导读:本文包含了元启发式论文开题报告文献综述及选题提纲参考文献，主要关键词:元启发式算法,生产线平衡,优化,装配效率
元启发式论文文献综述
赵晶,吴翠红,王昭宇[1]（2019）在《应用元启发式算法解决特殊约束的装配线平衡问题》一文中研究指出装配线平衡问题不仅影响着产品的装配效率,更影响着产品的装配质量。以某卡车装配线为例,针对现有装配线存在的不合理状况,应用元启发式算法对现有装配线的平衡问题进行研究,通过应用传统启发式规则的第一和第二规则并与随机方法相结合,通过对运算时间的控制,在产生了大量的解的情况下,再通过目标函数来判断备选解的优化程度,确定优化方案。最终达到了对该卡车装配线平衡的目的。(本文来源于《湖北农机化》期刊2019年19期）
马吉明,张嵩,苏日建,张国良,陈浩洋[2]（2019）在《一种元启发式算法:海岛算法》一文中研究指出在假设海岛上植物总量不变的情况下,植物的生长位置随着海平面的上升,出现越来越集中于最高点的现象.受该现象启发,提出一种元启发式算法即海岛算法(island algorithm,IA).海岛算法在每次迭代中包含3个阶段:淘汰阶段、海平面上升阶段、平衡阶段.通过对算法进行分析,找出算法的优势原因及适合和不适合求解的函数的特点,并对算法的复杂度和鲁棒性进行分析.将算法在CEC2013函数集上进行验证.在多个维度下,同经典的粒子群算法进行比较.实验结果表明,海岛算法在求解具有某类特征的函数时,比粒子群算法差;在其他多数测试函数的实验结果中,海岛算法在多个维度下的精度和鲁棒性均显着优于粒子群算法,验证了算法的有效性.(本文来源于《郑州大学学报(工学版)》期刊2019年04期）
董如意[3]（2019）在《元启发式优化算法研究与应用》一文中研究指出最优化问题是指在一定的约束条件下,在众多的可选方案中找到最佳方案,以提高系统整体收益的一类问题。最优化问题已广泛应用于工程技术、经济管理、公共管理、生物医学以及科学研究等诸多领域。传统求解最优化问题的方法,如单纯形法、梯度下降法等,在满足某些特定条件下,可以求得理论最优解,但对于实际应用中经常出现的大规模高维度非线性问题求解起来则比较困难,且容易陷入局部最优。因此,在仿生学的启发下,出现了元启发式优化算法。元启发式算法从自然界的随机现象中获取灵感,将随机算法与局部算法相结合,有一定概率跳出局部最优,更有可能得到全局最优解。而且,元启发式算法可以快速地求解那些不存在或者暂时未找到多项式时间内的求解算法的问题。另外,元启发式算法对目标函数不存在任何特殊要求(如可微或者凸优化),不局限于具体问题,具有更加广泛的应用范围,成为了最优化问题研究的热点之一。但元启发式算法并不能保证一定能够获得全局最优解,经常在一些问题上陷入局部最优。因此,元启发式算法如何平衡探索(exploration)和挖掘(exploitation)之间的关系,为更多、更复杂的优化问题寻找更好、更稳定的算法便成了新的元启发式算法设计的目标。本文受流体力学中伯努利原理以及机器学习中的核方法启发,提出了两种新的元启发式优化算法,并通过基准函数集测试以及实际工程应用验证了新算法具有更好的性能。具体研究内容如下:1.在伯努利流体力学原理的启发下,提出了一种新的元启发式算法——流体搜索优化(FSO)算法。FSO算法在目标函数优化过程中模拟了流体从高压自发流向低压的逆过程,即在低压处速度较大,向着高压处逆向流动的过程中速度逐渐减小。在流体粒子的流动过程中,最终在最高压强处汇聚,到达目标函数的最优。FSO算法根据函数优化过程,重新定义了流体的密度和压强,同时设计了扩散机制和指缩机制来平衡多样化探索(exploration)和集中式挖掘(exploitation)之间的关系。广泛采用的基准函数集测试实验表明,扩散机制与指缩机制能够提高算法的性能。最后,与流行的遗传算法,粒子群算法,引力搜索算法和萤火虫算法进行了对比,FSO算法获得了更好的优化精度和鲁棒性。2.受FSO算法设计过程以及支持向量机中核映射(kernel trick)的启发,提出了另一种新的元启发式算法——核搜索优化算法(KSO)。由于所有元启发式算法都是通过一个非线性的迭代过程来逐步逼近目标函数的最优解,这个非线性的搜索过程实质上是一个在更高维空间的线性递增(求最大值)或递减(求最小值)过程。而核映射可以将非线性的目标函数映射到具有更高维度的线性函数。因此,对非线性函数的优化过程可以通过核映射转化为对线性函数的优化过程。在转换过程中,通过核函数来近似拟合目标函数,核函数的最优值近似为目标函数的最优值。通过多次迭代,核函数的最优值逐渐接近目标函数的最优值,近似模拟了更高维空间沿着“直线”的递增或递减过程,从而实现了对非线性函数最优值的搜索。KSO尝试设计成为涵盖元启发式算法的通用搜索过程。大规模基准函数测试实验表明,相较于遗传算法,粒子群算法,引力搜索算法,差分进化算法,萤火虫算法和人工蜂群算法等主流算法,KSO获得了更好的优化精度和鲁棒性,同时缩短了CPU运行时间。而且KSO仅需设置必要的参数——种群规模,无需小心调整设置其他超参数。3.将两种新算法FSO与KSO分别应用到电力系统经济排放调度问题中。经济排放调度问题需要同时最小化燃料成本和污染排放,并满足大量的电力约束条件,属于带约束的多目标优化问题。FSO与KSO通过权重加和法和罚函数法将调度问题转化为无约束的单目标优化问题进行求解。在具体的案例实验中,FSO和KSO获得的帕累托解集均要优于大多数算法的最优复合解。而且,无论是最小燃料成本和最小污染排放,FSO和KSO均要比相关算法的结果要好,尤其要比那些位于帕累托解集上的对比算法要好。FSO和KSO在经济排放调度问题上获得了更好的调度方案,节约了燃料成本,减少了污染排放。而且,在规模较大的计及阀点效应的CEED问题中,KSO的结果要优于FSO的结果,说明了KSO在连续域问题上的强大搜索能力。4.将新算法FSO应用于微阵列基因选择中,设计了一种能够同时进行基因选择和支持向量机(SVM)参数优化的FSO/SVM框架。该框架通过引入角度调制公式对FSO进行了二进制改造,能够从微阵列数据集中选择相关特征基因,清除无关基因,并将基因选择与支持向量机参数优化综合考虑,有效地简化了基因选择的过程。实验结果表明,FSO/SVM算法大大减少了所选择的基因数量,并提高了分类准确率,说明FSO具备较强的跳出局部最优的能力,获得了更好的表现,是提升特征选择效率和分类准确率的一种非常有效的预处理工具。(本文来源于《吉林大学》期刊2019-06-01）
薛雷[4]（2019）在《最小延时问题的并行混合元启发式算法》一文中研究指出最小延时问题是旅行商问题的变体,目的是求解路线中所有客户的累计等待时间,最小延时问题相比于旅行商问题更难以解决。目前的求解方法,只能在客户数量较小时具有较高的性能,当客户数量变大时算法很难兼顾运行时间与求解质量。基于上述问题,对如何在较短时间内获得大数据量最小延时问题的优质解这一问题进行以下研究。1.对于大数据量的最小延时问题,目前主要使用元启发式算法求解,在此基础上提出一种混合元启发式算法。将遗传算法与变邻域搜索算法细粒度结合,在遗传算法的框架内实现变邻域搜索。当算法陷入局部最优解时,可以在遗传算法的交叉过程中改变子代染色体的邻域结构;并对遗传算法的变异过程进行改进,子代染色体可以在增加多样性的同时有较大概率发生优化。然后对算法进行数据预处理,通过为每个染色体构建基因节点索引列表,降低生成子代染色体的时间复杂度。2.为了进一步加快算法运行,使用GPU实现算法的并行化,并根据GPU运行特点对并行算法做出改进。将并行算法的交叉与变异过程以线程束为单位分开同步运行,每个线程具有固定的染色体选取位置与生成位置。算法整体上以线程块为单位并行运行,以保证并行算法避免产生线程发散问题并且减少线程通信开销,同时实现染色体的动态选择。此外将算法与扰动机制相结合,增强并行算法全局搜索能力,并使用多重改进方式生成最终解。通过上述方法进一步提升算法性能。为验证算法的实际运行情况,对算法进行对比实验,测试数据的节点个数从51到10150不等。实验结果表明,提出的算法在CPU环境中,相对于其它元启发式算法,可以在较短的时间内取得优质解;在CPU-GPU环境中,当数据规模较大时,并行算法可以取得明显的加速效果,数据规模越大,加速效果越明显。并且该并行算法相较于实验中其它的并行算法,具有更好的性能。因此,对于大数据量的最小延时问题,并行混合元启发式算法可以在相对较短的时间内获得优质解。(本文来源于《河北大学》期刊2019-05-01）
徐海霞[5]（2018）在《基于元启发式算法的测试用例生成与排序研究》一文中研究指出软件测试用例生成技术和优先级排序技术是软件测试自动化的两个关键技术,元启发式搜索算法被广泛应用于解决测试用例自动生成与优先级排序问题。本文系统学习并总结了目前国内外已有的在相关技术方面的研究成果,发现元启发式搜索算法在测试用例生成技术和优先级排序技术中的应用尚未成熟,普遍存在算法收敛速度慢、考虑影响因素单一、难以收敛至全局最优等问题。为此,本文主要对元启发式搜索算法用于解决测试用例生成和优先级排序的问题进行了研究,分别提出了一种基于遗传优化算法的动态引导测试用例生成策略,以及一种基于蚁群优化算法的动态约简的多目标优先级排序方法。本文主要研究内容以及具体贡献主要为以下叁个方面:(1)在基于路径覆盖的测试用例生成技术方面,本文使用被应用较广泛的遗传算法进行求解。考虑到初始测试数据对路径节点的覆盖情况,先是区分出难易覆盖路径,然后设计了一种路径相似度的计算公式,分析出难易覆盖路径间的启发信息并用于替代遗传算法的部分初始种群。(2)在遗传算法的改进方面,增加考虑了分支权重对种群适应度的影响,分别根据不同程序的特征为各影响因子赋予权重,构造了一种带有权重影响因子的适应度评价函数,并以此设计自适应遗传概率,定向引导个体交叉变异,以快速得到满足路径覆盖的高质量测试数据。(3)在测试用例优先级排序技术方面,本文使用鲁棒性较强的蚁群算法求解这一问题,在排序过程中结合一种动态约简的思想,根据需求覆盖情况对测试用例进行初始约简,然后考虑到测试用例实际执行过程中是否能检测出的错误以及错误的等级,设计测试用例失效度的判别方法对迭代过程中的测试用例进行二次约简,通过两次约简大幅度减少蚁群迭代的时间消耗。在蚁群算法的信息素更新策略上,本文综合考虑了测试用例重要度、失效度以及有效执行时间叁个因素对信息素的影响,在线指导蚁群信息素的更新,提升蚁群算法的求解精度和收敛速度。为了验证本课题在测试用例生成与优先级排序这两个方面提出的改进方法的有效性,选取多个基准和工业程序进行编程实验,将本文提出的基于元启发式搜索算法的测试用例生成和多目标优先级排序方法分别与其他方法进行对比,仿真实验结果表明,本选题研究的基于遗传算法的测试用例生成方法在收敛速度、路径覆盖率、已有测试数据的利用率上有明显优势,提出的基于蚁群优化算法的多目标优先级排序方法在语句覆盖率、缺陷检测效率和有效执行时间等方面均优于其他方法。(本文来源于《浙江理工大学》期刊2018-12-10）
梁效[6]（2018）在《六步双元启发式深度阅读教学模式建构与实践》一文中研究指出六步双元启发式深度阅读教学模式依据深度学习理论,在启发式教学思想的指导下构建较为稳定的叁个环节六个步骤的阅读教学结构框架和双元启发式深度阅读教学机制,深刻地揭示了语文阅读的思维规律,并以《心声》为例,阐释了在初中语文阅读教学中如何引导学生进行深度学习这一问题。(本文来源于《中国校外教育》期刊2018年31期）
蒋显荣[7]（2018）在《科学判断的方法论:元启发式对启发式的提升》一文中研究指出启发式(heuristics)诱发、影响科学判断,但提炼和使用启发式仍难以理性具体。启发式是将复杂问题简单化以应对特殊情况的思维模型,或它类似于简化了的科学推理流程。其方法论上的作用面临实践的诸多困境,当用其拆对具体问题时其应用能力则具有系统性的偏差。可能原因之一,启发式隐藏错误,导致不准确的科学判断。追究错误判断的"思维责任"追溯到了是否需要元启发式(meta-heuristics)。启发式可以理解为一个有用或有效的思维模型,如果失去"元"的分析,其科学价值和认识价值就会降低;如果引入元启发式作为思维的第二阶,修正和限定启发式的范围,将提升科学判断。(本文来源于《科学学研究》期刊2018年10期）
邵炜世[8]（2018）在《基于元启发式的分布式车间调度方法研究》一文中研究指出随着现今市场和制造全球化趋势,为应对瞬息万变的市场需求,生产车间已经由单一车间向多车间转变,从集中式结构变为分散式结构,形成了分布式车间生产模式。车间调度在分布式车间生产中至关重要,有效的调度算法和优化技术能够优化生产系统流程,提高生产效率和经济效益。分布式车间调度问题相对单车间调度问题更加复杂,尤其是调度方法的研究,已经引起了学术界和工业界的广泛关注。许多分布式车间调度问题是NP(non-deterministic polynomial)难问题,传统的调度方法如分支定界法、数学规划方法、启发式规则,都很难获取问题的最优解或者计算量太大。元启发式算法(meta-heuristics)不依赖求解问题,通过全局和局部搜索能够获得较为满意的解,是求解调度问题的有效方法,其研究成果具有重要的学术意义和应用价值。本文深入研究了制造系统中广泛存在的零等待、零空闲、交货期等加工约束,提出了基于改进的教学优化算法以及Memetic算法的调度方法。并将相关成果扩展到分布式调度车间调度中,对分布式零等待流水车间调度以及带有装配过程的分布式零空闲流水车间调度问题进行了求解。主要研究工作如下:(1)针对教学优化算法存在的不足,从概率理论的角度出发,提出了基于概率分布模型的协同学习机制,将概率模型嵌入教授或者学习阶段,即将概率分布作为老师或者信息交流平台。针对零等待流水车间调度问题,提出了一种基于概率学习阶段的离散教学优化算法(HDTPL)。该算法通过对工件序列邻域变换来模拟教授过程,同时采用概率模型作为知识收集的平台,每个学生通过该平台交流学习,实现了学生之间的自学习。基于标准测试用例的测试结果验证了HDTPL有效性和优越性。(2)研究了分布式零等待流水车间调度问题,建立了该问题的混合整数规划模型以及提出了若干邻域变换的加速算法,有效的减少了计算的复杂度。针对分布式零等待流水车间调度问题,结合变邻域搜索、变邻域下降搜索、随机变邻域提出了叁种迭代贪婪算法IG_VNS、IG_VND、IG_RNS。大量仿真实验,表明所提出的算法求解效果优于当前同领域其他分布式车间调度算法。(3)研究了带有准备时间多目标分布式零等待流水车间调度问题,考虑了最大完成时间和总延迟时间为优化目标。在每台机器上,从当前工件加工完成到下一工件开始加工前存在准备时间。提出了一种基于Pareto非支配解的分布估计算法求解上述问题。建立了叁种概率模型,即工件在空工厂的概率、两个工件在同一工厂的概率、两个工件相邻的概率。在该模型的基础上,提出了一种基于参考模板的采样算法来产生后代,并对档案集以及后代个体进行了多目标局部搜索。实验表明,所提出的算法优于其他相关算法,并且所得到的解具有良好的分布性和逼近性。(4)针对零空闲流水车间调度问题,提出一种基于直方图模型的Memetic算法(MANEH)。MANEH考虑了工件的顺序以及相似工件块,采用基于混合边和点直方图模型的随机采样交叉方式,避免工件选择的盲目性。在局部搜索部分,在变邻域搜索中加入了随机参考邻域搜索以及基于模拟退火的接受准则,使得局部搜索能力进一步提高。基于大规模测试用例的实验验证了MANEH优越性。(5)针对带有交货期约束的零空闲流水车间调度问题,提出一种基于概率教授的离散教学优化算法(HDTLM)。在教授阶段,根据优秀学生个体和教师构建概率模型,对概率模型采样生成一系列位置序列;采用共有序列的概念来代替原始教学优化算法平均个体的概念,根据位置序列和共有序列来产生新个体。在学习阶段,根据学生的学习水平,将学生分为叁个层次,从上到下传递知识。通过与当前较为先进的几种算法对比,验证了HDTLM的优越性。(6)研究了带有装配过程的分布式零空闲流水车间调度问题。针对已有工件分配规则的不足,提出了一种工件分配规则,使得同一产品的相关工件加工顺序尽可能紧凑,同时使得装配过程尽早开始,减少装配等待时间。针对带有装配过程的分布式零空闲车间调度问题,提出混合迭代局部搜索(HILS)算法和混合变邻域搜索(HVNS)算法。通过求解标准测试用例,验证了HILS和HVNS的性能显着优于同领域同其他相关算法。(本文来源于《南京航空航天大学》期刊2018-09-01）
江韵[9]（2018）在《《大数据元启发式算法》（第5章与第8章）翻译实践报告》一文中研究指出本翻译实践报告所基于的材料是《大数据元启发式算法》(Metaheuristics for Big Data)一书,书中含有大量数据库背景知识,通过将元启发式算法应用到大数据信息挖掘,来强调如何利用数据挖掘知识解决生活中数据生成、收集等实际问题。本书专业性强,属于科技英语文本,结构严密、描述客观、多被动句、多名词化结构。本报告以该书第五章(元启发式算法与关联规则)与第八章(框架)的翻译实践为基础,运用“功能对等理论”和案例分析,来探索科技英语中名词化结构的翻译策略与方法。本报告包括四个主要部分:第一部分是对该翻译项目进行基本的介绍,包括项目背景介绍、项目来源、材料特点、委托方要求。第二部分是对整个翻译过程进行的描述,包括本项目的译前准备、翻译过程以及译后校对。第叁部分是整篇实践报告的核心所在,包括科技英语中名词化结构的概述、所选择的翻译指导理论、具体案例分析。最后一部分总结了翻译科技文本名词化结构时的方法策略,以及在翻译实践过程中的收获与感悟,并对整个翻译项目进行了反思。(本文来源于《青岛科技大学》期刊2018-06-19）
卢玉婷[10]（2018）在《元启发式闪电搜索算法及应用研究》一文中研究指出闪电搜索算法是受自然天气闪电现象的启发于2015年被提出的一种新兴元启发式优化算法。它模拟了闪电梯级先导传播机制及其具有丰富分叉结构特征,通过过渡放电体、空间放电体和引导放电体3种现象建立模型而设计出的优化算法,并表现出良好的全局优化性能。该算法具有结构简单、调节参数少和收敛速度快等优点,受到了愈来愈多学者的关注。随着研究的深入,研究者发现闪电搜索算法存在前期收敛速度过快、易陷入局部最优、求解精度不高等缺陷,限制了闪电搜索算法的应用范围。本文主要对闪电搜索算法进行分析与改进,提高算法的探索和开采能力,并将改进后的算法解决一些优化问题,目的在于进一步完善闪电搜索算法的理论基础并拓展其应用范围。本文的主要工作内容包括:(1)引入单纯形法改进算法求解精度不高的缺点,提高算法局部开采能力,在全局探索过程中采用精英反向学习策略扩大算法的搜索空间,避免算法陷入局部最优,提出了一种基于闪电搜索算法和单纯形法的混合优化算法,该算法应用在函数优化具有更高的求解精度和收敛速度以及更强的稳定性。将改进的算法应用于工程结构设计优化问题,表明了该算法解决实际优化问题的优越性。(2)为进一步拓展闪电搜索算法的应用领域,将其应用于电磁波垂直入射的多层吸波材料优化设计,提出了一种基于二进制闪电搜索算法和模拟退火的混合优化算法。二进制闪电搜索算法解决离散二进制优化问题具有较高的搜索精度,避免算法陷入局部最优,引入模拟退火算法,并加入交叉和变异算子增加种群多样性,提高算法的收敛速度。该改进的算法在多层吸波材料的优化设计问题上比其他元启发式算法获得更薄且反射系数更低的优化结果。(本文来源于《广西大学》期刊2018-06-01）
元启发式论文开题报告
（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：
在假设海岛上植物总量不变的情况下,植物的生长位置随着海平面的上升,出现越来越集中于最高点的现象.受该现象启发,提出一种元启发式算法即海岛算法(island algorithm,IA).海岛算法在每次迭代中包含3个阶段:淘汰阶段、海平面上升阶段、平衡阶段.通过对算法进行分析,找出算法的优势原因及适合和不适合求解的函数的特点,并对算法的复杂度和鲁棒性进行分析.将算法在CEC2013函数集上进行验证.在多个维度下,同经典的粒子群算法进行比较.实验结果表明,海岛算法在求解具有某类特征的函数时,比粒子群算法差;在其他多数测试函数的实验结果中,海岛算法在多个维度下的精度和鲁棒性均显着优于粒子群算法,验证了算法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
元启发式论文参考文献
[1].赵晶,吴翠红,王昭宇.应用元启发式算法解决特殊约束的装配线平衡问题[J].湖北农机化.2019
[2].马吉明,张嵩,苏日建,张国良,陈浩洋.一种元启发式算法:海岛算法[J].郑州大学学报(工学版).2019
[3].董如意.元启发式优化算法研究与应用[D].吉林大学.2019
[4].薛雷.最小延时问题的并行混合元启发式算法[D].河北大学.2019
[5].徐海霞.基于元启发式算法的测试用例生成与排序研究[D].浙江理工大学.2018
[6].梁效.六步双元启发式深度阅读教学模式建构与实践[J].中国校外教育.2018
[7].蒋显荣.科学判断的方法论:元启发式对启发式的提升[J].科学学研究.2018
[8].邵炜世.基于元启发式的分布式车间调度方法研究[D].南京航空航天大学.2018
[9].江韵.《大数据元启发式算法》（第5章与第8章）翻译实践报告[D].青岛科技大学.2018
[10].卢玉婷.元启发式闪电搜索算法及应用研究[D].广西大学.2018