一、A Primal-dual Neural Network for Shortest Path Problem（论文文献综述）
纪厚业[1]（2021）在《异质图神经网络关键技术研究》文中研究表明图（网络）数据在现实生活中无处不在,如社交图、电商图、蛋白质图和交通图,其可以灵活高效的建模复杂系统中的交互信号并在很多领域得到了广泛应用。相应的,图数据挖掘也吸引了大量研究者的注意,并成为数据挖掘领域最重要的分支之一。考虑到现实世界交互系统的复杂性,将其建模为包含多种类型节点和边的异质图可以实现更加细致全面的系统描述。如何挖掘异质图的潜在价值是一个值得深入研究的方向。近年来,图表示学习尤其是图神经网络已经成为图挖掘领域的热门方向之一,其旨在将节点、边甚至是整张图映射到低维向量空间并保持图本身的结构和性质。异质图神经网络,作为一种基于深度学习的图表示学习技术,其可以充分挖掘异质图上的复杂结构和丰富语义来学习节点表示并提升后续任务的表现。以推荐系统为例,通过建模用户及商品之间的多种交互,异质图神经网络可以聚合多样交互信息来理解用户的多样化偏好,进而实现精准的个性化推荐,并创造更高的经济价值。考虑到异质图的复杂结构和丰富语义,在设计异质图神经网络时,仍面临如下的挑战:（1）如何充分考虑图数据的异质性来设计图神经网络框架。（2）如何克服异质图神经网络的深度退化现象。（3）如何提升异质图神经网络对于图同构的区分能力（表示能力）。针对上述挑战,本文对异质图神经网络的关键技术开展研究。首先,研究了异质性建模问题,其作为深层退化现象和表示能力的研究基础。随后,进一步探究了异质图神经网络在分享推荐和组合推荐中的应用。综上,本文的主要工作及创新点如下所示:一,针对异质性建模问题,提出了一种基于层次注意力机制的异质图注意力网络。考虑到图上的异质信息与丰富语义,该模型设计了节点级别注意力和语义级别注意力来分别学习邻居与元路径重要性并以层次加权融合的形式来学习节点表示。有效性实验和双重注意力分析实验分别验证了异质图注意力网络的有效性和可解释性。二,针对异质图神经网络的深层退化问题（语义混淆现象）,设计了一种深度架构的异质图传播网络。通过分析语义混淆现象与多元路径随机游走的等价性,本研究设计了一种个性化随机游走指导的异质图传播网络,其核心设计包括语义传播机制和语义融合机制,能够在深层聚合时强调节点自身的特性并融合多种语义信息,进而有效缓解语义混淆现象。随着模型层数的加深,异质图传播网络能够捕获异质图上高阶语义并将其注入到节点表示中,进而提升下游任务的表现。三,针对异质图神经网络表示能力的局限性,设计了一种异质距离编码来提升其表示能力。对于图同构数据,由于表示能力的局限,异质图神经网络无法对其进行有效区分和表示。本研究提出了异质最短距离来捕获节点之间的距离信息并将编码后的相对距离注入到异质邻居聚合过程,进而有效提升了异质图神经网络的表示能力。通过建模节点相关性,基于距离编码的异质图神经网络在多节点挖掘任务（如链路预测）上具有更强的表示能力和泛化能力。四,异质图神经网络在分享推荐和组合推荐中的应用。分享推荐研究了用户与其好友之间的商品分享行为,这是一种三元交互预测问题。本研究设计了一种基于异质图神经网络的分享推荐算法,其包括学习用户、商品和好友的表示的三元异质图神经网络、提升三元组适配性的对偶协同注意力和和建模非对称性的传递性三元组表示。组合推荐旨在为促销场景选取一组满足大部分用户偏好商品并实现真实投放收益最大化。本研究以异质图神经网络估计的偏好为基础,提出了联合建模商品选择和投放的comb-K组合推荐模型,其以带约束组合优化的形式来搜索和求解一组商品的最大真实收益。真实分享和促销场景数据上的大量实验验证了基于异质图神经网络的推荐算法的有效性。
谢洋浩[2]（2021）在《网络功能虚拟化中的资源分配研究》文中认为传统电信网络由一系列的专有物理设备组成,网络服务所需的网络功能都是专有设备。这样的网络使提供网络服务的周期长、服务敏捷性低,并且严重依赖于专用硬件。这些缺点使在传统网络中提供敏捷的、多样的服务变得极其困难。网络功能虚拟化（Network Function Virtualization,NFV）被提出来以解决这些问题。NFV使用虚拟化技术,将基于硬件的网络功能实现为基于软件的虚拟网络功能（Virtualized Network Function,VNF）;然后在通用服务器上运行这些VNF,而不用购买和安装新的硬件。这样,网络服务便可以分解为,多个可以动态部署在通用服务器上的VNF。因此,NFV提供了一个设计、部署和管理网络服务的新范式。NFV在提高网络灵活性的同时,也降低了资本支出（Capital Expense,CAPEX）和运营成本（Operating Expense,OPEX）。虽然NFV具有许多优势,但是,为了应用NFV,仍然还有许多挑战亟需解决。本文主要研究了,动态场景中NFV中的资源分配问题,包括VNF的放置问题,以及云环境中的VNF供给问题。本文的研究内容和主要贡献点如下:1.基于在线原始对偶算法的性能保证的VNF放置算法研究。在考虑NFV网络的动态特征情况下,本文提出了一个可证明性能的算法DAFT。DAFT基于在线原始对偶算法框架设计,并将子问题规约到一个能够使用迪杰斯特拉（Dijkstra）算法来求解的问题,从而使算法在满足理论可证明性能的同时,保证较低的计算复杂度。理论分析表明,DAFT相对离线最优解的竞争比（Competitive ratio）为（1-1/e）,其中e≈2.7183。本文还提出了一个基于DAFT改进的算法来解决DAFT可能违背容量约束这一问题,即FDAFT。仿真结果表明,DAFT和FDAFT的竞争比显着优于同类对比算法。2.基于李亚普诺夫优化的缓存感知的VNF放置算法研究。本文在考虑缓存（队列）稳定性的情况下,研究了动态网络中的VNF放置问题。本文提出了在线算法MACRO来求解这个问题。另外,为了限制最坏情况下请求的延迟,本文提出了一个改进的算法WEB-MACRO。两个算法与平均最优解的差距都为O（1/V）,其中V是一个可调参数,用于控制目标函数值和队列长度的折中。此外,MACRO维护的队列长度由O（V）约束;WEB-MACRO维护的队列长度存在有限上界,从而限制了最坏情况下服务请求遇到的延迟。仿真结果表明,MACRO和WEB-MACRO的队列稳定,总成本低于同类对比算法。3.基于图神经网络和DRL的VNF-FG放置算法研究。复杂的网络服务可以被抽象为虚拟网络功能转发图（Virtual Network Function Forwarding Graph,VNF-FG）,它也是一个有向无圈图（Directed Acyclic Graph,DAG）。本文研究了动态场景下VNF-FG的放置问题。为了充分利用复杂网络服务特殊的DAG结构,以及处理动态网络的复杂性,本文将图神经网络（Graph Neural Network,GNN）与深度强化学习（Deep Reinforcement Learning,DRL）结合起来,提出了一个高效的VNF-FG放置算法,即Kolin。仿真结果表明,与最新的方法相比,Kolin在系统成本、接入率和计算复杂度方面都有显着提升。4.基于组合优化算法的限制VNF迁移的VNF放置算法研究。本文研究了如何在限制VNF迁移数目的同时,减少放置VNF所需的服务器数目的问题。本文基于一个求解在线装箱问题的组合优化算法,设计了VNF放置算法SIVA。理论分析表明,SIVA每一步最多迁移λ个VNF,当k→∞的时候,该算法的渐近竞争比（Asymptotic Competitive Ratio,ACR）为3/2,其中λ=k·|N|,k是可调参数,|N|是网络支持的VNF类型的数目。仿真结果表明,SIVA利用较少的VNF迁移减少了使用的服务器,并且优于对比算法。5.基于模型预测控制的随机云环境中的VNF供给算法研究。由于NFV的优势,网络功能虚拟化提供商（Network Function Virtualization Provider,NFVP）尝试购买云资源来部署VNF,从而提供NFV服务。然而,现有的资源购买方案忽略了云环境的动态特征,从而可能导致成本过高。本文同时考虑了云资源价格,以及服务请求流量大小的动态变化,研究了NFVP应该如何购买云资源,从而降低其成本的问题。本文基于模型预测控制（Model Predictive Control,MPC）提出了算法VINOS,其中,VINOS使用长短时记忆（Long Short Term Memory,LSTM）网络来预测未来的云资源价格和服务请求流量大小。仿真结果表明,VINOS的总成本接近离线最优,并优于对比算法。
马京振[3]（2020）在《顾及尺度变化的道路和居民地融合处理理论与方法研究》文中进行了进一步梳理矢量空间数据是人类社会信息的重要载体。当前各部门生产了不同尺度的矢量空间数据,这些数据具有不同的详细程度,在几何、属性和空间关系特征等方面存在诸多差异,严重影响了空间数据的共享集成与应用。多尺度矢量空间数据融合技术是解决上述问题的关键,通过将不同尺度的空间数据进行集成统一,经过空间数据匹配、制图综合以及空间关系处理等过程,使数据在属性和几何位置上相互印证、相互补充和相互关联,进而实现空间信息的融合和增强。本文主要研究顾及尺度变化的道路和居民地融合处理理论与方法,完成的主要工作和取得的成果如下:1.结合实际应用需求分析了研究背景和意义,总结了空间数据融合总体研究进展以及道路和居民地融合处理研究现状,指出了当前研究中的不足之处,并提出了本文的研究目标、内容和技术路线等。2.从空间认知、多尺度表达等方面阐述了尺度的基本内涵和特征,深入分析了多尺度矢量空间数据的差异性根源和表现形式;探讨了多尺度矢量空间数据融合的基本问题,明确了概念和研究范畴,从系统的角度进行了分类和数学上的形式化定义,并提出了具体的研究内容和技术框架;最后介绍了道路和居民地常见的描述特征。3.研究了基于层次性的多尺度道路融合处理方法。主要包括:提出了一种基于目标检测Faster R-CNN神经网络模型的立交桥识别方法,利用卷积神经网络学习立交桥样本的深层次结构特征,实现立交桥的自动识别与准确定位;针对现有方法仅考虑道路静态特征等问题,提出了一种结合轨迹数据的多层次特征选取方法,通过构建对偶图对道路的结构关系进行描述,同时利用线Voronoi图空间密度进行约束,保证选取结果的合理性;提出了一种顾及层次约束的多尺度道路匹配方法,从空间认知的角度对道路进行层次划分,充分利用道路的空间结构特征并以层次结构来约束匹配过程,可适用于不同比例尺的道路匹配。4.研究了顾及多特征的多尺度居民地融合处理方法。主要包括:构建了Delaunay三角网,通过空间邻域簇将不同尺度中的复杂匹配实体划分到闭合域中,得到多对多匹配候选要素集;在此基础上提出了一种顾及多特征的多尺度居民地匹配方法,同时考虑自身特征和空间邻域特征对匹配结果的影响,构建空间相似性度量模型,进而得到最终的匹配结果;提出了一种顾及多特征约束的Voronoi图点群选取方法,结合点群要素的空间分布、拓扑和密度、专题属性以及与道路要素的关联等特征,同时应用距离约束对空间冲突进行处理,保持了点群选取前后空间特征的一致性。5.研究了多尺度道路和居民地空间关系一致性处理方法。主要包括:重点分析了降维、化简和合并对多尺度道路和居民地空间关系的影响,介绍了基于九交模型的拓扑关系描述方法,并对线-面拓扑关系进行了层次划分;针对地图空间中的线-面和线-点冲突、矢量空间中的线-面和线-面冲突问题,分别建立了线-面和线-点一致性对应关系、线-面和线-面一致性度量关系,提出了空间冲突检测的思路和流程,并进行了实验验证与分析;提出了一种面向空间约束的道路和居民地移位处理方法,以道路网眼为单位,采用最小生成树建立建筑物之间的关联关系,对建筑物进行移位和缩放处理,有效保持了建筑物的空间分布模式。6.研制了多尺度道路和居民地融合处理原型系统,介绍了系统的主要功能及实验数据概况,对论文提出的关键技术方法进行了实验验证。
乔双虎[4]（2020）在《基于支持向量机的无人船航路规划研究》文中进行了进一步梳理随着人工智能技术的快速发展,无人船作为一种新型的智能运载工具已逐渐出现在大众面前。提高无人船的智能化水平是其顺利完成各项任务的重要保障。无人船路径规划作为其中关键一环,有着重要的应用价值和研究意义。本文提出了一种基于拓展支持向量机的无人船路径规划方法,分别对拓展SVM全局路径规划和滚动路径规划两部分内容展开了研究,并进行了理论分析和仿真验证。首先,阐述了无人船路径规划问题的研究意义,概括了一些常用的路径规划方法,对无人船路径规划的现状进行了概述。从支持向量机的原理出发,利用最大间隔法剖析支持向量机分类问题的由来,给出了支持向量机描述的优化问题,并对求解该优化问题进行了说明。还对支持向量机的非线性分类问题进行了研究,为解决较常见的非线性分类问题提供了理论依据。然后,对传统SVM解决路径规划问题的原理进行了说明,指出了利用传统SVM解决路径规划问题时忽视起止点约束所导致的问题。为解决此问题,在传统SVM的基础上,将起止点约束引入支持向量机的约束条件中,根据实际不同情况给出了线性问题和非线性问题的拓展SVM路径规划模型,并给出了拓展SVM的求解方法。为提高算法的效率,对SVM训练集进行预处理,提高了路径规划的速度和质量。其次,将滚动窗口法思想引入拓展SVM路径规划中,提出了一种基于拓展SVM的滚动路径规划方法。使用滚动窗口逐步规划,能够采集障碍中的关键信息,从而获得较高质量的路径,降低周期内的计算量。最后,通过MATLAB仿真平台对提出的路径规划方法进行了仿真验证,并同传统人工势场法进行比较,给出了结果分析,验证了本文算法的可行性和有效性。
李智[5]（2020）在《轮式移动机器人最优路径规划与抗滑转轨迹跟踪方法研究》文中研究指明轮式移动机器人（Wheeled Mobile Robot,WMR）被广泛应用于地表和外星球环境的运载和探索任务中,为了提高自主完成任务的能力,WMR的路径规划与轨迹跟踪技术一直是研究热点。在路径规划层面,当前的研究一般未考虑地图构建对路径规划效果的影响以及规划环境和自身运动能力对路径实际可行性的限制;在轨迹跟踪层面,当前的多数研究是基于里程信息准确和轮地纯滚动而无滑转的理想假设。然而,当运动和感知能力有限的WMR运行于真实复杂环境中时,以上未考虑的问题会导致所规划路径实际可行性差,同时导致轨迹跟踪控制器失稳或失效。因此,有必要围绕路径规划的目标设计地图信息重构方法和最优路径规划方法,并且研究轮地非理想滚动时的里程计算方法和抗滑转轨迹跟踪方法。以上研究对于提升WMR自主可靠地完成复杂运动任务的能力具有重大意义。针对WMR位置约束最优路径规划问题,分别从全局和局部两个层面对如何构建与路径规划目标相匹配的代价地图,以及最优路径规划问题的构造和求解进行了研究。以使所规划的全局路径具有广域地图中的最优可通过性为主要目标,将基于卫星高程图建立的全局可通过性代价栅格地图作为规划环境,设计了改进对偶CHOMP（Covariant Hamiltonian Optimization for Motion Planning,CHOMP）高维PTR（Point-to-Region,PTR）路径规划方法。通过引入非单调梯度投影算法（Non-monotone Gradient Projection Algorithm,NGPA）这一高容忍度的有效集法,实现了存在非凸代价函数情况下的高效率和高成功率路径规划。进一步基于模拟退火法框架施行概率化改进,通过克服局部极小死锁和发散,大幅提高了规划成功率。所设计方法能在获取高可通过性路径的同时,均衡路径的低几何跨度和良好平滑性,有利于路径的实际执行。仿真对比结果表明所设计方法可以实现以上预期规划目标。为使所规划的局部路径不仅具有高品质,还具有考虑WMR实际运行能力的最优局部避障效果,设计了最优化局部PTR路径规划方法。该方法将局部静态和动态障碍代价栅格地图作为规划环境,通过改善目标代价函数提升了改进对偶CHOMP方法的局部规划性能,并通过进一步结合HMC（Hamiltonian Monte Carlo）方法,提高了WMR在局部静态和动态环境内的寻路能力。仿真对比结果表明,所设计方法在保证平滑避障效果的基础上不断驱使初始路径跳出局部极小,平衡了避障效果与路径品质,确保了规划的成功率和效率。从增强里程信息准确性和提高轨迹跟踪系统鲁棒性两个维度对抗滑转轨迹跟踪策略进行了研究,进而使WMR在复杂环境中仍有稳定跟踪所规划路径的能力。为消除轮地复杂交互状态对WMR里程测量的影响,基于IMU和单目视觉黑箱的测量信息设计了一种非接触式里程计算方法。基于IMU和视觉信息的更新特点与扩展卡尔曼滤波器（Extended Kalman Filter,EKF）基本框架,设计了半紧密信息耦合IMU辅助视觉EKF（IMU-aided Camera EKF,ICEKF）算法。通过在速度层对IMU和视觉信息进行耦合并估计单目黑箱的位移尺度系数,确保了IMU可以辅助视觉算法输出更准确的里程估计结果。通过在一个WMR搭载的IMU辅助单目视觉系统上应用此方法,制作了一个视觉惯性里程仪（VisualInertial Ordometry,VIO）,实验结果表明所设计的ICEKF可以为WMR提供更加可靠的里程测量结果。针对复杂环境中WMR执行轨迹跟踪任务时出现的轮地滑转问题,结合转向和纵向滑转耦合运动学模型设计前馈控制器,实现了对时变滑转率的主动实时补偿。针对轨迹跟踪系统因轮地交互强耦合遇到的难以解析的干扰,基于快速双幂次趋近率和反演法设计了滑模控制（Sliding Mode Control,SMC）器,并进一步结合积分型自适应函数设计了一种新型自适应滑模控制器,确保了对目标轨迹的跟踪效果。已知WMR里程情况下的对比仿真和实验结果表明,所设计方法显着抑制了跟踪控制系统的输出抖振,提高了系统响应能力,削减了跟踪误差,进而实现了强鲁棒性的抗滑转轨迹跟踪控制。通过设计与实施非理想滚动工况下WMR局部路径规划与轨迹跟踪联合实验,验证了以上所设计方法在现实环境中的实际可行性。
姜滟[6]（2019）在《基于轨迹数据的危险货物道路运输路径优化研究》文中提出石油、天然气等各类危险货物已经成为支撑经济发展和服务百姓民生的重要物资,但是危险货物在运输过程中一旦发生险情,往往会造成非常严重的安全事故。合理地对危险货物道路运输进行路径优化和选择,在规避运输风险等方面起到了重要作用。基于风险评价及风险度量的路径优化研究已经比较完善,但是风险评价指标体系以及风险度量模型涉及的数据往往难以全面获取且数据量较大,不易更新。随着智能网联、大数据技术与交通运输的不断深度融合,卫星定位系统、管理信息系统等技术手段正应用于货流的规律挖掘和动态监管当中,逐步实现危险货物运输管理的信息化。当下卫星定位系统的应用和道路运输安全监管系统的建设,都积累了大量的数据,如何行之有效地集成这些数据和信息技术为危险货物道路运输服务是研究的热门课题之一。由于涉及较为特殊的运输领域及其管控相对独立、封闭,在现有的研究中危险货物运输车辆的轨迹数据利用率并不高,对于危险货物运输车辆来说,借助轨迹数据发掘车辆的移动规律,整合全网危货车辆的选线经验,也是平衡运输风险与效益的重要途径之一。因此本文以大连市为例,尝试通过对危险货物运输车辆轨迹数据的挖掘,分析并获取其运输行为特征,将其融入到经验安全层级路网的构建中,并在经验安全层级路网的基础上获取最优路径。本文首先对研究区域大连市的概况以及各类数据的来源进行了简要介绍,并针对危险货物运输车辆轨迹点数据存在的问题,详细阐述了其预处理方法,便于后续运输特征的进一步提取。接着,透过危货车辆的海量轨迹数据,针对其运行的时空特性进行了提取、分析,刻画了大连市内危货车辆的群体特征,具体包括运输时间特征、起讫点及运输路径空间分布特征和经验路段特征三个方面。然后,借鉴基于浮动车轨迹数据进行路径规划的相关研究,在通行路段特征分析的基础之上,结合危险货物的移动风险性,构建与危险货物道路运输相适应的经验安全层级路网指标体系,利用概率神经网络方法进行层级道路网络的分类。最后,提出考虑事故风险的最短路A*算法,并结合分层搜索策略进行危险货物道路运输的路径优化。通过实例分析,将获得的运输方案与实际运输方案进行比较分析,验证了该方法在实际路网中的可行性。
魏宏智[7]（2019）在《鲁棒优化问题最优性的若干研究》文中提出不确定性普遍存在于自然世界、工程系统和我们的社会生活中。在现实世界中,许多优化模型中的参数具有不确定性,因此不确定优化研究非常重要。当前,鲁棒优化成为处理不确定优化问题最有效的方法之一,且越来越流行。本文主要借助非线性标量化、集优化和像空间分析等工具研究了鲁棒优化问题鲁棒解的相关概念及其鲁棒最优性条件。针对不确定标量优化问题,定义了两种鲁棒对应并研究了各种鲁棒对应下的最优性刻画;对于不确定多目标优化问题,引入了三类鲁棒有效性概念,并在像空间分析框架下研究了向量化模型和集序意义下的鲁棒有效性。全文共分为七章,具体如下:第一章,首先回顾了优化问题的研究背景以及鲁棒优化问题的研究现状和最新进展。随后,介绍了两类着名的非线性标量化函数及其应用,集序和集优化的产生和发展,阐述了像空间分析方法的基本特征,其在优化问题中的研究内容以及现状分析。最后,介绍了本文的研究动机和主要工作。第二章,介绍了本文所用到的一些符号、定义,两类非线性标量化函数:Gerstewitz函数和定向距离函数和它们的性质,以及常用的集序关系、像空间分析方法中像问题及（正则）弱分离函数定义。第三章,考虑标量鲁棒优化问题的鲁棒对应及探索与多目标优化的关系。基于多目标优化中的Benson标量化方法和弹性约束方法,提出了两类鲁棒对应并分别定义了鲁棒解。通过选取合适的参数与集合,这些概念能表示为非线性标量化方法的特殊情形,并应用于投资中的风险估计问题。随后,引入（无）约束多目标优化问题并探讨了与鲁棒优化问题的关系,即标量鲁棒优化问题的最优解是多目标优化问题的弱有效解,且在唯一性假设下是有效解。第四章,考虑不确定多目标优化问题在集序意义下的鲁棒有效性。通过替换Minmax、Minmax certainly和Minmax certainly nondominated三种序关系,提出了集序意义下的三类鲁棒有效性概念并给出了相应的解释。随后,讨论了三者之间的相互关系以及揭示了它们与已有鲁棒有效性的关系。最后,运用这些新概念处理旅游目的地选择问题。第五章,借助像空间分析方法,研究了一般标量鲁棒优化问题的各种鲁棒性刻画。在适当假设下,通过引入不确定问题的校正像或鲁棒对应问题的像,针对不同鲁棒性概念刻画了对应的鲁棒解,提供了处理不确定优化问题的统一方法。此外,借助线性和非线性正则弱分离函数,导出了鲁棒最优性条件,尤其鞍点型充分最优性条件。为了验证所得结论的有效性,将其应用于最短路径问题。第六章,基于像空间分析框架,刻画集序意义下和向量模型下的多目标鲁棒有效性。运用几种集序关系的线性和非线性标量化结果,在标量化像空间中引入合适子集来刻画上集序、下集序、集序和Certainly序的鲁棒解。随后,通过引入原始不确定问题的校正像和鲁棒对应的选择校正像,建立了向量模型下分离与鲁棒有效性的等价关系。借助线性向量和标量分离函数,导出了Lagrangian型充分鲁棒最优性条件。最后,在适当假设下,运用非线性分离函数得到Lagrangian型必要鲁棒最优性条件。第七章,对本文的主要内容进行了总结,提出了一些值得研究和探讨的问题,并介绍了鲁棒优化在神经网络中的应用前景。
陈亚博[8]（2019）在《无人艇路径混合优化及验证研究》文中进行了进一步梳理当下对无人艇的研究已经成为了一个热点,为了提高无人艇的自主化水平,本文基于支持向量机提出了一种船舶碰撞风险评估算法和一种无人艇路径规划算法,并对这两种算法进行了理论分析和虚拟现实仿真验证。首先,阐述了研究课题的意义,并分别介绍了碰撞风险评估算法和路径规划算法的研究现状。其次,介绍了最优化理论和支持向量机的相关知识,列举了理论中的一些定理和性质,并对重要的部分给出了理论推导和证明。再次,分析了支持向量机算法中松弛变量用于评估碰撞风险的可行性,然后系统阐述了碰撞风险评估算法的原理,对该算法的特点进行了分析总结。最后给出了碰撞风险评估算法的求解方法以及求解公式,并在MATLAB环境下对其做了仿真。然后,给出了基于拓展支持向量机的用于规划路径的算法。说明了路径规划模型的构建思想,分析并证明了路径规划模型的性质。然后给出了求解模型的算法步骤,最后对其进行了仿真。最后,在基于Vega Prime的无人艇虚拟现实仿真平台中,对本文提出的两种算法进行了验证。在虚拟现实平台上利用碰撞风险评估算法实时计算了无人艇在航行过程中与周边障碍物的碰撞风险,并在虚拟环境中利用路径规划算法规划了无人艇的航行路径。
高嘉时[9]（2019）在《升力式再入飞行器轨迹优化与制导方法研究》文中认为升力式飞行器是一类具有大升阻比、强机动能力、内部体积利用率高、大攻角下气动特性良好的飞行器,随着空天领域技术的发展,升力式飞行器在未来军事、政治和经济中将发挥重要的战略作用。再入段是升力式飞行器由外太空重新进入天体大气层的过程,是轨迹规划与制导中的研究重点,本文以此为研究对象,针对再入段轨迹优化与制导所面临的瓶颈问题,从以下几方面开展研究:在一定的假设下,根据飞行器再入段的运动学和动力学方程,建立再入段飞行器三自由度质心运动模型和大气环境模型,并针对指定飞行器进行气动特性分析;以此为基础,开展后续轨迹优化与制导的研究。针对传统的轨迹优化算法在快速性、收敛性上的瓶颈,设计了一种用于在线轨迹优化的凸优化方法,原始的轨迹优化问题为非线性最优控制问题,为将其凸化为二阶锥规划（SOCP）问题,分别从运动方程、性能指标、过程约束、问题离散化几个方面分别进行凸化处理,并通过原对偶内点法对处理后的凸问题进行求解。为验证该轨迹优化算法在快速性、收敛精度等方面的性能,本文基于再入飞行器模型,采用该方法分别求解最短时间和最小航程下的轨迹优化问题,仿真结果表明了该方法的有效性以及工程应用上的可行性。针对再入轨迹优化过程中,多数算法对建模依赖性强,导致在模型建立存在偏差或者扰动下的任务适应性较差的问题,本文提出了一种结合强化学习与神经网络的轨迹优化智能决策算法。传统的轨迹优化算法多通过数值方法求解控制量,在本文提出的方法中,针对飞行器所处的状态,由神经网络映射出动作值作为控制量,并通过状态转移所带来的奖励,利用强化学习的训练机制,对神经网络进行训练;文中基于再入飞行器模型,采用该方法求解满足过程约束和终端约束的可行轨道,验证了该方法的可行性;随着计算机计算性能与对智能化决策系统需求的提高,这一方法在轨迹优化这类复杂连续控制问题将会有更好的应用前景。针对制导系统对实时性和收敛性需求的提升,设计了一种基于二次约束二次规划（QCQP）问题的再入制导方法。该制导方法以对参考轨迹的跟踪误差与终端落点误差作为优化性能指标并对约束进行凸化处理,将制导问题原始形式对应的非线性最优控制问题转化为QCQP问题,采用内点法在多项式时间复杂度下对问题进行快速解决,获得最优制导律。文中为验证算法的有效性,分别在初始状态偏差、气动参数偏差、大气密度偏差干扰下进行制导仿真验证。最后对全文进行了总结,并指出了本文的创新点和存在的问题,为今后的进一步研究指明方向。
何康亚[10]（2019）在《复杂网络中的网络表示研究》文中指出网络能有效反映各种复杂的关系结构,因此其普遍存在于现实世界中。随着网络的复杂程度越来越高,规模越来越大,针对复杂网络的分析任务也变得越来越困难。为了应对结构越来越复杂,规模越来越大的网络所带来的问题,研究人员提出了网络表示方法,即基于复杂网络中已有信息建立网络表示模型自动学习节点低维向量表示。基于网络表示模型学习的节点向量表示,只需要将已有的机器学习模型做一些适应性的调整就可以解决复杂网络分析中的绝大多数问题,故网络表示模型的性能将直接影响到最终的分析任务。在复杂网络分析中,已有的网络表示工作大都从网络的结构信息出发,用节点相似性来指导网络表示生成,故节点相似性度量的研究对网络表示具有重要意义。在传统的节点相似性度量中已有工作大都以目标节点的共同邻居为基础,而忽略了网络结构中高阶邻居节点以及它们之间的相互关系对目标节点相似性的影响,故本文提出了一种基于图核的节点相似性度量方法。该方法主要基于中心节点所在的子图来刻画网络结构对中心节点相似性的影响,并将这种相似性度量方法应用到符号预测任务中以验证该方法的性能。实验结果显示,相较于其他传统方法,基于图核的节点相似性度量方法能显着提升符号预测的性能。在已有的网络表示方法中,网络结构信息是所有表示模型的基础;但由于网络结构的稀疏性,使得基于结构的相似性计算以及基于矩阵分解的方法变得困难,故为了解决网络稀疏性所带来的问题,本文提出了一种基于边对偶图（Edge-Dual Graph）的网络稀疏性改善模型,通过将原始网络转换为边对偶图,不仅能改善网络的稀疏性,还能将原始网络中基于链接的任务转化为边对偶图中基于节点的任务。为验证该方法的有效性,本文中将Jaccard相似性作为核函数,并利用用核SVM预测原始网络的链接符号。实验结果表明,该方法在改善网络稀疏性的同时,还能提高已有工作的符号预测性能。结构信息是网络的基本信息,能从复杂的网络结构中挖掘出有效信息是网络表示模型的关键。而在复杂的结构中,任意一种相似性度量方法只能获取部分的网络结构信息,故依赖单一相似性的网络表示模型在根本上缺乏获取完整网络信息的基础。本文中为了充分挖掘网络结构信息,提出了一种基于多种相似性的多视图网络表示模型。该方法,首先基于不同节点相似性组合为网络生成若干潜在的网络表示空间,即视图;然后使用基于典型相关分析的方法来学习生成的视图之间的共同表示空间,并且通过神经网络模型学习不同视图空间的特征表示空间;最后融合基于多个视图学习到的共同表示空间和特征表示空间作为网络的完整表示。实验结果表明,该方法充分考虑了节点在网络中的不同结构信息,故可有效改善实际网络上的节点分类性能。随着网络越来越复杂,网络数据中除结构信息之外,节点或链接本身也有一些属性信息,故基于网络结构的方法在一定程度上会因为对信息的利用不充分而使得在最终的网络表示方法学得的表示向量无法反映节点在网络中的全部信息。虽然有些工作尝试结合网络的多种信息学习网络的向量表示,但它们没有充分挖掘网络中的信息,故本文提出了一种基于异构信息的网络表示模型（HINE）,并用节点分类任务来验证该方法的有效性。HINE模型通过融合网络中的用户属性、链接、社区以及标签等信息来学习网络的最终表示。实际数据集上的验证实验表明,该方法在节点分类上比已有的工作性能有所提高,尤其是在低维空间下,该方法可显着提升节点分类性能。
二、A Primal-dual Neural Network for Shortest Path Problem（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、A Primal-dual Neural Network for Shortest Path Problem（论文提纲范文）
（1）异质图神经网络关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究内容及结构安排 |
| 1.2.1 研究内容 |
| 1.2.2 结构安排 |
| 第二章 相关工作与研究现状 |
| 2.1 异质图建模与分析 |
| 2.2 图表示学习 |
| 2.2.1 经典图表示学习 |
| 2.2.2 图神经网络 |
| 2.3 推荐系统 |
| 第三章 基于层次注意力机制的异质图神经网络 |
| 3.1 引言 |
| 3.2 模型框架 |
| 3.2.1 节点级别注意力 |
| 3.2.2 语义级别注意力 |
| 3.2.3 模型分析 |
| 3.3 实验与分析 |
| 3.3.1 实验数据与对比算法 |
| 3.3.2 有效性实验 |
| 3.3.3 层次注意力分析 |
| 3.3.4 参数实验 |
| 3.4 本章小结 |
| 第四章 深度架构的异质图传播网络 |
| 4.1 引言 |
| 4.2 深层退化现象 |
| 4.2.1 异质图神经网络架构分析 |
| 4.2.2 多元路径随机游走与异质图神经网络的联系 |
| 4.3 模型框架 |
| 4.3.1 语义传播机制 |
| 4.3.2 语义融合机制 |
| 4.3.3 损失函数 |
| 4.3.4 模型分析 |
| 4.4 实验与分析 |
| 4.4.1 实验数据与对比算法 |
| 4.4.2 有效性实验 |
| 4.4.3 鲁棒性实验 |
| 4.4.4 语义融合分析实验 |
| 4.4.5 参数实验 |
| 4.5 本章小结 |
| 第五章 距离编码增强的异质图神经网络 |
| 5.1 引言 |
| 5.2 异质距离编码 |
| 5.3 模型框架 |
| 5.3.1 节点表示初始化 |
| 5.3.2 异质图卷积 |
| 5.3.3 损失函数和优化 |
| 5.3.4 模型分析 |
| 5.4 实验与分析 |
| 5.4.1 实验数据与对比算法 |
| 5.4.2 链路预测 |
| 5.4.3 异质距离编码分析 |
| 5.4.4 参数实验 |
| 5.5 本章小结 |
| 第六章 异质图神经网络在推荐中的应用 |
| 6.1 引言 |
| 6.1.1 分享推荐 |
| 6.1.2 组合推荐 |
| 6.2 分享推荐 |
| 6.2.1 问题建模 |
| 6.2.2 问题求解 |
| 6.2.3 实验与分析 |
| 6.3 组合推荐 |
| 6.3.1 问题建模 |
| 6.3.2 问题求解 |
| 6.3.3 实验与分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 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 |
| 攻读博士学位期间参与的科研项目 |
（2）网络功能虚拟化中的资源分配研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 网络功能虚拟化概述 |
| 1.1.1 网络功能虚拟化架构 |
| 1.1.2 网络功能虚拟化用例 |
| 1.1.3 网络功能虚拟化面临的主要挑战 |
| 1.2 网络功能虚拟化中的资源分配 |
| 1.2.1 VNF放置问题 |
| 1.2.2 云数据中心的VNF供给问题 |
| 1.2.3 动态场景中NFV中的资源分配问题和相关工作现状 |
| 1.3 处理动态场景的优化算法 |
| 1.3.1 动态场景 |
| 1.3.2 优化算法 |
| 1.3.3 优化算法的对比 |
| 1.3.4 实际系统中的算法实现 |
| 1.4 本论文的结构安排和主要工作 |
| 第二章 基于在线原始对偶算法的性能保证的VNF放置算法研究 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.3 系统建模与数学模型 |
| 2.4 VNF放置算法设计 |
| 2.4.1 数学模型变换 |
| 2.4.2 算法设计 |
| 2.4.3 查找单个请求的最佳放置 |
| 2.4.4 算法性能分析 |
| 2.4.5 确保节点和链路容量不受违背 |
| 2.5 实验与性能评估 |
| 2.5.1 实验设计和参数设置 |
| 2.5.2 对比算法和性能指标 |
| 2.5.3 算法的竞争比 |
| 2.5.4 服务请求的接入率 |
| 2.5.5 节点和链路容量违背情况 |
| 2.5.6 负载均衡 |
| 2.5.7 扩展性 |
| 2.6 本章小结 |
| 第三章 基于李亚普诺夫优化的缓存感知的VNF放置算法研究 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 系统模型和数学建模 |
| 3.4 系统缓存感知的在线VNF放置算法 |
| 3.4.1 算法设计 |
| 3.4.2 算法性能分析 |
| 3.5 改进的最坏情况下延迟有界的算法 |
| 3.5.1 算法设计 |
| 3.5.2 算法性能分析 |
| 3.6 实验与性能评估 |
| 3.6.1 实验设计和参数设置 |
| 3.6.2 对比算法和性能指标 |
| 3.6.3 总成本和队列长度 |
| 3.6.4 队列长度的上界 |
| 3.6.5 VNF成本、路由成本和迁移成本 |
| 3.6.6 计算时间 |
| 3.6.7 不同数值的成本的影响 |
| 3.7 本章小结 |
| 第四章 基于图神经网络和DRL的 VNF-FG放置算法研究 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 系统模型和数学建模 |
| 4.3.1 底层网络 |
| 4.3.2 VNF和VNF-FG |
| 4.3.3 决策变量 |
| 4.3.4 优化模型 |
| 4.4 GNN辅助的DRL的算法 |
| 4.4.1 DRL概述和面临的挑战 |
| 4.4.2 状态表示 |
| 4.4.3 动作空间与策略网络设计 |
| 4.4.4 奖励设计与训练过程 |
| 4.4.5 算法实现 |
| 4.5 实验与性能评估 |
| 4.5.1 实验设计和参数设置 |
| 4.5.2 对比算法和性能指标 |
| 4.5.3 不同到达间隔的影响 |
| 4.5.4 每个请求具有不同数目的VNF的影响 |
| 4.5.5 不同嵌入对Kolin的性能的影响 |
| 4.6 本章小结 |
| 第五章 基于组合优化算法的限制VNF迁移的VNF放置算法研究 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 系统模型与数学建模 |
| 5.3.1 VNF和服务请求 |
| 5.3.2 底层网络 |
| 5.3.3 决策变量与数学模型 |
| 5.3.4 VNF放置问题的NP困难性 |
| 5.4 VNF放置算法设计 |
| 5.4.1 求解装箱问题的算法HR-k |
| 5.4.2 半在线VNF放置算法 |
| 5.4.3 算法性能分析 |
| 5.5 实验与性能评估 |
| 5.5.1 实验设计和参数设置 |
| 5.5.2 对比算法和性能指标 |
| 5.5.3 竞争比 |
| 5.5.4 VNF迁移数目 |
| 5.5.5 负载均衡 |
| 5.5.6 计算时间 |
| 5.5.7 参数k不同取值的影响 |
| 5.6 本章小结 |
| 第六章 基于模型预测控制的随机云环境中的VNF供给算法研究 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 系统模型和数学建模 |
| 6.3.1 云、VM和VNF |
| 6.3.2 服务请求 |
| 6.3.3 决策变量和数学模型 |
| 6.4 基于MPC的资源购买算法 |
| 6.5 实验与性能评估 |
| 6.5.1 实验设计和参数设置 |
| 6.5.2 对比算法和性能指标 |
| 6.5.3 预测的准确性 |
| 6.5.4 不同长度的系统时间跨度的影响 |
| 6.5.5 不同数量的服务请求的影响 |
| 6.5.6 不同数量的VNF的影响 |
| 6.6 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）顾及尺度变化的道路和居民地融合处理理论与方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状与问题分析 |
| 1.2.1 空间数据融合总体研究进展 |
| 1.2.2 道路和居民地融合处理研究现状 |
| 1.2.3 研究现状分析 |
| 1.3 选题来源 |
| 1.4 论文研究的目标、内容及技术路线 |
| 1.4.1 研究目标 |
| 1.4.2 主要研究内容 |
| 1.4.3 总体技术路线 |
| 1.5 论文的组织结构 |
| 第二章 多尺度矢量空间数据融合基础理论 |
| 2.1 地理空间数据的尺度内涵和特征 |
| 2.1.1 尺度的基本概念 |
| 2.1.2 尺度的空间认知 |
| 2.1.3 空间数据多尺度表达 |
| 2.1.4 多尺度空间数据特征 |
| 2.2 多尺度矢量空间数据差异性分析 |
| 2.2.1 多尺度矢量空间数据差异性根源 |
| 2.2.2 多尺度矢量空间数据差异性表现形式 |
| 2.3 多尺度矢量空间数据融合基本问题与主要技术 |
| 2.3.1 空间数据融合定义与分类 |
| 2.3.2 空间数据融合内容与技术框架 |
| 2.3.3 与其他相关技术的区别 |
| 2.4 空间实体特征描述方法 |
| 2.4.1 道路特征描述方法 |
| 2.4.2 居民地特征描述方法 |
| 2.5 本章小结 |
| 第三章 基于层次性的多尺度道路融合处理方法 |
| 3.1 基本思想 |
| 3.2 基于Faster R-CNN深度神经网络的立交桥自动识别方法 |
| 3.2.1 Faster R-CNN基本原理 |
| 3.2.2 利用Faster R-CNN识别立交桥的策略 |
| 3.2.3 实验与分析 |
| 3.3 结合轨迹数据的多层次特征道路选取方法 |
| 3.3.1 道路多层次重要性评价方法 |
| 3.3.2 顾及密度约束的道路选取 |
| 3.3.3 实验与分析 |
| 3.4 顾及层次约束的多尺度道路匹配方法 |
| 3.4.1 道路stroke层次匹配的总体思路 |
| 3.4.2 道路空间相似度计算 |
| 3.4.3 实验与分析 |
| 3.5 本章小结 |
| 第四章 顾及多特征的多尺度居民地融合处理方法 |
| 4.1 基本思想 |
| 4.2 多尺度面状居民地复杂匹配候选确定 |
| 4.2.1 多尺度面状居民地匹配关系分析 |
| 4.2.2 基于空间邻域簇的多对多匹配候选确定 |
| 4.3 顾及多特征的多尺度居民地匹配方法 |
| 4.3.1 居民地自身特征的相似度 |
| 4.3.2 居民地空间邻域特征的相似度 |
| 4.3.3 实验与分析 |
| 4.4 顾及多特征约束的Voronoi图点群选取方法 |
| 4.4.1 描述点群重要性的特征参量 |
| 4.4.2 点群冲突处理及选取关键步骤 |
| 4.4.3 实验与分析 |
| 4.5 本章小结 |
| 第五章 多尺度道路和居民地空间关系一致性处理方法 |
| 5.1 尺度变换对道路和居民地空间关系的影响 |
| 5.1.1 降维对空间关系的影响 |
| 5.1.2 化简对空间关系的影响 |
| 5.1.3 合并对空间关系的影响 |
| 5.2 拓扑关系的描述和表达 |
| 5.2.1 基于九交模型的拓扑关系描述 |
| 5.2.2 线-面拓扑关系的层次性表达 |
| 5.3 多尺度道路和居民地空间冲突检测方法 |
| 5.3.1 地图空间中线-面和线-点冲突检测 |
| 5.3.2 矢量空间中线-面和线-面冲突检测 |
| 5.4 道路和居民地移位处理方法 |
| 5.4.1 道路与建筑物之间的关系分类 |
| 5.4.2 道路与建筑物冲突处理方法 |
| 5.4.3 实验与分析 |
| 5.5 本章小结 |
| 第六章 多尺度道路和居民地融合处理实验验证 |
| 6.1 实验介绍 |
| 6.1.1 实验系统概述 |
| 6.1.2 系统的主要功能 |
| 6.1.3 实验数据与内容 |
| 6.2 道路和居民地更新及融合处理实验 |
| 6.2.1 多尺度道路融合处理实验 |
| 6.2.2 多尺度居民地融合处理实验 |
| 6.2.3 道路和居民地一致性处理实验 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.1.1 主要工作 |
| 7.1.2 主要创新点 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简历攻读博士学位期间完成的主要工作 |
（4）基于支持向量机的无人船航路规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 船舶路径规划算法的研究现状 |
| 1.3.1 启发式算法 |
| 1.3.2 图搜索算法 |
| 1.3.3 神经网络算法 |
| 1.3.4 混合算法 |
| 1.3.5 支持向量机算法 |
| 1.4 本文主要内容和结构安排 |
| 2 支持向量机相关理论概述 |
| 2.1 支持向量机强化学习理论简述 |
| 2.1.1 监督学习 |
| 2.1.2 支持向量机的强化学习能力 |
| 2.2 线性支持向量机基本理论 |
| 2.2.1 最优化问题 |
| 2.2.2 凸规划问题 |
| 2.2.3 最大间隔法 |
| 2.2.4 一般支持向量分类机 |
| 2.2.5 C-支持向量分类机 |
| 2.3 非线性支持向量机 |
| 2.3.1 核与支持向量机 |
| 2.3.2 核函数 |
| 2.4 本章小结 |
| 3 基于拓展支持向量机的无人船全局路径规划 |
| 3.1 无人船路径规划问题 |
| 3.2 基于传统SVM的路径规划 |
| 3.3 基于拓展SVM的路径规划 |
| 3.3.1 拓展SVM |
| 3.3.2 训练数据分类 |
| 3.3.3 障碍膨胀处理后的训练数据 |
| 3.3.4 训练数据裁剪 |
| 3.3.5 拓展SVM路径规划步骤 |
| 3.4 本章小结 |
| 4 基于拓展支持向量机的无人船滚动路径规划 |
| 4.1 滚动窗口法基本原理 |
| 4.2 基于滚动窗口法的路径规划 |
| 4.3 基于拓展SVM的滚动路径规划 |
| 4.3.1 滚动窗口选择及数据更新 |
| 4.3.2 滚动规划方向 |
| 4.3.3 子目标点的选取 |
| 4.3.4 滚动规划步骤 |
| 4.4 本章小结 |
| 5 基于MATLAB的拓展SVM路径规划分析与验证 |
| 5.1 仿真工具简介 |
| 5.1.1 LIBSVM概述 |
| 5.1.2 MATLAB优化工具箱 |
| 5.2 路径规划数据处理技术 |
| 5.2.1 边缘检测 |
| 5.2.2 膨胀 |
| 5.3 仿真实验与分析 |
| 5.3.1 拓展SVM全局路径规划仿真验证 |
| 5.3.2 拓展SVM滚动路径规划仿真验证 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（5）轮式移动机器人最优路径规划与抗滑转轨迹跟踪方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 机器人路径规划与轨迹跟踪国内外研究现状 |
| 1.2.1 机器人路径规划研究现状 |
| 1.2.2 机器人轨迹跟踪研究现状 |
| 1.3 目前研究存在的问题 |
| 1.4 本文主要研究内容与论文结构 |
| 第2章 机器人全局可通过性最优路径规划方法研究 |
| 2.1 引言 |
| 2.2 全局可通过性代价地图构建 |
| 2.3 机器人位置约束路径规划问题的描述 |
| 2.4 改进对偶CHOMP路径规划方法设计 |
| 2.4.1 二维空间内的原始对偶CHOMP方法分析 |
| 2.4.2 基于NGPA的对偶CHOMP路径规划方法改进 |
| 2.4.3 基于模拟退火法的路径规划概率完备性改进 |
| 2.5 全局路径规划仿真验证 |
| 2.5.1 确定式改进对偶CHOMP方法的验证 |
| 2.5.2 概率完备性改进对偶CHOMP方法的验证 |
| 2.6 本章小结 |
| 第3章 机器人局部避障效果最优路径规划方法研究 |
| 3.1 引言 |
| 3.2 局部障碍区域提取方法 |
| 3.3 局部障碍代价地图构建方法 |
| 3.4 改进对偶CHOMP方法的局部性能改进 |
| 3.4.1 局部平滑代价函数改进 |
| 3.4.2 基于模糊推理的局部动态性能改进 |
| 3.5 基于HMC方法的概率完备性改进 |
| 3.6 局部路径规划仿真验证 |
| 3.6.1 HFD CHOMP方法的静态障碍仿真验证 |
| 3.6.2 HFD CHOMP方法的动态障碍仿真验证 |
| 3.7 本章小结 |
| 第4章 非理想滚动下机器人里程计算方法研究 |
| 4.1 引言 |
| 4.2 视觉与IMU的坐标系建立 |
| 4.3 ICEKF基本设计与符号表 |
| 4.4 基于EKF的单目视觉黑箱和IMU信息融合 |
| 4.4.1 滤波器状态空间建立 |
| 4.4.2 视觉与IMU融合信息的ICEKF预测过程 |
| 4.4.3 视觉与IMU信息融合的ICEKF更新过程 |
| 4.4.4 完整的ICEKF信息融合过程 |
| 4.5 VIO实验验证 |
| 4.5.1 VIO实验系统搭建 |
| 4.5.2 实验结果及分析 |
| 4.6 本章小结 |
| 第5章 里程已知的机器人抗滑转轨迹跟踪方法研究 |
| 5.1 引言 |
| 5.2 WMR车身运动学模型建立 |
| 5.3 WMR转向与纵向滑转耦合模型建立 |
| 5.4 考虑转向和纵向滑转耦合的滑转补偿控制器设计 |
| 5.5 基于自适应SMC的 WMR轨迹跟踪方法 |
| 5.5.1 基于快速双幂次趋近率的反演SMC控制器设计 |
| 5.5.2 基于自适应控制的SMC控制器改进 |
| 5.5.3 滑转补偿控制和自适应SMC的结合 |
| 5.6 抗滑转轨迹跟踪仿真验证 |
| 5.6.1 施加滑转补偿的轨迹跟踪仿真结果及分析 |
| 5.6.2 使用自适应SMC的轨迹跟踪仿真结果及分析 |
| 5.7 抗滑转轨迹跟踪实验 |
| 5.7.1 轨迹跟踪实验系统搭建 |
| 5.7.2 实验结果及分析 |
| 5.8 本章小结 |
| 第6章 机器人局部路径规划与轨迹跟踪实验 |
| 6.1 非理想滚动下客观里程已知的实验 |
| 6.2 非理想滚动下客观里程未知的实验 |
| 6.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
（6）基于轨迹数据的危险货物道路运输路径优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 危险货物运输选线研究 |
| 1.2.2 基于轨迹数据的路径规划研究 |
| 1.2.3 货车轨迹数据研究 |
| 1.2.4 现有研究的不足 |
| 1.3 研究框架 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文技术路线 |
| 2 数据来源及预处理 |
| 2.1 研究区域概况 |
| 2.1.1 大连市现状概述 |
| 2.1.2 大连市限行政策 |
| 2.2 研究数据概述 |
| 2.2.1 路网数据 |
| 2.2.2 轨迹数据 |
| 2.2.3 运政信息 |
| 2.3 数据处理 |
| 2.3.1 原始数据文件处理 |
| 2.3.2 轨迹数据预处理 |
| 2.3.3 基于OD的有效运输轨迹提取 |
| 2.3.4 地图匹配 |
| 2.4 本章小结 |
| 3 基于危货车辆轨迹数据的运输特征分析 |
| 3.1 危货车辆运输时间特征分析 |
| 3.1.1 运输出行量分析 |
| 3.1.2 运输时长分析 |
| 3.2 危货车辆运输空间特征分析 |
| 3.2.1 平均运输距离分析 |
| 3.2.2 起讫点空间分布分析 |
| 3.2.3 运输路径空间分布分析 |
| 3.3 危货车辆运输路段特征分析 |
| 3.3.1 路段通行频次分析 |
| 3.3.2 路段通行速度分析 |
| 3.4 本章小结 |
| 4 基于危货车辆轨迹的经验安全层级路网 |
| 4.1 多层级路网模型 |
| 4.2 基于概率神经网络的层级路网划分模型 |
| 4.2.1 概率神经网络 |
| 4.2.2 经验安全层级路网指标选取 |
| 4.2.3 经验安全层级路网划分模型建立 |
| 4.3 层级路网的拓扑连通 |
| 4.4 本章小结 |
| 5 危险货物道路运输路径优化 |
| 5.1 最短路算法概述 |
| 5.1.1 经典最短路算法 |
| 5.1.2 最短路算法比较 |
| 5.2 基于改进A*算法的危险货物运输路径优化 |
| 5.2.1 考虑事故风险的改进A*算法 |
| 5.2.2 基于分层搜索的算法流程 |
| 5.3 实例分析 |
| 5.3.1 风险系数计算 |
| 5.3.2 运输路径方案比较 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 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 |
（7）鲁棒优化问题最优性的若干研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景概述 |
| 1.1.1 鲁棒优化的相关研究 |
| 1.1.2 非线性标量化 |
| 1.1.3 集序与集优化 |
| 1.1.4 像空间分析 |
| 1.2 本文选题动机 |
| 1.3 本文主要工作 |
| 2 预备知识 |
| 2.1 基本定义和假设 |
| 2.2 非线性标量化函数 |
| 2.3 常用的集序关系 |
| 2.4 像空间分析方法 |
| 3 标量鲁棒对应及其与多目标优化的关系 |
| 3.1 非线性标量化下的两类鲁棒对应 |
| 3.1.1 Benson鲁棒性概念 |
| 3.1.2 Elastic鲁棒性概念 |
| 3.2 鲁棒对应在投资风险估计中的应用 |
| 3.3 标量鲁棒问题与多目标优化的关系 |
| 3.4 本章小结 |
| 4 集序意义下的多目标鲁棒有效性 |
| 4.1 三类多目标鲁棒有效性 |
| 4.1.1 Minmax less ordered有效性 |
| 4.1.2 Minmax certainly less ordered有效性 |
| 4.1.3 Minmax certainly nondominated ordered有效性 |
| 4.2 与已有鲁棒有效性的关系 |
| 4.3 在旅游目的地选择问题中的应用 |
| 4.4 本章小结 |
| 5 基于像空间分析的鲁棒优化研究 |
| 5.1 几类鲁棒解的统一性刻画 |
| 5.1.1 严格鲁棒性 |
| 5.1.2 乐观鲁棒性 |
| 5.1.3 可靠鲁棒性 |
| 5.1.4 Light鲁棒性 |
| 5.1.5 ε-约束鲁棒性 |
| 5.1.6 自适应鲁棒性 |
| 5.2 分离函数和鲁棒最优性条件 |
| 5.2.1 分离函数 |
| 5.2.2 严格鲁棒解的最优性刻画 |
| 5.2.3 统一的鲁棒最优性刻画 |
| 5.2.4 总结分析 |
| 5.3 在最短路径问题中的应用 |
| 5.4 本章小结 |
| 6 像空间分析下的鲁棒有效性刻画 |
| 6.1 基于线性标量化的鲁棒有效性刻画 |
| 6.2 基于非线性标量化的鲁棒有效性刻画 |
| 6.3 向量意义下的鲁棒有效性刻画 |
| 6.3.1 基于分离的鲁棒性刻画 |
| 6.3.2 Lagrangian型鲁棒最优性条件 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 本文总结 |
| 7.2 鲁棒优化在神经网络中的应用前景 |
| 参考文献 |
| 附录 |
| A 作者在攻读博士学位期间发表的论文目录 |
| B 作者在攻读博士学位期间已完成但尚未发表的论文目录 |
| C 作者在攻读博士学位期间参加科研项目情况 |
| D 作者在攻读博士学位期间获奖情况 |
| E 学位论文数据集 |
| 致谢 |
（8）无人艇路径混合优化及验证研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及意义 |
| 1.2 船舶碰撞风险评估算法研究现状 |
| 1.3 无人艇路径规划研究现状 |
| 1.3.1 传统经典算法 |
| 1.3.2 智能算法 |
| 1.3.3 图形法 |
| 1.3.4 混合算法 |
| 1.4 本文主要内容和结构安排 |
| 2 最优化问题 |
| 2.1 最优化概述 |
| 2.2 凸优化 |
| 2.2.1 凸优化问题 |
| 2.2.2 凸优化的对偶理论 |
| 2.2.3 凸优化的最优性条件 |
| 2.3 支持向量机 |
| 2.3.1 线性可分支持向量机 |
| 2.3.2 线性支持向量机 |
| 2.4 本章小结 |
| 3 基于SVM的无人船舶碰撞风险评估 |
| 3.1 无人船舶碰撞风险需求分析 |
| 3.2 船舶领域简介 |
| 3.3 一种新的碰撞风险评估算法 |
| 3.3.1 算法思想 |
| 3.3.2 算法原理 |
| 3.3.3 船舶碰撞风险计算 |
| 3.4 碰撞风险评估算法特点分析 |
| 3.5 船舶碰撞风险仿真 |
| 3.6 本章小结 |
| 4 基于拓展SVM方法的无人艇路径规划 |
| 4.1 无人艇路径规划需求分析 |
| 4.2 无人艇路径规划模型的构建 |
| 4.2.1 模型构建的思想 |
| 4.2.2 模型构建与支持向量机 |
| 4.3 路径规划模型求解方法分析 |
| 4.3.1 模型性质分析 |
| 4.3.2 模型解的存在性分析 |
| 4.4 模型求解 |
| 4.4.1 原始问题与对偶问题 |
| 4.4.2 基于MATLAB优化工具箱的路径求解 |
| 4.5 仿真 |
| 4.6 本章小结 |
| 5 虚拟现实仿真验证 |
| 5.1 仿真工具概述 |
| 5.1.1 虚拟现实仿真平台概述 |
| 5.1.2 OpenGL概述 |
| 5.1.3 LIBSVM概述 |
| 5.2 无人艇碰撞风险的实时显示 |
| 5.2.1 领域的计算 |
| 5.2.2 算法验证 |
| 5.3 无人艇虚拟现实路径规划 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（9）升力式再入飞行器轨迹优化与制导方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 高超声速飞行器的国内外发展概况 |
| 1.3 轨迹优化研究现状 |
| 1.4 再入制导方法研究现状 |
| 1.5 强化学习研究现状 |
| 1.6 本文的主要研究工作 |
| 2.再入任务建模与气动分析 |
| 2.1 常用坐标系及坐标变换 |
| 2.2 飞行大气环境建模 |
| 2.3 飞行器运动模型 |
| 2.4 飞行器气动特性分析 |
| 2.5 本章小结 |
| 3.基于二阶锥规划的飞行器再入轨迹优化 |
| 3.1 轨迹优化问题描述 |
| 3.2 凸问题转化 |
| 3.3 仿真验证 |
| 3.4 本章小结 |
| 4.基于强化学习的智能轨迹优化实现与分析 |
| 4.1 Q学习与深度Q学习网络 |
| 4.2 基于策略梯度下降的深度神经网络决策算法 |
| 4.3 基于DDPG的智能再入轨迹优化算法 |
| 4.4 仿真验证 |
| 4.5 本章小结 |
| 5.基于二次约束二次规划问题的再入制导方法研究 |
| 5.1 制导问题描述 |
| 5.2 凸问题转化 |
| 5.3 在线制导跟踪系统设计 |
| 5.4 仿真验证 |
| 5.5 本章小结 |
| 6.总结及展望 |
| 6.1 全文工作总结 |
| 6.2 本文工作的主要创新点 |
| 6.3 问题与展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
（10）复杂网络中的网络表示研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的贡献 |
| 1.3 文章结构 |
| 第二章 现有的网络表示模型及其应用 |
| 2.1 引言 |
| 2.2 常见节点信息提取方法 |
| 2.2.1 显式信息提取 |
| 2.2.2 隐式信息提取 |
| 2.3 常见网络表示建模方法 |
| 2.3.1 基于自然语言处理模型的方法 |
| 2.3.2 基于矩阵分解的方法 |
| 2.3.3 基于神经网络的方法 |
| 2.4 网络表示的应用 |
| 2.4.1 网络压缩 |
| 2.4.2 网络可视化 |
| 2.4.3 网络节点聚类 |
| 2.4.4 网络链接预测 |
| 2.4.5 网络节点分类 |
| 2.5 本章小结 |
| 第三章 基于图核的节点相似性度量 |
| 3.1 引言 |
| 3.2 已有的符号预测方法 |
| 3.2.1 基于节点相似性的符号预测 |
| 3.2.2 基于三角形关系的的符号预测 |
| 3.3 一种基于图核的节点相似性度量方法 |
| 3.3.1 节点的表示子图生成 |
| 3.3.2 基于图核的子图相似性度量 |
| 3.3.3 基于图核相似性度量的符号预测 |
| 3.4 基于图核的节点相似性实验验证 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于边对偶图的网络稀疏性改善模型 |
| 4.1 引言 |
| 4.2 基于边对偶图的网络稀疏性改善模型 |
| 4.2.1 边对偶图重构 |
| 4.2.2 基于边对偶图的链接相似性度量 |
| 4.2.3 基于边对偶图的符号预测 |
| 4.3 网络稀疏性改善理论验证 |
| 4.4 网络稀疏性改善实验验证 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小节 |
| 第五章 基于多视图的网络表示模型 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.3 基于多视图的网络表示模型 |
| 5.3.1 基于多种相似性的单视图网络表示生成 |
| 5.3.2 基于多视图的共同表示空间学习 |
| 5.3.3 基于多视图的特征表示空间学习 |
| 5.3.4 基于多视图的共同表示及特征表示的联合网络表示 |
| 5.4 模型优化 |
| 5.4.1 基于多种相似性的单视图生成策略 |
| 5.4.2 基于多视图的特征表示空间约束优化 |
| 5.5 基于多视图网络表示模型的实验验证 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 基于异构信息的网络表示模型 |
| 6.1 引言 |
| 6.2 基于异构信息的网络表示模型 |
| 6.2.1 基于用户属性的表示向量重构 |
| 6.2.2 基于链接的表示向量重构 |
| 6.2.3 基于用户社区的表示向量重构 |
| 6.2.4 基于用户行为标签的表示向量重构 |
| 6.2.5 基于异构信息融合的网络表示模型 |
| 6.3 基于异构信息网络表示模型的实验验证 |
| 6.3.1 实验设置 |
| 6.3.2 实验结果与分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在校期间的研究成果及发表的学术论文 |
四、A Primal-dual Neural Network for Shortest Path Problem（论文参考文献）
- [1]异质图神经网络关键技术研究[D]. 纪厚业. 北京邮电大学, 2021(01)
- [2]网络功能虚拟化中的资源分配研究[D]. 谢洋浩. 电子科技大学, 2021(01)
- [3]顾及尺度变化的道路和居民地融合处理理论与方法研究[D]. 马京振. 战略支援部队信息工程大学, 2020
- [4]基于支持向量机的无人船航路规划研究[D]. 乔双虎. 大连海事大学, 2020(01)
- [5]轮式移动机器人最优路径规划与抗滑转轨迹跟踪方法研究[D]. 李智. 哈尔滨理工大学, 2020
- [6]基于轨迹数据的危险货物道路运输路径优化研究[D]. 姜滟. 北京交通大学, 2019(01)
- [7]鲁棒优化问题最优性的若干研究[D]. 魏宏智. 重庆大学, 2019(11)
- [8]无人艇路径混合优化及验证研究[D]. 陈亚博. 大连海事大学, 2019(06)
- [9]升力式再入飞行器轨迹优化与制导方法研究[D]. 高嘉时. 华中科技大学, 2019(03)
- [10]复杂网络中的网络表示研究[D]. 何康亚. 南京航空航天大学, 2019(02)