一、网络拓扑搜索技术研究（论文文献综述）
陈煌[1]（2021）在《列车通信以太网网络重构及性能优化研究》文中研究说明随着列车通信网络（Train Communication Network,TCN）所承载的数据信息呈现海量化和多源化,列车通信以太网由于其高带宽和高兼容性等优势而成为TCN重点研究和发展的方向。然而,面对通信系统规模和功能复杂度的迅速增长,列车通信以太网存在的流量调度弱和拓扑管理差等缺点日益凸显,极易出现流量传输异常、通信链路中断等性能衰退或者故障现象,进而引发列车控制信息错误甚至系统功能紊乱,危及列车的安全可靠运行。网络重构优化理论,是在故障诊断和性能分析的基础上,对特定网络资源和功能进行抽象和分解,并根据所需的优化目标合理地分配和设计功能单元。所以,该理论能够对故障状态下的通信网络进行主动地传输调度恢复和网络性能调优,快速有效地抑制故障和性能异常对通信的影响。因此,为了保障列车的高效安全运行,满足列车通信以太网对故障处理能力和性能调优的更高要求,网络重构优化理论作为一种具备故障自恢复与性能优化的综合化智能容错设计理论,值得进行深入的研究。本文围绕列车通信以太网的网络故障管理与性能优化问题,以网络资源调度自调整和拓扑路由自恢复作为重点研究对象,提出了列车通信以太网网络重构及性能优化策略,包括:网络资源预调度重构、子网网络资源动态调度重构和网络拓扑路由重构。本文主要工作与研究成果如下:1、针对系统间多核心的协同预调度最优配置问题,提出了一种基于自适应趋化细菌觅食算法（BFO with Self-adaptive Chemotaxis strategy,SCBFO）的网络资源预调度重构策略。针对列车通信以太网系统间多网络核心的流量传输协同预调度,在基于时间触发机制的网络结构下,首先构建了列车通信以太网的系统间实时流量资源协同传输模型;再提取特征周期与时间初相作为预调度重构优化的关键,形成了统一时间标签下的预调度约束条件与性能优化目标;最后,提出了一种基于SCBFO的网络资源预调度重构策略,兼顾了重构的优化效果、搜索速度和搜索稳定性。2、针对列车编组网（Ethernet Consist Network,ECN）子网的快速动态调度自调整需求,提出了一种基于多目标模糊粒子群算法（Multi-objective Fuzzy Particle Swarm Optimization,MOFPSO）的子网网络动态调度重构策略。根据ECN子网的网络分割独立特性,建立了以网络交换机为核心的子网传输结构分析方法;再根据ECN子网交换式传输基础,对子网内实时流量的动态调度控制进行了时域化建模与特征排序,对通信链路传输进行了可变时间窗划分,并据此形成了动态调度重构的约束条件与优化目标;提出了一种基于MOFPSO的子网网络资源动态调度重构策略,快速地完成了流量异常状况下ECN子网调度表的动态调度重构设计优化。3、针对故障下拓扑路由规划的最优化问题,提出了基于差分进化混合禁忌算法（Differential Evolution hybrid Tabu algorithm,TDE）的网络拓扑路由重构策略。在实际运行的列车通信以太网网络结构的基础上,建立了网络拓扑架构稀疏化模型,涵盖了节点状态矩阵、端口连通矩阵和有向通信链路矩阵;设计了针对流量传输的拓扑路由性能综合评价指标,包括通信链路负载率、转发时延和传输抖动等,形成了完整的网络拓扑路由模型体系;最后,提出了一种基于TDE的网络拓扑路由重构策略,快速且有效地应对了通信链路故障所带来的网络拓扑突变。4、为了验证网络重构优化的实际应用有效性问题,设计并搭建了基于列车通信以太网的网络重构优化实验平台。依据所提出的列车通信以太网网络重构优化策略,以TRDP地铁列车实车通信网络为基础,设计了网络资源和通信链路的实时监测控制方案,完成了列车通信以太网重构优化实验平台的搭建。通过实际实验平台测试,证明了网络资源预调度重构、ECN子网网络资源动态调度重构和网络拓扑路由重构策略的有效性,从而表明所提出的网络重构优化策略为列车通信以太网的智能容错设计研究提供了一种新型的优化方案。
李海啸[2]（2021）在《面向智能工厂的无线传感器网络定位技术研究》文中研究说明随着传感技术、无线通信技术、嵌入式技术、分布式处理技术和微电子技术等快速发展和成熟,无线传感器网络应运而生并广泛应用在智慧医疗、智能交通、军事侦查、智能家居、绿色环保、智能工业等领域。无线传感器网络由大量传感器节点组成,形成一个自组织、可扩展、点到点通信、多跳传输的无线网络,通过环境感知、信息融合和数据传输,将大量感知信息传递给观测者。在无线传感器网络的众多应用中,感知信息不仅仅包括感知数据,还应包括感知数据所在的具体位置信息,没有具体位置信息的感知数据是毫无意义的,因此节点定位技术是无线传感器网络的重要的、基础性的技术之一。而以无线传感器网络为主体的泛在感知计算网络是智能工厂的重要感知和监测基础。在智能工厂中,决策者或智能分析系统能够准确分析当前情况和决策采取下一步有效措施的重要依据是需要感知、采集大量的环境、人员、设备和能源等重要参数信息。大部分感知信息都是位置相关的,所以在智能工厂中,对自动引导小车的定位和轨迹追踪、对内部人员或外来人员的定位、对监测区域特征参数或事件的定位都离不开无线传感器网络定位技术。根据监测对象的数量和性质以及采用定位技术的不同,无线传感器网络定位算法主要分为:静态定位和动态定位、基于测距定位和基于非测距定位、单目标定位和多目标定位。此外定位技术还应满足定位时间和定位精度的要求。通过对国内外大量关于无线传感器网络定位技术相关文献的研究,掌握了当前备受大家认可的无线传感器网络定位技术,对无线传感器网络在智能工厂的不同应用领域中如何提高定位精度、减小定位时间、如何改善算法鲁棒性等方面进行研究。本文主要的研究内容和改进如下:（1）基于非测距的距离矢量—跳段（Distance Vector-Hop,DV-Hop）定位算法的研究。针对DV-Hop定位算法定位误差大的问题,本文提出了基于一般误差向量修正和基于模糊聚类的误差向量修正的DV-Hop定位算法。改进算法根据无线传感器网络拓扑结构（节点单一区域分布和节点分区域分布）构建相似度函数,利用锚节点与未知节点的最小跳数得到节点间的相似度值,再利用预设的相似度阈值选择与未知节点相似度达到一定条件的锚节点组成锚节点集合,对集合中的锚节点进行重定位得到锚节点的位置估计值,根据锚节点的真实位置和估计位置依据仿射空间原理得到每个锚节点的定位误差向量或修正向量,最后利用多个锚节点的误差向量或修正向量加权平均得到未知节点的定位误差向量或修正向量,进一步优化未知节点的估计位置。实验表明,改进算法能有效提高无线传感器网络不同网络拓扑下DV-Hop非测距定位算法的定位精度。（2）基于测距的三边加权质心定位算法的研究。针对基于RSSI测距的定位算法的定位精度受信号噪声和环境干扰较大的问题,对基于RSSI测距定位算法进行了三个方面的改进:首先,针对传统三边加权质心定位算法锚节点的选择不当导致定位误差大的问题,提出了双集合组合法寻找满足一定条件的三个锚节点用于三边定位。其次,针对RSSI测距容易受到环境噪声和设备脉冲信号的小概率大干扰事件影响造成RSSI测距精准度低的问题,提出了结合量子粒子群优化的模糊C均值聚类过滤算法以消除基于RSSI测距的小概率大干扰事件,再利用假设检验方法检验过滤后的RSSI三元组的准确性。最后,提出参考点加权质心定位算法解决了传统三边加权质心算法在噪声和脉冲干扰下定位成功率不高且误差较大的问题。实验通过CC2530传输模块和Tiny OS2开发平台验证了改进的三边加权质心定位算法的有效性。（3）针对移动无线传感器网络的蒙特卡罗定位盒子算法的研究。蒙特卡罗定位盒子算法是一种基于锚节点信息限制的蒙特卡罗样本抽样定位算法,可用于智能工厂中对移动目标的定位和跟踪。为解决蒙特卡罗盒子定位算法的采样效率低、迭代次数多、样本退化、采样随机性的问题,本文在传统蒙特卡罗定盒子定位算法的采样阶段,根据灰色系统预测理论增加了灰色模型预测采样功能,将在样本盒子中随机采样过程改进为根据前期的样本位置进行灰色模型预测采样,使预测样本与未知节点当前的真实位置更接近,因此采样预测更具有目的性、针对性和方向性,提高了采样效率,减少了迭代次数。实验仿真表明,改进算法能够有效防止随着时间段的增加而采样样本退化,显着提高智能工厂移动目标的定位精度,减少定位响应时间。（4）基于压缩感知的稀疏多目标定位算法研究。针对传统基于压缩感知多目标定位算法感知矩阵维数大、计算复杂度高、网格边长难以细化等问题,本文提出了基于压缩感知的两阶段多目标定位算法。在大规模定位阶段,将监测区域依据部署的传感器进行Voronoi图划分,将多目标确定在每个子区域中,并在所有子区域中进行贪婪匹配追踪算法重构目标稀疏位置向量,得到包含目标的候选网格。在精细定位阶段,对选出的候选网格依据网格最小边长定理进行细化,对每个子区域中候选网格组成的本地区域内采用1-稀疏度位置向量贪婪匹配重构算法得到目标所在的细化网格,并以细化网格作为目标的最终位置。基于压缩感知的两阶段多目标定位算法既提高了的定位精度,也减小了稀疏重构感知矩阵的维数,降低了算法复杂度,减小了定位响应时间。最后通过实验仿真验证了改进算法的效果,可以用于对智能工厂监测区域的稀疏多目标进行有效定位。（5）基于多维标度的协作式多目标定位算法研究。为解决无线传感网络多维标度定位精度容易受最短路径估计距离误差影响的问题,改善多维标度定位算法的初始估计位置,提出一种基于模拟退火优化的无线传感器网络多维标度定位算法。首先利用RSSI接受信号强度测距并建立距离矩阵,使用多维标度方法和锚节点信息得到节点的初始估计绝对坐标,再利用测距信息和节点的权重系数构造模拟退火优化算法的胁强系数,通过模拟退火优化算法良好的全局搜索能力不断迭代优化求解节点的最优位置。通过实验仿真验证了基于模拟退火优化的多维标度定位算法即使在C型网络和测距噪声存在的情况下也能够具有较低的平均定位误差和较高的网络覆盖率,而且非常适于应用在智能工厂基站数量少的环境。本文系统地研究了无线传感器网络基于测距定位和基于非测距定位、静态定位和动态定位、单目标定位和多目标定位的相关技术,提出了5种创新和改进方案,并通过大量的实验验证了所提算法的有效性和可行性。实验结果表明,本文所提的5种定位方案是无线传感器网络定位技术的重要创新和改进,可以应用在智能工厂无线传感器网络多个定位领域,有非常重要的现实意义和应用价值。
杭志[3]（2021）在《基于电气距离的电力系统网络拓扑结构可视化研究》文中指出现有的电力系统网络拓扑结构可视化主要是采用单线图和地理接线图的形式,拓扑结构只考虑连通性,无法反应电网的电气连接强度。基于电气距离的电力系统网络拓扑结构既可以反映拓扑连接关系也能反映电网电气连接强度,因此,对其开展可视化工作有重要意义。针对上述问题,本文提出一种投影降维法,通过数据降维将高维复杂的基于电气距离构建的拓扑结构降至低维空间实现可视化,使用改进粒子群算法优化降维过程和个别节点坐标,提高可视化拓扑结构表征电气距离的能力,最后提出不同的可视化展示方法增强拓扑结构的易读使用性。具体内容如下:（1）基于电气距离的网络拓扑结构由各母线节点位置坐标所描述,位置坐标是该节点距离参考节点的电气距离,拓扑结构中高维的节点位置信息无法实现可视化。因此,本章提出一种投影降维法将高维度的节点坐标信息降维,使用梯度下降法求解投影超平面,将所有节点投影到超平面上进行坐标系重建,重新计算节点坐标,实现数据投影降维,绘制三维拓扑结构和二维拓扑结构实现可视化。通过IEEE39节点系统和山东电网模型说明该方法的有效性。（2）为提高可视化图形反映电网电气连接强度的能力,对投影降维实现可视化进行优化。以相关性最高为搜索目标优化投影超平面的求解;通过散点图分析,发现有极个别节点不适应当前的坐标系,重新计算节点坐标提高网络拓扑结构可视化图形的准确性。选定粒子群算法进行求解并针对本文的优化问题进行适应性改进。通过IEEE39节点系统和山东电网模型验证优化的有效性。（3）为了增强拓扑结构的易读使用性,提出不同的可视化展示方法。对于二维拓扑结构,以余弦相似性最优为目标进行拓扑结构镜像对称和旋转,使得二维平面中拓扑结构与实际地理位置基本对应。对于三维空间下的拓扑结构,分别使用图形和实物两种展示方法,图形展示基于三视图的概念,展示三维空间下拓扑结构的主视图,左视图和俯视图。实物模型展示则使用3Dmax软件进行三维拓扑结构数学建模,借助3D打印技术制作实物模型展示。
向超[4]（2021）在《基于数据挖掘的告警关联算法研究与应用》文中提出随着电信网络的飞速发展和网络规模的扩大,人们对电信网络的稳定运行提出了非常高的要求。面对这种情况,电信网络运维人员必须要精准找到产生故障的根本原因并快速解决故障。虽然网络中的故障是以告警的形式呈现,但是由于网络中的设备与组件存在关联,一个设备产生故障会导致相关联的组件或设备也产生故障,从而引发告警风暴,增加了找到故障根源的难度。面对海量的告警数据,准确地分析定位告警根源是解决故障的关键所在,对于提高网络运行的稳定性具有重要意义。本论文将运用数据挖掘的方法挖掘告警之间的关联关系以帮助网络运维人员准确定位根源告警解决故障。本论文主要的研究工作如下:1、电信网络系统产生的告警数据,如果不经处理直接挖掘告警的关联关系的话,那会消耗大量的时间和资源去处理海量的重复且不重要的告警,影响挖掘的质量。因此,需要对告警数据进行预处理,以过滤掉网络中发生频率高、持续时间短的颤动告警,降低对告警关联分析的影响,提高定位故障根源的准确性。2、在电信网络中,网络设备或组件相互关联,当网络中的某些组件产生故障会沿着调用链进行传播。从数据分析的角度建立告警网络拓扑图以分析告警传播规律是进行告警关联分析与根源分析的重要方法。因此,本论文将从告警数据集中学习得到告警贝叶斯网络,并结合Spark计算引擎提高学习速度,同时结合最小生成树算法,提炼出网络拓扑图的主干路径以优化网络拓扑图。3、序列模式挖掘能够找到数据之间潜在的关系,其研究意义巨大,并且该方法在告警关联分析领域内应用广泛。因此,本论文将基于时间序列模式挖掘告警之间的关联关系。针对GSP算法需要多次遍历序列集以及产生大量候选序列模式导致算法运行时间长的不足,本文对GSP算法做出相应的优化,改进后的算法基于字典搜索树的数据结构能有效减少算法的运行时间,但消耗了更多的内存空间。针对Prefix Span算法消耗内存巨大可能会导致内存溢出的缺陷,本文对Prefix Span算法做出相应的优化,改进后的算法基于二元组链表索引树的数据结构能有效减少内存空间地使用,运行时间与未改进的Prefix Span算法相接近。4、基于以上理论和实验结果,设计了告警溯源AIOps系统,详细介绍了系统的模块设计和实现。
段建丽[5]（2020）在《海域立体监测网络拓扑优化与智能接入机制研究》文中认为建设海域立体监测网络是实施海洋强国战略、提高我国海洋综合实力的重要基础工作,为认知海洋、开发海洋、利用海洋、保护海洋、管控海洋提供信息数据服务,对于促进海洋科学研究、提高海上应急响应能力、促进沿海地区经济社会发展、维护国家海洋权益具有重要作用。然而,海洋监测网络的发展远低于陆地监测网络,迫切需要针对海洋监测网络部署中的关键问题开展研究。网络拓扑优化以及接入控制是海域立体监测网络部署建设要解决的首要科学问题。为此,本文对当前海洋监测网络架构、部署以及接入技术现状进行了综述,网络拓扑多目标优化问题、面向能源可持续性的网络拓扑优化问题提出了对应的解决方案,并针对海洋声学特性和节点能量收集随机特性提出智能网络接入方案。论文的主要工作如下:首先,基于海域立体监测网络（Stereoscopic Marine Monitoring Networks,SMMNs）架构,以最小化网络部署成本同时最大化网络寿命为目标,在网络拓扑、网络连接性、数据流量和节点电池容量的约束下,建立了一个多目标优化问题（SMMN Topology Multi-objective Optimization,STMO）数学模型,随后,提出了基于贪婪策略和蚁群群智能策略的高效拓扑优化算法,并对所提算法的时间复杂度进行了分析,对模型的有效性和算法的性能进行了大量数值仿真实验测试。其次,将潮汐能量收集技术融合到海域立体监测网络架构中,构建起基于能量收集的 SMMN 网络（Energy Harvesting based SMMN,EH-SMMN）模型。综合考虑节点能量收集特性、海洋通信传输损失大网络带宽有限等特征,结合树状网络拓扑、数据流量等约束条件,建立了一个以最小化网络部署成本为目标的能源可持续海域立体网络布局优化（EH-SMMN Topology Optimization,ESTO）问题数学模型。针对多层异构网络拓扑优化问题,提出了基于路径搜索和集合覆盖的网络拓扑优化算法,并进行复杂度分析和仿真实验。最后,为了研究潮汐能供电的监测网络性能,捕获能量收集和流量到达的随机性以及水声通信信道特性,本文首先建立了一个Markov链通用模型,并对平均就绪节点数和吞吐量进行了理论分析。综合考虑信息价值（Value ofInformation,VoI）、吞吐量和公平性,建立了一个以最大化节点信息价值加权吞吐量为目标的优化问题数学模型,并设计了基于深度强化的动态接入方案。在全局网络信息不可用的动态网络环境中,网络节点采用深度强化学习技术,根据环境交互情况来选择传输概率。仿真结果表明所提算法的性能大大优于基于固定传输概率的接入算法和传统的随机轮询方法。
方晓兵[6]（2020）在《应用驱动的虚拟网络切片计算与维护关键技术研究》文中提出随着互联网的发展,人们对网络质量的要求越来越高,不同类型的应用对网络质量有不同的要求。为此,下一代移动网络联盟（Next Generation Mobile Networks,NGMN）提出了网络切片的概念,旨在利用NFV/SDN等技术将物理网络划分为可以满足不同应用QoS（Quality of Service,服务质量）需求的逻辑子网。目前学术界和工业界对于网络切片技术的研究大多针对运营商网络,鲜有对公有云中的虚拟网络切片问题进行研究。多云数据中心互连（Multi-Cloud Data Center Interconnect,Multi-Cloud DCI）网络具有规模大、波动性强的特点,与质量稳定的运营商网络相比,进行虚拟网络切片计算与维护的难度更大。本论文对Multi-Cloud DCI网络中虚拟网络切片计算与维护技术进行了研究,主要工作分为以下几个方面:（1）介绍了网络切片的概念和相关技术,通过对现有文献资料的研究,总结分析了网络切片技术涉及的关键问题,阐明了本论文的研究背景和研究目标。（2）针对Multi-Cloud DCI网络的特点,设计了一套面向应用QoS需求的虚拟网络切片计算方法和虚拟网络切片维护方法,并在课题组已有的网络计算平台——POCOMPUTING中进行了实现。（3）以课题组已有的SDWAN系统—POCO系统为基础,设计实现了虚拟网络切片自动规划系统。虚拟网络切片自动规划系统可以与本论文设计实现的虚拟网络切片计算维护功能以及课题组已有的自动化部署系统、多云管理系统进行配合,实现从虚拟网络切片计算到POCO系统部署使用整个流程的自动化。（4）在公有云中对本论文设计实现的虚拟网络切片计算功能、虚拟网络切片维护功能和虚拟网络切片自动规划系统进行了详细的测试,验证了运行结果的正确性和系统运行效率。
石优[7]（2020）在《无线传感器网络中高可靠数据传输技术的研究》文中研究说明如今,随着互联网通信技术的飞速发展,物联网技术已然成为新一代信息技术的重要组成部分。无线传感器网络（Wireless Sensor Network,WSN）作为物联网底层网络的重要技术,已然成为当今的研究热点领域。随着无线传感器网络的应用越来越广泛,各应用场景对无线传感器网络的数据可靠传输要求逐渐提高。无线传感器网络容易受到应用现场环境、有限的网络节点性能、传输路径较多以及节点不规律移动等多种不利因素的影响,数据传输时容易出现错误、冗余、高能耗等问题。这将导致无法保障数据的可靠传输,使得物联网底层的数据采集工作无法完成。因此,如何提高无线传感器网络的数据传输可靠性成为如今的热点问题。无线传感器网络在数据传输过程中容易受到场景环境等因素的影响,通过总结无线传感器网络数据传输可靠性的现有研究可知,在多种复杂因素中,对数据传输可靠性的影响最大的是传输链路的网络能耗问题和节点消息队列的网络拥塞问题。无线传感器网络的动态拓扑会带来传输失败,引起传输负载增高问题,从而使得网络能耗增加;网络拥塞会直接堵塞传感器节点的存储空间,导致消息滞留,产生数据爆炸。因此,保障无线传感器网络数据传输可靠性的关键,是降低整体传输链路能耗以及解决节点消息队列中的网络拥塞。通过分析相关研究领域的现有研究方法,针对影响无线传感器网络可靠数据传输的两个关键因素,本文提出了相应的研究目标和解决方法,从而提高网络的数据传输可靠性。本文的主要工作和贡献如下:（1）针对无线传感器网络中网络拓扑动态变化,网络能耗过高等问题,本文提出了一种能够将动态网络静态化的低能耗数据转发路由。无线传感器网络中,节点不断的随机移动,导致网络拓扑无法使用传统的静态计算方法,同时,动态的网络拓扑会带来很高的网络开销。针对此问题,本文提出了一种能够将动态网络静态化的低能耗数据转发路由方案。首先,利用基于辅助的数据传输方法,在无线传感器网络中引入传感器节点位置信息和移动sink节点作为通信模型的辅助,然后利用时间扩展图建立基本通信模型,最后将最小代价流算法跟时间扩展图通信模型相结合,通过可行流的计算,在时间轴上寻找网络开销最小的数据传输路径。（2）针对无线传感器网络中数据采集和传输具有不规律性,容易发生网络拥塞等问题,本文提出了一种高效的网络拥塞控制机制。由于无线传感器网络的网络节点具有不规律的移动性,网络拓扑动态变化,而网络节点的自适应能力有限,无法做到以较高的精度将网络节点的瞬时队列长度控制在安全范围内。针对上述精度不高问题,本文结合网络拥塞的特征和模糊PID控制器和元启发算法的特点,设计了一种基于布谷鸟搜索算法的模糊PID网络拥塞控制机制。利用PID控制器快速收敛能力对无线传感器网络中的拥塞现象进行有效的调整控制,并通过模糊控制算法对PID控制器进行参数整定,通过优化其自适应能力来提高其计算精度;再根据模糊PID控制计算出的实时丢包率,利用布谷鸟搜索算法（CS）对其进行在线优化,进一步提升精度,得到精度最优的丢弃概率。
王宗晖[8]（2020）在《基于IEC 61850的拓扑自适应分布式馈线自动化研究》文中指出近年来,随着用户对供电可靠性要求越来越高以及分布式能源大量接入,配电网的运行方式变得越来越复杂,采用传统的保护技术与控制技术已经无法适应日益增加的供电可靠性要求。分布式控制技术利用分散式分布的量测信息提高控制性能,同时可以不依赖于主站完成控制,避免了主站集中式通信和数据处理延时长的缺点。配电线路具有多分段、多联络的结构,实际运行时其实时拓扑会随运行方式优化、故障处理等发生变化,而部分分布式控制策略需要实时拓扑作为决策的依据,故分布式控制需要解决拓扑的动态识别自适应问题。对于分布式控制应用,需要对馈线拓扑进行适当的表达基础上,将局部拓扑信息合理的配置在智能终端上,实时运行动态搜索更新拓扑才能解决拓扑自适应问题。针对以上问题,本文首先分析了三种不同模式馈线自动化的工作原理及其各自的特点。综述了IEC 61850应用于馈线自动化的情况,确定了基于IEC 61850实现拓扑动态识别的思路。通过分析配电线路结构及分布式馈线自动化对于拓扑的需求,使用IEC61850建模方法,新建了单元拓扑逻辑节点和拓扑片逻辑节点,构建了使用逻辑节点表达配电线路局部拓扑及其配置方法。该方法不需要对线路各段导线进行命名,简化了拓扑结构的描述,工程应用配置较少。在新建拓扑逻辑节点配置的基础上,研究了一种基于点对点通信的实时拓扑搜索识别方法。该方法将相邻智能终端的通信参数配置到本终端上,通过点对点通信方法相互交换终端配置的拓扑逻辑节点信息。各终端通过单元拓扑节点以及拓扑片节点配合表示局部拓扑信息。使用配电终端配置的拓扑片信息和当前的开关设备状态信息,基于深度优先搜索可实现馈线实时拓扑的识别。搜索时先在本拓扑片内进行单元拓扑节点的搜索,搜索进行到拓扑边界时,通过通信获取相邻终端的拓扑信息,进行跨拓扑片的单元拓扑节点的搜索,逐级搜索最终获得配电线路的实时拓扑,实现了分布式控制应用对于配电网拓扑动态改变的自适应。算例验证了方法的可行性。使用逻辑节点表达配电线路拓扑,可以将拓扑识别与配电终端的其他功能使用相同的方法进行配置、访问,工程配置和使用一致性较好。基于拓扑逻辑节点的实时拓扑识别方法可以更好的支撑分布式馈线自动化的应用,也可进一步应用到其他分布式控制应用中,满足配电网的运行控制要求。
王子恒[9]（2020）在《基于GPU加速的电网拓扑分析技术研究》文中研究表明近年来,我国电力工业发展迅速,逐渐形成了全国性特高压互联大电网。交直流混联大电网对电力调度系统的实时性和准确性提出了更高的要求。电网拓扑分析作为电力系统各高级应用的基础,为潮流计算、状态估计等在线分析应用提供初始数学模型。传统的串行拓扑分析模式在大规模电网的背景下存在计算量大、计算效率低等问题,难以满足电力调度系统实时性的要求。所以针对大规模电网开发计算速度快、准确度高的电网拓扑分析算法具有很强的现实意义。本文将图形处理器（Graphics Processing Unit,GPU）作为CPU的协处理器,采用先进的CPU+GPU混合架构对电网拓扑分析算法进行并行加速,具体研究内容如下:首先,对GPU并行技术进行了研究,从GPU和CPU的性能比较出发对GPU硬件特点进行了介绍。GPU软件方面,详细描述了GPU的线程组织模型和存储器管理方式,并给出了GPU并行优化方法和内核性能评价指标。其次,对电网拓扑模型进行了构建,对相关概念做出了定义。以树状搜索法为基础,介绍了电网拓扑分析的基本流程。研究了混合架构中CPU和GPU的任务分配策略,CPU负责算法流程控制,GPU则对算法中运算复杂的部分进行并行加速。进一步,对GPU内核函数进行了概述。以广度优先并行搜索算法为基础,提出了厂站拓扑分析并行算法和网络拓扑分析并行算法。对电网拓扑分析中最为关键,逻辑最为复杂的这两部分进行了并行度挖掘,并且通过合并访存等手段对其进行加速优化。以上述研究为前提,设计了厂站拓扑分析和网络拓扑分析的并行算法内核函数。最后,基于专业的GPU计算卡K40C,对华东电网3个不同规模的算例进行算法性能测试。结果表明,本文提出的厂站拓扑分析并行算法和网络拓扑分析并行算法相较于传统的串行算法均有较大幅度的加速。对于223953物理节点的电网,厂站拓扑分析并行算法的加速比达到了30.7,电网拓扑分析总时间为53.48ms。
戴晶帼[10]（2020）在《多节点复杂贝叶斯网络结构学习方法研究》文中提出以贝叶斯网络（Bayesian Network,BN）为典型代表的概率图模型具有清晰透明的变量间因果关系表示形式,能够支持基于数据驱动的建模方法,并能够利用条件概率描述变量间的依赖程度,为机器学习提供了在概率空间下的理论模型框架。在运用BN理论解决实际问题时,首要任务是根据研究对象构建变量间内在关系的图形化表示模型。然而在BN模型构建过程中,模型结构搜索空间规模将随着变量个数的增加呈指数级增长,尤其当面对多节点复杂BN模型结构训练问题时,挖掘各节点间的关联关系具有极高的时间和空间复杂度。针对该问题,论文采取图模型分解思想,将多节点复杂BN结构学习任务划分成一系列中小规模BN结构优化的子任务,通过构建中小规模BN结构训练方法,来提高局部邻域结构的学习精度和计算效率,在此基础上,将上述方法应用于大规模BN拆分后的子图结构学习中,并通过合并子图最终完成大型有向无环图的构建。论文的主要研究工作如下:（1）提出一种基于双尺度约束模型的BN结构自适应学习算法,解决了由于结构搜索空间约束不合理导致迭代寻优过程中丢失潜在最优解的问题。该算法将最大互信息和条件独立性（Conditional Independence,CI）测试结合,建立结构搜索空间大尺度约束模型,完成结构搜索空间的初始化。在此基础上,结合遗传算法的进化过程建立小尺度约束模型,利用评分函数和结构复杂度评估模型,实现结构搜索空间小尺度动态缩放。仿真结果表明:在处理中小规模BN（节点个数<50）结构训练任务时,与其它群智能优化算法比较,论文提出的新算法准确度提高了17.2%72.3%。（2）提出一种基于改进进化方法的BN结构混合学习算法,解决了由于随机性搜索导致优异子结构被破坏,以及马尔科夫等价类结构辨识困难导致的无效搜索问题。该算法考虑模型局部邻域特征,利用评分函数的可分解性建立结构评分记忆模型,使得BN中的优异子结构能够传递给后代个体,从而提高结构学习算法的收敛速度;此外,通过构造同一等价类结构的统计模型,及时反馈当前候选结构的多样性情况,在此基础上执行不同的修正操作,能够保证种群的多样性。仿真结果表明:在完成变量个数少于50个的BN建模任务时,与性能优异的最大最小爬山（Max-Min HillClimbing,MMHC）算法相比,论文提出的新算法学习精度平均提高了约25.5%;与其它群智能优化算法比较,论文提出的新算法收敛速度平均提升了约4倍。（3）提出一种基于三阶段马尔科夫覆盖快速发现方法的无向独立图构建算法,解决了低效CI测试导致大规模BN的无向独立图构造时间成本增加的问题。该算法通过引入一个约束阈值和最大信息系数建立马尔科夫覆盖过滤模型,删除弱关联关系的连接边,从而限制候选马尔科夫覆盖搜索空间的规模;在此基础上,利用局部拓扑特性,优先执行有效的CI测试,避免高阶检验过程,减少CI测试的次数。仿真结果表明:当网络节点个数大于50时,与其它马尔科夫覆盖发现方法比较,论文提出的新算法执行CI测试的次数平均减少约6倍,CI测试的阶数平均降低约7倍。（4）提出一种基于图划分的大规模BN结构递归学习算法,解决了无先验知识情况下大规模BN的无向独立图的有效分割问题。该算法根据网络结构的局部拓扑特征评估各节点在信息传播过程中的重要性程度,在此基础上设计了一种基于局部拓扑信息的大规模BN的无向独立图分解模型;同时利用分解后的子图结构特征,设计有效的分解终止条件。仿真结果表明:在BN包含的节点个数大于100的情况下,与性能优异的MMHC算法比较,论文提出的新算法准确度平均提高了26.7%,且运行时间平均减少了24%;与其它典型的结构学习算法相比,论文提出的新算法能够在学习精度和计算效率之间取得良好的平衡。
二、网络拓扑搜索技术研究（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、网络拓扑搜索技术研究（论文提纲范文）
（1）列车通信以太网网络重构及性能优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 列车通信以太网性能优化研究 |
| 1.2.1 网络协议与应用现状 |
| 1.2.2 网络架构与性能指标 |
| 1.2.3 国内外研究现状 |
| 1.2.3.1 调度控制优化研究 |
| 1.2.3.2 路由管理优化研究 |
| 1.3 网络重构优化基本问题与研究现状 |
| 1.3.1 网络资源调度重构理论 |
| 1.3.1.1 列车通信以太网网络资源调度 |
| 1.3.1.2 预调度重构研究现状 |
| 1.3.1.3 动态调度重构研究现状 |
| 1.3.2 网络拓扑路由重构理论 |
| 1.3.2.1 列车通信以太网网络拓扑路由 |
| 1.3.2.2 网络拓扑路由重构研究现状 |
| 1.4 论文整体结构与内容 |
| 1.4.1 本文研究的主要问题 |
| 1.4.2 整体研究架构 |
| 1.4.3 章节安排 |
| 2 基于SCBFO的网络资源预调度重构策略 |
| 2.1 引言 |
| 2.2 系统间网络资源预调度模型 |
| 2.2.1 时间触发流量通信原理 |
| 2.2.2 系统间实时流量传输结构建模 |
| 2.2.3 预调度重构约束与优化目标 |
| 2.3 自适应细菌觅食算法设计 |
| 2.3.1 细菌觅食算法架构与建模 |
| 2.3.2 自适应趋化控制改进设计 |
| 2.3.2.1 基于细菌搜索自调整趋化曲线的游动位移 |
| 2.3.2.2 基于细菌间信息交流的翻转方向改进 |
| 2.3.3 SCBFO算法整体流程设计 |
| 2.4 算法性能与稳定性测试分析 |
| 2.4.1 实验环境与参数配置 |
| 2.4.2 算法结果与性能分析 |
| 2.4.2.1 最优解优化结果分析对比 |
| 2.4.2.2 最优解搜索趋势分析对比 |
| 2.4.2.3 最优解优化稳定性分析对比 |
| 2.5 预调度重构模拟实验与评估 |
| 2.5.1 系统间网络资源模拟实验模型设置 |
| 2.5.2 预调度重构优化结果与分析 |
| 2.6 本章小结 |
| 3 基于MOFPSO的子网网络资源动态调度重构策略 |
| 3.1 引言 |
| 3.2 ECN子网资源动态调度建模 |
| 3.2.1 ECN子网调度模型分析 |
| 3.2.2 ECN子网资源模型时域化 |
| 3.2.3 动态调度重构约束条件 |
| 3.2.4 动态调度重构分配策略目标 |
| 3.3 多目标模糊粒子群算法设计 |
| 3.3.1 多目标粒子群算法设计 |
| 3.3.2 状态自评估模糊控制器设计 |
| 3.3.3 MOFPSO算法整体框架设计 |
| 3.4 动态调度重构模拟实验与分析 |
| 3.4.1 实验环境设置 |
| 3.4.2 重构策略参数设定 |
| 3.4.3 实验结果与分析 |
| 3.4.4 子网规模调整与优化分析 |
| 3.5 本章小结 |
| 4 基于TDE的网络拓扑路由重构策略 |
| 4.1 引言 |
| 4.2 列车通信以太网网络拓扑架构建模 |
| 4.2.1 ETB与 ECN网络拓扑结构分析 |
| 4.2.2 网络拓扑架构稀疏化建模 |
| 4.2.3 路由性能分析与约束条件 |
| 4.3 差分进化混合禁忌算法设计 |
| 4.3.1 差分进化算法架构与建模 |
| 4.3.1.1 参数向量初始化 |
| 4.3.1.2 差分变异操作 |
| 4.3.1.3 向量交叉重组 |
| 4.3.1.4 贪婪选择操作 |
| 4.3.2 禁忌搜索混合改进设计 |
| 4.3.3 TDE算法整体框架设计 |
| 4.4 拓扑路由重构模拟实验与分析 |
| 4.4.1 模拟实验环境设置 |
| 4.4.2 重构策略参数设定 |
| 4.4.3 重构优化结果与分析 |
| 4.5 本章小结 |
| 5 基于列车通信以太网实验平台的重构优化实验 |
| 5.1 引言 |
| 5.2 网络重构优化实验平台设计 |
| 5.2.1 列车通信以太网实验平台总体设计 |
| 5.2.2 网络故障重构优化实验设计 |
| 5.2.3 网络实时资源与异常流量设计 |
| 5.3 基于TRDP的网络性能监控设备设计 |
| 5.3.1 基于MIB的网络性能状态感知 |
| 5.3.2 基于TRDP的网络重构通信设备 |
| 5.4 网络重构优化组网实验与分析 |
| 5.4.1 系统间预调度重构优化实验 |
| 5.4.2 ECN子网动态调度重构优化实验 |
| 5.4.3 网络拓扑路由重构优化实验 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 附录 A SCBFO 算法 CEC2015 测试函数对比实验结果 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）面向智能工厂的无线传感器网络定位技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.1.1 智能工厂概述 |
| 1.1.2 智能工厂实时定位系统 |
| 1.2 无线传感器网络技术 |
| 1.2.1 无线传感器网络概述 |
| 1.2.2 无线传感器网络组成 |
| 1.2.3 无线传感器网络特点 |
| 1.3 无线传感器网络定位技术 |
| 1.3.1 无线传感器网络定位原理 |
| 1.3.2 无线传感器网络定位种类 |
| 1.3.3 测距和非测距定位技术 |
| 1.3.4 无线传感器网络定位算法的性能指标 |
| 1.4 本文的研究内容及结构安排 |
| 1.4.1 研究内容及意义 |
| 1.4.2 本文的组织结构 |
| 第2章 基于非测距的DV-Hop定位算法研究 |
| 2.1 引言 |
| 2.2 基于非测距的定位算法 |
| 2.2.1 非测距定位算法原理 |
| 2.2.2 常见非测距定位算法 |
| 2.2.3 DV-Hop定位算法的相关研究 |
| 2.3 DV-Hop定位算法原理 |
| 2.4 DV-Hop定位算法的误差来源 |
| 2.4.1 网络结构原因 |
| 2.4.2 定位算法原因 |
| 2.4.3 信号传输原因 |
| 2.5 仿射空间原理 |
| 2.6 基于误差向量修正的DV-Hop定位算法 |
| 2.6.1 建立锚节点信息列表 |
| 2.6.2 修正锚节点的选择策略 |
| 2.6.3 修正初始估计位置 |
| 2.6.4 基于误差向量修正的DV-Hop定位算法流程 |
| 2.6.5 基于模糊聚类误差向量修正的DV-Hop定位算法流程 |
| 2.6.6 两种改进的DV-Hop定位算法分析 |
| 2.7 实验分析 |
| 2.7.1 实验环境设置 |
| 2.7.2 实验结果分析 |
| 2.8 本章总结 |
| 第3章 基于测距的三边加权质心定位算法研究 |
| 3.1 引言 |
| 3.2 基于测距的无线传感器网络定位算法 |
| 3.3 三边加权质心定位算法 |
| 3.3.1 基于RSSI测距的定位原理 |
| 3.3.2 三边加权质心定位算法原理 |
| 3.4 量子粒子群优化算法 |
| 3.5 模糊C均值聚类算法 |
| 3.6 改进的三边加权质心定位算法 |
| 3.6.1 双集合组合法 |
| 3.6.2 利用模糊C均值聚类法计算RSSI准确值 |
| 3.6.3 参考点加权质心定位算法 |
| 3.7 实验分析 |
| 3.7.1 实验环境设置 |
| 3.7.2 实验结果分析 |
| 3.8 本章总结 |
| 第4章 基于灰色模型预测的蒙特卡罗盒子定位算法研究 |
| 4.1 引言 |
| 4.2 移动无线传感器网络 |
| 4.2.1 移动无线传感器网络概述 |
| 4.2.2 移动无线传感器网络在智能工厂的应用 |
| 4.2.3 移动无线传感器网络定位 |
| 4.3 动态定位算法和静态定位算法的比较 |
| 4.4 移动无线传感器网络定位算法的研究 |
| 4.5 动态定位算法的特点 |
| 4.6 灰色模型预测原理 |
| 4.7 蒙特卡罗定位和蒙特卡罗定位盒子原理 |
| 4.7.1 蒙特卡罗定位算法 |
| 4.7.2 蒙特卡罗定位盒子算法 |
| 4.8 基于灰色模型预测的蒙特卡罗定位盒子算法 |
| 4.8.1 GMMCB定位算法原理 |
| 4.8.2 GMMCB定位算法流程 |
| 4.9 实验分析 |
| 4.9.1 实验环境设置 |
| 4.9.2 实验结果分析 |
| 4.10 本章总结 |
| 第5章 基于压缩感知的多目标定位算法研究 |
| 5.1 引言 |
| 5.2 无线传感器网络稀疏多目标非协作式定位 |
| 5.3 压缩感知技术原理 |
| 5.3.1 压缩感知技术 |
| 5.3.2 稀疏信号表达 |
| 5.3.3 稀疏信号采样 |
| 5.3.4 稀疏信号重构 |
| 5.4 压缩感知技术的应用 |
| 5.5 基于压缩感知的定位研究 |
| 5.6 基于压缩感知的定位原理 |
| 5.6.1 基于压缩感知的定位模型 |
| 5.6.2 信号传播衰减测距模型 |
| 5.7 基于压缩感知的两阶段定位算法 |
| 5.7.1 大尺度定位阶段 |
| 5.7.2 精细化定位阶段 |
| 5.8 实验分析 |
| 5.8.1 实验环境设置 |
| 5.8.2 实验结果分析 |
| 5.9 本章总结 |
| 第6章 基于模拟退火优化的多维标度定位算法研究 |
| 6.1 引言 |
| 6.2 无线传感器网络少基站多目标协作式定位 |
| 6.3 多维标度定位算法及相关研究 |
| 6.3.1 多维标度定位相关研究 |
| 6.3.2 信号强度距离衰减模型 |
| 6.3.3 多维标度定位原理 |
| 6.3.4 MDS-MAP定位误差分析 |
| 6.4 模拟退火优化算法 |
| 6.5 基于模拟退火优化的多维标度定位算法 |
| 6.5.1 改进定位算法原理 |
| 6.5.2 改进定位算法流程 |
| 6.6 实验分析 |
| 6.6.1 实验环境设置 |
| 6.6.2 实验结果分析 |
| 6.7 本章总结 |
| 第7章 总结和展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于电气距离的电力系统网络拓扑结构可视化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 本文主要工作 |
| 第2章 基于梯度下降的高维拓扑结构投影降维方法 |
| 2.1 引言 |
| 2.2 基于电气距离的网络拓扑结构构建 |
| 2.3 数据降维方法简介 |
| 2.4 基于梯度下降的拓扑结构降维 |
| 2.4.1 投影超平面的构建 |
| 2.4.2 投影坐标变换 |
| 2.4.3 坐标系的重建 |
| 2.5 算例分析 |
| 2.5.1 IEEE39节点系统 |
| 2.5.2 山东电网简化算例 |
| 2.6 小结 |
| 第3章 基于粒子群算法的拓扑结构表征能力提升方法 |
| 3.1 引言 |
| 3.2 可视化拓扑结构的性能评价指标 |
| 3.3 拓扑结构表征能力优化目标函数构建 |
| 3.3.1 拓扑结构投影超平面的优化 |
| 3.3.2 拓扑结构节点坐标的优化 |
| 3.4 拓扑结构表征能力优化目标函数求解 |
| 3.4.1 优化方法选择 |
| 3.4.2 PSO算法实现 |
| 3.4.3 PSO算法的改进 |
| 3.5 算例分析 |
| 3.5.1 IEEE39节点系统 |
| 3.5.2 山东电网简化算例 |
| 3.6 小结 |
| 第4章 拓扑结构图形和实物模型的可视化展示方法 |
| 4.1 引言 |
| 4.2 考虑节点地理位置的二维拓扑结构展示 |
| 4.2.1 考虑节点地理位置的拓扑结构旋转方法 |
| 4.2.2 拓扑结构与地理位置对应关系评价指标 |
| 4.2.3 拓扑结构节点地理位置描述方法 |
| 4.2.4 二维拓扑结构展示结果 |
| 4.3 三维拓扑结构的可视化展示 |
| 4.3.1 基于三视图的三维拓扑结构展示 |
| 4.3.2 三维拓扑结构三维建模与实物展示 |
| 4.4 小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文和参加科研情况 |
| 学位论文评阅及答辩情况表 |
（4）基于数据挖掘的告警关联算法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 相关研究与现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 相关理论与技术 |
| 2.1 贝叶斯网络相关概念 |
| 2.1.1 贝叶斯网络 |
| 2.1.2 贝叶斯网络的结构形式 |
| 2.1.3 贝叶斯网络结构学习 |
| 2.2 Spark计算引擎 |
| 2.3 序列模式挖掘算法 |
| 2.3.1 AprioriAll算法 |
| 2.3.2 GSP算法 |
| 2.3.3 FreeSpan算法 |
| 2.3.4 PrefixSpan算法 |
| 2.3.5 算法对比分析 |
| 2.4 本章小结 |
| 第三章 告警关联关系挖掘 |
| 3.1 告警过滤 |
| 3.1.1 告警 |
| 3.1.2 告警过滤 |
| 3.2 基于网络拓扑图的告警关联分析 |
| 3.2.1 告警共现矩阵 |
| 3.2.2 算法模型设计 |
| 3.2.3 网络结构优化 |
| 3.3 基于优化后的GSP算法的告警关联分析 |
| 3.3.1 告警序列 |
| 3.3.2 字典搜索树 |
| 3.3.3 算法设计与描述 |
| 3.4 基于优化后的PrefixSpan算法的告警关联分析 |
| 3.4.1 告警序列 |
| 3.4.2 二元组链表索引树的设计 |
| 3.4.3 算法设计 |
| 3.5 整体算法方案 |
| 3.6 本章小结 |
| 第四章 算法实验设计与结果分析 |
| 4.1 算法实验环境 |
| 4.2 数据特征分析 |
| 4.3 告警过滤实验结果与分析 |
| 4.4 网络拓扑图算法实验结果与分析 |
| 4.5 基于字典搜索树的GSP算法实验结果与分析 |
| 4.6 基于二元组链表索引树的PrefixSpan算法实验结果与分析 |
| 4.7 本章小结 |
| 第五章 告警溯源AIOps系统设计和实现 |
| 5.1 AIOps介绍 |
| 5.2 告警溯源AIOps系统需求分析 |
| 5.2.1 系统总体需求 |
| 5.2.2 功能性需求分析详细描述 |
| 5.2.3 非功能性需求 |
| 5.3 告警溯源AIOps系统总体设计 |
| 5.3.1 系统架构设计 |
| 5.3.2 系统功能结构设计 |
| 5.3.3 系统数据库设计 |
| 5.4 系统模块设计与实现 |
| 5.4.1 数据读取模块的设计与实现 |
| 5.4.2 数据处理模块的设计与实现 |
| 5.4.3 关联规则挖掘模块的设计与实现 |
| 5.4.4 告警溯源模块的设计与实现 |
| 5.4.5 配置算法与任务管理模块设计与实现 |
| 5.4.6 规则优化模块设计与实现 |
| 5.4.7 展示模块设计与实现 |
| 5.5 系统测试 |
| 5.5.1 测试环境 |
| 5.5.2 系统模块测试 |
| 5.5.3 性能测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）海域立体监测网络拓扑优化与智能接入机制研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 海洋监测网络国内外现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织架构 |
| 2 相关技术研究综述 |
| 2.1 海域立体监测网络架构研究 |
| 2.1.1 海域监测网络架构研究 |
| 2.1.2 海上通信网络架构研究 |
| 2.2 海域立体监测网络相关技术研究 |
| 2.2.1 网络拓扑优化技术研究 |
| 2.2.2 网络接入控制技术研究 |
| 2.3 本章小结 |
| 3 海域立体监测网络拓扑多目标优化 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 网络模型 |
| 3.2.2 节点能量模型 |
| 3.3 问题描述与优化建模 |
| 3.3.1 问题描述 |
| 3.3.2 优化建模 |
| 3.4 求解方法 |
| 3.4.1 基于贪婪策略的网络拓扑多目标优化算法 |
| 3.4.2 基于蚁群群体智能的网络拓扑多目标优化算法 |
| 3.5 数值仿真 |
| 3.5.1 仿真场景与参数设置 |
| 3.5.2 STMO问题数学模型验证 |
| 3.5.3 多目标优化算法仿真分析 |
| 3.6 本章小结 |
| 4 基于能量收集的海域立体监测网络拓扑优化 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 网络模型 |
| 4.2.2 绿色能源供电节点能量模型 |
| 4.3 问题描述与优化建模 |
| 4.3.1 问题描述 |
| 4.3.2 优化建模 |
| 4.4 求解方法 |
| 4.4.1 基于路径搜索的网络拓扑优化算法 |
| 4.4.2 基于集合覆盖的网络拓扑优化算法 |
| 4.5 数值仿真 |
| 4.5.1 仿真场景与参数设置 |
| 4.5.2 收集能量对网络拓扑优化的影响分析 |
| 4.5.3 算法仿真分析 |
| 4.6 本章小结 |
| 5 基于强化学习的智能海域立体监测网络接入控制 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 性能评估模型 |
| 5.3.1 节点参数获取建模 |
| 5.3.2 优化问题建模 |
| 5.4 求解算法 |
| 5.4.1 相关理论基础 |
| 5.4.2 基于深度强化学习的智能网络接入控制算法 |
| 5.5 数值仿真 |
| 5.5.1 仿真场景与参数设置 |
| 5.5.2 模型验证与仿真分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 缩略语 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（6）应用驱动的虚拟网络切片计算与维护关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 主要工作 |
| 1.3 课题创新点 |
| 1.4 文章结构 |
| 第二章 网络切片技术研究 |
| 2.1 网络切片的概念 |
| 2.1.1 网络切片 |
| 2.1.2 SDN与NFV |
| 2.2 网络切片技术研究现状 |
| 2.2.1 网络切片部署问题 |
| 2.2.2 网络切片计算问题 |
| 2.2.3 网络切片管理与维护问题 |
| 2.2.4 QoS路由计算问题 |
| 2.2.5 基于SDN的网络切片实现问题 |
| 2.3 基于SDWAN的网络切片技术研究 |
| 2.4 POCO系统介绍 |
| 2.5 本章小结 |
| 第三章 多云环境中虚拟网络切片计算与维护方法研究 |
| 3.1 多云环境中虚拟网络切片计算与维护总体分析 |
| 3.1.1 需求分析 |
| 3.1.2 虚拟网络切片计算约束条件 |
| 3.1.3 虚拟网络切片总体计算流程 |
| 3.2 现有虚拟专线计算技术介绍 |
| 3.2.1 网络质量评价模型 |
| 3.2.2 虚拟专线计算方法 |
| 3.3 多云环境中虚拟网络切片计算与维护方法总体设计 |
| 3.3.1 计算原理说明 |
| 3.3.2 计算指标介绍 |
| 3.4 多云环境中虚拟网络切片计算方法详细设计 |
| 3.4.1 选择数据中心 |
| 3.4.2 确定数据中心连接关系 |
| 3.4.3 计算网络中心点 |
| 3.4.4 计算时间复杂度分析 |
| 3.5 多云环境中虚拟网络切片维护方法详细设计 |
| 3.5.1 虚拟网络切片维护流程 |
| 3.5.2 虚拟网络切片重新计算方法 |
| 3.5.3 计算时间复杂度分析 |
| 3.6 虚拟网络切片计算与维护方法性能评估 |
| 3.6.1 系统运行环境介绍 |
| 3.6.2 虚拟网络切片计算与维护方法性能评估场景设计 |
| 3.6.3 虚拟网络切片计算方法性能评估结果分析 |
| 3.6.4 虚拟网络切片维护方法性能评估结果分析 |
| 3.6.5 虚拟网络切片计算与维护方法性能总结 |
| 3.7 本章小结 |
| 第四章 虚拟网络切片计算与维护功能设计与实现 |
| 4.1 虚拟网络切片计算与维护功能总体设计与实现 |
| 4.1.1 开发语言 |
| 4.1.2 第三方依赖与开源工具 |
| 4.1.3 总体架构 |
| 4.1.4 模块说明 |
| 4.2 虚拟网络切片计算业务流程 |
| 4.3 虚拟网络切片维护业务流程 |
| 4.4 虚拟网络切片计算与维护功能详细设计与实现 |
| 4.4.1 配置文件说明 |
| 4.4.2 通信模块 |
| 4.4.3 应用上下文模块 |
| 4.4.4 路径计算模块 |
| 4.4.5 拓扑处理模块 |
| 4.5 本章小结 |
| 第五章 虚拟网络切片自动规划系统设计与实现 |
| 5.1 虚拟网络切片自动规划系统需求分析 |
| 5.2 虚拟网络切片自动规划系统总体设计 |
| 5.2.1 开发环境 |
| 5.2.2 总体架构 |
| 5.2.3 业务流程 |
| 5.3 虚拟网络切片自动规划系统详细设计与实现 |
| 5.3.1 模块说明 |
| 5.3.2 主模块 |
| 5.3.3 通信模块 |
| 5.3.4 设备信息管理模块 |
| 5.3.5 配置管理模块 |
| 5.3.6 工具类模块 |
| 5.4 业务流程详细设计与实现 |
| 5.4.1 虚拟网络切片部署业务流程 |
| 5.4.2 虚拟网络切片维护业务流程 |
| 5.5 本章小结 |
| 第六章 虚拟网络切片计算维护功能及虚拟网络切片自动规划系统测试与分析 |
| 6.1 测试需求 |
| 6.1.1 虚拟网络切片计算功能测试 |
| 6.1.2 虚拟网络切片维护功能测试 |
| 6.1.3 虚拟网络切片自动规划系统测试 |
| 6.1.4 测试需求汇总 |
| 6.2 测试说明 |
| 6.2.1 测试环境 |
| 6.2.2 测试设计 |
| 6.2.3 测试指标 |
| 6.2.4 测试指标数据来源 |
| 6.3 测试结果 |
| 6.3.1 虚拟网络切片计算结果正确性测试 |
| 6.3.2 虚拟网络切片维护计算结果正确性测试 |
| 6.3.3 虚拟网络切片自动规划系统中虚拟网络切片部署功能测试 |
| 6.3.4 虚拟网络切片自动规划系统中虚拟网络切片维护功能测试 |
| 6.4 本章小结 |
| 第七章 总结与工作展望 |
| 7.1 总结 |
| 7.2 工作展望 |
| 参考文献 |
| 缩略词 |
| 致谢 |
| 攻读学位期间发表的论文及研发成果 |
（7）无线传感器网络中高可靠数据传输技术的研究（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 论文主要研究内容 |
| 1.3 论文组织结构 |
| 第二章 相关工作 |
| 2.1 无线传感器网络可靠数据传输概述及需求分析 |
| 2.1.1 无线传感器网络数据传输体系和特点 |
| 2.1.2 整体网络数据传输可靠性需求分析 |
| 2.1.3 单个节点数据传输可靠性需求分析 |
| 2.2 数据转发路由协议 |
| 2.2.1 分簇式路由协议 |
| 2.2.2 能量均衡式路由协议 |
| 2.2.3 元启发式路由协议 |
| 2.3 网络拥塞控制 |
| 2.3.1 优先级调度机制 |
| 2.3.2 速率匹配机制 |
| 2.3.3 数据压缩机制 |
| 2.4 本章小结 |
| 第三章 WSN中基于时间扩展图的数据转发路由算法 |
| 3.1 研究背景 |
| 3.2 通信模型设计 |
| 3.2.1 时间扩展图模型 |
| 3.2.2 基于时间扩展图的通信模型 |
| 3.3 基于时间扩展图的路由转发机制 |
| 3.3.1 TEG时间拓扑模型定义 |
| 3.3.2 最小代价流算法设计 |
| 3.4 仿真实验及分析 |
| 3.4.1 实验方案与场景定义 |
| 3.4.2 节点数量对能耗的影响实验分析 |
| 3.4.3 节点移动速度对丢包率的影响实验分析 |
| 3.4.4 节点数量对传输时间的影响实验分析 |
| 3.5 本章小结 |
| 第四章 WSN中基于布谷鸟搜索的模糊PID拥塞控制 |
| 4.1 研究背景 |
| 4.2 模糊PID拥塞控制方法设计 |
| 4.2.1 PID拥塞控制器设计 |
| 4.2.2 模糊PID拥塞控制模型 |
| 4.2.3 模糊规则及反模糊化定义 |
| 4.3 基于布谷鸟搜索的模糊PID拥塞控制方案设计 |
| 4.3.1 布谷鸟搜索算法 |
| 4.3.2 CFPID拥塞控制器模型 |
| 4.3.3 布谷鸟搜索拥塞控制算法设计 |
| 4.4 仿真实验及分析 |
| 4.4.1 实验方案与场景定义 |
| 4.4.2 瞬时队列长度对比分析 |
| 4.4.3 实时丢包率对比分析 |
| 4.4.4 吞吐量对比分析 |
| 4.4.5 运行时间对比分析 |
| 4.5 本章小结 |
| 第五章 总结及展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间完成的论文及其他科研成果 |
（8）基于IEC 61850的拓扑自适应分布式馈线自动化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 分布式馈线自动化研究现状 |
| 1.3 IEC61850在分布式馈线自动化中的应用 |
| 1.4 论文的主要内容和创新点 |
| 第二章 自适应分布式馈线自动化需求分析 |
| 2.1 分布式馈线自动化 |
| 2.2 自适应分布式馈线自动化关键技术 |
| 2.2.1 点对点通信 |
| 2.2.2 分布式决策 |
| 2.2.3 自适应拓扑 |
| 2.3 自适应拓扑 |
| 2.3.1 自适应拓扑的重要性及典型场景分析 |
| 2.3.2 拓扑的表达及配置需求 |
| 2.3.3 实时应用拓扑计算的需求 |
| 2.4 本章小结 |
| 第三章 基于IEC61850的拓扑表示与配置 |
| 3.1 现有的拓扑表达方法 |
| 3.2 拓扑逻辑节点建模 |
| 3.3 基于拓扑逻辑节点的配电终端配置 |
| 3.4 本章小结 |
| 第四章 基于拓扑逻辑节点的拓扑实时识别 |
| 4.1 实时应用拓扑查询 |
| 4.2 基于点对点通信的拓扑信息获取 |
| 4.3 拓扑识别算法 |
| 4.4 算例验证 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 符号说明 |
| 在读期间公开发表的论文 |
| 在读期间参与科研项目情况 |
| 致谢 |
（9）基于GPU加速的电网拓扑分析技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电网拓扑分析算法的研究现状 |
| 1.2.2 并行算法在电力系统中的应用现状 |
| 1.3 本文主要研究内容 |
| 第二章 GPU并行技术研究 |
| 2.1 GPU硬件架构 |
| 2.1.1 GPU与 CPU性能比较 |
| 2.1.2 GPU硬件特点 |
| 2.2 GPU软件架构 |
| 2.2.1 主机端与设备端的区别 |
| 2.2.2 GPU线程组织模型 |
| 2.2.3 GPU存储器管理 |
| 2.3 GPU并行优化准则及性能评价指标 |
| 2.3.1 GPU优化准则 |
| 2.3.2 内核性能评价指标 |
| 2.4 本章小结 |
| 第三章 电网拓扑分析及并行算法总体设计 |
| 3.1 电网拓扑模型构建 |
| 3.1.1 电网拓扑相关概念 |
| 3.1.2 电网拓扑模型表达 |
| 3.1.3 电网拓扑存储形式 |
| 3.2 电网拓扑分析基本算法 |
| 3.2.1 搜索法基本原理 |
| 3.2.2 电网拓扑分析基本流程 |
| 3.3 GPU并行算法总体设计 |
| 3.3.1 算法流程 |
| 3.3.2 任务分配 |
| 3.4 本章小结 |
| 第四章 GPU加速电网拓扑分析算法研究 |
| 4.1 GPU内核函数 |
| 4.2 广度优先并行搜索算法 |
| 4.3 厂站拓扑分析并行算法 |
| 4.3.1 算法总体策略 |
| 4.3.2 算法具体步骤 |
| 4.4 网络拓扑分析并行算法 |
| 4.5 本章小结 |
| 第五章 算例分析 |
| 5.1 算例测试平台 |
| 5.2 电网拓扑建模算法测试 |
| 5.3 GPU加速电网拓扑分析算法测试 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 后续研究方向 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）多节点复杂贝叶斯网络结构学习方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 贝叶斯网络国内外研究进展 |
| 1.2.1 贝叶斯网络表示 |
| 1.2.2 贝叶斯网络学习 |
| 1.2.3 贝叶斯网络推理 |
| 1.2.4 贝叶斯网络应用 |
| 1.3 多节点复杂贝叶斯网络结构学习关键问题 |
| 1.4 论文研究内容 |
| 1.4.1 中小规模贝叶斯网络结构搜索空间约束模型构建 |
| 1.4.2 基于改进进化方法的中小规模贝叶斯网络结构搜索策略优化 |
| 1.4.3 基于马尔科夫覆盖的大规模贝叶斯网络的无向独立图构建 |
| 1.4.4 基于局部拓扑信息的大规模贝叶斯网络的无向独立图划分 |
| 1.5 论文主要创新点 |
| 1.6 论文组织结构 |
| 2 贝叶斯网络相关理论与方法 |
| 2.1 引言 |
| 2.2 贝叶斯网络基本概念 |
| 2.3 贝叶斯网络结构学习方法概述 |
| 2.3.1 基于约束的贝叶斯网络结构学习方法 |
| 2.3.2 基于评分搜索的贝叶斯网络结构学习方法 |
| 2.3.3 贝叶斯网络结构混合学习方法 |
| 2.4 基于图划分的多节点复杂贝叶斯网络结构学习 |
| 2.4.1 图模型分解的两种模式 |
| 2.4.2 全局结构草图的选择 |
| 2.4.3 无向独立图的分解方法 |
| 2.4.4 子图结构的合并方法 |
| 2.5 本章小结 |
| 3 中小规模贝叶斯网络结构搜索空间约束模型构建 |
| 3.1 引言 |
| 3.2 基于结构搜索空间约束模型的贝叶斯网络结构学习问题描述 |
| 3.3 双尺度约束模型 |
| 3.3.1 大尺度约束模型 |
| 3.3.2 小尺度约束模型 |
| 3.4 基于双尺度约束模型的中小规模贝叶斯网络结构自适应学习算法 |
| 3.4.1 贝叶斯网络结构自适应学习过程 |
| 3.4.2 编码方案设计及其理论证明 |
| 3.4.3 自适应变异算子设计 |
| 3.4.4 其它算子描述 |
| 3.5 仿真实验与分析 |
| 3.5.1 实验方案设计 |
| 3.5.2 仿真实验与结果分析 |
| 3.6 本章小结 |
| 4 基于改进进化方法的中小规模贝叶斯网络结构混合学习算法 |
| 4.1 引言 |
| 4.2 贝叶斯网络结构搜索问题描述 |
| 4.2.1 进化算法描述 |
| 4.2.2 基于进化算法的贝叶斯网络结构优化问题描述 |
| 4.3 搜索空间动态受限条件下基于改进进化方法的中小规模贝叶斯网络结构混合学习算法 |
| 4.3.1 编码方案设计与初始种群选择 |
| 4.3.2 优先重组算子设计 |
| 4.3.3 其它算子描述 |
| 4.3.4 算法实现 |
| 4.3.5 算法复杂度分析 |
| 4.4 仿真实验与分析 |
| 4.4.1 实验方案设计 |
| 4.4.2 仿真实验与结果分析 |
| 4.5 本章小结 |
| 5 基于马尔科夫覆盖的大规模贝叶斯网络无向独立图构建 |
| 5.1 引言 |
| 5.2 基于马尔科夫覆盖的大规模贝叶斯网络无向独立图构建问题描述 |
| 5.3 基于三阶段马尔科夫覆盖快速发现方法的大规模贝叶斯网络无向独立图构建算法 |
| 5.3.1 限制阶段 |
| 5.3.2 扩展阶段 |
| 5.3.3 收缩阶段 |
| 5.4 仿真实验与分析 |
| 5.4.1 实验方案设计 |
| 5.4.2 仿真实验与结果分析 |
| 5.5 本章小结 |
| 6 基于图划分的大规模贝叶斯网络结构学习 |
| 6.1 引言 |
| 6.2 基于节点介数的无向独立图划分问题描述 |
| 6.2.1 节点介数 |
| 6.2.2 基于节点介数的无向独立图划分问题描述 |
| 6.3 基于局部拓扑信息的大规模贝叶斯网络无向独立图分解模型 |
| 6.4 基于图划分的大规模贝叶斯网络结构递归学习算法 |
| 6.4.1 算法理论基础与定理证明 |
| 6.4.2 算法框架与实现 |
| 6.5 仿真实验与分析 |
| 6.5.1 实验方案设计 |
| 6.5.2 仿真实验与结果分析 |
| 6.6 本章小节 |
| 7 总结与展望 |
| 7.1 论文内容总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 缩略语表 |
| 重要符号对照表 |
| 攻读博士学位期间的研究成果及参与的科研项目 |
| 致谢 |
四、网络拓扑搜索技术研究（论文参考文献）
- [1]列车通信以太网网络重构及性能优化研究[D]. 陈煌. 北京交通大学, 2021
- [2]面向智能工厂的无线传感器网络定位技术研究[D]. 李海啸. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(09)
- [3]基于电气距离的电力系统网络拓扑结构可视化研究[D]. 杭志. 山东大学, 2021
- [4]基于数据挖掘的告警关联算法研究与应用[D]. 向超. 电子科技大学, 2021(01)
- [5]海域立体监测网络拓扑优化与智能接入机制研究[D]. 段建丽. 大连海事大学, 2020(04)
- [6]应用驱动的虚拟网络切片计算与维护关键技术研究[D]. 方晓兵. 北京邮电大学, 2020(05)
- [7]无线传感器网络中高可靠数据传输技术的研究[D]. 石优. 江苏大学, 2020(02)
- [8]基于IEC 61850的拓扑自适应分布式馈线自动化研究[D]. 王宗晖. 山东理工大学, 2020
- [9]基于GPU加速的电网拓扑分析技术研究[D]. 王子恒. 东南大学, 2020(01)
- [10]多节点复杂贝叶斯网络结构学习方法研究[D]. 戴晶帼. 海南大学, 2020