一、进化计算及其在智能控制中的应用（论文文献综述）
余滨杉[1]（2018）在《高压输电塔结构地震响应被动—半主动混合控制分析与试验》文中进行了进一步梳理输电塔是生命线工程的重要组成部分,一旦在强震中遭到破坏,不仅会给国家造成巨大经济损失,而且还会引发火灾、缺水、断气等次生灾害,对震后救灾和重建也影响很大。然而,由于地震的复杂性和输电塔结构的特殊性等,即使按照最新抗震规范设计的输电塔结构,在近期发生的一些地震中仍然出现严重破坏或倒塌,导致整个生命线工程陷入瘫痪。这就迫使研究人员不得不寻求一些新的抗震设计理论或减震方法,以确保这类结构在地震中的安全。本文以形状记忆合金（Shape Memory Alloy,SMA）和压电堆为核心元件,研发了一种SMA被动-压电堆半主动摩擦混合减震系统,并将其应用于输电塔结构地震响应的混合控制分析和试验,得出了一些创新性结论和建议。主要内容如下:（1）根据输电塔结构地震响应的主要特点和震害调查结果,利用SMA和压电堆特殊的物理力学性能,研发制作了一种体积较小、便于与输电塔结构集成的一体化SMA被动-压电堆半主动摩擦混合减震控制系统。该系统的工作原理主要为,结构地震响应较小时,以SMA被动消能减震为主,地震响应较大时,压电堆半主动摩擦装置发挥较大作用,同时两者共同工作,最后再利用SMA进行系统的震后复位。这样既可以保证混合减震控制系统工作性能的可靠性,又能够根据结构地震响应控制需要进行结构的被动或混合减震控制,明显提高系统的减震控制能力。（2）基于上述一体化SMA被动-压电堆半主动摩擦混合减震控制系统的研发结果,同时考虑到输电塔结构的地域特殊性,设计独立光伏发电装置作为系统的能源供给,进行了混合减震控制系统的优化分析和减震控制性能试验,研究了SMA的初始状态、压电堆的工作条件和激励电压等因素对该系统混合减震控制效果的影响,探讨了相应的优化设计和构造方法,总结了影响系统减震控制效果的一般规律。结果表明,文中研发的混合减震控制系统体积较小,便于与结构杆件集成,被动减震和混合减震控制能力均较好,特别是压电堆半主动摩擦装置工作后,混合减震控制能力明显提高,绝对最大控制力与电压基本上呈线性增大关系,当位移幅值为13mm,同时施加120V电压时,系统的耗能能力提高了135%,等效阻尼比提高了90%以上。（3）以SMA丝材和混合减震控制系统的试验结果为基础,采用不同的神经元输入,对二者建立了BP网络预测本构模型,并利用遗传算法分别对SMA丝材和混合减震系统BP预测模型的权阈值进行了优化分析,建立了2种优化后的BP网络预测本构模型。结果表明,混合减震控制系统以位移、电压和速率等作为系统预测本构模型的神经元输入,可简化神经元的输入参量,方便工程应用,特别是经遗传算法优化的BP网络模型能够提高系统预测本构模型的精度和稳定性,可用于系统的优化设计和研发。（4）针对基本免疫克隆选择算法存在的一些问题,引入抗体浓度和自适应变异对其进行了改进,提出了一种改进的免疫克隆选择算法。将模态可控度作为优化配置的性能指标,以某实际典型输电塔结构为原型,采用文中改进的免疫克隆选择算法,对该结构模型中混合减震控制系统的配置数量和位置等进行了优化分析,研究了优化减震控制效果。结果表明,改进的免疫克隆选择算法具有丰富的种群多样性,寻优能力强,收敛速度快,经其计算得出的优化配置方案能够使结构获得较高的控制性能指标,减震控制效果提高。一般地,经过优化方案配置后结构的减震控制效果比未优化任意配置时可提高20%左右。（5）结合模糊控制和神经网络算法二者的优势,设计了一种适用于输电塔结构混合减震控制的模糊神经网络计算模型,采用上述改进的免疫克隆选择算法得到的最优配置方案,将文中研发的混合减震控制系统集成于上述典型输电塔模型结构之中,进行了输电塔结构地震响应混合减震控制的数值模拟,分析了减震控制规律和效果。结果表明,采用文中的模糊神经网络计算模型和优化配置的混合减震控制系统,可明显减小结构的地震响应,减震控制效果基本可达50%。（6）以某实际典型输电塔结构为原型,设计制作了一个相似比为1/15的输电塔缩尺模型结构,根据改进的免疫克隆选择算法对其优化配置了文中的混合减震控制系统,采用模糊神经网络控制算法,进行了模型结构在无控和受控时共18个工况下的模拟地震振动台试验,分析了无控时试验模型的动力响应和混合控制时减震系统对试验模型的减震控制效果。试验表明,文中的混合减震控制系统能够有效提高模型结构的整体性能,明显降低模型结构的地震响应,其中7度罕遇地震作用下结构的位移响应减震效果最大可达50%,8度罕遇地震作用下结构加速度响应减震效果最大可达42%,可见文中研发的混合减震控制系统和模糊神经网络控制算法减震控制效果明显,值得进一步研究和推广应用。
王学渊[2]（2018）在《基于膜计算的移动机器人自主行走控制方法研究》文中进行了进一步梳理膜计算理论与应用研究,为移动机器人自主行走中的智能规划、决策与控制等关键问题的解决提供了新途径。目前,膜计算的理论研究成果丰硕,而急需应用研究领域的突破。抽象于生物细胞的膜系统是一种仿生并行分布式计算模型,具有强大的信息处理与计算能力,适于求解移动机器人的运动规划与控制问题。本文针对移动机器人自主行走所面临的三类关键问题,结合膜计算模型的特点,分别设计了基于膜优化的路径规划算法以及多种行为膜控制器,用于提升移动机器人自主行走时的环境适应能力。本文首先描述了膜计算模型信息处理的特点,剖析了膜系统适合于解决移动机器人自主行走关键问题的原因。另一方面,在综合分析一般智能体混合式体系结构与膜系统构造的认知系统的共性基础上,构建了适合不同类型膜系统应用的自主移动机器人混合控制体系结构;分层次探讨了可以利用膜计算模型解决的具体应用问题,为后续膜系统与移动机器人自主行走控制方法相结合的研究工作,奠定了膜计算应用框架基础。针对智能路径规划方法常存在收敛慢、局部探测能力弱,难以兼顾效率与效果的问题,通过分析有效路径优化过程中解个体节点的演变规律,提出了一种维度可变的粒子群膜优化算法。充分利用动态膜结构的膜溶解、膜通信、膜转运等规则,将点修复算法、平滑算法以及移动方向调整等辅助功能算法有机结合,实现寻优粒子种群的维度变化与信息交流。利用多维度种群具有更广泛探测能力的特点,以提高搜索效能。另一方面,定义的多个目标的评价与决策方法,在加快算法收敛与提高适应性的同时,可以产生更合理的路径。针对非完整约束的轨迹跟踪过程中,移动机器人常面临外部扰动、参数剧烈变化、难以精确建模等问题,设计了运动学模型结合动力学模型的两层结构轨迹跟踪控制器。在外层运动学层面,结合Lyapunov稳定性理论、滑模控制方法以及Backstepping技术,分段设计了前馈与反馈相结合的运动学跟踪控制律,为动力学模型提供了更精确的参考路径输入。在内层动力学层面,利用膜系统将神经网络PID的控制模型规则化,同时利用酶变量灵活多变选择规则执行的特性,在膜内实现神经网络与专家知识相结合的参数自学习过程,这种灵活切换方式可使参数间的影响减弱,达到有效控制强时变扰动的效果。针对基于行为的实时导航过程中,存在易振荡与易陷入最小值陷阱等问题,分别设计了局部环境模式分类器、多行为选择策略与多行为融合膜控制器。考虑到自主机器人探索未知环境时,机器人对所处环境理解越精确越有利于做出正确行为响应,但传感器易受噪声影响的情况,定义了二值化的多种局部环境模式,将膜系统引入到环境分类器设计中,实现环境模式的准确快速识别;为便于多行为的融合,根据机器人物理特性分别设计了目标趋向、避障、随墙、通道穿越等行为控制律;提出能摆脱局部最小值陷阱的多行为融合策略,所设计的多行为融合膜控制器能够帮助移动机器人成功走出复杂的迷宫环境,自主行走性能优良。搭建了基于膜控制器的移动机器人实验平台。多组实验验证本文提出的膜控制器在移动机器人自主行走中具有满意的运动规划与运动控制性能。
展猛[3]（2017）在《基于SMA-压电复合减震系统的电抗器结构地震响应控制研究》文中研究指明电抗器是电力系统中的重要设备之一,主要起着限流、滤波和补偿作用。一般由电抗器实体和支柱绝缘子组成,具有重心高,顶部质量大,支柱长细比大等特点,抗震性能较差。地震后常发生支柱绝缘子与电抗器组件连接部位被震坏等现象。而随着我国电网容量的大幅增加以及电压等级的不断提高,电抗器电压等级及容量也不断提升,使得设备整体高度大幅度增高,对抗震性能的要求也越来越高。本文针对形状记忆合金（Shape Memory Alloy,SMA）被动减震装置和压电摩擦半主动减震装置存在的缺点,考虑电抗器设备特点和结构减震控制要求,研发了一种新型SMA-压电摩擦复合减震装置,并结合人工免疫算法、BP神经网络和模糊控制算法等智能控制技术,进行了基于电抗器结构的SMA-压电复合减震系统的一体化理论分析与试验研究。主要内容如下:（1）针对遗传算法容易陷入早熟收敛和群体多样性差的问题,基于生物免疫系统中的克隆选择、免疫记忆以及免疫自调节机理,提出了一种自适应免疫记忆克隆算法（AIMCA）。以模态可控度作为优化目标准则的影响因素,分别采用改进的遗传算法（IGA）和AIMCA,对一个85节点、288杆件的空间平板网架结构中减震装置的布置位置和数量进行了优化配置研究。结果表明,AIMCA适用范围广,特别是对于复杂工程结构减震装置的高维优化配置问题,AIMCA则表现出了比IGA更优异的性能,种群多样性更好,寻优能力更强,收敛速度更快,可以获得更大的性能指标值和更优的减震效果。（2）通过对研发的SMA-压电摩擦复合减震装置进行性能试验,分析了激励电压、加/卸载频率和位移幅值等对其单圈耗能能力、等效阻尼比及等效割线刚度的影响。结果表明,该复合减震装置可双向出力,滞回曲线饱满且对称性较好,加/卸载频率对复合减震装置的性能影响很小,说明其工作性能稳定,适用范围广;随着电压的增大,减震装置的绝对最大控制力呈线性增大,滞回面积逐渐增加,耗能能力不断提高。在位移幅值为12mm时,施加120V电压,耗能量可提高138.23%,等效阻尼比可提高94.23%,可见研发的复合减震装置耗能能力较好。（3）基于SMA和SMA-压电摩擦复合减震装置的试验结果,分别采用两种神经元输入策略,建立了相应的BP神经网络预测模型,并利用AIMCA对复合减震装置神经网络模型的权阀值进行了优化。结果表明,相比采用前前时刻和前时刻应力、应变以及本时刻应变作为神经元输入的SMA网络模型,以位移、速率和电压为神经元输入的复合减震装置预测模型由于减少了神经元输入参量,其预测精度有所降低,但便于工程应用,经优化的BP神经网络提高了复合减震装置预测模型的精度和稳定性。BP神经网络预测模型可综合考虑多种因素,较好地预测复合减震装置的出力,便于在MATLAB仿真中实现,为SMA复合类减震装置本构模型的建立和应用提供了新途径。（4）采用连续Bouc-Wen模型模拟结构的非线性恢复力,利用建立的优化BP神经网络模型确定复合减震装置的控制力,电压采用模糊控制输出,进行了一框架结构地震响应的混合半主动控制仿真分析。结果表明,基于复合减震装置的特点,结合人工免疫算法、BP神经网络和模糊控制技术建立的混合半主动控制系统可以根据结构的动力反应实时地调整压电摩擦单元的摩擦出力,便于实现结构的混合半主动控制。（5）设计制作了一个相似比1:2的10kV干式空心电抗器结构模型,对其进行了无控、被动控制和混合控制时的模拟地震振动台试验,分析了模型结构的动力特性变化规律和不同工况下的减震效果。结果表明,文中研制的SMA-压电摩擦复合减震装置可以有效地降低电抗器结构的动力反应,一般地,被动控制时位移和加速度的减震率可达40%,混合控制时可达50%。另外,试验后未见电抗器结构薄弱部位发生地震破坏,说明该复合减震系统可提高电抗器结构的抗震可靠性。
顼晓娟[4]（2003）在《基于粗糙集、思维进化的模糊控制策略在倒立摆系统中的研究》文中研究指明倒立摆系统是一种典型的非线性、多变量、不稳定、强耦合的快速系统，由于它受多种非线性因素的影响，实现其控制较为困难，因此多年来对它的研究受到控制学界的普遍重视。对倒立摆系统的研究可归结为对多变量绝对不稳定系统的研究，因此其控制方法和思路对处理一般工业过程具有广泛的用途，其控制方法的研究也具有指导意义。 本文首先对倒立摆系统的控制问题及其一般的控制策略进行了评述。接着深入分析了粗糙集理论的思想精髓、特点，综述了粗糙集在智能控制中应用现状；重点介绍了思维进化算法的理论精髓、主要算法及其应用发展。 最后本文针对倒立摆系统的动态特性，寻找粗糙集、思维进化与模糊控制的切入点，首次提出一种新的智能控制策略—基于粗糙集、思维进化的模糊控制策略用于倒立摆系统的控制。 该控制策略利用T-S模糊模型易于表达非线性系统动态特性的优点，离线建立模糊查询表来实现实时查找在线控制，并且提出一种新颖的快速查询方法—列存储下标查询法，该方法可以大大提高规则查找的速度，而且任一规则均花费相同的查询时间；充分利用粗糙集知识约简和不相容度的理论，对模糊规则表进行约简，避免由于输入变量过多而导致搜索空间巨大、规则爆炸等问题；同时利用思维进化算法优化模糊控制的参数，这种算法在计算效率和收敛性方面都优于遗传算法。 摘要 倒立摆系统的控制实验表明，与PD和模糊控制策略相比，RMBFC控制策略简单有效，不仅大大减少了模糊规则的数目，加快了MEA的参数寻优速度，提高了系统的快速性，而且由于对被分析数据整体的处理是客观的，避免了常规模糊控制从主观角度随意约简输入变量的弊病;同时，由于去掉冗余的条件属性，消除了因变量之间强祸合关系而产生的噪声，使系统的控制特性得到了改善，快速性提高，鲁棒性增强。并且该策略对二级倒立摆这样一个复杂的多变量、强祸合、非线性的快速系统具有良好的控制特性。
徐昕[5]（2002）在《增强学习及其在移动机器人导航与控制中的应用研究》文中认为增强学习（Reinforcement Learning）又称为强化学习或再励学习，是近年来机器学习和人工智能领域研究的热点之一，并且引起了运筹学、控制理论、机器人学等其它学科研究人员的普遍注意，成为一个多学科交叉的研究方向。增强学习与监督学习的不同之处在于，增强学习不要求给定各种状态下的期望输出即教师信号，而强调在与环境交互中的学习，以极大（或极小）化从环境获得的评价性反馈信号为学习目标。因此增强学习在求解无法获得教师信号的复杂优化与决策问题中具有广泛的应用前景。 在21世纪，移动机器人（Mobile Robots）将在工业、交通、建筑与航天等领域发挥越来越大的作用，同时也对移动机器人的智能导航控制技术提出了更高的要求。如何提高移动机器人的自主导航能力和对环境的适应性，是实现移动机器人在复杂、不确定环境中成功应用的关键问题。应用机器学习特别是增强学习方法实现移动机器人自主导航控制器的优化设计和对未知环境的自适应，是近年来机器人学和人工智能界的一个重要研究课题。 本文在国家自然科学基金项目“增强学习泛化方法研究及其在移动机器人导航中的应用”的资助下，以增强学习及其在移动机器人导航控制中的应用为研究内容，重点研究了增强学习在求解连续状态和行为空间Markov决策问题时的泛化（Generalization）方法，并针对移动机器人在未知环境中的自主导航和路径跟踪控制器的优化设计问题，研究了增强学习在上述领域中的应用。 本文的第一章对增强学习理论、算法和应用研究的发展情况进行了全面深入的综述评论，同时分析了移动机器人导航控制的研究现状和发展趋势。在此基础上，本文的研究工作主要从5个方面展开，即：时域差值学习算法和理论；求解马氏决策问题的梯度增强学习算法；求解马氏决策问题的进化-梯度混合学习算法；增强学习在移动机器人路径跟踪控制器优化中的应用；基于增强学习的移动机器人反应式导航控制。取得的主要研究成果包括： 1．在时域差值学习（Temporal Difference Learning）学习算法和理论方面，首次提出了一种基于线性值函数逼近的多步递推最小二乘TD（λ）（RLS-TD（λ））学习算法，并分析和证明了该算法在求解遍历Markov链学习预测问题中的收敛条件和一致收敛性。RLS-TD（λ）学习算法同时结合了递推最小二乘参数估计方法和适合度轨迹（Eligibility traces）机制，从而能够获得比已有算法更好的收敛性能。 2．在求解离散行为空间Markov决策过程（MDP）最优策略的增强学习算法研究方面，研究了小脑模型关节控制器（CMAC）在MDP行为值函数逼近中的应用，分析了基于CMAC的直接梯度算法对MDP状态空间离散化的特点，研究了两种改进的CMAC编码结构，即：非邻接重叠编码和变尺度编码，以提高直接梯度学习算法的收敛速度和泛化性能。通过倒立摆和自行车平衡控制的学习控制仿真对提出方法的性能进行了研究，结果表明本文提出的改进CMAC编码方法能够有效地改进增强学习算法的收敛速度和泛化性能。 3．首次提出了基于值函数逼近的非平稳策略残差梯度增强学习算法—RGNP算法，并分析了其收敛性和近似最优策略的性能。RGNP算法克服了已有的基于前馈神经网络等非一线性值函数逼近器的增强学习算法在求解学习控制问题时没有收敛性保证的缺点，在理论和应用上具有重要意义。针对Mountain（ar和一类欠驱动机器人系统（称为体操机器人或Acrobot）的摇起最优控制问题进行了仿真研究，结果表明RGNP算法具有良好的学习效率和泛化性能，为求解高维连续状态空间的马氏决策问题提供了一类有效方法。 4．在求解同时具有连续状态和行为空间马氏决策问题的增强学习方法研究方面，首次将时域差值学习的RLS－TD趴）算法与自适应启发评价（AdaPtive Heuristic Critic：AHC）学习算法结合，提出了一种快速AHC学习（Fast－AHC）算法。该算法通过在评价器（Criti）网络中采用RLS＊D从学习算法，在提高学习预测效率的同时，改进了闭环学习系统的学习控制性能。以倒立摆学习控制和 Acrobot摇起控制问题为研究对象的仿真对比分析表明，快速AHC学习算法能够获得优于AHC算法的性能。 5．首次提出了将进化算法与基于神经网络值函数逼近的梯度下降增强学习算法结合的进化－梯度混合增强学习算法，通过进化算法进行神经网络权值的大范围全局搜索，利用梯度增强学习算法实现权值的局部搜索，从而有效地实现了对马氏决策过程最优值函数和最优策略的全局逼近。分别针对离散行为空间和连续行为空间马氏决策问题的情形，提出了 EARG算法和 E－AHC两种进化－梯度混合学习算法。上述算法克服了基于神经网络值函数逼近的增强学习梯度算法存在的局部收敛性问题和学习因子优化选择的困难，同时出于采用了值函数逼近的机制，具有良好的学习效率。 6．首次提出了一种基于增强学习的自适应PID控制器设计方法，并应用于移动机器人路径跟踪控制器的优化设计中。该控制器利用神经网络增强学习来实现对PID控制增益的自适应整定，在利用了常规PID控制器的鲁棒性的同时，实现了控制器参数的在线自学习和优化
张永男[6]（2021）在《交通网络流分布式协同控制与基于云计算的并行优化》文中研究表明人工智能、云计算、通信技术和物联网的快速发展,推动交通运输迈入大数据驱动的智能化发展新阶段。需要研究适合大数据背景下交通网络流智能控制与决策的方法,以缓解交通拥堵、提高出行满意度。针对基于大数据的分析处理与优化决策对控制性能与实时性的要求,本文研究交通网络流分布式协同控制的理论与方法。采用宏观交通流评价模型,研究基于云计算的反应式控制方法与并行求解策略。进一步,采用微观交通流评价模型,研究基于云计算的预测控制方法与并行求解策略。为了提高交通网络流控制的智能化水平,继续研究基于深度学习的交通网络流时空特征并行学习方法,并将该方法拓展到基于深度学习评价模型的分布式深度强化学习控制方法中。通过建立交通网络流控制的边缘计算解决方案,研究离线大数据学习与在线决策应用的云边协同处理策略。基于北京市区域路网对本文所研究的控制方法及并行优化算法的有效性进行了仿真验证。本文的主要研究内容及创新点如下:（1）为了提高控制性能和实时性,提出了基于宏观交通流评价模型的分布式协同控制方法以及并行优化算法。在宏观交通流延误模型的基础上,通过优化各个信号交叉口的绿信比参数,实现区域路网的分布式控制;通过优化相邻交叉口之间的相位差,实现区域路网的协同控制,促进形成绿波带控制局面。采用具有迁移比例和替换概率的粗粒度并行自适应遗传算法求解分布式协同控制的双目标优化问题,通过云计算进一步加快求解速度。仿真试验结果表明,该方法在降低交通延误和改善实时性方面具有有效性。（2）为了弥补宏观评价方法可能与随机微观交通流波动不相匹配以及反应式控制缺少预见性的不足,提出了基于微观交通流评价模型的分布式协同预测控制方法以及并行优化算法。将基于规则的非解析微观交通流模型应用到交通网络流预测控制中,与宏观预测模型相比,更能准确地预测未来的交通态势、评价候选控制方案。为了减少在预测时域优化控制序列的求解时间,采用基于Spark云计算的两级分层并行遗传算法,加快滚动时域的求解速度。仿真试验结果表明,该方法分别在不饱和与过饱和的交通流状态下,取得了较好的控制效果,加快了求解速度。（3）为了提高交通流预测模型的智能学习能力,提出了交通网络流基于深度学习的时空特性学习机制以及并行训练方法。由于目前交通流特征学习的对象大都局限于局部路段,本文采用深度卷积神经网络和长短期记忆神经网络的混合深度学习模型,建立面向大数据处理的交通网络流特征学习模型。既挖掘多条路段之间的空间关联特征,又提取交通流的时间序列动态演化规律。为了减少深度学习在大数据下的训练时间,研究了基于数据集分解的具有收敛保障的并行训练的理论基础,设计了基于Spark云计算的并行算法。仿真试验结果表明,深度学习模型及并行训练方法在改善特征学习精度的同时,极大地降低了训练时间。交通网络流时空演化特征基于深度学习模型的并行学习是交通网络流分布式深度强化学习控制的研究基础。（4）为了提高控制决策的智能化水平,提出了交通网络流基于深度学习评价模型的分布式深度强化学习控制方法以及基于边缘计算的实现算法。将值分解方法拓展到演员-评论家算法框架中,通过在动作网络的输出层引入考虑多约束条件的绿信比调整方法,解决交通网络信号的连续控制问题。通过策略贡献权重的自适应分配机制,不断强化对全局目标影响程度大的策略贡献权重,实现自适应分布式协同决策。最后将分布式深度强化学习方法部署到边缘计算架构上,实现在线决策与离线学习的协同处理。仿真结果验证了智能控制方法及云边协同求解算法的有效性。
于蒙[7]（2021）在《基于数据驱动的间歇化工过程批次内和批次间复合优化控制策略研究》文中认为本文致力于研究针对特种精细化学品间歇生产过程的智能优化控制方法。特种精细化学品生产控制属于间歇过程控制,生产过程具有强非线性和批次重复特性,目前生产中采用的控制策略是经典PID控制,这种控制方式的特点是控制结构具有较高的可靠性,并且对控制器的维护较为简单,但是难以满足复杂工艺过程高精度控制的要求,历次特种化学品生产产品质量和运行过程均出现过不稳定的情况。如何对现有的PID控制策略进行改进,并充分利用批次生产的重复特性,针对无法用精确数学模型描述的被控对象,通过利用控制过程的在线或离线数据并开发智能控制算法,对复杂被控对象施以控制,为本文的研究重点。针对特种化学品间歇生产过程,如Chylla Haase间歇反应过程,本文采用一种复合控制方式,将间歇过程控制划分为批次内控制和批次间控制两个维度,设计复合控制策略,将批次内的智能自整定PID控制和批次间的迭代学习控制结合,充分利用批次间重复特性,并在批次内和批次间实现控制的自适应改进。在批次内控制中,采用PID控制架构,通过LM优化算法实现PID控制参数的自整定,利用RBF神经网络辨识优化过程产生的Jacobian信息,使用一种改进的差分进化算法优化PID自整定参数的初值以及径向基神经网络基函数的中心、宽度以及神经元连接权值的初值。批次内的控制策略不要求获得被控对象的数学模型,仅以过程数据为控制来源,具有较高实际应用价值。在批次间控制中,针对需要抑制的重复性干扰,采用具有实际应用价值的P型迭代学习控制,为实现这种控制方式数据驱动的自适应改进,设计限定参数集的去伪控制策略。这种控制策略既实现了抑制批次间重复扰动的功能,又具备实用性的自适应调整能力,取得优于固定参数迭代学习控制方法的效果。特种化学品D1的生产过程,对转馏分点的预测和控制十分重要。该间歇蒸馏过程存在反应蒸馏过程复杂多样的特性,需要进行分离处理的物质多种多样并且成分不断变化,而上升气温度可以对蒸馏过程需分离的物质有较高程度的反映,准确判断转馏分点是特种化学品D1生产的关键。从实际出发,建立一种数据驱动的LSTM预测模型,对转馏分点实施预测。LSTM结构复杂,需要进行参数优化,设计贝叶斯优化算法实现了参数的优选。针对D1生产过程,纯度数据作为关键指标只在生产终点时检测的情况,设计了一种基于BP神经网络的终点质量迭代学习控制算法,首先利用BP神经网络建立生产过程变量与终点产品纯度的预测模型,以神经网络预测模型为基础,实施终点纯度的迭代学习控制,实现了对具有批次重复特性的间歇蒸馏过程的质量控制。
高学伟[8]（2021）在《数字孪生建模方法及其在热力系统优化运行中的应用研究》文中认为随着社会经济的飞速发展,我国产业结构优化调整和转型升级进程的深入,要实现未来“碳达峰,碳中和”的目标,需要建设清洁低碳、安全高效的现代能源体系。以风电和太阳能发电为代表的可再生能源替代作用日益突显,而火电机组在未来很长一段时间内仍将处于主导地位。亟需解决火电和可再生能源的协同发展问题,大型火电机组更多需要担负起高效节能、低碳环保、深度调频调峰的任务。实施电能替代供热对于推动能源消费革命、减少碳排放、促进能源清洁化意义重大。利用电锅炉储热供暖还可以降低电网调节压力,增加供热能力,有效解决可再生能源的消纳问题。火电机组热力系统和电锅炉储热供暖热力系统都属于典型的非线性、多参数、强耦合的复杂热力系统。本文通过研究流体网络机理建模和数据驱动建模相融合的数字孪生建模方法,为热力系统建模工作提供了新的思路和途径,为热力系统安全、环保和经济运行提供理论支撑。论文围绕数字孪生建模方法及其在热力系统优化运行中的应用,主要研究内容和成果包括以下几个方面:（1）对数字孪生理论、热力系统建模理论以及大数据处理等基本理论进行了研究。比较了数字孪生与仿真技术及信息物理系统的异同;以火力发电厂为例,研究了流体网络机理建模及求解方法;对Hadoop系统的MapReduce与Spark计算进行了对比分析,对实时数据处理Spark Streaming与Storm进行了对比分析,并搭建了适用于数字孪生及大数据在热力系统建模领域应用的大数据分布式集群平台;在该集群上实现了大数据的存储管理,以及大数据分布式计算,研究了基于大数据平台的数据驱动建模理论,包括支持向量回归建模、极限学习机建模、智能辨识优化算法以及即时学习等基本理论。（2）针对数据驱动建模方法的研究,提出一套基于改进即时学习策略的自适应数据驱动建模方法。采用“主成分+互信息”的方法获得输入和输出变量之间的相关程度,确定权重因子,然后利用“欧式距离+角度”定义一种加权综合相似度度量函数。在离线状态下,利用改进遗传模拟退火模糊聚类方法进行工况划分;进行工况预测时,采用一种多层次综合相似度度量的相似工况快速识别方法构建相似工况训练集,即根据两级搜索的策略实现了在线快速识别:初级识别是确定预测工况在历史工况库中所属的类别提取预测类工况,次级识别是采取基于综合相似度度量函数的相似工况识别方法,在历史数据库中针对预测类工况的快速识别;局部模型建模方法是在Spark计算框架下,对SparkSVMHPSO算法、Spark ELM算法以及基于SparkHPSO的多参数辨识等数据驱动建模方法进行研究。然后以SCR脱硝系统出口 NOx预测、电锅炉储热供热系统源侧及荷测负荷预测为案例,验证了所提出的建模方法有效性。为热力系统数字孪生模型建模及系统工况优化提供了理论支撑。（3）针对数据孪生建模的研究,提出一套改进即时学习策略的自适应数据驱动与机理模型多参数辨识协同融合的数字孪生建模方法。在建立热力系统机理模型的基础上,关键的设备模型参数利用多参数多工况拟合的离线智能辨识方法,得到可以模拟实际系统全工况下动态变化趋势的离线智能参数辨识模型;以离线智能参数孪生模型为主,根据相似度阈值进行判断,采用自适应模型参数更新策略,实现数字孪生模型的在线协同;为进一步提升孪生模型预测的精度和鲁棒性,采用移动窗格信息熵的多模型输出在线融合方法,提升关键工况以及动态变化过程的逼近程度。基于这一理论构建的数字孪生模型,能够基于系统运行数据持续进行自我修正,在线跟踪设备运行特性,从而具有自适应、自演进的智能化特点,能够全面反映系统的运行状态和性能,为系统工况迭代优化提供可靠的模型输入和结果校验工具。以燃煤电站SCR脱硝系统和电锅炉储热供热系统为研究对象,建立其热力系统数字孪生模型。（4）最后,基于数字孪生模型的实时跟踪能力,提出一种基于负荷分配和工况寻优的热力系统智能工况动态寻优策略。并以电锅炉储热供热系统为研究对象,根据能耗成本分析和负荷分配策略,利用数字孪生模型系统,对电网负荷、电锅炉系统、储热系统进行预测计算,模拟不同运行方案、不同工况下系统动态运行,得出最优的供热调节和负荷分配方案。以火力发电厂SCR脱硝系统为例,根据建立的自适应、自演进的智能化SCR脱硝系统数字孪生模型,将该模型应用于模型预测控制算法中。结果表明,利用基于数字孪生模型的自适应预测控制算法比传统的PID控制效果更精确,运行更稳定。证明了所提建模方法的有效性,具有重要的工程实用意义和行业示范价值。
刘伟莉[9]（2020）在《问题特征驱动的差分进化算法设计及其在智能交通系统的应用》文中进行了进一步梳理差分进化算法是一类具有较强全局优化能力的智能优化算法,目前已成为解决工程实践中众多优化问题的重要工具,但现有差分进化算法的改进通常针对通用领域并在标准测试集上开展研究,较难直接用于求解实际的复杂优化问题。与此同时,智能交通系统是现代社会的重要组成部分,伴随着它的发展涌现出大量NP难的复杂优化问题,特别是在大规模和复杂环境下,智能交通系统涉及的复杂优化问题具有混合变量、多优化目标和分层优化等特性。然而,现有的差分进化算法在求解实际的复杂交通优化问题时,存在因未能充分利用问题的场景信息或启发信息,而制约了算法的性能和效率的局限性,具体体现在如下三个方面:（1）在混合变量优化中只区别决策变量的类型,忽略了分析决策变量的关系,制约了求解结果质量的提高;（2）在多目标优化中主要研究如何使帕累托前沿尽可能逼近最优解且分布宽广均匀,较少关注如何依用户偏好在帕累托前沿中返回更具有代表性的权衡解,影响了分时系统进行多次优化后运行结果的质量以及决策者的选择灵活性;（3）在分层优化中所采取的嵌套进化策略,通常需要消耗大量的计算资源,限制了算法在大规模场景的应用。本文针对智能交通系统中电动汽车充电调度优化和交通信号控制优化两类复杂优化问题,将问题相关信息与差分进化算法的搜索能力相融合,设计出改进的差分进化算法,提高了差分进化算法求解上述复杂优化问题的性能。本文的主要创新点和贡献描述如下:（1）针对混合变量存在耦合性的特征,提出分层混合变量差分进化算法,求解电动汽车协同充电调度问题。电动汽车协同充电调度问题是基于交通路网中若干已知的充电站,为电动汽车车队的每个成员合理安排充电计划以完成各自行程,并使车队整体性能最优的复杂优化问题。在该问题模型中,决策变量不仅包括常规的充电站选择,还包括在每个充电站的充电模式和充电量。由于充电站点和充电模式属于离散变量,而充电量属于连续变量,因此该问题是混合变量优化问题。针对上述问题模型,本文提出了一个分层混合变量差分进化算法,根据充电模式对充电站的依赖性定义了两者的主从关系,并专门设计了三个问题相关的新算子,包括充电站路径构建、分层混合变量变异算子和约束感知评价算子。充电站路径构建算子根据电动汽车的荷电状态,自起点开始逐步选择一个可行的充电站点直至到达终点,完成了解决方案构建中最关键的部分;分层混合变量变异算子通过综合主从离散变异算子和经典连续变异算子,在种群进化时较好地保存了较优解的信息,提高了算法的求解性能;约束感知评价算子,通过处理每辆车的局部充电调度和协调在同个充电站的全局充电调度,确保了个体解满足问题的各项约束条件。在实验中基于实际路网与多种现有算法进行比较,验证了所提出算法的有效性。（2）针对分时系统需多次为多优化目标选权衡解的特征,提出偏好多目标差分进化算法,求解多目标电动汽车充电调度问题。由于调度需要考虑时间成本、充电费用和最终荷电状态等多个具有冲突的优化目标,因此电动汽车充电调度问题也是一个复杂的多目标优化问题。电动汽车充电调度系统需要分时重复地进行多目标优化,每次优化后需要用户从帕累托前沿中选择一个权衡解作为优化结果,来推动系统继续运行。为保证系统运行的连续性,可令用户预先设定默认偏好,允许系统在每次多目标优化后自动选择一个符合用户偏好的权衡解。相应地,本文提出了一个偏好多目标差分进化算法,通过维护四个协同进化的异构子种群来优化每代的非支配解集,并从中识别出拐点解和边界解再对其实行优先保留机制,使每次多目标优化后的帕累托前沿包含更高质量且更具代表性的权衡解。实验结果表明所提出算法在系统运行结果的质量和决策者的选择灵活性方面优于现有的其他方法。（3）针对交通信号控制模型的双层优化特征,提出离线嵌套差分进化算法,求解大规模交通信号控制问题。交通信号控制问题是基于交通路网的交通流量需求,为所有交叉路口合理设置信号控制参数,使路网达到用户均衡状态时的整体性能最优的复杂优化问题。该问题通常被建模成一个双层优化问题,上层是信号配时优化,下层是交通分配过程。为求解该问题,本文提出了一个离线嵌套差分进化算法,并在此基础上构建了一个双层的交通信号控制系统。该系统的上层采用自适应差分进化算法对所有交叉路口的信号控制参数进行全局优化,并在其评价算子中嵌入一个用户均衡的随机交通分配过程。该交通分配通常包括动态路径选择和迭代流量转移两个步骤来处理交通需求的每个起终点（OD对）,当路网规模增大时将使嵌套差分进化算法的计算负担急剧增加。考虑到交通基础设施的稳定性和随机交通分配模型的概率容错性,本文进一步提出将动态路径选择步骤从嵌套进化过程中分离出来,并设计小生境蚁群优化算法预先为每个OD对生成多条较优的候选路径。通过离线完成路径选择任务,所提出系统可以避免为下层的交通分配过程重复地构建候选路径,从而大大节省了嵌套进化算法的计算成本,提高了其应用在大规模交通路网时的求解能力。在实验中通过在合成交通路网和实际交通路网上与现有方法进行比较,结果验证了所提出算法在求解质量和运行时间方面的有效性。综上所述,本文针对智能交通系统中具有混合变量、多优化目标、分层优化特征的复杂优化问题,分别设计了分层混合变量差分进化算法、偏好多目标差分进化算法、离线嵌套差分进化算法,提高了差分进化算法求解这三类复杂优化问题的性能和效率,促进了差分进化算法的发展与应用。
李文姬[10]（2020）在《约束多目标优化理论及其在超高层建筑风振控制中的应用研究》文中研究表明随着建筑科技和材料科学的发展,超高层建筑的建造高度越来越高。由于超高层建筑通常具有结构细长、刚度和阻尼较小等特点,在风荷载作用下,容易诱发大幅度振动。传统用于超高层建筑的风振控制装置,如调谐质量阻尼器（Tuned Mass Damper,简称TMD）和调谐液体阻尼器（Tuned Liquid Damper,简称TLD）,其参数优化的研究已经成熟。近年来,研究人员设计出了一种新型调谐质量惯容阻尼器,它在传统控制装置基础上加装了惯容器,如调谐质量阻尼惯容器（Tuned Mass Damper Inerter,简称TMDI）。其优点是可以在自身质量块较小的情况下,实现较好的风振控制效果。由于TMDI的设计参数较传统阻尼器多,目前在结构抗风领域对TMDI进行参数优化的研究还很有限,尤其是在同时考虑多个优化目标和多个约束的TMDI参数优化方面。鉴于此,本文研究超高层建筑TMDI风振控制的参数优化问题,采用约束多目标进化算法（Constrained Multi-Objective Evolutionary Algorithms,简称CMOEAs）对TMDI进行参数优化,以同时满足多个目标和多个约束的设计需求,其研究具有重要的理论和应用价值。事实上,早在上个世纪80年代王光远院士就提出了多目标多约束的普遍型结构模糊随机优化设计理论及其实用设计方法。但由于当时缺乏有效的多目标多约束优化问题求解手段,其处理的方式只能通过设定各个目标分量的权重来把多个目标集成为一个单目标优化问题进行求解。然而,在约束多目标优化问题中,事先设置合适的目标权重往往比较困难。本文试图应用人工智能领域中计算智能的最新成果——约束多目标进化算法对安装TMDI高层建筑的风致振动控制问题进行优化,期望获得比传统迭代优化方法更好的风致振动控制效果。在研究过程中,重点探索了以下几个方面的科学与工程问题:（1）用于综合评价CMOEAs性能的约束多目标测试问题设计;（2）用于求解约束多目标优化问题的CMOEA设计;（3）CMOEAs在单体超高层建筑TMDI优化设计中的应用;（4）CMOEAs在连体超高层建筑MTMDI（Multi-TMDI）优化设计中的应用。研究工作取得了如下创新性成果:（1）提出一类难度可调、目标和约束可扩展的约束多目标测试问题集（DASCMOPs）构建框架。该框架可以产生一系列由用户自定义的约束多目标测试问题,能够全面综合评估约束多目标进化算法在单一难度或多种难度下的性能。为下一步约束多目标进化算法的设计提供了评价标准。（2）提出一种基于Push和Pull搜索（简称PPS）的约束多目标进化算法框架。在PPS框架下,实现了一种基于分解的约束多目标进化算法,即PPS-MOEA/D。综合实验表明,在由DAS-CMOPs生成的LIR-CMOPs测试问题上,PPS-MOEA/D算法取得了最好的结果。所提出的PPS算法为单体超高层建筑TMDI和连体高层建筑MTMDI的设计提供了新的优化手段。（3）首次提出采用约束多目标进化算法对单体超高层建筑TMDI进行设计优化,克服了传统优化方法只能优化单一目标的局限。采用PPS和NSGA-II算法分别在横风向和顺风向气动力荷载下,对TMDI的六个变量进行了设计优化。实验研究表明,在不同方向的风向角下,采用PPS和NSGA-II获得的最优解要优于其他经验公式得到的解。此外,两种CMOEAs获得的最优解对应的TMDI不仅对结构动力特性的变化具有较强的稳健性,而且还可以显着减小单体超高层建筑的顶层加速度响应。（4）对连体超高层建筑MTMDI建立了约束多目标优化问题模型,采用PPS算法和NSGA-II算法对MTMDI问题进行了优化。在考虑MTMDI安装楼层高度差约束和两栋楼顶层峰值位移约束情况下,同时最小化两栋楼的顶层峰值加速度。实验结果表明,PPS算法在连体超高层建筑MTMDI优化上取得了比NSGA-II算法更好的结果。此外,两种CMOEAs算法获得的解都要优于人手工经验设计的结果。进一步分析发现在连体超高层建筑安装由PPS算法优化得到的MTMDI后,两栋建筑在不同风向角下的风致加速度响应明显减小。对于建筑1,在90°风向角下峰值加速度响应降低了50%。对于建筑2,在0°和270°风向角下峰值加速度响应分别降低了55.6%和50%。
二、进化计算及其在智能控制中的应用（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、进化计算及其在智能控制中的应用（论文提纲范文）
（1）高压输电塔结构地震响应被动—半主动混合控制分析与试验（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 结构智能振动控制理论 |
| 1.3 智能材料在结构振动控制中的应用 |
| 1.3.1 形状记忆合金 |
| 1.3.2 压电材料 |
| 1.4 智能优化及控制算法研究现状 |
| 1.4.1 遗传算法 |
| 1.4.2 人工免疫算法 |
| 1.5 输电塔结构抗震研究现状 |
| 1.5.1 被动控制 |
| 1.5.2 主动控制 |
| 1.5.3 半主动控制 |
| 1.6 本文主要研究内容 |
| 参考文献 |
| 2 混合减震控制系统的设计与性能试验 |
| 2.1 压电堆驱动器 |
| 2.2 SMA丝超弹性性能试验研究 |
| 2.2.1 试验材料与设备 |
| 2.2.2 试验工况 |
| 2.2.3 试验结果与分析 |
| 2.3 混合减震系统设计与工作原理 |
| 2.3.1 构造设计与工作原理 |
| 2.3.2 加工制作 |
| 2.4 能源提供 |
| 2.4.1 光伏发电系统原理 |
| 2.4.2 独立光伏发电系统的设计 |
| 2.5 混合减震控制系统力学性能试验研究 |
| 2.5.1 预压力的施加 |
| 2.5.2 设计参数 |
| 2.5.3 加载方案 |
| 2.5.4 试验结果与分析 |
| 2.6 本章小结 |
| 参考文献 |
| 3 基于遗传算法优化的混合减震系统BP神经网络本构模型 |
| 3.1 遗传算法原理 |
| 3.2 BP神经网络算法原理 |
| 3.3 遗传算法优化的BP神经网络算法 |
| 3.4 基于遗传算法优化的SMABP神经网络本构模型 |
| 3.4.1 确定BP网络结构 |
| 3.4.2 训练样本采集与处理 |
| 3.4.3 仿真结果比较与分析 |
| 3.4.4 确定遗传算法优化参数 |
| 3.5 基于遗传算法优化的混合减震控制系统BP神经网络本构模型 |
| 3.5.1 网络结构 |
| 3.5.2 样本数据 |
| 3.5.3 优化参数 |
| 3.5.4 仿真结果 |
| 3.6 本章小结 |
| 参考文献 |
| 4 基于改进的免疫克隆选择算法的输电塔结构混合减震系统优化配置研究 |
| 4.1 基本免疫克隆选择算法 |
| 4.1.1 基本免疫克隆选择算法的流程 |
| 4.1.2 基本免疫克隆选择算法的存在问题 |
| 4.2 改进的免疫克隆选择算法 |
| 4.2.1 抗体与抗体之间的亲和度 |
| 4.2.2 实数编码 |
| 4.2.3 Logistic混沌序列初始化抗体群 |
| 4.2.4 变异算子的改进 |
| 4.2.5 改进后的免疫克隆算法步骤 |
| 4.3 优化准则 |
| 4.4 混合减震控制系统优化配置算例分析 |
| 4.4.1 优化模型 |
| 4.4.2 优化结果与分析 |
| 4.4.3 优化控制分析 |
| 4.5 本章小结 |
| 参考文献 |
| 5 结构地震响应模糊神经网络控制系统 |
| 5.1 受控系统的状态空间模型 |
| 5.1.1 状态空间的基本概念 |
| 5.1.2 振动控制状态方程 |
| 5.1.3 状态空间模型建立 |
| 5.1.4 控制力位置矩阵建立 |
| 5.2 模糊控制基本原理 |
| 5.3 模糊神经网络控制原理 |
| 5.4 模糊神经网络控制流程 |
| 5.5 模糊神经网络控制系统的设计 |
| 5.5.1 LQR最优主动控制训练样本 |
| 5.5.2 基于自适应模糊神经推理系统的控制仿真 |
| 5.6 算例分析 |
| 5.6.1 模型选取 |
| 5.6.2 生成LQR主动最优控制训练样本 |
| 5.6.3 训练模糊神经推理系统 |
| 5.6.4 模糊神经网络控制仿真分析 |
| 5.7 本章小结 |
| 参考文献 |
| 6 高压输电塔结构地震响应混合减震控制试验研究 |
| 6.1 试验装置与设备 |
| 6.1.1 试验模型 |
| 6.1.2 混合减震控制系统布置与安装 |
| 6.2 试验装置 |
| 6.2.1 试验设备 |
| 6.2.2 驱动电源的设计 |
| 6.2.3 控制系统 |
| 6.3 传感器布置及试验工况 |
| 6.3.1 传感器布置 |
| 6.3.2 试验工况 |
| 6.4 控制流程 |
| 6.5 试验结果与分析 |
| 6.5.1 动力特性分析 |
| 6.5.2 动力反应分析 |
| 6.6 本章小结 |
| 参考文献 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 工作展望 |
| 致谢 |
| 附录 |
（2）基于膜计算的移动机器人自主行走控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的提出 |
| 1.2 国内外研究现状 |
| 1.2.1 膜计算研究现状 |
| 1.2.2 移动机器人发展概况 |
| 1.2.3 移动机器人自主行走关键问题研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 基于膜计算的移动机器人自主行走控制分析 |
| 2.1 引言 |
| 2.2 移动机器人自主行走控制的膜计算基础 |
| 2.2.1 膜算法 |
| 2.2.2 数值膜系统定义 |
| 2.2.3 酶数值膜系统定义 |
| 2.3 基于膜计算的移动机器人自主行走控制体系分析 |
| 2.3.1 基于膜计算的认知体系 |
| 2.3.2 基于膜计算的混合式体系结构分析 |
| 2.4 本章小结 |
| 第3章 基于膜计算的移动机器人路径规划方法 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于m MPSO算法的移动机器人路径规划 |
| 3.3.1 路径规划问题的数学建模 |
| 3.3.2 可变维策略分析 |
| 3.3.3 m MPSO算法描述 |
| 3.4 实验验证及结果分析 |
| 3.5 本章小结 |
| 第4章 基于膜计算的移动机器人轨迹跟踪方法 |
| 4.1 引言 |
| 4.2 移动机器人轨迹跟踪问题描述 |
| 4.3 移动机器人轨迹跟踪控制器 |
| 4.3.1 移动机器人运动学控制器设计 |
| 4.3.2 移动机器人动力学控制器设计 |
| 4.4 实验验证及分析 |
| 4.4.1 运动学控制器仿真实验 |
| 4.4.2 动力学控制器计算机仿真及分析 |
| 4.5 本章小结 |
| 第5章 基于膜计算的移动机器人多行为融合控制方法 |
| 5.1 引言 |
| 5.2 移动机器人自主行走中的行为选择 |
| 5.3 环境状态识别的膜分类器设计 |
| 5.3.1 局部环境模型定义 |
| 5.3.2 环境模型膜分类器设计 |
| 5.4 基本行为控制律设计 |
| 5.4.1 趋向目标行为 |
| 5.4.2 避障行为 |
| 5.4.3 随墙行为 |
| 5.4.4 穿越通道行为 |
| 5.4.5 自转行为 |
| 5.4.6 紧急调头行为 |
| 5.5 基于膜系统的多行为融合控制器设计 |
| 5.5.1 多行为动态选择策略 |
| 5.5.2 行为融合的膜控制器设计 |
| 5.6 实验验证及分析 |
| 5.6.1 环境分类器实验 |
| 5.6.2 多行为融合控制器对比实验 |
| 5.7 本章小结 |
| 第6章 实验验证及结果分析 |
| 6.1 引言 |
| 6.2 膜控制器实现的系统框架 |
| 6.3 膜控制器实现的软硬件平台 |
| 6.3.1 数值膜系统仿真平台 |
| 6.3.2 移动机器人平台 |
| 6.4 实验结果及分析 |
| 6.4.1 轨迹跟踪计算机仿真及结果分析 |
| 6.4.2 多行为融合实验及结果分析 |
| 6.4.3 实体平台实验 |
| 6.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间科研成果 |
（3）基于SMA-压电复合减震系统的电抗器结构地震响应控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 智能混合控制技术 |
| 1.3 智能材料及其在结构振动控制中的应用 |
| 1.3.1 形状记忆合金 |
| 1.3.2 磁流变 |
| 1.3.3 压电陶瓷 |
| 1.3.4 磁致伸缩材料 |
| 1.4 智能复合减振技术研究现状 |
| 1.4.1 SMA复合基础隔震装置 |
| 1.4.2 SMA摩擦复合阻尼器 |
| 1.4.3 其它SMA复合减震装置 |
| 1.4.4 压电陶瓷复合减振装置 |
| 1.4.5 SMA-压电摩擦复合减震装置 |
| 1.5 智能优化方法 |
| 1.5.1 遗传算法 |
| 1.5.2 人工免疫算法 |
| 1.6 电抗器结构的抗震研究现状 |
| 1.6.1 电抗器的种类和功能 |
| 1.6.2 电抗器结构的震害研究 |
| 1.7 本文研究内容 |
| 2 自适应免疫记忆克隆算法 |
| 2.1 生物免疫系统 |
| 2.1.1 免疫系统组成、功能与特点 |
| 2.1.2 免疫系统工作原理 |
| 2.1.3 免疫应答 |
| 2.2 人工免疫算法理论 |
| 2.2.1 AIS算法的描述 |
| 2.2.2 AIS算法的特点 |
| 2.2.3 基本克隆选择算法 |
| 2.3 自适应免疫记忆克隆算法 |
| 2.3.1 亲和度函数构造 |
| 2.3.2 混沌序列初始化抗体群 |
| 2.3.3 变异算子的改进 |
| 2.3.4 实现步骤 |
| 2.4 二维函数测试 |
| 2.4.1 测试函数 |
| 2.4.2 GA的改进 |
| 2.4.3 参数设定 |
| 2.4.4 测试结果与分析 |
| 2.5 本章小结 |
| 3 基于AIMCA的工程结构减震装置优化设计 |
| 3.1 受控结构运动状态方程 |
| 3.1.1 振动控制状态方程 |
| 3.1.2 控制力位置矩阵建立 |
| 3.2 改进的遗传算法 |
| 3.2.1 传统遗传算法交叉与变异 |
| 3.2.2 改进编码方式 |
| 3.2.3 改进交叉算子 |
| 3.2.4 改进变异算子 |
| 3.3 优化准则 |
| 3.4 优化算例 |
| 3.4.1 空间网架模型 |
| 3.4.2 算法参数 |
| 3.4.3 优化结果与分析 |
| 3.5 优化结果控制分析 |
| 3.6 本章小结 |
| 4 SMA-压电摩擦复合减震装置的设计与力学性能试验 |
| 4.1 压电陶瓷驱动器 |
| 4.1.1 工作原理 |
| 4.1.2 使用要求 |
| 4.2 SMA-压电摩擦复合减震装置 |
| 4.2.1 构造设计 |
| 4.2.2 工作原理 |
| 4.2.3 加工制作 |
| 4.3 SMA丝超弹性性能试验 |
| 4.3.1 试验材料与设备 |
| 4.3.2 试验工况 |
| 4.3.3 试验结果与分析 |
| 4.4 SMA-压电摩擦复合减震装置性能试验 |
| 4.4.1 预压力的施加 |
| 4.4.2 设计参数 |
| 4.4.3 加载方案 |
| 4.4.4 试验结果与分析 |
| 4.5 本章小结 |
| 5 基于AIMCA的复合减震装置神经网络本构模型 |
| 5.1 SMA本构模型 |
| 5.1.1 唯象理论模型 |
| 5.1.2 四折线简化模型 |
| 5.2 AIMCA优化BP网络算法 |
| 5.2.1 BP网络算法原理 |
| 5.2.2 BP网络算法的缺点 |
| 5.2.3 AIMCA优化BP网络算法 |
| 5.3 SMA神经网络本构模型 |
| 5.3.1 确定BP网络结构 |
| 5.3.2 训练样本采集与处理 |
| 5.3.3 仿真结果比较与分析 |
| 5.4 AIMCA优化的复合减震装置BP网络本构模型 |
| 5.4.1 网络结构 |
| 5.4.2 样本数据 |
| 5.4.3 优化参数 |
| 5.4.4 仿真结果 |
| 5.5 本章小结 |
| 6 SMA-压电摩擦复合减震装置的减震性能分析 |
| 6.1 BOUC-WEN恢复力模型 |
| 6.2 非线性结构振动控制运动状态方程 |
| 6.3 控制策略 |
| 6.3.1 控制过程 |
| 6.3.2 模糊控制器设计 |
| 6.4 算例分析 |
| 6.4.1 地震波选取 |
| 6.4.2.单自由度弹性结构 |
| 6.4.3.非线性结构分析 |
| 6.5 本章小结 |
| 7 干式空心电抗器结构减震控制试验 |
| 7.0 试验模型 |
| 7.1 减震装置安装 |
| 7.2 试验装置及设备 |
| 7.2.1 振动台系统 |
| 7.2.3 仿真控制系统 |
| 7.3 传感器布置及试验工况 |
| 7.3.1 传感器布置 |
| 7.3.2 试验工况 |
| 7.4 控制流程 |
| 7.5 试验结果与分析 |
| 7.5.1 动力特性分析 |
| 7.5.2 动力反应分析 |
| 7.5.3 试验与仿真对比 |
| 7.6 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论 |
| 8.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表论文情况 |
| 攻读博士期间参与科研项目情况 |
| 专利申请情况 |
（4）基于粗糙集、思维进化的模糊控制策略在倒立摆系统中的研究（论文提纲范文）
| 第一章 绪论 |
| 1.1 智能控制概述 |
| 1.2 模糊控制 |
| 1.3 智能控制领域的新成员-粗糙集理论和思维进化算法 |
| 1.4 倒立摆系统及其一般控制策略 |
| 1.5 立论依据和主要工作 |
| 参考文献 |
| 第二章 粗糙集理论及其在智能控制中的应用 |
| 2.1 粗糙集理论的概述 |
| 2.2 粗糙集的基本理论 |
| 2.3 粗糙集理论在智能控制中的应用 |
| 2.4 本章小结 |
| 参考文献 |
| 第三章 进化计算与思维进化算法 |
| 3.1 进化计算 |
| 3.2 思维进化算法 |
| 3.3 思维进化算法的发展与应用 |
| 3.4 本章小结 |
| 参考文献 |
| 第四章 基于粗糙集、思维进化的模糊控制策略及其在倒立摆系统中的应用 |
| 4.1 PID控制策略在倒立摆系统中的应用 |
| 4.2 模糊控制策略在倒立摆系统中的应用 |
| 4.3 基于粗糙集、思维进化的模糊控制策略 |
| 4.4 RBMFC策略控制二级倒立摆系统 |
| 4.5 算法分析 |
| 4.6 本章小结 |
| 参考文献 |
| 第五章 结束语 |
| 附录 硕士期间发表论文 |
| 致谢 |
（5）增强学习及其在移动机器人导航与控制中的应用研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| §1.1 本文的研究背景概述 |
| §1.2 增强学习理论与应用综述 |
| 1.2.1 增强学习研究的相关学科背景 |
| 1.2.2 增强学习算法的研究进展 |
| 1.2.3 增强学习的泛化方法研究概况 |
| 1.2.4 增强学习的理论研究进展 |
| 1.2.5 增强学习应用的研究进展 |
| 1.2.6 国内研究现状和进一步有待解决的问题 |
| §1.3 移动机器人导航控制方法的研究现状和发展趋势 |
| 1.3.1 移动机器人体系结构的研究进展 |
| 1.3.2 移动机器人反应式导航方法的研究概况 |
| 1.3.3 移动机器人路径跟踪控制的研究概况 |
| §1.4 本文的主要研究内容和成果 |
| 第二章 时域差值学习理论与算法 |
| §2.1 Markov链与多步学习预测问题 |
| 2.1.1 Markov链的基础理论 |
| 2.1.2 基于Markov链的多步学习预测问题 |
| §2.2 TD（λ）学习算法 |
| 2.2.1 表格型TD（λ）学习算法 |
| 2.2.2 基于值函数逼近的TD（λ）学习算法 |
| §2.3 多步递推最小二乘TD学习算法及其收敛性理论 |
| 2.3.1 多步递推最小二乘TD学习算法 |
| 2.3.2 RLS-TD（λ）学习算法的一致收敛性分析 |
| §2.4 多步学习预测的仿真研究 |
| 2.4.1 HopWorld问题学习预测仿真 |
| 2.4.2 连续状态随机行走问题的学习预测仿真 |
| §2.5 小结 |
| 第三章 求解马氏决策问题的梯度增强学习算法 |
| §3.1 Markov决策过程与表格型增强学习算法 |
| 3.1.1 Markov决策过程及其最优值函数 |
| 3.1.2 表格型增强学习算法及其收敛性理论 |
| §3.2 基于CMAC的直接梯度增强学习算法 |
| 3.2.1 CMAC的结构 |
| 3.2.2 基于CMAC的直接梯度增强学习算法 |
| 3.2.3 两种改进的CMAC结构及其应用实例 |
| §3.3 基于值函数逼近的残差梯度增强学习算法 |
| 3.3.1 多层前馈神经网络函数逼近器与已有的梯度增强学习算法 |
| 3.3.2 非平稳策略残差梯度（RGNP）增强学习算法 |
| 3.3.3 RGNP算法的收敛性与近似最优策略性能的理论分析 |
| 3.3.4 Mountain-Car问题的仿真研究 |
| 3.3.5 Acrobot学习控制的仿真研究 |
| §3.4 求解连续行为空间Markov决策问题的快速AHC学习算法 |
| 3.4.1 AHC学习算法与执行器-评判器学习控制结构 |
| 3.4.2 快速AHC学习算法 |
| 3.4.3 连续控制量条件下倒立摆学习控制仿真 |
| 3.4.4 连续控制量条件下Acrobot系统的学习控制 |
| §3.5 小结 |
| 第四章 求解马氏决策问题的进化梯度混合学习算法 |
| §4.1 进化计算的基本原理和方法 |
| 4.1.1 进化计算的基本原理和算法框架 |
| 4.1.2 进化算法的基本要素 |
| 4.1.3 进化算法的控制参数和性能评估 |
| §4.2 求解离散行为空间MDP的进化-梯度混合学习算法（HERG） |
| 4.2.1 HERG算法的设计要点 |
| 4.2.2 HERG算法的流程 |
| 4.2.3 HERG算法的应用实例———Mountain-Car学习控制问题 |
| 4.2.4 离散控制量条件下Acrobot系统的进化增强学习仿真 |
| §4.3 求解连续行为空间MDP的进化-梯度混合学习算法（EAHC） |
| 4.3.1 进化AHC算法（EAHC） |
| 4.3.2 连续控制量条件下Acrobot系统的进化增强学习仿真 |
| §4.4 小结 |
| 第五章 增强学习在移动机器人路径跟踪控制中的应用 |
| §5.1 基于增强学习的自适应PID控制器 |
| §5.2 自动驾驶汽车的侧向增强学习控制 |
| 5.2.1 自动驾驶汽车的动力学模型 |
| 5.2.2 用于自动驾驶汽车侧向控制的增强学习PID控制器设计 |
| 5.2.3 自动驾驶汽车直线路径跟踪仿真 |
| §5.3 基于增强学习的室内移动机器人路径跟踪控制仿真与实验研究 |
| 5.3.1 一类室内移动机器人系统的运动学和动力学模型 |
| 5.3.2 增强学习路径跟踪控制器设计 |
| 5.3.3 参考路径为直线的仿真研究 |
| 5.3.4 参考路径为圆弧时的仿真研究 |
| 5.3.5 CIT-AVT-VI移动机器人实时在线学习路径跟踪实验 |
| §5.4 小结 |
| 第六章 基于增强学习的移动机器人反应式导航方法 |
| §6.1 基于分层学习的移动机器人体系结构 |
| §6.2 基于增强学习的移动机器人反应式导航方法 |
| 6.2.1 未知环境中移动机器人导航混合式体系结构的具体设计 |
| 6.2.2 基于增强学习的反应式导航算法 |
| §6.3 移动机器人增强学习导航的仿真和实验研究 |
| 6.3.1 CIT-AVT-VI移动机器人的传感器与仿真实验环境 |
| 6.3.2 增强学习导航的仿真研究 |
| 6.3.3 CIT-AVT-VI移动机器人实时学习导航控制实验 |
| §6.4 小结 |
| 第七章 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录： 作者在攻读博士学位期间完成的学术着作与论文以及参加的科研项目 |
（6）交通网络流分布式协同控制与基于云计算的并行优化（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流反应式控制 |
| 1.2.2 交通流模型预测控制 |
| 1.2.3 交通流深度强化学习控制 |
| 1.2.4 交通流大数据分布式并行处理 |
| 1.3 论文的研究内容及组织结构 |
| 2 基于宏观交通流模型的分布式协同控制及并行优化 |
| 2.1 引言 |
| 2.2 总体架构 |
| 2.3 优化模型 |
| 2.3.1 公共周期优化 |
| 2.3.2 绿信比优化 |
| 2.3.3 相位差优化 |
| 2.4 粗粒度并行自适应遗传算法求解策略 |
| 2.4.1 自适应遗传算法 |
| 2.4.2 自适应遗传算法的并行优化策略 |
| 2.4.3 基于CPAGA优化的分布式协同控制 |
| 2.5 仿真结果与分析 |
| 2.5.1 试验设计与参数设置 |
| 2.5.2 收敛性和计算效率比较 |
| 2.5.3 信号周期变化趋势 |
| 2.5.4 控制性能比较 |
| 2.6 本章小结 |
| 3 基于微观交通流模型的分布式协同预测控制及并行优化 |
| 3.1 引言 |
| 3.2 总体架构 |
| 3.3 交通流微观仿真建模 |
| 3.3.1 时空约束 |
| 3.3.2 位置限制 |
| 3.3.3 更新规则 |
| 3.3.4 驾驶路径选择行为 |
| 3.4 交通网络流模型预测控制 |
| 3.4.1 预测模型 |
| 3.4.2 优化目标 |
| 3.4.3 滚动时域 |
| 3.5 基于Spark云计算的MPC并行优化策略 |
| 3.5.1 两级分层并行遗传算法 |
| 3.5.2 基于Spark云的预测时域并行优化求解 |
| 3.5.3 交通网络流滚动时域MPC控制 |
| 3.6 仿真结果与分析 |
| 3.6.1 试验设计及参数设置 |
| 3.6.2 评价指标 |
| 3.6.3 控制性能比较 |
| 3.6.4 计算效率比较 |
| 3.7 本章小结 |
| 4 基于深度学习模型的交通网络流时空特征学习及并行优化 |
| 4.1 引言 |
| 4.2 基于深度学习模型的交通网络流时空特征学习 |
| 4.2.1 CNN-LSTM学习模型 |
| 4.2.2 训练样本构造 |
| 4.3 深度学习并行训练的理论分析 |
| 4.3.1 设计动机 |
| 4.3.2 目标函数 |
| 4.3.3 并行特征前向提取 |
| 4.3.4 并行误差反向传播 |
| 4.4 基于Spark云的并行训练实施方案 |
| 4.4.1 并行训练算法 |
| 4.4.2 并行训练的实施过程 |
| 4.5 仿真结果与分析 |
| 4.5.1 试验设计与参数设置 |
| 4.5.2 评价指标 |
| 4.5.3 预测精度和通用能力比较 |
| 4.5.4 收敛性和计算效率比较 |
| 4.5.5 时空特征学习效果 |
| 4.6 本章小结 |
| 5 基于分布式深度强化学习模型的协同控制及并行优化 |
| 5.1 引言 |
| 5.2 总体架构 |
| 5.2.1 边缘计算架构 |
| 5.2.2 基于MADRL的交通网络流控制边缘计算实现架构 |
| 5.3 协同多智能体actor-critic深度强化学习方法 |
| 5.3.1 值分解网络 |
| 5.3.2 基于改进VDN的CMAC深度强化学习 |
| 5.4 基于CMAC的交通多智能体建模 |
| 5.4.1 状态 |
| 5.4.2 动作 |
| 5.4.3 奖赏 |
| 5.4.4 Actor-critic深度强化学习网络 |
| 5.5 基于边缘计算的交通网络流CMAC控制 |
| 5.6 仿真验证与分析 |
| 5.6.1 试验设计与参数设置 |
| 5.6.2 评价指标 |
| 5.6.3 云端并行学习 |
| 5.6.4 边缘端实时控制 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 附录 A 符号表 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）基于数据驱动的间歇化工过程批次内和批次间复合优化控制策略研究（论文提纲范文）
| 缩略语表 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 间歇化工生产过程控制的难点及常用控制策略 |
| 1.2.1 间歇化工生产过程控制难点 |
| 1.2.2 间歇生产过程的常用控制策略 |
| 1.3 数据驱动控制 |
| 1.3.1 模型驱动控制与数据驱动控制的比较 |
| 1.3.2 PID控制及自整定策略 |
| 1.3.3 迭代学习控制 |
| 1.4 间歇化工过程控制复合架构研究 |
| 1.4.1 复合架构研究的必要性 |
| 1.4.2 复合架构的形式 |
| 1.4.3 间歇化工过程中复合架构迭代学习控制的应用情况 |
| 1.5 时序预测技术与终点质量迭代学习控制 |
| 1.5.1 时序预测技术研究现状 |
| 1.5.2 终点质量迭代学习控制研究现状 |
| 1.6 研究论文的主要内容 |
| 第二章 间歇化工过程批次内时间域控制 |
| 2.1 引言 |
| 2.2 RBF神经网络及差分进化算法 |
| 2.2.1 RBF神经网络结构及学习算法 |
| 2.2.2 差分进化算法 |
| 2.3 IDE-RBF-LM-PID算法设计 |
| 2.3.1 RBF-PID控制算法 |
| 2.3.2 LM算法改进RBF-PID |
| 2.3.3 IDE算法优化RBF网络 |
| 2.4 智能自整定PID控制算法电加热控制实现 |
| 2.4.1 电热水浴装置 |
| 2.4.2 算法设计 |
| 2.4.3 仿真验证 |
| 2.5 智能自整定PID控制算法微化工过程制冷箱控制实现 |
| 2.5.1 制冷箱和控制系统设计 |
| 2.5.2 程序设计 |
| 2.5.3 控制结果 |
| 2.6 智能自整定PID控制算法Chylla Haase间歇反应釜控制实现 |
| 2.6.1 Chylla Haase间歇反应装置 |
| 2.6.2 数学模型 |
| 2.6.3 Matlab Simulink模型开发 |
| 2.6.4 算法设计 |
| 2.6.5 仿真验证 |
| 2.7 本章小结 |
| 第三章 间歇化工过程批次间迭代学习控制及复合控制实现 |
| 3.1 引言 |
| 3.2 复合结构的稳定性分析 |
| 3.2.1 系统形式 |
| 3.2.2 复合控制器结构 |
| 3.2.3 稳定性分析 |
| 3.3 批次间迭代学习控制自适应算法设计 |
| 3.3.1 去伪控制算法 |
| 3.3.2 设计批次间去伪控制算法 |
| 3.3.3 基于有限控制器参数集合的去伪控制策略自适应ILC及算法收敛性证明 |
| 3.4 自适应迭代学习控制算法应用设计 |
| 3.4.1 间歇化工过程批次间控制的难点及大小批次划分 |
| 3.4.2 大小批次划分后初始控制问题 |
| 3.5 Chylla Haase间歇反应过程复合控制实验结果及分析 |
| 3.5.1 方案设计 |
| 3.5.2 结果分析 |
| 3.6 本章小结 |
| 第四章 基于LSTM的间歇蒸馏过程转馏分点预测及终点质量迭代学习控制 |
| 4.1 引言 |
| 4.2 基于LSTM的时序预测建模 |
| 4.2.1 模型建立流程 |
| 4.2.2 数据重构 |
| 4.2.3 长短期记忆神经网络建模基础 |
| 4.2.4 模型搭建与预测 |
| 4.3 数据驱动终点质量迭代学习控制对D1 蒸馏过程纯度的控制 |
| 4.3.1 终点迭代学习控制算法设计 |
| 4.3.2 算法实现 |
| 4.4 系统GUI软件集成 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文主要工作 |
| 5.2 主要创新点 |
| 5.3 下一步工作展望 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 主要简历 |
| 致谢 |
（8）数字孪生建模方法及其在热力系统优化运行中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号及缩写表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 能源电力发展背景与现状 |
| 1.1.2 智能控制优化研究现状 |
| 1.2 热力系统建模仿真及大数据技术研究现状 |
| 1.2.1 热力系统建模研究现状 |
| 1.2.2 电力大数据及其发展现状 |
| 1.2.3 热力系统仿真技术发展背景 |
| 1.3 数字孪生技术的应用现状及关键技术 |
| 1.3.1 数字孪生的应用发展现状 |
| 1.3.2 数字孪生研究的关键技术 |
| 1.3.3 数字孪生发展面临的挑战 |
| 1.4 论文的研究内容 |
| 第2章 大数据背景下的数字孪生与热力系统建模理论 |
| 2.1 数字孪生的基本理论 |
| 2.1.1 数字孪生的定义与内涵 |
| 2.1.2 数字孪生与仿真技术之间的关系 |
| 2.1.3 数字孪生与信息物理系统之间的关系 |
| 2.2 热力系统建模理论与方法 |
| 2.2.1 流体网络机理建模理论与方法 |
| 2.2.2 数据驱动建模理论与方法 |
| 2.3 大数据的基本理论 |
| 2.3.1 大数据平台框架及相关技术 |
| 2.3.2 大数据存储管理与预处理方法 |
| 2.3.3 大数据分布式集群平台构建 |
| 2.4 本章小结 |
| 第3章 基于改进即时学习策略的自适应数据驱动建模方法研究 |
| 3.1 基于改进即时学习策略的自适应数据驱动建模方法 |
| 3.1.1 建模思路 |
| 3.1.2 基于改进遗传模拟退火算法的模糊聚类工况划分 |
| 3.1.3 基于多层次综合相似度度量的相似工况识别 |
| 3.1.4 基于Spark平台的数据驱动局部模型建模 |
| 3.2 SCR脱硝系统数据驱动建模应用案例 |
| 3.2.1 建模对象及背景介绍 |
| 3.2.2 数据预处理和相似工况选取 |
| 3.2.3 局部建模过程及结果分析 |
| 3.3 电锅炉供热系统荷侧和源侧负荷预测建模应用案例 |
| 3.3.1 建模对象及背景介绍 |
| 3.3.2 荷侧供热负荷预测模型 |
| 3.3.3 源侧电负荷预测 |
| 3.4 本章小结 |
| 第4章 热力系统数字孪生建模理论及应用 |
| 4.1 热力系统数字孪生建模思路 |
| 4.1.1 数字孪生建模方法的提出 |
| 4.1.2 数字孪生模型的构建方法及流程 |
| 4.2 数字孪生机理模型的构建 |
| 4.2.1 管路模型 |
| 4.2.2 调节阀模型 |
| 4.2.3 离心水泵模型 |
| 4.2.4 换热器模型 |
| 4.3 数字孪生模型的协同与融合理论 |
| 4.3.1 数字孪生模型离线智能参数辨识 |
| 4.3.2 数字孪生模型参数在线自适应协同 |
| 4.3.3 基于移动窗格信息熵的多模型输出在线融合 |
| 4.4 数字孪生建模实例分析 |
| 4.4.1 脱硝系统数字孪生模型的建立 |
| 4.4.2 供热系统数字孪生模型的建立 |
| 4.5 本章小结 |
| 第5章 基于热力系统数字孪生模型的节能控制优化 |
| 5.1 基于数字孪生模型的智能工况动态寻优 |
| 5.1.1 热力系统智能工况动态寻优策略 |
| 5.1.2 基于数字孪生模型的供热储热系统智能工况动态寻优 |
| 5.2 基于数字孪生模型的自适应预测控制优化 |
| 5.2.1 基于数字孪生模型的预测控制算法 |
| 5.2.2 基于数字孪生模型预测控制的喷氨量优化 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要研究工作及成果 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（9）问题特征驱动的差分进化算法设计及其在智能交通系统的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 智能交通系统中的典型优化问题 |
| 1.2.1 电动汽车充电调度问题 |
| 1.2.2 交通信号控制问题 |
| 1.3 智能优化算法求解复杂交通优化问题的局限性 |
| 1.3.1 智能优化算法求解混合变量交通优化问题的局限性 |
| 1.3.2 智能优化算法求解多目标交通优化问题的局限性 |
| 1.3.3 智能优化算法求解分层交通优化问题的局限性 |
| 1.4 论文主要研究工作与创新点 |
| 1.5 论文主要章节安排 |
| 第二章 相关研究 |
| 2.1 经典差分进化算法及其在智能交通系统的应用 |
| 2.2 混合变量差分进化算法及其在智能交通系统的应用研究 |
| 2.3 多目标差分进化算法及其在智能交通系统的应用研究 |
| 2.4 嵌套差分进化算法及其在智能交通系统的应用研究 |
| 2.5 本章小结 |
| 第三章 分层混合变量差分进化算法求解电动汽车协同充电调度问题的研究 |
| 3.1 引言 |
| 3.2 电动汽车协同充电调度问题建模 |
| 3.2.1 基本术语 |
| 3.2.2 问题表达 |
| 3.2.3 整体模型 |
| 3.3 电动汽车协同充电调度系统框架 |
| 3.3.1 通信框架 |
| 3.3.2 工作流程 |
| 3.4 分层混合变量差分进化算法 |
| 3.4.1 MVDE算法流程 |
| 3.4.2 充电站路径构建 |
| 3.4.3 分层混合变量变异 |
| 3.4.4 约束感知评估 |
| 3.4.5 算法复杂度分析 |
| 3.5 实验结果与对比分析 |
| 3.5.1 测试数据 |
| 3.5.2 实验设置 |
| 3.5.3 结果对比 |
| 3.5.4 影响分析 |
| 3.5.5 与解析优化技术的比较 |
| 3.6 本章小结 |
| 第四章 偏好多目标差分进化算法求解电动汽车多目标充电调度问题的研究 |
| 4.1 引言 |
| 4.2 电动汽车多目标充电调度问题建模 |
| 4.2.1 电动汽车 |
| 4.2.2 充电调度 |
| 4.2.3 多个目标 |
| 4.3 电动汽车多目标充电调度系统框架 |
| 4.4 偏好多目标差分进化算法 |
| 4.4.1 异构子种群的协同进化 |
| 4.4.2 个体解的更新 |
| 4.4.3 拐点解和边界解的优先保留机制 |
| 4.4.4 算法复杂度分析 |
| 4.5 实验结果与对比分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验设置 |
| 4.5.3 实验结果 |
| 4.6 本章小结 |
| 第五章 离线嵌套差分进化算法求解大规模交通信号控制问题的研究 |
| 5.1 引言 |
| 5.2 交通信号控制问题建模 |
| 5.2.1 交叉路口模式 |
| 5.2.2 信号配时 |
| 5.2.3 交通分配 |
| 5.2.4 车辆路由 |
| 5.3 交通信号控制系统框架 |
| 5.4 离线嵌套差分进化算法 |
| 5.4.1 求解信号配时优化的ADE算法 |
| 5.4.2 完成流量迭代转移的Frank-Wolf算法 |
| 5.4.3 完成车辆多路由优化的NACO算法 |
| 5.4.4 算法复杂度分析 |
| 5.5 实验结果与对比分析 |
| 5.5.1 交通路网 |
| 5.5.2 实验设置 |
| 5.5.3 结果对比 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）约束多目标优化理论及其在超高层建筑风振控制中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 1.5 论文结构 |
| 第2章 超高层建筑风振控制与约束多目标优化现状 |
| 2.1 引言 |
| 2.2 超高层建筑风振控制综述 |
| 2.3 约束多目标进化算法综述 |
| 2.4 风振控制的约束多目标优化 |
| 2.5 本章小结 |
| 第3章 难度可调可扩展的约束多目标测试问题集设计 |
| 3.1 引言 |
| 3.2 约束对PF的影响 |
| 3.3 约束多目标测试问题现状 |
| 3.4 CMOPs难度类型和等级 |
| 3.5 CMOPs构建方法 |
| 3.6 DAS-CMOPs设计框架 |
| 3.7 难度可调测试问题设计实例 |
| 3.8 仿真实验研究 |
| 3.9 小结 |
| 第4章 基于PPS框架的约束多目标进化算法 |
| 4.1 引言 |
| 4.2 PPS基本框架 |
| 4.3 PPS在MOEA/D的实现 |
| 4.4 仿真实验研究 |
| 4.5 小结 |
| 第5章 单体超高层建筑TMDI约束多目标优化 |
| 5.1 引言 |
| 5.2 超高层建筑TMDI优化概述 |
| 5.3 TMDI建模与多目标决策 |
| 5.4 超高层建筑TMDI案例研究 |
| 5.5 TMDI鲁棒分析与设计考虑 |
| 5.6 小结 |
| 第6章 连体超高层建筑MTMDI约束多目标优化 |
| 6.1 引言 |
| 6.2 工程背景 |
| 6.3 MTMDI优化问题建模 |
| 6.4 MTMDI优化案例研究 |
| 6.5 小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 附录A 附录 |
| 个人简历 在学期间发表论文情况 |
| 致谢 |
四、进化计算及其在智能控制中的应用（论文参考文献）
- [1]高压输电塔结构地震响应被动—半主动混合控制分析与试验[D]. 余滨杉. 西安建筑科技大学, 2018(06)
- [2]基于膜计算的移动机器人自主行走控制方法研究[D]. 王学渊. 西南交通大学, 2018(03)
- [3]基于SMA-压电复合减震系统的电抗器结构地震响应控制研究[D]. 展猛. 西安建筑科技大学, 2017(06)
- [4]基于粗糙集、思维进化的模糊控制策略在倒立摆系统中的研究[D]. 顼晓娟. 太原理工大学, 2003(01)
- [5]增强学习及其在移动机器人导航与控制中的应用研究[D]. 徐昕. 国防科学技术大学, 2002(02)
- [6]交通网络流分布式协同控制与基于云计算的并行优化[D]. 张永男. 北京交通大学, 2021(02)
- [7]基于数据驱动的间歇化工过程批次内和批次间复合优化控制策略研究[D]. 于蒙. 军事科学院, 2021(02)
- [8]数字孪生建模方法及其在热力系统优化运行中的应用研究[D]. 高学伟. 华北电力大学(北京), 2021(01)
- [9]问题特征驱动的差分进化算法设计及其在智能交通系统的应用[D]. 刘伟莉. 华南理工大学, 2020(05)
- [10]约束多目标优化理论及其在超高层建筑风振控制中的应用研究[D]. 李文姬. 汕头大学, 2020(02)