一、最优保留遗传算法及其收敛性分析（论文文献综述）
何伟同[1]（2021）在《基于分布式优化算法的电力系统经济调度研究》文中进行了进一步梳理电力系统经济调度是电力系统运行与规划中一类重要的优化问题,对电力系统的安全、经济运行具有重要影响。在目前“双碳”战略背景下,通过经济调度获得的最优调度方案对于电力系统的节能减排具有重要意义。电力系统经济调度问题的数学模型具有高维、非线性、多约束等特点,对优化算法的性能提出了更高要求,算法性能直接决定了调度结果的优劣。鉴于此,本文提出一种分布式优化算法,考虑了机组优化信息传递过程中的时变性、隐私保护等问题,并根据约束条件特点设计了有约束问题的转化策略来提升算法性能。本文主要研究内容如下:（1）针对经济调度过程中,发电机组在协同合作中,机组调度信息传递的时变特性,提出了一种基于时变有向的分布式算法求解经济调度优化问题。对算法的收敛性进行理论论证,证明了算法可以收敛到最优解。采用IEEE 14 bus测试系统进行算例验证,求得了各机组的最优出力、供需平衡和总煤耗演变等结果。与现有的列随机算法相比,提高了算法的鲁棒性和适用性。（2）针对经济调度过程中,机组调度信息直接交换传输模式存在的隐私数据泄露问题,本文提出了具有隐私数据保护的经济调度分布式优化算法。引入了差分隐私的思想,设计了基于拉格朗日乘子法的约束条件转化策略,采用IEEE 14 bus测试系统进行算例验证。结果表明,机组信息传递过程中,目标函数的真实值得到了很好的保护,实现了对电力系统隐私数据的保护。与现有文献相比,本文提出的算法可以在实现隐私数据保护的同时,确保调度方案收敛到最优值。（3）针对经济调度过程中,机组调度信息传递存在噪声引起的误差问题,提出了一种考虑误差的时变有向分布式经济调度优化算法,算法考虑了多时段的耦合性。采用IEEE 30bus测试系统进行算例验证,求得了各机组的最优调度方案、最优煤耗等结果。并与现有文献中的NPGA、FCPSO、MOPSO、BBMOPSO等算法进行了对比,结果表明本文提出的算法求解的煤耗成本最小,算法特性均明显优于对比算法,并且在理论上保证了调度方案的最优性。
黄遥[2]（2020）在《混合蛙跳算法及其在带容量约束的车辆路径问题中的应用研究》文中指出物流能够保证商品的流通,因此它是商品经济的动脉。车辆路径问题作为物流活动中的优化问题,更是具有深远的研究价值。群智能优化算法作为一类新兴的优化算法,虽然具有较好的寻优性能,但是面临复杂度不断升级的问题,求解性能也面临挑战。基于上述背景,本文对混合蛙跳算法及其在带容量约束的车辆路径问题中的应用进行研究,主要研究内容如下:（1）分析混合蛙跳算法的结构弊端,提出一种基于解空间跳跃和信息交互强化的混合蛙跳算法求解函数优化问题。算法在局部搜索中增加了子群次优解和次劣解的交互,强化内部信息交互;设计了反向跳跃机制,降低劣解生成概率,增强算法开发能力;对子群最优解进行变异,保证种群多样性;通过子群最优解交叉加深子群间交互,引入反向跳跃思想防止种群加速同化。选取23个不同类型的测试函数,验证策略的有效性和所提算法的性能,实验结果表明所提策略均能改善算法性能;与4种性能优越的算法对比,所提算法的整体性能优于对比算法,表现出了较好的求解精度和稳定性。（2）根据旅行商问题的特点,提出了一种基于启发信息的混合蛙跳算法求解旅行商问题。该算法设计了基于启发信息的个体生成算子,能够同时从优解和劣解中提取有效信息;采用反向轮盘赌策略,实现种群的多样性;设计了基于独立最优子群的算法框架,强化算法开发能力,平衡各子群搜索能力;变异并优化局部最优解,有助于跳出局部最优;强化局部搜索,提升求解精度和速度。共用31个标准测试实例,分别验证个体生成算子和改进策略的有效性以及所提算法的性能,实验结果表明个体生成算子和改进策略是有效的;与8种对比算法相比,本文所提算法在求解旅行商问题时具有更好的精度和稳定性。（3）分析带容量约束的车辆路径问题和旅行商问题的异同点,以上述基于启发信息的混合蛙跳算法为框架,修改了个体解码方式,将约束条件从车辆的容量转化为使用车辆的数量;设计与违反约束程度成正相关的惩罚函数,在算法迭代中淘汰不可行解;删除原有的强化局部搜索策略,在个体解码环节中,对每个车辆的路径分别进行局部搜索。采用45个不同规模的实例作为测试集,与近期具有代表性的4种算法进行对比实验,实验结果表明所提算法在带容量约束的车辆路径问题上具有更高的求解精度。
王帅[3]（2020）在《复杂网络鲁棒性的分析、进化优化与应用研究》文中进行了进一步梳理复杂网络是一门涵盖计算数学、物理、计算机、生物等领域的交叉学科。复杂网络理论及方法能帮助人类分析大规模系统的组成结构、分析网络成员的运行动态并掌握功能结构的分布规律,在近年来的研究中得到了广泛的关注。结构各异的系统承担着不同的任务,也面临着复杂多变的应用环境,自然灾害或人为破坏等各种外界因素难免对于系统的正常运转造成干扰。在这一背景下,实际应用中需要的是性能鲁棒的网络,这样的网络在遭受一定的攻击或破坏时依旧可以保持其功能的相对稳定。为了评估不同网络的抗打击能力,并为潜在的性能提升任务提供合理参考,网络鲁棒性已然成为复杂网络研究领域的核心问题之一,也是本论文研究的重点。针对复杂网络鲁棒性问题,本论文首先关注了网络性能与网络结构特性间的协同分析工作;利用所得结论,结合多种场景下的网络鲁棒性评估与优化需求,设计了多种搜索高效、性能优越的优化方案。进一步,将网络鲁棒性的分析途径与优化方法推广至更多与网络相关的社会行为分析工作中——在演化博弈、社区结构与影响力传播过程多个问题中展示了鲁棒性研究的重要意义和应用价值。这些研究进一步拓展了鲁棒性问题的研究领域,丰富了网络特性分析、性能优化的方法,为实际网络的分析和优化任务提供了可靠的方法与工具。本论文的工作主要包含如下几个部分:1、现有工作已提出了多种网络结构特性评估因子,能从不同角度对于网络的结构特征进行评估。但是,这些因子的改变对于网络鲁棒性有何影响,不同因子间是否具有协同作用,这些问题还有待进一步分析。本文以无标度网络为例,综合分析了具有不同标度指数、同配性系数的网络在多种因子评估下的性能表现差异,展示了网络结构特征对于其鲁棒性的影响。实验证明度分布均匀且相连接节点间差异较小的网络在遭受恶意攻击时表现得更加鲁棒。同时,将分析过程推广到具有多层结构的网络数据中,得到了相似的结论。这里的分析结果为网络的构建、优化任务提供了参考。2、调整网络结构是提升网络性能的一种有效方法,学者们设计了相应的评估、优化方法来应对不同的网络损毁情形,但是已有工作未考虑多种网络损毁模型对于系统的潜在影响。本文通过实验指出应对不同损毁模型的优化过程往往相对独立,无法全面提升网络的性能。针对这一优化困境,本文工作综合考虑恶意攻击与级联破坏两种最常见的网络损毁模型,利用归一化性能指标和多智能体遗传算法完成了具有广泛鲁棒性能的网络优化任务。在多种网络数据上的实验验证了所提方法的有效性。3、现有方法解决网络优化问题时需要巨大的运算代价,其原因在于寻优过程对于性能评估因子的依赖性,如何避免频繁调用代价高昂的性能评估因子,同时保证优化方法的有效性是提升算法优化效率的关键。本文结合图嵌入方法,将代理模型引入到鲁棒性优化问题中,设计了模型集成策略来完成对网络性能的快速评估工作。在代理模型的辅助下,考虑单目标、多目标鲁棒性优化问题各自的特点,设计了对应的进化优化方法。在多种网络数据上的实验表明,代理模型的使用显着提升了算法的计算效率,有效缩短了优化过程需要的运算时间。4、在已有的演化博弈模型及动力学研究的基础上,结合网络鲁棒性的评估、优化方法,同时考虑网络系统的应用环境,本文首先从边攻击的角度研究了网络成员演化博弈行为的鲁棒性,验证了恶意攻击对于网络中合作行为的重要影响。然后结合网络结构鲁棒性问题,将鲁棒网络构建和网络对于演化博弈中合作行为容纳能力地提升建模为多目标优化问题,并展示了该问题在现实中的诸多潜在应用。针对普通网络和有向网络的不同特点,设计了相应的多目标进化算法,取得了良好的结果。5、将鲁棒性和优化方法应用在在网络上的社区结构问题中。本文通过实验分析指出了现有社区结构鲁棒性评估方案的不足之处,对于针对节点和针对边的攻击提出了更加可靠的性能衡量因子,用以引导网络性能的优化过程。同时,针对具有多个功能层级的网络数据特点,对于现有因子进行扩展,合理评估了多层网络上社区结构的鲁棒性,完成了相应的性能提升任务。更进一步,将评估及优化方法应用在具有属性信息的符号网络中,展示了社区分割结果对于符号网络鲁棒性的潜在影响。6、在现有影响力最大化问题研究的基础上,本文尝试探索了网络上信息传播过程的鲁棒性。首先针对多层网络的影响力传播过程进行建模,给出相应的节点性能评估指标,利用进化优化方法在网络结构信息的帮助下完成种子节点的选择任务。本文还将鲁棒性的定义推广至影响力最大化问题中,研究了网络结构损毁对于信息传播过程的影响,指出了所选的种子节点也应具有良好的鲁棒性,保证其影响力传播过程能够应对外界因素的干扰。
孙滢[4]（2020）在《若干最优化问题的粒子群算法及应用研究》文中认为在经济金融、物流管理、网络安全、机器学习等领域中存在着各种类型的复杂优化问题,它们通常表现出高维、非线性、多目标或离散性等特点,传统的优化方法根本无法求解,因此研究这些问题的高效求解算法是现阶段科研人员和工程技术人员的重点攻关课题。粒子群算法是一种基于概率的随机搜索算法,具有较强的鲁棒性和全局寻优能力,因参数少,易实现等特点,该算法一经提出就受到了学者们的关注,目前已应用粒子群算法成功地解决了实际中的许多复杂优化问题。本文对约束优化、混合整数规划、多目标优化等复杂问题进行了深入系统的研究,根据各自问题的特点,构建了不同的改进粒子群算法,同时针对股票价格预测和多目标车间调度问题提出了改进粒子群优化算法。论文完成的主要研究工作和成果总结如下:（1）针对非线性约束优化问题,提出了一种基于改进Deb准则的粒子群算法（FIPSO）。该算法在Deb准则的基础上更好地保留了“优秀”不可行解的信息,使其可以发挥自身的优势,引导算法跳出局部极值点,更快收敛到全局最优解。同时,为了进一步提高算法的全局搜索能力,引入DE策略对粒子群的个体最优位置进行优化,加快了算法的收敛速度。为了验证算法的性能,对CEC2006给出的22个测试问题进行数值测试,结果表明了FIPSO算法的有效性。（2）针对非线性混合整数规划问题,提出了两个改进的粒子群算法--EMPSO算法和CC-PSO/GA算法。EMPSO算法中提出了针对离散变量的进化策略DS,该策略有效解决了PSO算法不适合求解离散优化的问题,同时提出了基于约束的更新策略IDeb,在该策略下粒子依概率接收不可行解作为个体最优位置,进而有效利用了不可行解内蕴含的有用信息;CC-PSO/GA算法尝试将PSO算法和GA算法相结合,取长补短,利用APSO算法处理连续变量部分,TGA算法处理离散变量部分,并采用基于小种群的协同交叉进化方式将两种算法有机结合起来;最后,分别将两种算法在14个标准测试问题上进行数值测试,结果表明两种算法在求解上各有优势且均能有效解决非线性混合整数规划问题。（3）针对多目标优化问题,提出了一个基于高斯变异和改进学习策略的多目标粒子群算法（MOIPSO）。该算法分别针对支配解和非支配解构建不同的学习策略,使得算法可以有针对性的迭代寻优,为了进一步提高外部精英档案和当前种群的分布均匀性,采取高斯变异的方式增加了稀疏位置和边界位置的个体数。同时,为了更好地衡量各种算法产生的非支配解集在分布广度上的区别,文中给出了一种度量广度的指标--DM,结合数据和图形,可以看出提出的指标是合理的。最后,为了验证算法的有效性,在12个多目标优化测试问题上进行了数值实验。（4）针对超多目标优化问题,提出了一个以Tchebycheff分解思想为基础的多目标粒子群算法（NMOPSO）。该算法构建了以权重向量为主体的个体最优位置更新思想,改变了以往以粒子为中心的更新,为了提高的算法寻优效率,跳出局部极值,对外部精英档案进行了进化操作,同时给出了一种权重向量的动态更新方法来提高算法非劣解集的分布均匀性。最后,对5、10、15个目标的DTLZ和WFG测试问题进行了数值实验,并与6个已知算法进行了比较,结果表明了在大多数测试问题上NMOPSO算法的性能优于其他算法。（5）针对股票价格预测问题,提出了混合自适应PSO的BP神经网络算法（APSO-BP）。该算法有效地融合了PSO算法的全局搜索能力和BP算法的局部寻优能力,提高了预测的准确性,并利用我国股市的2组真实股票数据进行实证分析,预测结果表明该算法预测股票价格波动的问题较标准BP算法更为有效,可以及时的为投资者提供风险预警信息。（6）针对多目标柔性作业车间调度问题,提出了基于离散变量学习策略的多目标粒子群算法（AMOPSO）。该算法针对柔性作业车间调度问题的特点,采用工序和机器编码拼接的方式构成粒子的位置向量,同时融合离散变量的处理机制和多目标问题的原理构建了一种基于工序的粒子学习策略,该策略既保证了粒子向最优解的有效学习又保证了更新后粒子的可行性。最后,在4个标准FJSP问题上进行了数值实验,结果表明该算法解决此类问题可以获得收敛性和分布性更好的非劣解集。
张宝文[5]（2020）在《基于PMU的配电网状态估计及PMU配置优化》文中进行了进一步梳理随着社会经济的发展,人们对电力系统的安全性和可靠性有了更严格的要求。状态估计可以利用先进的量测设备实时有效的判断电网的运行状态,使得电网的安全稳定性得到提升,故而被广泛应用于电力系统中。基于GPS的同步相量测量单元（Phasor Measurement Unit,PMU）的研发,实现了电压、电流相量的测量,为广域测量系统（Wide Area Measurement System,WAMS）的实施奠定了基础,也为实现电网运行在线分析和监控提供了手段。PMU已被广泛用于电力系统,尤其是传统主网,随着智能电网建设对配电网可测可观可控能力的要求,配电网系统中对于PMU的需求也日益增加。与主网相比,配电网覆盖范围广,分支节点多且复杂,所需的PMU设备数量庞大,精度要求也更高。一般情况下,量测设备装得越多越好,数据分析更加精确,但是目前PMU成本较高,考虑到经济性,在配电网所有节点装设PMU是不现实的,所以PMU优化配置也变得尤其必要。本文面向配电网状态估计,利用先进的量测设备PMU,以加权最小二乘法为主,研究分别以节点电压和支路电流为状态量的配电网状态估计算法的迭代格式、雅可比矩阵和状态量修正矩阵的推导,并对两种方法进行对比分析。对于PMU优化问题,本文综合考虑状态估计精度和PMU的安装成本,采用遗传模拟退火算法对PMU进行优化配置。遗传模拟退火算法是将遗传算法与模拟退火算法有机结合,可提高算法的收敛速度,解决其易陷入局部最优解的问题,在安装尽可能少的PMU的前提下,获得足够高的状态估计精度。
向仍进[6]（2020）在《功能梯度纳米复合材料层合结构的力学响应分析及其铺层优化》文中研究说明碳纳米管（CNT）自被发现以来就一直以其高模量、高比表面积等特性而被研究者们所重视。近年来,功能梯度碳纳米管增强复合材料（FGCNTRC）在实际应用中展现出了极大的应用潜力。针对FG-CNTRC圆锥扁壳以及FG-CNTRC圆柱曲板在其使用环境下的破坏形式,本文基于KP-Ritz无网格方法分别研究了前者在旋转作用下的自由振动以及后者在单向受压下的屈曲行为。在自由振动分析中,本文根据实际情况将叶片简化为预扭圆锥扁壳,在保证数值精度的前提下,探究了扭转角、铺层方式、CNT含量、预设角、铺层层数以及长宽比、长厚比等几何因素对于叶片自振频率的影响。在屈曲分析中,本文设计了碳纳米管沿厚度方向呈三种典型分布形式的曲板结构,使用自洽模型讨论了基体存在缺陷的情况下曲板退化刚度的计算公式,并以此为基础,分析了裂缝密度参数、铺层方式、CNT含量、以及长宽比、长厚比等几何因素对于曲板屈曲性能的影响,得到临界屈曲载荷参数随着裂缝密度参数增大而下降的规律以及FRC-X型曲板抗屈曲性能最优的结果。最后,考虑到FG-CNTRC层合结构的铺层方式对于其力学性能的影响,本文使用遗传算法对FG-CNTRC层合结构进行铺层优化。通过多次验证,在证明FG-CNTRC材料具有优越力学性能的同时,也证明了该算法的高效性与实用性。
李伟琨[7]（2020）在《多目标进化算法研究及其在水库优化调度中的应用》文中研究指明多目标优化问题（Multi-Objective Optimization Problems,MOOPs）,区别于以往只包含单个目标的优化问题,求解该类问题所得到的不是单一的最优值,而是一组各目标间相互权衡取舍后的折衷解。这使得传统用于解决优化问题的技术如数学规划,梯度下降等方法很难在解决此类问题上取得较好的效果。对于多目标优化问题特别是水库多目标优化调度问题,基于群智能（Swarm Intelligence,SI）的多目标优化算法以其在没有先验信息的前提下,通过单次运算就可以得到一组折衷解的良好特性,成为了解决多目标优化问题的首选方式。但受限于其较为简单的排序筛选机制,该类方法在应对具有复杂特性的问题时很难取得较好的结果。此外,随着技术设备的不断更新,需求的不断提升,现实中的多目标优化问题规模也在不断提升,情况也日趋复杂,这使得现实问题中包含的目标数也不再局限于两个或三个,该类问题被称为高维多目标优化问题（Many Objective Optimization Problems,MaOPs）。对于高维多目标优化问题,随着目标数的急剧攀升,空间内充斥着大量相互无法支配的个体,而传统的多目标进化算法受限于其设计机制,很难在该类问题上取得较好的效果。因此,围绕多目标优化与高维多目标优化两类问题的理论研究与其在实际水库多目标优化调度问题上的应用,本文进行了相关的分析与探索,完成了具有国内外同行认可的工作,其主要包括:（1）基于群智能的多目标进化算法往往侧重于生物行为构建,缺乏有效的机制来对辅助其它核心环节的实施,从而限制了算法整体的性能的提升。鉴于此,提出了一种基于反向学习的多目标飞蛾算法,旨在提升算法在应对不同类型优化问题时的性能与适应能力。该算法通过采用反向学习机制来进行初始化,从而替代传统算法随机化的过程,使得新设计的算法可以在没有先验知识的情况下获得更适合的起始候选区域。此外,算法通过引入基于指标的策略来对外部档案集进行维护,进而有效地提升算法所获得解的质量。通过一系列的实验对比分析,结果表明该算法在部分包含不同帕累托前沿的多目标优化问题上体现出了较好应对能力与适应性。（2）传统多目标进化算法受限于其较为简单的设计机理,所采用的筛选机制往往侧重于收敛性或分布性的其中的一方面,难以很好地兼顾与平衡这两方面,因此提出了一种基于网格排序机制的多目标鲸鱼算法。该算法设计了一种基于网格机制的排序策略,该策略在构建网格坐标的基础上,通过计算个体在网格上的占优情况与其周边个体分布情况,充分利用了网格同时表征分布性与收敛性的特点,全面地对个体进行评估与筛选。此外,通过结合鲸鱼算子良好的收敛特性,有效地提升所设计多目标算法的整体性能。通过一系列的实验与相关指标从收敛性与分布性两方面进行了分析,结果表明该算法在应对不同类型的多目标优化问题时可以较好的兼顾收敛性与分布性。（3）针对传统多目标算法很难在高维多目标优化问题上取得较好效果,特别是在平衡算法收敛性与解的分布性时面临巨大挑战的现状,提出一种基于自适应聚类的高维多目标进化算法,旨在有效地应对高维多目标优化问题。本算法以参考向量为基础,提出一种自适应的个体聚类策略。该策略通过自适应的方法综合考虑个体与参考向量间夹角和距离,从而将种群聚类为多个子种群,进而降低后续计算的复杂度。此外,针对每个子种群,算法提出一种基于混合距离的筛选策略,通过该策略在高效筛选个体的同时综合考虑收敛性与分布性,从而提升算法在应对高维多目标优化问题时的性能。最后,算法与一系列当前主流的高维多目标进化算法在标准测试问题上进行了对比分析,实验结果表明该算法在应对高维多目标优化问题时具有一定的优势,并具有处理更高维多目标优化问题的潜力。（4）针对当前多目标进化算法大多侧重算法机制构建,而理论分析较为匮乏的现状,通过结合随机过程等理论,对多目标进化算法在停滞状态下的收敛性进行了分析。尽管当前对于多目标优化问题设计的算法已有很多,但针对算法的收敛性理论分析仍较少,鉴于此,本文对提出的多目标进化算法进行了收敛性分析,并在理论层面给出了证明。此外,本文还针对高维多目标进化算法的收敛性进行了初步分析,并讨论了当前存在的问题与限制,为后续的理论证明奠定了基础。（5）以实地流域为真实研究对象,构建了满足不同需求的多目标水库优化调度模型,并综合考虑模型与问题的复杂程度,利用本文提出的高维多目标进化算法针对性地进行求解。以往的水库优化调度模型大多为单目标设计或双目标设计,并将其它目标需求转换为大量复杂的约束,尽管采用上述操作方便了算法的处理,但容易造成理论与实际的差距增大,并很难应对和满足实际水库优化调度的需求。鉴于此,本文以江西泸水河流域作为真实研究对象,针对性地设计了满足综合需求的优化模型,并采用本文提出的高维多目标算法进行优化计算。通过实际流域问题的计算与分析,验证了本文所提算法在处理真实多目标优化问题时的性能与应用潜力,并为水库优化调度提供了新的思路与方法。
邓国健[8]（2019）在《遗传算法的漂移效应与利用研究》文中指出遗传算法是一种广泛使用的优化算法,它有很多优点,但在耦合函数上容易陷入局部最优以及精度不高。目前常用的遗传算法加入了精英策略加快算法收敛速度且提高精度,但算法存在过早收敛的问题。本文使用了无精英策略的标准遗传算法进行实验发现遗传算法的种群并非一直收敛于某一个山峰上,而是在不同时间段会聚集在不同的山峰上。这种种群从一个山峰漂移到另外一个山峰上的现象,称之为遗传算法的漂移效应。本文对多个benchmark函数进行实验,使用可视化手段,在遗传算法发生漂移效应时跟踪每个个体的具体位置并记录下来。通过分析实验结果数据,本文进一步总结发生漂移效应的以下一系列规律:1.移除精英策略,2.适应度函数为耦合函数,3.需要对适应度函数进行适当调整使得函数扁平化。另外,常用的遗传算法使用的变异方式主要采用浮点数编码变异。该变异方式在同一时刻很少有若干个变量发生改变,限制了遗传算法的搜索方位。结合浮点数编码以及二进制位变异的优点,本文提出浮点数位变异方式。该变异方式使用浮点数硬件存储的二进制编码形式进行位变异,增强了算法的全局搜索能力。结合遗传算法的漂移效应以及移除精英策略等改进方案,本文提出漂移遗传算法。在前期迭代中,遗传算法移除精英策略和仅仅记录最优个体但不加入到种群当中。此时算法收敛稳定于某一峰值上。再经过若干迭代后,若种群依旧稳定在该峰值上,遗传算法适当调整适应度函数使种群快速收敛到另外峰值上。重复上述的操作直到遗传算法不发生漂移,前期迭代完成。在后期迭代当中,遗传算法将加入精英策略并将前期记录的最优个体加入到种群当中进行迭代,直到算法设置的最大迭代次数为止。最后通过实验证实了漂移遗传算法与传统遗传算法相比,其具有更强的全局搜索能力,稳定性更高和精度更高的优点。
韩闯[9]（2019）在《基于智能优化算法的阵列方向图综合方法研究》文中进行了进一步梳理阵列方向图综合是阵列信号处理领域的一个研究热点,通过优化非均匀阵列和相控阵列中的可变参数,实现具有低旁瓣、精确控制零陷和高方向图指向性等指标的期望方向图综合,广泛应用于通信系统、雷达系统以及相控阵系统等大规模天线阵列系统中。虽然现有各类智能优化算法已经取得了一定突破,但是在收敛性能和多目标优化问题方面,尤其是在阵列方向图综合应用中,优化算法依然存在很多缺点和不足。本文研究主要基于智能优化算法,从优化算法的收敛性和最优解分布性以及在综合阵列方向图应用的角度出发,开展的主要研究工作包括:带反馈的粒子群优化算法及非线性动态权值研究、低旁瓣波束扫描的数字位移虚拟稀布阵元方法研究、基于插值和拟合的多目标优化算法及其最优解平均分布特性研究。具体研究内容如下:（1）针对粒子群优化算法综合多目标阵列方向图时收敛性差的问题,提出了带反馈的粒子群优化算法结合非线性动态权值更新方法,提高了初始进化过程中粒子遍历能力和进化末期种群收敛性能。动态权值根据更新前粒子的适应度函数值通过立方根等非线性函数反馈得到,随着进化过程中的种群形态实时调整权值系数。仿真结果表明了该算法能够有效提高阵列方向图综合问题的种群收敛性,综合的阵列方向图在每个干扰位置能够得到精确的零陷电平,同时展现了很强的旁瓣电平抑制能力。（2）针对稀布阵列在波束扫描情况下旁瓣性能下降的问题,提出了数字位移虚拟稀布阵元的方法,在所有可能指向角度的情况下,充分利用稀布阵列的优点实现低旁瓣波束扫描。该方法针对固定阵元物理位置的情况,通过优化每个阵元的位置偏移因子,然后采用幂指数相位合成的方法虚拟稀布阵元,通过分析虚拟阵元接收信号的相关性,约束阵元位置的偏移范围。实验结果表明,与传统稀布阵列方向图综合方法相比,数字位移虚拟稀布阵元方法能够实现更低旁瓣的波束扫描方向图综合。（3）针对多目标优化算法最优解均匀分布性差的问题,以及考虑采用多目标优化算法有效解决多目标阵列方向图综合问题,提出了基于拟合和插值的多目标遗传算法。通过估计同一非支配等级中多个目标适应度函数值的拟合或者插值函数,计算出在拟合或者插值函数曲面上均匀分布的点作为期望参考点,根据种群和期望参考点的欧拉距离构成误差矩阵,采用提出的误差比较算子,在每个期望参考点上选择唯一粒子到新种群。通过优化数学多目标优化问题,与传统的多目标优化方法进行比较,本文提出的算法在不影响进化收敛性的同时能够很好的保持粒子的均匀分布特性。（4）针对多目标阵列方向图综合中最优解均匀分布特性较差的问题,提出了动态支配和平均分布择优的多目标优化方法,采用了三种改进策略,分别是动态非支配策略、范围约束策略和曲面平均分布策略。采用动态非支配分类因子来决定种群的分类操作,能够在初始进化过程中具有较大的搜索空间;通过范围约束策略实现在一定的约束范围内选择最优粒子,能够降低种群的规模和计算复杂度;将和当前最优面上均匀分布点距离近的粒子选入新种群,提升种群在目标函数空间的分布特性。将提出的算法和两种高效的多目标优化算法进行比较,优化数学问题和阵列方向图综合问题,并结合工程应用中的真实天线方向图,实验结果表明本文提出的算法在计算量、收敛速度以及最终粒子适应度函数值的分布特性方面都有很好的性能。
逄勃[10]（2013）在《优化迭代学习控制算法及其收敛性分析》文中提出迭代学习控制从最初解决机器手运动的控制问题发展为解决很多具有周期特性的工程对象的控制问题,其利用实际输出和期望输出的偏差对当前的控制输入信号进行学习修正的思想,越来越得到了控制工程领域的广泛接受和高度重视。由于迭代学习控制方法所具有的不过分依赖模型的特点和实际应用中的良好效果,已经成为了现代智能控制技术中的一种重要控制方法。为解决传统参数优化迭代学习控制算法只适用于正定模型的局限性,本文提出一种高阶参数优化迭代学习控制算法。该算法利用多次迭代误差的信息,建立参数优化目标函数得到最优迭代学习律。在被控对象不满足正定性的条件下,仍保证跟踪误差单调收敛于零。此外,还提出了基于奇异值分解的PID型参数优化迭代学习控制算法,根据范数性能指标建立目标函数,通过对系统模型矩阵的奇异值分解得到学习增益矩阵,使算法应用于模型为非正定的系统时仍然保证闭环跟踪误差单调收敛至零。该算法还将PID型控制器引入到参数优化迭代学习控制算法的设计中,提高了学习速度。针对非线性系统跟踪控制问题,本文将拟Broyden法和参数优化迭代学习控制方法结合,提出一种新的优化迭代学习控制算法,利用拟Broyden法对系统的Jacobian矩阵进行迭代近似计算,并通过目标函数对学习增益进行优化。该算法不仅能够简化传统牛顿法中求逆计算所带来的复杂性,而且具有单调递减的特性和全局收敛性。针对一类特殊采样点的轨迹终端跟踪控制问题,本文提出了一种改进的牛顿法迭代学习控制算法,该算法具有单调收敛的性能和较大的收敛范围。利用一个间歇反应的生成物产量跟踪实例对算法的有效性进行了验证。本文将迭代学习优化控制方案应用到一类具有扰动和初始状态误差等不确定性的非线性离散系统中。从理论上证明了对于无扰动情况,算法能够保证系统跟踪误差以几何速度一致收敛于零,系统控制输入收敛到期望输入轨迹；对于具有扰动和初始状态误差的非线性离散系统,给出了该算法具有BIBO鲁棒稳定性的充分条件。本文还给出了P型迭代学习控制在带有扰动的一般性非线性系统具有鲁棒性的条件。从理论上证明了在初始状态误差和状态、输出扰动有界的情况下,系统输出能够收敛于期望轨迹的邻域内；在各种干扰消除时系统输出能够一致收敛于期望轨迹。
二、最优保留遗传算法及其收敛性分析（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、最优保留遗传算法及其收敛性分析（论文提纲范文）
（1）基于分布式优化算法的电力系统经济调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 电力系统经济调度的研究现状 |
| 1.2.2 电力系统经济调度算法的研究现状 |
| 1.3 分布式优化算法在电力系统中的应用现状 |
| 1.3.1 基于时不变的分布式优化算法的应用现状 |
| 1.3.2 基于隐私保护的分布式优化算法的应用现状 |
| 1.4 论文研究的主要内容和章节安排 |
| 2 经济调度与优化算法理论基础 |
| 2.1 电力系统中经济调度问题建模 |
| 2.1.1 模型的目标函数 |
| 2.1.2 模型的节点关系 |
| 2.1.3 模型的假设条件 |
| 2.2 优化算法基础知识 |
| 2.2.1 凸集与凸函数 |
| 2.2.2 图论基础知识 |
| 2.3 本章小结 |
| 3 基于时变有向图的经济调度分布式优化算法 |
| 3.1 带约束经济调度问题的转化 |
| 3.2 时变有向图的经济调度分布式优化算法 |
| 3.2.1 基于时变有向的经济调度分布式算法设计 |
| 3.2.2 具有隐私保护的经济调度分布式算法设计 |
| 3.3 时变有向的算法收敛性分析 |
| 3.3.1 辅助引理 |
| 3.3.2 理论分析 |
| 3.4 算例验证 |
| 3.4.1 参数设置 |
| 3.4.2 算例1-时变有向图分布式算法验证 |
| 3.4.3 算例 2-具有隐私保护分布式算法验证 |
| 3.5 本章小结 |
| 4 考虑误差的时变有向图经济调度分布式优化算法 |
| 4.1 基于拉格朗日的对偶问题 |
| 4.2 分布式优化算法设计 |
| 4.2.1 考虑误差的分布式优化算法设计 |
| 4.2.2 考虑误差和隐私保护的分布式优化算法设计 |
| 4.3 考虑误差的算法收敛性分析 |
| 4.3.1 辅助引理 |
| 4.3.2 理论分析 |
| 4.4 算例验证 |
| 4.4.1 参数设置 |
| 4.4.2 算例1-考虑误差的分布式优化算法验证 |
| 4.4.3 算例2-考虑误差和隐私保护的分布式优化算法验证 |
| 4.4.4 算例3—对比验证 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）混合蛙跳算法及其在带容量约束的车辆路径问题中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 混合蛙跳算法研究现状 |
| 1.3 旅行商问题研究现状 |
| 1.4 带容量约束的车辆路径问题的研究现状 |
| 1.5 本文工作内容和创新点 |
| 1.6 本文结构安排 |
| 第二章 相关知识和理论 |
| 2.1 优化问题和方法 |
| 2.1.1 优化问题 |
| 2.1.2 优化方法 |
| 2.2 混合蛙跳算法 |
| 2.2.1 混合蛙跳算法的基本思想 |
| 2.2.2 混合蛙跳算法的具体实现 |
| 2.3 本章小结 |
| 第三章 基于解空间反向跳跃和信息交互强化的混合蛙跳算法求解函数优化问题 |
| 3.1 引言 |
| 3.2 函数优化问题 |
| 3.3 基于解空间反向跳跃和信息交互强化的混合蛙跳算法 |
| 3.3.1 引入多元信息交互 |
| 3.3.2 引入反向跳跃机制 |
| 3.3.3 局部最优解变异 |
| 3.3.4 子群信息深度交互 |
| 3.3.5 算法实现 |
| 3.4 实验仿真与结果分析 |
| 3.4.1 测试集选择 |
| 3.4.2 改进策略有效性验证 |
| 3.4.3 所提改进算法性能测试 |
| 3.5 本章小结 |
| 第四章 基于启发信息的新型混合蛙跳算法求解TSP |
| 4.1 引言 |
| 4.2 旅行商问题的概述 |
| 4.3 基于启发信息求解TSP的新型混合蛙跳算法 |
| 4.3.1 基于贪婪交叉的个体生成算子 |
| 4.3.2 反向轮盘赌策略 |
| 4.3.3 建立独立最优子群 |
| 4.3.4 局部最优解变异策略 |
| 4.3.5 增强局部搜索 |
| 4.3.6 算法实现 |
| 4.4 实验仿真与结果分析 |
| 4.4.1 个体生成算子的有效性验证 |
| 4.4.2 改进策略的有效性验证 |
| 4.4.3 所提算法的性能验证 |
| 4.5 本章小结 |
| 第五章 基于启发信息的混合蛙跳算法求解CVRP |
| 5.1 引言 |
| 5.2 带容量约束的车辆路径问题概述 |
| 5.3 基于启发信息求解CVRP的混合蛙跳算法 |
| 5.3.1 编码与解码方式 |
| 5.3.2 适应度函数 |
| 5.3.3 强化局部搜索的改进策略 |
| 5.3.4 算法实现 |
| 5.4 实验仿真与结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）复杂网络鲁棒性的分析、进化优化与应用研究（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 复杂网络研究概述 |
| 1.2 复杂网络的鲁棒性问题研究进展 |
| 1.2.1 网络鲁棒性的评估方法 |
| 1.2.2 网络鲁棒性的优化方法 |
| 1.3 复杂网络上的社会行为分析简介 |
| 1.3.1 网络上的演化博弈 |
| 1.3.2 网络上的社区结构 |
| 1.3.3 网络上的影响力最大化问题 |
| 1.4 人工智能及进化算法简介 |
| 1.4.1 人工智能发展简介 |
| 1.4.2 进化算法简介 |
| 1.5 本文的主要内容及结构安排 |
| 第二章 网络鲁棒性与网络结构特性的协同关系分析 |
| 2.1 引言 |
| 2.2 网络的结构特性 |
| 2.2.1 常见的网络结构特性评估方法 |
| 2.2.2 具有期望特性网络的生成方法 |
| 2.3 实验仿真与结果分析 |
| 2.3.1 单层网络上的结果与分析 |
| 2.3.2 多层网络上的结果与分析 |
| 2.4 本章小结 |
| 第三章 复杂网络在两种损毁模型下的综合鲁棒性优化算法 |
| 3.1 引言 |
| 3.2 多种损毁模型对于网络鲁棒性提升的挑战 |
| 3.2.1 恶意攻击与级联破坏的关联性分析 |
| 3.2.2 已有优化方法的局限性 |
| 3.3 利用多智能体遗传算法提升网络的综合鲁棒性 |
| 3.3.1 算法介绍与归一化的鲁棒性评价指标设计 |
| 3.3.2 进化算子设计 |
| 3.3.3 实验结果对比与分析 |
| 3.4 本章小结 |
| 第四章 使用代理模型辅助复杂网络的鲁棒性优化 |
| 4.1 引言 |
| 4.2 代理模型协助下的单目标网络鲁棒性提升方法 |
| 4.2.1 针对网络鲁棒性优化问题的图嵌入方法和代理模型设计 |
| 4.2.2 优化算法设计 |
| 4.2.3 合成网络上的实验结果 |
| 4.2.4 算法参数分析 |
| 4.2.5 实际网络上的实验结果 |
| 4.3 代理模型协助下的多目标网络鲁棒性提升方法 |
| 4.3.1 目标间非均匀计算代价的解决策略 |
| 4.3.2 针对多目标问题的代理模型设计 |
| 4.3.3 优化算法设计 |
| 4.3.4 实验仿真与结果分析 |
| 4.4 本章小结 |
| 第五章 网络上演化博弈中合作行为的鲁棒性分析及优化 |
| 5.1 引言 |
| 5.2 网络上演化博弈合作行为的鲁棒性 |
| 5.2.1 网络结构参数与演化博弈行为的相关性分析 |
| 5.2.2 网络结构损毁对于演化博弈中合作者生存水平的影响 |
| 5.3 合作者容纳水平与网络鲁棒性的综合提升方法 |
| 5.3.1 鲁棒且具有良好合作行为容纳性能的网络构建方法 |
| 5.3.2 普通网络上的实验结果 |
| 5.3.3 网络中链路方向性对于网络构建过程的影响 |
| 5.3.4 针对有向网络的优化算法设计 |
| 5.3.5 有向网络上的实验结果 |
| 5.4 本章小结 |
| 第六章 网络上社区结构鲁棒性的定义及优化 |
| 6.1 引言 |
| 6.2 网络上社区结构鲁棒性的定义及优化方法设计 |
| 6.2.1 网络社区结构鲁棒性评价指标设计 |
| 6.2.2 社区结构鲁棒性的优化方法 |
| 6.2.3 实验结果 |
| 6.3 多层网络上的社区结构鲁棒性研究 |
| 6.3.2 针对多层网络的衡量因子及现有优化方法扩展 |
| 6.3.3 采用结构重连的优化方法设计 |
| 6.3.4 多层网络上的实验结果与分析 |
| 6.4 符号网络的鲁棒性定义及优化 |
| 6.4.1 针对符号网络的鲁棒性评估指标 |
| 6.4.2 符号网络鲁棒性的优化方法设计 |
| 6.4.3 符号网络上的实验结果与分析 |
| 6.5 本章小结 |
| 第七章 影响力最大化问题中信息传播过程的鲁棒性研究 |
| 7.1 引言 |
| 7.2 多层网络上的影响力最大化问题 |
| 7.2.1 多层网络中种子节点的影响力性能评估 |
| 7.2.2 选择最佳种子节点的优化算法设计 |
| 7.2.3 实验结果与分析 |
| 7.3 种子节点影响力的鲁棒性研究 |
| 7.3.1 评估方案设计与参数定标 |
| 7.3.2 鲁棒的种子节点选择方案设计 |
| 7.3.3 几种网络数据上的实验结果分析 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 工作总结 |
| 8.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）若干最优化问题的粒子群算法及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 粒子群算法概述 |
| 1.2.1 原始粒子群算法 |
| 1.2.2 粒子群算法的改进 |
| 1.2.3 粒子群算法的应用 |
| 1.2.4 粒子群算法的拓扑结构 |
| 1.2.5 粒子群算法的收敛性分析 |
| 1.3 若干复杂优化问题的研究现状 |
| 1.3.1 约束优化问题的研究现状 |
| 1.3.2 混合整数规划问题的研究现状 |
| 1.3.3 多目标优化问题的研究现状 |
| 1.4 本文的研究内容 |
| 第二章 约束优化问题的改进粒子群算法 |
| 2.1 引言 |
| 2.2 约束优化问题的数学模型和相关概念 |
| 2.3 粒子群算法的改进策略 |
| 2.3.1 改进的可行性准则 |
| 2.3.2 当前种群的更新策略 |
| 2.3.3 个体最优位置的更新策略 |
| 2.3.4 全局最优位置的更新策略 |
| 2.4 改进的粒子群算法及时间复杂度分析 |
| 2.4.1 改进的粒子群算法(FIPSO算法) |
| 2.4.2 时间复杂度分析 |
| 2.5 数值实验 |
| 2.5.1 测试问题和参数设置 |
| 2.5.2 结果分析 |
| 2.6 本章小结 |
| 第三章 非线性混合整数规划问题的改进粒子群算法 |
| 3.1 引言 |
| 3.2 非线性混合整数规划问题的数学模型和相关概念 |
| 3.3 粒子群算法的改进策略 |
| 3.3.1 初始化种群的设置与最优位置的选择 |
| 3.3.2 离散变量的学习策略 |
| 3.3.3 约束引导的最优位置更新策略 |
| 3.4 改进的粒子群算法及时间复杂性度分析 |
| 3.4.1 改进的粒子群算法(EMPSO) |
| 3.4.2 时间复杂度分析 |
| 3.5 数值实验 |
| 3.5.1 测试问题和参数设置 |
| 3.5.2 结果分析 |
| 3.6 本章小结 |
| 第四章 非线性混合整数规划问题的PSO/GA协同进化算法 |
| 4.1 引言 |
| 4.2 混合编码和协同交叉进化策略 |
| 4.2.1 混合编码设计 |
| 4.2.2 基于小种群的协同交叉迭代进化策略 |
| 4.3 连续变量和离散变量的进化策略 |
| 4.3.1 全局最优个体和精英个体更新策略 |
| 4.3.2 离散变量的进化--TGA算法 |
| 4.3.3 连续变量的进化--APSO算法 |
| 4.4 PSO/GA协同进化算法及时间复杂度分析 |
| 4.4.1 PSO/GA协同进化算法(CC-PSO/GA) |
| 4.4.2 时间复杂度分析 |
| 4.5 数值实验 |
| 4.5.1 测试问题和实验设置 |
| 4.5.2 结果分析 |
| 4.6 本章小结 |
| 第五章 基于高斯变异和改进学习策略的多目标粒子群算法 |
| 5.1 引言 |
| 5.2 多目标优化问题的数学模型和相关概念 |
| 5.3 多目标粒子群算法的进化策略 |
| 5.3.1 精英存档和拥挤熵 |
| 5.3.2 高斯变异策略 |
| 5.3.3 改进的学习策略 |
| 5.3.4 外部档案更新方式 |
| 5.3.5 种群精英递增策略 |
| 5.4 多目标粒子群算法及时间复杂性分析 |
| 5.4.1 多目标粒子群算法(MOIPSO) |
| 5.4.2 时间复杂度分析 |
| 5.5 数值实验 |
| 5.5.1 测试问题和实验设置 |
| 5.5.2 解集的评价指标 |
| 5.5.3 结果分析 |
| 5.6 本章小结 |
| 第六章 基于Tchebycheff分解和动态更新权重向量的多目标粒子群算法 |
| 6.1 引言 |
| 6.2 Tchebycheff分解思想 |
| 6.3 多目标粒子群算法的进化策略 |
| 6.3.1 基于分解的初始化种群分配原则 |
| 6.3.2 精英存档和档案更新 |
| 6.3.3 个体最优位置和全局最优位置的更新策略 |
| 6.3.4 外部档案的进化搜索 |
| 6.3.5 权重向量的动态更新策略 |
| 6.4 基于分解的多目标粒子群算法及时间复杂度分析 |
| 6.4.1 基于分解的多目标粒子群算法(NMOPSO) |
| 6.4.2 时间复杂度分析 |
| 6.5 数值实验 |
| 6.5.1 测试问题和参数设置 |
| 6.5.2 解集的评价指标 |
| 6.5.3 结果分析 |
| 6.6 本章小结 |
| 第七章 APSO-BP神经网络算法在股票价格预测中的应用 |
| 7.1 引言 |
| 7.2 BP神经网络算法 |
| 7.3 混合算法的改进策略 |
| 7.3.1 种群编码策略和适应度值的计算 |
| 7.3.2 混合BP神经网络的粒子学习策略 |
| 7.4 融合自适应粒子群的BP神经网络算法(APSO-BP) |
| 7.5 实证研究与仿真 |
| 7.5.1 数据选取 |
| 7.5.2 BP神经网络的拓扑结构 |
| 7.5.3 参数设置 |
| 7.5.4 实证结果分析 |
| 7.6 本章小结 |
| 第八章 多目标柔性作业车间调度问题的改进粒子群算法 |
| 8.1 引言 |
| 8.2 多目标柔性作业车间调度问题 |
| 8.3 粒子群算法的改进策略 |
| 8.3.1 编码和解码 |
| 8.3.2 种群初始化和精英存档 |
| 8.3.3 粒子最优位置的更新 |
| 8.3.4 粒子的学习策略 |
| 8.3.5 个体最优位置的进化策略 |
| 8.4 改进的多目标粒子群算法(AMOPSO) |
| 8.5 数值实验 |
| 8.5.1 测试问题和实验设置 |
| 8.5.2 结果分析 |
| 8.6 本章小结 |
| 第九章 总结与展望 |
| 9.1 总结 |
| 9.2 展望 |
| 参考文献 |
| 附录1 约束优化问题的测试问题 |
| 附录2 非线性混合整数规划问题的测试问题 |
| 附录3 多目标优化问题的测试问题 |
| 附录4 柔性作业车间调度问题的实例数据 |
| 攻读博士学位期间的学术活动及成果情况 |
（5）基于PMU的配电网状态估计及PMU配置优化（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.2 配电网状态估计与PMU优化配置 |
| 1.2.1 配电网潮流算法综述 |
| 1.2.2 配电网状态估计算法概述 |
| 1.2.3 PMU优化配置算法概述 |
| 1.3 状态估计和PMU优化配置研究现状 |
| 1.3.1 状态估计国内外研究现状 |
| 1.3.2 PMU优化配置国内外研究现状 |
| 2 基于PMU的配电网状态估计 |
| 2.1 配电网状态估计数学模型 |
| 2.2 面向配电网的PMU设备及其重要性 |
| 2.3 算例分析 |
| 3.面向状态估计的配电网PMU优化配置 |
| 3.1 PMU优化配置数学模型 |
| 3.1.1 系统可观性定义 |
| 3.1.2 电网快速拓扑可观测性分析 |
| 3.1.3 基于全网可观测的配置方法 |
| 3.2 混合遗传算法 |
| 3.3 算例分析 |
| 4 结论和展望 |
| 4.1 结论 |
| 4.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（6）功能梯度纳米复合材料层合结构的力学响应分析及其铺层优化（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 功能梯度复合材料研究概述 |
| 1.2.2 无网格法研究概述 |
| 1.2.3 层合结构的力学响应分析及其设计优化研究概述 |
| 1.3 本文工作概述 |
| 第二章 CNTRC层合结构 |
| 2.1 正交各向异性复合材料本构关系 |
| 2.2 复合材料弹性参数 |
| 2.2.1 FRC主轴方向的弹性参数 |
| 2.2.2 FG-CNTRC主轴方向的弹性参数 |
| 2.3 复合材料非主轴方向上本构关系 |
| 2.4 FG-CNTRC层合结构的协调方程 |
| 2.4.1 FG-CNTRC单层板壳应变-位移关系 |
| 2.4.2 典型层合板壳结构的刚度计算 |
| 2.5 本章小结 |
| 第三章 FG-CNTRC层合结构宏观力学响应模拟 |
| 3.1 线性力学响应的无网格分析方法 |
| 3.2 FG-CNTRC简化叶片的自由振动 |
| 3.2.1 FG-CNTRC叶片的数学模型 |
| 3.2.2 势能推导以及能量离散 |
| 3.2.3 刚度矩阵的计算 |
| 3.2.4 背景网格 |
| 3.2.5 收敛性分析 |
| 3.2.6 计算结果分析 |
| 3.3 FG-CNTRC圆柱曲板的屈曲分析 |
| 3.3.1 FG-CNTRC圆柱曲板的数学模型 |
| 3.3.2 基体存在裂缝及其退化刚度矩阵的推导 |
| 3.3.3 曲板势能推导 |
| 3.3.4 计算结果分析 |
| 3.4 本章小结 |
| 第四章 FG-CNTRC层合结构铺层优化 |
| 4.1 铺层优化以及优化算法的选择 |
| 4.2 优化目标 |
| 4.3 算法实施 |
| 4.3.1 基因编码以及初始化种群 |
| 4.3.2 繁殖 |
| 4.3.3 交叉 |
| 4.3.4 变异 |
| 4.4 结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 硕士期间已发表或录用论文 |
（7）多目标进化算法研究及其在水库优化调度中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 多目标优化研究进展 |
| 1.2.1 多目标优化问题概述 |
| 1.2.2 多目标进化算法研究进展 |
| 1.3 多目标进化算法评价测度 |
| 1.3.1 测试函数 |
| 1.3.2 评价指标 |
| 1.4 水库多目标优化研究进展 |
| 1.4.1 水库多目标模型研究进展 |
| 1.4.2 水库多目标算法研究进展 |
| 1.5 研究难点与存在问题 |
| 1.6 本文工作与结构安排 |
| 第二章 基于反向学习的多目标飞蛾算法 |
| 2.1 引言 |
| 2.2 算法设计与实现 |
| 2.2.1 基于反向学习的初始化方法 |
| 2.2.2 飞蛾优化算子设计 |
| 2.2.3 外部档案集维护设计 |
| 2.2.4 算法复杂度分析 |
| 2.2.5 算法流程 |
| 2.3 算法验证与性能分析 |
| 2.3.1 参数设置 |
| 2.3.2 评价测度设置 |
| 2.3.3 性能验证与分析 |
| 2.3.4 进化趋势分析 |
| 2.4 本章小结 |
| 第三章 基于网格排序机制的多目标鲸鱼算法 |
| 3.1 引言 |
| 3.2 算法设计与构建 |
| 3.2.1 MOWOA算法初始化设计 |
| 3.2.2 鲸鱼优化算子设计 |
| 3.2.3 基于网格的排序机制设计 |
| 3.2.4 外部档案集维护设计 |
| 3.2.5 算法复杂度分析 |
| 3.2.6 算法流程 |
| 3.3 算法验证 |
| 3.3.1 参数设定 |
| 3.3.2 评价测度设定 |
| 3.3.3 结果分析 |
| 3.4 算法分析 |
| 3.4.1 算法性能分析 |
| 3.4.2 算法参数分析 |
| 3.4.3 机制通用性分析 |
| 3.5 本章小结 |
| 第四章 基于自适应聚类的高维多目标进化算法 |
| 4.1 引言 |
| 4.2 算法设计与实现 |
| 4.2.1 算法初始化设计 |
| 4.2.2 子代生成 |
| 4.2.3 环境选择 |
| 4.2.4 算法复杂度分析 |
| 4.3 算法验证 |
| 4.3.1 测试问题设置 |
| 4.3.2 评价指标设定 |
| 4.3.3 算法参数设定 |
| 4.3.4 结果与分析 |
| 4.4 算法分析 |
| 4.4.1 与当前MaOEAs异同性分析 |
| 4.4.2 自适应聚类机制分析 |
| 4.4.3 混合距离筛选机制分析 |
| 4.4.4 超高维多目标优化分析 |
| 4.5 本章小结 |
| 第五章 算法收敛性分析 |
| 5.1 引言 |
| 5.2 多目标进化算法收敛性分析 |
| 5.3 基于排序的多目标进化算法收敛性分析 |
| 5.4 高维多目标进化算法收敛性分析 |
| 5.5 本章小结 |
| 第六章 水库多目标优化调度应用研究 |
| 6.1 引言 |
| 6.2 问题目标设计 |
| 6.2.1 以发电量最大作为为目标 |
| 6.2.2 以灌溉缺水最少作为为目标 |
| 6.2.3 以生态缺水最少作为为目标 |
| 6.2.4 以工业缺水最少作为为目标 |
| 6.2.5 约束条件 |
| 6.3 流域模型搭建 |
| 6.3.1 流域实况 |
| 6.3.2 模型建立 |
| 6.4 模型优化求解 |
| 6.4.1 算法参数设定与约束处理 |
| 6.4.2 算法具体实施流程 |
| 6.4.3 调度结果分析 |
| 6.5 相关系统构建 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读博士学位期间发表的学术论文 |
| 3 参与的科研项目 |
| 4 获奖情况 |
| 5 专利与软件着作权 |
| 学位论文数据集 |
（8）遗传算法的漂移效应与利用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 遗传算法研究现状 |
| 1.3 研究创新点 |
| 1.4 论文结构安排 |
| 第二章 遗传算法的概况 |
| 2.1 遗传算法的历史 |
| 2.2 遗传算法主要特征及基本概念 |
| 2.3 标准遗传算法的结构 |
| 2.3.1 编码方式以及解码方式 |
| 2.3.2 选择操作 |
| 2.3.3 交叉操作 |
| 2.3.4 变异操作 |
| 2.3.5 精英策略以及灾变 |
| 2.4 遗传算法的基本理论 |
| 2.4.1 模式定理 |
| 2.4.2 马尔可夫链(Markov链) |
| 2.4.3 收敛性分析 |
| 2.5 遗传算法的研究成果 |
| 2.6 本章小结 |
| 第三章 遗传算法漂移效应及其分析 |
| 3.1 实验设定 |
| 3.2 遗传算法漂移的表现 |
| 3.3 遗传算法漂移的原因分析 |
| 3.4 本章小结 |
| 第四章 遗传算法浮点数位变异 |
| 4.1 遗传算法的变异方式 |
| 4.1.2 浮点数随机重设变异 |
| 4.1.3 交换变异 |
| 4.1.4 混乱变异 |
| 4.1.5 倒置变异 |
| 4.1.6 高斯变异 |
| 4.2 浮点数位变异方式 |
| 4.3 本章小结 |
| 第五章 验证实验 |
| 5.1 实验设定 |
| 5.2 各Benchmark函数的现象与观察 |
| 5.2.1 Ackley函数 |
| 5.2.2 Rastrigin函数 |
| 5.2.3 Schwefel函数 |
| 5.2.4 Shubert函数 |
| 5.2.5 Six hump camelback函数 |
| 5.2.6 附加函数 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 漂移效应的应用 |
| 6.1 基于漂移效应的改进 |
| 6.2 实验设定 |
| 6.3 实验结果分析 |
| 6.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）基于智能优化算法的阵列方向图综合方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 阵列方向图综合方法研究现状 |
| 1.2.1 传统的方向图综合方法 |
| 1.2.2 阵列方向图综合的智能优化算法 |
| 1.3 多目标优化算法研究现状 |
| 1.4 研究主要问题及解决方案 |
| 1.5 主要研究内容和章节安排 |
| 2 阵列方向图综合及智能种群优化算法 |
| 2.1 引言 |
| 2.2 智能优化算法在阵列方向图综合中的应用 |
| 2.2.1 种群优化算法及其在阵列方向图综合中的应用 |
| 2.2.2 遗传算法及其在阵列方向图综合中的应用 |
| 2.3 稀布阵列方向图综合模型 |
| 2.4 带反馈的粒子群优化算法综合阵列方向图 |
| 2.4.1 带反馈动态迭代权值的粒子群优化算法 |
| 2.4.2 不同类型的适应度函数 |
| 2.4.3 实验仿真及结果分析 |
| 2.5 结论 |
| 3 数字位移虚拟稀布阵元方法综合阵列方向图 |
| 3.1 引言 |
| 3.2 采用数字位移虚拟稀布阵元方法综合阵列方向图 |
| 3.3 带反馈的粒子群优化算法与约束条件 |
| 3.4 线阵优化实验仿真及结果分析 |
| 3.4.1 等激励线性阵列优化位置偏移 |
| 3.4.2 采用位置偏移和最优幅度优化线性阵列 |
| 3.5 平面阵优化实验仿真及结果分析 |
| 3.5.1 采用数字位移虚拟稀布阵元方法综合平面阵方向图 |
| 3.5.2 平面阵方向图综合仿真实验 |
| 3.6 结论 |
| 4 基于曲线拟合和插值的多目标遗传算法 |
| 4.1 引言 |
| 4.2 多目标优化算法分类 |
| 4.2.1 基于改进Pareto支配的多目标优化算法 |
| 4.2.2 基于性能指示的多目标优化算法 |
| 4.2.3 基于分解算法的多目标优化算法 |
| 4.2.4 基于网格的多目标优化算法 |
| 4.2.5 强调种群分布性的多目标优化算法 |
| 4.3 多目标优化问题 |
| 4.4 基于拟合和插值的多目标遗传算法 |
| 4.5 仿真结果 |
| 4.5.1 评估算法性能的准则 |
| 4.5.2 实验仿真及结果分析 |
| 4.6 结论 |
| 5 基于INSGA-II/SC的阵列方向图综合 |
| 5.1 引言 |
| 5.2 具备三种改进措施的INSGA-II/SC |
| 5.2.1 INSGA-II/SC处理流程 |
| 5.2.2 动态非支配策略 |
| 5.2.3 曲面平均分布策略 |
| 5.2.4 范围约束策略 |
| 5.3 采用INSGA-II/SC优化数学多目标问题 |
| 5.3.1 评估算法性能的准则 |
| 5.3.2 数学多目标问题实验仿真及结果分析 |
| 5.4 采用INSGA-II/SC综合多目标阵列方向图 |
| 5.4.1 阵列方向图多目标优化模型 |
| 5.4.2 实验仿真及结果分析 |
| 5.5 采用多目标优化算法对大规模阵列进行优化 |
| 5.5.1 线性稀疏阵列低旁瓣方向图综合 |
| 5.5.2 数字移相阵列方向图综合 |
| 5.5.3 实验仿真及结果分析 |
| 5.6 采用多目标优化算法对真实方向图阵列进行综合 |
| 5.7 结论 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
（10）优化迭代学习控制算法及其收敛性分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 迭代学习控制的提出和研究意义 |
| 1.2 迭代学习控制问题描述 |
| 1.2.1 迭代学习控制过程原理 |
| 1.2.2 迭代学习控制流程 |
| 1.3 迭代学习控制研究现状 |
| 1.3.1 PID型迭代学习控制学习律及其高阶算法 |
| 1.3.2 迭代学习控制的初值问题 |
| 1.3.3 迭代学习控制的2D分析法 |
| 1.3.4 优化迭代学习控制 |
| 1.3.5 非线性系统的迭代学习控制算法 |
| 1.3.6 迭代学习控制的鲁棒性问题 |
| 1.4 本文主要研究内容 |
| 2 高阶参数优化迭代学习控制算法 |
| 2.1 引言 |
| 2.2 时变参数优化迭代学习控制算法 |
| 2.3 高阶算法 |
| 2.4 仿真实例 |
| 2.5 本章小结 |
| 3 基于奇异值分解的PID型参数优化迭代学习控制算法 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 算法介绍 |
| 3.4 奇异值分解法 |
| 3.5 仿真分析 |
| 3.6 本章小结 |
| 4 基于拟Broyden法的非线性系统参数优化迭代学习控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 基于牛顿法的迭代学习控制简介 |
| 4.4 基于拟Broyden法的参数优化迭代学习控制 |
| 4.5 算法实施 |
| 4.6 仿真分析 |
| 4.7 本章小结 |
| 5 基于改进牛顿法的非线性间歇反应过程终端迭代学习控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 改进的牛顿迭代学习控制算法介绍 |
| 5.4 仿真实例 |
| 5.5 本章小结 |
| 6 基于范数优化的一类不确定非线性系统鲁棒迭代学习控制 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 无扰动情况下的收敛性分析 |
| 6.4 范数优化的遗传算法实现 |
| 6.4.1 遗传算法简介 |
| 6.4.2 基于遗传算法的范数优化迭代学习控制算法 |
| 6.5 范数优化算法在扰动存在情况下的鲁棒性分析 |
| 6.6 仿真实例 |
| 6.7 本章小结 |
| 7 一种非线性离散系统鲁棒迭代学习控制方法 |
| 7.1 引言 |
| 7.2 离散非线性系统的鲁棒迭代学习控制算法 |
| 7.3 仿真分析 |
| 7.4 本章小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点摘要 |
| 8.3 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 |
四、最优保留遗传算法及其收敛性分析（论文参考文献）
- [1]基于分布式优化算法的电力系统经济调度研究[D]. 何伟同. 西安理工大学, 2021(01)
- [2]混合蛙跳算法及其在带容量约束的车辆路径问题中的应用研究[D]. 黄遥. 南京信息工程大学, 2020(02)
- [3]复杂网络鲁棒性的分析、进化优化与应用研究[D]. 王帅. 西安电子科技大学, 2020(05)
- [4]若干最优化问题的粒子群算法及应用研究[D]. 孙滢. 合肥工业大学, 2020(01)
- [5]基于PMU的配电网状态估计及PMU配置优化[D]. 张宝文. 浙江大学, 2020(11)
- [6]功能梯度纳米复合材料层合结构的力学响应分析及其铺层优化[D]. 向仍进. 上海交通大学, 2020(09)
- [7]多目标进化算法研究及其在水库优化调度中的应用[D]. 李伟琨. 浙江工业大学, 2020(08)
- [8]遗传算法的漂移效应与利用研究[D]. 邓国健. 华南理工大学, 2019(01)
- [9]基于智能优化算法的阵列方向图综合方法研究[D]. 韩闯. 西北工业大学, 2019(04)
- [10]优化迭代学习控制算法及其收敛性分析[D]. 逄勃. 大连理工大学, 2013(05)