一、基于目标优先级加权的一种传感器管理算法（论文文献综述）
韩培钰[1]（2021）在《基于WebGIS的目标探测设备优化协同系统的研究与实现》文中提出运动目标具有高度动态性和随机性,探测信息的井喷增长与实际场景探测设备资源的不足产生了冲突,如何高效管理多源异构探测设备,及时为它们动态地分配探测任务并组合执行,成为构建探测系统的关键问题。现有研究已实现了设备的接入及探测数据的存储,而在如何合理调度探测资源并优化系统探测性能方面尚有欠缺:仅单方面考虑或过于强调了决定设备探测效能的某一因素,未能搭建起完整的探测效能评价体系;缺乏系统最终效能的评估与反馈,没有形成探测闭环框架,不利于长期累计效益的提升;对于动态调度的时机和影响因素分析不足,没有保证调度决策的动态响应;对遗传求解算法的优化不足,算法的效率不高,易出现过早收敛域局部最优解、丢失或漏探目标等情况。为弥补现有工作不足,本文建立了对探测实际效果进行分析和评估的通用数学模型,完善了评价探测性指标体系与目标函数;搭建了基于优化调度、协同探测和效能评估反馈的设备资源优化配置闭环决策框架,以效能评价值为反馈环节引入决策过程;分析了触发设备资源动态调度的时机和场景,与以时间窗口为尺度的周期调度相结合增强了实时响应性;研究了基于贪婪策略的设备调度算法和改进遗传算法,适用于本文数学模型中,完善了基因编码规则,改进了选择算子和选择步骤,设计了自适应非线性交叉和变异算子,调整了符合任务实际约束的交叉、变异步骤,新增了基因交流步骤,通过与最新算法的对比实验证明其在收敛性和全局寻优能方面具有优势和创新性。此外,本文以地理信息系统（Geographic Information System,GIS）地图和React框架为前端可视化基础,以浏览器/服务器架构和组件化设计思想搭建了仿真系统,以海洋探测环境为应用场景,实现目标探测态势和设备动态调度结果的可视化,进行的功能测试和性能测试证明了本文研究内容具备可行性和有效性。
张晟宇[2]（2021）在《敏捷卫星多目标在轨协同观测技术研究》文中研究说明在对地观测与空间目标探测的应用中,森林火灾多火点蔓延、空间碰撞碎片爆发等突发情况会产生对大量目标快速响应观测的需求。敏捷卫星具备任务响应速度快、探测精度高,姿态机动能力强的特点,通过多颗敏捷卫星的有序调度可以满足以上观测需求。敏捷卫星多目标的协同观测问题对多星组网协同规划与调度提出了很高的时效性与星间信息动态交互的要求,同时为了满足卫星在轨实时响应,需要针对卫星的计算能力进行算法的设计与优化。本文主要以对地观测中的区域静态多目标问题及空间目标探测中的空间动态多目标协同观测问题作为基础问题开展敏捷卫星多目标在轨协同观测技术研究。本文的主要研究工作及创新点如下:（1）针对区域静态多目标的协同观测问题,进行了多目标观测任务的分析与建模,针对单星任务规划创新性地提出了一种启发式前后向链条优化组合在轨多目标观测序列规划方法,实现面向在轨应用百毫秒级大量目标观测路径的规划。（2）在多星协同层面设计了基于约束的分层协同观测策略,策略层通过能力划分、代价划分和简单优先的并行原则进行目标分配,规划层采用链条优化组合方法进行观测序列求解。该算法与遗传算法及模拟退火算法进行仿真对比分析,实验结果表明方法具有低计算开销、高收益的特点。（3）针对空间动态多目标的协同观测问题,设计了协同规划与调度流程,根据立体定位、引导交接、多目标轮巡等关键环节完成协同观测模型建模,对系统任务规划及调度进行了数学建模并提出了基于分组分层反馈机制的协同任务规划及调度方案求解框架,有利于系统调度任务的实时迭代优化。（4）在空间动态多目标的协同观测模型量化分析基础上,提出了基于投影法的二重覆盖分析与全球通信多重约束星座设计方法,降低了星座设计复杂度。构建低轨敏捷星座的网络模型,开展了协同观测任务的信息流分析。结合不同任务信息传输需求分析,提出了面向协同任务的基于动态链路负载加权时延优化路由算法,实验结果表明该方法在星间有限传输能力下满足负载均衡与高时效传输的星座协同信息网络传输要求。（5）根据低轨敏捷星座的结构对称性与运动周期性,设计了在全局与区域层面分组分层的多重调度策略,提出了全球区域管控值守分组策略和基于相对运动分析的动态快速分组策略。在任务规划与观测窗口调度求解问题中,提出了一种综合观测时长评估法与重要最长尽早分配原则结合的快速求解方法,实验结果表明该方法在较少的计算代价下实现了围绕任务目标的快速观测分组与规划调度方案求解。本文从低轨敏捷星座多目标协同观测问题的信息获取、信息处理、信息传输环节开展分析,在观测与网络的量化模型基础上,构建了多星协同与资源调度的架构,提出了面向协同任务的基于动态链路负载加权时延优化路由算法、综合观测时长评估法与重要最长尽早分配原则,并针对任务与资源的时空匹配性开展了全局与区域的管控策略研究。通过仿真分析,实验结果表明本文提出的任务规划模型、规划调度算法合理有效,研究中充分考虑了在轨的可实现性,算法设计具有低复杂度与高收益的特点,工程应用价值突出,并丰富了多目标协同观测问题的理论研究。
曹景铭[3]（2021）在《基于强化学习的电脑鼠优化方法研究》文中研究表明近年来,智能决策与控制技术得到了突飞猛进的发展,极大的提升了机器人应对复杂实际问题的能力,并逐渐发展为国家层面的战略。电脑鼠是一种嵌入式移动机器人,能够自主探索未知迷宫,并实现最短路径冲刺。为了在狭小复杂的迷宫中高速运行,电脑鼠对控制与决策的性能要求较高,长期处于机器人领域的研究热点。强化学习技术能够让智能体从环境中总结规律,以“试错”的方式提升决策性能,是一种重要的机器学习方法。本文针对迷宫探索阶段的决策过程,提出了一种新颖的电脑鼠优化方法,研究了强化学习技术应用于电脑鼠行为决策的可行性和有效性,并对决策性能进行仿真分析和实际验证。本文的主要研究内容如下:（1）针对电脑鼠迷宫探索决策问题,总结了国内外研究现状,详细介绍了电脑鼠控制系统结构和关键技术;在分析决策目标的基础上,阐述了传统方法的决策流程,提出了电脑鼠行为决策的性能评价指标;通过介绍深度强化学习决策技术,明确了本文的研究内容,奠定了本文的理论基础。（2）在分析电脑鼠迷宫结构的基础上,提出了随机迷宫生成方法,根据部分可观测的马尔可夫决策过程,搭建了迷宫探索环境模型,设计了形式化环境奖励方式;通过视野重建技术,采用卷积神经网络提取环境特征,使用双重深度Q网络构建了强化学习决策模型,详细阐述了决策模型的训练管理方法;通过仿真实验测试模型效果,结果表明其与传统方法的平均胜率约为55%,表明标准决策模型具备有效性和提升空间。（3）根据电脑鼠行为决策特点,通过分析标准模型存在的问题,从多角度对决策模型进行优化研究。利用长短期记忆网络对历史信息的整合能力,优化了决策模型结构;提出了并行探索训练方法,改进了决策模型的训练管理方法;基于洪水预推演方法,提出了电脑鼠行为效果的预测模型,实现了人工经验和强化学习的决策融合。通过仿真实验,证明了各改进方法的有效性,以及组合优化效果。实验结果表明,当三种优化方法组合应用时,决策模型与传统方法的平均胜率约为96%,具有最好的性能表现。（4）根据电脑鼠开发流程,使用云服务器、My SQL数据库、硬件在环仿真技术、C#和Python程序设计语言,设计并实现了智能电脑鼠开发平台,将强化学习决策方法应用于嵌入式设备。实际应用效果表明,智能决策方法能够达到嵌入式电脑鼠对实时性的要求,证明了研究的实用性。本文共有图45幅,表15个,参考文献55篇。
陈安钢[4]（2021）在《工业烟丝干燥过程建模与先进控制策略研究》文中提出工业干燥是一项能源密集型的过程,大多数工业干燥过程的能源效率及质量性能偏低。在不断上升的能源成本和愈加激烈的全球化竞争中,干燥过程的能源消耗和质量性能必须得到改善。研究者往往更多地研究干燥过程的机理和模拟仿真,而对干燥过程的操作控制研究甚少。干燥过程的主要成本并不是在初期的投资（设计和装配）,而是在日常运行的干燥过程优化。控制策略对于提高能源效率和获得理想的干燥产品质量至关重要,改善的方法和策略是建立合理的干燥模型和使用有效的控制策略优化干燥过程。在工业干燥过程中,大多数优化控制策略都是基于模型设计的,在控制调节问题中,模型的预测值被用来产生最优控制动作;在估计问题中,基于模型的预测值与工业实际测量数据协调来产生系统最优状态和参数估计。系统模型不仅有助于了解系统内部机理行为,而且是整个控制系统协同优化的基础,因此干燥过程建模是控制研究中首要解决的问题。大多数干燥模型研究从工艺角度来建立,主要的作用是模拟干燥过程以及了解干燥过程各物理变量的变化规律,模型非常复杂且很多涉及到高维度偏微分动态模型,利用该模型进行干燥过程实时控制策略比较困难。作为控制策略研究者更关注模型对后续的控制策略实施的影响,线性模型过于简化并不能精确描述复杂的干燥过程,变量之间的耦合性考虑很少。基于第一原理/机理（能量、质量和动量平衡）的非线性模型不仅能准确地描述干燥过程的复杂动态特性,而且在其他干燥过程/条件下容易移植和扩展这些模型的使用。为了得到干燥过程的最优干燥条件、更好的质量性能以及更高的能源效率,通常基于第一原理模型的优化控制策略是首选。本文主要的研究工作如下:首先,本文基于实际干燥过程（烟丝干燥过程）的相关变量因素客观分析、干燥过程数据主成分分析以及干燥过程机理分析建立起四阶非线性第一原理模型。第一原理模型具有一般性,不仅对于其他干燥过程具有很强的模型移植性和扩展性,而且能够建立起高度复杂且精确的系统模型。其次,针对工业干燥过程存在不可测量或难以测量的状态变量及物理参数,通过能够处理非线性模型及约束的滚动时域估计算法进行估计,避免花费大量精力去测量验证干燥过程中一些难以测量的物理量,以及为后续优化控制提供精确的模型。最后,针对工业干燥过程模型存在自由度不足的控制难题,设计出三种控制策略对其进行优化控制,都取得良好的控制效果。本文主要的创新点如下:（1）设计了烟丝干燥过程的非线性滚动时域估计策略。由于烟丝干燥过程为非线性模型且存在难以测量的未知参数和状态变量以及系统约束,常规的时域估计策略很难处理非线性问题及系统约束,并且不能同时估计出干燥过程模型的未知参数和状态变量。本文设计的非线性滚动时域估计策略（L1-Norm Moving Horizon Estimation,L1-Norm MHE）能显式处理系统非线性及各类约束。基于滚动时域窗口,优化策略只利用最邻近的时域窗口数据同时估计出系统状态变量及未知参数,与全信息时域估计策略相比,该策略不仅有精确的估计结果,而且减少了优化计算负载及计算时间。通过实例仿真对比,发现L1-Norm MHE估计策略在面对复杂工况（数据异常值、噪声、数据漂移）时,更能抑制异常工况,鲁棒性及精确性优于其他算法。该估计策略为后续工业干燥过程的优化控制层提供实时的状态和未知参数估计,改进干燥过程的优化控制效果。（2）提出了烟丝干燥过程的区域非线性模型预测控制策略。针对烟丝干燥系统为多变量非方模型（模型的操作变量数目小于输出变量数目）,存在控制自由度不足的问题。常规模型预测控制往往会导致输出变量存在稳态误差,控制精度及产品质量可能会受到很大影响。本文提出的区域模型预测控制（Zone Model Predictive Control,ZMPC）将烟丝出口水分w无偏差地控制在设定值上。其他被控输出变量不需要严格控制在设定值上,放松其他输出变量的控制要求,只要其在给定的设定区域内即可。放松设定值的策略在一定程度上提高了系统的控制自由度,满足系统关键输出变量的控制要求,消除了输出变量的稳态误差。区域模型预测控制独特特点是采用区域参考轨迹,只有当模型的预测值超过这个区域参考轨迹时,优化器才会改变操作变量。与传统的设定点跟踪模型预测控制相比,区域模型预测控制（ZMPC）具有更好的跟踪性能和鲁棒性能以及控制器最小动作的经济特性,关键是让烟丝出口水分跟踪设定值无任何稳态误差。（3）研究了烟丝干燥过程的优先级多目标非线性模型预测控制策略。针对非线性多变量模型的烟丝干燥过程,系统的被控输出变量间存在相互耦合竞争的矛盾。再加上干燥过程是一个自由度不足的非方模型,如何在有限的操作变量下优先满足系统最为关键的被控输出变量是非方系统迫切需要解决的问题。本文提出将优先级多目标优化策略引入到模型预测控制策略框架上,利用优先级多目标优化是处理系统目标间存在相互竞争的最佳解决策略。对干燥过程被控输出变量进行优先级升序排序依次优化,优先满足优先级高的被控输出变量的工艺要求。针对被控输出变量可能额外受到不同的目标约束,在确定具体被控输出变量的优先级后,对此变量的目标约束进行优先级降序划分,先放松优先级低的目标约束,一旦优化可行时,停止放松其他优先级高的目标约束,最终使系统被控输出变量沿最佳目标轨迹运动。通过控制策略仿真验证,优先级多目标控制策略优先满足烟丝出口水分的目标要求下,降低其他三个输出变量控制目标,以达到干燥过程最优控制效果。与区域模型预测控制比较,设计的控制策略更多地反映工业操作者对干燥过程的主观意愿的要求。（4）开发了烟丝干燥过程的双层非线性模型预测控制策略。对烟丝干燥过程模型进一步分析,发现系统输入输出稳态值的相容性和唯一性都是由于上层优化（Real Time Optimization,RTO）不合理的设定值及模型自由度不足造成的,导致输入输出稳态关系无法求解。系统输出变量存在稳态误差的根本原因是被控输出变量的设定值不合理。针对这一根本原因,本文在上层优化（RTO）和控制层之间增加一个稳态目标优化层（Steady State Objective Optimization,SSTO）,结合当前阶段工艺过程重新优化输出变量的设定值,从而开发出双层模型预测控制（Steady State Objective Optimization-Model Predictive Control,SSTO-MPC）策略。通过控制策略验证,SSTO-MPC控制策略比传统模型预测控制具有更好的跟踪能力和抗干扰能力,与区域模型预测控制及优先级多目标模型预测控制策略相比,SSTO-MPC控制策略具有更严格的理论优化操作设定值,实施更科学合理。
张世豪[5]（2021）在《无线充电传感器网络中基于强化学习的高效多路充电研究》文中认为作为物联网技术中的重要组成部分,无线传感器网络技术已广泛运用于各领域。然而,传感器节点有限的电池容量制约了无线传感器网络的工作寿命。一旦传感器节点电池能量耗尽,会影响某区域的监控质量。因此,如何克服该约束并延长整个网络的寿命是一个研究的热点问题。当前,无线充电被视为延长网络寿命的一种有前途的解决方案。传统的无线充电技术是基于单路的充电范式。然而,这种一对一的充电范式存在扩展性不足和充电效率低下等问题。幸运的是,近年来出现的多路充电技术可雇用一辆移动充电器在同一充电范围内同时为多个传感器节点补充电量,从而大大提高了移动充电器的充电能力。为了简化计算,大多数现有的多路充电算法都预先限制了移动充电器的停靠位置,如预划分和共置的方式。与现有研究不同的是,本文关注于如何在不预先限制任何停靠位置的情况下实现高效的多路充电。为了实现本文的目标,引入一个新的指标,即充电奖励,以衡量充电的有效性。进一步地,本文将高效充电问题公式化为充电奖励最大化问题,即为一辆能量有限的移动充电器选择一系列停靠点并构成一条充电路径,累积每个停靠点处的奖励情况,以使得移动充电器在一个充电周期后收集的充电奖励最大化。针对无预设限制带来的不确定数量（甚至近无穷多）潜在停靠位置的高复杂性,以及在线充电策略的生成,本文采用强化学习算法来应对上述问题。在本文的模型中,区别于其他利用强化学习技术的充电策略,本文不仅考虑了传感器节点的多种基础状态信息（例如节点剩余寿命和节点的相对位置关系）,还考虑了移动充电器的轨迹信息,以便指导模型的学习主体选择停靠位置。以此,提出了一种基于强化学习的多路充电算法（RLMC）,实现高效充电的目的。此外,为进一步提高充电算法的效率、优化无线传感器网络的性能,本文对模型学习主体的充电动作进行一种解耦操作,以减少强化学习网络中训练样本间的关联性,帮助网络减少过度估计的可能性。另外,本文为每一条训练样本序列赋予其优先级,并设计了一种基于最小堆的加权抽样算法,依照优先级选取网络模型的训练样本。基于此,将两种技术手段与基础的RLMC算法相结合,提出一种基于Double Q抽样改进的高效多路充电算法（HWD-RLMC）,改良模型的输出。最后,本文分别对两种充电算法进行了大量仿真实验,用于评估所提算法的性能。实验分别在总充电奖励、节点死亡总时长和死亡节点数量三个方面进行了对比,其实验结果验证了本文所提算法的优势。其中,还分析了参数对网络性能的影响。同时,本文对实验过程及结果进行了一系列分析,以更好说明基于强化学习算法生成的充电方案的有效性。
张婷[6]（2020）在《面向车联网智能信息传输的关键新技术研究》文中研究表明车联网（Internet of Vehicles）作为汽车驾驶、电子信息、交通运输等行业深度融合的新型产业形态,越来越成为各国竞相发展的重要方向。车联网以车内网、车际网和车载移动互联网为基础,利用先进的人工智能、信息处理、通信传输、电子传感及控制等技术,在车与X（X:车、路、人、服务平台）间进行无线通讯和信息交换,是实现智能交通、信息服务和车辆智能控制的一体化网络。车联网是一个典型的高速移动的通信网络,涉及动态交通场景中的信息传输、交互、重组、后台数据分析、决策支持等多个过程,信息在多种通信场景之间进行高效、可靠、智能地传输是研究的核心和关键。车联网特殊的应用环境以及节点的高速移动特性,使其在无线通信方面具有拓扑呈带状且频繁变化、路由连接可靠性差、链路传输时延大、数据采集及通信容易造成数据缺失等问题。本文针对车联网智能信息传输上述热点关键问题,从消息智能广播分发、车联网数据缺失修复以及数据分组路由传输三个方面进行了研究,即本文的论题“面向车联网智能信息传输的关键新技术研究”,研究内容和创新之处如下:（1）针对车联网消息广播分发,提出一种基于跨层的消息智能分发新方法（CLCBF,Cross-Layer Contention-Based Forwarding）,以抑制局部广播风暴现象的发生,提高信息传输的实时性和有效性。该方法首先分析和研究冗余杂散分发问题;然后,在此基础上构建数学模型,计算和评估关键性能指标;接下来,实现基于跨层的时延转发自适应传输控制。通过车辆节点流动的蒙特卡罗模拟验证了所提出的方法。实验表明,所提方法提高了分布式消息分发的性能,有效地促进了车联网数据传输的智能水平。（2）针对车联网数据缺失修复,提出一种基于FNN的张量异质集成车联网缺失数据估计新方法（FTEL,FNN-Based Tensor Ensemble Learning）,以应对车联网数据缺失、异常数据等低质问题。该方法首先基于车联网数据流特征构建张量模型;然后,将异质集成思想引入其归算建模中;接下来,利用模糊神经网络优化对张量分解及补全方法进行自适应动态加权异质集成,有效地提高归算精度。通过实证研究,证明了该算法的适用性和有效性。在随机数据元素缺失以及光纤结构性缺失情境下都能产生较为准确的归算结果。（3）针对数据分组路由传输,提出一种基于群智感知策略的可靠车联网数据传输新方法（VGCD,Vehiclar Grouping-Communicated Data）,以提高信息传输的可靠性和高效性。该方法从基于车联网的城市环境监测这一新兴应用入手,进行数据感知检测与传输一体化设计,分两个部分:一是感知监测采集部分,基于城市空气质量采集的车辆群智感知协同监测,避免信息的冗余和通信过载。二是数据传输部分,提出一种可靠数据传输最小延迟混合路由方法。算法基于编码机制设计冗余策略提高数据传输的可靠性,将编码机制与路由设计相结合,融合路由切换思想,以最小化延迟为目标进行基于概率的路由决策。在直线路段,提出基于模糊逻辑预测的车辆自适应连通性分簇路由算法,降低车辆协作过程中的通信开销,确保网络的高连通性;在交叉路口,提出基于概率的最小延迟路由决策算法,降低信息传输时延。实验表明,所提方法有效地提高了数据感知采集与传输效率,增加了传输的可靠性。
简捷[7]（2020）在《基于以太网的列车通信网络多业务调度优化策略研究》文中指出随着信息技术的发展,人工智能、大数据、云计算、物联网等先进技术与轨道交通装备不断深度融合,高速动车组体现出智能化和信息化的核心特征。列车通信网络（Train Communication Network,TCN）在承载控制数据之外,需要产生、整合、传输、处理更多源、更大量、更高维的运行及服务数据,实现多业务数据的融合传输。虽然实时以太网技术的引入大大扩展了TCN的带宽,但目前多业务数据在网络中所采用的仍是多网并存、低流量运行的实时性保障方法。在新的业务需求迅速扩展的要求下,为保证多种类型数据的实时性、安全性、可靠性,提升网络资源的利用率,需要对基于以太网的TCN多业务通信的传输模型与调度机制进行深入研究。本文从实时周期数据、实时非周期数据和流媒体数据三种类型业务的传输需求出发,分别讨论了数据的通信模型、网络资源调度算法以及实时性分析方法,主要研究成果如下:1、基于时间触发的实时周期数据调度优化。建立基于时间触发机制的TCN周期数据调度模型;分析以太网TCN的时延构成,并在此基础上形成实时周期数据调度的统一时态约束条件;为兼顾控制与调度性能,构建基于数据抖动和负载均衡的周期调度表优化模型;针对优化模型,提出基于模糊控制的量子粒子群自适应优化算法和基于可调度性排序的可满足性模块理论约束规划算法,进行周期数据时间触发调度表的计算;在TCN拓扑下,基于随机流量进行调度表的性能评估,证明算法的有效性。2、实时非周期数据队列调度优化。依据TCN优先级业务特点,建立实时非周期数据与时间触发数据的融合传输机制,并在此基础上提出实时非周期数据的动态平滑加权轮询-最小截止期优先两级调度方案,综合考虑业务排队长度、优先级、差错丢包数量等因素对轮询权重的影响,避免高优先级业务数据长时间阻塞端口;通过平滑调整轮询顺序,保证子队列轮询公平性与均衡性,提高网络业务整体的时延性能;通过二级截止期调度,保证在同一优先级队列内,紧急数据的优先转发。3、实时非周期数据队列时延的理论计算与实测估计方法优化。在理论时延计算方法上,建立实时非周期数据随机网络演算模型,允许业务在规定的概率下超出统计边界,推导在基于多跳交换机网络的周期、非周期数据融合传输机制下,多优先级队列轮询的理论时延上限。在现场测试方法上,建立实时业务数据端到端递交延误率的先验概率分布,通过统计有限时间内,测试样本中超过截止期的延误帧数量,建立基于贝叶斯规则的延误率后验概率模型,将时延测试问题转化为统计学的置信度问题,为TCN现场实时性指标的测试时间及样本数量的选择提供理论依据。4、基于定价机制与纳什均衡的流媒体数据带宽分配策略。在时间触发周期模型的基础上,建立TCN控制系统与流媒体数据融合传输的模型,分析业务传输的实时性保障性能。结合TCN带宽资源及流媒体数据业务特点,提出一种基于业务体验质量、网络传输性能和缓存要求的流媒体数据网络效用综合评价模型。基于经济学的执行理论与定价机制,将流媒体数据带宽分配问题转换为非合作博弈纳什均衡的求解问题;针对流媒体数据系统效用私密性、决策分散性特点,设计分布式策略定价机制进行码率与带宽的协商与定价,并通过实验验证了算法的有效性。5、搭建基于列车实时数据协议的TCN多业务传输验证平台。以典型的以太网TCN的两级结构与网络拓扑为原型,完成验证平台的设计。通过列车实时控制系统,以太网TCN状态感知系统及列车流媒体播放系统进行平台组网实验,对不同网络负载下的列车通信质量进行时延、抖动及业务平稳性的测试,验证本文所提算法的有效性。
丁春山[8]（2020）在《传感器管理技术研究现状与展望》文中指出简述了传感器管理技术研究的总体概况,包括定义、作用、管理对象、结构和功能模型。提出了传感器管理是复杂的动态多目标优化问题,分析了解决该难题的技术研究现状,主要涵盖传感器管理问题建模、优化目标设计、多目标优化、博弈论应用等。从传感器融入体系、传感器网络化集成应用和算法智能化3个方面展望了传感器管理技术发展方向。
魏华[9]（2020）在《面向物联网近端服务的缓存技术研究》文中研究说明随着物联网技术的不断发展,各种物联网应用与服务层出不穷,为用户享受舒适、高效、便捷的生活提供了源源不断的动力,也为社会的发展注入了新的活力。物联网近端服务让信息服务位置尽可能的靠近服务使用者,可以在资源受限的物联网环境下为其提供更加高效的信息服务。根据物联网服务对资源的使用情况,可以将物联网服务分为三种类型:数据传输密集型服务、计算密集型服务、综合性物联网服务。针对不同类型的物联网服务可以分别采用数据缓存技术、服务缓存技术以及缓存感知的计算卸载等方式为其构建高效的近端服务模式。可以看到,构建近端服务的各种方式均与缓存息息相关,缓存技术可以说是构建物联网近端服务模式的核心之一。因此,对面向物联网近端服务的缓存技术展开深入研究,具有十分重要的理论价值和实际意义。本文针对不同类型的物联网近端服务,分别从数据缓存、服务缓存、计算卸载中的缓存置换以及缓存感知的卸载策略等角度出发展开研究,提出了一系列新模型和新方法:（1）针对物联网环境下网内数据缓存问题,研究ICN架构下的数据缓存技术,提出了基于拉格朗日启发式算法的近似全局最优解和分布式局部最优解决方案;实现了在不增加额外通信开销情况下对数据缓存放置位置的本地计算。并针对周期性数据新鲜度的保障问题,在NDN模型基础上提出了一种周期性数据主动更新机制,实现了在保证数据新鲜度的同时最小化网络数据传输量的目标。通过构建基于NDNSIM的仿真实验环境,从网络数据流量、数据新鲜度等多个角度验证了所提出理论的有效性。实验结果表明,局部最优的分布式缓存算法可以平均减少约12.6%的网络流量,周期性数据主动更新机制可以平均减少约33.8%的网络流量。（2）针对物联网环境下服务缓存问题,尤其是针对物联网设备移动性较强的特性,研究了移动感知的服务分配与缓存策略。首先,研究了基于频繁模式挖掘的运动轨迹预测模型,并结合当前服务缓存状态提出了基于目标位置的服务分配算法,以最大化本地边缘服务器服务用户数为目标实现了移动感知的服务分配。然后,基于服务请求的短期动态变化规律和长期历史数据构建在线服务缓存预测模型,以缓存未来一段时间内本地最流行的服务为目标提出了服务缓存决策算法。通过分析本地服务比例和平均服务响应时间,验证了所提出的移动感知的服务分配与缓存策略的有效性。（3）针对计算卸载过程中缓存置换对计算卸载策略的影响,以最大化本地数据缓存价值为目标,研究了价值驱动的缓存置换问题,并提出了一种价值驱动的缓存置换算法。首先,通过引入相应计算任务的优先级,更准确地定义了数据的缓存价值;然后,以最大化平均缓存价值和缓存项数量为目标,将缓存置换问题定义为多目标优化问题,并提出了一种基于理想点法的缓存置换算法。该算法保证了高缓存价值的数据可以被优先缓存。实验结果表明,价值驱动的缓存置换算法可以将平均缓存价值提高约22.53%。（4）针对计算卸载位置选择问题,研究了缓存感知的计算卸载策略。以最小化所有任务的等效加权响应时间为目标,形式化定义了缓存感知的计算卸载位置选择问题;提出了基于运输问题的离线最优解,并转化为在线解决方案;该在线计算卸载策略可以根据当前缓存内容选择适合的位置进行计算任务的卸载。实验结果表明,所提出的在线计算卸载策略可以逼近全局最优解,其加权响应时间平均减少了约 26.13%。
段益琴[10]（2020）在《基于多目标优化的多机器人路径规划研究》文中提出随着自动化物流系统的发展,移动机器人作为运输系统的关键工具,各方面的技术得到了快速的发展。多移动机器人路径规划是机器人导航研究领域中极具挑战性的问题。多机器人路径规划是一个多目标优化问题,如何实现机器人间的路经协调,机器人的避障,并如何保证路径规划的多个优化目标能够同时、合理的优化是该问题的研究难点。本文对自动化物流系统中多机器人系统进行了研究。分析了当前多机器人路径规划技术,并完成了分层路径规划方案的总体设计,第一层为全局路径规划,第二层为局部路径协调。在全局路径规划的问题中,大多算法有收敛速度慢和收敛不足的缺点,而且大多只考虑了单一的路径长短这一个目标,导致路径存在不平滑,安全性能不好的问题。本文提出了融合天牛须搜索算法（Beetle Antennae Search,BAS）和粒子群算法（Particle Swarm Optimization,PSO）的天牛群算法（Beetle Swarm Optimization,BSO）,并对多个目标采取加权和的方法,实现多个目标的优化。通过BSO算法和遗传算法以及自适应惯性权重粒子群算法的路径规划结果对比,证明本文提出的算法加快了搜索速度,得到的路径整体平滑性更好、路径更短、离障碍物更远。在BSO算法的进一步研究中发现,采用加权的优化方法得到的路径不能很好地平衡多个目标。因此,在BSO算法的基础上引入帕累托支配（Pareto）概念,提出了多目标天牛群算法（Multi-Objective Beetle Swarm Optimization,MOBSO）,使得算法可以得到多个解。对于多目标算法大多存在的多样性不足和收敛于Pareto前沿不够的问题,在路径规划中引入不可行解的外部存档策略,将经过障碍物的不可行路径与可行路径相结合,增强边缘搜索以得到更优解。通过单个机器人的仿真验证了改进算法可以规划出更多的可行路径,且路径的分布性和收敛性更好。在第二层路径避碰协调中,针对多机器人路径协调中机器人的安全性欠缺问题,本文改进了优先级算法,提出了限制区域的策略,以实现机器人更有效地避开冲突。通过仿真结果表明改进算法在解决多机器人避碰上的可行性,并与改进的算法对比,验证了改进算法可以提高机器人的安全性能。在搭建的多机器人实验平台上进行实验,实现了改进的全局路径规划算法和避碰算法在实际机器人路径规划中的应用,并证明了改进算法的有效性。
二、基于目标优先级加权的一种传感器管理算法（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、基于目标优先级加权的一种传感器管理算法（论文提纲范文）
（1）基于WebGIS的目标探测设备优化协同系统的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 论文创新内容 |
| 1.3 论文组织结构 |
| 第二章 相关基础与国内外研究介绍 |
| 2.1 基础理论与技术介绍 |
| 2.1.1 目标探测技术 |
| 2.1.2 待探测目标运动模型 |
| 2.1.3 设备优化管理框架 |
| 2.2 国内外研究现状与相关工作 |
| 2.2.1 设备优化管理 |
| 2.2.2 设备智能分配求解算法 |
| 2.3 本章小结 |
| 第三章 目标探测设备优化调度模型的研究与设计 |
| 3.1 协同管理调度的闭环结构 |
| 3.2 设备动态调度分析 |
| 3.2.1 动态调度场景与时机 |
| 3.2.2 共探测度 |
| 3.2.3 信息熵增量与设备故障 |
| 3.3 基于效能函数的目标-设备协同调度模型 |
| 3.3.1 模型分析 |
| 3.3.2 优先级的评估 |
| 3.3.3 目标-设备适配系数 |
| 3.3.4 设备协同水平 |
| 3.3.5 探测成本和代价 |
| 3.3.6 约束条件 |
| 3.4 本章小结 |
| 第四章 目标探测设备优化调度算法研究与实现 |
| 4.1 基于贪婪策略的算法研究与实现 |
| 4.2 改进遗传算法的研究与实现 |
| 4.2.1 个体编码与种群的初始化 |
| 4.2.2 改进选择算子 |
| 4.2.3 设备编号交叉 |
| 4.2.4 变异与基因交流 |
| 4.2.5 算法终止 |
| 4.3 系统效能评估算法的研究与实现 |
| 4.4 算法算例与仿真实验分析 |
| 4.4.1 基于贪婪策略调度算例分析 |
| 4.4.2 改进遗传算法仿真与结果分析 |
| 4.5 本章小结 |
| 第五章 目标探测设备优化协同仿真系统的实现与测试 |
| 5.1 控制中心调度算法输入实现 |
| 5.1.1 GIS地图实现 |
| 5.1.2 目标多维度输入数据实现 |
| 5.1.3 目标-设备信息图谱实现 |
| 5.2 调度控制算法输出可视化实现 |
| 5.2.1 设备探测航迹可视化实现 |
| 5.2.2 设备分配与多维度数据信息展示实现 |
| 5.2.3 效能评估可视化实现 |
| 5.3 测试目标与测试环境 |
| 5.4 系统功能测试 |
| 5.4.1 AIS雷达与声呐探测航迹测试 |
| 5.4.2 多设备探测数据可视化测试 |
| 5.4.3 目标-设备信息图谱可视化测试 |
| 5.4.4 动态调度可视化测试 |
| 5.4.5 效能评估与反馈改进测试 |
| 5.5 系统性能测试 |
| 5.5.1 响应性测试 |
| 5.5.2 稳定性测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（2）敏捷卫星多目标在轨协同观测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 敏捷卫星任务规划研究现状 |
| 1.2.2 空间动态多目标协同观测研究现状 |
| 1.2.3 空间分布式协同组网技术研究现状 |
| 1.2.4 多星协同系统与协同规划技术发展现状 |
| 1.2.5 多约束星座设计技术研究现状 |
| 1.2.6 研究现状总结 |
| 1.3 论文主要工作 |
| 1.3.1 论文研究思路与研究内容 |
| 1.3.2 论文主要创新点 |
| 1.3.3 论文组织结构 |
| 第2章 区域静态多目标多星自主协同技术 |
| 2.1 引言 |
| 2.2 敏捷成像卫星工作模式与任务流程 |
| 2.2.1 敏捷成像卫星的工作模式 |
| 2.2.2 敏捷成像卫星成像过程 |
| 2.3 区域静态多目标观测问题描述 |
| 2.3.1 协同观测问题 |
| 2.3.2 卫星间协同架构 |
| 2.4 基于前后向链条优化组合方法的单星任务规划方法 |
| 2.4.1 单星多目标观测问题描述 |
| 2.4.2 单星任务规划模型 |
| 2.4.3 前后向链条多目标观测序列规划算法设计 |
| 2.4.4 仿真校验 |
| 2.5 基于约束的分层协同观测策略 |
| 2.5.1 协同观测问题 |
| 2.5.2 协同观测规划模型 |
| 2.5.3 基于约束的分层协同规划方法 |
| 2.6 仿真验证 |
| 2.6.1 仿真场景设置 |
| 2.6.2 并行规划原则观测结果对比分析 |
| 2.6.3 并行规划原则+OFBCCM与参考算法规划结果对比分析 |
| 2.7 小结 |
| 第3章 空间动态多目标协同观测架构研究 |
| 3.1 引言 |
| 3.2 空间动态多目标协同观测任务分析 |
| 3.2.1 低轨敏捷卫星星座空间动态多目标观测问题 |
| 3.2.2 低轨敏捷卫星星座任务流程 |
| 3.2.3 重要概念定义 |
| 3.2.4 低轨敏捷卫星星座协同的主要特点 |
| 3.3 空间动态多目标协同观测总体架构研究思路 |
| 3.3.1 关键问题 |
| 3.3.2 研究工作思路 |
| 3.4 低轨敏捷卫星空间动态多目标协同调度模型 |
| 3.4.1 空间动态目标协同观测模型 |
| 3.4.2 低轨敏捷卫星空间动态多目标协同调度模型 |
| 3.4.3 任务规划与调度数学模型 |
| 3.4.4 协同任务规划及调度方法 |
| 3.5 小结 |
| 第4章 面向协同观测的星座设计与组网技术研究 |
| 4.1 引言 |
| 4.2 基于协同观测与通信组网双重约束的星座设计 |
| 4.2.1 星座设计目标 |
| 4.2.2 基于立体观测与组网通信约束的星座设计 |
| 4.2.3 低轨敏捷星座设计结果 |
| 4.3 面向协同的星座网络架构 |
| 4.3.1 协议架构 |
| 4.3.2 星间链路及传输性能分析 |
| 4.3.3 星座的周期性运动特性 |
| 4.3.4 星座拓扑结构 |
| 4.3.5 星座传输时延仿真 |
| 4.4 协同过程信息流分析及网络传输要求分析 |
| 4.4.1 系统协同信息流分析 |
| 4.4.2 协同信息类型即传输要求分析 |
| 4.4.3 面向协同的传输需求分析 |
| 4.5 面向协同的路由算法研究 |
| 4.5.1 卫星网络模型 |
| 4.5.2 面向协同的信息传输策略 |
| 4.5.3 仿真分析 |
| 4.6 小结 |
| 第5章 基于星座时空特征的任务规划与资源调度策略研究 |
| 5.1 引言 |
| 5.2 低轨敏捷星座实时决策与调度问题研究 |
| 5.2.1 低轨敏捷星座决策与调度流程 |
| 5.2.2 全局决策问题 |
| 5.2.3 区域决策问题 |
| 5.3 多重优化全局分组策略 |
| 5.3.1 全球分区管控值守分组策略 |
| 5.3.2 基于相对运动分析的动态快速分组策略 |
| 5.4 基于多重策略的调度方案求解方法 |
| 5.4.1 基于多重策略的调度流程 |
| 5.4.2 目标与卫星的可见性分析 |
| 5.4.3 区域观测窗口调度方案求解 |
| 5.5 仿真分析 |
| 5.5.1 仿真输入条件 |
| 5.5.2 卫星分组结果分析 |
| 5.5.3 观测窗口分配结果分析 |
| 5.6 小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 后续工作与展望 |
| 参考文献 |
| 附录1 仿真参数 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于强化学习的电脑鼠优化方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究综述 |
| 1.2.1 电脑鼠迷宫探索方法 |
| 1.2.2 基于强化学习的智能决策技术 |
| 1.2.3 研究现状总结 |
| 1.3 论文内容和结构安排 |
| 2 电脑鼠迷宫探索决策理论 |
| 2.1 电脑鼠控制系统及关键技术 |
| 2.1.1 电脑鼠控制系统结构 |
| 2.1.2 关键技术分析 |
| 2.2 迷宫探索决策任务分析 |
| 2.2.1 决策目标 |
| 2.2.2 传统决策方法 |
| 2.2.3 性能评价指标 |
| 2.3 基于强化学习的智能决策理论 |
| 2.3.1 强化学习理论 |
| 2.3.2 基于深度神经网络的强化学习方法 |
| 2.4 本章小结 |
| 3 基于强化学习的电脑鼠智能决策研究 |
| 3.1 基于随机迷宫的环境模型 |
| 3.1.1 随机迷宫生成方法 |
| 3.1.2 基于部分可观测马尔可夫决策过程的环境模型 |
| 3.1.3 环境奖励设置 |
| 3.2 基于双重深度Q网络的电脑鼠决策模型 |
| 3.2.1 基于视野重建的观测信息预处理 |
| 3.2.2 基于卷积神经网络的环境特征提取方法 |
| 3.2.3 基于双重深度Q网络的策略学习方法 |
| 3.3 决策模型的训练管理 |
| 3.3.1 基于ε贪心算法的策略探索方法 |
| 3.3.2 基于优先级经验回放的离线训练方法 |
| 3.4 仿真实验和结果分析 |
| 3.4.1 仿真流程及平台 |
| 3.4.2 训练超参数初始化 |
| 3.4.3 确定环境奖励方式 |
| 3.4.4 模型训练参数调优 |
| 3.4.5 决策模型性能测试 |
| 3.5 本章小结 |
| 4 面向电脑鼠智能决策方法的优化研究 |
| 4.1 基于长短期记忆网络的模型结构优化 |
| 4.1.1 长短期记忆网络 |
| 4.1.2 基于长短期记忆网络的策略学习方法 |
| 4.1.3 模型训练过程分析 |
| 4.2 基于并行策略探索的训练过程优化 |
| 4.2.1 并行在线训练方法 |
| 4.2.2 基于并行离线训练的策略探索方法 |
| 4.2.3 模型训练过程分析 |
| 4.3 基于人工经验的策略融合优化 |
| 4.3.1 基于洪水预推演方法的人工经验模型 |
| 4.3.2 基于人工经验的电脑鼠决策模型 |
| 4.3.3 模型训练过程分析 |
| 4.4 决策优化效果分析 |
| 4.4.1 独立优化效果分析 |
| 4.4.2 组合优化效果分析 |
| 4.5 本章小结 |
| 5 智能电脑鼠开发平台的设计与实现 |
| 5.1 平台功能及总体结构 |
| 5.1.1 平台功能需求分析 |
| 5.1.2 平台结构框架 |
| 5.2 决策模型训练子系统 |
| 5.2.1 模型训练服务器 |
| 5.2.2 模型训练管理软件 |
| 5.3 硬件在环验证子系统 |
| 5.3.1 硬件在环仿真平台 |
| 5.3.2 模型性能验证软件 |
| 5.3.3 智能决策效率分析 |
| 5.4 嵌入式智能决策电脑鼠 |
| 5.4.1 硬件结构 |
| 5.4.2 决策控制流程 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 研究内容总结 |
| 6.2 主要创新点 |
| 6.3 论文展望 |
| 参考文献 |
| 图索引 |
| 表索引 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）工业烟丝干燥过程建模与先进控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 工业干燥过程建模及先进控制策略研究的背景及意义 |
| 1.3 工业干燥过程建模及先进控制策略研究的现状分析 |
| 1.3.1 工业干燥过程的研究现状 |
| 1.3.2 工业干燥过程建模的研究现状 |
| 1.3.3 工业干燥过程先进控制策略的研究现状 |
| 1.3.4 工业干燥过程建模及先进控制策略相关研究之不足 |
| 1.4 本文的主要研究工作和创新点 |
| 1.5 符号说明 |
| 第2章 工业烟丝干燥过程机理数学建模 |
| 2.1 引言 |
| 2.2 工业烟丝干燥过程建模相关研究概况 |
| 2.3 工业干燥过程建模理论方法 |
| 2.3.1 控制系统数学模型 |
| 2.3.2 工业过程主要建模法 |
| 2.4 工业烟丝干燥过程 |
| 2.4.1 烟丝干燥过程工艺描述 |
| 2.4.2 烟丝干燥设备结构及工艺要求 |
| 2.4.3 工业烟丝干燥过程建模 |
| 2.4.4 烟丝干燥过程控制方案 |
| 2.5 系统控制周期内层级间协同优化 |
| 2.5.1 有限元正交配置法 |
| 2.5.2 非线性约束优化算法 |
| 2.6 本章小结 |
| 第3章 基于非线性滚动时域估计器的状态和参数估计 |
| 3.1 引言 |
| 3.2 状态估计方法相关概述 |
| 3.3 滚动时域估计(MHE)相关概述 |
| 3.4 全信息估计策略(FIE) |
| 3.5 有限滚动时域估计(MHE) |
| 3.6 状态及参数的滚动时域估计 |
| 3.7 工业干燥过程估计算法鲁棒性对比 |
| 3.7.1 基于线性模型的各类状态估计策略对比 |
| 3.7.2 基于非线性模型的L1-Norm 估计器和L2-Norm 估计器对比 |
| 3.8 本章小结 |
| 第4章 烟丝干燥过程的区域非线性模型预测控制 |
| 4.1 引言 |
| 4.2 干燥过程系统及控制策略相关概述 |
| 4.3 非方多变量系统的非线性控制策略 |
| 4.4 区域模型预测控制策略 |
| 4.5 干燥过程控制策略结果分析 |
| 4.5.1 负载跟踪能力测试的结果 |
| 4.6 本章小结 |
| 第5章 烟丝干燥过程的优先级多目标非线性模型预测控制 |
| 5.1 引言 |
| 5.2 多目标MPC优化算法结构 |
| 5.3 多目标MPC可行性判定及软约束调整 |
| 5.4 多目标优先级及目标约束优先级调整 |
| 5.5 多目标MPC控制策略仿真验证 |
| 5.5.1 单变量系统的多目标控制策略验证 |
| 5.5.2 多变量系统的多目标控制策略验证 |
| 5.6 本章小结 |
| 第6章 烟丝干燥过程的双层非线性模型预测控制 |
| 6.1 引言 |
| 6.2 烟丝干燥系统及性能指标概述 |
| 6.3 非线性滚动时域估计与实时优化 |
| 6.3.1 非线性滚动时域估计(NMHE) |
| 6.3.2 实时优化设计(RTO) |
| 6.4 子层稳态目标优化设计(SSTO) |
| 6.4.1 SSTO可行性判断 |
| 6.4.2 SSTO目标跟踪 |
| 6.4.3 SSTO经济优化 |
| 6.4.4 SSTO可行性与经济优化的协调 |
| 6.5 集成SSTO的 MPC |
| 6.6 控制策略验证 |
| 6.6.1 系统参数和约束 |
| 6.6.2 SSTO和 RTO的优化设定值 |
| 6.6.3 最优操作设定值跟踪能力测试的结果 |
| 6.6.4 非方系统的控制策略对比 |
| 6.7 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 攻读学位期间发表论文清单 |
| 攻读学位期间承担的科研项目 |
| 致谢 |
（5）无线充电传感器网络中基于强化学习的高效多路充电研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于单路充电方式的相关研究 |
| 1.2.2 基于多路充电方式的相关研究 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 无线充电传感器网络与强化学习相关概述 |
| 2.1 无线充电传感器网络概述 |
| 2.1.1 传感器技术 |
| 2.1.2 无线充电传感器网络 |
| 2.2 强化学习概述 |
| 2.2.1 强化学习基本原理 |
| 2.2.2 马尔可夫决策过程 |
| 2.2.3 强化学习最优策略 |
| 2.2.4 强化学习相关算法 |
| 2.3 强化学习在无线传感器网络中的相关研究 |
| 2.4 本章小结 |
| 第3章 充电模型及问题定义 |
| 3.1 系统模型 |
| 3.2 充电奖励定义 |
| 3.3 问题定义 |
| 3.4 问题转化 |
| 3.5 本章小结 |
| 第4章 基于强化学习的高效多路充电算法 |
| 4.1 高效多路充电的强化学习模型 |
| 4.1.1 模型更新方式 |
| 4.1.2 强化学习充电模型 |
| 4.2 强化学习充电算法 |
| 4.2.1 数据预处理 |
| 4.2.2 算法流程 |
| 4.3 实验评估 |
| 4.3.1 实验环境设置 |
| 4.3.2 实验对比算法 |
| 4.3.3 性能对比 |
| 4.3.4 参数改变对算法的影响 |
| 4.3.5 实验分析 |
| 4.4 本章小结 |
| 第5章 基于Double Q抽样改进的高效多路充电算法 |
| 5.1 Double Q更新方式 |
| 5.2 加权抽样算法 |
| 5.2.1 带优先级的存储复用 |
| 5.2.2 基于MinHeap的加权随机采样算法 |
| 5.3 策略改进的强化学习充电算法 |
| 5.4 实验评估 |
| 5.4.1 实验对比算法 |
| 5.4.2 性能对比与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）面向车联网智能信息传输的关键新技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 选题背景 |
| 1.1.2 依托课题 |
| 1.2 车联网概述 |
| 1.2.1 车联网概念及体系结构 |
| 1.2.2 车联网基本特征 |
| 1.2.3 车联网通信 |
| 1.2.4 车联网应用 |
| 1.3 研究的目的和意义 |
| 1.4 本文主要研究内容 |
| 1.5 本文组织结构 |
| 第二章 车联网信息传输的相关技术 |
| 2.1 车联网DSRC/WAVE通信技术 |
| 2.1.1 IEEE802.11p协议 |
| 2.1.2 IEEE1609协议 |
| 2.1.3 MAC层 CSMA/CA机制 |
| 2.1.4 MAC层 TDMA机制 |
| 2.2 消息广播分发机制 |
| 2.2.1 消息广播分发机制及面临的挑战 |
| 2.2.2 消息广播分发协议分类与分析 |
| 2.2.3 消息广播分发跨层干扰受限的功率分配策略 |
| 2.3 车联网数据缺失修复 |
| 2.3.1 张量概念与运算 |
| 2.3.2 张量修复与填充理论 |
| 2.3.3 车联网数据缺失估计机制 |
| 2.4 数据分组传输路由协议 |
| 2.4.1 基于拓扑结构的路由协议 |
| 2.4.2 基于地理位置贪婪路由协议 |
| 2.4.3 基于簇的分层结构路由协议 |
| 2.4.4 基于条件预测及其它路由协议 |
| 2.5 本章小结 |
| 第三章 面向车联网应用环境的消息智能分发新方法 |
| 3.1 引言 |
| 3.2 消息分发时间分析 |
| 3.2.1 消息分发协议抑制“泛洪”冗余杂散分发方法 |
| 3.2.2 冗余杂散分发问题的产生 |
| 3.3 智能消息分发新方法模型 |
| 3.3.1 物理层信道模型 |
| 3.3.2 MAC层策略 |
| 3.3.3 网络层消息分发时延转发机制 |
| 3.3.4 基于跨层的消息分发时延转发策略 |
| 3.4 基于跨层的自适应智能消息分发方法(CLCBF) |
| 3.5 仿真分析与实验测试 |
| 3.5.1 仿真分析 |
| 3.5.2 实验测试 |
| 3.6 本章小结 |
| 第四章 基于FNN的张量异质集成车联网缺失数据估计新方法 |
| 4.1 引言 |
| 4.2 车联网数据集张量设置与性能度量 |
| 4.2.1 数据集张量设置 |
| 4.2.2 车联网数据来源 |
| 4.2.3 性能度量指标 |
| 4.3 算法描述 |
| 4.3.1 基于FNN的张量异质集成模型 |
| 4.3.2 算法策略 |
| 4.3.3 模糊神经网络优化 |
| 4.3.4 基于FNN的张量异质集成缺失数据估计方法的设计 |
| 4.3.5 算法复杂度分析 |
| 4.4 实验测试和讨论 |
| 4.4.1 性能度量 |
| 4.4.2 性能分析 |
| 4.5 本章小结 |
| 第五章 基于群智感知策略的可靠车联网数据传输新方法 |
| 5.1 引言 |
| 5.1.1 研究的主要问题 |
| 5.1.2 研究现状 |
| 5.2 系统概述与建模 |
| 5.2.1 系统概述 |
| 5.2.2 系统建模 |
| 5.3 基于群智感知策略的可靠车联网数据分组传输新方法 |
| 5.3.1 方法概述 |
| 5.3.2 算法策略 |
| 5.4 仿真分析与实验测试 |
| 5.4.1 仿真环境设置 |
| 5.4.2 实验分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（7）基于以太网的列车通信网络多业务调度优化策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 背景与意义 |
| 1.2 基于以太网的列车通信网络 |
| 1.2.1 列车通信网络的基本要求 |
| 1.2.2 实时以太网的研究现状 |
| 1.2.3 基于以太网的列车通信网络应用 |
| 1.3 基于以太网的列车通信网络多业务调度 |
| 1.3.1 TCN多业务数据分类 |
| 1.3.2 TCN多业务数据调度 |
| 1.3.3 相关问题研究现状 |
| 1.4 论文整体结构 |
| 2 基于FQPSO和 SMT理论的实时周期业务调度优化 |
| 2.1 引言 |
| 2.2 周期任务调度优化建模 |
| 2.2.1 时间触发通信机理 |
| 2.2.2 列车通信网络建模 |
| 2.2.3 任务调度约束条件 |
| 2.2.4 抖动与负载均衡目标 |
| 2.3 模糊控制量子粒子群算法 |
| 2.3.1 量子粒子群算法 |
| 2.3.2 收缩-扩张系数与势阱长度关系 |
| 2.3.3 基于模糊控制的量子粒子群自适应优化算法 |
| 2.4 基于可调度性排序SMT的时间触发调度 |
| 2.4.1 可满足性模块理论 |
| 2.4.2 周期业务可调度性排序 |
| 2.5 调度表性能评估 |
| 2.5.1 算法流程 |
| 2.5.2 网络环境 |
| 2.5.3 算例分析 |
| 2.6 本章小结 |
| 3 实时非周期业务调度与分析优化方法 |
| 3.1 引言 |
| 3.2 实时非周期数据融合调度模型 |
| 3.2.1 实时非周期数据传输特征 |
| 3.2.2 实时非周期数据融合传输机制 |
| 3.2.3 动态平滑加权轮询—最小截止期优先两级调度 |
| 3.3 基于随机网络演算的实时非周期数据时延计算 |
| 3.3.1 随机网络演算理论 |
| 3.3.2 TCN实时非周期数据到达与服务过程 |
| 3.3.3 TCN实时非周期数据积压与时延边界计算 |
| 3.4 基于贝叶斯规则的实时非周期业务时延估计方法 |
| 3.4.1 业务端到端时延测试 |
| 3.4.2 数据帧延误先验与后验概率分布 |
| 3.4.3 基于目标置信度的端到端数据延误率估计算法 |
| 3.5 算例仿真与分析 |
| 3.5.1 随机网络演算算例分析 |
| 3.5.2 DSRR-EDF调度仿真 |
| 3.5.3 贝叶斯时延测试方法分析 |
| 3.6 本章小结 |
| 4 基于定价机制与纳什均衡的流媒体数据带宽分配策略 |
| 4.1 引言 |
| 4.2 列车通信网络流媒体数据融合传输模型 |
| 4.2.1 流媒体数据业务传输特征 |
| 4.2.2 流媒体数据融合调度模型 |
| 4.2.3 流媒体数据带宽决定因素 |
| 4.2.4 流媒体数据综合效用评价模型 |
| 4.3 基于策略定价机制与纳什均衡的流媒体数据码率竞争策略 |
| 4.3.1 执行理论与定价机制 |
| 4.3.2 基于纳什均衡的流媒体数据码率策略定价机制 |
| 4.3.3 策略定价机制设计及求解 |
| 4.3.4 纳什均衡解的有效性 |
| 4.3.5 基于策略定价机制的调度算法设计 |
| 4.4 仿真分析 |
| 4.4.1 仿真平台结构 |
| 4.4.2 流媒体QoE性能参数拟合 |
| 4.4.3 基于策略定价机制的码率竞争仿真 |
| 4.5 本章小结 |
| 5 基于以太网的列车通信网络多业务传输验证平台 |
| 5.1 引言 |
| 5.2 验证平台总体设计 |
| 5.2.1 TCN多业务系统结构 |
| 5.2.2 总体设计 |
| 5.3 基于TCN的多业务子系统设计 |
| 5.3.1 基于TRDP的实时通信子系统 |
| 5.3.2 基于TRDP-MIB的以太网TCN状态感知子系统 |
| 5.3.3 基于MPEG DASH的 PIS视频播放子系统 |
| 5.4 平台组网实验 |
| 5.4.1 实时周期数据调度实验 |
| 5.4.2 实时非周期数据调度实验 |
| 5.4.3 流媒体数据调度实验 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 全文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）传感器管理技术研究现状与展望（论文提纲范文）
| 0 引言 |
| 1 传感器管理技术总体概况 |
| 1.1 传感器管理定义 |
| 1.2 传感器管理在信息融合中的作用 |
| 1.3 传感器管理的管理对象 |
| 1.3.1 单传感器 |
| 1.3.2 单平台多传感器 |
| 1.3.3 多平台多传感器 |
| 1.4 传感器管理的体系结构 |
| 1.4.1 集中式结构 |
| 1.4.2 分布式结构 |
| 1.4.3 分层式结构 |
| 1.5 传感器管理的功能模型 |
| 1.5.1 系统设计方面 |
| 1.5.2 算法方面 |
| 2 技术研究现状 |
| 2.1 传感器管理问题建模 |
| 2.1.1 线性规划 |
| 2.1.2 序贯决策 |
| 2.2 传感器管理优化目标建模 |
| 2.3 多目标优化方法 |
| 2.4 博弈论的应用 |
| 3 展望 |
| 3.1 融入体系一体化 |
| 3.2 集成运用网络化 |
| 3.3 算法灵活智能化 |
| 4 结论 |
（9）面向物联网近端服务的缓存技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状与问题 |
| 1.2.1 近端服务发展现状 |
| 1.2.2 网内数据缓存 |
| 1.2.3 物联网服务缓存 |
| 1.2.4 计算卸载 |
| 1.3 研究内容和主要贡献 |
| 1.4 本文的章节安排 |
| 第二章 相关研究工作 |
| 2.1 网内数据缓存技术的相关研究 |
| 2.2 服务缓存技术的相关研究 |
| 2.3 计算卸载技术的相关研究 |
| 2.4 缓存置换技术的相关研究 |
| 2.5 本章小结 |
| 第三章 基于ICN的分布式网内数据缓存 |
| 3.1 引言 |
| 3.2 基于ICN的数据缓存位置计算 |
| 3.2.1 信息中心网络 |
| 3.2.2 系统模型与问题定义 |
| 3.2.3 基于拉格朗日启发式算法的集中式近似最优解 |
| 3.2.4 基于拉格朗日松弛过程的分布式缓存位置选择 |
| 3.3 NDN周期性数据主动更新机制 |
| 3.3.1 命名数据网络模型 |
| 3.3.2 改进的NDN系统模型 |
| 3.3.3 周期性数据主动更新算法 |
| 3.4 实验与性能评估 |
| 3.4.1 分布式缓存位置选择算法性能评估 |
| 3.4.2 周期性数据主动更新机制性能评估 |
| 3.5 本章小结 |
| 第四章 移动感知的服务分配与缓存策略 |
| 4.1 引言 |
| 4.2 移动感知的边缘云服务系统模型 |
| 4.2.1 移动感知的边缘云服务系统架构 |
| 4.2.2 问题定义 |
| 4.3 基于位置预测的服务分配策略 |
| 4.3.1 理想的目标位置预测模型 |
| 4.3.2 轨迹信息的频繁模式挖掘 |
| 4.3.3 服务分配算法 |
| 4.4 基于神经网络模型的服务缓存预测 |
| 4.4.1 服务请求量预测模型 |
| 4.4.2 服务缓存决策算法 |
| 4.4.3 模型性能分析 |
| 4.5 实验与性能评估 |
| 4.5.1 实验环境 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 第五章 基于缓存优化的计算卸载机制 |
| 5.1 引言 |
| 5.2 缓存感知的计算卸载模式 |
| 5.2.1 计算卸载过程 |
| 5.2.2 缓存管理机制 |
| 5.3 价值驱动的缓存置换算法 |
| 5.3.1 系统模型及问题定义 |
| 5.3.2 多目标优化问题求解 |
| 5.3.3 基于理想点法的缓存置换算法 |
| 5.4 缓存感知的计算卸载位置选择 |
| 5.4.1 计算卸载位置选择问题定义 |
| 5.4.2 计算卸载位置选择问题的离线最优解 |
| 5.4.3 计算卸载位置选择的在线解决方案 |
| 5.5 实验与性能评估 |
| 5.5.1 缓存置换算法性能评估 |
| 5.5.2 计算卸载位置选择算法性能评估 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文及参与的科研项目 |
（10）基于多目标优化的多机器人路径规划研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 国内外研究概况 |
| 1.2.1 单机器人路径规划研究概况 |
| 1.2.2 多目标优化路径规划研究概况 |
| 1.2.3 多机器人避碰研究概况 |
| 1.3 多机器人路径规划的总体方案设计 |
| 1.4 本论文的主要研究内容及章节安排 |
| 1.5 本章小结 |
| 第2章 基于加权多目标优化的机器人路径规划 |
| 2.1 粒子群算法 |
| 2.2 天牛群算法(BSO) |
| 2.2.1 天牛须算法(BAS) |
| 2.2.2 融合天牛须和粒子群算法的天牛群算法 |
| 2.2.3 天牛群算法性能测试 |
| 2.3 基于BSO算法的路径规划 |
| 2.3.1 问题描述和环境建模 |
| 2.3.2 路径优化的适应度函数 |
| 2.3.3 基于BSO算法的路径规划实现 |
| 2.3.4 仿真实验结果与分析 |
| 2.4 本章小结 |
| 第3章 基于多目标天牛群算法的机器人路径规划 |
| 3.1 多目标优化理论与方法 |
| 3.2 多目标天牛群算法的改进 |
| 3.2.1 多目标天牛群算法(MOBSO)的提出及改进 |
| 3.2.2 多目标优化算法的性能测试方法 |
| 3.2.3 MOBSO算法实验分析 |
| 3.3 基于MOBSO算法的路径规划 |
| 3.4 本章小结 |
| 第4章 多机器人路径规划 |
| 4.1 多机器人群体控制系统方法 |
| 4.2 多移动机器人系统路径规划 |
| 4.2.1 滚动窗口算法 |
| 4.2.2 路径协调策略 |
| 4.2.3 多机器人冲突预测判断及避碰 |
| 4.2.4 多机器人碰撞风险度 |
| 4.2.5 多机器人路径规划步骤 |
| 4.3 多机器人路径规划仿真实验 |
| 4.4 本章小结 |
| 第5章 多机器人路径规划系统搭建及验证 |
| 5.1 系统结构设计 |
| 5.1.1 功能模块设计 |
| 5.1.2 硬件平台搭建 |
| 5.2 路径规划实验 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 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 |
四、基于目标优先级加权的一种传感器管理算法（论文参考文献）
- [1]基于WebGIS的目标探测设备优化协同系统的研究与实现[D]. 韩培钰. 北京邮电大学, 2021(01)
- [2]敏捷卫星多目标在轨协同观测技术研究[D]. 张晟宇. 中国科学院大学(中国科学院微小卫星创新研究院）, 2021(02)
- [3]基于强化学习的电脑鼠优化方法研究[D]. 曹景铭. 北京交通大学, 2021(02)
- [4]工业烟丝干燥过程建模与先进控制策略研究[D]. 陈安钢. 东华大学, 2021(01)
- [5]无线充电传感器网络中基于强化学习的高效多路充电研究[D]. 张世豪. 四川大学, 2021(02)
- [6]面向车联网智能信息传输的关键新技术研究[D]. 张婷. 天津理工大学, 2020
- [7]基于以太网的列车通信网络多业务调度优化策略研究[D]. 简捷. 北京交通大学, 2020(03)
- [8]传感器管理技术研究现状与展望[J]. 丁春山. 系统工程与电子技术, 2020(12)
- [9]面向物联网近端服务的缓存技术研究[D]. 魏华. 北京邮电大学, 2020(01)
- [10]基于多目标优化的多机器人路径规划研究[D]. 段益琴. 重庆邮电大学, 2020(02)