一、自适应PBIL算法求解合同优化匹配问题（论文文献综述）
陈俊宇[1]（2021）在《基于群体智能的大规模MIMO多用户预编码设计》文中进行了进一步梳理大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）技术通过在基站端布置大量天线,利用信道之间的渐近正交性,可以有效消除用户间干扰,同时给通信系统带来巨大的性能提升,而成为5G的关键技术并被广泛使用。在大规模多用户MIMO（Multi-User MIMO,MU-MIMO）系统中,不正确的用户分组会引起严重的用户间干扰,因此多用户选择对大规模MIMO系统性能至关重要。同时,在具有大量用户的大规模MU-MIMO系统中,由于传统的基于穷举搜索的多用户选择算法计算复杂度极高,且之前提出的低复杂度的贪婪多用户选择算法会产生较大的性能损失。因此,为了解决上述问题,本文针对多用户选择问题进行了研究,具体工作如下:（1）本文利用基于种群的增量学习（Population-Based Incremental Learning,PBIL）算法提出了一种基于PBIL的MU-MIMO多用户选择算法。首先,利用初始概率矢量生成初始种群;其次,通过竞争学习从所有个体中提取出最佳个体和优势个体,并利用其信息更新概率矢量;然后,设计了正交排列来对最佳个体进行变异以增加解决方案的多样性,并利用更新后的概率矢量和正交排列来生成下一代种群中的新个体,从而实现种群的进化;最后,引入系统的信息墒作为进化的终止条件,进化完成后输出多用户选择方案。所提出的算法不仅算法效率较高,且能够避免经典PBIL算法的局部陷阱问题。仿真结果表明,在具有大量用户的大规模MU-MIMO系统中,提出的多用户选择算法在保持较低复杂度的同时可以获得良好的和速率性能。（2）本文引入了基于十进制编码的PBIL（PBIL Based on Decimal Coding,D-PBIL）算法提出了一种以用户为中心的基于D-PBIL的无蜂窝大规模MU-MIMO接入点（Access Point,AP）选择算法。首先,利用初始概率矩阵生成初始种群;其次,通过竞争学习从所有个体中提取出最佳个体,并利用其信息更新概率矩阵;然后,设计了定向变异与随机变异相结合的变异方式,以加快算法的收敛并增加个体的多样性;最后,种群进化完成后,利用系统的信息熵作为迭代的终止条件,迭代结束后输出AP选择方案。无蜂窝大规模MIMO系统借助大量低成本的被称为AP的服务天线为分布在通信覆盖区域内的用户提供服务,能够提升系统中95%的用户的频谱效率,但这种性能优势是以巨大的回程开销和功耗为代价的。实验结果表明,提出的算法可以在大幅度降低无蜂窝网络功率消耗的同时获得较高的和频谱效率性能,并且在一定程度上增加了用户被服务的公平性。
张燕华[2]（2019）在《低碳环境下废钢铁再制造系统生产调度研究》文中指出废钢铁是一种可循环利用的再生资源,与铁矿石原料相比,具有明显的资源和低碳优势。在国家节能减排背景下,积极推动废钢铁再制造是钢铁工业实现低碳发展的重要途径,也是目前我国钢铁工业发展的主要方向。我国于2017年12月底启动了碳排放交易市场,将钢铁行业列为首批8个重点行业之一,该举措成为加快钢铁行业节能减排的有力“推手”。随着碳减排措施在具体生产环节中的不断落实,碳排放已然成为企业在制定生产调度方案时不得不考虑的关键因素之一。因此,在低碳环境下,研究如何科学地制定废钢铁再制造生产调度方案,以实现核心生产工序间的有效协调及子系统之间的高度协调运作,从生产调度层面降低二氧化碳排放,推进钢铁产业绿色循环发展,将具有重要的学术价值和实践意义。本文以废钢铁再制造系统为研究对象,以实现经济效益和环境效益的统一为再制造生产调度的优化目标,基于再加工子系统和再熔炼子系统中能源消耗和碳排放的关键生产环节,对低碳环境下废钢铁再制造生产调度优化展开研究。主要研究内容如下:（1）针对废钢铁再加工与电弧炉配料整个生产过程,考虑工艺约束、物料平衡等因素,设计了碳排放计量方法,构建了最小化经济成本与碳交易成本总和的低碳调度优化模型。将该模型与只考虑经济成本的模型进行比较,从理论方面论证了该模型在碳减排方面的可行性与有效性;进一步通过数值实验探讨了碳限额、碳价及碳交易对总成本、碳排放和最优调度方案的影响。该研究实现了废钢铁再加工子系统与再熔炼子系统之间的高度协调运作,从整体上减少了物质损耗和碳排放。（2）针对废钢铁炼钢模铸生产过程,设计了碳排放计量方法,构建了最小化makespan与碳排放的双目标优化模型。针对该模型等待时间受限的特征,提出了一种采用概率更新机制的种群增量学习算法。该算法结合炼钢模铸生产工艺要求将标准的2维概率矩阵扩展为3维矩阵,建立新的更新机制,利用概率模型产生每代种群;由于对解的基因位执行概率选择操作,算法能够对优质解的排列信息进行快速有效学习,可在较短时间内求得高质量的调度方案。通过仿真实验分析了影响碳排放的主要因素,以及makespan与碳排放之间的关系,从而为企业依据生产任务和碳排放环境选择综合目标最优化的生产调度方案提供有效方法。（3）针对工艺路径相同的废钢铁炼钢连铸生产过程,设计了碳排放计量方法,考虑工艺约束因素,构建了最小化makespan与碳排放的双目标优化模型。针对该模型炉次驻留时间受限、连铸阶段批量生产、准时开浇的强约束特征,提出了改进的种群增量学习算法。该算法利用改进的概率模型产生每代种群,对问题解空间执行较高效率的全局搜索;设计了融合时间窗后向推移法的局部搜索算法同时优化双目标;由于在全局和局部搜索之间达到了较好平衡,算法有能力获得问题的优良解。仿真结果表明,与只考虑经济指标最优化的调度结果相比,该优化模型可以在优化经济指标的同时有效降低碳排放,且调度方案满足驻留时间上限,从而有效降低了重调度风险造成的碳排放。（4）针对复杂工艺路径的废钢铁炼钢连铸生产过程,设计了碳排放计量方法,构建了最小化makespan、碳排放、炉次最大等待时间的多目标优化模型。针对该模型中目标种类多,目标之间相互矛盾等问题,提出了求解此问题的快速非支配排序遗传算法。该算法结合复杂工艺路径特征和工艺约束条件,设计了四层染色体编码方式,采用基于操作顺序的倒推解码方法,利用逆向计算安排炉次加工时间并消解时间冲突;快速非支配排序的个体评价及基于拥挤距离的多样性保持策略使算法达到了较好的求解效果。仿真结果表明,该优化模型的求解既能为调度决策者提供各目标有效均衡的折中方案,又能提供不同碳排放政策下的满意调度方案。本文的研究工作有利于丰富和完善废钢铁再制造的相关研究理论和方法,为废钢铁再制造企业在低碳环境下制定科学合理的生产调度方案提供决策依据。
刘雪庆[3]（2019）在《基于不完全偏好值的双边匹配模型与算法研究》文中进行了进一步梳理随着近几年共享经济的兴起,各式各样的双边匹配问题不断涌现,如打车软件中的司机与乘客之间的匹配、共享民宿中的房主与租客之间的匹配、共享快递中的送件人与快递包裹之间的匹配等等。双边匹配问题涉及到双边匹配主体,如何充分利用匹配主体给出的偏好信息进行双边匹配决策是一个难题;另外,当双边匹配主体规模非常大时,采用遍历解空间的方法求解模型会非常浪费时间,因此设计一种快速求解模型算法成为一个值得研究的问题。本文主要研究匹配主体没有给出全部偏好信息时,利用矩阵分解技术填充用户缺失偏好值,并对传统模拟退火算法进行改进来求解匹配模型,具体做了以下工作。基于矩阵分解,本文提出了一种当匹配主体未给出全部偏好值时双边匹配问题的解决方法,该方法利用匹配主体已经给出的偏好值,充分挖掘匹配主体的潜在偏好,从而预测匹配主体未给出的偏好值;另外该方法还能够解决多属性双边匹配问题中权重难以确定的难题。将匹配主体对属性的偏好权重隐含到已经给出的偏好值中,从而不需要人为给出权重,避免个体主观性对匹配结果的影响。针对预测偏好值超出规定区间的情况,提出一种偏好值映射机制,使超出规定区间的预测偏好值能合理地映射到给定区间内。提出改进的模拟退火算法求解双边匹配模型,主要改进点有:（1）初始解选择策略:算法开始时随机选择多个解,并选取使目标函数获得最优的解开始进行迭代,优化算法前期搜索过程;（2）内外循环双阈值设置:能够判断当前解是否稳定,如果解重复出现多次即认为抽样稳定,跳出当前循环,降低循环的执行时间;（3）退温函数动态选择:当前解优于历史均解时选择退温较快的退温函数,当前解劣于历史均解时选择退温较慢的退温函数,加速退温过程;（4）最优状态记录:记录历史搜索到的最优解,避免算法因概率性选择差解而错过最优解。最后通过求解双边匹配实例验证了改进后的算法在求解质量和求解效率上都比改进前的高。
李嵩[4]（2019）在《基于PBIL的虚拟网络功能放置问题研究》文中研究表明随着互联网产业的快速繁荣,用户对网络环境的要求也越来越高。网络设备不断地更新换代,种类愈加多样,功能也逐渐全面。传统的网络设备部署在网络中的特定位置,网络功能和网络设备牢牢地绑定在一起。每当出现新的网络功能需求时,就需要开发新的专用硬件设备,这需要消耗大量的资金成本和运营成本用于增加和维护新的通信服务。网络功能虚拟化作为一种新兴的技术,其基本思想是对专用网络设备进行软件与硬件的解耦,将网络功能与网络设备分离。通过虚拟化技术,网络功能被部署在虚拟平台,而虚拟平台则运行在通用物理资源上。其中,如何将虚拟的网络功能映射到物理资源中,从而为用户提供可靠的网络服务,是一个关键问题,一般称之为虚拟网络功能放置问题（Virtual Network Function Placement,简称VNF-P）。VNF-P问题是组合优化问题的一种,同时也是一个NP-hard问题。进化算法作为一类从生物进化中取得灵感的算法,具有很强的搜索解的能力,在解决组合优化问题上有着天然的优势。本文采用进化算法解决VNF-P问题,具体分为以下三个方面:1)针对静态网络场景下的VNF-P问题,本文提出了一种改进的种群增量学习算法来解决。该算法采用整数编码方式,准确地表示了该问题的解决方案,有利于种群的进化。精英保存策略为种群进化指明了方向,在精英解的指引下,算法可以向拥有更多高质量解的区域搜索。通过与遗传算法,蚁群算法,以及原始的种群增量学习算法的实验对比表明,本文提出的算法稳定性强,效果出色。2)对于动态场景下的VNF-P问题,本文构建了一个动态模型。该模型采用泊松分布来模拟真实场景下用户请求的到达情况,并对网络中物理资源的分配与释放进行了动态变化。对该模型,本文采用静态场景下效果优秀的改进的种群增量学习算法进行仿真实验。相对于遗传算法,蚁群算法和原始的种群增量学习算法这几种进化算法,以及逐步搜索,贪婪分配和多状态图这几种启发式算法,该算法在处理多个请求时能达到最高的成功率。3)针对以负载均衡和时延为优化目标的多目标VNF-P问题,本文提出了一种改进的多目标种群增量学习算法来解决。该算法以整数编码,采用了局部搜索和全局搜索策略。局部搜索策略发掘优秀个体的邻域,进一步提高解的质量。全局搜索策略使算法跳出固有的搜索区域,从而发现更多未知区域解。该算法根据概率公式选择对应的搜索策略,权衡了二者的使用。在多个场景的仿真实验表明,本文提出的算法评价指标优秀,能为解决多目标VNF-P问题提供更好的解决方案。
周芯宇[5]（2019）在《基于元启发式算法的VNF部署及其并行化》文中提出传统网络中需部署特定物理设备来提供特制功能以满足用户的服务请求,这会造成网络固化,后期升级和维护将花费巨额成本。网络功能虚拟化（Network Functions Virtualization,NFV）通过软硬分离和虚拟化技术,实现了灵活动态的部署和迁移网络功能,很好的解决了上述问题。NFV体系实施过程中的一个关键问题是VNF部署问题,如何在满足各种资源约束和开销下,找出尽可能优的方案将VNF部署在底层硬件上,是本文研究的核心。本文以端到端时延最小化为优化目标,提出了三种改进的元启发式算法来解决,并探索利用Spark平台并行化算法来提升算法性能,具体内容如下:1)提出一种改进型鲸鱼算法。该算法受到遗传算法和果蝇优化算法启发,结合个体交叉操作和个体变异策略,并设计了一种基于概率浓度的最优个体引导策略来增强解质量,加快算法收敛。实验结果表明,相比于经典的遗传算法、粒子群算法等,该算法能获得更优的部署方案。2)提出一种改进型灰狼算法。该算法设计了一种个体角色自适应调整策略,通过个体适应度值把灰狼个体动态的划分为局部挖掘灰狼和全局搜索灰狼,全局搜索灰狼执行基于增量更新的全局搜索操作,增加多样性,局部挖掘灰狼执行基于蚁群寻路的局部挖掘策略,加强搜索结果。实验仿真表明,该算法在所有实现的算法中能获得最优的结果,且算法相对比较稳定。3)提出一种改进型布谷鸟算法。该算法受到粒子群算法启发,在每个个体内部存储了搜索至今的历史最优解,并引入全局因子和局部因子控制个体更新,设计了逻辑邻域搜索和物理邻域搜索两种方式来加强局部挖掘。结果表明,该算法相比于传统的元启发式算法能获得更优的解,且算法速度较快。4)提出了元启发式算法的两种并行化方式。针对基于种群搜索的这类元启发式算法簇,本文详细分析其特点,提出了并行化模型,并基于Spark平台实现了一种通用并行化方法,在通用并行化方法的基础上,针对其缺陷设计了一种定制化的改进型并行化方法。最终结果表明,改进型并行化方法拥有更好的求解效果,能增强算法稳定性,在大规模场景或问题下,能加快算法执行效率,提升运行速度。
孟祥虎[6]（2017）在《着色旅行商问题及其动态化研究》文中提出课题组由多横梁水切割系统的调度问题出发,提出了一般性的着色旅行商问题（Colored Traveling Salesman Problem,CTSP）。该问题通过引入颜色来表现个体城市对于不同旅行商的访问允许性的差异,实现了对现有TSP、Multiple Traveling Salesman Problem（MTSP）的泛化。CTSP可广泛适用于现实世界中存在多机访问差别化访问多任务情形的优化调度问题（静态）的描述与建模,如多机工程系统的调度问题。为使CTSP更具有一般性、更加系统,本文拟在先前星型CTSP（Radial CTSP）的成果基础上,进一步提出并研究连环CTSP、通用CTSP与两类动态CTSP的建模与求解方法。主要研究内容与工作如下:1)厘清了星型CTSP与MTSP、TSP的区别与联系。首先理论上证明了星型CTSP是对MTSP、TSP的泛化。接着,从模型与解空间角度上入手,分析证明星型CTSP并非MTSP与TSP的组合,而是对两者组合问题的泛化。同时,以工业实例和仿真实验为手段,量化证实了星型CTSP相比MTSP与TSP组合问题的求解优势。2)在星型CTSP的理论基础上,提出连环CTSP（Serial CTSP）,其各个旅行商均拥有专属城市集,且两两相邻的旅行商共享一个城市集。可用于建模作用域呈串行（局部）重叠的多机系统的作业调度问题。相应地,提出了连环CTSP的种群增量学习（Population-Based Incremental Learning,PBIL）求解算法。大量仿真实验结果表明,PBIL算法是求解连环CTSP的有效算法,在解质量、收敛速度和计算耗时方面优于先前提出的3种改进的遗传算法,即贪婪遗传算法、爬山遗传算法和模拟退火遗传算法。3)鉴于星型和连环CTSP的城市颜色模式过于单调,无法描述加工任务对执行个体的访问允许性更为复杂的作业调度问题,提出通用CTSP（GeneralCTSP）,它通过引入城市-颜色矩阵,将星型CTSP和连环CTSP统一泛化,可广泛适用个体任务不仅存在访问差异而且差异具有多样性的一大类优化调度问题。提出通用CTSP的变邻域搜索（Variable Neighborhood Search,VNS）求解算法,采用了无冗余的高效的直接编码方式,并通过两阶段贪婪初始化和局部2-OPT操作增强算法的局部搜索能力。大量仿真实验结果表明,VNS算法是求解通用CTSP的有效算法,在解质量、收敛速度和计算耗时方面全面优于先前提出的3种遗传算法和PBIL算法。4)以通用CTSP为基础,提出两类动态CTSP,即城市边权重时变和城市颜色时变。分别适用于建模一类客户需求差异化的运输成本动态变化的物流配送优化问题和一类多仓库电商的供货决策问题。提出这两类动态CTSP的新型VNS求解算法,算法采纳了多种群策略和种群迁移策略,分别用于增强算法的种群多样性和收敛性速度,以便快速适应动态变化的环境,有效跟踪最优解的变化。设计了两个相对应的动态环境仿真器来模拟两类CTSP的环境动态变化,并提出了算法性能评价标准,包括离线性能指标、动态运行曲线及解的标准方差。大量仿真实验结果表明,带贪婪初始化和优势种群迁移策略的VNS算法是求解这两类动态CTSP的有效算法,相比VNS、贪婪初始化VNS和带优势种群迁移VNS按性能评价标准更优。
代星[7]（2017）在《最大值最小化着色旅行商问题的研究及应用》文中研究表明着色旅行商问题（Colored Traveling Salesman Problem,CTSP）是一种泛化的多旅行商问题,其通过引入颜色来区分城市对旅行商多样的访问允许性,解决了多旅行商问题难以描述城市可访问性差别的难题。但目前对其研究局限于以总旅行路径最短为优化目标,完全未考虑商人个体路程或花费的平衡,从而容易导致负载的分布不均,出现“短板效应”。故本文提出一种以最小化最大个体路径为目标的着色旅行商问题-最大值最小化着色旅行商问题（Min-Max CTSP:MM-CTSP）,其有望弥补上述“短板”,达到尽量均衡个体间任务或负载的效果。本文主要研究了其数学建模、启发式求解方法及相关应用。具体的内容与成果如下:首先,建立了 MM-CTSP的0-1非线性整数规划模型,并证明了问题的NP难性,同时采用LINGO非线性求解器对问题进行了精确求解。结果表明,LINGO只能求解很少规模的问题。其次,针对适中和较大规模的问题,设计了本问题的遗传算法（GA）、差分进化算法（DE）、萤火虫算法（FA）、人工蜂群算法（ABC）和种群增量学习（PBIL）算法。接着,分别结合贪婪算法、爬山算法、模拟退火算法、插入搜索算法（IN）和2-opt对这五种基本求解算法进行了改进研究,提高了算法求解的收敛速度和局部搜索能力。然后,设计了广泛的实验对提出的算法进行了全面的性能比较。分别在固定函数评价次数和固定运行时间下,从解质量、时耗和收敛速度三个方面依次对五种基本求解算法、五种局部搜索算法,以及带局部操作的基本求解算法进行了性能比较。结果表明,五种基本求解算法中,FA的性能最好;五种局部搜索算法中,2-opt优化的效果最好;带局部操作的算法中,在适中规模问题时,GA+IN的性能最好,GA+2-opt和FA+IN性能相当,仅次于GA+IN;在较大规模问题时,FA+IN、GA+IN和GA+2-opt的解质量都不错,FA+IIN可取得解质量和时耗的较好平衡,而GA+IN和GA+2-opt的时耗较大。最后,将MM-CTSP应用到双横梁水切割拼花的路径规划中,并与总路径最短化进行了效果对比,实验结果表明,MM-CTSP可以有效地最小化最大工作时间,弥补“短板”,提高作业系统的运行效率。
谢勇[8]（2016）在《PBIL算法求解车辆路径优化问题》文中研究表明物流产业是国民经济发展的第三重要源泉,特别是进入21世纪以来,大力提倡发展现代物流产业,而车辆路径问题是现代物流的关键环节,对车辆路径问题的研究具有重要的理论及经济意义。1959年Dantzing和Ramser首次提出车辆路径问题（Vehicle Routing Problem, VRP）,自提出以来,VRP问题一直是众多专家在运筹学、应用数学及计算机应用等学科领域的研究热点。根据约束条件的不同可以将VRP问题划分为多个调度问题。研究最早的是非对称TSP问题（Asymmetric Traveling Salesman Problem, ATSP）;研究较多是的带容量约束车辆路径问题（Capacitated Vehicle Routing Problem, CVRP）;研究中与实际结合紧密的是带软时间窗约束车辆路径问题（Vehicle Routing Problem with Soft Time Windows, VRPSTW）。VRP问题已经被证明具有NP-hard属性,在应用和理论上都有较高的研究意义。传统的精确算法不能对大规模的此类问题求解,因此需要用智能算法求得较优解。种群增量学习算法（Population-based Incremental Learning Algorithm, PBIL）是分布估计算法（Estimation of Distribution Algorithms,EDA）的一种,其特有的概率模型可以引导算法在优质解空间中的细致搜索。本文主要用种群增量学习算法对ATSP、CVRP、VRPSTW问题进行求解。（1）针对ATSP问题,提出了一种新的PBIL算法,将传统PBIL算法中的二进制编码方式改进为十进制的编码方式,减少编码的转换过程,设计新的学习概率矩阵更新方式,提高了算法的搜索效率。（2）针对带容量约束的问题,改进（1）中PBIL算法里的学习概率矩阵更新方式,使得全局搜索更加精确有效,和局部算法相结合,增强了算法的鲁棒性。（3）针对软时间窗问题,将（2）PBIL算法中融入均匀分布和轮盘赌两种选择方式,并加入2-opt和Insert局部搜索,将概率矩阵设计为三维,平衡全局搜索和局部搜索,提高算法的有效性和高效性。本文最后都用仿真实验和算法比较的方式,证明了上述所提出算法的有效性。
余益科[9]（2016）在《动态软硬件划分关键技术的研究》文中认为随着嵌入式系统在人们生活中应用的不断深入和集成电路的不断发展,系统的复杂度进一步提高,软硬件划分方法的研究日益受到众多研究者的关注。在软硬件协同设计中软硬件划分起到了非常重要的作用。在软硬件划分技术的研究中,基于群体的增量学习算法具有概念简单、参数设置少、收敛速度快等优点,是一种解决软硬件划分问题切实可行的研究思路。本文以PBIL算法作为研究软硬件划分问题的主要工具,深入探讨了PBIL算法在软硬件划分技术中的应用,主要包括以下几个方面:首先,对涉及软硬件划分技术的相关基础知识做了系统介绍和深入探讨,包括系统的基本概念、描述方法、目标架构、系统开销、优化目标、约束条件等。通过对比选择了合适的模型和参数定义,为之后软硬件划分算法的性能分析与研究提供科学的测试平台。其次,介绍了动态环境的分类和主要特征,提出了一种新的随机性和可控性相结合的动态环境产生方法,该方法可以更全面地模拟动态环境的各种变化。系统地整理了环境变化的检测方法,针对常用动态环境检测方法准确率较低的问题,提出了一种嵌套式的动态环境变化的检测方法,实验结果证明了嵌套式环境检测方法的准确率较高。再者,针对标准PBIL算法的效率问题,对原始PBIL算法的学习因子和邻域搜索策略进行了改进,提出了一种基于改进PBIL算法的软硬件划分方法。然后,将改进后的算法与其他六种人工智能优化算法进行了对比实验,实验结果表明改进算法的划分效率有明显的提高。最后,针对动态软硬件划分问题,将记忆策略引入改进的PBIL算法,提出了一种基于改进PBIL算法的动态软硬件划分方法。采用第三章提出的动态环境产生方法生成测试问题,对改进的PBIL算法和原始的PBIL算法进行了对比实验。实验结果证明:改进PBIL算法具有较好的性能表现和稳定性。
刘业峰[10]（2015）在《钕铁硼磁性材料智能生产计划系统研究》文中提出钕铁硼（]Nb2Fe14B）磁性材料生产是根据生产订单的牌号和需求量进行粉料库中微粉的匹配,匹配出的微粉直接进入成型-烧结生产工序,生产出磁性能测试合格的毛坯；未匹配出微粉的生产订单,根据其牌号规定的原材料（镨钕,镝铁,钆铁,铝,铜,硼铁,铌铁等）的配比,结合生产订单的需求量、交货日期、优先级进行组炉,得到一定配比的原材料组合,原材料组合经过加工变成微粉进入粉料库,继续与生产订单进行匹配。钕铁硼磁性材料生产计划编制主要包括生产订单库存匹配,成型-烧结生产计划编制和生产工单组炉。库存匹配问题是一个具有多目标、多约束的、大规模的组合优化问题,因此,只能求解小规模问题的割平面法、分支定界法等运筹学方法难以直接应用；同时,已有的研究方法均未考虑与一个生产订单匹配的库存微粉的个数和与一个生产订单匹配的多个微粉的入库时间偏差,因此已有的研究方法也无法直接应用。由于“不同成型机安装不同规格模具的产能”的约束描述存在着多种可能性,导致难以采用已有的优化方法来解决钕铁硼磁性材料成型-烧结生产计划编制问题；现有的文献也均未涉及钕铁硼磁性材料成型-烧结两个工序的计划编制问题,因此,现有的方法无法在钕铁硼磁性材料成型-烧结生产计划编制中应用。“生产工单组炉的炉次总数事先未知”导致与之相关的约束和目标的描述存在着多种可能性,可以被表示为多个约束方程和目标方程,因此,也难以采用已有的优化方法来解决甩带生产计划中的生产工单组炉问题。同时,现有的生产工单组炉方法的前提是生产工单的需求量均要小于装炉重量的最大值,且最大装炉重量是固定的,导致现有文献的方法难以直接应用。因此,目前钕铁硼磁性材料企业的生产计划只好采用人工编制的方式。人工进行生产订单库存匹配工作量大,库存匹配时间长,生产订单拖期严重；人工编制成型-烧结生产计划效率低,无法发挥成型机和烧结机的最大产能,生产成本增加,影响产品的准时交货；人工生产工单组炉耗费时间长,非常用牌号的库存备料过多,易造成大量资金占用,同时影响其他牌号工单的生产,使其无法按期交货。针对上述钕铁硼磁性材料生产计划编制的问题,结合国内某中型钕铁硼磁性材料企业的实际,开展了钕铁硼磁性材料智能生产计划系统的研究,取得如下成果：1.建立钕铁硼磁性材料生产计划编制的数学模型,提出生产计划编制的方法：（1）针对生产订单库存匹配问题,建立了生产订单库存匹配的性能指标、约束条件和决策变量的数学模型,提出了基于启发式算法的库存匹配方法。该方法包括三个阶段的匹配策略：实时数据获取、基于变量选择启发式算法确定生产订单匹配顺序和基于启发式算法的库存匹配。（2）针对成型-烧结生产计划编制问题,建立了成型-烧结生产计划编制的性能指标、约束条件和决策变量的数学模型,提出了基于混合启发式的成型-烧结生产计划编制方法。该方法基于随机方法进行初始种群的产生,基于成型-烧结生产计划编制的规则进行粒子适应度值计算,基于混合粒子群算法进行新粒子产生,并采用最优解评估选取策略进行最终解的选择。（3）针对生产工单组炉问题,建立了生产工单组炉的性能指标、约束条件和决策变量的数学模型。提出了基于最佳优先和变邻域搜索的生产工单组炉方法。该方法基于多层快速排序算法进行生产工单组炉顺序的确定,基于最佳优先和变邻域搜索算法进行生产工单组炉,并基于规则的启发式算法进行相应牌号的库存备料生产。提出了基于改进遗传算法的生产工单组炉方法,该方法中染色体编码采用从1到工单总数N的自然数编码方式；设计一种基于ECD规则的初始种群产生方法；根据生产工单的属性所产生的规则进行装炉重量的设定；引入精英选择策略和改进的贪心三交叉算子,优化遗传算法收敛速度和精度；引入逆转算子,提高遗传算法全局搜索能力。基于实际生产数据的实验结果表明,建立的模型是合适的,所提出的改进算法是有效的。2.研制了钕铁硼磁性材料智能生产计划软件系统：（1）设计了一种分散式的钕铁硼磁性材料智能生产计划软件系统。采用分布式面向对象的组件技术进行生产计划系统架构设计及功能设计。该软件系统包括基础信息管理模块、订单信息管理模块、库存查询管理模块、生产计划编制模块和系统信息管理模块。采用Microsoft Visual Studio 2005开发环境,C#和Matlab编程语言,SQL Server 2005数据库进行软件系统的开发。（2）其中,生产计划编制模块由生产订单库存匹配、成型-烧结生产计划编制和生产工单组炉三个功能组成。生产订单库存匹配采用基于启发式算法的库存匹配方法实现；成型-烧结生产计划编制采用基于混合启发式的成型-烧结生产计划编制方法实现；生产工单组炉采用基于最佳优先和变邻域搜索的生产工单组炉方法实现。3.将研制的软件系统应用于国内某中型钕铁硼磁性材料企业的生产线,进行了实验与工业应用研究：通过软件系统的实际运行对本文提出的基于启发式算法的库存匹配方法、基于混合启发式的成型-烧结生产计划编制方法以及基于最佳优先和变邻域搜索的生产工单组炉方法的实验研究如下：针对100桶微粉20个生产订单的库存匹配结果,与“LFF规则+策略A”的算法相比,本文提出的启发式算法虽然在匹配订单总需求量方面略有逊色,较“LFF规则+策略A”的算法减少了0.22吨,但是在“以好充次”的比例方面有着非常明显的优势,由25%降低为10%。针对20个成型生产工单的成型-烧结生产计划编制结果,人工编制方法对应的生产工单完成时间惩罚量和为116,本文算法为99,减少了17,提高了成型生产工单的准时交货能力；针对日烧结炉数的加权和,人工方法为102,本文算法为105,说明本文算法有效提高了烧结机的利用率。针对20个甩带生产工单的组炉问题,采用本文的算法,生产工单组炉的交货期偏差、优先级偏差和牌号偏差的和由58减少为42,减少率为27.59%;牌号的备料满足率由4个提高到6个,增加率为50%。该软件系统成功应用于国内某中型钕铁硼磁性材料企业,通过三年的软件实际运行：企业的生产效率提高了3%,库存降低20%,企业的接单能力提高了5%,生产订单的交货准时率提高了10%,最终提高了企业的经济效益。
二、自适应PBIL算法求解合同优化匹配问题（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、自适应PBIL算法求解合同优化匹配问题（论文提纲范文）
（1）基于群体智能的大规模MIMO多用户预编码设计（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 预编码技术概述 |
| 1.3 多用户MIMO用户选择算法研究现状 |
| 1.4 无蜂窝大规模MIMO技术概述 |
| 1.4.1 无蜂窝大规模MIMO技术概述 |
| 1.4.2 无蜂窝大规模MIMO接入点选择研究现状 |
| 1.5 群体智能技术概述 |
| 1.6 论文内容及结构安排 |
| 第2章 PBIL算法理论基础 |
| 2.1 遗传算法与竞争学习简介 |
| 2.1.1 遗传算法 |
| 2.1.2 竞争学习 |
| 2.2 PBIL算法的基本原理 |
| 2.2.1 基本原理 |
| 2.2.2 算法流程 |
| 2.2.3 PBIL算法和遗传算法的比较 |
| 2.3 D-PBIL算法的基本原理 |
| 2.3.1 相关概念的定义 |
| 2.3.2 初始化概率矩阵及生成初始种群 |
| 2.3.3 算法流程 |
| 2.4 本章小结 |
| 第3章 基于PBIL的MU-MIMO多用户选择算法设计 |
| 3.1 大规模MU-MIMO系统和信道模型 |
| 3.1.1 系统模型 |
| 3.1.2 信道模型 |
| 3.2 问题描述 |
| 3.3 基于PBIL的多用户选择算法设计 |
| 3.3.1 主要思想和流程 |
| 3.3.2 初始种群生成 |
| 3.3.3 竞争学习过程 |
| 3.3.4 种群进化设计 |
| 3.3.5 终止进化过程 |
| 3.4 联合多用户选择的预编码设计 |
| 3.5 仿真分析 |
| 3.6 本章小结 |
| 第4章 基于D-PBIL的无蜂窝大规模MU-MIMO接入点选择算法设计 |
| 4.1 无蜂窝大规模MU-MIMO系统和信道模型 |
| 4.1.1 上行训练阶段 |
| 4.1.2 下行数据传输阶段 |
| 4.2 性能指标和问题描述 |
| 4.2.1 频谱效率 |
| 4.2.2 能量效率 |
| 4.2.3 问题描述 |
| 4.3 基于D-PBIL的接入点选择算法设计 |
| 4.3.1 主要思想和流程 |
| 4.3.2 初始种群生成 |
| 4.3.3 竞争学习过程 |
| 4.3.4 种群进化设计 |
| 4.3.5 终止进化过程 |
| 4.4 联合接入点选择的预编码设计 |
| 4.5 仿真分析 |
| 4.5.1 仿真参数设置 |
| 4.5.2 仿真结果及分析 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 本文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）低碳环境下废钢铁再制造系统生产调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 环保责任规制、产业升级驱使废钢铁再制造发展 |
| 1.1.2 我国废钢铁再制造发展的资源基础和战略依据 |
| 1.1.3 废钢铁再制造低碳生产开辟经济环保新途径 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 研究内容与框架 |
| 1.3.1 研究内容 |
| 1.3.2 研究框架 |
| 1.4 本文主要创新点 |
| 第二章 文献综述 |
| 2.1 再制造系统生产调度研究 |
| 2.2 废钢铁再制造系统生产调度研究 |
| 2.2.1 废钢铁再加工子系统生产调度研究 |
| 2.2.2 废钢铁再熔炼子系统生产调度研究 |
| 2.3 生产调度层面的碳排放研究 |
| 2.4 低碳环境下废钢铁再制造生产调度研究 |
| 2.5 研究现状述评 |
| 第三章 低碳环境下废钢铁再制造系统生产流程及碳排放因素分析 |
| 3.1 废钢铁再制造系统概述 |
| 3.1.1 废钢铁再制造概念和内涵 |
| 3.1.2 废钢铁再制造的特征 |
| 3.2 废钢铁再制造系统流程及碳排放环节分析 |
| 3.2.1 废钢铁再制造一般流程 |
| 3.2.2 废钢铁再制造子系统及碳排放关键环节 |
| 3.3 碳排放相关政策 |
| 3.4 本章小结 |
| 第四章 集成电弧炉配料的废钢铁再加工低碳生产调度优化 |
| 4.1 问题提出背景 |
| 4.2 问题描述及参数定义 |
| 4.2.1 问题描述 |
| 4.2.2 参数定义 |
| 4.3 模型构建 |
| 4.3.1 碳排放的度量 |
| 4.3.2 建立模型 |
| 4.3.3 理论分析 |
| 4.4 仿真实验 |
| 4.4.1 三种优化模型的实验结果分析 |
| 4.4.2 碳价和碳限额对总成本、碳排放和最优调度方案的影响 |
| 4.5 本章小结 |
| 第五章 废钢铁炼钢模铸低碳生产调度优化 |
| 5.1 问题提出背景 |
| 5.2 问题描述及参数定义 |
| 5.2.1 问题描述 |
| 5.2.2 参数定义 |
| 5.3 模型构建 |
| 5.3.2 碳排放的度量 |
| 5.3.3 建立模型 |
| 5.3.4 模型转换 |
| 5.4 算法设计 |
| 5.4.1 编码方式 |
| 5.4.2 算法步骤 |
| 5.5 仿真实验 |
| 5.6 本章小结 |
| 第六章 工艺路径相同的废钢铁炼钢连铸低碳生产调度优化 |
| 6.1 问题提出背景 |
| 6.2 问题描述及参数定义 |
| 6.2.1 问题描述 |
| 6.2.2 参数定义 |
| 6.3 模型构建 |
| 6.3.2 碳排放的度量 |
| 6.3.3 建立模型 |
| 6.4 算法设计 |
| 6.4.1 编码方式 |
| 6.4.2 时间窗后向推移局部搜索算法 |
| 6.4.3 IPBIL搜索策略 |
| 6.4.4 IPBIL算法步骤 |
| 6.5 仿真实验 |
| 6.6 本章小结 |
| 第七章 复杂工艺路径的废钢铁炼钢连铸低碳生产调度优化 |
| 7.1 问题提出背景 |
| 7.2 问题描述及参数定义 |
| 7.2.1 问题描述 |
| 7.2.2 参数定义 |
| 7.3 模型构建 |
| 7.3.2 碳排放的度量 |
| 7.3.3 建立模型 |
| 7.4 算法设计 |
| 7.4.1 染色体编码、解码、初始种群的生成 |
| 7.4.2 交叉和变异 |
| 7.4.3 剪枝 |
| 7.4.4 选择 |
| 7.5 仿真实验 |
| 7.5.1 优化结果分析 |
| 7.5.2 三种碳排放政策下的调度方案选择 |
| 7.6 本章小结 |
| 第八章 结论与展望 |
| 8.1 研究结论 |
| 8.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间完成学术论文与参与项目列表 |
（3）基于不完全偏好值的双边匹配模型与算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 双边匹配的研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 双边匹配算法国内外研究现状 |
| 1.2.1 双边匹配算法国外研究现状 |
| 1.2.2 双边匹配算法国内研究现状 |
| 1.3 本文的研究内容和创新点 |
| 1.4 本文章节安排 |
| 1.5 本章小结 |
| 第二章 相关理论基础 |
| 2.1 双边匹配问题理论基础 |
| 2.1.1 双边匹配问题形式化定义 |
| 2.1.2 双边匹配类型 |
| 2.2 矩阵分解技术理论基础及基本算法 |
| 2.2.1 规范化矩阵分解 |
| 2.2.2 偏差矩阵分解 |
| 2.2.3 矩阵分解的优缺点 |
| 2.3 模拟退火算法基础理论 |
| 2.3.1 模拟退火算法简介 |
| 2.3.2 模拟退火算法的参数 |
| 2.3.3 模拟退火算法的优缺点 |
| 2.4 本章小结 |
| 第三章 基于不完全偏好值的双边匹配方法 |
| 3.1 基于不完全偏好值的双边匹配问题描述 |
| 3.2 填充缺失偏好值 |
| 3.2.1 预测偏好值缺失值 |
| 3.2.2 预测偏好值映射处理 |
| 3.3 计算满意度 |
| 3.3.1 满意度计算公式 |
| 3.3.2 满意度计算公式相关性质分析 |
| 3.4 计算中介费用 |
| 3.5 匹配模型的构建 |
| 3.5.1 构建多目标匹配模型 |
| 3.5.2 二分图和权匹配的相关概念 |
| 3.5.3 组合满意度的计算 |
| 3.5.4 构建单目标匹配模型 |
| 3.6 算法整体流程 |
| 3.7 算例分析 |
| 3.8 本章小结 |
| 第四章 改进的模拟退火算法求解双边匹配问题 |
| 4.1 双边匹配问题解的特点 |
| 4.2 改进模拟退火算法 |
| 4.2.1 模拟退火算法与遗传算法比较 |
| 4.2.2 模拟退火算法改进点 |
| 4.2.3 改进模拟退火算法具体流程 |
| 4.3 实验分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（4）基于PBIL的虚拟网络功能放置问题研究（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 VNF-P问题研究 |
| 1.2.2 进化计算研究 |
| 1.2.3 进化算法在VNF-P问题中的应用研究 |
| 1.3 本文的主要内容和创新性 |
| 第二章 VNF-P问题及进化优化理论 |
| 2.1 VNF-P问题描述与建模 |
| 2.1.1 底层网络与服务请求描述 |
| 2.1.2 三种场景下的问题模型 |
| 2.2 进化优化理论 |
| 2.2.1 进化算法理论 |
| 2.2.2 PBIL算法原理 |
| 2.2.3 多目标优化理论 |
| 2.2.4 多目标进化算法 |
| 2.3 本章小结 |
| 第三章 单目标VNF-P问题优化 |
| 3.1 基于改进PBIL算法的静态VNF-P问题优化 |
| 3.1.1 整数编码策略 |
| 3.1.2 精英保存策略 |
| 3.1.3 改进算法流程 |
| 3.1.4 算法性能评估 |
| 3.2 动态VNF-P问题模型及优化 |
| 3.2.1 动态模型描述 |
| 3.2.2 动态模型流程 |
| 3.2.3 算法性能评估 |
| 3.3 本章小结 |
| 第四章 多目标VNF-P问题优化 |
| 4.1 多目标PBIL算法介绍 |
| 4.2 改进的MOPBIL算法 |
| 4.2.1 整数编码策略 |
| 4.2.2 局部搜索策略 |
| 4.2.3 全局搜索策略 |
| 4.2.4 搜索策略选择 |
| 4.3 改进的MOPBIL算法流程 |
| 4.4 多目标算法性能比较 |
| 4.4.1 性能评价指标 |
| 4.4.2 算法性能评估 |
| 4.5 本章小结 |
| 总结与展望 |
| 本文总结 |
| 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的发明专利及科研成果 |
（5）基于元启发式算法的VNF部署及其并行化（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 VNF部署 |
| 1.2.2 元启发式算法 |
| 1.2.3 并行计算 |
| 1.3 本文的主要内容和创新性说明 |
| 第二章 VNF部署优化问题及相关理论 |
| 2.1 VNF部署问题 |
| 2.1.1 VNF部署简介 |
| 2.1.2 网络模型 |
| 2.1.3 问题描述 |
| 2.2 元启发式算法理论 |
| 2.2.1 WOA算法原理 |
| 2.2.2 GWO算法原理 |
| 2.2.3 CS算法原理 |
| 2.3 Spark平台概述 |
| 2.3.1 Spark基础概念 |
| 2.3.2 Spark基本架构 |
| 2.3.3 Spark运行原理 |
| 2.4 本章小结 |
| 第三章 基于元启发式算法的VNF部署优化 |
| 3.1 个体编码和适应度评估 |
| 3.2 一种混合遗传的改进型鲸鱼算法 |
| 3.2.1 个体交叉变换策略 |
| 3.2.2 个体变异随机搜索策略 |
| 3.2.3 基于概率浓度的最优个体引导策略 |
| 3.2.4 算法总流程 |
| 3.3 基于寻路的自适应改进型灰狼算法 |
| 3.3.1 个体角色自适应调整策略 |
| 3.3.2 基于增量更新的全局搜索策略 |
| 3.3.3 基于寻路的局部挖掘策略 |
| 3.3.4 算法总流程 |
| 3.4 基于邻域搜索的改进型布谷鸟算法 |
| 3.4.1 基于PSO思想的个体更新策略 |
| 3.4.2 基于邻域搜索的更新策略 |
| 3.4.3 发现概率p_a动态调整策略 |
| 3.4.4 算法总流程 |
| 3.5 实验仿真及性能评估 |
| 3.5.1 实验场景 |
| 3.5.2 对比算法 |
| 3.5.3 运行设定 |
| 3.5.4 结果分析 |
| 3.6 本章小结 |
| 第四章 基于Spark的算法并行化研究 |
| 4.1 元启发式算法基于Spark的通用并行化框架 |
| 4.1.1 元启发式算法并行化模型 |
| 4.1.2 基于Spark的通用并行化框架 |
| 4.2 基于分布式个体交换的改进型并行化方法 |
| 4.2.1 改进型并行化方法的原理 |
| 4.2.2 改进型并行化方法的实现 |
| 4.3 实验仿真及性能评估 |
| 4.3.1 实验场景 |
| 4.3.2 对比算法 |
| 4.3.3 运行环境 |
| 4.3.4 运行设定 |
| 4.3.5 两种并行化方法的结果分析 |
| 4.3.6 单机执行和并行执行的对比分析 |
| 4.4 本章小结 |
| 总结与展望 |
| 本文总结 |
| 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的发明专利及科研成果 |
（6）着色旅行商问题及其动态化研究（论文提纲范文）
| 摘要 |
| Abstrcat |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要内容和与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 星型CTSP与MTSP、TSP的比较研究 |
| 2.1 星型CTSP模型 |
| 2.2 星型CTSP与MTSP、TSP及其组合的性质研究 |
| 2.3 星型CTSP与MTSP和TSP组合的解算比较 |
| 2.3.1 求解算法 |
| 2.3.2 比较试验 |
| 2.4 小结 |
| 第三章 连环CTSP及求解算法研究 |
| 3.1 连环CTSP模型的提出及分析 |
| 3.1.1 连环CTSP模型 |
| 3.1.2 问题复杂度与解空间分析 |
| 3.2 连环CTSP的种群增量学习算法(PBIL)求解设计 |
| 3.3 连环CTSP的遗传算法设计 |
| 3.3.1 遗传算法(GA) |
| 3.3.2 GA与PBIL的解空间比较 |
| 3.4 仿真实验和结果分析 |
| 3.4.1 实验设置 |
| 3.4.2 参数设定 |
| 3.4.3 精确算法求解 |
| 3.4.4 基本算法比较 |
| 3.4.5 带局部搜索的算法比较 |
| 3.5 小结 |
| 第四章 通用CTSP及求解算法研究 |
| 4.1 通用CTSP模型的提出与分析 |
| 4.1.1 通用CTSP模型 |
| 4.1.2 通用CTSP与R-CTSP、S-CTSP对比分析 |
| 4.2 变邻域搜索(VNS)算法的设计 |
| 4.2.1 编码方式 |
| 4.2.2 初始解的构建 |
| 4.2.3 VNS的抖动阶段设计 |
| 4.2.4 VNS的局部搜索设计 |
| 4.2.5 VNS的复杂度分析 |
| 4.3 仿真实验与分析 |
| 4.3.1 实验设置 |
| 4.3.2 VNS参数设置 |
| 4.3.3 算法性能比较 |
| 4.4 小结 |
| 第五章 边权重时变的CTSP及求解算法研究 |
| 5.1 边权重时变CTSP的提出 |
| 5.1.1 边权重时变CTSP的模型 |
| 5.1.2 时变边权重函数的定义 |
| 5.2 求解动态问题的进化策略 |
| 5.2.1 多种群策略 |
| 5.2.2 移民策略 |
| 5.2.3 记忆策略 |
| 5.3 动态变邻域搜索(VNS)算法的设计 |
| 5.3.1 动态VNS的设计 |
| 5.3.2 带贪婪初始化的VNS的改进 |
| 5.3.3 带优势种群迁移的VNS的改进 |
| 5.4 算法性能的评价标准 |
| 5.5 动态环境仿真器设计 |
| 5.6 仿真实验与分析 |
| 5.6.1 实验设计 |
| 5.6.2 几种动态VNS的性能比较 |
| 5.6.3 动、静态VNS的性能比较 |
| 5.7 小结 |
| 第六章 城市颜色时变的CTSP及求解算法研究 |
| 6.1 城市颜色时变CTSP的提出 |
| 6.1.1 城市颜色时变CTSP的模型 |
| 6.1.2 问题复杂性分析 |
| 6.2 动态VNS算法的设计 |
| 6.3 动态环境仿真器设计 |
| 6.4 仿真实验与分析 |
| 6.4.1 实验设计 |
| 6.4.2 几种动态VNS的性能比较 |
| 6.4.3 动、静态VNS的性能比较 |
| 6.5 小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间的研究成果 |
（7）最大值最小化着色旅行商问题的研究及应用（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 国内外研究现状 |
| 1.3 论文研究内容及组织结构 |
| 第二章 最大值最小化CTSP的定义、建模与精确求解 |
| 2.1 CTSP的定义 |
| 2.2 最大值最小化CTSP建模与精确求解 |
| 2.2.1 最大值最小化CTSP的0-1整数规划模型 |
| 2.2.2 最大值最小化CTSP的LINGO求解 |
| 2.3 本章小结 |
| 第三章 最大值最小化CTSP的算法设计 |
| 3.1 遗传算法的设计 |
| 3.1.1 GA的编码设计 |
| 3.1.2 GA的变异和交叉操作 |
| 3.1.3 GA的选择算子设计 |
| 3.1.4 GA的适应度函数设计 |
| 3.1.5 最大值最小化CTSP的GA求解步骤 |
| 3.2 差分进化算法的设计 |
| 3.2.1 DE的编码设计 |
| 3.2.2 DE的种群初始化 |
| 3.2.3 DE的变异操作 |
| 3.2.4 DE的交叉操作 |
| 3.2.5 DE的选择操作 |
| 3.2.6 最大值最小化CTSP的DE求解步骤 |
| 3.3 人工蜂群算法的设计 |
| 3.3.1 ABC的引领蜂搜索策略 |
| 3.3.2 ABC的跟随蜂搜索策略 |
| 3.3.3 ABC的侦查蜂行为机制 |
| 3.3.4 最大值最小化CTSP的ABC求解步骤 |
| 3.4 种群增量学习算法的设计 |
| 3.4.1 PBIL算法的编码设计 |
| 3.4.2 PBIL算法种群初始化 |
| 3.4.3 PBIL算法概率模型的更新机制 |
| 3.4.4 最大值最小化CTSP的PBIL算法求解步骤 |
| 3.5 萤火虫算法的设计 |
| 3.5.1 FA的编码和亮度设计 |
| 3.5.2 FA的吸引力和移动策略 |
| 3.5.3 最大值最小化CTSP的FA求解步骤 |
| 3.6 算法检验 |
| 3.7 本章小结 |
| 第四章 最大值最小化CTSP算法的改进 |
| 4.1 基本启发式算法的缺点和改进方案 |
| 4.1.1 缺点 |
| 4.1.2 改进方案 |
| 4.2 算法的贪婪初始化 |
| 4.2.1 贪婪算法的设计 |
| 4.2.2 贪婪初始化流程 |
| 4.2.3 效果检验 |
| 4.3 基于爬山操作的算法改进 |
| 4.3.1 爬山算法设计 |
| 4.3.2 爬山算法求解流程 |
| 4.3.3 效果检验 |
| 4.4 基于模拟退火的算法改进 |
| 4.4.1 模拟退火算法的设计 |
| 4.4.2 模拟退火算法求解流程 |
| 4.4.3 效果检验 |
| 4.5 基于插入操作的算法改进 |
| 4.5.1 插入算法的设计 |
| 4.5.2 插入算法求解流程 |
| 4.5.3 效果检验 |
| 4.6 基于2-opt的算法改进 |
| 4.6.1 2-opt算法设计 |
| 4.6.2 2-opt的求解流程 |
| 4.6.3 效果检验 |
| 4.7 本章小结 |
| 第五章 求解算法比较研究 |
| 5.1 实验设计 |
| 5.2 相同函数评价次数下的对比实验 |
| 5.2.1 五种基本求解算法的比较 |
| 5.2.2 五种局部算法的比较 |
| 5.2.3 带相同局部操作的五种求解算法比较 |
| 5.2.4 带不同局部操作的五种求解算法比较 |
| 5.3 相同运行时间下的对比实验 |
| 5.3.1 五种基本求解算法的比较 |
| 5.3.2 同一求解算法带不同局部操作的比较 |
| 5.4 本章小结 |
| 第六章 最大值最小化CTSP在多横梁水切割中的应用 |
| 6.1 双横梁水切割机床及研究议题简介 |
| 6.2 水切割拼花介绍 |
| 6.3 拼花切割路径规划的CTSP建模与求解 |
| 6.3.1 切割路径规划的CTSP建模 |
| 6.3.2 总路径最短化与最大路径最小化效果对比 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间的研究成果 |
（8）PBIL算法求解车辆路径优化问题（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 车辆路径优化问题背景及意义 |
| 1.2 车辆路径问题描述 |
| 1.2.1 车辆路径问题构成与分类 |
| 1.2.2 车辆路径问题数学模型描述 |
| 1.2.3 车辆路径优化问题国内外研究现状 |
| 1.3 求解车辆路径优化问题算法概述 |
| 1.3.1 精确算法 |
| 1.3.2 启发式算法 |
| 1.4 本文主要的研究工作 |
| 第二章 PBIL算法求解非对称TSP问题 |
| 2.1 引言 |
| 2.2 ATSP的数学模型 |
| 2.3 NPBIL算法 |
| 2.3.1 解的表示 |
| 2.3.2 学习概率矩阵简介 |
| 2.3.3 解的生成 |
| 2.3.4 学习概率矩阵的更新 |
| 2.3.5 NPBIL的局部搜索 |
| 2.3.6 NPBIL的算法步骤 |
| 2.4 实验仿真与比较 |
| 2.4.1 实验设置 |
| 2.4.2 NPBIL算法与其他算法的比较 |
| 2.5 本章小结 |
| 第三章 PBIL算法求解带容量约束的VRP问题 |
| 3.1 引言 |
| 3.2 带容量约束VRP问题的模型 |
| 3.3 混合的PBIL算法 |
| 3.3.1 解的表示 |
| 3.3.2 学习概率矩阵模型 |
| 3.3.3 解的生成 |
| 3.3.4 学习概率矩阵的更新 |
| 3.3.5 HPBIL的局部搜索 |
| 3.3.6 HPBIL的算法步骤 |
| 3.4 实验仿真与比较 |
| 3.4.1 实验设置 |
| 3.4.2 HPBIL算法与其他算法的比较 |
| 3.5 本章小结 |
| 第四章 PBIL算法求解带软时间窗的VRP问题 |
| 4.1 引言 |
| 4.2 带软时间窗的VRP问题模型 |
| 4.3 改进的PBIL算法 |
| 4.3.1 解的编码 |
| 4.3.2 全局搜索 |
| 4.3.3 局部搜索 |
| 4.3.4 IPBIL的算法步骤 |
| 4.4 仿真实验与比较 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士期间研究成果 |
（9）动态软硬件划分关键技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 传统设计方法 |
| 1.1.2 软硬件协同设计方法 |
| 1.2 国内外的研究现状 |
| 1.2.1 规划类算法 |
| 1.2.2 局部搜索类算法 |
| 1.2.3 启发式算法 |
| 1.2.4 群体智能优化算法 |
| 1.2.5 动态软硬件划分算法 |
| 1.3 论文的主要内容与创新点 |
| 1.4 论文的内容安排与框架 |
| 第二章 软硬件划分相关理论 |
| 2.1 基本概念 |
| 2.2 系统描述 |
| 2.3 系统开销 |
| 2.4 目标架构 |
| 2.5 划分目标与约束条件 |
| 2.6 软硬件划分模型 |
| 2.7 本章小结 |
| 第三章 动态软硬件划分环境及其检测技术 |
| 3.1 引言 |
| 3.2 动态软硬件划分环境的分类及产生 |
| 3.2.1 动态环境的分类 |
| 3.2.2 动态环境的产生 |
| 3.2.3 随机性和可控性相结合的动态环境产生方法 |
| 3.3 环境变化检测算法 |
| 3.3.1 环境变化检测算法的分类 |
| 3.3.2 嵌套式环境变化检测方法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于改进PBIL算法的软硬件划分方法 |
| 4.1 引言 |
| 4.2 标准PBIL算法 |
| 4.2.1 标准PBIL算法的简介 |
| 4.2.2 标准PBIL算法的原理 |
| 4.3 改进的PBIL算法 |
| 4.3.1 改进算法的原理与分析 |
| 4.3.2 改进PBIL的算法流程 |
| 4.4 实验结果与分析 |
| 4.4.1 标准PBIL算法与其他人工智能优化算法的对比 |
| 4.4.2 改进PBIL算法与标准PBIL算法的比较实验 |
| 4.5 本章小结 |
| 第五章 改进PBIL算法在动态软硬件划分中的应用 |
| 5.1 引言 |
| 5.2 动态软硬件划分问题的描述 |
| 5.3 改进PBIL算法在动态软硬件划分中的应用 |
| 5.3.1 记忆策略在改进PBIL算法的应用 |
| 5.3.2 基于改进PBIL算法的动态软硬件划分方法 |
| 5.4 实验分析 |
| 5.4.1 在相似度可控的动态环境下的实验分析 |
| 5.4.2 随机动态环境下的实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的主要工作 |
| 6.2 进一步的研究 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）钕铁硼磁性材料智能生产计划系统研究（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 课题来源 |
| 1.3 生产计划编制问题国内外研究现状及发展趋势 |
| 1.3.1 库存匹配问题的国内外研究现状 |
| 1.3.2 生产计划编制问题的国内外研究现状 |
| 1.3.2.1 经典优化方法 |
| 1.3.2.2 启发式方法 |
| 1.3.2.3 仿真方法 |
| 1.3.3 生产工单组炉问题的国内外研究现状 |
| 1.3.3.1 经典优化方法 |
| 1.3.3.2 启发式方法 |
| 1.3.4 发展趋势 |
| 1.4 论文的主要工作 |
| 1.5 论文的体系结构 |
| 第2章 钕铁硼磁性材料生产计划编制问题描述 |
| 2.1 钕铁硼磁性材料生产过程描述 |
| 2.1.1 钕铁硼磁性材料生产过程描述 |
| 2.1.2 钕铁硼磁性材料生产计划编制涉及设备及功能 |
| 2.2 钕铁硼磁性材料生产计划编制问题描述 |
| 2.2.1 计划编制术语解释 |
| 2.2.2 钕铁硼磁性材料生产计划编制总体过程 |
| 2.3 生产订单库存匹配问题描述 |
| 2.3.1 库存匹配的含义 |
| 2.3.2 库存匹配问题描述 |
| 2.3.3 人工库存匹配过程及存在的问题 |
| 2.3.3.1 人工库存匹配过程 |
| 2.3.3.2 存在的问题 |
| 2.4 成型-烧结生产计划编制问题描述 |
| 2.4.1 成型-烧结生产计划编制的含义 |
| 2.4.2 成型-烧结生产计划编制问题描述 |
| 2.4.2.1 人工成型-烧结生产计划编制过程 |
| 2.4.2.2 存在的问题 |
| 2.4.3 人工成型-烧结生产计划编制边程及存在的问题 |
| 2.5 生产工单组炉问题描述 |
| 2.5.1 生产工单组炉问题的含义 |
| 2.5.2 生产工单组炉问题的描述 |
| 2.5.3 人工组炉过程及存在的问题 |
| 2.5.3.1 人工组炉过程过程 |
| 2.5.3.2 存在问题 |
| 2.6 本章小结 |
| 第3章 钕铁硼磁性材料生产计划编制方法 |
| 3.1 基于启发式算法的库存匹配方法 |
| 3.1.1 库存匹配模型 |
| 3.1.2 难点分析 |
| 3.1.3 基于启发式算法的库存匹配方法 |
| 3.1.3.1 基于启发式算法的库存匹配策略 |
| 3.1.3.2 数据获取与处理 |
| 3.1.3.3 基于变量选择启发式算法确定订单匹配顺序 |
| 3.1.3.4 库存微粉多条件排序 |
| 3.1.3.5 基于启发式算法的库存匹配 |
| 3.1.4 算法有效性实验 |
| 3.2 基于混合启发式的成型-烧结生产计划编制方法 |
| 3.2.1 成型-烧结生产计划编制模型 |
| 3.2.2 难点分析 |
| 3.2.3 基于混合启发式的成型-烧结生产计划编制方法 |
| 3.2.3.1 基于混合启发式的成型-烧结生产计划编制方法策略 |
| 3.2.3.2 数据获取与处理 |
| 3.2.3.3 基于随机方法产生初始种群 |
| 3.2.3.4 基于成型-烧结生产计划编制的规则进行粒子适应度值计算 |
| 3.2.3.5 基于混合粒子群算法的新粒子产生 |
| 3.2.3.6 最优解评估选取策略 |
| 3.3 生产工单组炉方法 |
| 3.3.1 生产工单组炉模型 |
| 3.3.2 难点分析 |
| 3.3.3 基于最佳优先和变邻域搜索的生产工单组炉方法 |
| 3.3.3.1 生产工单组炉的策略 |
| 3.3.3.2 数据获取与处理 |
| 3.3.3.3 生产工单多层快速排序 |
| 3.3.3.4 生产工单组炉规则 |
| 3.3.3.5 库存备料生产规则 |
| 3.3.3.6 基于最佳优先和变邻域搜索的生产工单组炉方法 |
| 3.3.4 基于改进遗传算法的生产工单组炉方法 |
| 3.3.4.1 染色体编码与解码 |
| 3.3.4.2 种群初始化 |
| 3.3.4.3 对适应度函数及约束条件的处理 |
| 3.3.4.4 改进的贪心3PM交叉算子 |
| 3.3.4.5 变异算子 |
| 3.3.4.6 精英策略 |
| 3.3.4.7 算法流程图(Algorithm Flow Chart) |
| 3.3.4.8 实验计算与应用 |
| 3.4 本章小结 |
| 第4章 钕铁硼磁性材料智能生产计划软件系统的设计与开发 |
| 4.1 烧结钕铁硼生产管理系统介绍 |
| 4.2 钕铁硼磁性材料智能生产计划软件系统设计与开发 |
| 4.2.1 软件系统设计目标 |
| 4.2.2 软件系统总体设计 |
| 4.2.3 功能模块设计与开发 |
| 4.2.3.1 功能模块描述 |
| 4.2.3.2 功能模块设计 |
| 4.2.3.3 功能模块开发 |
| 4.2.4 数据库设计与开发 |
| 4.2.4.1 数据库选择 |
| 4.2.4.2 数据库设计 |
| 4.2.4.3 数据表清单 |
| 4.2.5 界面设计与开发 |
| 4.2.5.1 界面设计原则 |
| 4.2.5.2 软件界面设计与实现 |
| 4.3 本章小结 |
| 第5章 钕铁硼磁性材料智能生产计划软件系统应用验证 |
| 5.1 软件系统应用对象描述 |
| 5.2 软件系统工业应用验证 |
| 5.2.1 基于启发式算法的库存匹配方法的应用实例 |
| 5.2.2 基于混合启发式的成型-烧结生产计划编制方法的应用实例 |
| 5.2.3 基于最佳优先和变邻域搜索的生产工单组炉方法的应用实例 |
| 5.3 软件系统工业应用效果 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 博士期间发表的论文、获奖情况、发明专利及所做科研工作 |
| 作者简介 |
四、自适应PBIL算法求解合同优化匹配问题（论文参考文献）
- [1]基于群体智能的大规模MIMO多用户预编码设计[D]. 陈俊宇. 西安邮电大学, 2021(02)
- [2]低碳环境下废钢铁再制造系统生产调度研究[D]. 张燕华. 东南大学, 2019
- [3]基于不完全偏好值的双边匹配模型与算法研究[D]. 刘雪庆. 青岛大学, 2019(02)
- [4]基于PBIL的虚拟网络功能放置问题研究[D]. 李嵩. 西南交通大学, 2019(03)
- [5]基于元启发式算法的VNF部署及其并行化[D]. 周芯宇. 西南交通大学, 2019(03)
- [6]着色旅行商问题及其动态化研究[D]. 孟祥虎. 东南大学, 2017(01)
- [7]最大值最小化着色旅行商问题的研究及应用[D]. 代星. 东南大学, 2017(04)
- [8]PBIL算法求解车辆路径优化问题[D]. 谢勇. 昆明理工大学, 2016(02)
- [9]动态软硬件划分关键技术的研究[D]. 余益科. 天津大学, 2016(11)
- [10]钕铁硼磁性材料智能生产计划系统研究[D]. 刘业峰. 东北大学, 2015(03)