散搜索优化算法。该算法针对多目标问题的特点设计了多样性初始解产生方法、保持优先关系的交叉组合算子,参考集更新方法,利用改进的局域搜索策略进一步提高新解的质量。利用外部存档方法存放Pareto解集。最后,通过实例验证了模型和算法在求解此类拆解序列优化问题的有效性。（5）研究了多资源约束拆解批量计划问题。针对多资源约束批量拆解中选择性拆解问题进行建模,建立选择性批量拆解优化模型,并采用CPLEX软件优化,以求得多资源约束条件下满足外部需求的选择性批量拆解优化问题的优化解,并通过多种实例验证了模型的正确性和有效性。总之,针对废旧产品的拆解问题,建立了这些问题的数学模型。根据数学模型的特点,从求解算法的角度进行了研究,设计了不同的现代优化算法对问题提供了有效的求解。通过大量的实验分析了验证模型和算法的有效性,为有效解决此类问题提供了重要的参考和指导。
刘锋[7]（2014）在《生产调度干扰管理模型和算法研究》文中进行了进一步梳理生产调度问题作为经典组合优化问题,具有高度的计算复杂性和广阔的应用前景。经典生产调度问题假设加工环境稳定,初始最优加工时间表制定后可以顺利执行。然而现实生产过程中充满不确定性,机器维护、机器故障、工件优先级变化和新工件到达等事件单独或者组合发生,使得初始计划无法按计划执行。这些事件统称为干扰事件,在干扰事件发生后,如何以尽量小的代价恢复加工系统正常运行是干扰管理（Disruption Management）致力于解决的问题。对应于加工系统基本构成要素,干扰事件可以大致分为资源相关和任务相关,对初始计划造成不同的影响。针对不同类型干扰事件,准确量化干扰事件的扰动,基于此构建同时考虑初始优化目标和扰动目标的模型,并设计高效算法求得问题有效解集供决策者选择,是生产调度干扰管理问题的核心和难点问题。本论文的主要研究内容包括：（1）资源相关扰动的干扰管理研究。选择资源相关扰动中最具代表性的机器维护作为研究对象：在单机环境中针对机器维护,研究初始最优加工时间表是基于加权折扣最短加工时间优先规则的问题,使用相对于初始计划工件完工时间的延迟来度量扰动,建立同时考虑原目标和与扰动目标的模型,结合量子算法和非支配排序遗传算法优势设计混合算法进行模型的求解。在并行机环境中面对干扰事件为改变加工效率的机器维护,使用机器-工件重新分配来度量扰动,构建干扰管理模型。设计求解问题有效前沿的穷举算法,以及在此基础上更高效率地优化某特定指标函数的分支定界算法。（2）任务相关扰动的干扰管理研究。选择工件相关干扰事件中最具代表性的工件优先级变化和新工件到达作为研究对象：针对单机环境下存在安装时间的最优化工作流时间问题,研究工件优先级突发提高的应对,设计最近邻域和插入混合算法为非支配排序遗传算法提供较优初始解,最终求得高质量有效前沿。针对单机环境下工件加工时间可通过非线性资源消耗进行压缩的问题,研究单个新工件到达和处理依概率发生时的应对,基于工件吸收干扰影响的能力制定初始加工时间表,使得干扰发生后新时间表能尽快和初始计划完全匹配。针对单机环境下计划外多个新工件抵达,研究通过外包手段为加工服务承接商制定生产配送的集成优化方案,在运营成本和服务水平之间进行有效权衡。（3）资源相关扰动和任务相关扰动并发的干扰管理研究。以上述内容为基础,研究了机器维护和新工件达到同时发生时的干扰管理问题。将客户对于完工时间延迟的非对称感知考虑在扰动度量中,从而使新的解决方案更具现实意义。提出一种基于有效解的元启发式算法,其中部分初始种群是通过动态规划方式求得。为了检验该方法的性能,设计了计算机仿真实验,比较了重调度干扰策略和局部修复策略,分析了不同启发式算法和分派规则的性能。通过对数值仿真结果进行统计分析,并根据现有度量有效前沿质量指标进行计算,验证了重调度策略和设计方法的有效性。本研究属于排序理论、运筹学优化理论和智能优化算法的交叉渗透,对生产调度干扰管理这一难题进行了有益探索。为加工制造企业面对突发干扰事件在生产成本和系统扰动之间权衡决策提供理论支持,对企业提高服务质量具有重要现实意义,对丰富拓展生产排序理论和多目标智能优化算法研究领域具有重要理论意义。
郝敬宾[8]（2011）在《快速原型制造中大尺寸模型的智能分割算法研究》文中研究表明模型分割技术可解决待加工模型或零件因结构复杂、体积过大（超出材料尺寸或设备加工范围）等造成的整体加工困难、材料利用率低等问题,同时可以有效地降低加工设备要求、提高生产效率。针对巨型三维模型的快速原型制造而言,模型分割的目标不是单纯地把大模型分割成尺寸符合加工要求的小模型,而是要将大尺寸复杂模型分割成形状简单、尺寸适中、方便加工和装配的子模型,以提高快速成型设备的加工能力和效率。针对快速成形系统的通用数据接口--STL模型,存在大量数据冗余且没有拓扑信息,无法直接进行表面曲率分析的问题,分析了三维模型的形体表达法与数据表示,使用Hash表算法对模型面片顶点进行了归并,研究了基于正向边结构的拓扑重构,构建了适用于边曲率分析的数据结构。针对点曲率分析计算复杂,聚类和迭代运算量大的问题,研究了基于边曲率分析的特征边界提取算法。使用二面角、周长比和凸凹性三种曲率参数对模型表面进行曲率分析,提取信息直指可用于模型分割的特征边界。在此基础上,研究了基于遗传算法的特征边阀值选取,以最大类间方差作为适应度函数,该方法提取的特征边数目比预设阀值法减少了一半以上,且有效的特征边界都得以保留。针对提取出的特征边在边链表中处于离散状态,必须链接起来才能用于模型分割的问题,研究了基于最优拟合平面的特征边链接算法。采用最小二乘法来生成特征边集的最优拟合平面,在拟合平面内合并孤立边,并使用Dijkstra最短路径法闭合特征边链。该方法可以有效闭合特征边界和去除噪声边,得到的特征环可以直接作为模型分割的边界。针对用户有特殊分割要求或是必须进行手动分割的情况,研究了基于归纳学习法的交互式分割算法。在OpenGL环境下实现了用户对三维模型的交互式操作,由用户手工选取所要分割的位置（可以是点、边、面,或是划线选取）,根据特征环和分割位置之间的位置和相似度关系建立决策树,以指导机器进行归纳学习,生成分割位置上的最优分割边界,以辅助用户完成模型分割。针对模型自动分割中存在分割方案众多的问题,研究了基于多目标优化的智能化分割算法。该算法在保证子模型可被加工的前提下,综合考虑分割次数、子模型复杂度、材料使用率和分割面平整度等影响因素,建立了多目标优化函数,使用层次分割策略和多目标遗传算法来获取最优分割方案,以指导机器对模型进行自动分割。针对现有模型分割研究中缺少有效的子模型装配结构生成算法,提出了一种相似形装配结构的自动生成算法。根据模型的切割轮廓和自身结构,基于Voronoi图的二等分法和切平面投影法,自动构建形状相似且尺寸适中的公/母装配结构。相似形装配结构的生成不需要单独建模,也无需计算合并位置,而是直接与子模型的闭合操作一并完成的。装配表面的三角化精度一致,且留有配合公差,有效地保证了子模型的装配精度。基于以上模型分割和装配结构生成算法的研究,使用Visual C++编程软件,实现了快速原型制造的大尺寸模型分割和装配结构生成系统的开发。通过对大量实验模型进行的特征边界提取、交互式分割、智能化分割、以及相似形装配结构生成的实例,验证了模型分割和装配结构生成系统的有效性和通用性。该论文有图87幅,表3个,参考文献170篇。
王煜[9]（2010）在《基于MDA的GBDSS决策服务组合建模方法研究》文中指出基于网格的决策支持系统（Grid Based Decision Support Systems, GBDSS）是建立在网格上的一种帮助决策者求解半结构化或非结构化问题的人机智能信息系统,它的本质在于实现高度的资源共享和协同工作。随着经济一体化和社会信息化进程的进一步加快,决策者所需求解的决策任务的复杂程度越来越高,单个原子决策服务已无法满足复杂决策任务的求解需要。如何设计一种高效的决策服务组合建模机制将大量散布在GBDSS中的已有原子决策服务组装成有效的组合决策服务,以提高GBDSS中分布、异构决策资源的重用率,降低GBDSS对复杂决策任务的处理难度,成为一个迫切需要解决的问题。本文认为GBDSS的决策服务组合建模应该解决四个方面的问题：首先需要构建一个决策服务组合架构来支撑决策服务组合建模方法的使用；其次,需要提供一个统一的决策服务描述模型辅助决策者进行决策服务的一致建模；三是,必须提供一个简单、快速且有效的组合建模机制完成决策服务的组合；四是必须提供一个服务匹配和优化选择机制来提高决策服务的组合效率。针对这四个问题,本文展开了以下基于模型驱动架构（Model Driven Architecture, MDA）的GBDSS决策服务组合建模方法研究。针对第一个问题,本文阐明了基于MDA的GBDSS决策服务组合的技术架构,包括MDA、面向服务架构（Service-Oriented Architecture, SOA）、网格和语义Web（Semantic Web）,提出了基于MDA的GBDSS决策服务组合平台的系统结构、生命周期和一般运作机制,勾勒出了基于MDA的GBDSS决策服务组合平台的整体概貌。为了更好地刻画GBDSS的结构复杂性并赋予其更大的开放性以及动态性,提出了一种基于MDA的GBDSS本体层次模型,并详细论述了其核心本体的设计。为了更好的实现基于MDA的GBDSS决策服务组合,进一步提出了采用UML类图实现本体描述语言OWL（Ontology Web Language, OWL）定义的本体文本的图形化建模,并分析了UML类图元模型到OWL描述元语之间的映射规则。针对第二个问题,本文给出了GBDSS两类决策服务——原子决策服务和组合决策服务的形式化模型定义,并着重分析了组合决策服务形式化模型的控制流模式和数据流模式。为了实现形式化模型的存储,本文还提出了一种采用扩展的OWL-S ServiceProfile本体来描述决策服务形式化模型的方法,并根据决策服务的特点给出了该本体的扩展框架。针对第三个问题,本文提出了基于MDA的模型映射机制实现组合决策服务从设计模型到执行模型再到存储模型的构建和转换。首先,提出了基于扩展UML活动图的组合决策服务设计模型；接着,提出了一种基于MDA的三模映射机制实现了此模型到基于BPEL4WS的组合决策服务执行模型和基于扩展的OWL-S的组合决策服务存储模型之间的转换；最后以基于网格的城市公交决策支持系统为背景,阐明了采用语义Web技术和三模映射机制实现车辆出行最优路径选择服务建模的步骤与方法,检验了方法的有效性和技术可行性。针对第四个问题,本文首先提出了基于接口匹配的抽象组合决策服务构建方法来实现服务的匹配。此方法通过决策服务接口的概念相似度计算逆向获取决策任务的前驱匹配集,并采用基于分层的宽度优先算法和基于回溯的深度优先算法获取抽象组合决策服务有效解集的生成树。接着设计了一种改进的多目标协同进化遗传算法实现基于聚合QoS的物理组合决策服务优化选择,通过仿真对比实验检验了算法的可用性和合理性。
周景才[10]（2009）在《基于模型驱动的测试用例自动生成技术研究》文中研究指明软件测试是软件开发的关键过程之一,对于确保软件产品的质量有着十分重要的作用。而测试用例作为软件测试活动中最重要的关键输出件之一,其质量与数量将直接决定被测系统的质量与测试成本。因此,在如何保证软件质量的前提下减少测试用例规模便成了当前最热门的测试设计技术研究内容之一;此外,随着软件复杂度的快速增长,测试用例的数量也快速增长,传统手工设计与维护用例的方法己逐渐不能满足当前发展的需要。为此,本文研究了最优测试用例集设计技术和测试用例自动生成技术,提出了支持最优测试用例集自动生成全流程的架构。通过模型转换算法将系统模型自动转换成测试模型,然后通过测试逻辑自动生成技术、测试数据自动生成技术和应用了最优测试用例集覆盖理论的测试用例自动生成技术实现从系统开发模型到测试用例的全过程自动生成,从而将原来繁重的手工设计与维护测试用例工作转移到单一的测试模型的设计与维护工作上,在保证软件质量的前提下降低了测试成本。本文研究的主要成果有两个:（1）本文研究的测试用例自动生成架构,实现了从测试建模到测试用例自动生成的全过程,有效解决了测试用例设计与维护困难的问题,提高了测试用例设计与维护的工作效率;（2）本文研究的FRBT（Factor Relationship—Based Testing）--基于因子相关度的最优用例集生成算法,是目前用例覆盖技术中最优算法之一,而且它是采用数学模型来挑选相交因子的覆盖技术,有效解决了其它工程方法中完全依赖TSE经验挑选因子所带来的风险与不稳定性,使测试用例设计更加快速、客观
二、有效解集的自动生成方法（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、有效解集的自动生成方法（论文提纲范文）
（1）窄带物联网覆盖增强机制的性能分析与优化设计（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 NB-IoT标准化与现状 |
| 1.2.1 NB-IoT标准化历程 |
| 1.2.2 商用部署现状 |
| 1.2.3 国内外研究现状 |
| 1.3 本文主要研究工作 |
| 1.3.1 论文主要内容 |
| 1.3.2 论文组织结构 |
| 2 NB-IoT随机接入关键技术 |
| 2.1 NB-IoT部署方式 |
| 2.2 物理层上行链路 |
| 2.2.1 帧结构及物理资源 |
| 2.2.2 窄带物理上行共享信道 |
| 2.2.3 物理随机接入信道 |
| 2.2.4 覆盖类别 |
| 2.3 NB-IoT随机接入过程 |
| 2.4 本章小结 |
| 3 NB-IoT覆盖类别初始判决 |
| 3.1 测量方案设计 |
| 3.1.1 测量目的 |
| 3.1.2 工具与方法 |
| 3.1.3 测量参数分析 |
| 3.1.4 测量场景 |
| 3.2 测量数据分析 |
| 3.2.1 数据分析方法 |
| 3.2.2 典型场景均值和标准差分析 |
| 3.2.3 典型场景的多峰高斯拟合分析 |
| 3.3 覆盖类别判别 |
| 3.3.1 覆盖类别判别算法 |
| 3.3.2 典型场景覆盖类别判别 |
| 3.4 本章小结 |
| 4 NB-IoT覆盖类别更新机制 |
| 4.1 建模基础 |
| 4.1.1 马尔可夫链 |
| 4.1.2 多目标优化问题 |
| 4.2 覆盖类别更新模型 |
| 4.2.1 3GPP协议抽象的更新模型 |
| 4.2.2 引入回退机制的更新模型 |
| 4.3 优化设计与求解 |
| 4.3.1 覆盖类别更新机制的优化模型 |
| 4.3.2 优化模型的求解 |
| 4.4 数值仿真与分析 |
| 4.4.1 Ri与Ni,max最优取值及Pc和E的关系 |
| 4.4.2 t与Ni,max最优取值及Pc和E的关系 |
| 4.4.3 N与Ni,max最优取值及Pc和E的关系 |
| 4.4.4 协议模型与改进模型的对比 |
| 4.5 本章小结 |
| 5 NB-IoT上行时频资源利用率研究 |
| 5.1 折衷优化模型建立与求解 |
| 5.1.1 上行资源利用率和接入成功概率折衷模型 |
| 5.1.2 模型分析与求解 |
| 5.2 NPRACH和NPUSCH典型复用场景 |
| 5.2.1 NB-IoT低随机接入负载场景 |
| 5.2.2 NB-IoT高随机接入负载场景 |
| 5.3 数值仿真与分析 |
| 5.3.1 不考虑Ni,max的低RACH load场景 |
| 5.3.2 不考虑Ni,max的高RACH load场景 |
| 5.3.3 引入Ni,max的低RACH load场景 |
| 5.3.4 引入Ni,max的高RACH load场景 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间发表的论文目录 |
| B. 作者在攻读学位期间参与的科研项目 |
| C. 作者在攻读学位期间获得的荣誉奖励 |
| D. 学位论文数据集 |
| 致谢 |
（2）离散制造企业多目标主生产计划研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 课题的提出 |
| 1.1.3 研究意义 |
| 1.2 国内外相关工作研究现状 |
| 1.2.1 主生产计划研究现状 |
| 1.2.2 集成生产计划研究现状 |
| 1.2.3 多目标生产计划研究现状 |
| 1.3 存在的问题分析 |
| 1.4 研究框架与内容 |
| 2 离散制造企业主生产计划及集成模型构建 |
| 2.1 离散制造企业概述 |
| 2.2 主生产计划的内涵及其运行参数 |
| 2.2.1 主生产计划的内涵 |
| 2.2.2 主生产计划的运行参数 |
| 2.3 企业资源计划体系局限性与研究进展 |
| 2.3.1 企业资源计划体系局限性 |
| 2.3.2 企业资源计划体系研究进展 |
| 2.4 集成生产计划模型构建 |
| 2.4.1 集成生产计划的概念模型 |
| 2.4.2 集成生产计划的过程模型 |
| 2.4.3 集成生产计划的制造清单模型 |
| 2.4.4 集成生产计划模型的优势 |
| 2.5 本章小结 |
| 3 基于均衡生产的多目标主生产计划研究 |
| 3.1 问题的提出 |
| 3.2 模型构建 |
| 3.2.1 模型参数及假设 |
| 3.2.2 模型目标 |
| 3.2.3 模型约束 |
| 3.3 基于自动调节策略的遗传算法 |
| 3.3.1 染色体结构表达和初始化 |
| 3.3.2 遗传算子 |
| 3.3.3 染色体评价和选择 |
| 3.3.4 基于模糊逻辑控制的参数自动调节策略 |
| 3.3.5 整体框架 |
| 3.4 算例分析 |
| 3.4.1 算例数据 |
| 3.4.2 算法性能对比分析 |
| 3.4.3 算法自适应能力分析 |
| 3.4.4 敏感性分析 |
| 3.5 本章小结 |
| 4 资源与物料双重约束的多目标主生产计划研究 |
| 4.1 问题的提出 |
| 4.2 模型构建 |
| 4.2.1 模型参数及假设 |
| 4.2.2 模型目标 |
| 4.2.3 模型约束 |
| 4.3 基于对偶理论的自适应粒子群优化算法 |
| 4.3.1 粒子结构表达 |
| 4.3.2 粒子性能评估 |
| 4.3.3 对偶更新机制 |
| 4.3.4 自适应参数更新 |
| 4.3.5 整体框架 |
| 4.4 算例分析 |
| 4.4.1 算例数据 |
| 4.4.2 算法参数设定 |
| 4.4.3 算法性能对比分析 |
| 4.4.4 敏感性分析 |
| 4.5 本章小结 |
| 5 需求不确定环境下多目标主生产计划研究 |
| 5.1 问题的提出 |
| 5.2 模型构建 |
| 5.2.1 不确定变量 |
| 5.2.2 模型参数及假设 |
| 5.2.3 模型目标 |
| 5.2.4 模型约束 |
| 5.3 集成模糊随机仿真的自适应多结构粒子群算法 |
| 5.3.1 粒子结构表达 |
| 5.3.2 基于模糊随机仿真的粒子性能评估 |
| 5.3.3 多结构的粒子更新机制 |
| 5.3.4 自适应变异和惯性权重改进方案 |
| 5.3.5 整体框架 |
| 5.4 算例分析 |
| 5.4.1 算例数据 |
| 5.4.2 算法参数确定 |
| 5.4.3 实验结果分析 |
| 5.4.4 算法性能对比分析 |
| 5.4.5 敏感性分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（3）云计算中的服务组合技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 Web服务组合相关研究 |
| 1.2.2 云服务组合相关研究 |
| 1.3 论文主要工作 |
| 1.4 论文章节安排 |
| 第二章 研究基础 |
| 2.1 云计算概述 |
| 2.1.1 云计算的定义 |
| 2.1.2 云计算的特征 |
| 2.1.3 云计算的服务类型 |
| 2.1.4 云服务的部署方式 |
| 2.1.5 云计算的应用场景 |
| 2.2 云服务组合 |
| 2.2.1 基于工作流模型的云服务组合方法 |
| 2.2.2 基于语义的云服务组合方法 |
| 2.2.3 基于进化计算的云服务组合方法 |
| 2.3 本章小结 |
| 第三章 基于QoS的云服务组合模型 |
| 3.1 云服务QoS建模 |
| 3.2 云服务QoS属性值计算 |
| 3.3 云服务组合模型 |
| 3.3.1 云服务组合具体流程 |
| 3.3.2 云服务组合建模 |
| 3.4 多目标问题建模 |
| 3.5 本章小结 |
| 第四章 基于改进人工蜂群算法的云服务组合算法 |
| 4.1 人工蜂群算法的基本原理 |
| 4.2 基于多目标优化的服务组合 |
| 4.3 改进人工蜂群算法求解多目标云服务组合问题 |
| 4.3.1 编码设计 |
| 4.3.2 算法设计 |
| 4.4 本章小结 |
| 第五章 实验仿真及结果分析 |
| 5.1 实验环境及数据集选取 |
| 5.2 实验参数设置 |
| 5.2.1 对比算法选择 |
| 5.2.2 仿真指标设置 |
| 5.3 实验仿真对比及结果分析 |
| 5.3.1 各算法运行时间对比 |
| 5.3.2 各算法云服务组合求解质量对比 |
| 5.3.3 各算法最优解集超体积指标对比 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）被动毫米波图像处理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究概况 |
| 1.3 被动毫米波图像去噪 |
| 1.4 被动毫米波图像超分辨 |
| 1.5 被动毫米波图像分类和识别 |
| 1.6 本文结构安排与创新点 |
| 2 毫米波干涉综合孔径辐射成像原理与建模分析 |
| 2.1 引言 |
| 2.2 毫米波干涉综合孔径辐射成像原理 |
| 2.2.1 黑体辐射理论 |
| 2.2.2 干涉综合孔径辐射成像原理 |
| 2.3 毫米波综合孔径辐射成像建模与仿真 |
| 2.3.1 自然辐射信号的建模 |
| 2.3.2 毫米波综合孔径辐射成像建模 |
| 2.3.3 综合孔径辐射成像的反演仿真 |
| 2.4 本章小结 |
| 3 基于两级自适应非局部均值的被动毫米波图像联合滤波算法 |
| 3.1 引言 |
| 3.2 基于弱纹理块的图像噪声估计算法 |
| 3.3 非局部均值图像滤波算法 |
| 3.3.1 邻域平均图像去噪 |
| 3.3.2 非局部均值图像去噪 |
| 3.4 两级自适应非局部滤波的毫米波图像联合去噪算法 |
| 3.4.1 两级自适应非局部均值联合滤波 |
| 3.4.2 两级自适应非局部均值联合滤波参数优化 |
| 3.4.3 实验及结果分析 |
| 3.5 本章小结 |
| 4 基于自适应流形高维滤波的被动毫米波去噪算法 |
| 4.1 引言 |
| 4.2 自适应流形高维滤波算法 |
| 4.2.1 高维滤波 |
| 4.2.2 流形和流形学习 |
| 4.2.3 自适应流形的计算模型 |
| 4.2.4 自适应流形滤波 |
| 4.3 基于自适应流形高维滤波的被动毫米波图像去噪算法 |
| 4.3.1 高维空间的自适应流形滤波 |
| 4.3.2 改进的自适应流形高维滤波 |
| 4.3.3 实验及结果分析 |
| 4.4 本章小结 |
| 5 基于多帧框架下的非线性扩散模型的单帧被动毫米波图像超分辨算法 |
| 5.1 引言 |
| 5.2 基于单帧毫米波图像的超分辨算法 |
| 5.2.1 单帧毫米波图像降质模型 |
| 5.2.2 单帧毫米波图像的超分辨 |
| 5.3 基于毫米波图像序列的超分辨算法 |
| 5.3.1 毫米波图像序列降质模型 |
| 5.3.2 毫米波图像序列的超分辨 |
| 5.4 多帧框架下的正则化非线性扩散模型的单帧毫米波图像超分辨算法 |
| 5.4.1 联合双边滤波 |
| 5.4.2 多尺度引导滤波 |
| 5.4.3 基于改进的正则化非线性扩散的单帧毫米波图像超分辨 |
| 5.4.4 实验及结果分析 |
| 5.5 本章小结 |
| 6 被动毫米波图像分类识别系统 |
| 6.1 引言 |
| 6.2 被动毫米波图像分类识别系统 |
| 6.2.1 分类识别系统设计流程 |
| 6.2.2 被动毫米波图像库的构建 |
| 6.2.3 被动毫米波图像预处理 |
| 6.2.4 被动毫米波图像特征提取和分类 |
| 6.2.5 系统软件界面设计 |
| 6.3 被动毫米波图像分类识别实验和结果分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 本文主要工作及结论 |
| 7.2 存在的问题及工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）云制造环境下加工制造资源虚拟化关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 制造业信息化趋势 |
| 1.1.2 云制造 |
| 1.2 论文研究意义 |
| 1.3 云制造研究现状 |
| 1.4 云制造资源虚拟化支撑技术和关键技术 |
| 1.4.1 云制造资源虚拟化支撑技术 |
| 1.4.2 云制造资源虚拟化关键应用技术 |
| 1.5 论文研究内容 |
| 第2章 云制造环境下加工制造资源虚拟化架构设计 |
| 2.1 加工制造资源类别体系 |
| 2.1.1 有形的加工制造资源 |
| 2.1.2 无形的加工制造资源 |
| 2.1.3 加工能力 |
| 2.2 加工制造资源虚拟化框架 |
| 2.2.1 云制造对加工制造资源虚拟化的需求 |
| 2.2.2 加工制造资源虚拟化架构 |
| 2.3 本章小结 |
| 第3章 加工制造资源的语义建模 |
| 3.1 引言 |
| 3.2 加工制造资源的虚拟资源抽取架构 |
| 3.2.1 加工制造资源的虚拟资源抽取模型 |
| 3.2.2 加工制造资源的虚拟资源抽取策略 |
| 3.3 加工制造资源和虚拟资源的元建模 |
| 3.3.1 元模型 |
| 3.3.2 加工制造资源的元概念 |
| 3.3.3 虚拟资源的元概念 |
| 3.3.4 元属性 |
| 3.3.5 模型层 |
| 3.4 加工制造资源的组合服务模型 |
| 3.4.1 组合服务的适应性 |
| 3.4.2 组合服务模型 |
| 3.5 本章小结 |
| 第4章 加工制造资源虚拟化映射方法研究 |
| 4.1 引言 |
| 4.2 虚拟化映射机制 |
| 4.2.1 映射的形式化表达 |
| 4.2.2 映射模型 |
| 4.2.3 映射规则 |
| 4.2.4 映射流程 |
| 4.3 资源聚类 |
| 4.3.1 基于aiNet人工免疫网络的资源聚类算法 |
| 4.3.2 资源聚类算法的改进 |
| 4.3.3 聚类算法评价 |
| 4.4 改进的资源聚类算法验证 |
| 4.4.1 样本选定 |
| 4.4.2 聚类实现与评价 |
| 4.5 加工制造资源与虚拟资源的语义本体映射 |
| 4.5.1 基于语义相等的映射实现原理 |
| 4.5.2 语义本体映射方法 |
| 4.6 本章小结 |
| 第5章 云制造环境下加工制造资源的选择与优化 |
| 5.1 引言 |
| 5.2 云制造环境下加工制造资源的发现过程 |
| 5.2.1 加工制造任务模型 |
| 5.2.2 加工制造任务分解原则 |
| 5.2.3 加工制造资源发现流程 |
| 5.3 加工制造资源优化选择的分析 |
| 5.3.1 优化选择的评价指标 |
| 5.3.2 优化选择域 |
| 5.4 加工制造资源的优化选择实现 |
| 5.4.1 加工制造资源优化选择数学模型 |
| 5.4.2 算法流程 |
| 5.4.3 算法设计 |
| 5.5 算法实例验证 |
| 5.6 本章小结 |
| 第6章 切削加工资源虚拟化原型系统验证 |
| 6.1 引言 |
| 6.2 系统功能结构和技术环境 |
| 6.3 应用实例 |
| 6.3.1 实例背景 |
| 6.3.2 切削加工资源获取过程 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 致谢 |
（6）废旧产品拆解序列优化和拆解批量计划问题的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究目标及研究内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 技术路线 |
| 1.4 论文组织结构 |
| 第2章 拆解序列优化和拆解批量计划问题研究综述 |
| 2.1 引言 |
| 2.2 拆解序列优化问题研究综述 |
| 2.2.1 基于图的拆解序列优化 |
| 2.2.2 基于元启发式算法的拆解序列优化 |
| 2.2.3 考虑拆解不确定性的拆解序列优化 |
| 2.3 拆解批量计划问题研究综述 |
| 2.3.1 拆解批量计划问题分类 |
| 2.3.2 拆解批量计划问题的优化方法 |
| 2.4 分散搜索算法(SS)简介 |
| 2.4.1 SS算法流程 |
| 2.4.2 SS算法的执行机制 |
| 2.4.3 SS算法的应用 |
| 2.5 本章小结 |
| 第3章 基于SS算法的多目标完全拆解序列优化方法 |
| 3.1 引言 |
| 3.2 完全拆解序列问题的多目标模型 |
| 3.2.1 完全拆解序列问题描述 |
| 3.2.2 问题的多目标优化模型 |
| 3.3 求解拆解序列问题SS算法 |
| 3.3.1 解的编码和解码 |
| 3.3.2 参考集产生 |
| 3.3.3 子集及解的组合 |
| 3.3.4 局域搜索算子 |
| 3.3.5 更新参考集 |
| 3.3.6 停止准则 |
| 3.4 计算实验与结果分析 |
| 3.4.1 实验设计 |
| 3.4.2 算例分析 |
| 3.5 本章小结 |
| 第4章 多目标选择性拆解序列优化问题的SS算法 |
| 4.1 引言 |
| 4.2 选择性拆解序列问题的多目标模型 |
| 4.2.1 选择性拆解序列问题描述 |
| 4.2.2 问题的多目标优化模型 |
| 4.3 改进SS算法设计 |
| 4.3.1 SS算法框架 |
| 4.3.2 解的编码 |
| 4.3.3 初始解集P和参考集的产生方法 |
| 4.3.4 产生子集 |
| 4.3.5 解的组合算子和改进算子 |
| 4.3.6 更新参考集和Pareto解集 |
| 4.3.7 停止准则 |
| 4.4 仿真实验与结果分析 |
| 4.4.1 对照算法 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第5章 多资源约束下选择性拆解序列优化问题的SS算法 |
| 5.1 引言 |
| 5.2 多资源约束下选择性拆解序列优化问题描述及数学模型 |
| 5.3 求解单目标多资源约束下选择性拆解序列优化问题的SS算法 |
| 5.3.1 解的编码与解码 |
| 5.3.2 初始解集P的产生方法 |
| 5.3.3 参考集的产生 |
| 5.3.4 子集及解的组合算子 |
| 5.3.5 局域搜索算子及参考集的更新 |
| 5.3.6 停止准则 |
| 5.4 实验结果 |
| 5.4.1 算例参数设置 |
| 5.4.2 实验结果分析 |
| 5.5 多资源约束下选择性拆解序列问题的多目标模型 |
| 5.6 求解多目标多资源约束下选择性拆解序列问题的SS算法 |
| 5.6.1 解的编码和解码 |
| 5.6.2 初始解集P的产生方法 |
| 5.6.3 评估目标值及参考集的产生 |
| 5.6.4 子集及解的组合算子 |
| 5.6.5 局域搜索算子及参考集的更新 |
| 5.6.6 停止准则 |
| 5.7 实验结果 |
| 5.7.1 对照算法 |
| 5.7.2 实验结果与分析 |
| 5.8 本章小结 |
| 第6章 拆解时间顺序依赖的选择性拆解序列优化问题的多目标S S算法 |
| 6.1 引言 |
| 6.2 拆解时间顺序依赖选择性拆解序列优化问题的数学模型 |
| 6.2.1 问题描述 |
| 6.2.2 数学模型 |
| 6.3 求解拆卸时间顺序依赖选择性拆解序列优化问题的SS算法 |
| 6.3.1 SS算法基本框架 |
| 6.3.2 解的编码和解码 |
| 6.3.3 初始解集P和参考集的产生 |
| 6.3.4 子集及解的组合算子 |
| 6.3.5 局域搜索算子 |
| 6.3.6 更新参考集及外部存档管理 |
| 6.3.7 停止准则 |
| 6.4 实验设计与结果分析 |
| 6.4.1 与线性加权方法对比 |
| 6.4.2 与NSGA-Ⅱ算法对比 |
| 6.5 本章小结 |
| 第7章 多资源约束批量拆解优化问题研究 |
| 7.1 引言 |
| 7.2 问题描述 |
| 7.3 数学模型 |
| 7.4 实验设计与分析 |
| 7.4.1 算例设计 |
| 7.4.2 实验结果分析 |
| 7.5 满足成本限额的批量拆解问题数学模型 |
| 7.6 实验设计与结果分析 |
| 7.6.1 典型算例验证 |
| 7.6.2 随机生成算例验证 |
| 7.7 本章小结 |
| 第8章 总结与展望 |
| 8.1 论文工作总结 |
| 8.2 未来的研究方向 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表和录用的论文 |
（7）生产调度干扰管理模型和算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 图目录 |
| 表目录 |
| 主要符号表 |
| 1 绪论 |
| 1.1 问题提出与研究意义 |
| 1.1.1 问题提出 |
| 1.1.2 研究意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 典型干扰事件分类研究进展 |
| 1.2.2 扰动度量研究进展 |
| 1.2.3 干扰事件应对研究进展 |
| 1.2.4 国内外相关研究总结 |
| 1.3 本文研究内容 |
| 2 生产调度干扰管理问题界定和决策分析 |
| 2.1 生产调度干扰管理问题界定 |
| 2.2 干扰管理决策过程和待研究问题分析 |
| 2.3 有效前沿收敛性和多样性度量指标 |
| 2.4 本章小结 |
| 3 资源相关干扰事件的应对研究 |
| 3.1 问题描述 |
| 3.2 针对机器维护的单机干扰管理研究 |
| 3.2.1 问题最优解性质分析 |
| 3.2.2 数学模型构建 |
| 3.2.3 基于量子计算的混合智能求解算法设计 |
| 3.2.4 基于标准测试函数的算法性能检验 |
| 3.2.5 基于随机生成算例的算法性能检验 |
| 3.3 针对机器维护的并行机于扰管理研究 |
| 3.3.1 数学模型构建 |
| 3.3.2 有效前沿的穷举搜索算法 |
| 3.3.3 快速分支定界求解算法 |
| 3.3.4 基于随机生成算例的算法性能检验 |
| 3.4 本章小结 |
| 4 任务相关干扰事件的应对研究 |
| 4.1 问题描述 |
| 4.2 针对工件优先级变化的干扰管理研究 |
| 4.2.1 数学模型构建 |
| 4.2.2 基于最近邻域和插入混合的智能优化算法设计 |
| 4.2.3 基于随机生成数值算例的算法性能检验 |
| 4.3 针对新到达工件的可控排序干扰管理研究 |
| 4.3.1 工件加工时间初始最优压缩量的确定 |
| 4.3.2 工件吸收扰动能力优先级确定 |
| 4.3.3 基于干扰事件概率的调度方法 |
| 4.3.4 基于随机生成数值算例的算法性能检验 |
| 4.4 针对新到达工件的服务外包干扰管理研究 |
| 4.4.1 基于动态规划的生产配送集成优化 |
| 4.4.2 基于遗传算法的生产配送序贯决策 |
| 4.4.3 基于随机生成数值算例的算法性能检验 |
| 4.5 本章小结 |
| 5 资源相关和任务相关干扰事件并发的应对研究 |
| 5.1 问题描述 |
| 5.2 多类型干扰事件应对策略对比的数值仿真 |
| 5.2.1 基于Pareto优化的重调度策略 |
| 5.2.2 基于Pareto优化的局部修复策略 |
| 5.2.3 右移局部修复策略 |
| 5.2.4 仿真过程 |
| 5.3 仿真结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论与创新点 |
| 6.2 创新点摘要 |
| 6.3 展望 |
| 参考文献 |
| 附录A 有效前沿性能指标对比 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（8）快速原型制造中大尺寸模型的智能分割算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 图清单 |
| 表清单 |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文所做的主要工作 |
| 2 分割制造系统框架与模型预处理 |
| 2.1 分割制造系统的总体框架 |
| 2.2 STL 模型文件简述 |
| 2.3 模型拓扑重构与表面修复 |
| 2.4 本章小结 |
| 3 基于边曲率的模型特征边界提取 |
| 3.1 模型表面的曲率分析 |
| 3.2 模型表面特征边提取 |
| 3.3 基于最小二乘法的特征边集合 |
| 3.4 基于最短路径算法的特征环生成 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 4 三维模型的交互式智能分割算法 |
| 4.1 交互式智能分割概述 |
| 4.2 模型表面信息的快速拾取 |
| 4.3 归纳学习法生成分割边界 |
| 4.4 基于分割边界的模型实体分割 |
| 4.5 本章小结 |
| 5 基于多目标优化的智能分割算法 |
| 5.1 多目标优化算法概述 |
| 5.2 模型分割的目标函数和约束条件 |
| 5.3 基于遗传算法的最优分割方案 |
| 5.4 本章小结 |
| 6 相似形装配结构的自动生成算法 |
| 6.1 模型装配结构概述 |
| 6.2 相似形装配结构的轮廓线构建 |
| 6.3 相似形装配结构和子模型的合并 |
| 6.4 实验结果分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）基于MDA的GBDSS决策服务组合建模方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 服务组合建模研究综述 |
| 1.4 服务组合建模关键技术综述 |
| 1.5 本文的研究内容与结构 |
| 2 基于MDA的GBDSS决策服务组合平台体系架构 |
| 2.1 引言 |
| 2.2 基于MDA的GBDSS决策服务组合技术架构 |
| 2.3 基于MDA的GBDSS决策服务组合平台体系结构 |
| 2.4 基于MDA的GBDSS服务组合生命周期 |
| 2.5 基于MDA的GBDSS服务组合运作机制 |
| 2.6 基于MDA的GBDSS决策服务组合技术特点 |
| 2.7 小结 |
| 3 基于MDA的GBDSS本体建模方法 |
| 3.1 引言 |
| 3.2 GBDSS决策本体层次模型 |
| 3.3 GBDSS核心本体(COGBDSS) |
| 3.4 基于UML类图的本体模型 |
| 3.5 小结 |
| 4 基于MDA的GBDSS决策服务建模 |
| 4.1 引言 |
| 4.2 基于MDA的GBDSS决策服务组合主要模型 |
| 4.3 基于扩展的OWL-S的决策服务PSM模型 |
| 4.4 小结 |
| 5 基于MDA的GBDSS决策服务三模映射机制 |
| 5.1 引言 |
| 5.2 基于MDA的GBDSS组合决策服务模型映射结构 |
| 5.3 基于UML的组合决策服务平台无关模型 |
| 5.4 组合决策服务模型的三模映射机制 |
| 5.5 应用案例分析——车辆出行最优路径选择 |
| 5.6 小结 |
| 6 基于MDA的决策服务组合算法 |
| 6.1 引言 |
| 6.2 决策服务组合基本概念定义 |
| 6.3 基于接口匹配的抽象组合决策服务构建算法 |
| 6.4 基于聚合QoS的物理组合决策服务优化算法 |
| 6.5 小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 COGBDSS核心概念的关键属性 |
| 附录2 攻读博士学位期间发表论文目录 |
| 附录3 发表论文与学位论文章节对应关系 |
| 附录4 攻读博士学位期间申请发明专利与软件着作权 |
| 附录5 攻读博士学位期间参加的主要科研项目 |
（10）基于模型驱动的测试用例自动生成技术研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 软件测试技术发展现状 |
| 1.2 软件测试面临的问题及课题的提出 |
| 1.3 论文的组织结构和主要研究内容 |
| 第二章 测试用例设计技术与工程方法概述 |
| 2.1 黑盒测试技术 |
| 2.1.1 黑盒测试用例设计技术概述 |
| 2.1.2 等价划分法 |
| 2.1.3 边界值分析法 |
| 2.1.4 因果图法 |
| 2.2 白盒测试技术 |
| 2.2.1 白盒测试用例设计技术概述 |
| 2.2.2 六种主要的覆盖方法 |
| 2.3 常用测试设计工程方法简介 |
| 2.3.1 Pairwise 工程方法简介 |
| 2.3.2 MBT 工程方法简介 |
| 第三章 基于模型驱动的测试用例自动生成架构 |
| 3.1 用例自动生成架构 |
| 3.2 模型自动转换技术 |
| 3.3 测试逻辑自动生成技术 |
| 3.4 测试数据自动生成技术 |
| 第四章 测试用例自动生成技术详解 |
| 4.1 因子相关度计算模型简介 |
| 4.2 基于因子相关度的最优用例自动生成方法 |
| 4.2.1 相关定义及最优性质 |
| 4.2.2 相邻因子全覆盖生成算法 |
| 4.2.3 基于因子相关度的最优用例集生成算法 |
| 4.2.4 FRBT 算法与其它 Pairwise 算法比较 |
| 第五章 MTG 软件的设计与实现 |
| 5.1 系统设计目标 |
| 5.2 MTG 的总体功能 |
| 5.3 MTG 的实现 |
| 5.3.1 UML 模型编辑器的实现 |
| 5.3.2 图元工具箱的实现 |
| 5.3.3 数据自动生成的实现 |
| 5.3.4 用例自动生成浮动工具条的实现 |
| 5.4 MTG 使用示例 |
| 5.4.1 新建 MBT 工程 |
| 5.4.2 创建部署图 |
| 5.4.3 创建类图 |
| 5.4.4 创建测试模型 |
| 5.4.5 自动生成测试用例 |
| 5.5 实验数据分析 |
| 总结和展望 |
| 参考文献 |
| 附件 攻读硕士学位期间发表的论文 |
| 致谢 |
四、有效解集的自动生成方法（论文参考文献）
- [1]窄带物联网覆盖增强机制的性能分析与优化设计[D]. 刘钰芩. 重庆大学, 2019(01)
- [2]离散制造企业多目标主生产计划研究[D]. 王成. 大连理工大学, 2019(01)
- [3]云计算中的服务组合技术研究[D]. 宋望. 北京邮电大学, 2019(08)
- [4]被动毫米波图像处理关键技术研究[D]. 朱书进. 南京理工大学, 2018(06)
- [5]云制造环境下加工制造资源虚拟化关键技术研究[D]. 姜云霞. 哈尔滨理工大学, 2015(06)
- [6]废旧产品拆解序列优化和拆解批量计划问题的研究[D]. 郭希旺. 东北大学, 2015(07)
- [7]生产调度干扰管理模型和算法研究[D]. 刘锋. 大连理工大学, 2014(07)
- [8]快速原型制造中大尺寸模型的智能分割算法研究[D]. 郝敬宾. 中国矿业大学, 2011(08)
- [9]基于MDA的GBDSS决策服务组合建模方法研究[D]. 王煜. 华中科技大学, 2010(11)
- [10]基于模型驱动的测试用例自动生成技术研究[D]. 周景才. 湖南师范大学, 2009(11)