一、基于模拟退火算法的属性均值聚类算法（论文文献综述）
高学伟[1]（2021）在《数字孪生建模方法及其在热力系统优化运行中的应用研究》文中研究表明随着社会经济的飞速发展,我国产业结构优化调整和转型升级进程的深入,要实现未来“碳达峰,碳中和”的目标,需要建设清洁低碳、安全高效的现代能源体系。以风电和太阳能发电为代表的可再生能源替代作用日益突显,而火电机组在未来很长一段时间内仍将处于主导地位。亟需解决火电和可再生能源的协同发展问题,大型火电机组更多需要担负起高效节能、低碳环保、深度调频调峰的任务。实施电能替代供热对于推动能源消费革命、减少碳排放、促进能源清洁化意义重大。利用电锅炉储热供暖还可以降低电网调节压力,增加供热能力,有效解决可再生能源的消纳问题。火电机组热力系统和电锅炉储热供暖热力系统都属于典型的非线性、多参数、强耦合的复杂热力系统。本文通过研究流体网络机理建模和数据驱动建模相融合的数字孪生建模方法,为热力系统建模工作提供了新的思路和途径,为热力系统安全、环保和经济运行提供理论支撑。论文围绕数字孪生建模方法及其在热力系统优化运行中的应用,主要研究内容和成果包括以下几个方面:（1）对数字孪生理论、热力系统建模理论以及大数据处理等基本理论进行了研究。比较了数字孪生与仿真技术及信息物理系统的异同;以火力发电厂为例,研究了流体网络机理建模及求解方法;对Hadoop系统的MapReduce与Spark计算进行了对比分析,对实时数据处理Spark Streaming与Storm进行了对比分析,并搭建了适用于数字孪生及大数据在热力系统建模领域应用的大数据分布式集群平台;在该集群上实现了大数据的存储管理,以及大数据分布式计算,研究了基于大数据平台的数据驱动建模理论,包括支持向量回归建模、极限学习机建模、智能辨识优化算法以及即时学习等基本理论。（2）针对数据驱动建模方法的研究,提出一套基于改进即时学习策略的自适应数据驱动建模方法。采用“主成分+互信息”的方法获得输入和输出变量之间的相关程度,确定权重因子,然后利用“欧式距离+角度”定义一种加权综合相似度度量函数。在离线状态下,利用改进遗传模拟退火模糊聚类方法进行工况划分;进行工况预测时,采用一种多层次综合相似度度量的相似工况快速识别方法构建相似工况训练集,即根据两级搜索的策略实现了在线快速识别:初级识别是确定预测工况在历史工况库中所属的类别提取预测类工况,次级识别是采取基于综合相似度度量函数的相似工况识别方法,在历史数据库中针对预测类工况的快速识别;局部模型建模方法是在Spark计算框架下,对SparkSVMHPSO算法、Spark ELM算法以及基于SparkHPSO的多参数辨识等数据驱动建模方法进行研究。然后以SCR脱硝系统出口 NOx预测、电锅炉储热供热系统源侧及荷测负荷预测为案例,验证了所提出的建模方法有效性。为热力系统数字孪生模型建模及系统工况优化提供了理论支撑。（3）针对数据孪生建模的研究,提出一套改进即时学习策略的自适应数据驱动与机理模型多参数辨识协同融合的数字孪生建模方法。在建立热力系统机理模型的基础上,关键的设备模型参数利用多参数多工况拟合的离线智能辨识方法,得到可以模拟实际系统全工况下动态变化趋势的离线智能参数辨识模型;以离线智能参数孪生模型为主,根据相似度阈值进行判断,采用自适应模型参数更新策略,实现数字孪生模型的在线协同;为进一步提升孪生模型预测的精度和鲁棒性,采用移动窗格信息熵的多模型输出在线融合方法,提升关键工况以及动态变化过程的逼近程度。基于这一理论构建的数字孪生模型,能够基于系统运行数据持续进行自我修正,在线跟踪设备运行特性,从而具有自适应、自演进的智能化特点,能够全面反映系统的运行状态和性能,为系统工况迭代优化提供可靠的模型输入和结果校验工具。以燃煤电站SCR脱硝系统和电锅炉储热供热系统为研究对象,建立其热力系统数字孪生模型。（4）最后,基于数字孪生模型的实时跟踪能力,提出一种基于负荷分配和工况寻优的热力系统智能工况动态寻优策略。并以电锅炉储热供热系统为研究对象,根据能耗成本分析和负荷分配策略,利用数字孪生模型系统,对电网负荷、电锅炉系统、储热系统进行预测计算,模拟不同运行方案、不同工况下系统动态运行,得出最优的供热调节和负荷分配方案。以火力发电厂SCR脱硝系统为例,根据建立的自适应、自演进的智能化SCR脱硝系统数字孪生模型,将该模型应用于模型预测控制算法中。结果表明,利用基于数字孪生模型的自适应预测控制算法比传统的PID控制效果更精确,运行更稳定。证明了所提建模方法的有效性,具有重要的工程实用意义和行业示范价值。
王瀚泽[2]（2021）在《考虑需求响应的区域综合能源系统储能容量优化研究》文中研究说明在“双碳”目标及“构建以新能源为主体的新型电力系统”的大背景下,我国能源结构优化升级进入新的阶段。以分布式电源为核心的微电网综合能源系统能够有效提升分布式可再生能源利用效率,缓解过渡依赖化石能源引起的一系列环境问题和能源问题。为微电网综合能源系统配置储能设备能够有效地提升能源利用效率,有助于实现微电网协调优化,合理配置储能设备容量并设计科学有效的协调调度策略是保证微电网综合能源系统经济、稳定、高效运行的关键。论文以微电网综合能源系统为对象,深入分析系统组件工况季节差异,基于需求响应机制设计系统总体架构并制定运行策略,以此为基础构建储能设备容量优化模型,实现系统优化配置的同时探究了不同补贴激励策略对系统建设成本产生的影响。其中系统工况季节差异聚类分析方面,基于数据挖掘理论深入剖析微电网可再生能源出力与用能负荷特征影响机理,利用Relief-F算法计算指标权重,选取日负荷周期数、温度等6项关键指标进行聚类分析,选取DBSCAN算法实现季节典型日聚类与优化场景划分;区域用电负荷需求响应方面,针对分布式可再生能源不确定性和逆负荷性等问题,本研究对现行应用范围较广的需求响应方法进行分类介绍,分析分时电价机制下的系统架构设计方案及分布式发电-储能联合系统运行策略,构建孤网运行模式下微电网用电负荷时序分布优化模型,并利用模拟退火算法求解实现工作日以及和非工作日场景下用电负荷时序分布优化;系统储能容量配置优化方面,为实现微电网综合能源系统储能配置优化,以经济最优为目标,基于微电网综合能源系统架构,从能耗成本、维护成本及初始投资成本年值三个维度,构建分时电价机制下的系统储能配置优化模型,利用自组织映射改进遗传算法进行求解,结果证实储能设备有助于系统实现削峰填谷,增强可再生能源消纳能力,通过算法改进解决了传统遗传算法迭代后期搜索过于随机的问题,有效提升了全局搜索能力;系统建设投资补贴策略方面,梳理我国可再生能源以及储能项目补贴现状,提出考虑调峰参与度的动态投资补贴方案,并建立数学模型代入分时电价机制下的系统储能配置优化模型进行求解,对比分析不同补贴方案证实该方案年值更低,具有更好的投资激励效果。论文研究成果,优化了综合能源系统配置研究中的季节典型日聚类划分思路、模型构建思路和求解算法,为解决多供能主体、复杂用能需求背景下的综合能源系统储能配置优化问题提供解决方案与有益参考。
孙宝贵[3]（2021）在《面向案例推理的谱聚类算法》文中研究表明案例推理是一种发展较为成熟、利用过往知识解决具有高度相似特征问题,并学习解决方案的方法。在检索案例时,对于庞大的案例库,传统KNN检索算法在处理线性问题时,需要对所有案例进行匹配。因此,存在时间成本高、效率低的问题。为此,现在大多研究都是对整个案例库聚类,形成具有不同特征的类簇。谱聚类算法作为一种基于图论的聚类算法,不同于一般的聚类算法,它不仅对样本集的空间分布特征没有要求,同时聚类的结果还是全局最优,特别是样本集的空间分布特征为非凸型。但传统谱聚类算法的尺度参数是全局的,无法根据样本的空间分布特征实现个性化。此后,虽有许多改进的谱聚类算法,但大多数改进算法仍存在参数敏感、近邻值选取困难、易受离群点影响的缺陷等。针对上述研究存在的问题,本文主要做了以下工作:（1）针对谱聚类算法仍存在凭借经验选择近邻值,易受离群点影响问题,提出基于样本间夹角与模差改进的自适应谱聚类算法,该算法以样本间夹角的倒数作为尺度参数,利用样本间的模差作为辅助,充分利用数据在空间分布的特征信息,扩大不同类簇间元素权重的差异,实现高效聚类性能。最后在UCI公共数据集上的实验,证明本文基于样本间夹角与模差改进的自适应谱聚类算法性能好,鲁棒性高。（2）针对传统KNN算法在处理海量案例库时,计算量巨大且传统聚类算法对非凸型样本无法有效聚类的缺点。提出以基于样本间夹角与模差改进的自适应谱聚类算法实现聚类,并通过遗传粒子群混合算法求解目标案例在所属类簇中最相似的K个案例。最后仿真实验结果表明:针对线性问题,本文提出改进的KNN案例推理检索算法预测结果精度高,性能良好。（3）针对部分目标案例可能存在两个检索案例库的问题,提出最优原则检索策略。仿真实验表明:本文改进的KNN案例推理检索算法配合上最优原则检索策略后检索精度进一步提升,亦验证了该检索策略的有效性。
张睿[4]（2020）在《基于元启发式算法的基因表达数据谱的聚类分析》文中提出目前,在生物学信息量爆炸式增长的时代,基因表达谱数据的双聚类分析技术逐渐成为研究热点,与此同时各种双聚类算法也被提出,来用于确定基因表达数据中的共表达基因。本论文提出了一种新的双聚类算法-二进制人工鱼群算法（BAFSA）,该算法是一种改进的元启发式搜索算法,并且结合了传统人工鱼群算法（AFSA）和二进制形式。该算法由于采用了基于线性相关性的适应度函数,因此能够找到具有移位和缩放模式的基因,解决了传统聚类算法的缺陷。本论文将该算法应用于实际基因数据集中,能够提取出具有生物学意义的双聚类子集,具有较好的聚类性能。目前传统的双聚类算法存在两种缺陷:（1）有可能容易陷入局部最优;（2）只适用于某些特定的数据集。为了使本论文提出的BAFSA算法能够跳出局部最优,并且具有广泛的适用性,本文对该算法进行了创新性的改进。本论文将二进制人工鱼群算法（BAFS）与二进制模拟退火算法（BSA）相结合,提出了一种新的混合算法BAFS-BSA-BIC。当该双聚类方法应用于多个数据集时,搜索了许多具有生物学意义的双聚类子集,展现出该算法良好的聚类性能。另外,在与其他经典双聚类算法以及原始BAFSA算法对比中可以发现,该算法的鲁棒性以及搜索的双聚类质量均优于这些算法。
贺云鹏[5]（2020）在《平面移动式立体车库待命位策略优化研究》文中进行了进一步梳理随着城镇化发展、城市人口增长和人均收入的提高,城市中私家车数量不断增加。由于城中土地资源有限,且基础停车设施建设滞后,导致城市停车难问题日益突出。自动化立体车库提高了土地利用率且自动化程度较高,有助于解决城市的停车难问题。平面移动式自动化立体车库是九种自动化立体车库的一种,其库容量大、自动化程度高,但存在存取车时间较长的问题。待命位即平面移动式立体车库中RGV（Rail Guide Vehicle,轨道穿梭小车）空闲时进行待命等待的位置,其影响着立体车库运行效率,对立体车库待命位策略进行研究和优化,可降低存取车时间,提高车库运行效率。通过分析国内外学者的相关研究,以平面移动式立体车库待命位策略作为研究对象,本文的研究主要从以下几个方面进行:（1）描述了平面移动式立体车库的设备和构造,使用平均等待时间、平均逗留时间、平均运行能耗和平均服务时间作为立体车库运行效率评价指标。分析了平面移动式立体车库存车服务过程和取车服务过程,建立服务时间、服务能耗的数学表达式。在此基础上使用PyQt5图形界面库设计了一个平面移动式立体车库仿真软件,实现对任意车库结构、顾客到达和待命位策略下的车库运行评价指标的输出;（2）获取西安市某商场和北京市某医院两个实际平面移动式立体车库的历史运行数据,将数据输入至仿真软件,对两个实际立体车库在三种待命位策略存车优先策略、取车优先策略和原地待命策略下的运行进行仿真分析。分析结果表明:（1）三种现有待命位策略对不同立体车库存取到达状态的适用性不同;（2）车位分配策略与待命位策略存在一定联系。在此基础上得出两种待命位策略优化思想:（1）根据预测存取到达状态动态调整待命位;（2）待命位与车位分配策略综合优化;（3）为对上述根据预测存取到达状态动态调整待命位的优化思想提供理论依据,采用FCM（Fuzzy C-Means,模糊C均值）算法和KNN（K-Nearst Neighbour,K近邻）算法分别对立体车库存取到达状态进行聚类和预测,为提高预测准确率,对传统KNN算法进行两方面的改进:（1）使用自回归模型对到达趋势进行优化;（2）使用信息增益指标对状态向量相似度度量进行优化。聚类结果表明FCM聚类算法可合理实现立体车库存取到达状态聚类,改进KNN算法对存取到达状态预测准确率达到69.08%。证明FCM算法应用至立体车库存取到达状态聚类和改进KNN算法应用至立体车库存取到达状态预测的有效性,为待命位策略的优化提供了依据;（4）完成两种优化待命位策略的设计:（1）在实现存取到达状态聚类和预测的基础上,统计各存取到达状态的存车、取车所占比例及平均到达间隔时间与平均服务时间指标,根据统计指标动态分配RGV待命位,完成根据预测存取到达状态适时调整的动态优化待命位策略的设计;（2）通过对待命位与车位分配策略关系分析,使用改进模拟退火算法对存车过程进行优化,完成与车位分配综合优化的待命位策略的设计。获取两个实际车库的历史运行数据,使用平面移动式立体车库仿真软件将两种优化待命位策略与三种传统策略进行仿真,得到各策略下的评价指标,结果表明本文设计的两种优化待命位策略均降低了顾客平均等待时间和车辆服务时间,提高了车库运行效率,为平面移动式立体车库待命位策略的研究和优化提供参考。
刘岩峰[6]（2020）在《多重不确定性需求下装备制造企业多品种生产计划方法研究》文中进行了进一步梳理企业战略目标的实现依赖于对战略指导下的生产经营活动的计划及实施。生产系统运行管理的首要职能就是对系统生产活动的计划管理。企业生产计划又是企业的总体生产大纲,在实际应用中使用较为广泛的如企业资源计划ERP、制造执行系统MES等,都需要依据生产计划大纲才能转化为可具体执行的生产作业计划并加以实施和控制。作为制造业的核心,装备制造企业在国民经济和工业建设中的地位及其重要。伴随着工业革命持续推进,客户对产品的需求也逐渐定制化、多样化,使得生产变得复杂化、分散化,装备制造企业开始转向多品种小批量生产,装备产品生产越来越柔性。产品生产的发展特征也逐渐表现出个性化、多样化。与此同时,也使装备制造企业多品种生产计划面临着客户需求多样个性、动态多变和难以预见的新挑战。但通过对覆盖了7个大类装备制造业137个企业进行访谈和问卷调查表明:相对于最终消费品制造企业而言,装备制造企业由于其产品知识密集,产品比较专业化和复杂化,设计制造上顾客参与度低以及需求变更、修改订单等原因,生产计划制定仍然面临着诸多的不确定性需求问题。当前企业都面临着市场需求的多样化、定制化和持续多变的环境问题。为了能够快速应对外部需求不断变化,如何制定计划是企业组织生产活动和生产过程的永恒主题。因此,迄今已有众多关于生产计划方法方面的研究成果,但这些方法主要是针对确定性需求或是需求数量不确定、需求数量-期限不确定情形下的生产计划制定,生产实际中大多还是基于经验或数学方法,并通过反复实验或称“试错法”来制定生产计划。面对客户需求品种、质量、数量、期限上的多重不确定性,如何描述客户需求的多重不确定性以及多重不确定性需求之间的关系?如何将这些多重不确定性需求关系及其需求共性反映到生产计划制定之中?又如何建立多重不确定性需求下多品种生产计划模型?这是生产计划管理理论和实践上亟待破解的难题。本文围绕装备制造企业多品种生产中,面临多重不确定性需求下迫切需要解决的生产计划方法问题开展研究,研究完成的主要工作有以下四个方面:（1）对多重不确定性需求以及装备制造企业多重不确定性需求概念进行了界定。首先,对不确定基本概念与相关理论基础进行了分析,主要从单重不确定性研究扩展到多重不确定研究,从常用的随机性和模糊性,也拓展到了粗糙性。然后,分别根据研究对象的不同和对象属性不同的特点进行了分类和划分,以及对相关文献的梳理,从而界定了多重不确定性和多重不确定性需求的概念。最后,通过对现实中的装备制造企业的需求问题进行了提炼和归纳,给出了装备制造企业多重不确定性需求的概念界定。（2）分析了制造企业多重不确定性需求以及它们相互之间的关系,并提出了生产计划应对的生产策略。首先,分别对生产计划制定的不确定性的品种、数量、质量、交货期等需求要素分析。其次,按照制造企业客户需求的影响过程,逐一明确各种需求之间的关系及相互影响,从而建立制造企业客户多重不确定性需求之间的关系模型。再次,采用动态情景分析描述装备制造企业多重不确定性需求的作用关系,提出了多重不确定性需求的各情景下的生产计划应对策略。最后,采用动态随机规划方法建立了多重不确定性需求下生产计划动态规划模型;并针对装备制造企业的实际问题,采用了不同的生产计划安排策略,包括先来先服务、短作业优先、需求时间优先以及最小转换成本策略等,并采用了算例模拟对比分析。研究表明:品种、数量、交货期、质量等需求要素存在着不确定性并且是相关影响的,算例结果证明该模型有效且有实用价值。（3）根据装备制造企业的订单变动和紧急订货情景,建立了多重不确定性需求下装备制造企业多品种生产计划模型。首先,对装备制造企业订单变动和紧急订货情景下产生的品种、数量、交货期和质量的需求变化进行分析。其次,根据满足客户需求、生产计划成本最小、产品生产周期最短、利润最大化四个生产目标,建立了具有多重不确定性的装备制造企业多目标生产计划模型。再次,在该模型中,不仅考虑了各种生产约束条件,还采用数学表达方式描述模糊不确定性数量需求,模糊不确定性交货期、由于客户和企业的认知不同产生的粗糙不确定性质量,以及在一定范围内波动的模糊价格需求等。最后,模型算例模拟求解采用了带精英策略的快速非支配排序遗传算法（NSGA-II）算法,结果表明该模型的有效性和可行性;同时将运算结果对比了带罚函数的粒子群算法求解该模型的模拟运算结果,对比结果表明NSGA-II算法求解本模型更适用。（4）构建了多重不确定性需求下装备制造企业多品种相似性生产计划模型。首先,针对装备制造企业分析了客户的离散随机的品种需求、模糊的交货期需求、随机的数量需求、模糊的质量需求。其次,对装备制造企业的产品和组件的相似性分析,建立了产品或组件的相似性计算模型。再次,针对产品或组件的相似性距离和多重不确定性需求的相似性,建立了基于FCM（模糊C-均值模糊聚类）的聚类模型。然后,根据聚类模型建立了相似生产计划模型,并利用多层编码遗传算法求解。最后,对比了SAGA（基于遗传模拟退火算法的聚类算法）的聚类分析,结果表明:SAGA聚类算法比FCM算法求解该聚类模型优越性更明显;对各模型进行模拟求解验证了模型的可行性和实用性。
宫会彬[7]（2020）在《铝电解制造执行系统优化决策模块的设计和开发》文中指出随着《中国制造2025》战略的提出,智能制造成为了未来制造业发展的新方向,制造执行系统在加快铝电解厂实现智能制造的进程中扮演着重要角色。电解槽是铝电解厂的关键生产设备,在槽控系统的控制下基本实现了重要生产工序的自动化,但对于电解槽控制参数调整还处于人工根据经验调整状态。因此在铝电解制造执行系统中研发出能够对电解槽的控制参数进行优化决策的功能模块具有重要意义。本课题主要针对铝电解制造执行系统中的优化决策模块进行设计和开发,该模块主要用于解决电解槽控制参数的优化问题。首先,介绍了铝电解工艺和电解槽运行状况的影响因素,分析了目前电解槽控制参数调整的需求,在此基础上结合铝电解制造执行系统的功能结构确定了该模块的功能和预期效果;然后,根据铝电解生产的实际情况,对该模块的算法进行设计,提出了基于案例推理的电解槽控制参数优化方法,结合铝电解工艺数据的特点设计了案例推理中的案例表示、案例检索、案例重用、案例修正及案例存储的具体实现方法,同时为了解决在该方法中的初始案例和特征权值的确定问题,分别采用了基于遗传模拟退火算法的聚类算法来获取初始案例以及主成分分析法确定特征权值;最后,结合某铝电解厂的制造执行系统实际开发环境,对该模块的前端、数据库以及算法程序等进行了设计。按照上述的设计内容开发出了该功能模块,结合某铝电解厂电解车间的工艺数据完成了初始案例和特征权值的确定工作,将该功能模块在某铝电解厂的电解车间中进行实验,提高了电流效率且降低了直流电耗,达到了预期效果。
贾俊奇[8]（2020）在《大数据环境下火电机组的不良数据辨识与修复方法研究》文中指出近年来,随着电力体制改革的稳步推进,各火力发电厂正积极地推进全面深化改革,发展信息化、智能化的火电机组信息系统,为下一步智慧电厂的发展奠定基础。目前,我国火力发电产业正处于高速运转之中,源源不断的数据正在被生产出来,如何辨识和修复其中的不良数据成为人们关心的热点问题。因此,本文从以下三个方面来深入探讨如何能够快速、准确地辨识和修复火电机组不良数据。针对目前现有的火电机组不良数据辨识方法存在的普适性较差、辨识结果没有参照依据、辨识准确率较低等问题,本文提出了不良数据HC-GSA辨识方法。首先,本文使用凝聚层次聚类算法结合未知真实Index的模型评估方法对围绕中心点的划分算法进行优化,提出了用于对历史正常数据进行运算的HC-Center聚类算法。其次,本文提出使用间隙统计算法对待测数据运算的结果与正常数据运用HC-Center聚类算法所得的结果进行对比,以类均方差值为依据实现不良数据的辨识。最后,经实验证明了本文所提出的方法能够有效地辨识出火电机组的不良数据,且与同类型算法相比具有更高的辨识准确率。针对目前现有的火电机组不良数据修复方法存在的无法准确地对连续性缺失数据或者数量较多的不良数据进行修复的局限性,本文提出了基于相似状态方法和SA-PSO-RBF修复算法的不良数据修复方法。首先,为保证修复后的数据能够最大程度的接近实际值,本文提出了用于选取与不良数据出现前一刻状态相似数据组的相似状态方法,目的是用来组建后续用到的神经网络算法的训练样本集。其次,本文又提出了使用模拟退火算法改良的粒子群算法为径向基函数神经网络的宽度参数和权值参数寻优并结合围绕中心点的划分算法为径向基函数神经网络计算得出的中心参数来构建神经网络预测模型的SA-PSO-RBF修复算法,该算法主要用于预测不良数据处的值,使用接近实际值的预测值来替代辨识出的不良数据,从而达到修复不良数据的效果。最后,经过实验验证,无论是多个非连续性的不良数据还是连续性缺失数据,本文所提出的方法均能够较为准确地对其进行修复,且与同类型算法的预测准确率相比,优势也较为明显。针对本文所提出的火电机组不良数据辨识与修复方法在待测数据量过大或训练样本过多的情况下存在的单节点计算资源不足、运算效率低下、耗时时间长等问题,本文提出将不良数据HC-GSA辨识方法和SA-PSO-RBF修复算法进行并行化处理。首先,本文分别为HC-Center聚类算法和间隙统计算法制定并行化方案来实现不良数据HC-GSA辨识方法的并行化设计。其次,本文对SA-PSO-RBF修复算法中资源消耗量大、耗费时间久的部分进行了并行化设计。最后,实验验证了本文提出的不良数据HC-GSA辨识方法并行化的设计和SA-PSO-RBF修复算法的并行化设计具有良好的准确性和较高的计算效率。
张东冉[9]（2020）在《融合多源数据的城市快速路交通状态识别及预测研究》文中进行了进一步梳理城市快速路是城市交通的重要组成部分,影响着城市交通系统的运行效率。随着多源交通数据采集技术的完善,融合多源数据的城市快速路交通状态划分识别和预测是进行交通管理控制的基础,不仅有助于交通管理部门精准掌握城市交通运行情况,而且有助于出行者合理选择出行路线,提高城市交通运行效率。然而,国内外学者在研究中还存在不足之处,主要为:一是通常采用模糊均值聚类算法对交通状态进行划分,而模糊均值聚类效果受初始值选取影响较大;二是对多源交通数据融合的研究主要是在数据层和决策层,对特征层融合的研究较少;三是采用深度学习算法对交通状态识别和预测时,因为算法参数较多,难以寻找到最优的参数组合。基于此,本文通过提取多源交通数据的特征获得交通流量和行程速度,引入模拟退火粒子群算法对模糊均值聚类初始值选取进行优化,采用贝叶斯算法对Xgboost交通识别算法超参数进行优化,利用遗传算法对Bi LSTM交通数据预测算法超参数进行优化,将预测的交通流量和行程速度输入到交通状态识别模型中获得预测交通状态。本文的主要研究内容如下:（1）对交通卡口数据提取交通特征获得交通流量,对浮动车轨迹数据提取交通特征获得行程速度。进行异常数据识别与修复,利用时空相关性理论筛选出相关路段,作为数据融合研究的基础。（2）采用模拟退火粒子群优化模糊均值聚类（SAPSO-FCM）初始聚类中心,建立交通状态划分模型,实现交通状态科学划分。（3）采用贝叶斯优化Xgboost算法的超参数,形成BO-Xgboost交通状态识别模型,实现Xgboost超参数快速寻优,建立交通状态识别模型。（4）采用遗传算法对Bi LSTM超参数组合进行优化,应用于交通流量和行程时间的预测,实现交通数据高精度预测,将预测值输入到BOXgboost模型中获得预测交通状态。实例表明:SAPSO-FCM算法目标函数终值始终相同,且低于FCM算法目标函数终值,具有更好的收敛性和稳定性。相比对照模型,BO-Xgboost模型平均准确率为99.65%,平均准确率最高。GA-Bi LSTM模型在交通流量和行程时间预测中均表现出更高的预测精度,交通状态预测准确率达到90.97%。本文针对多源数据下城市快速路交通状态划分、识别和预测展开了研究,形成一套融合交通流量和行程速度的技术方案,丰富了交通状态领域的研究成果。
王韶楠[10]（2020）在《基于模块化神经网络的特征组合推荐模型的研究与应用》文中进行了进一步梳理随着大数据时代的来临,提升对大规模数据的认知能力是技术发展的迫切需要。针对认知计算领域内的单一人工神经网络存在结构大、解释性不强、时间复杂度高等问题,本文将大脑“功能分离”的模块化特点引入到单一神经网络中构建模块化神经网络,提高人工神经网络处理复杂信息的能力。围绕模块划分方法、子网结构选择、特征组合输出三个方面设计基于模块化神经网络的特征组合推荐模型并应用于银行信贷评分系统中。（1）提出K均值优化的密度聚类K-DB算法作为模块化神经网络的模块划分方法。针对K均值聚类算法识别非凸数据集能力不强和DBSCAN聚类算法寻找密度半径和阈值效率低的问题,K-DB算法融合两种策略得到更优的模块划分效果,以提高模块分区的准确度。（2）根据大数据时代面向海量数据进行特征提取的需要,研究SOM神经网络竞争学习的机制,针对神经网络神经元权值调整易陷入局部最优解的情况,使用模拟退火算法优化构建SA-SOM神经网络作为模型的子网,以提高单一SOM神经网络的性能,通过实验验证竞争学习在提取特征排序方面的有效性。（3）设计面向K-DB算法进行模块划分,SA-SOM网络作为子网进行特征提取,加入基于隶属度的模糊推理方法进行特征组合输出的模块化神经网络MNN模型。模型采用K-DB算法对输入样本空间的横向聚类得到聚类簇中的核心点,通过SA-SOM子络对核心点的纵向特征提取,得到核心点属性的重要性排序。（4）设计基于MNN模型的银行信贷评估系统,实现对银行信贷客户的快速信用评分,提升银行对客户信贷能力评估的准确性并提高银行信贷业务人员的工作效率。系统根据MNN模型的提取结果结合银行公开的用户行为信息评分标准来对银行信贷用户进行综合量化评分。通过计算模型的PSI指数、KS值和AR值验证模型具有较高的稳定性和区分好坏账户的能力。通过与传统信用评分方法准确度的对比证明,实验结果表明基于MNN模型的信用评分方法具有较好的性能。
二、基于模拟退火算法的属性均值聚类算法（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、基于模拟退火算法的属性均值聚类算法（论文提纲范文）
（1）数字孪生建模方法及其在热力系统优化运行中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号及缩写表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 能源电力发展背景与现状 |
| 1.1.2 智能控制优化研究现状 |
| 1.2 热力系统建模仿真及大数据技术研究现状 |
| 1.2.1 热力系统建模研究现状 |
| 1.2.2 电力大数据及其发展现状 |
| 1.2.3 热力系统仿真技术发展背景 |
| 1.3 数字孪生技术的应用现状及关键技术 |
| 1.3.1 数字孪生的应用发展现状 |
| 1.3.2 数字孪生研究的关键技术 |
| 1.3.3 数字孪生发展面临的挑战 |
| 1.4 论文的研究内容 |
| 第2章 大数据背景下的数字孪生与热力系统建模理论 |
| 2.1 数字孪生的基本理论 |
| 2.1.1 数字孪生的定义与内涵 |
| 2.1.2 数字孪生与仿真技术之间的关系 |
| 2.1.3 数字孪生与信息物理系统之间的关系 |
| 2.2 热力系统建模理论与方法 |
| 2.2.1 流体网络机理建模理论与方法 |
| 2.2.2 数据驱动建模理论与方法 |
| 2.3 大数据的基本理论 |
| 2.3.1 大数据平台框架及相关技术 |
| 2.3.2 大数据存储管理与预处理方法 |
| 2.3.3 大数据分布式集群平台构建 |
| 2.4 本章小结 |
| 第3章 基于改进即时学习策略的自适应数据驱动建模方法研究 |
| 3.1 基于改进即时学习策略的自适应数据驱动建模方法 |
| 3.1.1 建模思路 |
| 3.1.2 基于改进遗传模拟退火算法的模糊聚类工况划分 |
| 3.1.3 基于多层次综合相似度度量的相似工况识别 |
| 3.1.4 基于Spark平台的数据驱动局部模型建模 |
| 3.2 SCR脱硝系统数据驱动建模应用案例 |
| 3.2.1 建模对象及背景介绍 |
| 3.2.2 数据预处理和相似工况选取 |
| 3.2.3 局部建模过程及结果分析 |
| 3.3 电锅炉供热系统荷侧和源侧负荷预测建模应用案例 |
| 3.3.1 建模对象及背景介绍 |
| 3.3.2 荷侧供热负荷预测模型 |
| 3.3.3 源侧电负荷预测 |
| 3.4 本章小结 |
| 第4章 热力系统数字孪生建模理论及应用 |
| 4.1 热力系统数字孪生建模思路 |
| 4.1.1 数字孪生建模方法的提出 |
| 4.1.2 数字孪生模型的构建方法及流程 |
| 4.2 数字孪生机理模型的构建 |
| 4.2.1 管路模型 |
| 4.2.2 调节阀模型 |
| 4.2.3 离心水泵模型 |
| 4.2.4 换热器模型 |
| 4.3 数字孪生模型的协同与融合理论 |
| 4.3.1 数字孪生模型离线智能参数辨识 |
| 4.3.2 数字孪生模型参数在线自适应协同 |
| 4.3.3 基于移动窗格信息熵的多模型输出在线融合 |
| 4.4 数字孪生建模实例分析 |
| 4.4.1 脱硝系统数字孪生模型的建立 |
| 4.4.2 供热系统数字孪生模型的建立 |
| 4.5 本章小结 |
| 第5章 基于热力系统数字孪生模型的节能控制优化 |
| 5.1 基于数字孪生模型的智能工况动态寻优 |
| 5.1.1 热力系统智能工况动态寻优策略 |
| 5.1.2 基于数字孪生模型的供热储热系统智能工况动态寻优 |
| 5.2 基于数字孪生模型的自适应预测控制优化 |
| 5.2.1 基于数字孪生模型的预测控制算法 |
| 5.2.2 基于数字孪生模型预测控制的喷氨量优化 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要研究工作及成果 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 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 |
（2）考虑需求响应的区域综合能源系统储能容量优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 储能设备配置优化方面 |
| 1.2.2 微电网及区域综合能源系统发展方面 |
| 1.2.3 需求响应及补贴政策研究方面 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究技术路线 |
| 第2章 相关基础理论分析 |
| 2.1 需求响应基础理论 |
| 2.2 数据挖掘与特征提取理论 |
| 2.2.1 数据挖掘理论 |
| 2.2.2 特征选择与提取理论 |
| 2.3 优化场景聚类分析理论及方法 |
| 2.3.1 基于划分的聚类算法 |
| 2.3.2 基于网格的聚类算法 |
| 2.3.3 基于层次的聚类算法 |
| 2.3.4 基于密度的聚类算法 |
| 2.4 负荷时序分布优化及系统储能容量优化求解算法 |
| 2.4.1 模拟退火算法 |
| 2.4.2 遗传算法及其改进理论 |
| 2.5 本章小结 |
| 第3章 储能容量优化场景特征选取与聚类划分 |
| 3.1 基于特征数据挖掘的优化场景聚类与划分思路 |
| 3.2 系统可再生能源出力与用能负荷特征挖掘 |
| 3.3 基于Relief-F算法的主特征提取 |
| 3.3.1 特征指标样本数据预处理 |
| 3.3.2 基于Relief-F算法关键特征选取流程 |
| 3.3.3 关键特征指标提取与确定 |
| 3.4 基于DBSCAN算法的优化场景聚类划分 |
| 3.4.1 基于DBSCAN算法聚类实现过程 |
| 3.4.2 优化场景典型日聚类分析 |
| 3.5 本章小结 |
| 第4章 综合能源系统架构设计及负荷时序分布优化 |
| 4.1 基于需求响应的系统架构设计及负荷时序分布优化思路 |
| 4.2 微电网综合能源系统架构设计 |
| 4.2.1 系统架构设计影响因素 |
| 4.2.2 分时电价机制下系统架构设计及联合运行策略分析 |
| 4.2.3 系统核心组件模型构建 |
| 4.3 区域用电负荷时序分布优化模型构建 |
| 4.3.1 基于价格响应的弹性负荷模型 |
| 4.3.2 用户用电满意度模型 |
| 4.3.3 孤岛运行下的用电负荷时序分布优化模型 |
| 4.4 基于模拟退火算法的用电负荷时序分布优化 |
| 4.5 本章小结 |
| 第5章 计及补贴激励的综合能源系统储能容量配置优化 |
| 5.1 考虑调峰参与度补贴的系统储能容量配置优化思路 |
| 5.2 分时电价机制下的系统储能容量优化基础模型 |
| 5.2.1 目标函数 |
| 5.2.2 约束条件 |
| 5.3 计及调峰参与度的动态补贴方案分析 |
| 5.3.1 微电网综合能源系统政策补贴现状 |
| 5.3.2 计及设备调峰参与度的动态投资补贴建模分析 |
| 5.4 基于自组织映射改进遗传算法的算例求解与分析 |
| 5.4.1 SOM-GA算法求解步骤 |
| 5.4.2 研究场景及模型参数设定 |
| 5.4.3 算例分析 |
| 5.5 本章小结 |
| 第6章 研究成果与结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）面向案例推理的谱聚类算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景以及意义 |
| 1.2 研究现状 |
| 1.2.1 案例推理研究现状 |
| 1.2.2 谱聚类研究现状 |
| 1.3 本文研究内容以及结构安排 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文结构安排 |
| 第二章 谱聚类与案例推理的相关理论 |
| 2.1 谱聚类概述 |
| 2.2 谱聚类的基础 |
| 2.3 案例推理概述 |
| 2.4 案例推理的环节以及索引方法 |
| 2.5 面向案例推理的聚类算法 |
| 2.6 本章小结 |
| 第三章 一种基于样本间夹角与模差改进的自适应谱聚类算法 |
| 3.1 谱聚类算法存在的问题 |
| 3.2 基于样本间夹角与模差改进的自适应谱聚类算法 |
| 3.2.1 算法改进思想 |
| 3.2.2 算法流程 |
| 3.3 算法时间复杂度分析 |
| 3.4 实验以及分析 |
| 3.4.1 算法性能实验 |
| 3.4.2 算法鲁棒性实验 |
| 3.5 本章小结 |
| 第四章 基于改进谱聚类算法的案例推理方法 |
| 4.1 引言 |
| 4.2 改进的遗传粒子群算法确定类簇的近邻K值 |
| 4.3 最优原则检索策略 |
| 4.4 实验方案 |
| 4.5 参数设置 |
| 4.6 确定最佳类簇数目的指标 |
| 4.6.1 邓恩指数 |
| 4.6.2 戴维森堡丁指数 |
| 4.7 实验结果及分析 |
| 4.7.1 未采用最优原则检索策略 |
| 4.7.2 采用最优原则检索策略 |
| 4.8 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要工作与创新点 |
| 5.2 后续工作研究 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士学位期间的学术成果 |
（4）基于元启发式算法的基因表达数据谱的聚类分析（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 |
| 1.2.1 双聚类算法 |
| 1.2.2 元启发式算法 |
| 1.3 本文的研究内容和结构安排 |
| 第二章 聚类和双聚类技术简介 |
| 2.1 聚类 |
| 2.2 传统聚类技术 |
| 2.2.1 分层方法 |
| 2.2.2 分区方法 |
| 2.2.3 基于模型的方法 |
| 2.2.4 软聚类 |
| 2.2.5 基于网络的方法 |
| 2.2.6 基于密度的方法 |
| 2.3 双聚类 |
| 2.3.1 双聚类的定义 |
| 2.3.2 经典双聚类算法 |
| 2.3.3 双聚类评价函数 |
| 2.4 元启发式算法 |
| 2.4.1 模拟退火算法 |
| 2.4.2 人工鱼群算法 |
| 2.5 本章小结 |
| 第三章 二进制人工鱼群算法的基因表达谱数据的双聚类 |
| 3.1 BAFSA算法初始化 |
| 3.1.1 生成初始co-clusters阶段 |
| 3.1.2 人工鱼(AF)——co-clusters的编码 |
| 3.1.3 人工鱼AF和双聚类矩阵的转换方法 |
| 3.2 BAFSA的评价函数 |
| 3.2.1 BAFSA中的适应度函数 |
| 3.2.2 BAFSA中的可视范围和拥挤度因子 |
| 3.2.3 BAFSA中的评价函数 |
| 3.3 BAFSA中的鱼群行为 |
| 3.3.1 BAFSA中的追尾行为 |
| 3.3.2 BAFSA中的聚集行为 |
| 3.3.3 BAFSA中的觅食行为和随机行为 |
| 3.3.4 BAFSA中的跳跃行为 |
| 3.3.5 BAFSA算法 |
| 3.4 本章小结 |
| 第四章 混合二进制人工鱼群模拟退火算法 |
| 4.1 基于混合BAFS-BSA的双聚类算法 |
| 4.1.1 初始化 |
| 4.1.2 BAFS-BSA-BIC中的适应度函数 |
| 4.2 BAFS-BSA-BIC的描述 |
| 4.2.1 二进制人工鱼群(BAFS)算法 |
| 4.2.2 BSA和BAFS-BSA-BIC算法 |
| 4.3 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 实验结果评价标准 |
| 5.2 基于BAFSA算法的实验结果分析 |
| 5.2.1 实验数据集 |
| 5.2.2 结果分析 |
| 5.3 基于BAFS-BSA-BIC的实验结果分析 |
| 5.3.1 数据集 |
| 5.3.2 结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 算法伪代码 |
| 附录2 攻读硕士学位期间撰写的论文 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（5）平面移动式立体车库待命位策略优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究背景和意义 |
| 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 |
| 1.2.3 国内外研究的不足 |
| 1.3 本文主要研究内容 |
| 2 平面移动式立体车库运行模型 |
| 2.1 平面移动式立体车库简介 |
| 2.2 平面移动式立体车库存取车过程 |
| 2.2.1 平面移动式立体车库存车过程 |
| 2.2.2 平面移动式立体车库取车过程 |
| 2.3 平面移动式立体车库评价指标 |
| 2.4 平面移动式立体车库存取车服务时间/能耗计算 |
| 2.4.1 平面移动式立体车库存车服务时间/能耗计算 |
| 2.4.2 平面移动式立体车库取车服务时间/能耗计算 |
| 2.5 平面移动式立体车库仿真软件 |
| 2.5.1 仿真软件开发工具介绍 |
| 2.5.2 基于PyQt5的平面移动式立体车库仿真软件设计 |
| 2.5.3 平面移动式立体车库车位仿真软件界面 |
| 2.6 小结 |
| 3 平面移动式立体车库现有待命位策略分析 |
| 3.1 待命位策略研究综述 |
| 3.2 平面移动式立体车库现有待命位策略仿真分析 |
| 3.2.1 存车优先策略分析 |
| 3.2.2 取车优先策略分析 |
| 3.2.3 原地待命策略分析 |
| 3.3 平面移动式立体车库待命位策略与车位分配综合分析 |
| 3.3.1 车位分配简介 |
| 3.3.2 待命位策略与车位分配的关系 |
| 3.4 平面移动式立体车库待命位策略优化的两种思想 |
| 3.4.1 根据顾客存取到达状态动态调整待命位的思想 |
| 3.4.2 待命位策略与车位分配策略综合优化的思想 |
| 3.5 小结 |
| 4 平面移动式立体车库存取到达状态预测 |
| 4.1 平面移动式立体车库存取到达状态划分 |
| 4.1.1 平面移动式立体车库存取到达数据分析 |
| 4.1.2 平面移动式立体车库存取到达状态划分结果 |
| 4.2 平面移动式立体车库存取到达状态聚类 |
| 4.2.1 FCM算法设计 |
| 4.2.2 聚类算法评价指标 |
| 4.2.3 平面移动式立体车库存取到达状态聚类结果 |
| 4.3 平面移动式立体车库存取车到达率预测 |
| 4.3.1 KNN算法设计 |
| 4.3.2 KNN算法改进 |
| 4.3.3 平面移动式立体车库存取车到达率预测结果 |
| 4.4 平面移动式立体车库存取到达状态分类准则设计及预测结果 |
| 4.5 小结 |
| 5 平面移动式立体车库待命位策略优化 |
| 5.1 基于预测存取到达状态的动态调整的待命位策略设计 |
| 5.2 待命位策略与车位分配策略综合优化 |
| 5.2.1 模拟退火算法及改进 |
| 5.2.2 与待命位综合优化的车位分配策略设计 |
| 5.3 仿真结果 |
| 5.4 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（6）多重不确定性需求下装备制造企业多品种生产计划方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 装备制造企业生产面临着持续多变的环境 |
| 1.1.2 装备制造企业多品种生产面临着多重不确定性需求 |
| 1.1.3 装备制造企业亟待解决多重不确定性需求下多品种生产计划问题 |
| 1.1.4 研究的前沿发展动态 |
| 1.2 问题的提出 |
| 1.3 研究的目标与意义 |
| 1.3.1 研究的目标 |
| 1.3.2 研究的意义 |
| 1.4 研究内容和研究方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究思路 |
| 1.4.3 研究方法 |
| 1.5 研究的创新性工作说明 |
| 第2章 相关研究文献综述 |
| 2.1 文献检索情况概述 |
| 2.1.1 文献检索范围 |
| 2.1.2 相关文献情况分析 |
| 2.1.3 学术趋势 |
| 2.2 关于不确定性需求研究 |
| 2.2.1 随机不确定性需求 |
| 2.2.2 模糊不确定性需求 |
| 2.2.3 粗糙不确定性需求 |
| 2.3 关于多重不确定性的研究 |
| 2.4 关于多品种生产计划的研究 |
| 2.5 关于装备制造企业生产计划的研究 |
| 2.6 已有研究的贡献与不足 |
| 2.6.1 已有研究贡献 |
| 2.6.2 已有研究不足 |
| 2.6.3 已有研究启示 |
| 2.7 本章小结 |
| 第3章 概念界定与相关理论基础 |
| 3.1 概念界定 |
| 3.1.1 多品种生产 |
| 3.1.2 生产计划 |
| 3.1.3 不确定性 |
| 3.1.4 多重不确定性需求 |
| 3.2 动态规划理论 |
| 3.3 多目标规划 |
| 3.4 本章小结 |
| 第4章 多重不确定性需求下生产应对策略和动态生产计划方法 |
| 4.1 多重不确定性需求之间影响关系 |
| 4.1.1 品种需求不确定的影响关系 |
| 4.1.2 数量需求不确定的影响关系 |
| 4.1.3 质量需求不确定的影响关系 |
| 4.1.4 交货期需求不确定的影响关系 |
| 4.2 多重不确定性需求下生产应对策略 |
| 4.3 多重不确定性需求下动态生产计划模型 |
| 4.4 模型求解 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第5章 多重不确定性需求下装备制造企业多品种多目标生产计划方法 |
| 5.1 问题描述及假设 |
| 5.1.1 问题描述 |
| 5.1.2 问题假设 |
| 5.1.3 变量和参数说明 |
| 5.2 多品种多目标生产计划模型 |
| 5.2.1 目标函数 |
| 5.2.2 目标函数的约束条件 |
| 5.2.3 不确定性数量需求描述 |
| 5.2.4 不确定性交货期需求描述 |
| 5.2.5 不确定性质量需求描述 |
| 5.2.6 不确定性价格需求描述 |
| 5.3 模型求解 |
| 5.3.1 NSGA-II算法求解 |
| 5.3.2 带罚函数粒子群算法求解 |
| 5.4 算例分析 |
| 5.4.1 初始数据 |
| 5.4.2 运行结果 |
| 5.5 本章小结 |
| 第6章 多重不确定性需求下装备制造企业多品种相似生产计划方法 |
| 6.1 问题描述与假设 |
| 6.1.1 不确定性品种需求描述 |
| 6.1.2 不确定性交货期需求描述 |
| 6.1.3 不确定性数量需求描述 |
| 6.1.4 不确定性质量需求描述 |
| 6.2 多品种相似性与聚类分析 |
| 6.2.1 多品种相似性分析 |
| 6.2.2 不确定性需求聚类分析 |
| 6.3 多品种相似生产计划模型 |
| 6.4 模型求解 |
| 6.5 算例分析 |
| 6.5.1 初始数据 |
| 6.5.2 运行结果 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 本文的主要结论 |
| 7.2 本文的主要贡献 |
| 7.3 后续研究工作展望 |
| 参考文献 |
| 附录 A 企业生产计划与调度控制的不确定性及风险调查问卷 |
| 在学研究成果 |
| 致谢 |
（7）铝电解制造执行系统优化决策模块的设计和开发（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 铝电解制造执行系统现状 |
| 1.2.1 国内铝电解制造执行系统现状 |
| 1.2.2 国外铝电解制造执行系统现状 |
| 1.3 本文研究内容与组织结构 |
| 2 铝电解工艺介绍及需求分析 |
| 2.1 铝电解生产及控制简介 |
| 2.1.1 铝电解厂生产流程 |
| 2.1.2 铝电解设备及工艺原理 |
| 2.1.3 铝电解控制系统 |
| 2.2 电解槽运行状况影响因素 |
| 2.2.1 影响因素分析 |
| 2.2.2 主要工艺数据 |
| 2.2.3 电解槽综合生产指标 |
| 2.3 需求分析 |
| 2.3.1 电解槽控制参数调整的需求分析 |
| 2.3.2 铝电解制造执行系统的功能结构 |
| 2.4 本章小结 |
| 3 电解槽控制参数优化决策模块的算法设计 |
| 3.1 基于案例推理的电解槽控制参数优化方法 |
| 3.1.1 案例推理的基本原理 |
| 3.1.2 电解槽控制参数优化方法的结构 |
| 3.1.3 案例表示 |
| 3.1.4 案例检索 |
| 3.1.5 案例重用 |
| 3.1.6 案例修正 |
| 3.1.7 案例存储 |
| 3.2 基于聚类分析的初始案例获取方法 |
| 3.2.1 遗传算法和模拟退火算法 |
| 3.2.2 模糊C-均值聚类算法 |
| 3.2.3 基于遗传模拟退火算法的模糊C-均值聚类算法 |
| 3.2.4 获取初始案例的过程 |
| 3.3 基于主成分分析法的特征权值确定方法 |
| 3.3.1 主成分分析法基本原理 |
| 3.3.2 确定权值的过程 |
| 3.4 本章小结 |
| 4 电解槽控制参数优化决策模块的软件设计和开发 |
| 4.1 铝电解制造执行系统开发环境介绍 |
| 4.2 功能模块的软件设计 |
| 4.2.1 前端界面设计 |
| 4.2.2 数据库内容设计 |
| 4.2.3 算法程序设计 |
| 4.3 本章小结 |
| 5 电解槽控制参数优化决策模块的实验 |
| 5.1 实验背景 |
| 5.2 获取初始案例 |
| 5.2.1 数据选取与预处理 |
| 5.2.2 聚类算法参数的设置 |
| 5.2.3 结果分析与初始案例获取 |
| 5.3 确定特征权值 |
| 5.3.1 数据选取与修正 |
| 5.3.2 计算特征权值 |
| 5.4 实验内容 |
| 5.5 实验效果 |
| 5.6 本章小结 |
| 6 结论 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
（8）大数据环境下火电机组的不良数据辨识与修复方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 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 |
| 1.2.3 国内外研究现状总结 |
| 1.3 本文主要研究内容及章节安排 |
| 第2章 相关理论及技术介绍 |
| 2.1 火电机组不良数据辨识的相关理论 |
| 2.1.1 凝聚层次聚类 |
| 2.1.2 围绕中心点的划分算法 |
| 2.2 火电机组不良数据修复的相关理论 |
| 2.2.1 模拟退火算法 |
| 2.2.2 粒子群算法 |
| 2.3 大数据处理技术 |
| 2.4 本章小结 |
| 第3章 基于间隙统计算法的火电机组不良数据HC-GSA辨识方法 |
| 3.1 引言 |
| 3.2 HC-Center聚类算法 |
| 3.3 间隙统计算法 |
| 3.4 不良数据HC-GSA辨识方法 |
| 3.5 实例分析 |
| 3.5.1 HC-Center聚类算法的准确性分析 |
| 3.5.2 火电机组不良数据辨识仿真实验 |
| 3.6 本章小结 |
| 第4章 基于相似状态方法和SA-PSO-RBF修复算法的火电机组不良数据修复方法 |
| 4.1 引言 |
| 4.2 相似状态方法 |
| 4.3 径向基函数神经网络 |
| 4.4 SA-PSO-RBF修复算法的基本原理 |
| 4.5 实例分析 |
| 4.5.1 多个非连续性不良数据的修复 |
| 4.5.2 连续性缺失数据的修复 |
| 4.6 本章小结 |
| 第5章 基于Hadoop平台的火电机组不良数据辨识与修复方法并行化设计 |
| 5.1 引言 |
| 5.2 不良数据HC-GSA辨识方法的并行化设计 |
| 5.2.1 HC-Center聚类算法的并行化设计 |
| 5.2.2 间隙统计算法的并行化设计 |
| 5.3 不良数据SA-PSO-RBF修复算法的并行化设计 |
| 5.4 大数据实验环境 |
| 5.4.1 软硬件环境 |
| 5.4.2 Hadoop平台搭建 |
| 5.5 实例分析 |
| 5.5.1 不良数据HC-GSA辨识方法并行化设计的性能分析 |
| 5.5.2 不良数据SA-PSO-RBF修复算法并行化设计的性能分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（9）融合多源数据的城市快速路交通状态识别及预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 .绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通状态识别研究 |
| 1.2.2 多源数据融合研究 |
| 1.2.3 交通时序数据预测研究 |
| 1.2.4 研究现状评述 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 .交通参数估计方法概述 |
| 2.1 交通参数及交通状态研究 |
| 2.1.1 交通流参数 |
| 2.1.2 交通状态划分方法 |
| 2.2 交通数据采集与预处理方法 |
| 2.2.1 交通数据采集技术 |
| 2.2.2 卡口数据及预处理方法 |
| 2.2.3 浮动车轨迹数据预处理方法 |
| 2.2.4 浮动车行程车速计算 |
| 2.2.5 交通异常数据识别与修复 |
| 2.3 多源数据融合 |
| 2.3.1 数据融合的定义与层次 |
| 2.3.2 数据融合方式 |
| 2.3.3 交通数据时空特性分析 |
| 2.3.4 交通多源数据融合 |
| 2.4 实例数据分析 |
| 2.4.1 交通数据集描述 |
| 2.4.2 卡口数据预处理 |
| 2.4.3 浮动车数据预处理 |
| 2.4.4 交通数据修复 |
| 2.4.5 交通数据时空特性分析 |
| 2.5 本章小结 |
| 第三章 .基于SAPSO-FCM模型的交通状态划分 |
| 3.1 模糊均值聚类及改进算法介绍 |
| 3.1.1 FCM算法理论 |
| 3.1.2 FCM算法模型参数的确定 |
| 3.1.3 FCM算法存在的问题 |
| 3.1.4 改进算法介绍 |
| 3.2 改进模拟退火粒子群算法理论模型 |
| 3.2.1 SAPSO算法理论介绍 |
| 3.2.2 SAPSO算法的数学表达 |
| 3.2.3 SAPSO算法基本流程 |
| 3.3 基于SAPSO-FCM的交通状态划分模型 |
| 3.3.1 多源数据特征的提取 |
| 3.3.2 数据归一化处理 |
| 3.3.3 确定目标函数 |
| 3.3.4 算法基本流程 |
| 3.4 实例验证 |
| 3.5 本章小结 |
| 第四章 .基于BO-Xgboost模型的交通状态识别 |
| 4.1 Xgboost及贝叶斯优化方法介绍 |
| 4.1.1 Xgboost算法原理 |
| 4.1.2 Xgbosoot算法存在的问题 |
| 4.1.3 贝叶斯优化方法 |
| 4.2 改进BO-Xgboost理论模型 |
| 4.2.1 BO-Xgboost理论 |
| 4.2.2 BO-Xgboost模型基本流程 |
| 4.3 基于BO-Xgboost模型交通状态识别 |
| 4.4 实例验证 |
| 4.5 本章小结 |
| 第五章 .基于GA-BiLSTM模型的交通状态预测 |
| 5.1 BiLSTM及改进算法介绍 |
| 5.1.1 BiLSTM算法介绍 |
| 5.1.2 BiLSTM算法应用与局限性 |
| 5.1.3 遗传算法介绍 |
| 5.2 改进GA-BiLSTM理论模型 |
| 5.2.1 GA-BiLSTM模型 |
| 5.2.2 GA-BiLSTM基本流程 |
| 5.3 基于GA-BiLSTM-BO-Xgboost的交通状态预测模型 |
| 5.4 实例验证 |
| 5.5 本章小结 |
| 总结和展望 |
| 论文主要研究成果 |
| 论文研究特色及创新之处 |
| 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）基于模块化神经网络的特征组合推荐模型的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 模块化神经网络研究现状 |
| 1.3 论文主要工作及内容安排 |
| 2 相关研究 |
| 2.1 模块化神经网络 |
| 2.1.1 模块化神经网络简介 |
| 2.1.2 模块化神经网络生物学原理 |
| 2.1.3 模块化神经网络建模策略 |
| 2.2 聚类分析算法划分模块 |
| 2.2.1 聚类分析算法简介 |
| 2.2.2 聚类分析算法研究 |
| 2.3 竞争神经网络特征提取 |
| 2.3.1 竞争神经网络简介 |
| 2.3.2 Kohonen学习规则 |
| 2.3.3 阈值学习规则 |
| 2.4 本章小结 |
| 3 K均值优化的密度聚类算法模块划分 |
| 3.1 K均值优化的密度聚类算法设计 |
| 3.1.1 K均值聚类 |
| 3.1.2 密度聚类方法 |
| 3.1.3 K均值优化的密度聚类 |
| 3.2 仿真实验与结果分析 |
| 3.2.1 聚类质量评估方法 |
| 3.2.2 实验结果可视化 |
| 3.2.3 实验结果准确率 |
| 3.3 本章小结 |
| 4 模拟退火算法优化的自组织特征映射子网结构 |
| 4.1 自组织特征映射网络 |
| 4.1.1 SOM神经网络 |
| 4.1.2 SOM神经网络优势 |
| 4.1.3 SOM神经网络应用 |
| 4.2 模拟退火算法优化的自组织特征映射子网设计 |
| 4.2.1 模拟退火算法 |
| 4.2.2 SA-SOM神经网络 |
| 4.3 仿真实验与结果分析 |
| 4.3.1 子网性能评价指标 |
| 4.3.2 对比实验结果分析 |
| 4.4 本章小结 |
| 5 模块化神经网络特征组合推荐模型 |
| 5.1 模块化神经网络特征组合推荐模型设计 |
| 5.1.1 样本空间横向模块划分 |
| 5.1.2 子网单元纵向特征提取 |
| 5.1.3 测试样本特征模糊推理 |
| 5.2 模块化神经网络特征组合推荐模型应用 |
| 5.2.1 基于MNN模型的银行信贷评分系统 |
| 5.2.2 系统参数含义及性能评价指标 |
| 5.3 仿真实验与结果分析 |
| 5.3.1 数据清洗及实验配置 |
| 5.3.2 IV值计算 |
| 5.3.3 训练样本学习结果 |
| 5.3.4 测试样本区分能力 |
| 5.4 传统信用评分方法对比实验 |
| 5.4.1 对比实验设计 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 在读期间发表的论文及参与的项目 |
| 科研成果 |
| 参与项目 |
四、基于模拟退火算法的属性均值聚类算法（论文参考文献）
- [1]数字孪生建模方法及其在热力系统优化运行中的应用研究[D]. 高学伟. 华北电力大学(北京), 2021(01)
- [2]考虑需求响应的区域综合能源系统储能容量优化研究[D]. 王瀚泽. 华北电力大学(北京), 2021(01)
- [3]面向案例推理的谱聚类算法[D]. 孙宝贵. 昆明理工大学, 2021(01)
- [4]基于元启发式算法的基因表达数据谱的聚类分析[D]. 张睿. 南京邮电大学, 2020(02)
- [5]平面移动式立体车库待命位策略优化研究[D]. 贺云鹏. 兰州交通大学, 2020(01)
- [6]多重不确定性需求下装备制造企业多品种生产计划方法研究[D]. 刘岩峰. 沈阳工业大学, 2020(01)
- [7]铝电解制造执行系统优化决策模块的设计和开发[D]. 宫会彬. 辽宁工业大学, 2020(03)
- [8]大数据环境下火电机组的不良数据辨识与修复方法研究[D]. 贾俊奇. 东北电力大学, 2020(01)
- [9]融合多源数据的城市快速路交通状态识别及预测研究[D]. 张东冉. 华南理工大学, 2020(02)
- [10]基于模块化神经网络的特征组合推荐模型的研究与应用[D]. 王韶楠. 郑州大学, 2020(02)