一、一种基于自适应混合遗传算法的非线性函数优化方法（论文文献综述）
李久辉[1]（2021）在《地下水LNAPLs污染溯源辨析》文中研究说明石油及石油类产品往往会由于处理不当或突发事故等原因,泄漏并进入到含水层中,对地下水造成污染。与地表水污染不同,地下水污染埋藏于地表面以下,存在并运移于岩土的空隙介质之中,具有存在的隐蔽性和发现的滞后性等特点,因此即使发生了污染,通常也难以被及时发现,导致人们对于含水层中的污染源信息缺乏了解和掌握。这给地下水污染肇事者责任认定、污染风险评价、污染物质运移预测和污染修复方案设计都带来了很大的困难。因此,开展关于地下水污染溯源辨析的研究至关重要。地下水污染溯源辨析是指在资料收集、野外现场调查和定性分析等辅助工作的基础上,利用有限的现场实测监测数据（水位和浓度）,对刻画地下水污染的数值模拟模型进行反向求解,从而确定含水层中污染源的信息,包括污染源的个数、空间位置与释放历史等。地下水污染溯源辨析属于数理方程反问题,常常具有不适定性与非线性的特点。目前,地下水污染溯源辨析仍处于发展阶段,有关地下水轻非水相流体（Light non-aqueous phase liquids,LNAPLs）污染的溯源辨析研究更是鲜有报道。LNAPLs大多具有低水溶性、高毒性、比重小于水、容易挥发扩散、易被微生物降解的特点。进入地下水后会对用水安全及生态环境造成危害。因此,制定合理高效的LNAPLs污染修复方案对LNAPLs污染进行修复显得格外重要。然而,辨析和掌握含水层中LNAPLs污染源的信息是制定污染修复方案的重要前提。因此,进行地下水LNAPLs污染溯源辨析研究具有重要的理论意义和实际应用前景。本文采用理论分析与实际例子相结合的研究方式,通过模拟-优化方法、最优互补降噪方法、人工智能集对替代模型、自适应混合灰狼优化算法、蒙特卡洛方法等多种理论与方法的综合运用,对地下水LNAPLs溯源辨析研究前沿中仍待解决的科学问题开展深入研究,拓展和丰富地下水污染溯源辨析的理论、方法和技术内涵。首先,在进行资料收集、野外现场调查和定性分析等辅助工作的基础上,根据研究区的具体条件,对研究区的地质及水文地质条件进行概化处理,建立研究区的概念模型。充分利用前期工作成果,对待求的含水层参数和污染源信息赋予初估值,初步建立刻画污染物质运移的地下水LNAPLs污染多相流数值模拟模型。之后,为了改进对动态监测数据降噪处理的效果,本文基于经验模态分解方法、集合经验模态分解方法和互补集合经验模态分解方法,构建了最优互补降噪方法,再将其应用于假想例子动态监测数据的降噪试验,对其适用性和有效性进行分析后,将其应用于实际例子动态监测数据的降噪处理,为后续研究奠定坚实基础。然后,采用敏感性分析方法,筛选出对多相流数值模拟模型输出结果影响较大的模拟模型参数。将筛选出的模拟模型参数和地下水污染源信息都作为待求变量,并运用拉丁超立方抽样方法在其取值范围内进行抽样。把抽样得到的样本依次输入到多相流数值模拟模型并进行正演计算,以获得训练样本与检验样本。运用训练样本与检验样本分别对长短期记忆神经网络替代模型和深度信念神经网络替代模型进行训练与检验。通过调整神经网络结构的深度、超参数、权值和偏置,提高替代模型对具有复杂非线性映射关系模拟模型的逼近精度。为了使长短期记忆神经网络替代模型和深度信念神经网络替代模型发挥自身优势,基于上述两者建立了人工智能集对替代模型。将人工智能集对替代模型与基于其他单一方法的替代模型进行对比,分析人工智能集对替代模型的精度和适用性。最后,建立非线性规划优化模型,并将人工智能集对替代模型作为等式约束条件嵌入到优化模型中。探索非线性规划优化模型的有效解法,在传统灰狼优化算法中引入莱维飞行随机游走策略、Metropolis接受准则和自适应权重策略对其进行改进,构建了自适应混合灰狼优化算法。应用自适应混合灰狼优化算法求解优化模型,获得模拟模型参数和污染源信息的辨析结果。同时对自适应混合灰狼优化算法的适用性进行分析。另外,在获得模拟模型参数辨析结果的基础上,对模拟模型参数取值给予随机扰动,通过蒙特卡洛方法和模拟-优化方法综合运用,分析模拟模型参数的随机变化对地下水LNAPLs污染源辨析结果的不确定性影响。得到污染源位置和污染物质泄漏量的数字特征、概率分布和不同置信水平下污染源信息的置信区间,为决策者提供更加丰富的参考依据。基于以上的研究内容,得出了以下几条主要结论:（1）为了改进对动态监测数据降噪处理的效果,基于经验模态分解方法、集合经验模态分解方法和互补集合经验模态分解方法构建了最优互补降噪方法。最优互补降噪方法的降噪效果,优于三种单一方法的降噪效果,更适用于地下水动态监测数据的降噪处理。（2）长短期记忆神经网络替代模型和深度信念神经网络替代模型对多相流模拟模型的逼近精度,均高于极限学习机替代模型和克里格替代模型。基于长短期记忆神经网络替代模型和深度信念神经网络替代模型,建立了人工智能集对替代模型。人工智能集对替代模型对多相流模拟模型的逼近精度,优于其他四种单一的替代模型。人工智能集对替代模型对于变量种类多、具有复杂非线性映射关系的多相流数值模拟模型拟合能力更好。（3）探索非线性规划优化模型的有效解法。将莱维飞行随机游走策略、Metropolis接受准则和自适应权重策略引用于传统灰狼优化算法中,能够使传统灰狼优化算法得以改进。基于莱维飞行和Metropolis接受准则的自适应混合灰狼优化算法能够在不陷入局部最优解的前提下,快速搜索到全局最优解,提高地下水LNAPLs污染溯源辨析结果的精度。（4）基于模拟-优化方法进行地下水LNAPLs污染溯源辨析只能得到唯一的辨析结果。为了分析模拟模型参数的随机变化对污染源辨析结果的不确定性影响。将蒙特卡洛方法与模拟-优化方法结合运用,对地下水LNAPLs污染溯源辨析结果进行不确定性分析,能够获得污染源信息辨析结果的数字特征、概率分布及其在不同置信水平下污染源信息的置信区间。从而为决策者提供更加丰富的参考依据。
代永强[2]（2021）在《基于混合蛙跳算法的高维数据降维技术研究》文中提出混合蛙跳算法自提出以来,在资源调度、结构设计、参数调控和组合优化等应用方面取得了显着成效。应用实践表明,在相同条件下,与遗传算法和粒子群优化算法等智能优化算法比较,经混合蛙跳算法优化后的应用模型在成本管理、能耗节约、资源利用和经济效益等方面均展现出良好的性能,且随着模型规模增大,对模型优化性能地提升也更加明显。特征选择与投影寻踪是降低数据规模和复杂度的高维数据降维技术,该技术通过分析低维数据的呈现特征,揭示高维数据隐含的信息和价值,以达到简化问题规模和提高数据挖掘能力的目的。遗传算法、粒子群优化算法等经典算法在高维数据降维技术中均有较多研究成果,与遗传算法、粒子群优化算法比较,混合蛙跳算法结合模因算法和粒子群优化算法两者的优点,具有概念简单、参数少、计算速度快、全局寻优能力强和易于实现等特点;混合蛙跳算法的性能主要由算法参数和更新策略共同决定,合理的参数设置方案和优化的更新策略可进一步提高算法的性能。因此开展混合蛙跳算法参数设置方案及更新策略研究,拓展算法在特征选择和投影寻踪两类高维数据降维技术中的应用切实可行,具有较高的研究意义。论文主要研究工作如下:（1）开展了混合蛙跳算法参数优化和更新策略研究,提高了算法的优化性能。针对现有文献中关于混合蛙跳算法参数配置研究的不足,建立了种群、分组数和最大步长三个参数组成的分组-子群平衡改进正交试验设计方案,提高了正交实验方法的水平采集密度和运算效率,降低了参数关联对于算法性能的影响。通过试验仿真获得了参数最优配置方案,最优参数配置方案与最差参数配置方案、所有参数配置方案的均值和相关文献中的参数配置方案比较,算法优化性能分别提高了41.56%、28.03%和41.00%。（2）通过引入混沌记忆权重因子、细菌趋化因子和平衡分组策略对混合蛙跳算法的更新策略进行优化,提出了混沌记忆权重因子混合蛙跳算法（Improved Shuffled Frog Leaping Algorithm,ISFLA）和细菌趋化因子混合蛙跳算法（Bac terial Foraging Shuffled Frog Leaping Algorithm,BF-SFLA）。两种改进算法较好地处理了全局探索和局部搜索之间的平衡,降低了算法陷入局部最优的概率,进一步提高了算法的多样性。通过对标准测试函数仿真实验并与相关文献中的改进算法进行比较,仿真结果显示,ISFLA和BF-SFLA的综合优化性能分别提高了29.32%和33.87%,达优成功率均值分别提高了29.36%和30.23%,平均迭代次数均值分别降低了30.21%和42.38%,改进算法获得了更高的寻优精度和更快的收敛速度。（3）提出了基于混合蛙跳算法的特征选择方法,进一步提高了高维生物医学数据特征选择的性能。针对高维生物医学数据中存在大量无关或弱相关特征影响疾病诊断效率的现状,构建了基于ISFLA和BF-SFLA的高维生物医学数据特征选择方法,充分利用ISFLA和BF-SFLA良好的寻优性能,提高了特征选择方法在特征空间对有效特征子集的搜索能力;通过引入自适应策略,分类准确率、有效特征出现概率、特征子集数目和算法执行时间等约束因素到混合蛙跳特征选择方法中,构建了自适应混合蛙跳特征选择方法（Adaptive Shuffled Frog Leapi ng Algorithm,A-SFLA）、自适应混沌记忆权重因子混合蛙跳特征选择方法（Ad aptive Improved Shuffled Frog Leaping Algorithm,A-ISFLA）和自适应细菌趋化因子混合蛙跳特征选择方法（Adaptive Bacterial Foraging Shuffled Frog Leap ing Algorithm,ABF-SFLA）。三种自适应特征选择方法在迭代过程中依据约束因素自适应调整解的空间维度,筛选出更具有代表性的特征子集。通过对9组高维度生物医学数据进行特征选择验证,并与相关文献中的改进特征选择方法比较,ISFLA和BF-SFLA特征选择方法获得的平均分类准确率均值提高3.4%至7.0%,标准差均值降低26.9%至46.7%,平均特征子集数目均值减少3.0%至52.1%,说明基于ISFLA和BF-SFLA的特征选择方法在整体上获得了更高的分类准确率、更好的稳定性和更少的特征子集数目,显着提高了相关疾病的诊断效率;与ISF LA、BF-SFLA和SFLA比较,A-ISFLA、ABF-SFLA和A-SFLA三种自适应特征选择方法在保持分类准确率稳定的前提下,运行时间分别缩短了67.8%,67.6%和67.9%,进一步加快了相关疾病的诊断速度。（4）构建了基于改进混合蛙跳算法的投影寻踪模型,提高了模型对农业旱灾脆弱性和城市重金属污染综合评价的性能。建立了农业旱灾脆弱性、城市重金属污染的指标体系和等级划分标准,利用ISFLA和BF-SFLA对农业旱灾脆弱性投影寻踪评价模型进行优化,与相关文献中采用的模型计算结果比较,投影指标函数值分别提高了4.9%和5.1%,标准差分别降低了47.0%和78.5%;利用ISFL A和BF-SFLA对城市重金属污染投影寻踪评价模型进行优化,与相关文献中采用的模型计算结果比较,投影指标值分别提高了6.8%和7.8%,标准差分别降低了10.7%和68.0%。基于改进混合蛙跳算法的投影寻踪模型降低了评价指标赋权不科学、不规范对评价结果的影响,进一步增强了模型在农业旱灾脆弱性和城市重金属污染综合评价中的应用前景。
黄鹏[3]（2021）在《混合不确定性下工业机器人运动精度可靠性分析与优化设计》文中进行了进一步梳理随着自动化技术的发展,工业机器人以其高效、低成本、重复性好等优点,在汽车制造、电子电气和航空航天等现代工业生产中得到了广泛的应用。在这些应用中,运动精度作为关键的性能指标,是工业机器人完成操作任务的重要保证。然而,由于工业机器人结构中制造误差、关节间隙、弹性变形等不确定性因素的影响,末端执行器实际的运动远未达到高精度、高可靠的性能要求。因此,精确地分析和评估工业机器人的运动精度可靠性,是确保其在工作过程中准确、可靠运行的重要保障,对工业机器人的精度设计也具有实际的指导意义。考虑到工业机器人生产和运行过程中,除了因自然变异性而存在的随机不确定性外,往往还包括一些因特征不完全认识的认知不确定性,这时仅靠单一的数学模型难以实现有效的运动精度不确定性分析。为此,本文针对混合不确定性下工业机器人运动精度可靠性分析与优化设计展开研究。主要内容和成果如下:（1）研究了随机不确定性下工业机器人定位精度可靠性分析方法。对于多自由度工业机器人,根据其运动学模型建立的定位精度极限状态函数通常是高度非线性的,这时采用传统的一阶可靠度法来处理可能面临收敛速度慢、甚至不收敛问题。为此,本文基于有限步长法和Armijo线搜索技术提出了一种高效、稳定的定位精度失效概率计算方法。该方法一方面通过引入具有有限步长的灵敏系数增强了收敛性能,另一方面通过构建基于Armijo线搜索技术的优化方法和自适应步长策略提高了计算效率。（2）提出了基于微分运动学和鞍点近似法的定位精度可靠性分析方法。考虑到一阶可靠度法在处理高度非线性定位精度可靠性模型上仍存在准确性不高问题,本文首先基于微分运动学和误差传播理论建立位置误差函数,重新构建了定位精度的运动学可靠性模型,以此避免复杂非线性函数引起的可靠性分析不稳定性。然后,根据位置误差模型推导了位置误差分布参数的解析表达式,并结合特征分解技术建立了位置误差的累积量生成函数。从而运用鞍点近似法计算了定位精度的可靠性分析结果。（3）研究了混合随机和区间不确定性的定位精度可靠性分析方法。在实际应用中,易面临因信息有限而只能确定运动学参数范围的情况。这时随机和区间不确定性的同时存在,使得基于概率论的定位精度随机不确定性分析方法难以应用。对此,本文提出了一种混合随机和区间变量的定位精度可靠性分析框架。首先,通过在每个设计点搜索过程中同时进行区间分析和概率分析,建立了混合可靠性模型的单循环计算策略。随后针对区间分析提出了一种基于混合共轭梯度方向和有效集的投影梯度法,并在概率分析中引入混合共轭梯度方向和自适应有限步长提高了计算效率。最后在所得设计点的基础上,开发了基于响应面的鞍点近似法以提高定位精度混合可靠性分析的准确性。（4）建立了基于轨迹精度可靠性的工业机器人优化设计方法。现有的精度优化设计方法大多研究的是以工作点或其单坐标分量为概率约束的公差分配,而很少关注工业机器人运行轨迹的可靠性水平。在本文中,构建了以轨迹精度可靠性为约束,同时考虑制造成本和质量损失的精度优化设计模型。为了高效、准确地求解优化模型,针对内层的轨迹精度可靠性分析,在混合随机和区间不确定性等效模型上提出了基于稀疏网格积分和鞍点近似的失效概率计算方法。进而在外层结合遗传算法实现了运动学参数公差分配方案的优化设计。
李红霞[4]（2021）在《基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究》文中进行了进一步梳理随着我国主要电网互联和混连受端电网进程推进,新能源和电力电子元件的增加,不同地区负荷需求及特征也呈现出较大的差异性、随机性和分散性。负荷相对落后于发电机和输电网络的建模工作,影响了整个电力系统模型计算的精度,因此面对时变的结构参数以及复杂的电力系统负荷进行建模,并根据实时动态数据进行在线参数辨识具有一定迫切性。针对电力系统新特征,本文应用到广域测量系统提供的实时运行的小扰动数据,以综合负荷模型为研究对象,基于自适应卡尔曼滤波算法在线辨识负荷参数,并利用遗传算法获取更加准确的系统噪声估计协方差矩阵,为电力系统的运行分析提供有效的参数辨识结果,提高对电网负荷的监视能力。负荷参数在线辨识方面,针对传统负荷建模方法在数据获取、辨识精度和在线辨识上受到限制的问题,提出基于广域测量系统量测技术的自适应卡尔曼滤波在线负荷参数辨识算法。首先考虑负荷模型的组成,建立并线性化综合负荷模型,基于同步相量测量单元在线实时测量的小扰动数据,提出了数据预处理方式,并对比传统卡尔曼滤波算法和改进的Sage-Husa自适应卡尔曼滤波算法两种技术路线,运用预报误差法解决辨识问题。系统噪声优化方面,提出一种基于遗传算法优化的自适应卡尔曼滤波算法,首先针对遗传算法的交叉、遗传和选择进行自适应调整,避免易陷入早熟致使收敛到局部最优解的缺陷,然后采用改进的遗传算法离线确定系统噪声协方差矩阵,以提高自适应卡尔曼滤波在线辨识负荷参数的计算效率和准确性,最后应用传统KF、AKF和本算法优化后的AKF辨识参数并对比有功功率和无功功率的拟合度,验证遗传算法优化的有效性。本文所提出的基于改进的自适应卡尔曼滤波的负荷参数在线辨识方法和优化模型参数的改进遗传算法经过浙江省电网的变电站实时运行数据验证,算例结果表明,本文提出的在线辨识算法,具有较好的适用性和较高的准确性。
周恒[5]（2021）在《高能耗过程智能操作优化方法研究》文中研究表明流程工业高能耗生产过程的操作优化,是其实现节能减排与提质增效的重要技术手段。然而,流程工业的复杂性导致高能耗生产过程操作优化面临诸多困难。例如,大型高炉炼铁高能耗过程中物理化学反应极其复杂,从布料到出铁存在大滞后,检测手段欠缺且工艺指标参数强耦合,这些特征严重制约着关键工艺质量指标建模预测与过程操作优化;在造纸制浆高能耗过程中多级磨浆产生的数据多源多采样率问题,给基于数据驱动的制浆过程实时操作优化带来了挑战;另外,流程工业中存在信息孤岛、管理分散、操作知识难以固化共享等难题,亟需研究构建工业云平台以实现高能耗生产过程操作优化知识的软件组件化与共享复用。针对以上问题,本文分别研究大型高炉炼铁高能耗过程关键工艺质量指标建模预测与过程操作优化方法、数据多源多采样率的造纸制浆高能耗过程操作优化方法,并研究构建工业云平台将这些高能耗过程操作优化方法以微服务的形式进行部署应用,为流程工业高能耗过程操作优化的知识分享探索新模式。具体研究工作和研究成果分为以下几个部分:1)针对高能耗工业过程建模预测难,以大型高炉炼铁过程铁水质量预报为研究对象,提出了基于滑动窗口的模糊神经网络方法。通过互信息方法选择与质量指标关系性最高的操作变量,并构建具有滑动窗口的T-S模糊神经网络用于建模,学习动态生产过程中铁水质量变化的特征。与传统基于机理建模的方法相比,该方法不用考虑高炉内部复杂的物理变化与化学反应,能够有效处理工况多变的炼铁过程铁水质量指标预测问题。2)针对高能耗工业过程操作优化难,以大型高炉炼铁过程多目标优化为研究对象,提出了基于进化算法与深度学习的多目标智能优化控制方法。首先通过门控循环神经网络描述过程变量与工艺指标间的映射关系,建立数据驱动的高炉铁水生产过程黑箱模型。其次在生产工况、质量守恒、操作限制等约束条件下,使用基于遗传算法的多目标优化算法对工艺指标和操作参数进行优化。通过将深度学习所建立的模型作为遗传算法适应度函数,实现高能耗过程建模优化一体化模型的构建。3)针对高能耗过程数据多源问题,以造纸工业多采样率过程作为研究对象,提出了基于智能协同优化框架的能耗优化模型。首先基于多采样率回归模型建立磨浆系统的多采样率模型,通过高采样率变量预测低采样率指标。然后基于所建立的多采样率回归模型,通过自适应种群遗传算法寻找最优的目标函数值以及所对应的输入参数。最终在不影响纸浆质量与产量的情况下,实现磨浆系统中高浓磨浆机能耗的优化。4)针对智能操作优化算法运行部署问题,以流程工业高能耗过程为研究对象,构建了基于工业互联网平台的智能操作优化微服务APP应用。首先在工厂搭建由多台服务器组成的本地云计算集群,其次通过Rancher和Harbor提供云平台服务,然后建立基于容器的流程工业互联网平台,最后将智能操作优化方法打包成容器镜像部署于工业互联网平台上,实现流程工业高能耗过程的智能操作优化。在文章的最后对本文的研究内容和研究结果进行了总结,并对未来高能耗工业过程的智能操作优化研究方向进行了展望。
刘丹[6]（2020）在《基于优化算法的天然气管道仿真模型自适应研究》文中提出随着天然气管道建设规模日益庞大、复杂,天然气管道系统仿真技术已成为实现天然气管网的调度管理和管网系统故障分析等方面研究与运营管理工作的重要手段。然而由于管道参数、环境参数、测量仪表精度等在管道全生命周期内均会发生无规律变化,偏离原始设计条件,造成以原始设计参数为依据的天然气管道仿真在实际应用中,易受模型参数的不准确产生仿真结果偏差,影响管道系统的决策判断和运行管理。针对管道系统仿真结果偏差问题,本文提出基于优化算法的天然气管道仿真模型自适应方法,该方法主要在动态仿真基础上,采用最小二乘法思想建立管道仿真模型自适应优化模型,利用AGA自适应遗传算法实现该优化模型的高效求解,达到以修正管道参数为手段,提高动态仿真模型精度的目的。首先根据动态仿真理论建立了基于特征线法的动态仿真模型,并采用Runge-Kutta法实现其初始条件的精确求解,通过实际案例验证该种仿真方法的动态仿真结果与实际观测值仅具有0.5%的相对偏差,具有较高精度;然后,通过200组对比试验分析压缩因子、管径、管长、高程、管壁粗糙度5个参数在各自偏差梯度下引起动态仿真结果偏差的程度,结果显示影响动态仿真的关键参数有管径、管长、高程、管壁粗糙度参数;最后,根据模型参数反演理论建立适合于动态仿真参数反演的自适应优化模型,并使用AGA自适应遗传算法实现优化模型与动态仿真的耦合求解。基于研究成果,采用Python语言实现天然气管道仿真模型自适应方法的程序化,通过YJ管道实例应用显示,该方法可实现管径、管长、高程、管壁粗糙度的最佳修正,使YJ管道仿真压力偏差由原始偏差23.6kPa减小至4.5kPa,验证了该方法对提高管道仿真精度、校准模型参数具有很强的适用性。
邓锬[7]（2020）在《混合IWO算法在参数优化中的应用研究》文中认为随着现代技术的高度发展,智能算法被用来解决众多应用领域的优化问题,因此智能优化算法得到了许多学者和研究人员的关注。在实际的工程问题中,优化方法是解决问题的关键手段。精确的优化方法或确定性方法在解决大多数实际应用中存在的复杂非线性、多模态和参数优化问题时可能无法通过计算达到理想效果,在过去的几十年里,研究人员采用一些灵感来自生物和自然系统的方法来解决复杂的优化问题。在现有的智能优化算法中,大部分的智能优化算法都是学者们通过观察自然界中生物进化、聚集等行为提出的,入侵杂草优化算法（Invasive Weed Optimization）是一种新兴的数值随机优化算法,它的思想源于农业生产发展中杂草生长,繁衍,竞争淘汰现象,杂草强壮且具有抗性,繁殖能力强,所以它们表现出侵入增长的行为。因此在2006年Mehrabian和Lucas提出了IWO优化算法。IWO算法作为启发式算法具有全局搜索能力强,参数少,易于操作,容易实现,鲁棒性强等优点。在许多学术领域中都广泛用到IWO优化算法。IWO算法已经被用来解决各种各样的复杂优化问题。本文使用四种混合IWO算法分别求解参数反演问题、药代动力学参数优化问题、Muskingum模型参数优化问题、土壤水分特征曲线参数优化问题。针对具有整数变量的太阳影子模型的参数反演问题,提出了一种基于拟牛顿算法（BFSG）的混合入侵杂草优化算法（HIWO）。我们提出的算法不仅可以最大程度上利用BFGS算法的局部搜索能力和入侵杂草优化算法的全局搜索能力,此外还能够利用具有向最优个体学习的改进策略进一步提高算法的寻优能力。除了太阳影子模型的参数反演问题,我们还利用12个基准测试函数来验证HIWO算法的计算精度和收敛速度等相关性能。在基准测试函数实验中,HIWO算法不仅能够的到相对于其他对比算法更高的计算精度,而且在收敛速度方面也表现出了比较强势的竞争力,即收敛速度更快。针对太阳影子模型的参数反演问题实验,HIWO算法不仅可以成功地反转太阳阴影模型的日期,而且还可以克服经典数学方法难以通过算法中的一些随机变量中的整数来解决整数非线性优化问题的缺点。实验结果数据表明,HIWO算法不仅计算精度高,而且收敛速度较快。HIWO可以有效地提高太阳阴影定位技术的准确性和效率,以及一种有效且高效的技术来处理工程应用中的整数参数反演问题。鉴于传统的估计药代动力学参数的方法受其初始值的敏感性和进化算法无法确定搜索范围的限制,本文提出了一种结合Hooke-Jeeves（HJ）和自适应入侵杂草优化算法（IWO）的混合入侵杂草优化（HJIWO）算法。最终我们通过基准测试函数和血管外给药二室模型两个实验来验证本文所提出HJIWO算法的性能。在基准测试函数实验中,我们选取了15个基准测试函数。通过分析实验数据,我们发现HJIWO算法在计算精度和收敛速度两方面都表现出了比其他对比算法更强的竞争力和优越性。在血管外给药二室模型实验中,利用HJIWO算法进行参数优化,我们可以看出,HJIWO不仅在数值稳定性方面优于传统的FM算法,且在误差最小化方面也要优于HJ和IWO两种对比算法。实验结果表明,HJIWO算法是一种求解药代动力学参数问题的可行方法,与其他技术相比具有更高的精度和更强的鲁棒性。针对入侵杂草优化算法（IWO）在求解马斯京根（Muskingum）模型参数优化问题方面收敛速度慢,计算精度较差等问题。本文采用了一种基于Powell算法和全局导向最优策略的混合入侵杂草优化算法（PIWO）。这种混合算法利用了Powell算法的局部搜索能力,对种群进行初始化,使种子能在初始化时得到较优的解。在进化过程中,具有全局导向最优策略和入侵杂草优化算法的基本进化策略都会发挥相应的作用,能够进一步提高算法的计算精度和收敛速度。为了能够使PIWO算法的优化性能更具说服力,本文不仅采用16基准测试函数,还有马斯京根模型参数优化问题。在基准测试函数实验中,PIWO算法能够得到计算精度更高的结果和收敛速度更快的进化过程。在马斯京根模型参数优化问题的仿真实验中,实验结果数据表明PIWO算法具有较高的收敛精度以及相对较快的收敛速度。这为求解马斯京根线性模型参数优化问题提供了一种新型有效的方法。在研究土壤水运动的领域中,土壤水分特征曲线是一个非常重要的参数。到目前为止,其中运用最广泛的土壤水分特征曲线方程是Van Genuchten方程（简称VG方程）。将VG方程参数计算问题转化为一个非线性优化问题,然后本文在基本IWO算法的基础上引入莱维飞行对其进行参数估计。通过对仿真实验得到的结果进行分析,可以得出结论:采用基于莱维飞行的IWO混合算法解决VG方程参数估计问题,比随机粒子群算法和混合遗传算法有更好的效果。此外我们还利用15个基准测试函数进一步验证LIWO算法的性能优越性,在该部分实验中,我们通过分析实验数据发现LIWO算法在计算精度方面要远超其他几种对比算法,以及在对比进化过程曲线图时,我们也能够发现LIWO算法也表现出了比较明显的竞争力,即收敛速度更快。这些实验数据都表明LIWO算法具有更高的计算精度和更强的鲁棒性。
李孝检[8]（2020）在《高速离心压气机几何与流动参数耦合数据挖掘与优化研究》文中认为现代高性能离心压气机追求大流量、高效率、高压比、宽稳定运行范围的设计要求。由于压气机几何结构的复杂性,其内部流场表现出逆压力梯度流动、边界层流动、二次涡流、分离流动、间隙泄漏流、激波效应等复杂流动特征,这些流动特征是制约跨声速离心压气机多目标气动优化的瓶颈。传统优化方法由于对压气机内部流动物理机制挖掘不足,难以全面改善其流动特征和提高气动性能。为了解决高速离心压气机多目标气动优化难题,本文将压气机理论模型数据挖掘、代理模型数据挖掘与自适应采样混合优化算法结合,提出了基于几何与流动参数耦合数据挖掘的压气机全工况多目标气动优化方法。首先,提出了基于理论模型的几何与流动参数耦合数据挖掘方法。推导并建立了离心压气机几何与流动参数耦合普遍关系式,普遍关系式将压气机的关键几何、流动和气动参数统一表述为一系列具有相同无量纲参数的函数。根据普遍关系式绘制了无量纲图谱,由此揭示压气机几何、流动与气动参数之间普遍存在的非线性耦合与制约规律,从理论角度探索了压气机设计空间的可行域与优化极限。为研究非设计工况的气动特征,进一步建立了变工况与设计工况流动参数耦合数学模型,从而实现根据设计工况的参数快速探索非设计工况流动特征及气动性能,并从理论上证明不同工况流动参数耦合规律具有几何不变性。以上模型共同构成压气机全工况的几何、流动和气动参数耦合理论模型,为从物理机理层面对压气机内流进行数据挖掘提供理论支撑。其次,建立了基于代理模型的几何与流动参数耦合数据挖掘方法。提出一种新的自适应采样算法,将自适应采样与Kriging代理模型结合发展了一种自适应采样代理模型,利用数学算例验证了自适应采样代理模型的高效性。进一步建立了基于代理模型的压气机内流数据挖掘方法,其中,数据挖掘算法包括自组织神经网络和方差分析。相较于理论模型数据挖掘,代理模型数据挖掘能够解析局部几何参数与全局流动、气动参数的耦合关系。然后,发展了基于流动特征数据挖掘的压气机全工况多目标气动优化方法。将梯度变异与多目标遗传算法耦合,提出梯度变异混合优化算法,采用高维高非线性数学算例验证了优化算法的全局性和高效性。开展算法关键参数的敏感性分析,证明优化算法同时具有良好的鲁棒性。将自适应采样代理模型与梯度变异混合优化算法耦合,给出了一种适用于压气机多目标优化的自适应采样混合优化算法。将基于理论模型和代理模型的几何与流动参数耦合数据挖掘方法与自适应采样混合优化算法有机结合,形成基于压气机内流数据挖掘的全工况多目标气动优化方法。最后,针对跨声速增压器压气机和Krain叶轮,实施了基于内流数据挖掘的全工况多目标气动优化。经过理论模型数据挖掘,明确了压气机几何、流动与气动参数之间的耦合与制约规律,提取了对流动特征和气动性能起关键作用的设计变量,进而给出反映流动特征和气动性能全面提升更本质的目标函数,得到优化初始设计空间,由此将物理优化问题抽象为数学优化模型。经过代理模型数据挖掘,确定了设计变量与目标函数的非线性耦合与制约关系,得到了设计变量对目标函数的定量贡献率,据此精炼设计空间,简化优化问题。对精炼设计空间采用自适应采样混合优化算法进行优化,得到Pareto最优解集。多角度定性与定量证明了本文提出的优化方法在优化效率、全局性、鲁棒性方面均优于当前主流算法,其中优化效率可提升2-10倍。同时阐释了优化过程中几何、流动和气动参数耦合变化规律,以及气动性能提升背后的流体动力学机理。本文提出的基于几何与流动参数耦合数据挖掘的压气机全工况多目标气动优化方法,为现代高性能压气机的优化提供一种高效的新手段,或将助力于先进航空压气机、增压器压气机、能源动力工业压气机设计技术的发展及本土化。
智慧[9]（2020）在《群智能优化算法的研究及应用》文中研究说明在科学技术和工程实际等诸多领域中,存在各种各样的复杂优化问题,其中不少问题用传统的优化算法难以解决,而智能优化算法在求解某些复杂优化问题时却具有很强的适应性和有效性,对目标函数解析性质和算法初始点选择无特殊要求,且算法收敛快,因此成为解决复杂优化问题的有效方法.本文主要研究两种群智能优化算法,一种是模拟鸟群觅食行为的粒子群优化算法,另一类是模仿蜂群采蜜行为的人工蜂群算法,它们都是模仿生物协作行为机制的随机搜索算法.本文通过引入先进的进化策略提高算法的收敛效果,同时将其应用于实际问题的求解中.本文的主要创新性成果如下:1.提出了高斯和混沌增强策略下的维进化粒子群优化算法.通过对每个粒子按照维的适应度依次进化,并更新较差的维,保证整个粒子不退化.为确保种群多样性,当粒子聚集时在最优解附近实施高斯混沌局部收缩策略,帮粒子跳出局部最优,提高算法的收敛性能.通过基准函数的测试表明所提算法的有效性,将算法引入PID控制系统的参数整定问题中,结果表明系统控制的精度提高,控制效果良好.2.提出了变尺度搜索策略下的混沌粒子群算法.变尺度搜索过程用来实现全局最优位置的迅速定位和局部位置的精细搜索.采用混沌初始化和混沌变异增强种群多样性.通过时变加速系数和时变惯性权重实现了参数的自适应调节,平衡算法探索开发能力.基准函数的测试实验表明,算法的收敛效果明显提高.基于该算法的配送中心选址问题,能实现最优配送中心的规划,使物流网络结构得到优化.3.提出了结合遗传算法和人工蜂群算法的混合优化算法.在人工蜂群算法中引入遗传算法的选择、交叉、变异操作,遗传操作执行全局快速搜索,蜂群算法负责局部精确探索,使算法的探索和开发能力得到均衡.为了验证算法的性能,将算法应用于求解非线性约束优化问题.结果表明所提出算法与其他方法相比具有明显的优越性.4.提出了自适应分组策略下的量子人工蜂群算法.基于平均目标函数值实现种群的动态分组来改善算法的局部搜索能力,采用量子比特概率幅对个体实施编码以提高种群的多样性,通过量子非门实现蜂群变异并帮助其逃离局部最优.通过Benchmark函数的对比实验说明算法是可行有效的.基于该算法的二维最大熵图像分割实验表明,该算法能更好地保留图像的某些细节信息,提高图像的分割效果.
张安琪[10]（2020）在《相位编码波形及信号处理方法设计》文中研究表明脉冲压缩信号是一种具有大时宽带宽积的雷达信号,它可以有效地解决雷达探测距离和距离分辨力之间的矛盾。相位编码信号作为一种常用的脉冲压缩信号,具有压缩性能好、抗截获和抗干扰能力强等特点,在现代雷达中得到了广泛的应用。对于相位编码脉冲压缩雷达系统而言,相位编码信号的原始码字对雷达性能具有很大的影响,并且由于相位编码信号的非周期自相关函数旁瓣过高,限制了它在实际中的应用。本文围绕相位编码波形设计及旁瓣抑制方法进行了研究,主要内容如下:（1）针对现有相位编码波形设计方法存在搜索效率低或得到波形性能不佳的问题,本文提出基于二进制粒子群算法的M序列波形设计方法。该方法在回波信号存在多普勒频移和距离遮挡的情况下以M序列回波信号脉冲压缩后的主旁瓣比为目标函数进行优化,通过使用二进制粒子群算法搜索M序列最优初始寄存器的方式完成M序列波形的设计。仿真结果表明,该方法在M序列码长较短时能快速收敛于高质量的解,在M序列码长较长时能较快收敛于相对较优的解,有效地提高了M序列波形设计方法的搜索效率和得到波形的性能。（2）针对现有组合优化算法容易陷入局部最优的问题,本文提出自适应二进制粒子群遗传算法。该算法在采取精英保留策略的基础上,以自适应遗传算法为基本框架,引入使用自适应惯性权重的二进制粒子群算法代替早期的遗传选择操作,并在遗传交叉操作前加入有效性判断,在维持种群多样性的条件下提高搜索效率。仿真结果表明,该算法同时具备较强的全局搜索能力和局部搜索能力。（3）针对现有相位编码波形设计方法在码长较长时得到波形性能不佳的问题,本文提出基于自适应二进制粒子群遗传算法的M序列波形设计方法。该方法使用自适应二进制粒子群遗传算法完成对M序列最优初始寄存器的搜索,获取当回波信号存在多普勒频移和距离遮挡时具有最大主旁瓣比的M序列。仿真结果表明,该方法在M序列码长较长时仍能收敛于高质量的解,有效地提高了M序列波形设计方法在码长较长时得到波形的性能。（4）针对现有相位编码旁瓣抑制算法存在计算量大或旁瓣抑制性能不佳的问题,本文研究了一种自适应失配滤波算法。该算法将优化最小ISL滤波算法的思想应用于基于凸优化的失配滤波算法,同时具备计算量小和旁瓣抑制性能良好的特性。仿真结果表明,在不同信噪比下,自适应失配滤波算法相对于自适应脉冲压缩算法和失配滤波算法而言均具有更好的性能。
二、一种基于自适应混合遗传算法的非线性函数优化方法（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、一种基于自适应混合遗传算法的非线性函数优化方法（论文提纲范文）
（1）地下水LNAPLs污染溯源辨析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据及研究意义 |
| 1.2 国内外研究现状与进展分析 |
| 1.2.1 地下水污染溯源辨析问题的研究 |
| 1.2.2 经验模态分解降噪方法的研究 |
| 1.2.3 替代模型建模方法的研究 |
| 1.2.4 优化模型求解算法的研究 |
| 1.3 有待解决的科学问题 |
| 1.3.1 监测数据降噪方法问题 |
| 1.3.2 替代模型建模方法问题 |
| 1.3.3 优化模型求解算法问题 |
| 1.3.4 模拟模型参数不确定性问题 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 创新点 |
| 1.6 本章小结 |
| 第2章 反演问题和模拟-优化方法 |
| 2.1 正演问题 |
| 2.1.1 正演问题的概述 |
| 2.1.2 正演问题的适定性 |
| 2.2 反演问题 |
| 2.2.1 反演问题的概述 |
| 2.2.2 反演问题的不适定性 |
| 2.3 地下水污染溯源辨析的反演问题 |
| 2.4 模拟-优化方法 |
| 2.5 本章小结 |
| 第3章 地下水LNAPLs污染多相流数值模拟模型 |
| 3.1 地下水中LNAPLs的主要来源 |
| 3.2 地下水中LNAPLs的迁移与转化 |
| 3.3 LNAPLs污染多相流数值模拟模型 |
| 3.3.1 偏微分方程 |
| 3.3.2 定解条件 |
| 3.4 实际污染场地地下水LNAPLs污染多相流数值模拟模型 |
| 3.4.1 污染场地概况 |
| 3.4.2 污染场地的概念模型 |
| 3.4.3 污染场地的多相流数值模拟模型 |
| 3.4.4 模型的时空离散 |
| 3.5 本章小结 |
| 第4章 动态监测数据的降噪处理 |
| 4.1 经验模态分解方法概述 |
| 4.2 经验模态分解方法的基本原理 |
| 4.3 集合经验模态分解方法的基本原理 |
| 4.4 互补集合经验模态分解方法的基本原理 |
| 4.5 降噪效果的评价指标 |
| 4.6 降噪效果的评价 |
| 4.6.1 获取含噪声数据 |
| 4.6.2 降噪效果的评价 |
| 4.7 最优互补降噪方法 |
| 4.7.1 最优互补降噪方法的提出 |
| 4.7.2 灰狼优化算法 |
| 4.7.3 最优互补降噪方法的降噪效果评价 |
| 4.8 最优互补降噪方法的实例应用 |
| 4.9 本章小结 |
| 第5章 多相流数值模拟模型的替代模型 |
| 5.1 敏感性分析 |
| 5.1.1 局部敏感性分析方法 |
| 5.1.2 敏感性分析结果 |
| 5.2 训练样本与检验样本的获取 |
| 5.2.1 拉丁超立方抽样方法简介 |
| 5.2.2 拉丁超立方抽样方法抽样步骤 |
| 5.2.3 训练样本与检验样本的获取 |
| 5.3 极限学习机替代模型 |
| 5.3.1 极限学习方法 |
| 5.3.2 极限学习机替代模型的建立 |
| 5.4 克里格替代模型 |
| 5.4.1 克里格方法 |
| 5.4.2 克里格替代模型的建立 |
| 5.5 长短期记忆神经网络替代模型 |
| 5.5.1 长短期记忆神经网络方法 |
| 5.5.2 长短期记忆神经网络替代模型的建立 |
| 5.6 深度信念神经网络替代模型 |
| 5.6.1 深度信念神经网络方法 |
| 5.6.2 深度信念神经网络替代模型的建立 |
| 5.7 四种替代模型的精度检验与评价 |
| 5.7.1 替代模型精度的评价指标 |
| 5.7.2 四种替代模型精度的对比分析 |
| 5.8 人工智能集对替代模型 |
| 5.8.1 人工智能集对替代模型的建立 |
| 5.8.2 人工智能集对替代模型的精度评价 |
| 5.9 本章小结 |
| 第6章 优化模型建立及其求解方法 |
| 6.1 最优化问题的概述 |
| 6.2 非线性规划优化模型的建立 |
| 6.3 自适应混合灰狼算法 |
| 6.3.1 莱维飞行随机游走策略 |
| 6.3.2 Metropolis接受准则 |
| 6.3.3 自适应权重 |
| 6.4 本章小结 |
| 第7章 地下水LNAPLs污染溯源辨析结果 |
| 7.1 假想例子污染溯源辨析 |
| 7.1.1 假想例子设计 |
| 7.1.2 灰狼优化算法辨析结果 |
| 7.1.3 自适应混合灰狼优化算法辨析结果 |
| 7.2 实际例子污染溯源辨析 |
| 7.3 本章小结 |
| 第8章 地下水LNAPLs污染溯源辨析的不确定性分析 |
| 8.1 蒙特卡洛方法 |
| 8.2 模拟模型参数扰动 |
| 8.3 非线性规划优化模型的建立与求解 |
| 8.4 地下水LNAPLs污染溯源辨析结果的不确定性分析 |
| 8.4.1 切比雪夫不等式 |
| 8.4.2 污染溯源辨析结果的不确定性分析 |
| 8.5 本章小结 |
| 第9章 结论及展望 |
| 9.1 结论 |
| 9.2 展望 |
| 参考文献 |
| 作者简介及攻读博士期间所取得的科研成果 |
| 致谢 |
（2）基于混合蛙跳算法的高维数据降维技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 降维问题 |
| 1.1.1 降维分类 |
| 1.1.2 降维定义 |
| 1.2 降维方法 |
| 1.3 特征选择与投影寻踪的国内外研究现状 |
| 1.3.1 特征选择的研究现状 |
| 1.3.2 投影寻踪的研究现状 |
| 1.4 优化理论 |
| 1.4.1 优化模型 |
| 1.4.2 优化算法 |
| 1.5 群体智能优化算法 |
| 1.6 混合蛙跳算法的研究现状 |
| 1.6.1 算法的改进 |
| 1.6.2 算法的应用 |
| 1.7 存在的问题 |
| 1.8 本文研究内容和创新点 |
| 1.9 本文组织结构 |
| 1.10 本章小结 |
| 第二章 混合蛙跳算法及参数优化 |
| 2.1 引言 |
| 2.2 混合蛙跳算法原理 |
| 2.2.1 种群分割 |
| 2.2.2 寻优原理 |
| 2.2.3 算法流程 |
| 2.3 混合蛙跳算法参数优化设计 |
| 2.3.1 正交试验设计方法 |
| 2.3.2 分组-子群平衡正交试验设计方法 |
| 2.4 本章小结 |
| 第三章 改进的混合蛙跳算法 |
| 3.1 引言 |
| 3.2 算法的改进策略 |
| 3.2.1 混沌记忆权重因子 |
| 3.2.2 细菌觅食因子 |
| 3.2.3 平衡分组策略 |
| 3.3 改进算法及性能分析 |
| 3.4 算法时间复杂度分析 |
| 3.5 本章小结 |
| 第四章 基于混合蛙跳算法的高维生物医学特征选择方法 |
| 4.1 引言 |
| 4.2 算法的离散化处理 |
| 4.3 特征选择的实现 |
| 4.3.1 特征选择流程 |
| 4.3.2 特征选择评价函数 |
| 4.3.3 数据处理与分析 |
| 4.4 自适应特征选择策略 |
| 4.4.1 自适应混合蛙跳特征选择方法 |
| 4.4.2 实现步骤 |
| 4.4.3 数据处理与分析 |
| 4.4.4 算法时间复杂度分析 |
| 4.5 本章小结 |
| 第五章 基于混合蛙跳算法的投影寻踪模型 |
| 5.1 引言 |
| 5.2 投影寻踪模型 |
| 5.3 优化投影寻踪模型的算法步骤 |
| 5.4 模型在农业旱灾脆弱性评价中的应用 |
| 5.4.1 农业旱灾脆弱性评价指标和数据 |
| 5.4.2 数据处理与分析 |
| 5.5 模型在土壤重金属污染评价中的应用 |
| 5.5.1 重金属污染评价指标和数据 |
| 5.5.2 数据处理与分析 |
| 5.5.3 重金属元素空间分布 |
| 5.6 本章小结 |
| 第六章 总结和展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
| 附表 |
（3）混合不确定性下工业机器人运动精度可靠性分析与优化设计（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号及缩略词 |
| 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 工业机器人精度可靠性分析研究现状 |
| 1.2.2 混合可靠性分析研究现状 |
| 1.2.3 工业机器人精度优化设计研究现状 |
| 1.3 本文主要研究工作 |
| 第二章 随机不确定性下工业机器人定位精度可靠性分析 |
| 2.1 引言 |
| 2.2 工业机器人运动可靠性模型 |
| 2.2.1 位姿描述方法 |
| 2.2.2 机械手运动学 |
| 2.2.3 极限状态函数 |
| 2.3 定位精度可靠性分析方法 |
| 2.3.1 均值一次二阶矩法 |
| 2.3.2 改进一次二阶矩法 |
| 2.3.3 自适应有限步长法 |
| 2.4 算例分析 |
| 2.4.1 JR605 型工业机器人简介 |
| 2.4.2 正向运动学分析 |
| 2.4.3 可靠性分析方法对比 |
| 2.5 本章小结 |
| 第三章 基于微分运动学和鞍点近似的定位精度可靠性分析 |
| 3.1 引言 |
| 3.2 基于微分运动学的可靠性模型 |
| 3.2.1 坐标系间的微分变换关系 |
| 3.2.2 连杆坐标系的微分运动 |
| 3.2.3 位置误差极限状态函数 |
| 3.3 基于鞍点近似的定位精度可靠性分析 |
| 3.3.1 鞍点近似理论 |
| 3.3.2 位置误差分布参数 |
| 3.3.3 定位精度可靠性分析 |
| 3.4 算例分析 |
| 3.4.1 位置误差模型验证 |
| 3.4.2 可靠性分析方法对比 |
| 3.4.3 工作空间内可靠性分析 |
| 3.5 本章小结 |
| 第四章 混合随机和区间不确定性下定位精度可靠性分析 |
| 4.1 引言 |
| 4.2 考虑区间不确定性的混合可靠性分析 |
| 4.2.1 混合可靠性分析模型 |
| 4.2.2 基于共轭投影梯度法的区间分析 |
| 4.2.3 基于共轭有限步长法的概率分析 |
| 4.3 基于响应面的鞍点近似定位精度可靠性分析 |
| 4.3.1 响应面方法 |
| 4.3.2 试验点设计 |
| 4.3.3 失效概率区间计算 |
| 4.4 算例分析 |
| 4.4.1 关节变量不确定性分析 |
| 4.4.2 混合可靠性分析方法对比 |
| 4.4.3 改进可靠性分析方法验证 |
| 4.5 本章小结 |
| 第五章 基于轨迹精度可靠性的工业机器人优化设计 |
| 5.1 引言 |
| 5.2 基于位置误差极值的轨迹精度可靠性分析 |
| 5.2.1 工业机器人轨迹精度可靠性模型 |
| 5.2.2 随机-区间混合可靠性模型等效处理 |
| 5.2.3 基于稀疏网格积分的鞍点近似可靠性分析 |
| 5.3 基于遗传算法的工业机器人精度优化设计 |
| 5.3.1 目标函数 |
| 5.3.2 约束条件 |
| 5.3.3 遗传算法 |
| 5.4 算例分析 |
| 5.4.1 可靠性分析方法对比 |
| 5.4.2 优化模型参数设置 |
| 5.4.3 优化结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（4）基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 负荷建模工作发展及研究现状 |
| 1.3 参数辨识工作发展及研究现状 |
| 1.4 本文工作概述 |
| 2 负荷模型及负荷参数辨识分析 |
| 2.1 负荷模型基本结构研究 |
| 2.1.1 静态负荷模型 |
| 2.1.2 动态负荷模型 |
| 2.1.3 综合负荷模型 |
| 2.2 负荷建模方法研究 |
| 2.2.1 统计综合法 |
| 2.2.2 总体测辨法 |
| 2.2.3 故障仿真法 |
| 2.3 负荷参数辨识方法分析 |
| 2.3.1 系统辨识理论 |
| 2.3.2 负荷模型参数辨识方法 |
| 2.4 数据来源与预处理技术 |
| 2.4.1 WAMS/PMU原理及数据特点分析 |
| 2.4.2 数据预处理研究 |
| 3 基于自适应卡尔曼滤波的负荷参数辨识 |
| 3.1 引言 |
| 3.2 综合负荷模型及参数介绍 |
| 3.3 自适应卡尔曼滤波算法 |
| 3.3.1 适用于负荷模型辨识的传统卡尔曼滤波方法 |
| 3.3.2 改进的Sage-Husa自适应卡尔曼滤波计算方法 |
| 3.3.3 系统噪声选定方法 |
| 3.3.4 数据处理方法 |
| 3.4 算例分析 |
| 3.5 本章小结 |
| 4 基于遗传算法优化的自适应卡尔曼滤波模型参数辨识 |
| 4.1 引言 |
| 4.2 基于遗传算法优化的AKF结构 |
| 4.3 基于遗传算法优化的AKF辨识参数的实现 |
| 4.3.1 初始化设计 |
| 4.3.2 混合无重选择算子设计 |
| 4.3.3 自适应交叉算子设计 |
| 4.3.4 高斯近似变异算子设计 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
（5）高能耗过程智能操作优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写术语表 |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 流程工业典型高能耗过程分析 |
| 1.2.1 高炉炼铁过程分析 |
| 1.2.2 造纸制浆过程分析 |
| 1.3 流程工业高能耗过程建模研究现状 |
| 1.3.1 高炉炼铁过程建模研究现状 |
| 1.3.2 造纸制浆过程建模研究现状 |
| 1.4 流程工业高能耗过程操作优化研究现状 |
| 1.5 本文研究内容与创新点 |
| 1.5.1 本文主要研究内容 |
| 1.5.2 各个章节创新点 |
| 1.6 本章小结 |
| 2 基于模糊神经网络的高炉铁水质量建模与预测 |
| 2.1 引言 |
| 2.2 互信息法特征选择 |
| 2.2.1 特征选择 |
| 2.2.2 熵增定义 |
| 2.2.3 互信息法 |
| 2.3 滑动窗口模型 |
| 2.4 模糊神经网络 |
| 2.5 实例研究 |
| 2.6 本章小结 |
| 3 基于混合模型的大型高炉操作优化 |
| 3.1 引言 |
| 3.2 协同混合优化模型 |
| 3.3 处置门门控循环神经网络 |
| 3.3.1 简单循环神经网络 |
| 3.3.2 门控循环神经网络 |
| 3.3.3 改进门控循环神经网络 |
| 3.4 自适应种群遗传算法 |
| 3.5 实例研究 |
| 3.5.1 dGRU-RNN硅含量测试 |
| 3.5.2 SAPGA数值仿真测试 |
| 3.5.3 混合模型数值仿真测试 |
| 3.5.4 焦比能耗单目标优化 |
| 3.5.5 高炉炼铁多目标优化 |
| 3.6 本章小结 |
| 4 基于多采样率回归的造纸制浆能耗优化 |
| 4.1 引言 |
| 4.2 协同混合优化模型 |
| 4.3 实例研究 |
| 4.3.1 F-MIDAS数值仿真 |
| 4.3.2 F-MIDAS焦比测试 |
| 4.3.3 SAPGA数值仿真 |
| 4.3.4 混合模型工业实际测试 |
| 4.3.5 混合模型工业应用验证 |
| 4.4 本章小结 |
| 5 基于工业互联网平台的智能操作优化应用 |
| 5.1 引言 |
| 5.2 工业互联网平台体系架构 |
| 5.3 工业互联网平台解决方案 |
| 5.3.1 工业互联网平台技术路线 |
| 5.3.2 工业互联网平台开发过程 |
| 5.3.3 工业互联网平台应用实例 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 论文已有研究内容总结 |
| 6.2 论文未来研究方向展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| Acknowledgement |
| 博士期间学术成果及科研奖励 |
（6）基于优化算法的天然气管道仿真模型自适应研究（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 仿真模型自适应研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 创新点 |
| 第二章 天然气长输管道动态仿真 |
| 2.1 基本假设 |
| 2.2 管道内气体流动关系式 |
| 2.2.1 连续性方程 |
| 2.2.2 运动方程 |
| 2.2.3 能量方程 |
| 2.3 气体状态方程 |
| 2.4 气体粘度计算 |
| 2.5 水力摩阻系数计算 |
| 2.6 气体管道动态仿真 |
| 2.6.1 特征线法求解仿真模型 |
| 2.6.2 Runge-Kutta法计算初始值 |
| 2.6.3 边界条件 |
| 2.7 动态仿真实例 |
| 2.7.1 XJ管段基础数据 |
| 2.7.2 XJ管段动态仿真结果对比 |
| 2.8 小结 |
| 第三章 动态仿真灵敏度 |
| 3.1 4组动态仿真试验案例 |
| 3.2 压缩因子模型影响分析 |
| 3.2.1 常用压缩因子模型精度对比 |
| 3.2.2 压缩因子对动态仿真的影响 |
| 3.3 管道参数影响分析 |
| 3.3.1 管径对动态仿真的影响 |
| 3.3.2 管长对动态仿真的影响 |
| 3.3.3 粗糙度对动态仿真的影响 |
| 3.3.4 高程对动态仿真的影响 |
| 3.4 动态仿真模型灵敏度 |
| 3.5 小结 |
| 第四章 基于AGA遗传算法的动态仿真模型自适应研究 |
| 4.1 仿真模型参数反演问题研究 |
| 4.1.1 仿真模型自适应 |
| 4.1.2 仿真模型参数反演问题的适定性 |
| 4.1.3 反问题求解方法 |
| 4.2 仿真模型自适应优化模型 |
| 4.3 遗传算法概述 |
| 4.3.1 遗传算法发展历程 |
| 4.3.2 遗传算法的原理及特点 |
| 4.3.3 基本遗传算法实现步骤 |
| 4.4 AGA遗传算法求解自适应优化模型 |
| 4.4.1 AGA遗传算法 |
| 4.4.2 耦合求解过程 |
| 4.5 小结 |
| 第五章 天然气管道仿真模型自适应方法程序设计及其应用 |
| 5.1 程序设计 |
| 5.1.1 程序语言 |
| 5.1.2 程序功能 |
| 5.1.3 程序设计流程图 |
| 5.2 应用实例 |
| 5.2.1 YJ管段基础数据 |
| 5.2.2 管道内径自适应 |
| 5.2.3 管道长度自适应 |
| 5.2.4 管道高程自适应 |
| 5.2.5 管壁粗糙度自适应 |
| 5.3 小结 |
| 第六章 结论及建议 |
| 6.1 结论 |
| 6.2 建议 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间参加科研情况及获得的学术成果 |
（7）混合IWO算法在参数优化中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 概述 |
| 1.2 参数优化问题概述 |
| 1.3 入侵杂草优化算法研究现状 |
| 1.3.1 入侵杂草优化算法的性能改进研究 |
| 1.3.2 入侵杂草优化算法的相关应用研究 |
| 1.3.3 太阳影子定位的应用研究 |
| 1.3.4 药代动力学的应用研究 |
| 1.3.5 马斯京根模型的应用研究 |
| 1.3.6 VG方程的应用研究 |
| 1.4 本课题研究思路及意义 |
| 1.5 本课题研究内容及创新点 |
| 1.6 算法与应用分析 |
| 1.7 本课题内容安排 |
| 第2章 入侵杂草优化算法的研究基础 |
| 2.1 优化算法的基本概念 |
| 2.1.1 按算法求解机制分类 |
| 2.1.2 按求解搜索的目标点分类 |
| 2.2 智能优化算法 |
| 2.2.1 进化算法 |
| 2.2.2 群体算法 |
| 2.2.3 其他算法 |
| 2.3 入侵杂草优化算法 |
| 第3章 HIWO算法在参数反演问题中的应用 |
| 3.1 引言 |
| 3.2 相关研究 |
| 3.3 非线性太阳影子模型 |
| 3.4 HIWO算法的构造 |
| 3.4.1 改进策略 |
| 3.4.2 BFGS算法 |
| 3.4.3 HIWO算法步骤 |
| 3.5 仿真实验 |
| 3.5.1 实验平台 |
| 3.5.2 基准函数实验 |
| 3.5.3 太阳影子定位模型实验 |
| 3.6 本章小结 |
| 第4章 HJIWO算法在药代动力学参数优化中应用 |
| 4.1 引言 |
| 4.2 房室模型 |
| 4.2.1 房室模型 |
| 4.2.2 血管外给药二室模型及其解决方案 |
| 4.2.3 模型假设 |
| 4.2.4 模型的建立及解决方法 |
| 4.3 改进IWO算法 |
| 4.3.1 自适应调节机制 |
| 4.3.2 Hooke-Jeeves算法 |
| 4.3.3 HJIWO算法 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 实验平台 |
| 4.4.2 基准测试函数实验 |
| 4.4.3 血管内给药二室模型在药代动力学参数优化中的应用 |
| 4.5 本章小结 |
| 第5章 PIWO算法求解Muskingum模型参数优化问题 |
| 5.1 引言 |
| 5.2 马斯京根模型 |
| 5.2.1 模型描述 |
| 5.2.2 流量系数的优化及参数k ,x的反转 |
| 5.3 算法改进策略 |
| 5.3.1 全局导向最优策略 |
| 5.3.2 Powell算法 |
| 5.4 PIWO改进算法 |
| 5.4.1 PIWO算法步骤 |
| 5.5 仿真实验 |
| 5.5.1 基准函数实验 |
| 5.5.2 马斯京根模型实验 |
| 5.6 本章小结 |
| 第6章 基于自适应莱维飞行的IWO算法的VG方程参数估计 |
| 6.1 引言 |
| 6.2 VG方程 |
| 6.3 改进IWO算法的构造 |
| 6.3.1 莱维飞行 |
| 6.3.2 LIWO算法的构造 |
| 6.4 仿真实验与结果分析 |
| 6.4.1 基准函数实验 |
| 6.4.2 参数反演实验 |
| 6.5 本章小结 |
| 第7章 结束语与未来工作 |
| 参考文献 |
| 附录A 发表论文和参加科研情况说明 |
| 致谢 |
（8）高速离心压气机几何与流动参数耦合数据挖掘与优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 字母注释表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 压气机数据挖掘优化方法研究进展 |
| 1.2.1 优化方法总体发展趋势 |
| 1.2.2 数据挖掘 |
| 1.2.3 优化算法 |
| 1.2.4 代理模型与采样算法 |
| 1.2.5 目前研究存在的问题 |
| 1.3 本文主要工作 |
| 第二章 压气机数值模拟方法 |
| 2.1 控制方程 |
| 2.1.1 连续方程 |
| 2.1.2 动量方程 |
| 2.1.3 能量方程 |
| 2.1.4 基本方程组统一形式 |
| 2.1.5 气体状态方程与输运特性 |
| 2.2 湍流模型 |
| 2.2.1 雷诺平均与涡粘假设 |
| 2.2.2 Spalart-Allmaras湍流模型 |
| 2.3 网格拓扑与数值求解方法 |
| 2.3.1 网格拓扑结构 |
| 2.3.2 控制方程离散方法 |
| 2.3.3 数值模拟加速技术 |
| 2.4 数值模拟方法验证 |
| 2.4.1 增压器压气机 |
| 2.4.2 Krain叶轮 |
| 2.5 本章小结 |
| 第三章 基于理论模型的几何与流动参数耦合数据挖掘 |
| 3.1 几何与流动参数耦合普遍关系式 |
| 3.1.1 流量函数 |
| 3.1.2 叶轮无量纲进口直径 |
| 3.1.3 功系数偏移量 |
| 3.1.4 叶轮无量纲出口宽度 |
| 3.1.5 几何与流动参数耦合关系图谱 |
| 3.1.6 叶轮与扩压器匹配模型 |
| 3.1.7 耦合普遍关系式统一形式 |
| 3.2 变工况与设计工况流动参数耦合模型 |
| 3.2.1 流量系数关系 |
| 3.2.2 效率关系 |
| 3.2.3 压比关系 |
| 3.2.4 模型验证 |
| 3.3 本章小结 |
| 第四章 基于代理模型的几何与流动参数耦合数据挖掘 |
| 4.1 自适应采样代理模型 |
| 4.1.1 Kriging代理模型 |
| 4.1.2 自适应采样代理模型 |
| 4.1.3 模型验证 |
| 4.2 数据挖掘方法 |
| 4.2.1 自组织神经网络 |
| 4.2.2 方差分析 |
| 4.3 本章小结 |
| 第五章 基于流动特征数据挖掘的压气机优化 |
| 5.1 梯度变异混合优化算法 |
| 5.1.1 NSGA-Ⅱ算法 |
| 5.1.2 梯度变异混合优化算法 |
| 5.1.3 算法验证 |
| 5.1.4 算法参数敏感性分析 |
| 5.2 离心压气机优化方法 |
| 5.2.1 自适应采样混合优化算法 |
| 5.2.2 基于内流数据挖掘的优化方法 |
| 5.3 跨声速离心压气机气动优化 |
| 5.3.1 增压器压气机优化 |
| 5.3.2 Krain叶轮优化 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）群智能优化算法的研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 本文的研究背景及意义 |
| 1.2 群智能算法概述 |
| 1.3 国内外研究现状 |
| 1.3.1 粒子群优化算法的研究现状 |
| 1.3.2 人工蜂群算法的研究现状 |
| 1.4 本文的主要研究内容和结构安排 |
| 第二章 高斯混沌增强策略下的维进化粒子群算法 |
| 2.1 粒子群优化算法 |
| 2.1.1 粒子群优化算法的基本原理 |
| 2.1.2 粒子群优化算法的实现 |
| 2.2 混沌理论和混沌映射 |
| 2.3 高斯分布和高斯变异 |
| 2.4 高斯和混沌增强策略下的维进化粒子群算法 |
| 2.4.1 维进化粒子群优化算法 |
| 2.4.2 高斯混沌局部收缩策略 |
| 2.4.3 高斯和混沌增强策略下的维进化粒子群算法 |
| 2.5 数值实验和结果分析 |
| 2.6 基于GC-SDPSO的PID参数整定的问题 |
| 2.6.1 PID参数整定问题 |
| 2.6.2 GC-SDPSO优化PID参数的设计 |
| 2.6.3 实验结果和分析 |
| 2.7 本章小结 |
| 第三章 变尺度搜索策略下的混沌粒子群优化算法 |
| 3.1 变尺度策略的混沌粒子群优化算法 |
| 3.1.1 变尺度搜索策略 |
| 3.1.2 混沌扰动策略 |
| 3.1.3 时变加速系数 |
| 3.1.4 算法的实现步骤 |
| 3.2 数值实验和结果分析 |
| 3.3 基于VSCPSO算法的物流配送中心选址问题 |
| 3.3.1 物流选址问题描述 |
| 3.3.2 基于VSCPSO算法的选址问题实现 |
| 3.3.3 实验结果和分析 |
| 3.4 本章小结 |
| 第四章 混合遗传算法的全局最佳引导的人工蜂群算法 |
| 4.1 人工蜂群算法 |
| 4.1.1 人工蜂群算法的基本原理 |
| 4.1.2 人工蜂群算法的实现 |
| 4.2 混合遗传算法的人工蜂群算法 |
| 4.2.1 遗传算法 |
| 4.2.2 全局最佳引导的人工蜂群算法 |
| 4.2.3 算法的实现步骤 |
| 4.3 数值实验和结果分析 |
| 4.3.1 约束处理方法 |
| 4.3.2 实验设置和结果分析 |
| 4.4 本章小结 |
| 第五章 自适应分组策略下的量子人工蜂群算法 |
| 5.1 量子计算原理 |
| 5.1.1 量子比特 |
| 5.1.2 量子比特旋转门 |
| 5.2 量子人工蜂群算法 |
| 5.2.1 位置的编码 |
| 5.2.2 解空间的转换 |
| 5.2.3 蜂群位置的更新 |
| 5.2.4 算法的实现步骤 |
| 5.3 自适应分组的量子人工蜂群算法 |
| 5.3.1 自适应分组策略 |
| 5.3.2 蜂群变异操作 |
| 5.3.3 自适应分组的量子人工蜂群算法 |
| 5.4 数值实验和结果分析 |
| 5.5 基于AGQABC算法的二维最大熵图像分割 |
| 5.5.1 图像分割概述 |
| 5.5.2 二维最大熵图像分割 |
| 5.5.3 二维最大熵值的求解 |
| 5.5.4 基于AGQABC的图像分割算法 |
| 5.5.5 实验结果和分析 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）相位编码波形及信号处理方法设计（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 论文的研究背景及意义 |
| 1.2 研究历史、现状及发展趋势 |
| 1.3 论文内容与结构安排 |
| 第二章 相位编码信号的分析及信号处理方法 |
| 2.1 引言 |
| 2.2 相位编码信号概述 |
| 2.3 二相编码信号特性 |
| 2.3.1 二相编码信号波形 |
| 2.3.2 二相编码信号频谱 |
| 2.3.3 二相编码信号模糊函数和分辨率 |
| 2.4 常用的二相编码信号 |
| 2.4.1 巴克码 |
| 2.4.2 M序列 |
| 2.5 相位编码信号回波特性 |
| 2.6 相位编码信号的脉冲压缩 |
| 2.6.1 相位编码信号脉冲压缩原理 |
| 2.6.2 距离遮挡对相位编码信号脉冲压缩的影响 |
| 2.6.3 多普勒频移对相位编码信号脉冲压缩的影响 |
| 2.7 本章小结 |
| 第三章 基于优化搜索的相位编码波形设计 |
| 3.1 引言 |
| 3.2 基于遗传算法的相位编码波形设计 |
| 3.2.1 遗传算法 |
| 3.2.2 基于遗传算法的M序列波形设计 |
| 3.3 基于模拟退火算法的相位编码波形设计 |
| 3.3.1 模拟退火算法 |
| 3.3.2 基于模拟退火算法的M序列波形设计 |
| 3.4 基于混合遗传模拟退火算法的相位编码波形设计 |
| 3.4.1 混合遗传模拟退火算法 |
| 3.4.2 基于混合遗传模拟退火算法的M序列波形设计 |
| 3.5 基于二进制粒子群算法的相位编码波形设计 |
| 3.5.1 粒子群算法 |
| 3.5.2 基于二进制粒子群算法的M序列波形设计 |
| 3.6 基于自适应二进制粒子群遗传算法的相位编码波形设计 |
| 3.6.1 自适应遗传算法 |
| 3.6.2 二进制粒子群算法的改进 |
| 3.6.3 自适应遗传算法的改进 |
| 3.6.4 自适应二进制粒子群遗传算法 |
| 3.6.5 基于自适应二进制粒子群遗传算法的M序列波形设计 |
| 3.7 算法仿真结果及性能对比分析 |
| 3.8 本章小结 |
| 第四章 相位编码信号旁瓣抑制方法 |
| 4.1 引言 |
| 4.2 旁瓣抑制滤波器的性能指标 |
| 4.3 基于最小均方误差准则的自适应脉冲压缩算法 |
| 4.3.1 数学模型 |
| 4.3.2 基于最小均方误差准则的自适应匹配滤波器设计方法 |
| 4.4 基于凸优化的失配滤波算法 |
| 4.4.1 数学模型 |
| 4.4.2 基于凸优化的最优积分旁瓣电平失配滤波器设计方法 |
| 4.4.3 基于凸优化的最优峰值旁瓣电平失配滤波器设计方法 |
| 4.5 自适应失配滤波算法 |
| 4.5.1 数学模型 |
| 4.5.2 自适应失配滤波器设计方法 |
| 4.6 算法仿真结果及性能对比分析 |
| 4.7 本章小节 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、一种基于自适应混合遗传算法的非线性函数优化方法（论文参考文献）
- [1]地下水LNAPLs污染溯源辨析[D]. 李久辉. 吉林大学, 2021
- [2]基于混合蛙跳算法的高维数据降维技术研究[D]. 代永强. 兰州大学, 2021(09)
- [3]混合不确定性下工业机器人运动精度可靠性分析与优化设计[D]. 黄鹏. 电子科技大学, 2021(01)
- [4]基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究[D]. 李红霞. 浙江大学, 2021(08)
- [5]高能耗过程智能操作优化方法研究[D]. 周恒. 浙江大学, 2021(01)
- [6]基于优化算法的天然气管道仿真模型自适应研究[D]. 刘丹. 西安石油大学, 2020(10)
- [7]混合IWO算法在参数优化中的应用研究[D]. 邓锬. 湖南大学, 2020(08)
- [8]高速离心压气机几何与流动参数耦合数据挖掘与优化研究[D]. 李孝检. 天津大学, 2020(01)
- [9]群智能优化算法的研究及应用[D]. 智慧. 西安电子科技大学, 2020(05)
- [10]相位编码波形及信号处理方法设计[D]. 张安琪. 西安电子科技大学, 2020(05)