一、SWARM及其在经济研究中的应用（论文文献综述）
刘晓欢[1]（2021）在《面向智能车行驶的最佳路径选择机制与方法研究》文中指出智能车辆是一种可以独立在复杂环境中完成给定任务而不依赖人为主导的移动机器人。最佳路径是智能车辆以及智慧交通系统中的主要研究课题,主要解决智能车求解符合最佳参数条件的无碰撞路径问题。智能车行驶的最佳路径选择参考的参数包括最短路径问题、最小总成本问题、最短行驶时间问题等,根据不同的技术可以实现有针对性的路径优化。快速有效的路径规划,是确保车辆安全到达目的地的首要目标,也是智能车辆系统中的重要环节。然而日益复杂的交通网络为智能车的应用和普及提出了更高的要求。因此本文中基于对强化学习（Reinforcement Learning,RL）技术,模糊神经网络技术（Fuzzy Neural Networks,FNN）等智能技术的研究,以及A*算法等最短路径算法的学习,对智能车行驶的最佳路径选择策略与算法进行详细的分析和研究。采用不同的优化策略设计,来解决路径规划算法在智能驾驶领域应用中计算量大,收敛性差,结构复杂,实用性和扩展性差问题,即本文的研究题目为面向智能车行驶的最佳路径选择机制与方法研究。本文的主要研究内容和创新之处如下:1)针对目前智能车路径规划的研究缺少综合评价体系的问题,提出了最佳路径选择参数体系帮助路径规划算法输出最佳路径。传统的A*算法虽然能够很好的解决最短路径问题,但实际的交通网络错综复杂且变化多样,单靠最短路径算法计算的路径不仅拐点多,且最终求解路径通常不是最优解。因此我们将最短路径算法与强化学习方法结合,设计一种最佳路径选择策略。本策略可以帮助智能驾驶车辆在未知环境下,通过交互信息,实时调整和选择一条无碰撞的最佳路径。对智能驾驶车辆路径规划算法进行基于先验知识的强化学习训练,通过缩小状态集计算时间,加快强化学习算法的收敛速度,降低无效样本学习和训练的开销。车辆传感设备会不断与环境交互来躲避障碍和依据奖励函数确定获取相应的动作指示,在避开障碍的同时,按照选择的参考标准,获得从起始点到终点的最佳路径。通过对最短路径的搜索设置改进,提高搜索效率。这种路径优化方法可以有效帮助不同类型智能驾驶车辆顺利规划存在限制高度,宽度和重量以及事故和拥堵障碍条件下的交通网络中的最佳路径,解决现有研究中对智能驾驶车辆在路径规划过程中存在以上几种障碍环境的考虑较少的问题。2)我们设计了一种粒子群优化算法训练的模糊神经网络路径规划算法。基于鸟类觅食行为的粒子群优化算法（Particle Swarm Optimization algorithm,PSO）的优点是计算量小,结构简单。但容易导致粒子陷入局部极值问题,陷入无限死循环中。结合模糊神经网络算法的路径规划方法可以通过对行驶环境中的各种信息进行分析和区分,制定特定反应式引导智能驾驶车辆前进,且神经网络容错性强且自学习能力强,具有很好的适应性,但是存在计算量过大和收敛速度慢的问题。为了解决粒子群算法容易陷入局部极小值问题,设计了优化惯性权重和学习因子更新方式的改进粒子群算法。并利用该算法在定义的规则下对模糊神经网络权值参数进行优化训练的方法,来解决模糊神经网络算法在智能驾驶车辆的路径规划问题中应用时收敛慢的问题。通过设计合理的训练规则和模糊网络结构,使混合算法能够在较大且复杂网络中完成路径规划任务。3)人工智能（Artificial Intelligence,AI）技术在智能驾驶领域的应用中十分有效。基于马尔科夫过程的强化学习算法是主要的智能决策支持技术中关于轨迹路径规划设计的方法之一,但是强化学习算法具有巨大的超参数空间,同时进行所有超参数的选择极具困难。因此我们设计对强化学习的超参数进行优化,使得其快速收敛,并提高学习效率;然后对粒子群优化算法进行预设置改进,减少无效粒子的计算,大大降低算法计算量并提高获得最优解效率;最后使用混合算法进行路径规划,通过修正量来修正改进粒子群优化算法的个体最优粒子和全局最优位置适应度,实现一种简洁高效且不会陷入局部最优解的路径规划。
李卓航[2]（2021）在《红树林生态优化算法及其在绿色混合流水线调度问题中的应用》文中研究说明资源调度优化是合理利用资源、创造经济价值的关键。流水线调度属于工业制造领域中重要的资源调度问题,随着污染、能耗与劳动损伤问题的日益突出,该领域当前愈加重视环保、节能与劳动保障等绿色发展理念。因此,本文研究绿色混合流水线调度问题,该问题属于组合优化问题,是NP-Hard问题。为更有效优化求解,本研究提出一种全新的红树林生态优化算法求解绿色混合流水线问题。本文的主要工作如下:1.提出红树林生态优化算法MEO。对红树林生态系统中主要物种的关系进行抽象,汲取适合智能计算的特点构建MEO。该算法包含三个主要部分:（1）红树繁殖算子,通过抽象红树胚轴的诞生和漂流过程进行寻优,充分利用优势位置信息,推动全局探索进行;（2）蟹类觅食算子,将蟹类种群内部关系抽象为二维冯诺依曼拓扑结构,模拟红树林生态系统中独有的沙蟹群体觅食行为进行寻优,强调利用环境信息,旨在维持全局探索和局部开发之间的平衡;（3）鸟类觅食算子,将鸟类种群内部关系抽象为环形拓扑结构,模拟红树林生态系统中独有的琵鹭种群觅食行为进行寻优。依赖食物与栖息地优势位置信息指引,使用角度矩阵与变换式H进行位置更新,赋予算子加速收敛和跳出局部最优的能力。使用IEEE CEC2017基准测试函数集中的f1-f20作为基准函数,对MEO与六个知名算法进行维度为30的对比测试,对测试结果进行T检验。实验数据与T检验结果证明MEO具有良好的优化能力。2.使用MEO求解考虑电能消耗的单目标绿色混合流水线问题。提出了考虑电能消耗的单目标绿色混合流水线问题数学模型。对比MEO与六个知名算法,实验结果与相对误差分析表明,MEO解决考虑电能消耗的单目标绿色混合流水线问题效果优异。3.提出离散多目标红树林生态优化算法DMOMEO,用于求解考虑最大完工时间、总噪音量、总粉尘量的多目标绿色混合流水线调度问题。提出了考虑最大完工时间、总噪音量、总粉尘量的多目标绿色混合流水线调度问题数学模型。在MEO的基础上,采用最小位置值规则进行离散化,应用多目标择优算子与多目标更新算子进行多目标化,提出离散多目标红树林生态优化算法DMOMEO。使用两个经典多目标群体智能优化算法NSGA2与MOPSO进行对比测试,应用覆盖度量、非支配解个数、散布值与平均相对偏差指数等四个评价指标进行论证,结果显示DMOMEO解决考虑最大完工时间、总噪音量、总粉尘量的多目标绿色混合流水线调度问题具有杰出性能。
赵文婷[3]（2021）在《并网型微电网源荷预测及优化运营管理研究》文中研究说明发展可再生能源可以有效对降低化石燃料的依赖以及环境的污染。传统的集中式发电和远距离传输的电网结构虽然运行稳定,但是也存在机组启动不够灵活、传输成本高以及供电形式单一等问题。开发和延伸微电网能够促进分布式电源大规模接入,解决可再生能源就地消纳问题。但是,微电网系统中的分布式发电具有很强的波动性,高效和安全的微电网电力交易以及能量调度是促进分布式能源就地消纳和保障微电网安全经济运行的关键。同时,随着储能技术的加入使得微电网市场参与交易的市场主体变得多元化,能源交易的去中心化模式可以有效降低能源市场的管理运营成本,但是存在一定的信息安全隐患。此外,微电网交易市场与电力调度机构的相对独立,会造成一定程度的资源浪费,从而降低了微电网整体运营效率。因此,如何构建一个灵活的、高效的、安全的微电网交易平台和微电网电力调度系统对微电网的发展、微电网技术的发展和推首先本文在梳理了微电网运营管理研究进展与理论的基础上,阐述了论文的选题背景和意义。深入分析了并网型微电网运营管理的理论基础和管理管理内容,揭示了发电侧发电预测与微电网交易市场运营、需求侧负荷预测与微电网交易市场运营、以及微电网交易市场与调度运行之间的逻辑联系,从而构建了并网型微电网源荷预测及优化运营管理模式的总框架。其次,进一步对并网型微电网发电侧光伏和风力发电预测以及需求侧微电网用户负荷预测的必要性进行研究。针对发电侧出力预测部分,首先对粒子群算法（Particle swarm algorithm,PSO）进行改进,将改进的粒子群优化算法（APSO）优化K-means算法从而对光伏和风电预测数据集进行相似日筛选,然后分析了光伏及风电历史数据和影响因素的特点,构建基于相似日优化和随机森林的光伏及风电场出力预测模型,以提高光伏发电和风力发电预测的准确性。针对需求侧用户负荷预测部分,根据电力负荷数据的数据类型及特点,使用优化的K-means算法APSO-K-means进行相似日筛选,然后构建自适应权重组合预测模型APSO-ARIMA-SVR以提高组合预测模型的泛化性,从而微电网需求侧用户负荷预测的准确性。发电预测以及用户负荷预测的预测方法的确定为后续并网型微电网优化运营管理模式提供了重要依据并奠定了基础。然后,根据目前微电网市场存在的问题以及安全高效的要求,对并网型微电网的市场运营主体的利益博弈与均衡进行研究,并构建并网型微电网电力交易市场运营模型。首先分析了目前电力市场交易模式的研究现状及局限性,探讨微电网交易市场的特点和亟待解决的问题,发现去中心化交易模式可以降低交易市场的运营成本,提高交易效率。然而,没有中间商运营的去中心化交易模式,存在安全性低的缺点。鉴于此,本文基于纳什均衡理论提出了一种适用于并网型微电网电力市场的交易策略。然后引入联盟区块链技术,保证交易过程的安全性和透明性。从而构建基于纳什均衡和联盟区块链技术的并网型微电网交易市场,打破传统的微电网市场交易模式,在提高电力交易效率,降低运营成本的同时,确保交易过程安全。最后,本文在并网型微电网交易市场研究的基础上,对并网型微电网市场交易下电力调度优化策略进行了研究。微电网系统经济性运行的基础是能量调度优化控制策略。通常,交易市场与调度机构是相对独立的,这样,可能会导致资源的优化配置效率较低,出现能量损失和浪费的情况,同时也会导致整体微电网的运行效率较低。将微电网电力交易市场与调度运行系统耦合,以电力市场来指导调度系统运行,可以提高微电网整体的灵活性,减少对电网的冲击,提高运行效率,节约微电网运营成本。因此,基于微电网电力市场交易信息,提出以交易市场指导调度系统的运行方案,使用松鼠优化算法对微电网系统的构建调度优化模型,对提高能量调度策略的自适应性具有重要的理论与应用价值。故本文在准确获取微电网新能源出力信息及负荷的基础上,依据微电网市场交易信息,制定合理的优化调度方案。并根据上述研究结果,对并网型微电网源荷预测及优化运营管理提出建议。本文对并网型微电网运营优化管理模式的研究,有助于有效落实国家节能减排工作、提升我国微电网发展整体技术水平,有助于微电网合理调配电网电量,优化资源配置。同时,充分利用新能源电力,对推进微电网并网建设和环境保护方面有重要意义。此外,本文研究的并网型微电网优化运营管理模式对新能源电力企业管理理论的发展也具有一定的学术价值。
马皓宇[4]（2021）在《雅砻江中下游梯级水库多目标精细优化调度及决策方法研究》文中进行了进一步梳理梯级水库作为开发与利用水能资源这一清洁可再生能源的重要工程措施,通过对一段时期内入库径流实施有计划调蓄,梯级水库可实现洪旱灾害的防范抵御、水电企业的效益增长、电网的安全稳定运行、生态环境的保护修复等多方面重大任务。并且近年来我国出台了一系列清洁能源消纳的鼓励政策,水能资源支持的水电行业已成为我国能源结构转变的关键。目前随着乌江、雅砻江、金沙江等十三大水电基地建设的逐步完成,我国各个流域内梯级水库系统的规模不断扩大,水电事业发展的重心由工程建设转至运行管理,而智慧水利这一概念的提出及先行先试工作的开展,更是凸显了强化以梯级水库为代表的水利工程设施的调度管理工作的重要意义。因此亟需开展梯级水库的多目标优化调度及决策方法的研究,以期在复杂的外部环境与工程背景下,编制以最大化梯级水库系统的水资源利用率为目标的调度方案,有效协调梯级系统的防洪、供水、发电、航运等多个目标,满足新形势下各行业部门对水资源的相关诉求。本文充分考虑梯级水库优化调度的理论研究与实际生产这两方面,针对短期单目标与中长期多目标的优化调度问题,重点考虑精细化调度、“维数灾”处理、多目标调度及多属性决策等难题,基于数学规划、概率统计、智能优化、并行加速等方面的理论方法,对短期和中长期优化调度的模型构建、求解算法改进及调度方案决策进行深入研究,取得了如下的主要成果:（1）梯级水电站精细化日发电计划制定。针对传统模式下水电站的优化出力计算不够准确,进而导致调度方案在实际实行中出现偏差的不合理情况,将各时段各电站内投运机组的台数、组合及负荷与流量的优化分配纳入考虑,构建厂间-厂内一体化调度的精细优化调度模型,实现梯级电站间与各个电站内的水能资源优化分配方式的统一;在此基础上,提出求解嵌套优化模型的嵌套多维动态规划算法,并通过雅砻江流域的锦西-锦东梯级系统的实例研究,验证所构建的精细优化模型与求解算法的优越性。（2）基于内存占用缩减和GPU并行加速的求解算法性能优化。针对嵌套动态规划在求解精细优化调度模型中出现的严重“维数灾”—计算任务与内存占用量均呈指数型增长,利用数据压缩与数据库技术实现程序占用内存的有效缩减,通过OpenACC标准下的GPU并行大幅提升算法的计算效率;在此基础上提出针对“维数灾”的改进嵌套动态规划,监测优化策略引入前后的程序运行的内存占用量与计算时长的变化以验证改进策略的效果。（3）构建新型多目标进化算法LMPSO并应用于实际梯调问题。针对多目标降维成单目标这一处理方式的缺陷,以及经典MOEAs在处理大规模高维多目标问题上性能不足的问题,引入算法的性能评价指标—超体积指标作为个体选择标准,采用问题变换策略降低搜索空间维数;由此有效降低多目标优化调度模型的求解难度,并以SMPSO为基础设计LMPSO,将改进后方法运用在雅砻江的三库联合调度,由此验证算法在面对多目标优化调度的高维难题上相比于其它方法的计算优势。（4）对传统区间数灰靶模型进行改进并应用于最佳均衡方案决策。考虑到梯级水库入流过程的预报存在误差,通过区间数表示调度方案的各维指标值更为合理,故选择引入区间数理论的灰靶决策模型进行调度方案决策;在传统区间数灰靶模型的基础上,设计基于集值理论的权重向量确定方式与基于多维度联合抽样的期望贴近度计算策略,并由此提出相应的改进模型;分别利用标准决策模型与改进模型实现雅砻江梯级水库系统的多属性方案决策,通过结果对比验证改进方法对区间数的处理更为合理,能有效避免计算过程中的信息失真。
赵琳琳[5]（2021）在《网络视角下的珠三角地区港口群竞合机制研究》文中指出近些年,我国港口行业发展迅速,港口群成为港口发展的趋势。我国已经形成五大港口群,在长期发展下港口群出现了港口吞吐能力过剩、港口岸线设施资源浪费以及同质化竞争严重等问题,交通部以及政府部门也在尝试推进港口的资源整合,推动区域内港口间的相互合作。本文主要研究港口群的竞合问题,并以珠三角港口群为例进行具体分析。本研究的目的是:以网络作为基本视角,通过对港口群竞合网络的构建与分析研究,探寻核心港口在该港口群中的竞合机制决策问题。希望为港口群的发展以及核心港口个体决策提供方向性的支持。本文应用社会网络分析理论以及多目标粒子群算法对港口群的竞合关系网络以及核心港口的竞合机制决策进行分析。具体的研究内容包括以下几个方面:（1）港口群竞合关系网络的构建。首先分析了港口群竞合的影响要素,接着分别构建了港口-腹地竞合关系网络以及港口-货源结构竞合关系网络,最后利用信息量权重法建立了较为客观的珠三角港口群竞合关系网络,得到港口之间的竞合系数,为后面的研究内容提供网络基础。（2）进行了港口群竞合关系网络的结构特性分析。通过社会网络分析法和系统聚类的方法,分析了珠三角地区港口群竞合关系网络的港口节点特性、整体结构特性以及层次特征,研究了该港口群具有较大的竞合潜力。（3）网络视角下的核心港口竞合机制决策分析。基于前两项研究内容,应用前文研究中的竞合系数以及港口分层结果,从港口群中的核心港口个体角度出发,通过竞合伙伴选择、竞合机制决策模型建立以及基于多目标粒子群算法的核心港口算例求解,为该核心港口在珠三角港口群中的可行竞合机制策略给出建议。本文将社会网络分析与多目标粒子群算法应用在港口群竞合机制的研究中,为港口群网络构建与分析方法提供了新思路,对核心港口竞合机制决策有借鉴意义。
续婷[6]（2021）在《基于群智能算法与机器学习的预测与分类研究》文中研究说明随着现代科技的飞速发展,人工智能已被广泛应用于人们生活中的方方面面。作为人工智能核心技术的机器学习在各个领域都迎来了新的挑战,如何提高机器学习在新环境新问题中对数据的分析与应用效率,已经成为了全球学者关注的热点问题。本文主要对海鸥优化算法（Seagull Optimization Algorithm,SOA）、粒子群优化算法（Particle Swarm Optimization,PSO）等群智能优化算法与支持向量回归（Support Vector Regression,SVR）、支持向量机（Support Vector Machine,SVM）分类、极限学习机（Extreme Learning Machine,ELM）等机器学习方法进行研究,并将这些方法成功应用于空气质量预测、激光超声缺陷检测以及混凝土砖图像识别等问题中。本文主要成果包括:（1）针对COVID-19的一些防治措施对空气质量的影响,首先,使用数值统计方法与灰色关联度分析（Grey Relational Analysis,GRA）方法对包含COVID-19爆发期在内的四个相关时段内的空气质量与六种主要污染浓度做了评价和分析。其次,基于SOA算法只考虑全局最优影响而忽略个体最优影响等特点,提出了改进的SOA算法,并与SVM模型相结合,建立了混合预测模型ISOA-SVR。最后,利用所提出的ISOA-SVR方法对空气质量指数（Air Quality Index,AQI）进行预测。在两种不同数据上的实验结果表明,提出的ISOA-SVR方法与其它模型相比,具有更好的预测性能、泛化能力和鲁棒性。（2）针对激光超声缺陷检测中信号的高维数以及所获取数据的少样本等问题,建立了基于稀疏表示的信号特征提取模型。提出了基于TDIW惯性权重策略的TPSO算法。同时通过引入非线性收缩因子和更多的随机变量,进一步提出了IPSO算法,提升了算法的寻优性能,有效避免了算法陷入局部极小值的问题。建立了TPSO-SVM和IPSO-SVM分类模型,并将其应用于激光超声缺陷信号的检测识别中。通过与其它分类模型的比较,验证了所提模型具有更优越的分类检测性能。（3）针对混凝土砖图像的分类与识别问题,首先,提出了RGB空间平均像素与HSV空间平均灰色共生矩阵（Gray Level Co-Occurrence Matrix,GLCM）特征相融合的图像特征提取方法,并将提取到的融合特征分别输入到SVM分类模型、BPNN、ELM模型中实现了混凝土砖图像的自动分类识别。通过实验结果对比,SVM方法在混凝土砖图像自动分类识别中获得了较高的识别准确率。其次,提出了基于ISOA算法的混合分类模型ISOA-SVM,利用ISOA算法优化了SVM的模型参数,通过在两个不同混凝土砖图像样本集上的实验结果表明,与SOA-SVM、PSO-SVM、IPSO-SVM、SCA-SVM、WOA-SVM、DE-SVM以及SVM等分类方法相比,提出的ISOA-SVM方法具有更好的分类识别准确率。最后,建立了基于Bagging算法的ELM集成分类模型,通过在两个不同混凝土砖样本集上的实验结果表明,提出的ELM集成模型有效的提高了单一ELM模型在混凝土砖图像分类识别上的识别精度。本文研究的几类群智能算法和机器学习方法的改进,极大提升了原有算法的性能,同时在空气质量问题、激光超声缺陷检测问题以及混凝土砖图像分类与识别问题中得到了成功的应用,具有一定的实用价值。
姜乙[7]（2020）在《联合全球卫星模型和航磁数据的中国大陆地区岩石圈磁场建模研究》文中研究表明岩石圈磁场是地磁场的重要组成部分,可反映地壳及上地幔中磁性岩石的分布特征。在岩石圈磁场模型中,根据模型阶数划分的水平波长可以反映岩石圈磁场特征的分布尺度。如何结合不同数据集来正确计算岩石圈磁场模型中的长波长部分（大约波长200km—3000km）一直是地磁场研究的热门问题。高精度的岩石圈磁场模型在对地球物理勘探、地质构造、地磁起源、地球演化以及空间天气等地球物理学研究中都扮演着非常关键的角色,具有重要的理论意义和经济价值。本研究从中国大陆地区（18°N-54°N,73°E-136°E）的岩石圈磁场出发,在归纳整理国内外地磁场研究成果的基础上,结合Swarm卫星数据及其衍生的卫星模型和近地的航磁数据,针对地磁数据联合、岩石圈磁场建模、模型评估和模型分析等方面进行了一系列的研究。主要的研究结果与结论如下:（1）本文首先研究了卫星模型在中国大陆地区的适用性,同时主要关注了Swarm卫星数据和CHAOS-6模型在岩石圈磁场中的应用。研究基于2014.0-2016.0期间的Swarm卫星数据和CHAOS-6模型,将卫星数据沿轨道按纬度1°为间隔网格化后,计算相邻网格的差值,即差分计算。对比不同轨道,不同时间段之间的轨道差分,同时还考虑模型中15-20阶磁场的长期变化,以检验高质量的卫星数据中是否还存在模型未能模拟的其他信息,特别是岩石圈磁场中的一些小尺度特征。结果显示CHAOS-6模型可以很好地模拟Swarm卫星数据并反映地磁场的长期变化,均方偏差在3n T左右。基于卫星数据所建立的模型要比数据本身更加适合岩石圈磁场的研究。此外,卫星数据在磁赤道附近（0°N-10°N）存在一个未被CHAOS-6模型模拟的磁异常,这与赤道电集流的影响有关。（2）本文对不同数据之间的联合问题进行了研究,主要关注中国大陆地区的航磁数据和LCS-1、MF7、CHAOS-6以及NGDC720等磁场模型在数据兼容性方面的问题。研究通过分布特征,模型残差、移动平均值和傅里叶分析等方法对航磁数据与卫星模型的一致性和兼容性进行了分析。结果显示中国大陆的航磁数据和MF7、LCS-1等卫星模型属于互不兼容的数据集。两者在中国中部四川盆地、西藏自治区、东北以及华北等地区都存在着较大差异,卫星模型并不能完全反映航磁数据的分布趋势。对于联合航磁数据和卫星模型对中国大陆的岩石圈磁场进行区域建模研究需采用高度延展性和边界收敛性均较好的区域全球球谐函数而非常用的球冠谐分析或者复杂的球形Slepian函数。（3）本文对岩石圈磁场的区域建模方法进行了研究,主要关注区域的全球球谐函数的应用和简化。研究基于以地理北极点为顶点的0°N-30°N球冠区域的位置信息,通过高斯球谐函数计算获得基础解系,并通过欧拉旋转定理和球谐函数旋转方法将基础解系移至中国大陆地区。同时根据对称性以及显着性来降低计算系统的复杂度。最后通根据模型分布特征和分别计算模型与97994个中国大陆航磁数据以及28662个Swarm卫星数据的均方偏差（RMS）来选取阻尼项从而确定建模效果。研究结果显示,区域的全球球谐函数在研究区域内可以达到和完整的球谐函数相似的建模效果。模型效果不会因为计算复杂度的降低而削弱。阻尼项的选取使得模型在互不兼容的数据组之间保持平衡,在兼顾建模效果（阻尼项过大）的同时,防止边界效应的产生（阻尼项过小）。本研究在应用该方法对中国大陆航磁数据和卫星模型进行联合建模时,阻尼项设为107。（4）本研究建立了中国大陆地区岩石圈磁场的新模型——CLAS模型（Chinese Lithospheric field model combine Aeromagnetic data and Satellite model）。不同阶数的模型分别结合了CHAOS-6、MF7、LCS-1和NGDC720模型所提供的长波长信息,同时联合97994个分辨率为10km×10km的高质量航磁数据所包含的短波长信息。CLAS模型使用了以中国地区为中心的区域的全球球谐函数建立,球谐阶数可达到400阶。虽然为了数据的兼容性及模型在高度上的延展性而不可避免地损失一小部分的模型精度,但模型结果显示,CLAS模型仍然可以较好地联合航磁数据与全球卫星模型。模型在低阶项部分与卫星模型具有高度相关性（球谐系数相关性>0.9）,同时模型高阶部分具有更高的功率还反映了中国大陆岩石圈磁场的更多特征,包括长白山、四川盆地和青藏高原等地区的磁异常分布。航磁数据的加入同样在卫星高度模型的长波长部分施加了一些特征,例如华北地区的磁异常。CLAS模型与中国航磁数据在低至约100km的波长（对应于球谐阶数n=400）上具有良好的一致性（频谱相干性>0.9）,填补了卫星模型与航磁数据之间在100—300km处的空白。在与通过傅里叶变换在波长100 km处截断的航磁数据进行比较时,可以得出很好的一致性（相关性>0.95）。虽然CLAS模型与航磁数据之间的残差仍然很大（RMS>70n T）,但大多数差异是由岩石圈磁场中波长更短的小尺度结构引起的,这需要模型提高拟合阶数达到400阶以上来提高拟合精度。研究还提供了一个关于地质解释的示例,说明了卫星数据的加入对从地磁信息中得出的地质结论的影响。与此同时,两个数据集并不完全一致,对于以后的工作中,在针对这两个数据集进行的地磁场建模研究之前,应从对航空磁数据及其线平进行重新分析,使得不同数据集之间能够保持一致,或者也可以通过使用差分数据计算的水平梯度进行建模,从而减少数据集不一致产生的影响。目前现有的高阶球谐模型并没有使用到中国地区的航磁数据,该数据集的使用将有效的补充了世界地磁异常图中的空白。
李凯[8]（2020）在《灰色预测模型的优化及其应用研究》文中研究表明灰色预测模型是灰色系统理论的重要研究内容,是应用灰色系统理论解决实际预测问题的重要桥梁。GM（1,1）模型是一个经典的灰色预测模型,是一个所需建模样本量少且预测精度高的预测模型。由于灰色系统理论的理论体系目前还不完善,导致GM（1,1）模型存在许多缺陷。GM（1,1）模型的预测误差偏大是其主要缺陷之一,影响了其适用范围。找出并分析造成GM（1,1）模型预测误差偏大的关键影响因素,并对GM（1,1）模型的算法进行相应的改进,不仅可以提高GM（1,1）模型的预测精度,还可以扩大GM（1,1）模型的应用范围。因此,GM（1,1）模型的相关改进和优化工作具有非常重要的理论意义和应用价值。本文在综合分析已有文献基础上,发现对GM（1,1）模型的数据序列和背景值进行改进和优化,可以有效地降低GM（1,1）模型的预测误差,提高预测精度。同时,将GM（1,1）模型与其他预测模型和算法进行科学且合理的结合,构建出组合预测模型,不仅能够发挥单个预测模型的优势,而且能够在一定程度上提升GM（1,1）模型的预测性能,进而拓展了GM（1,1）模型的实际应用范围。本文的主要研究内容有以下几个方面:第一,对GM（1,1）模型自身进行相关的改进和优化,提出两个改进的GM（1,1）模型。（1）GM（1,1）模型在处理有限样本数据的短期预测方面具有非常明显的优势,因此可以应用GM（1,1）模型预测电力消费。本文对GM（1,1）模型的原始建模数据序列进行了相应的数据转换,同时利用辛普森3/8公式和牛顿插值公式的组合插值方法来构造出新的GM（1,1）模型的背景值,构建了DCOGM（1,1）模型。将DCOGM（1,1）模型应用到亚太经合组织（APEC）国家和地区的短期电力消费预测和土耳其的电力消费预测等两个案例,以及我国上海市2017年至2021年的总电力消费的预测中。相关预测结果显示,DCOGM（1,1）模型的预测性能优于传统的GM（1,1）模型和其他改进的GM（1,1）模型,且上海市的电力消费在未来的五年中将呈现持续平稳增长的趋势。（2）为了提高GM（1,1）模型的预测性能,本文通过同时对原始建模数据序列进行数据转换并对GM（1,1）模型背景值的构造公式进行相应的优化和改进,得到了改进的GM（1,1）模型（TBGM（1,1）模型）。相关结果显示,TBGM（1,1）模型相对于传统的GM（1,1）模型和其他改进的GM（1,1）模型而言,具有更小的预测误差。与此同时,本文成功地将TBGM（1,1）模型应用到我国上海市能源消费预测中,发现上海市的能源消费在接下来的五年中将会呈现稳定增长的态势。同时,预测结果表明每个预测模型都有其适用范围,在某些特定的情况下,优化的GM（1,1）模型不一定能够提高预测精度;因此,对于不同的预测背景问题,应谨慎选择合适的预测模型。第二,GM（1,1）模型与其他预测模型和算法结合,预测我国的能源消费。能源资源是经济社会发展的重要战略物资,对一个国家（地区）经济和社会各项工作健康发展至关重要。我国的经济总量世界第二,能源消费总量却跃居第一;我国的能源资源供需呈现严重的不平衡状态,严重缺乏能源价格制定的话语权;我国的能源需求急剧增多,全球能源价格上涨且波动性剧烈。因此,科学准确地预测我国的能源消费总量,不仅可以为我国的相关决策部门制定安全合理的能源政策提供必要的决策理论依据,而且有助于我国经济和社会健康、可持续和稳定发展。（3）将GM（1,1）模型和ARMA模型结合,并提出了GM（1,1）-LR-ARMA模型。GM（1,1）-LR-ARMA模型是以GM（1,1）模型、ARMA模型和LR模型等三个单个预测模型为基础,利用误差倒数变权组合预测方法来求解GM（1,1）-LRARMA模型的权重值,并依据一定条件的组合而构建的新的预测模型。应用GM（1,1）-LR-ARMA模型来预测我国的能源消费发现,该模型不仅可以克服单个预测模型的不足之处,同时也具备处理具有波动性、周期性、趋势性和线性等数据特征的原始建模数据的优势。值得注意的是,预测结果显示合适的组合预测模型的权重值对提高模型的预测效果至关重要。（4）探讨了灰色预测模型和BP神经网络模型的结合运用,并提出了GM（1,1）-BPNN-GA模型。GM（1,1）-BPNN-GA模型是由GM（1,1）模型、DCOGM（1,1）模型、TBGM（1,1）模型等三个灰色预测模型和BP神经网络（BPNN）模型为基础模型。在建模过程中,三个灰色预测模型都采用等维新息递补机制而构建,其预测结果作为BP神经网络模型的输入变量,构建BP神经网络模型,再通过遗传（GA）算法来对BP神经网络模型的初始权重值和阈值进行相应的求解和优化。应用GM（1,1）-BPNN-GA模型来预测我国的能源消费发现,该组合模型的预测精度显着优于传统的GM（1,1）模型以及改进的GM（1,1）模型（DCOGM（1,1）模型和TBGM（1,1）模型）,扩大了灰色预测模型的应用范围。（5）探讨了灰色预测模型和最小二乘支持向量机回归模型的结合运用,并构建了GM（1,1）-LSSVMR-PSO模型。GM（1,1）-LSSVMR-PSO模型是一种新改进的灰色预测模型。该模型是将GM（1,1）模型、DCOGM（1,1）模型和TBGM（1,1）模型三个灰色预测模型的预测结果输入到最小二乘支持向量机回归（LSSVMR）模型中,并利用粒子群优化（PSO）算法,来解决最小二乘支持向量机回归模型的参数σ和参数γ值的设置问题。同时,为了更好的评判粒子群优化算法优化的效果,通过利用遗传算法（GA）和模拟退火（SA）算法等智能优化算法,来分别求取最小二乘支持向量机回归模型的参数σ以及参数的值,依次构建GM（1,1）-LSSVMR-GA模型和GM（1,1）-LSSVMR-SA模型。预测结果显示GM（1,1）-LSSVMR-PSO模型的预测误差最小。GM（1,1）-LSSVMR-PSO模型充分利用了灰色预测模型和最小二乘支持向量机回归模型的优点,并在一定程度上克服了这些预测模型的一些不足和缺陷,在处理具有波动性及非线性特征的原始建模数据方面具有很强的预测优势,有效地拓展了灰色预测模型的实际应用领域和范围。最后,通过对上述组合预测模型进行综合分析,我们发现GM（1,1）-LSSVMRPSO模型的预测精度优于其他的单个预测模型和组合预测模型,因此应用于我国能源预测,预测结果显示我国能源消费在2019年至2023年将保持低速平稳增长。本文的主要创新点归纳如下:（1）通过研究和分析灰色预测模型的建模基本理论原理和机制,对GM（1,1）模型自身进行了一些改进和优化工作,并提出两个GM（1,1）模型的优化模型。对原始建模数据进行数据转换以及对GM（1,1）模型背景值的构造形式进行优化和改进,是GM（1,1）模型自身进行改进和优化的两个比较重要的研究方向。本文根据这两个优化和改进的方向,提出了两个优化模型,DCOGM（1,1）模型和TBGM（1,1）模型,并成功地将这两个优化模型应用到具体的实际预测问题中。相对于现有的GM（1,1）模型而言,DCOGM（1,1）模型和TBGM（1,1）模型能够显着地降低预测误差,提高GM（1,1）模型的预测性能,拓展GM（1,1）模型的实际应用范围。（2）通过把GM（1,1）模型同统计分析模型、机器学习模型进行结合,提出了相应的灰色组合预测模型。本文通过把统计分析模型和机器学习模型同GM（1,1）模型结合起来,发挥ARMA模型、BP神经网络模型以及最小二乘支持向量机回归模型的预测优势,建立了GM（1,1）-LR-ARMA模型、GM（1,1）-BPNN模型和GM（1,1）-LSSVMR模型。实际案例的预测结果充分验证了,上述三个灰色组合预测模型都能够非常有效地提高GM（1,1）模型的预测精度。（3）通过构建灰色组合预测模型,并成功地应用机器学习中的智能优化算法来优化灰色组合预测模型的参数。由于传统的BP神经网络模型的计算收敛速度相对比较慢,同时其求解的值也有很大概率是局部的最优解,本文采用遗传算法,构建了GM（1,1）-BPNN-GA模型,显着提高了模型的收敛速度和收敛性能,而且极大地降低了模型的预测误差。最小二乘支持向量机回归模型的预测表现与参数σ和参数密切相关,本文利用粒子群优化算法,来选取和求解最小二乘支持向量机回归模型的参数σ和参数γ的值,构建了GM（1,1）-LSSVMR-PSO模型。实验结果表明,粒子群优化算法相对于遗传算法和模拟退火算法,能够表现出更加良好的最小二乘支持向量机回归模型的参数求解和优化能力。综上所述,本文对灰色预测模型的优化及其应用问题进行了相关的创新性研究和探讨。一方面,对GM（1,1）模型自身进行了相应的改进和优化工作;另一方面,将GM（1,1）模型同统计分析模型以及机器学习模型进行了结合,提出相应的组合预测模型,并引进了包括粒子群优化算法、遗传算法以及模拟退火算法在内的智能优化算法,对组合预测模型进行了相应的优化工作。因此,对于GM（1,1）模型进行改进和优化,既需要考虑对GM（1,1）模型自身进行相应的改进和优化工作,同时也要将GM（1,1）模型和其他预测模型有机结合,吸收其他预测模型的优点。在围绕如何更加科学有效地提高GM（1,1）模型的预测性能这个中心内容的时候,这二者之间是可以相互促进,并行发展的。这些研究工作,不仅增强了灰色预测模型同其他预测模型和算法之间的融合,而且扩大了灰色预测模型的实际应用范围,为灰色预测模型的后续相关优化工作奠定了基础。
王琳[9]（2020）在《基于扩展P系统的粒子群算法及其在聚类分析中的应用》文中进行了进一步梳理PSO算法作为一类仿生智能优化算法,是模拟自然界中鸟群觅食行为而抽象出来的计算模型。每个粒子依靠个体经验和群体经验来调整自己的运动轨迹,从而可以通过简单的个体行为实现复杂的群体行为。但是,正是由于PSO算法的不确定性和随机性,算法在运行后期易于陷入局部最优,出现早熟的现象。尤其是在面对复杂的优化问题时,算法在收敛精度和收敛速度方面都需要进一步的提高和优化。膜计算,又可以称为P系统,是模拟细胞、组织和器官之间生化反应而抽象出来的新型计算模型。作为自然计算的一个重要分支,P系统的计算模型主要是由膜结构、膜对象和膜规则三部分构成。由于细胞、组织和器官之间的相互独立性,P系统也是按照分布式并行模型运行,许多研究已经证明了P系统的计算能力不仅可以等价于图灵机,甚至还有可能超越图灵机的局限性。聚类分析一直是数据挖掘领域内的热点研究问题,尤其是在移动数据爆炸式增长的今天,传统的PSO聚类算法在处理这些数据时存在一定的局限性。因此,必须要结合新的计算方法或者引入新的计算模型,来提高PSO算法的聚类性能。图像分割问题一直都是聚类分析方法的重要应用,如何提高PSO算法的分割效果、降低PSO算法的计算复杂度是分割算法研究工作中的热点内容。本文的主要研究内容如下:（1）提出了三种扩展P系统的计算模型在传统P系统的基础上,提出了三种扩展膜计算模型,分别是基于膜分裂/膜溶解规则的进化交流类细胞P系统、带有促进剂/抑制剂的进化交流类组织P系统和链式P系统,分别从膜结构、膜对象和膜规则三方面构建了扩展P系统的计算模型,最后对三种扩展P系统通过计算能力分析证明了其有效性。（2）提出了基于扩展P系统的多粒子群协同进化模型（PSO-P）通过引入P系统的分布式计算框架和进化交流规则,建立了基于扩展P系统的多粒子群协同进化模型（PSO-P）,将PSO算法中的种群划分成多个子种群,并通过子种群内部和子种群之间的进化-交流机制实现多个子种群的协同进化过程。（3）提出了一种基于扩展类细胞P系统的PSO优化算法（DSPSO-ECP）将改进的八哥PSO算法和基于膜溶解/膜分裂规则的进化交流类细胞P系统相结合,提出了DSPSO-ECP算法。在该算法中,引入了基于适应度-欧氏距离比值的邻居选择策略,并结合了个体最优和全局最优信息来调整粒子的位置。通过扩展类细胞P系统中的膜分裂/膜溶解规则来避免子种群陷入局部最优。（4）提出了一种基于扩展类组织P系统的QPSO优化算法（CQPSO-ETP）将改进的QPSO算法和带有促进剂/抑制剂的交流进化类组织P系统相结合,提出了CQPSO-ETP算法。在该算法中,引入了种群多样性函数和协作学习机制,分别定义了带有促进剂和抑制剂的进化规则,通过相邻子种群的共享信息来动态的调整粒子的迭代进化过程。（5）提出了一种基于复合链式P系统的PSO聚类算法（KEPSO-CCP）在传统的PSO聚类算法中,引入划分后的类簇信息作为粒子的环境信息,每个粒子结合历史信息、全局信息和环境信息来确定自己下一步的搜索方向。同时,基于复合链式P系统的交叉变异规则,通过差分进化算法中的交叉变异操作实现对子种群内的全局最优的局部搜索。（6）提出了三种基于扩展P系统的粒子群图像分割算法针对三种基于扩展P系统的粒子群算法,提出了三种图像分割算法,分别是基于类细胞P系统的混合PSO聚类分割算法,基于链式P系统的PSO聚类分割算法以及基于类组织P系统的QPSO两阶段聚类分割算法。第一种混合PSO分割算法通过结合FCM聚类算法来求解灰色图像分割问题。第二种PSO聚类分割算法将最大化类间方差作为目标函数,来求解多级阈值灰度图像分割问题。第三种基于QPSO两阶段聚类分割算法,通过结合超像素分割算法（SLIC）,来求解彩色图像分割问题。综上所述,本文主要提出了三种扩展P系统的计算模型,并在此基础上构建了基于扩展P系统的多粒子群协同进化模型。同时在三种扩展P系统的计算框架下,分别嵌入了PSO、QPSO和PSO聚类算法,并结合P系统中膜分裂/膜溶解、促进剂/抑制剂、链式结构的基本概念,提出了三种基于扩展P系统的PSO算法,并将优化后的计算模型和聚类模型,应用于图像分割问题中,以此提高PSO算法的最终分割效果。
邓志诚[10]（2019）在《混合均值中心粒子群算法研究及其在水库优化调度中的应用》文中认为合理开发利用清洁能源,是国家实现可持续发展的重大战略决策。水电作为一种清洁能源,已被广泛开发利用。但是,随着大规模梯级水电站的建立,对各水电站进行联合调度的难度也越来越大。本文重点围绕粒子群算法的改进研究开展相关工作,探究更高性能的粒子群优化算法;以水布垭、高坝洲和隔河岩水库群的优化调度为应用对象,使用改进后的粒子群算法作为优化工具,对建立的水库优化调度模型进行求解。本文主要工作如下:（1）建立基于粒子群算法的水库优化调度模型。根据粒子群算法基本理论,以各水库月末水位为决策变量,建立年总发电量最大的目标函数,并引入罚函数机制,处理不满足条件的解,加快求解速度。（2）提出混合均值中心反向学习粒子群优化算法。新算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择,得出优质的混合均值中心,其可对粒子所在区域进行精细搜索。同时,对混合均值中心进行反向学习,使粒子能探索更多新区域;引入方波控制机制,进一步平衡算法的勘探与开发能力。（3）提出优质个体最优动态空间变异的粒子群优化算法。尽管混合均值中心是结合种群优势信息构造的优质粒子,但单个优质粒子提高种群多样性的效果有限。因此,新算法从种群中挑选出部分优质粒子,选择其两个不同维度,使其中一维向另一维做列维飞行,得到新的变异维度值,且进行变异的维度随迭代次数的增加而减少,以此增强种群多样性。（4）提出基于动态子空间的随机单维变异粒子群优化算法。前文两种算法皆采用整体维度更新策略,常因某一维或某几维未达到最优解,导致粒子适应值变差。新算法随机动态挑选粒子的若干维度组成子空间,并随机选择异于子空间的一维进行变异。进化前期选取多数维度组成子空间,增大变异维度的多样性;后期选取少数维度组成子空间,增强粒子精细搜索的能力。最后,使用改进后的粒子群算法,对以总发电量最大为目标函数的水库优化调度模型进行求解,实验取得了良好的结果。
二、SWARM及其在经济研究中的应用（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、SWARM及其在经济研究中的应用（论文提纲范文）
（1）面向智能车行驶的最佳路径选择机制与方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 智能车研究背景 |
| 1.1.2 智能车路径规划研究的意义 |
| 1.2 智能驾驶车辆研究现状 |
| 1.2.1 智能驾驶车辆的特点 |
| 1.2.2 智能车路径规划研究进展 |
| 1.3 本文研究的内容及解决方案 |
| 1.4 论文结构安排 |
| 第二章 面向智能车行驶的最佳路径选择相关技术 |
| 2.1 智能车最佳路径研究的意义 |
| 2.2 面向智能车路径研究的关键技术 |
| 2.2.1 环境感知 |
| 2.2.2 导航定位 |
| 2.2.3 路径规划 |
| 2.2.4 决策控制 |
| 2.2.5 服务支撑技术 |
| 2.3 最佳路径选择技术的应用 |
| 2.4 本章小结 |
| 第三章 基于参数体系的最佳路径选择机制 |
| 3.1 概述 |
| 3.2 环境映射 |
| 3.3 路径搜索 |
| 3.3.1 基础搜索算法 |
| 3.3.2 基于仿生学的算法 |
| 3.3.3 融合人工智能的算法 |
| 3.4 最佳路径选择 |
| 3.4.1 路径选择参数体系 |
| 3.4.2 处理过程 |
| 3.5 本章小结 |
| 第四章 基于先验强化学习的最佳路径选择方法 |
| 4.1 概述 |
| 4.2 OPABRL算法 |
| 4.2.1 参数设计 |
| 4.2.2 PBRL策略 |
| 4.2.3 SOA算法 |
| 4.2.4 算法步骤 |
| 4.3 OPABRL算法复杂度分析 |
| 4.4 仿真测试与实验分析 |
| 4.4.1 仿真测试结果与分析 |
| 4.4.2 实验测试结果与分析 |
| 4.5 本章小结 |
| 第五章 基于改进粒子群算法的最佳路径选择方法 |
| 5.1 概述 |
| 5.2 HPFA算法 |
| 5.2.1 基本定义 |
| 5.2.2 IPSO设计 |
| 5.2.3 SFNN结构设计 |
| 5.2.4 HPFA算法步骤 |
| 5.3 HPFA算法复杂度分析 |
| 5.4 仿真测试与分析 |
| 5.4.1 仿真实验分析 |
| 5.4.2 实验测试分析 |
| 5.5 本章小结 |
| 第六章 基于强化学习和粒子群算法混合策略的路径规划方法 |
| 6.1 概述 |
| 6.2 HPHA算法设计 |
| 6.2.1 HORL算法 |
| 6.2.2 PPSO算法设计 |
| 6.2.3 HPHA路径规划算法 |
| 6.3 HPHA算法复杂度分析 |
| 6.4 算法仿真与实验分析 |
| 6.4.1 仿真测试分析 |
| 6.4.2 实验测试分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 研究方向展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（2）红树林生态优化算法及其在绿色混合流水线调度问题中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 问题提出的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 群体智能优化算法 |
| 1.2.2 混合流水线调度问题 |
| 1.3 本文的创新之处 |
| 1.4 本文的内容与结构 |
| 第2章 相关技术介绍 |
| 2.1 优化问题 |
| 2.1.1 优化问题定义 |
| 2.1.2 解的判优方式 |
| 2.2 流水线调度问题 |
| 2.2.1 流水线调度问题分类 |
| 2.2.2 流水线调度问题性质 |
| 2.2.3 流水线调度问题的求解方法 |
| 2.3 HFS问题模型假设 |
| 2.4 本章小结 |
| 第3章 一种新的红树林生态优化算法 |
| 3.1 红树林生态系统介绍 |
| 3.2 信息拓扑模型 |
| 3.3 红树林生态优化算法的提出 |
| 3.3.1 红树繁殖算子 |
| 3.3.2 蟹类觅食算子 |
| 3.3.3 鸟类觅食算子 |
| 3.3.4 红树林生态优化算法性质 |
| 3.4 MEO伪代码 |
| 3.5 实验及分析 |
| 3.5.1 测试平台与基准函数 |
| 3.5.2 MEO与其他智能优化算法实验结果对比分析 |
| 3.5.3 基准函数测试数据T检验结果对比分析 |
| 3.6 本章小结 |
| 第4章 红树林生态优化算法解决单目标绿色混合流水线问题 |
| 4.1 单目标绿色混合流水线问题数学模型 |
| 4.1.1 变量及符号说明 |
| 4.1.2 优化电量的混合流水线调度模型建立 |
| 4.2 实验及分析 |
| 4.2.1 实验方法 |
| 4.2.2 评价标准 |
| 4.2.3 实验结果分析 |
| 4.3 本章小结 |
| 第5章 离散多目标红树林生态优化算法解决多目标绿色混合流水线问题 |
| 5.1 多目标绿色混合流水线问题数学模型 |
| 5.1.1 变量及符号说明 |
| 5.1.2 优化时间、噪声和粉尘的混合流水线调度模型建立 |
| 5.2 红树林生态优化算法解决多目标绿色混合流水线问题原理 |
| 5.2.1 MEO离散化 |
| 5.2.2 MEO多目标化 |
| 5.2.3 DMOMEO伪代码 |
| 5.3 实验及分析 |
| 5.3.1 实验方法 |
| 5.3.2 评价标准 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文情况 |
（3）并网型微电网源荷预测及优化运营管理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 并网型微电网经济运行优化管理研究现状 |
| 1.2.2 微电网市场交易 |
| 1.2.3 微电网分布式能源出力及负荷预测研究现状 |
| 1.2.4 文献评述 |
| 1.3 主要研究内容和创新点 |
| 1.3.1 研究内容 |
| 1.3.2 论文研究创新点 |
| 1.4 技术路线 |
| 第2章 并网型微电网源荷预测及优化运营研究的理论分析框架 |
| 2.1 相关理论基础 |
| 2.1.1 系统管理理论 |
| 2.1.2 预测理论 |
| 2.1.3 交易费用理论 |
| 2.1.4 最优化理论 |
| 2.1.5 协同理论 |
| 2.1.6 现代运营管理理论 |
| 2.2 微电网系统概述 |
| 2.2.1 微电网基本概念 |
| 2.2.2 并网型微电网基本构架 |
| 2.3 微电网并网运行管理的发展现状分析 |
| 2.3.1 微电网并网运行总则 |
| 2.3.2 并网型微电网建设发展概况 |
| 2.3.3 微电网并网运营发展现状 |
| 2.4 并网型微电网优化运营的管理内容 |
| 2.4.1 并网型微电网发电侧新能源发电预测与优化运营管理研究 |
| 2.4.2 并网型微电网需求侧用户负荷预测与优化运营管理 |
| 2.4.3 微电网电力市场与微电网调度运行机构 |
| 2.5 并网型微电网优化运营管理模式框架 |
| 2.6 本章小结 |
| 第3章 并网型微电网发电侧光伏和风力发电功率预测 |
| 3.1 光伏发电系统短期功率预测模型及影响因素 |
| 3.1.1 光伏发电系统短期功率预测模型 |
| 3.1.2 光伏发电输出功率预测的影响因素 |
| 3.2 风电系统短期功率预测模型及影响因素 |
| 3.2.1 风力发电原理概述 |
| 3.2.2 风电输出功率的影响因素 |
| 3.3 微电网发电侧光伏及风力发电预测的主要研究方法 |
| 3.3.1 K-means聚类算法 |
| 3.3.2 改进粒子群算法 |
| 3.3.3 改进K-means聚类算法 |
| 3.3.4 随机森林算法 |
| 3.3.5 相关性分析方法 |
| 3.3.6 预测评价标准 |
| 3.4 并网型微电网发电侧光伏发电功率预测模型 |
| 3.4.1 构建基于随机森林模型的短期光伏发电功率预测模型 |
| 3.4.2 并网型微电网发电侧短期光伏发电功率预测实例仿真 |
| 3.5 并网型微电网发电侧短期风电功率预测模型 |
| 3.5.1 构建基于随机森林的短期风电功率预测模型 |
| 3.5.2 并网型微电网发电侧短期风电功率预测实例仿真 |
| 3.6 本章小结 |
| 第4章 并网型微电网需求侧用户负荷预测 |
| 4.1 并网型微电网需求侧用户负荷预测研究方法 |
| 4.1.1 滚动灰色模型 |
| 4.1.2 自回归求积移动平均模型 |
| 4.1.3 支持向量回归机 |
| 4.2 基于标准差法的组合预测模型 |
| 4.2.1 标准差法确定组合权重 |
| 4.2.2 RGM-SVR组合模型 |
| 4.2.3 ARIMA-SVR组合模型 |
| 4.3 自适应权重组合预测模型 |
| 4.4 并网型微电网需求侧用户负荷预测实例仿真 |
| 4.4.1 数据处理 |
| 4.4.2 基于自适应权重组合预测模型的短期用户负荷预测流程 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 第5章 并网型微电网电力交易市场运营管理 |
| 5.1 研究方法 |
| 5.1.1 区块链基本概念 |
| 5.1.2 联盟区块链技术 |
| 5.1.3 定价策略中的博弈模型 |
| 5.2 并网型微电网市场交易模型 |
| 5.2.1 微电网交易市场整体构架 |
| 5.2.2 并网型微电网运营主体利益博弈与均衡分析 |
| 5.2.3 智能合约的部署 |
| 5.3 并网型微电网市场交易模型实例仿真 |
| 5.3.1 数据来源 |
| 5.3.2 仿真结果 |
| 5.4 本章小结 |
| 第6章 基于并网型微电网市场交易的电力经济调度优化管理 |
| 6.1 微电网系统经济运行优化分析 |
| 6.1.1 并网型微电网结构及系统运行主体概述 |
| 6.1.2 微电网能量调度策略与优化模型 |
| 6.2 并网型微电网能量优化求解方案 |
| 6.2.1 松鼠觅食算法 |
| 6.2.2 基于松鼠觅食算法的并网型微电网能量优化求解 |
| 6.3 并网型微电网能量优化模型实例仿真 |
| 6.3.1 基础数据 |
| 6.3.2 仿真结果 |
| 6.4 本章小结 |
| 第7章 并网型微电网源荷预测及优化运营管理对策建议 |
| 7.1 并网型微电网一体化运营管理发展方案及建议 |
| 7.1.1 推动能量调度机构与微电网交易市场协同发展 |
| 7.1.2 整合微电网主体机构 |
| 7.2 并网型微电网优化运营管理的配套政策法规体系建设建议 |
| 7.2.1 动态调整微电网定价机制 |
| 7.2.2 建设灵活的市场模式 |
| 7.2.3 推进激励政策实施 |
| 7.3 本章小结 |
| 第8章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）雅砻江中下游梯级水库多目标精细优化调度及决策方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1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 优化调度模型构建 |
| 1.2.2 优化调度模型求解 |
| 1.2.3 优化调度方案决策 |
| 1.3 目前存在的主要问题及发展趋势 |
| 1.4 本文的主要研究内容 |
| 第2章 梯级水电站日发电计划精细化编制 |
| 2.1 引言 |
| 2.2 厂间-厂内嵌套优化调度模型 |
| 2.2.1 传统优化调度模型 |
| 2.2.2 精细优化调度模型 |
| 2.3 嵌套优化调度模型求解 |
| 2.3.1 单层多维动态规划 |
| 2.3.2 嵌套多维动态规划 |
| 2.4 实例计算 |
| 2.4.1 雅砻江流域概况及电站基础资料 |
| 2.4.2 模型及算法参数设置 |
| 2.4.3 计算结果分析 |
| 2.5 本章小结 |
| 第3章 基于内存优化和并行设计的嵌套多维动态规划 |
| 3.1 引言 |
| 3.2 嵌套动态规划算法性能分析 |
| 3.2.1 算法时间复杂度 |
| 3.2.2 算法空间复杂度 |
| 3.3 “维数灾”问题的处理策略 |
| 3.3.1 基于数据压缩与数据库技术的内存占用缩减 |
| 3.3.2 基于OpenACC的GPU并行加速 |
| 3.4 优化策略应用研究 |
| 3.4.1 并行方案设置及计算条件 |
| 3.4.2 结果分析 |
| 3.5 本章小结 |
| 第4章 LMPSO算法及其在梯级水库多目标优化调度中的应用 |
| 4.1 引言 |
| 4.2 雅砻江中下游梯级水库多目标优化调度模型 |
| 4.2.1 目标函数 |
| 4.2.2 约束条件 |
| 4.2.3 测试函数 |
| 4.3 基于超体积指标与问题变换的多目标粒子群算法 |
| 4.3.1 基于超体积指标处理高维目标空间 |
| 4.3.2 基于问题变换处理高维决策空间 |
| 4.3.3 LMPSO算法计算流程 |
| 4.4 实例计算 |
| 4.4.1 梯级水库基础资料及参数设置 |
| 4.4.2 计算结果分析 |
| 4.5 本章小结 |
| 第5章 改进区间数灰靶模型及其在梯级水库多属性决策中的应用 |
| 5.1 引言 |
| 5.2 传统区间数灰靶决策模型 |
| 5.2.1 区间数的基本概念 |
| 5.2.2 基于区间数的灰靶决策方法 |
| 5.3 改进区间数灰靶决策模型 |
| 5.3.1 基于集值统计的权重向量计算 |
| 5.3.2 基于R-vine copula的多维度联合抽样 |
| 5.3.3 改进模型的计算流程 |
| 5.4 改进决策模型应用研究 |
| 5.4.1 调度方案设置 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）网络视角下的珠三角地区港口群竞合机制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 港口群行业背景 |
| 1.1.2 广州港竞合发展背景 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状及不足 |
| 1.3.1 港口群网络研究现状 |
| 1.3.2 港口群竞合研究现状 |
| 1.3.3 研究现状小结 |
| 1.4 研究内容及创新点 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.4.3 主要创新点 |
| 1.4.4 技术路线 |
| 2 相关理论综述 |
| 2.1 竞合理论 |
| 2.1.1 竞合的含义 |
| 2.1.2 竞合关系分类 |
| 2.2 社会网络分析相关理论 |
| 2.2.1 社会网络分析概述与特征指标 |
| 2.2.2 社会网络分析法研究步骤 |
| 2.2.3 UCINET介绍 |
| 2.3 多目标粒子群算法相关理论 |
| 2.3.1 多目标优化问题 |
| 2.3.2 粒子群算法 |
| 2.3.3 多目标粒子群算法 |
| 2.4 本章小结 |
| 3 港口群竞合关系网络模型构建 |
| 3.1 珠三角港口群现状及竞合要素分析 |
| 3.1.1 珠三角港口群现状及竞合特点 |
| 3.1.2 竞合要素——经济腹地要素 |
| 3.1.3 竞合要素——货源结构因素 |
| 3.2 珠三角港口群港口-经济腹地竞合模型构建 |
| 3.2.1 港口-腹地关联指标集分析 |
| 3.2.2 数据源及数据处理 |
| 3.2.3 港口-经济腹地竞合关系网络模型构建 |
| 3.3 珠三角港口群港口-货源结构竞合模型构建 |
| 3.3.1 港口货源结构分析 |
| 3.3.2 数据源及数据处理 |
| 3.3.3 港口-货源结构竞合模型构建 |
| 3.4 珠三角港口群竞合关系网络模型构建 |
| 3.4.1 港口群竞合参数标准化 |
| 3.4.2 港口群竞合关系网络模型构建 |
| 3.5 本章小结 |
| 4 基于社会网络分析的港口群网络结构分析 |
| 4.1 珠三角地区港口群聚类分析 |
| 4.1.1 聚类方法选择 |
| 4.1.2 聚类参数及数据处理 |
| 4.1.3 聚类结果分析 |
| 4.2 港口群竞合关系网络的社会网络关系分析 |
| 4.2.1 关系矩阵数据处理 |
| 4.2.2 竞合关系网络整体结构分析 |
| 4.2.3 竞合关系网络节点特性分析 |
| 4.3 聚类与社会网络分析结果比较分析 |
| 4.3.1 珠三角港口群核心港口分析 |
| 4.3.2 珠三角港口群竞合潜力分析 |
| 4.4 本章小结 |
| 5 网络视角下核心港口竞合机制决策分析 |
| 5.1 核心港口竞合伙伴选择分析 |
| 5.1.1 核心港口竞合伙伴定义 |
| 5.1.2 核心港口竞合伙伴选择模型设计 |
| 5.2 港口群网络竞合机制决策模型与算法设计 |
| 5.2.1 问题描述与模型假设 |
| 5.2.2 港口群网络竞合模型构建 |
| 5.2.3 模型算法设计 |
| 5.3 以广州港为核心港口的竞合机制决策分析 |
| 5.3.1 以广州港为核心港口的竞合伙伴选择 |
| 5.3.2 以广州港为核心港口的竞合机制决策分析 |
| 5.3.3 竞合机制具体策略建议 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 作者简历及攻读学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于群智能算法与机器学习的预测与分类研究（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 群智能算法概述 |
| 1.3 机器学习概述 |
| 1.3.1 机器学习发展简史 |
| 1.3.2 机器学习的研究现状 |
| 1.3.3 机器学习面临的挑战 |
| 1.4 本文主要研究内容 |
| 第2章 基于GRA与改进SOA-SVR模型的空气质量分析与AQI预测.. |
| 2.1 空气质量问题 |
| 2.2 改进的海鸥优化算法 |
| 2.2.1 海鸥优化算法(SOA) |
| 2.2.2 改进的海鸥优化算法(ISOA) |
| 2.3 支持向量机回归模型(SVR) |
| 2.4 基于ISOA算法优化的SVR模型 |
| 2.5 实验准备 |
| 2.6 空气质量与空气污染物分析 |
| 2.6.1 灰色关联度分析(GRA) |
| 2.6.2 基于GRA方法的空气质量和空气污染物分析 |
| 2.7 基于ISOA算法优化的SVR模型在AQI预测问题中的应用 |
| 2.7.1 实验一结果与分析 |
| 2.7.2 实验二结果与分析 |
| 2.8 本章小结 |
| 第3章 基于稀疏表示与改进PSO-SVM模型的激光超声缺陷信号检测.. |
| 3.1 激光超声缺陷检测问题 |
| 3.2 稀疏表示理论 |
| 3.3 改进的粒子群优化算法 |
| 3.3.1 粒子群优化算法(PSO) |
| 3.3.2 惯性权重的几种变体 |
| 3.3.3 改进的粒子群算法 |
| 3.4 支持向量机分类模型(SVM) |
| 3.5 基于改进PSO算法优化的SVM模型 |
| 3.6 基于改进PSO算法优化的SVM模型在激光超声缺陷检测问题中的应用 |
| 3.6.1 激光超声表面声波探伤实验 |
| 3.6.2 基于稀疏表示的特征提取 |
| 3.6.3 TPSO-SVM分类模型与其它分类模型的分类结果对比分析 |
| 3.6.4 IPSO-SVM分类模型与其它分类模型的分类结果对比分析 |
| 3.7 本章小结 |
| 第4章 基于多特征融合与机器学习的混凝土砖图像分类与识别 |
| 4.1 混凝土砖图像分类识别问题 |
| 4.2 数据来源与数据处理 |
| 4.3 特征提取 |
| 4.3.1 RGB空间每个通道的平均像素值 |
| 4.3.2 灰色共生矩阵(GLCM) |
| 4.3.3 HSV空间的GLCM纹理特征 |
| 4.4 机器学习方法在混凝土砖图像分类识别中的应用 |
| 4.4.1 SVM分类模型在混凝土砖图像分类识别中的应用 |
| 4.4.2 BP神经网络在混凝土砖图像分类识别中的应用 |
| 4.4.3 ELM神经网络在混凝土砖图像分类识别中的应用 |
| 4.4.4 不同分类器的分类识别结果对比分析 |
| 4.5 本章小结 |
| 第5章 改进SOA-SVM模型在混凝土砖图像分类识别中的应用 |
| 5.1 基于ISOA算法优化的SVM模型 |
| 5.2 混凝土砖图像数据集介绍 |
| 5.3 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 基于Bagging算法的ELM集成分类模型在混凝土砖图像分类识别中的应用 |
| 6.1 Bagging算法 |
| 6.2 基于Bagging算法的ELM集成模型 |
| 6.3 实验结果与分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 主要研究工作 |
| 7.2 论文创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 攻读博士期间发表的论文及所取得的研究成果 |
| 致谢 |
（7）联合全球卫星模型和航磁数据的中国大陆地区岩石圈磁场建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 岩石圈磁场 |
| 1.1.2 岩石圈磁场模型 |
| 1.2 国内外研究进展 |
| 1.2.1 基于卫星磁测资料的研究进展 |
| 1.2.2 基于近地观测资料的研究进展 |
| 1.2.3 中国地区岩石圈地磁场观测及建模进展 |
| 1.3 问题的提出与研究意义 |
| 1.3.1 问题的提出 |
| 1.3.2 研究意义 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 1.4.3 技术路线 |
| 第二章 地磁场建模理论 |
| 2.1 地磁场概述 |
| 2.1.1 地磁场要素 |
| 2.1.2 地磁场坐标系 |
| 2.1.3 地磁场时间系统 |
| 2.1.4 地磁指数 |
| 2.2 球谐理论 |
| 2.2.1 球谐函数 |
| 2.2.2 球谐模型的反演 |
| 2.2.3 功率谱 |
| 2.3 岩石圈磁场模型及建模方法 |
| 2.3.1 全球模型及建模方法 |
| 2.3.2 区域模型及建模方法 |
| 2.4 本章小结 |
| 第三章 卫星模型对中国地区岩石圈磁场的适用性研究 |
| 3.1 模型与数据处理 |
| 3.1.1 Swarm卫星数据 |
| 3.1.2 CHAOS-6 模型 |
| 3.1.3 卫星数据的选取及网格化处理 |
| 3.2 基于Swarm卫星数据中的小尺度特征的模型适用性研究 |
| 3.2.1 轨道残差的时空一致性分析 |
| 3.2.2 CHAOS-6 岩石圈磁场分析 |
| 3.2.3 15-20 阶磁场的长期变化检验 |
| 3.3 本章小结 |
| 第四章 卫星模型与航磁数据的兼容性分析 |
| 4.1 数据与模型 |
| 4.1.1 航磁数据 |
| 4.1.2 卫星模型 |
| 4.2 卫星数据和航磁数据的兼容性分析 |
| 4.2.1 模型与数据的残差及趋势比较 |
| 4.2.2 傅里叶分析 |
| 4.3 本章小结 |
| 第五章 联合不同数据集的区域岩石圈磁场建模 |
| 5.1 区域地磁场建模方法 |
| 5.1.1 区域的全球球谐函数 |
| 5.1.2 球谐函数反演的计算简化 |
| 5.1.3 球谐函数在坐标系旋转下的变换方法 |
| 5.1.4 模型的约束条件、边界效应及高度延展性 |
| 5.2 联合卫星模型和航磁数据的岩石圈磁场建模 |
| 5.2.1 阻尼项的选取 |
| 5.2.2 基于CHAOS-6 模型的120 阶中国大陆区域岩石圈磁场模型 |
| 5.2.3 基于MF7 模型的133 阶中国大陆区域岩石圈磁场模型 |
| 5.2.4 基于LCS-1 模型的185 阶中国大陆区域岩石圈磁场模型 |
| 5.2.5 基于NGDC720 模型的400 阶中国大陆区域岩石圈磁场模型 |
| 5.3 本章小结 |
| 第六章 CLAS模型的评估分析与应用 |
| 6.1 模型与数据的对比分析 |
| 6.1.1 模型与中国航磁数据的残差分析 |
| 6.1.2 模型与Swarm卫星模型的对比分析 |
| 6.2 小尺度特征的一致性分析 |
| 6.3 模型功率谱对比 |
| 6.4 模型的频谱相干性分析 |
| 6.5 模型对磁异常的物理解释 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 主要研究内容与结论 |
| 7.2 创新点 |
| 7.3 后续研究展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（8）灰色预测模型的优化及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 选题背景及研究意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 GM(1,1)模型的研究现状 |
| 第三节 主要研究内容及创新点 |
| 一、主要研究内容 |
| 二、主要研究目标 |
| 三、主要创新点 |
| 第四节 研究的技术路线 |
| 第五节 本章小结 |
| 第二章 GM(1,1)模型的相关理论基础 |
| 第一节 GM(1,1)模型简介 |
| 一、传统的GM(1,1)模型的建模基本原理 |
| 二、GM(1,1)模型的实际应用范围 |
| 第二节 GM(1,1)模型的预测检验方法 |
| 一、准光滑性检验和准指数检验 |
| 二、预测精度检验 |
| 三、预测性能评价指标 |
| 第三节 GM(1,1)模型的误差来源分析 |
| 一、GM(1,1)模型的初始值问题 |
| 二、GM(1,1)模型的原始建模数据序列的光滑度 |
| 三、GM(1,1)模型的背景值 |
| 第四节 本章小结 |
| 第三章 DCOGM(1,1)模型及其应用研究 |
| 第一节 引言 |
| 一、研究背景 |
| 二、文献回顾 |
| 三、创新点和贡献 |
| 第二节 DCOGM(1,1)模型的建模优化过程 |
| 一、对原始数据进行数据转换 |
| 二、基于组合插值的GM(1,1)模型背景值的改进 |
| 第三节 DCOGM(1,1)模型的评价 |
| 一、组合插值的GM(1,1)模型背景值的评估 |
| 二、DCOGM(1,1)模型的评价 |
| 第四节 DCOGM(1,1)模型在上海市的电力消费预测中的应用 |
| 一、上海电力消费预测的建模基本过程 |
| 二、七个预测模型的预测性能比较 |
| 三、我国上海市2017年到2021年电力消费预测 |
| 第五节 电力消费预测问题的讨论和总结 |
| 一、讨论 |
| 二、总结 |
| 第六节 本章小结 |
| 第四章 TBGM(1,1)模型及其应用研究 |
| 第一节 引言 |
| 第二节 TBGM(1,1)模型的建模优化过程 |
| 第三节 TBGM(1,1)模型在上海市的能源消费预测中的应用 |
| 一、上海市的能源消费预测的建模过程 |
| 二、模型评价指标 |
| 三、七个预测模型的预测性能的比较 |
| 四、预测我国上海市的2018年到2022年的能源消费 |
| 第四节 能源消费预测问题的讨论和总结 |
| 第五节 本章小结 |
| 第五章 灰色预测模型和ARMA模型的组合预测研究 |
| 第一节 理论基础 |
| 一、ARMA模型简介 |
| 二、等维新息递补机制 |
| 三、组合预测模型权重的计算方法 |
| 第二节 基于灰色模型和ARMA模型组合预测方法 |
| 第三节 实例研究 |
| 一、实验所采用的数据 |
| 二、应用GM(1,1)模型预测我国的能源消费 |
| 三、应用ARMA模型预测我国的能源消费 |
| 四、构建GM(1,1)-ARMA残差模型预测我国的能源消费 |
| 五、构建GM(1,1)-LR-ARMA模型预测我国的能源消费 |
| 六、预测结果比较和分析 |
| 第四节 本章小结 |
| 第六章 灰色预测模型和BP神经网络模型的组合预测研究 |
| 第一节 BP神经网络模型 |
| 一、神经网络模型的简介 |
| 二、BP神经网络模型的简介 |
| 三、BP神经网络模型的建模基本过程 |
| 第二节 遗传算法 |
| 一、遗传算法的简介 |
| 二、遗传算法的建模基本流程和步骤 |
| 三、遗传算法的主要特点 |
| 四、遗传算法的主要应用 |
| 五、应用遗传算法优化BP神经网络模型 |
| 第三节 实例研究 |
| 一、实验所采用的数据 |
| 二、应用BP神经网络模型预测我国的能源消费 |
| 三、构建GM(1,1)-BPNN残差模型预测我国的能源消费 |
| 四、构建GM(1,1)-BPNN模型预测我国的能源消费 |
| 五、构建GM(1,1)-BPNN-GA模型预测我国的能源消费 |
| 六、预测结果比较和分析 |
| 第四节 本章小结 |
| 第七章 灰色预测模型和LSSVMR模型的组合预测研究 |
| 第一节 最小二乘支持向量机回归模型 |
| 一、支持向量机模型简介 |
| 二、支持向量机回归模型简介 |
| 三、最小二乘支持向量机回归模型简介 |
| 四、最小二乘支持向量机回归模型的参数求解 |
| 第二节 模拟退火算法 |
| 一、模拟退火算法的简介和基本原理 |
| 二、模拟退火算法建模的基本步骤和流程 |
| 三、模拟退火算法建模的优点和缺点 |
| 第三节 粒子群优化算法 |
| 一、粒子群优化算法简介 |
| 二、粒子群优化算法基本原理 |
| 三、粒子群优化算法建模的基本步骤和流程 |
| 第四节 实例研究 |
| 一、实验所采用的数据 |
| 二、应用LSSVMR模型预测我国的能源消费 |
| 三、构建GM(1,1)-LSSVMR残差模型预测我国的能源消费 |
| 四、构建GM(1,1)-LSSVMR模型预测我国的能源消费 |
| 五、构建优化的GM(1,1)-LSSVMR模型预测我国的能源消费 |
| 六、预测结果比较和分析 |
| 第五节 几种预测模型方法之间的对比 |
| 第六节 我国2019年到2023年的能源消费预测 |
| 第七节 本章小结 |
| 第八章 结论与展望 |
| 第一节 全文总结 |
| 第二节 研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历及在学期间发表的研究成果 |
（9）基于扩展P系统的粒子群算法及其在聚类分析中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 符号表示和英文缩写清单 |
| 符号表示目录 |
| 英文缩写目录 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 P系统的研究现状 |
| 1.2.2 PSO算法的研究现状 |
| 1.2.3 聚类分析的研究现状 |
| 1.3 基本概念及计算模型 |
| 1.3.1 P系统 |
| 1.3.2 PSO算法 |
| 1.3.3 聚类分析 |
| 1.4 论文主要研究内容及组织框架 |
| 1.4.1 研究内容 |
| 1.4.2 论文创新点 |
| 1.4.3 论文组织框架 |
| 第2章 扩展P系统 |
| 2.1 基于膜分裂/膜溶解规则的进化交流类细胞P系统(ECP) |
| 2.1.1 ECP系统形式化定义 |
| 2.1.2 ECP系统膜结构 |
| 2.1.3 ECP系统膜规则 |
| 2.1.4 ECP系统计算能力分析 |
| 2.2 带有促进剂/抑制剂的进化交流类组织P系统(ETP) |
| 2.2.1 ETP系统形式化定义 |
| 2.2.2 ETP系统膜结构 |
| 2.2.3 ETP系统膜规则 |
| 2.2.4 ETP系统计算能力分析 |
| 2.3 链式P系统(CP) |
| 2.3.1 CP系统形式化定义 |
| 2.3.2 CP系统膜结构 |
| 2.3.3 CP系统膜规则 |
| 2.3.4 CP系统计算能力分析 |
| 第3章 基于扩展P系统的多粒子群协同进化模型 |
| 3.1 协同进化 |
| 3.1.1 基本思想 |
| 3.1.2 基本模型 |
| 3.2 基于扩展P系统的多粒子群协同进化计算模型(PSO-P) |
| 3.2.1 基本思想 |
| 3.2.2 计算框架 |
| 3.2.3 基本操作 |
| 3.2.4 计算流程 |
| 3.2.5 收敛性分析 |
| 3.3 三类扩展的PSO-P模型 |
| 3.3.1 基于膜分裂/膜溶解的自适应PSO-P模型 |
| 3.3.2 基于环形传递的PSO-P模型 |
| 3.3.3 基于混合策略的PSO-P模型 |
| 3.4 实验结果及分析 |
| 3.4.1 测试函数 |
| 3.4.2 参数设置 |
| 3.4.3 对比实验 |
| 3.4.4 t-假设检验 |
| 第4章 基于ECP的动态粒子群优化算法 |
| 4.1 基于集体响应机制的八哥PSO算法(SPSO) |
| 4.1.1 集体响应机制 |
| 4.1.2 基本流程 |
| 4.2 动态八哥PSO算法(DSPSO) |
| 4.2.1 适应度-欧式距离 |
| 4.2.2 引入全局最优的动态八哥PSO算法 |
| 4.3 基于ECP的动态八哥PSO算法(DSPSO-ECP) |
| 4.3.1 DSPSO-ECP系统的形式化定义 |
| 4.3.2 DSPSO-ECP算法的初始结构设计 |
| 4.3.3 DSPSO-ECP算法的规则设计 |
| 4.3.4 DSPSO-ECP算法的流程描述 |
| 4.3.5 DSPSO-ECP算法的时间复杂度分析 |
| 4.4 实验结果及分析 |
| 4.4.1 测试函数 |
| 4.4.2 参数设置 |
| 4.4.3 对比试验 |
| 4.4.4 Friedman假设检验 |
| 第5章 基于ETP的量子粒子群优化算法 |
| 5.1 量子PSO算法(QPSO) |
| 5.1.1 基本进化方程 |
| 5.1.2 两种搜索迭代策略 |
| 5.2 基于协作学习机制的自适应量子PSO算法(CQPSO) |
| 5.2.1 自适应机制 |
| 5.2.2 协作学习策略 |
| 5.2.3 Logistic混沌映射系统 |
| 5.3 基于ETP的自适应量子PSO算法(CQPSO-ETP) |
| 5.3.1 CQPSO-ETP系统的形式化定义 |
| 5.3.2 CQPSO-ETP算法的结构设计 |
| 5.3.3 CQPSO-ETP算法的规则设计 |
| 5.3.4 CQPSO-ETP算法的流程描述 |
| 5.3.5 CQPSO-ETP算法的时间复杂度分析 |
| 5.4 实验结果及分析 |
| 5.4.1 测试函数 |
| 5.4.2 参数设置 |
| 5.4.3 对比实验 |
| 5.4.4 Friedman假设检验 |
| 第6章 基于复合CP的粒子群划分聚类算法 |
| 6.1 带有环境因子的PSO聚类算法(EPSO) |
| 6.1.1 环境因子 |
| 6.1.2 EPSO算法的基本流程 |
| 6.1.3 带有环境因子的粒子群划分聚类算法(KEPSO) |
| 6.2 差分进化算法(DE) |
| 6.2.1 基本原理 |
| 6.2.2 基本操作 |
| 6.3 基于复合CP的粒子群划分聚类算法(KEPSO-CCP) |
| 6.3.1 复合CP系统的形式化定义(CCP) |
| 6.3.2 KEPSO-CCP算法的结构设计 |
| 6.3.3 KEPSO-CCP算法的规则设计 |
| 6.3.4 KEPSO-CCP算法的流程描述 |
| 6.3.5 KEPSO-CCP算法的时间复杂度分析 |
| 6.4 实验结果及分析 |
| 6.4.1 实验数据集 |
| 6.4.2 评估函数 |
| 6.4.3 参数设置 |
| 6.4.4 对比实验 |
| 6.4.5 Friedman假设检验 |
| 第7章 基于扩展P系统的粒子群聚类算法在图像分割问题中的应用 |
| 7.1 图像分割问题 |
| 7.1.1 模型描述 |
| 7.1.2 基本方法 |
| 7.2 基于DSPSO-ECP算法的模糊聚类灰度图像分割问题 |
| 7.2.1 基于模糊C均值的灰度图像分割问题(FCM) |
| 7.2.2 基于DSPSO-ECP的模糊聚类灰度图像分割算法 |
| 7.2.3 实验结果及分析 |
| 7.3 基于KEPSO-CCP算法的多级阈值灰度图像分割问题 |
| 7.3.1 多阈值图像分割问题 |
| 7.3.2 基于KEPSO-CCP的多级阈值灰度图像分割算法 |
| 7.3.3 实验结果及分析 |
| 7.4 基于CQPSO-ETP聚类算法的两阶段彩色图像分割问题 |
| 7.4.1 彩色图像分割问题 |
| 7.4.2 超像素分割算法(SLIC) |
| 7.4.3 基于SLIC和 CQPSO-ETP的两阶段彩色图像分割算法 |
| 7.4.4 实验结果及分析 |
| 第8章 总结与展望 |
| 8.1 研究总结 |
| 8.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间论文成果目录 |
| 攻读博士学位期间项目成果目录 |
| 攻读博士学位期间获奖成果目录 |
| 致谢 |
（10）混合均值中心粒子群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 |
| 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 梯级水库(群)优化调度研究 |
| 1.2.2 粒子群优化算法研究 |
| 1.3 目前存在的主要问题及发展趋势 |
| 1.4 本文主要内容 |
| 第二章 相关理论基础 |
| 2.1 水库优化调度方法 |
| 2.1.1 常规数学调度方法 |
| 2.1.2 智能优化调度方法 |
| 2.2 粒子群算法概述 |
| 2.2.1 产生背景 |
| 2.2.2 基本理论 |
| 2.2.3 实现步骤 |
| 2.3 本章小结 |
| 第三章 混合均值中心反向学习粒子群优化算法 |
| 3.1 HCOPSO算法 |
| 3.1.1 混合均值中心 |
| 3.1.2 混合均值中心反向学习 |
| 3.1.3 方波控制机制 |
| 3.1.4 算法流程 |
| 3.2 算法分析 |
| 3.2.1 混合均值中心策略分析 |
| 3.2.2 混合均值中心反向学习分析 |
| 3.3仿真实验 |
| 3.3.1 测试函数和参数设置 |
| 3.3.2 仿真实验及结果分析 |
| 3.3.3 与相关新算法比较 |
| 3.4 本章小结 |
| 第四章 优质个体最优动态空间变异的粒子群优化算法 |
| 4.1 DSIPSO算法 |
| 4.1.1 列维飞行 |
| 4.1.2 动态空间维度自变异策略 |
| 4.1.3 算法原理 |
| 4.1.4 算法步骤 |
| 4.2 算法分析 |
| 4.2.1 选用优质粒子进行变异的策略分析 |
| 4.2.2 算法多样性分析 |
| 4.3 仿真实验 |
| 4.3.1 测试函数与参数设置 |
| 4.3.2 仿真实验及结果分析 |
| 4.3.3 时间复杂度与收敛性分析 |
| 4.4 本章小结 |
| 第五章 基于动态子空间的随机单维变异粒子群优化算法 |
| 5.1 SDMPSO算法 |
| 5.1.1 Pareto速度分配策略 |
| 5.1.2 具有动态子空间的随机单维变异策略 |
| 5.1.3 新算法原理 |
| 5.2 算法分析 |
| 5.2.1 Pareto速度分配策略分析 |
| 5.2.2 动态子空间策略分析 |
| 5.3 仿真实验 |
| 5.3.1 测试函数与参数设置 |
| 5.3.2数值仿真实验 |
| 5.3.3 与相关新算法比较 |
| 5.4 本章小结 |
| 第六章 水库优化调度实例 |
| 6.1 水库优化调度的粒子群算法模型 |
| 6.1.1 目标函数 |
| 6.1.2 约束处理 |
| 6.2 清江流域模拟实验 |
| 6.2.1 水库参数与求解步骤 |
| 6.2.2 优化调度结果与分析 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 在学期间取得成果 |
| 致谢 |
四、SWARM及其在经济研究中的应用（论文参考文献）
- [1]面向智能车行驶的最佳路径选择机制与方法研究[D]. 刘晓欢. 天津理工大学, 2021(08)
- [2]红树林生态优化算法及其在绿色混合流水线调度问题中的应用[D]. 李卓航. 广西大学, 2021(12)
- [3]并网型微电网源荷预测及优化运营管理研究[D]. 赵文婷. 太原理工大学, 2021(01)
- [4]雅砻江中下游梯级水库多目标精细优化调度及决策方法研究[D]. 马皓宇. 华北电力大学(北京), 2021(01)
- [5]网络视角下的珠三角地区港口群竞合机制研究[D]. 赵琳琳. 北京交通大学, 2021(02)
- [6]基于群智能算法与机器学习的预测与分类研究[D]. 续婷. 中北大学, 2021(01)
- [7]联合全球卫星模型和航磁数据的中国大陆地区岩石圈磁场建模研究[D]. 姜乙. 南京信息工程大学, 2020(01)
- [8]灰色预测模型的优化及其应用研究[D]. 李凯. 上海财经大学, 2020(04)
- [9]基于扩展P系统的粒子群算法及其在聚类分析中的应用[D]. 王琳. 山东师范大学, 2020(08)
- [10]混合均值中心粒子群算法研究及其在水库优化调度中的应用[D]. 邓志诚. 南昌工程学院, 2019(07)