一、基于免疫算法的组合预测方法（论文文献综述）
尹春雷[1]（2020）在《客户需求驱动的产品族设计方法研究》文中进行了进一步梳理近几年,随着新一代信息技术和人工智能的不断进步,制造业的模式也发生了很大的变化,制造模式正在由以往的产品驱动向需求驱动转变。面对多变的市场环境与多样化的市场需求,制造企业能否快速地对需求变化做出反应决定了它的市场竞争力。客户需求驱动产品族设计成为一种应对客户个性化的需求进行产品个性定制的设计方法,客户的需求直接驱动产品设计,将大大缩短新产品开发周期,从而提升企业在多变市场环境中的竞争力,并提高企业的产品设计效率,创造更多的利益。本文的重点是研究客户需求驱动产品族的设计方法,以客户需求分析为驱动,研究模块化产品族与参数化产品族规划的关键技术,并以液压机为实例,从而对所研究的方法进行验证。需求分析与建模是对需求进行准确把握的关键。客户需求具有多样化的特点并且有着不同的分类,掌握需求的特点及类型是进行需求获取、分析与建模的关键。本文建立了客户需求表达模型,并研究了客户需求分解与建模的方法。客户需求的预测是提前预知市场变化的关键,能够使得企业对潜在的市场需求与风险进行应对。客户需求的映射是将客户需求反映到产品的关键。模块化产品族理论关键在于进行产品的模块划分,本文提出的产品模块划分的策略以及产品模块划分方案评价的准则,这是利用数值方法对模块划分问题求解的基础。通过构建产品模块划分的通用准则函数与噪声准则函数,建立模块划分的多目标优化数学模型,并提出一种改进的人工免疫算法进行模块划分数学模型的求解。参数化是实现柔性产品设计的关键,参数化产品通过对柔性模块属性值的调整来派生不同的产品实例,而如何对一个产品族中所有的产品实例进行优化设计则是参数化设计的关键,本文提出了两阶段的参数化产品族的优化设计方法,先构建出参数化产品平台,确定平台变量后再对其进行优化。最后以液压机产品作为实例,验证液压机产品开发中需求的预测以及模块划分和参数化优化的方法。
贾犇[2]（2020）在《基于负荷预测的多中心内点法配电网无功优化研究》文中研究表明随着经济的快速发展,用户对电能需求的量也越来越大,这对电力系统的稳定可靠提出了越来越高的要求。为了维持电力系统的稳定可靠运行,需对电力系统调节,动态无功优化作为一种有效的手段得到越来越受到重视,另一方面,电力系统负荷预测是动态无功优化的一个基础,其预测的准确与否直接关系到电力系统动态无功优化的效果。基于此,本文对配电网的无功优化展开研究,提出了基于负荷预测的多中心内点法的配电网动态无功优化方法,具体的研究内容如下:首先,本文对研究内容的相关背景及研究的意义进行介绍;然后分别介绍了国内外的短期负荷预测技术和国内外的静态无功优化技术和动态无功优化技术的研究情况。另外对预测算法在短期负荷预测中的应用做了相关的基本介绍。其次,本文介绍了时间序列算法和支持向量机（SVM）算法这两个算法的原理及相关适用条件。基于短期负荷预测的相关特征,采取两种算法的优点,建立了基于时间序列算法和SVM算法相混合的算法来对电力系统短期负荷进行预测。利用该算法对无功负荷进行预测,并采用均方根相对误差RMSRE来评估预测结果,通过相关的仿真,并与传统的方法进行比较,仿真结果显示本文方法具有预测精度高、适应性强等特点。然后,本文对作为动态无功优化基础的静态无功优化进行了详细的分析,针对内点法收敛速度较慢及多中心-校正内点法对初始值要求高的缺点,将免疫算法引入到多中心-校正内点法中,建立的基于免疫算法的多中心-校正内点法模型,利用免疫算法改进多中心-校正内点法初始值的问题。通过仿真结果,本文的结合免疫算法的多中心-校正内点法能够得到更好的无功优化效果。最后,本文利用结合免疫算法的多中心-校正内点法计算各个符合段的静态无功优化,从而得到各个负荷段控制的设备值。进一步的通过引入负荷系数,通过各个时间段负荷系数的数值来控制无功补偿设备触发动作的时刻,以此形成本文的动态无功优化策略。通过建立IEEE30节点系统仿真模型,并通过仿真分析,验证本文方法具有有效性和可靠性等特点。
刘臻博[3]（2020）在《基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用》文中进行了进一步梳理随着当今工业流程的不断发展,大规模、复杂化系统的出现促进一种有效解决大系统控制问题的方法,即分布式模型预测控制（DMPC）方法应运而生。DMPC具有计算负担小、容错率强、可扩展性高的优点,而DMPC算法的设计思想主要是在保证系统稳定性的前提下,采用简单的系统通信方式和较少的通信负担达到最优的控制性能。本文主要围绕DMPC系统拆解方式和DMPC算法的改进来进行研究,主要进行如下工作:在进行DMPC系统结构拆解时,由于到各子系统间存在动态耦合,那么传统基于静态耦合的方法无法适用。本文提出一个基于粒子群优化的遗传免疫优化算法（PSO-IGA）。在该方法中,采用粒子群算法中的粒子进化方程引入IGA免疫选择的抗体变异操作中,使抗体同时具有“位置”和“速度”两种属性,使抗体在更新时具有更明确的搜索方向,从而在保证抗体种群多样性的同时,进一步提高了算法的收敛速度。提出了一个基于IGA的DMPC系统结构分解方法。在该方法中,首先将DMPC系统结构分解问题分为输入分组（ICD）和输入输出配对（IOPD）两个阶段,并采用PSO-IGA算法来优化这两个阶段的目标函数,将一个大系统按输入输出耦合影响分解成若干个子系统。将该方法引入到协作式DMPC算法中,提出一个基于IGA系统结构分解的协作式DMPC算法,将分解后的大系统在约束下采用改进的协作式DMPC算法进行分布式控制。从而达到有效解决DMPC中通信负担问题的目的。
李牟腾[4]（2020）在《组合积分系统在电渣重熔过程控制中的研究与应用》文中认为电渣重熔是冶金工业中一种钢铁二次精炼的方法。由于在重熔过程中去除了硫、磷等杂质,所以电渣钢质量好、应用广泛。随着经济的发展,市场对高端钢铁的需求越来越旺盛。然而,当前电渣重熔过程控制系统仍然以恒功率、恒熔速为主,控制算法也主要是传统PID。控制方案相对落后,控制效果也不够理想。本文采用了先进的电压摆动控制方案,研究了过程建模、控制器设计、控制器优化以及工程化实现等相关内容,设计了基于组合积分系统的电渣重熔控制系统。本文的主要创新点如下:（1）本文分析并建立了电渣重熔的过程模型。模型主要分为三个部分:电极驱动模型、电压摆动模型和电压摆动检测环节。其中,基于参考文献建立的电极驱动模型主要表现为积分特性,电压摆动模型通过与噪声信号相乘的方式模拟了电压摆动。在检测环节中利用组合积分对象的均值滤波性质设计了电压标准差计算模型以描述电压摆动的大小。相比传统上通过寄存器计算标准差的方法,基于组合积分的模型更有利于分析系统的特性,也方便控制器的设计。（2）本文将组合积分控制器应用到电渣重熔控制系统中,设计了先进的组合积分-双组合积分（CIC-DCIC）控制器,改进了电渣重熔过程的控制效果。本文针对建立的过程模型,采用了串级控制器结构,提高了控制系统的稳定性和抗干扰能力。对电极驱动模型设计了双组合积分控制器（DCIC）,不仅保证了较快的响应速度,还解决了当控制器输出后面有扰动时存在稳态误差的问题。针对由DCIC控制器、过程模型和检测环节组成的广义被控对象设计了组合积分控制器（CIC）,构成了CIC-DCIC控制器。相比传统的PID控制器,CICDCIC控制器响应速度快、鲁棒性好,有一定的工程应用价值。（3）优化控制器设计过程。CIC-DCIC控制器的设计过程中需要通过模型辨识简化复杂的广义被控对象模型。传统的最小二乘辨识方法需要提前估计出纯滞后环节的参数,这给参数辨识带来了不便。为了解决这一问题,本文将智能优化算法中的免疫算法用于参数辨识过程,优化了CIC-DCIC控制器的设计过程。基于免疫算法的参数辨识使用估计模型与实际输出的均方差来评价参数,经过多次迭代优化,找到最优参数。经仿真实验验证,免疫算法能准确、有效地辨识出组合积分对象参数,克服了最小二乘法的缺点。（4）本文基于PLC、Simulink和HMI人机界面设计了电渣重熔仿真监控系统。研究了控制系统工程化实现的基本步骤、组合积分控制器的离散化、数据通讯的配置、控制算法在PLC中的封装实现、Simulink模型的搭建以及HMI人机界面的设计。设计出的仿真系统运行正常,可以方便地配置控制器参数、观察响应曲线、导出存储数据,有助于熟悉控制系统的工艺流程,并为控制系统的应用打下基础。
张源[5]（2019）在《基于交通参数预测的城市快速路交通状态判别研究》文中研究说明城市快速路作为城市各个区域连接的大动脉,具有快速、高效、舒适的特点。为了更好的智能化的掌握了解城市交通运行规律、交通状态变化情况、缓解城市道路交通压力和为多方提供决策支持,研究城市快速路交通运行状态的判别和预测具有重要的意义。本文针对道路交通特性,从交通参数预测和交通状态判别两方面展开研究,本文主要研究的方面为:第一,归纳总结国内外交通状态判别划分、交通参数预测以及交通状态变迁演化三个方面的研究现状,掌握多种研究方法,并且确定本文的技术路线、章节安排和研究内容。第二,基于北京城市二环快速路的微波交通检测器数据,对交通流三参数之间关系模型进行了回顾分析,并且根据采集得到的交通数据对交通流三参数进行了时空特性分析,全面分析产生了这种现象的具体原因。第三,针对本文研究的交通状态变化的的情况,采用模糊c-均值聚类算法将交通三参数两两组合作为数据输入,得到聚类中心和交通状态判别划分信息;标定交通状态判别精度,根据精度确定最佳参数组合,通过实例验证得出流量-速度为判别交通状态的最佳参数组合。第四,为了更好地研究交通状态变化,进行参数预测,为了保证预测精度,采用免疫算法优化的最小二乘支持向量机（LSSVM）建立交通流量预测模型。通过免疫算法优化经过训练后的LSSVM中的惩罚因子和核函数参数,得到最优的预测模型。将行驶速度和占有率作为模型的输入,交通流量作为输出。第五,为了更好地展现交通状态判别情况以及交通状态演化情况,本文应用有限状态机模型作为模型。将预测后的交通参数,输入到有限状态机进行交通状态判别和演化。实验结果证明,有限状态机更为直观地展现了交通状态演化情况,也证明了有限状态机在交通状态判别演化中的可用性,能够更好地为城市道路交通管理与控制服务。
李宗堃[6]（2019）在《基于人工免疫的推荐算法研究》文中认为在当今大数据时代中,互联网高速发展带来了数据爆炸增长以及信息过载问题。推荐系统在提高信息搜索效率、更高效的发现用户感兴趣物品方面有重要意义。但传统推荐算法面临单类数据推荐效果差、稀疏数据及冷启动处理不完善等问题。本文借鉴了人工免疫系统的免疫识别、克隆选择、免疫变异和自适应等原理,以提高单类数据推荐效果、稀疏数据推荐效果、项目冷启动问题推荐效果为对象,论述了基于人工免疫的推荐算法。针对单类数据中只存在正样本,导致训练结果都是正性的问题。本文提出了一种基于人工免疫的单类推荐算法（OCAIS）,OCAIS算法通过本文所提出的正负样本添加方法,添加与用户选择相关的正负样本,据此来有效解决数据负样本难定义的问题,然后利用人工免疫网络对各活跃度的用户进行聚类,缩减候选邻居集大小,计算用户的最近邻居集并给出推荐。实验结果表明OCAIS算法在面对单类数据时,可以取得比其他传统单类问题推荐算法更好的推荐效果。针对传统矩阵分解算法对稀疏数据进行推荐时,常忽略分解前后相似性的关系的问题。本文提出一种融合相似性关系的矩阵分解推荐算法（KNNSMF）,该算法在分解过程中把用户相似性关系与矩阵分解算法相融合,明确了相似性关系与预测数据之间关系。在KNNSMF的基础上对相似性计算进行改进,结合人工免疫原理方法提出一种基于人工免疫相似性的矩阵分解算法（AISMF）。在两个真实数据集上的验证结果表明,本文所提出的算法与传统矩阵分解推荐算法相比,在稀疏数据上,能更准确地预测用户实际评分,提升推荐精度。针对传统的推荐算法往往只关注用户冷启动问题,而忽略项目冷启动问题。本文提出一种基于耦合关系的人工免疫推荐算法（CRSAIS）。该方法提出了一种基于耦合关系的项目相似度计算公式CRS,该方法对传统分类项目相似度计算方法有一定改进。同时将CRS作为调整因子融合进相似性计算公式,并结合人工免疫算法的原理方法对冷启动数据进行处理、推荐。在真实数据集上的实验结果表明本文提出的CRSAIS优于最新技术,并可以有效的解决项目冷启动问题。最后本文设计并实现了一个基于人工免疫的推荐原型系统,将本文提出的三种基于人工免疫的推荐算法集成到系统中,验证了本文提出算法的实用价值。
涂歆[7]（2019）在《基于支持向量机的制造系统成品需求短期预测模型研究》文中研究指明制造系统成品需求短期预测实际上是对受噪音影响的小样本多维非线性销售时序进行预测。支持向量机（SVM）方法已被广泛应用于对非线性销售时序进行预测研究,并已取得很多成果。因此本文在SVM方法的基础上,针对多因素,含噪声及小样本这三种情形分别提出了新的求解方法以弥补基本SVM算法的不足之处。首先针对受多因素影响非线性销售时序进行预测时,本文通过扩展高斯（RBF）核函数,得到了一种基于扩展的RBF核支持向量机的制造系统成品销售预测模型。然后针对含噪声影响非线性销售时序进行预测时,分别从对不敏感损失函数ε进行迭代和自适应分段两个方面,重点研究了基于迭代的支持向量机和具有自适应分段损失函数的支持向量机的制造系统成品销售预测模型。最后,针对小样本非线性销售时序进行预测时,通过对不同样本点两两之间间隔的比对,提出了一种基于样本点间隔的支持向量机的制造系统成品销售预测模型。同时,设计了基于免疫算法的支持向量机模型参数辩识方法,通过与标准支持向量机和神经网络等传统模型的比较,验证了本文所提出的短期预测模型的有效性。具体说来,主要在如下四个方面进行了研究:（1）针对制造系统成品销售时序具有多维度、非线性的特征,提出了一种基于扩展的RBF核支持向量机的制造系统成品销售预测模型。设计了一种扩展的RBF核函数,证明了该函数满足Mercer定理,并将该核函数应用于支持向量机模型中;同时设计了一种改进的免疫优化算法对其参数进行寻优。该方法被应用于汽车销售预测实例中,并与BP神经网络（BPNN）、采用一般RBF核的支持向量机（v-SVM）及多尺度支持向量机（MS-SVM）进行了比较。实验结果表明本文提出的方法是有效可行的,所获方法的预测精度优于参与比较的其它三种方法。（2）针对制造系统成品销售时序具有含噪声、非线性的特征,提出了一种基于迭代的支持向量机的制造系统成品销售预测模型。设计了一种迭代的支持向量机模型（Iε-SVM）。当样本含有噪声时,采用ε-不敏感损失函数的标准支持向量机所建模型通常会对受噪声影响较大的样本进行过拟合,使得模型预测精度不高。基于此,Iε-SVM采用迭代的方式,在SVM的参数ε逐步减小的过程中,一步步修正那些可能受噪声影响较大的样本点信息,降低这些样本点对最终生成的预测模型的影响。文中证明了用更新后样本集训练支持向量机可获得比原训练集更大的样本间隔,最后Iε-SVM与ε-SVM一起被应用于处理一个数值算例和一个汽车销售预测实例中,仿真实验结果表明Iε-SVM是有效可行的,可获得比ε-SVM更精确的预测结果。（3）同样针对制造系统成品销售时序具有含噪声、非线性的特征,提出了一种基于自适应分段损失函数的支持向量机的制造系统成品销售预测模型。设计了基于自适应分段损失函数的支持向量机模型（ASε-SVM）。为避免支持向量机所建模型对受噪声影响较大的样本进行过拟合的现象,ASε-SVM为每个样本点赋一个单独的不敏感损失值,特别为那些受噪声影响较大的样本点赋一个较大的值,以此来降低模型对这些样本点的依赖性,并证明了该方法可增强模型部分的泛化性能。最后,ASε-SVM与ε-SVM一起被应用于处理一个数值算例和一个汽车销售预测实例中,仿真实验结果表明ASε-SVM是有效可行的,可获得比ε-SVM更精确的预测结果。（4）针对制造系统成品销售时序具有小样本、非线性的特征,提出了一种基于样本点间隔的支持向量机的制造系统成品销售预测模型。鉴于在小样本的情况下,通常缺少足够的信息来训练支持向量机模型;通过引入样本间两两之间的间隔,可在训练支持向量机时获得更多的样本间的信息,通过推导其对偶优化问题获得IoS-SVM;并通过理论证明了IoS-SVM的解具有与SVM类似的性质。最后,IoS-SVM与ε-SVM一起被应用于处理一个数值算例和一个汽车销售预测实例中,仿真实验结果表明IoS-SVM是有效可行的,在多数情况下可获得比ε-SVM更精确的预测结果,具有更强的鲁棒性。
王志豪[8]（2018）在《基于免疫高斯过程算法的岩体物理力学参数位移反分析方法研究》文中指出岩土工程是一门综合性的学科,具有很强的不可预见性,很难确定岩土工程材料性态参数,这也是阻碍人们研究这一领域中各种现象和行为的障碍。经过长期的发展,人们提出了反演分析法来解决这一问题,取得了良好的效果。隧道工程力学参数的反分析一直是岩石力学中的一个重要课题。基于分析计算机理的不同,可以将位移反分析法进一步细分为数值法和解析法,其中数值法适用范围更广,典型的数值法有差分法、离散元法、边界元法和有限元法,其中优化反演法应用最为广泛。近年来,用以解决隧道与地下工程三维位移反分析问题的智能位移反分析方法得到较快发展。本文创新性地采用免疫算法（Immune Algorithm,简称IA）与高斯过程（Gaussian Process,简称GP）耦合（免疫高斯过程算法）进行岩体物理力学参数反演。通过引入组合核函数以提高高斯过程回归的泛化性能,通过对北口隧道施工位移反分析进行了工程验证。本文基于免疫高斯过程算法对数值试验的结果进行了系统的分析,并以此为样本进行了网络训练,充分考虑了监测断面和掌子面不同距离处隧道监测点的位移,经网络训练建立描述围岩位移与岩体物理力学参数之间非线性映射关系的高斯过程回归（Gaussian Process Regression,简称GPR）智能模型,然后将实测围岩位移输入此模型,采用免疫算法在待反演参数搜索范围内自动搜索能使GPR预测位移与实测位移最接近的岩体物理力学参数组合,完成围岩物理力学参数的反演。然后利用反演计算,得出了相应的岩体力学参数,并将其作为智能模型的输入参数,从而能够得到掌子面到不同监测断面不同位置处,监测点的位移。并采用FLSC3软件进行了验证,结果表明,这种免疫高斯过程算法智能模型有着较高的精确度,基于隧道工程的实际应用结果表明,在3个开挖步中的误差没有超过20%,当开挖步大于3个时,实测值和位移预测值之间存在着较大的误差。因此,在开挖到第4步时,应当以当前的实测位移重新进行反分析计算和预测位移,然后再得出不超过3个开挖步的预估位移值。这种模型还可以用于预测施工时的围岩稳定极限位移值,确保施工的安全,并可以用于评估施工的质量,在一定程度上减少工程造价。本文分别基于遗传支持向量回归算法、遗传高斯过程回归算法、免疫支持向量回归算法和免疫高斯过程回归算法对北口隧道工程实例进行岩体物理力学参数反演和超前位移预测,形成对比验证,为以后的隧道施工和设计提供了重要的参考和依据。
赵翔[9]（2013）在《土地利用优化配置的多目标人工免疫优化模型研究》文中指出土地资源作为一种稀缺的不可再生资源,是人类赖以生存和发展的物质基础。然而,随着我国工业化和城市化进程的快速推进,土地资源的不合理利用现象加剧。如何以科学的理论与方法指导土地利用规划,促进土地资源的合理和可持续利用己成为政府和公众共同关注的热点问题。土地利用优化配置是土地利用规划的核心内容,也是提高土地利用效率、促进土地资源的可持续利用的必要手段。围绕土地利用优化配置问题的求解,国内外有关学者先后展开了广泛和深入的研究,形成了包括数学规划法、系统动力学模型、元胞自动机模型和智能优化模型等诸多方法在内的土地资源优化配置方法体系。然而,现有模型依然存在一定不足,集中表现为模型计算得到寻优能力较差、优化搜索效率较低、模型的多目标处理方法不能满足土地利用多目标决策支持的需要,缺少可实际应用的优化决策支持系统等。针对上述不足,围绕土地利用优化配置中的两大核心问题-土地资源数量结构优化与土地利用空间布局优化,本文提出了一种基于多目标人工免疫系统的土地利用优化配置模型,主要研究内容与创新之处如下：（1）研究首先在可持续发展理论、生态服务价值理论和景观生态学等相关理论的指导下,分别定义了土地资源数量结构优化问题和土地利用空间布局优化问题的优化目标和约束条件。其中,选取土地利用的生态服务价值最大化和经济效益最大化作为土地资源数量结构优化的主要目标；选取土地利用空间布局紧凑度最优与土地利用适宜性最优作为土地利用空间布局优化的主要目标。在此基础上,以人工免疫的基本理论为指导,分别构建了面向土地资源数量结构优化和土地利用空间布局优化的人工免疫概念模型,为领域知识指导的AIS土地利用优化算法的设计奠定了重要基础。（2）为了克服已有模型在多目标寻优能力和寻优效率等方面的不足,本文研究了基于多目标人工免疫系统的土地利用优化配置算法。在对经典多目标人工免疫算法NICA算法的基本免疫策略进行改进的基础上,根据土地资源数量结构优化和土地利用空间布局优化问题求解的基本特点,在领域知识的指导下分别设计了相应种群初始化策略和抗体变异算子。形成了面向土地资源数量结构优化的MOAI-LUSO算法和面向土地利用空间布局优化的PAI-LUSA算法。为提高土地利用空间布局优化问题求解效率,研究了在共享存储、多核、多CPU并行环境下的并行优化算法,提高了优化任务执行效率,大幅缩短寻优所需时间。（3）针对现有研究对通用土地利用优化决策支持系统研究的不足,本文在分析了土地利用优化配置问题求解需求的基础上,提出了面向土地利用优化配置问题求解的通用人工免疫算法模型框架和免疫算子结构。在此基础上,利用C#4.0和DotSpatial开源GIS平台开发了一个通用的、可扩展、开放式、可并行的土地利用优化配置智能决策支持系统。为保证系统的通用性、可扩展性和开放性,系统基于插件技术进行设计与实现,并设计了免疫算子扩展接口和优化问题应用扩展接口分别用于人工免疫算法的改进和优化问题应用的自定义扩展。（4）为验证研究模型的先进性和决策系统的实用性,选取湖北省秭归县作为实验区进行验证。为评估算法的寻优能力,选取NSGAII等优秀的多目标智能优化算法进行对比实验。此外,为了评估并行计算技术在土地利用布局优化问题求解领域的应用前景,文章还对土地利用空间布局优化模型的并行性能进行了测试。实证研究和对比实验结果表明：①面向土地资源数量结构优化的MOAI-LUSO算法的多目标寻优能力明显优于已有的基于NSGAII等算法的土地资源数量结构优化模型。②领域知识指导的并行PAI-LUSA算法能够高效、高质量的获得土地利用空间布局优化Pareto解集。算法并行性能测试实验结果表明,在具有16核CPU的计算机上,算法的并行效率可达68%,加速比可达10.83。由此可见,在多CPU、多核的共享存储的计算环境下,采用并行计算技术对土地利用空间布局优化模型进行并行化改进,能够获得较好的加速比和并行效率,从而极大提高问题求解的能力和效率,具有较好的应用前景。
鲍光辉,熊赟超,艾芊[10]（2010）在《基于免疫算法的超短期负荷预测方法》文中研究指明运用最小二乘的方法建立差分模型并用于电力系统负荷预测,并提出了基于免疫算法的组合差分预测负荷模型,将该模型应用于超短期负荷用量预测和超短期负荷曲线预测,提高了负荷预测的精确性。在实例分析中,利用以1 h为采样时间间隔的差分模型、2 h为采样时间间隔差分模型、3 h为采样时间间隔差分模型和以这前三种模型建立的基于免疫算法的组合差分模型对某市负荷数据进行了负荷用量预测和负荷曲线预测,最终预测结果验证了论文提出的负荷预测方法的有效性。
二、基于免疫算法的组合预测方法（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、基于免疫算法的组合预测方法（论文提纲范文）
（1）客户需求驱动的产品族设计方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 面向客户需求的产品族设计概述 |
| 1.2.1 客户需求分析 |
| 1.2.2 产品族设计模式 |
| 1.3 研究现状 |
| 1.3.1 需求分析研究现状 |
| 1.3.2 模块化设计及研究现状 |
| 1.3.3 参数化设计及研究现状 |
| 1.4 研究问题的提出及意义 |
| 1.5 论文研究内容及结构 |
| 第2章 客户需求分析与建模方法 |
| 2.1 客户需求概述 |
| 2.1.1 客户需求的特点 |
| 2.1.2 客户需求的分类 |
| 2.1.3 客户需求获取 |
| 2.2 客户需求表达模型 |
| 2.2.1 客户需求单元 |
| 2.2.2 客户需求模板与客户需求分解 |
| 2.2.3 用拓扑结构的客户需求建模 |
| 2.3 客户需求预测 |
| 2.3.1 基于数据挖掘的需求发现步骤 |
| 2.3.2 需求预测的数据挖掘方法 |
| 2.4 客户需求分析与处理 |
| 2.4.1 基于质量功能配置的需求分析 |
| 2.4.2 客户需求映射 |
| 2.5 小结 |
| 第3章 面向客户需求的产品模块划分与配置设计方法 |
| 3.1 产品平台中的模块划分方法 |
| 3.1.1 模块化设计策略 |
| 3.1.2 模块划分方法 |
| 3.1.3 模块划分方案评价准则 |
| 3.2 产品平台的模块划分方法 |
| 3.2.1 产品平台模块划分的数学模型 |
| 3.2.2 基于人工免疫算法的稳健模块划分问题求解 |
| 3.3 模块化产品配置 |
| 3.3.1 模块化产品配置流程 |
| 3.3.2 产品配置的规则与方法 |
| 3.4 小结 |
| 第4章 面向需求的参数化产品族优化设计方法 |
| 4.1 柔性产品平台 |
| 4.1.1 柔性产品平台概述 |
| 4.1.2 柔性产品平台规划流程 |
| 4.2 产品族参数化设计方法 |
| 4.2.1 两阶段产品族优化设计模型 |
| 4.2.2 产品平台通用性指标 |
| 4.2.3 可调节设计变量评价指标 |
| 4.3 改进的AMPSO多目标优化问题求解算法 |
| 4.3.1 改进的AMPSO算法模型 |
| 4.3.2 改进的个体寻优策略和全局寻优策略 |
| 4.4 小结 |
| 第5章 客户需求驱动的液压机产品族设计应用 |
| 5.1 基于神经网络的液压机需求预测 |
| 5.1.1 液压机订单需求预测模型 |
| 5.1.2 预测结果分析 |
| 5.2 液压机产品模块划分 |
| 5.2.1 液压机产品平台模块划分问题分析 |
| 5.2.2 基于人工改进免疫算法的液压机模块划分 |
| 5.3 液压机中电机的参数化产品族优化 |
| 5.3.1 液压机产品中电动机优化设计数学模型 |
| 5.3.2 优化问题求解系统 |
| 5.4 小结 |
| 第6章 总结与展望 |
| 6.1 全文总结与创新点 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（2）基于负荷预测的多中心内点法配电网无功优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 短期负荷预测研究现状 |
| 1.3 静态及动态无功优化的研究现状 |
| 1.3.1 静态无功优化的研究现状 |
| 1.3.2 动态无功优化的研究现状 |
| 1.4 支持向量机与免疫算法在电力系统中的应用 |
| 1.4.1 支持向量机在短期负荷预测中的应用 |
| 1.4.2 免疫算法在无功优化中的应用 |
| 1.5 本文的主要工作 |
| 1.6 本章小结 |
| 第2章 时间序列与支持向量机的预测模型 |
| 2.1 无功预测的背景 |
| 2.2 无功预测相关理论研究 |
| 2.2.1 传统的预测方法 |
| 2.2.2 人工智能的预测方法 |
| 2.3 时间序列与支持向量机的无功预测模型 |
| 2.3.1 时间序列方法 |
| 2.3.2 支持向量机方法 |
| 2.3.3 时间序列与SVM预测组合模型 |
| 2.4 算例分析 |
| 2.4.1 短期负荷预测建模 |
| 2.4.2 仿真分析 |
| 2.5 本章小结 |
| 第3章 改进多中心内点法的优化算法 |
| 3.1 现代内点法 |
| 3.1.1 原对偶内点法 |
| 3.1.2 预测.校正内点法 |
| 3.2 改进多中心-校正内点法 |
| 3.2.1 多中心-校正内点法 |
| 3.2.2 结合免疫算法的多中心-校正内点法 |
| 3.3 算例分析 |
| 3.4 本章小结 |
| 第4章 基于负荷预测的动态无功优化 |
| 4.1 概述 |
| 4.2 静态无功优化 |
| 4.2.1 静态无功优化的数学模型 |
| 4.2.2 IA-MCC在静态无功优化的应用罚因子的选取 |
| 4.2.3 IA-MCC在静态无功优化的应用 |
| 4.3 动态无功优化 |
| 4.3.1 动态无功优化模型 |
| 4.3.2 动态无功优化方法 |
| 4.3.3 负荷预测和负荷分段 |
| 4.4 算例分析 |
| 4.4.1 静态无功优化仿真分析 |
| 4.4.2 动态无功优化仿真分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果、参加学术会议及获奖 |
| 致谢 |
（3）基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 模型预测控制研究现状 |
| 1.2.2 分布式模型预测控制的研究现状 |
| 1.2.3 人工免疫算法的研究现状 |
| 1.3 论文研究解决的问题 |
| 1.4 本文的研究内容及结构 |
| 2.基于粒子群优化的免疫遗传算法 |
| 2.1 引言 |
| 2.2 免疫学理论及免疫算法理论 |
| 2.2.1 免疫学基本原理 |
| 2.2.2 人工免疫算法理论 |
| 2.2.3 免疫遗传算法及仿真 |
| 2.3 标准粒子群算法理论 |
| 2.3.1 标准粒子群算法的建模 |
| 2.3.2 标准粒子群算法实现流程 |
| 2.4 基于PSO改进的免疫遗传算法及仿真 |
| 2.4.1 PSO-IGA实现流程 |
| 2.4.2 仿真实例 |
| 2.5 本章小结 |
| 3.基于改进的IGA的DMPC系统结构分解方法 |
| 3.1 引言 |
| 3.2 基于改进免疫遗传算法(IGA)的DMPC系统结构拆解 |
| 3.2.1 DMPC输入分组(ICD)问题 |
| 3.2.2 DMPC输入输出配对(IOPD)问题 |
| 3.2.3 基于IGA对于ICD问题和IOPD问题的应用 |
| 3.3 基于IGA系统结构分解的DMPC算法实现流程 |
| 3.4 仿真实例 |
| 3.4.1 IGA算法解决DMPC系统分解问题 |
| 3.5 本章小结 |
| 4 基于IGA系统结构分解的分布式模型预测控制算法与仿真 |
| 4.1 引言 |
| 4.2 模型预测控制 |
| 4.2.1 MPC的预测模型 |
| 4.2.2 MPC的滚动优化 |
| 4.2.3 MPC的反馈校正 |
| 4.3 分布式模型预测控制 |
| 4.3.1 DMPC的预测模型 |
| 4.3.2 DMPC的滚动优化 |
| 4.3.3 DMPC算法实现流程 |
| 4.3.4 DMPC算法的仿真实验 |
| 4.4 基于IGA系统结构分解的DMPC算法与仿真 |
| 4.4.1 基于IGA系统结构分解的DMPC算法实现流程 |
| 4.4.2 仿真实例 |
| 4.5 本章小结 |
| 5.总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文目录 |
| 攻读硕士学位期间参与的科研项目情况 |
（4）组合积分系统在电渣重熔过程控制中的研究与应用（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 电渣重熔控制系统研究现状 |
| 1.2.1 电渣重熔国内外研究现状 |
| 1.2.2 电渣重熔控制模式的发展 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构安排 |
| 第二章 组合积分系统 |
| 2.1 引言 |
| 2.2 组合积分对象的定义 |
| 2.3 组合积分对象的应用 |
| 2.3.1 保持器 |
| 2.3.2 均值滤波器 |
| 2.3.3 预测PI控制器 |
| 2.4 组合积分控制器 |
| 2.4.1 组合积分控制器设计 |
| 2.4.2 控制器效果比较 |
| 2.4.3 组合积分控制器性能分析 |
| 2.5 本章小结 |
| 第三章 电渣炉重熔过程建模 |
| 3.1 引言 |
| 3.2 电渣炉组成结构及工艺流程 |
| 3.2.1 电渣炉组成结构 |
| 3.2.2 电渣重熔工艺流程 |
| 3.3 电极驱动模型 |
| 3.4 电压摆动模型 |
| 3.5 检测环节模型 |
| 3.6 本章小结 |
| 第四章 电渣重熔过程控制器设计 |
| 4.1 引言 |
| 4.2 电极驱动控制器 |
| 4.2.1 电极驱动对象模型分析 |
| 4.2.2 电极驱动组合积分控制器设计 |
| 4.2.3 电极驱动双组合积分控制器设计 |
| 4.3 电压摆动控制器 |
| 4.3.1 广义被控对象模型分析 |
| 4.3.2 电压摆动控制器设计 |
| 4.4 控制算法比较 |
| 4.4.1 PID控制器参数整定 |
| 4.4.2 控制器对比 |
| 4.5 本章小结 |
| 第五章 电渣重熔过程控制器优化 |
| 5.1 引言 |
| 5.2 组合积分对象的参数辨识方法 |
| 5.2.1 最小二乘辨识法 |
| 5.2.2 免疫算法参数辨识原理 |
| 5.3 免疫算法设计 |
| 5.3.1 数据归一化 |
| 5.3.2 亲和力函数 |
| 5.3.3 抗体浓度 |
| 5.3.4 繁殖概率 |
| 5.3.5 精英保留策略 |
| 5.3.6 选择交叉变异算子 |
| 5.4 组合积分对象参数辨识 |
| 5.4.1 第二类组合积分对象辨识 |
| 5.4.2 第四类组合积分对象辨识 |
| 5.5 控制器设计优化 |
| 5.6 本章小结 |
| 第六章 电渣重熔控制系统的工程化实现 |
| 6.1 引言 |
| 6.2 工程化实现软件介绍及设计流程 |
| 6.2.1 Unity Pro |
| 6.2.2 OPC Factory Server(OFS) |
| 6.2.3 Matlab/Simulink |
| 6.2.4 MCGS组态软件 |
| 6.2.5 工程化实现设计流程 |
| 6.3 PLC控制器设计 |
| 6.3.1 控制器离散化 |
| 6.3.2 软件程序设计 |
| 6.4 数据通讯配置 |
| 6.4.1 OPC配置 |
| 6.4.2 Simulink配置 |
| 6.5 人机界面(HMI)设计 |
| 6.5.1 添加设备组态 |
| 6.5.2 主监控界面 |
| 6.5.3 基本参数设置界面 |
| 6.5.4 高级参数设置界面 |
| 6.5.5 历史曲线界面 |
| 6.5.6 数据导出界面 |
| 6.5.7 报警记录界面 |
| 6.6 系统仿真运行 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 攻读硕士期间发表的研究成果 |
| 致谢 |
| 附录 |
（5）基于交通参数预测的城市快速路交通状态判别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通状态判别研究现状 |
| 1.2.2 交通流预测研究现状 |
| 1.2.3 交通状态演化研究 |
| 1.3 内容章节安排和技术路线 |
| 1.4 本章小结 |
| 2 城市快速路交通参数特性研究 |
| 2.1 微波交通检测数据 |
| 2.1.1 微波检测器数据采集原理 |
| 2.1.2 微波检测器的特点 |
| 2.1.3 微波检测数据类型 |
| 2.2 交通参数三要素 |
| 2.2.1 速度-密度关系模型 |
| 2.2.2 流量-密度关系模型 |
| 2.2.3 速度-流量模型 |
| 2.3 城市快速路交通特性分析 |
| 2.3.1 交通速度特性分析 |
| 2.3.2 交通流量特性分析 |
| 2.3.3 交通占有率特性分析 |
| 2.4 本章小结 |
| 3 基于FCM的城市快速路交通状态判别研究 |
| 3.1 交通状态 |
| 3.2 FCM算法概述 |
| 3.2.1 隶属度函数 |
| 3.2.2 FCM算法原理 |
| 3.3 交通状态聚类FCM算法流程分析 |
| 3.4 交通状态聚类研究 |
| 3.5 本章小结 |
| 4 基于免疫算法的LSSVM的交通参数预测研究 |
| 4.1 支持向量机相关研究 |
| 4.1.1 VC维理论 |
| 4.1.2 结构化风险最小化理论 |
| 4.1.3 最优分类面 |
| 4.2 支持向量机分类 |
| 4.2.1 线性支持向量分类机 |
| 4.2.2 非线性支持向量分类机 |
| 4.2.3 线性支持向量回归机 |
| 4.2.4 支持向量机非线性回归机 |
| 4.2.5 核函数 |
| 4.3 最小二乘支持向量机 |
| 4.3.1 算法原理 |
| 4.3.2 参数对LSSVM的影响 |
| 4.4 免疫算法理论 |
| 4.4.1 抗原和抗体 |
| 4.4.2 亲和度 |
| 4.4.3 抗体的克隆选择 |
| 4.5 应用免疫算法优化LSSVM参数进行交通参数预测 |
| 4.5.1 优化算法预测具体步骤 |
| 4.5.2 实例研究 |
| 4.6 本章小结 |
| 5 基于有限状态机的交通状态演化研究 |
| 5.1 概述 |
| 5.1.1 状态机 |
| 5.1.2 有限状态机 |
| 5.2 有限状态机基础理论 |
| 5.2.1 有限状态机数学模型 |
| 5.2.2 有限状态机的特点及其优缺点 |
| 5.2.3 有限状态机的表述方法 |
| 5.2.4 有限状态机分类 |
| 5.3 交通状态演化迁移结构层级 |
| 5.3.1 管理层和协作层设计 |
| 5.3.2 状态转移冲突 |
| 5.3.3 交通状态演化建模 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文的工作总结 |
| 6.2 进一步的研究工作 |
| 参考文献 |
| 附录 |
| 免疫算法优化LSSVM主程序 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于人工免疫的推荐算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 推荐系统国内外研究现状 |
| 1.2.2 人工免疫国内外研究现状 |
| 1.3 研究内容 |
| 1.4 本文的组织结构 |
| 第二章 几种主要的推荐算法 |
| 2.1 基于内容的推荐 |
| 2.2 基于知识的推荐 |
| 2.3 协同过滤推荐 |
| 2.3.1 基于内存的协同过滤推荐 |
| 2.3.2 基于模型的协同过滤推荐 |
| 2.4 基于图结构的推荐 |
| 2.5 组合推荐 |
| 2.6 推荐算法主要的研究方向 |
| 2.6.1 数据稀疏性方向 |
| 2.6.2 冷启动方向 |
| 2.6.3 扩展性方向 |
| 2.7 本章小结 |
| 第三章 基于人工免疫的单类推荐算法 |
| 3.1 问题提出 |
| 3.2 人工免疫算法相关知识 |
| 3.2.1 生物免疫系统 |
| 3.2.2 人工免疫系统的仿生原理 |
| 3.3 基于人工免疫的单类推荐算法 |
| 3.3.1 正负样本重构算法 |
| 3.3.2 基于人工免疫的单类推荐算法 |
| 3.4 实验及结果分析 |
| 3.4.1 实验数据集 |
| 3.4.2 推荐效果对比标准 |
| 3.4.3 参数N对算法推荐效果的影响 |
| 3.4.4 参数β对推荐效果的影响 |
| 3.4.5 算法推荐效果对比 |
| 3.5 本章小结 |
| 第四章 基于人工免疫的矩阵分解推荐算法 |
| 4.1 问题提出 |
| 4.2 基于矩阵分解的推荐算法 |
| 4.3 基于人工免疫的矩阵分解推荐算法 |
| 4.3.1 基于KNN相似度的矩阵分解推荐算法 |
| 4.3.2 基于人工免疫的矩阵分解推荐算法 |
| 4.3.3 改进预测评分方法 |
| 4.4 实验及结果分析 |
| 4.4.1 实验数据集 |
| 4.4.2 对比实验介绍 |
| 4.4.3 不同N下的KNNSMF与 AISMF的推荐精度对比 |
| 4.4.4 参数K对推荐效果的影响 |
| 4.4.5 不同K下推荐算法的推荐精度对比 |
| 4.4.6 直接预测与压缩预测推荐效果对比 |
| 4.5 本章小结 |
| 第五章 基于耦合关系的人工免疫推荐算法 |
| 5.1 问题提出 |
| 5.2 基于耦合关系的项目相似度 |
| 5.3 基于耦合关系的人工免疫推荐算法 |
| 5.4 实验及结果分析 |
| 5.4.1 实验数据集 |
| 5.4.2 参数α和 β对实验的影响 |
| 5.4.3 算法推荐效果对比 |
| 5.5 本章小结 |
| 第六章 基于人工免疫的推荐原型系统 |
| 6.1 系统需求分析 |
| 6.1.1 功能需求 |
| 6.1.2 非功能需求 |
| 6.2 总体设计 |
| 6.3 详细设计 |
| 6.3.1 系统功能设计 |
| 6.3.2 系统模块设计 |
| 6.4 数据库设计 |
| 6.5 系统实现 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文总结 |
| 7.2 未来工作 |
| 参考文献 |
| 致谢 |
| 在学期间学术成果及发表的学术论文 |
（7）基于支持向量机的制造系统成品需求短期预测模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景、意义及国内外现状 |
| 1.2 常用预测模型 |
| 1.2.1 基于回归分析的预测模型 |
| 1.2.2 基于时间序列分析法的预测模型 |
| 1.2.3 基于灰色理论的灰预测模型 |
| 1.2.4 基于神经网络的预测模型 |
| 1.2.5 基于支持向量机的预测模型 |
| 1.3 基于支持向量机的制造系统成品需求短期预测 |
| 1.3.1 基于扩展的RBF核支持向量机的制造系统成品销售预测模型 |
| 1.3.2 基于迭代的支持向量机的制造系统成品销售预测模型 |
| 1.3.3 基于自适应分段损失函数的支持向量机的制造系统成品销售预测模 |
| 1.3.4 基于样本点间隔的支持向量机的制造系统成品销售预测模型 |
| 1.4 本文的结构 |
| 第二章 基于扩展的RBF核支持向量机的制造系统成品销售预测模型 |
| 2.1 引言 |
| 2.2 扩展的RBF核支持向量机 |
| 2.2.1 v-支持向量机 |
| 2.2.2 扩展的RBF核支持向量机(ERBF-SVM) |
| 2.3 免疫算法 |
| 2.3.1 亲和力设计 |
| 2.3.2 动态繁殖算子 |
| 2.4 应用实例 |
| 2.4.1 参数设置 |
| 2.4.2 比较准则 |
| 2.4.3 实验结果 |
| 2.5 本章结论 |
| 第三章 基于迭代的支持向量机模型的制造系统成品销售预测研究 |
| 3.1 引言 |
| 3.2 ε-支持向量机 |
| 3.3 迭代支持向量机(Iε-SVM) |
| 3.3.1 更新样本集信息 |
| 3.4 仿真实验 |
| 3.4.1 数值算例 |
| 3.4.2 应用实例 |
| 3.5 本章结论 |
| 第四章 基于具有自适应分段损失函数支持向量机的产品销售预测模型 |
| 4.1 引言 |
| 4.2 自适应分段ε支持向量机(ASε-SVM)模型 |
| 4.2.1 支持向量机 |
| 4.2.2 自适应分段ε支持向量机(ASε-SVM) |
| 4.3 分段ε的计算方法 |
| 4.4 仿真实验 |
| 4.4.1 数值算例 |
| 4.4.2 应用实例 |
| 4.5 本章结论 |
| 第五章 基于样本点间隔的支持向量机的制造系统成品销售预测模型 |
| 5.1 引言 |
| 5.2 基于样本点间隔的支持向量机 |
| 5.2.1 普通支持向量机模型 |
| 5.2.2 基于样本点间隔的支持向量机(IoS-SVM) |
| 5.3 仿真实验 |
| 5.3.1 数值算例 |
| 5.3.2 应用实例 |
| 5.5 本章结论 |
| 第六章 总结与展望 |
| 6.1 全论文工作总结 |
| 6.2 需进一步研究的问题 |
| 6.3 论文写作后记 |
| 参考文献 |
| 作者简介 |
| 攻读博士学位期间发表、录用或投出的学术论文 |
| 致谢 |
（8）基于免疫高斯过程算法的岩体物理力学参数位移反分析方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 国内外位移反分析的研究现状 |
| 1.2.2 国内外研究目前存在的问题 |
| 1.3 研究的内容、研究的目标 |
| 1.3.1 研究的内容 |
| 1.3.2 研究的目标 |
| 1.4 论文的研究方案 |
| 1.4.1 数值模拟计算 |
| 1.4.2 免疫高斯过程算法 |
| 1.4.3 新型智能位移反分析方法的建立 |
| 1.4.4 隧道开挖智能位移超前预报方法的提出与验证 |
| 1.4.5 工程应用及验证 |
| 1.5 论文的主要创新点 |
| 2. 免疫算法 |
| 2.1 免疫算法发展历程 |
| 2.2 免疫算法基础理论 |
| 2.2.1 生物免疫系统 |
| 2.2.2 免疫算法概念 |
| 2.2.3 免疫算法的特点 |
| 2.2.4 免疫算法算子 |
| 2.3 免疫算法种类 |
| 2.3.1 克隆选择算法 |
| 2.3.2 免疫遗传算法 |
| 2.3.3 反向选择算法 |
| 2.3.4 疫苗免疫算法 |
| 2.4 免疫算法流程 |
| 2.5 关键参数说明 |
| 2.6 本章小结 |
| 3. 免疫高斯过程回归算法及其工程应用 |
| 3.1 高斯过程及其回归算法简介 |
| 3.1.1 高斯过程(Gaussian Process,简称GP) |
| 3.1.2 高斯过程预测 |
| 3.1.3 最优超参数的获取 |
| 3.2 免疫高斯过程回归算法 |
| 3.2.1 组合核函数 |
| 3.2.2 免疫-组合核函数高斯过程回归算法 |
| 3.3 基于免疫-组合核函数高斯过程回归算法的边坡变形时序分析 |
| 3.3.1 滚动预测方法 |
| 3.3.2 基于免疫-组合核函数高斯过程回归算法边坡非线性变形预测 |
| 3.4 计算结果分析 |
| 3.5 本章小结 |
| 4. 隧道工程开挖数值模拟 |
| 4.1 试验方案数据的选取 |
| 4.2 隧道断面的选取及开挖方式 |
| 4.2.1 隧道断面的选取 |
| 4.2.2 隧道开挖方式 |
| 4.2.3 隧道测点的布置情况 |
| 4.3 计算模型的初始条件 |
| 4.4 数值模拟的计算结果 |
| 4.4.1 模型中锚杆的布置情况 |
| 4.4.2 模型中初期支护布置情况 |
| 4.4.3 开挖完成后的应力分布情况 |
| 4.4.4 开挖完成后的位移分布云图 |
| 4.4.5 开挖完成后的围岩位移变化曲线 |
| 4.5 本章小结 |
| 5. 基于免疫高斯过程回归算法的岩体物理力学参数反演 |
| 5.1 GPR智能位移预测模型建立 |
| 5.1.1 免疫算法参数确立 |
| 5.1.2 训练数据的导入与学习 |
| 5.1.3 免疫组合核函数高斯过程参数输出 |
| 5.1.4 测试样本的验证 |
| 5.2 岩体物理力学参数的反演 |
| 5.3 智能预测模型后续位移预测 |
| 5.4 本章小结 |
| 6. 工程应用 |
| 6.1 北口隧道简介 |
| 6.2 基于免疫高斯过程回归算法的北口隧道位移反分析 |
| 6.2.1 数值试验获取北口隧道训练样本集 |
| 6.2.2 北口隧道岩体物理力学参数反演过程 |
| 6.2.3 北口隧道后续施工位移预测及结果分析 |
| 6.3 本章小结 |
| 7. 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 附录A |
| 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 |
（9）土地利用优化配置的多目标人工免疫优化模型研究（论文提纲范文）
| 论文创新点 |
| 图目录 |
| 表目录 |
| 摘要 |
| ABSTRACT |
| 1. 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 土地利用配置模型研究进展 |
| 1.2.2 AIS及其在土地利用优化配置中的应用 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究的关键技术 |
| 1.5 本章小结 |
| 2. 研究的基础理论与方法 |
| 2.1 土地利用优化配置的理论基础 |
| 2.1.1 相关的理论基础 |
| 2.1.2 优化配置的基本原则 |
| 2.2 多目标优化技术 |
| 2.2.1 多目标优化的基本概念 |
| 2.2.2 多目标优化的基本方法 |
| 2.3 人工免疫系统的主要模型与算法 |
| 2.3.1 人工免疫系统的免疫学机理 |
| 2.3.2 人工免疫系统的重要模型 |
| 2.3.3 重要的人工免疫优化算法 |
| 2.4 并行计算技术与方法 |
| 2.4.1 并行计算机的体系结构 |
| 2.4.2 并行编程模式与编程语言 |
| 2.4.3 并行算法性能度量指标 |
| 2.4.4 并行人工免疫系统的一般模型 |
| 2.5 本章小结 |
| 3. 土地利用优化配置的人工免疫概念模型构建 |
| 3.1 总体技术框架与模型设计思路 |
| 3.2 土地利用优化配置问题定义 |
| 3.2.1 土地资源数量结构优化问题定义 |
| 3.2.2 土地利用空间布局优化问题定义 |
| 3.3 土地利用优化的AIS概念模型构建 |
| 3.3.1 数量结构优化问题的人工抗体模型 |
| 3.3.2 空间布局优化问题的人工抗体模型 |
| 3.4 本章小结 |
| 4. 领域知识指导的AIS 土地利用优化算法 |
| 4.1 多目标人工免疫优化模型的基本原理 |
| 4.2 面向土地资源数量结构优化的MOAI-LUSO算法 |
| 4.2.1 种群初始化 |
| 4.2.2 抗体修复机制 |
| 4.2.3 抗体变异算子 |
| 4.2.4 抗体交叉算子 |
| 4.3 知识指导的土地利用布局并行优化PAI-LUSA算法 |
| 4.3.1 种群初始化策略 |
| 4.3.2 知识指导的变异算子 |
| 4.3.3 优化算法的并行策略 |
| 4.4 本章小结 |
| 5. 基于AIS的并行土地利用优化决策支持系统 |
| 5.1 土地利用优化配置智能优化系统研究现状 |
| 5.2 土地利用优化决策支持系统开发的基本需求 |
| 5.3 土地利用优化AIS模型总体框架与基本算子 |
| 5.4 土地利用智能优化决策支持系统关键技术 |
| 5.4.1 系统总体架构 |
| 5.4.2 应用插件开发模型 |
| 5.4.3 免疫算子开发模型 |
| 5.4.4 免疫算法并行实现 |
| 5.5 智能决策支持系统的开发与实现 |
| 5.6 本章小结 |
| 6. 模型应用实证研究 |
| 6.1 研究区概况 |
| 6.1.1 地理位置 |
| 6.1.2 自然环境条件 |
| 6.1.3 社会经济条件 |
| 6.1.4 土地利用现状 |
| 6.2 实验数据预处理 |
| 6.2.1 基础资料收集与预处理 |
| 6.2.2 数量结构优化实验数据预处理 |
| 6.2.3 空间布局优化实验数据预处理 |
| 6.3 土地利用优化结果分析与评价 |
| 6.3.1 数量结构优化结果分析与评价 |
| 6.3.2 空间布局优化结果分析与评价 |
| 6.4 优化算法性能评估 |
| 6.5 本章小结 |
| 7. 总结与后续研究 |
| 7.1 研究总结 |
| 7.1.1 全文总结 |
| 7.1.2 主要创新 |
| 7.2 后续研究 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 致谢 |
四、基于免疫算法的组合预测方法（论文参考文献）
- [1]客户需求驱动的产品族设计方法研究[D]. 尹春雷. 山东大学, 2020(04)
- [2]基于负荷预测的多中心内点法配电网无功优化研究[D]. 贾犇. 湖北民族大学, 2020(12)
- [3]基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用[D]. 刘臻博. 辽宁石油化工大学, 2020(04)
- [4]组合积分系统在电渣重熔过程控制中的研究与应用[D]. 李牟腾. 东华大学, 2020(01)
- [5]基于交通参数预测的城市快速路交通状态判别研究[D]. 张源. 北京交通大学, 2019(01)
- [6]基于人工免疫的推荐算法研究[D]. 李宗堃. 南京航空航天大学, 2019(02)
- [7]基于支持向量机的制造系统成品需求短期预测模型研究[D]. 涂歆. 东南大学, 2019(01)
- [8]基于免疫高斯过程算法的岩体物理力学参数位移反分析方法研究[D]. 王志豪. 北京交通大学, 2018(01)
- [9]土地利用优化配置的多目标人工免疫优化模型研究[D]. 赵翔. 武汉大学, 2013(07)
- [10]基于免疫算法的超短期负荷预测方法[J]. 鲍光辉,熊赟超,艾芊. 华东电力, 2010(12)