一、高性能自适应调整参数的遗传算法（论文文献综述）
邹冰洋[1]（2021）在《面向异构环境的联邦学习算法研究与实现》文中研究表明人工智能技术如今在诸多领域已经取得了巨大的突破,得到了非常广泛的应用,例如目标检测、图像识别和自然语言处理等。目前由于“数据孤岛”问题和愈发严格的隐私安全管控,人工智能技术面临着缺乏高质量训练数据的困境。由于联邦学习支持用户在不分享原始数据的条件下联合训练模型,能够汇聚更多分散的数据共同建模,因此逐渐成为人工智能研究领域的热点。然而,联邦学习环境中存在的数据异质性和系统异质性因素会导致模型训练效率低下和模型收敛精度不理想等问题。本文针对异质性环境下联邦学习模型训练效率和收敛精度偏低的问题,基于深度神经网络模型训练问题,重点研究如何减少异质性因素对联邦学习的影响,提升模型训练的效率和精度。重点工作和创新点如下:（1）提出基于多目标优化的参与方选择算法。该方法综合考虑联邦学习环境中的数据异质性和系统异质性因素,基于多目标优化的思想,根据参与方数据分布的全面性、均匀性以及计算能力高效性和平衡性等多个优化目标综合考虑,对原始参与方集合进行筛选,以减少参与方集合中存在的异质性因素,尽可能提高联邦学习的训练效率和收敛精度。（2）提出本地更新轮次自适应调整算法。由于联邦学习模型训练的参数更新过程主要是在本地更新阶段完成的,因此不同大小的本地更新轮次设置对模型的收敛精度和训练效率有至关重要的影响。传统的联邦学习算法采用固定的本地更新轮次设置,由于异质性因素的影响,较大的本地更新轮次设置会造成模型参数发散过大而导致收敛精度下降,而较小的本地更新轮次则会使得收敛所需的通信轮次增大而导致训练效率降低。本算法通过准确感知训练状态并根据不同训练阶段动态自适应调整本地更新轮次,在保证联邦学习模型训练效率的同时尽可能提高模型最终的收敛精度。（3）搭建面向异质性环境的高性能联邦学习系统。在上述两项研究的基础上,设计并实现了面向异质性环境的高性能联邦学习系统,该系统实现了训练服务器管理、任务管理等功能,并提供友好的可视化界面与系统用户交互,以及将训练服务器节点运行情况、任务执行情况和模型结果等信息进行展示。
朱强[2]（2020）在《高性能数值微分博弈 ——一种机器智能方法》文中认为人工智能,是指由人制造的机器所表现出的智能。在工业革命时代,我们通过思考制造机器;而到了人工智能时代,我们制造会思考的机器。在人工智能革命前,所有人类生产技术和生产方式的革命均可称为人类学习和发现的过程,是人类大脑的专利。而放眼未来,人工智能终将继承人类的这一特质。人工智能对未来的改变,是对我们一点一滴形成知识体系过程本身的自动化,是用机器取代人类过程本身的自动化。人工智能技术从概念提出到今日蓬勃发展已历经几个世纪,在此过程中弱机器意识问题的理论体系以及实际应用日趋完备,同时机器行为学也得到了迅猛发展。而在下一代人工智能技术发展中,科学家们试图把机器视为可以独立思考的个体,从而研究强机器意识问题。但目前我们对此问题仍没有足够深刻而统一的认识,且现阶段面临着诸多方向性和技术性的难题,所以我们当下的研究重点仍然放在无意识的人工智能领域技术和基本原理的突破上。本文将从机器智能研究和机理建模的角度来研究无意识人工智能技术。机器智能是利用机理建模的方法描述一个系统内部运作的机制,同时配以控制论和优化理论作为决策辅助,从而实现机器的智能决策和最优操作。机器智能不再是一种简单的仿人智能,也不再依赖于人类所谓的“最优经验”和海量的数据样本,而是基于对机器系统内部特征的充分认识构建机理模型,之后利用数学物理方法进行科学决策的一种智能技术。机理建模技术在机器智能中充当着重要角色,是机器智能的决策基础,其可以在大范围内描述系统的非线性特征,具有较好的外推能力,适应性强。在使用上述技术思路研究无意识人工智能技术时,假设我们对机理模型已经有了充分认识,则机器智能科学决策中的相关控制理论和最优化理论就是本文最重要的研究内容。为处理当前万物互联背景下各种利益关系中多智能体系统的智能决策和最优操作问题,本文基于微分博弈理论和数值优化技术构建了一套高性能微分博弈数值优化算法,来对机理建模后的系统进行智能决策和最优操作分析,从而建立了一种机器智能方法来支撑人工智能研究。本文主要研究内容概括如下:1.微分博弈基本理论的介绍及已有求解算法的构造及验证。首先,本文针对微分博弈理论的基本概念、分类及性质做了详实的介绍,同时还介绍了目前较为成熟的微分博弈求解算法,如解析法、数值间接法及启发式算法等。在此基础上,本文针对三类典型的微分博弈,即竞争对抗微分博弈、非合作微分博弈及合作微分博弈进行求解框架分析,赋予每种微分博弈实际的工业、军事应用背景,构建每种微分博弈的数学优化命题,并利用成熟的计算方法进行仿真求解。2.微分博弈问题数值优化求解算法。针对传统微分博弈求解算法存在的缺陷,本文从数值直接求解算法入手,用以克服已有算法的不足,从而保证各种复杂场景、各种利益关系下的微分博弈问题成功求解。本文提出了两种数值直接求解算法:联立迭代分解正交配置法（SOCD,Simultaneous Orthogonal Collocation Decomposition）和联立直接间接混合法（SSD,Simultaneous Semi Direct）。前者的算法核心是:先将微分博弈中的极大极小化问题分解为两个轮流交替求解的普通动态优化子问题,之后针对每个子问题采用正交配置法将其离散化为非线性规划（NLP,NonLinear Programming）问题,最后求解该NLP问题,直到优化结果成功收敛为止。后者的算法核心是:先使用间接法得到某一位玩家A动态优化问题的一阶最优性必要条件,之后使用直接法求解另一位玩家B的动态优化问题,同时把玩家A的一阶最优性必要条件当作是玩家B动态优化问题中的约束来看待。这样就可以分别使用间接法和直接法来获得玩家A和B的微分博弈最优策略。本文对上述两种算法的细节进行了详细描述,同时配以工业、军事等领域仿真案例加以解释说明。此外,本文还提出了滚动时域优化算法（RHO,Receding Horizon Optimization）,用于求解不确定性微分博弈问题。3.微分博弈问题高性能数值优化求解算法。在实际的微分博弈数值优化求解过程中,我们还面临着来自优化求解收敛性、实时性及准确性方面带来的诸多挑战。首先,对于增强微分博弈问题数值优化求解算法的收敛性,本文分别提出了基于回溯同伦法（HBM,Homotopy-based Backtracking Method）的初值化生成策略以及收敛深度控制算法（CDC,Con-vergence Depth Control）,用以保证优化求解的收敛性并提高收敛过程的计算效率。其次,为了解决微分博弈动态优化问题在线求解计算耗时长,优化收敛难的问题,本文提出了一种基于灵敏度信息的微分博弈优化求解实时性提升算法（SRI,Sensitivity-based Real-time Im-provement）。该算法利用当前 NLP 问题优化结果的灵敏度信息实现在线预估未来优化周期内的微分博弈近似最优解,同时通过背景计算和离线矫正等手段进一步提升预估解的精度,从而保证既快又准地获得微分博弈动态优化问题的最优解。最后,为了提高微分博弈优化求解的精度并保证求解结果的最优性,本文提出了改进的hp自适应网格精细化策略（mhp-AMR,modified hp-Adaptive Mesh Refinement）,该策略分别通过自适应调整网格个数以及插值多项式的阶次来精准捕捉控制变量的跳变点位置以及保证用来近似控制变量和状态变量的曲线足够光滑,从而提高微分博弈优化求解的准确性并保证求解结果的最优性。4.微分博弈问题数值优化求解算法结果稳定性分析。在实际应用场景中,除需要关注微分博弈问题如何求解、如何极大化目标函数以及如何提升优化算法的性能外,我们还需要关注微分博弈系统在优化求解过程中是否一直保持稳定。我们首先提出了一种针对微分博弈数值求解算法优化结果稳定性分析的理论分析工具——输入状态实际稳定性（IS p S,Input-to-State practical Stability）。之后,本文基于ISpS对不确定性微分博弈、合作微分博弈以及非合作微分博弈问题进行了优化结果稳定性分析并给出了相关证明。最后,本文通过工业仿真案例对微分博弈数值求解算法优化结果稳定性分析进行了有效性验证。
袁泉[3]（2020）在《虚拟网络功能编排方法研究》文中指出未来网络中人与人、人与物以及物与物之间复杂多样的业务需求对4G网络架构提出了新的挑战。为了实现移动网络功能与专有硬件的解耦,电信运营商在5G网络架构中引入了网络功能虚拟化（Network Function Virtualization,NFV）技术。NFV利用通用硬件及虚拟化技术实现了移动网络功能的软件化部署,赋予了运营商快速上线新型网络业务和灵活管理基础设施资源的能力。基于NFV灵活的网络架构,运营商提出了以网络切片和服务功能链为代表的新型网络服务供给技术,通过创建多个物理资源可共享的虚拟化逻辑网络,为多样化的垂直行业提供定制化服务。为了提高NFV基础设施资源的使用效率,本课题依托国家自然科学基金、国家科技重大专项等项目针对NFV环境下的虚拟网络功能（Virtualized Network Function,VNF）编排方法展开研究。借助最优化理论、启发式算法和人工智能技术,从VNF部署和VNF资源容量调整两个方面入手,提高VNF编排过程中的资源利用率、服务可靠性和业务调度时间等关键指标,实现VNF的自动化部署、故障恢复和弹性伸缩。本文的主要研究内容包括:（1）面向业务调度时间优化的全流程VNF部署方法现有研究主要采用VNF转发图映射和VNF调度两个流程相互独立的优化模型描述VNF部署问题,没有考虑映射结果对调度策略的影响,缩小了VNF部署问题解空间的可行域。为了优化VNF部署策略,本文基于整数线性规划建立了面向业务调度时间优化的全流程VNF部署模型,并设计了一种染色体联合编码遗传算法求解该NP难问题。该算法通过联合编码机制将VNF部署问题中的执行顺序约束和映射关系约束预先嵌入染色体中,减少了进化过程中待判定的约束条件,降低了算法的时间复杂度。此外,本文VNF部署模型考虑了VNF间的业务流量传输时延对业务调度时间的影响,并提出了基于纳什议价模型的VNF带宽分配策略,通过优化VNF间传输时延进一步降低了NFV平台的业务调度时间,提高了基础设施资源利用效率。仿真结果证明,与现有算法相比,本文提出的全流程部署算法能够优化VNF部署策略,降低NFV平台的业务调度时间,并且减少算法执行所需的CPU时间。（2）基于池化备份策略的VNF转发图映射方法为了实现服务功能链可靠性和NFV平台资源利用率的均衡优化,本文设计了一种基于池化备份策略的VNF转发图映射方法。与传统的联合备份策略相比,池化备份策略能够根据NFV平台中的物理资源利用情况和VNF可靠性需求自适应调整备份VNF采用的备份机制和资源分配策略,提高了备份资源管理的灵活性。根据本文设计的VNF池化备份转发图,我们基于混合整数规划模型设计了一种支持流量感知的动态VNF转发图映射算法。该算法能够根据业务流量的变化动态调整备份资源池中VNF实例的数量,实现了细粒度的备份资源管理。实验证明,相比于传统的联合备份策略,本文提出的池化备份方法能够提高服务功能链可靠性和请求接收率,降低VNF转发图映射所需的资源开销。（3）基于资源需求预测的VNF资源容量自适应调整方法为了实现VNF资源容量的弹性伸缩,本文提出了一种基于资源需求预测的VNF资源容量调整方法。首先,我们设计了一种基于长短期记忆网络和多层前馈神经网络的VNF资源需求预测方法,该方法引入了流量变化、资源需求变化和业务类型等输入特征,与现有预测方法相比,降低了流量预测误差对资源需求预测结果的影响。其次,结合上述VNF资源需求预测方法,本文利用二次分配模型建立了VNF资源需求视图映射模型,并设计了一种动态编码遗传算法求解该NP难问题。该算法能够根据资源需求的变化自适应调整VNF需求视图的映射策略,实现服务功能链的集中部署。实验结果表明,与现有的资源容量调整方法相比,本文提出的资源容量自适应调整方法能够降低资源需求预测的相对误差,减少VNF实例占用的服务器数量。（4）多接入边缘计算场景下的虚拟网络监测功能动态部署和资源容量在线调整方法物联网和普适计算应用的普及推动了多接入边缘计算（Multi-access Edge Computing,MEC）技术的发展。为了实现边缘云的智能化管理,运营商需要在边缘云的基础设施中部署虚拟化网络监测功能。然而,MEC基础设施地理上分布式的部署方式极大地提高了边缘服务器状态监测的通信时延,影响了监测功能的实时性。为了解决上述问题,本文在MEC场景下研究了面向时延优化的网络监测功能部署和在线容量调整问题。该方法首先采用整数线性规划建立了面向时延优化的网络监测功能动态部署模型。针对该NP难优化模型,本文提出了一种基于动态编码机制的遗传算法,实现了寻优过程的快速收敛。其次,考虑到边缘云场景下突发流量的不可预测性,本文基于ski-rental模型设计了一种在线VNF容量调整方法。该方法能够动态调整VNF中各个VNF组件的生命周期,降低容量调整过程中新VNF实例创建的频率,减少边缘云场景下的VNF容量调整开销。仿真和实验结果表明,与现有方法相比,本文所提的在线容量调整方法在算法执行的CPU时间、VNF内部传输时延以及长期容量调整开销等方面有明显的性能优势。
李宗京[4]（2019）在《新型高性能钢框架-支撑结构体系理论及试验研究》文中进行了进一步梳理为充分利用高强钢在强度上的优势,采用高强钢制作结构的主要承重构件,可以有效提高结构承载能力并减轻结构自重、节约用钢量。但是,高强钢一般无法满足《建筑抗震设计规范》（GB50011-2010）对钢材屈强比不得大于0.85及伸长率不得小于20%的强制性条文要求。因此,当高强钢材应用于抗震设防区的钢结构时,《高强钢结构设计规程》（征求意见稿）建议采用高强钢制作的构件不宜进入屈服,这对采用了高强钢的结构体系提出了较高的抗震性能要求。为解决上述问题,本文提出一种新型高性能钢框架-支撑结构体系（HPSBF）,该结构体系的框架柱采用高强钢制作,框架梁采用普通钢制作,同时引入耗能减震机制,将钢制耗能器结合支撑合理地布置到结构中,从而形成了钢制耗能器-普通钢框架梁-高强钢框架柱三重设防的抗震工作机制。在地震作用下,钢制耗能器率先进入屈服耗能,形成结构体系抗震设防的第一道防线;普通钢框架梁的屈服耗能在钢制耗能器之后,成为结构体系抗震设防的第二道防线;高强钢框架柱作为结构体系抗震设防的第三道防线,且不得进入屈服。基于上述工作机制,本文对高性能钢框架-支撑结构体系开展了抗震性能化设计研究,并对该结构体系中的构件、结构、设计方法等方面的若干关键问题进行了专题研究,主要研究内容及成果如下:1、针对传统的钢制耗能器中存在的问题,提出了一种改进的剪切型耗能器、一种改进的弯曲型耗能器和一种改进的剪切-弯曲混合型耗能器,通过理论分析研究其基本力学性能,并通过拟静力往复加载试验验证其滞回耗能性能。研究结果表明,改进的剪切型耗能器通过采用接触式加劲肋,可以有效避免加劲肋焊缝对腹板产生的应力集中及焊接残余应力等不利影响,提升耗能器的滞回耗能和低周疲劳性能;改进的弯曲型耗能器通过合理的构造改进,不仅方便了制造及组装,而且可以有效避免发生刚度突增的不利情况;改进的剪切-弯曲混合型耗能器通过将弯曲耗能板与剪切耗能板以适当的方式组合形成联合工作机制,有效提升了耗能器的整体滞回耗能性能。2、针对双线性滞回模型及传统Bouc-Wen滞回模型所存在的不足,对一种正则化Bouc-Wen滞回模型进行了研究,其具有归一化的滞回变量且不存在冗余参数。通过理论推导揭示了其模型参数与钢制耗能器滞回力学特性之间的关系,并进一步提出了相应的参数拟合方法,为采用正则化Bouc-Wen模型模拟钢制耗能器的滞回力学行为用于结构体系的时程分析及基于该模型识别钢制耗能器的力学性能参数奠定了理论基础。3、提出了高性能钢框架-支撑结构体系的简化模型,并对采用完全模型与采用简化模型计算分析所得到的结构动力特性、时程分析结果和时程分析效率等进行了对比。研究结果表明,该简化模型不仅具有较高的计算效率,并且具有较好的计算精度,将其用于结构体系的耗能减震优化分析中可以显着提高计算效率、缩短优化耗时。4、分别提出了高性能钢框架-支撑结构体系基于递增迭代法（IIM）和改进遗传算法（MGA）的耗能减震优化方法,并对采用两种方法进行耗能减震优化分析的结果和耗时进行了对比。结果表明,两种方法均可以得到经济合理的耗能器布置方案,使结构在各水准地震作用下均达到预期的目标层间位移角限值,并且使得结构层间位移角在耗能减震优化后沿高度分布较为均匀。此外,将高性能钢框架-支撑结构（HPSBF）与传统钢框架-支撑结构（CSBF）进行了对比,结果表明高性能钢框架-支撑结构相对于传统钢框架-支撑结构表现出更优的抗震性能,并且能够达到更好的经济效益。5、针对高性能钢框架-支撑结构体系的特点提出了相应的抗震性能目标及抗震性能化设计方法,并对设计流程中所涉及的相关问题提供了相应的解决方案,最后通过一个工程设计案例展示和验证了本文所提出的设计流程和相关技术方法。研究结果表明,基于本文所提出的设计流程及相关技术方法,可以较好地完成高性能钢框架-支撑结构体系的抗震性能化设计,使其达到预期的抗震性能目标。
贝振东[5]（2017）在《大数据分析引擎性能自动优化关键技术研究》文中研究指明大数据是当前的热门话题,分析引擎如Spark或Hadoop是发掘数据价值的关键。为满足工业界和学术界的不同需求,大数据分析引擎已发展成一个多样化的生态系统。无论这些分析引擎如何不同,它们都有一个共同的特点:即都有一组性能攸关的配置参数需要用户配置。参数如何配置主要面临四方面的挑战:（1）配置参数数量多且配置范围大,最优配置的搜索空间巨大;（2）大数据应用程序多样化,不同的程序需要不同的参数配置;（3）数据大小对不同分析引擎最优配置的影响程度是不一样的;（4）集群硬件特征改变需要调整系统的参数配置。这使得大数据分析引擎采用默认配置和进行手工配置均会导致系统运行过慢甚至出错。所以,大数据分析引擎关于配置参数的自动优化关键技术研究具有重要的学术意义与应用价值。目前,主要存在三种配置参数自动优化方法:基于规则的方法、基于模型的方法和自适应搜索的方法。其中,基于规则的方法和自适应搜索的方法均没有考虑参数之间复杂的相互依赖关系,而且优化的参数数量非常有限,限制了性能的优化空间。基于模型的方法主要包括基于分析模型的方法、基于统计推理模型的方法和基于机器学习的方法。而前面两种建模方法都基于过于简单的线性假设,它们构建的模型准确性偏低,导致优化结果离最优配置相差甚远。所以,基于机器学习的方法应运而生。与其它方法相比,该方法不基于任何线性假设,构建的性能模型比较准确。由此,它更适合应用于大数据分析引擎的自动调优中。然而,基于机器学习的方法在大数据分析引擎自动调优中应用还不够成熟,面临模型精度还不够高,输入数据大小尚不能感知,时间开销过大等诸多具有挑战性的问题。针对这些问题,本文将从三个方面展开研究:基于磁盘的大数据分析引擎自动调优、基于内存的大数据分析引擎自动调优和大数据分析引擎在线自动优化。首先,针对磁盘大数据分析引擎,提出基于集成学习模型的自动调优方法RFHOC。在已有的针对磁盘大数据分析引擎自动调优方法中,基于分析模型和支持向量机的方法构建的性能模型准确性均不够高。针对该问题,RFHOC基于随机森林算法构建了准确的性能模型,实现了Hadoop程序性能的自动优化。具体而言,RFHOC首先分别为MapReduce工作流中的map和reduce阶段构建基于随机森林算法的性能模型。然后,基于构建的性能模型,RFHOC采用遗传算法在Hadoop配置参数空间自动搜索最优配置。实验结果表明,RFHOC构建的性能模型精度明显高于分析模型的精度,map阶段只有4.8%的相对误差,reduce阶段只有8.7%的精度。通过对二十五组HiBench程序-输入数据的性能加速评测,相比于基于分析模型的方法,RFHOC实现了平均2.11倍的性能加速比,最高7.4倍的性能加速比。而且在数据增长的情况下,RFHOC实现了更高的性能加速比。其次,针对内存大数据分析引擎,提出具有数据感知的集成学习参数自动配置方法DAC。经研究发现,与磁盘大数据分析引擎相比,内存大数据分析引擎最优参数配置对输入数据的大小更为敏感。针对这个问题,DAC在构建性能模型和搜索最优参数配置时考虑了输入数据大小对参数配置的影响。具体而言,DAC构建的性能模型不仅将系统自身的配置参数作为模型的输入参数,还将数据大小也作为性能模型的参数共同构建具有数据大小感知的性能模型。所以,该性能模型在数据大小变化时仍然能够精确地预测给定参数配置的性能。由此,DAC在数据大小感知的性能模型基础上,能够针对不同的数据大小使用遗传算法在配置参数空间中自动搜索相应的最优配置。在验证DAC的优化效果时使用了 6组Spark基准测试程序,每组均包含5个输入数据集。实验结果表明,与默认配置相比,DAC对三十组不同的程序输入对实现了平均30.4倍,最高89倍的性能加速比。最后,针对大数据分析引擎的在线优化,提出一种在线增量学习并自动配置的方法OSC。针对已有的离线自动优化方法在数据增大时时间开销过大的问题,在OSC中研究了在线的优化机制和策略,这些技术使得OSC能够在程序运行时确定大数据分析引擎的最优参数配置。具体而言,OSC研究并提出了三种关键技术。首先,它采用集成学习技术为应用程序构建精确的性能模型。第二,OSC提出了一种增量建模方法,该方法很好地权衡了性能模型精度与建模的时间开销之间的关系。第三,OSC量化了配置参数对于性能的重要性程度和配置参数之间的相互作用强度,以加速对最优参数配置的搜索过程。OSC在Hadoop/MapReduce基础上进行了实现,通过在线优化二十五组HiBench程序-输入数据的实验评测了OSC的优化效果。实验结果表明,与最近提出的MROnline相比,OSC可以实现平均1.6倍,最高达2.2倍的性能加速比。此外,OSC还具有随着输入数据增加优化效果越好的特点,该特点非常适合于大数据分析的应用场景。
金海[6]（2006）在《三相异步电动机磁链观测器与参数辨识技术研究》文中进行了进一步梳理交流传动已经占领变速传动领域的主导地位,各种高性能的交流电机变频调速系统也广泛应用于工农业生产。磁链估计和参数辨识是高性能变频调速传动的关键技术,已成为各国学者研究的热点。交流三相异步电动机是多变量、非线性和强耦合的高阶系统,基于空间矢量分析的交流电机复数模型具有物理概念清晰、形式简洁的特点,论文系统总结了基于空间矢量分析的交流电机复数模型。提出了以Luenberger状态观测器理论为基础的定、转子磁链观测器的一般形式,并通过反馈矩阵的选择,可以使得磁链观测模型不出现某些特定的参数,从而使得磁链观测不受某些参数变化的影响,提高磁链观测的鲁棒性。证明了各种常见磁链模型都只是Luenberger观测器的特例。 提出了基于模型参考方法的磁链自适应观测与参数辨识方法,不但可以准确观测电动机的磁链,当满足充分激励的条件时还可以同时辨识电动机的所有四个参数,即使不满足充分激励的条件,当部分参数已知时也可辨识其余参数。分别研究了在定子坐标系下和转子坐标系下基于模型参考方法的磁链观测和参数辨识,推导了参数的自适应律,从理论上证明了一定条件下的磁链和参数的收敛性,基于Matlab/Simulink进行了仿真,并对实际电动机的采样数据进行了实验,仿真和实验结果表明这种方法正确而有效。 遗传算法是一种成熟的具有极高鲁棒性和广泛适用性的全局优化方法。由于遗传算法具有不受问题性质的限制,在解决电机参数辨识方面的较大潜力。本文提出利用电动机的启动过程进行基于遗传算法的参数辨识。结果表明,在定子坐标系下辨识时,定子电阻和总漏感的辨识精度较高,转子时间常数和定子电感的辨识精度较低;而在转子坐标系下辨识时,漏感、转子时间常数和定子电感的辨识精度较高,定子电阻的辨识精度却有明显下降。如果将两种坐标系下的辨识结合起来,以在定子坐标系下辨识得到的定子电阻为已知参数,再在转子坐标系下进行其它参数辨识,全部参数辨识精度大大提高。 对按转子磁场定向的矢量控制系统来说,由于参数变化影响系统运行性能的程度最大的是转子时间常数的变化。本文提出一种新的异步电动机转子时间常数的在线校准方法,这种方法在励磁电流中间歇地叠加窄的负脉冲信号,根据此叠
周伟豪[7]（2021）在《基于参数辨识的异步电机效率优化》文中认为异步电动机因其成本低、简单可靠,广泛运用于风机泵类负载拖动,矢量控制使得异步电动机的性能得到进一步提升,使其拓展到更多高性能驱动领域,成为工业用电领域的绝对主力军。但在很多应用场合,异步电动机长期工作在空载或轻载状态,这时电机效率降低很大。为了解决这一问题,一些工业变频器中已经根据实际工况设置了（低于满载的）磁通设置值,用以提高异步电机效率,但是这些弱磁磁通通常根据电机的理论参数进行计算得到,运行过程中电机参数会发生变化,此时电机的效率有进一步提高的空间。针对以上问题,本文提出电机参数辨识的异步电动机效率优化算法,并通过仿真和实验对异步电动机参数辨识算法和效率优化算法进行了验证本文的主要工作如下:第一,对效率优化控制和参数辨识的国内外研究进展进行总结分析。分析了异步电机产生损耗的原因,并明确了电机损耗的影响因素。第二,针对目前考虑铁损的三相电机数学模型结构复杂,阶次较高,不便于后续仿真研究的问题,推导了考虑铁损异步电机的六阶数学模型。第三,推导了考虑铁损的转子磁链计算公式,在Matlab/Simulink环境下对控制系统进行了仿真分析。对损耗模型法效率优化的原理进行了分析,通过异步电机稳态数学模型推导出损耗最小化磁通给定表达式,设计了基于最佳磁链控制的效率优化算法。第四,针对传统辨识算法存在的计算量大、实现困难,且易受环境因素干扰,辨识精度低等问题,提出了基于模型参考自适应的参数辨识方法。该方法实现简单,不需要复杂的迭代和计算过程,计算过程具有鲁棒性,计算精度高。在Matlab/Simulink环境下对系统进行了仿真验证,得到的辨识结果误差小于0.5%。证明了提出的在线辨识方法有效性和可行性。同时,针对MRAS方法中,自适应率的PI控制器参数难以调节的问题,利用具有自学习能力的单神经元PID控制器取代了传统PI控制,对传统MRAS进行了改进。经过仿真验证,改进方法相比传统方法辨识来说,辨识精度更为高效,同时辨识系统的快速性也有一定程度提高。第五,将参数辨识结果与效率优化相结合,利用辨识的结果在线修正最佳磁链来实现更为高效的效率优化控制。与传统的固定设定磁链相比,改算法可以使得大幅提高电机的运行效率。第六,利用搭建的实验电路。实验验证了基于模型参考自适应的参数辨识方法及基于参数辨识的效率优化算法的有效性。
彭阿珍[8]（2021）在《面向数控系统的自适应实时调度算法研究》文中进行了进一步梳理随着新一代信息技术的飞速发展,全球机床行业进入了以数字制造技术为中心的自动化时代。国家装备制造业的发达程度取决于机床行业的产品质量和技术水平,是国家核心基础建设的重要组成部分,对促进社会发展意义重大。数控技术是数控系统的核心,作为信息技术与先进制造技术深度融合的产物,是实现高速度、高效率、高精度、开放性与智能化数控系统各项功能的关键要素。数控系统是实时系统的一种典型应用。实时调度算法是保证实时系统各项功能在实时、能耗等约束前提下顺利实现的核心基础。随着处理需求的多样化和应用场景的复杂化,数控系统的内部组件和外部环境也随之变得更加难以用数学模型进行精确描述。实时调度算法也随之面临新的挑战:不仅要充分考虑数控系统中调度机制的实时性需求,还需要综合考虑外部环境的不确定性、系统的能耗、任务的优先约束或数据依赖等问题,实现调度资源在任务之间的最优分配。自适应实时调度算法把自适应系统中的控制论、排队论、人工智能等方法与调度算法有机的结合起来,用控制理论分析和构造实时系统的调度模型及性能评估体系,在整个系统运行过程中通过不断观测调度信息,结合经典的实时调度规则,对调度相关参数进行动态调整,有效解决解决负载动态变化和具有不可预测性的系统调度问题。本文着重研究数控系统中任务调度问题,分析了在复杂的内外部环境下具体的调度需求,把自适应控制方法应用于经典的实时调度算法中,在继承了现有的实时调度算法的基础上,得到一些在特定环境下性能更高的自适应实时调度算法。具体研究内容如下:首先,针对负载动态变化的软实时任务调度需求,提出了基于资源预留的反馈调度模型。建立系统性能与误差之间的状态反馈方程,实现调度相关参数的动态调整。接着,针对硬件资源紧张的共享平台上混合任务调度需求,在ABS服务器算法的基础上,构建一种自适应分层调度框架,实现硬实时与软实时任务间的资源隔离。其次,针对混合任务的调度需求,考虑任务悲观估计的WCET远大于实际执行时间这一现象,提出基于自适应总带宽服务器调度算法和加入资源回收策略的自适应总带宽服务器算法,对以上两种算法进行可调度性分析,并且给出了算法流程的伪代码描述。最后,针对周期性依赖任务的调度需求,综合考虑任务的依赖关系及系统能耗,提出一种面向多核平台的基于混合遗传算法的调度策略,描述了算法的具体操作步骤,并且通过仿真实验验证了算法的有效性。
张铄[9]（2021）在《交流伺服系统高性能电流环控制策略研究》文中研究指明如今科技逐渐进步,工业生产自动化对交流伺服系统的要求越来越多样化、越来越严苛,交流伺服系统需要以优越的性能稳定工作在复杂且不断变化的恶劣环境中。自动化企业亟需高效率、低成本、能适应多种多样复杂工作环境的交流伺服系统。在实际应用中,会有温度漂浮不定、设备相互摩擦、设备元件的死区及饱和等非线性问题的干扰,还有负载的易变性。这几个原因会让电流环固定增益的PID控制器不能始终维持控制系统的最佳运行状况。经典控制策略中,研究人员一般会用人工试凑PID控制参数的方法,这对研究人员的操作水平要求较高,不仅会消耗大量时间还会消耗大量人力,效率较低,在实际工业应用中不易操作。为此,本课题对交流伺服驱动系统电流环PI控制器的参数自调整展开相关的探索与研究,来得到最优的比例系数Kp、积分系数Ki,使交流伺服系统能够适应更加复杂的工况,以提高工业生产效率、降低工业生产人力成本,满足用户高性能指标的要求。现有的基本粒子群优化算法,全局收敛性差,在实际工业应用实践中有可能会过早的结束粒子寻优,是现有的基本粒子群优化算法比较明显的缺陷。本文尝试将随机产生权值与优胜劣汰原则相配合来优化现有的基本粒子群优化算法。但是,随机产生权值的与粒子群优化算法相结合会使粒子寻优效率速度变差、算法收敛效率降低,本文将运用优胜劣汰原则解决这个问题。本文分析探究了时间绝对误差乘积积分ITAE方程在数学方面的实质,该方程是求解指令信号直线与输出信号曲线所围成的区域面积绝对值的大小。本文依据此推论将时间绝对误差乘积积分ITAE准则作为粒子群算法的适应度函数来对交流伺服系统电流环PI控制器参数进行寻优、筛选。为了验证神经网络控制方法与经典控制方法的结合程度、可实现性和自适应性,本文探讨研究了单神经元自适应控制和径向基函数神经网络自适应控制在实际伺服电流环中的具体应用和功能实现。本文在已实际商业化应用于工业生产的交流伺服控制驱动器中实现了电流环PI控制器参数自整定功能,经过实验验证,通过本文的自整定方法得到的参数在实际表现中确实优于专家策略方法的表现,并且通过本文的自整定方法得到的参数能够使永磁交流同步电机在转速远超额定转速时仍旧稳定工作。
黄凯成[10]（2021）在《锂离子电池的分数阶多新息扩展卡尔曼滤波算法SOC估计研究》文中研究说明随着社会的不断发展与进步,以锂离子电池为代表的储能装置成为了现阶段国内外的研究热点。在实际的工程应用中,作为纯电动汽车中的核心储能装置的锂离子电池与智能电网具有非常密切的能量互动。电池电荷估计问题则是纯电动汽车中的锂离子电池的一项核心技术难题。针对电池电荷估计问题,本文从三个层面进行了详细的研究与分析。首先,本文搭建了电池特性测试平台,并对电池模型展开了研究与分析,将二阶RC等效电路模型与分数阶微积分理论结合构建了锂离子电池分数阶等效电路模型,并采用基于遗传算法的参数辨识方法验证了相较于二阶RC等效电路模型,所构建的锂离子电池分数阶等效电路具有更高的模型精度。其次,本文针对锂离子电池等效电路模型的新型参数辨识方法展开了研究与分析,为了解决基于遗传算法的参数辨识方法所存在的辨识精度不高的缺陷,提出了基于自适应遗传算法的参数辨识方法与基于蚁群算法的参数辨识方法,并通过实验验证了所提出的两种新型参数辨识方法都具有更高的参数辨识精度。最后,本文针对锂离子电池的新型电池电荷估计方法展开了研究与分析,提出将多新息理论与分数阶扩展卡尔曼滤波算法结合,构成分数阶多新息扩展卡尔曼滤波算法。通过实验验证了该算法进行电池电荷估计时的有效性与可行性。
二、高性能自适应调整参数的遗传算法（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、高性能自适应调整参数的遗传算法（论文提纲范文）
（1）面向异构环境的联邦学习算法研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究目标与内容 |
| 1.4 本论文的结构安排 |
| 第二章 相关理论及技术基础 |
| 2.1 联邦学习 |
| 2.2 神经网络模型 |
| 2.2.1 神经网络基本结构 |
| 2.2.2 卷积神经网络 |
| 2.2.3 长短期记忆网络 |
| 2.3 多目标优化理论 |
| 2.4 本章小结 |
| 第三章 基于多目标优化的参与方选择算法 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.2.1 数据异质性 |
| 3.2.2 系统异质性 |
| 3.3 基于多目标优化的参与方选择算法 |
| 3.3.1 问题建模 |
| 3.3.2 线性加权多目标遗传算法 |
| 3.3.3 参与方选择算法 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集及实验环境 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 本地更新轮次自适应调整算法 |
| 4.1 引言 |
| 4.2 问题分析 |
| 4.2.1 本地更新轮次对联邦学习训练效率的影响 |
| 4.2.2 本地更新轮次对联邦学习收敛精度的影响 |
| 4.3 本地更新轮次自适应调整算法 |
| 4.3.1 指数衰减本地更新轮次调整算法 |
| 4.3.2 精度变化感知算法 |
| 4.3.3 本地更新轮次自适应调整算法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 面向异质性环境的联邦学习系统设计与实现 |
| 5.1 概述 |
| 5.2 总体设计 |
| 5.3 详细设计 |
| 5.3.1 系统管理模块 |
| 5.3.2 联邦学习模型训练模块 |
| 5.3.3 Web服务模块 |
| 5.4 系统展示 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）高性能数值微分博弈 ——一种机器智能方法（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 人工智能与机器行为 |
| 1.2 机器智能 |
| 1.3 微分博弈论 |
| 1.3.1 微分博弈论发展简史 |
| 1.3.2 微分博弈论研究现状 |
| 1.4 高性能数值优化算法 |
| 1.5 研究内容 |
| 1.6 论文框架 |
| 2 微分博弈基本理论 |
| 2.1 引言 |
| 2.2 微分博弈理论基础知识 |
| 2.2.1 非线性与线性微分博弈 |
| 2.2.2 零和与非零和微分博弈 |
| 2.2.3 确定型与随机型微分博弈 |
| 2.2.4 二人与多人微分博弈 |
| 2.2.5 主从微分博弈 |
| 2.2.6 定量与定性微分博弈 |
| 2.3 微分博弈问题计算方法 |
| 2.3.1 微分博弈问题解析计算方法 |
| 2.3.2 微分博弈问题数值计算方法 |
| 2.3.3 微分博弈问题启发式计算方法 |
| 2.4 三类典型微分博弈问题及仿真算例 |
| 2.4.1 “冲突制衡”——竞争对抗微分博弈 |
| 2.4.2 “独善其身”——非合作微分博弈 |
| 2.4.3 “心有灵犀”——合作微分博弈 |
| 2.5 本章小结 |
| 3 微分博弈问题数值优化求解算法 |
| 3.1 引言 |
| 3.2 联立迭代分解正交配置法(SOCD)求解微分博弈 |
| 3.2.1 分解复杂场景下的微分博弈动态优化问题 |
| 3.2.2 正交配置法离散化微分博弈动态优化子问题 |
| 3.2.3 SOCD算法的最优性分析 |
| 3.2.4 SOCD算法仿真案例 |
| 3.3 联立直接间接混合法(SSD)求解微分博弈 |
| 3.3.1 SSD算法细节 |
| 3.3.2 SSD算法初值化策略 |
| 3.3.3 SSD算法仿真案例 |
| 3.4 滚动时域优化(RHO)求解不确定性微分博弈 |
| 3.4.1 RHO微分博弈数值求解算法细节 |
| 3.4.2 RHO微分博弈数值求解算法仿真案例 |
| 3.5 本章小结 |
| 4 微分博弈问题高性能数值优化求解算法 |
| 4.1 引言 |
| 4.2 微分博弈数值优化求解收敛性增强算法 |
| 4.2.1 基于回溯同伦法(HBM)的微分博弈数值优化求解初值化生成策略 |
| 4.2.2 微分博弈数值优化求解收敛深度控制算法(CDC) |
| 4.2.3 微分博弈数值优化求解收敛性增强算法仿真案例 |
| 4.3 微分博弈数值优化求解实时性提升算法 |
| 4.3.1 基于灵敏度信息的微分博弈数值优化求解实时性提升算法(SRI)背景知识 |
| 4.3.2 微分博弈数值优化求解SRI算法细节 |
| 4.3.3 微分博弈数值优化求解SRI算法仿真案例 |
| 4.4 微分博弈数值优化求解精确性提高算法 |
| 4.5 本章小结 |
| 5 微分博弈问题数值优化求解算法结果稳定性分析 |
| 5.1 引言 |
| 5.2 微分博弈优化求解结果稳定性分析 |
| 5.3 微分博弈优化求解结果稳定性分析仿真案例 |
| 5.4 本章小节 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间主要的研究成果 |
（3）虚拟网络功能编排方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 多样化业务对4G网络架构的挑战 |
| 1.1.2 网络功能虚拟化 |
| 1.2 研究方向 |
| 1.2.1 虚拟网络功能部署 |
| 1.2.2 虚拟网络功能容量调整 |
| 1.2.3 课题来源与研究意义 |
| 1.3 研究现状 |
| 1.3.1 虚拟网络功能部署研究现状 |
| 1.3.2 虚拟网络功能容量调整研究现状 |
| 1.3.3 问题总结 |
| 1.4 主要研究内容 |
| 1.5 本文组织结构 |
| 第二章 面向业务调度时间优化的全流程VNF部署方法 |
| 2.1 引言 |
| 2.2 VNF部署问题的全流程优化 |
| 2.3 面向调度时间优化的VNF部署模型 |
| 2.4 基于联合编码遗传算法的VNF部署算法 |
| 2.4.1 染色体联合编码 |
| 2.4.2 适应度计算与染色体选择 |
| 2.4.3 交叉和变异 |
| 2.5 VNF带宽资源分配 |
| 2.5.1 系统模型 |
| 2.5.2 基于纳什议价的带宽分配 |
| 2.6 基于联合编码遗传算法的VNF部署方法 |
| 2.7仿真实验 |
| 2.7.1 实验参数设置 |
| 2.7.2 仿真结果分析 |
| 2.8 本章小结 |
| 第三章 基于池化备份策略的VNF转发图映射方法 |
| 3.1 引言 |
| 3.2 VNF备份映射问题 |
| 3.3 基于池化备份的转发图设计 |
| 3.3.1 数据中心网络拓扑 |
| 3.3.2 池化备份转发图 |
| 3.3.3 池化备份映射 |
| 3.4 VNF转发图映射 |
| 3.4.1 决策变量 |
| 3.4.2 资源开销度量 |
| 3.4.3 优化目标与约束条件 |
| 3.4.4 算法描述 |
| 3.5仿真与实验 |
| 3.5.1 参数设置 |
| 3.5.2 映射结果 |
| 3.5.3 算法性能 |
| 3.6 本章小结 |
| 第四章 基于资源需求预测的VNF资源容量自适应调整 |
| 4.1 引言 |
| 4.2 系统模型与优化目标 |
| 4.2.1 SFC部署模型和VNF资源容量调整问题 |
| 4.2.2 优化目标 |
| 4.3 VNF资源需求预测方法 |
| 4.3.1 基于LSTM网络的流量预测 |
| 4.3.2 基于多层前馈神经网络的资源需求预测 |
| 4.4 VNF资源需求视图动态映射 |
| 4.5 性能评估及分析 |
| 4.5.1 实验环境和参数设置 |
| 4.5.2 结果分析 |
| 4.6 本章小结 |
| 第五章 MEC场景下的虚拟网络监测功能资源容量在线调整方法 |
| 5.1 引言 |
| 5.2 面向传输时延优化的边缘监测功能部署 |
| 5.2.1 系统模型 |
| 5.2.2 问题建模和映射算法 |
| 5.3 在线容量调整方法 |
| 5.3.1 问题描述与建模 |
| 5.3.2 在线容量调整 |
| 5.4 仿真和实验分析 |
| 5.4.1 实验参数设置 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文主要研究成果和创新点 |
| 6.2 下一步的研究展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（4）新型高性能钢框架-支撑结构体系理论及试验研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及拟解决的主要问题 |
| 1.2 高强钢结构的研究现状 |
| 1.2.1 高强钢材的定义及力学性能特点 |
| 1.2.2 高强钢构件受力性能及设计方法研究现状 |
| 1.2.3 高强钢结构的研究及应用现状 |
| 1.3 钢耗能器的研究现状 |
| 1.3.1 结构耗能减震技术简介 |
| 1.3.2 钢制耗能器的分类与常见形式 |
| 1.3.3 钢耗能器的常用滞回模型 |
| 1.4 结构耗能减震优化方法的研究现状 |
| 1.4.1 基于局部搜索机制的耗能器优化布置方法 |
| 1.4.2 基于全局搜索机制的耗能器优化布置方法 |
| 1.5 建筑结构性能化抗震设计方法 |
| 1.5.1 传统的结构抗震设计方法 |
| 1.5.2 基于性能的结构抗震设计方法 |
| 1.6 本文主要研究内容及技术路线 |
| 参考文献 |
| 第二章 改进的钢制耗能器理论与试验研究 |
| 2.1 引言 |
| 2.2 改进的剪切型钢制耗能器 |
| 2.2.1 传统剪切型耗能器的缺点 |
| 2.2.2 改进剪切型耗能器的构造 |
| 2.2.3 基本力学性能理论分析 |
| 2.2.4 滞回耗能性能试验研究 |
| 2.3 改进的弯曲型钢制耗能器 |
| 2.3.1 传统弯曲型耗能器的缺点 |
| 2.3.2 改进弯曲型耗能器的构造 |
| 2.3.3 基本力学性能理论分析 |
| 2.3.4 滞回耗能性能试验研究 |
| 2.4 改进的混合型钢制耗能器 |
| 2.4.1 传统混合型耗能器的缺点 |
| 2.4.2 改进混合型耗能器的构造 |
| 2.4.3 基本力学性能理论分析 |
| 2.4.4 滞回耗能性能试验研究 |
| 2.5 本章小结 |
| 参考文献 |
| 第三章 正则化Bouc-Wen模型的参数分析与参数拟合方法 |
| 3.1 引言 |
| 3.2 模型的正则化改进 |
| 3.2.1 经典Bouc-Wen模型 |
| 3.2.2 正则化Bouc-Wen模型 |
| 3.3 模型参数与钢耗能器滞回力学特性的关系 |
| 3.3.1 钢耗能器的滞回力学特性指标 |
| 3.3.2 初始弹性刚度k |
| 3.3.3 屈服后刚度k' |
| 3.3.4 转向刚度(卸载刚度)ks |
| 3.3.5 屈服位移uy |
| 3.3.6 屈服力Fy |
| 3.3.7 弹塑性过渡段 |
| 3.4 参数敏感性分析 |
| 3.5 参数拟合方法及试验验证 |
| 3.5.1 拟合方法 |
| 3.5.2 试验验证 |
| 3.6 钢耗能器初步设计建议 |
| 3.6.1 弯曲型耗能器 |
| 3.6.2 剪切型耗能器 |
| 3.7 本章小结 |
| 参考文献 |
| 第四章 结构体系抗震性能目标及简化建模计算方法 |
| 4.1 引言 |
| 4.2 高性能钢框架-支撑结构体系抗震性能化设计 |
| 4.2.1 抗震工作机制及抗震性能目标 |
| 4.2.2 性能化抗震设计基本思路 |
| 4.3 高性能钢框架-支撑结构体系的简化模型 |
| 4.4 简化模型与完全模型的对比 |
| 4.4.1 结构基本信息 |
| 4.4.2 结构建模 |
| 4.4.3 结构动力特性计算结果对比 |
| 4.4.4 结构时程分析计算结果对比 |
| 4.4.5 结构时程分析耗时对比 |
| 4.4.6 简化建模计算方法的适用性 |
| 4.5 本章小结 |
| 参考文献 |
| 第五章 高性能钢框架-支撑结构体系耗能减震优化方法 |
| 5.1 引言 |
| 5.2 耗能减震优化问题说明 |
| 5.3 基于递增迭代法的耗能减震优化方法 |
| 5.3.1 基本实施流程 |
| 5.3.2 相关注意事项 |
| 5.4 基于改进遗传算法的耗能减震优化方法 |
| 5.4.1 个体编码及种群初始化 |
| 5.4.2 目标函数 |
| 5.4.3 约束条件 |
| 5.4.4 适应度函数 |
| 5.4.5 基于锦标赛机制的选择算子 |
| 5.4.6 基于自适应交叉概率的交叉算子 |
| 5.4.7 基于自适应变异概率的变异算子 |
| 5.4.8 精英机制 |
| 5.4.9 终止准则 |
| 5.5 验证算例 |
| 5.5.1 算例结构基本信息 |
| 5.5.2 主体框架初步设计 |
| 5.5.3 耗能减震优化 |
| 5.6 递增迭代法与改进遗传算法的对比 |
| 5.6.1 优化分析结果的对比 |
| 5.6.2 优化分析耗时的对比 |
| 5.6.3 优化设计建议 |
| 5.7 耗能减震优化的精度 |
| 5.8 高性能钢框架-支撑结构与传统钢框架-支撑结构的性能对比 |
| 5.8.1 对比模型 |
| 5.8.2 动力特性对比 |
| 5.8.3 抗震性能对比 |
| 5.8.4 经济效益对比 |
| 5.9 本章小结 |
| 参考文献 |
| 第六章 高性能钢框架-支撑结构体系抗震性能化设计流程及案例 |
| 6.1 引言 |
| 6.2 设计流程 |
| 6.2.1 主体框架初步设计 |
| 6.2.2 完全模型转换为简化模型 |
| 6.2.3 耗能减震优化分析 |
| 6.2.4 简化模型转换回完全模型 |
| 6.2.5 结构体系分析计算 |
| 6.2.6 耗能器初步设计及力学性能检验 |
| 6.2.7 其他说明 |
| 6.3 设计案例 |
| 6.4 本章小结 |
| 参考文献 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 致谢 |
| 博士学位攻读期间发表的论文 |
（5）大数据分析引擎性能自动优化关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 大数据分析引擎概述 |
| 1.1.1 大数据分析引擎技术概览 |
| 1.1.2 大数据分析引擎的优势 |
| 1.1.3 大数据处理系统的挑战 |
| 1.2 性能参数自动优化方法 |
| 1.2.1 参数自动优化方法概览 |
| 1.2.2 影响参数自动优化的两个关键因素 |
| 1.3 大数据分析引擎性能自动优化的主要挑战 |
| 1.4 国内外研究现状 |
| 1.4.1 基于规则的参数调优方法 |
| 1.4.2 基于模型的优化方法 |
| 1.4.3 基于自适应搜索的参数自动调优方法 |
| 1.5 本文的研究内容和主要贡献 |
| 1.6 论文组织结构 |
| 第二章 大数据分析引擎的参数行为特征分析 |
| 2.1 大数据分析引擎配置参数行为特征分析 |
| 2.1.1 分析实例及其测试环境 |
| 2.1.2 参数配置的行为特征分析 |
| 2.2 大数据分析引擎参数自动优化策略分析 |
| 2.2.1 机器学习模型与其它技术详细对比分析 |
| 2.2.2 基于机器学习模型的方法面临的具体挑战以及解决方案分析 |
| 2.3 本章小结 |
| 第三章 磁盘大数据分析引擎离线自动优化方法 |
| 3.1 研究背景 |
| 3.2 SVM与随机森林方法的技术分析对比 |
| 3.2.1 基于支持向量机的参数调优方法AROMA |
| 3.2.2 随机森林算法 |
| 3.3 基于随机森林的大数据分析引擎自动优化方法RFHOC |
| 3.3.1 Map阶段的回归模型构建 |
| 3.3.2 Reduce阶段的回归模型构建 |
| 3.3.3 Hadoop的最优参数配置搜索 |
| 3.4 RFHOC的性能评测环境 |
| 3.5 RFHOC的性能评测结果和分析 |
| 3.5.1 随机森林模型参数的确定 |
| 3.5.2 Map阶段性能模型精度比较 |
| 3.5.3 Reduce阶段的模型精度 |
| 3.5.4 错误分布分析 |
| 3.5.5 性能模型的可扩展性 |
| 3.5.6 性能加速比 |
| 3.5.7 实例分析:WordCount |
| 3.6 本章小结 |
| 第四章 内存大数据分析引擎离线自动优化方法 |
| 4.1 研究背景 |
| 4.2 数据大小对大数据分析引擎配置参数行为的影响分析对比 |
| 4.2.1 Spark系统简介 |
| 4.2.2 数据大小对大数据分析引擎配置参数行为的影响比较 |
| 4.3 具有数据感知的大数据分析引擎自动调优方法DAC |
| 4.3.1 DAC架构 |
| 4.3.2 数据收集 |
| 4.3.3 性能模型构建 |
| 4.3.4 最优配置搜索 |
| 4.4 DAC的性能评测环境 |
| 4.4.1 实验评测平台 |
| 4.4.2 基准测试程序集 |
| 4.4.3 配置参数 |
| 4.5 DAC的性能评测结果和分析 |
| 4.5.1 建模技术探索 |
| 4.5.2 lr,nt,和tc值的确定 |
| 4.5.3 性能模型错误分布分析 |
| 4.5.4 遗传算法的收敛性分析 |
| 4.5.5 性能加速比 |
| 4.5.6 时间开销 |
| 4.5.7 实例分析:KM&TS |
| 4.6 本章小结 |
| 第五章 大数据分析引擎在线自动优化方法 |
| 5.1 研究背景 |
| 5.2 大数据分析引擎在线优化的必要性和挑战 |
| 5.2.1 大数据分析引擎在线优化的必要性 |
| 5.2.2 大数据分析引擎在线优化的挑战 |
| 5.3 在线调优方法OSC |
| 5.3.1 OSC总体结构 |
| 5.3.2 在线调优机制 |
| 5.3.3 性能模型构建 |
| 5.3.4 最优参数配置的搜索 |
| 5.4 OSC具体实现 |
| 5.4.1 实现的平台—Hadoop/Yarn |
| 5.4.2 具体实现 |
| 5.4.3 Hadoop配置参数 |
| 5.4.4 FGA的实现 |
| 5.5 OSC的性能评测环境 |
| 5.6 OSC的性能评测结果和分析 |
| 5.6.1 FGA的收敛速度 |
| 5.6.2 在线调优机制的时间开销 |
| 5.6.3 性能加速比 |
| 5.6.4 可扩展性 |
| 5.6.5 适应性 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 发表文章目录 |
| 简历 |
| 致谢 |
（6）三相异步电动机磁链观测器与参数辨识技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| §1.1 引言 |
| §1.2 异步电动机磁链估计 |
| §1.3 异步电机参数辨识方法综述 |
| §1.4 论文的主要内容 |
| 第2章 三相异步电动机数学模型及状态观测 |
| §2.1 基于空间矢量分析三相异步电动机数学模型 |
| §2.1.1 磁动势分布和电流空间矢量 |
| §2.1.2 磁链空间矢量 |
| §2.1.3 电压空间矢量 |
| §2.1.4 电压方程 |
| §2.1.5 状态方程 |
| §2.1.6 电磁转矩及运动方程 |
| §2.2 基于Luenberger降维观测器的磁链估计 |
| §2.2.1 Luenberger降维观测器基本原理 |
| §2.2.2 转子磁链的Luenberger观测器设计 |
| §2.2.3 定子磁链的Luenberger观测器设计 |
| §2.3 本章小结 |
| 第3章 基于模型参考方法的异步电动机磁链自适应观测及参数辨识 |
| §3.1 模型参考自适应系统的基本理论 |
| §3.1.1 模型参考自适应系统的基本结构 |
| §3.1.2 模型参考自适应系统的设计方法 |
| §3.1.3 模型参考自适应辨识的参数收敛条件 |
| §3.1.4 正实误差模型条件下的自适应算法 |
| §3.2 定子坐标系下的定子磁链观测与参数辨识 |
| §3.2.1 基本原理 |
| §3.2.2 观测模型的设计及误差模型的建立 |
| §3.2.3 参数自适应律的设计及收敛性证明 |
| §3.2.4 仿真和实验结果 |
| §3.3 转子坐标系下的转子磁链观测与参数辨识 |
| §3.3.1 基本原理 |
| §3.3.2 观测方程与误差模型 |
| §3.3.3 参数自适应律的设计 |
| §3.3.4 仿真实验结果 |
| §3.4 本章小结 |
| 第4章 基于遗传算法的异步电动机参数辨识 |
| §4.1 遗传算法的基本理论 |
| §4.1.1 遗传算法及其基本操作 |
| §4.1.2 遗传算法的工作流程 |
| §4.1.3 遗传算法的特点 |
| §4.2 基于遗传算法的参数辨识问题的描述及辨识的一般步骤 |
| §4.2.1 基于遗传算法的参数辨识问题的描述 |
| §4.2.2 遗传算法应用于动态系统参数辨识的一般步骤 |
| §4.3 基于遗传算法的异步电动机参数辨识 |
| §4.3.1 异步电动机在定子坐标系下的参数辨识 |
| §4.3.2 异步电动机在转子坐标系下的参数辨识 |
| §4.3.3 提高遗传算法异步电动机参数辨识精度的方法 |
| §4.4 本章小结 |
| 第5章 一种异步电动机转子时间常数在线校准方法 |
| §5.1 典型矢量控制系统 |
| §5.2 脉冲叠加法辨识转子时间常数的原理 |
| §5.3 基于Matlab／Simulink的建模与仿真 |
| §5.3.1 电流PI调节器的设计 |
| §5.3.2 转速PI调节器的设计 |
| §5.3.3 脉冲期间转矩变化的检测及转子时间常数的调整算法 |
| §5.3.4 仿真结果 |
| §5.4 本章小结 |
| 第6章 总结和展望 |
| §6.1 总结 |
| §6.2 进一步研究工作的展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 致谢 |
（7）基于参数辨识的异步电机效率优化（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 异步电机效率优化控制策略 |
| 1.2.1 搜索控制法研究现状 |
| 1.2.2 基于损耗模型的效率优化研究现状 |
| 1.2.3 混合控制法的研究现状 |
| 1.3 异步电机在线参数辨识研究现状 |
| 1.3.1 直接辨识方法 |
| 1.3.2 间接辨识方法 |
| 1.3.3 智能辨识方法 |
| 1.4 本文研究内容和结构安排 |
| 2 考虑铁损的异步电机模型及矢量控制 |
| 2.1 考虑铁损异步电机的数学模型及其仿真 |
| 2.1.1 考虑铁损异步电机的数学模型 |
| 2.1.2 模型验证 |
| 2.2 基于矢量控制控制的异步电机 |
| 2.2.1 矢量控制原理 |
| 2.2.2 考虑铁损的三相异步电动机矢量控制及仿真 |
| 2.3 本章小结 |
| 3 矢量控制下的异步电机效率优化 |
| 3.1 基于损耗模型的电机效率优化 |
| 3.1.1 异步电动机损耗分析 |
| 3.1.2 最佳转子磁通的求解 |
| 3.2 损耗模型法效率优化仿真 |
| 3.3 本章小结 |
| 4 基于卡尔曼滤波算法的异步电机的参数辨识 |
| 4.1 电机参数误差对基于模型的效率优化算法的影响 |
| 4.2 基于扩展卡尔曼滤波算法的电机参数辨识 |
| 4.2.1 扩展卡尔曼滤波算法原理 |
| 4.2.2 扩展卡尔曼滤波算法估计电机转子电阻 |
| 4.3 EKF估计电机转子电阻仿真 |
| 4.4 本章小结 |
| 5 基于MRAS及其改进算法的参数辨识 |
| 5.1 模型参考自适应理论 |
| 5.1.1 模型参考自适应原理 |
| 5.1.2 自适应结构设计 |
| 5.2 基于模型参考自适应辨识电机参数 |
| 5.2.1 辨识模型选取 |
| 5.2.2 基于电流-电压模型的MRAS参数辨识 |
| 5.3 基于单神经元模型参考自适应的电机参数辨识 |
| 5.3.1 单神经元模型介绍 |
| 5.3.2 单神经元PID控制器设计 |
| 5.3.3 单神经元PID控制器学习算法设计 |
| 5.4 基于MRAS参数辨识的仿真分析 |
| 5.4.1 待辨识参数时不变工况下的仿真分析 |
| 5.4.2 待辨识参数变化工况下的仿真分析 |
| 5.4.3 基于单神经元PID的参数辨识的仿真分析 |
| 5.5 基于MRAS参数辨识的异步电机效率优化 |
| 5.5.1 基于MRAS参数辨识的最佳磁链控制策略 |
| 5.5.2 基于MRAS参数辨识的异步电机效率优化仿真分析 |
| 5.6 本章小结 |
| 6 实验及分析 |
| 6.1 硬件平台介绍 |
| 6.1.1 实验平台框架 |
| 6.1.2 主电路 |
| 6.2 实验系统软件设计 |
| 6.2.1 主程序 |
| 6.2.2 效率优化算法程序设计 |
| 6.3 实验系统平台及实验结果分析 |
| 6.3.1 实验结果及分析 |
| 6.4 本章小结 |
| 7 本文总结与未来展望 |
| 7.1 本文总结 |
| 7.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间相关科研成果 |
（8）面向数控系统的自适应实时调度算法研究（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 国内外研究现状 |
| 1.2.1 工业革命与数控系统的发展 |
| 1.2.2 国外研究现状 |
| 1.2.3 数控系统的实时性需求 |
| 1.2.4 数控系统的自适应性需求 |
| 1.2.5 数控系统的低能耗需求 |
| 1.3 论文选题的动机及意义 |
| 1.4 论文结构与研究内容 |
| 第2章 实时调度理论与方法 |
| 2.1 实时调度相关理论 |
| 2.1.1 基本概念 |
| 2.1.2 任务的相关性 |
| 2.1.3 任务的分类 |
| 2.1.4 调度算法的性能评价标准 |
| 2.2 实时调度算法的分类 |
| 2.3 常用的实时调度策略 |
| 2.3.1 时间驱动(Time-driven)调度策略 |
| 2.3.2 优先级驱动(Priority-driven)调度策略 |
| 2.4 混合任务调度算法 |
| 2.5 本章小结 |
| 第3章 自适应调度算法 |
| 3.1 基本概念 |
| 3.2 自适应系统 |
| 3.2.1 自适应系统分类 |
| 3.2.2 自适应系统的特点 |
| 3.3 自适应调度算法 |
| 3.3.1 基于准入控制的策略 |
| 3.3.2 基于反馈控制的实时调度策略 |
| 3.3.3 弹性调度算法 |
| 3.4 本章小结 |
| 第4章 面向混合任务的反馈调度算法 |
| 4.1 相关研究 |
| 4.2 任务模型与假设 |
| 4.3 资源预留与常带宽服务器 |
| 4.3.1 资源预留 |
| 4.3.2 常带宽服务器 |
| 4.4 自适应带宽服务器(ABS) |
| 4.4.1 反馈控制回路 |
| 4.4.2 ABS服务器控制模型 |
| 4.4.3 ABS模型中控制器设计 |
| 4.4.4 ABS服务器中监管器的设计 |
| 4.5 AHSF框架 |
| 4.5.1 相关研究 |
| 4.5.2 调度模型 |
| 4.5.3 调度流程 |
| 4.6 实验验证与分析 |
| 4.6.1 针对软实时任务的测试 |
| 4.6.2 针对混合任务的测试 |
| 4.7 本章小结 |
| 第5章 面向混合任务自适应总带宽服务器算法 |
| 5.1 相关研究 |
| 5.2 系统模型和总带宽服务器算法 |
| 5.2.1 系统模型 |
| 5.2.2 总带宽服务器算法 |
| 5.3 自适应总带宽服务器(ATBS) |
| 5.4 基于资源回收的ATBS算法(ATBSRR) |
| 5.5 仿真实验 |
| 5.5.1 仿真方法 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 第6章 基于混合遗传算法的低能耗实时调度 |
| 6.1 相关研究 |
| 6.2 系统模型与问题描述 |
| 6.3 混合变邻域搜索的遗传算法 |
| 6.4 变邻域搜索 |
| 6.5 实验 |
| 6.5.1 实验设计 |
| 6.5.2 对比实验 |
| 6.6 本章小结 |
| 第7章 结束语 |
| 7.1 全文总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及攻读学位期间发表的学术论文与研究成果 |
（9）交流伺服系统高性能电流环控制策略研究（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 |
| 1.3 研究内容及意义 |
| 1.4 论文结构及章节排布 |
| 第二章 永磁同步电机伺服系统数学模型分析及矢量控制原理 |
| 2.1 交流永磁同步电机的基本构造 |
| 2.2 永磁同步电机伺服系统的数学模型 |
| 2.2.1 永磁同步电机的坐标系 |
| 2.2.2 坐标变换 |
| 2.2.3 永磁同步电机的数学模型 |
| 2.2.4 永磁同步电机伺服系统的内部环节构造分析 |
| 2.3 永磁同步电机的矢量控制原理 |
| 2.4 电压空间矢量脉冲宽度调制方法 |
| 2.5 PID控制器在控制系统中的应用 |
| 2.6 本章小结 |
| 第三章 基于改进粒子群优化算法的电流环参数自整定 |
| 3.1 粒子群优化策略的概念 |
| 3.1.1 粒子群优化算法的基本原理 |
| 3.1.2 粒子群优化算法的算法流程 |
| 3.1.3 粒子群优化算法中的参数分析及其设置方法 |
| 3.2 改进的粒子群优化算法 |
| 3.3 基于粒子群优化算法的电流环参数自整定控制器的设计 |
| 3.3.1 控制系统的性能指标分析 |
| 3.3.2 PI参数自整定基于改进粒子群优化算法的实现 |
| 3.4 改进粒子群优化算法PI参数自整定的评估 |
| 3.5 改进粒子群优化算法PI参数自整定的Simulink仿真 |
| 3.6 仿真结果 |
| 3.7 本章小结 |
| 第四章 永磁同步电机神经网络自适应控制 |
| 4.1 引言 |
| 4.2 单神经元自适应PID控制 |
| 4.2.1 单神经元基本模型 |
| 4.2.2 单神经元自适应PID控制结构及算法 |
| 4.2.3 单神经元自适应PID控制系统仿真实例 |
| 4.3 径向基函数神经网络整定PID控制 |
| 4.3.1 径向基函数神经网络构成机理、模型及学习算法 |
| 4.3.2 径向基函数神经网络整定PID控制系统结构及整定算法 |
| 4.3.3 径向基函数神经网络整定PID控制系统仿真实例 |
| 4.4 本章小结 |
| 第五章 伺服系统电流环参数自整定实验设计及研究 |
| 5.1 实验硬件平台搭建 |
| 5.1.1 实验伺服驱动器及电机 |
| 5.1.2 数字信号处理器DSP TMS320F280049 |
| 5.2 程序调试 |
| 5.3 硬件调试工作 |
| 5.4 改进粒子群优化算法参数自整定实验 |
| 5.5 实验结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）锂离子电池的分数阶多新息扩展卡尔曼滤波算法SOC估计研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 锂离子电池模型的研究现状 |
| 1.2.2 锂离子电池模型的参数辨识方法的研究现状 |
| 1.2.3 锂离子电池SOC的估计方法的研究现状 |
| 1.3 本文的主要研究工作及章节安排 |
| 第二章 锂离子电池主要特性分析及性能测试 |
| 2.1 锂离子电池主要特性分析 |
| 2.1.1 锂离子电池简介 |
| 2.1.2 锂离子电池的基本工作原理 |
| 2.1.3 锂离子电池的主要状态参数 |
| 2.2 锂离子电池性能测试 |
| 2.2.1 电池特性测试平台的搭建 |
| 2.2.2 最大可用容量测试 |
| 2.2.3 开路电压测试 |
| 2.2.4 欧姆内阻测试 |
| 2.3 本章小结 |
| 第三章 锂离子电池等效电路模型研究 |
| 3.1 锂离子电池等效电路模型分析 |
| 3.1.1 等效电路模型的优点及类型 |
| 3.1.2 Thevenin模型 |
| 3.1.3 PNGV电池模型 |
| 3.1.4 二阶RC等效电路模型 |
| 3.2 锂离子电池分数阶等效电路模型建立与分析 |
| 3.2.1 锂离子电池分数阶等效电路模型建立 |
| 3.2.2 锂离子电池分数阶等效电路模型的模型精度验证方法 |
| 3.2.3 锂离子电池分数阶等效电路模型精度验证与分析 |
| 3.3 本章小结 |
| 第四章 锂离子电池模型参数辨识方法研究 |
| 4.1 基于自适应遗传算法的参数辨识方法 |
| 4.1.1 自适应遗传算法原理 |
| 4.1.2 基于自适应遗传算法的参数辨识实验 |
| 4.2 基于蚁群算法的参数辨识方法 |
| 4.2.1 蚁群算法原理 |
| 4.2.2 基于蚁群算法的参数辨识实验 |
| 4.3 本章小结 |
| 第五章 锂离子电池的SOC估计方法研究 |
| 5.1 卡尔曼滤波以及扩展卡尔曼滤波算法 |
| 5.1.1 卡尔曼滤波算法 |
| 5.1.2 扩展卡尔曼滤波算法 |
| 5.2 分数阶多新息扩展卡尔曼滤波算法 |
| 5.2.1 分数阶扩展卡尔曼滤波算法 |
| 5.2.2 分数阶多新息扩展卡尔曼滤波算法 |
| 5.3 锂离子电池SOC估计精度验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 论文研究不足以及工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
四、高性能自适应调整参数的遗传算法（论文参考文献）
- [1]面向异构环境的联邦学习算法研究与实现[D]. 邹冰洋. 电子科技大学, 2021(01)
- [2]高性能数值微分博弈 ——一种机器智能方法[D]. 朱强. 浙江大学, 2020(01)
- [3]虚拟网络功能编排方法研究[D]. 袁泉. 战略支援部队信息工程大学, 2020
- [4]新型高性能钢框架-支撑结构体系理论及试验研究[D]. 李宗京. 东南大学, 2019(01)
- [5]大数据分析引擎性能自动优化关键技术研究[D]. 贝振东. 中国科学院大学(中国科学院深圳先进技术研究院), 2017(09)
- [6]三相异步电动机磁链观测器与参数辨识技术研究[D]. 金海. 浙江大学, 2006(08)
- [7]基于参数辨识的异步电机效率优化[D]. 周伟豪. 西安理工大学, 2021(01)
- [8]面向数控系统的自适应实时调度算法研究[D]. 彭阿珍. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [9]交流伺服系统高性能电流环控制策略研究[D]. 张铄. 电子科技大学, 2021(01)
- [10]锂离子电池的分数阶多新息扩展卡尔曼滤波算法SOC估计研究[D]. 黄凯成. 合肥工业大学, 2021(02)
标签：遗传算法matlab程序论文; 自适应算法论文; 系统辨识论文; 系统仿真论文; 人工智能论文;