一、Research into Optimization Algorithm Based on Immune Mechanism（论文文献综述）
颜宝苹[1]（2021）在《基于仿生模型的无人机集群协同跟踪策略研究》文中研究表明随着世界各国科学技术的进步,未来空中作战将呈现出高度无人自主、智能化集群协同、大范围广域作战等特点,使得未来空中战场的复杂程度大幅度提升,对复杂环境下空战装备态势感知、目标跟踪、抗干扰等作战能力提出挑战。其中,无人机集群已然成为未来空中战场的主要作战形式。本文以无人机集群为研究对象,重点研究集群协同目标跟踪问题,主要涉及到无人机集群目标探测、目标跟踪以及跟踪航迹规划等问题,主要工作如下:（1）针对无人机集群目标探测问题,利用传染病能够快速进行信息传播的特点,提出了一种基于传染病仿生模型的集群协同目标探测策略。通过对传染病传播过程中涉及的生物机理进行分析,建立了传染病仿生模型,该模型包括直接传染、交叉传染、免疫修复和病毒量累积等四个子过程。将其映射到无人机集群目标探测中,以实现数据驱动作用下目标信息在集群内的快速传播,使得整个集群在保持协调一致的同时能够快速准确的做出响应。基于目标跟踪背景的仿真结果表明,该模型作用下的无人机集群实现了对移动目标的持续探测。（2）针对无人机集群目标跟踪问题,受生物应对病毒入侵时的免疫反应和自我调节机制的启发,提出了一种基于免疫仿生模型的集群协同目标跟踪策略。通过对生物免疫系统的工作机制进行分析,建立生物免疫仿生模型,该模型包括抗体生成机制、抗体选择机制和免疫细胞调节机制等。利用抗体选择机制选择出合适的无人机进行目标跟踪,不仅能够完成目标跟踪的任务,提高目标跟踪精度,同时还减少了无人机集群资源的消耗。仿真结果证明,该模型作用下的无人机集群可实现对目标的有效跟踪,并且在跟踪过程中保持队形。（3）针对无人机集群跟踪航迹规划问题,为确保无人机在安全通过障碍区域的同时实现对目标的有效跟踪,提出了一种基于传染-免疫仿生优化的集群航迹规划策略。通过对病毒传染机制及个体自身免疫机制进行分析,建立传染-免疫仿生优化策略。将其应用至无人机集群跟踪航迹规划中,并以具有绝对免疫性的个体实现对障碍区域的建模,其余个体实现对无障碍区域的建模,在个体病毒量更新机制的作用下,经过多次传播之后可生成一条病毒量最大的路线。仿真结果证明,相较于蚁群算法,该方法具有更快的收敛速度且寻优效果更佳。
王菁华[2]（2020）在《基于智能优化的复杂网络社区发现技术研究》文中研究指明复杂网络系统渗入每个人的日常生活,大到互联网系统小到社交圈网络,这些复杂网络中包含着人类的活动轨迹特点,了解这类特点有助于指导人类生活,比如有效地进行社交推广,资源分配等。社区结构是复杂网络的重要特征,检测复杂网络的社区结构是分析复杂网络的不可或缺的一部分。现实复杂网络普遍具有动态特性,研究出用于动态复杂网络中社区结构关系的算法极具挑战性,也是未来社区检测的主流方向。本文对动态复杂网络社区检测进行研究,采取多目标优化解决思路并结合智能算法中的遗传算法和免疫机制,提出一种基于双层标签的多目标免疫动态检测算法（DYN-MDLIGA）。DYN-MDLIGA基于聚类演化框架,在初始时刻采用一种建立在遗传框架之上的静态算法,在初始化阶段利用双层标签传播,保留重要节点标签,确保算法稳定性和高效性;在遗传操作时采用了S型Sigmoid函数构建自适应交叉变异算子,可以在早熟收敛和收敛速度慢之间取得平衡;并采用多目标优化策略,避免模块度造成的分辨率限制,并且在全局搜索中加入局部搜索优化,实验证明算法能够实现精确检测的同时获得多层次的社区结构。在动态检测的后续时刻中,在遗传算法中引入了免疫机制,设置免疫浓度因子调节抗体浓度,构建免疫选择浓度低适应度值高个体的策略,保证种群多样的同时避免早熟收敛;采用基于邻位标签的疫苗接种方式,提高个体被选择概率和加快种群收敛速度。通过对人工合成网络和真实网络的实验验证,DYN-MDLIGA算法的检测结果准确性高于对比算法,同时获得多层次的检测结果。
马新卫[3]（2020）在《多源数据驱动的互联网租赁自行车智能调度优化方法》文中研究指明随着城市机动车保有量持续攀升,空气污染、道路拥堵、出行困难等交通问题日益凸显,发展公共交通系统已成为共识。租赁自行车系统作为城市公共交通不可或缺的一部分,能提高道路资源利用率、缓解交通拥堵、有效解决居民出行“最后一公里”问题,是契合当前社会低碳发展的绿色出行方式。目前,租赁自行车系统主要分为两种形态:定桩公共自行车模式与无桩互联网租赁自行车模式,后者作为移动互联网和租赁自行车融合发展的新型服务模式,近年来在我国得到了迅猛的发展。相较于传统的定桩公共自行车,处于探索发展期的互联网租赁自行车企业运营经验较少,导致系统运维调度管理缺乏相应的理论指导,制约着系统健康有序的发展。鉴于此,本文应用多源数据对互联网租赁自行车的时空特性进行分析,建立基于深度学习的短时需求量预测模型,从微观层面提出了激励机制作用下的用户参与调度策略,并从宏观层面分别构建了互联网租赁自行车静态和动态调度优化模型,设计相应的算法对模型进行求解,最后基于南京市互联网租赁自行车历史骑行数据进行了实例验证。首先,在对多源数据进行格式优化和数据清洗的基础上,运用GIS平台实现了多源数据空间属性的融合;以互联网租赁自行车历史骑行数据为输入,运用空间聚类算法获取互联网租赁自行车虚拟站点质心位置,并以此为控制点创建泰森多边形,生成互联网租赁自行车虚拟站点;采用数据挖掘方法与空间分析工具,从时间和空间的角度分析并归纳了互联网租赁自行车的时空出行特征及演变规律。结果表明,利用K-means算法生成的虚拟站点结果优于其他聚类算法;互联网租赁自行车在工作日与周末的骑行时长和骑行距离分布规律基本一致,其出行需求在工作日早晚高峰用车时段呈现出显着的时空分布不均衡性和潮汐性。其次,建立了引入注意力机制的时空图卷积神经网络,预测互联网租赁自行车短时借还需求:将长短时记忆网络和图卷积神经网络进行融合,提取互联网租赁自行车借还需求量的时间和空间特征,引入注意力机制寻找输入序列特征之间的内部联系,以提高预测模型的精度。结果表明,在不同的预测时间间隔下,引入注意力机制的时空图卷积神经网络模型（GATGCLSTM）的预测精度均高于其他基准模型;当GATGCLSTM模型融合外部因素时,其预测精度得到了进一步提升;最后将预测需求量与实际需求量进行时空分布可视化,对比验证了模型的预测精度。第三,基于互联网租赁自行车短时需求预测结果,提出动态价格激励机制下的用户参与调度策略。结合用户初始借、还车站点及周边步行可达范围内其他站点的可用车辆数,设定四种用户参与调度的情景;定义初始站点匹配度系数,为初始站点匹配符合调度情景的推荐借、还站点;企业根据激励尺度和站点的紧急度系数计算激励价格,并将激励价格与匹配到的推荐站点信息发送至用户,用户根据自身效用最大化决定是否参与调度。实验结果表明,相同的激励尺度和用户参与概率取值下,高峰时段站点高于调度服务安全阈值上限的车辆数（BOUB）和站点低于调度服务安全阈值下限的车辆数（BBLB）均高于平峰时段;当用户参与概率为1时,建议系统在平峰时段的激励尺度设定为1.30至1.40（对应于平均激励价格1.45至1.51元/人）,高峰时段的激励尺度设定为1.90至2.00（对应于平均激励价格2.11至2.14元/人）。第四,综合考虑虚拟站点的容量限制与用户需求,构建了互联网租赁自行车的静态调度需求量确定模型;根据站点的调度需求量及空间距离构造站点相似度矩阵,应用社团发现算法划分调度子区;将调度成本、实际调度量与调度目标值的偏离量最小化作为目标函数,基于调度子区划分结果建立互联网租赁自行车静态调度路径优化模型;在传统的遗传算法中引入免疫算法的选择记忆机制,设计免疫遗传算法对模型进行求解,并通过算例对模型进行了验证。模型结果表明,利用免疫遗传算法求解的目标函数值优于遗传算法;运用静态调度路径优化模型得到的调度卡车行驶路线方案可使得80.80%的站点调度需要被满足;若要求每个站点的调度需求都严格得到满足,则调度时间将会增加127.10%,调度成本将会增加108.80%。最后,针对用户需求变化的动态复杂性,构建了考虑站点重要度的互联网租赁自行车动态调度优化模型:根据虚拟站点的借还车速率差和调度服务安全阈值,提出动态的调度需求量的确定方法;引入站点重要度的概念,基于TOPSIS模型计算各站点的重要度;将站点重要度引入动态调度路径优化模型中,构建调度成本最小化、实际调度量与调度目标值的偏离量惩罚成本最小化以及用户满意度折算成本最大化的动态调度初始阶段优化模型,进而采用基于滚动时域的调度策略动态调整调度方案;设计考虑站点重要度的人工蜂群算法,以保证重要度高的站点优先被服务,最终通过算例对模型进行了验证。模型结果表明,利用人工蜂群算法求解的目标函数值和运行速度均显着优于遗传算法,其中目标函数值优化能力提升了32.40%,运行时间缩短了88.10%;对比分析考虑站点重要度与不考虑站点重要度的调度方案,发现考虑站点重要度的动态调度优化模型可将用户满意度由55.03%提升至73.00%。
康锰[4]（2020）在《自适应免疫进化算法的研究与应用》文中认为人工免疫系统是借鉴生物免疫系统原理、机制发展起来的智能系统,人工免疫算法是基于人工免疫系统的新型智能优化算法,而免疫克隆选择算法则是最主要的人工免疫算法。由于在克隆选择算法中,仅以变异操作进行局部搜索,所以,变异的方法对克隆选择算法的性能有着极大的影响。变异的设置策略及克隆选择算法与其他群智能优化算法的结合是克隆选择算法的重要研究内容。本文在前人研究工作的基础上,对克隆选择算法中变异操作的自适应设置及免疫多目标进化算法中多进化策略的自适应选择进行了一些研究,主要内容如下:1.简要介绍了进化算法、人工免疫算法的研究历程、研究近况;介绍了进化算法、人工免疫算法的基本原理、算法流程、参数设置及收敛性分析。2.为了兼顾算法的全局探索能力和局部开发能力,将t变异引入人工免疫克隆选择算法,并给出了根据进化代数确定t分布自由度n的方法。在此基础上,提出了一种基于t变异的免疫克隆选择算法。用标准测试函数对新算法进行了性能测试,并与基于高斯变异和柯西变异的免疫克隆选择算法进行了比较。数值实验结果表明,新算法可以实现高斯变异和柯西变异之间的平滑过渡,能够获得优于基于高斯变异和柯西变异的算法的整体优化效果。3.在免疫多目标进化算法中采用克隆选择的优点是可以提高收敛速度,缺陷是会在一定程度上降低种群的多样性。本文提出了一种基于目标函数变化率的多进化策略自适应免疫多目标进化算法,其基本思想是:以采用克隆选择的免疫多目标进化算法为基础,根据目标函数的变化率,在不同的进化阶段自适应地选择两种不同的差分进化策略,在保证算法收敛速度的同时兼顾种群的多样性,避免算法陷入局部最优。选用DTLZ测试函数对新算法进行了性能测试,并与其它算法进行了比较,结果验证了新算法的收敛性和有效性。4.大气质量评价是环境科学中一个比较重要而又较为复杂的问题。目前的研究显示,智能优化算法可以较好地解决此类问题。本文尝试用基于t变异的免疫克隆选择算法,对大气质量评价问题进行了数值仿真,并与其他评价方法进行了比较,结果表明:基于t变异的免疫克隆选择算法可有效地解决大气质量评价问题,具有一定的应用价值。图[20]表[5]参[60]
杨灏帆[5]（2020）在《XX网络自免疫防护系统关键技术研究》文中认为XX网络是网络空间中信息传输的重要环节,具有重要的军事和战略意义。由于XX网络具有间歇链路、传输高时延、时延方差大、通信协议存在安全缺陷等特点,传统的网络安全技术并不能有效地抵御XX网络的安全威胁。针对这些问题和难点,本文研究并设计了一个面向XX网络的自免疫防护系统,利用自免疫的方法,让网络形成智能化的防御体系,使得XX网络能够迅速感知攻击并做出准确高效的应对策略,以快速恢复到网络的稳定状态。本文的主要工作和研究成果如下:（1）设计了一种面向XX网络的自免疫防护系统架构,主要包括数据处理模块、检测器模块、记忆模块和协同检测模块,并对每个模块的功能特性进行了详细设计。（2）提出了一种可变阈值阴性选择算法,计算检测器与自我集的修正余弦相似度并归一化来确定匹配阈值范围,并改进动态r连续位欧几里得匹配方法,可有效减少黑洞数量。通过检测器数量阈值收敛实验,证明了该算法比传统阴性选择算法检测效果更好,并确定了检测器数量的最佳阈值。（3）提出了一种自适应遗传变异算法,定义随机选优选择算子、自适应交叉算子和随机变异算子,使得在保优策略的前提下增大了样本的多样性。通过检测器迭代次数和时间实验,证明了该算法与传统遗传变异算法相比,极大地缩短了迭代次数和时间,提高了遗传效率。（4）对系统进行实现,并通过实验对系统各模块的性能进行测试与分析。实验结果表明,系统的准确率、攻击检测率稳定且较高,误报率、漏报率稳定且较低,同时检测效率较高,保证了XX网络的安全性和可靠性。
杨海波[6]（2020）在《基于深度信念网络的免疫检测器生成及分布优化研究》文中研究说明人工免疫系统对外部入侵的精确识别是通过模拟生物的免疫机制来完成的,在网络入侵检测上的应用非常的普遍。但是因为网络数据的流量越来越多,一般应用的基于否定选择算法检测的准确率和效率都不高。对此,本课题分别改进了对初始数据的降维与检测器的分布,提出了一种基于深度信念网络的免疫检测器生成及分布优化方法。本课题的主要内容如下:首先针对否定选择算法（Negative Selection algorithm,NSA）在检测器使用初始的自体集合进行生成时,因为初期数据非常繁杂的特征,导致生成检测器的效率很低的情况,提出了一种基于深度信念网络的免疫检测器生成算法,将深度信念网络运用到特征提取上,来预处理优化降维高维的数据,很大程度降低了初始数据的维度,去除大量的冗余,该算法在降维前后可保证原始数据高维的特征保留到最大程度,再利用否定选择算法后提升了成熟检测器生成的效率。对数据降维后,因为检测器在随机产生后不能均匀的分布在非自体的空间中,因此用否定选择算法对检测器进行随机生成时,会造成检测器利用的概率较低。对此,提出了一种基于粒子群优化算法结合克隆选择的免疫检测器分布优化算法。此算法将初步生成的检测器进行分布优化,为了使抗体的多样性增加,利用克隆选择算法的变异过程,再利用粒子群优化算法对抗体变异的方向进行指导,使收敛速度提高,用检测器所覆盖非自体的密度计算适应度,使得全部检测器都聚拢在异常的样本密度较大的地方,并解决检测器之间的冲突,让检测器可以均匀的散布在非自体的空间中,利用率得到提升。使用NSL-KDD数据集进行仿真实验。结果显示,此方法对检测器的准确率与误报率以及检测的效率表现比较良好。
刘臻博[7]（2020）在《基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用》文中进行了进一步梳理随着当今工业流程的不断发展,大规模、复杂化系统的出现促进一种有效解决大系统控制问题的方法,即分布式模型预测控制（DMPC）方法应运而生。DMPC具有计算负担小、容错率强、可扩展性高的优点,而DMPC算法的设计思想主要是在保证系统稳定性的前提下,采用简单的系统通信方式和较少的通信负担达到最优的控制性能。本文主要围绕DMPC系统拆解方式和DMPC算法的改进来进行研究,主要进行如下工作:在进行DMPC系统结构拆解时,由于到各子系统间存在动态耦合,那么传统基于静态耦合的方法无法适用。本文提出一个基于粒子群优化的遗传免疫优化算法（PSO-IGA）。在该方法中,采用粒子群算法中的粒子进化方程引入IGA免疫选择的抗体变异操作中,使抗体同时具有“位置”和“速度”两种属性,使抗体在更新时具有更明确的搜索方向,从而在保证抗体种群多样性的同时,进一步提高了算法的收敛速度。提出了一个基于IGA的DMPC系统结构分解方法。在该方法中,首先将DMPC系统结构分解问题分为输入分组（ICD）和输入输出配对（IOPD）两个阶段,并采用PSO-IGA算法来优化这两个阶段的目标函数,将一个大系统按输入输出耦合影响分解成若干个子系统。将该方法引入到协作式DMPC算法中,提出一个基于IGA系统结构分解的协作式DMPC算法,将分解后的大系统在约束下采用改进的协作式DMPC算法进行分布式控制。从而达到有效解决DMPC中通信负担问题的目的。
陈茜月[8]（2020）在《基于人工免疫理论的网络攻击检测关键技术研究》文中研究说明网络的爆炸式发展对各行业的发展带来了巨大影响,与此同时各类网络安全问题也随之出现。对于网络安全防护的要求已经上升到了前所未有的新高度。单一的网络安全策略已不能满足对于日益多样化、复杂化、动态化的网络攻击行为的检测。将网络安全技术与多种学科结合,可以开拓网络攻击检测研究的新思路。利用交叉学科的研究成果可以为网络攻击检测技术带来全新的可行的方法。仿生学是模仿生物机体工作方式而衍生出的一门学科。其中人工免疫系统（Artifical Immune System,AIS）和网络安全技术在目标和原理上具有共同之处,将人工免疫原理和网络攻击检测技术结合的方法得到了飞速发展。虽然基于人工免疫的网络安全技术已取得了瞩目的成果,但是在网络攻击特征生成、人工免疫系统检测器构造及其工作机制、种群优化、基于时序逻辑的网络攻击建模等方面仍有一些问题待研究解决。本文围绕人工免疫技术在网络攻击检测方面的研究热点,将生物免疫系统中相关免疫理论和工作机制应用到网络攻击检测领域。在对人工免疫理论的基本原理、工作机制、免疫算法和种群优化方法等关键技术深入研究的基础上,结合网络攻击检测领域存在的问题、检测技术和建模方法,对已有技术进行改进,并提出新的方法和系统模型。解决了网络攻击检测在特征样本高冗余、检测器机制不灵活、攻击检测能力弱、检测器群体优化速度慢、攻击描述不准确、攻击检测范围小等方面的问题。本文研究的主要内容及成果有如下几方面:1.提出了一种新的特征生成方法。结合F-Score和粒子群优化算法,提出了一种混合特征生成方法并应用到人工免疫系统中。该方法首先使用F-Score原理得出每个特征的F-Score值,以此作为特征属性的评判准则并提取出特征子集FS＿Sub,这是特征的首次过滤,去除噪声数据和低重要度特征,降低特征维度;第二阶段中使用粒子群优化算法对特征子集SSub F＿进行二次筛选,通过改变粒子在搜索空间内的速度参数和位置参数获取最优解,去除交叉特征子集中冗余的数据特征,获得具有更加优良性能的特征集合S。该方法将F-Score应用到人工免疫系统中,混合方式下生成的特征具备更少的冗余数据,为下一步在人工免疫系统中进行网络攻击检测提供高精度低冗余的特征样本。2.提出了新的基于人工免疫理论的网络攻击检测模型（Novel network Attack Detection model based on Immunology,NADI）,同时给出了一种新的检测器类型。该模型NADI使用本文提出的混合特征生成方法提取高精度低冗余的样本特征,并使用本文提出的多级检测器组件检测网络攻击行为。多级检测器组件中包括随机检测器、神经网络检测器和逻辑检测器,其中逻辑检测器是本文提出的一种新型检测器。三种检测器并行运行,针对不同类型的恶意行为达到优势互补的目的,形成全方位检测效应。该多级检测器组件能以较低的误报率实现更快速、更准确的网络攻击检测目的。解决了检测器种类单一、检测器工作机制不灵活、检测能力较弱、对攻击描述不准确等问题。本文实验在KDD Cup99数据集上进行,数据结果表明,该模型在保证高正类样本检测率（True Positive Rate,TPR）的同时,能够维持较低的误报率（False Positive Rate,FPR）。3.提出了基于DNA疫苗的检测器群体优化算法。该方法利用生物免疫系统的疫苗机制对免疫网络攻击检测系统中检测器的群体质量进行优化,提出面向网络攻击检测的基于DNA疫苗的动态克隆选择算法（DNA-Vaccine Dynamic Clonal Selection Algorithm,DVD-CSA）和基于DNA疫苗的动态人工免疫系统模型（DNA-Vaccine Dynamic Artifical Immune System,DVD-AIS）。通过疫苗注射的方式优化检测器种群,提升个体的抗攻击能力,提高优良检测器占比,并能在二次免疫中快速做出反应。基于DNA疫苗的网络攻击检测方法首先提取攻击抗原的DNA链,经疫苗生成算法和（48）运算后得到裸露的DNA编码,随后与抗体检测器经（38）运算得到DNA疫苗,注入到筛选后的检测器中,以实现群体优化。此疫苗工作机制能够动态更新检测器群体,有效解决群体优化过程中出现的退化现象,成功解决检测器种群趋于单一、抗体亲和力逐步减弱、疫苗精度不足、种群收敛过慢、进化率低等问题。该方法能及时更新检测器,加速检测器种群收敛,防止检测器群体过度成熟。4.提出了人工免疫理论下基于多种时序逻辑的网络攻击建模方法。先后对基于命题线性时序逻辑、命题区间时序逻辑、扩展命题区间时序逻辑的网络攻击建模展开研究,并应用到人工免疫网络攻击检测系统中。本文研究、总结了多种时序逻辑在理论和应用层面的特点与差异,根据其在描述能力上的差异化表现为多种攻击建立相应的逻辑公式,并分别构建出人工免疫网络攻击检测模型。完善了已有工作在网络攻击建模领域的不足,提高了时序逻辑的描述能力,对部分攻击能做到精准描述,扩大了网络攻击建模的描述范围。
高星星[9]（2020）在《几种粒子群优化算法及其应用研究》文中研究说明粒子群优化算法是一种典型的智能优化算法,其思想源于自然界中的鸟群觅食行为,该算法较其他智能算法具有简单易实现,收敛速度快,需要调整的参数少等优点。因此,自提出就受到诸多学者的青睐,成为了国际智能计算的研究热点之一,随之产生了各种各样的改进算法,并且广泛应用于经济金融、物流管理、网络安全、图像处理、数据挖掘等领域。本文首先整理了学者们对于粒子群优化算法的一些研究成果,然后在前人研究的基础上提出了若干改进的粒子群优化算法,并且应用于求解旅行商问题、路径规划问题、选址问题,主要研究内容如下:1.提出了两种基于参数改进的粒子群优化算法:一是惯性权重随着进化率自适应变化引导寻优,给出了基于进化率惯性权重策略的粒子群优化算法;二是种群规模随着进化率动态调整,给出了自适应种群规模的粒子群优化算法。数值仿真结果表明,这两种改进算法的寻优性能均优于基本粒子群优化算法。2.提出了三种混合粒子群优化算法:一是将细菌算法中的复制操作及迁移操作融入粒子群优化模型中,给出了菌群粒子群优化算法;二是将免疫算法中的浓度选择机制融入粒子群优化算法之中,提出了免疫粒子群优化算法;三是把混沌变异策略融入粒子群优化模型之中,给出了混沌粒子群优化算法。数值试验表明,这三种混合粒子群优化算法均有较强的全局寻优能力。3.将细菌粒子群优化算法应用于求解机器人路径规划问题,将免疫粒子群优化算法应用于求解物流中心选址问题,将混沌粒子群优化算法应用于求解旅行商问题,经仿真模拟都得到了良好的计算结果。
罗庆仪[10]（2020）在《基于改进粒子群算法对支持向量机的参数优化及其应用》文中研究说明当今社会正处于大数据时代,各行各业所产生的数据蕴含海量知识。但这些知识具有冗余程度高、特征表达不明显等特点,因此不能直接从中获取有用的知识,这就意味着需要高效通用的方法进行数据分析。分类算法是计算机认识和识别真实世界的一种重要手段,同时也是将海量数据进行归类整理的一种高效方法。支持向量机是众多分类算法中的一种,其因具有较为完备的理论支撑并且在数据集上展现了良好的分类性能而被广泛应用。但该算法的参数选择直接影响着模型的分类精度和泛化能力,因此通过优化模型参数来提高分类精度和泛化能力是当前支持向量机算法的一个研究热点。粒子群优化算法是一种依据鸟群的觅食行为提出的群智能进化算法。运用这种算法搜索时群体间的每个粒子都能够独立搜索但又存在信息交互,这种并行性使得该算法具有搜索速度快和寻优精度高等优点,从而得到了广大学者的关注。大量实验表明,粒子群算法在参数搜索上具有一定的优越性。但是基本的粒子群算法在搜索过程中存在着种群早熟和搜索容易陷入局部最优等问题。本毕业论文针对基本粒子群算法进行改进,并将其用于支持向量机的参数搜索,最后应用在工业上手机触摸屏覆膜气泡检测的实际项目中,主要包括以下内容:（1）针对基本粒子群算法寻优时容易陷入局部最优和出现种群多样性减弱的问题,提出基于遗传免疫改进的粒子群算法（GAIPSO）。该算法主要在三个方面进行了改进:1)将带有免疫机制的遗传交叉操作引入到基本粒子群算法中,改善因群体影响导致种群多样性降低的问题;2)增强粒子的邻域搜索能力,提高其陷入局部最优时的挣脱能力;3)增加粒子越边界处理机制,消除超出边界的粒子带来的不利影响。本文利用基准函数对GAIPSO算法进行仿真实验,验证了GAIPSO算法在精度和收敛速度上的优越性。（2）针对支持向量机参数的选择影响着模型的分类精度和泛化能力的问题,首先利用组合核函数代替单一核函数,使其能够搜索到更加适合的映射空间,再将GAIPSO算法用于支持向量机的参数搜索。本文过UCI人工数据集的测试,结果表明在分类任务上,经过GAIPSO算法优化参数后,支持向量机的分类精度和泛化能力有一定的提升。（3）针对工业缺陷目标检测存在误检数量大的问题,将常用的深度目标检测方法Faster-RCNN中的softmax函数替换成GAIPSO优化后的支持向量机。同时将其用于手机触摸屏覆膜气泡检测的实际生产项目,检测结果以误报率和过滤率下降以及直通率上升定量地说明了改进的检测方法能够提升检测精度以及对实际生产具有实用价值。
二、Research into Optimization Algorithm Based on Immune Mechanism（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、Research into Optimization Algorithm Based on Immune Mechanism（论文提纲范文）
（1）基于仿生模型的无人机集群协同跟踪策略研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 集群协同目标探测 |
| 1.2.2 集群协同目标跟踪 |
| 1.2.3 集群跟踪航迹规划 |
| 1.3 论文研究内容与章节安排 |
| 2 基于传染病仿生模型的集群目标探测策略 |
| 2.1 引言 |
| 2.2 集群目标探测问题提出 |
| 2.2.1 集群目标探测任务想定 |
| 2.2.2 无人机集群网络基本假设 |
| 2.3 传染病模型 |
| 2.3.1 基本概念、规则和变量定义 |
| 2.3.2 直接传染 |
| 2.3.3 交叉传染 |
| 2.3.4 免疫调节 |
| 2.3.5 基于病毒量的状态转换 |
| 2.4 基于传染病模型的无人机集群目标探测策略 |
| 2.4.1 传染病模型与集群目标探测的映射机制 |
| 2.4.2 社会力作用下的无人机集群运动模型 |
| 2.4.3 传染病模型作用下的无人机集群目标探测 |
| 2.5 仿真分析 |
| 2.5.1 实时探测状态 |
| 2.5.2 目标探测结果 |
| 2.6 本章小结 |
| 3 基于免疫仿生模型的集群目标跟踪策略 |
| 3.1 引言 |
| 3.2 集群目标跟踪问题提出 |
| 3.3 生物免疫模型 |
| 3.3.1 免疫系统的重要学说 |
| 3.3.2 抗体生成机制 |
| 3.3.3 抗体选择机制 |
| 3.3.4 免疫细胞调节机制 |
| 3.4 基于免疫仿生模型的无人机集群目标跟踪策略 |
| 3.4.1 生物免疫模型与集群目标跟踪的映射机制 |
| 3.4.2 生物免疫模型作用下无人机集群的目标跟踪 |
| 3.5 仿真分析 |
| 3.5.1 跟踪无人机选择 |
| 3.5.2 目标跟踪结果分析 |
| 3.6 本章小结 |
| 4 基于传染-免疫仿生策略的集群跟踪航迹规划 |
| 4.1 引言 |
| 4.2 集群跟踪航迹规划问题提出 |
| 4.2.1 跟踪航迹规划任务描述 |
| 4.2.2 跟踪航迹代价分析 |
| 4.3 基于传染-免疫优化策略的集群航迹规划 |
| 4.3.1 参数设置 |
| 4.3.2 传染-免疫优化策略 |
| 4.3.3 传染-免疫优化算法实现步骤 |
| 4.3.4 传染-免疫优化策略用于集群跟踪航迹规划 |
| 4.4 仿真分析 |
| 4.4.1 障碍物建模 |
| 4.4.2 参数设置 |
| 4.4.3 跟踪航迹规划结果分析 |
| 4.5 本章小结 |
| 5 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及成果 |
| 致谢 |
（2）基于智能优化的复杂网络社区发现技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 课题研究现状 |
| 1.3 本文研究的主要内容及论文安排 |
| 第二章 复杂网络社区检测的相关知识 |
| 2.1 复杂网络基础理论 |
| 2.2 社区结构 |
| 2.3 动态社区检测 |
| 2.3.1 传统型两段式动态社区检测算法 |
| 2.3.2 基于目标优化的动态社区检测算法 |
| 2.4 社区检测评价准则 |
| 2.5 本章小结 |
| 第三章 基于双层标签的多目标遗传社区检测算法 |
| 3.1 相关知识 |
| 3.1.1 遗传算法 |
| 3.1.2 多目标优化问题的数学描述 |
| 3.1.3 标签传播算法 |
| 3.1.4 局部搜索 |
| 3.1.5 基于遗传机制的经典静态社区检测算法 |
| 3.2 基于双层标签传播的多目标社区检测算法介绍 |
| 3.2.1 编码方法 |
| 3.2.2 初始化种群 |
| 3.2.3 遗传算子 |
| 3.2.4 目标函数 |
| 3.2.5 局部搜索 |
| 3.2.6 种群更新 |
| 3.2.7 算法框架 |
| 3.3 实验和分析 |
| 3.3.1 人工合成网络 |
| 3.3.2 真实网络数据集 |
| 3.4 本章小结 |
| 第四章 基于双层标签的多目标免疫动态社区检测算法 |
| 4.1 动态网络的相关知识 |
| 4.1.1 动态网络 |
| 4.1.2 免疫机制 |
| 4.1.3 经典动态社区检测算法 |
| 4.2 基于双层标签的多目标免疫动态检测算法介绍 |
| 4.2.1 目标函数 |
| 4.2.2 局部搜索 |
| 4.2.3 适应度函数 |
| 4.2.4 免疫选择 |
| 4.2.5 疫苗接种 |
| 4.2.6 算法框架 |
| 4.3 实验结果与分析 |
| 4.3.1 人工合成网络 |
| 4.3.2 真实网络数据集 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 致谢 |
（3）多源数据驱动的互联网租赁自行车智能调度优化方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究概况 |
| 1.2.1 租赁自行车短时需求预测方法 |
| 1.2.2 租赁自行车用户参与调度方法 |
| 1.2.3 租赁自行车静态调度优化方法 |
| 1.2.4 租赁自行车动态调度优化方法 |
| 1.2.5 现状研究存在的不足 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 基于多源数据的互联网租赁自行车出行特征分析 |
| 2.1 南京市互联网租赁自行车发展概况 |
| 2.2 研究范围选取 |
| 2.3 研究数据获取与预处理 |
| 2.3.1 互联网租赁自行车骑行数据 |
| 2.3.2 城市兴趣点(POI)数据 |
| 2.3.3 路网与公共交通站点数据 |
| 2.3.4 天气数据 |
| 2.4 生成虚拟站点 |
| 2.4.1 评价指标 |
| 2.4.2 生成方法 |
| 2.4.3 生成结果 |
| 2.5 互联网租赁自行车出行特征分析 |
| 2.5.1 时间特征分析 |
| 2.5.2 空间特征分析 |
| 2.6 本章小结 |
| 第三章 基于深度学习的互联网租赁自行车短时需求预测方法 |
| 3.1 深度学习相关理论 |
| 3.1.1 循环神经网络与长短时记忆网络 |
| 3.1.2 卷积神经网络与图卷积神经网络 |
| 3.2 引入注意力机制的时空图卷积网络预测模型 |
| 3.2.1 空间特征提取 |
| 3.2.2 时间特征提取 |
| 3.3 实验过程 |
| 3.3.1 数据预处理 |
| 3.3.2 模型评价指标 |
| 3.3.3 模型对比基准 |
| 3.4 预测结果与分析 |
| 3.4.1 模型预测结果 |
| 3.4.2 模型超参数分析 |
| 3.4.3 外部变量对预测结果的影响 |
| 3.4.4 模型预测结果的时空可视化 |
| 3.5 本章小结 |
| 第四章 基于激励机制的互联网租赁自行车用户参与调度策略 |
| 4.1 问题描述 |
| 4.2 基本假设 |
| 4.3 基于激励机制的用户参与调度策略 |
| 4.3.1 调度情景设定 |
| 4.3.2 站点匹配机制 |
| 4.3.3 用户选择行为 |
| 4.3.4 性能评价指标 |
| 4.3.5 调度策略流程 |
| 4.4 实例分析 |
| 4.4.1 数据准备 |
| 4.4.2 调度策略性能指标分析 |
| 4.5 本章小结 |
| 第五章 基于调度子区划分的互联网租赁自行车静态调度优化模型 |
| 5.1 问题描述 |
| 5.2 调度需求量确定模型 |
| 5.2.1 模型假设 |
| 5.2.2 符号说明 |
| 5.2.3 模型构建 |
| 5.3 调度子区划分方法 |
| 5.3.1 非重叠社团发现概念 |
| 5.3.2 非重叠社团发现算法 |
| 5.3.3 调度子区划分评价指标 |
| 5.4 静态调度优化模型构建 |
| 5.4.1 模型假设 |
| 5.4.2 符号说明 |
| 5.4.3 模型构建 |
| 5.5 模型求解 |
| 5.5.1 遗传算法 |
| 5.5.2 人工免疫算法 |
| 5.5.3 免疫遗传算法 |
| 5.5.4 算法步骤 |
| 5.6 算例分析 |
| 5.6.1 调度需求量确定 |
| 5.6.2 调度子区划分结果 |
| 5.6.3 调度路线确定 |
| 5.7 本章小结 |
| 第六章 考虑站点重要度的互联网租赁自行车动态调度优化模型 |
| 6.1 问题描述 |
| 6.2 调度需求量计算方法 |
| 6.3 站点重要度分析 |
| 6.3.1 站点重要度评价指标 |
| 6.3.2 站点重要度计算方法 |
| 6.4 动态调度路径优化模型 |
| 6.4.1 初始阶段路径优化模型 |
| 6.4.2 动态优化阶段路径优化模型 |
| 6.5 模型求解 |
| 6.5.1 人工蜂群算法 |
| 6.5.2 算法步骤 |
| 6.6 算例分析 |
| 6.6.1 调度需求量确定 |
| 6.6.2 调度子区划分结果 |
| 6.6.3 站点重要度确定 |
| 6.6.4 调度路线确定 |
| 6.7 本章小结 |
| 第七章 研究结论与展望 |
| 7.1 主要研究成果与结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间科研情况 |
（4）自适应免疫进化算法的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 绪论 |
| 1.1 进化算法的研究历程和研究现状 |
| 1.1.1 研究历程 |
| 1.1.2 研究现状 |
| 1.2 人工免疫系统的研究历程和研究现状 |
| 1.2.1 研究历程 |
| 1.2.2 研究现状 |
| 1.3 论文的研究意义和主要内容 |
| 1.3.1 论文的研究意义 |
| 1.3.2 论文的主要内容 |
| 2 进化算法和人工免疫系统概述 |
| 2.1 进化算法的基本原理与算法框架 |
| 2.1.1 进化算法的基本原理 |
| 2.1.2 进化算法的算法框架 |
| 2.2 人工免疫系统 |
| 2.2.1 人工免疫系统的基本原理 |
| 2.2.2 人工免疫系统的算法框架 |
| 2.3 两种种常见的免疫进化算法 |
| 2.4 基于克隆选择策略的免疫进化算法主要参数和收敛性分析 |
| 2.4.1 免疫进化算法中主要参数 |
| 2.4.2 基于克隆选择策略的免疫进化算法的收敛性分析 |
| 3 基于t变异算子的人工免疫克隆选择算法 |
| 3.1 概述 |
| 3.2 人工免疫克隆选择算法的基本思想 |
| 3.3 基于t变异算子的人工免疫克隆选择算法 |
| 3.3.1 高斯变异与柯西变异 |
| 3.3.2 t变异 |
| 3.3.3 算法流程 |
| 3.4 性能评测 |
| 4 多进化策略自适应免疫多目标进化算法 |
| 4.1 概述 |
| 4.2 基于克隆选择的免疫多目标差分进化算法 |
| 4.2.1 多目标差分进化算法 |
| 4.2.2 克隆选择算法 |
| 4.2.3 实验评价标准 |
| 4.3 两种进化策略的免疫多目标差分进化算法 |
| 4.3.1 参数设置 |
| 4.3.2 基于目标函数变化率的进化策略自适应选择方法 |
| 4.3.3 算法流程 |
| 4.4 性能评测 |
| 5 自适应免疫进化算法在大气质量评价中的应用 |
| 5.1 问题背景 |
| 5.2 参数设定 |
| 5.3 数值仿真 |
| 5.4 结果分析 |
| 总结 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（5）XX网络自免疫防护系统关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 基本理论和相关技术 |
| 2.1 自免疫原理 |
| 2.1.1 免疫原理 |
| 2.1.2 自免疫安全机制 |
| 2.2 阴性选择算法 |
| 2.2.1 阴性选择算法基本内容 |
| 2.2.2 检测器耐受 |
| 2.2.3 抗原检测 |
| 2.3 遗传算法 |
| 2.3.1 选择操作 |
| 2.3.2 交叉操作 |
| 2.3.3 变异操作 |
| 2.3.4 遗传算法描述 |
| 2.4 本章小结 |
| 3 自免疫防护系统架构设计 |
| 3.1 自免疫防护系统架构 |
| 3.1.1 自免疫防护系统功能需求 |
| 3.1.2 自免疫防护系统性能需求 |
| 3.1.3 自免疫防护系统架构 |
| 3.2 模块功能分析 |
| 3.2.1 数据处理模块 |
| 3.2.2 检测器模块 |
| 3.2.3 记忆模块 |
| 3.2.4 协同检测模块 |
| 3.2.5 分级策略的记忆检测器 |
| 3.3 本章小结 |
| 4 可变阈值阴性选择算法研究 |
| 4.1 传统阴性选择算法存在的问题 |
| 4.1.1 黑洞问题 |
| 4.1.2 检测器集合覆盖范围问题 |
| 4.2 可变阈值策略 |
| 4.3 动态匹配策略 |
| 4.4 可变阈值阴性选择算法描述 |
| 4.5 可变阈值阴性选择算法性能分析 |
| 4.5.1 与传统阴性选择算法对比分析 |
| 4.5.2 检测器数量收敛阈值实验分析 |
| 4.6 本章小结 |
| 5 自适应遗传变异算法研究 |
| 5.1 传统遗传变异算法存在的问题 |
| 5.1.1 早熟现象 |
| 5.1.2 重复基因问题 |
| 5.2 早熟现象原因分析 |
| 5.2.1 种群规模 |
| 5.2.2 选择操作 |
| 5.2.3 交叉操作和变异操作 |
| 5.3 重复基因问题分析 |
| 5.4 自适应遗传变异算法 |
| 5.4.1 随机选优选择算子 |
| 5.4.2 自适应交叉算子 |
| 5.4.3 随机变异算子 |
| 5.4.4 自适应遗传变异算法流程 |
| 5.5 自适应遗传变异算法性能分析 |
| 5.5.1 与传统遗传变异算法对比分析 |
| 5.5.2 检测器迭代次数和时间实验分析 |
| 5.6 本章小结 |
| 6 系统实现与性能测试 |
| 6.1 实验环境与评价指标 |
| 6.2 数据来源 |
| 6.3 系统性能分析 |
| 6.3.1 数据处理模块 |
| 6.3.2 检测器模块 |
| 6.3.3 记忆模块 |
| 6.3.4 协同检测模块 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 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 |
（6）基于深度信念网络的免疫检测器生成及分布优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 研究现状分析 |
| 1.3 课题的来源及研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 课题的主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 免疫入侵检测概述 |
| 2.1 引言 |
| 2.2 入侵检测 |
| 2.2.1 入侵检测系统的分类 |
| 2.2.2 入侵检测方式 |
| 2.3 免疫系统 |
| 2.3.1 生物免疫系统介绍 |
| 2.3.2 免疫算法基本架构 |
| 2.4 生物免疫系统与入侵检测系统对比 |
| 2.5 免疫入侵检测模型和核心算法 |
| 2.5.1 免疫入侵检测模型 |
| 2.5.2 基于人工免疫的入侵检测模型 |
| 2.5.3 人工免疫核心算法 |
| 2.5.4 基于实值否定选择的检测器生成算法 |
| 2.6 本章小结 |
| 第3章 基于深度信念网络的免疫检测器生成算法 |
| 3.1 引言 |
| 3.2 深度信念网络相关技术 |
| 3.2.1 受限玻尔兹曼机 |
| 3.2.2 深度信念网络 |
| 3.2.3 算法分析 |
| 3.3 基于深度信念网络的免疫检测器生成算法 |
| 3.3.1 算法思想 |
| 3.3.2 算法过程 |
| 3.4 本章小结 |
| 第4章 免疫检测器分布优化研究 |
| 4.1 引言 |
| 4.2 粒子群优化算法 |
| 4.2.1 算法简介 |
| 4.2.2 算法过程 |
| 4.3 基于粒子群优化的免疫检测器分布优化 |
| 4.3.1 算法思想 |
| 4.3.2 算法过程 |
| 4.4 入侵检测模型设计 |
| 4.5 本章小结 |
| 第5章 实验及结果分析 |
| 5.1 实验数据介绍 |
| 5.2 参数设置实验 |
| 5.2.1 自适应深度信念网络参数设定 |
| 5.2.2 检测器半径 |
| 5.3 对比实验测试 |
| 5.3.1 数据处理速度对比 |
| 5.3.2 检测效率分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（7）基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 模型预测控制研究现状 |
| 1.2.2 分布式模型预测控制的研究现状 |
| 1.2.3 人工免疫算法的研究现状 |
| 1.3 论文研究解决的问题 |
| 1.4 本文的研究内容及结构 |
| 2.基于粒子群优化的免疫遗传算法 |
| 2.1 引言 |
| 2.2 免疫学理论及免疫算法理论 |
| 2.2.1 免疫学基本原理 |
| 2.2.2 人工免疫算法理论 |
| 2.2.3 免疫遗传算法及仿真 |
| 2.3 标准粒子群算法理论 |
| 2.3.1 标准粒子群算法的建模 |
| 2.3.2 标准粒子群算法实现流程 |
| 2.4 基于PSO改进的免疫遗传算法及仿真 |
| 2.4.1 PSO-IGA实现流程 |
| 2.4.2 仿真实例 |
| 2.5 本章小结 |
| 3.基于改进的IGA的DMPC系统结构分解方法 |
| 3.1 引言 |
| 3.2 基于改进免疫遗传算法(IGA)的DMPC系统结构拆解 |
| 3.2.1 DMPC输入分组(ICD)问题 |
| 3.2.2 DMPC输入输出配对(IOPD)问题 |
| 3.2.3 基于IGA对于ICD问题和IOPD问题的应用 |
| 3.3 基于IGA系统结构分解的DMPC算法实现流程 |
| 3.4 仿真实例 |
| 3.4.1 IGA算法解决DMPC系统分解问题 |
| 3.5 本章小结 |
| 4 基于IGA系统结构分解的分布式模型预测控制算法与仿真 |
| 4.1 引言 |
| 4.2 模型预测控制 |
| 4.2.1 MPC的预测模型 |
| 4.2.2 MPC的滚动优化 |
| 4.2.3 MPC的反馈校正 |
| 4.3 分布式模型预测控制 |
| 4.3.1 DMPC的预测模型 |
| 4.3.2 DMPC的滚动优化 |
| 4.3.3 DMPC算法实现流程 |
| 4.3.4 DMPC算法的仿真实验 |
| 4.4 基于IGA系统结构分解的DMPC算法与仿真 |
| 4.4.1 基于IGA系统结构分解的DMPC算法实现流程 |
| 4.4.2 仿真实例 |
| 4.5 本章小结 |
| 5.总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文目录 |
| 攻读硕士学位期间参与的科研项目情况 |
（8）基于人工免疫理论的网络攻击检测关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 基于人工免疫理论的网络攻击检测技术概述 |
| 1.2.1 人工免疫理论的发展历程 |
| 1.2.2 相关研究热点综述 |
| 1.3 当前研究工作存在的主要问题 |
| 1.4 本文主要工作及组织结构 |
| 1.4.1 本文主要工作 |
| 1.4.2 论文组织结构 |
| 第二章 基于人工免疫理论的网络攻击检测相关技术 |
| 2.1 生物免疫系统 |
| 2.2 免疫机制 |
| 2.3 计算机免疫学原理 |
| 2.3.1 形态空间 |
| 2.3.2 自体与非自体 |
| 2.3.3 生存周期 |
| 2.3.4 抗体和抗原 |
| 2.4 网络攻击检测中检测器模型通用架构 |
| 2.4.1 检测器生成策略 |
| 2.4.2 检测器成熟过程 |
| 2.4.3 检测器的应答机制 |
| 2.5 网络攻击检测中的标准免疫算法 |
| 2.5.1 否定选择算法 |
| 2.5.2 克隆选择算法 |
| 2.6 种群优化 |
| 2.6.1 克隆选择 |
| 2.6.2 生物进化 |
| 2.7 本章小结 |
| 第三章 基于人工免疫理论的网络攻击检测模型 |
| 3.1 引言 |
| 3.2 数据预处理 |
| 3.3 混合特征生成方法 |
| 3.3.1 基于F-Score的特征生成 |
| 3.3.2 基于粒子群优化算法的特征生成 |
| 3.3.3 混合特征生成模块 |
| 3.4 基于人工免疫的网络攻击检测模型 |
| 3.4.1 检测器的生成 |
| 3.4.2 免疫算法 |
| 3.4.3 检测器的匹配规则 |
| 3.4.4 检测器优化 |
| 3.5 实验设置及结果分析 |
| 3.6 小结 |
| 第四章 基于命题区间时序逻辑的免疫入侵检测模型 |
| 4.1 引言 |
| 4.2 命题区间时序逻辑 |
| 4.2.1 语法语义 |
| 4.2.2 导出公式 |
| 4.3 R-L模式下混合检测器机制 |
| 4.3.1 随机检测器 |
| 4.3.2 命题区间时序逻辑检测器 |
| 4.3.3 R-L检测器机制 |
| 4.4 基于PITL的免疫入侵检测模型 |
| 4.4.1 特征生成模块 |
| 4.4.2 免疫算法 |
| 4.5 实验设置及结果分析 |
| 4.6 小结 |
| 第五章 基于DNA疫苗的人工免疫网络攻击检测 |
| 5.1 引言 |
| 5.2 背景知识 |
| 5.3 疫苗注射机制 |
| 5.3.1 疫苗简介 |
| 5.3.2 DNA疫苗 |
| 5.4 基于DNA疫苗的人工免疫网络攻击检测的种群优化 |
| 5.4.1 疫苗接种方法 |
| 5.4.2 基于DNA疫苗的动态克隆算法 |
| 5.5 基于DNA疫苗的人工免疫攻击检测系统 |
| 5.6 仿真实验与结果分析 |
| 5.7 小结 |
| 第六章 基于扩展命题区间时序逻辑的人工免疫网络攻击检测模型 |
| 6.1 引言 |
| 6.2 扩展命题区间时序逻辑 |
| 6.3 扩展命题区间时序逻辑的网络攻击建模 |
| 6.3.1 Land攻击建模 |
| 6.3.2 Perl攻击建模 |
| 6.3.3 Neptune攻击建模 |
| 6.3.4 Mailbomb攻击建模 |
| 6.3.5 UDP_storm攻击建模 |
| 6.4 基于扩展命题区间时序逻辑的人工免疫网络攻击模型 |
| 6.5 逻辑检测器性能对比 |
| 6.6 小结 |
| 第七章 总结与展望 |
| 7.1 本论文研究工作总结 |
| 7.2 研究工作展望 |
| 第八章 致谢 |
| 参考文献 |
| 作者简历 |
（9）几种粒子群优化算法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 最优化问题及其分类 |
| 1.2 最优化算法及其分类 |
| 1.3 粒子群优化算法的研究进程 |
| 1.4 本文的研究内容 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 本文的篇章结构 |
| 第2章 粒子群优化算法概述 |
| 2.1 粒子群优化算法的描述 |
| 2.1.1 算法基本原理 |
| 2.1.2 算法流程 |
| 2.2 与两种典型智能算法的比较 |
| 2.3 粒子群优化算法的改进研究 |
| 2.3.1 参数改进 |
| 2.3.2 粒子状态的调整 |
| 2.3.3 混合算法 |
| 2.4 粒子群优化算法的收敛性分析 |
| 2.5 粒子群优化算法的应用 |
| 2.6 本章小结 |
| 第3章 两种改进的粒子群优化算法 |
| 3.1 引言 |
| 3.2 进化率惯性权重粒子群优化算法 |
| 3.3 自适应种群规模粒子群优化算法 |
| 3.4 数值实验与结果分析 |
| 3.5 本章小结 |
| 第4章 三种混合粒子群优化算法 |
| 4.1 引言 |
| 4.2 细菌粒子群优化算法 |
| 4.2.1 细菌算法 |
| 4.2.2 菌群粒子群 |
| 4.3 免疫粒子群优化算法 |
| 4.3.1 免疫算法 |
| 4.3.2 免疫粒子群 |
| 4.4 混沌粒子群优化算法 |
| 4.4.1 混沌优化 |
| 4.4.2 混沌粒子群优化算法 |
| 4.5 数值实验与结果分析 |
| 4.6 本章小结 |
| 第5章 粒子群优化算法的应用 |
| 5.1 引言 |
| 5.2 细菌粒子群优化算法求解机器人路径规划问题 |
| 5.2.1 机器人路径规划问题概述 |
| 5.2.2 模型建立 |
| 5.2.3 数值实验与结果分析 |
| 5.3 免疫粒子群优化算法求解物流中心选址问题 |
| 5.3.1 物流中心选址问题概述 |
| 5.3.2 模型建立 |
| 5.3.3 数值实验与结果分析 |
| 5.4 混沌粒子群优化算法求解旅行商问题 |
| 5.4.1 旅行商问题的简述 |
| 5.4.2 模型建立 |
| 5.4.3 数值实验与结果分析 |
| 5.5 本章小结 |
| 第6章 研究工作总结与展望 |
| 6.1 研究工作的总结 |
| 6.2 未来的工作展望 |
| 参考文献 |
| 附录 常用的无约束优化问题的测试函数 |
| 致谢 |
| 作者简介 |
（10）基于改进粒子群算法对支持向量机的参数优化及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 第一章绪论 |
| 1.1 研究背景及意义 |
| 1.2 粒子群与支持向量机算法的研究现状 |
| 1.3 粒子群与支持向量机算法当前存在的问题 |
| 1.4 本文研究内容及结构安排 |
| 2 第二章基于遗传免疫改进的粒子群算法 |
| 2.1 一些基本算法 |
| 2.1.1 基本粒子群算法 |
| 2.1.2 遗传算法 |
| 2.1.3 免疫算法 |
| 2.2 基于免疫遗传因子的改进方法以及逃逸机制 |
| 2.2.1 基于免疫遗传因子的改进方法 |
| 2.2.2 逃逸机制及越边界处理 |
| 2.3 改进粒子群算法GAIPSO |
| 2.4 GAIPSO算法在基准函数中的实验分析 |
| 2.4.1 寻优过程可视化分析 |
| 2.4.2 结果分析 |
| 2.5 小结 |
| 3 第三章基于GAIPSO算法对支持向量机参数的优化 |
| 3.1 支持向量机算法 |
| 3.1.1 一些储备知识 |
| 3.1.2 二分类问题 |
| 3.1.3 序列最小化算法 |
| 3.2 基于GAIPSO算法对多核支持向量机参数优化 |
| 3.2.1 实验设置 |
| 3.2.2 数据预处理 |
| 3.2.3 基于GAIPSO算法对多核支持向量机参数优化 |
| 3.3 优化方法在UCI人工数据集中的实验分析 |
| 3.3.1 实验环境 |
| 3.3.2 实验数据集 |
| 3.3.3 实验及其结果分析 |
| 3.4 小结 |
| 4 第四章基于GAIPSO优化的支持向量机在工业目标检测上的应用 |
| 4.1 工业目标检测的现状 |
| 4.2 基于深度学习的目标检测方法 |
| 4.3 基于优化支持向量机的Faster R-CNN在工业上的应用 |
| 4.4 应用分析 |
| 4.5 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
四、Research into Optimization Algorithm Based on Immune Mechanism（论文参考文献）
- [1]基于仿生模型的无人机集群协同跟踪策略研究[D]. 颜宝苹. 西安工业大学, 2021
- [2]基于智能优化的复杂网络社区发现技术研究[D]. 王菁华. 南京邮电大学, 2020(02)
- [3]多源数据驱动的互联网租赁自行车智能调度优化方法[D]. 马新卫. 东南大学, 2020
- [4]自适应免疫进化算法的研究与应用[D]. 康锰. 安徽理工大学, 2020(04)
- [5]XX网络自免疫防护系统关键技术研究[D]. 杨灏帆. 北京交通大学, 2020(05)
- [6]基于深度信念网络的免疫检测器生成及分布优化研究[D]. 杨海波. 哈尔滨理工大学, 2020(02)
- [7]基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用[D]. 刘臻博. 辽宁石油化工大学, 2020(04)
- [8]基于人工免疫理论的网络攻击检测关键技术研究[D]. 陈茜月. 战略支援部队信息工程大学, 2020(03)
- [9]几种粒子群优化算法及其应用研究[D]. 高星星. 北方民族大学, 2020(12)
- [10]基于改进粒子群算法对支持向量机的参数优化及其应用[D]. 罗庆仪. 兰州交通大学, 2020(01)