一、浮点数编码的遗传算法在系统辨识中的应用（论文文献综述）
李红霞[1]（2021）在《基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究》文中研究指明随着我国主要电网互联和混连受端电网进程推进,新能源和电力电子元件的增加,不同地区负荷需求及特征也呈现出较大的差异性、随机性和分散性。负荷相对落后于发电机和输电网络的建模工作,影响了整个电力系统模型计算的精度,因此面对时变的结构参数以及复杂的电力系统负荷进行建模,并根据实时动态数据进行在线参数辨识具有一定迫切性。针对电力系统新特征,本文应用到广域测量系统提供的实时运行的小扰动数据,以综合负荷模型为研究对象,基于自适应卡尔曼滤波算法在线辨识负荷参数,并利用遗传算法获取更加准确的系统噪声估计协方差矩阵,为电力系统的运行分析提供有效的参数辨识结果,提高对电网负荷的监视能力。负荷参数在线辨识方面,针对传统负荷建模方法在数据获取、辨识精度和在线辨识上受到限制的问题,提出基于广域测量系统量测技术的自适应卡尔曼滤波在线负荷参数辨识算法。首先考虑负荷模型的组成,建立并线性化综合负荷模型,基于同步相量测量单元在线实时测量的小扰动数据,提出了数据预处理方式,并对比传统卡尔曼滤波算法和改进的Sage-Husa自适应卡尔曼滤波算法两种技术路线,运用预报误差法解决辨识问题。系统噪声优化方面,提出一种基于遗传算法优化的自适应卡尔曼滤波算法,首先针对遗传算法的交叉、遗传和选择进行自适应调整,避免易陷入早熟致使收敛到局部最优解的缺陷,然后采用改进的遗传算法离线确定系统噪声协方差矩阵,以提高自适应卡尔曼滤波在线辨识负荷参数的计算效率和准确性,最后应用传统KF、AKF和本算法优化后的AKF辨识参数并对比有功功率和无功功率的拟合度,验证遗传算法优化的有效性。本文所提出的基于改进的自适应卡尔曼滤波的负荷参数在线辨识方法和优化模型参数的改进遗传算法经过浙江省电网的变电站实时运行数据验证,算例结果表明,本文提出的在线辨识算法,具有较好的适用性和较高的准确性。
毛世聪[2]（2020）在《基于T-S模型的舰船蒸汽动力装置机炉协调控制研究》文中提出由于蒸汽动力装置结构和热工动态过程复杂,机炉协调系统具有强非线性、大时延、多变量耦合和多约束等特点。随着近些年舰船自动化水平的不断发展,对机炉协调系统的控制性能要求越来越高,当前借助机理建模和传统控制策略往往无法取得令人满意的效果。本文在分析机炉协调控制系统动态特性、多模型建模方法和预测控制策略的基础上,对其数学模型和控制器设计展开研究,完成的主要工作有:（1）分析机炉协调控制系统组成、分类和特点,根据控制层次将其分成主控制系统、局部控制系统和负荷控制对象三部分,按照工作方式分为炉跟机和机跟炉两种类别,基于运行环境总结系统特点,并简单介绍实际机炉控制系统;（2）分别从输入变量选择、输入空间划分、前件参数辨识和后件参数辨识四个方面论述T-S模糊多模型建模方法基本原理,针对T-S模糊建模方法聚类数提高的同时计算负担会急剧增加的问题,提出采用改进遗传算法优化前件参数,并以Box-Jenkins煤气炉为研究对象,在MATLAB/Simulink中对所建模型进行仿真实验,通过对比改进前后两种模型的输出均方误差,验证了改进建模方法在改善模型精度上的有效性;（3）研究改进T-S模糊建模方法在机炉协调中的应用,首先以Bell-Astrom系统为对象,经多次改进调试,确定输入变量阶次选择与遗传算法部分参数调整方法,并对所建模型开展仿真实验,验证该建模方法在机炉系统中的可行性。再以实际机组试验数据为基础,结合Bell-Astrom系统建模的方法和经验,在MATLAB/Simulink中建立实际机组T-S模糊模型,计算比较不同建模方式下螺旋桨转速、输出功率和主蒸汽压力仿真输出的均方误差,验证模型精度;（4）由多变量广义预测控制算法基本原理,制定多模型预测控制加权策略,将T-S模糊模型和预测控制算法结合,参考Bell-Astrom系统预测控制器设计方法,完成实际机组多模型广义预测控制器设计,并进行阶跃扰动和变工况仿真试验,通过计算试验中目标输出的调节时间等参数,验证预测控制算法在船用机炉系统中的效果。上述研究结果表明:本文所提出的改进T-S模糊建模方法能有效提高建模效率、改善建模精度,基于该模型所搭建的多变量广义预测控制器能实现快速稳定的控制,提升蒸汽动力装置整体性能。
肖夏[3]（2019）在《基于改进遗传算法的云计算任务调度算法的研究和实现》文中指出在云计算中,任务调度算法是服务供应商降低运行成本,提高服务质量的关键因素之一。如何使用调度算法高效地分配计算资源,使完成所有任务的时间最少,成本最低,是云计算研究中的一个重要问题。目前大多数利用改进的遗传算法来进行云计算任务调度的改进方式虽然有效,但是仍然有很大的改进空间,能够更进一步地提升云计算任务调度的效率。所以本文通过对遗传算法的进一步改进,在如何提高云计算任务调度的效率,缩短任务完成时间,降低成本等方面进行了研究。本文针对遗传算法具体的改进如下:1.遗传算法的二进制编码存在着连续函数离散化时的映射误差,尤其是当个体染色体编码长度较短时,可能会达不到相应的精度要求;而当个体染色体编码过长时,会使得算法的搜索空间急剧增加,使整个遗传算法的性能降低。针对二进制编码方式的这个不足,本文提出了两种编码方式混合使用的方法,既在二进制编码染色体最优长度范围内使用二进制编码,超出范围则使用浮点数编码的方式。2.由于自适应遗传算法在进化初期,交叉和变异概率过低,容易导致算法陷入局部最优。针对这个不足,通过在交叉概率中增加一个与进化代数相关的参数kn,降低了算法陷入局部最优的概率。将改进的遗传算法对云计算的任务调度进行了优化,并进行了对比实验。实验结果表明,改进算法在总任务完成时间上和负载均衡上优于自适应遗传算法（AGA）和简单遗传算法（SGA）。与双适应度遗传算法（DFGA）相比,尽管在任务完成总时间上略显不足,但在负载均衡上更优。
张大科[4]（2019）在《改进的自适应遗传算法的研究与应用》文中提出近年来,人工智能在全球范围内得到了迅速发展,研究成果日新月异。计算智能作为人工智能领域一个重要的研究方向,如何利用智能计算来解决复杂而繁琐的实际问题成为提高经济发展速度和国家核心竞争力的必要条件之一。遗传算法作为计算智能领域比较成熟的算法之一,在图像检索,路径规划,人工心理等等生产生活相关领域都得到了广泛应用。遗传算法是一种具有高效随机搜索性与优化并举的智能算法。与其他传统算法不同,遗传算法模拟了生物进化过程中自然选择机制。遗传算法能够克服传统算法在解决复杂问题时所面临的种种难题,能够更好的解决人们生活中的实际问题。遗传算法主要通过编码生成初始种群,然后通过优化种群的目标函数来确定适应度函数。按照适应度函数的大小来挑选种群中的个体并进行选择,交叉,变异等遗传操作。由于标准的遗传算法存在很多的局限性,Srinivas等人在此基础之上提出了参数动态变化的自适应遗产算法,并得到了广泛的应用。本文首先通过对遗传算法基本理论的详细介绍阐明了遗传算法在优化领域中的作用。针对遗传算法的不足引出自适应遗传算法相关研究,并通过线性和非线性算子的两种分类方式对其进行详细的分析与对比,总结出自适应遗传算法交叉和变异算子通过以上两种方式构造的利与弊,并对未来遗传算子构造方法的趋势进行预测。然后给出了本文交叉和变异算子的构造方法,通过对测试函数进行实验数据的统计与分析,和其他一些经典自适应遗传算法进行了对比。最后将本文构建的自适应遗传算子应用在供暖体系中供暖管道的最优值寻优之中,便于指导供暖管道的铺设。然后对实验结果进行了研究分析。通过对数据分析表明,本文所构建的算子无论是在函数优化的测试中还是在供暖体系中供暖管道的最优值寻优之中都比其他方法有所提高。
闫亮[5]（2019）在《同步发电机励磁系统参数可辨识性和辨识方法研究》文中研究表明数字仿真是电力系统运行规划与事故分析的基础。电网以安全运行为首要原则,多数情况下研究大电网的运行特性,尤其是受扰后的动态特性通常用仿真来模拟。对于发电机励磁系统而言,当模型结构确定后,其参数的准确性直接关系到仿真结果是否真实可靠。参数辨识为准确获取系统参数的有效途径,合理地选择参数辨识方法能有效提升辨识的精度和效率,但在实际工程中参数有时却不可唯一辨识。针对在有限测点下励磁系统部分参数关联导致辨识结果不稳定的情况,本文基于参数轨迹灵敏度构造矩阵,利用奇异值分解选取子列集的方法将励磁系统参数划分为关联参数集和非关联参数集。然后通过求解判别系数,将相关联的系统参数划分至几个独立的参数集,并合理地选取参数代表赋值解除参数耦合。考虑到励磁系统的非线性问题,最后采用改进遗传算法对参数进行了精确辨识。算例结果验证了本文方法的可靠性。同时可辨识性分析能够为参数辨识提供理论依据,提高辨识结果的可信度。此外,计及现场试验中的测量误差,本文利用统计学中的贝叶斯方法,通过求解联合后验概率分布来判别在量测数据中叠加噪声时参数的实际可辨识性。结合参数的先验,可有效地避免算法陷入局部最优。由于励磁系统模型较为复杂,似然函数的计算较为棘手,故引入近似贝叶斯计算的方法避开似然函数的求解,通过序贯蒙特卡洛采样得到待辨识参数的后验分布。最后经过算例分析,对比基于轨迹灵敏度的参数可辨识性判别方法,揭示了参数实际不可辨识的原因,验证了该贝叶斯方法的有效性。
向启均[6]（2018）在《改进模拟退火优化遗传算法的机器人动力学参数辨识》文中进行了进一步梳理为了满足机器人的工作速度和精度的要求,基于机器人动力学模型的控制方法被广泛采用,如何采用动力学参数辨识的方式优化机器人动力学模型是机器人动力学研究的热点问题。在动力学参数辨识算法方面,相比于最小二乘法、最大似然法、神经网络算法等,遗传算法在鲁棒性,适应性和并行性上有一定优势,在解决机器人这类非线性系统的参数辨识问题上有广阔前景,本文提出了改进模拟退火优化遗传算法对机器人动力学参数进行辨识。论文首先介绍了机器人动力学建模的几种重要方法,对动力学建模所需动力学特性参数中重要参数进行了介绍,其次对机器人动力学的几种影响因素进行了分析,根据机器人力传感器信号通过牛顿欧拉动力学递推方程辨识机器人动力学参数,并给出了辨识步骤。然后根据遗传算法和模拟退火算法进行改进、优化和融合,提出改进模拟退火优化遗传算法。改进模拟退火优化遗传算法采用浮点数编码和小区间生成初始种群;遗传操作采用分组选择,算数交叉与启发式交叉混合的自适应交叉以及自适应变异;在改进的遗传算法的遗传操作后,子代种群新个体产生机制融合了改进冷却进度表的模拟退火算法的Metropolis准则,提高了算法的效率和精度。最后通过PUMA560机器人进行仿真实验,选取各关节优化轨迹,通过改进模拟退火优化遗传算法对动力学参数进行辨识。与最小二乘法、常规遗传算法和本文提出的浮点数编码、小区间生成初始种群、改进遗传操作的单独改进遗传算法进行比较,仿真数据表明改进模拟退火优化遗传算法解决机器人参数辨识问题在优化时间、优化精度和辨识参数最大误差上相比与前三种算法具有很大优势,有更高的的优化效率和更好的优化结果。
饶尚坤[7]（2016）在《基于改进遗传算法的传感器优化布置和损伤识别研究》文中研究指明遗传算法是一种很好的优化处理工具,在土木工程领域应用十分广泛,本文在总结前人关于遗传算法的研究成果基础上提出了一种新的同时具备全局搜索能力和局部搜索能力的改进遗传算法,并将其应用到了传感器优化布置和结构损伤识别中,以下是本文的主要研究内容:（1）改进遗传算法根据双阈值遗传算法、伪并行遗传算法、自适应遗传算法和并行遗传算法的思想及特点,提出了一种综合上述四种改进遗传算法的改进策略。算法测试及应用表明,该算法加快了收敛速度,具有很高的计算效率;（2）多种编码方式的集成化借助MATLAB软件,本文采用了四种编码方式对改进遗传算法进行了编程,并将其合并为一个程序,使遗传算法具备了对不同问题的通用处理能力。（3）测点优化布置及模态实测本文运用改进的遗传算法采用两种优化布置准则对某高层钢管混凝土结构进行了传感器优化布置,并对其进行了模态测试;（4）模态识别运用两种模态识别方法对模态测试数据进行了处理,得到了结构的模态参数,并对测试后的数据再次进行了传感器优化布置;（5）损伤识别数值模拟用ANSYS对五跨连续梁和三维框架结构进行了损伤模拟研究,利用残余力向量法构造适应度函数,采用改进遗传算法对上述结构进行了损伤识别,得出了残余力向量法识别结构损伤的特点,并给出了一些使用方法上的建议。
白雪亮[8]（2012）在《基于自适应遗传算法的离心压缩机模型参数辨识》文中研究说明离心式压缩机是工业生产中的关键设备,它具有排气压力高、输送流量小的优点,在航天、能源、化工及冶金等行业中发挥着十分重要的作用。为了适应循环经济发展的需要,合理利用钢铁冶炼过程中的富余煤气,节约能源,同时减少煤气放散带来的环境污染,宝钢投产建成兼具经济效益和社会效益的燃气—蒸汽联合循环发电工程。离心压缩机为燃气轮机提供高压煤气,是整个发电工艺流程的重要设备。针对实际生产过程中离心式压缩机系统的性能分析和研究,建立压缩机系统的机理模型是主要的技术手段,而结合系统的实际运行数据确定模型中的参数是一个亟待解决的问题。本文以宝钢联合循环发电机组离心压缩机为对象,研究多级离心式压缩机模型参数辨识问题。通过分析离心压缩机的工作机理,利用压缩机对煤气做功过程中的能量守恒以及煤气质量守恒关系,建立离心压缩机的机理模型。结合现场大量实测数据,采用基于sigmoid函数的自适应遗传算法辨识机理模型中的四个非线性参数,得到离心压缩机的准确模型,并利用现场数据对所建立的模型与标准遗传算法和余弦改进型自适应遗传算法拟合效果进行了对比分析验证。仿真结果表明,基于sigmoid函数的自适应遗传算法收敛速度更快,稳定性更好,适合于处理传统搜索算法解决不好的复杂的和非线性问题,具有全局优化能力,且参数辨识后的模型输出与实际测量值的相对误差更小。模型验证结果表明,辨识后的参数能够准确反应离心式压缩机的实际工作特性,得到较高精度的模型。
王婷[9]（2011）在《单变量系统辨识方法的研究与仿真》文中研究表明精确的对象数学模型是先进控制理论应用的必要前提,是否能够得到表征系统特性的模型对优化控制起至关重要的作用。本文对系统辨识的原理方法、信号的选择等方面重点介绍,并通过仿真采集数据信息进行辨识计算。针对实际工业应用情况做了以下几个方面的工作：1、介绍系统辨识的发展情况以及现代辨识方法,描述了模型类型、建模方法以及误差准则的选取。对经典的辨识算法：最小二乘法、图解法、基于FIR模型的最小二乘法通过仿真对系统模型进行辨识得出各算法的优缺点。2、研究NLJ、粒子群优化算法（PSO）以及遗传算法（GA）在系统辨识中的应用,并针对在实际应用中,遗传算法收敛速度慢、精度较低、易陷入局部最优等缺点,通过修改参数变化范围的上限对遗传算法进行改进,能够保证算法跳出局部最优所搜到参数的无偏一致估计。在满意度的概念上利用改进的遗传算法优化控制器参数,能够得到满足要求的控制系统。3、针对实际应用过程中,控制回路不允许转换成开环形式但经典辨识算法无法直接应用于闭环辨识的情况,将粒子群算法的全局搜索能力和Rosenbrock算法的局部搜索能力结合,提出了PSO-Rosenbrock算法。该算法不需要控制器的先验知识,在闭环条件下,对任意测试信号都能获得待估对象的所有参数,不仅提高了收敛速度,缩短了辨识时间,同时极大地减小了模型辨识参数对参数初始值依赖性。4、介绍常用的多项式预测滤波、中值滤波以及三次函数替代滤波算法,均具有较强的滤波能力。但是过于平滑的或有失真的波形会减少数据提供的有效信息,降低辨识精度。通过对中值滤波数据采用取均值的方式进行滤波,能够有效地去除脉冲废值并提供更多的信息量,与单纯中值滤波相比辨识结果大幅改善。
刘博[10]（2011）在《盾构机土仓压力控制模型参数辨识方法研究》文中研究表明土压平衡（Earth Pressure Balance, EPB）式盾构机是在盾构施工中较为普遍使用的一种隧道掘进专用工程机械。随着盾构法施工在地下隧道工程中的广泛应用,地面沉降问题受到越来越多的关注,而导致地表沉降的直接因素是土仓内的土压失衡。为了解决土仓内的土压失衡问题,本文做了如下工作：利用土压平衡原理,建立了土仓压力增量与盾构机推进速度、螺旋输送机转速的排土控制的盾构土压平衡控制模型。以某地铁盾构机掘进工程为例,数值模拟了盾构机掘进过程中土仓压力的控制过程。结果表明在保持推进速度不变的情况下,通过控制螺旋输送机的转速调整土仓的压力,可控制土仓内土压力在设定的范围内,从而实现土压平衡。土仓压力控制模型中的状态方程包括渣土的变形模量、螺旋输送机的排土效率两个参数需要确定。针对控制模型中的两个参数进行辨识,采用3种辨识算法,即最小二乘法、BFGS算法、遗传算法。论文给出了土压平衡盾构机参数辨识过程的数值仿真分析,为了验证盾构机土仓压力控制模型和模型参数辨识方法的有效性,在盾构机实验平台上进行了模拟实验研究。以实验室模型试验观测的土仓压力与控制模型计算的压力值残差平方和最小作为参数估计问题的目标函数,实验时设定推进速度为常数,通过改变螺旋输送机转速调节土仓压力。通过实验对盾构机参数辨识的3种优化算法进行比较,遗传算法可以得到较准确的辨识参数,BFGS算法次之,最小二乘算法最差。遗传辨识算法能够有效的辨识出该土仓渣土的等效切线变形模量和螺旋输送机的排土效率,遗传算法的辨识结果与实验参数数据趋于一致,为盾构机土仓压力控制提供模型参数。
二、浮点数编码的遗传算法在系统辨识中的应用（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、浮点数编码的遗传算法在系统辨识中的应用（论文提纲范文）
（1）基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 负荷建模工作发展及研究现状 |
| 1.3 参数辨识工作发展及研究现状 |
| 1.4 本文工作概述 |
| 2 负荷模型及负荷参数辨识分析 |
| 2.1 负荷模型基本结构研究 |
| 2.1.1 静态负荷模型 |
| 2.1.2 动态负荷模型 |
| 2.1.3 综合负荷模型 |
| 2.2 负荷建模方法研究 |
| 2.2.1 统计综合法 |
| 2.2.2 总体测辨法 |
| 2.2.3 故障仿真法 |
| 2.3 负荷参数辨识方法分析 |
| 2.3.1 系统辨识理论 |
| 2.3.2 负荷模型参数辨识方法 |
| 2.4 数据来源与预处理技术 |
| 2.4.1 WAMS/PMU原理及数据特点分析 |
| 2.4.2 数据预处理研究 |
| 3 基于自适应卡尔曼滤波的负荷参数辨识 |
| 3.1 引言 |
| 3.2 综合负荷模型及参数介绍 |
| 3.3 自适应卡尔曼滤波算法 |
| 3.3.1 适用于负荷模型辨识的传统卡尔曼滤波方法 |
| 3.3.2 改进的Sage-Husa自适应卡尔曼滤波计算方法 |
| 3.3.3 系统噪声选定方法 |
| 3.3.4 数据处理方法 |
| 3.4 算例分析 |
| 3.5 本章小结 |
| 4 基于遗传算法优化的自适应卡尔曼滤波模型参数辨识 |
| 4.1 引言 |
| 4.2 基于遗传算法优化的AKF结构 |
| 4.3 基于遗传算法优化的AKF辨识参数的实现 |
| 4.3.1 初始化设计 |
| 4.3.2 混合无重选择算子设计 |
| 4.3.3 自适应交叉算子设计 |
| 4.3.4 高斯近似变异算子设计 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
（2）基于T-S模型的舰船蒸汽动力装置机炉协调控制研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 机炉协调控制系统国内外研究现状 |
| 1.3 T-S模糊模型研究现状 |
| 1.4 多模型预测控制应用研究现状 |
| 1.5 本文主要研究内容 |
| 第2章 协调控制系统分析 |
| 2.1 协调控制系统组成 |
| 2.1.1 主控制系统 |
| 2.1.2 局部控制系统 |
| 2.1.3 负荷控制对象 |
| 2.2 协调控制系统分类及特点 |
| 2.2.1 协调控制系统分类 |
| 2.2.2 协调控制系统特点 |
| 2.3 某型实训机炉控制系统介绍 |
| 2.4 本章小结 |
| 第3章 T-S模糊模型辨识算法改进 |
| 3.1 T-S模糊模型描述 |
| 3.2 模糊模型结构辨识 |
| 3.2.1 输入变量选择 |
| 3.2.2 输入空间模糊划分 |
| 3.3 模糊模型参数辨识 |
| 3.3.1 前件部分参数辨识 |
| 3.3.2 后件部分参数辨识 |
| 3.4 基于遗传算法的T-S模糊模型参数优化 |
| 3.4.1 遗传算法的基本原理和特点 |
| 3.4.2 基于遗传算法优化T-S模型参数 |
| 3.5 本章小结 |
| 第4章 改进T-S模糊模型下船用机炉协调系统建立 |
| 4.1 基于改进T-S模糊模型的Bell-Astrom机炉系统建模 |
| 4.1.1 Bell-Astrom模型描述 |
| 4.1.2 Bell-Astrom机炉系统建模 |
| 4.1.3 模型仿真分析 |
| 4.2 基于改进T-S模糊模型的船用机炉系统建模 |
| 4.2.1 实际数据的处理 |
| 4.2.2 船用机炉协调系统建模 |
| 4.2.3 模型仿真分析 |
| 4.3 本章小结 |
| 第5章 蒸汽动力装置机炉协调控制策略研究 |
| 5.1 多变量广义预测控制算法 |
| 5.1.1 预测控制基本原理 |
| 5.1.2 多变量广义预测控制基本算法 |
| 5.1.3 多模型预测控制加权策略 |
| 5.1.4 多变量预测控制在T-S模糊模型中的应用 |
| 5.2 Bell-Astrom机炉协调系统预测控制仿真 |
| 5.3 船用机炉协调系统预测控制仿真 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的成果和参加的科研项目 |
| 1 攻读硕士学位期间发表的论文及专利 |
| 2 攻读硕士学位期间参加的科研项目 |
（3）基于改进遗传算法的云计算任务调度算法的研究和实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云计算现状 |
| 1.2.2 云计算任务调度研究现状 |
| 第2章 云计算任务调度模型和遗传算法原理 |
| 2.1 云计算任务调度模型 |
| 2.1.1 云计算任务调度的目标 |
| 2.1.2 云计算任务调度模型 |
| 2.2 遗传算法原理 |
| 2.2.1 基因编码方式 |
| 2.2.2 适应度函数 |
| 2.2.3 选择操作 |
| 2.2.4 交叉操作 |
| 2.2.5 变异操作 |
| 2.2.6 遗传算法中的参数 |
| 2.3 本章小结 |
| 第3章 遗传算法的改进及其在云计算任务调度中的应用 |
| 3.1 遗传算法在云计算任务调度中的不足 |
| 3.2 染色体编码的改进 |
| 3.2.1 染色体编码的研究 |
| 3.2.2 对遗传算法染色体编码的改进 |
| 3.3 交叉变异概率的改进 |
| 3.3.1 基因交叉变异的研究 |
| 3.3.2 交叉和变异概率的改进 |
| 3.3.3 利用模式定理分析改进后的遗传算法 |
| 3.4 改进后的遗传算法在云计算任务调度问题上的应用 |
| 3.4.1 染色体的编码与解码 |
| 3.4.2 初始种群生成 |
| 3.4.3 适应度函数 |
| 3.4.4 遗传操作 |
| 3.5 本章小结 |
| 第4章 算法仿真实验与结果分析 |
| 4.1 CloudSim简介 |
| 4.2 使用CloudSim进行仿真实验的原因 |
| 4.3 实验环境的搭建 |
| 4.3.1 JDK的安装配置 |
| 4.3.2 Maven的安装配置 |
| 4.3.3 Eclipse的配置 |
| 4.3.4 CloudSim3.0 配置 |
| 4.4 实验目的 |
| 4.5 实验方案设计 |
| 4.6 实验参数的设定 |
| 4.7 实验结果分析 |
| 4.8 本章小结 |
| 第5章 结束语 |
| 5.1 主要工作与创新点 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（4）改进的自适应遗传算法的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 遗传算法的发展历程与研究现状 |
| 1.3 本文的研究意义及主要工作 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第二章 遗传算法基本理论 |
| 2.1 遗传算法的基本思想 |
| 2.2 遗传算法的特点 |
| 2.3 遗传算法的基本原理 |
| 2.3.1 编码 |
| 2.3.2 群体规模 |
| 2.3.3 适应度函数 |
| 2.3.4 选择操作 |
| 2.3.5 交叉操作 |
| 2.3.6 变异操作 |
| 2.4 遗传算法的应用 |
| 2.4.1 函数优化 |
| 2.4.2 组合优化 |
| 2.4.3 自动控制 |
| 2.4.4 图像处理 |
| 2.4.5 机器学习 |
| 2.5 本章小结 |
| 第三章 自适应遗传算子的研究与改进 |
| 3.1 自适应选择算子 |
| 3.1.1 加入淘汰机制的自适应选择算子 |
| 3.1.2 分组选择的自适应选择算子 |
| 3.1.3 基于三角函数的自适应遗传算法的选择算子 |
| 3.2 自适应的交叉和变异算子 |
| 3.2.1 线性改进方法 |
| 3.2.2 非线性改进方法 |
| 3.3 当前交叉和变异算子中存在的主要问题 |
| 3.4 本文改进的自适应交叉算子和变异算子的构造 |
| 3.5 本章小结 |
| 第四章 本文改进的自适应遗传算法基本流程及性能分析 |
| 4.1 本文自适应遗传算法的基本步骤 |
| 4.2 本文改进的自适应遗传算法的收敛性分析 |
| 4.3 本文改进的自适应遗传算法的编码分析 |
| 4.4 本文改进的自适应遗传算法的算法描述 |
| 4.4.1 适应度函数 |
| 4.4.2 选择操作 |
| 4.4.3 交叉操作 |
| 4.4.4 变异操作 |
| 4.5 精英保留策略分析 |
| 4.6 改进的自适应遗传算法的测试函数 |
| 4.7 算法的参数设置与分析 |
| 4.7.1 本文改进的自适应遗传算法的参数设置 |
| 4.7.2 其他算法的描述及其参数的设置与调整 |
| 4.8 实验结果分析 |
| 4.9 本章小结 |
| 第五章 基于改进的自适应遗传算法在供暖体系中的应用 |
| 5.1 供暖体系的基本问题描述 |
| 5.1.1 供暖的背景 |
| 5.1.2 国内主要的供暖方式介绍 |
| 5.1.3 国内供暖现在主要存在的问题 |
| 5.1.4 国内供暖的未来发展趋势 |
| 5.1.5 本文所要解决的问题 |
| 5.2 自适应遗传算法在解决实际问题中的优越性 |
| 5.3 现有供暖管道的设计方式分析 |
| 5.4 供暖管道的建设模型 |
| 5.5 供暖管道寻优模型的优化流程 |
| 5.6 本文的实验设计与数据统计 |
| 5.7 本文的实验数据分析 |
| 5.8 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录A 攻读硕士学位期间发表论文与发明专利目录 |
| 附录B 攻读硕士学位期间的研究工作 |
（5）同步发电机励磁系统参数可辨识性和辨识方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 参数辨识方法研究 |
| 1.2.2 参数可辨识性研究 |
| 1.3 论文研究内容及工作安排 |
| 第2章 同步发电机励磁系统参数辨识方法 |
| 2.1 参数辨识理论基础 |
| 2.2 同步发电机励磁系统数学模型 |
| 2.3 基于改进遗传算法的励磁系统参数辨识 |
| 2.3.1 遗传算法(GA)原理 |
| 2.3.2 改进的自适应遗传算法 |
| 2.3.3 基于改进遗传算法的参数辨识 |
| 2.4 小结 |
| 第3章 基于轨迹灵敏度的参数可辨识性分析 |
| 3.1 引言 |
| 3.2 参数轨迹灵敏度与可辨识性的关系 |
| 3.2.1 轨迹灵敏度的计算 |
| 3.2.2 轨迹灵敏度与可辨识性的关系 |
| 3.3 基于轨迹灵敏度的可辨识性判别 |
| 3.4 算例分析 |
| 3.4.1 IEEE DC1A型励磁系统 |
| 3.4.2 I型励磁系统 |
| 3.5 小结 |
| 第4章 基于贝叶斯方法的可辨识性分析 |
| 4.1 引言 |
| 4.2 ABC-SMC算法原理 |
| 4.3 基于ABC-SMC的参数可辨识性分析 |
| 4.3.1 算例分析 1 |
| 4.3.2 算例分析 2 |
| 4.4 小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文成果 |
（6）改进模拟退火优化遗传算法的机器人动力学参数辨识（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 章节安排 |
| 第二章 机器人动力学建模及参数 |
| 2.1 机器人动力学概述 |
| 2.2 机器人动力学建模 |
| 2.3 工业机器人重要动力学参数介绍 |
| 2.4 小结 |
| 第三章 机器人动力学参数辨识 |
| 3.1 机器人动力学参数辨识方法 |
| 3.2 机器人动力学参数辨识的影响因素 |
| 3.3 机器人动力学参数可辨识性分析 |
| 3.4 整体辨识方法及过程 |
| 3.5 小结 |
| 第四章 改进模拟退火优化遗传算法 |
| 4.1 基本算法概述 |
| 4.1.1 遗传算法 |
| 4.1.2 模拟退火算法 |
| 4.2 改进遗传算法 |
| 4.2.1 编码方式的选择 |
| 4.2.2 适应度函数的选择 |
| 4.2.3 初始种群的产生 |
| 4.2.4 遗传操作的改进 |
| 4.3 改进模拟退火 |
| 4.3.1 冷却进度表改进 |
| 4.3.2 初始种群的改进 |
| 4.4 改进模拟退火优化遗传算法 |
| 4.5 算法性质分析与仿真 |
| 4.6 小结 |
| 第五章 改进算法的机器人动力学参数辨识仿真 |
| 5.1 PUMA560简介 |
| 5.2 算法步骤及参数设定 |
| 5.2.1 辨识算法步骤 |
| 5.2.2 算法参数设定 |
| 5.3 适应度函数的确定 |
| 5.4 仿真结果 |
| 5.5 小结 |
| 总结与展望 |
| 参考文献 |
| 附录A 攻读硕士期间发表的论文从及参与的项目 |
| 致谢 |
（7）基于改进遗传算法的传感器优化布置和损伤识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 传感器优化布置概述 |
| 1.2.1 传感器优化布置准则 |
| 1.2.2 传感器优化布置方法 |
| 1.3 基于振动测试的结构损伤识别概述 |
| 1.3.1 基于固有频率的损伤识别方法 |
| 1.3.2 基于振型的损伤识别方法 |
| 1.3.3 基于模态应变能的结构损伤识别方法 |
| 1.3.4 基于柔度阵的结构损伤识别方法 |
| 1.3.5 基于模型修正的结构损伤识别方法 |
| 1.3.6 基于残余力向量的结构损伤识别方法 |
| 1.3.7 基于计算智能的结构损伤识别方法 |
| 1.4 本文主要研究内容 |
| 第2章 遗传算法及其改进 |
| 2.1 传统遗传算法简介 |
| 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 遗传算法的操作 |
| 2.2 遗传算法的改进 |
| 2.2.1 改进遗传算法简介 |
| 2.2.2 本文对遗传算法的改进 |
| 2.2.3 改进遗传算法四种编码方式的集成 |
| 2.2.4 改进遗传算法性能测试 |
| 2.3 改进遗传算法解决TSP问题 |
| 2.4 本章小结 |
| 第3章 改进遗传算法在传感器优化布置中的应用 |
| 3.1 测点优化布置基本原理 |
| 3.1.1 模态置信因子法 |
| 3.1.2 模态比例因子法 |
| 3.2 改进遗传算法设计 |
| 3.2.1 编码方式的选择 |
| 3.2.2 适应度函数 |
| 3.2.3 振型线性插值函数设计 |
| 3.3 某高耸结构测点优化布置 |
| 3.3.1 工程概况及数值模拟 |
| 3.3.2 改进遗传算法测点优化布置 |
| 3.3.3 模态测试及模态识别 |
| 3.3.4 模态测试后测点优化布置 |
| 3.4 本章小结 |
| 第4章 改进遗传算法在结构损伤识别中的应用 |
| 4.1 残余力向量法损伤识别 |
| 4.1.1 残余力向量法基本原理 |
| 4.2 遗传算法适应度函数 |
| 4.3 某多跨连续梁的损伤识别 |
| 4.3.1 多跨连续梁简介 |
| 4.3.2 遗传算法参数设置 |
| 4.3.3 多跨连续梁损伤识别 |
| 4.4 三维框架结构的损伤识别 |
| 4.4.1 三维框架结构简介 |
| 4.4.2 遗传算法参数设置 |
| 4.4.3 框架结构损伤识别 |
| 4.5 本章小结 |
| 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) |
（8）基于自适应遗传算法的离心压缩机模型参数辨识（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 研究的历史及现状 |
| 1.2.1 压缩机概述 |
| 1.2.2 系统辨识的发展和现状 |
| 1.2.3 遗传算法的发展历程及国内外研究现状 |
| 1.2.4 遗传算法在系统辨识中的应用 |
| 1.3 本文研究内容和主要工作 |
| 第2章 离心压缩机工作机理分析 |
| 2.1 离心压缩机工作原理及性能描述 |
| 2.1.1 工作原理 |
| 2.1.2 主要性能描述 |
| 2.2 离心压缩机的性能曲线与工作点 |
| 2.2.1 离心压缩机性能曲线 |
| 2.2.2 离心压缩机工作点 |
| 2.3 离心压缩机模型的建立 |
| 2.3.1 单级离心压缩机模型 |
| 2.3.2 多级离心压缩机模型 |
| 2.4 模型参数的分析 |
| 2.5 本章小结 |
| 第3章 自适应遗传算法研究 |
| 3.1 遗传算法基本原理及特点 |
| 3.2 标准遗传算法基本步骤 |
| 3.3 自适应遗传算法 |
| 3.3.1 线性自适应遗传算法 |
| 3.3.2 余弦改进型的自适应遗传算法 |
| 3.3.3 基于sigmoid函数的自适应遗传算法 |
| 3.3.4 性能分析 |
| 3.4 本章小结 |
| 第4章 离心压缩机模型参数辨识 |
| 4.1 数据预处理 |
| 4.2 参数辨识的优化模型及算法流程 |
| 4.3 优化结果及模型验证 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士学位期间发表的论文 |
（9）单变量系统辨识方法的研究与仿真（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 本课题的研究背景 |
| 1.2 系统辨识的发展状况 |
| 1.2.1 系统辨识的历史与发展 |
| 1.2.2 经典辨识方法 |
| 1.2.3 闭环辨识问题 |
| 1.2.4 现代辨识 |
| 1.3 本论文的工作 |
| 第二章 常用辨识方法的仿真与比较 |
| 2.1 系统辨识简介 |
| 2.1.1 建模的基本方法 |
| 2.1.2 辨识中常用的误差准则 |
| 2.2 对象的数学模型 |
| 2.2.1 引言 |
| 2.2.2 输入输出模型 |
| 2.2.3 状态方程模型 |
| 2.3 图解法 |
| 2.3.1 切线法 |
| 2.3.2 两点法 |
| 2.4 基于最小二乘的辨识方法 |
| 2.4.1 基本最小二乘法 |
| 2.4.2 基于FIR模型的最小二乘法 |
| 第三章 其它算法在辨识中的应用及对遗传算法的改进 |
| 3.1 引言 |
| 3.2 NLJ算法 |
| 3.2.1 NLJ算法基本原理 |
| 3.2.2 仿真实例 |
| 3.3 粒子群优化算法 |
| 3.3.1 粒子群优化算法基本原理 |
| 3.3.2 仿真实验 |
| 3.4 遗传算法 |
| 3.4.1 遗传算法的基本原理 |
| 3.4.2 仿真实验 |
| 3.5 对遗传算法的改进 |
| 3.5.1 对搜索范围的改进 |
| 3.5.2 满意度概念 |
| 3.5.3 基于满意度的IGA在控制器参数整定中的应用 |
| 3.6 小结 |
| 第四章 辨识数据预处理方法的研究 |
| 4.1 引言 |
| 4.2 测试信号的选取 |
| 4.2.1 白噪声信号 |
| 4.2.2 伪随机信号-M序列 |
| 4.3 数据与处理方法 |
| 4.4 常用滤波方法 |
| 4.4.1 中值滤波 |
| 4.4.2 多项式预测滤波 |
| 4.4.3 分段三次函数替代 |
| 4.5 中值-均值混合滤波方法的研究 |
| 4.6 小结 |
| 第五章 基于改进粒子群优化的连续系统辨识新方法 |
| 5.1 引言 |
| 5.2 方法描述 |
| 5.2.1 系统辨识问题的描述 |
| 5.2.2 Rosenbrock基本原理 |
| 5.2.3 PSO-Rosenbrock(PSO-R)求解步骤 |
| 5.2.4 闭环辨识研究 |
| 5.3 仿真研究 |
| 5.3.1 辨识结果统计 |
| 5.3.2 噪声对辨识结果的影响 |
| 5.3.3 不同模型的辨识结果分析 |
| 5.3.4 同时实现参数和结构的辨识 |
| 5.4 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 硕士研究生学位论文答辩委员会决议书 |
（10）盾构机土仓压力控制模型参数辨识方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究课题的提出 |
| 1.2 盾构机土仓压力控制问题的研究进展 |
| 1.3 遗传算法的发展以及在系统辨识中的应用 |
| 1.4 论文的主要工作 |
| 2 盾构机土仓压力控制模型参数辨识方法 |
| 2.1 盾构机土仓压力控制模型 |
| 2.1.1 盾构机土仓压力控制算例 |
| 2.2 基于最小二乘的系统辨识方法 |
| 2.2.1 最小二乘法的基本概念 |
| 2.2.2 最小二乘问题的提法 |
| 2.2.3 最小二乘问题的解 |
| 2.3 基于BFGS优化的系统辨识方法 |
| 2.3.1 BFGS算法基本原理 |
| 2.3.2 BFGS算法的迭代步骤 |
| 2.4 基于遗传算法的系统辨识方法 |
| 2.4.1 遗传算法概述 |
| 2.4.2 遗传算法的组成 |
| 2.5 数值仿真研究 |
| 2.5.1 遗传算法优化工具箱简介 |
| 2.5.2 仿真算例 |
| 2.6 本章小结 |
| 3 盾构机土仓压力控制模型参数辨识实验研究 |
| 3.1 实验目的 |
| 3.2 实验研究 |
| 3.3 土仓压力控制结果 |
| 3.4 本章小结 |
| 4 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
四、浮点数编码的遗传算法在系统辨识中的应用（论文参考文献）
- [1]基于自适应卡尔曼滤波的负荷模型参数在线辨识算法研究[D]. 李红霞. 浙江大学, 2021(08)
- [2]基于T-S模型的舰船蒸汽动力装置机炉协调控制研究[D]. 毛世聪. 武汉理工大学, 2020(08)
- [3]基于改进遗传算法的云计算任务调度算法的研究和实现[D]. 肖夏. 重庆邮电大学, 2019(02)
- [4]改进的自适应遗传算法的研究与应用[D]. 张大科. 昆明理工大学, 2019(04)
- [5]同步发电机励磁系统参数可辨识性和辨识方法研究[D]. 闫亮. 华北电力大学, 2019(01)
- [6]改进模拟退火优化遗传算法的机器人动力学参数辨识[D]. 向启均. 湖南大学, 2018(01)
- [7]基于改进遗传算法的传感器优化布置和损伤识别研究[D]. 饶尚坤. 湖南大学, 2016(02)
- [8]基于自适应遗传算法的离心压缩机模型参数辨识[D]. 白雪亮. 东北大学, 2012(05)
- [9]单变量系统辨识方法的研究与仿真[D]. 王婷. 北京化工大学, 2011(05)
- [10]盾构机土仓压力控制模型参数辨识方法研究[D]. 刘博. 大连理工大学, 2011(09)