一、模拟进化计算理论及其应用（论文文献综述）
曾清清[1]（2021）在《基于电信息注入孤立半导体激光器的储备池计算系统性能优化》文中提出储备池计算（Reservoir Computing,RC）是机器学习领域引入的一种受生物学启发的新颖计算方式,解决了传统计算机在处理诸如语音识别、人脸识别、混沌时间序列预测等复杂任务时能耗高、计算速率较低等问题。RC的一个主要优点是训练算法的有效性和快速收敛到全局最优,因为只需要训练输出的连接权重,不需要对网络内部连接进行优化,这种概念使RC的硬件实施成为可能。RC的硬件实施方案有两种:一是由空间内分布的大量非线性节点组成的空间型RC;二是由非线性时滞系统构成的延时型RC。特别地,基于后者这种由单节点构成的RC具有易于硬件实现和低成本等优点,从而极大的吸引了人们的兴趣。半导体激光器（Semiconductor Laser,SL）在光注入、电流调制等外部扰动下非线性动力学状态丰富且可控,具有响应速率快、体积小、能耗低、易集成等优点,所以SL被认为是构建RC的理想器件。因此,基于SL的RC系统（简称SL-RC）的相关研究受到了广泛关注。考虑到延时SL-RC系统性能会随着反馈相位的波动而急剧变化,而在此类系统中很难消除反馈相位的波动。在本文中,基于电信息注入SL的RC系统具有结构简单的独特优势,提出了一种基于电信息注入孤立SL的RC系统,并对该系统的性能进行了理论研究。针对该系统对过去输入信息记忆能力（Memory Capacity,MC）不足的问题,引入了一些辅助方法来提高记忆能力并优化处理复杂任务的性能。在现有的方法中,储备池层的输入是当前输入信息和一些过去输入信息的加权和（M-input）。本文引入了另一种辅助方法,即在输出层中将一些过去的虚拟节点状态和当前的虚拟节点状态的加权和用于训练输出权重或计算储备池输出（M-output）。在采用M-input、M-output、M-both（M-input和M-output相结合）三种辅助方法之后,对RC系统的MC进行了理论研究。结果表明,采用这三种辅助方法都可以提高系统的MC,其中使用M-both方式可以提高一个数量级。采用这些辅助方法后,Santa Fe时间序列预测任务和非线性信道均衡（Nonlinear Channel Equalization,NCE）任务的处理性能也得到了提高。由于不同的任务对RC的非线性和MC有不同的要求,三种辅助方法对这两种任务有不同的影响。本文讨论了输入层或者输出层引入过去信号数量(即Qin和Qout)对RC系统性能的影响。结果表明:对于预测任务,M-input比其他两种辅助方法更适合,当Qin=7时,最小预测误差可以从0.027降低到0.0034。对于NCE任务,M-both相对更好,当Qin=25和Qout=3时,最低的符号错误率从0.05降低到1.1×10-3。
朱云龙,申海,陈瀚宁,吕赐兴,张丁一[2]（2016）在《生物启发计算研究现状与发展趋势》文中研究说明生物启发计算的宗旨是研究自然界生物个体、群体、群落乃至生态系统不同层面的功能、特点和作用机制,建立相应的模型与计算方法,从而服务于人类社会的科学研究与工程应用.它既是人工智能的继承与发展,同时也是从新的角度理解和把握智能本质的方法.本文阐述了生物启发计算所涉及的生物进化论、共生进化论和复杂适应系统的理论起源.在对生物启发计算进行分析、归纳和总结的基础上,介绍了现有生物启发计算算法研究成果,并从最优设计、最优分析和最优控制3个方面对生物启发计算的应用研究成果进行了梳理.以此为基础,进一步地提出了生物启发计算的统一框架模型.最后,围绕并行生物启发计算、具有学习推理和知识学习生物启发计算、生物动力学启发计算、基于微生物群体感应的生物启发计算以及人工大脑、进化硬件、大数据、群集机器人、虚拟生物和云计算等前沿热点理论问题和工程应用问题对生物启发计算的发展方向和研究挑战进行了展望及分析.
周飞[3]（2013）在《协同进化计算及其在多智能体中的应用》文中研究表明协同进化计算的理论和应用是目前的研究热点。进化计算和协同进化算法以其仿生学上的优势,非常适合解决很多传统方法难以解决的问题,尤其是很多难以建立精确的模型的非线性问题。因而被广泛地应用于数值优化领域,机器学习,经济预测,机器人路径规划、导航等智能控制领域。本文以协同进化算法作为研究对象,以旅行商问题和人工智能中经典的围捕问题作为仿真任务,针对协同进化算法存在的问题进行了相应的改进。具体研究工作如下：首先,以提高遗传操作的效率为研究目标,借鉴自然界进化中的远缘杂交理论和进化计算中的精英策略,提出一种基于远缘杂交的精英进化算法。该算法在初始阶段将种群分为精英种群和普通种群,对精英种群则不经过交叉直接进入下一代,对普通种群则基于远缘杂交原则进行交叉,并将子代与精英种群一同组成新子代。仿真实验证明算法能提高种群基因的多样性,避免了算法陷入局部最优。针对TSP实验结果表明,算法具有全局收敛性及较快的收敛速度。其次,将反馈机制引入协同进化中,同时引入了多个适应度函数,提出了一种基于反馈的多适应度协同进化算法,改变了同一种群进化中单一适应度评价的缺陷,提高了收敛速度。最后利用机器人围捕为仿真模型,通过仿真证明了算法的有效性。
张立佳[4]（2013）在《基于模拟进化计算的高密度WSN网络分簇覆盖控制研究》文中提出无线传感器网络是集成了传感器技术、微电子技术、网络通信技术而形成的全新的信息获取和处理技术,是多学科交叉的前沿研究课题,在军事、工业、医疗、交通和民用等诸多方面潜在着巨大应用价值。虽然近年来国内外取得了一些研究成果,但仍然有很多的问题需要解决。本文对高密度传感器网络分簇覆盖问题进行了深入研究,包括对网络分簇规模、目标覆盖率、簇状网能耗、算法性能的优化。在对三跳簇状网进行分析的基础上,根据其特点建立网络、数学、能量模型,并在此基础上讨论几个主要网络参数与网络能耗之间的关系,并均衡、优化这些参数。以最小化网络能耗为目标,对簇状网逻辑拓扑的优化是一个NP-难问题。本文以模拟进化计算算法的基本思想为基础,改进了简单遗传算法,应用并行免疫遗传算法和自适应遗传算法对网络分簇问题进行求解,从而提高算法的运算效率。仿真结果表明,本文提出的并行免疫遗传算法和自适应遗传算法较简单遗传算法和粒子群算法都有更大的优势,能够得到更优的网络分簇方案及簇头位置。针对已有分簇算法中收敛速度过慢、极易陷入局部最优解的缺陷,本文提出了并行免疫遗传算法和自适应遗传算法来解决网络分簇的难题。并行免疫遗传算法通过引入并行计算与人体免疫的机理,避免了传统的遗传算法具有收敛速度慢,容易出现未成熟收敛的状况。自适应遗传算法通过自主调节交叉、变异概率,实现对简单遗传算法的改进。仿真结果表明,并行免疫遗传算法相比简单遗传算法能够更快的搜索到全局最优解,自适应遗传算法相比粒子群算法,能够加快算法收敛速度。两种改进的模拟进化计算均能使高密度传感网的网络分簇覆盖控制问题得到更好地解决。本文针对高密度无线传感器网络提出的两种改进的遗传算法-并行免疫遗传算法和自适应遗传算法,利用图论的知识建立能量模型,构造了适应度函数,用matlab进行仿真,分析了节点通信半径R、簇头数p对网络能耗的影响关系,继而分别应用并行免疫遗传算法与自适应遗传算法对无线传感网分簇数及簇头节点的确定进行了优化,从而得出最佳分簇拓扑结构。仿真结果表明,感知区域较大的高密度无线传感网络,节点数量较多,并行免疫遗传算法能够并行处理多个子种群,进而较快速得到最优收敛结果,使得网络能耗达到最低；而感知区域较小的高密度无线传感网节点数量相对较少,采用自适应遗传算法即可很快得到收敛结果,既比简单遗传算法得到的优化结果单论网络能耗低,又比并行免疫遗传算法开销小。因此,在面对两种不同的高密度无线传感网时,本文提出的两种分簇算法均能达到快速收敛、单轮能耗最低、避免局部最优解的设计目标。
罗丹[5]（2012）在《高混凝土面板堆石坝反分析与面板温度应力研究》文中研究表明目前,我国水电建设重点逐步向西部转移,混凝土面板堆石坝因具有就地取材、工期短、造价低且安全性高等优点,近年来发展迅猛。特别是随着筑坝技术进步及施工机械改良,国内外在混凝土面板堆石坝筑坝领域已取得举世瞩目的成就。随着面板堆石坝逐渐向300m级发展,如何有效控制堆石体变形,避免或减少面板裂缝已成为面板堆石坝发展的关键问题之一。鉴于此,本文以水布垭面板堆石坝工程为背景,系统分析研究了混凝土面板堆石坝智能反分析与面板温度应力等关键问题及分析方法。主要研究内容如下：（1）堆石坝位移反分析方法研究。从反演分析基本理论及方法出发,对目前较常用的智能位移反分析方法进行较全面的阐述,总结了解决传统反分析方法存在结果受初值影响较大、多参数优化时其结果易陷入局部极值等问题的诸多方法,系统地研究了基于智能优化算法-神经网络的位移反分析方法的优缺点,该算法既利用神经网络的非线性映射、网络推理和预测功能,又利用了智能优化算法的进化特性,在处理变量与目标函数值之间无明显数学表达式的复杂工程问题中,具有较高的应用价值；（2）位移反分析问题中的智能优化算法研究。本文对BP神经网络、遗传算法、遗传神经网络、微粒群算法的基本理论以及实现过程、算法所关注的主要问题等进行了较为全面的分析,简要阐述了构造训练样本参数组的一些试验设计方法,并结合堆石坝应力变形分析原理,建立基于微粒群-遗传神经网络算法的反分析模型,解决了堆石坝反分析问题时存在迭代过程收敛缓慢、解的稳定性较差、易陷入局部极小值、有限元计算费时费工等问题,有效地提高了堆石坝的反分析效率和精度,对控制坝体变形具有显着作用；（3）堆石坝混凝土面板温度应力研究。本文结合混凝土面板温度场与温度应力数值计算原理,在考虑混凝土面板浇筑时的气温、入仓温度、水泥水化热温升、气温变化、混凝土硬化过程和徐变等条件下,分别进行了面板温度场和温度应力分析,给出了温度场温度应力的分布规律,为全面分析混凝土面板的受力状况,指导混凝土面板设计和施工提供了技术参考；（4）水布垭混凝土面板堆石坝位移反分析及面板温度应力计算的应用。针对上述问题的研究,本文基于微粒群-遗传神经网络算法的反分析模型,对水布垭面板堆石坝施工期的邓肯E-B模型参数进行反演分析,并利用反演得到的较优参数组进行有限元正分析,验证了该模型的可靠性；同时针对混凝土面板浇筑期间一月上旬、四月下旬、无保温板与有保温板情况下,面板遭遇冷击的面板温度场和温度应力进行了计算分析,分析成果对避免或减少面板裂隙具有较好的参考作用。
刘钊[6]（2011）在《基于计算智能的计算机视觉及其应用研究》文中进行了进一步梳理随着信息获取和信息处理技术的快速发展,计算机视觉,即如何利用计算机技术高效准确地从环境图像或者视频中获取相关信息,进而对客观世界中的事物及发生的现象进行分析、判断和决策,已经成为一个非常重要的研究课题。生物的视觉和智能,目前还是人类认知的处女地。在生物视觉研究中已经发现大量有趣的现象、结构和功能,但是对于总的工作机制和机理还知道的很少。从信息处理的角度,对于已有的关于生物视觉和智能的研究成果进行总结、分析与综合等研究,必将对计算机视觉和人工智能的发展产生强有力的推动作用,同时计算机视觉和人工智能的研究能为生物视觉和生物智能的工作机理提供重要线索。计算机视觉基于物理计算设备。七十年来,对于计算设备的能力上限,主流的科学家持悲观的态度。究竟什么是计算?计算到底能干什么?这是计算机科学、人工智能、计算机视觉的基本问题,是彻底解决计算机视觉和人工智能的前提条件。自适应性和智能化已经成为困扰当前计算机视觉的最大障碍。如何在复杂的背景下,从样本图像和指定目标中自主获取目标的模式,并利用这些模式对未知环境和图像进行分析和判断;如何利用计算产生自适应性;视觉和智能在信息处理的层面上究竟有什么样的关系等问题,是彻底解决计算机视觉的关键。本学位论文从生物视觉中总结出能代表视觉信息处理的共同特征的、计算机视觉可利用的生物学证据;在此基础上,提出并论证了演化计算具有比算法更强的表达能力的观点;将演化计算、人工神经网络方法、并行计算等技术融合起来,找到一种适合于目标识别过程中使用的知识表示、知识进化、知识使用的新的计算智能方法;将该方法应用于机器视觉技术研究,解决带钢表面缺陷检测过程中的准确度和实时性问题。本文研究工作主要贡献是:（1）生物视觉对于高等哺乳动物视觉领域中已经取得的一些相关研究成果进行归纳、总结和假设,从中找出能代表视觉信息处理的生物学证据,包括视觉与智能的同源性、演化机制、并行处理机制、自适应机制、层次处理机制、和竞争机制等等。（2）演化计算基本理论指出了算法和图灵机的缺陷,对于“图灵机是任意物理计算设备的精确模型”的论断提出了质疑;提出了演化计算的概念和相应的自动机模型,并对它的表达能力进行了论证,证明了演化计算方法比算法或图灵机的表达能力更强。（3）基于演化计算的模式识别将演化计算用于结构模式识别和统计模式识别,将演化计算方法用于统计模式识别的特征选择、分类器参数,以及结构模式识别中的基元结构、基元关系选择、基元关系提取。该方法不仅使得编程人员的工作强度大大降低,而且得到的参数更为合理。（4）计算机视觉仿真实验平台设计为了提高视觉系统的开发速度,便于程序的学习、训练、演化,提出将虚拟现实技术引入到计算机视觉系统的设计和知识获取过程之中,设计并建立缺陷检测视觉仿真实验平台,以及目标跟踪视觉仿真实验平台。在仿真实验平台可以进行目标识别、分类训练、缺陷知识获取等研究和开发,具有安全、经济、可重复及不受场地条件限制等优势。（5）基于演化计算的目标识别采用演化计算的方法获得关于钢坯板表面缺陷目标的显性知识和隐性知识,并利用GPU并行计算对表面缺陷目标进行分割、分类和判断;提出了基于互信息熵的钢坯板速度检测方法。
李睿[7]（2011）在《信用评估与信用卡欺诈侦测的智能决策系统研究》文中研究指明近十年来,我国金融机构以“跑马圈地”形式大力发展信用卡业务,使得信用卡发卡量呈现“井喷式”的增长。随着市场的急剧膨胀,信用卡的“高风险”特性亦逐渐暴露,信用卡风险管理与控制成为了金融机构风险管理的重要研究课题。传统的信用卡风险管理方法基本是建立在随机理论基础上,现行的个人信用评估模型多为单一的统计计量模型。这些模型与算法存在着以下两方面的基本问题:第一方面是缺乏处理病结构、非线性金融风险问题的能力;第二方面随机理论忽略了风险因素的模糊性而只强调风险因素的随机性。然而金融风险的计量是复杂和非结构性的决策问题,通常具有模糊特质,因此近年来以人工神经网络为代表的人工智能技术开始受到了研究人员的高度关注。各类人工智能技术由于各自的特点和技术缺陷,导致了单一技术在实践应用中陷入僵局。所以根据各技术的共同之处与特点,寻求各种人工智能技术的有机结合便成为自然而然的思路。本研究试图将模糊系统及模因算法与人工神经网络相结合,旨在将模糊逻辑运算融入人工神经网络的神经元与结构中建立模糊神经网络模型,从而改良人工神经网络的学习能力,并增强网络的直观性与灵活性;利用模因算法的全局搜索能力改进人工神经网络的训练算法,减少人工神经网络陷入局部极值的可能性,使网络具备进化与学习的双重智能;同时借助粗糙集属性约简方法简化信息表达空间、去掉冗余信息、使训练集简化、降低网络输入维数,以减小网络结构的复杂性,从而缩短网络的训练时间,避免数据噪声造成的网络过适应问题。最终建立以模因进化型模糊神经网络为基础的个人信用评分模型。鉴于现阶段我国信用卡业发展尚处于初级阶段,论文在分析信用卡欺诈风险特征的基础上,基于专家规则及模因算法分别建立了信用卡欺诈侦测模型,并在此基础上构建了信用卡欺诈侦测的智能决策系统,实现对信用卡欺诈风险的有效控制与防范。该研究在理论上具有重要的科学价值,在实践中具有良好的市场开发前景,而且在方法上具有显着的创新性。本文的研究内容主要包括:1.全面总结个人信用评分理论与方法,深入分析现存方法的特性与缺陷,同时对信用卡风险问题的特性进行深入研究,明晰综合智能计算改进个人信用评分模型的研究思路。2.深入了解智能计算的研究现状与研究动态,准确把握人工神经网络、模因算法和模糊系统等智能计算技术的优势和缺陷,进而探讨各种技术的技术互补可能性。3.探索人工神经网络与模糊逻辑、模因算法之间可能的结合方式,研究人工神经网络和模糊神经网络的网络拓扑结构与学习算法,并在此基础上提出集成人工神经网络、模糊逻辑和模因算法等智能计算技术的综合智能信息处理模型。4.深入分析模因算法的原理与过程,并充分借鉴模因算法的相关研究成果,针对综合信息处理模型的学习,力图对模因算法的设计进行改进。5.对典型个人信用评分方法进行分析与比较,提出基于综合智能信息处理的个人信用评估模型;6.对信用卡欺诈机制进行深入分析,建立信用卡欺诈侦测的专家规则模型与模因算法模型,并在此基础上构建信用卡欺诈侦测的智能决策系统。研究的主要成果及创新性:1.通过对模因算法的全局搜索策略与局部搜索策略进行改进,提出了一种基于PSO的改进型模因算法,提高了算法的全局搜索能力与收敛速度。2.将模糊逻辑运算融入神经元与神经网络结构中,结合模因算法进一步优化人工神经网络模型,从而构建了基于模因进化型模糊神经网络的综合智能信息处理模型。3.基于信用卡用户的样本数据,结合粗糙集约简方法,构建了基于综合智能信息处理模型的个人信用评估模型,并给出了可供实际操作的算法程序。4.对不同模型的评估结果进行了充分的实证分析与检验,证实了新建模型的显着成效。5.基于专家规则与模因算法等智能技术建立信用卡欺诈侦测模型,进而提出了信用卡欺诈侦测的智能决策系统。
汤旻安[8]（2011）在《基于软计算融合的城市道路交通资源选址研究》文中研究说明城市道路交通问题是全社会关注的热点问题之一。软计算技术的迅速发展,各种模型和综合分析方法层出不穷,新的理论和研究成果不断出现,并已在实际的理论研究和工程应用中显示出巨大的威力和发展潜力。运用软计算技术进行科学的选址,让有限的城市道路交通资源发挥最大的效能,从而达到更进一步缓解交通矛盾的作用,是论文研究的主要问题。论文在广泛搜集、阅读国内外有关选址—分配和软计算理论与方法的最新文献和成果的基础上,研究了软计算理论中的模糊逻辑、人工神经网络、遗传算法、粗糙集等的基本思想和工作原理以及基本理论,系统研究了城市道路交通资源选址的理论与方法；针对分析不同的城市道路交通资源选址中的困难和不确定性,把软计算的基本思想融入城市道路交通资源选址的策略中,在此基础上将这几种软计算技术有机结合,提出了针对不同问题的城市道路交通资源选址的软计算模型和算法,以提高城市道路交通资源的利用率和实用性,提供合理、科学的实施方法,促进软计算方法在城市道路交通资源选址工程上的应用。通过实例的分析和仿真表明,这些方法能更有效地解决城市道路交通资源选址方面的问题。论文的主要内容如下：深入分析了城市道路交通面临和存在的严峻形势,指出道路交通资源选址在智能运输系统（ITS）中的作用、意义,对前人在选址—分配问题和软计算技术理论应用文献查阅、分析研究的基础上,对软计算理论方法的发展、研究、应用进行了详尽的分析和阐述,提出了以软计算方法进行城市道路交通资源选址的思想。研究了软计算方法的融合集成,通过在分析常用软计算方法优缺点的基础上,对软计算方法的融合集成哲学基础、方法学基础、融合集成原则、融合集成的形式进行了论述,研究了论文中运用的软计算融合集成方法技术路线。研究了模糊逻辑、神经网络、遗传算法融合集成在城市道路交通资源选址中的决策知识规则提取问题。首先研究了模糊逻辑与神经网络的融合集成,运用上述理论技术有效地建立了将城市道路交通资源选址中的资源属性或道路交通调查数据转换成具有专家知识形式的模糊规则的问题求解模型。在此基础上提出了基于遗传算法的NFS思想,实现了由道路交通调查数据到决策信息,由决策信息到决策知识的转换。研究了在城市道路交通资源选址问题求解中面临少数据、小样本、贫信息、不确定性等问题使用灰色神经网络建立预测模型的方法。阐述了灰色系统与神经网络相结合的基本理论,在此基础上建立了以遗传算法优化改进灰色神经网络“白化”参数的预测求解模型,并以换乘需求总量为公交换乘枢纽选址主要因素的实际应用需求为研究对象,进行了仿真实验研究与对比分析。以此,对基于遗传算法优化改进灰色神经网络的方法在求解城市道路交通资源选址问题中的应用进行了深入研究。研究了面对城市道路交通资源选址问题求解中建模因素过剩或庞杂时采用多重GA与BP神经网络相结合的因素筛选进行自变量降维及对系统进行预测的模型方法。阐述了在城市道路交通资源选址问题中运用神经网络的预测理论和技术方法,剖析了诸如轨道交通线路选址中面临多因素高维自变量问题,然后在分析上述多变量选址模型的基础上,给出了基于遗传算法和BP神经网络相结合的因素筛选及系统预测的复合优化模型方法。最后,利用实际数据进行了仿真研究,实现了城市轨道交通干线选址中的因素筛选,对城市轨道交通干线选址做了深入分析。研究了基于粗糙集属性约简与GIS技术相结合的高密度城区停车设施选址决策问题。从分析高密度城区停车设施的地理信息特点入手,提出了运用粗糙集理论与GIS技术相结合进行高密度城区停车设施选址决策条件属性因素约简的模型和算法,深入研究了采用互信息的模糊粗糙集属性约简算法对决策表进行约简得到相对约简决策规则的方法,然后,对规划中的决策分类进行评价和分析。结合实际仿真实例,对研究结果进行了评估和分析。给出了在我国进行道路交通资源选址的一些建议。最后,对全文进行了概括性总结,提出了一些需要完善的研究工作,并指出了在城市道路交通资源选址方面理论和应用上有待进一步研究的问题。
谭建豪[9]（2010）在《自然计算理论及其在系统辨识中的应用研究》文中研究表明自然界经过亿万年物竞天择、优胜劣汰的演化,形成了复杂多样的生命现象,其间蕴含着丰富的信息处理机制。自然计算的宗旨就是研究自然现象尤其是生命体的功能、特点和作用机理,建立相应的计算模型,服务于人类社会。在系统辨识问题中,面对的是大量原始数据,需要从这些原始数据中提炼出相应的数学模型,在此基础上找出其中隐藏的规律。这些问题很难用传统的确定型模型来描述和基于精确的数学方法来求解。而描述成模糊优化问题往往更为合适。模糊优化方法本质上是多目标优化问题,而遗传算法是解决多目标问题的一种有效方法。模糊优化特别是基于动态模型的模糊优化中的遗传算法有其特殊的本质,有必要加以深入研究。本文在阐述自然计算理论与方法的基础上,研究了自然计算中两类典型的智能算法—模糊优化和遗传算法。针对系统辨识问题,采用模糊优化模型作为其目标函数,利用遗传算法实现该模糊优化问题的求解,并且对该算法的有效性、稳定性、快速性和高精度进行了理论论证和实例验证。本文的主要研究内容如下。（1）论述自然计算基本概念、基本特征及主要研究领域,研究由自然启发获得自然计算模型的映射方法并构造自然计算系统的计算算法。对协同进化计算进行自然计算理念求证。（2）论述系统辨识基本概念,分析经典系统辨识方法和现代系统辨识方法。研究自然计算系统整体框架和自然计算系统中的辨识机制,构造辨识系统的两种典型框架：RFG框架和NFG框架。对这两种框架在来源、适用范围、结构辨识、参数辨识、意义等方面的特点进行分析。（3）讨论模糊优化基本性质和传统模糊优化问题。研究回归方程和神经网络的结构辨识和参数辨识问题,构造回归方程和神经网络参数辨识的效用函数（目标函数）及用最大效用法进行参数辨识的模糊优化模型。（4）对模糊优化问题的遗传算法求解进行深入探讨。构造遗传算法中基于正交设计的初始种群的产生办法、遗传参数适应性调整办法、沿加权梯度方向变异及其权值的自适应调整办法,提出遗传算法的改进策略。从理论上论证基于遗传算法的模糊优化求解的有效性。（5）设计在线性能评估准则和离线性能评估准则,确定系统辨识的性能评估办法。对基于RFG框架的系统辨识问题进行描述,说明回归模型辨识算法的基本策略,构造该算法的主要步骤和方法,并用其求解飞边尺寸设计准则辨识问题；对基于NFG框架的系统辨识问题进行描述,说明神经网络模型辨识算法的基本策略,构造该算法的主要步骤和方法,并用其求解飞边金属消耗设计准则辨识问题。对这两种辨识算法分别进行分析比较。实验验证它们的有效性。本文首次提出了基于RFG框架和NFG框架的系统辨识方法,理论论证和实验验证了它们的自组织能力、数据并行性、泛化能力、全局最优性和自适应能力,是对系统辨识新方法有益的探索,具有广阔的应用前景。
邱玉霞[10]（2007）在《进化计算与粗糙集理论研究及其在图像处理中的应用》文中认为计算智能方法往往具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理的优点。在并行搜索、联想记忆、模式识别、知识自动获取等方面得到了广泛的应用。进化计算与粗糙集理论是计算智能的两个热点研究方向，是目前信息科学、自动化科学、计算机科学的交叉和前沿研究领域。思维进化算法是模拟人类思维进化过程的一种新型进化计算方法。本文分别以进化计算和粗糙集为研究目标，研究内容分为四大部分，一是进化计算的数列模型及其在收敛性分析中的应用；二是基于种群信息熵的思维进化算法自适应搜索策略研究；三是基于位编码可分辨矩阵的决策规则获取算法的研究；四是基于思维进化算法和粗糙集的图像处理方法的研究。具体内容包括：1．从进化机制出发，研究了进化算法的种群进化的特点并定义了种群适值函数，进而建立了进化的数列模型，并分析了在该模型下几种典型进化算法的收敛特性；2．研究了思维进化算法的进化机理，引入信息论中信息熵的概念，提出了基于种群进化熵的思维进化算法并在进化计算的统一框架下，证明了该算法在数列意义下是收敛的，数值优化实验表明该算法具有良好的性能；3．研究了粗糙集理论的可分辨矩阵，提出了基于位编码可分辨矩阵规则获取策略，并将其成功应用于水泥窑炉运行操作的决策规则获取；4．提出了基于粗糙集理论和思维进化算法的图像分析新方法，将基于种群进化熵的思维进化算法应用于数字图像分割的最佳阈值寻优；应用粗糙集理论中决策表建立形状分类机制，并应用基于位编码可分辨矩阵的规则获取算法，提取决策规则；将上述方法综合应用于染色体畸变分析系统的设计中。本文的创新性成果包括：（1）建立了进化计算方法的数列模型。把复杂的随机过程映射成为种群适值序列，从该序列的性质来分析种群的进化过程，从而便于用数学方法分析种群的进化过程，为进化计算理论研究提供了一种新方法；（2）应用数列模型分析了几种典型进化算法的收敛性。给出了基于种群适值链的进化算法的收敛条件，使用区间套等定理证明了进化计算方法的全收敛性；（3）提出了基于种群进化熵的思维进化算法。将信息论中信息熵的思想引入思维进化算法的进化操作设计，改进了思维进化算法的趋同操作，算法可根据种群进化信息估计种群进化熵，实现搜索区域自适应调整，提高了搜索效率；（4）提出了基于位编码可分辨矩阵的规则获取策略。首先分析了可分辨矩阵求取属性值约简的可能性及合理性，进而提出了基于位编码可分辨矩阵规则获取算法。该算法以位编码可分辨矩阵为基础，实现属性和属性值约简，并将其应用于水泥窑炉运行操作的决策规则约简；（5）将基于种群进化熵的思维进化算法和粗糙集理论分别应用于图像处理的图像分割和形状分类中。设计了基于思维进化算法与粗糙集理论的染色体畸变分析系统。
二、模拟进化计算理论及其应用（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、模拟进化计算理论及其应用（论文提纲范文）
（1）基于电信息注入孤立半导体激光器的储备池计算系统性能优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的研究背景 |
| 1.2 延时型储备池计算的研究进展 |
| 1.3 基于孤立半导体激光器的储备池计算的研究进展 |
| 1.4 储备池计算的应用 |
| 1.5 论文的主要研究内容和结构安排 |
| 第2章 基于电信息注入孤立半导体激光器的储备池计算理论基础 |
| 2.1 半导体激光器的相关理论 |
| 2.1.1 自由运行SL的输出特性 |
| 2.1.2 电流调制SL的速率方程 |
| 2.2 储备池计算相关理论 |
| 2.2.1 人工神经网络 |
| 2.2.2 传统储备池计算 |
| 2.2.3 延时型储备池计算 |
| 2.2.4 基于孤立半导体激光器的储备池计算系统 |
| 2.3 本章小结 |
| 第3章 基于电信息注入下孤立半导体激光器的储备池计算系统性能优化 |
| 3.1 引言 |
| 3.2 系统结构 |
| 3.3 结果与讨论 |
| 3.3.1 记忆能力 |
| 3.3.2 Santa Fe时间序列预测任务 |
| 3.3.3 非线性信道均衡任务 |
| 3.4 本章小结 |
| 第4章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
（2）生物启发计算研究现状与发展趋势（论文提纲范文）
| 1 引言 |
| 2 生物启发计算理论基础与研究现状 |
| 2.1 生物启发计算的理论起源 |
| 2.1.1 生物进化论 |
| 2.1.2 共生与协同进化论 |
| 2.1.3 复杂适应系统理论 |
| 2.2 生物启发计算研究现状 |
| 2.2.1 现有生物启发计算算法 |
| 2.2.2 生物启发计算研究现状 |
| 3 生物启发计算的统一框架模型 |
| 3.1 生物启发计算统一框架模型层次结构 |
| 3.2 个体—群体—群落模式的形式化描述 |
| (1)Individual:模型中的个体集合. |
| (2)Population:模型中种群集合. |
| (3)Colony:模型中群落集合. |
| (4)Environment:生物觅食环境. |
| (5)Topolog yk:模型的拓扑结构. |
| (6)Coevolution:进化规则. |
| 4 生物启发计算的应用现状 |
| 4.1 传统优化算法vs.生物启发优化算法 |
| 4.2 生物启发计算应用情况分类 |
| 4.3 生物启发计算最优化应用现状 |
| 4.3.1 最优设计 |
| 4.3.2 最优分析 |
| 4.3.3 最优控制 |
| 5 生物启发计算理论基础研究展望 |
| 5.1 有关生物启发计算的有效性研究 |
| 5.2 有关生物启发计算的收敛性研究 |
| 5.3 有关生物启发计算方法的评价标准 |
| 5.4 生物启发计算的算法设计研究展望 |
| 5.4.1 并行生物启发计算 |
| 5.4.2 有学习推理,知识学习的生物启发计算 |
| 5.4.3 生物动力学启发计算 |
| 5.4.4 微生物群体感应控制机制及启发算法 |
| 6 有关生物启发式计算应用研究展望 |
| 6.1 人工大脑 |
| 6.2 进化硬件 |
| 6.3 大数据 |
| 6.4 群集机器人 |
| 6.5 进化仿真 |
| 6.6 云计算 |
| 7 结论 |
（3）协同进化计算及其在多智能体中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 进化计算理论 |
| 1.1.1 遗传算法 |
| 1.1.2 进化规划 |
| 1.1.3 进化策略 |
| 1.2 协同进化理论介绍 |
| 1.3 课题研究的内容和意义 |
| 1.4 论文的组织结构 |
| 第二章 协同进化计算理论及多智能体理论 |
| 2.1 协同进化计算理论与模型 |
| 2.1.1 协同进化计算理论 |
| 2.1.2 协同进化算法的模型 |
| 2.2 协同进化算法的应用前景 |
| 2.3 多智能体系统理论 |
| 2.3.1 智能体及多智能体系统 |
| 2.3.2 多智能体系统研究的主要内容 |
| 2.3.3 多智能体系统的研究现状 |
| 2.4 协同进化理论在多智能体系统中的应用 |
| 2.5 本章小结 |
| 第三章 基于远缘杂交的精英进化算法研究 |
| 3.1 普通进化算法存在的问题 |
| 3.2 遗传算法的缺点及改进 |
| 3.3 基于远缘杂交的精英进化算法 |
| 3.3.1 基于远缘杂交的精英进化机制 |
| 3.3.2 基于远缘杂交的精英进化算法描述 |
| 3.4 算法收敛性验证 |
| 3.5 仿真实验及结果分析 |
| 3.5.1 TSP问题描述 |
| 3.5.2 求解TSP问题的远缘杂交精英进化算法 |
| 3.5.3 实验结果分析 |
| 3.6 本章小结 |
| 第四章 基于反馈的多适应度协同进化算法研究 |
| 4.1 传统协同进化算法的局限性 |
| 4.2 基于反馈的协同进化算法原理 |
| 4.3 基于共享反馈的协同进化算法 |
| 4.4 算法收敛性分析和验证 |
| 4.4.1 算法收敛性证明 |
| 4.4.2 算法收敛到最优解验证试验 |
| 4.5 仿真实验及结果分析 |
| 4.5.1 围捕问题 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 致谢 |
（4）基于模拟进化计算的高密度WSN网络分簇覆盖控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要工作 |
| 1.4 论文的结构安排 |
| 第二章 基于模拟进化计算的高密度WSN网络分簇算法及模型分析 |
| 2.1 引言 |
| 2.2 无线传感器网络的应用场景分析 |
| 2.3 影响无线传感网分簇算法效能的因素 |
| 2.4 高密度无线传感网分簇算法研究 |
| 2.4.1 适用于节点数量较大的并行免疫遗传算法 |
| 2.4.2 适用于节点数量较少的自适应遗传算法 |
| 2.5 分簇模型及问题描述 |
| 2.5.1 网络模型 |
| 2.5.2 能量模型 |
| 2.5.3 数学模型 |
| 2.5.4 问题描述及符号定义 |
| 2.6 适应度函数的构造 |
| 2.7 本章小结 |
| 第三章 基于PIGA的高密度传感器网络分簇研究 |
| 3.1 算法流程 |
| 3.1.1 初始抗体的产生 |
| 3.1.2 初始抗体的编码 |
| 3.1.3 亲和度计算 |
| 3.1.4 记忆单元的更新 |
| 3.1.5 抗体的选择、交叉和变异 |
| 3.1.6 迭代终止条件 |
| 3.2 簇状网逻辑拓扑优化结果与结论 |
| 3.2.1 簇头数对网络能耗影响的研究 |
| 3.2.2 节点通信半径对网络能耗影响的研究 |
| 3.2.3 PIGA对高密度无线传感网分簇优化结果 |
| 3.3 本章小结 |
| 第四章 基于AGA的高密度传感器网络分簇研究 |
| 4.1 自适应遗传算法求解步骤 |
| 4.1.1 自适应遗传算法求解流程图 |
| 4.1.2 个体编码及初始种群的生成 |
| 4.1.3 选择、交叉和变异运算 |
| 4.2 仿真结果与结论 |
| 4.2.1 簇头数对网络能耗影响的研究 |
| 4.2.2 节点通信半径对网络能耗影响的研究 |
| 4.2.3 自适应遗传算法与传统遗传算法的仿真对比 |
| 4.3 本章小结 |
| 第五章 总结和展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
（5）高混凝土面板堆石坝反分析与面板温度应力研究（论文提纲范文）
| 本文的主要创新点 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景 |
| 1.2 国内外研究现状 |
| 1.2.1 位移反分析的研究 |
| 1.2.2 混凝土面板温度应力研究 |
| 1.2.3 存在的问题及不足 |
| 1.3 论文的主要内容 |
| 第2章 堆石体及堆石坝主要结构数值计算模型 |
| 2.1 堆石体本构模型 |
| 2.1.1 邓肯-张模型 |
| 2.1.2 清华K-G模型 |
| 2.1.3 “南水”双屈服面模型 |
| 2.2 面板与堆石体的接触面模型 |
| 2.2.1 无厚度Goodman单元 |
| 2.2.2 有厚度的薄层单元 |
| 2.3 面板的接缝模型 |
| 2.4 混凝土本构模型 |
| 第3章 堆石坝智能位移反分析方法 |
| 3.1 概述 |
| 3.2 智能位移反演分析的基本理论及方法 |
| 3.2.1 反分析法的概念及分类 |
| 3.2.2 位移直接反分析法 |
| 3.2.3 智能位移反分析的常用方法 |
| 3.3 位移反分析问题中的智能优化算法 |
| 3.3.1 智能算法的基本原理及模型 |
| 3.4 基于微粒群-遗传神经网络算法的反分析模型 |
| 3.4.1 面板堆石坝的有限元分析 |
| 3.4.2 遗传神经网络在位移反分析中的应用 |
| 3.4.3 算法流程 |
| 3.5 本章小结 |
| 第4章 混凝土面板温度应力计算方法研究 |
| 4.1 混凝土中的热湿传导 |
| 4.1.1 混凝土中的热湿耦合迁移方程 |
| 4.1.2 混凝土热湿耦合迁移方程中的参数 |
| 4.2 混凝土面板温度应力数值计算原理 |
| 4.2.1 温度场数值计算 |
| 4.2.2 温度应力数值计算 |
| 第5章 水布垭混凝土面板堆石坝位移反分析及面板温度应力计算 |
| 5.1 工程概况 |
| 5.2 水布垭面板堆石坝智能位移反分析 |
| 5.2.1 本构模型的确定 |
| 5.2.2 反演分析样本的输入参数设计 |
| 5.2.3 反演分析样本的输出测点选取 |
| 5.2.4 样本的输出值的有限元计算 |
| 5.2.5 遗传神经网络的训练 |
| 5.2.6 遗传神经网络的测试 |
| 5.2.7 微粒群算法优化搜索 |
| 5.2.8 反演参数计算值与实测值的比较 |
| 5.3 水布垭堆石坝混凝土面板温度应力研究 |
| 5.3.1 计算条件 |
| 5.3.2 面板一月上旬浇筑的温度场及应力分析 |
| 5.3.3 面板四月下旬浇筑的温度场及应力分析 |
| 5.3.4 无保温板与有保温板情况下面板遭遇冷击温度场与温度应力 |
| 5.4 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 攻博期间科研成果 |
| 致谢 |
（6）基于计算智能的计算机视觉及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 研究内容和意义 |
| 1.1.2 智能、视觉与计算三者关系 |
| 1.2 相关领域研究现状 |
| 1.2.1 演化计算与人工神经网络的研究现状 |
| 1.2.2 模式识别领域的研究现状 |
| 1.2.3 钢坯板表面质量检测领域的研究现状 |
| 1.2.4 相关领域的研究现状小结 |
| 1.3 论文的主要工作及章节安排 |
| 1.3.1 课题来源 |
| 1.3.2 论文的研究内容 |
| 1.3.3 论文的章节安排 |
| 第2章 视觉的生物学证据 |
| 2.1 引言 |
| 2.2 生物视觉的启发 |
| 2.2.1 视觉与智能的同源性 |
| 2.2.2 演化机制 |
| 2.2.3 并行处理机制 |
| 2.2.4 自适应机制 |
| 2.2.5 层次处理机制 |
| 2.2.6 竞争机制 |
| 2.3 本章小结 |
| 第3章 演化计算基本理论 |
| 3.1 引言 |
| 3.2 经典可计算性理论 |
| 3.2.1 图灵机与可判断性 |
| 3.2.2 停机问题 |
| 3.3 计算及演化计算 |
| 3.4 演化计算运动学模型 |
| 3.4.1 演化状态自动机模型 |
| 3.4.2 演化状态自动机的表达能力 |
| 3.5 演化计算动力学模型 |
| 3.5.1 图灵机模型的缺陷 |
| 3.5.2 演化计算模式 |
| 3.5.3 演化图灵自动机模型 |
| 3.6 本章小结 |
| 第4章 基于演化计算的模式识别 |
| 4.1 引言 |
| 4.1.1 模式与模式识别 |
| 4.1.2 模式识别的基本方法 |
| 4.2 统计模式识别 |
| 4.2.1 统计模式识别系统构成 |
| 4.2.2 支持向量机 |
| 4.2.3 贝叶斯分类方法 |
| 4.3 基于演化计算的统计模式识别 |
| 4.3.1 基本思想 |
| 4.3.2 实例研究 |
| 4.4 结构模式识别 |
| 4.4.1 结构模式识别系统组成 |
| 4.4.2 基元的选择与提取 |
| 4.4.3 有限状态自动机识别文法 |
| 4.5 基于演化计算的结构模式识别 |
| 4.5.1 基本思想 |
| 4.5.2 实例研究 |
| 4.6 演化模式及演化模式识别 |
| 4.7 本章小结 |
| 第5章 基于演化计算的视觉感知 |
| 5.1 引言 |
| 5.1.1 研究意义 |
| 5.1.2 研究现状 |
| 5.2 主成分分析 |
| 5.2.1 经典PCA 方法的基本思想 |
| 5.2.2 实验及分析 |
| 5.2.3 基于演化计算的PCA 改进算法 |
| 5.2.4 基于演化计算的多目标分类 |
| 5.3 层次并行演化视觉计算模型 |
| 5.3.1 输入数据选择性假设 |
| 5.3.2 改进稀疏编码研究 |
| 5.4 基于演化计算的流形学习研究 |
| 5.4.1 流形学习 |
| 5.4.2 基于演化计算的流形学习 |
| 5.5 本章小结 |
| 第6章 钢坯板表面缺陷检测 |
| 6.1 引言 |
| 6.2 并行计算技术 |
| 6.2.1 并行的意义 |
| 6.2.2 GPU 技术 |
| 6.2.3 CUDA 并行编程 |
| 6.3 视觉仿真平台研究 |
| 6.3.1 视觉仿真实验平台 |
| 6.3.2 场景和目标描述 |
| 6.3.3 三维目标建模 |
| 6.3.4 视频合成与效果处理 |
| 6.4 基于演化计算的钢坯板缺陷检测 |
| 6.4.1 表面缺陷检测系统框架 |
| 6.4.2 基于演化计算的特征选取 |
| 6.4.3 基于并行算法的缺陷初检 |
| 6.4.4 基于演化计算的缺陷识别 |
| 6.4.5 实验及分析 |
| 6.5 基于互信息熵的钢坯板速度检测 |
| 6.5.1 钢坯板视频的互信息熵 |
| 6.5.2 互信息熵计算 |
| 6.5.3 基于互信息熵的钢坯板速度计算 |
| 6.5.4 实验与讨论 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间研究成果 |
（7）信用评估与信用卡欺诈侦测的智能决策系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究思路与框架 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.3.4 论文结构 |
| 1.4 拟解决的关键问题与创新期望 |
| 1.4.1 拟解决的关键问题 |
| 1.4.2 研究的创新期望 |
| 第二章 信用卡风险管理 |
| 2.1 信用卡基本概念 |
| 2.1.1 信用卡及其分类 |
| 2.1.2 信用卡的特征与功能 |
| 2.2 信用卡风险 |
| 2.2.1 金融风险与信用卡风险 |
| 2.2.2 信用卡风险种类 |
| 2.2.3 信用卡风险成因 |
| 2.3 信用卡风险控制 |
| 本章小结 |
| 第三章 个人信用评分方法的比较分析 |
| 3.1 基于统计学理论的方法 |
| 3.1.1 判别分析 |
| 3.1.2 回归分析法 |
| 3.1.3 Probit 方法 |
| 3.1.4 分类树法 |
| 3.2 基于人工智能的方法 |
| 3.2.1 数据挖掘方法 |
| 3.2.2 人工神经网络方法 |
| 3.2.3 专家系统 |
| 3.2.4 进化计算方法 |
| 3.3 其它方法 |
| 3.4 个人信用评分方法的比较分析 |
| 3.5 评分模型改进的基本思想 |
| 本章小结 |
| 第四章 智能计算理论基础 |
| 4.1 人工神经网络 |
| 4.1.1 人工神经元模型 |
| 4.1.2 人工神经网络的结构 |
| 4.1.3 神经网络的特点 |
| 4.1.4 神经网络的学习方式 |
| 4.1.5 中间层及中间层节点数目的确定 |
| 4.2 模糊逻辑 |
| 4.2.1 模糊集合与模糊逻辑的基本概念 |
| 4.2.2 模糊逻辑系统的分类 |
| 4.3 粗糙集 |
| 4.3.1 知识与知识的表示 |
| 4.3.2 粗糙集相关概念 |
| 4.3.3 知识约简 |
| 4.3.4 决策规则 |
| 4.4 模因算法 |
| 4.4.1 模因算法原理 |
| 4.4.2 模因算法结构 |
| 4.4.3 模因算法特点 |
| 4.4.4 模因算法应用 |
| 本章小结 |
| 第五章 模因进化型模糊神经网络(M-FNN)模型研究 |
| 5.1 智能计算技术的特性分析 |
| 5.2 智能计算的集成研究 |
| 5.2.1 模糊逻辑与人工神经网络的集成 |
| 5.2.2 粗糙集与人工神经网络的集成 |
| 5.2.3 模因算法与人工神经网络的集成 |
| 5.3 M-FNN 模型 |
| 5.3.1 综合智能信处处理系统构建原则 |
| 5.3.2 模糊神经网络结构与算法分析 |
| 5.3.3 粗糙前置处理的M-FNN 结构设计 |
| 5.4 基于改进模因算法的模型训练 |
| 5.4.1 基本粒子群算法（PSO） |
| 5.4.2 提出的算法 |
| 5.4.3 LS 策略 |
| 5.4.4 模型的训练 |
| 本章小结 |
| 第六章 基于M-FNN 的个人信用评分模型及其应用分析 |
| 6.1 个人信用评分机制 |
| 6.2 M-FNN 个人信用评分模型可行性 |
| 6.3 评估指标选择 |
| 6.3.1 指标选择的原则 |
| 6.3.2 评估指标体系 |
| 6.4 数据采集与处理 |
| 6.4.1 样本数据来源 |
| 6.4.2 样本数据处理 |
| 6.4.3 指标体系的建立与约简 |
| 6.5 基于样本的个人信用评分模型设计 |
| 6.5.1 基于逻辑回归的个人信用评分模型 |
| 6.5.2 基于BP 神经网络的个人信用评分模型 |
| 6.5.3 基于模糊神经网络的个人信用评分模型 |
| 6.5.4 基于M-FNN 的个人信用评分模型 |
| 6.6 仿真实验及结果分析 |
| 6.6.1 仿真实验 |
| 6.6.2 结果分析 |
| 6.6.3 初步结论 |
| 本章小结 |
| 第七章 信用卡欺诈侦测模型研究 |
| 7.1 信用卡欺诈侦测机理 |
| 7.1.1 信用卡欺诈的特点 |
| 7.1.2 信用卡欺诈的分类 |
| 7.1.3 信用卡欺诈侦测识别 |
| 7.2 欺诈侦测的专家系统 |
| 7.2.1 系统的组成 |
| 7.2.2 专家规则 |
| 7.2.3 应用分析 |
| 7.3 欺诈侦测的模因算法模型 |
| 7.3.1 模因算法应用于防欺诈的可行性 |
| 7.3.2 建立模因算法模型 |
| 7.3.3 全局搜索策略 |
| 7.3.4 局部搜索策略 |
| 7.3.5 算法的流程 |
| 7.3.6 应用分析 |
| 7.4 信用卡欺诈侦测的智能决策系统 |
| 7.4.1 系统拓扑结构 |
| 7.4.2 系统的主要功能模块 |
| 7.4.3 应用分析 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（8）基于软计算融合的城市道路交通资源选址研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 城市道路交通资源 |
| 1.2 论文的选题背景及研究意义 |
| 1.3 道路交通资源选址在国内外的研究概况 |
| 1.4 软计算理论概述 |
| 1.4.1 软计算研究方法及其发展 |
| 1.4.2 软计算作为道路交通资源选址研究方法的优点 |
| 1.5 论文的结构和主要研究内容 |
| 1.6 论文主要贡献与创新点 |
| 2 软计算方法及其融合集成研究 |
| 2.1 几种主要软计算方法及重要算法 |
| 2.1.1 模糊逻辑(FL) |
| 2.1.2 人工神经网络(ANN) |
| 2.1.3 进化计算(EC) |
| 2.1.4 粗糙集(RS) |
| 2.2 软计算主要研究方法的优缺点 |
| 2.3 软计算方法融合集成的哲学基础 |
| 2.4 软计算方法融合集成的方法学基础 |
| 2.5 软计算方法融合集成的原则 |
| 2.6 软计算方法融合集成的形式 |
| 2.7 研究论题的软计算方法融合集成技术路线 |
| 2.8 小结 |
| 3 改进GA-NFS模型及其在快速公交线路选址中的规则提取研究 |
| 3.1 神经模糊系统模型 |
| 3.1.1 模糊逻辑与神经网络的集成 |
| 3.1.2 基于BP神经网络的Mamdani模糊推理系统 |
| 3.2 神经模糊系统的学习算法 |
| 3.3 改进的神经模糊系统 |
| 3.3.1 文献NFS模型研究 |
| 3.3.2 GA改进的NFS模型实现 |
| 3.3.3 GA+FNN融合集成算法步骤 |
| 3.4 实例仿真 |
| 3.4.1 样本及数据 |
| 3.4.2 试验各种参数选择和结果 |
| 3.4.3 模糊规则提取 |
| 3.5 小结 |
| 4 基于GA-GNN预测算法模型的城市公交换乘枢纽选址研究 |
| 4.1 公交换乘枢纽选址因素分析及选址步骤 |
| 4.1.1 影响公交换乘枢纽换乘量的因素 |
| 4.1.2 基于换乘量预测的选址步骤 |
| 4.2 灰色神经网络 |
| 4.2.1 灰色模型理论 |
| 4.2.2 灰色神经网络 |
| 4.3 公交换乘枢纽换乘量预测模型 |
| 4.3.1 模型参数变量确定 |
| 4.3.2 模型假设 |
| 4.3.3 模型变量数据集的建立 |
| 4.3.4 换乘需求流量预测的求解模型建立 |
| 4.4 GA优化的灰色神经网络参数求解 |
| 4.5 实例仿真研究 |
| 4.5.1 实验数据 |
| 4.5.2 实验方法和步骤 |
| 4.5.3 结果对比分析 |
| 4.6 小结 |
| 5 GA-BP多重优化的建模变量筛选模型在轨道交通干线选址中的研究 |
| 5.1 轨道交通干线选址因素筛选的意义及作用 |
| 5.2 轨道交通干线选址中多因素筛选的模型建立 |
| 5.2.1 影响轨道交通干线选址因素的分析方法 |
| 5.2.2 轨道交通干线选址建模参数确定 |
| 5.3 多重GA-BP优化的轨道交通干线选址多因素筛选问题求解 |
| 5.3.1 模型建立 |
| 5.3.2 算法步骤流程 |
| 5.3.3 模型相关设计 |
| 5.4 实例仿真研究 |
| 5.4.1 样本及数据 |
| 5.4.2 仿真实验的各种参数选择 |
| 5.4.3 仿真结果 |
| 5.4.4 实际选址问题研究 |
| 5.5 小结 |
| 6 基于GIS-FRSAR模型的城区立体停车库选址决策研究 |
| 6.1 研究意义及国内外的研究状况 |
| 6.1.1 研究意义 |
| 6.1.2 国内外的研究状况 |
| 6.2 GIS与MIBAFRAR方法相结合的立体停车库选址决策模型 |
| 6.2.1 模型的建立 |
| 6.2.2 停车设施选址属性信息提取 |
| 6.3 互信息的模糊粗糙集属性约简算法 |
| 6.4 实例研究 |
| 6.4.1 研究对象 |
| 6.4.2 AFRARBMI计算分析 |
| 6.4.3 结果对比与评价分析 |
| 6.5 小结 |
| 7 针对我国城市道路交通资源选址的建议 |
| 7.1 道路交通资源选址应与城市未来发展布局相统一 |
| 7.2 道路交通资源选址应避免对原有道路交通的负面冲击 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录A 部分数据和仿真计算程序 |
| A1 部分数据 |
| A1.1 第3章的原始数据 |
| A1.2 第5章中的数据表 |
| A1.3 第6章中的数据 |
| A2 部分仿真程序及说明 |
| A2.1 总体说明 |
| A2.2 第3章仿真程序 |
| A2.3 第4章仿真程序 |
| A2.4 第5章仿真程序 |
| A2.5 第6章仿真应用平台说明 |
| 攻读学位期间的研究成果 |
（9）自然计算理论及其在系统辨识中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 自然计算概念提出的背景 |
| 1.2 模糊优化研究进展及现状 |
| 1.3 遗传算法研究进展及现状 |
| 1.4 基于遗传算法的模糊优化在系统辨识中的应用 |
| 1.5 论文的研究工作及组织结构 |
| 1.5.1 论文的研究内容 |
| 1.5.2 论文的组织结构 |
| 第2章 自然计算理念求证 |
| 2.1 自然计算产生背景 |
| 2.1.1 生物系统 |
| 2.1.2 生态系统 |
| 2.2 自然计算相关概念 |
| 2.2.1 基本概念 |
| 2.2.2 主要研究领域 |
| 2.3 自然计算基本特征 |
| 2.3.1 从人工智能到自然计算 |
| 2.3.2 自然计算的新特征 |
| 2.4 自然计算算法原理 |
| 2.4.1 自然计算映射模型 |
| 2.4.2 自然计算算法 |
| 2.5 协同进化计算的自然计算理念求证 |
| 2.5.1 协同进化的生物学基础 |
| 2.5.2 协同进化的动力学描述 |
| 2.6 小结 |
| 第3章 自然启发的系统辨识 |
| 3.1 系统辨识基本性质 |
| 3.2 经典系统辨识 |
| 3.3 现代系统辨识 |
| 3.3.1 多层递阶系统辨识法 |
| 3.3.2 神经网络系统辨识法 |
| 3.3.3 遗传算法系统辨识法 |
| 3.3.4 模糊逻辑系统辨识法 |
| 3.4 基于自然计算的系统辨识 |
| 3.4.1 自然计算系统整体框架 |
| 3.4.2 自然计算系统中的辨识机制 |
| 3.5 RFG框架与NFG框架特点分析 |
| 3.6 小结 |
| 第4章 系统辨识中的模糊优化 |
| 4.1 模糊优化相关概念 |
| 4.2 传统模糊优化问题 |
| 4.2.1 模糊优化模型的演化 |
| 4.2.2 模糊建模与模糊优化 |
| 4.2.3 模糊优化问题的一般形式和分类 |
| 4.2.4 模糊优化方法的基本框架 |
| 4.2.5 多目标模糊优化设计方法 |
| 4.3 系统辨识中的模糊优化问题 |
| 4.3.1 回归方程辨识的模糊优化模型 |
| 4.3.2 神经网络辨识的模糊优化模型 |
| 4.4 小结 |
| 第5章 模糊优化问题的遗传算法求解 |
| 5.1 基本遗传算法 |
| 5.2 基于正交设计的初始化方法 |
| 5.3 遗传参数适应性调整 |
| 5.3.1 确定性的适应性调整 |
| 5.3.2 自适应的适应性调整 |
| 5.4 沿加权梯度方向的变异及其权值的自适应调整 |
| 5.5 遗传算法的改进策略 |
| 5.6 基于遗传算法的模糊优化求解的有效性 |
| 5.6.1 模式定理 |
| 5.6.2 积木块假设 |
| 5.6.3 未成熟收敛问题及其防止 |
| 5.7 小结 |
| 第6章 基于自然计算的系统辨识实现 |
| 6.1 系统辨识的性能评估 |
| 6.2 基于RFG框架的系统辨识实现 |
| 6.2.1 问题描述 |
| 6.2.2 回归模型辨识算法设计 |
| 6.3 基于RFG框架的系统辨识应用 |
| 6.3.1 飞边尺寸设计准则建立的依据 |
| 6.3.2 飞边尺寸设计准则的结构 |
| 6.3.3 算例 |
| 6.3.4 回归模型辨识算法分析比较 |
| 6.3.5 讨论和结语 |
| 6.4 基于NFG框架的系统辨识实现 |
| 6.4.1 问题描述 |
| 6.4.2 神经网络模型辨识算法设计 |
| 6.5 基于NFG框架的系统辨识应用 |
| 6.5.1 飞边金属消耗设计准则建立的依据 |
| 6.5.2 飞边金属消耗设计准则各变量之间的关系 |
| 6.5.3 算例 |
| 6.5.4 神经网络模型辨识算法分析比较 |
| 6.5.5 讨论和结语 |
| 6.6 小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
| 附录B 攻读学位期间所参与的项目 |
（10）进化计算与粗糙集理论研究及其在图像处理中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 进化计算与思维进化算法 |
| 1.2.1 进化计算理论 |
| 1.2.1.1 进化计算理论的基本思想 |
| 1.2.1.2 进化计算的主要研究内容 |
| 1.2.1.3 进化计算的研究现状 |
| 1.2.2 思维进化算法(MEA) |
| 1.2.2.1 基本思想 |
| 1.2.2.2 研究前景 |
| 1.3 粗糙集理论 |
| 1.3.1 粗糙集基本概念 |
| 1.3.2 粗糙集研究现状 |
| 1.3.2.1 理论研究 |
| 1.3.2.2 粗糙集理论的应用研究 |
| 1.4 论文所做的主要工作及结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 本文的结构安排 |
| 本章参考文献 |
| 第2章 进化计算的数列模型及收敛性分析 |
| 2.1 引言 |
| 2.2 进化计算 |
| 2.2.1 进化计算的主要特点 |
| 2.2.1.1 智能性 |
| 2.2.1.2 本质并行性 |
| 2.2.2 进化计算的主要分支 |
| 2.2.2.1 遗传算法 |
| 2.2.2.2 遗传规划 |
| 2.2.2.3 进化策略 |
| 2.2.2.4 进化规划 |
| 2.2.3 进化算法的进化机制 |
| 2.2.4 进化算法的统一性描述 |
| 2.2.4.1 表示法 |
| 2.2.4.2 进化算子 |
| 2.2.4.3 算法描述 |
| 2.3 进化计算的种群适值链及收敛性分析 |
| 2.3.1 种群适值链 |
| 2.3.2 基于种群适值链的收敛性分析 |
| 2.3.2.1 数列及区间套定理 |
| 2.3.2.2 进化算法收敛性的定义 |
| 2.3.2.3 进化算法收敛性分析 |
| 2.3.3 仿真分析 |
| 2.4 本章小结 |
| 本章参考文献 |
| 第3章 基于种群进化熵的思维进化算法 |
| 3.1 引言 |
| 3.2 思维进化算法 |
| 3.2.1 思维进化算法的提出 |
| 3.2.2 基本概念 |
| 3.2.3 算法特点 |
| 3.2.4 算法构架 |
| 3.2.4.1 算法流程 |
| 3.2.4.2 基本原理 |
| 3.2.5 研究现状与前景 |
| 3.2.5.1 理论研究 |
| 3.2.5.2 应用研究 |
| 3.3 基于种群进化熵的思维进化算法(PEMEA) |
| 3.3.1 进化熵 |
| 3.3.2 基于种群进化熵的搜索策略 |
| 3.3.3 算法收敛性分析 |
| 3.3.3.1 PEMEA的数列模型 |
| 3.3.3.2 PEMEA的收敛性证明 |
| 3.3.4 数值优化实验 |
| 3.3.4.1 测试评估准则 |
| 3.3.4.2 测试函数 |
| 3.3.4.3 数值优化实验 |
| 3.3.4.4 PEMEA性能分析 |
| 3.4 本章小结 |
| 本章参考文献 |
| 第4章 基于位编码区别矩阵的规则提取方法研究 |
| 4.1 引言 |
| 4.2 粗糙集理论基本概念 |
| 4.2.1 知识与知识表达系统 |
| 4.2.1.1 知识 |
| 4.2.1.2 信息表 |
| 4.2.2 粗糙集合基本概念 |
| 4.2.3 知识的约简 |
| 4.2.3.1 属性约简与核 |
| 4.2.3.2 相对约简与相对核 |
| 4.2.3.3 知识的依赖性 |
| 4.2.3.4 属性的重要性 |
| 4.2.4 决策表与决策规则 |
| 4.2.4.1 决策系统 |
| 4.2.4.2 决策规则 |
| 4.2.4.3 属性约简与属性值约简 |
| 4.3 基于位编码区别矩阵的规则获取的算法 |
| 4.3.1 区别矩阵与决策表属性约简 |
| 4.3.2 区别矩阵与决策表属性值约简 |
| 4.3.3 基于位编码区别矩阵的决策表约简 |
| 4.3.3.1 位编码区别矩阵 |
| 4.3.3.2 规则提取算法 |
| 4.3.3.3 算法复杂度分析 |
| 4.3.3.4 实例分析 |
| 4.4 本章小结 |
| 本章参考文献 |
| 第5章 PEMEA与粗糙集理论在图像处理中的应用 |
| 5.1 引言 |
| 5.2 基于思维进化算法的数字图像分割方法研究 |
| 5.2.1 图像分割概述 |
| 5.2.1.1 基于区域的分割方法 |
| 5.2.1.2 基于边界的分割方法 |
| 5.2.2 基于思维进化算法的图像分割方法 |
| 5.2.2.1 设计思想 |
| 5.2.2.2 算法实现 |
| 5.2.3 仿真实验 |
| 5.3 基于粗糙集理论的形状分析方法 |
| 5.3.1 形状分析概述 |
| 5.3.1.1 形状分析的主要内容 |
| 5.3.1.2 形状特征的描述 |
| 5.3.2 基于粗糙集理论的形状分析方法 |
| 5.3.2.1 设计思想 |
| 5.3.2.2 形状分析决策系统 |
| 5.3.2.3 规则提取 |
| 5.3.3 仿真实验 |
| 5.4 染色体畸变分析系统设计 |
| 5.4.1 染色体及核型 |
| 5.4.2 染色体畸变分析系统 |
| 5.4.2.1 系统设计及仿真 |
| 5.4.2.2 系统性能分析 |
| 5.5 本章小结 |
| 本章参考文献 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 攻读博士学位期间已发表和录用的学术论文 |
| 科研项目 |
四、模拟进化计算理论及其应用（论文参考文献）
- [1]基于电信息注入孤立半导体激光器的储备池计算系统性能优化[D]. 曾清清. 西南大学, 2021(01)
- [2]生物启发计算研究现状与发展趋势[J]. 朱云龙,申海,陈瀚宁,吕赐兴,张丁一. 信息与控制, 2016(05)
- [3]协同进化计算及其在多智能体中的应用[D]. 周飞. 南京邮电大学, 2013(05)
- [4]基于模拟进化计算的高密度WSN网络分簇覆盖控制研究[D]. 张立佳. 北京邮电大学, 2013(11)
- [5]高混凝土面板堆石坝反分析与面板温度应力研究[D]. 罗丹. 武汉大学, 2012(06)
- [6]基于计算智能的计算机视觉及其应用研究[D]. 刘钊. 武汉科技大学, 2011(06)
- [7]信用评估与信用卡欺诈侦测的智能决策系统研究[D]. 李睿. 华南理工大学, 2011(12)
- [8]基于软计算融合的城市道路交通资源选址研究[D]. 汤旻安. 兰州交通大学, 2011(05)
- [9]自然计算理论及其在系统辨识中的应用研究[D]. 谭建豪. 湖南大学, 2010(12)
- [10]进化计算与粗糙集理论研究及其在图像处理中的应用[D]. 邱玉霞. 太原理工大学, 2007(05)