导读:本文包含了动态混合算法模型论文开题报告文献综述及选题提纲参考文献，主要关键词:排队论模型,混合遗传算法,多目标优化,flexsim仿真
动态混合算法模型论文文献综述
陈昊,梅学婷,苏晓艳,吴限晨[1]（2019）在《基于混合遗传算法下的RGV动态调度模型》一文中研究指出对智能RGV加工系统进行分析,建立排队论(M/M/s)模型并给出叁种不同情形下的RGV调度方案。利用混合遗传算法对不同的调度方案求解。最后,用系统作业的数据定量分析、验证了该模型的实用性、有效性。(本文来源于《齐齐哈尔大学学报(自然科学版)》期刊2019年05期）
赵龙波,马尽文[2]（2019）在《GPFR混合模型的动态模型选择算法》一文中研究指出作为一种有效的数据建模和分析工具,高斯过程混合(MGP)模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程(GP)的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均值函数学习的高斯过程函数回归(GPFR)模型及其混合模型(MGPFR)进行更为精细的数据建模。与MGP模型一样,MGPFR模型同样存在着模型选择的问题。为了解决MGPFR模型的模型选择问题,本文将同步平衡准则进行了推广,并提出了相应的模型选择和动态模型选择算法,并通过实验发现了惩罚项系数的合理区间。实验表明,这些算法在模型选择和预测上均有很好表现,并且能够有效地应用于曲线聚类。(本文来源于《信号处理》期刊2019年05期）
陈超然[3]（2018）在《基于动态Kriging模型和梯度投影法的混合全局优化算法》一文中研究指出随着电子封装设备向高速、高精度的方向发展,高速轻载机构的动态最优化设计成为该发展过程中的研究热点。由于刚体运动与弹性变形互相耦合,其动力学模型通常是一组时变系数和非光滑非线性的高维微分方程组,给建模分析和优化带来了极大的困难。若能将一系列动态优化问题视为工程领域中普遍存在的黑箱优化问题,则可以为复杂的高速轻载机构优化问题提供一个新的解决途径。目前,对于黑箱优化问题,结合近似模型技术和启发式算法而形成的基于近似模型的优化方法是一种有效的解决方法。然而,现有研究提出的算法往往在精度、效率和稳定性方面有所侧重,导致其综合性能较差,从而无法满足一些工程应用的需求。因此,有必要建立一种具有良好综合性能的全局优化算法。综上,本文将围绕近似模型优化方法展开研究。首先,阐述了基于近似模型优化方法的国内外研究现状。其次,以遗传算法、Kriging模型和梯度投影法为理论基础,在选定其控制参数后,提出了一种混合全局优化(Hybrid Global Optimization,HGO)算法。其中主要包括两个创新点:(1)提出了一种新的动态Kriging模型与遗传算法的结合方法。在遗传算法的优化过程中,限制了Kriging模型的样本数,并不断评估每一个个体在Kriging模型的准确度。若准确,则以Kriging模型的预测目标值作为个体适应度值,否则计算实际响应值作为个体适应度值,从而尽量保证了每一代种群中可能的最优个体的准确性。该结合方法能够在提高算法优化效率的同时,保证求解结果的精度。(2)提出了一种基于修改梯度投影法的变异策略。针对遗传算法无法有效处理非线性约束的问题,将梯度投影法的思想引入遗传算法的变异机制中,并提出一种基于修改梯度投影法的变异策略:利用Kriging模型预测的梯度信息来指导种群个体进行变异。该变异策略不仅有效地处理非线性约束,还增强了算法的局部收敛能力。然后,为验证算法的有效性,通过两个带不同类型约束的标准测试函数来测试HGO算法的性能。测试结果表明,HGO算法能够同时兼顾结果精度、优化效率和算法稳定性,从而具有良好的综合性能。最后,为体现算法的工程实用性,将HGO算法应用于一个基于有限元仿真的空间机械臂动态响应优化实例中。优化结果表明,HGO算法能够发挥更好的综合性能,从而实现对工程黑箱优化问题的有效应用。(本文来源于《广东工业大学》期刊2018-05-01）
姚佳英[4]（2015）在《基于混合智能算法的动态投资组合模型的研究》一文中研究指出2004年以来,理财产品快速发展,各金融机构的竞争力聚焦在理财产品上,银行等金融机构不得不策划一个最佳投资组合来合理安排理财产品募集的资金,达到最高的盈利目的。随着中国证券市场的扩大和完善,投资组合的研究和发展也逐渐成熟,但是很多研究都是针对股票的投资,对近年兴起的理财产品资金的投资问题研究还很少。遗传算法是根据生物适者生存,不适者淘汰的进化论演化而来的,该算法鲁棒性强,有较好的全局搜索能力,所以,利用遗传算法来求解投资组合的研究很多,但是遗传算法容易出现早熟,而且对精度要求高的问题的求解不够稳定,不够精确。本文提出一种混合智能算法,即将蚁群优化算法融入到遗传算法中,来解决理财产品募集的资金的投资组合问题。首先在Markowitz均值-方差模型的基础上,结构化分析理财产品的投资对象,并且考虑到金融市场的动态性,建立一个动态的结构化投资组合数学模型。其次,采用遗传算法将投资组合模型采用二进制编码方式结合各投资资产的权重值进行编码生成初始种群,对种群进行选择复制、交叉、变异后,得到初步的组合解。最后将得到的组合解加入到蚁群优化算法的初始信息素进行优化,通过蚂蚁迭代寻找路径,路径和信息素的更新,最终得到一个稳定的最优解。本文以工银理财“共赢3号”2014年第49期A款理财产品为例进行研究,研究结果表明,该遗传-蚁群混合智能算法是可行、有效的。在投资组合应用中,不仅精确了结果,还提高了稳定性,比仅用基本的遗传算法更为可信。(本文来源于《南昌大学》期刊2015-05-30）
黄应清,赵哲,闫兴鹏,赵锴,裴闯[5]（2014）在《基于变参数混合高斯模型的动态目标检测算法》一文中研究指出针对机器视觉系统中运动目标自动检测的实时性和准确性问题,提出了一种改进的目标检测算法。该算法在混合高斯模型适宜动态环境的基础上,提出了变参数模型,并对Otsu分割算法进行了改进,提高了智能系统检测目标计算速度,而且有效地消除了这类算法固有的目标虚警问题。试验结果表明:在复杂背景下,该方法有良好的适应能力和鲁棒性,适于变化和运动的实际场景。(本文来源于《装甲兵工程学院学报》期刊2014年02期）
邢桂山[6]（2012）在《基于多参数灵敏度分析和混合遗传算法的球磨机动态模型参数估计方法》一文中研究指出球磨过程是选矿中一个十分重要的环节,它将破碎的矿石磨碎至一定细度,使有用矿物与脉石单体解离,供分级然后浮选。该过程机理复杂,具有非线性、大时滞、慢时变、关键工艺参数无法在线测量等综合复杂特性,因此,大大增加了建模的难度。本文在东北大学流程工业综合自动化国家重点实验室的国家973计划项目“复杂生产制造过程一体化控制理论与技术基础研究”课题的支持下,针对球磨过程的动态特性,研究球磨机动态模型参数估计方法,建立球磨机动态模型,促进基于模型的控制、优化方法的应用。本文的主要工作如下：(1)在球磨过程动态特性分析的基础上,建立了基于经验参数的球磨机动态模型。包括：磨机输出矿浆流量方程、磨机内矿浆体积方程、磨机内矿浆浓度方程、磨机内各个粒级质量平衡方程、磨矿动力学方程等方程。仿真实验表明建立的球磨机模型能够正确反映球磨机输出矿浆浓度、粒度分布等变量的定性特性。(2)在上述球磨机动态模型的基础上,提出了一种基于多参数灵敏度分析和混合遗传算法的球磨机动态模型参数估计方法。首先采用多参数灵敏度分析方法评价磨机动态模型中选择函数和破裂函数的7个模型参数的相对重要性。然后采用磨矿过程实际数据,利用混合遗传算法对重要的模型参数进行估计,不重要的模型参数则通过工程经验进行确定,进而得到球磨机动态模型。仿真实验得到本文方法在测试样本上的均方误差较小有较好的预报性能。进一步对混合遗传算法的估计结果进行分析,采用普适似然度不确定性估计分析模型参数的不确定性。而且本文方法能够减少需要估计的模型参数个数,进而提高参数估计算法的速度。(3)开展了实验研究。包括：球磨机入口给矿量阶跃响应实验、磨机入口给水量阶跃响应实验、原矿密度阶跃响应实验。实验结果表明球磨机输出矿浆浓度、粒度分布等变量的动态特性定性与实际过程吻合。(本文来源于《东北大学》期刊2012-06-01）
郝平波[7]（2010）在《动态调度系统模型及其混合粒子群算法》一文中研究指出生产调度是制造系统的一个研究热点,是整个先进生产制造系统实现管理技术、运筹技术、优化技术与计算机技术发展的核心。有效的调度方法和优化技术的研究与应用,是实现先进制造和提高生产效率的基础和关键。本文研究生产调度这一类NP难题。首先系统的阐述生产调度问题的研究内容、研究方法、发展状况及存在的问题。对粒子群算法和蚁群算法的基本思想、算法流程及性能做了详细介绍,描述以上两种算法融合的理论基础。提出粒子群-蚁群主从两级结构为主,其它智能优化算法为辅的混合粒子群算法结构。其次,根据流水线调度问题和作业车间调度问题的求解特点,分别设计了不同的粒子编码方法表达问题的解,提出将粒子划分为多个基因片段,采用混合粒子群优化技术对基因片段进行优化。研究了基因片段的分解与转移,通过基因片段划分测试实验,确定了基因片段的划分方法。再次,混合粒子群算法在迭代后期会出现大量相似的粒子位置,使得粒子多样性在降低,本文提出了粒子的编码冗余更新方法,采取加快粒子飞行速度的策略,提高粒子群的多样性。通过基准测试算例的仿真实验,验证了混合粒子群算法求解流水线调度问题和作业车间调度问题的有效性。最后,通过对动态作业车间调度问题的详细分析,采用结合事件驱动和周期性驱动的混合驱动策略,将周期滚动窗口技术作为周期性驱动策略的实现技术,建立了动态作业车间调度问题的数学模型。将混合粒子群算法中的信息素更新方式、惯性权重和局部搜索方式进行重新设计,用于求解动态作业车间调度问题。通过测试算例的仿真实验,验证了动态作业车间调度问题数学模型的可靠性和混合粒子群算法的有效性。(本文来源于《沈阳理工大学》期刊2010-12-27）
田甜[8]（2008）在《动态无功优化实用模型及启发式混合智能算法研究》一文中研究指出本文受国家自然科学基金项目“交直流系统模糊动态无功优化的模型和智能算法(50577073)”、重庆市电力公司重点项目“区域电网动态无功优化控制系统的开发研究”等相关课题资助。论文对动态无功优化的模型及相应的优化算法进行了较为详细的研究。电力系统动态无功优化通过对发电机、并联电容器和有载调压变压器(OLTC- on-load tap changer)等调压设备的控制,在满足设备及系统运行约束的基础上,使全网的日电能损耗最小。现有研究中大多考虑了离散控制变量的日总动作次数约束,而忽视了OLTC分接头的相邻时段动作次数约束;另外,在对电容器动作次数的处理上也存在一些问题,如控制变量数目增加、投切不合理等。针对这些问题,本文建立了动态无功优化新模型,并结合基于内点法和免疫遗传算法的混合算法,进一步提出了本文的启发式混合智能算法。具体内容如下:①从现有模型出发,建立了动态无功优化的新模型。其中,目标函数采用常规的能量损耗最小,约束条件除常规的各时段潮流及电压安全约束、电容器和OLTC分接头开关的日总动作次数约束外,论文新增加了OLTC分接头开关的相邻时段动作次数约束。同时,结合实际变电站电容器的“先投先切、后投后切”基本操作原则,将同一母线的多组电容器简化等效为单一的集中电容器,并根据其具体组数来确定等效电容器开关的动作次数限制。②针对所建新模型,进一步提出了本文的启发式混合智能算法。同时充分考虑了动态无功优化模型中各时段电网结构参数不变的特点,采用了稀疏技术来提高混合算法的求解效率。在处理动态约束时,本文设计了“就地校正”和“削峰填谷”的启发式调整策略,该策略有效地处理了模型中分接头相邻时段调节档位差的约束以及离散控制变量的总动作次数约束,且相比常规惩罚策略更有利于求得动态优化的可行解。③最后通过多个IEEE标准系统以及一个实际系统对本文模型和算法进行仿真分析计算。计算结果表明,本文的新模型更具实际意义,而且所提出的启发式混合智能算法对于求解新模型也是十分有效的。(本文来源于《重庆大学》期刊2008-05-01）
鄂志君,房大中,陈家荣[9]（2008）在《基于静止无功补偿器动态相量模型的混合仿真算法》一文中研究指出为了提高含非线性元件电力系统的仿真速度,采用动态相量技术,提出了机电暂态与动态相量(TSP-DP)混合仿真算法.推导了考虑谐波特性的静止无功补偿器(SVC)的动态相量模型,并基于网络分解思想,将外部系统使用传统准稳态模型进行机电暂态仿真;SVC采用动态相量模型进行电磁暂态仿真,并嵌入传统机电暂态仿真程序,2种仿真通过接口母线进行数据交换和仿真协调,以实现全网的TSP-DP混合仿真.在含SVC的IEEE 9母线和新英格兰39母线系统上进行了仿真验证,结果说明TSP-DP混合仿真算法具有与DCG EMTP全网电磁暂态仿真相同的精度,比传统混合仿真效率提高了1倍.(本文来源于《天津大学学报》期刊2008年03期）
李建华,张明敏,王平波[10]（2005）在《混合高斯概率密度模型动态簇算法参数估计》一文中研究指出混合高斯概率密度模型可以很好地拟合样本的概率密度。在各高斯分量概率密度互不重迭的条件下，使用动态簇算法可以快速而精确地估计出混合高斯概率密度模型参数。这是一种基于最小均方差原则的递推算法，在正向推导出各种可能簇边界后，再根据确定的最末边界值逆向推定各前导簇边界，从而得到混合高斯概率密度模型参数估计值。算法介绍之后，给出了两个拥有不同概率密度分布的仿真建模实例。最后总结分析了该算法的优劣，并简介了算法的推广。(本文来源于《声学与电子工程》期刊2005年01期）
动态混合算法模型论文开题报告
（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：
作为一种有效的数据建模和分析工具,高斯过程混合(MGP)模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程(GP)的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均值函数学习的高斯过程函数回归(GPFR)模型及其混合模型(MGPFR)进行更为精细的数据建模。与MGP模型一样,MGPFR模型同样存在着模型选择的问题。为了解决MGPFR模型的模型选择问题,本文将同步平衡准则进行了推广,并提出了相应的模型选择和动态模型选择算法,并通过实验发现了惩罚项系数的合理区间。实验表明,这些算法在模型选择和预测上均有很好表现,并且能够有效地应用于曲线聚类。
（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。
动态混合算法模型论文参考文献
[1].陈昊,梅学婷,苏晓艳,吴限晨.基于混合遗传算法下的RGV动态调度模型[J].齐齐哈尔大学学报(自然科学版).2019
[2].赵龙波,马尽文.GPFR混合模型的动态模型选择算法[J].信号处理.2019
[3].陈超然.基于动态Kriging模型和梯度投影法的混合全局优化算法[D].广东工业大学.2018
[4].姚佳英.基于混合智能算法的动态投资组合模型的研究[D].南昌大学.2015
[5].黄应清,赵哲,闫兴鹏,赵锴,裴闯.基于变参数混合高斯模型的动态目标检测算法[J].装甲兵工程学院学报.2014
[6].邢桂山.基于多参数灵敏度分析和混合遗传算法的球磨机动态模型参数估计方法[D].东北大学.2012
[7].郝平波.动态调度系统模型及其混合粒子群算法[D].沈阳理工大学.2010
[8].田甜.动态无功优化实用模型及启发式混合智能算法研究[D].重庆大学.2008
[9].鄂志君,房大中,陈家荣.基于静止无功补偿器动态相量模型的混合仿真算法[J].天津大学学报.2008
[10].李建华,张明敏,王平波.混合高斯概率密度模型动态簇算法参数估计[J].声学与电子工程.2005