分享6篇关于分布估计算法的计算机专业论文

今天分享的是关于分布估计算法的6篇计算机毕业论文范文, 如果你的论文涉及到分布估计算法等主题,本文能够帮助到你

面向Flow-shop的多约束排产优化技术研究

这是一篇关于MES,流水车间,分布估计算法,分支定界的论文, 主要内容为自2015年中国提出并开展实施“中国制造2025”以来,制造业的创新发展以智能制造为主攻方向,大力推行不同行业和规模的制造企业构建适宜的智能化信息管理系统。制造执行系统(Manufacturing Execution System,MES)即为智能化信息管理系统的一部分,是智能制造的研究热点之一。本文研究了面向流水车间的多约束排产优化技术及其在MES中的应用。本文结合应用企业的车间现状和加工流程,对MES的系统架构和工作流程进行了设计,并且将系统的服务功能分为用户管理、生产管理和基础管理三大功能模块。针对带准备时间的流水车间调度问题,提出了一种改进分布估计算法,在该算法中采用了矩阵数组作为概率模型,对其更新机制也进行了相应的改进,并且在采样过程中使用了动态调整概率模型的策略,提高了算法全局搜索的能力。针对带准备时间的有限缓冲区的流水车间调度问题,对改进分布估计算法进行了应用方面的研究,使得改进分布估计算法能有效地求解该类调度问题。针对无阻塞调度中对有限缓冲区容量的优化问题,提出了一种改进分支定界法,该方法使用了基于变步长的分支方法,提高了算法的搜索效率,并且结合改进分布估计算法进行实验分析,验证了改进分支定界法的有效性。基于上述研究,本文采用Spring+Spring MVC+Mybatis框架开发了一个B/S网络结构模式的后台管理系统,该系统作为MES的原型系统,具有用户管理、生产管理和基础管理三大功能模块。并且在其生产管理功能模块中内置了多约束的流水车间调度优化算法。该系统实现了企业对车间信息的智能化综合管理,对提高车间生产效率和企业信息化管理水平有着重要理论价值和工程应用价值。

面向Flow-shop的多约束排产优化技术研究

混合差分—分布估计算法及其在车间调度中的应用研究

这是一篇关于差分进化算法,分布估计算法,置换流水车间调度,作业车间调度的论文, 主要内容为伴随着计算机集成制造系统(CIMS)的发展,智能车间调度已经成为提高企业生产效率的重要途径。车间调度问题是一类NP-hard组合优化问题,随着问题规模的扩大,问题复杂度随之升高。相比传统的确定性和启发式算法,智能优化算法(IOA)因其搜索效率高、鲁棒性强、可移植性强,而被广泛应用于车间调度中。分布估计算法(EDA)是一种基于概率统计学的搜索算法,运用概率模型描述基因变量间的相互联系,具有良好的全局搜索能力。差分进化算法(DE)是一种启发式随机搜索算法,通过交换个体间方向和距离信息产生后代。混合算法结合不同算法的寻优特点,因而具有较好的搜索性能。针对此,本文研究了混合差分-分布估计算法及其在车间调度问题中的应用,主要内容包括：(1)根据EDA和DE算法的特点,引进了基于优秀种群适应度学习因子改进了两种算法的搜索机制,进而提出了基于自适应增量学习策略的混合差分-分布估计算法(AILHDE-EDA)。该算法混合了两种搜索机制,加快收敛速度,提高求解精度；同时运用马尔科夫链分析了AILHDE-EDA算法的收敛性,并用仿真实验证明了该算法是有效性。(2)引入了LOV (Larger-Order-Value)规则将AILHDE-EDA中的连续变量映射到工件序列,用于解决置换流水车间调度问题(PFSP),同时设计了基于工件的局部搜索算法加强局部搜索能力。利用SOV (Small-Order-Value)规则将AILHDE-EDA用于解决作业车间调度问题(JSP)。最后,对标准车间调度问题的测试证明了AILHDE-EDA解决两类车间调度问题的有效性。(3)针对智能优化算法解决组合优化问题的不足,结合了DE和EDA的特性,提出了一种混合离散差分-分布估计算法(HDDE-EDA)用以解决PFSP。在概率模型不再用于采样生成个体,而是产生一个指导个体用于指导交叉和变异产生后代;同时,采用了多样的变异和交叉方式来平衡全局搜索和局部搜索,并通过变邻域搜索(VNS)来进一步提高局部搜索能力。仿真实验比较了HDDE-EDA与PFSP经典调度算法结果,证明了HDDE-EDA解决PFSP问题的优越性。

面向Docker的微服务部署策略研究

这是一篇关于Docker容器,微服务,多目标优化,人工蜂群算法,分布估计算法的论文, 主要内容为Docker是一种开源的云计算应用容器引擎,由于具有使得数量巨大的应用程序在已有的服务器上运行的能力,而受到广泛的关注。将Docker技术与微服务相结合可以显著改善性能,但与此同时也带来了如何有效部署的问题。本文在多目标人工蜂群算法(MOABC)的基础上,使用改进的MDA(Marginal Distribution Algorithm)算法作为邻域搜索策略,提出了一个称为MOMDA-ABC(Multi-Objective Marginal Distribution Algorithm ABC)的算法。该算法能够减少部署着微服务的Docker容器间的通信距离和主机数,从而使得云计算平台的性能得以有效提升。MOMDA-ABC的特点在于利用MDA构建Con组用于建立变量的关系作为邻域搜索策略,以此解决离散型多变量相关的优化问题。同时改进虚拟化部署问题传统的二进制编码方式,使得空间复杂度由O(N*n*m)降低到O(N*m),从而降低了算法的运行时间。分布估计算法是将基于群体的进化策略与概率统计相结合,从而能够使得分布估计算法能够很好的处理复杂的优化问题,在这篇论文中提出的MOMN-EDA算法利用Markov网络模型作为概率模型,通过改进概率模型较少的选择变量数量以进行新个体的生成。实验结果也证明该方法的有效性。这项研究的意义在于,提出两种求解多变量相关的多目标优化问题,不仅有效的解决了由Docker平台部署微服务所带来的优化问题,而且有利于促进多变量相关的多目标优化问题的深入研究,对多变量相关的多目标优化问题的实际应用具有重要的意义。