一、一类组合优化问题的智能算法研究（论文文献综述）
张晓辉[1]（2020）在《分布式阻塞流水车间调度方法研究》文中进行了进一步梳理在全球经济一体化的背景下,随着通用型工厂的优化以及同构生产线的整合,分布式制造已逐渐发展成为一种常见的制造模式。分布式制造可以使集团对下属多个企业或工厂的资源进行合理配置、优化组合及共享,统筹多个工厂建立协作关系,在低成本和低风险环境下采用分工和协作方式快速实现产品的高效生产。车间调度作为生产活动的重要环节,在分布式制造系统中占据着举足轻重的地位。不同于传统的单车间调度,分布式车间调度不仅需要考虑加工任务特性和生产约束的关联性,还需要考虑全局调度和各分布式工厂局部调度的耦合性,其求解过程更为复杂。因此,根据分布式制造特性构建调度优化模型,设计有效的优化方法,对推动分布式制造的调度理论研究具有重要意义。分布式车间调度问题有时优化单一生产目标,有时则需兼顾优化现代企业和国民宏观经济发展目标（如节能减排等环保政策）;有时决策空间仅受单一约束限制,有时则需要同时满足多个约束;有时调度环境是静态的,有时则受不确定因素的干扰。随着问题规模的扩大,在多项式时间内较难获得最优解。因此,开展分布式车间的调度研究具有较高的挑战性。本文以分布式阻塞流水制造为研究背景,设计了相应的分布式生产调度体系架构,围绕分布式阻塞流水车间静态调度、绿色调度和动态调度三个方面展开了深入研究,分别构建了静态调度、绿色调度和动态调度问题的数学模型,并基于不同问题特性提出了三类元启发式算法。最后,搭建了分布式阻塞流水车间调度原型系统,对理论研究进行了系统实现和应用验证。本文主要研究工作如下:（1）分析了一般流水阻塞车间调度问题特性,引入分布式制造概念,对分布式生产调度业务流程进行了分析。在此基础上,进一步研究了分布式阻塞流水车间调度业务的关键决策点,设计了面向分布式流水制造的生产调度体系架构,提出了云-边缘结合的生产调度管控模式。（2）研究了静态环境下分布式阻塞流水车间调度问题,在分析了分布式流水制造模式特点的基础上,以完工时间为优化目标,构建了调度问题的整数规划模型,提出了离散果蝇优化算法（Discrete fruit fly optimization algorithm,DFOA）。首先,针对阻塞流水约束特性,提出了三类种群初始化方法;在嗅觉搜索阶段,设计了四类有向邻域搜索算子,以扩大算法的搜索空间;随后,提出了包含两类插入式局部搜索的变邻域下降搜索框架;在视觉搜索阶段,改进了种群更新策略,确保算法的快速收敛。最后,在基准测例上验证了DFOA的有效性和优越性。（3）同时从生产效率和节能角度出发,研究了分布式阻塞流水车间绿色多目标调度问题,分析了加工周期和能耗的冲突关系,提出了基于Pareto理论的多目标分布估计算法（Multi-objective estimation of distribution algorithm,MOEDA）。首先,建立了基于贝叶斯网络的离散概率模型,通过概率模型更新加工排序;随后,设计了两类加工速度调整算子,改进了一类工件插入策略,实现了算法调整工件排序时工序加工速度的自适应调整,加速种群向Pareto前沿逼近。最后,通过对比实验验证了MOEDA对Pareto前沿的覆盖和逼近性能。（4）考虑了事件驱动的分布式制造模式,以机器故障为背景,研究了分布式阻塞流水车间动态调度问题。设计了故障模拟与修复机制,提出了面向分布式阻塞流水车间的动态调度策略,以完工时间和系统稳定性为优化目标,构建了分布式阻塞流水车间干扰管理模型,针对重调度工件设计了基于差分进化思想的离散Memetic算法（Discrete Memetic algorithm based on differential evolution,DMA）。首先,设计了基于工件权重位置的种群初始化策略;随后,引入差分进化思想对重调度的目标空间进行邻域搜索;之后,提出了基于工件块的随机参考局部搜索策略,避免算法陷入局部最优。最后,通过对比实验验证了重调度算法的有效性和优越性。（5）结合分布式阻塞流水车间生产调度体系架构,开发了云-边缘结合的调度原型系统,实现了调度算法在云端的部署和集团调度业务的运行。随后,在某技术密集型企业搭建了边缘侧调度控制平台,以多品种、小规模和定制化产品为应用对象,对动态调度策略和DMA重调度算法的有效性进行了实例验证。该论文有图77张,表24个,参考文献186个。
于宏利[2]（2021）在《求解车间调度问题的混合粒子群算法研究》文中认为作业车间调度问题,一直是生产企业管理中的重点问题,直接影响企业的生产效率和企业竞争力。在车间调度问题中,问题复杂度往往非常高,常常会有众多的冲突与约束,与此同时,还有许多实际情况需要考虑,例如人工成本、设备损耗等。因此,对于车间调度问题的深入研究有利于更好的指导企业安排生产方式,提高企业的生产效率,提高企业的综合竞争实力。本文针对车间调度问题进行了较为深入的研究,主要研究内容如下:（1）本文对车间调度问题进行比较全面的系统研究与分析,确定了车间调度问题尤其是大规模车间调度问题的特点。描述了算法在解决车间调度问题时的性能评价指标。分析了最大完成时间、最大交货时间、加工时间及迟滞时间在内的评价体系。（2）优化了基本粒子群算法惯性系数,利用自适应非线性调整策略,使算法在搜索过程中能更加符合问题的非线性特点,提高了算法的收敛性;在算法迭代后期阶段,利用高斯变异算子来增加种群的多样性,同时改进种群的分布性,使算法的局部搜索能力与全局搜索能力得到有效的平衡。（3）针对柔性车间调度问题的高复杂性和动态性,提出了子种群协同进化与混洗策略来来提高算法的整体优化能力,该策略利用各子种群内部局部搜索和混洗交流信息来保证算法的搜索能力;在迭代规则方面,本文提出了汉明距离与解空间局部性原理来提高算法在解决柔性车间调度问题时的高效性;为了保证种群整体向适应度高的方向迭代,轮盘赌竞争选择机制被引入算法中,进一步保证算法的收敛性。
周静[3]（2020）在《面向多目标离散优化的群智能算法研究及在云计算调度优化中的应用》文中研究说明随着云计算的发展及普及,提升整体的资源管理及运营效率、优化投资已成为关键。在云计算应用环境中,资源和任务调度需要考虑多种异构资源以及复杂多变的应用需求,同时兼顾各种性能需求,包括数据中心的整体能耗、资源利用率、经济效益、用户服务质量等等。这些问题通常相互关联,相互促进或抑制,不能使用简单的权重赋值的方式来解决。因此云计算调度问题具有离散优化和多目标优化的共同特征,很适合采用优化算法来求解。但云计算环境中资源的异构性、应用的多样性和动态性,以及多重约束及多重优化目标要求,对优化算法提出了更高的要求,并需要确保优化算法的高可靠性、稳定性和可扩展性。本文重点对新型群智能算法进行研究,并应用于解决云计算环境中的多目标离散优化问题。本文的主要研究工作包括:1)研究新型入侵肿瘤生长优化算法ITGO（Invasive Tumor Growth Optimization）,对基础的ITGO算法进行优化设计,并扩展到离散化空间,使之可用于求解离散问题。ITGO算法是本实验室提出一种基于肿瘤细胞生长机制的新型群智能算法,通过生长细胞、入侵细胞、休眠细胞、死亡细胞等四类细胞在营养环境中的相互转换及迁移来求解优化问题。针对ITGO算法存在的搜索效率问题,本文对细胞转化策略、细胞生长策略和步长策略的进行优化设计,使ITGO算法具有更高的搜索效率,与粒子群算法PSO、遗传算法GA、差分进化算法DE等经典优化算法相比,改进后的算法ITGO+具有更好的收敛度。在此基础上,本文提出了离散化D-ITGO算法,通过设计细胞个体的映射方案,用于离散解空间的搜索过程,将算法映射到离散化解空间。与ITGO算法相比,D-ITGO算法不但拥有更高的搜索效率和搜索性能,而且可应用在求解云计算任务调度问题上,与其他任务调度算法相比,D-ITGO算法也具有较优的时间优势。2)设计实现了面向多目标优化的有血管入侵肿瘤生长优化算法VITGO（Vascular Invasive Tumor Growth Optimization）。针对通用多目标优化的特点,本文在ITGO算法的基础上,重构了整个肿瘤细胞种群的生长模型,借鉴肿瘤细胞的有血管生长机制,使用血管引导肿瘤细胞生长,并根据一般性的多目标优化问题的特点,定义血管的类型以及生长模式,同时重新设计了各类细胞的搜索方式、转化模式、初始化策略,以配合血管单元的生长,使之可用于求解一系列的多目标优化问题。为了提升算法效率,本文提出了更有效的边界判定与检测、帕累托前沿端点的检测与利用、去除高度相似的帕累托解等方案,有效提升了算法的搜索效率,避免冗余计算。在大多数基准测试函数上,VITGO在帕累托前沿的求解上均优于目前经典和最新的多目标优化算法。3)设计并实现了一种基于混合优化的萤火虫群算法HGSO（Hybrid Glowworm Swarm Optimization）,求解云计算任务调度问题。针对原有萤火虫群算法GSO收敛速度慢、易陷入局部最优解的缺陷,本文提出混合优化HGSO算法,结合群智能算法搜索速度快、范围广的优点和进化算法优胜劣汰/收敛速度快的优点,并设计了三个针对性的改进策略,包括基于精英个体衍生的优胜劣汰策略、基于萤火虫群近邻模型的量子跃迁策略、以及全随机游走策略,使算法具有更高的收敛速度,并能及时跳出局部最优解。在应用于云计算任务调度问题中,HGSO算法具有较快的收敛特性,且找到的云计算任务调度策略（最优解）,相比其他算法,在优化目标即最大任务完成时间Makespan上具有12%-35%不等的性能优势。4)设计实现了面向虚拟机调度优化的多目标入侵肿瘤生长优化算法VMITGO（Virtual machine consolidation oriented Multi-objective Invasive Tumor Growth Optimization）。本文借鉴肿瘤细胞的无血管生长模型,设计了不同种类细胞之间的转化、各向生长的搜索模式,构建了一个求解多目标优化问题的基础计算框架MITGO,并应用于求解虚拟机整合问题。根据虚拟机整合问题的多目标优化需求,本文设计了兼顾能耗、虚拟机迁移、负载均衡等多个目标的优化函数,并提出了半初始化方案及两种虚拟机替代方案,减少虚拟机迁移数目和迁移时长,降低数据中心的能耗、实现负载均衡。在Google Trace Data数据集上的实验结果表明,基于多目标优化算法本身的各向搜索及个体跟随生成方案,具有较好的搜索效率;VMITGO算法在能耗、虚拟机迁移数目、负载均衡三个指标上表现良好,综合表现优于对比算法。本文的主要工作是研究新型的群智能优化算法,并应用于解决云计算应用场景中的优化问题。在未来的工作中,将会对入侵肿瘤生长优化算法ITGO算法等群智能算法进行深化研究,以适应未来的更为复杂应用场景中的云计算环境下的应用问题,以及其他应用场景下更多的现实应用问题。
许传博[4]（2020）在《计及不确定性与协同性的微电网项目投资组合优化研究》文中指出微电网是未来分布式能源的重要载体,其作为泛在电力物联网的重要组成部分,在城市区域、海岛及偏远地区均有广泛的应用前景。与此同时,微电网的建设隶属于新型基础设施建设的范畴,其投资建设将助力我国经济培育新增长点、形成新动能。本文以微电网项目为主体,从能源电力企业角度对其投资组合优化问题展开了研究。在对微电网项目战略对应度评估的基础上,由浅入深地构建了静态、动态、多阶段动态三种情景下的微电网项目投资组合优化模型。针对不同模型的特点,分别引入分枝定界算法、改进差分进化算法、多智能体强化学习算法进行求解,从而探索了能源电力企业在各种情景下的微电网项目最优投资组合策略。首先,论文梳理了微电网项目投资组合优化的研究背景及意义,开展了对国内外微电网项目和项目投资组合优化问题及其方法的研究综述,并概述了项目组合管理、项目投资组合优化、项目评估模型及方法、组合优化模型及方法、不确定性等相关基础理论与方法,为后续的研究奠定了理论基础和研究范围。然后,论文研究了计及双重不确定性的微电网项目战略对应度评估问题。在对中国大型能源电力企业的战略目标进行分析的基础上,提炼出绿色发展战略、效益导向战略、科技创新战略及和谐发展战略这四大重点战略目标;结合文献综述对战略目标进行分解,建立起一套完备的微电网项目战略对应评估指标体系;针对微电网项目中多种不确定性因素的影响,采用云模型来描述微电网项目的模糊-随机双重不确定性;提出云层次分析法和基于K-means算法改进的云PROMETHEE-II算法进行微电网项目的战略对应度计算。该部分研究可为能源电力企业的微电网项目的初步筛选提供理论依据。其次,论文研究了计及不确定性和协同性的微电网项目静态投资组合优化问题。对微电网项目的协同因素进行识别,针对微电网项目间可能存在的电力交易提出了新的运营协同因素;基于现有文献中对项目间协同性刻画不充分的缺陷,采用云Choquet积分结合模糊测度对微电网项目协同性进行量化;考虑到非线性问题求解的复杂性,对构建的不确定0-1非线性规划模型采用MCPPSP-GW模型进行等价线性化处理,转化为不确定0-1线性规划模型;采用精确算法中的分支定界法对不确定0-1线性规划模型进行求解。该部分研究可为能源电力企业在现有微电网项目无调整的单决策时点情景下提供投资组合决策依据。再次,论文研究了计及不确定性和协同性的微电网项目动态投资组合优化问题。引入动态的概念来考虑现有微电网项目的调整,包括升级、维持以及放弃动作;在考虑微电网项目的机会成本与沉没成本的基础上,以总净现值最大化为目标,构建微电网项目动态投资组合不确定性0-1非线性规划模型;采用云模型的去不确定性公式将其转化为确定性0-1非线性规划模型;针对差分进化算法易陷入局部最优的缺陷,提出了增加自适应算子和结合粒子群算法的一种改进差分进化算法对模型进行求解。该部分研究可为能源电力企业在现有微电网项目有调整的单决策时点情景下提供投资组合决策依据。最后,论文研究了计及不确定性和协同性的微电网项目多阶段动态投资组合优化问题。引入多阶段的概念来考虑企业在一个规划期内的连续动态投资组合问题;基于发电成本与项目电价的不确定性,采用实物期权法确定每个新微电网项目的最佳投资时机;考虑到多阶段的时序决策问题,将微电网项目多阶段动态投资组合优化问题建模为马尔可夫决策过程,并对相应的状态、动作和奖励进行定义;将每个微电网视为一个智能体,提出随机博弈理论与强化学习算法相结合的多智能体强化学习算法,对微电网项目多阶段动态投资组合优化问题进行求解。该部分研究可为能源电力企业在现有微电网项目有调整的连续多决策时点情景下提供投资组合决策依据。
郝星星[5]（2019）在《组合优化问题的表示方式与进化优化算法研究》文中提出组合优化作为一类重要的优化问题,其涉及的领域甚为广泛,如信息技术领域、工业工程领域、交通运输领域以及经济管理领域。因此对组合优化问题的研究具有非常重要的实际意义。随着人工智能的发展,从上世纪80年代开始,进化算法逐渐成为求解组合优化问题的重要手段,在诸多领域得到了广泛的应用。在使用进化算法等智能优化算法求解组合优化问题的研究中,问题的表示方式在很大程度上决定了搜索空间的大小与形态,从而决定了问题的难度、影响着优化算法的性能。因此,本文以求解组合优化问题为核心目的,围绕组合优化问题的表示方式和单目标、多任务以及多目标进化优化算法两方面展开研究。主要工作可概括如下:1.针对约束满足问题设计了直接和间接混合的表示方式,进而基于混合表示方式设计了相应的多智能体进化算法。混合表示方式结合了直接表示方式操作简单、易于评价的优点和间接表示方式能解码生成质量较好的解的优点。另外针对问题特性和混合表示方式设计了邻域交叉算子、变异算子以及自学习算子等多智能体进化算法中智能体的若干行为。在250个标准二元约束满足问题测试集和79个图染色问题测试集上验证了所设计的基于混合表示方式的多智能体进化算法,实验结果表明了基于混合表示方式的多智能体进化算法相对于基于直接或者间接表示方式的多智能体进化算法具有更好的求解效率。2.针对资源受限项目调度问题设计了新的表示方式——移动模式序列。移动模式序列由模块序列和移动模式两部分组成。模块即为项目中的活动,每个活动的工期可以看作是模块的长,而对资源的需求量可以看作是模块的宽。针对模块设计了四种初始位置和对应的移动模式,解码过程即为依次将每个模块从其初始位置按照对应的移动模式移动到合适的位置。基于移动模式序列表示方式,设计了求解资源受限项目调度问题的多智能体进化算法。针对问题特性和移动模式序列表示方式设计了邻域交叉算子、变异算子、向前-向后抖动算子以及自学习算子等智能体的行为,并在资源受限项目调度问题标准测试集J30、J60、J90和J120上验证了基于移动模式序列表示方式的多智能体进化算法的性能。实验结果表明,基于移动模式序列的多智能体进化算法具有良好的求解性能,尤其是在求解大规模测试集上表现出了优秀的求解效率。3.设计了一种新的超启发式框架——面向进化多任务的图超启发式优化框架,并在考试时间表问题和图染色问题上验证了该框架的性能。超启发式作为选择或者生成启发式规则的一类算法具有良好的通用性,但目前的研究主要局限在针对单个优化任务。进化多任务优化的特点是可以同时优化多个任务,且对任务之间的关系无特殊要求。进化多任务优化通过统一表示方式将不同任务的解映射到同一个空间内,在该空间使用优化算法进行优化之后,再转换回各任务的搜索空间进行评价。进化多任务优化不仅具有跨领域的搜索能力,而且具有知识迁移的能力。面向进化多任务的图超启发式框架首次将进化多任务的概念引入超启发式算法,使得超启发式具有了知识迁移的能力,进一步提高了超启发式的通用性。同时,该框架将进化多任务优化中的统一表示方式扩展到了更高级别的启发式搜索空间,进一步拓展了进化多任务优化的通用性。在包含2、3、4、5个任务的多任务优化问题上的实验结果表明,该超启发式框架具有良好的求解效率、异步优化能力、跨领域搜索能力以及鲁棒性。4.针对“新高改”的高中“走班”排课问题设计了新的问题模型,填补了目前国内“新高改”下的高中“走班”排课问题模型的空白。该问题模型的主要特点为引入了“走班”排课,基于此设计了包含“走班”和行政班两部分课表的问题的表示方式,并使用两阶段模拟退火对该模型进行求解。首先在45个不同规模的人工生成数据集上测试了所设计的表示方式和两阶段模拟退火算法的有效性,并对算法的收敛性进行了分析。之后在10所高中的真实排课数据上进一步验证了所设计的问题模型的适用性和问题的表示方式以及两阶段模拟退火算法的有效性。5.首先验证了使用全局替换策略的基于分解的多目标进化算法在求解多目标背包问题上的性能,并分析了不同参考点的选取对算法性能的影响。之后,针对将乌托邦点作为参考点时全局替换策略将失效的问题,设计了一种改进的全局替换策略。在一组最多包含8个目标的多目标背包问题测试集上的实验结果表明,改进的全局替换策略能更好地对边界子问题对应的解进行更新,从而更好地保持种群的多样性。
李艺[6]（2019）在《工程机械客户服务系统人车联合调度派工算法的研究与实现》文中指出当今社会,同行企业之间的竞争已不仅仅是产品质量的竞争,还有客户服务质量的竞争。在工程机械制造行业,具有一定生产规模的企业都有自己的客户服务系统,提供售后服务,其信息化程度随着计算机的发展也愈来愈高。然而由于设备的复杂性,客服系统目前在派工调度方面的能力仍然比较薄弱。工程机械作为基础建设的大型装备,对维修能力的要求较高,一般是由服务人员乘坐专用服务车赶赴现场进行服务,涉及人车的联合调度。本文旨在通过对人车联合调度派工问题的优化模型及求解算法进行较为深入的研究,为客户服务系统的调度派工提供决策支持。主要研究工作如下:首先研究了基本的单次单任务分派问题。在服务资源充足,服务人数目多于待修任务的情况下,对于一个服务人,单次派工至多安排一项任务。在考虑路径长度、维修时长的前提下,建立了以总时间长度最小化为优化目标的数学模型,提出了两类场景的解决方案。对于带优先次序的分派问题,利用改进的Dijkstra算法求解。对于统一调度问题,提出了一种基于二分图最小权匹配的混合遗传算法进行求解。最后通过算例的对比分析,证明了所构建模型与求解算法的有效性。进一步考虑服务资源不足的情况,服务人数目少于待修任务,对于一个服务人,单次派工安排多项任务,并规划路线。同时为了避免多技能员工的过劳,提出了工作量平衡的约束。在考虑路径长度、技能匹配度、维修时长、工作量平衡的前提下,建立了以最小化总时间长度和平衡工作量为优化目标的数学模型。证明了此类场景下服务车与服务人匹配、服务人与任务点组合的独立性,研究的重点在于服务人的任务分派和路线规划。按照先分派再规划的思想,设计了一种基于蚁群算法的两阶段分类策略。第一阶段,引入分类信息素的概念,设计了一种任务分派方案,将任务分派到服务人。第二阶段,改进蚁群算法的初始化策略,对服务人的任务路线进行规划。每次的结果作为下一次迭代时分类策略的启发因子,不断改进解。最后结合文献中的算例,与分段染色体遗传算法对比,验证了本文模型及算法的优越性。在服务资源不足的情况下,引入时效性的概念,研究了带时间窗的单次多任务分派问题,提出了一种混合果蝇优化算法。针对果蝇优化算法常用于解决连续问题的特质,对人车一体化调度问题进行了矩阵编码,改进了果蝇算法的初始化策略。针对矩阵编码,提出了三种算子,并引入后优化环节改善解。针对种群依赖最优解容易陷入局部最优的情况,设计了基于切换机制的局部搜索策略,保留最优解和次优解。最后通过大量算例验证了改进策略的有效性,并同灾变遗传算法对比,验证了本文提出的混合果蝇优化算法解决该类问题的优势。最后设计了面向工程机械客户服务的人车联合调度派工系统,该系统可为工程机械制造企业提供有效的售后服务调度方案。为提高实用性,设计了Web端和Android端,将人车联合调度派工模型及算法融入系统,以某企业某日的客户报修单为例,进行优化求解并得到了派工方案。结合实际交通路线,展现了路径规划结果。
汪海[7]（2019）在《基于智能计算的流水车间调度问题优化研究》文中研究表明流水车间调度问题在现代生产制造业中普遍存在,合理安排生产调度,能够为生产制造企业节约部分资源,降低企业生产成本。目前,有很多工厂的车间流水线路并不优良,甚至流水车间的加工路线很不合理,这不仅降低了车间的加工效率,更有可能对车间的设备造成损坏。因此,如何通过车间有限的资源得出最合理的工件加工流程是急需解决的现实问题。由于流水车间调度已经证明是NP—hard问题,传统的优化方法难以对其进行求解,而智能优化算法是解决流水车间调度问题最常用的方法,性能优良的智能算法,往往能够得到较好的优化效果。基于此,本文对两种智能优化算法进行改进,并将改进的算法对两种流水车间调度问题进行优化求解,主要研究内容如下:（1）针对基本花授粉算法存在的易陷入局部最优、求解精度不高等问题,提出了一种具有记忆信息的花授粉算法（MFPA）。改进的算法对基本花授粉算法的全局授粉过程和局部授粉过程分别设计时滞调整算子和自适应权重,并用多组标准函数测试算法的性能,仿真结果表明,所提出的MFPA具有较好的搜索效率和求解精度。（2）针对水波优化算法易陷入局部最优的缺陷和不足,在基本水波优化算法的基础上提出了一种带有差分进化策略的改进水波优化算法（DEWWO）。该算法在执行传播、碎浪、折射操作之后进行变异、选择、交叉操作,通过差分进化的过程有效地增加了算法的种群多样性,避免算法陷入局部最优,提高了算法搜索的效率和精度。通过基准函数测试算法的性能并与经典优化算法比较,试验结果表明,所提出的DEWWO优势明显,具有较好的鲁棒性。（3）将本文所提出的具有记忆信息的花授粉算法（MFPA）用于求解置换流水车间调度问题。采用基于LOV规则的随机键技术对提出的算法进行编码解码操作,在生成初始化种群的过程中,采用基于NEH算法的种群质量改善策略,提高了算法的寻优结果。采用Car测试集和Rec测试集对本文所提出的MFPA进行性能测试,并与经典算法求解结果进行比较,实验结果表明,本文所提出的算法具有较好的求解性能,从而为PFSP的求解提供了新的思路。（4）将本文所提出的带有差分进化策略的改进水波优化算法用于求解无等待流水车间调度问题。无等待流水车间调度问题是一类离散的组合优化问题,无法直接实现工件加工顺序的更新。因此,本文对改进的水波优化算法的三个操作过程:传播、折射、碎浪进行重新定义,实现了水波优化算法中个体连续矢量转换为离散的加工工序,使得连续型的水波优化算法可以求解离散型的NWFSP。采用OR-Library中的Car测试集对本文所提出的DEWWO进行性能测试,并与经典算法求解结果进行比较,研究结果表明,本文所提出的算法具有较高的全局搜索能力,在求解精度上具有明显优势,从而拓宽了算法的应用范围。
周凌云[8]（2018）在《几种典型群智能算法及其更新机制研究》文中指出群智能算法是一类具有简单性、灵活性和通用性的全局优化算法。它为复杂优化问题提供了有效解决方法,并已广泛应用于许多科学研究、工程应用、经济、军事、管理等领域。由于群智能算法的个体更新规则简单,个体学习能力不够强;且算法在迭代过程中会产生大量中间数据,而这些数据中包含的有用信息没有充分利用。面临日益复杂的优化问题时,这些不足严重影响了群智能算法的性能。为了更高效地求解日益复杂的优化问题,本文通过改进个体更新规则、结合反向学习等技术从中间数据中挖掘有用信息,从而提高算法性能。本文根据上述思路,主要进行了如下研究。（1）对取样路径优化问题进行分析并给出其数学模型。为有效解决该问题,充分利用问题特性,提出了一种多启发式信息蚁群优化算法。该算法将问题特性作为一项新的启发式信息加入蚂蚁构建路径的概率计算公式中。理论上,对该算法的收敛性进行了分析,并详细分析了新增启发式信息的作用。实验上,也验证了新增启发式信息项的有效性和多启发式信息蚁群优化算法的性能,并对新引入的参数进行了详细分析,给出求解质量较好且稳定性也较好的参数取值。此外,从最佳参数取值上进一步验证了新增启发式信息在路径构建中的重要作用。该算法为取样送检路径规划问题提供了有效解决方法。（2）提出了部分吸引模型、快速吸引力计算策略并构建了部分吸引萤火虫算法。在分析标准萤火虫算法个体更新规则的基础上,提出了一种部分吸引模型,在降低标准萤火虫算法的时间复杂度的同时,充分利用多个更优个体的信息。提出一种快速吸引力计算策略,保证宽搜索区域和高维优化问题中的群体之间的信息共享。结合部分吸引模型及快速吸引力计算策略构建了部分吸引萤火虫算法。该算法保持了标准萤火虫算法的简单性,且时间复杂度低于标准萤火虫算法。实验证明了部分吸引模型和快速吸引力计算策略的有效性。并与新近的萤火虫变种算法和其它群智能算法比较,在CEC’ 2013测试集的大多数函数上,部分吸引萤火虫算法能够取得更高精度的解。在求解伦纳德琼斯势能问题时,与其它萤火虫变种算法相比,部分吸引萤火虫算法也表现出更高求解精度。（3）提出邻域重心反向学习策略及邻域重心反向学习粒子群优化算法。分析现有的反向学习粒子群优化算法的相关研究,指出了存在的不足,即计算反向解时没有充分利用群体搜索信息。同时,考虑到保持种群多样性,扩展了重心反向,提出了邻域重心反向学习策略,并应用到粒子群优化算法中。在8个常用测试函数和28个CEC’2013测试函数上进行了 一系列的实验,证明了邻域重心反向学习策略的有效性。经与知名粒子群变种算法比较,表明邻域重心反向学习粒子群优化算法的良好性能。实验还进一步分析了拓扑结构对算法的影响,得出了不同拓扑结构对该算法性能影响不大的结论。在求解扩频雷达相位设计问题时,与标准粒子群算法、有代表性的反向学习粒子群算法,以及两种知名粒子群变种等算法相比,邻域重心反向学习粒子群优化算法也取得了更好的结果。（4）提出了两点全交叉重心反向学习策略和一种基于两点全交叉重心反向学习的部分吸引萤火虫算法。分析了现有的反向学习的相关研究,指出了反向学习有进一步提升的空间。借鉴了两点交叉的思想,提出了两点全交叉操作,并将其应用于重新组织个体和反向个体的信息,得到了部分维上取反向值的反向候选解,以提取个体和反向个体中隐含的有用信息,构建了一种两点全交叉重心反向学习策略。将该学习策略应用于部分吸引萤火虫算法中,得到基于全交叉重心反向学习的部分吸引萤火虫算法。在CEC’2013测试集上进行实验验证,实验数据表明:两点全交叉重心反向学习策略比其它多种反向学习策略更具有高效性,全交叉重心反向学习的部分吸引萤火虫算法的收敛性能比其它相关算法更好。（5）提出了正交反向学习策略和一种基于正交反向学习的萤火虫算法。为了进一步挖掘反向点中包含的有利信息,采用正交试验设计的方法,提出一种正交反向学习策略,反向点和原始点中找出各维度上的值的最优组合,从而提高算法收敛精度。该学习策略中,采用重心反向计算,利用群体搜索经验的同时避免搜索依赖坐标。在萤火虫算法框架下,将该学习策略应用于随机选择的一个个体上,充分利用该学习策略得到的有用信息,构建了一种基于正交反向学习的萤火虫算法。实验结果说明了正交反向学习策略的有效性,与多种新近的改进萤火虫算法相比,正交反向学习算法在大多数函数上获得更高的求解精度。
宫晓莉[9]（2017）在《基于Lévy跳跃过程、随机波动模型的期权定价与风险管理研究》文中进行了进一步梳理自B-S期权定价模型提出以来,如何提高期权定价的精确性成为了日益关注的问题。该模型假设资产收益率服从正态分布,并通过连续交易对冲期权风险。而大量的金融市场实证研究均发现,金融时间序列数据表现出强烈的非正态性,金融资产收益并不服从正态分布,相较于正态分布,存在尖峰厚尾性。金融市场存在着多项B-S期权定价模型无法解释的金融异象,如期权波动率微笑之谜,收益率和波动率之间具有非对称的相关性,即杠杆效应,以及波动率集聚性等。如何合理的刻画基础资产动态特征,构建模型从而为期权准确地定价,即具有实际背景又具有理论意义。因而,近年来期权定价的研究均致力于构建克服B-S期权定价模型缺陷的替代模型。学者们尝试构造具有独立同分布增量的Lévy过程来替换布朗运动。使用Lévy族分布函数能捕获金融收益分布的尖峰、厚尾特征,尤其是股指的跳跃特征和收益率分布的非对称特征。为刻画资产收益率的随机波动特征,将均值回复的平方根过程嵌入到模型中,同时引入一类调和稳定Lévy分布模型,构建起调和稳定Lévy分布下的随机波动模型。调和稳定Lévy分布下的随机波动模型拓展了原有的随机波动模型框架,可以为衍生品定价和风险管理提供广泛的建模思路。同时,金融自由化背景下的股票市场风险成为实务界、学术界和监管机构的关注对象。金融衍生品市场环境的变化、波动等因素,会导致衍生品价值的波动,进而引起股市发生剧烈波动。因此,使用所构建的新模型对金融市场进行风险评估具有现实意义。将所重构的调和稳定Lévy分布下的随机波动模型进一步应用到风险管理领域。针对股指收益率时间序列的尖峰厚尾特征和异方差现象,在风险价值VaR与条件风险价值CVaR的实证研究中,先后引入了调和稳定Lévy分布与随机波动模型进行风险测度,进而引入copula连接函数讨论Lévy-copula模型下的多目标投资组合优化问题。随着信息技术的快速发展和经济全球化的不断深入,以互联网通讯技术为基础的电子化交易市场已成为金融市场的主要组织形式,分析高频数据中包含的证券价格短期行为和动态特征对投资者改进期权交易策略、提高风险管理能力至关重要。本文将结合低频数据与高频数据,研究标的资产价格过程服从调和稳定Lévy分布下随机波动过程的期权定价和风险管理问题。考虑到股指收益时间序列的跳跃、波动特征分析对股指期权定价、风险测度研究至关重要,先采用非参数检验对资产价格过程的路径特征展开分析。然后分别基于离散时间框架和连续时间框架下的Lévy随机波动模型进行欧式期权和美式期权定价的实证研究,接着利用调和稳定Lévy随机波动模型进行风险测度和多目标投资组合优化研究。具体内容如下:（1）基于非参数统计方法,利用考虑金融资产价格跳跃和杠杆效应的时点波动估计方法修正已实现阈值幂变差,构造甄别跳跃的检验统计量,对金融资产价格中的随机波动、有限活跃跳跃和无限活跃跳跃等跳跃活动率问题进行综合研究。为同时吸收波动率的异方差集聚效应和收益率的非对称效应,对原有的已实现波动率异质自回归预测模型（HAR-RV）进行拓展,将非对称的异质性自回归模型的误差项设定为GARCH模型,以考察跳跃波动序列与连续波动序列之间的复杂关系。利用沪深股指高频数据进行实证研究,包括进行跳跃识别,跳跃活动程度检验和波动率预测效果对比。研究发现:股指同时存在跳跃,随机波动和布朗运动成分,连续性波动在股指波动中占据主体,突发性跳跃成分占比较小。其中,跳跃构成成分中无限活跃的小型跳跃居多,有限活跃的大型跳跃较少。（2）假设新息随机因子服从非高斯Lévy分布,将反映金融资产高阶矩偏度和峰度特征的NGARCHSK模型与刻画金融资产价格变化纯跳跃现象的Lévy过程相结合,描述了资产收益率无限跳跃情形下的时变性,以有效捕获金融资产收益率尖峰有偏和杠杆效应。收益率时间序列分析验证了 Lévy分布刻画尖峰厚尾能力的优越性。结合波动率的高阶矩特征进行等价鞅测度变化,对我国内地首只股票期权进行定价,对比了数值积分的cosine定价方法与采用从属过程蒙特卡洛模拟定价方法的效率。研究发现:非高斯Lévy分布恰当地刻画了金融数据尖峰有偏的统计特性。其中,调和稳定模型拟合的效果最佳,准确地捕捉了金融数据尖峰和肥尾程度。（3）为同时捕获金融收益率分布的尖峰、厚尾、有偏特性及波动率扩散中的异方差效应、集聚效应,联合刻画股价动态演变中的无限跳跃变化,将无限活跃纯跳跃Lévy分布中的经典调和稳定分布（CTS）引入平方根CIR模型为基础的随机波动率（SV）过程,建立了经典调和稳定分布下的随机波动（CTSSV）模型,重构了纯跳跃Lévy分布驱动的随机波动（LVSV）模型框架。利用LVSV模型特征函数表达式,采用分数阶快速傅里叶变换（FRFT）方法推导了欧式期权定价公式。由于模型参数众多和目标函数高维积分困难,提出了多区域自适应粒子群优化算法（MAPSO）估计LVSV模型参数。利用FRFT技术和MAPSO参数估计结果,使用CTSSV模型和方差伽马随机波动（VGSV）模型对恒生指数期权数据进行欧式期权定价和方差-最优期权套期保值。研究发现,相比于VGSV模型,CTSSV模型期权定价和套期保值误差更小,用于衍生品建模和套期保值效果更稳健。MAPSO算法增加了粒子多样性,用于参数估计估计精度提高。（4）假设股票价格过程服从时变调和稳定Lévy过程,提出了美式期权定价的新方法。将随机时间变化嵌入到正态调和稳定分布中,构建了调和稳定随机波动模型。新模型在允许基础资产无限活跃跳跃的同时能捕获随机波动率的随机时变性,因此适合于反映金融收益率的实证现象,如尖峰厚尾、有偏性和波动率集聚效应等。利用傅里叶-cosine技术计算美式期权,使用改进的粒子群优化算法进行参数校正。为论证所构建模型的有效性,使用金融市场美式期权实际数据进行了实证研究。实证研究表明时变调和稳定过程在美式期权定价拟合中具有灵活的结构,既包含跳跃成分又允许波动率动态的存在。将平方根时间变化引入到调和稳定分布中能有效地提高美式期权定价的效果。（5）金融市场基础资产收益率时间序列呈现出尖峰厚尾、非对称、集聚效应和异方差属性,应用调和稳定Lévy过程驱动的随机波动模型构建起时变调和稳定Lévy过程（TSSV）进行金融风险测度和投资组合调整。利用解析的特征函数和快速傅里叶变换（FFT）技术,得到了收益率概率密度函数的解析形式,进而推导出了 TSSV模型下的风险价值VaR条件风险价值CVaR的计算公式。最后,为预测极值事件和市场波动性,对恒生指数进行实证研究,利用TSSV模型测度风险,并基于风险调整的收益风险股票选择准则构建投资组合。对恒生指数VaR和CVaR风险预测进行后验分析发现,TSSV模型在风险度量中具有良好的预测能力,适合于进行金融风险测算。（6）考虑到证券投资组合优化中金融资产收益率分布的尖峰厚尾特性和多项基础资产变量之间非线性的相依结构,以调和稳定分布为边际分布,以copula函数描述变量间相关性,在投资组合优化的背景下提出了调和稳定分布下带copula相依结构的多目标投资组合优化模型,研究TS分布与不同copula函数耦合下的建模能力。所提出的多目标投资组合优化旨在最大化收益的同时最小化风险,寻找非占优Pareto前沿。进而使用三种多目标优化算法NSGA-Ⅱ、SPEA-Ⅱ和MOPSO算法求解带约束的TS copula多目标投资优化问题,并对我国沪市股指成分股和沪深股指收益率进行了实证应用分析。实证研究发现,金融资产收益率不符合正态分布,风险相依性呈现非对称结构,基于粒子群的多目标智能优化算法适合于求解TS-copula类型的多目标投资组合问题。最后,总结了全文的结论,指出了研究的局限和未来的研究方向。
赵翔[10]（2013）在《土地利用优化配置的多目标人工免疫优化模型研究》文中提出土地资源作为一种稀缺的不可再生资源,是人类赖以生存和发展的物质基础。然而,随着我国工业化和城市化进程的快速推进,土地资源的不合理利用现象加剧。如何以科学的理论与方法指导土地利用规划,促进土地资源的合理和可持续利用己成为政府和公众共同关注的热点问题。土地利用优化配置是土地利用规划的核心内容,也是提高土地利用效率、促进土地资源的可持续利用的必要手段。围绕土地利用优化配置问题的求解,国内外有关学者先后展开了广泛和深入的研究,形成了包括数学规划法、系统动力学模型、元胞自动机模型和智能优化模型等诸多方法在内的土地资源优化配置方法体系。然而,现有模型依然存在一定不足,集中表现为模型计算得到寻优能力较差、优化搜索效率较低、模型的多目标处理方法不能满足土地利用多目标决策支持的需要,缺少可实际应用的优化决策支持系统等。针对上述不足,围绕土地利用优化配置中的两大核心问题-土地资源数量结构优化与土地利用空间布局优化,本文提出了一种基于多目标人工免疫系统的土地利用优化配置模型,主要研究内容与创新之处如下：（1）研究首先在可持续发展理论、生态服务价值理论和景观生态学等相关理论的指导下,分别定义了土地资源数量结构优化问题和土地利用空间布局优化问题的优化目标和约束条件。其中,选取土地利用的生态服务价值最大化和经济效益最大化作为土地资源数量结构优化的主要目标；选取土地利用空间布局紧凑度最优与土地利用适宜性最优作为土地利用空间布局优化的主要目标。在此基础上,以人工免疫的基本理论为指导,分别构建了面向土地资源数量结构优化和土地利用空间布局优化的人工免疫概念模型,为领域知识指导的AIS土地利用优化算法的设计奠定了重要基础。（2）为了克服已有模型在多目标寻优能力和寻优效率等方面的不足,本文研究了基于多目标人工免疫系统的土地利用优化配置算法。在对经典多目标人工免疫算法NICA算法的基本免疫策略进行改进的基础上,根据土地资源数量结构优化和土地利用空间布局优化问题求解的基本特点,在领域知识的指导下分别设计了相应种群初始化策略和抗体变异算子。形成了面向土地资源数量结构优化的MOAI-LUSO算法和面向土地利用空间布局优化的PAI-LUSA算法。为提高土地利用空间布局优化问题求解效率,研究了在共享存储、多核、多CPU并行环境下的并行优化算法,提高了优化任务执行效率,大幅缩短寻优所需时间。（3）针对现有研究对通用土地利用优化决策支持系统研究的不足,本文在分析了土地利用优化配置问题求解需求的基础上,提出了面向土地利用优化配置问题求解的通用人工免疫算法模型框架和免疫算子结构。在此基础上,利用C#4.0和DotSpatial开源GIS平台开发了一个通用的、可扩展、开放式、可并行的土地利用优化配置智能决策支持系统。为保证系统的通用性、可扩展性和开放性,系统基于插件技术进行设计与实现,并设计了免疫算子扩展接口和优化问题应用扩展接口分别用于人工免疫算法的改进和优化问题应用的自定义扩展。（4）为验证研究模型的先进性和决策系统的实用性,选取湖北省秭归县作为实验区进行验证。为评估算法的寻优能力,选取NSGAII等优秀的多目标智能优化算法进行对比实验。此外,为了评估并行计算技术在土地利用布局优化问题求解领域的应用前景,文章还对土地利用空间布局优化模型的并行性能进行了测试。实证研究和对比实验结果表明：①面向土地资源数量结构优化的MOAI-LUSO算法的多目标寻优能力明显优于已有的基于NSGAII等算法的土地资源数量结构优化模型。②领域知识指导的并行PAI-LUSA算法能够高效、高质量的获得土地利用空间布局优化Pareto解集。算法并行性能测试实验结果表明,在具有16核CPU的计算机上,算法的并行效率可达68%,加速比可达10.83。由此可见,在多CPU、多核的共享存储的计算环境下,采用并行计算技术对土地利用空间布局优化模型进行并行化改进,能够获得较好的加速比和并行效率,从而极大提高问题求解的能力和效率,具有较好的应用前景。
二、一类组合优化问题的智能算法研究（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、一类组合优化问题的智能算法研究（论文提纲范文）
（1）分布式阻塞流水车间调度方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究目标 |
| 1.3 相关领域国内外研究现状 |
| 1.4 研究现状总结及问题分析 |
| 1.5 研究内容 |
| 2 分布式阻塞流水车间调度体系架构研究 |
| 2.1 概述 |
| 2.2 分布式制造模式特点分析 |
| 2.3 分布式阻塞流水车间调度业务流程和关键决策点 |
| 2.4 分布式阻塞流水生产调度体系架构研究 |
| 2.5 分布式生产调度管控模式设计 |
| 2.6 本章小结 |
| 3 分布式阻塞流水车间静态调度研究 |
| 3.1 概述 |
| 3.2 分布式阻塞流水车间静态调度数学模型 |
| 3.3 标准果蝇优化算法介绍 |
| 3.4 离散果蝇优化算法流程描述 |
| 3.5 实验对比与分析 |
| 3.6 本章小结 |
| 4 分布式阻塞流水车间绿色调度研究 |
| 4.1 概述 |
| 4.2 分布式阻塞流水车间绿色调度数学模型 |
| 4.3 标准分布估计算法介绍 |
| 4.4 多目标分布估计算法流程描述 |
| 4.5 实验对比与分析 |
| 4.6 本章小结 |
| 5 分布式阻塞流水车间动态调度研究 |
| 5.1 概述 |
| 5.2 分布式阻塞流水车间动态调度流程关键问题研究 |
| 5.3 分布式阻塞流水车间动态调度数学模型 |
| 5.4 分布式阻塞流水车间动态调度策略 |
| 5.5 基于差分进化的Memetic算法流程 |
| 5.6 实验对比与分析 |
| 5.7 本章小结 |
| 6 分布式阻塞流水车间调度系统实现及应用 |
| 6.1 概述 |
| 6.2 分布式阻塞流水车间调度系统框架 |
| 6.3 系统开发模式和配置 |
| 6.4 系统应用模块设计 |
| 6.5 系统功能框架设计 |
| 6.6 系统功能实现和界面展示 |
| 6.7 系统应用实例 |
| 6.8 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（2）求解车间调度问题的混合粒子群算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 车间调度问题研究现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 研究现状总结及问题分析 |
| 1.2.3 本文主要工作与创新点 |
| 1.3 文章组织结构 |
| 第二章 相关基础理论 |
| 2.1 调度问题及其描述 |
| 2.1.1 调度理论基本概念 |
| 2.1.2 车间调度问题分类 |
| 2.1.3 车间调度问题的评价指标 |
| 2.2 计算复杂性 |
| 2.2.1 复杂性理论基本概念 |
| 2.2.2 P,NP和 NP-C问题 |
| 2.3 最优化理论 |
| 2.3.1 最优化理论基本概念 |
| 2.3.2 最优化算法分类 |
| 2.3.3 函数优化问题和组合优化问题 |
| 2.4 群体智能优化算法 |
| 2.4.1 算法的思想起源 |
| 2.4.2 常见的群智能优化算法 |
| 2.5 粒子群算法概述 |
| 第三章 混合非线性系数与高斯变异策略的PSO算法求解JSSP |
| 3.1 引言 |
| 3.2 JSSP问题概述 |
| 3.3 NGPSO算法 |
| 3.3.1 非线性惯性系数改进算法局部搜索能力(PSO-NIW) |
| 3.3.2 高斯变异操作改进PSO算法的全局搜索能力(PSO-GM) |
| 3.4 混合NGPSO算法主要流程 |
| 3.5 NGPSO算法在JSSP问题中的具体实现过程 |
| 3.6 数值实验结果分析 |
| 3.7 本章小结 |
| 第四章 基于子种群协同进化与竞争选择机制的PSO对FJSSP的求解 |
| 4.1 引言 |
| 4.2 FJSSP问题的描述极其形式化表达 |
| 4.3 PCPSO算法 |
| 4.3.1 基于汉明(Hamming)距离的度量准则 |
| 4.3.2 组合优化问解空间中的局部性原理 |
| 4.3.3 子种群协同进化与混洗搜索策略 |
| 4.3.4 竞争选择策略 |
| 4.3.5 PCPSO主要流程 |
| 4.4 PCPSO 在FJJSP中的具体实现过程 |
| 4.4.1 PCPSO算法初始阶段 |
| 4.4.2 子种群局部搜索阶段 |
| 4.4.3 全局搜索与轮盘赌竞争选择阶段 |
| 4.5 数值实验与结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（3）面向多目标离散优化的群智能算法研究及在云计算调度优化中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 计算智能及群智能算法 |
| 1.2.2 群智能算法在云计算中的应用 |
| 1.2.3 存在的问题和挑战 |
| 1.3 论文研究内容及组织架构 |
| 第二章 离散入侵肿瘤生长优化算法 |
| 2.1 ITGO算法的原理 |
| 2.2 ITGO算法的改进策略 |
| 2.2.1 细胞转换策略 |
| 2.2.2 资源释放策略 |
| 2.2.3 动态搜索步长 |
| 2.3 离散D-ITGO算法及在任务调度中的应用 |
| 2.3.1 离散化策略 |
| 2.3.2 D-ITGO算法总体流程 |
| 2.3.3 面向任务调度的适应度函数 |
| 2.4 算法复杂度分析 |
| 2.5 实验及结果分析 |
| 2.5.1 改进搜索策略的实验 |
| 2.5.2 任务调度的试验 |
| 2.6 本章小结 |
| 第三章 多目标入侵肿瘤生长优化算法 |
| 3.1 问题描述 |
| 3.2 相关工作 |
| 3.3 算法原理 |
| 3.3.1 有血管的肿瘤细胞生长模型 |
| 3.3.2 血管的生成机制 |
| 3.3.3 半随机的边界检测方案 |
| 3.3.4 搜索机制 |
| 3.4 VITGO算法总体流程 |
| 3.5 时间复杂度分析 |
| 3.6 实验及结果分析 |
| 3.6.1 测试函数和对比算法 |
| 3.6.2 评估指标 |
| 3.6.3 四个基准测试集上的对比实验 |
| 3.6.4 高维问题求解的实验 |
| 3.7 本章小结 |
| 第四章 面向任务调度的混合优化算法 |
| 4.1 问题描述 |
| 4.2 相关工作 |
| 4.3 算法原理 |
| 4.3.1 精英个体衍生的优胜劣汰策略 |
| 4.3.2 基于萤火虫群近邻模型的量子跃迁 |
| 4.3.3 全随机游走策略 |
| 4.4 HGSO算法描述 |
| 4.5 算法复杂度分析 |
| 4.6 实验及结果分析 |
| 4.6.1 实验环境设置 |
| 4.6.2 任务调度实验 |
| 4.6.3 不同种群规模的实验 |
| 4.7 本章小结 |
| 第五章 面向虚拟机调度的多目标入侵肿瘤生长优化算法 |
| 5.1 问题描述 |
| 5.2 相关工作 |
| 5.3 算法原理 |
| 5.3.1 面向多目标优化的无血管细胞生长模型 |
| 5.3.2 初始化策略 |
| 5.3.3 搜索策略 |
| 5.3.4 交叉策略 |
| 5.3.5 变异策略 |
| 5.4 VMITGO算法总体流程 |
| 5.5 算法复杂度分析 |
| 5.6 实验及结果分析 |
| 5.6.1 实验环境设置 |
| 5.6.2 不同物理机规模上的收敛曲线 |
| 5.7 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（4）计及不确定性与协同性的微电网项目投资组合优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 论文的研究背景 |
| 1.1.2 论文的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 微电网项目发展与研究现状 |
| 1.2.2 项目投资组合优化问题研究现状 |
| 1.2.3 项目投资组合优化方法研究现状 |
| 1.3 主要研究内容与技术路径 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路径 |
| 1.4 主要研究创新点 |
| 第2章 相关基础理论研究 |
| 2.1 项目组合管理相关理论 |
| 2.1.1 项目组合管理理论的发展 |
| 2.1.2 项目组合管理理论的内涵及流程 |
| 2.2 项目组合优化相关理论 |
| 2.2.1 项目组合优化的原则 |
| 2.2.2 项目投资组合优化的流程 |
| 2.3 项目评估相关模型及方法探讨 |
| 2.3.1 权重确定方法探讨 |
| 2.3.2 综合评估方法探讨 |
| 2.4 组合优化相关模型及方法探讨 |
| 2.4.1 基于精确算法的组合优化探讨 |
| 2.4.2 基于启发式算法的组合优化探讨 |
| 2.4.3 基于机器学习算法的组合优化探讨 |
| 2.5 不确定性理论探讨 |
| 2.6 本章小结 |
| 第3章 计及不确定性的微电网项目战略对应度评估 |
| 3.1 引言 |
| 3.2 微电网项目战略对应评估指标体系研究 |
| 3.2.1 能源电力企业战略分析 |
| 3.2.2 战略目标的指标分解 |
| 3.3 微电网项目战略对应度评估研究 |
| 3.3.1 微电网项目不确定性分析 |
| 3.3.2 云模型理论 |
| 3.3.3 云层次分析法 |
| 3.3.4 改进的云PROMETHEE-Ⅱ算法 |
| 3.4 算例分析 |
| 3.4.1 项目简介 |
| 3.4.2 指标数据收集及计算 |
| 3.4.3 指标权重计算 |
| 3.4.4 战略对应度评估结果 |
| 3.5 本章小结 |
| 第4章 计及不确定性和协同性的静态投资组合优化 |
| 4.1 引言 |
| 4.2 微电网项目静态投资组合优化模型特点分析 |
| 4.2.1 传统微电网项目静态投资组合优化模型 |
| 4.2.2 计及不确定性的微电网项目静态投资组合优化模型 |
| 4.2.3 计及不确定性和协同性的微电网项目静态投资组合优化模型 |
| 4.3 微电网项目间协同性模型构建 |
| 4.3.1 微电网项目协同因素识别 |
| 4.3.2 基于模糊测度和云Choquet积分的微电网项目协同性刻画 |
| 4.4 基于线性化处理和分支定界法的项目静态投资组合优化研究 |
| 4.4.1 线性化处理方法 |
| 4.4.2 分枝定界法 |
| 4.5 算例分析 |
| 4.5.1 项目简介 |
| 4.5.2 项目协同度计算 |
| 4.5.3 求解结果 |
| 4.6 本章小结 |
| 第5章 计及不确定性和协同性的动态投资组合优化 |
| 5.1 引言 |
| 5.2 微电网项目动态投资组合优化模型构建 |
| 5.2.1 微电网项目动态性问题阐述 |
| 5.2.2 动态投资组合优化模型构建 |
| 5.3 改进差分进化算法研究 |
| 5.3.1 标准差分进化算法 |
| 5.3.2 差分进化算法的改进 |
| 5.3.3 算法性能测试 |
| 5.4 算例分析 |
| 5.4.1 项目简介 |
| 5.4.2 项目协同度计算 |
| 5.4.3 求解结果 |
| 5.5 本章小结 |
| 第6章 计及不确定性和协同性的多阶段动态投资组合优化 |
| 6.1 引言 |
| 6.2 基于实物期权的微电网项目最佳投资时机分析 |
| 6.2.1 实物期权及微电网项目的实物期权特性分析 |
| 6.2.2 微电网项目最佳投资时机确定模型 |
| 6.3 基于多智能体强化学习的多阶段动态投资组合研究 |
| 6.3.1 微电网项目多阶段动态投资问题阐述 |
| 6.3.2 强化学习与Q-学习算法 |
| 6.3.3 多智能体强化学习与纳什Q-学习算法 |
| 6.4 算例分析 |
| 6.4.1 项目简介 |
| 6.4.2 项目投资时机确定 |
| 6.4.3 求解结果 |
| 6.5 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）组合优化问题的表示方式与进化优化算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 组合优化 |
| 1.2.1 组合优化问题定义 |
| 1.2.2 计算复杂性 |
| 1.3 人工智能的研究与发展 |
| 1.4 进化算法的研究与发展 |
| 1.4.1 进化算法简介 |
| 1.4.2 多智能体进化算法 |
| 1.4.3 多目标进化算法 |
| 1.4.4 多任务进化算法 |
| 1.4.5 超启发式算法 |
| 1.5 本文主要工作 |
| 第二章 求解约束满足问题的混合表示方式及多智能体进化算法 |
| 2.1 引言 |
| 2.2 约束满足问题 |
| 2.3 求解约束满足问题的混合表示方式 |
| 2.4 基于混合表示方式的多智能体进化算法 |
| 2.4.1 智能体定义 |
| 2.4.2 针对智能体的进化算子 |
| 2.4.3 MAEA_(D&I)-CSP算法流程 |
| 2.5 实验仿真及结果分析 |
| 2.5.1 二元约束满足问题测试集上的实验结果 |
| 2.5.2 图染色测试集上的实验结果 |
| 2.6 本章小结 |
| 第三章 求解资源受限项目调度问题的移动模式序列表示方式及多智能体进化算法 |
| 3.1 引言 |
| 3.2 资源受限项目调度问题 |
| 3.3 求解资源受限项目调度问题的移动模式序列表示方式 |
| 3.3.1 移动模式序列 |
| 3.3.2 移动模式序列解码算法 |
| 3.4 基于移动模式序列表示方式的多智能体进化算法 |
| 3.4.1 智能体定义 |
| 3.4.2 针对智能体的进化算子 |
| 3.4.3 MBS_(MAEA)-RCPSP算法流程 |
| 3.4.4 时间复杂度分析 |
| 3.5 实验仿真及结果分析 |
| 3.5.1 实验结果及分析 |
| 3.5.2 参数影响性分析 |
| 3.6 本章小结 |
| 第四章 面向进化多任务的图超启发式优化框架 |
| 4.1 引言 |
| 4.2 图启发式规则 |
| 4.3 面向进化多任务的图超启发式框架 |
| 4.3.1 EMHH算法框架 |
| 4.3.2 解的表示和评价 |
| 4.4 考试时间表和图染色问题案例研究 |
| 4.4.1 测试问题简介 |
| 4.4.2 进化算子 |
| 4.4.3 实验设置 |
| 4.4.4 实验分析 |
| 4.5 本章小结 |
| 第五章 面向“新高考”的高中“走班”排课问题建模及优化算法 |
| 5.1 引言 |
| 5.2 高中排课问题背景简介 |
| 5.3 高中“走班”排课问题建模 |
| 5.3.1 高中排课问题的基本概念 |
| 5.3.2 约束 |
| 5.3.3 高中“走班”排课问题数学模型 |
| 5.4 求解高中“走班”排课问题的模拟退火算法 |
| 5.4.1 解的表示方式 |
| 5.4.2 解的初始化和邻域变换 |
| 5.4.3 两阶段模拟退火算法 |
| 5.5 实验仿真及结果分析 |
| 5.5.1 实验数据 |
| 5.5.2 参数设置及性能评价 |
| 5.5.3 人工数据的实验结果及分析 |
| 5.5.4 真实数据上的应用 |
| 5.6 本章小结 |
| 第六章 改进基于分解的进化多目标算法求解多目标背包问题 |
| 6.1 引言 |
| 6.2 相关背景 |
| 6.2.1 切比雪夫分解方法 |
| 6.2.2 替换策略 |
| 6.2.3 MOEA/D算法框架 |
| 6.2.4 GR策略 |
| 6.2.5 MOKPs定义 |
| 6.3 实验仿真及结果分析 |
| 6.3.1 重组算子 |
| 6.3.2 评价指标和参数设置 |
| 6.3.3 MOEA/D-GR在MOKPs上的实验结果 |
| 6.3.4 参考点对MODA/D性能的影响 |
| 6.3.5 参考点对GR策略的影响及改进的GR策略 |
| 6.3.6 MOEA/D-IGR在MOKPs上的实验结果 |
| 6.3.7 时间复杂度分析 |
| 6.4 本章小节 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）工程机械客户服务系统人车联合调度派工算法的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 课题的研究现状及难点分析 |
| 1.2.1 国内外研究现状 |
| 1.2.2 研究难点 |
| 1.3 课题的研究路线 |
| 1.4 本文的章节安排 |
| 第二章 工程机械客户服务调度问题及解决方案分析 |
| 2.1 产品服务的概念 |
| 2.2 工程机械客户服务的特征 |
| 2.2.1 服务地点的不确定性 |
| 2.2.2 配送安排的特殊性 |
| 2.2.3 易逝性 |
| 2.3 工程机械客户服务调度问题分析 |
| 2.3.1 工程机械人车一体化调度问题的定义 |
| 2.3.2 与VRP问题的对比 |
| 2.4 调度问题的常见策略与算法 |
| 2.4.1 算法研究 |
| 2.4.2 常见求解调度问题的算法 |
| 2.5 工程机械客户服务调度问题的数字化 |
| 2.5.1 变量及相关参数定义 |
| 2.5.2 参数求解 |
| 2.6 本章小结 |
| 第三章 基本的单次单任务分派问题算法研究与实现 |
| 3.1 基于优先级高优先安排的调度方案 |
| 3.1.1 数学模型 |
| 3.1.2 基于剪枝Dijkstra算法的求解策略 |
| 3.2 基于总时间长度最短的统一调度方案 |
| 3.2.1 数学模型 |
| 3.2.2 基于匈牙利算法求解人车匹配问题 |
| 3.2.3 基于二分图最小权匹配的混合遗传算法求解人车联合调度问题 |
| 3.3 算例分析 |
| 3.3.1 算例产生 |
| 3.3.2 带优先次序的调度问题仿真结果与分析 |
| 3.3.3 基于总时长最短的多工程机械统一调度问题仿真结果与分析 |
| 3.4 本章小结 |
| 第四章 基于工作量平衡的单次多任务分派问题算法研究与实现 |
| 4.1 模型建立与问题分析 |
| 4.1.1 模型建立 |
| 4.1.2 问题分析 |
| 4.2 蚁群算法相关理论 |
| 4.3 任务分配的启发式分类策略 |
| 4.3.1 分类信息素计算 |
| 4.3.2 聚集度计算 |
| 4.3.3 启发式分类策略求解步骤 |
| 4.4 改进蚁群算法解决服务人的路线规划问题 |
| 4.4.1 信息素随机初始化策略 |
| 4.4.2 转移规则 |
| 4.4.3 局部搜索优化 |
| 4.4.4 信息素更新 |
| 4.4.5 灾变策略 |
| 4.5 任务分派与路线规划总体策略 |
| 4.6 算例分析 |
| 4.6.1 算例选取及实验参数设计 |
| 4.6.2 仿真结果分析 |
| 4.7 本章小结 |
| 第五章 带时间窗的单次多任务分派问题算法研究与实现 |
| 5.1 模型建立与问题分析 |
| 5.1.1 时间窗相关概念 |
| 5.1.2 模型建立 |
| 5.1.3 问题分析 |
| 5.2 果蝇搜索算法相关理论 |
| 5.2.1 基本果蝇算法 |
| 5.2.2 参数分析 |
| 5.3 混合离散果蝇优化算法求解带时间窗的人车一体化调度问题 |
| 5.3.1 编码方式 |
| 5.3.2 初始化群体—扩展的Solomon算法 |
| 5.3.3 嗅觉搜索与视觉搜索 |
| 5.3.4 后优化过程 |
| 5.3.5 基于切换机制的局部搜索 |
| 5.4 算例分析 |
| 5.4.1 算例选取及实验参数设计 |
| 5.4.2 仿真结果分析 |
| 5.5 本章小结 |
| 第六章 面向工程机械客户服务的人车联合调度派工系统 |
| 6.1 系统概念模型与设计 |
| 6.1.1 概念模型 |
| 6.1.2 功能设计 |
| 6.1.3 软件设计 |
| 6.2 应用实例 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 工作总结 |
| 7.2 进一步研究与展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读硕士学位期间发表的论文与获奖情况 |
（7）基于智能计算的流水车间调度问题优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 论文创新点 |
| 1.3 论文研究内容与结构安排 |
| 1.4 研究方法与技术路线 |
| 1.5 本章总结 |
| 第二章 相关理论基础与研究综述 |
| 2.1 流水车间调度问题简介 |
| 2.1.1 流水车间调度问题概述 |
| 2.1.2 流水车间调度问题分类 |
| 2.2 流水车间调度问题研究方法 |
| 2.2.1 传统运筹学优化方法 |
| 2.2.2 元启发式算法 |
| 2.2.3 智能优化算法 |
| 2.3 流水车间调度问题国内外研究现状 |
| 2.3.1 流水车间调度问题研究综述 |
| 2.3.2 流水车间调度问题算法的研究现状 |
| 2.4 花授粉算法和水波优化算法研究现状 |
| 2.4.1 花授粉算法研究综述 |
| 2.4.2 水波优化算法研究综述 |
| 2.5 本章小结 |
| 第三章 具有记忆信息的花授粉算法 |
| 3.1 基本花授粉算法 |
| 3.2 带有记忆信息的花授粉算法 |
| 3.2.1 MFPA描述 |
| 3.2.2 算法流程 |
| 3.3 实验分析 |
| 3.3.1 测试函数 |
| 3.3.2 结果分析 |
| 3.4 本章小结 |
| 第四章 带有差分进化策略的改进水波优化算法 |
| 4.1 基本水波优化算法概述 |
| 4.1.1 传播 |
| 4.1.2 折射 |
| 4.1.3 碎浪 |
| 4.2 基于差分进化的水波优化算法 |
| 4.2.1 差分进化算法介绍 |
| 4.2.2 带有差分进化策略的改进水波优化算法 |
| 4.3 参数设置与实验仿真 |
| 4.3.1 参数设置 |
| 4.3.2 测试函数 |
| 4.3.3 结果分析 |
| 4.4 本章总结 |
| 第五章 改进的花授粉算法求解置换流水车间调度问题 |
| 5.1 置换流水车间调度问题概述 |
| 5.2 PFSP问题假设和数学模型建立 |
| 5.2.1 PFSP问题假设 |
| 5.2.2 符号说明 |
| 5.2.3 PFSP数学模型建立 |
| 5.3 具有记忆信息的花授粉算法求解PFSP |
| 5.3.1 算法的编码与解码 |
| 5.3.2 初始种群的生成 |
| 5.3.3 算法求解流程 |
| 5.4 仿真实验与分析 |
| 5.4.1 参数设计 |
| 5.4.2 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 改进的水波优化算法求解无等待流水车间调度问题 |
| 6.1 无等待流水车间调度问题概述 |
| 6.2 基于差分进化的水波优化算法求解NWFSP |
| 6.2.1 符号说明 |
| 6.2.2 NWFSP数学模型建立 |
| 6.2.3 算法的编码与解码 |
| 6.2.4 求解思路分析与设计 |
| 6.3 仿真实验与分析 |
| 6.3.1 参数设置 |
| 6.3.2 算法求解性能比较 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（8）几种典型群智能算法及其更新机制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 群智能算法研究背景 |
| 1.2 群智能算法研究内容 |
| 1.3 本文主要贡献及意义 |
| 1.4 本文研究内容及组织结构 |
| 第2章 群智能算法及个体更新机制分析 |
| 2.1 群智能算法概述 |
| 2.1.1 群智能算法的基本框架 |
| 2.1.2 群智能算法的常用测试集 |
| 2.1.3 群智能算法的评价标准 |
| 2.2 蚁群优化算法 |
| 2.2.1 基本算法及个体更新机制分析 |
| 2.2.2 相关工作 |
| 2.3 粒子群优化算法 |
| 2.3.1 基本算法及个体更新机制分析 |
| 2.3.2 相关工作 |
| 2.4 萤火虫算法 |
| 2.4.1 基本算法及个体更新机制分析 |
| 2.4.2 相关工作 |
| 2.5 本章小结 |
| 第3章 多启发式信息蚁群优化算法求解取样送检路径规划问题 |
| 3.1 引言 |
| 3.2 取样送检路径规划问题描述及其数学模型 |
| 3.3 多启发式信息蚁群优化算法(MACO) |
| 3.3.1 路径构建 |
| 3.3.2 信息素更新 |
| 3.3.3 MACO算法步骤 |
| 3.3.4 MACO算法收敛性分析 |
| 3.4 仿真实验 |
| 3.4.1 实验用例及环境 |
| 3.4.2 新增启发式信息对路径构建的影响 |
| 3.4.3 MACO算法性能测试 |
| 3.4.4 参数分析 |
| 3.5 本章小结 |
| 第4章 部分吸引萤火虫算法 |
| 4.1 引言 |
| 4.2 部分吸引模型 |
| 4.3 吸引力快速计算策略 |
| 4.4 PaFA算法 |
| 4.5 仿真实验与结果分析 |
| 4.5.1 测试函数和参数设置 |
| 4.5.2 与FA算法比较结果及分析 |
| 4.5.3 与FA变种算法、其它仿生算法比较 |
| 4.5.4 参数c对算法性能的影响 |
| 4.5.5 应用到伦纳德琼斯势能问题 |
| 4.6 本章小结 |
| 第5章 领域重心反向学习的粒子群优化算法 |
| 5.1 引言 |
| 5.2 邻域重心反向学习策略 |
| 5.2.1 邻域重心反向计算 |
| 5.2.2 拓扑结构与收缩因子 |
| 5.3 NCOPSO算法 |
| 5.4 仿真实验与结果分析 |
| 5.4.1 测试函数与相关设置 |
| 5.4.2 实验结果分析 |
| 5.4.3 邻域重心反向学习策略有效性分析 |
| 5.4.4 拓扑结构对算法影响 |
| 5.4.5 应用到扩频雷达相位编码问题 |
| 5.5 本章小结 |
| 第6章 全交叉重心反向学习的部分吸引萤火虫算法 |
| 6.1 引言 |
| 6.2 两点全交叉 |
| 6.3 两点全交叉重心反向学习策略 |
| 6.4 CCOPaFA算法 |
| 6.5 仿真实验与结果分析 |
| 6.5.1 测试函数与参数设置 |
| 6.5.2 两点全交叉重心反向学习策略有效性分析 |
| 6.5.3 CCOPaFA算法性能分析 |
| 6.5.4 应用到输电网络扩展规划问题 |
| 6.6 本章小结 |
| 第7章 正交反向学习萤火虫算法 |
| 7.1 引言 |
| 7.2 正交反向学习策略OOBL |
| 7.3 正交反向学习萤火虫算法OOFA |
| 7.4 仿真实验与结果分析 |
| 7.4.1 测试函数 |
| 7.4.2 OOBL策略有效性分析 |
| 7.4.3 OOFA算法性能分析 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 总结 |
| 8.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的科研成果 |
| 致谢 |
（9）基于Lévy跳跃过程、随机波动模型的期权定价与风险管理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 股指跳跃、波动成分识别研究背景和意义 |
| 1.1.2 基于Lévy过程、随机波动的期权定价研究背景与意义 |
| 1.1.2.1 期权市场的发展 |
| 1.1.2.2 基于Lévy过程、随机波动的期权定价理论价值和意义 |
| 1.1.3 基于Lévy过程、随机波动的风险管理研究背景与意义 |
| 1.1.3.1 风险管理的研究背景 |
| 1.1.3.2 基于Lévy过程、随机波动风险管理的理论价值和意义 |
| 1.2 研究内容和研究方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 可能的创新点 |
| 1.4 结构框架 |
| 第2章 相关研究文献和理论基础 |
| 2.1 国内外相关文献 |
| 2.1.1 股指跳跃、波动成分识别相关文献 |
| 2.1.2 Lévy过程、随机波动理论与相关文献 |
| 2.1.2.1 Lévy过程相关文献 |
| 2.1.2.2 随机波动模型相关文献 |
| 2.1.3 期权定价模型文献综述 |
| 2.1.3.1 Lévy过程期权定价相关文献 |
| 2.1.3.2 随机波动模型期权定价相关文献 |
| 2.1.3.3 美式期权定价相关文献 |
| 2.1.4 Lévy过程跳跃、随机波动模型的风险管理相关文献 |
| 2.1.4.1 Lévy过程跳跃、随机波动模型的风险测度文献 |
| 2.1.4.2 多维Lévy跳跃-copula模型的风险管理文献 |
| 2.1.5 参数估计的优化算法相关文献 |
| 2.1.5.1 模型参数估计单目标优化算法 |
| 2.1.5.2 投资组合多目标优化算法 |
| 2.1.6 对已有研究的总结 |
| 2.2 相关理论基础 |
| 2.2.1 跳跃、波动甄别检验理论基础 |
| 2.2.2 相关随机过程理论基础 |
| 2.2.2.1 随机分析基础 |
| 2.2.2.2 Lévy过程基本概念 |
| 2.2.3 期权定价基础模型 |
| 2.2.3.1 B-S经典定价模型 |
| 2.2.3.2 跳跃扩散模型基础理论 |
| 2.2.3.3 经典美式期权定价理论 |
| 第3章 基于修正的已实现阈值幂变差的股市跳跃、波动行为研究 |
| 3.1 问题提出 |
| 3.2 基于修正的已实现阈值幂变差的股市跳跃甄别方法 |
| 3.2.1 跳跃甄别统计量构建 |
| 3.2.2 跳跃活动程度检验 |
| 3.3 扩展的已实现波动率预测模型 |
| 3.4 实证研究 |
| 3.4.1 跳跃识别 |
| 3.4.2 波动预测效果 |
| 3.5 本章小结 |
| 第4章 基于Lévy过程高阶矩波动模型的期权定价 |
| 4.1 问题提出 |
| 4.2 Lévy过程时变高阶矩波动模型 |
| 4.2.1 Lévy过程 |
| 4.2.2 非对称时变高阶矩NGARCHSK模型 |
| 4.3 Lévy-NGARCHSK期权定价的cosine方法和蒙特卡洛模拟 |
| 4.4 实证研究 |
| 4.4.1 参数估计 |
| 4.4.2 期权定价 |
| 4.5 本章小结 |
| 第5章 基于改进PSO算法的调和稳定Lévy跳跃下随机波动模型期权定价 |
| 5.1 问题提出 |
| 5.2 无限活跃纯跳跃Lévy过程驱动的随机波动模型 |
| 5.2.1 无限活跃纯跳跃Lévy过程 |
| 5.2.2 随机波动率Lévy过程 |
| 5.3 LVSV模型期权定价的分数阶FFT方法 |
| 5.4 改进的粒子群优化算法 |
| 5.4.1 种群初始化多区域局部搜索 |
| 5.4.2 参数自适应变异 |
| 5.4.3 种群全局自适应变异 |
| 5.4.4 多区域自适应PSO算法流程设计 |
| 5.5 实证研究 |
| 5.5.1 基于MAPSO的LVSV模型期权定价 |
| 5.5.2 LVSV模型的方差最优期权套期保值策略 |
| 5.6 本章小结 |
| 第6章 基于改进PSO算法的调和稳定Lévy跳跃随机波动过程美式期权定价 |
| 6.1 问题提出 |
| 6.2 时变调和稳定Lévy过程 |
| 6.3 Fourier-cosine方法基础的TSSV美式期权定价 |
| 6.4 参数估计的改进PSO算法 |
| 6.5 实证结果 |
| 6.5.1 描述性统计 |
| 6.5.2 参数估计结果 |
| 6.5.3 期权定价结果 |
| 6.6 本章小结 |
| 第7章 基于调和稳定Lévy跳跃随机波动过程的风险测度和投资组合策略 |
| 7.1 问题提出 |
| 7.2 时变调和稳定Lévy过程 |
| 7.3 时变调和稳定L6vy过程的FFT |
| 7.3.1 PDF和CDF的FFT |
| 7.3.2 VAR和CVaR |
| 7.4 投资组合策略中的风险调整准则 |
| 7.5 实证研究 |
| 7.5.1 参数估计 |
| 7.5.2 VaR和CVaR后验检验 |
| 7.5.3 TSSV模型的投资组合统计总结 |
| 7.5.4 TSSV模型的投资组合分布分析 |
| 7.6 本章小结 |
| 第8章 基于调和稳定Lévy跳跃下copula模型的多目标投资组合优化 |
| 8.1 问题提出 |
| 8.2 TS copula函数 |
| 8.2.1 copula函数 |
| 8.2.2 TS copula函数 |
| 8.3 TS copula多目标投资组合优化 |
| 8.4 多目标投资组合优化算法 |
| 8.4.1 NSGA-Ⅱ算法 |
| 8.4.2 SPEA-Ⅱ算法 |
| 8.4.3 MOPSO算法 |
| 8.5 实证部分 |
| 8.6 本章小结 |
| 第9章 研究结论与展望 |
| 9.1 主要成果及研究结论 |
| 9.2 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表论文情况 |
| 攻读博士学位期间参与完成科研项目情况 |
| 作者简介 |
（10）土地利用优化配置的多目标人工免疫优化模型研究（论文提纲范文）
| 论文创新点 |
| 图目录 |
| 表目录 |
| 摘要 |
| ABSTRACT |
| 1. 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 国内外研究进展 |
| 1.2.1 土地利用配置模型研究进展 |
| 1.2.2 AIS及其在土地利用优化配置中的应用 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究的关键技术 |
| 1.5 本章小结 |
| 2. 研究的基础理论与方法 |
| 2.1 土地利用优化配置的理论基础 |
| 2.1.1 相关的理论基础 |
| 2.1.2 优化配置的基本原则 |
| 2.2 多目标优化技术 |
| 2.2.1 多目标优化的基本概念 |
| 2.2.2 多目标优化的基本方法 |
| 2.3 人工免疫系统的主要模型与算法 |
| 2.3.1 人工免疫系统的免疫学机理 |
| 2.3.2 人工免疫系统的重要模型 |
| 2.3.3 重要的人工免疫优化算法 |
| 2.4 并行计算技术与方法 |
| 2.4.1 并行计算机的体系结构 |
| 2.4.2 并行编程模式与编程语言 |
| 2.4.3 并行算法性能度量指标 |
| 2.4.4 并行人工免疫系统的一般模型 |
| 2.5 本章小结 |
| 3. 土地利用优化配置的人工免疫概念模型构建 |
| 3.1 总体技术框架与模型设计思路 |
| 3.2 土地利用优化配置问题定义 |
| 3.2.1 土地资源数量结构优化问题定义 |
| 3.2.2 土地利用空间布局优化问题定义 |
| 3.3 土地利用优化的AIS概念模型构建 |
| 3.3.1 数量结构优化问题的人工抗体模型 |
| 3.3.2 空间布局优化问题的人工抗体模型 |
| 3.4 本章小结 |
| 4. 领域知识指导的AIS 土地利用优化算法 |
| 4.1 多目标人工免疫优化模型的基本原理 |
| 4.2 面向土地资源数量结构优化的MOAI-LUSO算法 |
| 4.2.1 种群初始化 |
| 4.2.2 抗体修复机制 |
| 4.2.3 抗体变异算子 |
| 4.2.4 抗体交叉算子 |
| 4.3 知识指导的土地利用布局并行优化PAI-LUSA算法 |
| 4.3.1 种群初始化策略 |
| 4.3.2 知识指导的变异算子 |
| 4.3.3 优化算法的并行策略 |
| 4.4 本章小结 |
| 5. 基于AIS的并行土地利用优化决策支持系统 |
| 5.1 土地利用优化配置智能优化系统研究现状 |
| 5.2 土地利用优化决策支持系统开发的基本需求 |
| 5.3 土地利用优化AIS模型总体框架与基本算子 |
| 5.4 土地利用智能优化决策支持系统关键技术 |
| 5.4.1 系统总体架构 |
| 5.4.2 应用插件开发模型 |
| 5.4.3 免疫算子开发模型 |
| 5.4.4 免疫算法并行实现 |
| 5.5 智能决策支持系统的开发与实现 |
| 5.6 本章小结 |
| 6. 模型应用实证研究 |
| 6.1 研究区概况 |
| 6.1.1 地理位置 |
| 6.1.2 自然环境条件 |
| 6.1.3 社会经济条件 |
| 6.1.4 土地利用现状 |
| 6.2 实验数据预处理 |
| 6.2.1 基础资料收集与预处理 |
| 6.2.2 数量结构优化实验数据预处理 |
| 6.2.3 空间布局优化实验数据预处理 |
| 6.3 土地利用优化结果分析与评价 |
| 6.3.1 数量结构优化结果分析与评价 |
| 6.3.2 空间布局优化结果分析与评价 |
| 6.4 优化算法性能评估 |
| 6.5 本章小结 |
| 7. 总结与后续研究 |
| 7.1 研究总结 |
| 7.1.1 全文总结 |
| 7.1.2 主要创新 |
| 7.2 后续研究 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
四、一类组合优化问题的智能算法研究（论文参考文献）
- [1]分布式阻塞流水车间调度方法研究[D]. 张晓辉. 中国矿业大学, 2020(07)
- [2]求解车间调度问题的混合粒子群算法研究[D]. 于宏利. 北方民族大学, 2021(08)
- [3]面向多目标离散优化的群智能算法研究及在云计算调度优化中的应用[D]. 周静. 华南理工大学, 2020(01)
- [4]计及不确定性与协同性的微电网项目投资组合优化研究[D]. 许传博. 华北电力大学(北京), 2020(06)
- [5]组合优化问题的表示方式与进化优化算法研究[D]. 郝星星. 西安电子科技大学, 2019(01)
- [6]工程机械客户服务系统人车联合调度派工算法的研究与实现[D]. 李艺. 东南大学, 2019(06)
- [7]基于智能计算的流水车间调度问题优化研究[D]. 汪海. 上海工程技术大学, 2019(06)
- [8]几种典型群智能算法及其更新机制研究[D]. 周凌云. 武汉大学, 2018(01)
- [9]基于Lévy跳跃过程、随机波动模型的期权定价与风险管理研究[D]. 宫晓莉. 东北大学, 2017(12)
- [10]土地利用优化配置的多目标人工免疫优化模型研究[D]. 赵翔. 武汉大学, 2013(07)