一、基于模拟退火的粒子群优化算法（论文文献综述）
陈健瑞,王景璟,侯向往,方政儒,杜军,任勇[1]（2021）在《挺进深蓝：从单体仿生到群体智能》文中研究说明近年来,群体智能作为一项多学科融合的新技术在各领域的研究成果斐然,例如共享出行、蜂群无人机系统、水下多智能体平台等,但与水下场景结合的群体智能技术缺乏系统的归纳,有必要对水下群体智能技术的发展现状和趋势进行讨论和分析.本文对群体智能理论进行了详尽的分析,给出了群体智能的完整概念、具体算法以及应用领域.文中指出,为解决海洋复杂环境对探测、通信等造成的一系列困难,需要将群体智能技术应用于水下场景.本文就国内外水下群体智能技术的研究现状进行了总结,对水下群体智能存在的环境复杂、通信受限、信息获取困难、系统能力不足以及能量供应受限的难点进行了评述.针对这些难点,本文对结合群体智能理论的时变环境感知技术、传感网络设计、协同导航定位技术、路径规划技术、水下编队控制以及分布式自主决策技术进行了分析,并在文末给出水下群体智能技术未来在跨域通信、多平台异构、自主作业能力革新方面的发展趋势和展望.
冯阅,罗立胜,韩建刚[2]（2021）在《基于智能优化方法的斜拉桥索力优化》文中研究指明在运用弯曲能量最小法计算斜拉桥拉索初始索力时,为观察传统的基于导数信息的搜索算法和智能优化方法的效果,采用序列规划法并引入遗传算法、模拟退火算法和粒子群优化算法3种智能优化方法,以各拉索索力为设计变量、桥塔和主梁的加权弯曲应变能为目标函数、桥塔和主梁的位移和弯矩等为约束,建立优化模型。结合Matlab及Ansys编制了斜拉桥索力优化的计算程序。通过算例计算分析,验证了编制程序的有效性,并对比了几种方法的计算结果,结果显示采用遗传算法和粒子群优化算法的全桥结构内力较传统方法均匀,而模拟退火算法效果不太理想。
李海啸[3]（2021）在《面向智能工厂的无线传感器网络定位技术研究》文中提出随着传感技术、无线通信技术、嵌入式技术、分布式处理技术和微电子技术等快速发展和成熟,无线传感器网络应运而生并广泛应用在智慧医疗、智能交通、军事侦查、智能家居、绿色环保、智能工业等领域。无线传感器网络由大量传感器节点组成,形成一个自组织、可扩展、点到点通信、多跳传输的无线网络,通过环境感知、信息融合和数据传输,将大量感知信息传递给观测者。在无线传感器网络的众多应用中,感知信息不仅仅包括感知数据,还应包括感知数据所在的具体位置信息,没有具体位置信息的感知数据是毫无意义的,因此节点定位技术是无线传感器网络的重要的、基础性的技术之一。而以无线传感器网络为主体的泛在感知计算网络是智能工厂的重要感知和监测基础。在智能工厂中,决策者或智能分析系统能够准确分析当前情况和决策采取下一步有效措施的重要依据是需要感知、采集大量的环境、人员、设备和能源等重要参数信息。大部分感知信息都是位置相关的,所以在智能工厂中,对自动引导小车的定位和轨迹追踪、对内部人员或外来人员的定位、对监测区域特征参数或事件的定位都离不开无线传感器网络定位技术。根据监测对象的数量和性质以及采用定位技术的不同,无线传感器网络定位算法主要分为:静态定位和动态定位、基于测距定位和基于非测距定位、单目标定位和多目标定位。此外定位技术还应满足定位时间和定位精度的要求。通过对国内外大量关于无线传感器网络定位技术相关文献的研究,掌握了当前备受大家认可的无线传感器网络定位技术,对无线传感器网络在智能工厂的不同应用领域中如何提高定位精度、减小定位时间、如何改善算法鲁棒性等方面进行研究。本文主要的研究内容和改进如下:（1）基于非测距的距离矢量—跳段（Distance Vector-Hop,DV-Hop）定位算法的研究。针对DV-Hop定位算法定位误差大的问题,本文提出了基于一般误差向量修正和基于模糊聚类的误差向量修正的DV-Hop定位算法。改进算法根据无线传感器网络拓扑结构（节点单一区域分布和节点分区域分布）构建相似度函数,利用锚节点与未知节点的最小跳数得到节点间的相似度值,再利用预设的相似度阈值选择与未知节点相似度达到一定条件的锚节点组成锚节点集合,对集合中的锚节点进行重定位得到锚节点的位置估计值,根据锚节点的真实位置和估计位置依据仿射空间原理得到每个锚节点的定位误差向量或修正向量,最后利用多个锚节点的误差向量或修正向量加权平均得到未知节点的定位误差向量或修正向量,进一步优化未知节点的估计位置。实验表明,改进算法能有效提高无线传感器网络不同网络拓扑下DV-Hop非测距定位算法的定位精度。（2）基于测距的三边加权质心定位算法的研究。针对基于RSSI测距的定位算法的定位精度受信号噪声和环境干扰较大的问题,对基于RSSI测距定位算法进行了三个方面的改进:首先,针对传统三边加权质心定位算法锚节点的选择不当导致定位误差大的问题,提出了双集合组合法寻找满足一定条件的三个锚节点用于三边定位。其次,针对RSSI测距容易受到环境噪声和设备脉冲信号的小概率大干扰事件影响造成RSSI测距精准度低的问题,提出了结合量子粒子群优化的模糊C均值聚类过滤算法以消除基于RSSI测距的小概率大干扰事件,再利用假设检验方法检验过滤后的RSSI三元组的准确性。最后,提出参考点加权质心定位算法解决了传统三边加权质心算法在噪声和脉冲干扰下定位成功率不高且误差较大的问题。实验通过CC2530传输模块和Tiny OS2开发平台验证了改进的三边加权质心定位算法的有效性。（3）针对移动无线传感器网络的蒙特卡罗定位盒子算法的研究。蒙特卡罗定位盒子算法是一种基于锚节点信息限制的蒙特卡罗样本抽样定位算法,可用于智能工厂中对移动目标的定位和跟踪。为解决蒙特卡罗盒子定位算法的采样效率低、迭代次数多、样本退化、采样随机性的问题,本文在传统蒙特卡罗定盒子定位算法的采样阶段,根据灰色系统预测理论增加了灰色模型预测采样功能,将在样本盒子中随机采样过程改进为根据前期的样本位置进行灰色模型预测采样,使预测样本与未知节点当前的真实位置更接近,因此采样预测更具有目的性、针对性和方向性,提高了采样效率,减少了迭代次数。实验仿真表明,改进算法能够有效防止随着时间段的增加而采样样本退化,显着提高智能工厂移动目标的定位精度,减少定位响应时间。（4）基于压缩感知的稀疏多目标定位算法研究。针对传统基于压缩感知多目标定位算法感知矩阵维数大、计算复杂度高、网格边长难以细化等问题,本文提出了基于压缩感知的两阶段多目标定位算法。在大规模定位阶段,将监测区域依据部署的传感器进行Voronoi图划分,将多目标确定在每个子区域中,并在所有子区域中进行贪婪匹配追踪算法重构目标稀疏位置向量,得到包含目标的候选网格。在精细定位阶段,对选出的候选网格依据网格最小边长定理进行细化,对每个子区域中候选网格组成的本地区域内采用1-稀疏度位置向量贪婪匹配重构算法得到目标所在的细化网格,并以细化网格作为目标的最终位置。基于压缩感知的两阶段多目标定位算法既提高了的定位精度,也减小了稀疏重构感知矩阵的维数,降低了算法复杂度,减小了定位响应时间。最后通过实验仿真验证了改进算法的效果,可以用于对智能工厂监测区域的稀疏多目标进行有效定位。（5）基于多维标度的协作式多目标定位算法研究。为解决无线传感网络多维标度定位精度容易受最短路径估计距离误差影响的问题,改善多维标度定位算法的初始估计位置,提出一种基于模拟退火优化的无线传感器网络多维标度定位算法。首先利用RSSI接受信号强度测距并建立距离矩阵,使用多维标度方法和锚节点信息得到节点的初始估计绝对坐标,再利用测距信息和节点的权重系数构造模拟退火优化算法的胁强系数,通过模拟退火优化算法良好的全局搜索能力不断迭代优化求解节点的最优位置。通过实验仿真验证了基于模拟退火优化的多维标度定位算法即使在C型网络和测距噪声存在的情况下也能够具有较低的平均定位误差和较高的网络覆盖率,而且非常适于应用在智能工厂基站数量少的环境。本文系统地研究了无线传感器网络基于测距定位和基于非测距定位、静态定位和动态定位、单目标定位和多目标定位的相关技术,提出了5种创新和改进方案,并通过大量的实验验证了所提算法的有效性和可行性。实验结果表明,本文所提的5种定位方案是无线传感器网络定位技术的重要创新和改进,可以应用在智能工厂无线传感器网络多个定位领域,有非常重要的现实意义和应用价值。
叶楠[4]（2021）在《基于改进粒子群的高光谱波段选择及空谱联合分类算法研究》文中研究表明高光谱遥感数据中包含了地物大量的光谱维与空间维信息,可提供更加精细化的地物类别区分依据。然而,星载/机载采集到的全波段高光谱遥感数据占用存储空间较大,难以进行快速处理,同时会产生“Hughes现象”导致分类精度下降;另一方面,受载荷传输和计算机处理速率的限制,难以实时处理较多谱段的分类,因此,波段选择研究和基于较少的特征谱段数据进行高精度的高光谱目标分类识别具有重要意义,同时现有的分类研究方法中大多数只考虑图像谱段信息,忽略了地物分布在空间上存在较强关联性这一特点对分类预测结果的重要影响。针对以上问题,本文通过粒子群优化方法对高光谱遥感数据进行波段选择处理的同时构建了空间信息提取模型,提出了基于改进粒子群的波段选择方法和基于空-谱联合的分类方法,具体研究内容如下:1)针对星载/机载高光谱数据波段选择问题,提出了一种基于改进粒子群优化的波段选择方法,并将其应用到高光谱图像数据波段选取中。选用三组真实高光谱数据集,分别将利用传统粒子群、模拟退火-粒子群、遗传-粒子群与本文提出的改进粒子群算法获得的高光谱波段子集输入到KNN分类器中进行仿真验证与分析。其中,本文提出的波段选取方法在三种数据集中分类精度最高,在Indian Pines数据集中,代表稳定性的方差值为0,分类精度为86.94%;在Salinas数据集中,方差为5.05×10-6,分类精度为90.18%;在Long Kou数据集中,方差为0,分类精度为96.85%。2)针对传统分类方法中空间信息利用不足问题,提出了一种空-谱联合分类方法,利用欧氏距离和空间重构值构建了空间信息提取模型,获取邻域空间区域中心像元重构值,再结合波段选择后的波段子集信息,利用KNN分类器进行分类仿真验证,最后再将分类结果进行数学形态学滤波处理。最后对比了仅含空间、仅谱段、空-谱联合信息分类以及空谱联合结合形态学滤波处理方法,其中,在Indian Pines数据集中,其分类精度可达91.37%;Salinas数据集中的分类精度可达92.10%;Long Kou数据集中的分类精度可达98.56%。综上所述,本文设计了基于改进粒子群算法的波段选取方法和空-谱联合的分类方法。首先采用改进粒子群算法对高光谱数据进行波段选择,再利用空间信息提取模型获得地物空间特征,最后将波段选择后的波段子集与空-谱联合特征作为分类器的输入源进行分类,并将最后的结果用形态学滤波进行矫正,完成了以少量波段表征全波段信息的地物高精度地物分类的任务,通过与其它方法的对比结果,验证了本文算法的优越性,相应的结论可为高光谱图像处理研究领域提供一定的参考价值。
许虹虹[5]（2020）在《基于SAPSO-SVM模型在基坑沉降预测中的研究与应用 ——以无锡市渔港中学地下车库工程为例》文中提出在经济全球化的今天,我国的城镇建设不断加快了步伐,城市建设是向空中发展以及向地下索取的趋势,因此基坑的开挖也逐渐增多,基坑开挖过程中由于受施工条件、施工技术和人为等因素的影响,地下轨道交通施工过程中的结构变形不可避免,为保障施工人员生命和财产安全,对基坑变形监测与数据处理就显得尤为重要。本文以无锡市渔港中学地下车库工程为例,首先,根据改进虚假领域法与互信息法选取合适的嵌入维数和最佳延迟时间对最大沉降监测点（JD28）数据进行相空间重构并且根据“3σ准确则”和多项式拟合法对数据进行奇异值检查和插补;其次,根据重组后的数据建立SAPSO-SVM模型,一种采用模拟退火与粒子群算法交替迭代的方式,对支持向量机的惩罚参数C和核函数参数g进行寻优,并克服基本粒子群算法易于陷入局部极值的缺点,增强全局寻优能力。同时在非线性数据处理问题上,表现出了许多特有的优势。最后,与SVM回归算法以及PSO-SVM算法进行比较分析。结果表明,三种算法在基坑沉降预测中都具有较好的可行性,但SAPSO-SVM模型的残差平方和（SSE）1.412mm、均方根相对误差（MSE）0.213mm、平均绝对误差（MAE）0.171mm的值均小于其他两种模型,具有较高的预测精度。实验证明,SAPSO-SVM模型学习和泛化能力强,预测精度较高,具有较好的稳定性以及适应性,能够较好的反映沉降数据的变化趋势,更适合在沉降预测中应用。为验证结论的可靠性,另选取次最大沉降监测点（JD30）,采用同样三种模型进行处理分析,进一步验证了 SAPSO-SVM模型优于其他两种模型。本文通过编写的MATLAB程序实现模拟预测,本课题的研究对类似工程施工和灾害预防具有一定的参考价值。图[23]表[26]参[82]
汪悦[6]（2020）在《面向物联网应用的智能节点部署规划方法研究》文中研究表明随着新一代信息技术和城市现代化的深度融合,各种智慧物联网（Internet of Things,Io T）应用不断诞生,业务种类越来越多,移动数据流量和连接设备数量呈爆炸式增长,无线网络变得越来越复杂,这要求网络不仅能够满足各种服务需求,而且要降低网络的成本。因此,如何面向各种物联网应用实现大面积覆盖的基站、网关等智能节点的智能高效绿色部署规划是其中的关键问题之一。针对以上问题,本文首先介绍了不同场景的基站部署规划和物联网网关部署规划方法,然后主要从以下三个方面展开研究工作:（1）针对立体场景下的密集网络规划问题,提出了一种基于自适应变长粒子群优化的立体密集网络规划方法。首先,根据室内环境的信号传播特点和业务混合分布的特点进行网络规模估算,然后建立立体密集网络规划模型,在满足用户覆盖和基站容量约束的情况下,采用自适应变长粒子群优化算法得到最优的小基站部署方案。仿真结果表明该方法可以有效地提高服务率和覆盖率,节省部署成本和提高部署效益,对密集网络的规划具有一定的参考价值。（2）针对物联网中边缘网关的部署问题,提出了一种基于模拟退火的物联网边缘网关部署方法。首先,分析了边缘网关覆盖以及服务终端流量生成器的条件,影响计算任务卸载时延的因素,以及边缘网关容量分配所要满足的约束,然后建立了一个边缘网关部署最优化模型,最后对模拟退火算法进行改进,并利用改进后的算法得到最优部署方案。仿真结果表明该方法在边缘网关部署问题中可以最小化部署成本,提高边缘网络的资源利用率,实现边缘网关负载均衡,为后期物联网边缘网关的放置问题提供一定的指导。（3）针对低功耗广域网（Low Power Wide Area Network,LPWAN）中的基站部署问题,设计并实现了一种基于数据挖掘的基站部署大数据可视化平台。该平台的核心是一个数据驱动的基站部署框架,首先通过基于Light GBM的终端接收信号预测模块预测出所有终端测试点的接收信号值,然后将预测结果转化为聚类时所有终端测试点的权重值,利用基于加权K-means的基站位置优化模块对终端测试点进行分簇,并且对基站位置进行调整以达到最优的覆盖效果,最后在大数据平台上建立了数据跟踪驱动的基站部署仿真,结果验证了数据驱动的基站部署框架实现了高效的基站部署,提升了LPWAN覆盖性能。整个大数据可视化平台对基站部署过程进行了完整的演示,对于LPWAN中的基站部署有一定参考价值。
谷晓琳[7]（2020）在《基于改进遗传算法的柔性作业车间调度问题的应用研究》文中提出制造业的发展水平反映了国家的生产力水平,生产车间调度是制造系统的基础,生产调度的优化是先进制造企业和现代制造技术的核心,是实现企业的生产高效率和高可靠性的关键技术。有效的车间调度方法和优化技术,对于制造类企业实现现代化具有重要的理论和实际意义。文中对各类柔性作业车间问题（Flexible Job-shop Scheduling Problem,FJSP）进行研究和探索,结合遗传算法和粒子群优化算法,对其进行改进和融合。共设计了三个优化算法,并开发了一个柔性作业车间调度问题的原型系统,为实际生产车间的调度问题提供理论指导和技术支持。针对单目标柔性作业车间调度问题,提出改进的变邻域搜索的分层遗传算法,求解总完工时间。在算法中,染色体采用双层编码结构,采用混合方法生成初始种群;将初始种群划分为N个子种群,在每个子种群中进行改进的遗传操作,将得到的寻优结果存储在精英库中,防止最优解的丢失;在精英库中采用自适应变邻域搜索,共设计了三种不同的邻域结构,迭代过程中自适应的选择优化效果好的邻域进行下一次的搜索,促进了邻域间的竞争,使具有更优秀搜索效果的邻域方法拥有更高概率用于算法的优化。针对多目标柔性作业车间调度问题,提出改进的遗传退火算法,将总完工时间、关键机器负荷和机器总负荷三个目标采用加权和的方法,将多目标问题转换为单目标问题。算法中,交叉过程采用改进的多父代工序交叉方法,多父代生成多子代,实现了基因的重组,加快了算法的收敛速度;在交叉和变异过程中及时更新最优个体库;对变异后的最优个体库进行模拟退火操作,通过退火机制进行细化搜索,避免了遗传算法陷入局部最优。充分利用模拟退火算法与遗传算法的优点,增强了遗传算法的局部搜索能力,提高了算法的效率。针对多目标柔性作业车间调度问题,其求解总完工时间、关键机器负荷和机器总负荷三个目标的Pareto最优解,提出自适应惯性权重的离散粒子群算法。算法在进化过程中应用离散粒子群算法直接在离散域内求解下一代染色体的值,位置的更新用的是遗传算法中的交叉和变异操作;并提出了一种自适应惯性权重的方法,根据粒子当前位置与全局最优位置的距离来调整惯性权重,有效平衡了算法的全局搜索和局部搜索能力。开发针对柔性作业车间调度问题的原型系统,用于对提出的优化算法进行仿真和研究,并给出优化结果。原型系统中可以对实际的车间问题和五组国际标准算例（5个Kacem问题,10个BRdata问题,21个BCdata问题,18个DPdata问题和66个HUdata问题）进行仿真实验,对得到的仿真结果进行测试和分析,仿真结果验证了文中提出的三个优化算法是可行且有效的。最后,对全文的研究内容和创新点进行了归纳和总结,并对今后的研究方向进行了展望。
杨佳攀[8]（2020）在《基于粒子群算法的最大熵多阈值图像分割方法研究》文中研究指明图像分割是目标检测与识别的重要环节,也是计算机视觉中的关键技术之一。基于熵的阈值分割方法是图像分割中使用最多的方法。在不同的基于熵的阈值分割方法中,最大熵多阈值分割法受到了广泛的关注。由于该分割方法存在计算复杂度大的问题,可以通过引进优化技术来降低复杂度。粒子群优化算法（PSO）是一种新型的群体智能算法,主要有结构简单、收敛速度快并且寻找最优解的能力强等优点。结合PSO的这些优点考虑将其用于最大熵多阈值分割中。但是这种结合也存在一定的缺陷,因此本文提出了两种改进算法,来准确寻找最佳阈值组合。针对PSO在最大熵多阈值分割中由于维数灾难与早熟收敛造成分割精度不高的问题,提出了改进PSO的最大熵多阈值分割算法。首先,以改进的类似S形惯性权重对粒子群算法进行优化,以此来实现从线性惯性权重到非线性惯性权重的平滑过渡;其次,将高维群分解成多个一维群,这些一维群相互交换信息,生成群体复合适应度值,以此来解决维数灾难问题。最后,用部分较好的粒子代替较差的粒子,进一步避免粒子陷进局部最优,从而提高分割的精度。针对PSO在最大熵多阈值分割中由于粒子多样性差与易陷进局部最优造成的分割结果不理想的问题,把模拟退火算法运用到PSO中。根据初始种群的最优适应度值设置初始温度,考虑到种群分布的聚集与分散的情况,引进了种群的适应度方差,用改进的Metropolis准则来增大粒子的多样性,从而防止粒子陷进局部最优。分别把以上两种基于PSO的多阈值分割方法与其他现有的分割方法在相同实验环境下进行仿真对比实验,将经典图像作为实验对象,通过图像直观表现和三个评价指标的数据对比,得出本文的两种改进后的算法均能使粒子群摆脱局部最优,对图像的分割效果较好,算法具有较大的优越性。
胡敬文[9]（2020）在《基于形状相似性特征模糊匹配的二维不规则排样及应用系统实现》文中提出二维不规则排样问题作为经典的组合优化问题,是运筹学的一个分支,广泛存在于各类制造业,如金属板材切割、服装加工和3D打印等。高效的二维不规则排样算法可以有效提高企业的材料利用率及加工自动化程度,从而降低生产成本提高经济效益。对于二维不规则排样问题的研究具有重要的理论及现实意义。二维不规则排样的过程包括形状定位和入排顺序优化两部分,目前存在多种二维不规则排样方法,但仍存在一些尚未解决的问题。对于定位策略,现有方法不能有效的避免通过分度旋转搜索最佳排样位置,造成排样计算开销巨大。对于顺序优化策略,目前采用的单一启发式或元启发式算法在优化形状入排顺序时容易陷入局部最优解。为了更好的求解二维不规则排样问题,促进二维不规则排样算法在工程领域的实际应用,本论文对二维不规则排样问题展开研究。针对二维不规则排样的定位问题,本论文充分利用排样形状的几何特征引导搜索排样形状最佳放置位置的过程,提出基于前锋线与待排样形状相似性特征模糊匹配的排样算法,避免了多次分度旋转从而有效提高排样效率。所提出的定位算法首先利用Freeman链码实现对排样形状的几何旋转不变性描述,然后利用最长公共子序列搜索前锋线与待排样形状之间的几何相似性特征,最后依靠判据-靠接算法完成形状在主平面内的放置,实现了高效紧凑的排样。针对二维不规则排样过程中形状的入排顺序优化问题,本论文将两种启发式及元启发式算法相结合优化排样顺序,提出基于粒子群模拟退火算法的排样顺序优化算法。该算法将优化过程分为两个阶段,首先利用粒子群优化算法进行全局寻优找到次优解,然后利用模拟退火算法在次优解的基础上进行局部搜索找到最优解,有效避免了优化过程陷入局部最优。此外,为了提升本论文所提出二维不规则排样理论方法的实际应用性,设计搭建了一款二维不规则排样应用软件系统。结果表明,利用该二维不规则排样应用软件系统,可以解决工程实际中遇到的简单二维不规则排样问题,提高企业的自动化程度并降低加工成本。
王雅丽[10]（2019）在《多船会遇态势下避碰辅助决策研究》文中进行了进一步梳理“21世纪海上丝绸之路”伟大战略构想的逐步实施极大地促进了世界航运事业的飞速发展,也对船舶理论及海上安全航行技术提出了更新更高的要求。目前会遇两船间的避碰理论技术已相对成熟,但对多船会遇等复杂态势下的避碰决策研究仍缺少完善的理论支持。本文结合《1972年国际海上避碰规则公约》对多船会遇态势下的避碰辅助决策问题展开了深入的研究。建立了一种适用于多船会遇态势下避碰决策问题的船舶领域模型。该模型在船舶会遇避碰机理基础上,综合考虑船舶驾驶员水平、船舶尺寸和操纵性、航行水域环境等影响船舶领域大小和形状的因素,结合国际海上避碰规则针对不同会遇态势设定了相应的安全通过距离,以保证在互见态势的开阔水域中多船会遇时本船避让时机和复航时机的合理选择。结合船舶领域与动界理论,利用模糊数学方法建立了船舶碰撞危险度定量计算模型,并引入熵权理论提出了熵权-灰色关联分析方法,建立了船舶碰撞危险度评价模型。定量计算模型在几何避碰原理基础上选取最近会遇距离、最短会遇时间、相对距离、相对方位和船速比等五个指标作为船舶碰撞危险度评价指标,计算得到船舶碰撞危险度值。定性评价模型则通过计算各指标因素的熵值,对灰色关联分析方法中的灰色关联系数赋予一定熵权,以两者乘积得到各目标船的灰色关联度值,从而确定本船的重点避让目标船。将粒子群优化算法应用于多船会遇态势下的避碰决策问题中,建立了多船避碰目标适应度函数,并提出了一种改进的粒子群模拟退火优化算法全局寻优。该目标函数综合考虑与会遇各目标船间碰撞危险度尽量低、转向角度尽量小、复航时间尽量短等因素,将模拟退火思想的概率突跳特性应用于粒子寻优过程,根据Metropolis准则以一定概率决定是否接受最新解为新的当前状态,从而确保目标函数在全局范围内的搜索结果最优。同时,引入收缩因子取代粒子群优化算法速度迭代公式中的惯性权重系数,取消了算法对速度大小的边界限制。
二、基于模拟退火的粒子群优化算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于模拟退火的粒子群优化算法（论文提纲范文）
（1）挺进深蓝：从单体仿生到群体智能（论文提纲范文）
| 1 引言 |
| 2 群体智能的发展与应用 |
| 2.1 群体智能的起源 |
| 2.2 群体智能优化算法及分类 |
| 2.3 多智能体协作系统 |
| 2.4 群体智能的应用 |
| 3 面向水下的群体智能 |
| 3.1 研究现状 |
| 3.2 水下群体智能的难点 |
| 3.3 水下群体智能关键技术 |
| 3.4 水下群体智能的应用 |
| 4 未来发展趋势 |
| (1）水下通信和跨域通信的技术突破 |
| (2）发展多平台异构协同技术 |
| (3）水下智能体自主作业能力革新 |
| 5 结论 |
（2）基于智能优化方法的斜拉桥索力优化（论文提纲范文）
| 1 概述 |
| 2 优化问题描述 |
| 2.1 设计变量 |
| 2.2 目标函数 |
| 2.3 状态变量 |
| 3 优化方法及程序 |
| 3.1 优化方法 |
| 3.2 计算程序 |
| 4 算例分析 |
| 5 结论 |
（3）面向智能工厂的无线传感器网络定位技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 智能工厂概述 |
| 1.1.2 智能工厂实时定位系统 |
| 1.2 无线传感器网络技术 |
| 1.2.1 无线传感器网络概述 |
| 1.2.2 无线传感器网络组成 |
| 1.2.3 无线传感器网络特点 |
| 1.3 无线传感器网络定位技术 |
| 1.3.1 无线传感器网络定位原理 |
| 1.3.2 无线传感器网络定位种类 |
| 1.3.3 测距和非测距定位技术 |
| 1.3.4 无线传感器网络定位算法的性能指标 |
| 1.4 本文的研究内容及结构安排 |
| 1.4.1 研究内容及意义 |
| 1.4.2 本文的组织结构 |
| 第2章 基于非测距的DV-Hop定位算法研究 |
| 2.1 引言 |
| 2.2 基于非测距的定位算法 |
| 2.2.1 非测距定位算法原理 |
| 2.2.2 常见非测距定位算法 |
| 2.2.3 DV-Hop定位算法的相关研究 |
| 2.3 DV-Hop定位算法原理 |
| 2.4 DV-Hop定位算法的误差来源 |
| 2.4.1 网络结构原因 |
| 2.4.2 定位算法原因 |
| 2.4.3 信号传输原因 |
| 2.5 仿射空间原理 |
| 2.6 基于误差向量修正的DV-Hop定位算法 |
| 2.6.1 建立锚节点信息列表 |
| 2.6.2 修正锚节点的选择策略 |
| 2.6.3 修正初始估计位置 |
| 2.6.4 基于误差向量修正的DV-Hop定位算法流程 |
| 2.6.5 基于模糊聚类误差向量修正的DV-Hop定位算法流程 |
| 2.6.6 两种改进的DV-Hop定位算法分析 |
| 2.7 实验分析 |
| 2.7.1 实验环境设置 |
| 2.7.2 实验结果分析 |
| 2.8 本章总结 |
| 第3章 基于测距的三边加权质心定位算法研究 |
| 3.1 引言 |
| 3.2 基于测距的无线传感器网络定位算法 |
| 3.3 三边加权质心定位算法 |
| 3.3.1 基于RSSI测距的定位原理 |
| 3.3.2 三边加权质心定位算法原理 |
| 3.4 量子粒子群优化算法 |
| 3.5 模糊C均值聚类算法 |
| 3.6 改进的三边加权质心定位算法 |
| 3.6.1 双集合组合法 |
| 3.6.2 利用模糊C均值聚类法计算RSSI准确值 |
| 3.6.3 参考点加权质心定位算法 |
| 3.7 实验分析 |
| 3.7.1 实验环境设置 |
| 3.7.2 实验结果分析 |
| 3.8 本章总结 |
| 第4章 基于灰色模型预测的蒙特卡罗盒子定位算法研究 |
| 4.1 引言 |
| 4.2 移动无线传感器网络 |
| 4.2.1 移动无线传感器网络概述 |
| 4.2.2 移动无线传感器网络在智能工厂的应用 |
| 4.2.3 移动无线传感器网络定位 |
| 4.3 动态定位算法和静态定位算法的比较 |
| 4.4 移动无线传感器网络定位算法的研究 |
| 4.5 动态定位算法的特点 |
| 4.6 灰色模型预测原理 |
| 4.7 蒙特卡罗定位和蒙特卡罗定位盒子原理 |
| 4.7.1 蒙特卡罗定位算法 |
| 4.7.2 蒙特卡罗定位盒子算法 |
| 4.8 基于灰色模型预测的蒙特卡罗定位盒子算法 |
| 4.8.1 GMMCB定位算法原理 |
| 4.8.2 GMMCB定位算法流程 |
| 4.9 实验分析 |
| 4.9.1 实验环境设置 |
| 4.9.2 实验结果分析 |
| 4.10 本章总结 |
| 第5章 基于压缩感知的多目标定位算法研究 |
| 5.1 引言 |
| 5.2 无线传感器网络稀疏多目标非协作式定位 |
| 5.3 压缩感知技术原理 |
| 5.3.1 压缩感知技术 |
| 5.3.2 稀疏信号表达 |
| 5.3.3 稀疏信号采样 |
| 5.3.4 稀疏信号重构 |
| 5.4 压缩感知技术的应用 |
| 5.5 基于压缩感知的定位研究 |
| 5.6 基于压缩感知的定位原理 |
| 5.6.1 基于压缩感知的定位模型 |
| 5.6.2 信号传播衰减测距模型 |
| 5.7 基于压缩感知的两阶段定位算法 |
| 5.7.1 大尺度定位阶段 |
| 5.7.2 精细化定位阶段 |
| 5.8 实验分析 |
| 5.8.1 实验环境设置 |
| 5.8.2 实验结果分析 |
| 5.9 本章总结 |
| 第6章 基于模拟退火优化的多维标度定位算法研究 |
| 6.1 引言 |
| 6.2 无线传感器网络少基站多目标协作式定位 |
| 6.3 多维标度定位算法及相关研究 |
| 6.3.1 多维标度定位相关研究 |
| 6.3.2 信号强度距离衰减模型 |
| 6.3.3 多维标度定位原理 |
| 6.3.4 MDS-MAP定位误差分析 |
| 6.4 模拟退火优化算法 |
| 6.5 基于模拟退火优化的多维标度定位算法 |
| 6.5.1 改进定位算法原理 |
| 6.5.2 改进定位算法流程 |
| 6.6 实验分析 |
| 6.6.1 实验环境设置 |
| 6.6.2 实验结果分析 |
| 6.7 本章总结 |
| 第7章 总结和展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于改进粒子群的高光谱波段选择及空谱联合分类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高光谱数据降维的研究现状 |
| 1.2.2 高光谱图像分类的研究现状 |
| 1.2.3 基于空-谱联合方法高光谱图像分类的研究现状 |
| 1.3 主要研究内容和结构安排 |
| 第2章 高光谱图像的降维与分类方法 |
| 2.1 引言 |
| 2.2 基于传统粒子群优化算法的波段选择 |
| 2.2.1 传统粒子群优化算法的简介 |
| 2.2.2 波段选择的目标函数选择 |
| 2.3 传统的高光谱图像分类算法 |
| 2.3.1 高光谱图像分类流程 |
| 2.3.2 最近邻分类算法简介 |
| 2.3.3 分类精度评价指标 |
| 2.4 高光谱数据简介 |
| 2.4.1 印第安纳数据集 |
| 2.4.2 萨利纳斯数据集 |
| 2.4.3 龙口数据集 |
| 2.5 本章小结 |
| 第3章 基于改进粒子群优化算法的高光谱波段选择研究 |
| 3.1 引言 |
| 3.2 基于改进粒子群优化算法的高光谱波段选择研究 |
| 3.2.1 模拟退火算法 |
| 3.2.2 遗传算法 |
| 3.2.3 基于改进粒子群优化算法的高光谱波段选择 |
| 3.3 基于改进粒子群算法的高光谱波段选择仿真实验 |
| 3.3.1 基于Indian Pines数据集的仿真实验 |
| 3.3.2 基于Salinas数据集的仿真实验 |
| 3.3.3 基于Long Kou数据集的仿真实验 |
| 3.4 基于子空间划分的改进粒子群高光谱图像波段选择仿真实验 |
| 3.4.1 基于Indian Pines数据集的仿真实验 |
| 3.4.2 基于Salinas数据集的仿真实验 |
| 3.4.3 基于Long Kou数据集的仿真实验 |
| 3.5 本章小结 |
| 第4章 基于空-谱联合的高光谱图像分类方法研究 |
| 4.1 引言 |
| 4.2 空间特征的提取 |
| 4.2.1 基于欧氏距离的信息特征 |
| 4.2.2 基于空间重构的信息特征 |
| 4.3 基于空-谱联合的高光谱图像分类仿真实验 |
| 4.3.1 基于Indian Pines数据的空-谱联合分类仿真实验 |
| 4.3.2 基于Salinas数据的空-谱联合分类仿真实验 |
| 4.3.3 基于Long Kou数据的空-谱联合分类仿真实验 |
| 4.4 基于数学形态学的分类图像滤波处理 |
| 4.4.1 数学形态学基本算子 |
| 4.4.2 基于数学形态学的分类图像滤波处理仿真实验 |
| 4.5 本章小结 |
| 第5章 结论 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简介及在学期间取得的科研成果 |
| 致谢 |
（5）基于SAPSO-SVM模型在基坑沉降预测中的研究与应用 ——以无锡市渔港中学地下车库工程为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 支持向量机研究现状 |
| 1.2.2 粒子群算法研究现状 |
| 1.2.3 模拟退火算法研究现状 |
| 1.3 本文的主要研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 工程概述 |
| 2.1 工程简介 |
| 2.2 工程测区情况 |
| 2.3 监测目的及依据 |
| 2.4 监测内容与方法 |
| 2.4.1 基坑围护结构桩顶垂直位移监测 |
| 2.4.2 基坑围护结构桩顶水平位移监测 |
| 2.4.3 监测工作流程 |
| 2.4.4 监测频率及预警值 |
| 2.5 研究测区沉降监测网布设 |
| 2.6 基坑地表沉降监测数据预处理 |
| 2.6.1 监测数据 |
| 2.6.2 数据预处理 |
| 2.7 本章小结 |
| 3 支持向量机预测模型及应用 |
| 3.1 支持向量机模型 |
| 3.1.1 支持向量机算法基本思想 |
| 3.1.2 支持向量机回归估计 |
| 3.2 支持向量预测模型工程应用 |
| 3.2.1 支持向量预测模型 |
| 3.2.2 支持向量机的网格搜索参数选择方法 |
| 3.2.3 支持向量机模型模拟预测步骤 |
| 3.2.4 工程应用 |
| 3.3 本章小结 |
| 4 粒子群优化支持向量机预测模型及应用 |
| 4.1 粒子群算法原理 |
| 4.2 粒子群算法流程 |
| 4.3 粒子群优化支持向量机模型工程应用 |
| 4.3.1 基于粒子群优化支持向量机预测步骤 |
| 4.3.2 工程应用 |
| 4.4 本章小结 |
| 5 改进粒子群算法优化支持向量机预测模型及应用 |
| 5.1 SA算法 |
| 5.2 SA-PSO算法原理与流程 |
| 5.2.1 SA-PSO算法原理 |
| 5.2.2 SA-PSO算法流程 |
| 5.3 改进粒子群优化支持向量机模型工程应用 |
| 5.3.1 改进粒子群优化支持向量机模型 |
| 5.3.2 工程应用 |
| 5.4 三种模型对比与分析 |
| 5.5 预测模型验证与分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）面向物联网应用的智能节点部署规划方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 物联网应用需求分析 |
| 1.1.2 小基站密集部署问题 |
| 1.1.3 物联网网关密集部署问题 |
| 1.2 国内外研究现状 |
| 1.2.1 小基站密集部署问题研究现状 |
| 1.2.2 物联网网关部署问题研究现状 |
| 1.3 研究内容 |
| 1.4 论文安排 |
| 第二章 智能节点部署规划及移动边缘计算相关技术 |
| 2.1 智能节点部署规划 |
| 2.1.1 基站部署规划 |
| 2.1.2 物联网网关部署规划 |
| 2.2 移动边缘计算技术 |
| 2.3 无线大数据技术 |
| 2.4 本章小结 |
| 第三章 基于自适应变长粒子群优化的立体密集网络规划方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 系统模型 |
| 3.3.1 室内传播模型 |
| 3.3.2 业务分布 |
| 3.4 密集网络规划问题及形成 |
| 3.4.1 网络规模估算 |
| 3.4.2 覆盖分析 |
| 3.4.3 容量分析 |
| 3.4.4 密集网络规划问题形成 |
| 3.5 网络规划问题的求解 |
| 3.5.1 自适应变长粒子群优化算法 |
| 3.5.2 基于自适应变长粒子群优化的立体密集网络规划 |
| 3.5.3 复杂度分析 |
| 3.6 仿真分析与性能评估 |
| 3.7 本章小结 |
| 第四章 基于模拟退火的物联网边缘网关部署方法 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 边缘网关放置问题及形成 |
| 4.3.1 覆盖分析 |
| 4.3.2 时延分析 |
| 4.3.3 容量分析 |
| 4.3.4 边缘网关放置问题形成 |
| 4.4 边缘网关放置问题的求解 |
| 4.4.1 通用模拟退火算法 |
| 4.4.2 基于自适应外部惩罚的模拟退火算法 |
| 4.4.3 复杂度分析 |
| 4.5 仿真分析与性能评估 |
| 4.6 本章小结 |
| 第五章 基于数据挖掘的基站部署大数据可视化平台 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 基于Light GBM的终端接收信号预测模块 |
| 5.3.1 终端接收信号预测模型的建立 |
| 5.3.2 数据预处理 |
| 5.3.3 基于Light GBM的终端接收信号预测模型训练 |
| 5.4 基于加权K-means的基站位置优化模块 |
| 5.5 大数据可视化平台 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（7）基于改进遗传算法的柔性作业车间调度问题的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的选题背景及意义 |
| 1.2 调度问题综述 |
| 1.2.1 生产调度问题 |
| 1.2.2 调度问题的分类和特点 |
| 1.2.3 调度问题的研究方法 |
| 1.3 柔性作业车间调度问题 |
| 1.3.1 柔性作业车间调度问题模型 |
| 1.3.2 柔性作业车间调度问题评价指标 |
| 1.3.3 柔性作业车间调度问题研究现状 |
| 1.3.4 柔性作业车间调度问题现有研究中存在的问题 |
| 1.4 遗传算法 |
| 1.4.1 遗传算法的基本思想 |
| 1.4.2 遗传算法的特点 |
| 1.4.3 遗传算法的相关参数 |
| 1.4.4 遗传算法的基本步骤 |
| 1.4.5 遗传算法的改进 |
| 1.5 粒子群算法 |
| 1.5.1 基本粒子群算法 |
| 1.5.2 粒子群算法的改进 |
| 1.5.3 粒子群算法的应用 |
| 1.5.4 粒子群算法的研究现状 |
| 1.6 遗传算法与粒子群算法之间的比较 |
| 1.7 本文的研究内容及论文结构 |
| 本章小结 |
| 第二章 改进的变邻域搜索的分层遗传算法 |
| 2.1 变邻域搜索 |
| 2.2 改进变邻域搜索的分层遗传算法 |
| 2.2.1 FJSP编码和解码 |
| 2.2.2 种群初始化 |
| 2.2.3 改进的遗传操作 |
| 2.2.4 自适应变邻域搜索的设计 |
| 2.3 自适应变邻域搜索的分层遗传算法的流程 |
| 2.4 仿真算例分析 |
| 本章小结 |
| 第三章 改进的遗传退火算法 |
| 3.1 多目标优化问题 |
| 3.2 模拟退火算法 |
| 3.2.1 模拟退火的原理 |
| 3.2.2 模拟退火算法 |
| 3.3 IGA算法描述 |
| 3.3.1 编码和解码 |
| 3.3.2 初始化种群 |
| 3.3.3 交叉操作 |
| 3.3.4 变异操作 |
| 3.4 算法流程 |
| 3.5 仿真与分析 |
| 3.5.1 实际车间数据仿真 |
| 3.5.2 Kacem算例 |
| 3.5.3 BRdata算例 |
| 本章小结 |
| 第四章 改进的离散粒子群-遗传算法 |
| 4.1 多目标优化问题 |
| 4.2 FJSP问题的描述及调度目标 |
| 4.3 粒子群算法 |
| 4.3.1 基本粒子群算法 |
| 4.3.2 离散粒子群算法 |
| 4.4 自适应惯性权重的离散粒子群算法 |
| 4.4.1 编码和解码 |
| 4.4.2 初始化种群 |
| 4.4.3 PSO位置更新方法 |
| 4.4.4 自适应惯性权重的计算 |
| 4.4.5 Pareto最优非支配前沿的求解 |
| 4.5 DPSO-AIW算法步骤 |
| 4.6 算法复杂度分析 |
| 4.7 实验结果 |
| 4.8 参数敏感度分析 |
| 本章小结 |
| 第五章 柔性作业车间调度问题原型系统 |
| 5.1 系统总体设计 |
| 5.1.1 原型系统的开发环境 |
| 5.1.2 系统体系结构 |
| 5.2 案例分析 |
| 5.2.1 实际车间案例 |
| 5.2.2 国际标准算例 |
| 5.3 算法优化的实现过程 |
| 本章小结 |
| 结论 |
| 展望 |
| 创新点 |
| 参考文献 |
| 附录 部分仿真结果 |
| 攻读博士学位期间发表论文情况 |
| 攻读博士学位期间参与的科研课题 |
| 致谢 |
（8）基于粒子群算法的最大熵多阈值图像分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容及创新点 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文创新点 |
| 1.4 论文组织结构 |
| 第二章 图像分割技术研究 |
| 2.1 图像分割技术概述 |
| 2.2 图像分割的定义 |
| 2.3 基于区域的图像分割 |
| 2.3.1 区域生长 |
| 2.3.2 区域分裂合并 |
| 2.4 基于边缘检测的图像分割 |
| 2.4.1 梯度算子 |
| 2.4.2 高斯—拉普拉斯算子 |
| 2.4.3 Canny边缘检测算子 |
| 2.5 基于阈值的图像分割 |
| 2.5.1 最大类间方差法 |
| 2.5.2 最小误差法 |
| 2.5.3 最大熵多阈值法 |
| 2.6 其它的图像分割方法 |
| 2.7 本章小结 |
| 第三章 基于IPSO的最大熵多阈值图像分割算法 |
| 3.1 基于PSO的最大熵多阈值图像分割算法 |
| 3.1.1 粒子群算法基本思想 |
| 3.1.2 标准粒子群算法的数学描述 |
| 3.1.3 粒子群算法参数设置 |
| 3.1.4 粒子群算法流程 |
| 3.1.5 基于PSO的最大熵多阈值分割算法存在的不足 |
| 3.2 改进的粒子群算法 |
| 3.2.1 惯性权重的改进 |
| 3.2.2 多维群计算方式的改进 |
| 3.2.3 粒子速度更新策略的改进 |
| 3.3 基于IPSO的最大熵多阈值图像分割算法 |
| 3.3.1 种群设计 |
| 3.3.2 改进粒子群优化算法流程 |
| 3.4 基于IPSO的最大熵多阈值分割的实验结果及分析 |
| 3.4.1 图像分割的评价指标 |
| 3.4.2 基于IPSO的多阈值图像分割仿真结果及分析 |
| 3.4.3 基于不同优化方法的最大熵四阈值分割结果及分析 |
| 3.5 本章小结 |
| 第四章 基于SA-PSO的最大熵多阈值图像分割算法 |
| 4.1 模拟退火算法概述 |
| 4.1.1 模拟退火算法思想 |
| 4.1.2 模拟退火算法原理 |
| 4.1.3 模拟退火参数设置 |
| 4.1.4 模拟退火算法步骤 |
| 4.1.5 模拟退火算法特点 |
| 4.2 基于SA-PSO的最大熵多阈值图像分割算法 |
| 4.2.1 改进的SA-PSO算法 |
| 4.2.2 基于SA-PSO的最大熵多阈值分割算法流程 |
| 4.3 基于SA-PSO的最大熵多阈值分割的实验结果及分析 |
| 4.4 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 |
| 攻读学位期间发表的学术论文目录 |
（9）基于形状相似性特征模糊匹配的二维不规则排样及应用系统实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 二维不规则排样问题 |
| 1.3 研究现状 |
| 1.3.1 二维不规则排样定位策略 |
| 1.3.2 二维不规则排样顺序优化算法 |
| 1.3.3 目前存在的主要问题 |
| 1.4 本文的主要研究内容与技术路线 |
| 第2章 基于前锋线与待排样形状相似性特征模糊匹配的排样定位算法 |
| 2.1 基于Freeman链码的形状轮廓信息描述 |
| 2.1.1 Freeman链码简介 |
| 2.1.2 Freeman链码的差分归一化处理 |
| 2.2 基于最长公共子序列的形状几何相似性特征搜索 |
| 2.2.1 最长公共子序列简介 |
| 2.2.2 动态规划法求解最长公共子序列问题 |
| 2.3 基于前锋线与待排样形状相似性特征模糊匹配的排样策略 |
| 2.3.1 前锋线的获取与描述 |
| 2.3.2 前锋线与待排样形状相似性特征的模糊匹配过程 |
| 2.3.3 基于判据-碰撞的靠接算法 |
| 2.4 实验验证及结果分析 |
| 2.5 本章小结 |
| 第3章 基于粒子群模拟退火算法的排样顺序优化 |
| 3.1 模拟退火算法 |
| 3.1.1 模拟退火算法的参数 |
| 3.1.2 模拟退火算法的实施步骤 |
| 3.2 粒子群优化算法 |
| 3.2.1 粒子群优化算法的数学模型及参数设置 |
| 3.2.2 粒子群优化算法的实施流程 |
| 3.3 基于粒子群模拟退火算法的排样顺序优化 |
| 3.3.1 模拟退火算法与粒子群优化算法的结合 |
| 3.3.2 基于粒子群模拟退火算法的排样顺序优化过程 |
| 3.3.3 算法的参数选择与设置 |
| 3.4 实验验证及结果分析 |
| 3.4.1 实验一 |
| 3.4.2 实验二 |
| 3.5 本章小结 |
| 第4章 二维不规则排样应用软件系统设计与实现 |
| 4.1 应用软件系统的环境设置 |
| 4.2 功能模块设计 |
| 4.3 二维不规则排样应用软件系统的实现 |
| 4.3.1 系统界面 |
| 4.3.2 功能实现 |
| 4.4 实际案例分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（10）多船会遇态势下避碰辅助决策研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 船舶避碰决策系统研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 船舶避碰理论研究现状 |
| 1.3.1 碰撞风险评价 |
| 1.3.2 船舶避碰决策方法 |
| 1.4 论文研究内容与章节安排 |
| 第2章 船舶避碰决策数学模型建立 |
| 2.1 会遇避碰机理 |
| 2.2 会遇态势划分 |
| 2.2.1 三种会遇态势 |
| 2.2.2 多船会遇态势 |
| 2.3 安全会遇距离 |
| 2.4 避让时机 |
| 2.5 复航时机 |
| 2.6 几何避碰研究 |
| 2.6.1 避碰几何数学模型研究 |
| 2.6.2 避让方式 |
| 2.7 本章小结 |
| 第3章 船舶碰撞危险度评估 |
| 3.1 船舶领域模型 |
| 3.1.1 船舶领域的提出与发展 |
| 3.1.2 船舶领域的影响因素 |
| 3.1.3 船舶领域模型选择 |
| 3.2 动界模型 |
| 3.3 基于模糊数学方法的船舶碰撞危险度研究 |
| 3.3.1 碰撞危险度概述 |
| 3.3.2 碰撞危险度影响因素 |
| 3.3.3 碰撞危险度模型 |
| 3.4 灰色关联分析确定多船会遇重点避让船 |
| 3.4.1 灰色关联分析方法原理及数学描述 |
| 3.4.2 熵权-灰色关联分析方法 |
| 3.4.3 多船会遇碰撞危险度模型 |
| 3.5 碰撞危险度仿真研究 |
| 3.5.1 三种会遇态势下的碰撞危险度模型仿真验证与分析 |
| 3.5.2 多船会遇重点避让船确定模型仿真验证与分析 |
| 3.6 本章小结 |
| 第4章 基于粒子群优化算法的多船辅助避碰研究 |
| 4.1 粒子群优化算法原理及数学模型 |
| 4.1.1 粒子群算法基本原理 |
| 4.1.2 基本粒子群算法数学描述 |
| 4.1.3 标准粒子群算法 |
| 4.2 模拟退火算法原理及实现 |
| 4.2.1 模拟退火算法基本原理 |
| 4.2.2 模拟退火算法实现 |
| 4.3 基于退火策略的改进粒子群优化算法 |
| 4.4 多船转向避碰决策 |
| 4.4.1 多船避碰目标函数 |
| 4.4.2 多船避碰决策过程 |
| 4.5 多船避碰决策仿真研究分析 |
| 4.5.1 单一态势下的多船避碰决策仿真分析 |
| 4.5.2 复杂态势下的多船避碰决策仿真分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
四、基于模拟退火的粒子群优化算法（论文参考文献）
- [1]挺进深蓝：从单体仿生到群体智能[J]. 陈健瑞,王景璟,侯向往,方政儒,杜军,任勇. 电子学报, 2021(12)
- [2]基于智能优化方法的斜拉桥索力优化[J]. 冯阅,罗立胜,韩建刚. 中外公路, 2021
- [3]面向智能工厂的无线传感器网络定位技术研究[D]. 李海啸. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [4]基于改进粒子群的高光谱波段选择及空谱联合分类算法研究[D]. 叶楠. 吉林大学, 2021(01)
- [5]基于SAPSO-SVM模型在基坑沉降预测中的研究与应用 ——以无锡市渔港中学地下车库工程为例[D]. 许虹虹. 安徽理工大学, 2020(07)
- [6]面向物联网应用的智能节点部署规划方法研究[D]. 汪悦. 南京邮电大学, 2020(02)
- [7]基于改进遗传算法的柔性作业车间调度问题的应用研究[D]. 谷晓琳. 大连交通大学, 2020(05)
- [8]基于粒子群算法的最大熵多阈值图像分割方法研究[D]. 杨佳攀. 河南师范大学, 2020(08)
- [9]基于形状相似性特征模糊匹配的二维不规则排样及应用系统实现[D]. 胡敬文. 燕山大学, 2020(01)
- [10]多船会遇态势下避碰辅助决策研究[D]. 王雅丽. 武汉理工大学, 2019(07)