一、遗传算法新模板理论的研究（论文文献综述）
韦启旻[1]（2020）在《无线传感网络中高吞吐信道分配技术研究》文中认为本文以校园物联网健康监控系统为研究对象搭建无线传感网络（Wireless sensor network,WSN）进行相关研究。校园物联网健康监控系统是通过手环作为传感节点,校园通信网络作为传输媒介,以收集每一个在校人员的健康数据为目的的无线传感网络。当前针对校园网络的信道分配策略主要有贪婪算法和拍卖算法,但是都存在只能获取局部最优解的问题。针对当前无线网络信道分配中的诸多方法,本文设计了以启发式算法为基础,通过遗传算法不断变异提供进化方向,通过物竞天择适者生存原则决定进化策略,搜索最优的分配策略,为下文算法提供大数据基础。利用这些大数据进行机器学习模型训练。通过散点图、密度图和热力图三种方式构建图形化网络拓扑模型,并对不同网络模型区分度对比,选出最优网络模型构建方法,构建网络模型。通过比较不同网络的相似度搜索最佳匹配结果,将信道分配策略赋予目标网络。通过对比三种网络模型对于不同网络的区分度结果,得出了热力图对于同网络的区分高于散点图和密度图,故选择了基于热力图的图形化拓扑作为算法分配的模型。相比较于传统的贪婪算法的满足重用距离要求的首个可用信道分配给调用的分配方法,基于热力图的信道分配算法其分配的网络吞吐量远优于贪婪算法。由于网络拓扑信息和数据库中的分配策略是一对一的对应关系,在进行搜索时搜索量极大,无法使用机器学习进行标签。为了使得分配策略更具有普遍性,可利用机器学习进行标签,通过聚类的方法,将分配策略进行分簇处理。通过巴拿赫不动点定理进行机器学习模型训练,并仿真证明模型可行性。将机器学习模型应用于本文研究网络,提出基于热力图的相似度聚类信道分配算法,利用梯度下降法则对算法进行优化。
王聪聪[2]（2019）在《基于混合遗传算法的开关磁阻电机多目标优化结构设计》文中提出开关磁阻电机（Switched reluctance motor,SRM）由于其结构简单,成本较低以及系统可靠等优点在很多领域得到了广泛的应用,但转矩脉动大是限制SRM进一步发展的一大问题。目前对于抑制转矩脉动的研究工作主要有两个方面,一是分析电机结构与电机输出性能之间的关系,运用优化方法对其进行优化设计;二是对新型的控制策略进行研究分析。本文以减小SRM转矩脉动、提升电机输出性能为目的,详析阐述了电机结构对性能的影响模式,运用混合遗传算法对SRM结构进行多目标优化设计。本文全面总结了开关磁阻电机和遗传算法的发展历史与当前国内外的研究现状。针对传统电机优化设计方法计算过程繁琐和优化方向单一以及简单遗传算法的早熟收敛和随机震荡等问题,将其与模拟退火算法相结合,经Rosenbrock’s valley函数验证,混合遗传算法收敛速度更快,寻优效率更高。本文依据传统电机设计方法设计了一款额定功率为2kW,额定转速为4000rpm的SRM样机。由于ANSYS Maxwell软件是一款功能强大且主要用于电机电磁场分析及优化的软件,本文基于ANSYS建立了 SRM二维与三维有限元模型,获取了样机的磁链特性。依据样机基本设计参数和有限元仿真结果,制作了电机实物并运用间接测量法初步检测了样机的磁链等特性。通过结果对比,验证了三维有限元仿真的准确性,并用于电机优化后性能的检验。为进一步优化SRM的结构,本文对不同定转子齿型进行了研究,确定了T型定子齿结构的电机转矩脉动明显较小。本文基于等效磁路法建立了 SRM数学模型,通过非线性磁路计算获取了电机静态特性方程,在此基础上通过麦克斯韦应力法建立了径向力方程,并分别以径向力、输出效率和铜耗为优化目标,以定转子轭高、定转子极弧和转子外径等结构参数为优化变量运用混合遗传算法进行多目标优化,结果显示电机输出性能得到了提升。通过三维有限元仿真,SRM的转矩脉动明显得到了抑制,结果证明了该优化方法的正确性。为进一步抑制SRM转矩脉动,本文运用多目标优化的结果基于BP神经网络建立了 SRM瞬时转矩闭环控制系统,在控制策略上实现对转矩脉动的进一步抑制。
林红华[3]（2018）在《基于缺失混频数据的股票指数组合预测模型及实证研究》文中研究表明股票指数预测是经济领域中受到普遍关注的问题。在预测股票指数或经济问题时,经常面临如下情况:（1）用于预测的数据常常存在统计时间频率不一致的情况,也就是出现混频数据。例如经济领域的股价预测问题,既涉及价格、成交量等高频率指标,又要涉及到宏观经济数据、财务数据、所处行业政策等低频率指标。（2）由于各种原因,用于预测的数据时常存在缺失的情况。（3）解释变量和被解释变量之间存在复杂的非线性关系。传统的预测模型要求模型等式两端是同频数据,因而在使用中受到极大的限制。混频数据处理模型为混频数据的处理提供了新的视角。在混频数据预测模型方面,目前已取得大量的研究成果,但仍有提升空间:（1）混频数据都是完整的,基本没有涉及数据中存在缺失值的情况;（2）混频数据系列模型虽然是通用模型,但运用范围还存在一定局限性;（3）解释变量和被解释变量之间的复杂非线性关系在模型中没有充分的挖掘出来。因此,本文首次尝试将混频数据预测、处理缺失数据的灰色关联分析、先进的遗传算法进行集成,解决经济领域中涉及缺失混频数据的复杂预测问题。本文主要工作是以下三个方面:第一,构建基于混频数据的股票指数一元组合预测模型并运用于股票市场指数预测。混频数据预测模型已有的研究成果中,MIDAS系列模型是目前最通用的模型。基本MIDAS模型主要适用于金融市场的波动及宏观经济状态的预测,非限制U-MIDAS模型虽然在很多实际问题的预测中获得了很好的效果,但又要求变量频率差异较小,所以两类模型在实际运用中均受到了较大的限制。由于很多经济问题需要使用大量混频数据进行预测,解释变量和被解释变量之间的关系是非常复杂的,往往是一个非线性关系。为了提高混频数据模型的预测性能及运用范围,本文将构建混频数据的一元组合预测模型。当两个基本模型组合形成新模型后,关系复杂程度进一步提高。遗传算法是一种基于生物进化过程的搜索算法,通过不断迭代逐步逼近最优解,在求解复杂度很高的非线性最优化问题上具有独特的优势。它的搜索能力不受具体问题的模型限制,能有效进行大范围空间的搜索,因此在处理复杂的高维、非线性关系的优化问题中具有特别的优势。和其他的优化算法相比,遗传算法更有可能获得全局优化解。本文将混频数据一元组合预测模型和遗传算法两者有机结合,首先建立基于混频数据的一元组合预测模型,同时给出遗传算法的参数设置以及模型系数与权重的搜索方法。最后,将模型运用于中国股票市场预测上证综指、深证成指、创业板指数,并与对比模型结果比较,证明所提模型有效。第二,构建基于缺失混频数据的股票指数一元组合预测模型并运用于股票市场指数预测。利用有缺失的混频数据直接进行预测是非常必要的。传统方法处理缺失值,一般使用加权均值或概率均值的方式填补。加权均值法只适用于缺失数据值较少的情况,概率均值法容易受到极端数据值的影响。同时,在混频数据领域的研究中基本没有涉及到缺失数据的情况。为解决以上问题,本文首先提出基于缺失混频数据的股票指数一元组合预测模型。一方面,我们进行预测时,会重点考虑某一个单一重要因素对预测结果的影响或者是两者之间的相互关系;另一方面,缺失混频数据一元组合预测模型,是建立缺失混频数据多元组合预测模型的基础,因此我们首先建立该模型。灰色关联分析模型的目标就是在空间关系里面识别两组数据序列的几何关系。该模型可用来量化比较序列和参考序列的相似程度。本文将处理缺失数据的灰关联分析模型和混频数据一元组合预测模型进行集成,并用遗传算法搜索出全局最优解。将该模型运用于中国股票市场上证综指、深证成指、创业板指数的预测中,使用包含有缺失值的混频数据,预测结果显示,本文提出的模型具有有效性。第三,构建基于缺失混频数据的股票指数多元组合预测模型并运用于股票市场指数预测。在股票指数预测问题中,影响预测结果的因素众多,且各种因素互相影响,因而,一元模型应用范围受限,构建多元模型是论文研究重点。以一元模型为基础,构建基于缺失混频数据的股票指数多元组合预测模型,需要解决的问题如下:（1）解释变量维数增加,待估计参数也相应大量增加,（2）多个解释变量之间存在混频数据,维数增加后,解释变量之间和解释变量与被解释变量之间存在复杂的非线性关系。（3）解释变量增加的情况下,出现多个缺失值的可能性增大。为解决上述问题,本文提出基于缺失混频数据多元组合预测模型。将一元模型扩展成多元模型后,将面临数据关系更加复杂,待估计系数及向量大量增加,计算复杂度急剧增高等一系列问题,本文将给出遗传算法解决上述问题的过程和算法。最后,通过将新模型应用于中国股票市场预测上证综指、深证成指、创业板指数,并与对比模型相比较,说明模型的有效性。
吕耕耕[4]（2017）在《一种改进遗传算法在TSP中的应用》文中进行了进一步梳理遗传算法是一种模拟生物进化过程的智能算法,在复杂问题处理中已经得到了广泛的应用,例如:函数优化和组合优化。由于该算法本身存在着操作上的随机性,收敛速度和求解精度不是十分理想,所以对算法的改进显得十分必要。本文摒弃了之前遗传算法所采用的概率模型,提出了一种基于个体认知的遗传算法。本文的主要工作有以下几个方面:首先,本文对遗传算法的染色体结构进行了调整,引入了启动子和冗余序列。启动子用于控制个体进化方式。个体可以拥有多种选择算子、交叉算子和变异算子,这样大大提升了进化的灵活性。冗余序列用于记录个体进化过程中的状态信息,为启动子的更新提供依据。紧接着,本文针对改进后的染色体结构提出了跟踪式选择算子、自匹配交叉算子、链式变异算子和堆式变异算子。这几种遗传算子能够充分体现启动子和冗余序列存在的优势。之后,本文提出了进化控制器。它包含6种运行机制,分别为评估机制、复制机制、新生机制、跟踪机制、覆盖机制、中和机制。每一种机制都在种群的进化过程中起到重要作用。最后,将基于个体认知的遗传算法应用到旅行商问题的求解中。实验从种群多样性、收敛速度以及求解精度三个方面对算法进行了测试,结果表明改进的遗传算法可以有效地解决旅行商问题。
孙铁军[5]（2016）在《带钢卷取温度高精度预报及多目标优化控制策略研究》文中指出在现代钢铁工业中,层流冷却工艺是通过轧后强制水冷来改善带钢的组织性能,提高带钢质量和产量的过程。带钢在层流冷却过程中发生复杂的水冷、空冷换热及内部的热传导过程,具有工况条件变化剧烈、强非线性、参数时变、数学模型难以精确描述的复杂工业特性,而且整个冷却区的恶劣环境不能逐点安装温度检测仪表,带钢温度难以连续检测,现有的控制方法存在不能适应变化频繁的工况条件、过于依赖带钢温度模型精度的问题,导致卷取温度控制精度不高、对给定冷却速率跟踪效果差。本文以某钢铁公司带钢热连轧生产线的层流冷却过程为研究对象,以提高带钢成品质量为目标,从温度预报模型优化和多目标优化控制策略研究两方面入手,将先进控制理论和改进的优化算法引入到生产实际中,提出了基于再进化遗传算法的相关性剪枝法（Re-evolutionary Genetic Algorithm-Correlation Pruning Algorithm,REGA-CPA）优化的BP神经网络卷取温度预报模型和基于转基因多目标遗传算法（Transgenic Multi Objective Genetic Algorithm, TMOGA）的层流冷却优化控制策略,并利用层流冷却过程实际生产数据进行了仿真实验研究,仿真结果验证了所提出温度预报模型的高精度和多目标优化控制策略的有效性。本文研究工作具体表现在以下几个方面：1)再进化遗传算法（REGA）现有诸多改进遗传算法（Genetic Algorithm,GA）终究只是在种群的正常进化过程中所采取各种策略,在设计理念上明显受到自然界生物自然进化思想的束缚,对由于种群进化过程中的盲目性、随机性而引起的退化现象明显应对措施不足,对克服GA收敛速度慢和易陷于局部最优等缺点的效果终究有限。基于此,本文在进化策略上另辟蹊径,提出了一种基于重新进化思想的REGA。其中,首次提出了重新进化的思想,用“返祖”操作找回丢失的较优模式并将其耦合至下一代种群中,极大的提高了算法的收敛速度；分析了“种群解的空间跨度”和“基因段距离”对种群多样性的影响,用“优生”操作来推动算法从平面到多维空间的立体式搜索,以勘探和挖掘出更广、更优的寻优区间,并在种群进化后期,强力驱动算法收敛于全局最优.2)基于REGA-CPA优化的BP神经网络卷取温度预报模型本文提出了一种基于REGA-CPA优化的BP神经网络卷取温度预报模型,“阶段性跨度淘汰法”主要是从保持种群多样性方面考虑,随时考量整个种群在平面空间的分布均匀性,以拓展搜索空间,使算法能够在更广、更优的区域寻优；“DNA鉴定法”从多维空间来考量种群在全局空间的寻优遍历性,为判断任意两个个体在多维空间的距离提供了直观、高效的方法。仿真结果表明：该卷取温度预报模型的收敛速度快、精度高,满足实时在线的控制要求,预报精度在±10℃范围之内,3)“随机动态输入模式”卷取温度预报模型的在线应用在离线方式下训练好的基于REGA-CPA优化的BP神经网络卷取温度预报模型为主模型,即可应用于在线的卷取温度预报。鉴于层流冷却系统是一个强耦合、强非线性、大滞后且滞后的时间时变的系统,因主模型权值、阈值、结构已固定,在线预报卷取温度时,若干点的精度有时可能会低于离线时训练的精度。针对此问题,提出了“随机动态输入模式”卷取温度预报模型,以最大限度的保证在线温度预报模型的预报精度在±10℃范围以内,能为层流冷却的预设定及前馈控制提供可靠的参考数据,从而为进一步提高卷取温度的控制精度提供了新的途径。4)转基因多目标遗传算法（TMOGA）提出了TMOGA,利用历代种群Pareto前沿面的交集来提取较优模式并建立基因库,库中的优秀基因通过“转基因”的方式移植到下一代种群,以保证种群进化稳步向Pareto最优解集迫近；基于决策变量的拥挤距离策略和基因库的竞争机制,保持了种群的多样性,使算法可以挖掘和勘探出更广、更优的搜索空间；随机抽取基因的模式保证了历代种群Pareto前沿面均具有良好的空间分布均匀性；基因库的记忆、固化功能形成强力驱动机制,使算法接近收敛时迅速跳出局部前沿,快速逼近真实的Pareto最优解集。5)基于TMOGA的层流冷却系统粗调区优化控制策略针对如何提高带钢卷取温度的控制精度和如何准确跟踪给定冷却速率的问题,提出了基于TMOGA的层流冷却系统粗调区优化控制策略,用于搜索粗调区集管的最佳开闭模式集合（Pareto最优解集）；仿真结果表明,该多目标优化控制策略可获取全局Pareto最优解集且在空间分布均匀,所提供的决策变量丰富、合理,因此控制系统的控制范围广、精度高,对多目标的均衡能力强,从而为新钢种的开发、冷却工艺优化提供了强有力的技术手段,同时为发展高端、高附加值的带钢产品打下了坚实的基础。
李文骞[6]（2016）在《一种量子可逆逻辑模板综合算法》文中指出模板技术是量子可逆逻辑优化的一个重要手段,其优化程度依赖于模板的完备性。采用遗传算法作为全局搜索工具,提出了一个基于遗传算法的量子可逆逻辑模板综合算法。实验表明,该算法能有效生成新的模板线路,扩充了现有的模板库,提高了优化效率。
蔡美菊[7]（2015）在《交互式遗传算法及其在隐性目标决策问题中的应用研究》文中进行了进一步梳理隐性目标决策问题是指决策目标无法或很难显式化、结构化表征的一类复杂最优化问题,广泛存在于现实生活的方方面面,例如服装设计问题、旅游行程规划问题与汽车造型设计问题等等,故研究支持隐性目标决策问题求解的决策方法具有重大理论意义及实用价值。隐性目标决策问题除了“决策目标模糊难言,无法显式化表达”之外,还具备“决策者偏好随交互决策过程动态调整”及“问题决策空间大、可行解方案多”的特征,导致传统的最优化决策方法不能直接用以求解,其求解过程需借助具有交互机制的决策方式来开展。交互式遗传算法（IGA）正是一种具有人机交互决策机制的智能决策方法,它基于人的主观评价来给定个体适应度值,在传统遗传算法（GA）中融入交互式进化思想,充分发挥了人的主观能动性及智能信息处理能力,是一类适合求解隐性目标决策问题的决策方法,可作为其求解方法基础。然而,传统IGA存在着收敛效率低、用户易疲劳与种群多样性缺失等问题,很大程度上限制了算法的进一步应用与推广本文在对国内外IGA及GA研究概况及基本操作分析总结的基础上,构建了基于IGA的隐性目标决策问题求解模型,并针对现有IGA研究的不足之处,从以下三个方面对IGA进行了深入研究与探讨：结合用户偏好的交互式遗传算法研究、结合共享机制小生境技术的交互式遗传算法研究以及多用户参与的交互式遗传算法研究,提出了多种面向隐性目标决策问题求解的改进IGA方法,并且以汽车前脸造型设计这一典型的隐性目标决策问题作为应用实例,构建起辅助算法求解的智能决策支持系统,验证了所提算法的有效性。完成的主要研究内容总结如下：（1）针对限制IGA性能的用户疲劳问题,设计了一种基于用户偏好模型的交互式遗传算法。该方法从进化个体整体及部分评价两方面结合入手,摸索用户认知规律以构建用户偏好模型,并根据算法交互过程中获取的用户较偏爱个体评价信息,提取出进化个体各构成部分的适应值,综合考虑各构成部分的权重及构成部分组合对用户整体偏好的影响,设计出进化个体适应度值估算公式,作为用户疲劳时机器替代人工的依据。汽车前脸造型设计仿真实验结果表明,该算法能大大降低迭代次数及用户评价次数,从而有效减轻了用户疲劳。（2）针对限制IGA性能的求解效率低的问题,构建了一种基于用户局部偏好的交互式遗传算法。首先讨论了用户局部偏好固定／剔除操作的实现,然后描述了改进的交叉变异算子,之后对算法流程及性能进行分析,最后将算法应用于汽车前脸造型设计仿真实验,结果显示了该算法能有效加快收敛速度并提高寻得最优造型个体的成功率。（3）针对IGA种群多样性维持问题,通过共享机制小生境技术的概述,引入小生境熵来度量种群多样性,并基于此构建起基于改进共享机制的小生境交互式遗传算法。该算法中,设计了共享机制小生境半径的自适应选择策略、适应度值估算方法及交叉、变异操作的自适应确定方案,用户仅需从每代种群中选择一个作为当代最优个体,无需给出具体适应度值,有效降低了其评价疲劳。汽车前脸造型设计系统仿真实验结果也验证了算法在保持高效寻优性能的同时,能够有效维持种群多样性。（4）针对多人参与的隐性目标群决策问题,描述了其智能决策过程,并提出一种基于单种群协同的新型多用户交互式遗传算法。该算法重点探讨了多用户权重的自适应设置、群体适应度值的计算方式、交叉变异概率的自适应调整、算法收敛条件选取问题以及局域网络平台的搭建。仍以汽车前脸造型设计问题为例进行了仿真实验,实验数据表明了该算法在寻优效率及结果群体满意度方面优越性,也体现出其在种群多样性维持及控制方面的有效性。（5）为辅助IGA方法的系统实现,提出了基于IGA的智能决策支持系统结构模型,即支持隐性目标决策问题求解的一般概念模型,并针对模型中六个组成部分进行了展述。将汽车前脸造型设计问题作为隐性目标决策问题应用实例,开发了基于IGA的汽车前脸造型设计系统,重点分析了汽车前脸造型设计编码问题,并讨论了基于IGA的汽车前脸造型设计系统的实现流程及系统功能。
王一鸣[8]（2014）在《基于演化博弈的发电厂商竞价行为研究》文中研究指明随着电力市场改革的深化,我国发电市场逐渐形成了“厂网分开,竞价上网”的总体格局。在此大背景下,直接关系到多方利益的发电厂商报价策略研究以及电力市场的竞价机制研究成为了越来越热门的研究课题。由于电力市场中发电厂商的报价策略的选择会受到彼此的影响,因而大部分学者采用传统博弈或者演化博弈的理论对其进行研究。然而这些方法都受到大量假设前提的限制,并且其研究范围也限于较少的竞争者数目以及策略数目。本文受到国外学者关于单种群遗传算法本身就是演化博弈过程的思路影响,提出了使用遗传算法解决演化博弈问题,对电力市场的发电厂商竞价行为进行仿真的方法。作者首先对于遗传算法进行了阐述,并对其中的交叉算子以及变异算子进行了一系列的改进,随后通过测试函数对其有效性进行了验证。接着,提出了符合实际的电力市场竞价过程的市场模型,并在此基础上对电力市场的竞价过程进行了多次模拟仿真。分析结果显示,MCP竞价机制在使市场达到均衡的快速性以及最终的稳定性方面都优于PAB机制,而其最终的市场均衡价格方面与PAB相差无几。出于这些方面的考虑,MCP竞价机制似乎更加适合目前我国的电力市场,更加有利于电力市场的竞争以及资源的总体配置。
初雪宁[9]（2012）在《自适应记忆遗传算法研究及在TSP问题中的应用》文中认为遗传算法是一种模仿生物自然进化过程的、自适应启发式的全局优化算法。由于在利用遗传算法求解问题时仅需要很少的辅助信息,容易与其它领域的知识相结合,且具有较好的自适应性和并行性,使得遗传算法在组合优化、机器学习、自适应控制、人工生命等领域得到了广泛的应用。虽然国内外都很重视遗传算法的理论和应用研究,并取得了很多令人瞩目的研究成果,但是遗传算法的理论和方法还尚未成熟,仍然存在一些不足有待于进一步改善。首先,本文以遗传算法在函数优化中的应用为实例,分析了遗传算法优化过程中基因编码相同的染色体重复出现的现象,且随着进化代数的不断增加重复个体出现的机率也越来越大。针对这个问题,本文通过引入合适规模的基因库用以存储重复出现个体的基因编码和对应的适应度值,并将基因库中的染色体按适应度值从大到小的顺序有序排列。对于基因库中有相同基因编码的染色体可以直接从基因库中获取其适应度值,进而解决重复个体适应度值的重复计算问题,降低算法的时间复杂度,提高算法的计算效率。其次,针对上述算法无法根据当前种群中个体的分布情况对遗传算子执行的控制参数进行动态调整的问题,本文按照自适应遗传算法的交叉概率和变异概率调节公式的设计原则,根据种群中个体的相似系数,利用Logistic曲线方程对遗传算法的交叉概率和变异概率进行自适应调整,进而提高算法的收敛性能。最后本文以典型的旅行商TSP问题为应用背景,以Malab R2009a和Microsoft Visual Studio2010作为开发环境,选取TSPLIB中的城市坐标数据为实例,实现了一个基于改进后算法的TSP问题求解系统,并对改进后算法的计算个体适应度值的时间代价与算法的收敛性进行测试和验证。测试结果表明：种群规模为50～150,基因库规模选取为种群规模的0.1倍～0.2倍时,本文算法能够有效地减少算法的时间复杂度,其加速比能够达到49.70%左右。在算法的收敛性方面,本文改进后的算法收敛速度快于基本遗传算法但稍慢于Srinivas等人提出的自适应遗传算法,且收敛效果要好于其它两种算法,其所得解与TSPLIB提供的最优解的平均相对误差最大不超过9.38%。
钟红波[10]（2012）在《基于多主体仿真的风险投资股权退出拍卖研究》文中提出风险投资能促进技术创新和经济发展，风险投资退出主要有四种方式：首次公开发行、兼并与收购、回购和清算，我国创业板上市门槛较高，首次公开发行费用昂贵；由于信息不对称普遍存在，企业兼并或收购的方式，将会导致风险企业或项目的价值被低估，从而使得风险投资项目的真实价值无法得到有效揭示，风险资本难以顺利退出，市场效率低下；由于风险企业资金问题，回购的也存在难度；清算只有是在风险企业破产时才选用的手段。以上这些退出方式虽各有优点但均难以实现风险投资者的资本价值最大化，解决该问题的核心在于揭示不对称信息下风险投资退出交易中风险企业或项目的真实价值，促使投资到风险企业的资本实现价值最大，风险投资顺利退出，达到风险投资的资本增值与循环使用的目的。因为拍卖本质上是一种非对称信息情况下配置资源的有效手段和价值揭示机制，拍卖理论能够解决物品的价值最大化和资源配置最优化题，进而规避风险投资退出时由于不对称信息所导致的道德风险和逆向选择问题。本文站在拍卖方的视角，建立了两种风险投资股权退出的多属性拍卖机制数学模型——统一价格拍卖模型和歧视价格拍卖模型，使风险投资股权价值实现最大化。在建立拍卖模型之前，由于风险投资退出股权存在诸如价格、交割时间、竞标人声誉、支付条件、增值服务等多种属性，本文运用多效用理论，分两个阶段筛选拍卖系统竞标人，在第一阶段运用多效用理论进行综合打分淘汰一些低质量投标人，在第二阶段就切换到最重要的价格属性上按单属性物品进行拍卖，并按照风险投资股权退出拍卖的最重要属性——价格属性将拍卖分为统一价格拍卖和歧视性价格拍卖，在此基础上建立相应的数学模型。针对风险投资股权退出关联价值拍卖的特性，如投标人的智能行为、相互学习、信息传递等一系列行为，以及投标人竞价策略，本文多主体系统引入拍卖机制来解决股权拍卖价值最大化和资源配置问题。假定这些智能的主体（Agent）就是买方投标人,在开放、动态的多主体系统中，自利主体具有自身的目标和偏好,通过观察、协商与推理，来确定采取什么样的报价行为策略。单主体往往不能独立完成目标，需要其它主体的参与和帮助，即需要通过多个主体合力来共同解决优化报价问题。根据拍卖理论的显示原理，当竞标者采取说真话的策略时候，对自己是最优策略，对拍卖者也是期望收益最大，拍卖系统将达到一个均衡。但是在风险投资股权退出关联价值拍卖情况下，要使具有有限理性的竞标者在排除任何噪音干扰情况下说真话很难，于是运用智能算法的学习优化机制可以使竞标者在不断随着智能群体得优化达到最优解，拍卖系统达到均衡，从而使风险投资股权退出的拍卖者期望收益最大。本文运用粒子群算法（PSO）优化风险投资股权退出时统一价格拍卖数学模型的竞标者报价策略，运用遗传算法（GA）优化风险投资股权退出时歧视性价格拍卖模型的竞标者报价策略。基于关联价值拍卖系统的模型和竞标人的报价策略可以看作是一个动态的优化复杂系统，传统的数学方法和实验方法很难对其求解，本文运用复杂系统的方法——多主体仿真方法解决复杂拍卖系统的报价优化和拍卖者期望最大化问题。多主体建模仿真是一种非常灵活的建模仿真技术，本质特征是采用多主体视角建立系统的概念模型。本文正是基于多主体视角描述风险投资股权退出拍卖，在拍卖竞标过程中，各投标人是基于关联价值的拍卖竞标，由于竞标前各主体之间即现实中的竞标人的思想和行为具有复杂性，他们有智能性、适应性、学习性和交互性，主体之间必然有噪音形式的信息沟通渠道，主体间会获取部分他人投标信息，以争取自己利益最大化，这种复杂的选择过程满足多主体的特征和属性。因此，本文选用多主体仿真平台Netlogo对各主体报价策略和股权退出统一价格拍卖模型以及歧视价格拍卖模型进行仿真验证。本文的拍卖系统主要流程是实际系统→概念模型→仿真模型→仿真结果→结论，最后用结论来验证和修正风险投资股权退出拍卖模型的正确性和合理性。
二、遗传算法新模板理论的研究（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、遗传算法新模板理论的研究（论文提纲范文）
（1）无线传感网络中高吞吐信道分配技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 课题背景 |
| 1.2 国内外研究现状 |
| 1.3 本文完成的工作 |
| 1.4 本文组织结构 |
| 第二章 无线传感网络相关理论和技术介绍 |
| 2.1 无线传感网络的概念 |
| 2.2 无线传感网络的特点 |
| 2.3 无线传感网络的应用 |
| 2.4 无线传感网络的结构 |
| 2.5 访问接入点 |
| 第三章 网络模型建立 |
| 3.1 网络模型原型分析 |
| 3.2 模型建立与分析 |
| 3.2.1 实际环境下的无线传感器网络的部署 |
| 3.2.2 仿真环境下的无线传感器网络设计 |
| 3.3 模型改进与算法优化 |
| 3.3.1 散点图网络模型简介 |
| 3.3.2 密度图网络模型简介 |
| 3.3.3 热力图网络模型简介 |
| 3.4 算法设计流程 |
| 3.5 本章小结 |
| 第四章 信道分配算法设计与仿真 |
| 4.1 介绍分析方法 |
| 4.2 干扰因素仿真结果分析 |
| 4.3 信道分配算法设计流程 |
| 4.3.1 基于网络拓扑信息优先级排序的启发式算法分配 |
| 4.3.2 基于遗传算法结构的信道优化算法分配 |
| 4.3.3 基于散点图的相似度信道分配算法 |
| 4.3.4 基于热力图的相似度信道分配算法 |
| 4.3.5 机器学习算法设计 |
| 4.4 本章小结 |
| 第五章 算法性能分析 |
| 5.1 系统测试和环境介绍 |
| 5.2 结果分析 |
| 5.3 算法优缺点分析 |
| 5.4 算法理论分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（2）基于混合遗传算法的开关磁阻电机多目标优化结构设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 开关磁阻电机的发展概况 |
| 1.1.2 开关磁阻电机国内外研究现状 |
| 1.2 遗传算法的历史及现状 |
| 1.2.1 遗传算法的发展概况 |
| 1.2.2 遗传算法国内外研究现状 |
| 1.3 本文主要内容及进度安排 |
| 第二章 开关磁阻电机基本理论 |
| 2.1 开关磁阻电机驱动系统 |
| 2.2 开关磁阻电机基本工作原理 |
| 2.3 开关磁阻电机基本方程 |
| 2.3.1 电路方程 |
| 2.3.2 机械方程 |
| 2.3.3 机电联系方程 |
| 2.4 开关磁阻电机数学模型 |
| 2.4.1 线性模型 |
| 2.4.2 准线性模型 |
| 2.4.3 非线性模型 |
| 2.5 开关磁阻电机电磁设计与优化 |
| 2.5.1 开关磁阻电机主要结构参数对性能的影响 |
| 2.5.2 开关磁阻电机损耗分析 |
| 2.5.3 开关磁阻电机主要参数 |
| 2.6 本章小结 |
| 第三章 混合遗传算法 |
| 3.1 遗传算法理论基础 |
| 3.1.1 模式定理 |
| 3.1.2 积木块假设 |
| 3.1.3 隐含并行性 |
| 3.2 简单遗传算法数学模型 |
| 3.3 遗传算法基本步骤与方法 |
| 3.3.1 编码 |
| 3.3.2 选择 |
| 3.3.3 交叉 |
| 3.3.4 变异 |
| 3.3.5 适应度函数 |
| 3.4 模拟退火算法基本原理与操作过程 |
| 3.5 遗传-模拟退火算法的改进 |
| 3.5.1 编译与选择 |
| 3.5.2 交叉与变异 |
| 3.5.3 模拟退火操作与GSA的验证 |
| 3.6 本章小结 |
| 第四章 开关磁阻电机有限元建模与分析 |
| 4.1 开关磁阻电机样机设计 |
| 4.2 基于ANSYS的开关磁阻电机二维有限元分析 |
| 4.2.1 二维有限元分析基本假设与基本方程 |
| 4.2.2 开关磁阻电机二维有限元分析基本步骤与建模 |
| 4.2.3 开关磁阻电机二维有限元仿真 |
| 4.3 开关磁阻电机的三维有限元分析 |
| 4.4 样机性能初步检测 |
| 4.5 仿真与实测结果对比 |
| 4.5.1 二维有限元磁链仿真结果与实测磁链对比 |
| 4.5.2 三维有限元磁链仿真结果与实测磁链对比 |
| 4.6 开关磁阻电机定转子齿型选择与优化 |
| 4.7 本章小结 |
| 第五章 开关磁阻电机多目标优化设计 |
| 5.1 多目标优化基本概念 |
| 5.2 开关磁阻电机数学模型 |
| 5.2.1 开关磁阻电机等效磁路 |
| 5.2.2 定转子重合区域气隙磁阻 |
| 5.2.3 定转子非重合区域气隙磁阻 |
| 5.2.4 定子轭与定子极磁阻 |
| 5.2.5 转子轭与转子极磁阻 |
| 5.2.6 非线性磁路计算 |
| 5.3 基于麦克斯韦应力法的径向力模型 |
| 5.3.1 麦克斯韦应力法基本假设 |
| 5.3.2 径向力模型 |
| 5.4 开关磁阻电机效率计算 |
| 5.5 开关磁阻电机径向力与输出效率同时优化 |
| 5.5.1 优化变量和约束条件 |
| 5.5.2 优化结果 |
| 5.6 开关磁阻电机的铜耗 |
| 5.7 开关磁阻电机径向力、输出效率和铜耗同时优化 |
| 5.8 三维有限元仿真及优化前后电机参数对比 |
| 5.9 基于BPNN的开关磁阻电机转矩模型 |
| 5.10 基于预处理方法的BPNN转矩模型 |
| 5.11 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况 |
| 发表论文情况 |
| 参加科研情况 |
| 致谢 |
（3）基于缺失混频数据的股票指数组合预测模型及实证研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 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 研究目的和研究内容 |
| 1.2.1 研究目的 |
| 1.2.2 研究内容 |
| 1.3 研究方法和技术路线 |
| 1.3.1 研究方法 |
| 1.3.2 技术路线 |
| 1.4 本文创新之处 |
| 2 相关文献综述及分析 |
| 2.1 股票市场指数预测国内外研究现状 |
| 2.1.1 基于统计原理的股票指数波动预测模型研究现状 |
| 2.1.2 基于非统计原理的股票指数预测模型研究现状 |
| 2.2 混频数据预测方法研究现状及分析 |
| 2.2.1 混频数据界定 |
| 2.2.2 国外混频数据模型研究现状 |
| 2.2.3 国内混频数据模型研究现状 |
| 2.2.4 混频数据模型体现的优势和存在的问题 |
| 2.3 缺失数据研究现状 |
| 2.3.1 缺失数据产生的原因 |
| 2.3.2 缺失数据研究现状 |
| 2.4 遗传算法 |
| 2.4.1 遗传算法概述 |
| 2.4.2 遗传算法国内外研究现状 |
| 2.5 灰色关联理论研究现状 |
| 2.6 本章小结 |
| 3 基于混频数据的股票指数一元组合预测模型及实证研究 |
| 3.1 引言 |
| 3.2 MIDAS模型简介 |
| 3.2.1 基本MIDAS模型 |
| 3.2.2 U-MIDAS模型 |
| 3.2.3 基本MIDAS和U-MIDAS模型中有待改进的问题 |
| 3.3 遗传算法的基本理论 |
| 3.3.1 遗传算法的基本概念 |
| 3.3.2 遗传算法工作流程 |
| 3.3.3 遗传算法基本操作 |
| 3.4 基于混频数据的股票指数一元组合预测模型 |
| 3.4.1 组合预测基本原理 |
| 3.4.2 模型构建 |
| 3.4.3 运用遗传算法优化模型系数、待估计向量及权重 |
| 3.5 混频数据的股票指数一元组合预测模型运用及实验设计 |
| 3.5.1 实验设计 |
| 3.5.2 模型评价标准 |
| 3.5.3 样本选取和数据来源 |
| 3.6 实证结果及对比模型效果分析 |
| 3.6.1 上证综指实证结果及对比 |
| 3.6.2 深证成指实证结果及对比 |
| 3.6.3 创业板指数实证结果及对比 |
| 3.7 本章小结 |
| 4 基于缺失混频数据的股票指数一元组合预测模型及实证研究 |
| 4.1 引言 |
| 4.2 缺失数据灰色关联分析模型 |
| 4.3 基于完备混频数据的股票指数一元组合预测模型 |
| 4.3.1 完备混频数据一元组合预测模型 |
| 4.3.2 运用遗传算法优化模型参数及权重 |
| 4.4 基于缺失混频数据的股票指数一元组合预测模型 |
| 4.4.1 模型构建 |
| 4.4.2 运用遗传算法优化模型参数及权重 |
| 4.5 缺失混频数据的股票指数一元组合预测模型运用及实验设计 |
| 4.5.1 实验设计 |
| 4.5.2 样本选取和数据来源 |
| 4.6 实证结果及对比模型效果分析 |
| 4.6.1 上证综指实证结果及对比 |
| 4.6.2 深证成指实证结果及对比 |
| 4.6.3 创业板指数实证结果及对比 |
| 4.7 本章小结 |
| 5 基于缺失混频数据的股票指数多元组合预测模型及实证研究 |
| 5.1 引言 |
| 5.2 多元MIDAS模型简介 |
| 5.2.1 多元MIDAS模型 |
| 5.2.2 多元无限制MIDAS模型 |
| 5.2.3 多元MIDAS模型和U-MIDAS模型存在的问题 |
| 5.3 基于缺失混频数据的股票指数多元组合预测模型 |
| 5.3.1 模型构建 |
| 5.3.2 运用遗传算法优化模型系数、待估计向量及权重 |
| 5.4 缺失混频数据的股票指数多元组合预测模型运用及实验设计 |
| 5.4.1 实验设计 |
| 5.4.2 样本选取和数据来源 |
| 5.5 实证结果及对比模型效果分析 |
| 5.5.1 上证综指实证结果及对比 |
| 5.5.2 深证成指实证结果及对比 |
| 5.5.3 创业板指数实证结果及对比 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 下一步工作 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）一种改进遗传算法在TSP中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本文的研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 旅行商问题简介 |
| 1.4 本文的内容安排 |
| 第2章 遗传算法综述 |
| 2.1 遗传算法的主要思想 |
| 2.2 遗传算法中的术语 |
| 2.2.1 遗传算法中的基本概念 |
| 2.2.2 遗传算法中的常见参数 |
| 2.2.3 遗传算法的操作算子 |
| 2.3 遗传算法的算法流程 |
| 2.4 遗传算法的分类与优缺点 |
| 2.4.1 遗传算法的分类 |
| 2.4.2 遗传算法的优缺点 |
| 第3章 遗传算法的改进 |
| 3.1 染色体结构的改进 |
| 3.1.1 启动子 |
| 3.1.2 冗余序列 |
| 3.2 染色体信息的确定 |
| 3.2.1 个体状态信息的确定 |
| 3.2.2 个体进化方式的确定依据 |
| 3.3 遗传算子的改进 |
| 3.3.1 单个体初始化算子 |
| 3.3.2 跟踪式选择算子 |
| 3.3.3 自匹配交叉算子 |
| 3.3.4 链式变异和堆式变异 |
| 3.4 进化机制的改进 |
| 3.4.1 个体调节机制 |
| 3.4.2 遗传算子调节机制 |
| 3.5 遗传算法流程的改进 |
| 第4章 遗传算法求解旅行商问题 |
| 4.1 旅行商问题构造方法的设计与测试 |
| 4.1.1 最邻近法和贪婪算法 |
| 4.1.2 分层融合算法 |
| 4.1.3 构造算法的测试 |
| 4.2 综合测试与分析 |
| 4.2.1 遗传参数以及算子的选择 |
| 4.2.2 算法测试 |
| 4.2.3 实验总结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 今后工作展望 |
| 参考文献 |
| 附录A 求解TSP构建算法的MATLAB实现 |
| 攻读学位期间的研究成果 |
| 致谢 |
（5）带钢卷取温度高精度预报及多目标优化控制策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 引言 |
| 1 文献综述 |
| 1.1 课题研究背景及意义 |
| 1.2 加速冷却过程工艺、应用现状及特点 |
| 1.2.1 加速冷却过程工艺 |
| 1.2.2 加速冷却装置的国内外应用现状 |
| 1.2.3 加速冷却过程特点 |
| 1.3 热轧带钢层流冷却温度模型建模方法研究现状 |
| 1.3.1 基于统计的代数方程和简化微分形式的温度模型 |
| 1.3.2 细化控制“粒度”的温度模型 |
| 1.3.3 基于误差补偿的卷取温度预报模型 |
| 1.3.4 基于热传导机理的动态温度模型 |
| 1.4 热轧带钢层流冷却过程控制方法及策略研究现状 |
| 1.4.1 基于经验统计模型和表格分级策略的开环控制方法 |
| 1.4.2 基于优化模型的开环控制 |
| 1.4.3 基于预设定和线性补偿模型相结合的控制方法 |
| 1.4.4 基于先进智能技术的控制方法 |
| 1.5 存在的问题 |
| 1.5.1 层流冷却过程建模存在的问题 |
| 1.5.2 热轧带钢层流冷却过程控制方法及策略存在的问题 |
| 1.6 论文的主要研究内容 |
| 1.7 论文的结构安排 |
| 1.8 本章小结 |
| 2 热轧带钢层流冷却数学模型 |
| 2.1 层流冷却系统的主要设备和工艺流程描述 |
| 2.2 经典传热理论 |
| 2.2.1 Fourier偏微分导热方程 |
| 2.2.2 牛顿冷却对流换热方程 |
| 2.2.3 Stefan-Boltzmann辐射换热方程 |
| 2.3 层流冷却数学模型 |
| 2.3.1 统计理论模型 |
| 2.3.2 指数模型 |
| 2.4 有限差分模型 |
| 2.4.1 有限差分法 |
| 2.4.2 有限差分方程的数学基础 |
| 2.4.3 带钢有限差分温降模型 |
| 2.5 本章小结 |
| 3 GA优化神经网络算法理论基础和研究现状 |
| 3.1 BP神经网络及其优化技术 |
| 3.1.1 BP神经网络 |
| 3.1.2 BP神经网络优化技术 |
| 3.2 遗传算法 |
| 3.2.1 智能优化算法简介 |
| 3.2.2 GA的基本原理 |
| 3.2.3 GA的理论研究及改进现状 |
| 3.2.4 遗传算法的应用概况 |
| 3.3 GA优化神经网络算法及研究现状 |
| 3.3.1 GA优化神经网络算法 |
| 3.3.2 GA优化神经网络算法的研究现状 |
| 3.4 本章小结 |
| 4 REGA-CPA优化的带钢卷取温度预报模型 |
| 4.1 引言 |
| 4.2 再进化遗传算法(REGA) |
| 4.2.1 种群个体在空间的分布表示 |
| 4.2.2 “优生”操作 |
| 4.2.3 “返祖”操作 |
| 4.2.4 包含“返祖”操作的GA模式定理 |
| 4.2.5 实现REGA的关键步骤 |
| 4.3 基于REGA的相关性剪枝算法(REGA-CPA) |
| 4.3.1 神经网络的相关性剪枝算法 |
| 4.3.2 REGA-CPA |
| 4.4 BP神经网络的卷取温度预报模型 |
| 4.4.1 BP神经网络结构设计方案 |
| 4.4.2 BP神经网络卷取温度预报模型的实现 |
| 4.4.3 “随机动态输入模式”温度模型的在线应用 |
| 4.5 仿真实验及性能分析 |
| 4.6 本章小结 |
| 5 基于TMOGA的层流冷却系统粗调区多目标优化控制策略 |
| 5.1 引言 |
| 5.2 算法基于层流冷却系统多目标优化问题的数学描述 |
| 5.3 Pareto前沿面特性分析 |
| 5.4 基于优化的多目标函数设计 |
| 5.4.1 基于热传导方程的目标优化卷取温度函数地f_1(a) |
| 5.4.2 基于给定冷却速率目标优化函数f_2(a) |
| 5.4.3 基于优化的多目标函数F(a) |
| 5.5 基于TMOGA搜索集管最佳开闭模式的关键思路 |
| 5.5.1 初始化种群 |
| 5.5.2 基因库的建立 |
| 5.5.3 基于基因库的较优基因段(较优模式)的提取 |
| 5.5.4 转基因操作 |
| 5.5.5 基因库的竞争机制 |
| 5.5.6 较优基因段的随机抽取模式 |
| 5.5.7 基因库的记忆功能 |
| 5.5.8 基于决策变量的拥挤距离策略 |
| 5.6 基于转基因多目标遗传算法(TMOGA)的实现 |
| 5.7 基于TMOGA的层流冷却系统粗调区优化控制策略 |
| 5.7.1 前馈控制 |
| 5.7.2 从Pareto最优解集获取粗调区集管最佳开闭模式的规则 |
| 5.7.3 带钢的分段控制 |
| 5.7.4 反馈控制 |
| 5.7.5 带钢头尾的自适应控制 |
| 5.7.6 约束表达式 |
| 5.8 仿真实验和性能分析 |
| 5.9 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 附录A 某钢厂带钢热连轧生产线实时数据 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（7）交互式遗传算法及其在隐性目标决策问题中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 隐性目标决策问题概述 |
| 1.1.1 问题描述 |
| 1.1.2 问题定义 |
| 1.1.3 问题求解方法 |
| 1.2 交互式遗传算法概述 |
| 1.2.1 遗传算法的研究概况 |
| 1.2.2 交互式遗传算法的研究概况 |
| 1.3 论文的研究内容 |
| 1.4 论文的结构框架 |
| 第二章 交互式遗传算法的方法基础 |
| 2.1 遗传算法 |
| 2.1.1 遗传算法的基本知识 |
| 2.1.2 遗传算法的工作流程 |
| 2.1.3 遗传算法的基本操作 |
| 2.2 交互式遗传算法 |
| 2.2.1 交互式遗传算法的基本思想 |
| 2.2.2 交互式遗传算法的工作流程 |
| 2.2.3 交互式遗传算法的特征与不足 |
| 2.3 面向隐性目标决策问题的IGA求解模型 |
| 2.3.1 隐性目标决策问题的决策过程 |
| 2.3.2 基于IGA的问题求解模型 |
| 2.4 本章小结 |
| 第三章 结合用户偏好的交互式遗传算法及应用 |
| 3.1 基于用户偏好模型的交互式遗传算法及应用 |
| 3.1.1 算法背景 |
| 3.1.2 用户偏好模型 |
| 3.1.3 基于用户偏好模型的交互式遗传算法设计 |
| 3.1.4 在汽车前脸造型设计中的应用 |
| 3.2 基于用户局部偏好的交互式遗传算法及应用 |
| 3.2.1 算法背景 |
| 3.2.2 用户局部偏好固定/剔除操作的实现 |
| 3.2.3 改进的交叉变异算子 |
| 3.2.4 基于用户局部偏好的交互式遗传算法 |
| 3.2.5 在汽车前脸造型设计中的应用 |
| 3.3 本章小结 |
| 第四章 结合共享机制小生境技术的交互式遗传算法及应用 |
| 4.1 小生境技术概述 |
| 4.1.1 小生境技术的基本思想 |
| 4.1.2 基于遗传算法的小生境技术 |
| 4.2 改进共享机制的小生境技术 |
| 4.2.1 基本共享机制小生境技术 |
| 4.2.2 小生境熵的引入 |
| 4.3 基于改进共享机制的小生境交互式遗传算法 |
| 4.3.1 算法设计 |
| 4.3.2 算法性能分析 |
| 4.4 在汽车前脸造型设计中的应用 |
| 4.4.1 应用背景 |
| 4.4.2 参数设置 |
| 4.4.3 实验过程 |
| 4.4.4 实验结果及对比分析 |
| 4.5 本章小结 |
| 第五章 多用户参与的交互式遗传算法及应用 |
| 5.1 背景介绍 |
| 5.2 隐性目标群决策问题的智能决策过程 |
| 5.3 基于单种群协同的新型多用户交互式遗传算法 |
| 5.3.1 基本思想 |
| 5.3.2 算法设计 |
| 5.3.3 基于局域网络的实现 |
| 5.4 在汽车前脸造型设计中的应用 |
| 5.4.1 应用背景 |
| 5.4.2 参数设置 |
| 5.4.3 实验设计及结果分析 |
| 5.5 本章小结 |
| 第六章 隐性目标决策问题的智能决策支持系统及实例 |
| 6.1 隐性目标决策问题的智能决策支持系统结构模型 |
| 6.2 基于IGA的汽车前脸造型设计系统 |
| 6.2.1 汽车前脸造型设计编码 |
| 6.2.2 基于IGA的汽车前脸造型设计系统流程设计 |
| 6.2.3 基于IGA的汽车前脸造型设计系统功能实现 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（8）基于演化博弈的发电厂商竞价行为研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 选题背景以及意义 |
| 1.2 国内外研究动态 |
| 1.2.1 电力市场竞价行为国内外研究状况 |
| 1.2.2 遗传算法国内外研究状况 |
| 1.3 本文的研究内容 |
| 1.3.1 研究思路 |
| 1.3.2 全文安排 |
| 1.3.3 本文创新 |
| 第2章 遗传算法及其改进测试 |
| 2.1 遗传算法简介 |
| 2.1.1 遗传算法要素 |
| 2.1.2 遗传算法主要步骤 |
| 2.2 遗传算法理论基础 |
| 2.2.1 模式理论 |
| 2.2.2 积木块假说 |
| 2.2.3 隐含并行性 |
| 2.3 遗传算法操作算子 |
| 2.3.1 选择算子 |
| 2.3.2 交叉算子 |
| 2.3.3 变异算子 |
| 2.3.4 适应度变换算子 |
| 2.4 遗传算法的改进测试 |
| 2.4.1 测试函数介绍 |
| 2.4.2 交叉算子的研究 |
| 2.4.3 自适应遗传算法的研究 |
| 2.5 本章小结 |
| 第3章 电力市场 |
| 3.1 电力市场的概念 |
| 3.1.1 电力市场的定义 |
| 3.1.2 电力市场的特征 |
| 3.2 电力市场交易模式 |
| 3.2.1 电力市场交易模式 |
| 3.2.2 我国电力市场发电侧的交易模型 |
| 3.3 电力市场模型的市场条件 |
| 3.3.1 主要市场成员 |
| 3.3.2 发电厂商的成本函数 |
| 3.3.3 发电厂商的收益函数 |
| 3.4 本章小结 |
| 第4章 发电厂商竞价实证分析 |
| 4.1 发电厂商的成本函数 |
| 4.1.1 高成本发电成本系数 |
| 4.1.2 低成本发电成本系数 |
| 4.2 电力市场竞价机制模型 |
| 4.2.1 消费者模型 |
| 4.2.2 发电厂商的模型 |
| 4.2.3 电能交易中心的模型 |
| 4.3 仿真程序设计 |
| 4.4 成本价附近精细抉择仿真实验 |
| 4.4.1 高成本电价成本系数实验 |
| 4.4.2 低成本电价成本系数实验 |
| 4.5 报成本价策略仿真实验 |
| 4.5.1 高成本电价成本系数实验 |
| 4.5.2 低成本电价成本系数实验 |
| 4.6 仿真结果分析 |
| 4.7 本章小结 |
| 第5章 结论与展望 |
| 5.1 论文总结 |
| 5.2 论文展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（9）自适应记忆遗传算法研究及在TSP问题中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 遗传算法的发展及研究现状 |
| 1.2.1 遗传算法发展历史 |
| 1.2.2 遗传算法的研究现状 |
| 1.2.3 遗传算法存在的问题 |
| 1.3 研究意义 |
| 1.4 本文工作 |
| 1.5 论文组织结构 |
| 第2章 遗传算法理论概述 |
| 2.1 遗传算法简介 |
| 2.1.1 遗传算法的基本思想 |
| 2.1.2 遗传算法的特点 |
| 2.1.3 遗传算法的基本概念 |
| 2.2 遗传算法的基本原理与实现 |
| 2.2.1 基本遗传算法的数学模型 |
| 2.2.2 基本遗传算法的构成要素 |
| 2.2.3 基本遗传算法的运算流程 |
| 2.3 本章小结 |
| 第3章 基于基因库的遗传算法的改进 |
| 3.1 遗传算法进化过程中个体重复现象 |
| 3.1.1 遗传算法求解函数优化问题实例 |
| 3.1.2 遗传算法进化过程中的个体重复现象 |
| 3.1.3 重复率 |
| 3.2 遗传算法不同参数的设置对个体重复率的影响 |
| 3.2.1 种群规模对个体重复率的影响 |
| 3.2.2 编码长度对个体重复率的影响 |
| 3.2.3 交叉概率对个体重复率的影响 |
| 3.2.4 变异概率对个体重复率的影响 |
| 3.3 记忆遗传算法的实现 |
| 3.3.1 记忆遗传算法的基本思路 |
| 3.3.2 记忆遗传算法的基本过程 |
| 3.4 实验测试 |
| 3.4.1 开发环境 |
| 3.4.2 实验测试结果 |
| 3.5 本章小结 |
| 第4章 基于自适应遗传算法的改进 |
| 4.1 自适应遗传算法简介 |
| 4.1.1 自适应遗传算法的产生 |
| 4.1.2 自适应遗传算法的原理 |
| 4.1.3 两种自适应遗传算法的调节公式 |
| 4.1.4 自适应遗传算法的实现过程 |
| 4.2 改进的自适应遗传算法的原理 |
| 4.2.1 Logistic曲线方程 |
| 4.2.2 相似系数 |
| 4.2.3 改进的自适应遗传算法的自适应调节公式 |
| 4.3 自适应记忆遗传算法的实现 |
| 4.3.1 自适应记忆遗传算法的实现过程 |
| 4.3.2 实验测试 |
| 4.4 本章小结 |
| 第5章 自适应记忆遗传算法在TSP问题中的应用 |
| 5.1 TSP问题介绍 |
| 5.1.1 TSP问题概述 |
| 5.1.2 TSP问题的数学模型 |
| 5.1.3 TSP问题的分类 |
| 5.2 自适应记忆遗传算法求解TSP问题的相关实现技术 |
| 5.2.1 从文件中读取城市坐标数据 |
| 5.2.2 TSP问题编码 |
| 5.2.3 适应度函数的设计 |
| 5.2.4 交叉算子设计 |
| 5.2.5 变异算子设计 |
| 5.3 自适应记忆遗传算法求解TSP问题的实现过程 |
| 5.4 实验测试 |
| 5.4.1 计算个体适应度值时间消耗方面性能测试 |
| 5.4.2 算法收敛性测试 |
| 5.5 本章小结 |
| 第6章 结束语 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
（10）基于多主体仿真的风险投资股权退出拍卖研究（论文提纲范文）
| 论文创新点 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 选题背景和研究意义 |
| 1.3 文献综述 |
| 1.3.1 风险投资退出方式的相关文献 |
| 1.3.2 拍卖理论与机制设计的相关文献 |
| 1.3.3 多主体建模与仿真相关文献 |
| 1.4 研究内容和研究思路 |
| 1.4.1 研究内容 |
| 1.4.2 研究思路 |
| 1.5 研究方法和论文框架 |
| 1.5.1 研究方法 |
| 1.5.2 研究结构与框架 |
| 1.6 可能的创新 |
| 1.6.1 可能的创新点 |
| 1.7 本章小结 |
| 第2章 相关理论基础 |
| 2.1 引言 |
| 2.2 风险投资的基础理论 |
| 2.2.1 风险投资的概述 |
| 2.2.2 风险投资的运行机理 |
| 2.2.3 风险投资的功能 |
| 2.2.4 风险投资的退出 |
| 2.3 拍卖理论 |
| 2.3.1 拍卖的定义及历史 |
| 2.3.2 拍卖的基本类型 |
| 2.3.3 基本拍卖模型 |
| 2.4 多主体建模与仿真理论 |
| 2.4.1 多主体的相关理论 |
| 2.4.2 多主体系统建模相关理论 |
| 2.4.3 多主体系统仿真相关理论 |
| 2.5 本章小结 |
| 第3章 股权多属性统一价格拍卖机制设计 |
| 3.1 引言 |
| 3.2 多属性效用理论及多属性拍卖 |
| 3.3 传统的多属性机制设计 |
| 3.4 风险投资退出股权多属性拍卖机制设计背景 |
| 3.5 风险投资退出股权多属性拍卖机制的模型 |
| 3.5.1 一般化数学模型 |
| 3.5.2 模型的基本假设 |
| 3.5.3 两阶段多属性拍卖机制设计 |
| 3.6 理论机制设计 |
| 3.6.1 显示原理 |
| 3.6.2 激励相容 |
| 3.6.3 等价收益 |
| 3.6.4 个体理性 |
| 3.6.5 最优机制 |
| 3.6.6 模型的设置 |
| 3.6.7 模型的解 |
| 3.6.8 讨论与解释 |
| 3.7 统一价格拍卖机制设计 |
| 3.8 本章小结 |
| 第4章 股权多属性歧视价格拍卖机制设计 |
| 4.1 引言 |
| 4.2 研究背景 |
| 4.3 基本假设 |
| 4.4 风险投资退出股权退出多属性拍卖模型 |
| 4.5 关于模型的进一步分析 |
| 4.6 本章小结 |
| 第5章 基于粒子群算法统一价格拍卖的仿真分析 |
| 5.1 引言 |
| 5.2 社会科学计算实验概述 |
| 5.2.1 从复杂系统到人工社会 |
| 5.2.2 基于人工社会的科学科学计算实验 |
| 5.2.3 社会科学计算实验的技术路线 |
| 5.3 基于 Agent 的社会科学计算实验建模方法 |
| 5.4 粒子群智能算法 |
| 5.4.1 优化理论 |
| 5.4.2 粒子群优化算法（PSO） |
| 5.5 基于粒子群算法的统一价格拍卖仿真 |
| 5.5.1 基于粒子群算法的拍卖描述 |
| 5.5.2 拍卖流程 |
| 5.5.3 基于 PSO 算法的股权拍卖机制设计 |
| 5.6 本章小结 |
| 第6章 基于遗传算法歧视价格拍卖仿真分析 |
| 6.1 引言 |
| 6.2 遗传算法基本原理 |
| 6.2.1 遗传算法的基本遗传学基础 |
| 6.2.2 遗传算法的原理和特点 |
| 6.3 遗传算法的基本构成要素 |
| 6.3.1 遗传算法编码 |
| 6.3.2 遗传算子 |
| 6.3.3 适应度函数 |
| 6.3.4 求解步骤 |
| 6.4 歧视价格股权拍卖的遗传算法设计 |
| 6.4.1 基本假设 |
| 6.4.2 激励相容和参与约束 |
| 6.4.3 适值函数 |
| 6.4.4 遗传算法的编码设计 |
| 6.5 基于歧视价格多主体风险投资股权退出仿真 |
| 6.5.1 仿真分析 |
| 6.5.2 结果讨论 |
| 6.6 本章小结 |
| 第7章 全文总论及展望 |
| 7.1 全文总结 |
| 7.3 论文的创新点 |
| 7.4 下一步研究展望 |
| 参考文献 |
| 攻读博士学位期间科研成果 |
| 致谢 |
| 附件 |
四、遗传算法新模板理论的研究（论文参考文献）
- [1]无线传感网络中高吞吐信道分配技术研究[D]. 韦启旻. 北方工业大学, 2020(02)
- [2]基于混合遗传算法的开关磁阻电机多目标优化结构设计[D]. 王聪聪. 天津工业大学, 2019(07)
- [3]基于缺失混频数据的股票指数组合预测模型及实证研究[D]. 林红华. 重庆大学, 2018(05)
- [4]一种改进遗传算法在TSP中的应用[D]. 吕耕耕. 西北师范大学, 2017(02)
- [5]带钢卷取温度高精度预报及多目标优化控制策略研究[D]. 孙铁军. 北京科技大学, 2016(08)
- [6]一种量子可逆逻辑模板综合算法[J]. 李文骞. 电脑编程技巧与维护, 2016(01)
- [7]交互式遗传算法及其在隐性目标决策问题中的应用研究[D]. 蔡美菊. 合肥工业大学, 2015(06)
- [8]基于演化博弈的发电厂商竞价行为研究[D]. 王一鸣. 华北电力大学, 2014(02)
- [9]自适应记忆遗传算法研究及在TSP问题中的应用[D]. 初雪宁. 东北大学, 2012(05)
- [10]基于多主体仿真的风险投资股权退出拍卖研究[D]. 钟红波. 武汉大学, 2012(07)