一、BBL布局的均场退火方法（论文文献综述）
陈炜杰[1]（2018）在《基于GASA算法的C型永磁体中不规则多线圈B0匀场仿真与分析》文中指出永磁体磁共振仪器由于成本较低,目前仍具有广泛的应用前景。随着技术的发展,永磁体磁场强度不断提高,这对永磁体磁共振技术的研究提出了许多新需求,特别是在便携式检测方面。受磁块材料和平板结构等影响,永磁体产生的磁场不均匀性更复杂,球谐高阶匀场项更困难。另一方面,永磁体磁场边缘区域的不均匀性比超导磁体明显,特别是对于肩关节等部位成像时,磁场不均匀问题就显得特别突出。而多线圈（MultiCoil）B0匀场作为近年来发展起来的新匀场技术,表现出独特的优点。由于B0场分布特性和磁体的结构特点,研究开放永磁体的MC匀场方法具有重要的意义。形状不规则的线圈能够进一步提高多线圈匀场的效果,但增加了多线圈设计的难度和复杂性,不规则线圈或许能够为永磁体的MC匀场提供一种高效的匀场方法。本文完成了以下工作:一、首先对开放磁体中MC匀场理论进行了详细分析,对用毕奥-萨法尔定律计算磁场的方法及公式进行了延伸以及推导,使用非线性拟合的方法优化匀场电流值的计算,分别对不规则线圈优化中使用的遗传算法（GA）,模拟退火算法（SA）以及模拟退火遗传算法（GASA）进行了详细说明及分析。二、设计了基于GASA算法的C型永磁磁体不规则MC匀场的整体算法,其中包括利用线圈磁场产生算法,电流拟合算法,不规则线圈优化算法以及整体算法流程。同时通过三维数据处理方法建立了线圈模型以及不均匀场模型。三、研究了C型永磁体中多线圈匀场的特点,针对寻找不规则线圈最优形状的效率,给出了利用GASA算法优化不规则多线圈形状进行匀场的方法。通过仿真永磁体中肩部不规则多线圈的匀场,分析了线圈复杂度、尺寸和组数等参数的影响,对比了超导磁体和永磁体中MC匀场的区别。结果显示,对于C型永磁体中样品边界区域的局部不均匀B0场,不规则多线圈能够获得更好的匀场效果,GASA算法提供了一种更为稳定更高效的优化方法。除了线圈形状外,线圈排布位置结构以及大小也对匀场起重要作用,因此也可将线圈位置,大小等多个参数设为优化目标,甚至每组线圈形状也可以不同,以线圈简洁度为约束条件进行多目标优化,这是更复杂的问题,将是后续研究的重点之一。
徐双燕,丁祥海,陶俐言[2]（2012）在《多目标动态车间设施布局研究综述》文中研究说明车间设施布局问题是生产系统的重要问题。大规模定制生产模式对车间设施布局问题提出了动态性、多目标等方面的需求。在梳理相关文献的基础上,总结了多目标动态车间设施布局的特征,指出了图论、二次分配、混合整数三种基本数学模型在多目标动态车间设施布局方面的不足,分析了遗传算法、模拟退火算法、禁忌搜索算法和蚁群优化算法四种元启发式算法的适用性,最后指出了多目标动态车间设施布局的研究趋势。
尹珂[3]（2010）在《多尺度土地资源配置研究》文中研究指明随着我国经济高速发展,城市化已经成为一个不可逆转的社会发展趋势。在此过程中人们对土地利用空间和土地产品的需求也在不断增长,人地矛盾的日益激化引发了很多社会、经济和环境问题,并有可能造成生物栖息地消失或破碎化、生物多样性降低以及生态系统服务功能的减弱。如何应对这些生态环境问题,并将其纳入到政策、规划和项目的决策过程中已成为研究的热点。本研究以三种尺度：渝北区（县域尺度）、龙兴镇（镇域尺度）、河堰等三个行政村（村域尺度）为例,综合考虑不同尺度上影响土地资源配置的因素,采用不同的方法对多尺度土地资源的优化配置进行研究,本研究完善了城乡统筹背景下的土地利用优化配置体系,为实现土地资源的可持续利用提供理论依据。1县域尺度的土地资源配置研究本研究以重庆市渝北区各乡镇作为功能分区的基本区域单元,以渝北区自然生态、社会经济发展以及土地资源现状和特点为基础,建立统筹发展的土地利用主体功能分区。首先根据一定的原则构建指标体系,土地利用指标是以重庆市渝北区1989、2000和2004年3个时段的TM卫星遥感影像数据为数据源,根据3个年份对应期间的土地利用现状图、相关统计资料,结合研究区实际情况,采用遥感图像处理软件ERDAS 8.4、地理信息系统软件ARCGIS 9.2,通过非监督分类与目视解译相结合的方法,对3个时段的卫星遥感影像进行土地利用解译得到,而社会经济指标的数据源自2008年《重庆市统计年鉴》、2008年《渝北年鉴》以及2008年《重庆市国土资源统计年鉴》；然后采用主成分分析法对指标进行处理及筛选；最后使用聚类分析方法对渝北区进行主体功能分区。（1）主成分分析方法能够科学合理地提炼出分区指标。本研究从经济发展、社会进步和环境保护三个方面选出了15个初选指标,运用主成分分析法进行降维处理,以期用较少的几个综合指标来代替原来的变量指标,于是从15个初选指标中遴选出财政收入、粮食单产、林地面积等9个指标组成县域主体功能分区的综合指标评价体系,这9个指标不仅能够反映土地利用原始信息的代表性和准确性,而且有效地减轻了工作量,提高了分区精度。（2）对比快速聚类法和分层聚类法的分区结果以及单因子ANOVA分析和判别分析的验证,使分区更加合理。在9个遴选指标的基础上构建了19×19的模糊相似矩阵,根据不同准则分别进行快速聚类和分层聚类,对比发现只有木耳镇的划分结果存在分歧。单尾ANOVA分析表中只有“农民人均纯收入”指标的显着性不佳,而判别分析中交叉验证样本的分类正确率为88.9%,说明分类的结果比较理想。基于以上分析,考虑到功能区单元位置的连续性并参考渝北区自然环境条件,将渝北区划分了四个主体功能区,北部新区、双凤桥街道与回兴街道为优先开发区；龙溪街道、龙山街道、龙塔街道与双龙湖街道为重点开发区；兴隆镇、古路镇、大湾镇、龙兴镇、玉峰山镇和统景镇为限制开发区；硌碛镇、石船镇、木耳镇、大盛镇、茨竹镇和悦来街道为禁止开发区。2镇域尺度的土地资源配置在满足界限约束和空间连续性约束的条件下,以重庆市渝北区龙兴镇为例探索量化分区方案。首先针对土地利用分区问题建立数学模型,然后编写C++程序在ArcGIS平台上实现模拟退火算法对优化模型的求解,利用虚拟场景的分区结果评价模型的生态效应,而在现实场景中运用游憩价值法和GeoDA的空间自相关分析功能分析龙兴镇的区域发展特点,并在此基础上进行土地利用优化分区。（1）虚拟场景的测试证明了土地利用优化分区模型的生态保护效应是十分明显的,尤其是对生物多样性的保护。Fragstats的计算结果显示出：取消连接性的限制时,则呈现最多的斑块数55和最小的连接度指数6.12,因此,取消连接性的限制条件后的结果表明连接性限制对分区结果的景观破碎度和异质性都具有相当的影响力；AI值代表了区域之间的聚集度,越强烈的聚集度区域之间进行的物种或者基因的交流越有可能发生,土地兼容性均为1时得到了极端的AI值93.12,而土地兼容性均为-1时出现了许多破碎的斑块,使得边缘总长度（TE）达到最大值1003,说明非对称的土地兼容性系数设置具有重要生态意义；在优化模型中使用了欧氏平方距离因而得到与土地适宜性相吻合的3个清晰的核心区。（2）在区域发展特点的分析基础上,结合基础图库建立土地适宜性数据库,可以实现既适应区域社会经济发展又符合自然生态保护要求的合理分区。游憩价值分析得出龙兴镇自然环境的经济价值为5696.72万元,肯定了古镇旅游产业的发展潜力；全局Moran’s I指数0.5138和局部自相关分析图反映出龙兴镇的经济发展已表现出较强的空间分异格局,说明受“鱼嘴组团”的影响龙兴镇非农产业已产生集聚效应。利用Access数据库软件包编制栅格属性数据,导入ArcGIS后形成一对多和多对多的数据属性关联关系,从而实现将土地适宜性量化地引入分区模型,量化分区结果与龙兴镇镇域分区规划相比我们发现：定量模型的分区体现了相似的土地利用形式拥有更好的聚集效应,而相斥的土地利用形式则呈现远离的态势,因而生态核心区十分明显。3村域尺度的土地资源配置村域尺度的研究以龙兴镇河堰村、粉壁村及石溪村为例,运用三种不同的多目标线性规划方法构建土地利用情景决策系统,探索村级土地利用结构的优化配置。（1）不同的目标优先等级对帕累托最优解有显着影响。在渝北区龙兴镇的研究中,要获得较高的毛利润,则必须付出较高的生产成本和较多的农业化学品用量；如果既要实现毛利润和工时需求最大化,又要满足生产成本和农业化学品用量最小化,那么所得的帕累托最优解中高产量水果和蔬菜作物以及针叶树和水杉的种植面积必然会增加,在此基础上所有目标完成度才能超过40%从而实现均衡状态；如果生态目标的优先级设置越高,则林地面积增加的越多；如果在实现工时需求最大化和农业用地面积最大化的同时,满足毛利润最大化这个经济目标,则水果和蔬菜的用地面积会相应的有所增加。（2）目标优先级设置应该有客观标准。在运用土地利用情景决策模型时,应满足以下几个标准：a.研究区必须接近城市,如城乡结合部；b.要有较为明显的旅游特征或潜质；c.研究区是以农业生产为主的区域；d.研究区有较多样的农业活动。当研究区有较为明显的旅游特征或潜质的时候,则适宜将环境目标作为优先考虑,从而促进林业物种的增加和其他非密集性的土地利用形式。而对于以农业生产为主的区域,则应该优先考虑经济目标,这样可以同时解决局部的社会问题,因为受惠的直接群体就是当地的农民。至于多种农业活动的区域,潜在的利益冲突就可能存在,因此优先考虑社会问题是必然的。4多尺度土地利用优化系统土地利用优化是一个繁复的运作体系,涉及到多个尺度下不同的因素,因此不同尺度研究体系的融合问题成为土地利用优化研究的热点和难点。本研究结合MAS技术提出基于利益相关者agent的多尺度土地利用优化系统框架。（1）县域尺度下的研究单元是以行政区划图为基础的各个乡镇,镇域尺度下是利用土地利用现状图与行政区划图相叠加后利用栅格划分获得的,而村域尺度下则是以农户行为作为土地利用结构的主导因素,因此分析单元为农户,这些研究单元是多尺度土地利用优化系统运行的基础。由于研究的主要目的是为了探索土地利用的优化配置格局,因此在不同的尺度下选择了不同的土地优化配置的方法：县域尺度下考虑的是土地利用功能的引导性,所以选取了模糊数学方法进行主体功能分区；镇域尺度既要有一定的政策指导性,还必须拥有一定的实际操作性,因而基于模拟退火算法建立了土地利用优化分区模型,以优化算法求解定量模型的形式进行土地利用分区；而村域尺度需要更强的可操作性,以便指导农户行为,因此结合了三种多目标线性规划方法创建了土地利用情景决策系统,运用目标优先级的差异性体现决策者偏好对土地利用配置结果的影响,从而辅助决策者制定土地利用结构优化方案。（2）多尺度土地利用优化系统的组织结构是Agent个体之间交互的框架,由Agent个体、Agent组及Agent域三级组织构成。在本研究中,Agent个体就是政府、农户、科研工作者等,他们共同组成了利益相关者Agent组,而本系统最核心的部分就是三个Agent域一理论概念域、实证分析域以及模型方法域。Agent个体之上有“组”和“域”两级管理协作机构,可以有效减少系统的内部冲突,协调问题求解,具有更强的问题求解能力,提高交流的效率。而“组”和“域”是开放、动态的概念,其中的成员数目是动态变化的,成员可以动态地加入或退出。这个动态演化的过程可视为Agent随环境及目标需求的不断变化,连续进行协作关系的适应性调整过程。在这样的系统中探寻土地利用优化方案,可以有效的调动利益相关者,使各尺度的土地利用优化方案都是经过利益相关者反复交流的结果,从制定的过程上一改往日“由上而下”的规划体系,实现了真正意义上的参与式规划。综上所述,本文系统研究不同尺度下的土地资源优化配置,不再局限于单一尺度或者采用某一数学方法得出优化配置方案的传统研究思维,构建了适合多尺度研究的土地资源优化配置体系框架,为城乡统筹背景下的土地利用研究提供了新的思路和方法,弥补国内在土地利用研究的不足。但是由于某些尺度的研究只能在假设成立的条件下进行,所以还需要不断完善。此外三个尺度研究的耦合还需要具体的技术手段来加以实现,因此未来应继续加大时间段上的研究和尺度耦合的研究,以便应用到实践中。
薛桂香[4]（2008）在《基于智能优化算法的网格任务调度策略研究》文中认为任务分配问题,一般是NP完全问题。存在许多任务调度问题的具体实例的启发式算法,但多数情况下效率都不高。本文主要探索了几种智能优化算法及其改进策略在任务调度中的应用,主要包括均场退火算法、微正则均场退火算法、模糊动态遗传算法等。首先将均场退火算法（MFA）应用到网格任务调度中,构造了满足各种约束条件的能量函数和状态更新函数等,并进行了仿真实验,验证了均场退火算法的有效性。接着本文对微正则退火算法作了改进,并将其应用到任务调度中。首先提出了分段的能量奖励策略和混合能量补偿策略。其次,在基本微正则退火算法的基础上,提出了微正则均场退火算法（MMFA）,采用均场退火算法的能量函数形式和新状态产生方法,保证新状态都是向能量降低的方向转移,从而加快搜索速度,提高算法性能。最后针对网格任务调度的动态特性,提出并实现了一种改进的遗传算法—模糊动态遗传算法FDGA,重新对遗传算法编码机制、适应度函数确定、选择算子、交叉算子、变异算子等进行了设计,在编码阶段考虑了网格的动态性,适应度函数采用基于模糊数学的模糊评价机制,综合考虑到总的完成时间、主机的空闲时间和任务的deadline要求等性能指标,根据网格系统各服务节点的计算能力、负载等状态进行动态调度,从而向用户提供较优性能。同时,在OPNET环境中构建了一个可扩展的局部网格仿真平台,对所提出的算法进行了仿真实验,结果表明模糊动态遗传算法具有很好的优化能力,提供了较好的服务质量。
刘景发[5]（2007）在《求解蛋白质结构预测问题及矩形packing问题的启发式算法》文中指出求解NP难度问题一直是计算机科学技术的一个瓶颈任务。近年来的研究表明,对于NP难度问题可能根本不存在既完整严格又不太慢的求解算法。因此,这类问题的求解方法多为启发式方法。蛋白质结构预测问题和矩形packing问题都是NP难度问题。设计求解它们的快速而有效的算法具有深刻的理论意义和普遍的实用价值。受自然界和人类社会中智慧的启发,提出了求解这两类NP难度问题的有效的启发式算法,所做的主要工作有:对于一个具有两种氨基酸（疏水氨基酸和亲水氨基酸）的三维非格点的蛋白质AB模型,受物理世界物体间相互作用的规律的启发,提出了该模型的蛋白质结构预测问题的拟物算法。结合本问题的一些启发式知识,获得了高效的启发式策略,包括初始构形的产生和跳坑策略,使得搜索过程尽量避免过早陷入局部极小点,即使到了局部极小点,能够使搜索过程跳出,将其引向前景更好的区域。结合这些启发式策略以及拟物算法得到了启发式拟物算法。该算法对文献中的氨基酸序列进行了实算,所得构形的最低能量比PERM+算法（即非格点的PERM（Pruned-Enriched Rosenbluth method）结合共轭梯度法）所得构形的最低能量更低。提出了AB模型的蛋白质结构预测问题的启发式共轭梯度（HCG）算法。算法在三维欧氏空间中利用启发式的方法产生初始构形,然后用共轭梯度法优化低能状态,一旦计算陷入极小值的陷阱,则采用启发式的跳坑策略跳出局部极小点。将HCG算法应用到蛋白质AB模型中去预测和发现蛋白质结构。计算结果表明,对于链长为55的序列,HCG算法所得结果比当今国际文献中最先进的几个算法所得结果更好。受PERM+算法的启发,给出了AB模型的基于面心立方体（FCC）格点的PERM++算法。该算法利用基于FCC格点的PERM算法产生初始构形,然后用共轭梯度法进一步优化低能状态。数值实验表明,PERM++算法的计算结果优于PERM+算法。ELP方法在应用中存在一些缺陷,针对这些缺陷提出了基于拟物策略的局部搜索方法,将此方法同ELP方法相结合得到了改进的ELP算法（ELP+）。计算结果表明,对于部分氨基酸序列,ELP+算法找到了比PERM+算法、多正则（MUCA）Monte Carlo方法、势能曲面变平（ELP）方法、构形空间退火（CSA）算法等国际上最先进的一些算法给出的最低能量状态具有更低能量的构形。使用拟人的策略,提出了基于欧氏距离的占角最大穴度优先的放置方法,为矩形packing问题的快速求解提供了一种高性能的启发式算法。算法的高效性通过应用于标准电路MCNC和GSRC得到了验证,其计算结果优于当今国际上已公开发表了的最先进的几个算法的结果。基于拟人的思想,提出了带有预放置模块的布局问题的穴度算法及其改进的穴度算法。用标准电路MCNC对算法性能进行了测试,实算结果表明,改进的穴度算法比基于角模块表（CBL）和B*树型结构（B*-tree）表示的随机优化算法的计算结果都要好。简而言之,我们对两类NP难度问题——蛋白质结构预测问题和矩形packing问题进行了分析和研究。受自然界、人类社会和具体问题的启发,为它们提出了一系列的有效求解算法。实践证明,这种模仿自然界物质运动和人类行为的方法是一个寻求高效算法的有效途径。这些方法对于研究其它NP难度问题的现实求解具有普遍的实际意义。然而求解蛋白质结构预测问题和矩形packing问题是复杂的开放性课题,其中还有很多问题有待于进一步研究和讨论。
陈矛[6]（2007）在《求解蛋白质折叠问题的拟物拟人算法》文中研究表明蛋白质所具有的生物学功能取决于蛋白质的空间折叠结构,研究蛋白质的空间结构在生物学领域具有重要意义。Anfinsen等人的研究工作表明,给定蛋白质一级结构序列,利用理论计算对蛋白质结构进行预测是一个可行的方法。由于蛋白质折叠问题的复杂度太高,理论界提出了一些简化模型。其中,Dill等提出的HP模型和Stillinger提出的AB模型最受欢迎,研究也最为广泛。基于HP模型和AB模型的蛋白质折叠问题都已被证明是NP完全问题,这意味着不存在既完整严格又不是太慢的求解算法。为了满足实际需要,人们于是着手研究非绝对完整但是是快速实用的启发式算法。沿着拟物拟人的工作途径,分别对基于HP模型和AB模型的蛋白质折叠问题的高效求解进行了研究。为了减小搜索空间,给出了一种带随机策略的剪枝算法来求解基于二维HP模型的蛋白质折叠问题。在算法中,保留那些前景好的结点,并允许它以一定概率向下分支,而那些前景不太好的结点则以一定概率被删除,其下相连的分支也被“剪掉”。这样减小了搜索空间,使得相应的搜索时间也大大降低。基于裁剪复制策略的PERM （pruned-enriched Rosenbluth method）算法是一种链生长算法,它通过制定一定的评判准则,让有前途的个体得以繁衍,而不具备发展潜力的个体停止繁殖,从而减少了搜索树的分支数。通过分析PERM算法,指出了影响PERM算法效率的关键,并从拟人思想的角度对PERM算法做出了进一步的分析:PERM算法实际上可以理解为一种人口控制策略,通过对社会中的个体给出评价,然后给出个体的生育指标,从而实现“优生优育”。在这样一个生动形象的背景的指导下,提出了更为合理和有效的评判准则,从而得到了一种改进的PERM算法。计算结果表明改进的PERM算法在求解基于HP模型的蛋白质折叠问题时表现出非常高的效率。通过拟物思想,引入引力势能和斥力势能,建立了一个启发式的引导函数,把基于三维HP模型的蛋白质折叠问题由一个约束优化问题转化为无约束优化问题,然后给出了一个基于局部搜索策略的启发式算法。为基于三维AB模型的蛋白质折叠问题找到了一个贴切的物理模型,该物理模型是一个力学系统。将氨基酸单体看作弹性小球,想象在蛋白质链上相邻两球球心之间连接着一根长度为1的弹簧。这样,系统能量中除了Lennard-Jones势能、弯曲势能和扭转势能外,还有弹簧势能。弹簧势能相当于一个罚函数,它是“松弛”约束条件的关键,把基于三维AB模型的蛋白质折叠问题由一个约束优化问题转化为无约束的优化问题。对此无约束优化问题,给出了一个梯度算法,并设计了一个产生初始构形的启发式策略。在用梯度法求解的过程中,计算很容易落入局部极小值的陷阱。为了跳出局部极小值陷阱,让计算走向前景更好的区域中去,在拟物算法的基础上,分别与模拟退火算法和禁忌搜索算法相结合,得到了效率更高的、具有全局优化能力的混合算法。尤其值得指出的是,以ELP （energy landscape paving minimizer）算法得到的结果构形作为拟物算法的初始构形,对于文献中的绝大多数算例,拟人算法都找到了当今国际学术界最好的构形,这种构形比文献中报道的构形具有更低的势能。以上研究工作表明,通过对物理世界中物质运动的演化规律和人类的社会经验进行抽象和形式化,可以启发人们为蛋白质折叠问题设计出高效的求解算法。在以后的研究工作中,我们将沿着拟物拟人的思路继续为基于其它模型的蛋白质折叠问题和其它NP完全问题寻求高效的求解算法。
黄训诚[7]（2007）在《基于蚁群算法的超大规模集成电路布线研究》文中指出当前集成电路产业向深亚微米工艺不断推进，正力图突破100nm大关。现有EDA工具难以应付复杂度呈指数增长的诸多VLSI设计难题，也缺乏对深亚微米工艺下一系列新问题的考虑。另一方面，在计算智能领域，各种优化技术日新月异，为解决非NP和NP复杂度的大规模、超大规模问题展示了广阔的前景。本文正是在这样的背景下，研究计算智能方法在深亚微米工艺下性能驱动VLSI生产工序中关键环节—物理设计中的应用。随着VLSI的工艺向深亚微米的推进，物理设计中的布线问题（无论是非NP问题、NP完全问题和NP困难问题），由于问题规模的急剧增大，都迫切需要更有效的优化算法解决方案。蚁群算法作为一种较新的进化类方法，目前已经在若干领域取得了成功的应用，诸如：旅行商问题、二次分配问题、通讯网络中的路由问题以及负载平衡问题、大规模集成电路设计等。本文深入讨论了蚁群算法应用于解决TSP问题，并对其进行了基本功能验证；对开关盒布线，本文也进行了初步尝试，针对较少的线网进行了布线仿真；就物理设计中BBL模式下典型的两端绕障碍布线问题，首先提出了解决不同条件下实际问题的两种理论模型，模型分别基于图论和计算几何学方法，减少了问题的时空复杂度。然后，介绍了一种基于生物仿生特性的蚁群算法，通过选择适当的模型表述，该算法可采用蚁群任务调度策略，模仿蚁群的协同学习机制，来解决两端绕障碍的布局布线问题，并能给出较优的解。本文提出了一种基于蚁群算法的集成电路无网格布线算法。对于给定的布线平面，该算法首先由障碍图形和各个线网的端点生成一个包含最短路径的访问点阵，建立初始信息素矩阵，然后利用蚁群算法所特有的路径寻优功能来找到当前布线路径上的最短路径。同时本文在路径搜索过程中引入了引力的概念，使得蚁群在引力的作用下以较快的速度找到目标端点。粒子群优化算法作为一种较新的进化类方法，目前已经在若干领域取得了成功的应用，本文提出了一种基于粒子群优化算法的集成电路无网格布线算法。对于给定的布线平面，该算法首先由障碍图形和各个线网的端点生成一个包含最短路径的访问点阵，建立初始粒子位置矩阵，然后利用粒子群优化算法的路径寻优功能来找到当前布线路径上的最短路径。
曾明华[8]（2005）在《遗传算法和神经网络在布局子问题中的应用》文中研究指明遗传算法是一类借鉴生物界自然选择和遗传机制的自适应全局优化随机搜索算法。遗传算法直接对结构对象进行操作,不存在函数可微性和连续性的限定,具有全局性,鲁棒性和隐并行性等优越性。 神经网络是对人脑的信息处理方式进行模拟的产物。1982年,Hopfield提出离散神经网络模型并将其成功应用于组合优化问题。至今应用最为广泛的神经网络BP网络不仅具有强大的非线性映射能力,可以实现非常复杂的因果关系,而且具有自适应、自学习和高容错性等优良特性。 布局问题是运筹学的一个重要分支,属于复杂的组合优化问题。20世纪70年代以来的研究表明,求解NPC问题不存在既完整严格又不太慢的求解算法。因此遗传算法和神经网络便理所当然地成了解决组合优化问题并在速度和精度之间寻求平衡的工具。但将二者结合用于布局问题的研究还很少见到,这方面课题有待进一步研究,也具有一定的现实意义。 本文主要内容如下: 1.构造了同构不干涉布局化算法。给出一个已知不干涉布局方案,该算法可以保证产生的布局方案与已知布局方案同构。 2.回顾遗传算法的理论和应用研究方面的进展,定义了新的变异算子。给出了保持图元邻接关系的方法,构造了同构布局等价类的改进遗传算法。该算法不但能保证图元的邻接关系不变,并且能以较快的收敛速度搜索到全局最优布局方案。 3.将神经网络应用到布局问题中,给出了布局问题的前向网络。结合遗传算法,构造了布局子问题的遗传神经网络算法。给出一组合理的训练样本,该算法能较快地训练出适合的权值和阈值,并且能稳定地收敛到较优的布局方案。数值试验表明该算法是有效可行。
李煜[9]（2005）在《改进的O-TREE表示法在求解带总线约束的VLSI电路BBL布局问题中的应用》文中提出随着系统芯片（SOC）设计方法和知识产权（IP）模块技术在集成电路设计中的不断发展和应用,布图规划（Floorplanning）和布局日渐成为超大规模集成（VLSI）电路与系统物理设计的关键环节。布图规划的主要目标是在满足用户约束条件的前提下确定芯片上模块的最佳形状、位置以及模块的引线端位置,使得芯片的面积以及模块之间的互连线总长最小。由于布图规划设计是芯片物理设计的第一个步骤,其结果将影响芯片的最终性能。人们一直在寻求有效的优化算法以应用于布局问题,通过正确的策略我们可以很好地解决布局问题,同时减少算法的复杂度,缩短整个实现的时间。本文正是在这样的背景下,基于四川省科技厅基金项目,面对VLSI 电路物理设计中的关键环节,针对BBL 模式下的带约束布局问题,展开了一些研究工作。本文主要研究如何来求解在超大规模集成电路布局中,具有预定义坐标结群约束模块的布局问题（简称PCA 问题）,研究途径是采用O-TREE 的编码表示方法和模拟退火的算法。目前,存在一些成功的算法来解决PCA 问题。然而,它们的算法有些很复杂,有些很耗时。在这篇文章里,我们提了一种新的布局算法来解决这个问题,该算法是基于O-Tree 结构,旨在减少总的运行时间且简便。通过对MCNC 的基准例子ami33 和ami49 上的仿真实验表明:与参考文献[32]中提出方法所得的结果相比,我们的新算法是可行的并且很有效。它不仅使芯片面积利用率得到改善,而且节约了一半以上的设计计算时间开销。本文还考虑到算法是否受模块规模大小的影响,为此我们进行了电路模块扩张的实验验证。针对ami33 基准例,实验模块被扩展到了65 个,实验结果表明我们的算法是很有效、鲁棒的,并且运行很快。
杨波[10]（2004）在《VLSI电路非曼哈顿布局和改进蚁群算法的初步研究》文中研究说明
二、BBL布局的均场退火方法（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、BBL布局的均场退火方法（论文提纲范文）
（1）基于GASA算法的C型永磁体中不规则多线圈B0匀场仿真与分析（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 B_0的不均匀性 |
| 1.2 B_0匀场技术 |
| 1.3 论文结构 |
| 第二章 原理 |
| 2.1 开放磁体中多线圈匀场理论分析 |
| 2.2 毕奥-萨伐尔定律 |
| 2.3 最小二乘法非线性拟合 |
| 2.4 遗传算法(GA) |
| 2.5 模拟退火算法(SA) |
| 2.5.1 基本迭代 |
| 2.5.2 退火时间表 |
| 2.6 遗传算法与模拟退火算法的混合策略 |
| 2.7 GASA的算法流程 |
| 2.7.1 初始化参数 |
| 2.7.2 GASA算法演化过程(GA阶段) |
| 2.7.3 GASA算法演化过程(SA阶段) |
| 2.7.4 验收阶段 |
| 2.8 本章小结 |
| 第三章 算法设计 |
| 3.1 使用毕奥-萨伐尔定律计算不规则线圈产生的磁场 |
| 3.2 最小二乘法电流拟合 |
| 3.3 建模 |
| 3.3.1 不均匀场三维建模步骤流程: |
| 3.3.2 线圈模型建立 |
| 3.4 GASA算法流程 |
| 3.4.1 GASA初始化 |
| 3.4.2 GASA的算法步骤 |
| 3.5 整体算法流程 |
| 3.6 本章小结 |
| 第四章 仿真与结果分析 |
| 4.1 桶形多线圈匀场仿真 |
| 4.2 平板多线圈的球谐场 |
| 4.3 永磁开放磁体多线圈特性仿真 |
| 4.4 基于GASA算法的不规则多线圈仿真 |
| 4.5 肩关节不规则多线圈匀场仿真 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 附录 |
| 论文发表情况 |
| 致谢 |
（2）多目标动态车间设施布局研究综述（论文提纲范文）
| 1 引 言 |
| 2 动态车间设施布局问题的分类与特征 |
| 2.1 多目标性 |
| 2.2 动态性 |
| 2.3 多约束性 |
| 3 多目标动态车间设施布局问题的数学模型 |
| 3.1 图论模型 |
| 3.2 二次分配问题 |
| 3.3 混合整数模型 |
| 4 元启发式算法 |
| 4.1 遗传算法 |
| 4.2 模拟退火算法 |
| 4.3 禁忌搜索算法 |
| 4.4 蚁群优化算法 |
| 5 结 论 |
| (1) 多重性目标的研究 |
| (2) 人因素的研究 |
| (3) 研究设施布局问题的混合算法 |
| (4) 设施布局问题三维仿真验证 |
（3）多尺度土地资源配置研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 文献综述 |
| 1.1 基于不同目标的土地资源配置研究 |
| 1.1.1 基于社会经济目标的土地资源配置研究 |
| 1.1.2 基于生态环境目标的土地资源配置研究 |
| 1.2 基于不同角度的土地资源配置研究 |
| 1.3 土地资源优化配置模型研究现状 |
| 1.3.1 线性规划方法 |
| 1.3.2 系统动力学方法 |
| 1.3.3 多目标规划方法 |
| 1.3.4 灰色预测方法 |
| 1.3.5 目标规划模型 |
| 1.4 研究展望 |
| 第2章 绪论 |
| 2.1 研究背景和意义 |
| 2.2 研究问题的陈述 |
| 2.3 研究的目标与研究内容 |
| 2.3.1 研究目标 |
| 2.3.2 研究内容 |
| 2.4 技术路线 |
| 第3章 县域尺度的土地资源配置研究 |
| 3.1 材料与方法 |
| 3.1.1 研究区概况 |
| 3.1.2 研究方法 |
| 3.1.3 数据来源与指标选取 |
| 3.2 主体功能类型划分指标体系 |
| 3.2.1 构建指标体系 |
| 3.2.2 确定综合指标 |
| 3.3 主体功能分区综合评价 |
| 3.3.1 划分主体功能区 |
| 3.3.2 主体功能分区结果 |
| 3.4 讨论与建议 |
| 3.4.1 讨论 |
| 3.4.2 对策与建议 |
| 第4章 镇域尺度的土地资源配置研究 |
| 4.1 研究区概况 |
| 4.2 研究方法 |
| 4.2.1 厘定镇域发展特点的研究方法 |
| 4.2.2 土地利用适宜性分析的研究方法——GIS空间叠加分析 |
| 4.2.3 土地利用分区研究方法——定量模型与模拟退火算法 |
| 4.2.4 分区规划的评价方法——生态效应评价 |
| 4.3 土地利用优化分区模型的构建 |
| 4.3.1 变量设置 |
| 4.3.2 目标模型的构建 |
| 4.3.3 构建约束条件 |
| 4.4 模拟退火算法设置及计算机仿真实现 |
| 4.4.1 算法及参数设置 |
| 4.4.2 算法程序及流程图 |
| 4.4.3 函数测试 |
| 4.5 土地利用优化分区模型在虚拟场景中的测试 |
| 4.5.1 虚拟场景分区研究的数据来源及处理 |
| 4.5.2 虚拟场景的测试结果 |
| 4.5.3 测试结果的生态效应评价 |
| 4.6 土地利用优化分区模型在龙兴镇的应用 |
| 4.6.1 龙兴镇的镇域发展特点分析 |
| 4.6.2 开发建设与农地保护的土地利用适宜性分析 |
| 4.6.3 现实场景的模型参数 |
| 4.6.4 龙兴镇分区结果与分析 |
| 4.7 讨论 |
| 4.7.1 土地利用量化分区的生态影响 |
| 4.7.2 土地利用量化分区研究的展望 |
| 第5章 村域尺度的土地资源配置研究 |
| 5.1 研究区概况 |
| 5.2 数据来源与指标选择 |
| 5.3 基于IMGLP的土地利用情景决策系统 |
| 5.3.1 总体结构 |
| 5.3.2 模型定义模块 |
| 5.3.3 可行解集生成模块 |
| 5.4 图解分析结果 |
| 5.4.1 目标规划法的结果 |
| 5.4.2 两种交互式算法的结果 |
| 5.4.3 三种算法的目标完成度对比 |
| 5.5 讨论 |
| 第6章 多尺度土地利用优化系统的构建 |
| 6.1 多尺度土地利用优化系统在政策制定过程中的定位 |
| 6.2 多尺度土地利用优化系统的构建 |
| 6.2.1 多尺度土地利用优化系统的研究方法 |
| 6.2.2 多尺度土地利用优化系统中利益相关者的参与形式 |
| 6.2.3 多尺度土地利用优化系统的框架 |
| 6.3 讨论 |
| 6.3.1 多尺度土地利用优化系统在政策制定中的潜在作用 |
| 6.3.2 多尺度土地利用优化系统中相关利益因素的信息反馈 |
| 6.3.3 研究展望 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.1.1 县域尺度的土地资源配置 |
| 7.1.2 镇域尺度的土地资源配置 |
| 7.1.3 村域尺度的土地资源配置 |
| 7.1.4 多尺度土地利用优化系统 |
| 7.2 研究特色与创新点 |
| 7.3 研究中存在的问题 |
| 7.4 研究展望 |
| 参考文献 |
| 致谢 |
| 参与课题与发表文章 |
（4）基于智能优化算法的网格任务调度策略研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 本文研究内容和主要贡献 |
| 1.3 论文结构 |
| 第二章 任务调度及优化算法概述 |
| 2.1 任务调度的基本问题 |
| 2.1.1 任务调度的定义 |
| 2.1.2 任务调度策略的分类 |
| 2.1.3 任务调度算法的研究进展 |
| 2.2 优化算法 |
| 2.2.1 最优化问题 |
| 2.2.2 最优化算法 |
| 2.3 网格中任务调度概述 |
| 2.3.1 网格计算概述 |
| 2.3.2 网格调度和资源管理 |
| 2.3.3 网格中常见的资源管理和任务调度系统 |
| 2.3.4 带QoS 的网格调度 |
| 2.4 本章小结 |
| 第三章 基于均场退火的网格任务调度算法 |
| 3.1 模拟退火算法介绍 |
| 3.1.1 模拟退火算法的主要思想 |
| 3.1.2 模拟退火算法的参数控制问题 |
| 3.1.3 模拟退火算法的特点和研究现状 |
| 3.2 均场退火算法的研究 |
| 3.2.1 均场近似 |
| 3.2.2 鞍点展开 |
| 3.2.3 稳定性分析 |
| 3.2.4 均场网络参数的确定 |
| 3.3 均场退火算法在网格任务调度中的应用 |
| 3.3.1 均场退火方程 |
| 3.3.2 问题映射 |
| 3.3.3 能量函数 |
| 3.3.4 Hopfield 神经网络能量函数构造 |
| 3.3.5 均场退火算法 |
| 3.3.6 参数取值 |
| 3.3.7 实验结果 |
| 3.4 本章小结 |
| 第四章 改进的微正则退火算法及应用 |
| 4.1 微正则退火算法的物理背景 |
| 4.2 微正则退火算法的原理 |
| 4.2.1 算法依据 |
| 4.2.2 算法介绍 |
| 4.3 微正则退火算法的研究现状 |
| 4.4 改进的微正则均场退火算法的思想 |
| 4.4.1 分段的能量奖励策略 |
| 4.4.2 混合能量补偿策略 |
| 4.4.3 基于均场退火的微正则退火算法 |
| 4.5 基于微正则均场退火算法的有序任务多处理器调度 |
| 4.5.1 模型与定义 |
| 4.5.2 仿真实例 |
| 4.5.3 能量函数及均场更新函数 |
| 4.5.4 实验仿真及结果分析 |
| 4.6 本章小结 |
| 第五章 基于模糊动态遗传算法的网格任务调度实现 |
| 5.1 遗传算法介绍 |
| 5.1.1 基本遗传算法原理 |
| 5.1.2 遗传算法的特点及运行过程 |
| 5.1.3 遗传算法求解分布式任务调度问题的研究现状 |
| 5.2 模糊数学原理 |
| 5.2.1 模糊数学基础知识 |
| 5.2.2 模糊数学综合评价 |
| 5.3 模糊动态遗传算法原理 |
| 5.3.1 编码机制 |
| 5.3.2 适应度函数 |
| 5.3.3 选择算子 |
| 5.3.4 杂交和变异算子 |
| 5.3.5 主要参数的选择 |
| 5.4 局部网格仿真模型 |
| 5.4.1 网络仿真简介 |
| 5.4.2 OPNET 仿真软件简介 |
| 5.4.3 局部网格仿真模型设计 |
| 5.5 模糊动态遗传算法实现 |
| 5.5.1 仿真参数选择 |
| 5.5.2 仿真结果及分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
| 附录 |
（5）求解蛋白质结构预测问题及矩形packing问题的启发式算法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本文的选题背景 |
| 1.2 启发式算法介绍 |
| 1.2.1 启发式算法的定义 |
| 1.2.2 启发式算法分类 |
| 1.2.3 贪心算法和局部搜索算法 |
| 1.2.4 超启发式算法 |
| 1.2.5 拟物拟人算法 |
| 1.3 蛋白质结构基础知识 |
| 1.3.1 蛋白质的分子组成 |
| 1.3.2 蛋白质的结构层次 |
| 1.4 国内外研究现状 |
| 1.4.1 蛋白质结构预测方法及其研究进展 |
| 1.4.1.1 同源建模方法 |
| 1.4.1.2 折叠识别方法 |
| 1.4.1.3 从头预测方法 |
| 1.4.2 矩形packing 问题及其研究现状 |
| 1.5 本文的研究意义 |
| 1.6 本文主要工作及结构安排 |
| 2 蛋白质结构预测的拟物方法 |
| 2.1 优化模型 |
| 2.1.1 HP 格点模型 |
| 2.1.2 FCC 格点模型 |
| 2.1.3 AB 非格点模型 |
| 2.2 启发式拟物算法 |
| 2.2.1 初始构形的产生 |
| 2.2.2 AB 模型Ⅰ的蛋白质结构预测问题的拟物算法 |
| 2.2.3 跳坑策略 |
| 2.2.4 启发式拟物算法 |
| 2.2.5 计算结果与结论 |
| 2.3 启发式共轭梯度算法 |
| 2.3.1 初始构形的产生 |
| 2.3.2 优化方法 |
| 2.3.3 启发式共轭梯度法 |
| 2.3.4 结果与讨论 |
| 2.4 基于FCC 格点的PERM++算法 |
| 2.4.1 FCC 格点的PERM 算法 |
| 2.4.2 基于FCC 格点的PERM++算法 |
| 2.4.3 计算结果与展望 |
| 2.5 本章小结 |
| 3 蛋白质结构预测的MONTE CARLO 方法 |
| 3.1 MONTE CARLO 方法 |
| 3.2 ELP 方法求解AB 模型的蛋白质结构预测问题 |
| 3.2.1 ELP 方法 |
| 3.2.2 AB 模型的蛋白质结构预测的ELP 方法 |
| 3.2.3 基于拟物策略的局部搜索方法 |
| 3.2.4 计算结果与结论 |
| 3.3 本章小结 |
| 4 求解矩形PACKING 问题的拟人方法 |
| 4.1 问题的提法 |
| 4.2 算法的基本框架 |
| 4.3 占角动作和最大穴度优先的放置策略 |
| 4.4 占角穴度算法 |
| 4.4.1 占角穴度算法的算法描述 |
| 4.4.2 改进的占角穴度算法的算法描述 |
| 4.5 算法的计算复杂性 |
| 4.5.1 占角穴度算法的计算复杂性 |
| 4.5.2 改进的占角穴度算法的计算复杂性 |
| 4.6 实验结果 |
| 4.7 结论 |
| 4.8 本章小结 |
| 5 基于拟人策略的带有预放置模块的布局算法 |
| 5.1 引言 |
| 5.2 问题的形式化描述及算法的基本框架 |
| 5.3 基本概念和放置策略 |
| 5.3.1 格局 |
| 5.3.2 占角动作 |
| 5.3.3 穴度 |
| 5.3.4 放置策略 |
| 5.4 算法 |
| 5.4.1 贪心放置过程A(j) |
| 5.4.2 穴度算法 |
| 5.4.3 改进的穴度算法 |
| 5.5 实验结果与结论 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 本文主要研究工作总结 |
| 6.2 主要研究成果及结论 |
| 6.3 研究展望 |
| 6.4 本章小结 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间发表论文目录 |
| 附录2 攻读博士学位期间参加的课题目录 |
（6）求解蛋白质折叠问题的拟物拟人算法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 蛋白质结构的预测方法 |
| 1.3 研究现状 |
| 1.4 本文的主要工作 |
| 1.5 本文结构安排 |
| 2 NP 问题与拟物拟人算法 |
| 2.1 计算复杂性与NP 问题 |
| 2.2 求解NP 完全问题的优化算法 |
| 2.3 拟物拟人算法 |
| 2.4 拟物拟人算法的一个应用实例 |
| 2.5 本章小结 |
| 3 基于二维HP 模型的算法设计 |
| 3.1 HP 模型 |
| 3.2 带随机策略的剪枝算法 |
| 3.3 PERM 算法简介 |
| 3.4 改进的PERM 算法 |
| 3.5 本章小结 |
| 4 基于三维HP 模型的算法设计 |
| 4.1 引言 |
| 4.2 基于局部搜索的启发式算法 |
| 4.3 改进的PERM 算法 |
| 4.4 本章小结 |
| 5 基于连续模型的算法设计 |
| 5.1 引言 |
| 5.2 AB 模型 |
| 5.3 拟物模型 |
| 5.4 梯度算法 |
| 5.5 初始构形的产生 |
| 5.6 实验结果 |
| 5.7 本章小结 |
| 6 全局优化算法设计 |
| 6.1 引言 |
| 6.2 模拟退火算法 |
| 6.3 禁忌搜索算法 |
| 6.4 与ELP 方法的结合 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 本文总结 |
| 7.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读学位期间发表和录用的学术论文 |
| 附录2 攻读学位期间参加的课题目录 |
（7）基于蚁群算法的超大规模集成电路布线研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 集成电路的发展 |
| 1.2 EDA的发展与问题 |
| 1.3 超大规模集成电路设计概述 |
| 1.4 物理设计过程 |
| 1.4.1 物理设计 |
| 1.4.2 物理设计的主要模式 |
| 1.5 布线设计过程 |
| 1.5.1 布线过程中出现的新问题 |
| 1.5.2 时钟布线问题研究进展 |
| 1.6 本文完成的工作及论文的内容安排 |
| 第二章 VLSI布线设计算法分析 |
| 2.1 VLSI布线问题 |
| 2.2 时钟布线问题 |
| 2.3 物理设计算法 |
| 2.3.1 图论算法 |
| 2.3.2 计算几何算法 |
| 2.3.3 基于运筹学的算法 |
| 2.3.4 计算智能优化算法 |
| 2.4 小结 |
| 第三章 蚁群算法的研究及改进 |
| 3.1 蚁群算法的原理 |
| 3.2 基于蚁群算法所进行的相关工作 |
| 3.3 蚁群算法应用于TSP旅行商问题 |
| 3.3.1 基本程序流程 |
| 3.3.2 仿真测试 |
| 3.3.3 TSP旅行商算法的优缺点 |
| 3.4 蚁群算法应用于二叉树问题 |
| 3.4.1 算法思想 |
| 3.4.2 仿真测试 |
| 3.5 走折线布线 |
| 3.5.1 算法思想 |
| 3.5.2 仿真结果 |
| 3.6 开关盒布线问题 |
| 3.6.1 开关盒布线问题的算法描述 |
| 3.6.2 仿真测试结果 |
| 3.7 仿真过程中的问题 |
| 3.8 与其他算法的比较 |
| 3.8.1 与迷宫算法的比较 |
| 3.8.1.1 迷宫法应用于布线问题 |
| 3.8.1.2 仿真结果 |
| 3.8.2 与遗传算法的比较 |
| 3.9 小结 |
| 第四章 基于无网格布线的蚁群算法 |
| 4.1 两端绕障碍网格布线的连接图模型 |
| 4.1.1 强连接图 |
| 4.1.2 单层互连模型的建立 |
| 4.1.3 复杂度减小以及开窗技术的原理 |
| 4.2 无网格布线 |
| 4.3 无网格布线模型的路径图 |
| 4.3.1 路径图的定义和证明 |
| 4.3.2 路径图的构造 |
| 4.4 蚁群算法应用于无网格布线 |
| 4.4.1 无网格布线的基本思想 |
| 4.4.2 总体访问点阵的生成 |
| 4.4.3 访问路径的搜索 |
| 4.4.4 蚁群应用的改进 |
| 4.4.5 信息素的刷新 |
| 4.4.6 具体的布线 |
| 4.4.6.1 两端线网布线(含障碍图形)算法描述 |
| 4.4.6.2 仿真结果 |
| 4.4.7 多组多端点的线网 |
| 4.5 实例仿真和结果 |
| 4.6 小结 |
| 第五章 基于粒子群算法的VLSI布线研究 |
| 5.1 粒子群优化算法 |
| 5.2 DPSO优化算法 |
| 5.3 PSO优化算法的改进 |
| 5.3.1 PSO算法的优势与缺点 |
| 5.3.2 粒子群优化算法与遗传算法的比较和改进方法 |
| 5.3.3 杂交PSO算法 |
| 5.3.4 MPSO优化算法 |
| 5.3.5 灾变粒子群算法 |
| 5.4 无网格粒子群优化算法布线的基本思想 |
| 5.4.1 数学模型 |
| 5.4.2 总体访问点阵的生成 |
| 5.4.3 Prufer数编码树 |
| 5.4.4 Prufer数与访问点的关系 |
| 5.4.5 初始化 |
| 5.4.6 非模糊化 |
| 5.4.7 算法描述 |
| 5.4.8 实例仿真和结果 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 博士期间的学术论文及研究成果 |
（8）遗传算法和神经网络在布局子问题中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 布局问题的研究概况 |
| 1.1.1 布局问题的分类 |
| 1.1.2 布局问题的研究概况 |
| 1.2 遗传算法的发展 |
| 1.2.1 参数选择 |
| 1.2.2 遗传算子的改进及算法结构 |
| 1.2.3 与其他算法综合 |
| 1.3 神经网络研究概况 |
| 1.3.1 多层前馈神经网络 |
| 1.3.2 神经网络的特点及其应用前景 |
| 1.4 遗传算法和神经网络在布局问题中的应用 |
| 1.5 本文主要工作 |
| 2 布局问题 |
| 2.1 引言 |
| 2.2 布局优化子问题 |
| 2.2.1 矩形布局优化子问题 |
| 2.2.2 相邻图元与布局方案轨道的划分 |
| 2.2.3 不动点集及布局子问题 |
| 3 遗传算法及其在布局子问题中的应用 |
| 3.1 引言 |
| 3.2 遗传算法理论 |
| 3.2.1 生物学基础 |
| 3.2.2 简单遗传算法 |
| 3.2.3 模式定理 |
| 3.2.4 遗传算法设计 |
| 3.2.4.1 编码方法 |
| 3.2.4.2 选择机制 |
| 3.2.4.3 杂交和变异机制 |
| 3.2.4.4 变异 |
| 3.3 遗传算法的基础理论研究 |
| 3.4 遗传算法执行策略的改进 |
| 3.4.1 遗传算法与模拟退火算法的结合 |
| 3.4.2 遗传算法与局部优化方法结合 |
| 3.4.3 并行遗传算法 |
| 3.4.4 免疫遗传算法 |
| 3.5 遗传算法处理约束优化问题 |
| 3.6 同构布局等价类的改进遗传算法 |
| 3.6.1 同构不干涉布局优化算法 |
| 3.6.2 一些算子说明和定义 |
| 3.6.3 进化中的邻接关系 |
| 3.6.4 关于同构布局等价类的改进遗传算法 |
| 3.6.4.1 关于同构布局等价类的改进遗传算法 |
| 3.6.4.2 改进遗传算法的全局收敛性 |
| 3.6.5 数值实验 |
| 4 神经网络在布局优化子问题中的应用 |
| 4.1 神经网络发展概况 |
| 4.2 神经网络基本原理和学习算法 |
| 4.2.1 人工神经元模型 |
| 4.2.2 神经网络学习方式及学习规则 |
| 4.3 前馈网络和 BP算法 |
| 4.3.1 多层前馈神经网络及其函数逼近能力 |
| 4.3.2 BP算法 |
| 4.3.2.1 反向传播的基础 |
| 4.3.2.2 BP算法 |
| 4.4 布局子问题的改进遗传神经网络算法 |
| 4.4.1 布局优化子问题前向网络 |
| 4.4.2 神经网络结构的寻优 |
| 4.4.3 同构布局等价类中进行布局方案寻优 |
| 4.4.4 数值实验 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 大连理工大学学位论文版权使用授权书 |
（9）改进的O-TREE表示法在求解带总线约束的VLSI电路BBL布局问题中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 IC 及EDA 技术的发展概况 |
| 1.1.1 前言 |
| 1.1.2 EDA 技术的发展 |
| 1.1.3 ESDA 技术的基本特征 |
| 1.2 超大规模集成电路(VLSI)设计流程 |
| 1.3 物理设计过程 |
| 1.4 VLSI 物理设计的布图模式 |
| 1.5 VLSI 布局布线的研究现状和发展态势 |
| 1.6 本论文完成的工作和内容的组织 |
| 第二章 VLSI 物理设计的算法介绍 |
| 2.1 图论算法 |
| 2.1.1 图搜索算法 |
| 2.1.2 最短路径 |
| 2.1.3 最小生成树 |
| 2.1.4 斯坦纳(Steiner)树算法 |
| 2.2 计算智能优化算法 |
| 2.2.1 模拟退火(SA) |
| 2.2.2 遗传算法(GA) |
| 2.2.3 神经网络算法(NNA) |
| 2.2.4 人工蚁群算法(ACS) |
| 2.2.5 禁忌搜索算法(TS) |
| 2.3 计算智能算法在集成电路布局中的应用 |
| 2.3.1 初始布局 |
| 2.3.2 迭代改善布局 |
| 2.3.3 布局的目标函数 |
| 2.4 小结 |
| 第三章 VLSI 布局表示方法的评述 |
| 3.1 引言 |
| 3.2 Non-slicing 布局表示方法研究进展 |
| 3.2.1 序列对SP(Sequence Pair) |
| 3.2.2 传递闭包图TCG(Transitive Closure Graph) |
| 3.2.3 变形网格BSG(Bounded Sliceline grid) |
| 3.2.4 O-Tree 表示法和B*-Tree 表示法 |
| 3.2.5 角模块CBL(Corner-Block-List)及其它Mosaic 布局表示法 |
| 3.2.6 TBT(Twin Binary Tree)布局表示法 |
| 3.2.7 S-Sequence(Segment-State Sequence)布局表示法 |
| 3.2.8 三维(3D)的布局表示法 |
| 3.3 布局表示方法的总结 |
| 第四章 改进的O-TREE 在有约束的VLSI 布局中的应用 |
| 4.1 引言 |
| 4.1.1 三种总线的逻辑结构图及描述 |
| 4.1.2 三种总线的分析和对比 |
| 4.1.3 小结 |
| 4.2 有PCA 约束的布局问题描述 |
| 4.3 改进O-Tree 编码表示方法 |
| 4.3.1 O-Tree 表示法 |
| 4.3.2 约束图(Constraint Graph)和容许布局(Admissible Placement) |
| 4.3.3 O-Tree 布局 |
| 4.3.4 改进的O-Tree 表示 |
| 4.4 算法描述 |
| 4.4.1 目标函数 |
| 4.4.2 算法的设计和伪码描述 |
| 4.4.3 应用模拟退火算法迭代改善布局结果 |
| 4.5 结论 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 进一步的工作与展望 |
| 参考文献 |
| 致谢 |
| 个人简历及在学期间发表的学术论文和工业实践情况 |
（10）VLSI电路非曼哈顿布局和改进蚁群算法的初步研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 ICCAD的发展概况 |
| 1.2 VLSI设计流程 |
| 1.3 物理设计过程 |
| 1.4 布图模式 |
| 1.4.1 全定制设计模式 |
| 1.4.2 半定制设计模式 |
| 1.5 本论文的主要内容及安排 |
| 第二章 VLSI物理设计的布局算法 |
| 2.1 布局中的线长估计 |
| 2.2 布局的目标函数 |
| 2.2.1 基于连线总长的目标函数 |
| 2.2.2 基于割线的目标函数 |
| 2.2.3 基于最大密度的目标函数 |
| 2.2.4 复合的目标函数 |
| 2.3 布局策略 |
| 2.3.1 初始布局 |
| 2.3.2 迭代改善布局 |
| 2.4 成对交换和最小割算法 |
| 2.5 基于数学规划的方法 |
| 2.6 模拟退火算法 |
| 2.7 人工神经网络 |
| 2.7.1 Hopfield神经网络模型 |
| 2.7.2 用神经网络方法求解布局问题 |
| 2.7.3 随机神经网络 |
| 2.8 小结 |
| 第三章 VLSI布线设计及其算法介绍 |
| 3.1 线网布线 |
| 3.1.1 线网布线问题的描述 |
| 3.1.2 线网布线的算法 |
| 3.1.3 布线顺序的影响及处理 |
| 3.1.4 整体布线 |
| 3.2 总体布线 |
| 3.2.1 总体规划图和总体布线图 |
| 3.2.2 总体布线问题的定义 |
| 3.2.3 总体布线算法 |
| 3.3 通道布线 |
| 3.3.1 通道布线的描述 |
| 3.3.2 通道布线的定义 |
| 3.3.3 常见的几种通道布线算法 |
| 3.3.4 开关盒布线问题 |
| 第四章 VLSI中非曼哈顿布局初步研究 |
| 4.1 引言 |
| 4.2 一种新型的非曼布局－HTP结构 |
| 4.2.1 HTP问题的定义 |
| 4.2.2 HS 表示方法 与 CCCP |
| 4.2.3 BBL模式下的HTP算法 |
| 4.3 应用遗传算法迭代改善布局结果 |
| 4.3.1 遗传算法的基本原理 |
| 4.3.2 应用遗传算法求解HTP布局问题 |
| 4.4 实验结果 |
| 4.5 结论 |
| 第五章 一种启发式的增强蚁群算法 |
| 5.1 引言 |
| 5.2 基本蚁群算法简介 |
| 5.3 基本蚁群算法在绕障线网布线问题中的应用 |
| 5.3.1 绕障线网布线中的路径图构造 |
| 5.3.2 基本蚁群算法在绕障线网布线问题中的应用 |
| 5.4 基本蚁群算法的不足及其改进方法 |
| 5.4.1 增强蚁群算法描述 |
| 5.4.2 将本算法应用到多端线网布线 |
| 5.4.3 算法伪代码及实验结果比较 |
| 5.5 结论 |
| 第六章 总结与展望 |
| 6.1 总 结 |
| 6.2 进一步的工作与展望 |
| 参考文献 |
| 致谢 |
| 附录I |
| 个人简历 |
四、BBL布局的均场退火方法（论文参考文献）
- [1]基于GASA算法的C型永磁体中不规则多线圈B0匀场仿真与分析[D]. 陈炜杰. 厦门大学, 2018(02)
- [2]多目标动态车间设施布局研究综述[J]. 徐双燕,丁祥海,陶俐言. 机械研究与应用, 2012(06)
- [3]多尺度土地资源配置研究[D]. 尹珂. 西南大学, 2010(08)
- [4]基于智能优化算法的网格任务调度策略研究[D]. 薛桂香. 天津大学, 2008(07)
- [5]求解蛋白质结构预测问题及矩形packing问题的启发式算法[D]. 刘景发. 华中科技大学, 2007(05)
- [6]求解蛋白质折叠问题的拟物拟人算法[D]. 陈矛. 华中科技大学, 2007(05)
- [7]基于蚁群算法的超大规模集成电路布线研究[D]. 黄训诚. 西安电子科技大学, 2007(05)
- [8]遗传算法和神经网络在布局子问题中的应用[D]. 曾明华. 大连理工大学, 2005(03)
- [9]改进的O-TREE表示法在求解带总线约束的VLSI电路BBL布局问题中的应用[D]. 李煜. 电子科技大学, 2005(07)
- [10]VLSI电路非曼哈顿布局和改进蚁群算法的初步研究[D]. 杨波. 电子科技大学, 2004(01)