Video在线视频

我先代表咱们系分学位委员会

宣读一下答辩委员会的成员名单

主席（范玉顺）教授

单位是清华大学自动化系

委员有（曹政才）教授北京化工大学

（陶飞）教授 北京航空航天大学

（黄德先）研究员清华大学自动化系

（王凌）教授 清华大学自动化系

好 下面我就来主持这个答辩

先请我们答辩秘书

来介绍一下博士生的基本情况

好

我现在介绍一下

（郑晓龙）同学的基本情况

（郑晓龙）同学2011年直博生入学

到现在呢

他的课程成绩情况如下

人工神经元网络91分

组合数学83分

自然辩证法概论88分

制造过程调度理论及其应用94分

制造执行系统及其应用95分

实验设计与数据处理90分

文献综述与选题报告92分

资格考试92分

社会实践通过

博士生英语82分

学术活动与学术报告通过

介绍完毕

那下面

咱们就听听正式的答辩过程

先请（郑晓龙）同学

汇报一下论文的这个工作

各位老师各位同学 大家下午好

我是清华大学自动化系的

博士研究生（郑晓龙）

我博士论文的题目是

复杂资源约束调度问题

及其混合果蝇算法研究

我的导师是（王凌）教授

在我今天的答辩中

将从以下几个方面进行汇报

首先我将简单介绍一下

问题的研究背景和意义

然后介绍

资源约束调度问题的特性

和求解的难点

随后我将介绍一下

基本的果蝇算法

以及我的研究规划

生产调度是制造企业的决策环节

它直接决定了

企业的生产效率和经济效益

传统的调度问题呢

它很少考虑制造过程当中

除机器以外的资源

随着制造业的发展

工业4.0概念的提出

智能制造已经成为

我国制造业发展的战略方向

智能制造对精益化生产

提出了更高的要求

它要求企业

在生产调度的过程当中

实现对有限的资源的智能分配

提高对制造资源的利用效率

资源约束的调度问题

有着广泛的应用背景

半导体生产 汽车生产

化工 冶金 互联网服务等

生产制造的过程当中的许多问题

它都可以归结为

资源约束的调度问题

其相关的研究

具有重要的工程应用价值

另外在学术上

传统的调度问题

它就具有大规模 非线性

强约束 多极小的复杂性

求解的难度非常大

资源约束的调度问题

它较传统的调度问题而言呢

它具有更强的多约束

多子问题耦合的特性

其建模更加复杂

解空间规模也更大

求解的难度更大

大部分的资源约束调度问题

已经被证明是NP难问题

因此资源约束调度问题的研究

具有重要的学术意义

目前呢关于

资源约束调度问题的研究比较少

它的研究

主要存在两个方面的不足

第一是调度问题的类型不丰富

已有的研究主要集中在

资源约束的并行机调度

以及资源约束的项目调度

而其他的资源约束的

柔性调度的研究较少

第二资源约束的情况

考虑不是特别全面

资源约束对生产的影响方面

已有的研究大多集中在

分配的资源

影响工件的加工时间

而对于分配的资源

影响工件能否加工执行的

这一情况的考虑比较少

第二对于有限的

资源类型数量上面的考虑

已有的研究大多集中在

单资源约束的情形

而对于多资源约束情形考虑较少

目前针对

资源约束调度问题的求解算法

主要有三类方法

第一类方法是精确方法

这一类方法它主要是

用传统的数学方法

包括整数规划

以及分支定界等方法

而这一类方法的特点

它是能对小规模的问题

能够获得问题的最优解

但是它难以适用于大规模的问题

第二类方法是启发式的方法

这一类方法它基于启发式的规则

快速的构造高质量的解

但是这一类的方法呢

它获得的解的质量是有限的

第三类方法是智能算法

这一类方法对于

大规模的复杂问题

具有较好的性能

但是目前针对

资源约束调度问题的

智能算法还是比较少的

我的博士课题呢

主要是基于果蝇算法

开展资源约束调度问题的研究

果蝇算法是一种

新型的群智能算法

它是基于果蝇的觅食行为的

仿生学原理提出的

果蝇算法主要是

利用果蝇的嗅觉搜索

和视觉搜索

实现对问题的最优解

或者说满意解的搜索

果蝇算法

具有较强的局部搜索能力

以及较强的通用性

果蝇算法的基本过程如下

首先是

初始化果蝇种群的中心位置

然后利用果蝇的嗅觉搜索

对中心位置附近的邻域进行探索

通过视觉搜索

实现种群中心位置的迭代搜索

最后通过迭代搜索

实现对食物源的探寻

我的博士论文课题的

研究规划如下

首先在国内外文献调研

和总结的基础上

开展两个层面的方面的工作

首先是问题层面

针对复杂资源约束调度问题

开展问题的建模

问题性质的分析 资源的分配

关键路径分析的问题知识的挖掘

第二针对问题开展相应的

果蝇算法的设计层面的研究

主要是包括算法框架的优化研究

算法的搜索操作的设计

自适应机制的设计

协同机制的设计 等

基于协同算法的设计研究

我的研究对象主要是

包括三类典型的

资源约束调度问题

以及进行一类的推广研究

和一类的应用探讨研究

我的博士论文

主要包括五项核心的工作

下面将逐一进行汇报

第一项工作是

基于两阶段自适应果蝇算法的

资源约束不相关并行机调度问题

这类问题考虑的是

无差别的可更新资源

它的机器的环境是

不相关并行机环境

调度的目标是最小化makespan

这是问题的数学模型

这个问题

它主要有四个方面的求解难点

第一是多子问题

它主要包括了资源分配

机器的分配

以及工件的排序等三个子问题

另外子问题之间存在着强耦合性

主要是资源分配

与工件排序相耦合

机器的分配与工件的排序相耦合

第三 它存在着多极小特性

在每一种资源分配的方案下

都存在着局部极小

第四 问题的搜索空间非常的巨大

针对以上的几种求解的难点呢

我们开展了如下的算法设计

主要包括初始化的设计

编码方式的设计

知识驱动的搜索操作的设计

以及资源分配方式的设计

在编码和解码方面

本项工作当中我们所提出的是

关于机器上的工件排序的

这种编码方式

基于这种编码方式

能够有效的将一个解

解码映射成为一个调度解

另外我们设计了

基于最大剩余负荷

优先的这种资源分配规则

能够有效的避免造成makespan

较大的不利情形的出现

在种群的初始化阶段

考虑到问题的解空间非常的巨大

我们提出了

有效的这种启发式规则

构造高质量的初始解

快速的定位解空间潜力区域

具体而言 我们提出了基于这种

最早加工时间的机器分配规则

和LPT的这种工件排序规则

将工件分配到

加工时间最短的机器上

机器上的工件排序

按照加工时间的降序排列

另外在嗅觉搜索阶段

我们设计了机器的再分配操作的

这种全局搜索操作一

以及针对这种局部搜索的操作二

即工件的排序的这种调整操作

那么如何合理的

利用这两个操作呢

在传统的算法设计当中

通常是串行的利用这两种操作

对两操作进行无差别的应用

但是我们在我们本项的工作当中

通过对问题进行分析

挖掘出问题当中的

这种局部最优的判定条件

基于这种问题的性质

也就是基于这种问题的知识

设计的知识驱动的自适应

搜索操作的选择机制

通过这种局部最优的

这种判定条件

合理的采用这种局部搜索操作

和全局搜索操作

从而实现局部搜索

和全局搜索的平衡

提高算法的性能

这是算法设计的流程图

我们所设计的这种两阶段

自适应的果蝇算法

与标准的果蝇算法相比较而言

它的创新点主要体现在

第一 我们设计的这种

基于启发式规则的

这种初始化解的构造方式

第二

我们基于这种问题性质的分析

提出了这种知识驱动的

自适应的搜索操作的选择机制

第三 我们对问题的

最优调度的性质进行了分析

提出了相应的问题性质

作为算法终止准则的

一个判定条件

为了验证算法的性能

我们在标准的测试问题上

对算法性能进行了仿真验证

采用基于这种性质提出的

这种问题下界的

最优百分比偏差

作为算法的性能评价指标

首先

我们应用ANOVA分析的方法

对算法的参数进行了研究

算法当中主要包括

两个关键的参数

通过ANOVA分析我们可以得知

算法当中的两个关键参数

其中NS对算法的性能

具有显著的影响

而另一个参数S

对算法的影响不是特别显著

但是两者之间的耦合关系

对算法的性能具有显著的影响

基于ANOVA分析的结果

我们获得了推荐的参数

随后我们逐一验证了

我们所设计算法的

每一个环节的有效性

首先是初始化环节的有效性

我们通过比较了

我们所设计的TAFOA算法

以及去除了初始化阶段的算法

进行了比较

从结果

通过统计分析以及假设检验

可以看出我们设计的

初始化环节是显著有效的

第二 我们对知识驱动的环节的

有效性进行了验证

同样的我们比较了TAFOA

以及去除了这种知识驱动的

自适应选择机制的这种方法

进行了比较

同样的通过统计比较

和假设检验的方式

也验证了这种

知识驱动的搜索的环节的有效性

最后我们将我们所设计的算法

与已有的算法进行了比较

首先是与CPLEX这种传统的

数学方法进行了比较

由于CPLEX只适用于求解

这种小规模的问题

所以我们在25个小规模问题上

将两者进行了比较

可以看出在小规模问题上

我们所设计的方法

同样的取得了与CPLEX

相同的最优解

但是运行时间上远远小于CPLEX

此外

我们将我们所设计的方法

与遗传算法进行了比较

从统计分析以及假设检验

都可以看出

我们所设计的方法

显著优于已有的算法

在本项工作当中

我们建立了问题的混合整数

线性规划模型

提出了基于

最短加工时间的初始化规则

提出了基于这种

最大剩余最负荷

优先的这种资源分配的解码规则

提出了局部最优的判定条件

给出了问题的下界

另外我们设计了

基于这种局部判定条件的

自适应的操作选择机制

最后我们对算法的参数

对算法性能的影响进行了研究

通过仿真的测试

验证了我们所提出的算法

显著的优于已有的算法

本项工作发表在ESWA上

第二项工作是基于KGFOA的

资源约束柔性作业车间

调度问题研究

这个问题较前一问题而言

它的不同点主要体现在

第一它考虑的是差异性的资源

考虑在工作当中有多个工人

而每个机器的加工都需要

有工人的操作，机器才能够进行

而工人由于技能或者说由于知识的缺陷

他只能操作部分的机器

另外每一个工件的加工

它有N道工序

每个工序之间

它是存在着优先约束关系的

它的目标同样是优化makespan

这是问题的数学模型

这个问题的求解难点

较上一个问题而言

它主要不同体现在于

它有更强的约束

它体现在

它存在着操作的优先约束

以及工人的能力约束

它的搜索空间

是较前一个问题要更大的

针对以上的求解难点

我们同样的

开展了相应的编码设计

资源分配规则的设计

约束处理技术的设计

以及搜索操作的设计

在编码方面

我们提出了这种

基于操作序列向量

与资源组合对向量

相结合的双向量的编码机制

另外提出了这种最早开始时间

优先的这种解码规则

相应的我们设计了

嗅觉搜索操作的每个操作

在标准的果蝇算法当中

我们引入了知识引导的

这种协同搜索环节

利用经验知识指导相应的搜索

我们建立了资源分配概率的模型

通过采样资源分配的概率

对资源进行再分配

另外我们设计了

相应的块继承的交叉操作

充分利用以精英个体

所提供的有效的操作序列信息

这是算法设计的流程图

我们所提出的KGFOA

与标准的果蝇算法相比

它的创新点主要体现在于

我们在已有的FOA的搜索框架环节下

引入了这种知识引导的

协同搜索环节

利用采用概率模型的方式

生成资源的分配方案

提高了算法的全局搜索能力

为了验证算法的有效性

我们同样的在标准的测试问题上

对算法进行了仿真测试

采用了最优百分偏差的

作为算法的性能评价指标

同样的

首先我们采用了试验设计的方法

也就是DOE的方法

对算法的参数进行了研究

通过DOE的结果

获得了推荐的参数

此外我们通过

比较我们所提出的KGFOA

与去除知识引导搜索环节的

FOA方法进行了比较

可以看出在相同评价次数上

所有的问题

都获得了相同的最优解

通过假设检验也可以看出

KGFOA显著的优于FOA

另外为了进一步验证算法的性能

我们将我们所设计的KGFOA

与求解资源约束的

柔性作业车间调度问题的

最好的方法VNS进行了比较

在相同评价次数上

我们得到了

我们所设计的KGFOA显著优于VNS

进一步我们在相同运行时间下

也比较了三个算法的不同

可以看出在相同的评价次数

以及相同运行时间下

KGFOA都是显著

优于其他的两种算法

在本项工作当中

我们建立了问题的数学模型

提出了新颖的

基于资源组合对的编码方式

和解码策略

在原有的FOA搜索框架下

引入了知识引导的搜索环节

提高了FOA的全局搜索能力

通过精英个体提供的经验知识

设计了相应的经验知识库

设计了基于采样概率的

资源分配方式

最后通过DOE的方法

探讨了算法的参数的有效性

通过仿真实验

验证了算法设计的有效性

本项工作发表在IJPR上

第三项工作是基于

MOFOA的多技能人力资源约束的

项目调度问题

这个问题较之前的问题而言

它的不同主要体现在第一

它考虑了多种资源类型

考虑多个人力资源

每种资源它掌握了特定的技能

整个项目当中包括多个任务

每个任务的执行

需要有掌握一定知识技能的

人力资源才能完成

并且每个人力资源

都有一定的技能熟练能级

此外

考虑了人力资源

在执行任务当中的这种时间成本

我们的调度的目标

是同时优化makespan

以及项目的总成本

这是问题的数学模型

这个问题较之前问题而言

它的求解难点的不同主要体现在

第一它有更多的强约束

主要是技能约束

以及技能的等级约束

另外它是多个目标

需要同时优化makespan与项目的总成本

同样的针对以上的求解难点

我们进行了编码方式的设计

资源分配的设计

约束处理的设计

以及多目标处理技术的设计

在编码解码方面

我们提出了基于任务列表

和资源列表的双列表编码方式

另外我们提出了

基于最早可开始执行的

这种解码方式

在初始化环节

考虑到问题解空间规模巨大

我们也设计了

基于这种最小成本的

启发式规则初始化

另外考虑多目标特性

我们也同样设计了

相应的这种随机

初始化的策略相结合

考虑初始化的这种均衡性

另外我们相应的设计了嗅觉搜索

以及视觉搜索当中

多目标的这种处理技术

采用了这种非支配排序的

多目标处理技术

另外同样的我们在算法当中

引入了这种知识引导的

协作搜索环节

通过这种资源分配的概率模型

实现资源的再分配

另外

我们也设计了相应的交叉操作

实现对这种任务列表的搜索

能够继承和利用有效的

精英个体提供的这种有效信息

这是我们设计算法的流程图

我们所设计的多目标FOA

与普通的FOA相比

它的不同点主要体现在

第一有效的初始化规则的设计

第二我们在嗅觉搜索阶段的

这种多目标处理技术的设计

第三引入了这种知识引导的

协作搜索环节

设计了相应的知识驱动的搜索

为了验证算法的有效性

我们在标准的测试问题上

对算法进行了仿真测试

考虑在单目标情形

和多目标两种情形下

验证了算法的性能

在多目标情形下我们采用的是

表征所获得Pareto解的

这种支配关系的C指标

作为性能的评价指标

首先我们同样采用了DOE的方法

对算法的关键参数进行了设置

通过DOE的方法得到了

推荐的参数

另外在单目标情形下

我们将我们所提出的方法

与已有的最好算法

进行了性能得比较

可以看出我们所提出的算法

更新了24个问题的最优解

并且所设计的算法的运行时间

在类似的CPU环境下

我们的运行时间

显著优于已有的算法

而在多目标的环境下

由于我们是首次提出

针对该问题的多目标求解算法

所以我们实现了经典的

多目标处理方法NSGA2

和随机方法

与我们所设计的方法进行了比较

通过比较结果可以看出

我们所设计的方法

是一种求解多目标的

这种多人力资源约束的

项目调度问题的有效方法

在本项工作当中

我们建立了问题的数学模型

提出了这种新颖的编码方式

提出了基于最小成本的

启发式规则

和随机的初始化种群策略

建立了这种经验知识的库

提出了设计了

这种资源分配的这种概率模型

设计了相应的

知识驱动的搜索操作

通过DOE的方法

获得了推荐的参数

通过仿真实验

验证了我们

所设计的方法的有效性

第四项的工作是基于CMFOA的

资源约束的

并行机的绿色调度问题

这项工作是第一项工作的

一个推广研究

它在第一个问题的基础上

考虑了生产过程当中的碳排放

每台机器在加工工件时

它有不同的速度选择模式

在运行速度越快的

这种速度模式下

它的碳排放相应的就越高

这个问题研究的调度目标

是同时优化makespan

以及总的碳排放量

这是问题的数学模型

这个问题

较第一项工作的问题当中

它的求解难点体现在

第一它有更多的子问题

它主要在前三个子问题的基础上

引入了这种速度选择的子问题

第二它有更多的这种多极小

第三它是一个多目标的优化问题

需要同时优化makespan

与碳的总的碳排放量

针对以上的求解难点

我们进行了相应的编码设计

以及协同机制的设计

以及知识驱动搜索操作的设计

以及基于这种关键路径的

低碳策略的设计

在编码解码方式上面

我们设计了基于

这种机器上面的工件速度对的

这种序列的编码方式

能够直观有效的

解码出相应的调度解

另外我们提出了

最大剩余总负荷

优先的解码规则

针对不同的子问题

主要是包括工件机器分配

工件排序以及速度选择

我们设计了相应的搜索操作

通过三操作的协同方式

实现嗅觉的协同搜索

另外针对视觉搜索过程当中的

不同的选择需求

主要是局部搜索环节

需要从多个解当中

选出一个最优解

我们采用了相应的TOPSIS选择技术

第二在全局视觉搜索环节

需要从多个解当中选出多个解

我们采用了

基于非支配排序的

多目标处理技术

通过两种多目标处理技术的协同

实现了多目标处理

另外

我们针对这种Pareto解集的优化

我们基于问题的性质得出

这种获得非支配解的

这种问题性质

基于问题知识设计了

相应的低碳策略

这是低碳策略的一个示例

通过我们所设计的低碳策略

能够有效的减少相应的碳排放

这是我们所设计的算法的流程图

与标准的果蝇算法相比

我们算法的创新点主要体现在

第一在嗅觉搜索阶段

我们设计了这种多操作

协同的这种方式

能够有效的处理多个子问题

第二在视觉搜索阶段

我们设计了相应的

多目标处理技术

协同处理来实现多目标的排序

在低碳策略方面

我们根据问题的性质设计了

相应的知识驱动的这种搜索环节

为了（验证）设计算法的有效性

我们在标准测试问题上

进行了仿真的测试

采用了非支配解的个数

以及C指标这种两个经典的

多目标领域里面的评价指标

作为性能的评价

我们采用了这种DOE的方法

实现参数的设置

获得了推荐的参数

另外我们通过算法的验证

验证的每一个环节的有效性

首先是多操作协同的有效性

我们通过比较我们所设计的CMFOA

与去除这种操作协同的

多种FOA进行了比较

通过假设检验和统计分析

验证了我们这种多操作

协同方式的有效性

第二

我们通过这种

多策略协同的这种方式

验证了我们所提出的

这种多目标策略

协同的这种有效性

另外我们基于这种

关键路径的低碳策略的有效性

我们比较了CMFOA

与去除这种低碳策略的

这种环节的算法进行了比较

通过结果可以看出

我们所提出的算法的有效性

像我们所提出的算法

与经典的多目标处理方法

NSGA2进行了比较

通过仿真比较我们可以看出

我们所提出的方法

性能显著优于经典的

多目标处理方法

在本项工作当中

我们建立了问题的数学模型

提出了新颖的

基于工件操作速度对的编码方式

和基于最大剩余总负荷

优先的资源分配规则

设计了基于这种

关键路径的低碳策略

此外

我们通过DOE的方法

研究了算法参数

对算法性能的影响

通过仿真实验

验证了每一个环节的有效性

最后通过与经典的

多目标优化方法（NSGA2）的比较

验证了所提算法的有效性

本项工作中发表在IEEE Transaction on SMCA刊上

第五项目工作是一个应用探讨

我们在资源约束的半导体

最终测试问题上

进行了方法的应用探讨

半导体最终测试调度问题

它是半导体产品在出厂之前

需要对每一个出厂的芯片

进行功能的测试

避免次品的出现

这个问题它本质上

是一个多资源约束的

柔性作业车间调度问题

它的优化目标是makespan

这是问题的示意图

这是问题的数学模型

这个问题它的求解难点

主要体现在

第一它是一种多资源

它考虑了在实际的过程当中

需要的这种操作手

以及测试头还托盘

这三种非常昂贵的资源

另外它是一个多约束特性

除了这种优先约束

以及资源的约束以外

它另外还考虑了设置时间的约束

针对以上的求解的难点

我们同样的开展了

相应的编码设计协同搜索的设计

资源分配的设计

以及这种约束处理的设计

在编码和解码方面

我们提出了这种

基于操作序列向量

以及机器分配向量的

这种直观有效的这种编码方式

在这种编码方式的基础上

可以非常直观有效的

解码成相应的调度

另外我们提出了

这种先到先供应的

资源分配的规则

作为这种解码方式

相应的我们针对多个子问题

设计了相应的这种搜索操作

以及这种相应的视觉搜索环节

另外我们在标准的

果蝇算法当中引入了

这种协作搜索的环节

通过设计这种改进的搜索操作

实现对整个机器分配

以及操作序列信息的

这种有效搜索

这是我们设计的

离散的果蝇算法的流程图

为了验证算法的有效性

我们在台湾的

某半导体测试工厂

所提供的这种实际的数据当中

对算法设计的性能进行了验证

首先我们采用了

DOE实验设计的方法

对关键的三个参数进行了研究

通过这种DOE的方法

得到了推荐的参数

另外我们将我们

所提出的离散的果蝇算法

与已有的方法

进行了性能的比较

可以看出在所有的问题上

我们所提出的方法

都获得了最优解

另外通过假设检验的方式

我们可以看出

我们所提出的算法

显著优于已有的算法

另外在运行时间上面

在类似的这种CPU环境下

我们所提出的算法

运行时间显著的少于已有的算法

可以看出我们所提出的算法

平均运行时间仅需要三点几秒

能够近似的达到

这种在线调度的时间需求

这是问题所获得到一个甘特图

在本项工作当中

我们设计了基于这种操作序列

和资源分配的

双向量编码方式的这种编码机制

另外我们提出了

基于这种先到先供应的

资源分配规则

在原有的搜索框架的基础上

加入了协作搜索的环节

提高了算法的全局搜索能力

通过DOE的方法

研究了算法参数

对离散果蝇算法的性能的影响

最后通过仿真测试验证了

我们所提出的算法的有效性

这项工作发表在KBS上

最后我对

我的整个博士论文的课题

进行一个总结

我的论文主要的创新点体现在

首先在问题层面上面

我们开展了相应的问题的建模

以及问题知识的这种挖掘

包括局部最优条件

判定的这种知识

以及关键路径的

这种低碳策略的这种知识操作

另外我们设计了

相应的资源分配的这种概率模型

实现这种资源分配的概率分配

另外在算法的设计层面

我们提出了

这种新颖有效的编码解码方式

设计了多种群多操作

多策略的这种协同机制

另外我们针对问题的特性

设计了相应的这种搜索操作

设计了这种基于知识驱动的

这种搜索机制

另外基于这种

资源分配的概率采样

实现资源的分配的操作设计

在本论文的基础上

后续的工作

也可以从两个方面来开展

首先问题层面

第一是问题的这种深入研究

后续的研究可以考虑

更多的这种实际的复杂性

比如考虑这种不确定性

以及机器故障

机器供给不确定等

另外关于问题的这种推广研究

也是非常有意义的

我们已有的研究

主要是资源约束下的

这种柔性调度问题研究

后续的研究可以开展

这种针对资源约束可重复调度

以及资源约束

分布式调度问题的研究

另外

我们可以开展

相应的应用的推广研究

在本课题当中

我们仅在这种半导体最终测试

一个调度问题上

进行了这种应用探讨

后续可以在其他的实际的

资源约束的工程调度问题上面

进行应用的推广

另外关于算法设计的层面

我们后续可以针对不同的问题

设计相应的知识驱动的

搜索操作设计

此外关于协同进化的机制

也是提高算法性能的

一种有效方式

除了本课题当中

所涉及的多操作协同

多策略协同以及多方式协同的

这种机制以外

另外还有多解码编码机制的

这种策略协同以及算法协同等

这种算法这种协同机制

最后是我的论文发表情况

在我攻读博士期间

主要发表SCI国际期刊六篇

其中有两项工作

得到了比较多的引用

包括SCI 25次的引用

以及一项工作的41次的引用

另外还有两篇国内期刊的这种

EI国内期刊

以及三篇这种EI的学术会议

此外还有一些跟课题组同学

合作的这种工作

在博士期间获得了一些荣誉

包括中国过程控制

会议的POST论文奖

以及清华大学的

综合优秀一等奖奖学金两次

清华大学的

综合优秀三等奖学金一次

另外还获得了“一二.九”辅导员

以及清华大学的

优秀研究生辅导员

清华大学优秀共产党员

优秀党支部书记等等荣誉

谢谢各位老师