导读:本文包含了进化集成论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标优化,工艺规划,调度,聚类差分进化算法
进化集成论文文献综述
杜轩,潘志成[1]（2019）在《聚类差分进化算法求解多目标工艺规划与调度集成问题》一文中研究指出针对多目标工艺规划与调度集成问题,以完工时间、交货总拖期和设备工作负荷为优化目标,建立了多目标非线性工艺规划集成模型,提出一种聚类差分进化算法。该算法设计了包含工艺、设备和加工顺序信息的3层编码结构,结合聚类算法、差分进化算法和遗传算法的相关操作,有效地优化工艺信息和调度方案,保持可行解的多样性,实现Pareto非支配解集快速更新。通过对Pareto非支配解集进行领域搜索,使其更加接近或到达Pareto最优解集。最后通过实例验证了算法的性能。(本文来源于《计算机集成制造系统》期刊2019年07期）
金怀平,黄思,王莉,陈祥光,潘贝[2]（2019）在《基于进化多目标优化的选择性集成学习软测量建模》一文中研究指出常规集成学习软测量方法忽略了输入变量选择的多样性,而且没有对基模型进行修剪,从而造成集成模型复杂度高、预测性能受限。为此,提出一种基于进化多目标优化(EMO)的选择性集成学习(SE)高斯过程回归(GPR)软测量建模方法,称为EMO-SEGPR。该方法融合输入特征扰动,通过结合bootstrapping随机重采样和偏互信息相关分析(PMI)构建多样性输入变量子集,并据此建立多样性GPR基模型。然后,基于EMO算法对GPR基模型进行集成修剪,从而获得一组集成规模较小、多样性和准确性较高的基模型。最后,引入集成学习策略实现GPR基模型的融合。将EMO-SEGPR方法应用于青霉素发酵过程和Tennessee Eastman化工过程,实验结果表明了该方法的有效性和优越性。(本文来源于《高校化学工程学报》期刊2019年03期）
汪慎文,谢承旺,郭肇禄,王培崇,张翠军[3]（2019）在《集成两变异策略的差分进化算法》一文中研究指出在动态集成差分进化算法中,动态学习机制往往过于复杂且增加计算开销。为此,本文以传统差分进化算法框架为基础,提出集成DE/rand/1/bin和DE/best/1/bin两个优势互补的变异策略并设计动态执行机制,力求简化动态学习机制,且又能在全局搜索和局部搜索中寻找到平衡。实验结果表明:本文提出动态集成两个变异策略的差分进化算法(differential evolution algorithm integrated bi-mutation strategy,DE-BMS)缩放因子F选择为0. 9,交叉概率Cr选择为0. 1,算法具有更好的鲁棒性;与其他差分进化算法的收敛速度、成功次数解质量分别进行比较,DE-BMS在优化多峰函数问题时表现更佳。(本文来源于《武汉大学学报(理学版)》期刊2019年03期）
位云朋[4]（2019）在《基于多模态进化计算的集成学习器研究与应用》一文中研究指出集成学习指的是通过构建若干不同学习器来完成同一学习任务的一种机器学习方法。近年来,集成学习以其鲁棒性高,泛化能力强,成为机器学习领域的一个研究热点。集成学习的任务是构建合适的集成模型,并使其达到不弱于其中任意一个体学习器的效果。研究指出,提高学习器的个体精度和种群的多样性是提高集成学习泛化能力的主要手段。然而,多样性和个体精度通常是是相互冲突的。对于同一学习任务来说,当个体的精度很高后,若想再增加多样性,就必须牺牲准确性。这也是集成学习研究的核心出发点。传统集成学习主要通过调整样本分布,集成权重寻优等策略构建集成模型。这类集成学习方法构建集成模型的方式比较单一,没有考虑到进一步提升个体学习器的性能。另外,个体学习器之间的信息交互对集成模型多样性的构建也极为关键。近年来,由于群集智能进化计算的兴起,有学者指出将进化计算和集成学习进行结合。进化计算可以针对集成学习存在的一些问题对其进行寻优。然而目前大部分进化计算和集成学习结合的研究将重点放在个体学习器的选择以及结合策略的寻优。这些方法的实现通常需要基于已训练完毕个体学习器集合,因此其性能很大程度上取决于预生成的个体学习器集合的性能。针对目前集成学习存在的一些问题,本论文提出了一种基于多模态进化计算的新型集成学习策略。算法采用人工神经网络作为个体学习器类型,并将个体学习器的参数进行编码,利用多模态优化算法对其进行寻优。同时,由于多模态优化算法自身的特性,算法可以在寻优的同时构建个体学习器参数之间的多样性。因此,算法可以同步实现集成学习“好而不同”模型的构建。论文的主要工作如下:首先,绪论部分详细介绍了集成学习问题的研究背景及意义,阐明了该问题的研究价值以及重要性。然后描述了集成学习的国内外研究现状,并介绍了一些经典的集成学习研究的出发点及其思想。其次,第2章介绍了多模态进化计算的基本概念及其发展现状。论文首先对多模态问题进行了描述,并详细介绍了传统的小生境策略解决多模态问题的主要思路及其实现过程,分析了基于小生境策略的多模态算法的优缺点。然后,针对传统小生境策略存在的一些问题,论文介绍了新兴的多模态优化算法并分析了其优势所在,给出了其大致实现步骤。论文在第3章介绍了集成学习的相关概念,其中多样性和个体准确性是集成学习的两个重要因素。论文分析了传统集成学习策略构建集成模型的主要手段,传统策略构建多样性的手段过于片面,而且没有考虑到个体学习器内部之间的信息交互。另外,论文对目前基于群集智能优化算法的集成学习策略进行了相关介绍,分析了目前存在的算法构建集成模型的主要出发点及其优劣性所在,为后续的算法设计,对比分析等进行铺垫。然后,本论文在第4章对所提出的基于多模态进化计算的集成学习策略进行了详细的阐述。论文对所设计算法中涉及到的相关策略给出了具体介绍,并且在章节的最后给出了算法的具体实现过程。最后,为了验证算法构建集成模型的有效性,本论文在第五章给出了相关对比实验及其参数分析。首先,论文介绍了若干相关分类问题,并对所提算法和对比算法进行性能测试和结果分析。然后,本论文给出了节点数、多样性以及时耗性等参数分析,以进一步了解算法在训练过程中的内部信息。(本文来源于《郑州大学》期刊2019-05-01）
张悦宁[5]（2019）在《基于进化优化的类集成测试序列生成方法研究》一文中研究指出当今世界,信息技术飞速发展,计算机软件在人们生活中变得不可或缺,软件的质量对日常生活甚至社会发展都会产生重大影响。人们对软件产品的依赖程度越来越深,对软件质量的要求也越来越高。对软件生产者来说,低质量的软件会因维护成本高丧失市场竞争力,而高质量的软件能够赢得消费者的信赖从而带来更好的经济效益。软件测试成为了保证软件质量的重要手段,通过软件测试,测试人员可以及时地发现软件缺陷并提交纠正。在软件测试过程中,集成测试是为了检测各模块之间能否正常地协同工作。类是面向对象程序的基本单位,且类间存在依赖关系。按照不同的顺序测试类,测试代价也是不同的。所以测试人员需要确定一个合理的类测试序列,以期减小测试代价。研究者们提出了多种方法生成类集成测试序列。然而,某些基于启发式算法的方法还存在一些不足,比如寻优能力不强导致生成的类集成测试序列的测试代价还比较大。本文对现存的某些不足进行了优化改进,提出了两个类集成测试序列生成方法。遗传算法和粒子群优化算法随机初始化种群导致进化带有盲目性,对此本文提出了一种基于初始种群优化的类集成测试序列生成方法。首先,引入一个约束条件:不允许打破类间的强依赖关系。然后,提出多叉树的构建算法,组成多叉树森林。最后,按随机顺序层次遍历森林中的每棵多叉树,生成满足约束条件的个体并组成初始种群。实验结果表明,该方法能够在不失随机性的同时生成整体质量较高的初始种群,引导遗传算法和粒子群优化算法生成测试代价更小的类集成测试序列。粒子群优化算法在进化过程中容易早熟,本文提出了一种基于梦境粒子群优化算法的类集成测试序列生成方法。类测试序列作为粒子且有做梦能力,每次进化分为两个阶段——白天和夜间。白天阶段,粒子从前一晚的位置正常移动。夜间阶段,粒子进入梦境,根据各自做梦能力扭曲当前位置。如此,粒子能够在当前位置附近进行搜索。算法的收敛速度减缓,避免过早陷入局部最优。实验结果表明,该方法生成的类集成测试序列的测试代价较小。此外,实现了一个针对Java程序的类集成测试序列生成工具EvoCITO,该工具使用本文提出的两种方法生成类集成测试序列。(本文来源于《中国矿业大学》期刊2019-05-01）
李新琴,史天运,李平,王喆,杨连报[6]（2019）在《基于进化集成分类器的铁路安全隐患智能分类》一文中研究指出针对铁路安全事故隐患文本数据分类提出进化集成分类器模型。分析安全事故隐患数据特征,根据每一类安全事故隐患数据都有特征关键词的特点,运用TF-IDF方法提取文本特征并转换为向量。设计进化集成分类器模型实现流程。采用Bagging集成分类器将TF-IDF转换后的文本向量进行随机采样,训练若干个决策树基分类器模型,设计遗传算法编码机制、灵敏度设定、适应度函数及目标函数选择等关键步骤。根据遗传算法流程实现基分类器组合优化,将经过遗传算法进化的最优个体对应的基分类器参与Bagging投票分类,验证分类效果。通过对某铁路局供电接触网安全事故隐患文本数据实验分析,进化集成分类器模型在安全事故隐患分类的准确率相比于单个决策树分类器和Bagging集成分类器分类结果分别提升17.42%和4.63%,证明设计的进化集成分类模型能够取得较好的分类效果,可应用于铁路安全事故隐患分类。(本文来源于《交通信息与安全》期刊2019年02期）
吕克敌[7]（2019）在《基于集成学习与进化算法的停车位预测算法研究》一文中研究指出随着我国综合国力日新月异,祖国建设的各个方面都取得了令人骄傲的进步,单汽车保有量方面,每年呈现飞速增长趋势。统计至2018年底,我国的机动车保有量达3.27亿辆,其中汽车保有量为2.4亿辆[1],可喜的同时伴随而至的交通问题同样有增无已。其中停车难的问题,则更为棘手。停车场作为配套服务发展速度缓慢,越发展越失衡造成了恶性循环。以现有技术发展解决此类问题,我们可以从虚拟与现实两个角度去看。现实角度加大停车场建设,但城市建设问题所牵扯的因素很多,问题虽在但从总体看解决的优先级并不高。所以从虚拟方面解决,对现有各停车场空余车位进行实时有效的预测,为驾驶员出行提供参考,在现有条件下依靠信息的共享缓解以上问题。本文研究的停车场空余车位的预测问题本质来说是时间序列预测问题研究的一种实际应用。根据预测需求可分为短期与多步两种预测方式,前者通过现有数据集预测未来某时间点停车场空余车位数,应用较多的方法为指数平滑法及其衍生算法。后者是根据历史数据集预测未来一段时间空余停车位数量。神经网络相关算法是解决此类问题较为常用的方法。本文分析了现今空余停车位预测的短时与多步预测方法,通过对其原理与应用等不同层面的分析,从中发现方法与某些规律性较强领域存在明显的不足,由此提出了两种改进算法。改进的算法由于模型的优势进而摆脱了预测需求上短时与多步的束缚,兼附更好的兼容性,并且在精准度与鲁棒性上较传统形式有着明显提高。针对目前停车位预测算法准确率低、可拓展性差等问题,本文首先提出了一种基于集成学习算法与GRU结构的RNN组合的算法。首先,借助对数据集的训练挑选出最优的集成学习的基学习器组合形式;然后将停车位数据分割为不同的步长输入到组合模型中,对模型进行训练;最后将最佳结构与传统网络进行对比。实验结果表明,该算法提高了预测准确率与鲁棒性,有效防止过拟合与局部最小化,有效的解决统一预测模型在多场景的实现问题。为了进一步优化算法模型,提高算法在预测方面的准确度与可拓展性。本章提出了基于粒子群算法与遗传算法的RNN泊车位预测算法。该算法分别对模型和模型参数这两点进行了优化。首先,为了避免stacking算法在实际应用中的问题,对集成学习算法部分进行了优化,使用集成学习算法中的随机森林算法与梯度提升算法组合框架,并对回归器的数目设置一个搜索空间进行优化。神经网络方面,对RNN的隐含层设置隐含层层数搜索空间,神经元搜索空间、网络类型搜索空间、Batch-size搜索空间,利用遗传算法在信息共享能力上的优势,通过遗传算法来优化预测模型的神经网络结构。最后,利用粒子群算法计算方便、速度快的特点对模型的多种参数进行最优解搜索。最后得到优化的预测模型。(本文来源于《吉林大学》期刊2019-04-01）
王丹[8]（2019）在《基于新约束集成的人工蜂群算法和差分进化算法》一文中研究指出许多实际的优化问题都包含不等式和等式约束.在过去的几十年中,许多学者开发了一些约束处理技术,并将其和进化算法相结合用于求解带约束的优化问题.根据没有免费午餐定理,单个约束处理技术不可能在每个问题上都优于其他所有技术.受可行搜索空间与整个搜索空间的比值、问题的多模态、选择的进化算法、搜索过程的全局探索或局部开发等因素的影响,不同的约束处理方法在搜索过程的不同阶段起着不同的作用.因此,Mallipeddi等人提出一种约束处理集成技术求解带约束的优化问题.本文对Mallipeddi提出的约束处理集成技术进行改进,提出两种新的约束处理集成技术,并将这两种集成技术分别与人工蜂群算法和差分进化算法结合,用于求解带约束的优化问题.第一个算法是基于约束集成技术的人工蜂群算法.在Mallipeddi提出的约束集成技术的基础上,增加了一种约束处理技术.将五种约束处理技术组合成两种约束集成,分别用在人工蜂群算法的雇佣蜂阶段和观察蜂阶段.在CEC 2017的28个基准测试函数和四个经典的工程设计问题上对新算法的性能进行测试.实验结果表明,该算法可以有效地提高优化问题的解的精度.与其他几种经典的优化算法相比,新算法具有非常强的竞争力.第二个算法是基于新约束集成的差分进化算法.在产生新个体的阶段,算法采用叁种不同的突变策略.利用不同的约束处理技术对新个体进行选择,并引入局部搜索,增强算法局部寻优能力.该算法在CEC 2017的28个基准函数上进行数值实验,并且与其他几种经典的算法进行比较,实验结果显示,新算法在求解精度上表现较好.(本文来源于《南京师范大学》期刊2019-03-06）
付晶,王学东,李延晖,庄峻[9]（2018）在《RFID跨企业集成中供应链上下游企业的进化博弈》一文中研究指出跨企业的系统集成是射频识别(RFID)技术应用于供应链管理的根本目标之一,以一个供应商和一个零售商构成的二级供应链系统为研究对象,从供应链中存在信息不对称的实际背景出发,考虑了RFID集成企业成员的有限理性、预期额外净收益、净收益分配系数、前期准备成本和突变概率等影响因素,建立了RFID跨企业集成中的供应链博弈模型。在模型求解与分析上,从静态博弈的角度,给出了供应商和零售商的混合战略纳什均衡解;从进化博弈的角度,给出了博弈方的进化稳定策略(ESS),分析了供应链博弈的进化稳定性,对供应链进化路径及其敏感性进行了数值仿真。最后,根据分析与仿真的结果,给出了一系列相应的管理启示。(本文来源于《系统管理学报》期刊2018年05期）
谢宇,王庆龙,赵春霞[10]（2018）在《一种集成学习的差分进化算法》一文中研究指出提出一种使用种群规模线性调节机制的集成学习差分进化算法。该算法在每次迭代后根据适应度值对种群中的个体进行排序,剔除适应度最差的个体来改变种群规模(population size,NP)。这使得个体的数量随着评估次数的增加而线性减小,有效提高了收敛性。将该算法应用到测试函数集以及进行特征子集选择时获得了优异的平均分类正确率。(本文来源于《金陵科技学院学报》期刊2018年02期）
进化集成论文开题报告
（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：
常规集成学习软测量方法忽略了输入变量选择的多样性,而且没有对基模型进行修剪,从而造成集成模型复杂度高、预测性能受限。为此,提出一种基于进化多目标优化(EMO)的选择性集成学习(SE)高斯过程回归(GPR)软测量建模方法,称为EMO-SEGPR。该方法融合输入特征扰动,通过结合bootstrapping随机重采样和偏互信息相关分析(PMI)构建多样性输入变量子集,并据此建立多样性GPR基模型。然后,基于EMO算法对GPR基模型进行集成修剪,从而获得一组集成规模较小、多样性和准确性较高的基模型。最后,引入集成学习策略实现GPR基模型的融合。将EMO-SEGPR方法应用于青霉素发酵过程和Tennessee Eastman化工过程,实验结果表明了该方法的有效性和优越性。
（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。
进化集成论文参考文献
[1].杜轩,潘志成.聚类差分进化算法求解多目标工艺规划与调度集成问题[J].计算机集成制造系统.2019
[2].金怀平,黄思,王莉,陈祥光,潘贝.基于进化多目标优化的选择性集成学习软测量建模[J].高校化学工程学报.2019
[3].汪慎文,谢承旺,郭肇禄,王培崇,张翠军.集成两变异策略的差分进化算法[J].武汉大学学报(理学版).2019
[4].位云朋.基于多模态进化计算的集成学习器研究与应用[D].郑州大学.2019
[5].张悦宁.基于进化优化的类集成测试序列生成方法研究[D].中国矿业大学.2019
[6].李新琴,史天运,李平,王喆,杨连报.基于进化集成分类器的铁路安全隐患智能分类[J].交通信息与安全.2019
[7].吕克敌.基于集成学习与进化算法的停车位预测算法研究[D].吉林大学.2019
[8].王丹.基于新约束集成的人工蜂群算法和差分进化算法[D].南京师范大学.2019
[9].付晶,王学东,李延晖,庄峻.RFID跨企业集成中供应链上下游企业的进化博弈[J].系统管理学报.2018
[10].谢宇,王庆龙,赵春霞.一种集成学习的差分进化算法[J].金陵科技学院学报.2018