一、并行工程中设计任务的动态调度（论文文献综述）
白天,罗永亮,刘敬,常智超,王泽[1]（2021）在《基于变作业窗深度强化学习的舰面保障动态调度方法》文中认为在高动态、高风险舰面保障环境下,极易发生不确定性干扰事件,这使得构建具备快速响应能力的舰面重调度模型来提升大型舰船舰载机的出动能力变得至关重要。通过分析舰面保障调度任务特点,利用变作业窗的单步推进方式,构建多作业并行执行的舰面保障马尔科夫决策过程（MDP）,并基于改进的深度Q值网络（Deep Q-Network,DQN）高效生成多机并行保障重调度方案。经过仿真试验验证,所提出的动态调度策略符合舰面动态调度优化需求。
李宠[2]（2021）在《空间数据中继网络中的任务调度研究》文中研究说明
毛伊敏,邓千虎,邓小鸿,刘蔚[3]（2021）在《改进的并行关联规则增量挖掘算法》文中进行了进一步梳理针对大数据环境下基于Can树（canonical order tree）的增量关联规则算法存在树结构空间占用过大、频繁模式挖掘效率不佳以及MapReduce集群并行化性能不足等问题,提出了一种基于粗糙集和归并剪枝方法改进的并行关联规则增量挖掘算法MR-PARIRM（MapReduce-based parallel association rules incremental mining algorithm using rough set and merge pruning）。首先,设计了一种基于粗糙集的相似项合并策略RS-SIM（rough set based similar item merge）对数据集的相似项进行合并处理,并根据合并后的数据进行Can树构造,从而降低树结构的空间占用;其次,提出了一种归并剪枝策略MPS（merge pruning strategy）对树结构中的传播路径进行修剪合并,通过压缩频繁模式搜索空间来加快频繁项挖掘;最后,通过动态调度策略DSS（dynamic scheduling strategy）对异构式MapReduce集群中的计算任务进行动态调度,实现了负载均衡,有效提升了集群的并行化运算能力。最终的实验仿真结果表明,MR-PARIRM在大数据环境下具有相对较好的性能表现,适用于对大规模数据进行并行化处理。
马铭阳[4]（2021）在《改进人工蜂群算法及其在柔性作业车间调度的应用研究》文中研究指明柔性作业车间是接纳上层物料、订单任务和生产状态反馈的聚集点,研究柔性作业车间的调度优化对实现智能制造具有重要意义。人工蜂群算法结构简单,鲁棒性强,适用于求解车间调度类NP难的优化问题。基于上述背景,本文对改进人工蜂群算法及其在柔性作业车间调度中的应用展开研究,主要内容如下:首先,建立以最大完成时间为目标的柔性作业车间单目标调度优化模型,提出一种变步长人工蜂群算法。采用基于概率选择交叉个体的方法,平衡算法开发与探索能力;引入搜索阈值提出变步长搜索策略,使大步长与小步长有机结合,提高算法的全局搜索能力;增加侦查蜂数量保持种群的多样性。通过Kacem数据集上的标准算例验证改进策略的有效性,与已有算法对比结果表明,所提算法具有更强的寻优能力和收敛性。其次,以最大完成时间、瓶颈机器负荷和机器总负荷为优化目标,将单目标柔性作业车间调度扩展为多目标问题。受保留解策略对算法搜索方向产生影响的启发,设计两种不同的种群更新策略,提出两阶段混合人工蜂群算法。第一阶段采用独立更新策略,保持解的分散性;第二阶段采用贪婪策略保留新种群,加快算法收敛。提出一种全局搜索能力强的改进逆序变异方法,采用多重变异策略提高种群的多样性。利用Brandimarte数据集的10个算例验证所提算法的有效性,与已有算法相比,所提算法具有更好的种群多样性和收敛性,适用于不同规模的柔性作业车间问题。最后,在传统的生产调度目标基础上,将碳排放这一生态指标纳入调度系统;同时考虑实际生产车间的复杂环境以及生产过程中随时可能出现动态事件,将稳定性也纳入优化目标,构建动态调度模型,提出一种改进的多目标人工蜂群算法。针对碳排放目标加入一种启发式变异方法,结合多重变异策略提高种群多样性。通过仿真实验验证本文算法的快速响应能力,降低动态事件对车间生产的影响,保证车间生产稳定高效运行。
和莉[5]（2021）在《基于DES-GEP的柔性流水车间组批调度方法研究》文中指出随着社会经济水平的提高,市场需求越来越趋向于产品多样化和个性化定制,现代制造模式从原来的大批量生产不断向灵活机动的多品种小批量生产模式演进。柔性流水生产能够灵活适应市场变化,实现多种产品混线作业,是离散型制造企业应对多品种小批量生产的主流方式。考虑批处理的柔性流水生产作为其一类典型的应用场景广泛应用于半导体封装等多个领域,该场景下的调度过程不仅要实现设备选择与作业排序,还要对工件进行组批,生产运营管理复杂度更高;同时实际生产过程中常出现工件随机到达、工时波动等动态事件,调度决策只能依据实时信息进行。如何针对柔性流水车间组批调度问题提出有效的基于实时生产数据的调度方法,在提高生产效率的同时及时响应生产过程的动态因素是企业亟待解决的问题。本文引入在动态调度领域应用广泛的调度规则方法,并针对该方法求解本文问题的局限性,从基于组合调度规则的模型构建及算法设计、调度规则性能评价以及调度规则自动生成三个方面展开研究,具体工作如下:（1）基于组合调度规则的柔性流水车间组批调度模型构建及算法设计。在柔性流水车间调度问题基础之上考虑不兼容工件族的批处理作业阶段,同时考虑多个产品类型混线生产,基于此问题特征构建多目标数学模型。针对调度规则考虑维度单一难以直接求解的不足,提出了基于子问题的组合调度规则构造方法,并综合考虑组合调度规则的性能评价以及组合调度规则的自动生成两部分,提出了基于DES-GEP的调度框架。（2）基于DES的FFSP-BPM组合调度规则性能评价。针对调度规则评价需要基于实时工况数据,评价模型难以构建的问题,采用离散事件仿真方法进行参数化建模,构建可复用的调度仿真模型;对嵌入时间窗策略的HFSP-BPM调度决策过程进行分析;最后通过不同规模的算例验证所提时间窗策略的有效性,得出调度规则之间具有强耦合性的结论,同时对算例参数进行显着性分析验证了所提算例设置方法的有效性。（3）基于改进GEP的组合调度规则自动生成。针对同一调度规则不能适用于任何场景的不足,提出基于改进GEP的组合调度规则自动生成算法。将经典调度规则作为端点集元素;提出基于有效长度的遗传操作;针对多目标优化问题引入NSGA-Ⅱ非支配排序方法;针对算法过早收敛,容易陷入局部最优,容易出现重复个体的不足,提出重复个体剔除算法、变邻域搜索算法以及自适应遗传算子改进策略;最后通过算例分析验证了所提改进GEP算法的有效性。
韩培钰[6]（2021）在《基于WebGIS的目标探测设备优化协同系统的研究与实现》文中进行了进一步梳理运动目标具有高度动态性和随机性,探测信息的井喷增长与实际场景探测设备资源的不足产生了冲突,如何高效管理多源异构探测设备,及时为它们动态地分配探测任务并组合执行,成为构建探测系统的关键问题。现有研究已实现了设备的接入及探测数据的存储,而在如何合理调度探测资源并优化系统探测性能方面尚有欠缺:仅单方面考虑或过于强调了决定设备探测效能的某一因素,未能搭建起完整的探测效能评价体系;缺乏系统最终效能的评估与反馈,没有形成探测闭环框架,不利于长期累计效益的提升;对于动态调度的时机和影响因素分析不足,没有保证调度决策的动态响应;对遗传求解算法的优化不足,算法的效率不高,易出现过早收敛域局部最优解、丢失或漏探目标等情况。为弥补现有工作不足,本文建立了对探测实际效果进行分析和评估的通用数学模型,完善了评价探测性指标体系与目标函数;搭建了基于优化调度、协同探测和效能评估反馈的设备资源优化配置闭环决策框架,以效能评价值为反馈环节引入决策过程;分析了触发设备资源动态调度的时机和场景,与以时间窗口为尺度的周期调度相结合增强了实时响应性;研究了基于贪婪策略的设备调度算法和改进遗传算法,适用于本文数学模型中,完善了基因编码规则,改进了选择算子和选择步骤,设计了自适应非线性交叉和变异算子,调整了符合任务实际约束的交叉、变异步骤,新增了基因交流步骤,通过与最新算法的对比实验证明其在收敛性和全局寻优能方面具有优势和创新性。此外,本文以地理信息系统（Geographic Information System,GIS）地图和React框架为前端可视化基础,以浏览器/服务器架构和组件化设计思想搭建了仿真系统,以海洋探测环境为应用场景,实现目标探测态势和设备动态调度结果的可视化,进行的功能测试和性能测试证明了本文研究内容具备可行性和有效性。
潘雪侨[7]（2021）在《云制造环境下车间资源的动态调度研究》文中研究说明随着科技的发展,近些年关于互联网信息技术的研究不断深入,云计算、物联网、大数据等开始进入大众视野,并且在各行各业得到了广泛应用。在此背景下,制造行业也逐步走向智能化、信息化、结构化、服务化,以适应新时期的生产制造需求。2010年李伯虎院士及其团队提出了云制造理念即通过云计算和物联网匹配先进的制造能力融合而成的新技术模式,它可使得普通资源通过网络数据库的妥善规划,达到高效生产的目的。云制造中调度作为重要节点,成为云制造发展中必须解决的关键问题。鉴于此,本文在国家自然科学基金项目“云制造环境下可制造性评价理论与方法研究”的支持下,对云制造环境下车间资源的调度问题进行研究。本文研究内容如下:首先,通过查阅大量云制造领域的相关文献资料,参考国内外近期对云制造领域的研究成果,回顾和分析目前针对云制造平台及其调度问题的研究现状,阐述本文研究问题的方向及意义。其次,对云制造环境下的资源种类和资源的制造周期进行分析。为了解决云制造中制造资源庞大性和复杂性的问题,简化工艺环节和节约制造资源,减少生产时间,增强生产效率,提出了一种将云制造平台下复杂制造任务进行合理分解的方法。该方法通过将生产过程分化为四个具体方面:设计方面、制造方面、运输方面、维护方面,并给不同方面建立相应的模型,利用深度优化搜索算法、快速模块化算法、人工蜂群算法的方式获得各个阶段任务分解的优化方案。最后,以车间智能生产线为例,经过实例仿真验证,证明该分解方法在云制造平台下执行的可行性。最后,基于云制造平台的任务分解结果,对车间任务进行分析,针对云制造环境下车间资源调度问题进行研究。根据实际生产情况对新任务加入、资源宕机或维护、任务撤销等干扰事件进行描述,将此作为任务与车间生产任务一同进行优先级排序。运用博弈论和改进粒子群算法建立起以总制造时间、总制造成本、平均制造质量、资源平均利用率为目标的优化调度模型。最后,验证该方法的可行性,实现在多种干扰条件下车间调度的柔性化,使调度方案更加符合实际生产。
马皓宇[8]（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》文中研究说明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。
颜融[9]（2021）在《基于数据驱动的电力系统暂态稳定评估》文中进行了进一步梳理随着近年来新能源发电、智能数字电网、特高压输电互联等新兴技术的高速发展,电力系统面临着全网耦合性强、源荷随机性大以及动态复杂性高等挑战,这对电力系统安全稳定运行带来了较大影响。本文借助于以人工智能为代表的数据驱动等使能技术,针对电力系统暂态稳定评估问题展开了深入的研究工作,旨在提高暂态稳定评估模型精度和计算效率。主要研究工作总结如下:首先,本文提出了暂态稳定快速批量评估算法框架,通过构建的级联式卷积神经网络为待评估样本自适应选择仿真时间窗口,在保证评估结论准确的前提下尽早终止时域仿真,以减轻批量评估任务的整体计算负担。该算法从已有稳定性结论的样本中“学习”,并基于所设计的反馈学习机制不断针对模型进行自适应更新,以进一步提升模型针对不同运行方式的泛化能力。此外,本文进一步设计了基于信息熵的优先评估策略,在分析待评估样本所含信息量的基础上,动态调度评估任务队列,以加速模型性能提升。该算法在保证评估结论准确的前提下降低了批量评估计算负担,使得在有限时间内获取足够用于在线评估模型构建的暂态稳定样本成为可能。其次,为了应对配电网络日益广泛接入的分布式电源等新型设备对输电网络稳态及暂态特性之影响,弥补传统负荷模型的不足,实现输配电系统联合分析等目的,本文进一步提出了基于不对称图学习的生成对抗网络模型,该模型可借助少量真实配网数据,在不泄露关键信息的前提下捕获真实配电网络的拓扑和电气特性,进而生成三相不对称配电网络。此外,所提出的方法还可以有效地生成时序负荷数据并合理配置各类电网元件,使得生成的配电网络兼具真实性与实用性。再次,为了满足在线稳定评估实时获取系统故障信息的需求,本文提出了混联输电线路单端故障定位算法,构建了“云端滚动训练,边缘实时推断”的电力系统嵌入式人工智能应用范式。该范式将云端训练或更新的故障定位深度学习模型分布式的部署于数据侧嵌入式人工智能模块中,借助本地电压和电流等高密度流式数据进行故障定位。该框架有效解决了因量测数据高采样率特性而导致的定位时延高等问题,可满足后续在线稳定评估与监测任务的应用需求。本文最后提出了基于数据驱动的暂态稳定边界生成与在线稳定评估算法框架。借助于所构建的暂态稳定指标及其伴随灵敏度,加速了关键暂态稳定样本（重）采样进程,以在稳定边界附近的高信息熵区域加速生成足够的关键暂态样本,为生成稳定边界提供了数据基础。此外,为解决稳定边界构建问题所面临的“维数灾”、“组合爆炸”等挑战,本文提出了关键运行及扰动场景筛选机制,进一步减少了电力系统边界生成任务的搜索空间与计算规模。借助该算法框架,稳定边界可根据系统当前及预测运行点在线自适应更新,进而由此构建出一套暂态稳定在线评估与监测框架。
鄢敏杰[10]（2021）在《定制装备宏观项目基准计划研究》文中提出定制型装备企业产品种类繁多、交货期短,其生产运作过程是一个新项目到达和完工项目离开的过程。传统项目管理中,在制定项目基准计划时通常只考虑当前承担的项目,而未考虑未来新项目对现有生产的影响。在工程实际中,企业每天新到达的项目数量、类型以及具体的项目信息都是不确定的。由于所制定的基准计划未考虑新项目的影响,项目执行过程中若受到新项目的冲击,很容易导致无法按照计划如期完成,进度滞留,产生大量拖期成本。制定基准计划首先需要合理地估计宏观资源能力,其往往难以定量描述。主要是因为定制装备企业大多采用以项目为主导的强矩阵型组织结构,此组织结构中构成人员将不再固定。此外,每一套定制装备都属于新产品,产品之间的结构样式存在较大差异,其加工难度及工时资源需求有所不同。由于缺乏足够的先验知识,管理人员往往只能凭经验大致估计任务工期的取值范围。显然,无法准确估计宏观资源能力,必然无法制定出合理的基准计划。为此,本文将研究基于机器学习的定制装备宏观资源能力估计模型与基准计划决策模型。具体的研究内容如下:（1）定制装备宏观项目基准计划制定过程及问题分析。首先分析基准计划决策过程,接着对基准计划管理中存在的问题进行分析,分别从设计返工任务调度过程和新项目随机到达对基准计划的影响进行阐述。最后分析总结了定制装备企业项目管理过程中的特点与难点,并给出基准计划解决思路。（2）针对宏观资源能力估计问题,提出以宏观任务工期加以衡量,并利用监督式机器学习方法训练其预测模型。其中,训练样本是根据实际数据中的规律设置算例,利用仿真方法得到。本文设置了多种交货期和多种调度规则生成仿真数据,从不同角度去分析模型性能与预测精度。实验显示线性回归和贝叶斯回归模型表现最好,且贝叶斯回归在各种环境下表现稳定;另外,以LST规则调度生成数据训练出模型的决定系数R2表现最佳。（3）在获得宏观任务工期预测模型的基础上,采用启发式规则及模拟退火算法制定宏观项目基准计划,并从鲁棒性角度分析所提方法的优劣性。其中,解鲁棒性是指宏观任务完成时间与计划时间的相对偏差,质鲁棒性是从总完工时间、总拖期、总加权拖期和平均项目完成时间四种目标值加以分析。对定制装备项目进行分层计划与调度仿真实验,结果证明了模拟退火制定基准计划与启发式规则制定基准计划相比,无论从解鲁棒性还是质鲁棒性,模拟退火都优于绝大部分规则。（4）开发了一套宏观项目基准计划管理系统,系统中嵌入了本文所研究的机器学习宏观资源能力估计模型和基准计划决策方法,实现了自动根据历史数据生成宏观任务工期估计模型和制定基准计划。该系统将辅助管理者进行项目基准计划管理决策。
二、并行工程中设计任务的动态调度（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、并行工程中设计任务的动态调度（论文提纲范文）
（1）基于变作业窗深度强化学习的舰面保障动态调度方法（论文提纲范文）
| 0 引言 |
| 1 舰面航空保障调度任务分析 |
| 2 基于变作业窗的动态舰面航空保障调度算法 |
| 2.1 基于变作业窗的舰面航空保障MDP模型 |
| 2.2 基于变作业窗的动态调度算法OA-DQN |
| 2.2.1 基于变作业窗的保障状态向量获取 |
| 2.2.2 基于站位信息的决策动作集合获取 |
| 2.2.3 OA-DQN的迭代优化机制 |
| 2.2.4 ε-greedy动作选择策略 |
| 2.2.5 OA-DQN的算法执行流程 |
| 3 试验分析 |
| 4 结论 |
（3）改进的并行关联规则增量挖掘算法（论文提纲范文）
| 0 引言 |
| 1 相关概念介绍 |
| 1.1 Can树 |
| 1.2 支持度阈值 |
| 1.3 粗糙集 |
| 1.4 证据推理算法 |
| 1.5 异构因子 |
| 2 MR-PARIRM算法 |
| 2.1 算法思想 |
| 2.2 相似项合并 |
| 2.3 归并剪枝 |
| 2.4 频繁项并行挖掘 |
| 2.5 算法分析 |
| 3 实验与分析 |
| 3.1 实验环境 |
| 3.2 实验数据与性能评价指标 |
| 3.3 算法可行性分析 |
| 3.4 算法性能比较分析 |
| 3.4.1 运行时间比较 |
| 3.4.2 内存占用比较 |
| 3.4.3 推荐非空率比较 |
| 4 结束语 |
（4）改进人工蜂群算法及其在柔性作业车间调度的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 柔性作业车间调度研究现状 |
| 1.3 人工蜂群算法研究现状 |
| 1.4 人工蜂群算法解决柔性作业车间调度问题的研究现状 |
| 1.5 本文工作内容 |
| 1.6 本文结构安排 |
| 第二章 相关理论基础 |
| 2.1 柔性作业车间调度问题 |
| 2.1.1 柔性作业车间调度描述 |
| 2.1.2 柔性作业车间的分类 |
| 2.1.3 柔性作业车间调度的研究方法 |
| 2.2 人工蜂群算法 |
| 2.2.1 人工蜂群算法基本思想 |
| 2.2.2 人工蜂群算法具体实现 |
| 2.3 本章小结 |
| 第三章 变步长人工蜂群算法求解单目标柔性作业车间调度问题 |
| 3.1 问题模型 |
| 3.2 变步长人工蜂群算法 |
| 3.2.1 算法总体流程 |
| 3.2.2 两段式实数编码 |
| 3.2.3 解码操作 |
| 3.2.4 种群初始化 |
| 3.2.5 雇佣蜂操作 |
| 3.2.6 观察蜂操作 |
| 3.2.7 侦察蜂操作 |
| 3.2.8 算法复杂度分析 |
| 3.3 实验分析 |
| 3.4 本章小结 |
| 第四章 两阶段混合人工蜂群算法求解多目标柔性作业车间调度问题 |
| 4.1 多目标优化概念 |
| 4.2 问题模型 |
| 4.3 两阶段混合人工蜂群算法 |
| 4.3.1 算法总体流程 |
| 4.3.2 种群初始化 |
| 4.3.3 交叉与变异操作 |
| 4.3.4 混合算法第一阶段 |
| 4.3.5 混合算法第二阶段 |
| 4.3.6 算法复杂度分析 |
| 4.4 实验分析 |
| 4.4.1 参数分析 |
| 4.4.2 算法比较与分析 |
| 4.5 本章小结 |
| 第五章 改进多目标人工蜂群算法求解柔性作业车间动态调度问题 |
| 5.1 问题模型 |
| 5.2 改进多目标人工蜂群算法 |
| 5.2.1 算法总体流程 |
| 5.2.2 动态调度流程 |
| 5.2.3 算法复杂度分析 |
| 5.3 动态事件处理 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 附录 |
（5）基于DES-GEP的柔性流水车间组批调度方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、问题与意义 |
| 1.1.1 研究背景 |
| 1.1.2 问题提出 |
| 1.1.3 研究意义 |
| 1.2 研究内容与研究方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 技术路线与文章架构 |
| 1.3.1 技术路线 |
| 1.3.2 文章架构 |
| 1.4 创新点 |
| 2 相关理论及国内外研究现状 |
| 2.1 相关理论 |
| 2.1.1 柔性流水车间组批调度问题 |
| 2.1.2 基于调度规则的调度方法 |
| 2.1.3 基因表达式编程算法 |
| 2.2 国内外研究现状 |
| 2.2.1 动态环境下的柔性流水车间组批调度 |
| 2.2.2 动态环境下的组批调度求解算法 |
| 2.2.3 基于智能优化算法的调度规则选择方法 |
| 2.3 研究评述 |
| 3 基于组合调度规则的FFSP-BPM调度模型构建与算法设计 |
| 3.1 FFSP-BPM问题描述与分析 |
| 3.1.1 问题描述与假设 |
| 3.1.2 问题结构化分解 |
| 3.1.3 组合调度规则构造 |
| 3.2 FFSP-BPM数学模型构建 |
| 3.2.1 决策变量 |
| 3.2.2 参数定义 |
| 3.2.3 模型建立 |
| 3.3 基于DES-GEP的 FFSP-BPM调度框架构建 |
| 3.3.1 调度规则的表示方式 |
| 3.3.2 基于DES-GEP的 FFSP-BPM算法设计 |
| 3.4 本章小结 |
| 4 基于DES的 FFSP-BPM组合调度规则性能评价 |
| 4.1 组合调度规则性能评价框架构建 |
| 4.2 车间静态仿真模型构建 |
| 4.2.1 车间静态布局建模 |
| 4.2.2 工件属性建模 |
| 4.3 基于组合调度规则的FFSP-BPM动态决策 |
| 4.3.1 设备选择过程 |
| 4.3.2 作业排序过程 |
| 4.3.3 嵌入时间窗策略的批处理过程 |
| 4.3.4 基于组合调度规则的FFSP-BPM动态决策过程 |
| 4.4 实验设计及结果分析 |
| 4.4.1 算例参数设计 |
| 4.4.2 规则性能分析 |
| 4.4.3 参数影响分析 |
| 4.5 本章小结 |
| 5 基于改进GEP的 FFSP-BPM调度规则生成 |
| 5.1 种群进化过程 |
| 5.1.1 基于经典调度规则的端点集和函数集 |
| 5.1.2 基于组合调度规则的编码与解码 |
| 5.1.3 基于调度规则评价仿真模型的适应度计算 |
| 5.1.4 基于有效长度的遗传操作 |
| 5.2 算法改进策略 |
| 5.2.1 重复个体剔除算法 |
| 5.2.2 变邻域搜索 |
| 5.2.3 自适应遗传算子 |
| 5.3 实验设计及结果分析 |
| 5.3.1 算例设计与算法参数设计 |
| 5.3.2 算法性能评价指标 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 A plant simulation仿真模型构建相关符号说明 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（6）基于WebGIS的目标探测设备优化协同系统的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 论文创新内容 |
| 1.3 论文组织结构 |
| 第二章 相关基础与国内外研究介绍 |
| 2.1 基础理论与技术介绍 |
| 2.1.1 目标探测技术 |
| 2.1.2 待探测目标运动模型 |
| 2.1.3 设备优化管理框架 |
| 2.2 国内外研究现状与相关工作 |
| 2.2.1 设备优化管理 |
| 2.2.2 设备智能分配求解算法 |
| 2.3 本章小结 |
| 第三章 目标探测设备优化调度模型的研究与设计 |
| 3.1 协同管理调度的闭环结构 |
| 3.2 设备动态调度分析 |
| 3.2.1 动态调度场景与时机 |
| 3.2.2 共探测度 |
| 3.2.3 信息熵增量与设备故障 |
| 3.3 基于效能函数的目标-设备协同调度模型 |
| 3.3.1 模型分析 |
| 3.3.2 优先级的评估 |
| 3.3.3 目标-设备适配系数 |
| 3.3.4 设备协同水平 |
| 3.3.5 探测成本和代价 |
| 3.3.6 约束条件 |
| 3.4 本章小结 |
| 第四章 目标探测设备优化调度算法研究与实现 |
| 4.1 基于贪婪策略的算法研究与实现 |
| 4.2 改进遗传算法的研究与实现 |
| 4.2.1 个体编码与种群的初始化 |
| 4.2.2 改进选择算子 |
| 4.2.3 设备编号交叉 |
| 4.2.4 变异与基因交流 |
| 4.2.5 算法终止 |
| 4.3 系统效能评估算法的研究与实现 |
| 4.4 算法算例与仿真实验分析 |
| 4.4.1 基于贪婪策略调度算例分析 |
| 4.4.2 改进遗传算法仿真与结果分析 |
| 4.5 本章小结 |
| 第五章 目标探测设备优化协同仿真系统的实现与测试 |
| 5.1 控制中心调度算法输入实现 |
| 5.1.1 GIS地图实现 |
| 5.1.2 目标多维度输入数据实现 |
| 5.1.3 目标-设备信息图谱实现 |
| 5.2 调度控制算法输出可视化实现 |
| 5.2.1 设备探测航迹可视化实现 |
| 5.2.2 设备分配与多维度数据信息展示实现 |
| 5.2.3 效能评估可视化实现 |
| 5.3 测试目标与测试环境 |
| 5.4 系统功能测试 |
| 5.4.1 AIS雷达与声呐探测航迹测试 |
| 5.4.2 多设备探测数据可视化测试 |
| 5.4.3 目标-设备信息图谱可视化测试 |
| 5.4.4 动态调度可视化测试 |
| 5.4.5 效能评估与反馈改进测试 |
| 5.5 系统性能测试 |
| 5.5.1 响应性测试 |
| 5.5.2 稳定性测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（7）云制造环境下车间资源的动态调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云制造研究现状 |
| 1.2.2 云制造任务分解研究现状 |
| 1.2.3 云制造资源调度研究现状 |
| 1.3 云制造环境下车间资源动态调度研究的必要性 |
| 1.4 本文研究内容 |
| 第2章 云制造环境下任务分解建模 |
| 2.1 云制造任务分解概述 |
| 2.2 设计任务分解建模 |
| 2.2.1 设计任务分解原则 |
| 2.2.2 设计任务分解数学模型 |
| 2.3 制造任务分解建模 |
| 2.3.1 制造任务分解原则 |
| 2.3.2 制造任务分解数学模型 |
| 2.4 运输任务分解建模 |
| 2.5 维护任务分解建模 |
| 2.6 本章小结 |
| 第3章 云制造环境下任务分解仿真 |
| 3.1 基于深度优化算法设计任务分解 |
| 3.1.1 深度优化算法的基本原理 |
| 3.1.2 设计任务矩阵建立 |
| 3.1.3 求解矩阵任务集 |
| 3.2 基于快速模块化算法制造任务分解 |
| 3.3 基于人工蜂群算法运输任务分解 |
| 3.3.1 人工蜂群算法原理 |
| 3.3.2 编码 |
| 3.3.3 适应度函数与算法流程 |
| 3.4 基于层次分析法的权重计算 |
| 3.5 实例仿真分析 |
| 3.5.1 设计任务仿真 |
| 3.5.2 制造任务仿真 |
| 3.5.3 运输任务仿真 |
| 3.5.4 维护任务仿真 |
| 3.6 本章小结 |
| 第4章 车间资源的动态调度建模 |
| 4.1 车间资源动态调度问题描述 |
| 4.2 任务优先级评定建模 |
| 4.2.1 博弈论及其要素 |
| 4.2.2 两项任务优先级评定 |
| 4.2.3 多项任务优先级评定 |
| 4.2.4 多目标评定矩阵构建 |
| 4.3 车间资源动态调度建模 |
| 4.3.1 数学符号及其描述 |
| 4.3.2 优化目标 |
| 4.3.3 约束条件 |
| 4.4 本章小结 |
| 第5章 云制造环境下车间资源的动态调度仿真 |
| 5.1 粒子群优化算法 |
| 5.1.1 粒子群算法定义 |
| 5.1.2 粒子群算法影响因素 |
| 5.1.3 粒子群算法步骤 |
| 5.2 基于改进粒子群算法的车间资源动态调度 |
| 5.2.1 编码 |
| 5.2.2 适应度函数构造 |
| 5.2.3 粒子群算法操作流程 |
| 5.3 仿真分析 |
| 5.4 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（8）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 |
（9）基于数据驱动的电力系统暂态稳定评估（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本文研究背景 |
| 1.2 电力系统暂态稳定评估及其经典算法 |
| 1.2.1 暂态稳定评估数学模型 |
| 1.2.2 暂态稳定评估经典算法 |
| 1.3 数据驱动技术综述 |
| 1.3.1 算法 |
| 1.3.2 数据 |
| 1.3.3 算力 |
| 1.3.4 框架 |
| 1.4 数据驱动技术在暂态稳定评估中的应用综述 |
| 1.4.1 数据驱动评估模型构建框架 |
| 1.4.2 数据驱动评估模型构建算法 |
| 1.4.3 数据驱动评估模型应用挑战 |
| 1.5 本文研究工作概述 |
| 1.5.1 拟解决的问题与研究思路 |
| 1.5.2 后续章节内容安排 |
| 第二章 基于级联式卷积神经网络的暂态稳定批量评估算法 |
| 2.1 引言 |
| 2.2 暂态稳定批量评估问题阐述 |
| 2.3 基于卷积神经网络的暂态稳定评估 |
| 2.3.1 卷积神经网络 |
| 2.3.2 基于单个卷积神经网络的暂态稳定评估模型 |
| 2.3.3 输入数据仿真及预处理 |
| 2.3.4 稳定性结论及其可信度评估 |
| 2.4 快速暂态稳定批量评估算法框架 |
| 2.4.1 级联式卷积神经网络评估框架 |
| 2.4.2 基于误判场景的模型训练策略 |
| 2.4.3 基于反馈学习的模型更新策略 |
| 2.4.4 性能评价指标 |
| 2.5 数值实验与分析 |
| 2.5.1 算法性能评测:以IEEE-39 节点测试系统为例 |
| 2.5.2 算法可拓展性评测:以Polish-2383 节点系统为例 |
| 2.6 本章小结 |
| 第三章 基于信息熵优先策略的暂态稳定批量评估算法 |
| 3.1 引言 |
| 3.2 基于信息熵优先策略的批量稳定评估算法 |
| 3.2.1 基于信息熵的优先评估策略指标 |
| 3.2.2 基于信息熵优先策略的任务队列与模型更新机制 |
| 3.2.3 基于内存镜像的存储加速技术 |
| 3.2.4 待评估样本批次划分策略 |
| 3.3 基于信息熵优先策略的暂态稳定批量评估应用框架 |
| 3.4 数值实验与分析 |
| 3.4.1 测试系统 |
| 3.4.2 神经网络结构设计与可视化 |
| 3.4.3 统计性测试结果 |
| 3.4.4 模型鲁棒性测试结果 |
| 3.5 本章小结 |
| 第四章 基于图生成对抗网络的三相不对称电网生成算法 |
| 4.1 引言 |
| 4.2 基于图生成对抗网络的拓扑生成算法 |
| 4.2.1 Wasserstein GAN模型 |
| 4.2.2 基于UGL-GAN模型的网络拓扑生成算法 |
| 4.3 三相不对称电网的修正、拓展及性能评价 |
| 4.3.1 基于核密度估计的时序负荷数据生成算法 |
| 4.3.2 电网负荷分配及拓扑修正算法 |
| 4.3.3 考虑电网元件的电网拓展算法 |
| 4.3.4 性能评价指标 |
| 4.4 算例分析 |
| 4.4.1 网络生成结果 |
| 4.4.2 应用实例 |
| 4.5 本章小结 |
| 第五章 基于嵌入式人工智能的混联输电线路单端故障定位 |
| 5.1 引言 |
| 5.2 混联输电线路单端故障波形特性分析 |
| 5.3 基于人工智能技术的故障定位 |
| 5.3.1 长短期记忆网络 |
| 5.3.2 单端故障定位模型 |
| 5.4 基于嵌入式人工智能的故障定位框架 |
| 5.5 算例分析 |
| 5.5.1 测试环境与测试系统 |
| 5.5.2 测试数据生成 |
| 5.5.3 模型训练结果 |
| 5.5.4 模型测试结果 |
| 5.6 本章小结 |
| 第六章 暂态稳定边界快速生成与在线稳定评估算法 |
| 6.1 引言 |
| 6.2 暂态稳定边界快速生成算法 |
| 6.2.1 暂态稳定边界数学模型 |
| 6.2.2 暂态稳定性指标及其灵敏度 |
| 6.2.3 关键暂态稳定数据样本采样策略 |
| 6.2.4 暂态稳定边界构建及样本重采样算法 |
| 6.2.5 数据采样终止判据 |
| 6.3 关键场景筛选算法 |
| 6.3.1 初始搜索空间筛选 |
| 6.3.2 关键运行场景筛选 |
| 6.3.3 关键扰动场景筛选 |
| 6.3.4 实际运行点匹配与关键发电机组降维算法 |
| 6.4 电力系统在线稳定评估框架 |
| 6.5 算例分析 |
| 6.5.1 暂态稳定边界生成可视化:以IEEE-9 节点电力系统为例 |
| 6.5.2 暂态稳定边界生成可拓展性测试:以NESTA-162 节点电力系统为例 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 附录 |
| 附录 A 发电机动态模型 |
| 附录 A.1 发电机模型参数说明 |
| 附录 A.2 二阶发电机模型 |
| 附录 A.3 四阶发电机模型 |
| 附录 A.4 六阶发电机模型 |
| 附录 B 励磁系统动态模型 |
| 附录 C 调速系统动态模型 |
| 附录 D 电力系统稳定器(PSS)动态模型 |
| 作者简历及攻读学位期间取得的学术成果 |
（10）定制装备宏观项目基准计划研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 选题背景及研究意义 |
| 1.2.1 选题背景 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 基准计划决策方法 |
| 1.3.2 鲁棒项目调度问题 |
| 1.3.3 机器学习在项目调度中的应用 |
| 1.3.4 文献调研结论 |
| 1.4 论文创新性分析 |
| 1.5 论文研究内容 |
| 第二章 定制装备宏观项目基准计划制定过程及问题 |
| 2.1 引言 |
| 2.2 定制装备企业基准计划过程分析 |
| 2.2.1 定制装备企业项目组织结构分析 |
| 2.2.2 定制装备企业宏观资源能力分析 |
| 2.2.3 定制装备企业项目工作分解结构 |
| 2.2.4 定制装备企业产品业务过程分析 |
| 2.2.5 定制装备企业项目基准计划过程分析 |
| 2.3 定制装备企业基准计划管理不确定因素分析 |
| 2.3.1 设计返工任务调度过程对基准计划的影响 |
| 2.3.2 新项目随机到达对基准计划的影响 |
| 2.4 定制装备企业项目管理特点与难点分析 |
| 2.5 定制装备企业产品基准计划解决思路 |
| 2.6 本章小结 |
| 第三章 基于监督式机器学习的宏观任务工期估计 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 特征工程 |
| 3.3.1 特征提取与构建 |
| 3.3.1.1 项目数量类特征 |
| 3.3.1.2 项目进度类特征 |
| 3.3.1.3 项目交货期类特征 |
| 3.3.1.4 主观属性类特征 |
| 3.3.2 特征选择 |
| 3.4 计算实验 |
| 3.4.1 实验设计与实验数据 |
| 3.4.2 资源配置分析及返工任务工期估算 |
| 3.4.2.1 资源配置分析 |
| 3.4.2.2 返工任务工期估算 |
| 3.4.3 预测模型算法及参数选择 |
| 3.4.4 实验评价指标 |
| 3.4.5 实验结果分析 |
| 3.5 不同规则仿真与特征选择实验对比 |
| 3.5.1 实验设计与实验数据 |
| 3.5.2 实验结果分析 |
| 3.5.2.1 不同规则仿真实验 |
| 3.5.2.2 特征选择实验 |
| 3.6 本章小结 |
| 第四章 嵌入机器学习模型的宏观项目基准计划 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 基准计划决策问题 |
| 4.2.2 详细任务调度问题 |
| 4.2.3 求解目标函数与约束 |
| 4.3 启发式规则与模拟退火算法 |
| 4.3.1 启发式规则 |
| 4.3.2 模拟退火算法 |
| 4.3.2.1 算法编码与解码规则 |
| 4.3.2.2 邻域结构 |
| 4.3.2.3 模拟退火算法流程 |
| 4.4 基准计划决策过程 |
| 4.4.1 调度生成机制 |
| 4.4.2 基准计划决策过程 |
| 4.5 基于基准计划动态调度过程 |
| 4.6 仿真实验 |
| 4.6.1 实验设计与实验数据 |
| 4.6.2 评价指标 |
| 4.6.3 实验结果与分析 |
| 4.7 本章小结 |
| 第五章 宏观项目基准计划管理系统的设计与实现 |
| 5.1 引言 |
| 5.2 系统总体设计 |
| 5.2.1 系统业务流程 |
| 5.2.2 系统功能模块 |
| 5.3 系统详细设计 |
| 5.3.1 系统架构设计 |
| 5.3.2 系统数据库设计 |
| 5.3.3 系统部分功能模块界面 |
| 5.3.3.1 权限设置界面 |
| 5.3.3.2 基础数据界面 |
| 5.3.3.3 模板管理界面 |
| 5.3.3.4 项目管理界面 |
| 5.3.3.5 基准计划管理界面 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间取得与学位论文相关的成果 |
| 致谢 |
四、并行工程中设计任务的动态调度（论文参考文献）
- [1]基于变作业窗深度强化学习的舰面保障动态调度方法[J]. 白天,罗永亮,刘敬,常智超,王泽. 船舶工程, 2021(S2)
- [2]空间数据中继网络中的任务调度研究[D]. 李宠. 重庆邮电大学, 2021
- [3]改进的并行关联规则增量挖掘算法[J]. 毛伊敏,邓千虎,邓小鸿,刘蔚. 计算机应用研究, 2021(10)
- [4]改进人工蜂群算法及其在柔性作业车间调度的应用研究[D]. 马铭阳. 南京信息工程大学, 2021(01)
- [5]基于DES-GEP的柔性流水车间组批调度方法研究[D]. 和莉. 大连理工大学, 2021(01)
- [6]基于WebGIS的目标探测设备优化协同系统的研究与实现[D]. 韩培钰. 北京邮电大学, 2021(01)
- [7]云制造环境下车间资源的动态调度研究[D]. 潘雪侨. 长春工业大学, 2021(08)
- [8]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)
- [9]基于数据驱动的电力系统暂态稳定评估[D]. 颜融. 浙江大学, 2021(09)
- [10]定制装备宏观项目基准计划研究[D]. 鄢敏杰. 广东工业大学, 2021