答辩陈述在线视频

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