一、分区域搜索的狭义遗传算法（论文文献综述）
李祝红,赵灿明[1]（2018）在《电力通信网络中OSPF区域划分问题的研究》文中研究指明开放最短路径优先（OSPF）协议在电力通信网络中有广泛应用,随着电力网络规模日益扩大,以往过多依赖于网管经验的区域划分方法面临着效率方面的挑战。为了降低网络中冗余数据包传输和拓扑变更时路由重计算量,提高网络收敛速度和网络稳定性,需要对大规模OSPF网络进行更加合理和高效的区域划分。研究提出一种基于密度聚类的改进区域划分（MDBSC）算法,通过将网络跳数抽象为密度的度量,结合考虑实际网络节点地理位置因素,采用聚类的方法指导电力网络的区域划分,并通过实验验证了方案的可行性。仿真实验结果通过OSPF网络收敛时间和流量状态统计验证了方案的可行性。
周袁[2]（2013）在《投资组合问题建模与多目标进化算法的研究》文中指出投资组合问题（Investment Portfolio Problem）又称为资产投资组合问题,是一类非常复杂的决策问题,亦被证实是组合优化问题中带约束的NP难问题,难以使用常规的方法求解,国内外学者尝试用优化算法对其进行研究,如量子进化、遗传算法、模拟退火等.对投资组合问题的研究不仅有助于提高决策者的风险意识,还能提高决策的合理性和有效性,进一步降低投资组合的成本,提高投资的回报,避免投资的盲目性.本文在学习国内外研究现状的前提下,建立了投资组合问题的多目标优化模型,并采用基于分区的多目标进化算法对其进行求解,实现了分区的多目标进化算法在投资组合问题中的应用,最后的数值仿真验证了模型的有效性及算法的可行性.本文的研究工作和创新如下：多期多项目投资组合问题的研究.现在大多数文献都基于讨论一个大型项目投资计划,然而在投资市场中,投资者可能会受到内部资金或外部融资等条件的限制,某些看似可行的项目可能暂时被迫放弃,但是投资者在筹集足够资金后会重新选择一些项目进行投资,因此,本文考虑将单一的投资期推广至多个投资期时投资者该如何合理选择项目,同时兼顾每个投资期内可能存在的剩余资金的影响,在均值—方差理论的基础上使用均值—半协方差理论并结合效用目标函数,建立了多个投资期内多项目投资组合问题的数学模型.对于建立的带约束多目标问题,采用基于贪心修复策略的多目标进化算法,将非容许个体转变为容许个体,提高了算法的可行性.最后的算例验证了模型的有效性,通过多目标进化算法得到的是非支配解集,决策者对投资组合的总体回报和风险进行权衡,按照不同的偏好,根据非支配解集的特点选择出更有利于自己的决策.无摩擦市场下证券投资组合问题的研究.面对市场中大量的风险资产,决策者虽然都是理性的,但由古典经济学家得出分散投资是可以降低风险的,那么在进行组合投资时,盲目的增加资产投资的数量是否可以将组合风险降到任意低的水平甚至于接近无风险,这是本文研究的主要工作.本文同样是基于均值—半协方差理论,考虑在无摩擦的证券市场下,建立了带约束的证券投资组合模型,并用基于贪心修复策略的多目标进化算法求解,得到的非支配解集依然可以由决策者依据偏好加以选择,此外,固定有不同数目的资产组合得到的结论并不是资产规模越大,越能达到分散投资的目的,规模越大反而不能无限制的降低风险,与此同时也会增加不可管理费用的支出,这样反而不利于决策者投资.
武琳娜[3]（2012）在《基于动态效率的项目员工调度问题研究》文中研究说明经济发展的全球化和用户要求的个性化促使企业和组织越来越趋向于采用面向项目的生产方式,由于项目本身的特点以及所面临任务的复杂性、环境的动态性,其调度问题比传统的员工调度问题更为复杂。本文把握项目的特点,充分考虑员工在工作中普遍存在的学习效应和疲劳效应。首先,从学习效应角度研究对员工技能水平的影响,进而对员工工作效率的影响。引入传统员工调度的模型中,并将项目工期和总成本作为调度目标,结合员工休息和员工在任务间的转移等实际问题。其次,研究疲劳效应对项目工期的影响,并以此作为安排员工休息的依据。最后,运用自适应遗传算法证明了模型的有效性。全文旨在使调度过程更加贴近现实,为项目领导人提供员工调度方面的决策支持。
朱云飞[4]（2011）在《一种用进化方法求解鲁棒最优问题的研究》文中提出现实世界中许多应用问题一般是多属性的,而且应用环境通常是动态变化的,因此,对鲁棒进化（RE）的研究具有十分重要的实际应用价值。为此,本文针对多目标进化中重复个体产生原因和影响、MOEAs搜索鲁棒最优解的性能测试,以及如何提高鲁棒进化的效率等展开研究。主要工作如下：1、归纳总结了影响工程优化设计中的四类不确定因素,对多目标进化算法（MOEAs）的发展历程、单目标鲁棒进化的研究现状和多目标鲁棒进化的研究现状进行了综述。在此基础上,阐述了鲁棒进化研究所面临的困难和挑战。2、对MOEAs中重复个体产生的原因和影响进行了分析。以NSGA-II为例,用实验方法研究了重复个体产生的原因；用概率方法对重复个体的数量进行了分析。同时,用实验方法研究了重复个体对MOEAs性能的影响。3、用实验方法对MOEAs搜索鲁棒最优解的性能进行了测试。针对二维和三维目标测试函数,选取了不同程度的高斯噪音,测试决策变量受到干扰时MOEAs的收敛性和解集的多样性。实验结果显示,当存在干扰时,三维目标测试函数均对噪音十分敏感,但不同的测试函数在敏感程度上有较大差异。4、提出了一种用拟蒙特卡罗方法提高EA搜索鲁棒最优解性能的方法。有效估计有效目标函数（EOF）是提高EA搜索鲁棒最优解性能的关键,针对原始蒙特卡罗（C-MC）方法计算蒙特卡罗积分（MCI）的近似值时,采用随机抽样（RS）存在精度较低的不足,本文通过引入拟蒙特卡罗（Q-MC）方法,来获得MCI的近似值；同时采用三种低偏差序列·-SQRT序列、SOBOL序列和Korobov点阵,来提高MCI的精度。实验结果表明,Q-MC方法可以有效地减少MCI估计EOF的误差,提高了REA搜索鲁棒最优解的性能。5、提出了一种提高MOEAs搜索鲁棒最优解效率的方法。针对MOEAs在搜索鲁棒最优解时,存在求解效果差、效率低等不足,本文采用拉丁超立方体抽样（LHS）计算EOF,通过实例说明和理论分析,论证了LHS具有比RS更好的估计EOF的精度。为了进一步提高MOEAs搜索鲁棒最优解的效率,提出了一种自适应抽样技术（ALHS）,在优化过程中自适应地调整样本规模,有效地减少了计算样本EOF的次数和CPU时间。通过两个MROPs测试函数,针对ALHS、LHS和RS三种方法进行了对比实验,结果表明,ALHS比RS和LHS具有更好的求解效率和效果,LHS比RS效率和效果更好。6、提出了一种求解多目标旅行商问题的混合遗传算法。通过引入逆转算子（爬山法）,来提高局部搜索能力；根据TSP适应度地貌特征,设计了一种贪婪的复合变异算子,来提高全局搜索能力；在此基础上,提出一种新的混合遗传算法,实验结果表明了所提出的算法具有较好的求解多目标TSP问题的性能。
孙艳平[5]（2010）在《带约束的多目标进化算法及其营养膳食模型的研究》文中认为决策支持系统（Decision Support System ,简称DSS）是辅助决策者通过数据、模型和知识,以人机交互方式进行半结构化或非结构化决策的计算机应用系统。它是管理信息系统（MIS）向更高一级发展而产生的先进信息管理系统。它为决策者提供分析问题、建立模型、模拟决策过程和方案的环境,调用各种信息资源和分析工具,帮助决策者提高决策水平和质量。带约束的多目标进化算法,就是把带约束的多目标进化算法转化成一串个无约束的多目标规划的方法,国内外求解约束规划的方法,一般可分为三种途经。本文就结合算法采用Asp.net技术,Acess2000数据库,C#编程技术,同时参考中华人民共和国国家内分泌营养治疗总局糖尿病营养推荐标准以及平衡膳食宝塔结构及中国居民膳食营养标准,针对营养保健需求,开发出了基于浏览器/服务器（Browser/Server, B/S）架构的膳食营养决策支持系统。合理膳食对患有糖尿病者的患者具有良好的治疗作用,糖尿病人作为一种特殊的人群,由于和普通人吃的食物不一样,因此就需要有一个合理的食谱,要更加注意膳食的结构合理,营养学家的配餐是一个很繁琐的过程,既耗时又容易出错,而且必须由具有一定经验和特长的专家才能完成。所以开发出了基于浏览器/服务器（Browser/Server, B/S）架构的膳食营养决策支持系统,并给出了带约束的多目标进化算法在系统的具体实现过程,最后的配餐方案和专家提出的建议十分吻合,得出的配餐效果相当理想。
陈永琴,苏三买[6]（2007）在《自适应变搜索域遗传算法及其在发动机模型中的应用》文中研究说明针对发动机数学模型中非线性方程插值解法的不足,提出非线性方程自适应变搜索域遗传算法解法。论文详细分析了方程求解转化为遗传算法优化的数学描述、依据方程解临域特征的自适应变搜索域机理及算法的具体实现技术。实例计算与发动机仿真结果说明:所设计的变搜索域遗传算法可作为通用的非线性方程解法,相比较于简单遗传算法,能成倍提高计算效率;替代插值解法应用于发动机模型,可有效提高模型的收敛性。
彭琰[7]（2007）在《基于生物激励机制的算法研究》文中提出大自然是我们解决各种问题的源泉,几百年来,将生物界提供的答案应用于求解实际问题已经被证实是一种成功的方法。如今生物模拟已成为计算机科学的一个组成部分。这些年来也兴起了一系列基于生物激励机制的优化算法,如遗传算法、人工免疫系统、蚁群优化、粒子群算法、人工神经网络、文化算法等。这些算法都是从生命现象中得到启示,借鉴模拟了生物系统的行为、功能和特性。已广泛应用到各种不同的领域和多目标优化中。基于种群搜索的遗传算法是在进化论和遗传学的基础上产生和发展起来的一类随机搜索优化方法。而粒子群优化算法是一类较新的优化算法,它源于鸟群和鱼群群体运动行为的研究,是一种基于种群搜索策略的自适应随机算法。本文针对这两个算法分别在单目标上进行了研究,并用遗传算法来解决多目标优化问题。在基于切面上升的狭义遗传算法的基础上对其进行了改进,采用多父体适应值加权交叉策略,使算法全局搜索能力有了很大提高。实验结果表明改进后的算法能解决较为复杂的高维多峰值问题,找到的解更接近最优解。同时将标准粒子群算法和遗传操作算子（交叉和变异）相结合,加强了算法的全局搜索能力,使算法容易跳出局部最优。与标准粒子群算法在四个典型测试函数上进行了比较,实验结果表明该算法有很好的潜力找到更好的解。在多目标优化方面,提出了基于随机算子的快速多目标遗传算法,在算法NSGA2的基础上用擂台赛法则构造非支配集来加快算法效率,抛开NSGA2算法中构造多层非支配集的繁琐,构造下一代种群时加入随机算子,使得解集具有良好的分布性。不同维数下的测试函数结果表明,该算法比NSGA2有更好的分布性,算法运行效率也较高,且实现简单。
刘进超[8]（2007）在《进化计算若干问题研究》文中进行了进一步梳理进化计算（Evolutionary Computation）是模拟自然界生态系统中“优胜劣汰”的一类优化算法的总称，也称为演化计算。一般认为包括遗传算法，遗传编程，进化策略等。目前这类算法已被广泛应用于机器学习，人工智能，自适应控制，人工神经网络训练，图像处理等各个方面。针对一类协同进化算法给出其二进制编码有限群体模型。协同进化算法借鉴自然界中的协同进化（Coevolution）机制，通常表现为一个算法中使用多个种群协同进化，实际应用效果显着，但是其理论基础更为薄弱。Vose针对一般GAs曾给出了基于二进制编码的有限群体模型，在此基础上本文构建了适用于一类协同进化算法的二进制有限群体模型，可以进行相关算法的渐进收敛性状的分析及算法加速策略的研究。其次对当前常见的进化算法实验平台进行简要分析，介绍一个高效架构---OpenBeagle，分析其种群结构（Population），进化器（Evolver），内部系统（Internal System），以及整个架构图，最后讨论了如何基于这个架构构建自己的EC算法。利用OpenBeagle可以构建各种GAs，GP，ES，MOEA，Co-GA.并且在同一平台上可以方便有效地比较各种EC算法的性能。本文的算法测试实验基于此架构实现。本文给出了一种新型的“基于最优解定位的遗传算法”。给出其抽象描述，并且从理论上分析这个算法在满足若干条件的情况下收敛。针对单目标函数优化问题，给出了若干测试函数的实验结果，结果显示这一个方法可有效解决常见GAs“或者易陷入局部最优，或者收敛速度慢”这一两难困境，可以将计算资源集中到最优解所在的区域，其寻优效率非常高，如果辅以局域搜索算法可以获得高精度的解。针对多目标优化问题，本文也给出了初步的数值仿真结果，当OSO策略作为多目标优化的辅助策略时可以提高效率，部分改善最优种群在Pareto前沿的分布。
宋朝红,罗强,王乘[9]（2006）在《基于正交试验设计的区域分解遗传算法》文中提出论文根据区域分解的特点,将正交试验设计应用于区域分解遗传算法中,提出了一种基于正交设计的遗传算法。该算法利用正交试验设计来进行区域组合,通过较少的区域组合达到全局搜索的目的,解决区域分解遗传算法由于区域组合所带来的工作量大的问题,从而达到提高区域分解遗传算法的效率,改善算法的性能的目的。文中最后通过数值仿真计算,验证了算法的实用性。
任刚[10]（2005）在《多种群退火贪婪混合遗传算法的研究与应用》文中研究说明遗传算法是一种模拟自然界生物进化的搜索算法,由于它简单易行、鲁棒性强,尤其是不需要专门的领域知识而仅用适应度函数作评价来指导搜索过程,从而使它的应用范围极为广泛,并且已在众多领域得到了实际应用,取得了令人瞩目的成果,引起了广大学者和工程人员的关注。遗传算法是一种新兴的技术,正处于发展期。虽然在应用领域获得了丰收,但其理论基础还较薄弱,有许多地方需要研究和发展充实。 近几年来,基于遗传算法求解旅行商（TSP）问题的研究相当活跃。在遗传算法研究中,TSP问题已被广泛地用于评价不同的遗传操作及选择机制的性能。 人们对遗传算法甚是喜爱,但是在具体应用的过程中,其表现并不尽如人意。众所周知,遗传算法有两个严重的缺点,即容易过早收敛,以及在进化后期搜索效率较低。本文在此背景下,针对遗传算法上述的两个缺点提出了一种新型混合遗传算法:多种群退火贪婪混合遗传算法（Multi-group Annealing Greedy Hybrid Genetic Algotithm,MAGHGA）。该算法将局部搜索能力较强的贪婪算法引入遗传算法,并且同模拟退火算法和多种群并行遗传进化思想有机地结合起来。仿真结果表明,该算法避免了遗传算法中存在的早熟收敛的问题,增强了算法的全局收敛性,并且提高了算法的收敛速度。 然后,本文使用改进后的算法,针对旅行商问题进行求解,重新计算了中国三十一个省会城市的遍历最短路径,其结果较已知的最优解缩短了500公里,表明了算法的可行性和高效性。 最后,指出了本文算法的缺点及其局限性,及其以后需要努力的方向。
二、分区域搜索的狭义遗传算法（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、分区域搜索的狭义遗传算法（论文提纲范文）
（1）电力通信网络中OSPF区域划分问题的研究（论文提纲范文）
| 1 引言 |
| 2 相关描述 |
| 2.1 问题模型 |
| 2.2 相关定义 |
| 3 基于网络密度聚类的区域划分算法 |
| 3.1 骨干区域的确定 |
| 3.2 非骨干区域的确定 |
| 3.2.1 基于密度的聚类算法 |
| 3.2.2 电力网络聚类算法MDBSC |
| 1) 输入: |
| 2) 输出: |
| 4 实验 |
| 4.1 实验设置 |
| 4.2 实验运行结果与分析 |
| 5 结束语 |
（2）投资组合问题建模与多目标进化算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 投资组合优化问题研究综述 |
| 1.3 多目标进化算法的研究概况 |
| 1.4 本文的主要工作和章节安排 |
| 第二章 投资组合问题与多目标进化算法 |
| 2.1 投资组合问题 |
| 2.1.1 投资组合问题组成的要素和分类 |
| 2.1.2 投资组合问题的优化目标 |
| 2.1.3 经典算法 |
| 2.2 多目标优化问题相关概念 |
| 2.2.1 多目标优化问题的定义 |
| 2.2.2 关于Pareto解的相关概念 |
| 2.3 多目标进化算法 |
| 2.3.1 多目标进化算法的研究现状 |
| 2.3.2 基于分区域搜索的多目标进化算法 |
| 2.4 本章小结 |
| 第三章 投资问题的相关度量 |
| 3.1 回报和风险的度量方法 |
| 3.2 项目投资组合的度量 |
| 3.2.1 假设及符号 |
| 3.2.2 某投资期内项目组合投资 |
| 3.3 证券投资组合的度量 |
| 第四章 多期多项目投资组合问题及求解算法 |
| 4.1 引言 |
| 4.2 多期多项目投资组合问题 |
| 4.2.1 假设及数学符号 |
| 4.2.2 模型的建立 |
| 4.3 多期多项目投资组合的算法设计 |
| 4.3.1 分区域搜索策略 |
| 4.3.2 编码和贪心修复策略 |
| 4.3.3 交叉与变异 |
| 4.3.4 多目标进化算法的主要步骤 |
| 4.4 数值仿真 |
| 4.5 本章小结 |
| 第五章 证券投资组合问题及其求解算法 |
| 5.1 引言 |
| 5.2 问题描述及符号 |
| 5.3 证券投资组合模型的建立 |
| 5.4 证券投资组合问题的算法设计 |
| 5.4.1 编码和贪心修复策略 |
| 5.4.2 交叉与变异 |
| 5.4.3 多目标进化算法的主要步骤 |
| 5.4.4 数值仿真 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表论文 |
| 致谢 |
（3）基于动态效率的项目员工调度问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 员工调度文献综述 |
| 1.2.2 项目员工调度综述 |
| 1.2.3 考虑学习效应的员工调度综述 |
| 1.2.4 考虑疲劳效应的员工调度综述 |
| 1.3 结构安排 |
| 第二章 相关理论基础 |
| 2.1 项目的定义和特点 |
| 2.1.1 项目的定义 |
| 2.1.2 项目的特点 |
| 2.2 员工动态效率相关理论 |
| 2.2.1 学习效应理论 |
| 2.2.2 疲劳效应理论 |
| 第三章 基于学习效应的项目员工调度问题分析 |
| 3.1 问题描述 |
| 3.2 基于学习效应的项目员工调度问题建模 |
| 3.2.1 目标函数构建 |
| 3.2.2 约束关系建立 |
| 第四章 基于疲劳效应的项目员工调度问题分析 |
| 4.1 疲劳效应分析 |
| 4.2 基于疲劳效应的项目员工调度问题建模 |
| 4.2.1 目标函数构建 |
| 4.2.2 约束关系建立 |
| 第五章 项目员工调度问题算例分析 |
| 5.1 求解方法选择 |
| 5.1.1 最优化算法 |
| 5.1.2 启发式算法 |
| 5.2 遗传算法分析 |
| 5.2.1 遗传算法的基本思想 |
| 5.2.2 遗传算法的运算流程 |
| 5.2.3 遗传算法的基本原理与方法 |
| 5.2.4 遗传算法改进技术 |
| 5.3 项目员工调度问题算例分析 |
| 5.3.1 基础数据 |
| 5.3.2 自适应遗传算法设计 |
| 5.3.3 仿真结果与分析 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 研究成果 |
（4）一种用进化方法求解鲁棒最优问题的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 鲁棒进化具有十分广阔的应用前景 |
| 1.2 进化算法发展历史 |
| 1.3 单目标鲁棒进化(SRE)研究现状 |
| 1.4 多目标鲁棒进化(MRE)研究现状 |
| 1.5 RE的发展趋势和MRE研究所面临的挑战 |
| 1.6 本文主要内容及组织结构 |
| 第二章 MOEAS中的重复个体研究 |
| 2.1 MOEAs有关概念 |
| 2.2 非支配排序遗传算法(NSGA-Ⅱ) |
| 2.2.1 NSGA-Ⅱ简介 |
| 2.2.2 算法描述 |
| 2.2.3 算法流程 |
| 2.3 NSGA-Ⅱ中重复个体的研究 |
| 2.3.1 NSGA-Ⅱ中重复个体数目与编码方式的关系 |
| 2.3.2 NSGA-Ⅱ中重复个体产生原因分析 |
| 2.3.3 重复个体数量的概率分析 |
| 2.3.4 重复个体对算法性能的影响 |
| 2.4 其它多目标进化算法中的重复个体 |
| 2.5 本章总结 |
| 第三章 MOEAS鲁棒性能的实验测试 |
| 3.1 鲁棒优化问题 |
| 3.2 MOEAs在二目标测试函数下的鲁棒性能 |
| 3.2.1 测试函数 |
| 3.2.2 性能评价指标 |
| 3.2.3 实验结果及分析 |
| 3.3 MOEAs在三目标测试函数下的鲁棒性能 |
| 3.3.1 测试函数 |
| 3.3.2 测试环境及参数设置 |
| 3.3.3 实验结果及分析 |
| 3.4 本章总结 |
| 第四章 用拟蒙特卡罗方法提高EA搜索鲁棒最优解性能 |
| 4.1 引言 |
| 4.2 搜索鲁棒最优解的进化算法 |
| 4.2.1 鲁棒最优解 |
| 4.2.2 原始蒙特卡罗方法 |
| 4.2.3 进化算法设计 |
| 4.3 拟蒙特卡罗方法 |
| 4.3.1 偏差 |
| 4.3.2 Kokama-Hlawka不等式 |
| 4.3.3 本文使用的Q-MC方法 |
| 4.4 实验及结果分析 |
| 4.4.1 测试问题 |
| 4.4.2 实验环境设置 |
| 4.4.3 实验及数据分析 |
| 4.5 本章总结 |
| 第五章 一种提高MOEAS搜索鲁棒最优解效率的方法 |
| 5.1 引言 |
| 5.2 多目标鲁棒优化问题及其鲁棒最优解 |
| 5.2.1 多目标鲁棒优化问题 |
| 5.2.2 多目标鲁棒最优解 |
| 5.3 基于LHS的MOEAs求解鲁棒最优解 |
| 5.3.1 用LHS计算有效目标函数 |
| 5.3.2 LHS与RS效果比较 |
| 5.3.3 MROPs测试函数 |
| 5.3.4 实验仿真 |
| 5.4 使用自适应抽样技术提高MOEAs的效率 |
| 5.4.1 自适应抽样技术 |
| 5.4.2 ALHS效率分析 |
| 5.4.3 仿真实验 |
| 5.5 本章总结 |
| 第六章 求解多目标旅行商问题的混合遗传算法 |
| 6.1 旅行商问题 |
| 6.1.1 旅行商的定义 |
| 6.1.2 多目标旅行商问题 |
| 6.1.3 多目标旅行商问题的数学模型 |
| 6.1.4 多目标TSP研究现状 |
| 6.2 求解多目标旅行商问题的混合遗传算法 |
| 6.2.1 编码 |
| 6.2.2 种群初始化 |
| 6.2.3 选择算子 |
| 6.2.4 交叉算子 |
| 6.2.5 变异算子 |
| 6.2.6 局部搜索方法——爬山法 |
| 6.3 实验设计与结果 |
| 6.4 本章总结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 进一步的工作 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间主要的研究成果 |
（5）带约束的多目标进化算法及其营养膳食模型的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 带约束的多目标进化算法的发展及现状 |
| 1.3 研究背景 |
| 1.3.1 智能决策支持系统 |
| 1.3.2 膳食营养决策支持系统模型的研究背景 |
| 1.3.3 糖尿病的研究背景 |
| 1.4 本文的主要工作及内容安排 |
| 第二章 带约束的多目标进化算法 |
| 2.1 遗传算法概述 |
| 2.2 多目标优化的发展与应用 |
| 2.2.1 多目标优化的模型和基本概念 |
| 2.2.2 约束多目标优化问题转化为无约束规划的问题 |
| 2.3 小结 |
| 第三章 改进的带约束多目标进化算法 |
| 3.1 算法相关基本概念和细节 |
| 3.2 带约束多目标进化算法的基本框架 |
| 3.3 性能指标 |
| 第四章 带约束的多目标进化算法在糖尿病患者中的应用 |
| 4.1 糖尿病配餐设计 |
| 4.2 糖尿病营养决策方程和模型 |
| 4.3 选择、交叉与变异算子 |
| 第五章 带约束的多目标进化算法在膳食营养模型中的应用 |
| 5.1 系统数据库结构设计 |
| 5.2 软件的结构 |
| 5.3 带约束的多目标进化算法在多目标营养配餐模型中的具体应用 |
| 5.3.1 算法具体实现 |
| 5.3.2 算法程序实现 |
| 5.4 小结 |
| 第六章 带约束多目标进化算法在膳食营养模型中的测试 |
| 6.1 应用环境 |
| 6.2 应用实例 |
| 6.2.1 系统的登陆界面 |
| 6.2.2 配餐的实例 |
| 6.3 测试的结果与分析 |
| 第七章 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历在学习期间的研究成果及发表的学术论文 |
（6）自适应变搜索域遗传算法及其在发动机模型中的应用（论文提纲范文）
| 1 引 言 |
| 2 非线性方程遗传算法求解 |
| 2.1 数学描述 |
| 2.2 遗传算法变搜索域的优点 |
| 2.3 求解非线性方程时遗传算法可变搜索域的理论依据与方法 |
| 2.4 自适应变搜索域遗传算法求解非线性方程的具体实现 |
| 2.5 方程存在多个解的处理方法 |
| 3 计算实例与结论 |
| 3.1 计算效率比较 |
| 3.2 双函数方程的收敛性比较 |
| 4 在发动机数学模型中的应用 |
| 5 结 论 |
（7）基于生物激励机制的算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 遗传算法 |
| 1.2 蚁群算法 |
| 1.3 粒子群算法 |
| 1.4 免疫算法 |
| 1.5 文化算法 |
| 1.6 本文工作 |
| 第二章 遗传算法及其改进 |
| 2.1 遗传算法 |
| 2.1.1 遗传算法中的专业术语 |
| 2.1.2 遗传算法的基本流程 |
| 2.1.3 遗传算法研究现状 |
| 2.2 基于切面上升的狭义遗传算法 |
| 2.2.1 RGAATP 的基本原理 |
| 2.2.2 实验及其分析 |
| 2.3 RGAATP 算法的改进 |
| 2.3.1 算法的改进 |
| 2.3.2 实验及其结果分析 |
| 2.4 本章小结 |
| 第三章 粒子群算法及其改进 |
| 3.1 基本粒子群优化算法 |
| 3.1.1 算法原理 |
| 3.1.2 算法参数 |
| 3.1.3 算法步骤 |
| 3.2 标准粒子群优化算法 |
| 3.3 粒子群算法的研究现状 |
| 3.4 标准粒子群算法的改进 |
| 3.4.1 交叉算子 |
| 3.4.2 变异操作 |
| 3.5 实验结果 |
| 3.6 本章小结 |
| 第四章 多目标进化算法以及改进 |
| 4.1 多目标优化的基本概念 |
| 4.1.1 多目标优化的定义 |
| 4.1.2 Pareto 最优解 |
| 4.1.3 Pareto 最优边界 |
| 4.2 多目标进化算法的研究概况 |
| 4.3 几种典型的多目标进化算法 |
| 4.4 基于随机算子的快速多目标遗传算法 |
| 4.4.1 擂台赛法则 |
| 4.4.2 随机算子 |
| 4.5 实验及其结果分析 |
| 4.5.1 实验环境及评价方法 |
| 4.5.2 测试函数及实验结果 |
| 4.6 本章小结 |
| 总结 |
| 参考文献 |
| 致谢 |
| 附录 A (攻读硕士学位期间已公开发表的论文) |
（8）进化计算若干问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 进化计算概述 |
| 1.1 生物学背景 |
| 1.2 进化计算的基本原理 |
| 1.2.1 遗传算法的基本思想 |
| 1.2.2 遗传算法的基本概念 |
| 1.2.3 遗传算法的基本操作 |
| 1.3 进化计算的研究现状 |
| 第2章 进化计算的理论研究 |
| 2.1 进化算法的常用理论分析方法 |
| 2.2 一类协同进化算法的动力学模型 |
| 2.2.1 一类协同进化算法的算法描述 |
| 2.2.2 建立任务分解式协同进化算法的基于二进制编码的有限群体模型 |
| 第3章 进化计算的实验平台 |
| 3.1 常用进化计算平台简介 |
| 3.2 OpenBeagle简介 |
| 3.2.1 OpenBeagle的calss Hierarchy的部分 |
| 3.2.2 OpenBeagle种群结构 |
| 3.2.3 OpenBeagle内部系统(Internal system) |
| 3.2.4 OpenBeagle进化器(Evolver 及 Operators) |
| 3.2.5 OpenBeagle架构图 |
| 3.3 利用 OpenBeagle构建自己的进化算法 |
| 3.4 运行结果显示与解析 |
| 第4章 最优解定位遗传算法(OSOGA) |
| 4.1 OSOGA算法的提出背景 |
| 4.2 OSOGA算法及其描述 |
| 4.2.1 前述 |
| 4.2.2 下面给出基于最优解定位的遗传算法(OSOGA)的描述 |
| 4.2.3 基于二进制编码的OSOGA |
| 4.2.4 基于实数编码的OSOGA |
| 4.2.5 基于其他表达方式(representation)的OSOGA |
| 4.3 OSOGA算法在单目标优化问题中的性能分析 |
| 4.3.1 收敛性分析 |
| 4.3.2 仿真实验及结果分析 |
| 4.4 OSOGA算法在多目标优化问题中的应用及性能分析 |
| 4.4.1 多目标决策综述 |
| 4.4.2 遗传算法在多目标决策中的应用简述 |
| 4.4.3 OSOGA算法在多目标决策中的应用 |
| 4.4.4 作为效率加速策略的“最优解定位”(OSO)策略 |
| 4.4.5 原生最优解定位(OSO)多目标优化算法 |
| 第5章 总结与展望 |
| 5.1 本文的主要研究结果与创新 |
| 5.2 进一步的研究展望 |
| 参考文献 |
| 作者在攻读硕士学位期间发表的文章 |
| 致谢 |
（10）多种群退火贪婪混合遗传算法的研究与应用（论文提纲范文）
| 郑重声明 |
| 摘要 |
| ABSTRACT |
| 目录 |
| 引言 |
| 第一章 绪论 |
| 1.1 背景与目标 |
| 1.2 研究内容与自己所做工作 |
| 第二章 遗传算法简介 |
| 2.1 遗传算法的发展 |
| 2.2 遗传算法的基本概念和数学基础 |
| 2.3 遗传算法的原理和基本操作 |
| 2.4 遗传算法的关键技术 |
| 2.5 遗传算法的特点 |
| 2.6 遗传算法的应用 |
| 2.7 遗传算法的性能评价 |
| 第三章 多种群退火贪婪混合遗传算法 |
| 3.1 模拟退火算法简介 |
| 3.2 模拟退火算法的描述 |
| 3.3 遗传退火进化算法(GAEA)介绍 |
| 3.4 多种群并行遗传算法简介 |
| 3.5 本文算法(MAGHGA)描述 |
| 3.6 讨论 |
| 3.7 算法实现环境 |
| 3.8 算法验证 |
| 第四章 遗传算法在旅行商问题的应用 |
| 4.1 TSP数学描述 |
| 4.2 求解TSP问题的基本方法 |
| 4.3 用本文算法求解TSP问题 |
| 4.4 实验结果 |
| 第五章 结论 |
| 致谢 |
| 参考文献 |
| 附录一 |
| 附录二 |
四、分区域搜索的狭义遗传算法（论文参考文献）
- [1]电力通信网络中OSPF区域划分问题的研究[J]. 李祝红,赵灿明. 微处理机, 2018(01)
- [2]投资组合问题建模与多目标进化算法的研究[D]. 周袁. 广东工业大学, 2013(10)
- [3]基于动态效率的项目员工调度问题研究[D]. 武琳娜. 西安电子科技大学, 2012(06)
- [4]一种用进化方法求解鲁棒最优问题的研究[D]. 朱云飞. 中南大学, 2011(12)
- [5]带约束的多目标进化算法及其营养膳食模型的研究[D]. 孙艳平. 河南工业大学, 2010(06)
- [6]自适应变搜索域遗传算法及其在发动机模型中的应用[J]. 陈永琴,苏三买. 推进技术, 2007(04)
- [7]基于生物激励机制的算法研究[D]. 彭琰. 湘潭大学, 2007(04)
- [8]进化计算若干问题研究[D]. 刘进超. 武汉理工大学, 2007(05)
- [9]基于正交试验设计的区域分解遗传算法[J]. 宋朝红,罗强,王乘. 计算机工程与应用, 2006(14)
- [10]多种群退火贪婪混合遗传算法的研究与应用[D]. 任刚. 郑州大学, 2005(08)