一、群智能理论及应用（论文文献综述）
吕飞[1]（2019）在《苯乙烯环氧化催化剂及计算机辅助工艺优化研究》文中指出环氧苯乙烷是大宗和精细化学工业的重要原料,在制药、化妆品、香料等化工领域有广泛应用,苯乙烯环氧化是制备环氧苯乙烷的一个重要方法,因此苯乙烯环氧化反应得到了广泛研究。本文的主要工作是对苯乙烯环氧化反应两个层面的研究,一是以反应工艺条件为研究对象的工艺体系研究,二是以催化剂为研究对象的催化体系研究。通过传统实验,计算机辅助建模、优化等手段,以苯乙烯环氧化反应经济,绿色,环保,高效为目标,得到较佳的工艺操作条件、较高效的新型催化剂。主要得到以下结论:（1）提出了一种基于改进广义回归神经网络（GRNN）的新型预测和优化方法,并提出了粒子群算法（PSO）优化苯乙烯环氧化工艺条件,实现了较高的收率。该模型旨在优化五个输入参数,改进的GRNN的输出被给予PSO算法以优化工艺条件。从训练样本中选择GRNN的最佳平滑参数?（0.1）,此时最小交叉验证误差（0.001）。当五个工艺条件:反应温度、反应时间、催化剂用量、溶剂用量、氧化剂用量为适当值时,最高收率达到95.76%。因此,改进的GRNN混合PSO算法的新模型有望成为优化苯乙烯环氧化工艺条件的有用工具。（2）通过水热法,然后煅烧制备得到藕片状的二维NiO纳米片。三种表面活性剂作为结晶导向剂添加在氨水溶液中,经过马弗炉煅烧,只有阴离子表面活性剂十二烷基苯磺酸钠（SDBS）,非离子表面活性剂聚乙烯吡咯烷酮（PVP）可形成藕片状的超薄NiO纳米片,阳离子表面活性剂十六烷基三甲基溴化铵（CTAB）没有这种效果。所得样品的一系列表征显示,藕片状NiO纳米片保持仅为3-5nm的超薄厚度,莲藕孔直径为40nm（SDBS）,20nm（PVP）。推测了二维藕片状的超薄NiO纳米片形貌的形成机理。二维藕片状的超薄NiO纳米片在不负载载体的情况下,在苯乙烯环氧化中表现出有效的催化性能并显着缩短了反应时间。当重复使用催化剂时,氧化苯乙烯的转化率和选择性仍然较高。
杨亚洲[2]（2019）在《基于群智能算法的建筑形态发生研究》文中进行了进一步梳理数字技术为建筑学带来了全新的视角和更多变化的可能,同时也令设计师得以探寻设计的科学原则和方法诠释,从而理性化设计思路。算法驱动下的建筑设计可以帮助设计师理解设计的逻辑,更有目的性地解决建筑设计中存在的问题,同时还保证了设计过程清晰且便于控制,为设计结果提供更有力的理论支撑。本文梳理了群智能算法在建筑学形态发生领域的发展,总结了群智能算法逻辑在建筑形态发生中的策略以及实现参数化形态发生自优化的群智能算法,探讨了在大规模生产与差异化定制议题下的群智能设计。同时,本文设计了三个基于多智能体自组织系统来实现建筑形态发生中的功能拓扑关系生成过程和平面形态发生过程。第一个模型,基于功能拓扑的多智能体平面生成模型,建筑功能平面生成的过程,用广度遍历优先算法和引入朝向设定来对智能体预定位,并在内部压力思想的基础上提出了环境压力思想来预调整房间的长宽比;第二个模型,提出了使用贝叶斯理论来细化智能体初始化和连接的规则,包括房间数量对房间规模的概率,功能连接数目和连接功能的概率,并提出了对不稳定智能体引入回溯算法来生成更加切合实际的连接;模型三,引入了人工智能中节点生成向量（Node2Vec）、Skip-Gram神经网络构造的算法来探讨了各功能节点之间的相似性,并提出了吸引力模型来生成建筑功能拓扑。
朱政泽[3]（2018）在《基于群智能的网联式自主驾驶多车协同控制技术应用研究》文中研究说明现代社会,人类对日常生活的智能化决策依赖程度越来越高,在交通控制领域,随着无线通信技术的快速发展,融合了“智能化”和“网联化”技术的网联式自主驾驶车辆“驶入”人们的视野。在此背景下,多车协同控制技术作为网联式自主驾驶车辆的核心技术,可以有效解决交通拥堵问题,受到了大批学者的关注。本文以网联式自主驾驶车辆为研究对象,借助群智能理论研究多车协同控制技术,并在不同测试环境下进行多车协同控制策略的实车应用研究。首先,本文以编队为主要应用场景,研究网联式自主驾驶多车协同控制技术,设计了网联式编队模型及其通信架构,模型利用中心服务单元（CSU）、路侧单元（RSU）进行无线通信,车载单元（OBU）加装感知设备进行环境感知;自主驾驶车辆在此通信架构下形成了一种“分解型”的分层控制结构。以此为基础,建立自主驾驶多车协同线性控制模型,进行稳定性分析。设计了多车队形保持、多车队形切换、编队避障、自适应4种编队应用场景;并讨论了场景中编队车间距控制、有限状态机（FSM）建模、纵横向耦合控制、构建环境态势场等车队模型控制问题。为提高4种编队应用场景下网联式自主驾驶车辆多车协同控制技术的鲁棒性和灵活性,本文研究了群智能（Swarm Intelligent,SI）理论,抽象出多智能体汽车系统（Multi Intelligent Vehicle System,MIVS）。受到自然界“自组织协同机制”的启发,在多智能体汽车系统（MIVS）上应用“蜂拥控制”算法,对自主驾驶多车协同线性控制模型进行优化,提出了多智能体汽车系统（MIVS）协同控制策略（多车队形保持策略、多车队形切换策略、编队避障策略、自适应策略）。具体的工作包括:借助面积势函数,构造了摄动力,解决编队一维队列跟驰问题;应用有限状态机（FSM）模型,实现协作式换道场景;变道时加入渐变虚拟引导车,提高编队横向控制的舒适性和稳定性;在动态、静态障碍物边缘创造虚拟智能体,使自主驾驶车辆具备局部路径规划能力。为验证基于群智能的多车协同控制算法的有效性,本文首先进行计算机仿真。结合车辆运动学及动力学特征,构造了Simulink-CarSim联合仿真模型,实现了基于群智能的多车协同控制算法,并模拟本文设计的4种编队应用场景,仿真结果表明该算法有效。最后在应用研究层面,利用无线蜂窝网络（LTE-V/5G）技术及东风AX7自主驾驶试验平台,在专用的试车场内,进行网联式自主驾驶车辆多车协同控制实车测试。三辆AX7自主驾驶车辆组成的网联式自主驾驶编队在华北某封闭试车场内以020km/h的速度完成起步、加减速、停车的试验,实现了3辆AX7距离保持在15m（含车身长度）的编队行驶策略,距离控制精度?0.5m（稳态误差）;多车队形切换策略和编队避障策略在华中某封闭试车场内成功完成,实车协作式换道场景下最短车间距可控制在5m,策略执行周期?20s,换道过程中最大横向加速度2.3m/s2,侧向加速度变化率0.1g/sec,满足了驾驶舒适性需求。最后自适应策略在华中某郊区开放道路上,完成了存在动态、静态障碍物的环境感知测试。以上4种编队应用场景的测试验证了本文基于群智能的多车协同控制策略的有效性与应用研究价值。
刘昕[4]（2017）在《基于中间结构层的粒子群优化算法研究》文中提出群智能算法的产生为求解优化问题提供了新的思路,同时也解决了工程技术领域的诸多实际问题。粒子群优化算法是一种经典的群智能算法,因其高效、参数少、易实现等优点被广泛关注,是群智能算法中的研究热点。中间结构层是复杂系统理论中的一种研究方法,它使系统具有层次性,便于研究者对系统中的不同部分进行独立观察与研究,属于一种广泛应用于理论学科的模块化和损害控制策略。由于粒子群优化算法（Particle Swarm Optimization,简称PSO）属于群智能算法,而群智能系统源于对真实复杂系统的模拟,因此,本文在粒子群算法中引入中间结构层,目的是使其更接近真实的复杂系统,从而增强系统的智能涌现、综合地提升算法的整体性能。本文的主要工作如下:1、通过对粒子群算法和复杂系统理论的分析和研究,提出了一种基于中间结构层的分层粒子群算法（LPSO）,通过引入“集体”概念,构造了由不同集体组成的中间层,并根据集体的类型定义了相应的搜索策略。实验证明这种方法改善了粒子群算法结构单一、粒子多样性缺失的问题,有效抑制了算法的早熟收敛现象。2、为了进一步丰富中间结构层、增强粒子群系统的复杂系统特性,本文在LPSO算法的基础上提出了一种基于进化机制的分层粒子群算法（GLPSO）,算法在中间结构层中加入了变异与交叉操作,其中变异操作加强了粒子的多样性,有利于粒子跳出局部极值、扩大粒子的搜索范围,而交叉操作有助于提升粒子的质量,从而获得更好的收敛速度与精度。最后通过实验证明这种策略显着提升了算法的综合性能。3、旅行商问题是典型的组合优化问题之一,当前粒子群算法在离散领域上的研究和应用还较少。因此,本文基于GLPSO算法,设计了一种求解TSP问题的离散型粒子群算法,并用TSPLIB标准库中的经典测试案例对算法进行了测试,测试结果说明这种算法更加高效、稳定、实用。
茅洁,谷倩[5]（2016）在《深度学习优化蚁群算法的羽毛球项目技战术决策研究》文中研究说明本文通过文献资料法、理论分析法、数值模拟法、实验研究法等研究方法,建立适合羽毛球项目技战术决策的深度学习优化蚁群算法模型,解决实际技战术决策优化问题。结论:（1）深度学习决策羽毛球技战术决策的优势在于其学习模式的表达能力强,能够更好地处理羽毛球项目技战术对抗行为这种非常复杂的问题,同时也能解决;（2）采用深度学习对蚁群优化模型中的技战术数据进行自组织学习,能保证数据在学习过程中达到最优化解,完成在蚁群模型中找到完成羽毛球对战过程中的最优化决策路线。
王水花,张煜东,吉根林[6]（2014）在《群智能算法的理论及应用综述》文中进行了进一步梳理群智能是由自然或人造的分散自组织系统所表现出来的集体智能.群智能包含一组简单的个体,其中个体与个体、个体与环境之间存在局部交互行为.虽然个体遵循非常简单的规则,但是微观的交互最终还是导致了宏观的智能行为.在本文中,我们对典型群智能方法的起源、发展、理论、技术、应用等做了深入的研究,包括了蚁群优化、粒子群优化、人工蜂群、细菌觅食优化、萤火虫共五类算法.文末提出群智能发展的六个方向.
解立艳[7]（2014）在《基于火核群效应的汽油机CAI燃烧放热率模型的研究》文中研究说明汽油机可控自燃（Controlled Auto-Ignition, CAI）是一种能够有效提升发动机热效率,降低排放的新型燃烧方式。区别于传统汽油机的火花点火式燃烧,CAI燃烧呈现多点自燃的燃烧特征。且由于受到化学反应动力学的控制,缸内温度和组分的分层对燃烧过程有着显着的影响。但是,当前的CAI燃烧放热率模型尚不能很好地描述上述燃烧特点,限制了模型的使用。因此,本研究拟建立一个能够反映CAI燃烧特性的放热率模型,在根本上提高模型的实用性。由于缸内温度、组分分布不均匀,不同区域会先后产生自燃点,自燃点放热促进新的自燃点产生,大量自燃点群体演化导致CAI燃烧。从微观角度上看,这一过程符合群智能理论中关于“简单个体之间存在相互影响,会促进或抑制个体行为的发展,最终导致群体现象涌现”的设定。本研究将燃烧中的单个自燃点定义为一个“放热火核”,基于此提出了“火核群”的概念,并提出了基于火核群体效应建立汽油机CAI燃烧放热率模型的思想。通过三维仿真分析发现,不考虑火核个体的化学反应,利用放热火核群体发展历程可以表征CAI燃烧放热过程。借助群智能理论,基于放热火核数目变化过程的数学推导,发展了一个能够合理地描述多点自燃燃烧放热过程的函数。该函数与基于温度阈值的着火判断函数式一起构成了火核群燃烧放热率模型。经过仿真与实验结果对比验证,该模型对于过量空气系数为1-4,废气率70%以下的CAI燃烧工况均有较好的预测效果。同时,模型参数物理意义明确,方便描述燃料不完全燃烧等实际燃烧现象,利于考虑复杂的燃烧影响因素,从而更易于改善模型的适用性和精度。以火核群模型为基础,本研究进行了在放热率模型中添加温度分布对燃烧影响的探索。首先,通过三维CFD仿真深入分析了温度分布对于放热火核发展历程的影响。结果表明,温度分布越均匀,初始火核数和放热火核平均增长率均变小。通过建立放热火核发展过程中的这两个参数与温度不均匀度的关系,实现了对模型中温度分布参数影响的修正,使得火核群模型对CAI燃烧相位和燃烧持续期的预测精度分别提高0.47°CA和0.8°CA,模型的预测效果得到改善。
张重毅[8]（2013）在《群智能优化及模拟算法研究与应用》文中研究说明本文深入研究了群智能模型、算法及其应用，在此基础上提出了一种基于Agent的CDA市场报价模型；基于遗传算法的无线传感器网络路由算法及基于AOC的无线传感器网络聚类算法。本文的主要研究工作如下：1)构建动态CDA市场环境模型。通过对CDA市场模型的研究，提出了符合现实世界的动态CDA市场环境模型，进而将已有经典报价策略模型应用其中，比较经典模型在静态和动态环境中的表现。2)在深入分析已有市场报价模型基础上，提出一种基于Agent的CDA市场报价算法，该算法根据历史交易序列及个体对未来市场的预测制定决策，同时能适应市场中的价格震荡，实验结果表明该算法能增加交易者的利润收入。3)提出一种基于遗传算法的无线传感器网络路由算法。针对无线传感器网络拓扑结构易变特点，本文路由算法具有一定的自适应性，能降低数据收集的时间延迟，保证数据收集及时准确。4)提出一种基于AOC的无线传感器网络聚类算法，利用自治Agent管理传感器节点及连接关系，Agent基于自身的视图进行聚类，无需集中控制策略，传感器节点通过得到的聚类结果进行通信及数据传输，能较大程度降低能耗，从而延长网络的生命周期。
李伟[9]（2013）在《基于Femtocell的双层网络关键技术研究》文中研究表明随着无线通信技术和移动互联网的高速发展,无线数据业务量以惊人的速度猛增。调查显示：超过60%的话音业务和90%的数据业务发生在室内,并且这种比例还在持续不断地增加。因此,为室内用户的语音和数据业务提供高速率和高质量的覆盖服务变得越来越重要。毫微微蜂窝基站（Femtocell BS）作为一种能有效增强室内覆盖和提升网络容量的无线接入技术,受到了通信业界高度的关注,并已成为不同制式移动通信网络中的研究热点。在传统的宏蜂窝网络中引入Femtocell后,新网络架构可以视为由两个相互独立的层组成,学术上通常将该新型网络称之为基于Femtocell的双层网络（Two-tier Femtocell Networks）。本论文在国家自然科学基金“面向IMT-A的Femtocell绿色自组织关键问题研究（项目编号：61271179）”、国家科技重大专项“面向IMT-Advanced跨层优化技术”（项目编号：2010ZX03003-001）、及国家科技重大专项"IMT-Advanced自组网（SON）关键技术研发”’（项目编号：2011ZX03003-002-01）的支持下,从干扰管理技术、绿色节能自组织技术及Femtocell基站工作模式控制技术等方面对Femtocell双层网络中的关键技术进行了深入的研究分析。主要研究工作及创新性成果包括以下几个方面：（1）对Femtocell双层网络相关的基本原理和关键技术进行了综述和剖析：1)从室内覆盖质量变弱的原因、室内覆盖质量需增强的原因以及现有的室内覆盖质量增强技术三方面重点阐述了Femtocell的引入机理。2)概括了基于Femtocell的双层网络架构、Femtocell的网络架构、Femtocell的三种接入方式与各种方式的优缺点、以及Femtocell的标准化进程。3)全面概述和分析了Femtocell双层网络面临的关键技术挑战,主要包括干扰管理技术、绿色节能自组织技术、基站工作模式控制技术,并对这三种技术的研究现状进行了详实的总结与剖析,同时指出了它们需进一步解决的主要问题。（2）针对基于Femtocell双层网络的干扰问题,1)依据3GPP相关技术规范和技术报告,搭建Femtocell双层网络下行链路的系统级仿真平台,并对Femtocell双层网络中六种经典的干扰场景进行了仿真评估与性能分析。2)根据1)分析得到的结论,针对基于单宏小区的Femtocell双层网络场景,提出了基于动态分簇和频谱分配的Femtocell干扰管理方案。仿真结果表明,该方案能有效地解决Femtocell间的同层干扰,在保证Femtocell用户的SINR同时,能有效地改善Femtocell网络的吞吐量,提升频谱利用率。3)根据1)分析得到的结论,针对基于多宏小区的Femtocell双层网络场景,提出了基于软频率复用和频谱分配的Femtocell干扰管理方案,仿真结果表明,该方案能很好地解决跨层干扰问题,并在保证宏用户和Femtocell用户预设数据速率的前提下,最大化全网的能量效率。（3）针对Femtocell双层网络中能量优化问题和自组织功能实现问题,提出了基于双效用的定价非合作博弈和功率自优化的绿色节能自组织方案。1)在Femtocell双层网络中建立基于定价非合作博弈的功率自优化模型。并根据该模型构建了Macrocell-Femtocell的双效用框架及需解决的问题。2)从纳什均衡解的存在性、结构特性及唯一性三方面分析和论证了基于双效用的定价非合作博弈的功率自优化模型的合理性。3)利用边际效用理论对纳什均衡解中可调价格参数进行了探究与分析,并提出了应用于Femtocell双层网络中基于萤火虫群智能理论的分布式功率自优化算法。4)通过数值仿真得出萤火虫群智能理论在Macrocell效用函数和Femtocell效用函数中的最优参数组合；通过系统级仿真评估和对比分析了所提方案和经典的功率配置方案在发送功率、用户SINR和能量效率上的性能,以及通过系统级仿真还分析了Femtocell效用函数中可调价格参数对所提方案性能的影响。（4）针对Femtocell网络中基站连续导频发射造成的能量浪费和导频污染,提出了一种基于虚拟小区和混合式Femtocell基站协作的导频控制策略。1)建立了基于Femtocell主从型虚拟小区网络框架。此外由于Femtocell网络的动态时变性,该策略针对新增Femtocell站点设计了网络角色分配算法。2)基于虚拟小区框架,设计了基于混合式Femtocell基站协作的导频控制方案。FBS Leader负责在虚拟小区覆盖范围内检测激活的授权用户,此时FBS Member覆盖区域内没有激活的授权用户便可关闭导频传输及相关处理电路。3)为了分析所提方案的性能,对方案进行抽象化处理,并建立了状态转移模型。4)利用半马尔科夫随机过程理论,从能量消耗,平均累积时延以及累积干扰时间三方面对所提方案进行了理论分析,并完成了相应封闭表达式的推导计算。同时,还对三大主流的对比方案做了指标评估推导。5)通过系统级仿真,验证了所提方案在能量消耗、平均累积时延以及累积干扰时间上的理论分析是合理的。所提方案的关键参数扫描计时周期对能量消耗和平均累积时延的影响很大。6)通过与相关经典方案的性能对比分析,所提方案在能量消耗和平均累积干扰时间上均优于三大传统方案,证实了所提方案的有效性。
段俊花,朱怡安,钟冬[10]（2012）在《群智能在多智能体系统中的应用研究进展》文中进行了进一步梳理群智能算法是受群居性昆虫群体的集体行为启发而设计的分布式问题求解方法,将它应用到多智能体系统,旨在提高系统的鲁棒性、灵活性和自适应性。以群智能在多智能体系统中的应用为线索,首先介绍群智能的核心机制,然后从多智能体系统通信机制、协作技术、学习问题及体系结构建立这几个方面总结群智能理论在多智能体系统中的已有工作。最后分析和讨论了群智能方法在多智能体系统应用中存在的问题,并提出今后的工作展望。
二、群智能理论及应用（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、群智能理论及应用（论文提纲范文）
（1）苯乙烯环氧化催化剂及计算机辅助工艺优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 前言 |
| 1.2 苯乙烯环氧化方法与催化体系 |
| 1.2.1 卤醇法 |
| 1.2.2 无机酸盐环氧化法 |
| 1.2.3 有机过氧酸环氧化法 |
| 1.2.4 烷基过氧化氢环氧化法 |
| 1.2.5 以空气或氧气为氧化剂环氧化法 |
| 1.2.6 过氧化氢环氧化法 |
| 1.2.7 金属为催化体系 |
| 1.2.8 金属氧化物为催化体系 |
| 1.2.9 金属有机配合物为催化体系 |
| 1.2.10 分子筛为催化体系 |
| 1.2.11 杂多酸为催化体系 |
| 1.3 计算机辅助方法在化工领域中的应用 |
| 1.3.1 人工神经网络概述 |
| 1.3.2 人工神经网络特点 |
| 1.3.3 人工神经网络模型 |
| 1.3.4 人工神经网络在化工领域中的应用 |
| 1.3.5 智能优化算法概述 |
| 1.3.6 常见的智能优化算法种类 |
| 1.3.7 智能优化算法在化工领域中的应用 |
| 1.4 选题背景及主要研究内容 |
| 1.4.1 选题背景 |
| 1.4.2 主要研究内容 |
| 第二章 实验部分 |
| 2.1 实验试剂与仪器 |
| 2.2 催化剂的制备 |
| 2.3 催化剂的表征 |
| 2.3.1 傅里叶红外光谱(FT-IR) |
| 2.3.2 扫描电子显微镜(SEM) |
| 2.3.3 透射电子显微镜(TEM) |
| 2.3.4 X射线衍射(XRD) |
| 2.3.5 氮气吸附脱附测试(BET) |
| 2.3.6 热重法(TG) |
| 2.4 苯乙烯环氧化工艺操作与结果分析 |
| 2.4.1 苯乙烯环氧化实验装置 |
| 2.4.2 色谱分析 |
| 第三章 基于计算机辅助方法优化苯乙烯环氧化工艺条件 |
| 3.1 引言 |
| 3.2 建模 |
| 3.2.1 数据样本 |
| 3.2.2 用于工艺条件优化的GRNN模型结构 |
| 3.2.3 改进的GRNN网络模型 |
| 3.2.4 改进的GRNN网络建模 |
| 3.3 优化 |
| 3.3.1 粒子群算法(PSO) |
| 3.3.2 PSO算法寻优实现 |
| 3.4 结果与讨论 |
| 3.4.1 改进的GRNN模型 |
| 3.4.2 PSO算法优化 |
| 3.5 本章总结 |
| 第四章 藕片状二维NiO纳米片的制备及其对苯乙烯环氧化的高效催化性能 |
| 4.1 引言 |
| 4.2 氧化镍的发展现状 |
| 4.2.1 氧化镍纳米片概述 |
| 4.3 实验结果与讨论 |
| 4.3.1 样品的SEM表征与分析 |
| 4.3.2 样品的放大SEM与氮气吸附-脱附表征与分析 |
| 4.3.3 样品的X射线粉末衍射表征与分析 |
| 4.3.4 样品的傅里叶变换红外光谱表征与分析 |
| 4.3.5 样品的热重表征与分析 |
| 4.3.6 样品的能谱分析 |
| 4.3.7 样品的透射电子显微镜表征与分析 |
| 4.3.8 催化剂性能 |
| 4.4 本章总结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的文章 |
| 致谢 |
（2）基于群智能算法的建筑形态发生研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.0 建筑的形态发生 |
| 1.1 智能算法应用于设计的理论背景 |
| 1.1.1 群智能理论背景 |
| 1.1.2 算法驱动下的建筑形态发生理论与发展趋势 |
| 1.2 群智能算法在建筑生成设计领域的研究进展与发展趋势 |
| 1.3 本文研究对象和范围 |
| 1.3.1 本文研究的对象 |
| 1.3.2 本文的研究范围 |
| 1.4 本文拟解决的主要问题与创新点 |
| 1.4.1 多智能体系统在建筑形态发生中的应用和创新 |
| 1.4.2 建筑形态发生设计中数字表征方法的运用和创新 |
| 1.4.3 规则系统与自组织系统的结合 |
| 1.5 研究方法与框架 |
| 1.5.1 研究方法 |
| 1.5.2 研究框架 |
| 第2章 群智能与复杂性科学的设计理论背景 |
| 2.1 复杂性科学 |
| 2.1.1 复杂性科学的产生及建筑学领域的发展 |
| 2.1.2 复杂系统的涌现 |
| 2.2 多智能体系统在建筑领域的发展 |
| 2.2.1 卡尔·楚的星球自动机 |
| 2.3 雷诺兹的Boids群算法在建筑领域的发展 |
| 2.3.1 群体的共识主动性 |
| 2.3.2 基于智能体行为的建筑生成方法 |
| 2.4 本章小结 |
| 第3章 群智能算法的建筑与城市设计逻辑 |
| 3.1 迭代逻辑——分形几何学的群智能 |
| 3.1.1 经典设计理论中的分形逻辑 |
| 3.1.2 函数迭代系统(IFS)与分支系统(L-system) |
| 3.1.3 扩散限制凝聚(DLA)叠加生成设计 |
| 3.1.4 迭代逻辑的局限性 |
| 3.2 生存逻辑——细胞自动机的群智能 |
| 3.2.1 细胞自动机应用于城市总体规划 |
| 3.2.2 细胞自动机系统优化土地利用方案 |
| 3.2.3 细胞自动机系统为代表的生存逻辑的局限性 |
| 3.3 行为逻辑 |
| 3.3.1 蚁群模拟系统行为逻辑 |
| 3.3.2 人群模拟系统行为逻辑 |
| 3.4 本章小结 |
| 第4章 群智能算法的参数化形态自优化与建构 |
| 4.1 采用群智能算法的参数化曲面曲率自优化 |
| 4.1.1 非线性曲面建模到建构 |
| 4.1.2 TCD域曲面优化算法 |
| 4.2 采用群智能算法的模块尺寸自优化 |
| 4.2.1 曲面模块化设计背景 |
| 4.2.2 镶板种类控制中的K-means聚类算法 |
| 4.3 群智能影响下的大规模生产与差异化定制 |
| 4.3.1 借由传统方式建造的群智能设计 |
| 4.3.2 机械臂建造的群智能设计 |
| 4.4 本章小结 |
| 第5章 采用多智能体系统的建筑功能拓扑与平面生成模型 |
| 5.1 模型开发平台介绍 |
| 5.2 模型一:基于功能拓扑的多智能体平面生成模型 |
| 5.2.1 模型的数字表征与数据输入 |
| 5.2.2 模型的基础算法探讨 |
| 5.2.3 模型生成结果及分析 |
| 5.2.4 系统的规则演化 |
| 5.3 模型二:基于贝叶斯原理的多智能体形态发生模型 |
| 5.3.1 模型的数字表征与数据输入 |
| 5.3.2 模型的实现过程 |
| 5.3.3 模型的生成结果与分析 |
| 5.4 模型三:基于节点转换向量智能体形态发生模型 |
| 5.4.1 模型的数据输入 |
| 5.4.2 模型的算法探讨 |
| 5.4.3 模型的生成结果与分析 |
| 5.5 本章模型结论和分析 |
| 第6章 总结和展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 附录 程序代码 |
| 附录A:5.2节代码 |
| 附录B:5.3节模型代码 |
| 附录C:5.4节代码 |
| 致谢 |
（3）基于群智能的网联式自主驾驶多车协同控制技术应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景 |
| 1.2 国内外研究现状 |
| 1.2.1 网联式自主驾驶车辆国内外研究现状 |
| 1.2.2 多车协同控制技术国内外研究现状 |
| 1.2.3 群智能算法及其应用国内外研究现状 |
| 1.3 论文研究的主要问题与结构安排 |
| 第2章 网联式自主驾驶多车协同控制建模 |
| 2.1 引言 |
| 2.2 网联式编队模型及其通信架构 |
| 2.3 自主驾驶车辆体系结构 |
| 2.4 自主驾驶多车协同控制模型 |
| 2.4.1 自主驾驶车队控制建模 |
| 2.4.2 自主驾驶车队系统稳定性分析 |
| 2.5 多车协同控制策略 |
| 2.6 本章小结 |
| 第3章 基于群智能的多车协同控制策略 |
| 3.1 引言 |
| 3.1.1 群智能理论基础 |
| 3.2 基于群智能算法的多车协同控制建模和分析 |
| 3.2.1 多智能体汽车系统(MIVS)体系结构 |
| 3.2.2 多智能体汽车系统(MIVS)协作机制及系统设计 |
| 3.3 多智能体汽车系统(MIVS)协同控制策略 |
| 3.4 本章小结 |
| 第4章 基于群智能的多车协同驾驶仿真 |
| 4.1 多车协同驾驶Simulink-CarSim联合仿真模型 |
| 4.2 多车队形保持策略仿真 |
| 4.3 多车队形切换策略仿真 |
| 4.4 编队避障策略仿真 |
| 4.5 自适应策略仿真 |
| 4.6 多车协同控制仿真性能分析 |
| 4.7 本章小结 |
| 第5章 网联式自主驾驶多车协同控制实车测试 |
| 5.1 网联式自主驾驶车辆平台 |
| 5.2 多车协同控制策略实车测试 |
| 5.3 网联式自主驾驶多车协同控制性能分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（4）基于中间结构层的粒子群优化算法研究（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 国内外研究现状 |
| 1.2.1 算法参数 |
| 1.2.2 邻域拓扑结构 |
| 1.2.3 其他算法的结合 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 群智能理论 |
| 2.1 群智能概述 |
| 2.2 粒子群算法 |
| 2.2.1 标准粒子群算法 |
| 2.2.2 离散粒子群算法 |
| 2.3 遗传算法 |
| 2.4 两种算法对比 |
| 2.5 本章小结 |
| 第三章 基于中间结构层的分层粒子群算法 |
| 3.1 复杂系统与中间结构层 |
| 3.2 算法设计 |
| 3.3 实验分析 |
| 3.3.1 测试函数与参数设置 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于进化机制的分层粒子群算法 |
| 4.1 PSO与GA的融合研究 |
| 4.2 算法设计 |
| 4.2.1 变异操作 |
| 4.2.2 交叉操作 |
| 4.3 实验分析 |
| 4.4 本章小结 |
| 第五章 基于旅行商问题的离散粒子群算法 |
| 5.1 旅行商问题 |
| 5.2 算法设计 |
| 5.3 实验分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 图版 |
（5）深度学习优化蚁群算法的羽毛球项目技战术决策研究（论文提纲范文）
| 1 深度学习研究 |
| 1.1 深度学习理论 |
| 1.2 深度学习优化 |
| 2 羽毛球项目技战术制胜因素 |
| 3 研究对象与方法 |
| 3.1 研究对象 |
| 3.2 研究方法 |
| 3.2.1 文献资料法 |
| 3.2.2 理论分析法深入分析研究深度学习、群智能理论和项群训练理论。 |
| 3.2.3 数值模拟法采用算法演算推理在隔网对抗性项目技战术对策中的群智能—蚁群算法。 |
| 3.2.4 实验研究法 |
| 3.3 技术路线 |
| 4 结果与分析 |
| 5 结论 |
（6）群智能算法的理论及应用综述（论文提纲范文）
| 1 SI算法起源 |
| 2 SI算法原理、研究与应用 |
| 2.1 蚁群优化 |
| 2.1.1 原理与实现 |
| 2.1.2 研究与应用现状 |
| 2.2 粒子群优化 |
| 2.2.1 原理与实现 |
| 2.2.2 研究与应用现状 |
| 2.3 其他SI算法 |
| 2.3.1 人工蜂群 |
| 2.3.2 细菌觅食优化 |
| 2.3.3 萤火虫算法 |
| 3 结论与展望 |
（7）基于火核群效应的汽油机CAI燃烧放热率模型的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 CAI燃烧的实现方法及面临的主要问题 |
| 1.3 CAI燃烧放热率模型 |
| 1.3.1 放热率模型对CAI燃烧研究的意义 |
| 1.3.2 CAI燃烧放热率模型的发展现状 |
| 1.4 汽油机CAI燃烧放热的特点 |
| 1.5 群智能理论介绍 |
| 1.6 本课题的研究内容及意义 |
| 第二章 基于火核群体效应建CAI燃烧放热率模型的思想 |
| 2.1 基于群智能理论建立现象学模型 |
| 2.1.1 群智能理论建模的思想 |
| 2.1.2 基于火核群体效应建CAI放热率模型 |
| 2.2 模型建立思路 |
| 2.3 实验数据的选取 |
| 2.4 本章小结 |
| 第三章 试验装置及数值模拟平台 |
| 3.1 单缸机实验平台 |
| 3.2 一维仿真平台介绍 |
| 3.3 三维CFD仿真平台 |
| 3.3.1 网格模型 |
| 3.3.2 计算模型 |
| 3.3.3 仿真模型验证 |
| 3.4 重要计算参数定义 |
| 3.5 本章小结 |
| 第四章 基于火核群体效应的汽油机CAI放热率模型的建立 |
| 4.1 着火判断准则的建立 |
| 4.2 CAI燃烧放热过程建模 |
| 4.2.1 模型假设 |
| 4.2.2 描述燃烧放热过程的函数建立 |
| 4.2.3 火核群模型系数拟合 |
| 4.3 放热率模型有效性验证 |
| 4.4 放热率模型对比研究 |
| 4.4.1 火核群模型特征参数分析 |
| 4.4.2 火核群模型与其它放热率模型预测效果对比分析 |
| 4.5 本章小结 |
| 第五章 火核群放热率模型针对缸内温度分布影响的发展 |
| 5.1 研究背景介绍 |
| 5.2 温度分布对火核发展历程的影响 |
| 5.2.1 仿真模型验证及算例设置 |
| 5.2.2 外部废气对缸内平均状态的影响 |
| 5.2.3 外部废气对着火前缸内温度及废气分布状态的影响 |
| 5.2.4 缸内分布状态对火核发展及燃烧过程的影响 |
| 5.3 温度分布参数在火核群放热率模型中的设置方式及验证 |
| 5.3.1 温度分布参数在火核群放热率模型中的设置 |
| 5.3.2 温度分布参数设置方法的验证 |
| 5.4 本章小结 |
| 第六章 全文总结和展望 |
| 6.1 全文总结 |
| 6.2 未来工作的展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）群智能优化及模拟算法研究与应用（论文提纲范文）
| 提要 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 应用领域 |
| 1.2.1 复杂问题优化 |
| 1.2.2 无线传感器网络优化问题 |
| 1.2.3 基于 Agent 的计算经济学 |
| 1.2.4 分布式社会网络信息挖掘 |
| 1.2.5 机器人中的应用 |
| 1.3 本文工作 |
| 第2章 基本概念、理论及方法 |
| 2.1 群集智能理论与技术 |
| 2.1.1 群智能的概念及特点 |
| 2.1.2 经典群智能模型 |
| 2.2 面向自治的计算 |
| 2.2.1 基本概念 |
| 2.2.2 目标和方法 |
| 2.3 本章小结 |
| 第3章 基于 Agent 的 CDA 市场报价算法 |
| 3.1 背景 |
| 3.2 传统 CDA 市场及报价策略分析 |
| 3.2.1 静态 CDA 模型 |
| 3.2.2 CDA 市场报价模型 |
| 3.3 CDA 市场动态模型 |
| 3.3.1 现存问题 |
| 3.3.2 动态模型 |
| 3.3.2.1 价格上涨 |
| 3.3.2.2 价格下跌 |
| 3.3.2.3 价格振荡 |
| 3.3.3 实验结果及分析 |
| 3.4 基于 Agent 的 CDA 市场报价算法 GDXP |
| 3.4.1 历史数据选择 |
| 3.4.2 市场趋势预测 |
| 3.4.3 报价决策 |
| 3.4.4 GDXP 模型分析 |
| 3.4.5 GDXP 应用实验 |
| 3.5 本章小结 |
| 第4章 遗传算法在 WSN 路由问题中应用 |
| 4.1 无线传感器网络及 MARP 问题 |
| 4.1.1 WSN 特点 |
| 4.1.2 WSN 中移动 Agent 路由问题 |
| 4.1.3 相关工作 |
| 4.2 解决 MARP 问题算法 MAGA |
| 4.2.1 目标函数 |
| 4.2.2 WSN 拓扑结构建模 |
| 4.2.3 MAGA 算法 |
| 4.2.4 算法流程 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第5章 基于 AOC 的 WSN 聚类算法 |
| 5.1 介绍 |
| 5.2 相关工作 |
| 5.3 基于 AOC 的聚类算法 |
| 5.3.1 WSN 的形式化定义 |
| 5.3.2 WSN 中的 AOC |
| 5.3.3 AOC‐w 中的 Agent 算法 |
| 5.4 AOC‐w 算法实验 |
| 5.5 本章小结 |
| 第6章 总结及展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（9）基于Femtocell的双层网络关键技术研究（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 主要的研究工作 |
| 1.3 主要的研究成果 |
| 1.4 论文的结构安排 |
| 第二章 相关研究综述 |
| 2.1 FEMTOCELL双层网络相关的基本原理 |
| 2.1.1 Femtocell的引入机理 |
| 2.1.2 Femtocell的网络架构 |
| 2.1.3 Femtocell的接入方式 |
| 2.1.4 Femtocell的标准化进程 |
| 2.2 基于FEMTOCELL双层网络的关键技术 |
| 2.2.1 基于Femtocell双层网络的关键技术挑战 |
| 2.2.2 基于Femtocell双层网络的关键技术研究现状 |
| 2.3 本章小结 |
| 第三章 FEMTOCELL双层网络的干扰管理技术研究 |
| 3.1 FEMTOCELL双层网络的干扰管理研究背景 |
| 3.1.1 Femtocell双层网络的干扰场景分析 |
| 3.1.2 Femtocell双层网络的干扰仿真分析 |
| 3.2 单宏小区中基于动态分簇和频谱分配的FEMTOCELL干扰管理 |
| 3.2.1 单宏小区中Femtocell致密部署的网络系统模型与假设 |
| 3.2.2 基于动态分簇的感知频谱分配方案 |
| 3.2.3 仿真与性能评估 |
| 3.3 多宏小区中基于软频率复用和频谱分配的FEMTOCELL干扰管理 |
| 3.3.1 基于多宏小区的Femtocell双层网络系统模型与假设 |
| 3.3.2 基于软频率复用的频谱分裂方案 |
| 3.3.3 仿真与性能评估 |
| 3.4 本章小结 |
| 第四章 FEMTOCELL双层网络的绿色节能自组织技术研究 |
| 4.1 系统模型与假设 |
| 4.2 基于双效用非合作博弈和功率自优化的绿色节能自组织技术 |
| 4.2.1 Femtocell双层网络中基于非合作博弈的功率自优化模型 |
| 4.2.2 Macrocell-Femtocell双效用框架 |
| 4.2.3 问题模型构建 |
| 4.2.4 基于双效用的定价非合作博弈均衡解 |
| 4.2.5 基于边际效用理论的价格因子分析 |
| 4.2.6 基于萤火虫群智能理论的分布式功率自优化算法 |
| 4.3 仿真与性能评估 |
| 4.3.1 萤火虫群智能理论的参数分析 |
| 4.3.2 NPSGP性能分析 |
| 4.3.3 不同价格因子对NPSGP性能影响的分析 |
| 4.4 本章小结 |
| 第五章 FEMTOCELL双层网络中基站工作模式控制策略研究 |
| 5.1 系统模型与假设 |
| 5.2 基于虚拟小区和混合式FEMTOCELL基站协作的工作模式控制 |
| 5.2.1 基于FEMTOCELL主从型虚拟小区网络框架的构建 |
| 5.2.2 基于混合式FEMTOCELL基站协作的导频控制策略 |
| 5.3 基于半马尔科夫随机过程的工作控制模式性能分析 |
| 5.3.1 状态转移模型 |
| 5.3.2 封闭表达式推导 |
| 5.3.3 对比方案性能分析 |
| 5.4 仿真与性能评估 |
| 5.4.1 仿真场景及参数配置 |
| 5.4.2 仿真结果及性能评估 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 未来研究工作展望 |
| 参考文献 |
| 缩略语 |
| 致谢 |
| 攻读学位期间科研项目与学术论文情况 |
（10）群智能在多智能体系统中的应用研究进展（论文提纲范文）
| 1 群体智能理论介绍 |
| 1.1 Stigmergy机制 |
| 1.2 社会分工和任务分配 |
| 1.3 基于群智能的系统建模 |
| 2 群智能在多智能体系统中的应用 |
| 2.1 多智能体通信机制 |
| 2.2 多智能体协作技术 |
| 2.3 多智能体学习问题 |
| 2.4 多智能体系统体系结构 |
| 3 现有研究工作存在的问题 |
四、群智能理论及应用（论文参考文献）
- [1]苯乙烯环氧化催化剂及计算机辅助工艺优化研究[D]. 吕飞. 东南大学, 2019(06)
- [2]基于群智能算法的建筑形态发生研究[D]. 杨亚洲. 天津大学, 2019(06)
- [3]基于群智能的网联式自主驾驶多车协同控制技术应用研究[D]. 朱政泽. 湖北汽车工业学院, 2018(05)
- [4]基于中间结构层的粒子群优化算法研究[D]. 刘昕. 贵州大学, 2017(03)
- [5]深度学习优化蚁群算法的羽毛球项目技战术决策研究[J]. 茅洁,谷倩. 运动, 2016(18)
- [6]群智能算法的理论及应用综述[J]. 王水花,张煜东,吉根林. 南京师范大学学报(工程技术版), 2014(04)
- [7]基于火核群效应的汽油机CAI燃烧放热率模型的研究[D]. 解立艳. 天津大学, 2014(06)
- [8]群智能优化及模拟算法研究与应用[D]. 张重毅. 吉林大学, 2013(08)
- [9]基于Femtocell的双层网络关键技术研究[D]. 李伟. 北京邮电大学, 2013(01)
- [10]群智能在多智能体系统中的应用研究进展[J]. 段俊花,朱怡安,钟冬. 计算机科学, 2012(06)