一、贪心策略下的最佳课程安排问题（论文文献综述）
于航[1]（2021）在《基于深度强化学习的多智能体协作学习算法研究》文中认为强化学习已经应用于解决游戏、机器人和工业领域的无人驾驶中具有挑战性的问题,但是强化学习的成功大多数都是在单一智能体领域,而现实中的许多问题如无人机机群的控制和多人游戏等都是多智能体系统,针对越来越多的多智能体环境,开发针对多智能体环境的多智能体算法,提升已有算法的表现,对未来多智能体强化学习的使用都具有实际意义。目前已有的多智能体算法往往针对特定环境。基于值的方法在离散环境中学习更快,表现更好,但不能适应连续环境,且训练过程中存在不稳定的问题。基于Actor-Critic结构的算法存在学习效率慢,网络结构过多的问题。本文从网络结构和训练方法出发,针对多智能体协作学习算法在实际中出现的问题进行针对性的改进,主要的研究工作如下:首先针对值方法中探索效率低、信誉分配和动作选择低效这些问题,通过融合方法提升多智能体协作学习算法。使用噪声网络增加算法的探索性和鲁棒性,使用dueling网络在网络中引入状态值流和动作优势流,使用值分解方法解决信誉分配问题,实验过程中与IQL（Independent Q-learning）和VDN（Value-Decomposition Networks）进行比较并取得有效提升。其次针对值方法训练效率低和稳定性差的问题,对训练过程进行改进。因为稀疏回报问题的存在,强化学习前期花费大量时间进行错误的探索,从经验回放出发,基于接近最终目标的状态获得回报可能性更大这一特点,由最终状态进行反向的随机探索实现经验池拓展,有效提升了值方法的学习稳定性和学习效率。最后实现集中训练分布执行的双层优势Actor-Critic算法,在Actor和Critic中分别加入优势函数,对反事实基线中隐式学习不同智能体动作状态差异进行显示表示,在多个环境中都实现了较COMA（Counterfactual multi-agent policy gradients）算法更好的学习效果,且相较于值方法,Actor-Critic结构的算法可以在更复杂的环境中实现合作。
陈惠芬[2]（2018）在《高校学生宿舍服务平台设计与实现》文中指出宿舍是大学生校园生活的最重要生活场所之一,同时也是学校开展“环境育人、服务育人”的重要德育场所。因此,构建一个安全、完善的高校学生宿舍服务平台是建设数字化校园的重要组成部分。宿舍服务与管理的最基本目标是为大学生提供一个舒适、安全的住宿场所。宿舍服务平台的建立能够提高宿舍管理的效率,为学生的宿舍生活提供更好的保障与服务。本文针对学生宿舍相关业务管理需求,结合现代管理理念,开发一套基于B/S模式架构的学生宿舍服务平台,实现交互式（学校管理层--学生）的人性化宿舍管理模式。重点实现入住智能自动分配宿舍、学生信息管理、学生住宿管理、宿舍卫生检查管理、学生住宿期间的奖惩管理等宿舍管理基本功能;并采用个性化服务理念加入宿舍管理微信公众服务号,为提供学生宿舍设备报修、意见反馈、社区论坛等交互式服务;此外还初步实现学生宿舍管理工作数据的分析和决策支持功能。学生宿舍服务平台采用ASP.NET MVC的设计模式,后台的数据库存储和数据模型构建采用SQL Server数据库管理系统和ADO.NET Entity Framework数据库访问技术。
王鹏亮[3]（2016）在《基于粒子群算法的高职院校排课系统研究与开发》文中研究说明排课是学校教学管理中教学计划顺利执行的重要保障,它的实质是按照学校教学计划和专业人才培养方案给新学期开设的课程合理分配上课时间段、上课教师、上课班级和授课教师,使上课的各种资源避免发生冲突。近年来,随着我国教育体制的不断改革,各高校在逐年扩招,办学规模不断扩大,学生人数迅速增长,专业的划分越加细化,课目也越加繁多等等,诸多因素使排课的难度成几何倍数增长。以往的手工排课已很难满足现代化的教学管理需求。如何实现排课智能化、现代化,提高教学资源利用率,以提高课表的满意度和可行性是各高校教学管理工作信息化发展的必然趋势。排课问题被证明是一个经典的NP完全问题,也是一个多目标、多约束的空间、时间调度分配问题。其问题本身的难度决定了算法设计的困难性。粒子群（Particle Swarm Optimization,PSO）是一种群智能算法,它是一种适合求解多约束、多变量、多目标问题的进化算法,其原理简单、不发散收敛性好、搜索效率高易实现。本论文将PSO算法和混沌思想有机结合起来应用于排课问题的算法设计上,结合高职院校排课特点,提出了一套较完整的课表数据编码方法,对排课算法进行优化。主要的工作包括:⑴构建排课问题的数学模型。对排课问题涉及到的教师、教室、课程、班级和时间等主要因素及各种约束条件进行了详尽的描述,结合集合思想和函数理论构建了排课问题的数学模型和排课目标函数公式。⑵改进标准PSO算法。本文借鉴了徐玉杰[21]对PSO算法的研究结果,对其研究结果进一步改进从而提出了新的算法:C-APSO（混沌自适应惯性权重的粒子群算法）,有效的避免了PSO算法的早熟收敛和在局部最优解徘徊的情况发生。⑶设计排课算法。采用C-APSO算法进行排课算法的优化设计,排课粒子在解域空间内搜索可行值,并将可行值以三维数组的形式保存到临时课表中去。⑷高职院校排课系统的设计开发和测试。通过系统需求分析,构建系统数据库的结构模型,应用UML思想构建系统功能模型。在系统功能分析和算法设计的基础上,选择Windows+IIS+VC#+SQL作为系统平台来实现排课系统的设计开发。而后以三个学院一个学期的课程为依据对系统功能进行了测试,通过实验数据显示,该排课系统有效的完成预期的排课任务,结果是令人满意的。无论在耗时和准确性上,都是人工排课所无法比拟的。也证实了在解决多目标、多约束的排课问题上应用C-APSO算法是合理的、有效的、可行的。本论文应用C-APSO算法建立高校排课问题求解模型,设计开发一款操作简单实用、运行快捷准确、扩展性好的智能排课软件,以满足高职院校的排课需求,希望本研究为其他类型排课系统的研发起到一定借鉴作用。
张宇楠[4]（2013）在《启发式智能优化算法的研究与应用》文中研究说明近年来,现代启发式智能优化算法在生物学、物理学和人工智能的基础上得到了发展，这类算法普遍具有鲁棒性强、通用性强、高效的优化性能等优点，已经被广泛的应用在计算机科学、组合优化、优化调度、工程优化设计、运输问题等领域上。启发式优化算法是一个在直观或经验基础上构造的算法，即在可接受的空间或时间内给出组合优化问题的可行解，该可行解与最优解的偏离程度事先是不一定可以预估的。相对于基本的优化算法比如powell算法、牛顿迭代算法等，启发式优化算法具有求解时间已知，简单易行，速度快等优点。算法主要有模拟退火算法、禁忌搜索算法、蚁群算法、遗传算法、人工免疫算法、人工神经网络、差分进化算法、粒子群算法等，这些算法都具有称为“邻域搜索”的结构：算法从一个（组）初始解开始，在关键参数的控制下，首先通过邻域函数产生出若干个（组）邻域解，同时按接受条件更新当前的状态，然后再按照关键参数修改准则来调整参数变量，并且在满足算法的收敛准则条件下重复上述的搜索步骤，最终就会得到问题的最优解。在实际应用中，许多问题被证实为NP（Non-DeterministicPolynomial,非确定多项式）类问题，如旅行商问题（TravelingSalesman Problem,TSP），0-1背包问题（Knapsack Problem）,加工调度问题（Scheduling Problem）以及装箱问题（Bin PackingProblem）等，我们常常不能给出解决该类问题的有效算法，但是其中有一个合理的求解办法就是寻找一种启发式算法。然后在允许的计算复杂性的条件下使用启发式算法，我们便可以得到该类问题的局部最优解或近似最优解。启发式算法的关键在于相关问题评价函数的选取,在这里我们通常根据实际问题的性质来选取评价函数。本篇论文主要分两大部分：（一）Xin-She Yang教授受到蝙蝠回声定位行为的启发，于2010年提出了一种新型的启发式算法，称为蝙蝠算法（BA），随着逐步深入的研究，算法逐渐应用于工程中的多目标优化问题中，但该算法也存在着收敛速度慢，易陷入局部最优，求解精度不高，出现震荡等缺点。这部分就基本蝙蝠算法提出了一种自适应变步长蝙蝠算法（VSABA算法）,并使用这种新型的元启发式算法以及其改进算法来解决具体的NP应用问题（0-1背包问题）。（二）介绍了基于鸟群飞行觅食的一种启发式算法--粒子群优化算法，为了提高算法的优化能力，我们提出两种改进的粒子群算法，算法通过寻找潜在的最优点来实现优化,使每个粒子都朝这个方向作一些调整,从而使算法跳出局部极值。最后利用提出的改进粒子群算法解决投资组合模型中权重的选择问题，并且与传统的粒子群算法求解结果进行对比，结果表明改进的方法所得结果收敛效果更好、精度更高，为广大的投资者在资产选择上提供了理论支持。现代启发式算法的研究，在理论方面还处在不断发展中，由于目前的研究成果十分分散，所以还需要建立一个完整的理论体系；其次，我们需要利用各个启发式算法所具有的的优良性能，把它们完美的结合起来变成更好的算法来解决具体的应用问题。
龚坤[5]（2011）在《高职院校实训室排课系统研究与设计》文中研究指明实训室排课是高职院校教学管理中最基本、最重要、同时也是最复杂的管理工作之一,其实质就是为学校所设置的实训课程安排一组适当的教学时间与空间,从而使整个教学能够有计划有秩序地进行。排课问题是一个多约束、多目标的优化问题,其实质是时间表问题,已经被确认为NP完全问题。上机时间的安排,课程的安排,实训室的安排,老师的安排与他们之间的不冲突和资源的高效利用;许多学校迫切需要一个高效渠道去面对那些烦琐问题,更需要一个提供信息反馈以及对其进行记录、解决的综合管理平台。高效是各行业所需的宝贵财富,如何为学校提供更好的服务是每个老师都非常关注的问题。实训室排课系统可以为学校提供有效的管理。系统使用贪心算法通过对排课因素和约束条件的深入分析,制定了排课问题的优化目标,设计出了适合操作的编码模型,给出了合理的适应度值的计算方法。算法分析在讨论该行的类实现过程和关键,冲突产生的原因,已经给出了解决问题的计划。系统计划采用Visual Basic .Net开发工具和SQL Server 2000作为后台数据库开发的应用软件,设计并实现了基于关联法则算法的实训室教学排课系统。虽然该算法有很多好处,但本文依然存在很多不足,这将需要更深入的研究,使排课系统更加完善。
洪文圳[6]（2009）在《高职院校计算机实训室排课系统研究与设计》文中提出计算机实训室的排课工作作为当前职业技术学院教育信息化建设中的一项重要任务,如何构建一个具有开放性、实用性和灵活性的排课平台,是一个值得探讨的课题。在高职院校计算机实训室的日常管理中,统筹安排各班的实训课时间需要人工实现,而且经常会出现同时有多个班级要使用实训室的冲突。因此,为了方便实训室的管理,以广东农工商职业技术学院的计算机实训室排课管理为本系统的应用背景,研究设计了一个现代的计算机实训室排课系统。本文从系统需求分析、系统详细设计、系统各个功能模块的实现及系统部署等方面介绍了计算机实训室排课系统的研究设计及相关实现技术。其开发主要包括系统数据库的建立和应用程序的实现两个方面;应用程序开发采用Visual Studio 2008作为开发工具,系统界面友好,操作简单,使用方便;系统数据库采用SQL Server 2000。本系统实现实训时间的安排,课程的安排,实训室的安排,以及它们之间的不冲突和教学资源的高效利用;切合高等职业技术学院实训教学需要,降低了实训课程排课管理工作的工作量和节省了时间,同时课程安排完成后,学院可迅速获得课表情况信息,为教学工作带来方便。论文最后还对本系统优缺点进行评价,指出许多需要改进的地方,并提出了改进方案以及研究设计的收获心得。
王默玉,刘林[7]（2002）在《贪心策略下的最佳课程安排问题》文中认为在贪心策略下解决多媒体教室中课程安排问题的算法。
范家佳[8]（2020）在《港口散货堆场堆位智能分配方法研究》文中研究指明散货堆场是港口的核心资源,堆位分配是堆场资源调度中极为重要的部分。如果堆场堆位分配不合理,则极易导致堆场资源利用率低下,增加港口作业成本,降低港口吞吐量。如何进行合理的堆位分配,提高货物与堆位之间的匹配度、提高散货堆场的利用率、降低港口作业成本,已成为建设智慧港口进程中亟待解决的问题。因此,研究散货港口中散货堆场的堆位智能分配策略具有实际应用意义和一定的理论价值。针对以上问题,本文开展了相关研究,主要研究内容如下:（1）构建了一种基于网格化的散货堆场模型,用于描述堆场相关资源和堆场状态。首先,针对没有固定堆位划分的综合性散货堆场,采用一种散货堆场网格化表示方法,构建网格坐标系。将货堆作为节点,分析货堆之间的连通性以构建节点之间的边,形成有向图。在此基础上,结合散货堆场的实际作业环境,提出一种堆场使用效益的计算方法,用于评价堆场某一时刻的状态。该方法主要由堆场道路通行能力、灵活堆位的使用效率、相邻堆位的合理性和堆取料机的覆盖率四部分组成,并给出相应的量化方法。（2）设计了一种基于动态博弈的散货堆场堆位分配算法（Bulk Stack Allocation Algorithm Base on Game,BSAABG）,以解决多票货物同时请求堆位分配时,彼此之间对堆位的竞争问题。首先,将多票货物的堆位分配行为建模为动态博弈,应用满足均衡的概念分析该博弈。建立基于博弈论的散货堆场堆位分配模型,其中可用堆位的集合为博弈的策略空间,货物与堆位的匹配度为货物的效用。然后,使用BSAABG算法来求解该模型,并从理论上证明算法的收敛性。算法分为博弈初始阶段和迭代博弈阶段;初始阶段,各货物通过贪心策略从可用堆位集中选择使自身效用最大的堆位;在之后的迭代过程中,通过调整博弈次序和策略,不断重复博弈,直到货物分配达到均衡,且堆场分配效益最大化。（3）对所提模型和算法进行实验验证。对于基于网格化的散货堆场形式化模型,主要验证了模型中堆场道路通行能力计算方法,和灵活堆位使用效率中基于随机森林算法的货物周转期预测模型。首先,结合城市道路通行能力分析方法和堆场实际作业环境,验证了本文堆场道路通行能力计算方法,在车流量较大的情况下能够较好的评估堆场道路的通行能力。通过采集实际生产数据验证了货物周转期预测模型的有效性。确定筛选决策树的准确率阈值,提高预测的准确性,并分析出各特征在影响货物周转期上的重要程度。对于基于动态博弈的堆位分配方法,首先确定了博弈次序不需要调整时的堆场分配效益阈值;然后验证了使用贪心算法模拟人工调度经验的合理性;最后将本文算法与贪心算法和基于规则的堆位分配算法进行对比。实验结果表明,本文算法与上述两个算法相比,在请求堆位分配的货物数量较多时,能够有效地提高货物的平均满足度和堆场使用效益。本文工作是对散货港口智能化建设的一个初步探索,对提高散货港口中散货堆场的利用率和降低港口作业成本具有重要的现实意义和较好的实用价值。
二、贪心策略下的最佳课程安排问题（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、贪心策略下的最佳课程安排问题（论文提纲范文）
（1）基于深度强化学习的多智能体协作学习算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于值的方法 |
| 1.2.2 基于Actor-Critic的方法 |
| 1.2.3 国内外研究现状分析 |
| 1.3 论文主要研究内容及章节安排 |
| 第2章 基于值的多智能体融合算法 |
| 2.1 引言 |
| 2.2 深度学习概述 |
| 2.3 深度强化学习介绍 |
| 2.3.1 马尔科夫决策过程 |
| 2.3.2 Q-learning方法 |
| 2.4 Q-learning强化学习算法分析 |
| 2.5 基于值的多智能体融合算法 |
| 2.5.1 多智能体测试环境搭建 |
| 2.5.2 DDQN的双网络结构 |
| 2.5.3 Dueling网络 |
| 2.5.4 噪声网络 |
| 2.5.5 值分解 |
| 2.5.6 基于值的多智能体融合算法 |
| 2.6 基于值的多智能体融合算法实验结果与分析 |
| 2.6.1 寻宝环境 |
| 2.6.2 对位环境 |
| 2.7 本章小结 |
| 第3章 基于值的多智能体经验拓展算法 |
| 3.1 引言 |
| 3.2 多智能体稀疏回报情况分析 |
| 3.2.1 多目标学习 |
| 3.2.2 辅助任务 |
| 3.3 反向搜索实现经验拓展 |
| 3.4 基于值的多智能体经验拓展算法实验结果与分析 |
| 3.4.1 寻宝环境 |
| 3.4.2 对位环境 |
| 3.5 本章小结 |
| 第4章 基于Actor-Critic结构的双层优势多智能体算法 |
| 4.1 引言 |
| 4.2 Actor-Critic结构 |
| 4.2.1 策略梯度 |
| 4.2.2 Actor-Critic |
| 4.2.3 多智能体Actor-Critic |
| 4.3 基于Actor-Critic结构的双层优势函数多智能体算法 |
| 4.4 双层优势函数多智能体算法实验结果与分析 |
| 4.4.1 寻宝环境 |
| 4.4.2 对位环境 |
| 4.4.3 寻找目标环境 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（2）高校学生宿舍服务平台设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 选题来源与依据 |
| 1.1.2 研究目标和研究内容 |
| 1.2 国内外研究现状及发展趋势 |
| 1.3 本文的组织结构 |
| 第2章 开发环境及相关技术介绍 |
| 2.1 相关技术基础 |
| 2.1.1 B/S结构 |
| 2.1.2 三层架构 |
| 2.2 系统构建技术 |
| 2.2.1 ASP.NET和ASP.NETMVC框架 |
| 2.2.2 LINQ技术 |
| 2.2.3 ADO.NET Entity Framework |
| 2.2.4 数据集成 |
| 2.3 微信公众平台 |
| 2.4 贪心算法 |
| 2.5 本章小结 |
| 第3章 需求分析 |
| 3.1 需求概述 |
| 3.1.1 现状与业务需求分析 |
| 3.2 基于参与者的系统功能需求分析 |
| 3.2.1 参与者的识别及其功能需求分析 |
| 3.2.2 系统功能描述 |
| 3.2.3 系统高层用况模型设计 |
| 3.3 系统性能需求分析 |
| 3.4 平台数据流分析及数据模型设计 |
| 3.5 本章小结 |
| 第4章 宿舍服务平台设计 |
| 4.1 平台架构设计 |
| 4.2 平台总体设计 |
| 4.2.1 概要设计 |
| 4.2.2 宿舍服务平台的软件层次结构设计 |
| 4.3 功能模块详细设计 |
| 4.3.1 智能分配宿舍模块 |
| 4.3.2 信息添加模块 |
| 4.3.3 信息维护模块 |
| 4.3.4 信息查询模块 |
| 4.3.5 报表统计模块 |
| 4.3.6 用户管理模块 |
| 4.3.7 宿舍服务微信公众号 |
| 4.3.8 数据维护模块 |
| 4.4 外部系统数据集成模块设计 |
| 4.4.1 数据集成方案 |
| 4.4.2 数据集成模块设计 |
| 4.5 平台的主要动态模型 |
| 4.6 数据库设计 |
| 4.6.1 数据安全性与完整性要求 |
| 4.6.2 数据库逻辑结构设计 |
| 4.6.3 系统部署图 |
| 4.7 本章小结 |
| 第5章 宿舍服务平台的实现 |
| 5.1 数据访问和业务逻辑 |
| 5.1.1 数据辅助类 |
| 5.1.2 业务逻辑层 |
| 5.2 系统安全性的设计 |
| 5.2.1 登录界面 |
| 5.2.2 页面跳转时用户身份验证 |
| 5.3 信息添加模块 |
| 5.3.1 批量添加信息 |
| 5.3.2 单条信息添加 |
| 5.4 信息管理模块 |
| 5.5 智能分配宿舍 |
| 5.5.1 问卷调查界面 |
| 5.5.2 宿舍管理员进行智能分配宿舍页面 |
| 5.6 宿舍微信公众平台接口开发 |
| 5.6.1 对接平台的搭建 |
| 5.6.2 接口的对接和认证过程 |
| 5.6.3 创建宿舍微信服务号菜单 |
| 5.6.4 开发模式下信息查询的实现过程 |
| 5.7 系统数据库备份的设计 |
| 5.8 本章小结 |
| 第6章 平台的测试 |
| 6.1 测试的原理和方法 |
| 6.1.1 测试的基本原理 |
| 6.1.2 测试方法 |
| 6.2 测试宿舍服务平台 |
| 6.2.1 平台的测试用例 |
| 6.2.2 平台功能性测试记录 |
| 6.3 本章小结 |
| 第7章 总结 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（3）基于粒子群算法的高职院校排课系统研究与开发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 高校排课系统研究背景 |
| 1.2 国内外排课问题的形成、发展和现状 |
| 1.3 研究目标及内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 课题的研究意义和预期成果 |
| 1.4.1 研究意义 |
| 1.4.2 课题的预期成果 |
| 2 高职院校排课问题研究 |
| 2.1 高校排课问题的主要因素分析 |
| 2.2 排课问题的数学描述 |
| 2.2.1 排课问题的求解思路分析 |
| 2.2.2 排课约束条件 |
| 2.3 排课需要考虑的优化目标 |
| 2.3.1 课程离散度优化目标 |
| 2.3.2 提高时间段利用率 |
| 2.3.3 上课教室利用率 |
| 2.3.4 排课目标（自适应）函数 |
| 2.4 排课问题的数学模型 |
| 2.5 本章小结 |
| 3 基于粒子群算法的排课模型研究和设计 |
| 3.1 优化问题来源及其发展 |
| 3.2 PSO算法的描述 |
| 3.2.1 PSO算法的产生背景 |
| 3.2.2 PSO算法的生活模型 |
| 3.2.3 PSO算法的原理 |
| 3.2.4 基本PSO算法的数学描述 |
| 3.2.5 标准PSO算法描述 |
| 3.3 PSO算法的流程描述 |
| 3.4 PSO算法的优点和缺点 |
| 3.5 PSO算法改进 |
| 3.5.1 简述混沌优化思想 |
| 3.5.2 混沌优化算法数学描述 |
| 3.5.3 混沌自适应惯性权重PSO算法 |
| 3.6 C-APSO算法在排课中的设计应用 |
| 3.6.1 在C-APSO算法中采用三维编码 |
| 3.6.2 排课问题中C-APSO算法设计 |
| 3.6.3 冲突检测和消除 |
| 3.6.4 构造自适应度函数 |
| 3.6.5 依据生成课程表的自适应值来选择可行性课程表 |
| 3.7 与其它常用排课算法比较 |
| 3.7.1 贪心算法 |
| 3.7.2 回溯算法 |
| 3.7.3 遗传算法 |
| 3.8 本章小结 |
| 4 高校排课系统的设计与实现 |
| 4.1 系统开发平台 |
| 4.2 系统整体架构模型设计 |
| 4.3 系统需求分析 |
| 4.3.1 业务需求分析 |
| 4.3.2 系统用户身份分析 |
| 4.3.3 用例结构模型分析和设计 |
| 4.3.4 系统功能需求分析和设计 |
| 4.3.5 系统其它辅助功能需求分析 |
| 4.4 构建排课系统的动态行为模型 |
| 4.5 系统数据库设计 |
| 4.5.1 数据库需求分析 |
| 4.5.2 构建数据库结构模型——E-R图 |
| 4.5.3 数据流程图设计 |
| 4.5.4 数据库详细设计 |
| 4.6 系统的主要交互窗体设计 |
| 4.7 本章小结 |
| 5 系统功能测试和分析 |
| 5.1 系统运行环境及测试参数 |
| 5.2 智能排课系统性能测试实验 |
| 5.2.1 课程数对C-APSO算法性能的影响 |
| 5.2.2 排课粒子数量对C-APSO算法性能的影响 |
| 5.3 实验数据分析应用C-APSO算法解决排课问题的可行性 |
| 5.4 本章小结 |
| 6 研究总结和展望 |
| 6.1 研究工作总结 |
| 6.2 后续工作的展望 |
| 攻读硕士期间发表的论文和科研成果 |
| 致谢 |
| 参考文献 |
（4）启发式智能优化算法的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 启发式算法的研究概况 |
| 1.2.1 蝙蝠算法的研究概况 |
| 1.2.2 粒子群算法的研究概况 |
| 1.3 研究结构与内容 |
| 2 蝙蝠算法 |
| 2.1 基本蝙蝠算法简介 |
| 2.2 基本蝙蝠算法原理 |
| 2.3 基本蝙蝠算法流程 |
| 2.4 蝙蝠算法的离散化 |
| 2.5 本章小结 |
| 3 粒子群优化算法 |
| 3.1 粒子群优化算法简介 |
| 3.2 粒子群优化算法原理 |
| 3.3 粒子群优化算法流程 |
| 3.4 本章小结 |
| 4 蝙蝠算法的改进与应用 |
| 4.1 变步长自适应蝙蝠算法（VSABA） |
| 4.1.1 蝙蝠算法的参数分析 |
| 4.1.2 仿真实验 |
| 4.1.3 工程应用问题 |
| 4.2 贪心蝙蝠混合算法（GBA） |
| 4.2.1 用蝙蝠算法求解 0-1 背包问题 |
| 4.2.2 贪心算法 |
| 4.2.3 混合策略 |
| 4.2.4 实验结果与分析 |
| 4.3 本章小结 |
| 5 粒子群算法的改进与应用 |
| 5.1 粒子群优化算法的分析 |
| 5.1.1 闭区间上连续函数的性质 |
| 5.2 带有不可导点搜索的粒子群算法（PSOWND） |
| 5.2.1 算法基本流程 |
| 5.2.2 仿真实验 |
| 5.2.3 生产函数问题 |
| 5.3 带有偏导数为零的点的搜索的粒子群算法 |
| 5.3.1 算法基本流程 |
| 5.3.2 仿真实验 |
| 5.3.3 投资决策问题 |
| 5.4 本章小结 |
| 6 总结 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（5）高职院校实训室排课系统研究与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究背景 |
| 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 |
| 1.3 论文的研究内容 |
| 1.4 论文组织结构 |
| 第2章 系统需求分析 |
| 2.1 业务与需求分析 |
| 2.1.1 总体业务描述 |
| 2.1.2 系统功能分析 |
| 2.1.3 系统开发模式 |
| 2.2 系统需求问题描述 |
| 2.2.1 调查用户需求 |
| 2.2.2 系统建模 |
| 第3章 系统的详细设计 |
| 3.1 系统模式功能 |
| 3.1.1 系统架构模式 |
| 3.1.2 系统功能结构 |
| 3.1.3 系统信息安全 |
| 3.2 数据库设计 |
| 3.3 排课问题的数学模型 |
| 3.3.1 硬约束条件 |
| 3.3.2 软约束条件 |
| 3.4 基于贪心法的排课算法 |
| 第4章 系统在.Net 架构下的设计与实现 |
| 4.1.N ETFramework 概述 |
| 4.2 编译过程与MSIL |
| 4.3 ADO.NET 数据库访问技术 |
| 4.4 数据库管理系统(DBMS)选择 |
| 4.5 系统的实现 |
| 4.5.1 数据访问层的实现 |
| 4.5.2 业务逻辑层的实现 |
| 4.5.3 系统界面设计 |
| 第5章 系统安全性分析与设计 |
| 5.1 数据安全性 |
| 5.2 网络安全性 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（6）高职院校计算机实训室排课系统研究与设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究的内容 |
| 1.4 作者的主要工作 |
| 1.5 论文的组织结构 |
| 第二章 系统需求分析 |
| 2.1 系统概述 |
| 2.1.1 总体业务描述 |
| 2.1.2 系统目标和解决问题 |
| 2.1.3 系统开发模式 |
| 2.2 系统功能需求 |
| 2.2.1 确定系统角色 |
| 2.2.2 建立用例模型 |
| 2.3 小结 |
| 第三章 系统的详细设计 |
| 3.1 系统架构设计 |
| 3.1.1 系统架构模式 |
| 3.1.2 系统流程图 |
| 3.1.3 系统功能结构 |
| 3.1.4 系统架构安全 |
| 3.2 系统数据类型设计 |
| 3.2.1 实体层 |
| 3.2.2 数据访问层 |
| 3.2.3 业务逻辑类 |
| 3.3 系统数据库设计 |
| 3.3.1 概念模型设计 |
| 3.3.2 逻辑模型设计 |
| 3.4 自动排课设计 |
| 3.4.1 排课预处理 |
| 3.4.2 基于贪心法的排课算法 |
| 3.4.3 排课算法流程描述 |
| 3.5 人工辅助排课设计 |
| 3.6 小结 |
| 第四章 系统的具体实现 |
| 4.1 VISUALSTUDIO.NET FRAMEWORK概述 |
| 4.2 系统实现的关键技术 |
| 4.2.1 LINQ 概述 |
| 4.2.2 LINQ to ADO.NET |
| 4.3 系统的实现 |
| 4.3.1 数据访问层的实现 |
| 4.3.2 业务逻辑层的实现 |
| 4.3.3 应用层的实现 |
| 4.4 小结 |
| 第五章 系统的安全部署及运行测试 |
| 5.1 系统安全访问控制 |
| 5.1.1 C/S 的客户端安全控制策略 |
| 5.1.2 B/S 的客户端安全访问认证 |
| 5.2 系统的部署 |
| 5.2.1 客户端的部署 |
| 5.2.2 系统服务端的部署 |
| 5.3 系统运行测试 |
| 5.4 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）贪心策略下的最佳课程安排问题（论文提纲范文）
| 1 贪心方法概述 |
| 2 课程安排问题中的贪心策略 |
| 2.1 单一公共资源 |
| 2.2 多个公共资源 |
| 3 结束语 |
（8）港口散货堆场堆位智能分配方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 港口资源调度方法研究现状 |
| 1.2.2 博弈理论在资源调度中的研究现状 |
| 1.2.3 散货堆场堆位分配方法研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第2章 基于网格化的散货堆场形式化模型 |
| 2.1 散货堆场形式化问题分析 |
| 2.2 散货堆场网格化描述 |
| 2.2.1 散货堆场细化网格方法 |
| 2.2.2 基于细化网格的散货堆场堆位描述 |
| 2.3 基于网格化的散货堆场形式化模型 |
| 2.3.1 模型假设 |
| 2.3.2 模型形式化描述 |
| 2.4 散货堆场道路通行效益分析 |
| 2.4.1 基于广度优先搜索的堆场通路判断 |
| 2.4.2 堆场通路的通行能力分析 |
| 2.4.3 散货堆场道路通行效益计算 |
| 2.5 灵活堆位使用效益分析 |
| 2.5.1 随机森林预测模型概述 |
| 2.5.2 适合散货港口特性的特征提取与量化 |
| 2.5.3 改进随机森林中的模型优化算法 |
| 2.5.4 散货堆场灵活堆位使用效益计算 |
| 2.6 相邻堆位的合理性和堆取料机覆盖率分析 |
| 2.6.1 相邻堆位的合理性量化分析 |
| 2.6.2 堆取料机覆盖率分析 |
| 2.7 本章小结 |
| 第3章 基于动态博弈的散货堆场堆位分配算法研究 |
| 3.1 博弈论概述 |
| 3.1.1 博弈论基本要素 |
| 3.1.2 纳什均衡 |
| 3.1.3 动态博弈 |
| 3.1.4 满足均衡 |
| 3.2 基于动态博弈的散货堆场堆位分配模型 |
| 3.2.1 模型要素 |
| 3.2.2 散货堆场堆位分配中动态博弈的表现 |
| 3.2.3 散货堆场堆位分配的满足博弈 |
| 3.2.4 装卸成本函数 |
| 3.2.5 模型求解目标 |
| 3.3 基于动态博弈的散货堆场堆位分配方法 |
| 3.3.1 博弈次序调整策略 |
| 3.3.2 堆位分配策略 |
| 3.3.3 基于动态博弈的散货堆场堆位分配算法 |
| 3.3.4 算法收敛性证明 |
| 3.3.5 时间复杂度分析 |
| 3.4 本章小结 |
| 第4章 实验验证与结果分析 |
| 4.1 实验平台介绍 |
| 4.2 实验数据介绍与存储设计 |
| 4.2.1 堆场基础数据 |
| 4.2.2 生产业务数据 |
| 4.3 基于网格化的散货堆场形式化模型构建 |
| 4.3.1 实验设计 |
| 4.3.2 散货堆场道路通行效益的计算方法实验验证 |
| 4.3.3 基于随机森林预测模型的货物周转期预测实验验证 |
| 4.3.4 实验结论 |
| 4.4 基于动态博弈的散货堆场堆位分配方法实验结果与分析 |
| 4.4.1 实验设计 |
| 4.4.2 性能指标 |
| 4.4.3 博弈次序调整策略中阈值的确定 |
| 4.4.4 贪心算法模拟人工调度经验的合理性验证 |
| 4.4.5 基于动态博弈的散货堆场堆位分配算法实验验证 |
| 4.4.6 实验结论 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文研究工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间获得与学位论文相关的科研成果目录 |
| 附录 A |
四、贪心策略下的最佳课程安排问题（论文参考文献）
- [1]基于深度强化学习的多智能体协作学习算法研究[D]. 于航. 哈尔滨工业大学, 2021
- [2]高校学生宿舍服务平台设计与实现[D]. 陈惠芬. 华侨大学, 2018(01)
- [3]基于粒子群算法的高职院校排课系统研究与开发[D]. 王鹏亮. 西北师范大学, 2016(02)
- [4]启发式智能优化算法的研究与应用[D]. 张宇楠. 广西民族大学, 2013(S1)
- [5]高职院校实训室排课系统研究与设计[D]. 龚坤. 中山大学, 2011(05)
- [6]高职院校计算机实训室排课系统研究与设计[D]. 洪文圳. 华南理工大学, 2009(S2)
- [7]贪心策略下的最佳课程安排问题[J]. 王默玉,刘林. 微型机与应用, 2002(11)
- [8]港口散货堆场堆位智能分配方法研究[D]. 范家佳. 武汉理工大学, 2020(09)