一、基于改进单亲遗传算法的Flow-Shop问题求解方法（论文文献综述）
丁通[1]（2019）在《面向物流配送的无人机智能调度方法研究》文中研究指明物流配送一般指从物流中心配送到客户的服务,是整个物流的末端环节,包括快递、外卖、医疗药品、应急救援物资等配送场景。近年来,人们对于物流配送时效性的要求越来越高,目前物流配送主要使用骑手或车辆方式。但在当前越来越复杂的交通环境下,采用该种方式往往会因多次绕路或交通高峰拥堵而使得配送时间延长,无法满足配送时效性要求。随着近年来无人机的快速发展和功能完善,其空中直线运载能力和能够避开复杂地面交通的特点使其成为研究机构和物流配送领域相关公司关注的焦点。现有的无人机物流配送多应用于固定两点间配送的情况,无人机只能在该条航线运行,不能随任务的变化进行自动调度,没有发挥出有限运力资源的更大潜力,主要原因是缺少成熟的无人机调度数学模型和适用的智能调度算法,没有成熟而高效的无人机智能调度系统,因此有必要针对物流配送场景下的无人机智能调度方法问题进行研究,以提升运力资源的利用。本文首先对无人机在物流配送领域的应用场景进行分析,以订单任务总时间成本和超时惩罚为目标函数,考虑无人机冲突风险、机场状态时间窗等限制条件构建了无人机调度模型。其次,在现有单亲遗传算法基础上,对编码设计及基因操作阶段进行了优化和改进,使之适用于无人机调度模型,对订单任务的最优执行顺序进行解空间搜索。再次,制定了基于时间片搜索的时间窗分配策略,依据任务执行顺序解算获取执行各任务的无人机、具体执行时间等调度结果,并计算得到当前任务执行顺序的适应度函数,将其返回给改进单亲遗传算法进行选择迭代。然后选择实际的外卖配送数据进行抽象分析,在仿真环境下对本文建立的模型和改进算法的有效性和可行性进行了初步验证。最后,建立无人机调度半物理仿真实验平台,模拟真实场景进行建模、订单动态添加,分别选取前序无遗留任务、前序有遗留任务的订单和多批次连续输入的订单数据进行无人机调度飞行实验,并与传统的优先级排序方式进行对比,验证改进算法的优越性。同时与骑手配送方式进行对比,证明了本文建立的无人机调度模型及智能算法在实际物流配送中对时效性的提升。
丁蕊[2]（2019）在《面向目标关系的多目标优化算法研究》文中研究表明多目标优化问题广泛存在于生产实践中。根据目标数目不同,本文将多目标优化问题细分为经典多目标优化问题、高维多目标优化问题和超多目标优化问题;根据最优解与目标间的对应满足程度不同,提出一类特殊的多目标优化问题。传统多目标优化问题默认目标间存在竞争关系。目标间常见的其他关系还包括相似、冗余、协作、约束和不相关的关系。由于较多的目标数,高维和超多目标优化算法的性能仍面临挑战。传统多目标优化算法搜索问题的最优妥协解,不适于求解目标需要完全满足的特殊多目标优化问题。本文针对不同类型的多目标优化问题,根据目标关系研究求解方法。从提高算法性能角度,研究目标间默认竞争关系的高维多目标优化算法,以及具有相似或冗余关系的超多目标优化算法;从问题求解效率角度,对具有约束关系的多目标优化问题提出分层优化的求解算法,对具有协作关系的特殊多目标优化问题提出求解方法。本文主要贡献和具体研究内容包括以下四方面。（1）针对经典算法NSGA-III在求解具有竞争关系的高维多目标优化问题时存在的不能确定搜索整个解空间和单项目标最优解不能确定参与进化的问题,提出了基于双存档策略的高维多目标优化算法。基准测试函数上的实验表明,所提算法能够更快找到分布性更优的解集。该方法也适用于经典的基于分解的多目标优化算法和基于参考点的其他多目标优化算法。（2）对于目标间存在相似和冗余关系的超多目标优化问题,提出了基于自适应生长树聚类的目标约简求解方法,克服了聚类数目难以确定和目标样本点形状复杂时不恰当聚类的问题;提出基于目标聚合的约简方法,克服了删除冗余目标导致的最优解多样性缺失的问题。基准测试函数上的实验表明,所提方法在HV、IGD和综合指标上都具有更好的性能。（3）针对具有约束关系的多目标优化问题,提出了分层优化的求解方法,克服了传统多目标优化算法搜索妥协解的问题,能够使搜索到的最优解确定性地满足约束目标。以冰壶比赛对阵编排问题为实例验证分层优化求解方法的性能。实验表明,所提方法能够找到满足实践需求的最优解。（4）提出了求解需要每个最优解确定性的完全满足一个目标的特殊多目标优化问题的通用框架,克服了传统多目标优化算法在具有竞争关系的目标间寻找妥协解而导致无法完全满足各目标分量需求的问题。对于具有协作关系的多个目标优化问题,设计了分析及利用目标关系信息的优化框架,在软件测试数据生成问题实例中给出了路径表达方式和具体的求解算法。实验表明,所提方法能够有效求解具有协作关系的多个目标优化问题。对于目标间存在不同关系的不同类型的多目标优化问题,本文根据目标关系和问题特点研究高效实用的优化算法,为后继研究不同类型的多目标优化问题求解方法提供了基础。
郑晨曦[3]（2015）在《基于改进单亲遗传算法的桥梁监测传感器优化布置研究》文中认为大型桥梁工程投资大、设计周期和使用年限长、工作环境恶劣,因此有必要对其进行实时健康监测及状态评估,以避免或减小在运营期间由于各种原因出现损伤、破坏而造成的损失。其中,传感器优化布置作为桥梁健康监测系统的关键问题之一,对结构信息的采集起着至关重要的作用。在保证所获取的桥梁健康状况信息可靠且全面的基础上,如何通过布置尽可能少的传感器数量是传感器优化布置的难点所在。本文首先简要概括了国内、外桥梁健康监测研究的发展现况以及传感器优化布置的常用准则与方法；再从已有单亲遗传算法出发,引入自适应遗传算子和多目标函数的概念对其进行改进,同时使用MATLAB编写改进单亲遗传算法的运行程序；最后以杭州市跨造桥港桥为背景,利用改进单亲遗传算法对桥梁传感器进行优化布置。通过上述研究,得到以下主要成果：1)单亲遗传算法由于取消了传统遗传算法中的交叉算子,使得所有的遗传操作都只在单个个体上进行,可以确保传感器数目随着进化历程保持不变,通过具体的旅行商问题算例,证明了单亲遗传算法的可行性与高效性。2)引入自适应遗传算子和多目标函数的概念对单亲遗传算法进行改进,不仅可以提高算法本身的运算性能,防止其过早局部收敛,而且还可以对不同的目标函数进行优化计算,相较于改进前的单亲遗传算法,能更好地满足桥梁传感器优化布置的需求。3)基于Fisher信息矩阵与引入逐步累积思想后的模态置信度准则,可以实现对目标模态的选取以及传感器最优数目的预估,避免了以往传感器优化布置研究中目标模态与传感器数量的选取主要依靠研究者的经验判断这一现象。4)利用改进单亲遗传算法分别对杭州市跨造桥港桥主梁的竖向位移、纵向应变及索塔的纵向倾角传感器进行了优化布置分析,结果表明,改进单亲遗传算法可以很好地满足传感器系统对于经济性和功能性的要求,具有一定的实用价值。
张翠林,王烁,王军强[4]（2014）在《考虑约束松弛的柔性流水调度研究》文中提出针对柔性流水车间作业调度问题,考虑加工批量约束松弛和瓶颈工序顺序松弛2种情形,抽取出相应的新型柔性流水车间调度问题,建立了最小化最大完工时间的数学模型,提出了改进的单亲遗传算法,进行了优化求解,得到了不同约束松弛情况下的最优调度方案。通过算例仿真,验证了所提方法的有效性。
彭丽[5]（2013）在《基于遗传算法的移动机器人路径规划》文中研究指明机器人技术是20世纪自动控制领域最辉煌的成就。移动机器人也得到了世界各国政府的重视，成为了最具发展潜力和发展前景的应用型产业。为推动和促进机器人和自动化技术的飞速发展，各国产、学、研相关机构均投入大量资源进行机器人技术开发。机器人竞赛是综合性技术的较量，其激烈对抗的精彩过程吸引了不少大学生爱好者，已经成为培养创新人才和发展机器人技术的重要平台。本文以中国机器人大赛为研究背景，对移动机器人路径规划问题做了详细描述，简单介绍了几种常用的路径规划算法，并总结了其优劣性。“机器人游中国”竞赛项目的制胜之道就是在规定的时间内游历更多的景点，获取更多的分数。针对研究对象和竞赛规则，建立了比赛得分的数学模型，提出了最合算景点的概念及其数学模型，从而设计了一种适合“机器人游中国”竞赛项目参赛机器人路径规划的启发式算法。算法的思路简单清晰，计算速度快，并且实验表明该算法在比赛中能获得良好的比赛成绩。遗传算法也是常用的路径规划算法之一，本文详细介绍了单亲遗传算法的特点、典型运行步骤以及其组成部分，为改进的单亲遗传算法奠定了理论基础。针对“机器人游中国”路径规划问题，对单亲遗传算法做了必要的改进。构造了序号编码单亲遗传算法的遗传算子：基因换位算子、优质基因保护算子、优质基因优先算子、基因排斥算子和染色体修复算子。这些遗传算子能有效地提高算法的计算效率。通过MATLAB7.10进行仿真计算，本文提出的改进单亲遗传算法用于解决“机器人游中国”路径规划问题，效果甚为理想。
王丽娟[6]（2012）在《用单亲遗传算法求解二维装箱问题》文中指出装箱问题是一个传统的NP难问题,它也是一个经典的组合优化问题。本文首先对装箱问题进行了综述,总结了装箱问题的算法,其中最常用的是启发式算法和遗传算法。其次简单阐述了遗传算法的基本实现机理,重点对单亲遗传算法的概念和思想进行了叙述,然后针对二维矩形装箱问题的FFA算法及其改进算法IFFA进行了分析,并对IFFA2算法进行了一定量的介绍。最后在IFFA2算法的基础上,考虑了将一定量的物品放入到多个箱子中的问题,提出IFFA3算法,在此算法中,提出了同时考虑物品装箱的顺序、物品放置方向以及箱子个数的控制的编码方案,并设计了新的适应度函数,在解码过程中引入了IFFA3算法,让启发式算法与遗传算法有机的结合在一起。
陈慈波,徐克林,申屠锦锦[7]（2011）在《考虑工件准备时间的Semi-Flow-Shop装配调度问题研究》文中提出提出一种类似于Flow-Shop调度问题（FSP）但又区别于FSP的Semi-Flow-Shop装配调度问题（SFSP）,即在系列产品的装配中,某些产品可以跳过装配工艺中的几道工序而直接进入下道工序。根据实际情况,同时考虑了工件的准备时间及劳动力资源约束。针对该类问题,以最小化生产周期为目标建立数学模型,并设计了一种改进的双层自适应单亲遗传算法,实例证明该算法具有较高的有效性。
宋存利[8]（2011）在《生产调度问题及其智能优化算法研究》文中进行了进一步梳理随着经济全球化的深入和科学技术的发展,制造企业面临的外部环境越来越复杂多变,如市场变化迅速、竞争加剧、客户多样化等等。生产调度问题作为制造系统的一个核心问题,优良的调度结果可以帮助企业缩短生产周期、提高生产效率、增强竞争力,因此对调度问题的研究具有重要意义。生产调度问题类型很多,这些问题中大多数都属于NP问题。为此,研究者们多年来不断寻求求解这类问题的最优化方法。近年来,一些群体智能优化方法（如遗传算法、进化规划、差分算法、微粒群算法、蚂蚁算法等）以及一些邻域搜索算法（如模拟退火算法、禁忌搜索算法）的发展,为人们研究生产调度问题提供了新的思路和手段,同时各种智能算法的有效混合也成为人们研究的热点。基于此,本文对生产调度问题及其优化算法展开了如下几个方面的研究：针对以最小化最大完工时间为目标的Job-shop调度问题,提出了一种混合微粒群算法（Hybrid Particle Swarm Optimization Algorithm, HPSO）。该算法采用基于工序的随机键编码方式对微粒编码,同时提出了一种改进的活动调度解码算法对微粒解码。鉴于微粒群算法具有较强的全局寻优能力和差的局部搜索能力,将3种不同邻域结构的模拟退火算法随机与微粒群算法相结合,针对每个微粒找到的当前最好解利用模拟退火算进行局部寻优,提高算法的局部搜索能力。最后实验表明了该算法对大多数经典调度问题的有效性。在总结无等待流水调度问题一般规律的基础上,提出了基于邻域迭代的搜索算法。该算法利用相邻工件间的开工时间距离求解最小化最大完工时间,同时利用两确定工件相邻加工时其开工时间距离是常量这一特点,对邻域解采用增量计算,将算法的时间复杂度降了一阶。同时将变邻域搜索思想应用在算法设计中,避免算法陷入局部最优。实验表明该算法对大规模无等待流水调度问题有较高的求解效率和求解质量,比较适应生产实际。研究了柔性Job-shop调度问题,提出解决该问题的混合微粒群优化算法HPSO,该算法对设备分配和工序排序调度采用不同的编码方法和更新公式,为了提高算法效率,用基于设备的初始化方法和基于工件序列的初始化方法来提高HPSO初始种群的质量。同时提出了4种采用不同邻域搜索策略的模拟退火算法,并将它与PSO算法进行随机混合,提高了算法的局部搜索能力,最后实验表明了HPSO的有效性。考虑到设备分配与工件排序之间的强耦合性,传统的微粒群求解模式有可能在微粒运动过程中破坏gbest的优化模式,提出了协同进化的微粒群优化算法,该算法将设备选择和工件调度分别作为两个寻优变量,分别利用PSO算法寻优,并根据两个变量的内容进行互相评价,最终获得一个将设备选择和工件调度相结合的最好调度结果。最后实验表明该算法较HPSO算法对柔性Job-shop问题的寻优质量具有明显的优势。在对一些混合算法研究的基础上,通过对迭代搜索算法组成元素、寻优机理、静态算法混合模式、算法混合知识的描述及数据库存储模式等研究,提出了迭代搜索的算法框架及混合算法框架,并采用多代理技术予以实现,最后实验证明本策略的有效性。
尹金良[9]（2009）在《基于负荷预测的配电网络重构》文中研究指明配电网络重构是提高电网运行的经济性、供电质量和安全性的重要手段。通过配电网络重构一方面可降低网损,改善电压质量;另一方面可以平衡系统负荷,使负荷在各个馈线和变压器之间合理分配,可以避免线路和变压器过载,改善系统的运行条件,提高系统运行的安全性。配电网络重构主要有两个研究方向,一是配电网络实时重构,即根据电力负荷实时改变配电网络结构。如果配电网络实时重构依据的是实时上传的负荷数据,由于数据的获取与传输、程序的运行及远动设备的动作都需要花费时间,这就使得程序运行所获得配电网络重构的结果是针对获取数据那一时刻,而并非是针对当前的运行状态。二是按时间段进行配电网络重构,即按小时、日、周、月等进行配电网络重构。如果按时间段进行的配电网络重构依据的是已经上传的负荷数据,则配电网络重构的结果是针对历史的某一时间段,而并非是针对未来的某一时间段。因此,基于已上传的负荷数据进行配电网络重构,将影响配电网络重构的现实意义。近年来负荷预测技术已趋于成熟,预测的精度和速度都有很大的提高。本文尝试着先对电力负荷进行预测,然后根据负荷预测数据进行配电网络重构,这样便可以预测未来某一时刻或某一时间段配电网络的最优运行结构。由于是对配电网络最优运行结构预判,可以降低对计算速度的要求,重构的结果可以作为计划部门和调度部门制定运行方式和调度的参考。电力负荷预测采用了遗传程序设计算法,并在负荷预测前对样本数据进行预处理,在预测的过程中对工作日和周末进行分类预测。配电网络重构采用了单亲遗传算法,并针对配电网络重构的特点对单亲遗传算法进行了改进。本文针对配电网络的特点,提出适于程序设计解决环网问题、孤岛问题的实用的方法,给出实际程序设计中所遇到的负荷转移问题的实用解决方案。并给出基于GIS数据库的配电网络的拓扑搜索方法。本文采用SQL Server 2000作为数据库管理系统,以Visual Studio.NET作为开发平台,采用可视化高级编程语言VC#.NET开发了基于负荷预测的配电网络重构系统。配电网络重构的结果可以通过GIS、主接线图进行图形显示。
李春德[10]（2009）在《MES中基于单亲遗传算法的调度技术研究》文中认为制造执行系统（Manufacturing Execution System, MES）是介于上层计划管理系统与底层工业控制之间,面向车间生产的管理信息系统,是实现企业敏捷制造的重要基础。其中,车间生产调度是制造执行系统的核心功能,直接关系到企业的生产、经营和管理效率。及时准确的生产调度能有效地降低生产成本,提高企业的竞争力。论文首先在分析制造执行系统思想、功能和特点的基础上,对制造执行系统中的车间作业调度问题（Job-shop Scheduling）进行了描述和定义,分析了其特点,探讨了车间作业调度问题的可计算性和复杂度,综述了求解车间作业调度问题的目标、主要方法和研究现状。为提高制造执行系统中静态车间作业调度的效率,设计了单亲遗传调度算法（PGA）,探讨了基因编码、解码方式和目标函数,给出了算法流程和步骤,在遗传算子设计中,提出根据个体适应值选择遗传算子中染色体子串基因位置的方法,简化了遗传操作,降低了算法的复杂性,提高了运算效率,通过对典型标准调度问题的求解,对比分析了采用根据个体适应值选择遗传算子中染色体子串基因位置和不采用此种选择方式的运算结果,证明了所提算法的效率和收敛性。针对MES中车间现场调度问题的动态随机性和复杂性的特点,论文着重分析了动态调度策略和方法,在此基础上,利用单亲遗传算法和滚动窗口再调度方法的优势,提出了MES中基于单亲遗传算法的滚动窗口再调度的动态调度方法,介绍了实现方法,给出了算法流程框图。最后,论文采用Visual C#.NET语言编程开发了MES中的车间调度原型系统,通过对车间典型动态扰动情况下的动态调度问题求解,验证了论文的思想和方法。
二、基于改进单亲遗传算法的Flow-Shop问题求解方法（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、基于改进单亲遗传算法的Flow-Shop问题求解方法（论文提纲范文）
（1）面向物流配送的无人机智能调度方法研究（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 国内外研究现状 |
| 1.2.1 无人机物流配送行业现状 |
| 1.2.2 智能调度方法研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 研究内容及组织结构 |
| 第2章 无人机物流配送问题分析及建模 |
| 2.1 无人机物流配送问题定义 |
| 2.1.1 问题定义 |
| 2.1.2 调度系统必要信息 |
| 2.2 无人机物流配送问题求解难点分析 |
| 2.3 无人机调度问题数学模型建立 |
| 2.3.1 相关假设 |
| 2.3.2 数学模型建立 |
| 2.3.3 多订单更新处理 |
| 2.3.4 时间窗冲突问题 |
| 2.4 小结 |
| 第3章 基于时间窗的改进单亲遗传算法研究 |
| 3.1 单亲遗传算法概述 |
| 3.1.1 引言 |
| 3.1.2 单亲遗传算法的基本原理 |
| 3.1.3 单亲遗传算法的结构 |
| 3.2 基于时间窗的改进单亲遗传算法框架 |
| 3.3 基于时间片搜索的时间窗分配策略 |
| 3.4 面向无人机配送场景的改进单亲遗传算法 |
| 3.4.1 编码设计 |
| 3.4.2 产生初始种群 |
| 3.4.3 选择算子 |
| 3.4.4 重组操作 |
| 3.4.5 变异操作 |
| 3.4.6 算法停止操作 |
| 3.4.7 评价种群 |
| 3.5 小结 |
| 第4章 场景问题分析及仿真实验 |
| 4.1 场景问题分析 |
| 4.1.1 场景选定 |
| 4.1.2 算例描述 |
| 4.2 算法参数的确定 |
| 4.3 基于时间窗的改进单亲遗传调度算法的实现 |
| 4.3.1 订单信息完善过程 |
| 4.3.2 基于时间片搜索的时间窗分配过程 |
| 4.3.3 适应度函数的设计 |
| 4.3.4 改进单亲遗传算法过程 |
| 4.4 仿真实验验证与分析 |
| 4.4.1 前序无遗留任务的订单 |
| 4.4.2 前序有遗留任务的订单 |
| 4.4.3 多批次连续输入的订单 |
| 第5章 半物理实验平台搭建及实验验证 |
| 5.1 半物理仿真系统硬件部分搭建 |
| 5.1.1 无人机飞行平台 |
| 5.1.2 地面站控制平台 |
| 5.1.3 视觉定位系统 |
| 5.1.4 无线通讯系统 |
| 5.2 半物理仿真系统软件部分搭建 |
| 5.2.1 上位机控制系统的构建 |
| 5.2.2 无人机调度程序 |
| 5.2.3 轨迹跟踪程序 |
| 5.3 实验验证与结论分析 |
| 5.3.1 实验场景分析 |
| 5.3.2 前序无遗留任务的半物理仿真实验 |
| 5.3.3 前序有遗留任务的半物理仿真实验 |
| 5.3.4 多批次订单连续输入的半物理仿真实验 |
| 第6章 总结与展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（2）面向目标关系的多目标优化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文的选题背景及意义 |
| 1.2 研究内容 |
| 1.2.1 多目标优化问题 |
| 1.2.2 目标间的关系 |
| 1.2.3 多目标优化算法 |
| 1.3 多目标优化算法研究现状 |
| 1.3.1 不同求解策略的研究现状 |
| 1.3.2 经典的多目标优化算法 |
| 1.4 标准测试函数及评价指标 |
| 1.4.1 测试函数 |
| 1.4.2 评价指标 |
| 1.5 研究中面临的主要挑战 |
| 1.6 论文主要研究内容和组织结构 |
| 1.6.1 论文主要内容 |
| 1.6.2 论文结构安排 |
| 第2章 竞争目标关系的高维多目标优化算法 |
| 2.1 引言 |
| 2.2 研究背景与动机 |
| 2.3 基于双存档策略的进化算法 |
| 2.3.1 均匀池策略 |
| 2.3.2 单项精英保留策略 |
| 2.3.3 双存档策略的高维多目标优化算法 |
| 2.4 仿真实验及结果 |
| 2.4.1 实验环境和函数 |
| 2.4.2 对比算法 |
| 2.4.3 参数设置 |
| 2.4.4 实验结果 |
| 2.5 性能分析 |
| 2.6 本章小结 |
| 第3章 基于相似或冗余目标约简的超多目标优化算法 |
| 3.1 引言 |
| 3.2 研究背景与动机 |
| 3.2.1 基于聚类的在线目标约简技术 |
| 3.2.2 研究动机 |
| 3.3 相关研究基础 |
| 3.3.1 基于生长树的聚类 |
| 3.3.2 基于距离的目标聚类 |
| 3.4 基于自适应生长树聚类目标约简的多目标优化方法 |
| 3.4.1 自适应最邻近距离 |
| 3.4.2 基于聚合的目标约简 |
| 3.4.3 算法:ORAPTC |
| 3.5 仿真实验及结果 |
| 3.5.1 实验函数与评价指标 |
| 3.5.2 对比算法 |
| 3.5.3 参数设置 |
| 3.5.4 实验结果 |
| 3.6 性能分析 |
| 3.7 本章小结 |
| 第4章 基于分层优化的约束关系多目标优化算法 |
| 4.1 引言 |
| 4.2 研究背景与动机 |
| 4.3 相关研究基础 |
| 4.3.1 求解约束问题的多目标优化法及分层思想 |
| 4.3.2 单亲遗传算法 |
| 4.4 分层优化的约束关系多目标优化算法 |
| 4.4.1 分层优化的模型描述 |
| 4.4.2 分层优化的改进型单亲遗传算法 |
| 4.4.3 冰壶实例求解 |
| 4.5 仿真实验及结果 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果与分析 |
| 4.6 性能分析 |
| 4.7 本章小结 |
| 第5章 基于协作目标信息启发的特殊多目标优化算法 |
| 5.1 引言 |
| 5.2 研究背景与动机 |
| 5.3 相关研究基础 |
| 5.3.1 具有协作关系的多个目标优化问题 |
| 5.3.2 烟花爆炸优化算法 |
| 5.3.3 测试数据生成实例及建模 |
| 5.4 基于协作目标信息启发的多个目标优化算法 |
| 5.4.1 多个目标优化问题求解算法 |
| 5.4.2 测试数据生成实例求解 |
| 5.5 仿真实验及结果 |
| 5.5.1 实验环境及实验数据 |
| 5.5.2 基准程序实验结果 |
| 5.5.3 工业程序实验结果 |
| 5.6 性能分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 个人简历 |
（3）基于改进单亲遗传算法的桥梁监测传感器优化布置研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 桥梁健康监测概述 |
| 1.1.1 桥梁健康监测的概念及组成 |
| 1.1.2 桥梁健康监测的发展简介与现状 |
| 1.1.3 桥梁健康监测的意义 |
| 1.2 传感器优化概述 |
| 1.2.1 传感器优化布置准则 |
| 1.2.2 传感器优化布置方法 |
| 1.2.3 传感器优化布置研究现状 |
| 1.3 遗传算法概述 |
| 1.3.1 遗传算法的概念及组成 |
| 1.3.2 遗传算法的特点 |
| 1.3.3 遗传算法的应用 |
| 1.4 单亲遗传算法 |
| 1.5 本文主要研究内容 |
| 第二章 单亲遗传算法理论介绍 |
| 2.1 单亲遗传算法的基本原理 |
| 2.2 单亲遗传算法的组成 |
| 2.2.1 编码方式 |
| 2.2.2 遗传算子 |
| 2.2.3 选择方式 |
| 2.2.4 适应度函数 |
| 2.3 单亲遗传算法的理论分析 |
| 2.3.1 单亲遗传算法的模式定理 |
| 2.3.2 单亲遗传算法的收敛性分析 |
| 2.3.3 单亲遗传算法的计算效率分析 |
| 2.3.4 单亲遗传算法的“准早熟收敛”问题 |
| 2.4 单亲遗传算法MATLAB程序及算例 |
| 2.4.1 TSP问题的数学模型 |
| 2.4.2 单亲遗传算法算例 |
| 2.5 本章小结 |
| 第三章 改进单亲遗传算法及其传感器优化布置应用 |
| 3.1 传感器优化布置的模态理论分析 |
| 3.2 单亲遗传算法的改进 |
| 3.2.1 自适应遗传算子 |
| 3.2.2 多目标函数 |
| 3.3 改进单亲遗传算法的传感器优化布置应用 |
| 3.3.1 基于Fisher信息矩阵的目标模态确定 |
| 3.3.2 基于MAC矩阵的传感器数目预估 |
| 3.3.3 传感器优化布置应用的计算流程 |
| 3.4 本章小结 |
| 第四章 改进单亲遗传算法的工程算例 |
| 4.1 工程背景 |
| 4.2 计算模型 |
| 4.2.1 模态分析 |
| 4.2.2 传感器候选测点的选取 |
| 4.3 利用改进单亲遗传算法寻求传感器最优布置 |
| 4.3.1 主梁竖向位移传感器的优化布置 |
| 4.3.2 主梁纵向应变传感器的优化布置 |
| 4.3.3 索塔纵向倾角传感器的优化布置 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 本文创新点 |
| 5.3 展望 |
| 参考文献 |
| 附录 |
（4）考虑约束松弛的柔性流水调度研究（论文提纲范文）
| 1 问题描述 |
| 2 数学模型 |
| 3 基于遗传算法的求解方法 |
| 3. 1 编码 |
| 3. 2 选择算子 |
| 3. 3 基因移位算子 |
| 3. 4 解码 |
| 4 算例及结果分析 |
| 5 结束语 |
（5）基于遗传算法的移动机器人路径规划（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 移动机器人发展现状及展望 |
| 1.3 论文的主要研究内容 |
| 第二章 移动机器人路径规划 |
| 2.1 移动机器人路径规划问题描述 |
| 2.2 移动机器人路径规划算法 |
| 2.2.1 人工神经网络 |
| 2.2.2 蚁群算法 |
| 2.2.3 粒子群算法 |
| 2.3 本章小结 |
| 第三章 移动机器人路径规划的启发式算法 |
| 3.1 引言 |
| 3.2 基于路径规划的启发式算法 |
| 3.3 仿真实验及分析 |
| 3.4 本章小结 |
| 第四章 移动机器人路径规划的遗传算法 |
| 4.1 移动机器人路径规划的传统遗传算法 |
| 4.1.1 遗传算法简介 |
| 4.1.2 基于路径规划的遗传算法 |
| 4.2 移动机器人路径规划的改进单亲遗传算法 |
| 4.2.1 单亲遗传算法概述 |
| 4.2.2 改进单亲遗传算法的遗传算子 |
| 4.2.3 改进单亲遗传算法的计算步骤 |
| 4.3 仿真实验及分析 |
| 4.3.1 传统遗传算法的仿真实验 |
| 4.3.2 改进单亲遗传算法的仿真实验 |
| 4.3.3 仿真结果比较分析 |
| 4.4 本章小结 |
| 结果与展望 |
| 参考文献 |
| 致谢 |
| 附录 A （攻读硕士学位期间所发表的学术论文） |
| 附录 B （景点编号及相关表格） |
| 附录 C （景点的计算距离表) |
（6）用单亲遗传算法求解二维装箱问题（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题简介 |
| 1.1.1 课题的提出 |
| 1.1.2 课题的背景及意义 |
| 1.1.3 课题的研究现状 |
| 1.2 装箱问题的简介 |
| 1.2.1 一维装箱问题 |
| 1.2.2 二维装箱问题 |
| 1.2.3 三维装箱问题 |
| 1.2.4 遗传算法解决装箱问题的成果 |
| 1.3 选题意义问题 |
| 1.4 本文的内容及文章的结构 |
| 1.4.1 本文的主要内容 |
| 1.4.2 文章的结构 |
| 1.4.3 本文的创新点 |
| 第二章 遗传算法的简介 |
| 2.1 遗传算法的基本概念 |
| 2.2 遗传算法的理论及特点 |
| 2.2.1 遗传算法的特点 |
| 2.2.2 遗传算法的应用 |
| 2.3 遗传算法的操作步骤 |
| 2.3.1 确定问题的编码方案 |
| 2.3.2 初始种群的选取与规模 |
| 2.3.3 确定适应度函数 |
| 2.3.4 控制参数的选择问题 |
| 2.3.5 遗传算法的操作 |
| 2.3.6 算法终止的条件 |
| 2.4 标准遗传算法的基本流程 |
| 第三章 单亲遗传算法简介 |
| 3.1 单亲遗传算法的提出 |
| 3.2 单亲遗传算法的原理和特点 |
| 3.2.1 单亲遗传算法的编码方式 |
| 3.2.2 关于单亲遗传算法的遗传算子的介绍 |
| 3.3 单亲遗传算法的标准运行流程 |
| 第四章 利用混合单亲遗传算法解决二维装箱问题 |
| 4.1 IFFA2算法的简介 |
| 4.1.1 IFFA2算法的提出 |
| 4.1.2 IFFA2算法的结构 |
| 4.1.3 IFFA2算法的优点 |
| 4.2 IFFA3算法的简介 |
| 4.2.1 IFFA3算法的提出 |
| 4.2.2 IFFA3算法的数据结构 |
| 4.2.3 IFFA3算法的碎片的运算和表示 |
| 4.2.4 IFFA3算法的举例 |
| 4.3 IFFA3算法在二维装箱第二类问题中的实现 |
| 4.3.1 编码与解码 |
| 4.3.2 初始种群的产生 |
| 4.3.3 适应度函数 |
| 4.3.4 选择算子 |
| 4.3.5 变异算子 |
| 4.3.6 终止算法的条件 |
| 4.3.7 算法的流程图 |
| 第五章 结论 |
| 参考文献 |
| 致谢 |
（7）考虑工件准备时间的Semi-Flow-Shop装配调度问题研究（论文提纲范文）
| 1 问题的数学描述 |
| 2 算法设计 |
| 2.1 算法描述 |
| 2.2 编码 |
| 2.3 算子操作 |
| 2.4 自适应参数 |
| 2.5 算法的改进 |
| 2.5.1 重组方式的改进 |
| 2.5.2 选择方式的改进 |
| 2.5.3 停机准则的改进 |
| 3 仿真实例 |
| 4 结语 |
（8）生产调度问题及其智能优化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 生产调度的概念 |
| 1.2 生产调度问题的分类及描述 |
| 1.3 生产调度问题的研究方法及现状 |
| 1.4 生产调度问题的研究热点 |
| 1.5 存在问题 |
| 1.6 论文研究意义及主要内容 |
| 2 Job-shop调度问题研究 |
| 2.1 Job-shop问题描述 |
| 2.2 Job-shop问题分类 |
| 2.3 Job-shop问题的编码 |
| 2.4 基于工序动态优先级的快速Job-shop调度算法 |
| 2.4.1 问题分析 |
| 2.4.2 优先级确定策略 |
| 2.4.3 调度算法设计 |
| 2.4.4 算法复杂度分析 |
| 2.4.5 实验分析与结论 |
| 2.5 求解Job-shop调度问题的微粒群优化算法 |
| 2.5.1 微粒群算法概述 |
| 2.5.2 编码与解码 |
| 2.5.3 邻域搜索 |
| 2.5.4 模拟退火搜索算法设计 |
| 2.5.5 混合PSO算法步骤 |
| 2.5.6 实验分析与结论 |
| 2.6 本章小结 |
| 3 柔性Job-shop调度问题研究 |
| 3.1 柔性Job-shop调度问题描述 |
| 3.2 柔性Job-shop调度问题的研究现状 |
| 3.3 求解柔性Job-shop调度问题的混合微粒群算法 |
| 3.3.1 微粒编码及解码 |
| 3.3.2 微粒更新公式定义 |
| 3.3.3 微粒群的初始化算法 |
| 3.3.4 局部搜索算法 |
| 3.3.5 混合算法框架 |
| 3.3.6 实验分析与结论 |
| 3.4 协同进化的微粒群优化算法求解柔性Job-shop调度问题 |
| 3.4.1 协同进化模型 |
| 3.4.2 协同进化PSO算法的流程图 |
| 3.4.3 实验分析与结论 |
| 3.5 本章小结 |
| 4 无等待流水调度问题研究 |
| 4.1 无等待流水调度问题描述 |
| 4.2 无等待流水调度问题研究现状 |
| 4.3 无等待流水调度问题特点及性质 |
| 4.4 求解无等待搜索调度问题的邻域迭代搜索算法 |
| 4.4.1 邻域迭代搜索算法 |
| 4.4.2 初始解构造算法 |
| 4.4.3 最佳插入迭代算法 |
| 4.4.4 贪婪交换迭代算法 |
| 4.4.5 实验分析与结论 |
| 4.5 求解无等待流水调度问题的单亲遗传算法 |
| 4.5.1 问题特点分析 |
| 4.5.2 单亲遗传算法的设计 |
| 4.5.3 实验分析与结论 |
| 4.6 本章小结 |
| 5 求解生产调度问题的迭代搜索算法动态混合策略 |
| 5.1 混合算法研究现状 |
| 5.2 问题描述 |
| 5.3 迭代搜索算法动态混合实现思路 |
| 5.3.1 生产调度问题建模 |
| 5.3.2 迭代搜索算法框架研究 |
| 5.3.3 混合算法的框架设计 |
| 5.3.4 知识表示与获取 |
| 5.4 基于多代理机制的算法动态混合策略 |
| 5.5 实验分析与结论 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 创新点摘要 |
| 参考文献 |
| 攻读博士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（9）基于负荷预测的配电网络重构（论文提纲范文）
| 摘要 |
| Abstract |
| 1 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 数学优化理论算法 |
| 1.2.2 最优流模式算法 |
| 1.2.3 支路交换算法 |
| 1.2.4 人工智能算法 |
| 1.3 本文所做的主要工作 |
| 2 遗传程序设计算法与单亲遗传算法 |
| 2.1 遗传程序设计算法 |
| 2.1.1 遗传程序设计算法的原理与结构 |
| 2.1.2 遗传程序设计算法的算法描述 |
| 2.1.3 遗传程序设计算法在预测方面的研究应用 |
| 2.2 单亲遗传算法 |
| 2.2.1 单亲遗传算法的编码方式 |
| 2.2.2 单亲遗传算法的遗传算子 |
| 2.2.3 单亲遗传算法流程 |
| 2.2.4 单亲遗传算法特点 |
| 3 配电网络重构相关问题 |
| 3.1 配电网络重构的数学模型 |
| 3.2 配电网络潮流计算 |
| 3.3 配电网络网损计算 |
| 3.3.1 配电线路等值电阻计算 |
| 3.3.2 配电变压器等值电阻计算 |
| 3.3.3 均方根电流法和潮流计算方法 |
| 3.4 网络拓扑的形成 |
| 3.4.1 传统配网拓扑分析方法 |
| 3.4.2 改进广度优先搜索过程 |
| 3.4.3 基于GIS 的拓扑分析 |
| 4 基于负荷预测的配电网络重构 |
| 4.1 负荷预测的遗传程序设计算法实现 |
| 4.2 配电网络重构单亲遗传算法实现 |
| 4.2.1 改进的单亲遗传算法实现 |
| 4.2.2 基于单亲遗传算法配电网络重构实现过程 |
| 5 工程实例 |
| 5.1 系统简介 |
| 5.2 负荷预测实现 |
| 5.3 配电网络重构的实现 |
| 5.4 配电网络重构的图形显示 |
| 5.5 程序实现 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在读期间发表的学术论文 |
| 作者简历 |
| 致谢 |
（10）MES中基于单亲遗传算法的调度技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 第一章 制造执行系统与生产调度 |
| 1.1 引言 |
| 1.2 制造执行系统的基本概念与主要思想 |
| 1.2.1 制造执行系统的基本概念 |
| 1.2.2 制造执行系统的主要思想 |
| 1.3 制造执行系统的功能结构与发展趋势 |
| 1.3.1 制造执行系统的功能结构 |
| 1.3.2 制造执行系统的发展趋势 |
| 1.4 制造执行系统中的车间作业调度 |
| 1.5 论文的选题和内容安排 |
| 1.5.1 论文的选题 |
| 1.5.2 论文的主要研究内容和内容安排 |
| 第二章 车间生产调度理论 |
| 2.1 引言 |
| 2.2 调度问题分类和特点 |
| 2.3 车间调度问题的研究方法和现状 |
| 2.4 车间调度模型 |
| 2.4.1 调度问题的基本假定 |
| 2.4.2 调度问题的数学模型 |
| 2.4.3 调度问题的性能指标 |
| 2.5 车间调度研究存在的问题及发展趋势 |
| 第三章 遗传优化算法 |
| 3.1 遗传算法概述 |
| 3.1.1 遗传算法基本思想 |
| 3.1.2 遗传算法的特点 |
| 3.2 遗传算法的基本理论 |
| 3.3 遗传算法的基本操作流程 |
| 3.4 遗传算法的研究现状与发展前景 |
| 第四章 MES 中静态调度问题的单亲遗传算法 |
| 4.1 单亲遗传算法概述 |
| 4.2 传统遗传算法和单亲遗传算法的比较 |
| 4.3 求解Job-Shop 调度问题模型的单亲遗传算法设计 |
| 4.3.1 编码和解码 |
| 4.3.2 目标函数设计 |
| 4.3.3 个体适应度计算 |
| 4.3.4 遗传算子设计 |
| 4.3.5 根据个体适应度值，更新最优染色体 |
| 4.3.6 判断算法是否达到终止条件 |
| 4.4 算法验证 |
| 4.5 本章小结 |
| 第五章 单亲遗传算法和滚动窗口再调度相结合的动态调度研究 |
| 5.1 引言 |
| 5.2 车间动态调度问题概述 |
| 5.2.1 动态扰动事件的分类 |
| 5.2.2 动态调度类型 |
| 5.2.3 车间动态调度策略 |
| 5.3 动态调度方法 |
| 5.4 基于单亲遗传算法的滚动窗口再调度 |
| 5.4.1 算法原理 |
| 5.4.2 算法框图和运算步骤 |
| 5.5 车间调度原型系统和算法验证 |
| 5.5.1 车间调度原型系统 |
| 5.5.2 动态调度算法验证 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
四、基于改进单亲遗传算法的Flow-Shop问题求解方法（论文参考文献）
- [1]面向物流配送的无人机智能调度方法研究[D]. 丁通. 天津大学, 2019(01)
- [2]面向目标关系的多目标优化算法研究[D]. 丁蕊. 哈尔滨工程大学, 2019(04)
- [3]基于改进单亲遗传算法的桥梁监测传感器优化布置研究[D]. 郑晨曦. 浙江大学, 2015(08)
- [4]考虑约束松弛的柔性流水调度研究[J]. 张翠林,王烁,王军强. 机械设计与制造工程, 2014(05)
- [5]基于遗传算法的移动机器人路径规划[D]. 彭丽. 长沙理工大学, 2013(S2)
- [6]用单亲遗传算法求解二维装箱问题[D]. 王丽娟. 内蒙古大学, 2012(01)
- [7]考虑工件准备时间的Semi-Flow-Shop装配调度问题研究[J]. 陈慈波,徐克林,申屠锦锦. 现代制造工程, 2011(03)
- [8]生产调度问题及其智能优化算法研究[D]. 宋存利. 大连理工大学, 2011(05)
- [9]基于负荷预测的配电网络重构[D]. 尹金良. 河北农业大学, 2009(10)
- [10]MES中基于单亲遗传算法的调度技术研究[D]. 李春德. 合肥工业大学, 2009(10)