导读:本文包含了并行集成论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,算法,工蜂,萤火虫,函数,高斯,模型。
并行集成论文文献综述
邓超,钱斌,胡蓉,王凌[1]（2019）在《混合EDA求解叁阶段异构并行机装配集成调度问题》一文中研究指出本文提出一种混合分布估计算法(hybrid estimation of distribution algorithm, HEDA)用于求解带载重约束的叁阶段异构并行机集成调度问题(three-stage heterogeneous parallel machine integrated scheduling problem with capacitated constraint, THPMISP_CC),第一阶段为加工阶段,即带释放时间的多工序异构并行机调度问题;第二阶段为带载重约束的运输阶段,即多维背包优化调度问题;第叁阶段为装配阶段.本文研究工件从加工、运输到装配叁阶段的集成调度优化问题.首先,本文构建了THPMISP_CC的数学模型,其优化目标为叁阶段整体最大完工时间(Makespan);然后,提出的HEDA用于优化THPMISP_CC;最后,对算法运用于THPMISP_CC模型的结果进行分析和比较,验证模型的可行性及算法的有效性.(本文来源于《信息与控制》期刊2019年05期）
蒋正婷,袁章帅,闫瑞林[2]（2019）在《基于IAFSA-BP并行集成学习算法的大学生就业预测模型》一文中研究指出随着我国高校毕业人数逐年增加,大学生"就业难"问题越发突出,其已然成为了社会广泛关注的热点之一。准确预测大学生的就业前景,提高当代大学生的就业率及就业质量引起了党中央和国家的高度重视。因此,本文通过将改进的人工鱼群算法优化BP神经网络的权值和阈值,提出了基于IAFSA-BP神经网络并行集成学习算法的大学生就业预测模型,并将整理的数据集在matlab中进行仿真实验时达到了极佳的预测效果,以期该模型能为推动大学生高质量就业提供参考意见。(本文来源于《价值工程》期刊2019年19期）
王俊,程显生,王寿东[3]（2019）在《基于机器学习的数据库小数据集并行集成方法》一文中研究指出为了解决传统方法不能按照训练样本量设计最优网络模型,集成效率低的弊端,通过机器学习方法研究数据库小数据集并行集成方法。机器学习选用朴素贝叶斯算法,依据条件独立性假设,通过计算目标先验概率,采用贝叶斯定理求出其后验概率,对后验概率进行比较,完成决策分类,对基分类器进行训练,把不同朴素贝叶斯基分类器当成集成分类器,在原始数据库上对基分类器进行训练,依据分类结果对数据库中小数据集样本分布进行调整,将其当成新数据集对基分类器进行训练,按照基分类器的表现,通过加权将其组合在一起,产生强分类器,实现对数据库小数据集的集成处理。通过MapReduce并行处理完成并行数据集成,输出并行集成结果。通过仿真实验与实例分析验证所提方法的有效性,结果表明:所提方法在训练样本规模相同的情况下有最高的分类精度和最小的波动,在不同集成规模下的分类精度一直最高,波动最小;所提方法可达到数据的最优集成,数据失效比降低,合成比提高。可见所提方法集成精度高,计算稳定性强,集成效果好,效率优。(本文来源于《科学技术与工程》期刊2019年16期）
贾凯[4]（2019）在《人工蜂群算法与BP神经网络并行集成学习研究》一文中研究指出在人类的生活、生产活动中,经常遇到的就是最优化问题,学者们也研究了很多解决最优化问题的方法,其中群智能优化算法作为重要的分枝,为最优化问题的求解提供了新的思路。人工蜂群算法(Artificial Bee Colony Algorithm,ABC)是一种新颖的群智能算法,通过研究自然界中蜜蜂信息交换和采蜜行为提出的一种自然计算方法,具有算法设计过程简洁、参数少、能够很好的跳出局部最优解且不需要计算梯度等特点。但是,现实世界中更多的是离散最优化问题,因此迫切需要对ABC算法进行离散化研究。BP神经网络(Back Propagation Neural Network,BPNN)算法也是解决最优化问题的一种方法,自提出以来,国内外很多专家学者对其进行了大量的改进研究,也取得了很多成果。但是传统BP神经网络的初始权值和阈值是随机的,导致算法寻优效率不高,易发生早熟且最终收敛精度不够,因此如何优化BP神经网络的缺陷,成为研究的重要方向。基于此,本文主要针对离散人工蜂群算法的改进及其与BP神经网络算法的并行集成学习进行了研究。研究成果如下:首先本文构建以高斯变异函数作为概率映射函数的离散二进制人工蜂群算法(IBABC),从理论上分析证明了算法的有效性,并通过在Benchmark测试函数上通过实验证明了IBABC算法较其他改进方案具有更好的效果;其次,将改进的二进制人工蜂群算法用于训练BP神经网络,并提出了基于改进二进制人工蜂群算法和BP神经网络算法的并行集成学习算法,即IBABC-BP算法,并通过理论分析和实验结果证明了并行集成学习算法的有效性;最后,基于IBABC-BP并行集成学习算法设计了雾霾预测模型,并用雾霾数据进行了相关的对比试验,证明了本文构建的雾霾预测模型的有效性。(本文来源于《合肥工业大学》期刊2019-04-01）
简书强,倪志伟,李敬明,朱旭辉,倪丽萍[5]（2019）在《基于混合改进GSO与GRNN并行集成学习模型》一文中研究指出针对萤火虫群优化算法(GSO)不稳定、收敛速度较慢与收敛精度较低等问题和广义回归神经网络(GRNN)的网络结构导致预测误差的特性,提出基于混合改进萤火虫群算法与广义回归神经网络并行集成学习模型,应用于雾霾预测.首先构建融合多种搜索策略的混合改进萤火虫群优化算法(HIGSO),并使用标准测试函数验证算法性能.然后结合HIGSO与引入扰动因子的GRNN模型,建立并行集成学习模型,并通过UCI标准数据集验证模型的有效性与可行性.最后将模型应用于北京、上海和广州地区的雾霾预测,进一步验证模型在雾霾预测中的性能.(本文来源于《模式识别与人工智能》期刊2019年03期）
贾凯,倪志伟,李敬明,陆玉佳,朱旭辉[6]（2019）在《基于改进二进制人工蜂群的BP神经网络并行集成学习算法及其应用研究》一文中研究指出BP神经网络算法具有寻优效率不高、易发生早熟且最终求解精度不够等特点,针对以上问题,文章提出一种基于改进二进制人工蜂群算法(Improved Binary Artificial Bee Colony Algorithm)的BP神经网络并行集成学习算法(IBABC-BP).首先,文章构建以高斯变异函数作为概率映射函数的离散二进制人工蜂群算法(IBABC),分析证明了算法的有效性,并通过在4个Benchmark标准测试函数上证明了其寻优精度和收敛速度较其他4种改进人工蜂群算法均有大幅提高;其次,将改进的二进制人工蜂群算法(IBABC)用于训练BP神经网络,设计了IBABC-BP并行集成学习算法;最后,将IBABC-BP算法用于雾霾评估预测,以合肥地区的雾霾历史数据作为仿真数据.实验结果表明,IBABC-BP算法在寻优精度和收敛速度上较原始BP算法、人工蜂群ABC-BP算法、遗传GA-BP算法等算法有明显的提升,可以有效地提高雾霾评估预测的准确性.(本文来源于《系统科学与数学》期刊2019年03期）
闫萍,袁媛[7]（2019）在《化工并行设备批处理过程的集成批调度仿真研究》一文中研究指出针对化工并行设备批处理过程,研究批量生产计划与批次调度的集成优化问题,将任务处理批量的大小、批次数目及其在设备上的分配与调度等多阶段、多层次的优化决策,集成到一类问题中。以最小化所有批次的总完工时间为优化目标,构建分批与批调度决策的集成优化模型。提出一种改进的DE算法,加快模型求解速度。算法采用实值编码方案,设计个体编码为每种产品的总生产量,通过有效的解码程序将个体解释为批调度方案,并设计不可行调度方案的修正机制。通过引入局部搜索和局部最优逃逸策略,解决种群多样性降低、易陷入局部最优的问题。仿真结果表明,与基本DE、PSO算法相比,改进DE算法具有更好的全局搜索性能。(本文来源于《计算机仿真》期刊2019年02期）
杨松,李佼洋,蔡志岗[8]（2019）在《100G SR4并行光模块光电子集成封装的研究》一文中研究指出100G SR4并行光模块采用850 nm波长,单路25 Gb/s的传输速率,发射端使用4路VCSEL发射光,接收端使用4路PD接收光。文中介绍一种应用于100G SR4并行光模块的光电子集成封装方法——COB光折弯有源耦合封装技术。重点讨论了COB光折弯有源耦合封装技术的工艺并分析了Bonding的影响。采用此技术方法设计的100G SR4并行光模块具有耦合效率高、低成本和易实现的优点。(本文来源于《现代电子技术》期刊2019年03期）
李文,张林郁[9]（2018）在《智能型医疗器械产品并行开发数据集成仿真》一文中研究指出智能型医疗器械产品并行开发的基本支持条件之一是必须实现计算机辅助工具之间的数据集成。针对当前集成方法忽略了智能型医疗器械产品并行开发数据具有高维小样本的特点,导致最终数据集成结果存在准确率较低的问题,提出一种基于相异度阈值调整的医疗器械产品并行开发数据集成方法,分别采用信噪比、皮尔森相关系数、斯皮尔曼相关系数、欧几里德距离和余弦相似度五种特征选择方法交替对智能型医疗器械产品并行开发数据的不同训练子集进行处理,得到样本特征向量。根据得到的智能型医疗器械产品并行开发数据样本特征向量以及产品并行开发数据的两个样本之间的相异度,设置一个相异度阈值,通过对相异度阈值的调整得到不同的集成效果,使得集成结果能够兼顾智能型医疗器械产品并行开发数据样本特征向量聚类紧密程度与聚类规模之间的平衡。仿真实例分析结果表明,所提方法能够在智能医疗器械产品并行开发数据集成过程中,通过对相异度阈值的调整,使得其在人工干预程度较小的情况下,获得具有高准确率、高召回率和高综合评价值的数据集成效果。(本文来源于《计算机仿真》期刊2018年08期）
李敬明,倪志伟,朱旭辉,许莹[10]（2018）在《基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型》一文中研究指出针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.(本文来源于《系统工程理论与实践》期刊2018年05期）
并行集成论文开题报告
（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：
随着我国高校毕业人数逐年增加,大学生"就业难"问题越发突出,其已然成为了社会广泛关注的热点之一。准确预测大学生的就业前景,提高当代大学生的就业率及就业质量引起了党中央和国家的高度重视。因此,本文通过将改进的人工鱼群算法优化BP神经网络的权值和阈值,提出了基于IAFSA-BP神经网络并行集成学习算法的大学生就业预测模型,并将整理的数据集在matlab中进行仿真实验时达到了极佳的预测效果,以期该模型能为推动大学生高质量就业提供参考意见。
（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。
并行集成论文参考文献
[1].邓超,钱斌,胡蓉,王凌.混合EDA求解叁阶段异构并行机装配集成调度问题[J].信息与控制.2019
[2].蒋正婷,袁章帅,闫瑞林.基于IAFSA-BP并行集成学习算法的大学生就业预测模型[J].价值工程.2019
[3].王俊,程显生,王寿东.基于机器学习的数据库小数据集并行集成方法[J].科学技术与工程.2019
[4].贾凯.人工蜂群算法与BP神经网络并行集成学习研究[D].合肥工业大学.2019
[5].简书强,倪志伟,李敬明,朱旭辉,倪丽萍.基于混合改进GSO与GRNN并行集成学习模型[J].模式识别与人工智能.2019
[6].贾凯,倪志伟,李敬明,陆玉佳,朱旭辉.基于改进二进制人工蜂群的BP神经网络并行集成学习算法及其应用研究[J].系统科学与数学.2019
[7].闫萍,袁媛.化工并行设备批处理过程的集成批调度仿真研究[J].计算机仿真.2019
[8].杨松,李佼洋,蔡志岗.100GSR4并行光模块光电子集成封装的研究[J].现代电子技术.2019
[9].李文,张林郁.智能型医疗器械产品并行开发数据集成仿真[J].计算机仿真.2018
[10].李敬明,倪志伟,朱旭辉,许莹.基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型[J].系统工程理论与实践.2018
论文知识图
