一、禁忌搜索与遗传算法在求解时间表问题中的对比研究（论文文献综述）
杨治[1]（2021）在《面向任务的卫星组网调度算法设计与应用系统实现》文中提出海上丝路是我国海外贸易的生命线,SAR卫星不受气候条件限制在监测海洋环境问题上提供了很大的便利。单颗卫星重访周期固定、观测效率低,多颗卫星组网调度可实现对任务的高时效性和持续性观测。由于用户任务需求多样化和多卫星调度问题本身存在NP-Hard特性,如何合理分配卫星资源满足用户需求已经成为卫星组网调度领域热点研究问题。针对该问题,本文设计了相应的卫星组网调度算法和软件仿真系统,主要完成工作有:1.设计卫星组网最长观测时间调度算法。以获取卫星对海上任务最长观测时间为目标搭建了数学模型。针对所建立数学模型,设计了遗传算法和粒子群算法求解模型。通过实验算例验证了两种算法可以得到有效可行分配结果,并且比较了两种算法的性能。2.设计卫星组网最大任务优先级调度算法。将获取卫星对任务观测的最大任务优先级和作为调度目标,建立约束满足模型。由于和车辆路线问题存在相似性,提出了一种混合蚁群禁忌搜索算法求解模型。通过实验算例分析了混合算法在该问题中的可行性以及相对于其它算法的优势。3.设计卫星组网高频查调度算法。为实现对海上热点区域态势周期性刷新要求,利用卫星覆盖任务间隔、时间分辨率以及任务优先级等变量提出了超时程度概念,并且以超时程度最小为优化目标建立高频查调度模型。设计了改进贪心算法对模型进行求解,实验算例表明改进后贪心算法在获得正确分配结果的基础上,提高了解的质量。4.设计卫星组网调度仿真系统。使用Winform窗体和C#编程语言设计了软件仿真系统,将以上三种调度算法转化为C#算法模块加入到了系统中,使用窗体控件完成了调度方案的数字化显示,利用高德卫星地图和系统接口完成了任务位置、卫星时间窗口及卫星轨迹的可视化显示。
李靖[2]（2021）在《开放车间调度问题的深度强化学习算法研究》文中提出开放车间调度问题是一种典型的组合优化问题,在制造业、交通和物流等领域被广泛研究。这类问题具有复杂的约束和巨大的解空间,因此求取最优解十分困难。目前,传统算法大都基于特定规则或局部搜索的策略来获得次优解,只适用于解决特定分布的问题,具有较大的局限性。近年来,深度强化学习在解决各类复杂决策问题中展现出较强的适用性和可扩展性,因此,本文基于深度强化学习求解开放车间调度问题。论文的主要工作如下:本文设计并实现了基于演员-评论家网络的深度强化学习算法求解开放车间调度问题。首先采用构建图的策略实现开放车间调度问题输入和输出调度方案的简化。输入图能够准确描述问题的特征以及操作之间的关系,输出图能够直观反映问题的约束条件和时序关系。为了实现深度强化学习建模图结构,进一步将输出图的构建过程序列化,并且设计了动态规划算法计算方案的完工时间。然后从强化学习的角度分析开放车间调度问题的状态、动作和奖励,提出基于演员-评论家网络的深度强化学习模型框架。在研究演员网络拟合调度策略时,为了更好地探索深层次信息和表示问题模型,本工作优化了两种基于注意力机制的神经网络:指针注意力网络和图注意力网络。将提出的模型与传统算法进行比较,在随机生成的不同规模的开放车间调度问题下开展实验,实验结果验证了提出模型的有效性。为了进一步优化求解算法,本文提出了基于折扣记忆的注意力模型。通过对开放车间调度问题的特点和图注意力网络的原理进行深入分析,发现注意力机制过分关注上一步或固定几步的历史决策输出,而在复杂的开放车间调度问题中,往往某些有特殊意义的历史决策十分关键。折扣记忆同时关注时间和关联性两个方面,能够辅助注意力机制显式地建模历史决策与当前决策之间的关系。为了验证折扣记忆的有效性,展开消融实验和基线对比实验,从求解质量和计算成本两个指标进行评估,实验结果表明,增加了折扣记忆后模型效果提升显着。并且该模型在解决实时调度问题时也表现出很高的实用价值。
尚书林[3]（2021）在《面向热处理与冲压车间的联合调度算法研究》文中研究说明在当今科技迅猛发展的时代,智能制造技术所具有的先进性和复杂性更加体现在了现代工业生产过程中,市场竞争也更加激烈,这种复杂的市场环境给制造企业带来了巨大的挑战。科学合理的生产计划和排产调度,对于降低产品成本、提升企业经济效益会产生巨大的作用。因此,对于智能工业制造企业而言,优化车间调度方法是目前的一个研究热点。在智能工业产品零部件制造过程中,企业不仅要考虑到工件的冲压加工工序,为提高产品的强度和韧性,工件的热处理过程也是重点需要关注的问题。如何在这种制造系统中进行生产调度,从而保证工件的交货期、降低生产成本、提升热处理炉的使用效率等,已经成为一个备受关注的研究问题。本文通过对国内外相关研究成果的分析和总结,着重对制造企业生产过程中热处理车间和冲压车间联合调度问题开展研究。通过对冲压车间和热处理加工车间以及冲压机床和热处理炉的工作特点进行分析,构建了热处理和冲压车间联合调度的数学模型,给出了调度目标函数。依据该数学模型,设计出了相应调度算法用于解决冲压车间和热处理车间联合调度问题。本算法在改进遗传算法基础上通过规则搜索的方法对问题进行优化。通过仿真对比实验,对本文所研究的算法可行性和有效性进行了测试和评价。
易姣红[4]（2021）在《应急物资车辆调度优化模型研究》文中研究指明应急物资车辆快捷、高效调度是解决突发自然灾害、事故灾难、公共卫生事件、社会安全事件等公共安全事件的重要手段,是避免灾害带来二次损伤的有效方法,可最大限度减小公共安全事件对人类造成的伤害,减轻对经济发展造成的损失。时空智能、位置智能、最优化技术的发展,让应急物资车辆调度的高时效、低成本成为可能。因此,开展应急物资车辆调度优化模型的研究具有重要的现实意义。应急物资车辆调度优化问题是自然灾害应急物流研究中的重要问题。本文基于智能优化算法,针对应急物资车辆调度优化问题,开展了相关系列研究,本文研究内容及创新点如下:1)现有应急车辆调度模型无法描述现实物资应急配送过程,本文阐明了不同路况对配送车辆行驶速度的影响规律,提出了变速应急物资车辆调度优化模型。首先,对应急车辆调度问题进行抽象,给出了应急车辆调度的三层体系结构;其次,对模型中涉及到的变量边界条件进行了界定与说明,在此基础上设计了应急物资车辆调度优化模型;最后,根据配送车辆在不同路况下行驶速度不同,提出了更符合实际车辆配送过程的变速应急物资车辆调度优化模型。2)针对应急物资配送时间过长不能满足实际需求的问题,提出了增强帝王蝶优化算法,用于求解应急物资车辆调度优化模型,减少了应急物资配送时间。首先,深入分析了基本帝王蝶优化算法的运行特点,即,帝王蝶优化算法在基准测试和其它应用工程问题上显示了其特有的优势,然而,有时基本MBO算法会在某些问题上陷入局部最优。其次,将自适应策略和进化计算中的交叉算子与基本帝王蝶优化方法相结合,提出了增强帝王蝶优化算法;最后,将提出的增强帝王蝶优化算法离散化,应用于求解应急物资车辆调度优化模型。实验结果表明,同等条件下,增强帝王蝶优化算法所求得的应急车辆调度方案明显优于基本帝王蝶优化算法和其它7种智能算法（人工蜂群算法、蝙蝠算法、生物地理学优化算法、布谷鸟搜索算法、微分进化算法、进化策略及粒子群优化算法）。3)针对应急物资配送效率低的问题,提出了磷虾-人工蜂群算法,用于解决应急物资车辆调度优化问题。首先,深入分析了基本磷虾算法和人工蜂群算法的算法机理、算法过程及算法应用,明确了基本磷虾算法和人工蜂群算法的运行特点;其次,结合信息共享和信息交换理论,提出了磷虾-人工蜂群算法;最后,采用改进自然数编码策略将连续型个体离散化,从而将仅用于连续优化问题的基本磷虾-人工蜂群算法进行扩展,用于应急物资车辆调度优化模型求解。实验结果表明,磷虾-人工蜂群算法在不增加计算代价的前提下,明显提高了磷虾算法和人工蜂群算法求解应急物资车辆调度优化模型的能力,优化性能明显优于人工蜂群算法、蝙蝠算法、生物地理学优化算法、布谷鸟搜索算法、微分进化算法、进化策略及粒子群优化算法7种算法。4)针对提出的变速应急车辆调度模型,开发了应急物资车辆调度模拟系统。在应急物资车辆调度模拟系统中,基于B/S架构,服务器端采用Red Hat Enterprise Linux 7.4操作系统、My SQL数据库和PHP 7.4解析器;浏览器端采用Javascript、CSS、HTML等语言。针对应急车辆调度优化的基本模型和变速模型及物资路径是否受施工影响等情况,实现了应急物资车辆的智能调度。在应急物资车辆调度系统中,采用高德地图实现了物资配送过程在浏览器端的动态显示。综上所述,本文利用现代智能算法中的理论和方法解决应急物资车辆调度的时空优化的实际问题,不仅丰富和拓宽了时空位置智能算法相关理论的应用领域,还提高了时空智能算法的应用价值,丰富了应急物资车辆调度优化模型的求解方法,对于提高公共安全事件的应急物资配送能力具有重要意义。该论文有图33幅,表48个,参考文献159篇。
朱淑婉[5]（2021）在《面向手术室的多资源一体化协同优化问题研究》文中提出当前我国优质医疗资源总量相对不足,分布不均衡,医疗服务的供需矛盾依然存在。多数患者优先选择大型公立医院就诊,各级医疗机构的服务资源总体利用率低下。其中,手术室作为医疗资源最为密集的部门,承载着最关键的医疗环节。然而,医疗资源的多样性、应急医疗主体协同方式的多模态特性,给合理统一的手术室资源协同优化带来了挑战。此外,愈加细分的手术种类,繁琐的手术流程,和不确定的手术时长等复杂多变的动态需求,导致了手术室多资源优化难以兼顾服务质量和服务效率。鉴于此,本文针对已住院的择期患者和突发应急事件入院的非择期患者,分别进行了常规情形下和大规模伤亡事件下的手术室多资源一体化协同优化研究,从而提高手术室资源利用效率,改善医院服务质量。本文首先对国内外手术室资源调度研究的问题特性、决策层次、调度策略、优化模型和求解方法进行了梳理和分析,总结了已有研究中尚难以解决的多阶段问题和多院手术室资源联合调度问题。考虑择期患者的动态三阶段手术室协同优化和非择期患者的多院手术室协同优化,分别建立了三阶段手术室调度模型、固定运输路线手术室调度模型和非固定运输路线手术室调度模型,分析了调度问题的结构特性,构建有效的启发式算法。基于问题的NP难特性,提出了多种改进的元启发式算法,并在大量算例下验证了算法有效性和优越性。具体研究内容和主要创新性工作如下:（1）研究了常规情形下考虑择期患者的动态三阶段手术室多资源协同优化问题,考虑手术风险等级,提出了一个混合整数规划数学模型,其目标是使所有患者的等待费用和手术室加班成本之和最小。针对所研究的问题,提出了患者分配的结构特性,并基于这些结构特性提出了两个构造启发式算法。证明了所提出的手术室调度问题是NP难题,设计了一种新颖有效的混合灰狼优化-变邻域搜索算法。最后,通过仿真实验,与其他竞争算法进行了比较,验证了混合灰狼优化-变邻域搜索算法的有效性和稳定性、收敛速度的优越性。（2）研究了考虑非择期患者固定运输路线的多医院手术室多资源协同优化问题,提出了一个混合整数规划模型,同时考虑了患者病情恶化和救护车卸载延迟情形,目标是最小化最后一场手术完成时间。推导了单手术室分配的结构性质,并基于这些结构性质提出了构造启发式算法。提出了一种新颖有效的混合萤火虫-变邻域搜索算法,通过仿真实验对算法的性能进行了测试,并与其他三种常用元启发式算法进行了比较,验证了混合萤火虫-变邻域搜索算法的有效性和优越性。（3）研究了考虑非择期患者非固定运输路线的多医院手术室多资源协同优化问题,建立了大规模伤亡事件下,联合救护车调度和多医院手术室调度的混合整数规划模型,协同决策患者到多医院手术室的分配和手术排序方案,目标是最大化在最佳临床治疗时间之前接受手术治疗的患者数量。由于所研究的问题是NP难题,提出了一种新颖有效的混合禁忌搜索-自适应大邻域搜索算法,其中设计了三个定制移除算子。使用精确求解器Gurobi求解模型,将小规模实例结果与所提出的混合算法做比较,验证了模型有效性。并且进行了大规模算例的实验,验证了混合禁忌搜索-自适应大邻域搜索算法相较于其他同类算法的优越性和定制移除算子的必要性。本文系统地进行了面向手术室的多资源一体化协同优化问题研究,考虑手术风险等级、患者健康恶化、救护车卸载延迟等特性,建立了动态三阶段手术室多资源调度模型、固定运输路线手术室多资源调度模型和非固定运输路线手术室多资源调度模型,推导了问题结构特性,分别设计了混合灰狼-变邻域算法、混合萤火虫-变邻域算法和混合禁忌搜索-自适应大邻域搜索算法,实现了问题的求解。值得注意的是,如何考虑择期患者和非择期患者的同时调度是我们将面临的一个新的挑战。如何从院方角度和医务人员角度出发考虑多目标手术室多资源协同优化,结合实际情形考虑更多手术任务相关因素的不确定性,从而设计更符合实际、易于使用的高效算法是今后重要的研究方向。
赵越超[6]（2021）在《基于两阶段蚁群算法的A公司路径优化问题研究》文中提出商超配送问题一直以来整个物流运转的重要组成部分。通常来看,配送流程并不是一种在物流活动中的单一业务,而是与资金流,业务流,物流活动紧密结合的,主要包括资金流信息活动,业务流信息活动和最重要的物流信息活动,并且包括具有物流活动所需大多数要素的业务信息表单。配送作为物流系统的一部分,包含了众多物流活动所包含的内容与活动,并且可以认为这是物流的缩影,或者可以认为说是在小区域内所有物流活动的总体表现。配送经过装载卸载,外围包装,即时存储和车辆运输于一体,通过这一系列活动,完成了货物的交付目的。A公司负责北京市内多个商超类型客户的运输配送业务,涉及米面粮油、日用百货等商品。考虑到部分客户的仓库距离较近,并且配送范围都在北京及周边地区,所以A公司采用多客户共同配送的模式来整合运力资源。对于A公司物流中心的实际作业而言,配送车辆路径的选择是最重要的组成部分。所以如何经济高效地求解配送车辆路径优化问题（VRP问题）,是提高企业运输效率以及企业节省成本的关键。当无法充足的利用运输资源时,在车辆路径中就会存在一些迂回运输路径问题以及存在车辆的无货行驶率较高的问题。现在大部分学者对车辆调度问题与VRP都集中在对算法效率优化的研究,因为随着顾客的增多,算法的计算时间也随着问题规模增长呈指数化增加。随着社会经济的不断发展,客户对物流配送提出了越来越高的要求。A公司服务的客户基本都是要求硬时间窗,如果未在规定的时限内送达,那么服务将会被拒绝。此外,北京的限行政策也越来越严格,在指定时间内（送货时间）会存在许多的限行区域。本论文结合目前国内商超物流配送的大环境以及路径规划问题的现有学者的研究,对A公司的实际问题进行探索挖掘与深入研究。首先针对A公司的常用行驶路线进行调查,得到了目前A公司配送的客户的基本信息以及A公司配送成本构成,并且找到现有的Solomon数据集,对其研究发现与A公司的配送大环境基本类似,由此选择Solomon数据集来模拟A公司的实际问题,不失一般性;其次找到A公司的配送模型与VRPTW模型和CVRP模型的结合后的模型类似,因此,A公司的问题转化为解决VRPTW模型和CVRP模型的结合后的模型,并且在研究中发现在启发式算法里蚁群算法相较于其它算法来说更适用于TSP模型（VRP模型简化版）,在使用蚁群算法的同时,还使用Gurobi求解器进行求解,在调查研究后发现Gurobi求解器相较于其它求解器来说速度更快;然后对蚁群算法展开研究,得到了一种基于传统蚁群算法的两阶段并行优化蚁群算法,对其展开研究后,使用python语言对精确解法（Gurobi求解器）,蚁群算法,改进蚁群算法进行模拟和数值分析,并且在其它学者的文献中找到两种类似的改进蚁群算法,最后将上述的所有算法得到的最小成本结果与运行时间结果进行横向对比得出本文算法的可行性。
韩玮[7]（2021）在《多机器人集成控制系统的研究》文中研究表明工业机器人可以降低工人的劳动强度,减少劳动成本,提高生产效率,在工业生产中得到了广泛应用。但是随着生产规模的不断扩大,不同厂家机器人间没有统一标准化协议的问题越来越突出。本文为了实现对多种类型机器人的系统集成,对不同厂家机器人的通讯控制协议进行了研究,确定了多机器人集成系统的架构和通信方案,完成了集成控制软件的开发以及任务调度算法的设计,并对软件和算法进行测试,验证了可行性。本文的研究内容包括如下:（1）设计了多机器人集成控制系统架构,确定通信方案以及任务调度架构。结合色织纱线多机器人集成生产线进行需求及功能分析,完成本文通用多机器人集成系统总体架构的设计。对机器人相关通信协议进行归纳总结,遵循标准的工业机器人相关规范,制定了使用TCP/IP协议和OPC数据采集协议对多机器人控制器进行集成控制的通信方案。对多机器人任务调度问题的问题模型进行分析,抽象出柔性作业车间调度的复杂模型,并结合基于遗传算法的智能调度算法提出解决方案。（2）提出了基于全局最小负荷的改进遗传算法,解决多机器人任务调度问题。多机器人系统需要通过任务调度,在尽可能短的周期内完成复杂的任务,为此本文以最小完工时间作为求解目标提出了一种改进遗传算法,通过基于全局最小负荷选择的初始化方法,提高初始种群的质量,加快算法收敛速度,提高全局搜索效率;遗传算子中改善了选择交叉算子并提出趋于最小机器负荷的单点基因变异策略,建立稳健的调整机制;结合禁忌搜索算法并设计其邻域结构和禁忌规则,克服遗传算法局部搜索能力不强的缺点。通过基准测试算例进行数值分析和对比实验,验证了所提初始化方式的有效性和所提改进算法的可靠性。（3）对多机器人集成控制软件进行流程设计,完成了软件开发。对软件主要操作流程进行设计和分析,对人机界面、TCP/IP通讯控制模块、OPC数据采集模块、任务调度模块等模块完成开发,通过机器人仿真软件对通信方案完成验证。使用数据库作为数据信息存储的中心,通过多线程同步技术同时对多个机器人控制器进行监控,通过Shiro登录框架实现权限管理。将设计的任务调度算法应用于多机器人集成操作环境,实现任务调度的功能。（4）结合实际的多机器人集成生产线背景,对多机器人集成控制软件完成测试。完成机器人模拟控制器的开发,结合了康平纳公司的多机器人纺织纱线浸染生产线背景,配置OPC服务器中仿真PLC的机器人控制器信息。基于模拟控制器及OPC服务器,对多机器人集成控制软件的各功能模块及流程控制进行测试和分析。测试结果表明,本软件可以实现同时对多个机器人控制器的实时监测和控制,本文所设计算法能够解决实际多机器人生产线中的任务调度问题。
李昕昀[8]（2020）在《改进禁忌搜索算法求解流水机调度问题》文中研究指明调度是管理者在经营过程中需要做出的重要决策之一,可以涉及制造、运输、分配等多种生产场景,有效的调度策略不仅可以对生产资源进行充分利用,而且还可以提高用户的满意度。基于此,研究了流水机环境下最小化误工损失调度问题,并设计了一个改进禁忌搜索算法对其进行求解。流水机环境是指n个任务按照一定的加工顺序,依次停留在m台机器上进行加工。每个任务有自己的加工时间和交付期,相应的,在该任务交付期后完成的部分称之为任务的误工损失。在机器数量较多或任务规模较大的情况下,精确算法无法在有效时间内求解,因此本文采用改进禁忌搜索算法处理该问题。算法的具体流程包括根据某个给定解或者随机解,依照相应邻域规则产生邻域解集,逐渐寻找到最优解;在迭代过程中,设定短期表来记录短期时间内访问到的解以减少不必要的重复搜索,设定长期表来记录局部最优解便于与全局最优解比较,用来判断特殊准则具体操作流程;结合本文调度问题,重新对禁忌搜索算法中的邻域解集、禁忌表和搜索策略等进行定义,邻域解集的大小是参照任务量成比例设定的;在判断是否满足特殊准则时,根据全局最优解是否更新,当前解的邻域解集个数也设定相应变化规则;算法结束准则中设定两个条件同时判断,一是全局最优解未更新次数,二是整体算法最大迭代次数,满足其一即可终止算法运行并输出结果。在测试实验环节中,使用标准测试集对算法进行评估。与原始的禁忌搜索算法相比较,改进禁忌搜索算法中得到解的质量都有所提升,且处理时间大大缩短。总体来说,用改进禁忌搜索算法求解流水机调度问题可以作为该问题一个可行方案。
郝星星[9]（2019）在《组合优化问题的表示方式与进化优化算法研究》文中研究表明组合优化作为一类重要的优化问题,其涉及的领域甚为广泛,如信息技术领域、工业工程领域、交通运输领域以及经济管理领域。因此对组合优化问题的研究具有非常重要的实际意义。随着人工智能的发展,从上世纪80年代开始,进化算法逐渐成为求解组合优化问题的重要手段,在诸多领域得到了广泛的应用。在使用进化算法等智能优化算法求解组合优化问题的研究中,问题的表示方式在很大程度上决定了搜索空间的大小与形态,从而决定了问题的难度、影响着优化算法的性能。因此,本文以求解组合优化问题为核心目的,围绕组合优化问题的表示方式和单目标、多任务以及多目标进化优化算法两方面展开研究。主要工作可概括如下:1.针对约束满足问题设计了直接和间接混合的表示方式,进而基于混合表示方式设计了相应的多智能体进化算法。混合表示方式结合了直接表示方式操作简单、易于评价的优点和间接表示方式能解码生成质量较好的解的优点。另外针对问题特性和混合表示方式设计了邻域交叉算子、变异算子以及自学习算子等多智能体进化算法中智能体的若干行为。在250个标准二元约束满足问题测试集和79个图染色问题测试集上验证了所设计的基于混合表示方式的多智能体进化算法,实验结果表明了基于混合表示方式的多智能体进化算法相对于基于直接或者间接表示方式的多智能体进化算法具有更好的求解效率。2.针对资源受限项目调度问题设计了新的表示方式——移动模式序列。移动模式序列由模块序列和移动模式两部分组成。模块即为项目中的活动,每个活动的工期可以看作是模块的长,而对资源的需求量可以看作是模块的宽。针对模块设计了四种初始位置和对应的移动模式,解码过程即为依次将每个模块从其初始位置按照对应的移动模式移动到合适的位置。基于移动模式序列表示方式,设计了求解资源受限项目调度问题的多智能体进化算法。针对问题特性和移动模式序列表示方式设计了邻域交叉算子、变异算子、向前-向后抖动算子以及自学习算子等智能体的行为,并在资源受限项目调度问题标准测试集J30、J60、J90和J120上验证了基于移动模式序列表示方式的多智能体进化算法的性能。实验结果表明,基于移动模式序列的多智能体进化算法具有良好的求解性能,尤其是在求解大规模测试集上表现出了优秀的求解效率。3.设计了一种新的超启发式框架——面向进化多任务的图超启发式优化框架,并在考试时间表问题和图染色问题上验证了该框架的性能。超启发式作为选择或者生成启发式规则的一类算法具有良好的通用性,但目前的研究主要局限在针对单个优化任务。进化多任务优化的特点是可以同时优化多个任务,且对任务之间的关系无特殊要求。进化多任务优化通过统一表示方式将不同任务的解映射到同一个空间内,在该空间使用优化算法进行优化之后,再转换回各任务的搜索空间进行评价。进化多任务优化不仅具有跨领域的搜索能力,而且具有知识迁移的能力。面向进化多任务的图超启发式框架首次将进化多任务的概念引入超启发式算法,使得超启发式具有了知识迁移的能力,进一步提高了超启发式的通用性。同时,该框架将进化多任务优化中的统一表示方式扩展到了更高级别的启发式搜索空间,进一步拓展了进化多任务优化的通用性。在包含2、3、4、5个任务的多任务优化问题上的实验结果表明,该超启发式框架具有良好的求解效率、异步优化能力、跨领域搜索能力以及鲁棒性。4.针对“新高改”的高中“走班”排课问题设计了新的问题模型,填补了目前国内“新高改”下的高中“走班”排课问题模型的空白。该问题模型的主要特点为引入了“走班”排课,基于此设计了包含“走班”和行政班两部分课表的问题的表示方式,并使用两阶段模拟退火对该模型进行求解。首先在45个不同规模的人工生成数据集上测试了所设计的表示方式和两阶段模拟退火算法的有效性,并对算法的收敛性进行了分析。之后在10所高中的真实排课数据上进一步验证了所设计的问题模型的适用性和问题的表示方式以及两阶段模拟退火算法的有效性。5.首先验证了使用全局替换策略的基于分解的多目标进化算法在求解多目标背包问题上的性能,并分析了不同参考点的选取对算法性能的影响。之后,针对将乌托邦点作为参考点时全局替换策略将失效的问题,设计了一种改进的全局替换策略。在一组最多包含8个目标的多目标背包问题测试集上的实验结果表明,改进的全局替换策略能更好地对边界子问题对应的解进行更新,从而更好地保持种群的多样性。
宋婷[10]（2019）在《面向教育时间表问题的启发式算法研究》文中研究指明教育时间表问题（Educational Timetabling Problem）,涉及课程时间表、考试时间表等多类具体应用,其中最具代表性的是课程时间表的安排问题,即排课问题。一个合理可行的、能获得各方面较高满意度的课表是保证学校教学活动顺利开展的根本。由于连年扩招和一系列教学改革,我国各高校普遍存在排课难问题;近年来,新高考改革背景下的走班排课、分层教学要求与高中教学资源紧缺的矛盾进一步加剧,导致可满足“一生一课表”等个性化培养目标的课表编制工作变得相当困难。因此,研究并设计面向教育时间表问题的高效启发式算法,对于充分利用现有教育资源、提升办学效率具有重要的现实意义。本质上,教育时间表问题是一个具有NP难度的多约束组合优化问题,这意味着不存在完整精确的快速求解算法。启发式算法通常可以在较短时间内获得一个令人满意的解,实现求解效率和质量之间的平衡,因此,设计一个高效的启发式算法,是求解组合优化问题的主要途径。针对教育时间表问题,国际学术界已举办过多次算法设计竞赛,提供了公开的大学排课模型以便于广大研究者在同一基准下聚焦于算法与理论研究。本文首先针对两个典型的大学时间表公开模型,设计了全新的启发式求解算法;在借鉴公开排课模型问题分析、模型研究和算法设计的基础上,构建了我国新高考改革下的走班排课问题模型,并将全新的启发式算法应用到走班排课问题中。与当前文献中已有算法的对比及实例应用的结果表明,本文设计的算法具有更高的求解效率和质量。本文主要研究工作包括:一、提出了一种求解UCTP简化模型的迭代局部搜索算法首先将UCTP简化模型（即仅考硬约束条件的UCTP问题）转化为一个单目标优化问题,然后设计了一个基于模拟退火的迭代局部搜索算法。在搜索过程中,引入两种不同的温度控制策略,使得搜索过程更加灵活、可控;提出了一种新颖的候选解接受准则,将选课人数、教室特征数等问题特征引入到算法策略之中;设计了一种具有改进能力的扰动算子,通过迭代的方式使搜索过程逐步逼近最优解。对一个包含了 60个算例的Benchmark进行了实验,算法在标准时间内得到了其中58个算例的合法解,比文献中的最好结果多出3个;对另外2个算例,本文算法也大幅度降低了结果上界。二、提出了一种求解UCTP问题的竞争搜索算法针对迭代局部搜索算法迭代策略单一进而限制了搜索范围的缺陷,在包含软约束与硬约束的UCTP问题中,提出一种基于迭代局部搜索的竞争搜索算法。对同一组邻域集设置不同的选择概率,通过对解空间不同区域的竞争性探索,较快寻找到更有希望的区域;通过局部搜索策略对该区域进行深入挖掘。该过程不断迭代,逐步实现向最优解的移动。应用国际UCTP竞赛数据集（包含21个算例）对算法进行实验验证,并与文献中的最优解进行比较,竞争搜索算法可获得15个算例的最优解,优于文献中的其它算法。需要说明的是,竞争搜索算法具有很强的通用性,还可以推广应用到其它组合优化问题的求解之中。三、为新高考走班排课问题构建了分班模型和排课模型新高考背景下的走班制教学,给分班和排课带来了极大挑战。在对公开排课模型问题分析、模型研究的基础上,通过实地调研,深入分析走班排课问题与大学公开排课模型的相似处与不同点,归纳了新高考下分班、走班排课的规则、特点和相关因素,提出了走班制下的分班模型和排课模型,为设计走班制下的分班排课算法以及评估走班排课算法的优劣奠定了理论基础。四、设计了一种求解走班排课问题的多阶段启发式算法根据构建的分班模型以及排课模型,设计了一种基于竞争搜索的多阶段启发式算法。在分班阶段,考虑总课程和班级选课组合特征的耦合,利用贪心策略实现课程组合的优化;再应用启发式局部搜索,完成学生与班级的最大匹配。在排课阶段,设计对偶班级绑定走班约束,在搜索过程中同步移动对偶班级,通过竞争搜索迭代减少约束冲突,最终达到全局最优。利用浙江一所高中的真实数据对算法效率进行了评估,并与现行课表进行了对比,本文算法只需使用19个教室即可完成走班排课,而现行课表需要22个教室;同时,走班人次和走班课程数远少于现行课表方案,验证了本文算法的高效性。以上研究表明,通过深入分析问题特征并构建贴近问题特征的邻域结构,结合不同元启发式算法优势,可以设计出教育时间表问题的高效求解算法。在以后的工作中,我们将通过对问题特征的进一步研究,继续提高算法效率和适用范围,并在此基础上,设计开发一款高效、智能、便捷的排课系统。
二、禁忌搜索与遗传算法在求解时间表问题中的对比研究（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、禁忌搜索与遗传算法在求解时间表问题中的对比研究（论文提纲范文）
（1）面向任务的卫星组网调度算法设计与应用系统实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 卫星组网最长观测时间调度算法设计 |
| 2.1 最长观测时间调度算法模型建立 |
| 2.1.1 参数定义及变量说明 |
| 2.1.2 目标函数 |
| 2.1.3 约束条件 |
| 2.2 求解算法 |
| 2.2.1 遗传算法求解 |
| 2.2.2 粒子群算法求解 |
| 2.3 算例实现 |
| 2.3.1 参数设置 |
| 2.3.2 算例结果与分析 |
| 2.4 本章小结 |
| 第三章 卫星组网最大任务优先级调度算法设计 |
| 3.1 最大任务优先级调度算法模型建立 |
| 3.1.1 参数定义及变量说明 |
| 3.1.2 目标函数 |
| 3.1.3 约束条件 |
| 3.2 求解算法 |
| 3.2.1 蚁群算法介绍 |
| 3.2.2 禁忌搜索算法介绍 |
| 3.2.3 混合蚁群禁忌搜索算法设计思路 |
| 3.2.4 算法求解步骤 |
| 3.3 算例实现 |
| 3.3.1 参数设置 |
| 3.3.2 算例结果与分析 |
| 3.4 本章小节 |
| 第四章 卫星组网高频查调度算法设计 |
| 4.1 高频查调度算法模型建立 |
| 4.1.1 参数定义及变量说明 |
| 4.1.2 目标函数 |
| 4.1.3 约束条件 |
| 4.2 改进贪心算法求解 |
| 4.2.1 改进贪心算法设计思路 |
| 4.2.2 改进贪心算法求解步骤 |
| 4.3 算例实现 |
| 4.3.1 参数设置 |
| 4.3.2 算例结果与分析 |
| 4.4 本章小结 |
| 第五章 卫星组网调度仿真系统设计与实现 |
| 5.1 仿真系统接口设计 |
| 5.1.1 卫星覆盖任务数据接口 |
| 5.1.2 调用卫星轨迹接口 |
| 5.1.3 卫星调度方案接口 |
| 5.2 软件系统框架 |
| 5.2.1 总体设计 |
| 5.2.2 系统技术路线 |
| 5.3 仿真系统实现 |
| 5.3.1 开发环境介绍 |
| 5.3.2 任务信息显示模块 |
| 5.3.3 卫星覆盖数据查询模块 |
| 5.3.4 卫星组网调度算法模块 |
| 5.3.5 任务卫星及算法选择模块 |
| 5.3.6 调度方案显示模块 |
| 5.3.7 系统接口模块 |
| 5.4 系统运行效果 |
| 5.5 本章小结 |
| 第六章 总结与讨论 |
| 6.1 总结 |
| 6.2 讨论 |
| 参考文献 |
| 致谢 |
| 读研期间发表的论文 |
| 读研期间参加科研项目 |
（2）开放车间调度问题的深度强化学习算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 开放车间调度问题求解算法研究现状 |
| 1.3.2 深度强化学习建模相关问题研究现状 |
| 1.4 主要研究内容 |
| 1.5 论文组织结构 |
| 2 相关理论基础 |
| 2.1 注意力机制的理论知识 |
| 2.1.1 注意力模型 |
| 2.1.2 分类和应用 |
| 2.1.3 可解释性 |
| 2.2 深度强化学习的理论知识 |
| 2.2.1 马尔可夫决策过程 |
| 2.2.2 蒙特卡洛学习 |
| 2.2.3 策略梯度方法 |
| 2.2.4 演员-评论家算法 |
| 2.2.5 基于值函数的方法 |
| 3 基于强化学习的问题求解算法设计与实现 |
| 3.1 问题描述 |
| 3.2 模型总体介绍 |
| 3.2.1 输入和输出建模 |
| 3.2.2 模型框架 |
| 3.3 演员网络 |
| 3.3.1 指针注意力网络 |
| 3.3.2 图注意力网路 |
| 3.4 实验及结果 |
| 3.4.1 训练算法 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于折扣记忆的算法优化研究 |
| 4.1 问题分析 |
| 4.2 折扣记忆 |
| 4.2.1 折扣因子 |
| 4.2.2 关联函数 |
| 4.2.3 显式建模 |
| 4.3 基于折扣记忆的演员网络 |
| 4.4 实验及结果 |
| 4.4.1 探索策略 |
| 4.4.2 实验设置 |
| 4.4.3 消融实验 |
| 4.4.4 基线对比 |
| 4.4.5 实时调度任务 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）面向热处理与冲压车间的联合调度算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 车间调度问题的研究 |
| 1.2.1 车间调度问题及其特点 |
| 1.2.2 国内外研究现状及发展趋势 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 1.5 本章小结 |
| 2 热处理和冲压车间联合调度问题的分析与建模 |
| 2.1 热处理和冲压车间联合调度问题的分析 |
| 2.1.1 冲压车间和热处理车间的特点分析 |
| 2.1.2 问题描述 |
| 2.1.3 假设条件 |
| 2.2 热处理和冲压车间联合调度问题的数学模型 |
| 2.2.1 系统变量 |
| 2.2.2 决策变量 |
| 2.2.3 调度目标 |
| 2.2.4 约束条件 |
| 2.3 本章小结 |
| 3 热处理和冲压车间联合调度问题的解决方案 |
| 3.1 基于改进遗传算法的规则搜索的方法 |
| 3.1.1 染色体的编码 |
| 3.1.2 解码操作 |
| 3.1.3 初始种群和参数设定 |
| 3.1.4 适应度函数 |
| 3.1.5 选择操作 |
| 3.1.6 交叉操作 |
| 3.1.7 变异操作 |
| 3.1.8 收敛准则 |
| 3.2 构建调度解 |
| 3.2.1 时间窗策略 |
| 3.2.2 时间窗算法描述 |
| 3.2.3 时间窗的计算 |
| 3.3 本章小结 |
| 4 仿真与实验 |
| 4.1 仿真实验设计 |
| 4.2 仿真环境 |
| 4.3 解决方案对比 |
| 4.4 改进GA算法有无采用时间窗策略对比 |
| 4.5 热处理和冲压车间联合排产示例 |
| 4.6 与两车间单独排产调度对比分析 |
| 4.6.1 需解决问题分析 |
| 4.6.2 对计算效率和完工时间的影响对比分析 |
| 4.7 本章小结 |
| 5 结论 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）应急物资车辆调度优化模型研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究目标 |
| 1.4 研究内容 |
| 1.5 论文结构 |
| 2 应急物资车辆调度优化模型 |
| 2.1 应急物资车辆调度时空模型 |
| 2.2 应急物资车辆调度优化模型 |
| 2.3 应急物资车辆调度优化模型求解算法 |
| 2.4 模型时效性评价 |
| 2.5 本章小节 |
| 3 变速物资应急车辆调度优化模型 |
| 3.1 应急车辆调度优化模型建立基本假设 |
| 3.2 常速率三层应急车辆调度模型 |
| 3.3 变速三层应急车辆调度新模型 |
| 3.4 本章小结 |
| 4 增强帝王蝶算法改进的变速应急车辆调度模型 |
| 4.1 元启发式车辆调度优化算法 |
| 4.2 增强帝王蝶优化算法 |
| 4.3 增强帝王蝶优化改进的变速应急车辆调度优化模型 |
| 4.4 实验与分析 |
| 4.5 本章小结 |
| 5 磷虾-人工蜂群算法改进的变速应急车辆调度模型 |
| 5.1 磷虾-人工蜂群算法 |
| 5.2 磷虾-人工蜂群改进的变速应急车辆调度优化模型 |
| 5.3 KHABC算法优化效果对比 |
| 5.4 地震物资车辆调度案例 |
| 5.5 本章小结 |
| 6 应急物资车辆调度模拟系统设计及验证 |
| 6.1 开发环境和编程语言 |
| 6.2 系统功能设计 |
| 6.3 北京市新冠疫情物资车辆调度案例分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 研究内容 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）面向手术室的多资源一体化协同优化问题研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 主要研究内容和论文结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构安排 |
| 第二章 文献综述 |
| 2.1 手术室调度的问题特性 |
| 2.2 手术室调度问题的决策层次 |
| 2.3 手术室调度问题的调度策略 |
| 2.4 手术室调度问题的优化模型 |
| 2.5 手术室调度问题的求解方法 |
| 2.6 现状总结与趋势分析 |
| 第三章 考虑择期患者的动态三阶段手术室多资源协同优化问题 |
| 3.1 引言 |
| 3.2 问题描述和模型 |
| 3.3 NP难问题证明 |
| 3.4 结构特性和启发式算法 |
| 3.5 混合灰狼优化-变邻域搜索算法 |
| 3.5.1 编码设计 |
| 3.5.2 编码修正策略 |
| 3.5.3 邻域结构设计 |
| 3.5.4 算法框架和实施步骤 |
| 3.6 实验及对比分析 |
| 3.6.1 实验数据生成和参数设计 |
| 3.6.2 数值实验结果对比分析 |
| 3.7 本章小结 |
| 第四章 考虑非择期患者固定运输路线的多医院手术室多资源协同优化问题 |
| 4.1 引言 |
| 4.2 问题描述和模型 |
| 4.3 结构特性和启发式算法 |
| 4.3.1 单手术室调度结构性质 |
| 4.3.2 单手术室调度启发式算法 |
| 4.4 混合萤火虫-变邻域搜索算法 |
| 4.4.1 编码设计 |
| 4.4.2 编码修正 |
| 4.4.3 邻域设计 |
| 4.4.4 算法框架和实施步骤 |
| 4.5 实验及对比分析 |
| 4.5.1 实验数据生成和参数设计 |
| 4.5.2 数值实验结果对比分析 |
| 4.6 本章小结 |
| 第五章 考虑非择期患者非固定运输路线的多医院手术室多资源协同优化问题 |
| 5.1 引言 |
| 5.2 问题描述和模型 |
| 5.3 混合禁忌搜索-自适应大邻域搜索算法设计 |
| 5.3.1 编码设计 |
| 5.3.2 初始解生成 |
| 5.3.3 禁忌搜索算法部分设计 |
| 5.3.4 自适应大邻域搜索算法部分设计 |
| 5.3.5 自适应机制设计 |
| 5.3.6 接受准则 |
| 5.3.7 算法框架和实施步骤 |
| 5.4 实验及对比分析 |
| 5.4.1 实验数据生成和参数设计 |
| 5.4.2 TS-ALNS和 Gurobi实验结果对比 |
| 5.4.3 TS-ALNS和其他算法实验结果对比 |
| 5.4.4 移除算子和修复算子使用率分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 |
| 附录A 相关图片信息 |
| 附录 A.1 GWO-VNS、GWO、VNS、PSO算法收敛曲线图 |
| 附录 A.2 FA-VNS、FA、VNS、PSO算法收敛曲线图 |
| 附录 A.3 TS-ALNS、TS、ALNS、SA算法收敛曲线图 |
| 附录B 相关表格信息 |
| 附录 B.1 TS-ALNS、TS、ALNS、SA算法运行时间 |
| 攻读博士学位期间的学术活动及成果情况 |
（6）基于两阶段蚁群算法的A公司路径优化问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 A公司背景介绍 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文结构和技术路线 |
| 1.3.1 论文结构 |
| 1.3.2 技术路线 |
| 第2章 相关理论综述 |
| 2.1 VRP的定义与描述 |
| 2.1.1 定义 |
| 2.1.2 VRP的特点 |
| 2.1.3 VRP 典型问题分类 |
| 2.2 VRP的求解方法概述 |
| 2.2.1 最优化算法 |
| 2.2.2 启发式算法 |
| 2.3 传统蚁群算法(ACO)概述 |
| 2.3.1 ACO的产生背景与基本概念 |
| 2.3.2 ACO的算法模型与操作步骤 |
| 2.3.3 ACO算法的特点 |
| 2.4 本章小结 |
| 第3章 A公司配送车辆调度路径规划模型 |
| 3.1 A公司配送车辆调度现状 |
| 3.2 基本概念 |
| 3.3 参数定义 |
| 3.4 本章小结 |
| 第4章 两阶段优化蚁群算法求解考虑时间窗车辆调度问题 |
| 4.1 系统环境 |
| 4.2 通过Gurobi计算精确解 |
| 4.3 启发式算法基本信息定义 |
| 4.3.1 vrptw定义 |
| 4.3.2 蚁群定义 |
| 4.3.3 最近邻点启发式算法(nearest neighbor heuristic,NN)定义 |
| 4.4 ACO算法定义 |
| 4.4.1 ACO算法建立 |
| 4.4.2 使用ACO计算近似解 |
| 4.5 使用DACS计算最优解 |
| 4.5.1 DACS描述 |
| 4.5.2 使用DACS计算近似解 |
| 4.6 本章小结 |
| 第5章 两阶段并行优化蚁群算法求解数值分析 |
| 5.1 算法结果分析 |
| 5.2 算法耗时分析 |
| 5.3 与其他文献算法对比分析 |
| 5.4 结论 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）多机器人集成控制系统的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器人集成控制系统现状 |
| 1.2.2 机器人通信协议研究现状 |
| 1.3 课题研究内容及论文结构 |
| 第二章 多机器人集成控制系统架构设计 |
| 2.1 色织纱线机器人集成生产线 |
| 2.2 集成控制系统总体架构设计 |
| 2.2.1 需求及功能分析 |
| 2.2.2 系统总体架构设计 |
| 2.3 多机器人集成通信方案 |
| 2.3.1 TCP/IP通信协议 |
| 2.3.2 OPC数据采集协议 |
| 2.3.3 通信模型框架 |
| 2.4 智能化任务调度 |
| 2.5 本章小结 |
| 第三章 多机器人集成任务调度 |
| 3.1 任务调度的问题模型 |
| 3.2 全局最小负荷选择初始化方法 |
| 3.2.1 编码和解码 |
| 3.2.2 初始化策略 |
| 3.3 融合禁忌搜索的改进遗传算法 |
| 3.3.1 遗传算子的设计优化 |
| 3.3.2 基于禁忌搜索算法的局部优化 |
| 3.3.3 整体算法流程 |
| 3.4 算例实验与分析 |
| 3.4.1 参数设置 |
| 3.4.2 初始化实验对比 |
| 3.4.3 试验方案比较分析 |
| 3.5 算法性能分析 |
| 3.6 本章小结 |
| 第四章 多机器人集成控制软件开发 |
| 4.1 软件相关技术 |
| 4.1.1 数据库选择 |
| 4.1.2 多线程同步技术 |
| 4.1.3 登录授权框架 |
| 4.2 软件流程及主界面设计 |
| 4.3 机器人编辑模块 |
| 4.3.1 机器人的添加删除 |
| 4.3.2 TCP/IP通讯控制 |
| 4.3.3 机器人控制器连接 |
| 4.4 OPC数据采集模块 |
| 4.5 任务调度模块 |
| 4.6 本章小结 |
| 第五章 结合生产线的集成软件测试 |
| 5.1 生产线背景 |
| 5.2 多机器人集成控制软件测试 |
| 5.2.1 模拟控制器开发 |
| 5.2.2 主界面模块测试 |
| 5.2.3 机器人编辑模块测试 |
| 5.2.4 OPC模块测试 |
| 5.2.5 任务调度模块测试 |
| 5.3 测试结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（8）改进禁忌搜索算法求解流水机调度问题（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 问题描述 |
| 1.3 研究情况介绍 |
| 2 求解复杂问题的主要方法 |
| 2.1 主要方法分类 |
| 2.1.1 精确算法 |
| 2.1.2 近似算法 |
| 2.2 启发式算法介绍 |
| 2.3 元启发式算法 |
| 2.4 禁忌搜索算法原理及应用 |
| 2.5 本章小结 |
| 3 求解F_m||Y的改进禁忌搜索算法 |
| 3.1 F_m||Y问题介绍 |
| 3.2 原始禁忌搜索算法基本结构 |
| 3.2.1 解的结构 |
| 3.2.2 邻域搜索策略 |
| 3.2.3 禁忌表的设定 |
| 3.2.4 特赦准则 |
| 3.2.5 原始TS算法流程设计 |
| 3.3 禁忌搜索算法改进策略 |
| 3.3.1 初始解改进策略 |
| 3.3.2 邻域改进策略 |
| 3.3.3 禁忌表改进策略 |
| 3.3.4 特殊准则改进策略 |
| 3.3.5 终止条件改进策略 |
| 3.4 改进TS算法的基本结构 |
| 3.4.1 初始解的基本结构 |
| 3.4.2 邻域的基本结构 |
| 3.4.3 禁忌表的基本结构 |
| 3.4.4 特赦准则的基本结构 |
| 3.5 本章小结 |
| 4 实验结果分析 |
| 4.1 数据集 |
| 4.2 实例测试 |
| 4.2.1 实验设置 |
| 4.2.2 算法评估 |
| 4.3 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
（9）组合优化问题的表示方式与进化优化算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 组合优化 |
| 1.2.1 组合优化问题定义 |
| 1.2.2 计算复杂性 |
| 1.3 人工智能的研究与发展 |
| 1.4 进化算法的研究与发展 |
| 1.4.1 进化算法简介 |
| 1.4.2 多智能体进化算法 |
| 1.4.3 多目标进化算法 |
| 1.4.4 多任务进化算法 |
| 1.4.5 超启发式算法 |
| 1.5 本文主要工作 |
| 第二章 求解约束满足问题的混合表示方式及多智能体进化算法 |
| 2.1 引言 |
| 2.2 约束满足问题 |
| 2.3 求解约束满足问题的混合表示方式 |
| 2.4 基于混合表示方式的多智能体进化算法 |
| 2.4.1 智能体定义 |
| 2.4.2 针对智能体的进化算子 |
| 2.4.3 MAEA_(D&I)-CSP算法流程 |
| 2.5 实验仿真及结果分析 |
| 2.5.1 二元约束满足问题测试集上的实验结果 |
| 2.5.2 图染色测试集上的实验结果 |
| 2.6 本章小结 |
| 第三章 求解资源受限项目调度问题的移动模式序列表示方式及多智能体进化算法 |
| 3.1 引言 |
| 3.2 资源受限项目调度问题 |
| 3.3 求解资源受限项目调度问题的移动模式序列表示方式 |
| 3.3.1 移动模式序列 |
| 3.3.2 移动模式序列解码算法 |
| 3.4 基于移动模式序列表示方式的多智能体进化算法 |
| 3.4.1 智能体定义 |
| 3.4.2 针对智能体的进化算子 |
| 3.4.3 MBS_(MAEA)-RCPSP算法流程 |
| 3.4.4 时间复杂度分析 |
| 3.5 实验仿真及结果分析 |
| 3.5.1 实验结果及分析 |
| 3.5.2 参数影响性分析 |
| 3.6 本章小结 |
| 第四章 面向进化多任务的图超启发式优化框架 |
| 4.1 引言 |
| 4.2 图启发式规则 |
| 4.3 面向进化多任务的图超启发式框架 |
| 4.3.1 EMHH算法框架 |
| 4.3.2 解的表示和评价 |
| 4.4 考试时间表和图染色问题案例研究 |
| 4.4.1 测试问题简介 |
| 4.4.2 进化算子 |
| 4.4.3 实验设置 |
| 4.4.4 实验分析 |
| 4.5 本章小结 |
| 第五章 面向“新高考”的高中“走班”排课问题建模及优化算法 |
| 5.1 引言 |
| 5.2 高中排课问题背景简介 |
| 5.3 高中“走班”排课问题建模 |
| 5.3.1 高中排课问题的基本概念 |
| 5.3.2 约束 |
| 5.3.3 高中“走班”排课问题数学模型 |
| 5.4 求解高中“走班”排课问题的模拟退火算法 |
| 5.4.1 解的表示方式 |
| 5.4.2 解的初始化和邻域变换 |
| 5.4.3 两阶段模拟退火算法 |
| 5.5 实验仿真及结果分析 |
| 5.5.1 实验数据 |
| 5.5.2 参数设置及性能评价 |
| 5.5.3 人工数据的实验结果及分析 |
| 5.5.4 真实数据上的应用 |
| 5.6 本章小结 |
| 第六章 改进基于分解的进化多目标算法求解多目标背包问题 |
| 6.1 引言 |
| 6.2 相关背景 |
| 6.2.1 切比雪夫分解方法 |
| 6.2.2 替换策略 |
| 6.2.3 MOEA/D算法框架 |
| 6.2.4 GR策略 |
| 6.2.5 MOKPs定义 |
| 6.3 实验仿真及结果分析 |
| 6.3.1 重组算子 |
| 6.3.2 评价指标和参数设置 |
| 6.3.3 MOEA/D-GR在MOKPs上的实验结果 |
| 6.3.4 参考点对MODA/D性能的影响 |
| 6.3.5 参考点对GR策略的影响及改进的GR策略 |
| 6.3.6 MOEA/D-IGR在MOKPs上的实验结果 |
| 6.3.7 时间复杂度分析 |
| 6.4 本章小节 |
| 第七章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）面向教育时间表问题的启发式算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 存在问题 |
| 1.3 本文主要工作 |
| 1.4 本文结构安排 |
| 第2章 教育时间表间题的求解途径 |
| 2.1 教育时间表问题与NP问题 |
| 2.1.1 计算复杂性理论 |
| 2.1.2 教育时间表问题的计算复杂性分析 |
| 2.2 NP问题的优化求解 |
| 2.2.1 启发式算法 |
| 2.2.2 元启发式算法 |
| 2.3 本章小结 |
| 第3章 面向UCTP简化模型的求解算法 |
| 3.1 引言 |
| 3.2 问题定义 |
| 3.3 基于ILS的求解算法 |
| 3.3.1 算法框架 |
| 3.3.2 构建初始解 |
| 3.3.3 局部搜索 |
| 3.3.4 改进扰动阶段 |
| 3.3.5 算法复杂度分析 |
| 3.4 实验结果与分析 |
| 3.4.1 测试算例 |
| 3.4.2 实验结果 |
| 3.4.3 分析与讨论 |
| 3.5 本章小结 |
| 第4章 基于竞争搜索的UCTP求解算法 |
| 4.1 引言 |
| 4.2 问题定义 |
| 4.2.1 硬约束及其数学表达式 |
| 4.2.2 软约束及其数学表达式 |
| 4.3 基于竞争搜索的求解算法 |
| 4.3.1 算法框架 |
| 4.3.2 构建初始解 |
| 4.3.3 局部搜索 |
| 4.3.4 迭代优化 |
| 4.3.5 算法复杂度分析 |
| 4.4 实验结果与分析 |
| 4.4.1 测试算例 |
| 4.4.2 实验结果 |
| 4.4.3 分析与讨论 |
| 4.5 本章小结 |
| 第5章 面向走班排课问题的多阶段启发式算法 |
| 5.1 引言 |
| 5.2 问题分析与建模 |
| 5.2.1 问题分析 |
| 5.2.2 数学模型 |
| 5.3 走班排课问题的分班算法 |
| 5.3.1 基于贪心策略的分班算法 |
| 5.3.2 验证机制设计 |
| 5.3.3 算法复杂度分析 |
| 5.4 走班排课问题的排课算法 |
| 5.4.1 基于竞争搜索的排课算法 |
| 5.4.2 验证机制设计 |
| 5.4.3 算法复杂度分析 |
| 5.5 实验结果与分析 |
| 5.5.1 测试实例 |
| 5.5.2 实验结果 |
| 5.5.3 分析和讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 主要创新点 |
| 6.3 未来工作展望 |
| 参考文献 |
| 攻读博士期间发表的论文及研究成果 |
| 致谢 |
四、禁忌搜索与遗传算法在求解时间表问题中的对比研究（论文参考文献）
- [1]面向任务的卫星组网调度算法设计与应用系统实现[D]. 杨治. 内蒙古大学, 2021(12)
- [2]开放车间调度问题的深度强化学习算法研究[D]. 李靖. 北京交通大学, 2021(02)
- [3]面向热处理与冲压车间的联合调度算法研究[D]. 尚书林. 北京交通大学, 2021(02)
- [4]应急物资车辆调度优化模型研究[D]. 易姣红. 中国矿业大学, 2021(02)
- [5]面向手术室的多资源一体化协同优化问题研究[D]. 朱淑婉. 合肥工业大学, 2021(02)
- [6]基于两阶段蚁群算法的A公司路径优化问题研究[D]. 赵越超. 东华大学, 2021(01)
- [7]多机器人集成控制系统的研究[D]. 韩玮. 东华大学, 2021(09)
- [8]改进禁忌搜索算法求解流水机调度问题[D]. 李昕昀. 辽宁工业大学, 2020(03)
- [9]组合优化问题的表示方式与进化优化算法研究[D]. 郝星星. 西安电子科技大学, 2019(01)
- [10]面向教育时间表问题的启发式算法研究[D]. 宋婷. 华中师范大学, 2019