当前课程知识点:2015年清华大学研究生学位论文答辩(一) > 第2周 机械系、自动化系、交叉信息学院 > 自动化系-王圣尧 > 答辩陈述
返回《2015年清华大学研究生学位论文答辩(一)》慕课在线视频课程列表
返回《2015年清华大学研究生学位论文答辩(一)》慕课在线视频列表
大家好
我先宣布一下
博士学位论文答辩委员会的名单
主席 范玉顺教授
清华大学自动化系
委员 金以慧教授
清华大学自动化系
李晓理教授
北京科技大学自动化学院
耿志强教授
北京化工大学
信息科学与技术学院
陶飞教授
北京航空航天大学
自动化科学与电气工程学院
王凌教授
清华大学自动化系
那么下面请范老师主持会议
好 我们先请答辩秘书
介绍一下
博士生王圣尧的基本情况
王圣尧同学
2002年到2006年
在吉林省长春市第150中学读书
2006年到2010年
在清华大学自动化系读本科
2010到2015年
在自动化系攻读博士学位
那么他在攻读博士学位期间
主要的课程成绩如下
人工神经网络93分
研究生新生综合素质训练通过
制造过程调度理论及其应用91分
组合数学93分
应用随机过程84分
线性系统理论90分
制造执行系统及其应用88分
数据结构93分
实验设计与数据处理95分
自然辩证法84分
系统分析理论与方法88分
信息资源获取与专题应用91分
博士生英语85分
社会实践通过
文献综述与选题报告95分
资格考试95分
学术活动与学术报告通过
现代科学技术革命
与马克思主义86分
调度理论专题研讨通过
总学分是40分
学位课学分39分
那现在我们请王圣尧同学
做博士答辩
好 开始陈述
好的 各位老师各位同学上午好
我是清华大学自动化系的博士生
王圣尧
我博士论文的题目是
基于分布估计算法的
柔性生产调度研究
我的导师是王凌教授
在我今天的答辩中
我将从以下几部分来介绍
首先我将介绍一下
研究的背景与意义
然后分析一下
柔性调度问题的特性与难点
然后是简单介绍一下
基本的分布估计算法
并且介绍我的研究规划
生产调度
是制造企业的决策环节
它直接影响到企业的生产效率
和经济效益
柔性制造
是近些年新兴的一种
先进的制造模式
它主要是基于并行的生产环境
和多功能的加工设备
来进行多品种 多批量
工艺路径可变的生产
而柔性的体现
就是它的工艺路径是可变的
那么柔性生产调度
它具有广泛的工程背景
制造业的生产和装配
物流业的运输 集装箱搬运
和互联网服务等很多问题
都可以归结为柔性生产调度问题
因此相关的研究
是具有重要的工程应用价值的
在学术上
调度问题本身就具有动态
非线性 不确定 强约束
多极小 多目标等复杂性
优化难度非常大
柔性调度问题
作为一类复杂的调度问题
它的建模更加复杂
解空间规模也更大
求解难度更大
大部分的柔性调度问题
都已经被证明是NP难问题
求解柔性调度问题
现有的主要算法可以分成三类
第一类是精确求解算法
可以得到问题的精确的最优解
但是在求解大规模问题的时候
这个计算量是难以接受的
并不能在实际应用中来使用
第二类是启发式方法
它可以快速的
构造一个可行的调度解
但是通常这个解的质量是有限的
并不能让决策者满意
第三类就是智能优化算法
可以在较短的时间内
得到问题的近似最优解
相关的理论
和应用的研究还亟需丰富
因此柔性生产调度的研究
是具有重要的学术意义的
典型的柔性生产调度问题
包括以下几类
并行机调度问题
柔性作业车间调度问题
混合流水车间调度问题
和分布式调度问题
这些调度问题
除了具有经典调度问题的共性
比如非线性 强约束
和多极小之外
它还有几类附加特性
比如并行加工特性
多功能加工特性
和分布式加工特性
这些加工特性
给问题带来了新的求解难点
首先它的子问题更多 新增加的工厂分配问题
和机器分配问题
是新增加的子问题
这些子问题之间
又是强耦合的
它们的求解是相互影响的
第二
由于生产过程更加复杂
约束条件和决策变量更多了
所以说问题的建模
也更加的复杂
第三
因为我们需要确定
各工件的加工路线
和多功能机器的工作模式
因此解空间的规模也更大
针对这些求解难点
在我们的研究中
是基于分布估计算法
来进行柔性生产调度的研究
分布估计算法
是近些年新兴的一种群智能算法
它主要是基于统计学习的理论
采用概率模型
作为算法的核心
它的优点是
因为它结合了问题的结构特性
从而在整个解空间
进行宏观搜索
因此它的全局搜索能力
是非常强的
基本的分布估计算法的步骤如下
首先建立问题的概率模型
并且初始化
然后 在之后的迭代中
先采样概率模型
产生一个新种群
再选择种群中的精英个体
来更新概率模型的参数
更新参数之后
再重新采样生成新种群
并且重新选择精英个体
如此反复的迭代
实现种群的进化
进而完成问题的求解
在我的课题中
整个研究的规划图如下
首先是进行
国内外文献的调研总结
然后进行两大类的研究
分别是问题层面和算法层面
主要的研究对象
是这样四类的柔性生产调度问题
并且进行两类的推广
和一类的应用探讨
我的研究内容概括如下
首先是柔性生产调度问题的
编码与解码策略
概率模型及其更新机制
第二是基于问题特性的搜索策略
和基于EDA的协同优化调度
第三是基于EDA的
多目标和不确定柔性生产调度
第四是一个应用探讨
是基于EDA的
半导体最终测试调度
那么 针对这些研究内容
我们开展了以下五项研究工作
在第一项研究工作中
是基于EDA-IG的
不相关并行机研究
这个问题它柔性的体现
在这个各个工件的工序
是可以在并行机中的
任意一台上加工的
并且机器是不相关的
另外在这里我们考虑了
工件加工之前的准备时间
是机器相关和工件序列相关的
这里的调度目标
是最小化它的完成时间
也就是Makespan
这个是问题的数学模型
包括它的目标函数和约束条件
在这项工作中
我们首先分析了
几类经典的领域搜索操作
并且针对每类的邻域搜索操作
都给出了这个操作
在makespan指标下
是否有效的一个充要条件
根据这些充要条件
我们就能知道一个操作
是否应该执行
因此可以避免无效的搜索操作
进而提高搜索的效率
在算法中我们的编码方式
采用的是m段工件号的序列
表征各个工件
在机器上的加工顺序
在种群的初始化环节
我们兼顾初始解的质量
和多样性
提出了这样一种最小负荷
最早完成的规则
这个问题的概率模型构建如下
我们采用m个矩阵
用来表征每台机器上
两个工件相邻的概率
为了能使算法
在初始阶段
在解空间中进行均匀搜索
我们采用这样的一个
初始化的方式
在每一次迭代中
算法都会选取种群中
比较好的一部分解
来更新这个概率模型
更新机制类似于
机器学习中的
增量学习这种方式
那么对于这个问题
我们考察精英群体的信息
重点是考察每台机器上
两个工件的紧邻情况
根据概率模型
我们可以采样产生新的种群
那么 这里的采样方式
主要是基于轮盘赌的方式
按照我们概率矩阵的元素
相对应的这个概率
来选择每台机器上
下一个要被选择的工件
并且这里注意到
要实时进行一个
矩阵的归一化
为了增强算法的局部搜索能力
我们提出了两种
迭代贪婪搜索的策略
这两种策略
有不一样的解构和重构阶段
但是它们共用
同样的局部改进阶段
在局部改进阶段
我们要根据前面提出的
五个定理的条件
来避免无效的搜索操作
进而提高我们的搜索效率
在这里我们是针对
每一代的最优个体
来进行IG搜索的
这个是局部改进的具体流程
通过以上的介绍
我们EDA-IG算法的流程如下
首先是初始化种群和概率模型
然后在之后的每次迭代过程中
都要首先选择精英群体
并且对最优解进行IG搜索
然后更新概率模型
采样产生新种群
如果不满足终止准则
那么 继续迭代
直到最后输出最优解
另外我们分析了算法
关键操作的复杂度
这里就不详细介绍
但这里需要注意的是
两种IG搜索策略的复杂度
是不一样的
IG2的复杂度
比IG1的复杂度要小
为什么要强调这一点
我们在后面会介绍到
为了验证算法的性能
我们采用国际标准测试问题
来进行算法的性能测试
包括640个小规模问题
和1000个大规模问题
这里性能指标
选取的是最优百分偏差
也就是我们算法能得到的最优解
和已经公布的
已知最好解之间的一个偏差
那么 肯定这个偏差越小
说明算法性能越好
首先我们基于试验设计
也就是DOE的方法
来探究算法的关键参数
对于算法性能的影响
进而给出一组推荐的算法参数
接下来我们首先验证了
将EDA和IG混合策略的有效性
我们发现将EDA
和任何一种IG搜索策略混合
都比单独使用
某一种搜索策略的性能要好
然后我们探讨了两种IG搜索策略
它对算法性能的影响
经过大规模的仿真实验
我们通过这个
来进行一个线性回归
得到回归线的方程
取这两条线的交点
我们可以得到一个比较好的
选择IG搜索策略的一个条件
那么基于以上的分析探讨
我们与已有的遗传算法
来进行性能比较
对于所有的小规模问题而言
在任何的时间准则下
EDA-IG的性能
都是比GA要好的
并且对于这640个小规模问题
EDA-IG可以找到
639个已知最好解
并且更新掉了1个已知最好解
对于1000个大规模问题
EDA-IG比GA的优势就更加明显
具体来说 更新530个已知最好解
在这项工作中
我们首先证明了
邻域搜索操作有效的充要条件
然后是我们详细的算法设计
并且验证了每一部分的(设计)是有效的
然后验证了(EDA-IG)是优于已有的最优算法
这篇文章
是在欧洲运筹学上
正在审稿中
第二项工作
我们是基于双种群EDA
进行多目标柔性作业车间(调度)的研究
这个问题它柔性的体现是
机器是多功能机
也就是说它可以切换工作模式
进行多道工序的加工
调度问题
本身是具有多目标性的
在这个问题中
我们考虑同时优化三个目标
分别是Makespan
机器总负荷和机器最大负荷
这是这个问题的数学模型
包括它的目标函数和约束条件
在已有的工作中
常用的多目标处理方法
主要可分为两类
加权法
是通过为各个目标设置权重
把多目标优化
转化为单目标优化求解
另外一类是Pareto方法
它是基于Pareto最优的概念
每次运行可以得到一组
互不支配的优化解
我们采用的就是Pareto的方法
这个算法中
编码 我们采用的是
双向量编码的方式
分别表示工序的排列
和机器的分配
其中工序排列向量中
第j次重复出现的工件号i
表示的就是工序Oij
然后 这个机器分配向量
也就是表示对应的工序
所在的机器号
通过这个编码方式
可以很简单的解码成为一个
可行的调度
根据这个问题的特性
我们采用双矩阵的概率模型
分别是工序排列矩阵
和机器分配矩阵
工序排列矩阵
考虑的是每道工序它的优先关系
机器分配矩阵
考虑的是工序和机器的匹配程度
然后 在这里我们采用
均匀初始化的方式
对概率模型进行初始化
在以后的每次迭代中
通过采样来产生一个新种群
采样的方式
也是采用轮盘赌的方式
但是这里需要注意的是
如果某个工件号
重复出现的次数
等于它的工序数
就说明这个工件已经加工完成
需要将相应的列置零
并且将每一行归一化
我们这里考虑的
是一个多目标的问题
这里就遇到了一个问题
在多目标的意义下
我们如何选择精英群体
来更新概率模型
这里我们提出的
是一种Pareto精英群体选择机制
主要是基于非支配排序
和拥挤距离的概念
可以选择一部分
Pareto精英群体
来更新概率模型
在更新的时候
我们重点考察的是工件号
在工序排列向量中的优先级
和工序与机器的对应关系
在这项工作中
我们提出了一种
基于协同进化机制的双种群
这个双种群
就需要依赖于种群的分裂
和合并
这个种群分裂机制
主要是为了用来平衡全局搜索
和局部搜索的
在种群分裂的过程中
我们又针对每个子种群
分别设计了相应的搜索操作
这个是整个算法的流程
主要包括两部分
一类是单种群操作
另一类是双种群操作
主要通过合并条件和分裂条件
来完成单种群和双种群的切换
同样我们进行了算法
关键操作复杂度分析
这里就不详细介绍
在仿真试验环节
因为多目标算法
肯定也能求解单目标的
只要将目标数量设为1即可
因此我们首先考察
算法求解单目标FJSP的性能
这里我们考察的是
Makespan指标
我们同样采用了DOE的方法
探讨算法参数
对算法性能影响
并且给出建议的参数设置
首先我们验证了
这种种群分裂机制的有效性
采用的方法是
与单种群的EDA进行比较
可以看到对于大部分问题
双种群EDA
都可以得到更好的最优解
并且平均性能
在很多个测试问题上
都是比单种群EDA要好
只有三个问题是有相同
因为它们都达到了最优
然后我们与已有的代表性算法
进行了性能比较
可以看到我们的双种群EDA
在大部分问题上
都取得了更好的平均值
并且找到了
若干新的已知最好解
接下来我们验证算法
求解多目标问题的性能
在多目标问题上
可以看到这个是能求到
非劣解的数量
禁忌搜索(TS)算法
和我们的B-EDA
是可以不被其它算法所支配的
就是其它算法所得到的解
是被这两种算法所支配
但是我们算法得到的解的数量
是比禁忌搜索(TS)要多
所以说我们这种算法
可以更好的求解
多目标FJSP问题
另外在运行时间方面
在相近的仿真环境下
我们算法的运行时间
比其它算法都大大的减少
在这项工作中
我们是针对问题特性
提出了双概率矩阵的
一个概率模型
然后分别设计
协同进化的搜索机制
和搜索操作
并且验证了
这种机制和操作的有效性
然后我们分别验证了
算法求解单目标
和多目标问题时的有效性
这项工作发表在C&IE和IJPR上
那么第三项工作
我们是基于O-EDA的
随机混合流水车间调度研究
这个问题柔性的体现是
在流水线上的每个阶段
都是存在并行机的
工序在并行机上完成加工
即可完成这个阶段的加工
同样我们考虑
Makespan指标
这个是问题的数学模型
包括它的目标函数和约束条件
调度问题
本身是具有不确定性的
这个不确定性
通常都来源于
生产过程中的不确定因素
在这项工作中
我们考虑的是
加工时间的不确定性
具体的研究方法
是用某个区间的随机数
来表示具体的加工时间
那么这个随机数
就是基于一个确定性的问题
和一个不确定度/tao
来决定的
在求解这种
随机加工时间问题的时候
一个比较常用的手段
就是对一个解进行重复评价
来得知这个调度解
大致的性能是怎么样
然后 在这个过程中
我们为了同时考虑
算法的寻优能力
和算法求解的稳定性
采用这样的一个评价函数
来评价一个解的性能
编码
我们提出基于排列的编码方式
考虑第一阶段的加工顺序
因为针对这个问题特性
第一阶段的顺序
对于整个解的性能
是有着非常重要的影响的
然后 我们采用这种
最先空闲机器的规则
来进行解码
这个问题我们提出的是
基于工件优先级矩阵
这样一个矩阵的概率模型
它表征的是什么呢
是各个工件
在第一阶段的加工优先级
在采样的时候
这个就跟前两个工作相比
它要更简单一些
因为这个只有一个概率模型
所以说我们只需要对
每一位上的工件
进行按照轮盘赌的方式
进行采样即可
但是我们在进行
概率模型更新的时候
就遇到这样一个问题
因为这个问题是个随机问题
需要对解重复评价
来计算目标值的期望
因为我们需要选择
一部分较优的精英解
来更新概率模型
那么这里就遇到一个问题
如何能将每次迭代中
有限的计算量
尽量较多的用于评价精英解呢
就是不浪费计算量呢
我们提出了一种
基于OCBA的概率模型更新机制
OCBA是最优计算量分配技术
是序优化理论中的
一个已有的技术
那么我们将这个技术
引入到我们的EDA算法中
重新设计
可以将较多的计算量
尽量多的用于评价那些
比较好的个体
在概率模型更新的时候
这里我们考察的是什么呢
是每个工件号
它在解的位置中的优先关系
进而来进行增量学习
来更新概率模型
这个是这个算法的流程
在这里需要注意的是
每一代采样新种群之后
我们是基于OCBA来评价种群
才选择精英群体的
同样我们分析了算法
关键操作的复杂度
这里也不详细介绍
采用DOE的方法
来确定算法的参数之后
我们进行了后续的仿真实验
首先我们验证了
这种OCBA机制的有效性
这个是算法某次迭代中
它的计算量的分配情况
横坐标已经将种群中的解
从优到差排列了
纵坐标是用于每个解的评价次数
可以看到我们的算法
采用了OCBA机制以后
可以将更多的计算量
用于评价种群中
这些比较好的解
来更准确的更新概率模型
随后我们进行了大量的仿真实验
分别考察不同问题
在不同的目标函数的权重下
它们的平均Makespan和偏差
以及期望与最优值之间的偏差
那么 可以看到
在所有的问题上
并且在所有的
不确定度的情况下
我们的O-EDA算法的性能
都是最好的
同时我们也考察了
将EDA中的OCBA环节去掉
来进行算法比较
可以看到这个OCBA机制
对于算法性能
还是有比较大的影响的
如果不加OCBA
这个性能就没有现在的O-EDA好
在这项工作中
我们提出了
基于工件优先级的概率模型
并且提出了一种
基于OCBA的概率模型更新机制
验证了我们的算法
在有效性和稳定性上都优于GA
第四项工作
我们是基于EDA-LS的
分布式流水装配调度
这个问题它柔性体现在
加工阶段是一个分布式的
置换流水线
就是说加工阶段
可以在任意的工厂内完成
这个是这个问题的示意图
然后 完成加工阶段之后
工件会进入到装配阶段
完成装配
最终产生产品
我们的调度目标
也是最小化Makespan
在这项工作中
我们首先给出了
这种分布式的流水装配调度
它Makespan怎么计算的
然后我们提出了一种新的
基于双向量的编码方式
分别考察工件的优先级
和工厂的分配情况
基于这两个向量
也是可以非常容易的
就解码成为一个可行的调度
虽然我们的编码是双向量
但是根据问题特性
我们采用的是一个矩阵
也就是只考虑
工件的优先级矩阵
来构建问题的概率模型
考察的是什么呢
是解码过程中
工件在分配工厂时的重要程度
在更新概率模型的时候
同样我们需要重点考察的是
精英群体中
每个工件的加工优先级的情况
来更新我们的概率模型
不同于以前的工作
我们提出了一种
选择性增强的采样机制
主要的思想是
尽量将属于同一产品的工件
让它们在工件优先级向量中
尽量紧邻
这样可以尽早的完成
相应产品的装配过程
生成工厂分配向量的时候
我们提出了一种ECF规则
主要思想是
将工件依次分配到
完成时间最早的工厂
因为我们考察的是Makespan指标
另外为了提出一种
有效的局部搜索操作
我们定义了这个问题的关键路径
并且分析了这个关键路径
一定是有两个环节
分别是加工环节
和装配环节构成
并且加工环节
一定是在同一个工厂内完成的
基于以上的分析
我们提出了五种
基于关键路径的局部搜索策略
来增强算法的细搜索能力
这里基于关键路径的
局部搜索
是基于每代的最优解来执行的
同样我们分析了
算法的关键操作的复杂度
为了验证算法的性能
我们基于国际标准测试问题
包括900个小规模问题
和910个大规模问题
在最优百分偏差的性能指标下
验证算法的性能
首先我们也是基于DOE
来探讨算法参数
对算法性能的影响
然后我们首先是验证
将EDA和LS混合
这种混合框架的有效性
那么 可以看到
混合算法在所有问题上
它的性能都是要优于
单独使用某种算法的
并且它的运行时间
也是比单独使用EDA要短
这是因为它只需要
更少的迭代次数即可
然后我们验证了提出的这种
选择性增强采样机制的有效性
根据ANOVA分析的结果
可以看出
这种选择性增强的采样机制
它是可以显著改进算法性能的
并且同时我们也为这个
选择增强系数
选择了一个合理的参数值
在算法性能比较环节
我们是与已有的
所有算法进行了一个性能比较
对于900个小规模问题
我们更新了87个已知最好解
对于各个分组
我们都是优于已有算法的
大规模的结果也是类似
我们这里是更新了
94个大规模的已知最好解
在算法的运行时间方面
我们的算法
与之前最好算法
VNDH32的运行时间是相当的
这里仿真条件
也是在相近的CPU水平下进行的
在这项工作中
我们主要是提出了新的编码方式
设计了基于工件优先级的
概率模型
并且提出了新的采样机制
提出了这个问题的关键路径
并且设计了相应的局部搜索操作
验证了相应设计的有效性
并且验证了我们的性能
是优于所有的已有算法的
然后更新了181个已知最优解
这篇文章是发表在
IEEE Trans SMC上面
第五项工作
我们进行了一个应用探讨
是基于HEDA的
半导体最终测试调度
半导体最终测试调度
它的背景是这样的
半导体产品在出厂之前
需要进行一个功能测试
来避免次品的出厂
我们可以简单的描述
是有n个集成电路产品
在m台机器上测试
每个产品
需要进行一系列的测试操作
但是不同产品的工艺路径
可能是不一样的
同时这个问题是一个多资源调度
因为在半导体测试的过程中
需要为机器配置正确的测试机
分类机和辅助设备
才能完成整个测试过程
它柔性的体现
和前面我们研究的
柔性作业车间调度是类似的
因为这里的机器是多功能机
可以完成多类型的操作
同时我们像工作一那样
考虑了产品的装卸
需要准备时间
这个准备时间也是序列相关的
在这项工作中
我们考虑的调度目标是
最小化Makespan
这个是这个问题的一个示例
我们将它建模成
带有序列相关准备时间的
多资源柔性作业车间调度问题
看这个名字
就已经知道这个问题
是一个非常复杂的问题了
这个问题的数学模型
也验证了这一点
我们就需要一个
比较简单有效的算法
来求解这个实际问题
基于之前工作的基础
我们提出了一种新的编码方式
分别是工序排列向量
和机器分配向量
在求解这个问题时
之前的研究者
都没有考虑过这种编码方式
在后面的仿真实验环节
我们会验证这种编码方式
它对于算法性能的提升
还是非常有效的
然后在解码过程中
我们需要同时考虑资源的约束
和准备时间
才能完成这个
从编码到调度解的一个解码过程
对于问题的概率模型
我们采用的是
双矩阵的概率模型
分别考虑工序的排列
和机器的分配
在更新概率模型的时候
同样我们考虑的是
某个工件它对应工序的优先级
和工序与机器的匹配关系
为了增强算法的细搜索能力
我们提出了这样一种
比较简单的局部搜索策略
因为这个问题已经很复杂了
如果在搜索上
再花太多时间的话
并不利于实际应用
因此我们采用了这样一个
非常简单的一个局部搜索的操作
可以改进每次迭代中
种群的最优解
同样我们分析了算法的复杂度
可以看到
它的关键操作复杂度
都是非常小的
在仿真实验环节
我们基于台湾
某个半导体测试工厂中的
实例数据
开展了仿真实验
首先是基于DOE的方法
进行算法的参数设置
给出一组合理的参数值
然后我们与已有的几类
最好的算法
进行了性能比较
那么这个CEDA
是之前台湾Chien Chen Fu教授
他们课题组提出的最好算法
并且他验证了这个算法
是显著的
优于这两种GA的
所以 我们仅仅开展了
HEDA和CEDA的假设检验
可以看到对于所有组的问题
这个p值都是零
就是说HEDA
是显著优于CEDA的
在运行时间方面
我们的优势就更为明显
之前算法
因为这个仿真的环境是类似的
之前算法最好的平均运行时间
也需要150秒
而我们的HEDA
只需要3.3秒
其实完全就可以进行一个
在线的优化了
这个是根据我编写的软件
所输出的调度的甘特图
和实时的资源变化情况
我们这项工作
是发表在JIM上
下面对我整个博士课题的工作
进行一个简单的总结
这篇论文的创新点
可以从两个层面来总结
第一是EDA的算法层面
我们提出了
新颖有效的编码解码方式
和概率模型
同时我们提出了
双种群EDA的协同进化机制
我们针对问题特性
提出了新的采样机制
另外针对多目标
和不确定的调度问题
分别提出了
概率模型的更新机制
和精英解的选择机制
在柔性调度的问题层面
我们分析了邻域搜索操作
是否有效的充要条件
我们定义了问题的关键路径
并且对关键路径进行了分析
然后提出了有效的局部搜索策略
在本文工作的基础上
之后的工作
可以从以下两方面进行
也是算法层面和问题层面
在算法层面
可以尝试提出自适应的算法
主要基于统计学习
和信息论中的信息熵理论
来进行开展研究
另外可以考察
编码解码方式的有效性
并且可以尝试
其它更为新颖有效的
协同进化机制
在问题层面
首先要注重问题的推广和应用
因为本文研究的
是几类典型的柔性调度问题
完全可以再进行下一步的
问题的推广应用和研究
另外我认为探讨加工数据
对于调度解性能的影响
也是一项比较有意思的研究
那么在攻读博士学位期间
我总共发表了十篇
SCI(收录)的国际期刊
包括KBS
IEEE Trans SMC
IJPE IJAMT和IJPR
ESWA C&IE等等
发表了四篇国内的EI(收录)期刊
包括 自动化学报
控制与决策
和计算机集成制造系统等等
另外在国内外的学术会议上
也发表了多项研究成果
并且和课题组其他同学合作
发表了若干文章
这里就不一一列出了
在攻读博士学位期间
我获得了《自动化学报》
2014年度的优秀论文奖
国际智能计算会议的最佳论文奖
CPCC的
学生优秀论文提名奖
和运筹学会排序分会的
学术年会的最佳论文一等奖
同时两次获得了国家奖学金
三次获得了校级综合优秀一等奖学金
获得了自动化系的学术新秀
和清华大学的优秀学生干部
好的 谢谢各位老师
欢迎各位老师提问
-化工系-侯瑞君
--答辩人侯瑞君简介
--论文摘要
--答辩陈述
--问答及答辩结果
-化工系-靖宇
--答辩人靖宇简介
--论文摘要
--答辩陈述
--问答及答辩结果
-化工系-申春
--答辩人申春简介
--论文摘要
--答辩陈述
--问答及答辩结果
-热能系-周会
--答辩人周会简介
--论文摘要
--答辩陈述
--问答及答辩结果
-航院-李京阳
--答辩人李京阳简介
--论文摘要
--答辩陈述
--问答及答辩结果
--导师点评
--个人感言
-土木系-安钰丰
--答辩人安钰丰简介
--论文摘要
--答辩陈述
--问答及答辩结果
-机械系-刘向
--答辩人刘向简介
--论文摘要
--答辩陈述
--问答及答辩结果
-机械系-白鹏
--答辩人白鹏简介
--论文摘要
--答辩陈述
--问答及答辩结果
-自动化系-黄高
--答辩人黄高简介
--论文摘要
--答辩陈述
--问答及答辩结果
-自动化系-江奔奔
--答辩人江奔奔简介
--论文摘要
--答辩陈述
--问答及答辩结果
-自动化系-杨霄
--答辩人杨霄简介
--论文摘要
--答辩陈述
--问答及答辩结果
-自动化系-王圣尧
--答辩人王圣尧简介
--论文摘要
--答辩陈述
--问答及答辩结果
-交叉信息学院-顾钊铨
--答辩人顾钊铨简介
--论文摘要
--答辩陈述
--问答及答辩结果
--导师点评
--个人感言
-水利系-武明鑫
--答辩人武明鑫简介
--论文摘要
--答辩陈述
--问答及答辩结果
-微纳电子系-田禾
--答辩人田禾简介
--论文摘要
--答辩陈述
--问答及答辩结果
-工程物理系-付明
--答辩人付明简介
--论文摘要
--答辩陈述
--问答及答辩结果
-工程物理系-刘飞翔
--答辩人刘飞翔简介
--论文摘要
--答辩陈述
-材料学院-李洒
--答辩人李洒简介
--论文摘要
--答辩陈述
--问答及答辩结果
-医学院-江力玮
--答辩人江力玮简介
--论文摘要
--答辩陈述
--问答及答辩结果
-医学院-左腾
--答辩人左腾简介
--论文摘要
--答辩陈述
--问答及答辩结果
-法学院-王一超
-- 答辩人王一超简介
--论文摘要
--答辩陈述
--问答及答辩结果