一、一种基于遗传操作的聚类算法（论文文献综述）
唐峯竹[1]（2021）在《基于无人机协同的多任务动态分配方法研究》文中研究指明随着技术的不断进步,无人机由于其机动性强、部署方便、成本小等特点,被应用于各种领域。当任务数量越来越多,任务约束变得越来越复杂时,单无人机已无法满足任务的需求,逐渐演化为多无人机协同的执行模式。多无人机协同时,必须考虑无人机与任务的众多约束和目标,这使得任务分配成为多无人机协同系统中的关键环节。现有的任务分配缺乏对完整的多无人机多任务分配系统的研究,并且分配方法效率较低,处理大规模任务的能力不足。同时,按照任务的初始约束条件进行任务分配,忽略了任务随机下达场景下时间约束带来的任务完成度低等问题。因此本文针对多无人机多任务动态分配方法进行了研究。具体研究工作如下:（1）针对多无人机多任务动态协同系统的任务协同低效性问题,提出了一种分层系统架构,具体包含控制层、分配层和执行层。控制层负责任务的生成与下达;分配层负责任务的静态初分配,将任务划分为多个子任务并按照优化目标将子任务分发给无人机;执行层负责执行任务和任务的动态再分配,在执行过程中根据任务执行情况对任务进行动态再分配。（2）针对任务静态初分配中由于任务规模大、任务特征多导致的任务分配效率低、分配结果精度低等问题,本文提出了一种分段式任务静态初分配的方法。首先通过k-means聚类算法和遗传算法分别进行子任务的分类和子任务内部的路径规划,利用降维处理的方式简化多无人机多任务的分配问题,实现子任务的划分。然后,通过改进遗传算法实现子任务的分发,该方法提出通过结合最优保留策略和轮盘赌的方式进行染色体的选择,既保留了最优样本,又提高了样本的多样性。同时改进了交叉方式,将染色体按照适应度函数值排序,进行分类交叉。并且对交叉概率与变异概率均根据当前染色体的适应度函数值进行动态调整,由此加快算法收敛速度。实验结果表明,该任务静态初分配方法与现有任务分配方法相比减少了33%的整体飞行距离,并实现了无人机资源均衡。（3）针对任务随机下达场景下忽略时间约束带来的任务完成度低的问题,提出了一种基于深度强化学习的任务动态再分配方法。在任务执行过程中,无人机之间进行信息交互并对全局任务的开始时间、坐标、任务量等特征进行实时量化,形成无人机共享的全局任务信息。同时,每个无人机根据实时的全局信息生成所执行任务的新的优先级特征,并基于深度强化学习算法进行决策,在时间约束下动态调整子任务的执行顺序,完成多任务的动态再分配。实验结果表明,在时间约束的条件下,提高了随时下达新任务场景中30%的系统任务完成度。
王春雨[2]（2021）在《网络社团结构挖掘与有限资源分配策略研究》文中提出现实世界已经走向网络化,从交通网络到居民移动出行网络,从生物网络到蛋白质交互网络,从社会网络到犯罪网络,从互联网（Internet）到万维网（WWW）等等。这些网络分别从宏观、微观、抽象、具体的层面对现实世界进行刻画,因此网络科学研究为分析现实世界复杂系统的共性特征提供了有效手段,如通过对网络结构及其节点间的连接的紧密程度（即社团结构）的研究,对揭示节点的内部组织以及发现网络的潜在功能特征具有重要作用;通过对网络有限资源分配的研究,能够最大程度的满足各项需求,抑制有害传播进程。在复杂网络社团挖掘研究领域,针对不同类型的网络,识别潜在的社团结构,是复杂网络研究的重点问题之一。而在当前环境下,针对应急医疗资源的分配策略研究也是契合民生的重点问题。本文针对这两方面内容,围绕网络科学,分别从“如何高效识别网络社团结构”和“如何高效进行网络资源分配”两个科学问题展开研究:（1）如何高效识别网络社团结构:本文依据网络结构,从静态网络和动态网络入手展开研究。提升了蚁群算法的收敛速度、粒子群算法的鲁棒性以及实现了动态网络的非线性特征表示。首先,通过将静态网络下的社团挖掘问题转化为单目标优化问题,采用蚁群优化算法进行求解。之后通过分析判断蚁群在迭代过程中的状态,对传统蚁群优化算法的种群数目进行动态控制,并提出一种新颖的动态种群控制框架。其次,通过将动态网络下的社团挖掘问题转化为多目标优化问题,利用网络平滑性框架,同时考虑动态网络下的社团结构质量和稳定程度。提出一种改进的粒子群优化算法,采用标签传播和遗传操作提高粒子群的多样性。最后,采用网络平滑性框架,提出一种基于自编码器的算法,把动态网络非线性映射为低维表示特征,提升挖掘出的社团结构的鲁棒性。所提出的三个算法在基准和真实数据上进行对比实验,从准确度、鲁棒性和收敛速度方面均证明算法的有效性。（2）如何高效进行网络资源分配:本文针对突发公共卫生安全事件下的医疗资源分配问题,提出高危人群和受感染程度两个目标,为深圳疾控中心提出合理的医疗资源分配策略。首先,通过将资源分配的决策问题转化为多目标优化问题,采用改进的粒子群算法进行求解。之后,通过建立高危人群和受感染程度两个目标,平衡高危人群的异质性和感染的严重程度,生成医疗资源的合理分配策略。最后,通过深圳市人口统计和感染程度数据,得出各个区域的合理分配策略。综上,本文基于网络科学,结合群体智算法和自编码器理论进行静态和动态网络社团挖掘,并利用深圳数据对医疗资源分配提供合理的建议。同时,通过大量实验证明了所提出的算法的有效性。
党向盈[3]（2020）在《变异分支驱动的软件测试数据进化生成理论与方法》文中指出软件测试是软件开发生命周期中的一个重要过程,其目的是通过检测尽可能多的缺陷来保证软件质量。变异测试是一种面向缺陷的测试技术,一个变异语句对应一个缺陷,包含这些变异语句的新程序称为变异体。变异分支是基于变异测试的必要条件,由被测语句和它的变异语句构成。变异测试是一种评估测试集充分性的典型技术,也常常用于辅助生成测试数据。一般情况下,在进行软件测试时,程序的输入作为需要生成的测试数据。遗传算法一直被广泛的应用于高效生成测试数据。多种群遗传算法是一种高性能的遗传算法,它的种群由多个子种群组成的,种群的个体具有潜在的并行性,使得它在软件测试中具有更强的处理能力和效率。在进行变异测试时,往往生成大量的变异体,不仅导致高昂的测试代价,而且生成杀死这些变异体的测试数据也是一项艰巨的任务,尤其对于难杀死的变异体（顽固变异体）。针对以上问题,本文研究变异分支驱动的软件测试数据进化生成理论与方法。首先,针对覆盖众多变异分支的测试数据难生成问题,以变异分支之间相关性的知识为驱动,提出一种变异分支构建可执行路径的测试数据进化生成方法。该方法基于变异分支之间的执行相关性,形成若干新变异分支;再采用统计分析方法,基于新变异分支与被测语句构建一或多条可执行路径。由此将变异分支覆盖问题转化为路径覆盖问题。之后,建立基于路径覆盖测试数据生成的数学模型,并采用多种群遗传算法生成覆盖这些路径的测试数据。实验结果表明,所提方法能生成较少的可执行路径,且运行时间短,而且可执行路径能覆盖所有的变异分支,进而高效生成比较小的测试集。然后,借鉴上面变异分支的研究成果,针对杀死众多变异体的测试数据难生成问题,以变异分支之间相关性和变异分支自身特征的知识为驱动,提出一种变异分支模糊聚类的测试数据进化生成方法。该方法借鉴“分而治之”的思想,基于弱变异测试准则,选择杀死难度高的变异分支（顽固变异体）为聚类中心,先模糊聚类变异分支。之后建立基于分支覆盖约束的测试数据生成数学模型。再针对多个簇,基于强变异测试准则,采用多种群遗传算法生成测试数据。实验结果表明,模糊聚类方法有助于降低变异测试的执行代价;多种群遗传算法以并行方式高效生成高质量测试数据。接着,改进上面进化算法,针对顽固变异体的测试数据难生成问题,以变异分支与搜索域关联知识为驱动,提出一种变异分支覆盖难度引导的测试数据进化生成方法。该方法首先基于变异分支的覆盖难度确定变异体的顽固性。之后,建立路径约束的变异测试数据生成问题的数学模型。对于顽固变异体,考虑到能杀死它们的测试数据形成的域比较小,基于多种群协同进化遗传算法设计一种动态缩减搜索域的进化策略,生成测试数据。实验结果表明,所提评价变异体顽固性的指标是合理的;动态缩减搜索域有助于高效生成具有高质量的测试数据。最后,改进上面传统数学模型,解决覆盖多顽固变异分支测试数据难生成问题,以变异分支与输入变量之间相关性的知识为驱动,提出基于程序输入分组变异分支的测试数据进化生成方法。该方法将输入变量与变异分支相关性的判定转化为输入变量与目标路径相关性的判定;再基于相关输入分量分组变异分支。之后,针对多个变异分支组,选取相关输入变量作为决策变量,建立一种多任务测试数据生成数学模型;最后,基于多种群遗传算法生成测试数据。实验结果表明,所提方法移除不相关变量,有助于缩减搜索域;并且分组变异分支,有利于采用多任务方式生成测试数据,显着提高测试数据生成的效率。综上所述,所提理论和方法以变异分支为驱动,融合进化算法、聚类和统计分析等方法生成软件测试数据,是自动化、人工智能、应用数学,以及计算机等多个学科的有机交叉。研究内容具有明确的应用背景和产业需求,富有鲜明的新颖性和挑战性,研究成果不仅提高了软件测试数据的生成效率,保障软件产品质量,而且丰富了变异测试理论,对于软件测试具有重要的理论意义和实用价值。
孙鑫[4]（2020）在《加权社区网络划分算法的研究》文中提出复杂网络的研究自二十世纪末逐渐兴起,引起了数学、物理、计算机、社会学等科研工作者的广泛关注。社区结构的探测问题是复杂网络研究的一个重要分支。复杂网络中无权社区网络的研究已经不能满足当前对于网络分析的研究需要,而加权社区网络中边的权值表示节点之间的联系强度关系,对加权社区网络划分算法的研究有助于人们对真实网络的理解和发现加权社区网络中隐藏的信息。本文的主要研究内容如下:（1）为了提取加权社区网络中的重要节点,将网络边的权值融入结构洞理论的效率值计算中,设计了基于结构洞理论的重要节点提取算法。该算法首先将k-shell方法与改进后的结构洞效率值进行结合计算出每个节点重要程度的大小,然后根据重要程度对节点进行降序排序,从而达到提取重要节点的目的。最后在Zachary’s Karate club数据集上进行实验,结果表明,本算法比度中心性算法和接近中心性算法在提取重要节点方面的有效性显着提高。（2）针对目前基于相似度的社区网络划分算法存在的未考虑共邻节点、忽略边的权值以及时间复杂度较高等问题,设计了基于共邻节点及邻近度的加权社区网络划分算法。该算法从重要节点出发,结合加权后的局部模块度,通过聚类的方法进行加权社区网络划分。在仿真数据集以及真实数据集上进行实验,结果表明,对于仿真数据集,本算法运行时间比CRMA算法降低了 2.86%;对于Zachary’s Karate club数据集,本算法划分后的社区模块度比CRMA算法提高了4.51%。（3）为了提高加权社区网络划分算法的准确性,在基于共邻节点及邻近度的加权社区网络划分算法的基础上设计了基于遗传算法的加权社区网络划分算法。该算法将合并算子和拆分算子融合到遗传操作中,把加权后的模块度函数作为适应度函数,用寻优算子寻求最优解。在海豚网络数据集上进行实验,在模块度方面,本算法比加权FN算法提高了 4.15%,比WGN算法提高了8.85%,提高了加权社区网络划分算法的准确性。
王微微[5]（2020）在《基于Web应用前后端融合的测试用例集演化生成研究》文中研究指明随着Web技术的普及与快速发展,Web应用已渗透到人类社会的各个方面,为人们提供方便快捷的服务。然而,由于Web应用软件数量和复杂程度的急剧上升,自身及运行环境的脆弱性,Web应用的安全性不容乐观。因此,如何减少Web应用的安全威胁,提高其安全性,是当前互联网安全面临的关键问题。软件测试是一种广泛使用的安全性验证技术。但Web应用前后端分离、异步通信及事件驱动等特性,使得传统的软件安全测试方法不再适用,给Web应用安全测试带来了新的挑战。目前关于Web应用的安全测试主要集中在基于前端模型的测试和面向后端代码的测试两方面。基于前端模型的测试研究大多以模型自身状态/迁移/迁移序列为测试覆盖目标,探讨测试用例自动生成,未见模型以外的目标指导。但仅从前端模型出发而不考虑后端代码的测试用例生成,其测试用例对后端代码的覆盖率极低,难以检测Web应用后端安全漏洞。此外,目前Web应用的前端行为模型主要关注Web页面和事件,忽略了事件触发条件与页面之间的关系以及由用户事件回调或服务器消息引发的参数或DOM元素变化,难以准确、完整地表示现代Web应用,基于模型生成的测试用例难以对现代Web应用进行有效测试。面向后端代码的Web应用测试研究要么通过覆盖后端代码来提高其安全性,要么尝试向后端代码注入恶意数据来检测其是否存在漏洞。但此类方法均未考虑Web应用的前端行为,难以分析检测复杂的安全问题。此外,由于Web应用是事件驱动型程序,仅考虑后端代码的测试用例生成,其事件序列需人工构造,不利于Web应用测试用例生成的自动化。因此,从前后端两方面,探讨Web应用安全测试用例生成十分必要。另一方面,测试用例并行化生成能充分利用系统资源,提高测试生成效率。因此,探讨Web应用测试用例并行化生成是提升其生成效率的一种有效途径。再者,目前的恶意数据生成方法大都基于已有的攻击向量,对新型未知漏洞的检测能力较低。因此,研究面向漏洞检测的Web应用恶意数据生成也极为重要。为此,本文提出一种前后端融合的Web应用安全测试用例集Memetic演化生成方法,以提高Web应用的安全性。主要工作和贡献包括以下四方面:（1）现代Web应用前端行为模型的构建及优化基于模型的测试为Web应用安全测试提供了一种有效的解决方案。本文定义了一种新的Web应用前端行为模型CBM（Client-side Behavior Model）,以解决现代Web应用的模型表示问题;提出一种新的用户行为轨迹表征及收集方法,以获取Web应用动态行为;在此基础上,探讨基于用户行为轨迹的CBM模型构建及优化,为基于模型的Web应用测试用例生成奠定基础。（2）前后端融合的Web应用安全测试用例集Memetic演化生成测试用例生成在Web应用测试中至关重要。然而现有的测试生成研究大多仅从Web应用前端或后端生成测试用例,未考虑前后端之间的交互,导致其生成的测试用例难以有效检测复杂漏洞。为此,本文提出一种前后端融合的Web应用测试用例Memetic演化生成方法,即针对Web应用后端易受攻击的脆弱路径,借助于混合搜索Memetic演化算法从前端CBM模型生成测试用例,对后端脆弱路径进行检测。此外,由于CBM模型为Web应用前端行为的抽象表示,其测试用例不能直接模拟用户操作驱动Web应用执行。因此,本文提出一种面向CBM测试用例的脚本自动生成方法,将CBM测试用例自动转换为可执行测试脚本。实验结果表明,前后端融合的Web应用测试用例演化生成能从前端CBM模型上自动生成测试用例覆盖后端脆弱路径,可有效地对Web应用安全漏洞进行检测。（3）Web应用测试用例集并行化演化生成将Memetic种群搜索算法应用于前后端融合的Web应用测试用例生成,由于个体执行需模拟用户在浏览器上的操作,个体的串行执行会频繁启动浏览器,且个体的适应度值计算也较为耗时,测试用例生成的时间开销较大。因此,本文将种群并行化计算引入到前后端融合的Web应用测试用例演化生成中,通过设计新的线程池模型及调度逻辑、并行管理多浏览器进程以及反向代理获取后端脆弱路径覆盖,实现种群个体在多浏览器上的并行执行及适应度值的并行计算。实验结果表明,并行化测试生成能更充分地利用系统资源,极大地提升了 Web应用测试用例生成效率。（4）面向漏洞检测的Web应用前端模型恶意数据生成前后端融合的Web应用测试用例集演化生成旨在覆盖脆弱路径,生成的测试用例对后端安全漏洞的检测能力有限。因此,本文探讨一种基于数据挖掘与遗传算法的恶意数据生成方法,通过挖掘后端脆弱路径的漏洞特征及恶意数据之间的关联关系,构建漏洞预测模型,为恶意数据生成提供指导;设计攻击模式,为种群初始化及遗传算子设计提供依据,使得恶意数据在进化过程中保有攻击性。实验结果表明,该漏洞预测模型可有效指导恶意数据的生成,生成的恶意数据可有效检出Web应用安全漏洞。
徐潇灵[6]（2020）在《基于三层网格的配电网分层优化与网架优化研究与应用》文中进行了进一步梳理配电网规划在电网规划建设中占据十分重要的地位,是保证电网安全、可靠、优质和经济的重要前提。本文基于配电网三层网络规划问题,着重要研究在网格化规划流程下配电网的分层优化以及网架规划优化。在分层优化上,给出了一个“用电单元-供电单元-供电网格”完整的三层网格结构。且本文着重针对三层网格中的供电单元网格的划分进行优化改进,改进重点如下:首先,本文采用改进的k-means聚类算法,对规划区域内的供电区块进行划分。引入网格动态减少法确定初始负荷中心避免传统k-means过于依赖初始负荷中心的问题。并引入负荷权重因子,使各供电区块之间的负荷保持相对平衡;其次,本文采用匈牙利算法,匹配几个相邻区域供电区块形成供电单元,得到的供电单元具有最佳互联方式。在网架优化上,基于前人配电网网架规划的研究,本文对传统遗传算法用于配电网网架规划进行改进。改进算法根据图论的知识,采用生成树算法计算出备选网络作为初始解,这一步筛选掉了 99%以上的不可行解,大大提高了算法效率;且根据生成树算法的思想,设计独有的杂交算子和变异算子,使得变异过程与杂交过程生成的网络为辐射型网络,算法的寻优能力大为增强。且结合模拟退火操作,在略微降低收敛速度的情况下,局部搜索能力加强,更适合找到全局最优解。引入全寿命周期下的配电网网架规划,既考虑经济性也兼顾可靠性,使整个效益在全寿命周期下达到最优。最后,论文以FZ市高新区为例,将网格优化与网架优化的所有算法应用于配电网规划问题,通过实际算例验证了算法的有效性。
高广顺[7]（2020）在《基于粒子群优化的多目标粒子滤波检测前跟踪算法研究》文中提出在多雷达多目标联合检测跟踪问题中,及时正确发现目标并提高其跟踪精度是国内外研究者们研究的主要任务和热点。基于粒子滤波的检测前跟踪算法是一种经典的检测前跟踪算法,该算法依靠一组带权值的粒子来近似目标状态的后验概率密度函数,不受非线性非高斯条件的限制,有广泛的适应性,是多雷达多目标联合检测跟踪算法中的一个重要方向,具有重要理论研究意义和国防军事价值。在对多个信噪比相差较大目标的检测跟踪中,传统的基于粒子滤波的检测前跟踪算法在进行粒子群重采样时,容易将高权值粒子大量复制,导致只检测到信号强度较高的目标,遗漏信号强度相对较弱目标,造成漏检情况,或者将低权值粒子大量采样,导致虚假目标出现。为了提高多雷达多目标检测跟踪问题中的目标正确检测率,本论文在双层粒子滤波算法结构的基础上,针对基于粒子滤波的多雷达多目标检测前跟踪算法进行研究,主要工作如下:1.首先介绍了基于粒子滤波检测前跟踪算法的基本原理,目标运动模型和雷达观测模型,并描述了多雷达单目标粒子滤波检测前跟踪算法的具体实现步骤。2.提出了一种基于自适应遗传操作的多雷达多目标检测前跟踪算法（IGPF-T BD）,用于改善目标信号强度相差较大时的目标漏检问题。算法受遗传算法启发,通过自适应遗传操作产生新生粒子,提高粒子分布多样性。并使用锦标赛选择方法,以粒子权值的相对值作为选取粒子的标准,增加较高权值粒子的采样概率,避免高权值粒子大量复制,从而改善目标漏检情况。仿真结果表明,相比传统多雷达多目标粒子滤波检测前跟踪算法,该算法可以在目标信噪比相差较大时,有效检测到信噪比小的目标。3.提出了一种基于粒子群融合的多雷达多目标粒子滤波检测前跟踪算法（PSFPF-TBD）,用来提高多雷达多目标检测前跟踪算法的目标跟踪精度。算法设计了一种粒子群融合思想,用于新检测目标的粒子群和已发现目标的粒子群的有机融合,通过合理保留两类粒子群的优势粒子,改善目标跟踪粒子群状态,提高目标跟踪精度。仿真结果表明,相比传统多雷达多目标粒子滤波检测前跟踪算法,该算法可以有效提高目标跟踪精度。4.提出一种混合多雷达多目标检测前跟踪算法（HMPF-TBD）,用于改善多雷达多目标检测前跟踪问题中的目标漏检问题并提高跟踪精度。该算法在双层粒子滤波结构的基础上,通过将IGPF-TBD和PSFPF-TBD的算法结构进行有机融合,结合两种算法优点,仿真结果表明,该混合算法可以改善目标正确检测率和目标跟踪精度。
张永鹏[8]（2020）在《带随机需求的绿色物流多目标优化问题研究》文中提出车辆路径问题（VRP）是运筹学里一个重要的研究方向,且被广泛应用在许多实际场景中。尤其在社会经济高速发展的今天,高效求解车辆路径问题对企业经济绿色健康发展具有重要意义。随着社会进步,物流运输也迎来变革。具有确定性需求的车辆路径问题无法再满足实际的市场需求。继而,具有随机需求的车辆路径问题（VRPSD）成为学者们的研究重点。同时,只考虑优化成本花费已经无法满足现今新型物流运输的要求,保证高质量服务也成为物流运输的一大准则。因此,需要通过多目标优化算法求解VRPSD,从而得到满足多个目标的较均衡的解。基于遗传算法的多目标寻优策略已经广泛在各领域,包括VRP。但传统的多目标遗传算法存在很多缺陷。其中主要缺陷为进化过程中随机性太大,种群进化方向无法调控,导致算法中大量时间花费在无意义的计算中。采用何种方法在有效地保留优良个体的同时保证种群的多样性,一直是多目标遗传算法中较难解决的问题。本文提出了一种带聚类策略的膜启发式多目标算法（MIMOA）,以更高效地求解VRPSD。本文以具有随机需求的双目标车辆路径问题为应用点,研究成果包括以下几方面内容:1)在对新型物流运输要求分析后,构建了绿色经济与高质量服务两个需求相结合的物流模型,以符合当前市场发展趋势。2)设计了一种指导策略与多目标遗传算法相结合。传统的遗传算法使用单个种群,但是种群的进化方向并不总是正确的,且算法通常会早熟收敛,陷入局部最优。MIMOA包含许多子系统（种群）,并使用指导策略来控制子系统的发展方向。指导策略的设计参考了皮肤膜控制策略[1]。通过指导策略,控制子系统收集操作子系统的优质解集并合理反馈回各个子系统,从而调整操作子系统的进化方向。这样,不同子系统间可以交换一部分高质量解集,同时淘汰低质量的解集。多种群协同进化使算法收敛得更快,并且可以以一定概率跳出局部最优解。3)在子系统中,设计了一种聚类策略来调控进化方向。在传统的遗传算法中,无效的交叉、突变操作花费了大量的计算力,即进化后子代的解集质量比父代差。聚类策略通过增加对交叉、变异的限制,降低了无效变异的发生概率,并加快了算法的收敛速度。本文提出的膜启发式多目标算法使用真实数据进行实验,通过实验证实了其具有现实意义。现阶段算法的研究取得了一些成果,但仍考虑开发遗传算法的并行机制的潜在能力,从而使算法的计算效率进一步提升,这一点有待研究。
邹政[9]（2020）在《基于行车噪声的交通运行状态评价》文中研究说明当前,交通拥堵问题愈演愈烈,已成为全世界人民出行面临的主要问题,亟待解决。而及时、有效的交通运行状态检测,对政府部门的宏观调控、交通管理者的方案施行以及居民出行决策的制定具有重要现实意义。本文通过分析行车噪声数据对交通运行状态的评价进行了研究,针对传统行车噪声特征以及传统识别算法在交通运行状态评价中的不足,提出了三种不同的改进方法。为了验证三种改进评价方法的有效性,利用声音采集设备采集了城市道路同一个四车道路段的行车噪声数据,在实验中对比了改进评价方法和传统评价方法的评价结果,同时也对比了不同改进评价方法的评价结果。具体研究如下:（1）以传统的梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）作为不同交通运行状态的识别特征,结合传统粒子群优化算法（Particle Swarm Optimization,PSO）和支持向量机（Support Vector Machine,SVM）分类器对交通运行状态进行了初步识别,并通过实验结果分析了复杂噪声环境下传统MFCC特征和传统PSO算法优化SVM分类器参数在交通运行状态评价中存在的局限性。（2）针对传统MFCC特征在复杂噪声环境下对交通运行状态表征能力较弱的问题,探索性地将Teager能量算子（Teager Energy Operator,TEO）引入到行车噪声特征提取中。将TEO和传统的MFCC特征相结合,形成一种新的行车噪声特征T-MFCC,并提出了基于T-MFCC和PSO-SVM的交通运行状态评价方法。实验结果表明:基于T-MFCC和PSO-SVM的交通运行状态评价方法优于基于MFCC和PSO-SVM的交通运行状态传统评价方法,评价准确率提高了3.685%。（3）针对传统PSO算法在优化SVM惩罚参数与径向基核函数参数时存在的容易早熟收敛和陷入局部最优的问题,定义了一些新的参数,并引入遗传算法（Genetic Algorithm,GA）和K均值聚类（K Means Clustering,KMC）对PSO算法进行了改进,改进后的PSO算法命名为GK-PSO,将GK-PSO算法用于SVM参数寻优,实验结果表明:基于MFCC和GK-PSO-SVM的交通运行状态评价方法的评价准确率相比传统评价方法提高了1.340%,相比（2）中改进方法降低了2.345%。（4）将T-MFCC特征和GK-PSO算法优化的SVM分类器进行结合,提出了基于T-MFCC和GK-PSO-SVM的交通运行状态评价方法,并通过实验对比了四种不同评价方法（含传统方法）的评价准确率,实验结果表明:基于T-MFCC和GK-PSO-SVM的评价方法的评价准确率相比传统方法提高了4.690%,相比（2）中改进方法提高了1.005%,相比（3）中改进方法提高了3.350%。
陈雪娇[10]（2020）在《基于进化计算的多目标优化问题求解》文中认为现实世界中的工程项目,科学问题研究以及日常生活中都存在各种各样的优化问题,而多目标优化问题（MOOP）则更广泛地应用于各个领域。旅行商问题和社团挖掘问题分别是多目标优化问题应用于图论和复杂网络领域的代表性应用实例之一。（1）针对基于遗传算法求解多目标旅行商问题时,存在容易早熟,缺乏多样性,且获得的解分布不均匀等问题,本文提出了一种基于遗传算法的多头绒泡菌自然启发式计算模型。首先,利用多头绒泡菌计算模型（PCM）的先验知识,即能够找到两个源点之间的最短路径,将其模型的结果作为求解旅行商问题的先验知识,应用于遗传算法的种群初始化优化中以提高潜在解的比例,从而增加初始种群质量。该策略可以有效提高收敛速度和改善解的分布,从而使算法尽快达到最优解。然后,为了有效地平衡帕累托解集的收敛性和多样性,在遗传操作中添加爬山法作为局部算子,从而增加个体多样性,扩展解的探索空间以避免算法陷入局部最优。最后,在不同的人工数据集和真实数据集上分别进行仿真实验。实验结果表明本文提出的算法与其他算法能够得到更优的帕累托前沿面,且解的分布范围更广、质量更优。本文所提算法能够表现出更好的收敛速度、多样性保留和局部搜索能力,从而更容易找到全局最优解。（2）针对多层网络社团挖掘问题,为了有效地平衡各层网络的社团结构,从而获得高质量的复合社团,本文将多层网络社团挖掘问题转化为多目标优化问题,从而提出一种新的基于遗传算法的多目标优化算法NSGAMOF来求解多层网络社区挖掘。为了克服一些现有基于优化的算法易于陷入局部最优且难以应用于高维网络的不足,在NSGAMOF算法中,将多层网络中各层的目标函数都作为优化目标,并迭代优化每个目标函数。为了克服局部最优解,将局部搜索设计为遗传操作中的局部算子。特别地,在根据评估目标函数形成的目标空间中,三种不同的最优解选择策略用来确定最优的复合社团结构。最后,在人工网络与真实世界网络的实验结果表明该算法在多层网络中表现出了比较优越的性能。特别是当层数和网络结构不断变化时,算法仍然可以检测到高质量的社区,从而有效避免陷入局部最优解。同时,实验结果表明该算法可用于高维多层网络。
二、一种基于遗传操作的聚类算法（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、一种基于遗传操作的聚类算法（论文提纲范文）
（1）基于无人机协同的多任务动态分配方法研究（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 国内外研究现状及发展趋势 |
| §1.3 论文的主要研究内容及组织结构 |
| 第二章 多无人机多任务动态分配问题描述与建模 |
| §2.1 多无人机多任务动态分配概述 |
| §2.2 多任务动态分配问题描述 |
| §2.3 多任务动态分配问题模型建立 |
| §2.4 多无人机多任务动态分配约束条件 |
| §2.5 多无人机多任务动态分配算法 |
| §2.5.1 k-means聚类算法 |
| §2.5.2 遗传算法 |
| §2.5.3 深度强化学习算法 |
| §2.6 本章小结 |
| 第三章 基于改进遗传算法的多无人机任务静态初分配 |
| §3.1 多无人机任务静态初分配概述 |
| §3.2 多无人机任务静态初分配模型设计 |
| §3.2.1 任务初分配的问题描述 |
| §3.2.2 任务初分配的目标函数 |
| §3.2.3 任务初分配的约束条件 |
| §3.3 多无人机任务静态初分配算法 |
| §3.3.1 多无人机任务静态初分配算法框架 |
| §3.3.2基于k-means聚类算法的任务点聚类 |
| §3.3.3 基于遗传算法的任务内路径规划 |
| §3.3.4 基于改进遗传算法的子任务分发 |
| §3.4 实验仿真环境建立 |
| §3.5 实验结果分析 |
| §3.6 本章小结 |
| 第四章 基于深度强化学习的多无人机任务动态再分配 |
| §4.1 多无人机任务动态再分配概述 |
| §4.2 多无人机任务动态再分配模型设计 |
| §4.2.1 任务再分配问题描述 |
| §4.2.2 任务再分配目标函数 |
| §4.2.3 任务再分配约束条件 |
| §4.3 多无人机任务动态再分配算法研究 |
| §4.3.1 深度强化学习算法概述 |
| §4.3.2 算法整体框架 |
| §4.3.3 算法参数设置 |
| §4.3.4 算法步骤 |
| §4.4 实验仿真环境建立 |
| §4.5 实验结果分析 |
| §4.6 本章小结 |
| 第五章 总结与展望 |
| §5.1 全文的研究工作与成果 |
| §5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（2）网络社团结构挖掘与有限资源分配策略研究（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 研究出发点 |
| 1.3 研究内容及创新点 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.4 论文组织结构 |
| 第2章 相关理论基础 |
| 2.1 问题描述 |
| 2.1.1 社团结构的定义 |
| 2.1.2 资源分配的定义 |
| 2.2 方法描述 |
| 2.2.1 生物启发式的群智能算法 |
| 2.2.2 自编码器算法 |
| 第3章 基于蚁群算法的静态网络社团挖掘 |
| 3.1 问题定义 |
| 3.2 基于动态种群控制框架的蚁群算法 |
| 3.2.1 基于蚁群的社团挖掘算法 |
| 3.2.2 动态种群控制框架 |
| 3.3 数值实验及性能分析 |
| 3.3.1 数据集 |
| 3.3.2 实验结果及性能分析 |
| 3.4 本章小结 |
| 第4章 基于粒子群算法的动态网络社团挖掘 |
| 4.1 问题定义 |
| 4.2 基于粒子群的动态网络社团挖掘 |
| 4.2.1 基于标签传播的初始化 |
| 4.2.2 遗传操作 |
| 4.2.3 粒子群优化算法 |
| 4.3 数值实验及性能分析 |
| 4.3.1 数据集 |
| 4.3.2 评估指标 |
| 4.3.3 实验结果及性能分析 |
| 4.4 本章小结 |
| 第5章 基于自编码器算法的动态网络社团挖掘 |
| 5.1 问题定义 |
| 5.2 进化自编码器算法 |
| 5.2.1 相似度矩阵 |
| 5.2.2 基于进化自编码器的动态社团挖掘算法 |
| 5.3 数值实验及性能分析 |
| 5.3.1 数据集 |
| 5.3.2 评估指标 |
| 5.3.3 实验结果及性能分析 |
| 5.4 本章小结 |
| 第6章 基于粒子群算法的资源分配策略 |
| 6.1 问题定义 |
| 6.2 基于粒子群算法的资源分配策略 |
| 6.3 数值实验及性能分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来工作 |
| 参考文献 |
| 致谢 |
| 硕士期间发表的论文和主持、参与的课题 |
（3）变异分支驱动的软件测试数据进化生成理论与方法（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究动机 |
| 1.2 研究目标 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 1.5 成果及意义 |
| 1.6 论文框架 |
| 1.7 本章小结 |
| 2 相关工作 |
| 2.1 变异测试 |
| 2.2 变异分支 |
| 2.3 软件测试数据生成 |
| 2.4 聚类 |
| 2.5 多种群遗传算法 |
| 2.6 本章小结 |
| 3 变异分支构建可执行路径的测试数据进化生成 |
| 3.1 研究动机 |
| 3.2 整体框架 |
| 3.3 变异分支构建可执行路径 |
| 3.4 基于路径覆盖的测试数据生成数学模型 |
| 3.5 基于MGA覆盖多路径测试数据生成 |
| 3.6 实验 |
| 3.7 本章小结 |
| 4 变异分支模糊聚类的测试数据进化生成 |
| 4.1 研究动机 |
| 4.2 整体框架 |
| 4.3 模糊聚类变异分支 |
| 4.4 基于分支覆盖约束的测试数据生成数学模型 |
| 4.5 基于MGA测试数据有序生成 |
| 4.6 实验 |
| 4.7 本章小结 |
| 5 变异分支覆盖难度引导的测试数据进化生成 |
| 5.1 研究动机 |
| 5.2 整体框架 |
| 5.3 确定变异分支覆盖难度 |
| 5.4 基于路径覆盖约束的测试数据生成数学模型 |
| 5.5 基于CGA的搜索域动态缩减测试数据生成 |
| 5.6 实验 |
| 5.7 本章小结 |
| 6 基于程序输入分组变异分支的测试数据进化生成 |
| 6.1 研究动机 |
| 6.2 整体框架 |
| 6.3 基于程序输入分组变异分支 |
| 6.4 基于相关输入变量的测试数据生成数学模型 |
| 6.5 基于MGA多任务测试数据生成 |
| 6.6 实验 |
| 6.7 本章小结 |
| 7 结论 |
| 7.1 本文所做工作 |
| 7.2 需要进一步研究的问题 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）加权社区网络划分算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 研究现状 |
| 1.2.2 发展趋势 |
| 1.3 研究内容及研究路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究路线 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 2 常见社区网络划分算法及其评价指标 |
| 2.1 加权社区网络 |
| 2.2 常见社区划分算法 |
| 2.2.1 基于图分割和分裂的算法 |
| 2.2.2 基于模块度优化的算法 |
| 2.2.3 遗传算法 |
| 2.2.4 其他算法 |
| 2.3 社区划分算法评价指标 |
| 2.3.1 标准化互信息 |
| 2.3.2 模块度 |
| 2.3.3 调整兰德系数 |
| 2.4 本章小结 |
| 3 基于结构洞理论的重要节点提取 |
| 3.1 问题分析 |
| 3.2 结构洞理论基本原理 |
| 3.3 重要节点提取相关算法 |
| 3.3.1 度中心性 |
| 3.3.2 接近中心性 |
| 3.3.3 K-shell分解法 |
| 3.3.4 其他算法 |
| 3.4 基于结构洞理论的重要节点提取算法设计 |
| 3.4.1 基本思想 |
| 3.4.2 结构洞效率值的计算 |
| 3.4.3 基本步骤 |
| 3.5 实验与结果分析 |
| 3.5.1 实验环境 |
| 3.5.2 数据来源 |
| 3.5.3 实验方案 |
| 3.5.4 实验结果分析 |
| 3.6 本章小结 |
| 4 基于共邻节点及邻近度的加权社区网络划分 |
| 4.1 问题分析 |
| 4.2 节点相似度计算 |
| 4.2.1 欧氏距离 |
| 4.2.2 夹角余弦 |
| 4.2.3 基于邻接点的相似度计算 |
| 4.3 相关定义 |
| 4.4 基于共邻节点及邻近度的加权社区网络划分算法设计 |
| 4.4.1 基本思想 |
| 4.4.2 局部模块度的计算 |
| 4.4.3 基本步骤 |
| 4.5 实验与结果分析 |
| 4.5.1 实验环境 |
| 4.5.2 数据来源 |
| 4.5.3 评价指标 |
| 4.5.4 实验结果分析 |
| 4.6 本章小结 |
| 5 基于遗传算法的加权社区网络划分 |
| 5.1 问题分析 |
| 5.2 基于遗传算法的加权网络社区划分算法设计 |
| 5.2.1 基本思想 |
| 5.2.2 编码方式 |
| 5.2.3 种群初始化 |
| 5.2.4 适应度函数 |
| 5.2.5 遗传操作 |
| 5.2.6 基本步骤 |
| 5.3 实验与结果分析 |
| 5.3.1 实验环境 |
| 5.3.2 数据来源 |
| 5.3.3 评价指标 |
| 5.3.4 实验方案 |
| 5.3.5 实验结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）基于Web应用前后端融合的测试用例集演化生成研究（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 |
| 1.2.1 基于Web应用前端模型的测试用例生成 |
| 1.2.2 面向Web应用后端代码的测试用例生成 |
| 1.2.3 基于搜索的Web应用测试用例生成 |
| 1.2.4 基于Memetic演化算法的测试用例生成 |
| 1.3 Web应用测试用例生成研究所面临的主要问题 |
| 1.3.1 前端模型表示问题 |
| 1.3.2 测试用例生成质量问题 |
| 1.3.3 测试用例生成效率问题 |
| 1.4 研究内容和主要创新之处 |
| 1.4.1 研究内容 |
| 1.4.2 创新之处 |
| 1.5 本文组织结构 |
| 第二章 Web应用测试相关技术 |
| 2.1 Web应用的模型构建及基于模型的Web应用测试 |
| 2.1.1 Web应用的常见前端模型 |
| 2.1.2 基于静态/动态分析的Web应用模型构建 |
| 2.1.3 基于模型的Web应用测试用例生成 |
| 2.2 Web应用后端代码分析技术 |
| 2.2.1 后端代码的静态分析 |
| 2.2.2 后端代码的动态分析 |
| 2.3 基于搜索的测试用例自动生成技术 |
| 2.3.1 基于全局搜索的测试用例生成 |
| 2.3.2 基于局部搜索的测试用例生成 |
| 2.3.3 全局+局部的Memetic演化搜索测试用例生成 |
| 2.4 基于全局/局部搜索的Web应用测试用例生成 |
| 2.5 基于搜索并行化的测试用例生成技术 |
| 第三章 现代Web应用前端行为模型构建 |
| 3.1 现代Web应用的特点 |
| 3.1.1 现代Web应用的页面及事件构成 |
| 3.1.2 传统用户行为轨迹表示 |
| 3.2 现有Web应用模型表示的不足 |
| 3.3 种现代Web应用前端行为模型定义及表示 |
| 3.3.1 Web应用前端行为模型(CBM)定义 |
| 3.3.2 CBM状态及迁移表示 |
| 3.4 基于用户行为轨迹的Web应用CBM模型构建及优化框架 |
| 3.4.1 Web应用用户行为轨迹获取及最小化 |
| 3.4.2 基于用户行为轨迹的CBM模型构建及优化 |
| 3.5 Web应用用户行为轨迹trace获取及最小化 |
| 3.5.1 用户行为轨迹trace的表征 |
| 3.5.2 trace充分性准则设计 |
| 3.5.3 基于动态分析的trace收集 |
| 3.5.4 基于充分性准则的trace补全及最小集生成 |
| 3.6 基于trace的Web应用前端CBM模型构建 |
| 3.6.1 trace的CBM状态与迁移识别 |
| 3.6.2 Web应用CBM模型构建 |
| 3.7 Web应用前端CBM模型的优化 |
| 3.7.1 CBM模型等价状态与等价迁移的定义 |
| 3.7.2 等价状态与迁移的识别及合并 |
| 3.7.3 CBM模型优化前后的等价性证明 |
| 3.8 CBM模型的有效性分析及验证 |
| 3.8.1 被测程序及实验设计 |
| 3.8.2 用户行为轨迹trace获取及最小集生成的有效性分析 |
| 3.8.3 基于trace的CBM模型构建可行性验证 |
| 3.8.4 CBM模型优化的有效性验证 |
| 3.8.5 不同充分性的trace集合对CBM建模的影响分析 |
| 3.8.6 CBM模型构建的时间开销 |
| 3.9 本章小结 |
| 第四章 面向Web应用后端脆弱路径的前端CBM模型测试用例演化生成 |
| 4.1 Web应用前端/后端测试用例生成存在的主要问题 |
| 4.1.1 Web应用测试用例生成的质量问题 |
| 4.1.2 Web应用测试用例生成的效率问题 |
| 4.2 Web应用后端脆弱路径分析及路径集生成 |
| 4.2.1 后端脆弱路径分析 |
| 4.2.2 后端脆弱路径集生成 |
| 4.3 前后端融合的Web应用测试用例Memetic演化生成框架 |
| 4.3.1 面向后端脆弱路径的前端CBM模型测试用例Memetic演化生成 |
| 4.3.2 前端CBM测试用例的脚本生成及模拟执行 |
| 4.3.3 后端脆弱路径覆盖信息的收集 |
| 4.4 面向后端脆弱路径的CBM测试序列全局GA搜索演化生成 |
| 4.4.1 CBM测试序列的个体表示 |
| 4.4.2 基于后端脆弱路径的适应度函数设计 |
| 4.4.3 遗传算子设计 |
| 4.4.4 个体可行性判定 |
| 4.4.5 种群更新策略 |
| 4.5 CBM测试序列的输入参数局部搜索SA演化生成 |
| 4.5.1 测试序列输入参数的初始解设置 |
| 4.5.2 扰动策略设计 |
| 4.5.3 基于后端脆弱路径的能量函数设计 |
| 4.5.4 更新策略设计 |
| 4.6 前端CBM测试用例的脚本生成及后端覆盖信息的收集 |
| 4.6.1 CBM测试用例的脚本生成 |
| 4.6.2 基于源码插装的后端脆弱路径覆盖信息获取 |
| 4.7 前后端融合的Web应用测试用例Memetic演化生成算法及实现 |
| 4.8 前后端融合的Web应用测试用例Memetic演化生成实验分析 |
| 4.8.1 实验方法及参数设计 |
| 4.8.2 前后端融合的Web应用测试用例演化生成有效性评估 |
| 4.8.3 前后端融合的Web应用测试用例演化生成效率分析 |
| 4.8.4 面向CBM测试用例的脚本生成有效性分析 |
| 4.9 本章小结 |
| 第五章 前后端融合的Web应用测试用例并行化演化生成 |
| 5.1 前后端融合的Web应用测试用例串行演化生成效率分析 |
| 5.2 前后端融合的Web应用测试用例并行化演化生成的关键问题分析 |
| 5.2.1 种群个体执行时间及适应度值计算时间的差异性问题 |
| 5.2.2 多浏览器并行执行的进程复用及管理问题 |
| 5.2.3 多线程并发执行时后端覆盖信息的收集问题 |
| 5.3 前后端融合的Web应用测试用例并行化演化生成解决方案 |
| 5.3.1 浏览器进程协同的线程池模型及调度策略设计 |
| 5.3.2 反向代理及URL模糊匹配设计及应用 |
| 5.4 前后端融合的Web应用测试用例并行化演化生成实现 |
| 5.4.1 多浏览器进程并行执行及复用 |
| 5.4.2 多线程执行时个体适应度计算 |
| 5.4.3 Web应用测试用例并行化演化生成及复杂度分析 |
| 5.5 前后端融合的Web应用测试用例并行化演化生成实验及结果分析 |
| 5.5.1 被测程序及实验设计 |
| 5.5.2 Web应用测试用例并行化演化生成的有效性分析 |
| 5.5.3 Web应用测试用例并行化演化生成的效率分析 |
| 5.5.4 Web应用测试用例并行化演化生成的资源占用情况分析 |
| 5.6 本章小结 |
| 第六章 面向后端漏洞检测的Web应用前端模型恶意数据生成 |
| 6.1 面向后端脆弱路径覆盖的Web应用测试用例集漏洞检测能力分析 |
| 6.2 影响Web应用后端漏洞检测的关键因素分析 |
| 6.2.1 后端脆弱路径影响漏洞检测的因素分析 |
| 6.2.2 恶意数据影响漏洞检测的因素分析 |
| 6.3 面向后端漏洞检测的前端CBM模型恶意数据生成框架 |
| 6.3.1 基于后端脆弱路径及恶意数据的漏洞预测模型构建 |
| 6.3.2 基于漏洞预测模型的前端CBM序列恶意数据生成 |
| 6.4 基于后端脆弱路径及恶意数据的漏洞预测模型构建 |
| 6.4.1 预测目标及相关特征的确定 |
| 6.4.2 选型分析及预测模型度量指标的确定 |
| 6.4.3 漏洞预测模型的构建实现 |
| 6.5 基于漏洞预测模型的前端CBM模型恶意数据GA演化生成 |
| 6.5.1 攻击模式设计 |
| 6.5.2 前端CBM序列恶意数据的个体表示 |
| 6.5.3 基于漏洞预测模型的适应度函数设计 |
| 6.5.4 遗传算子设计 |
| 6.5.5 种群更新策略设计 |
| 6.5.6 CBM模型恶意数据GA演化生成算法及实现 |
| 6.6 面向后端漏洞的CBM模型恶意数据生成实验及结果分析 |
| 6.6.1 被测程序及实验设计 |
| 6.6.2 漏洞预测模型的准确性分析 |
| 6.6.3 基于漏洞预测模型的CBM模型恶意数据GA演化生成有效性分析 |
| 6.6.4 基于漏洞预测模型的CBM模型恶意数据GA演化生成效率分析 |
| 6.6.5 基于漏洞预测模型的CBM模型恶意数据GA演化生成性能分析 |
| 6.7 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者简介 |
| 导师简介 |
| 附件 |
（6）基于三层网格的配电网分层优化与网架优化研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 网格化研究现状 |
| 1.2.2 网格划分 |
| 1.2.3 配电网网架优化 |
| 1.2.4 基于遗传算法的配电网规划 |
| 1.3 本论文主要工作 |
| 第2章 网格划分 |
| 2.1 网格定义及层次结构划分 |
| 2.2 网格划分思路 |
| 2.3 本章小结 |
| 第3章 基于负荷聚类及匈牙利算法的供电单元划分 |
| 3.1 负荷预测 |
| 3.2 传统k-means算法简介 |
| 3.3 基于负荷权重因子的k-means算法改进 |
| 3.4 基于匈牙利算法匹配的供电单元划分 |
| 3.4.1 匈牙利算法简介 |
| 3.4.2 供电区块匹配步骤 |
| 3.5 本章小结 |
| 第4章 基于遗传算法的配电网网架优化 |
| 4.1 基于遗传算法的分支线路径规划的改进 |
| 4.1.1 改进一:结合生成树算法 |
| 4.1.2 改进二:结合模拟退火算法 |
| 4.2 解的适应度—基于全寿命周期的网架规划成本 |
| 4.2.1 经济性成本 |
| 4.2.2 计及可靠性指标规划成本 |
| 4.2.3 约束条件 |
| 4.3 改进遗传算法的步骤 |
| 4.3.1 解的表示 |
| 4.3.2 选择操作 |
| 4.3.3 交叉操作以及变异操作 |
| 4.3.4 模拟退火操作 |
| 4.4 本章小结 |
| 第5章 数值仿真及实例分析 |
| 5.1 FZ市高新区负荷情况 |
| 5.1.1 负荷预测结果 |
| 5.1.2 预测结果校验 |
| 5.2 供电区块划分 |
| 5.3 供电单元划分 |
| 5.4 配电网网架优化 |
| 5.4.1 数据模型描述 |
| 5.4.2 结果分析 |
| 5.4.3 算法对比与分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（7）基于粒子群优化的多目标粒子滤波检测前跟踪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 检测前跟踪技术现状 |
| 1.2.2 基于粒子滤波的检测前跟踪现状 |
| 1.3 论文的主要研究内容和章节安排 |
| 第2章 基于粒子滤波的检测前跟踪理论基础 |
| 2.1 引言 |
| 2.2 粒子滤波理论 |
| 2.2.1 贝叶斯滤波理论 |
| 2.2.2 序贯重要性采样 |
| 2.2.3 重采样方法 |
| 2.2.4 采样重要性重采样方法 |
| 2.3 单雷达单目标PF-TBD模型及算法原理 |
| 2.3.1 单目标运动模型 |
| 2.3.2 CV模型 |
| 2.3.3 CA模型 |
| 2.3.4 CT模型 |
| 2.3.5 雷达观测模型 |
| 2.3.6 单雷达单目标PF-TBD算法原理 |
| 2.4 多雷达单目标PF-TBD模型及算法原理 |
| 2.4.1 单目标运动模型 |
| 2.4.2 多雷达观测模型 |
| 2.4.3 多雷达单目标PF-TBD算法原理 |
| 2.5 仿真及性能分析 |
| 2.6 小结 |
| 第3章 基于自适应遗传操作的多雷达多目标PF-TBD算法 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于双层粒子滤波的多雷达多目标检测前跟踪算法 |
| 3.3.1 基于双层粒子滤波的多雷达多目标检测前跟踪算法结构 |
| 3.3.2 基于双层粒子滤波的多雷达多目标检测前跟踪算法步骤 |
| 3.3.3 目标跟踪层 |
| 3.3.4 目标检测层 |
| 3.3.5 仿真及性能分析 |
| 3.4 基于自适应遗传操作的多雷达多目标检测前跟踪算法 |
| 3.4.1 自适应遗传操作 |
| 3.4.2 锦标赛选择重采样 |
| 3.4.3 基于自适应遗传操作的多雷达多目标PF-TBD算法描述 |
| 3.4.4 目标跟踪层 |
| 3.4.5 目标检测层 |
| 3.4.6 新目标验证模块与输出模块 |
| 3.5 仿真及性能分析 |
| 3.6 小结 |
| 第4章 基于粒子群融合的多雷达多目标检测前跟踪算法 |
| 4.1 引言 |
| 4.2 基于双层粒子滤波的多雷达多目标检测前跟踪算法 |
| 4.2.1 目标运动模型和雷达观测模型 |
| 4.2.2 粒子群融合 |
| 4.2.3 基于粒子群融合的多雷达多目标PF-TBD算法描述 |
| 4.3 基于粒子群融合检测前跟踪算法具体实现步骤 |
| 4.3.1 目标跟踪层 |
| 4.3.2 目标检测层 |
| 4.3.3 新目标验证模块 |
| 4.4 仿真及性能分析 |
| 4.5 混合多雷达多目标粒子滤波检测前跟踪算法 |
| 4.5.1 算法实现步骤 |
| 4.5.2 目标跟踪层 |
| 4.5.3 目标检测层 |
| 4.5.4 新目标验证模块 |
| 4.5.5 仿真及性能分析 |
| 4.6 小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读研期间发表的学术论文及参加的科研项目 |
（8）带随机需求的绿色物流多目标优化问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.3 论文主要工作与安排 |
| 1.4 本章小结 |
| 第2章 VRPSD模型与多目标优化 |
| 2.1 随机需求车辆路径问题数学模型 |
| 2.2 多目标优化的基本概念 |
| 2.2.1 模型定义 |
| 2.2.2 多目标优化问题的解 |
| 2.2.3 多目标进化算法 |
| 2.2.4 带精英策略的非支配排序遗传算法 |
| 2.2.5 算法性能评价指标 |
| 2.3 本章小结 |
| 第3章 VRPSD的多目标优化模型设计 |
| 3.1 带时间窗的VRPSD |
| 3.2 时间窗约束转化为服务质量 |
| 3.3 双目标VRPSD模型设计 |
| 3.4 本章小结 |
| 第4章 带聚类策略的膜启发式多目标算法 |
| 4.1 染色体编码 |
| 4.2 子系统中算法 |
| 4.2.1 客户节点聚类 |
| 4.2.2 解集初始化 |
| 4.2.3 评估与选择 |
| 4.2.4 路线交叉操作 |
| 4.2.5 变异 |
| 4.2.6 局部搜索 |
| 4.3 指导策略 |
| 4.4 算法流程 |
| 4.5 实验与结论 |
| 4.5.1 数据集描述 |
| 4.5.2 聚类策略的性能 |
| 4.5.3 指导策略的性能 |
| 4.5.4 MIMOA的性能 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（9）基于行车噪声的交通运行状态评价（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外研究综述 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 基于MFCC和 PSO-SVM的交通运行状态评价 |
| 2.1 行车噪声预处理 |
| 2.1.1 分帧 |
| 2.1.2 加窗 |
| 2.2 梅尔频率倒谱系数 |
| 2.2.1 快速傅里叶变换 |
| 2.2.2 梅尔滤波器组 |
| 2.2.3 离散余弦变换 |
| 2.3 支持向量机 |
| 2.3.1 支持向量机类别 |
| 2.3.2 LIBSVM工具箱 |
| 2.3.3 粒子群优化算法优化SVM |
| 2.4 实验结果及分析 |
| 2.4.1 行车噪声数据采集 |
| 2.4.2 结果及分析 |
| 2.5 本章小结 |
| 第3章 基于T-MFCC和 PSO-SVM的交通运行状态评价 |
| 3.1 Teager能量算子 |
| 3.2 主成分分析 |
| 3.2.1 基本思想 |
| 3.2.2 主成分分析模型 |
| 3.2.3 模型求解 |
| 3.3 改进的MFCC特征提取算法 |
| 3.3.1 T-MFCC特征提取算法 |
| 3.3.2 PT-MFCC特征提取算法 |
| 3.4 实验结果及分析 |
| 3.4.1 基于T-MFCC和 PSO-SVM的交通运行状态评价 |
| 3.4.2 基于PT-MFCC和 PSO-SVM的交通运行状态评价 |
| 3.4.3 结果分析 |
| 3.5 本章小结 |
| 第4章 基于MFCC和 GK-PSO-SVM的交通运行状态评价 |
| 4.1 遗传算法 |
| 4.1.1 遗传操作算子 |
| 4.1.2 算法步骤 |
| 4.2 K均值聚类 |
| 4.2.1 样本距离 |
| 4.2.2 算法步骤 |
| 4.3 基于遗传算法和K均值聚类改进的PSO算法 |
| 4.3.1 新参数定义 |
| 4.3.2 PSO算法改进 |
| 4.4 实验结果及分析 |
| 4.4.1 实验结果 |
| 4.4.2 结果分析 |
| 4.5 本章小结 |
| 第5章 基于T-MFCC和 GK-PSO-SVM的交通运行状态评价 |
| 5.1 评价流程 |
| 5.2 实验结果及分析 |
| 5.2.1 实验结果 |
| 5.2.2 结果分析 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要创新点与结论 |
| 6.2 后续研究工作及展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文及学术成果 |
| A.学术论文 |
| B.获奖情况 |
| C.国家发明专利及软件着作权 |
| D.参加的国际学术会议及科研项目 |
（10）基于进化计算的多目标优化问题求解（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关理论基础 |
| 2.1 多目标优化问题 |
| 2.1.1 多目标问题的相关定义 |
| 2.1.2 基于进化计算的多目标优化问题求解 |
| 2.2 旅行商问题 |
| 2.2.1 旅行商问题定义 |
| 2.2.2 基于多目标的旅行商问题求解 |
| 2.3 多层网络社团挖掘问题 |
| 2.3.1 多层网络社团挖掘定义 |
| 2.3.2 基于多目标的多层网络挖掘 |
| 第3章 基于多目标优化的旅行商问题求解 |
| 3.1 基于多头绒泡菌启发式NSGA-II求解BTSP |
| 3.1.1 基于GA的 BTSP求解框架 |
| 3.1.2 pNSGA-Ⅱ的算法描述 |
| 3.2 实验分析 |
| 3.2.1 实验设置 |
| 3.2.2 实验指标 |
| 3.2.3 实验结果 |
| 3.2.4 统计分析 |
| 3.2.5 计算复杂度分析 |
| 3.2.6 参数分析 |
| 3.3 本章小结 |
| 第4章 基于多目标的多层网络社团挖掘 |
| 4.1 NSGAMOF算法框架 |
| 4.1.1 编码方案 |
| 4.1.2 遗传操作 |
| 4.1.3 局部搜索操作 |
| 4.1.4 最优选择策略 |
| 4.2 实验分析 |
| 4.2.1 数据集 |
| 4.2.2 实验指标 |
| 4.2.3 实验结果 |
| 4.2.4 复杂度分析 |
| 4.2.5 收敛性分析 |
| 4.2.6 扩展性分析 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 硕士期间发表的论文和参与的课题 |
四、一种基于遗传操作的聚类算法（论文参考文献）
- [1]基于无人机协同的多任务动态分配方法研究[D]. 唐峯竹. 桂林电子科技大学, 2021(02)
- [2]网络社团结构挖掘与有限资源分配策略研究[D]. 王春雨. 西南大学, 2021(01)
- [3]变异分支驱动的软件测试数据进化生成理论与方法[D]. 党向盈. 中国矿业大学, 2020
- [4]加权社区网络划分算法的研究[D]. 孙鑫. 西安科技大学, 2020(01)
- [5]基于Web应用前后端融合的测试用例集演化生成研究[D]. 王微微. 北京化工大学, 2020(12)
- [6]基于三层网格的配电网分层优化与网架优化研究与应用[D]. 徐潇灵. 南昌大学, 2020(01)
- [7]基于粒子群优化的多目标粒子滤波检测前跟踪算法研究[D]. 高广顺. 杭州电子科技大学, 2020(02)
- [8]带随机需求的绿色物流多目标优化问题研究[D]. 张永鹏. 中国地质大学(北京), 2020(10)
- [9]基于行车噪声的交通运行状态评价[D]. 邹政. 重庆交通大学, 2020(01)
- [10]基于进化计算的多目标优化问题求解[D]. 陈雪娇. 西南大学, 2020(01)