- 相关推荐
开题报告文献综述 北理工
不会写开题报告、文献综述,论文的过来看!下面是小编整理的开题报告文献综述 北理工范文。
【一】北京理工大学硕士学位论文开题文献综述报告
学位论文题目为《基于聚类分析的启发式优化算法》 ，论文内容涉及了优化算法(主要是经典优化算法，启发式优化算法) ，算复杂性理论和聚类分析等相关领域。
根据这些领域与论文的相关程度，比较详细的归纳总结启发式优化算法，对计算复杂性理论和聚类分析只做了一般性的总结。
最后对这些相关领域未来的发展和研究提出自己的观点。
在现实生活中许多重要的问题，都涉及到选区一个最好的目标，或者为达到这个目标而选择某些参数、确定某些值，这些问题都可以归结为最优化问题。
对于一个最小值问题，其形式的描述为 min ( )f XXS∈(1) 这里的 S 为解的可行域，也称为解空间或搜索空间，条件 XS∈概括了对向量 X 的约束。
这些约束可以包括线性或非线性函数， 以及离散变量， 都可以根据实际要求设置。
最优化问题的目标是找到(1)的最优解(全局最优解或局部最优解) 。
显然，只要改变目标函数的符号，最大值问题就可以转变成最小值问题，因此，本文在说明都是以最小值问题问标准。
解决最优化问题的算法称为最优化算法，可以分为经典优化算法和启发式优化算法。
而经典优化算法又分为线形与非线性最优化算法，下面分别对两类算法的发展及常用的软件包做了介绍。
1. 线性最优化[1][10]： 线性最优化, 又称线性规划, 是运筹学中应用最广泛的一个分支.这是因为自然科学和社会科学中许多问题都可以近似地化成线性规划问题. 线性规划理论和算法的研究及发展共经历了三个高潮, 每个高潮都引起了社会的极大关注.
线性规划研究的第一高潮是著名的单纯形法的研究.
这一方法是 Dantzig 在 1947 年提出的,它以-15- -15- 成熟的算法理论和完善的算法及软件统治线性规划达三十多年. 随着 60 年代发展起来的计算复杂性理论的研究, 单纯形法在七十年代末受到了挑战.
前苏联数学家 Khachiyan 提出了第一个理论上优于单纯形法的所谓多项式时间算法--椭球法, 曾成为轰动一时的新闻, 并掀起了研究线性规划的第二个高潮.
但遗憾的是广泛的数值试验表明, 椭球算法的计算比单纯形方法差. 1984 年 Karmarkar 提出了求解线性规划的另一个多项式时间算法.
这个算法从理论和数值上都优于椭球法, 因而引起学术界的极大关注, 并由此掀起了研究线性规划的第三个高潮. 从那以后, 许多学者致力于改进和完善这一算法,得到了许多改进算法.这些算法运用不同的思想方法均获得通过可行区域内部的迭代点列, 因此统称为解线性规划问题的内点算法.
目前内点算法正以不可抗拒的趋势将超越和替代单纯形法. 在互联网上能访问到的解线性和整数规划问题的软件还有:EQPS(线性，整数和非线性规划),FMP(线性和混合整数规划) ，HS/LPLO(线性规划) ，KORBX(线性规划) ，LAMPS(线性和整数规划) ，LPBLP(线性规划) ，
MILP(混合整数规划) ，MINTO(混合整数规划) ， MPSIII(线性和混合整数规划) ，OML(线性和混合整数规划) ， OSL(线性，二次和混合整数规划) ，PROCLP(线性和整数规划) ，WB(线性和混合整数规划) ，WHIZARD(线性和混合整数规划) ，XPRESSMP(线性和混合整数规划)等[41]。
2.非线性最优化[1][2][3][10]： 非线性规划的一个重要理论是 1951 年 Kuhn-Tucker 最优条件(简称 KT 条件)的建立[2].此后的 50 年代主要是对梯度法和牛顿法的研究.以 Davidon(1959), Fletcher 和 Powell(1963)提出的 DFP 方法为起点, 60 年代是研究拟牛顿方法活跃时期, 同时对共轭梯度法也有较好的研究.
在 1970 年由 Broyden,Fletcher,Goldfarb 和 Shanno 从不同的角度共同提出的 BFGS 方法是目前为止最有效的拟牛顿方法.
由于Broyden, Dennis 和 More 的工作使得拟牛顿方法的理论变得很完善. 70 年代是非线性规划飞速发展时期, 约束变尺度(SQP)方法(Han和Powell为代表)和Lagrange乘子法(代表人物是 Powell 和 Hestenes)是这一时期主要研究成果.计算机的飞速发展使 -15- 非线性规划的研究如虎添翼.
80 年代开始研究信赖域法、稀疏 拟牛顿法、大规模问题的方法和并行计算, 90 年代研究解非线性规划问题的内点法和有限储存法.
可以毫不夸张的说, 这半个世纪是最优化发展的黄金时期. 与线性规划相比，非线性规划软件还不够完善. 但是已有大量解非线性规划问题的软件, 其中有相当一部分可从互联网上免费下载.LANCELOT 是由 Conn,Gould 和Toint 研制的解大规模最优化问题的软件包,适合解无约束最优化、非线性最小二乘、边界约束最优化和一般约束最优化问题.
这个软件的基本思想是利用增广Lagrange函数来处理约束条件, 在每步迭代中解一个边界约束优化子问题, 其所用的方法结合信赖域和投影梯度等技术.MINPACK 是美国 Argonne 国家实验室研制的软件包， 适合求解非线性方程组和非线性最小二乘问题, 所用的基本方法是阻尼最小二乘法,
此软件可以从网上图书馆获得. PROC NLP 是 SAS 软件公司研制的 SAS 商业软件中 OR 模块的一个程序，这个程序适合解无约束最优化、非线性最小二乘、线性约束最优化、二次规划和一般约束最优化问题.TENMIN 是 Schnabel 等研制的解中小规模问题的张量方法软件。
在互联网上能访问到的解非线性最优化问题的软件还有:CONOPT(非线性规划) ，DOT(优化设计工具箱) ，Excel and Quattro Pro Solvers(线性，整数和非线性规划) ，FSQP(非线性规划和极小极大问题) ，GRG2(非线性规划)， LBFGS(有限储存法) ，
LINDO(线性、二次和混合整数规划) ，LSSOL(最小二乘和二次规划) ，MINOS(线性和非线性规划) ，NLPJOB(非线性多目标规划) ， OPTPACK(约束和无约束最优化),PETS(解非线性方程组和无约束问题的并行算法) ，
QPOPT(线性和二次规划) ,SQOPT (大规模线性和凸二次规划) ， SNOPT (大规模线性、 二次和非线性规划) ，SPRNLP (稀疏最小二乘,稀疏和稠密非线性规划) ， SYSFIT (非线性方程组的参数估计) ，TENSOLVE (非线性方程组和最小二乘) ， VE10(非线性最小二乘)等[38][39][40][41].
大自然是神奇的，它造就了很多巧妙的手段和运行机制。
受大自然的启发，人们从大自然的运行规律中找到了许多解决实际问题的方法。
对于那些受大自然的运行规律或者面向具体问题的经验、规则启发出来的方法，人们常常称之为启发式算法 -15- (Heuristic Algorithm) 。
现在的启发式算法也不是全部来自然的规律，也有来自人类积累的工作经验。
启发式算法有不同的定义：一种定义为，一个基于直观或经验的构造的算法，对优化问题的实例能给出可接受的计算成本(计算时间、占用空间等)内，给出一个近似最优解，该近似解于真实最优解的偏离程度不一定可以事先预计;
另一种是，启发式算法是一种技术，这种技术使得在可接受的计算成本内去搜寻最好的解，但不一定能保证所得的可行解和最优解，甚至在多数情况下，无法阐述所得解同最优解的近似程度[11]。
我比较赞同第二种定义，因为启发式算法现在还没有完备的理论体系，只能视作一种技术。
启发式算法的计算量都比较大，所以启发式算法伴随着计算机技术的发展，取得了巨大的成就[11][23]。
40 年代：由于实际需要，人们已经提出了一些解决实际问题快速有效的启发式算法。
50 年代：启发式算法的研究逐步繁荣起来。
随后，人们将启发式算法的思想和人工智能领域中的各种有关问题的求解的收缩方法相结合，提出了许多启发式的搜索算法。
其中贪婪算法和局部搜索等到人们的关注。
60 年代: 随着人们对数学模型和优化算法的研究越来越重视，发现以前提出的启发式算法速度很快，但是解得质量不能保证。
虽然对优化算法的研究取得了很大的进展，但是较大规模的问题仍然无能为力(计算量还是太大) 。
70 年代：计算复杂性理论的提出。
NP 完全理论告诉我们，许多实际问题不可能在合理的时间范围内找到全局最优解。
发现贪婪算法和局部搜索算法速度快，但解不好的原因主要是他们只是在局部的区域内找解，得到的解不能保证全局最优性。
由此必须引入新的搜索机制和策略， 才能有效地解决这些困难问题，这就导致了超启发式算法(meta-heuristic algorithms)的产生。
Holland 模拟地球上生物进化规律提出了遗传算法(Genetic Algorithm) ，它的与众不同的搜索机制引起了人们再次引发了人们研究启发式算法的兴趣，从而掀起了研究启发式算法的热潮。
-15- 80 年代以后： 模拟退火算法 (Simulated Annealing Algorithm) ， 人工神经网络 (Artificial Neural Network) ，禁忌搜索(Tabu Search)相继出现。
最近，演化算法(Evolutionary Algorithm), 蚁群算法(Ant Algorithms) ， 拟人拟物算法，量子算法等油相继兴起，掀起了研究启发式算法的高潮。
由于这些算法简单和有效，而且具有某种智能，因而成为科学计算和人类之间的桥梁。
优胜劣汰是大自然的普遍规律，它主要通过选择和变异来实现。
选择是优化的基本思想，变异(多样化)是随机搜索或非确定搜索的基本思想。
“优胜劣汰”是算法搜索的核心，根据“优胜劣汰”策略的不同，可以获得不同的超启发式算法。
超启发式算法的主要思想来自于人类经过长期对物理、生物、社会的自然现象仔细的观察和实践，以及对这些自然现象的深刻理解，逐步向大自然学习，模仿其中的自然现象的运行机制而得到的。
遗传算法：是根据生物演化，模拟演化过程中基因染色体的选择、交叉和变异得到的算法。
在进化过程中，较好的个体有较大的生存几率[5]。
模拟退火：是模拟统计物理中固体物质的结晶过程。
在退火的过程中，如果搜索到好的解接受;否则，以一定的概率接受不好的解(即实现多样化或变异的思想) ，达到跳出局部最优解得目的[10]。
神经网络：模拟大脑神经处理的过程，通过各个神经元的竞争和协作，实现选择和变异的过程[22]。
禁忌搜索： 模拟人的经验， 通过禁忌表记忆最近搜索过程中的历史信息， 禁忌某些解，以避免走回头路，达到跳出局部最优解的目的[32]。
蚂蚁算法：模拟蚂蚁的行为，拟人拟物，向蚂蚁的协作方式学习。
这几种超启发式算法都有一个共同的特点：从随机的可行初始解出发，才用迭代改进的策略，去逼近问题的最优解[23]。
他们的基本要素： (1)随机初始可行解; (2)给定一个评价函数(常常与目标函数值有关) ; -15- (3)邻域，产生新的可行解; (4)选择和接受解得准则; (5)终止准则。
其中(4)集中反映了超启发式算法的克服局部最优的能力。
虽然人们研究对启发式算法的研究将近50年，但它还有很多不足[5][23]： 1.启发式算法目前缺乏统一、完整的理论体系。
2.由于 NP 理论，各种启发式算法都不可避免的遭遇到局部最优的问题，如何判断 3.各种启发式算法都有个自优点如何，完美结合。
4.启发式算法中的参数对算法的效果起着至关重要的作用，如何有效设置参数。
5.启发算法缺乏有效的迭代停止条件。
6.启发式算法收敛速度的研究等。
由于各种算法对同一个问题都有可能给出最优解，为了判定各种算法的效率，人们给出了算法复杂性的度量。
计算复杂性理论是研究算法有效性和问题难度的一种工具。
它是最优化问题的基础，涉及如何判断一个问题的难易程度。
只有了解了所研究问题的复杂性，才能更有针对性地设计有关算法，提高算法效率。
所谓 P 问题，就是可以被关于问题本身的参数，如维数，约束个数等的多项式时间内求解的问题。
几个多项式和指数的时间复杂性函数的对比[9] 规模 n 时间复杂性 函 数 10 20 30 40 50 60 N 20.00001s 0.00002s 0.00003s 0.00004s 0.00005s 0.00006s N0.0001s 0.0004s 0.0009s 0.0016s 0.0025s 0.0036s N30.001s 0.008s 0.027s 0.064s 0.125s 0.216s N50.1s 3.2s 24.3s 1.7m 5.2m 13.0m 2n0.001s 1.0s 17.9m 12.7d 35.7y 366c 3n0.059s 58m 6.5y 3855c 2x108c 1.3x1013c 图(1) (S:秒 M:分 D:天 Y:年 C:世纪) NP 问题就是对于一个给定的点， 能多项式时间内判定它是否给定问题的解的问题 -15- [9][14]。
NP 包含 P 是以显然的事实。
但是 P 是否也包含 NP，就是一个非常困难的问题。
目前这个问题被列为全世界 7 大数学难题之首。
有一类 NP 问题，它们之间相互等价，求解其中一个问题就求解了全部问题。
大部分组合组优化问题属于此类。
这类问题称为 NP 完全问题类。
单个问题就称为 NP 完全问题。
一般相信，这类问题不存在多项式时间算法。
全局最优化的问题很早就有很提出来个,Markowzi&Manne(1957)和Dantzig(1958)讨论了线性混合整数规划问题的全局最优解.(线性优化问题没有全局最优和局部最优的区别,因为线性规划是凸规划,它的可行域上的局部最优就是全局最优).之后又有LAND&DOIG等研究了全局最优化.
全局最优化成为数学规划的一个分支的时间是<>(dixon&Szego 1975).为了解决这个问题,大量的学者开始研究它,并提出了很多理论和算法,但是人们发现似乎是没有好的算法能有效的解决全局最优化问题.
起初人们用经典算法(如最速下降法,牛顿法,SQP 等)进行多初试点的计算不能有效地解决,在那时(1970年代)计算复杂理论创立了. 自从Cook1972年提出NP理论，衡量计算复杂性就有了标准。
已经证明了全局最优化问题是 NP 问题[11].经典算法对它效果不是很好，随后有的人开始根据全局优化问题的特点对经典算法进行改进，有的则引入了启发式算法(如遗传算法，神经网络，模拟退活)[35][36]。
大都采用随机搜索的策略[25][26]。
似乎完美的东西是不存在的，如果得到精确的解，计算时间总是难以承受的.计算时间和结果的质量是不能同时提高的，如果想提高计算结果的质量就要多花时间，如果想要快速计算计算的结果就无法保证。
聚类分析是一种重要的人类行为。
早在文明历史前，一个人就能通过不断地改进下意识中的 聚类模式来学会如何区分动植物。
聚类分析已经广泛地用在许多应用中，包括模式识别，数据分析，图像处理，以及市场研究。
通过聚类，人能够识别密集的 -15- 和稀疏的区域，因而发现全局的分布模式，以及数据属性之间的有趣相互关系。
聚类(clustering)就是将数据对象分组成为多个类或簇(cluster) ，在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大[17]。
相异度是根据描述对象的属性值来计算的。
距离是经常采用的度量方式。
常用的距离和相似度有明考斯基距离(Minkowski distance) 、欧氏距离(Euclidean distance) 、绝对值距离(City-block distance) 、切比雪夫距离(Sup distance ) 、 马 氏 距 离 ( Mahalanobis distance ) 、 帕 松 相 关 系 数 ( Pearson correlation) 、夹角余旋(Cosine similarity)等[15][18][20]。
距离和相关系数的选取对整个聚类过程起着至关重要的作用，当然也可以根据具体问题，定义具体的距离和相关系数的计算方法。
聚类分析的方法可分为：划分的方法(partitioning method) 、层次方法(hierarchical method) 、基于密度的方法(density-based method) 、基于网格的方法 (grid-based method) 、 和基于模型的方法 (model-based method) [17][19][37]。
1.划分的方法(partitioning method) 给定一个对 n 个对象或元素的数据，一个划分方法构建数据的 k 个划分，每个划分表示一个聚簇，并且 n>k。
它将数据划分为 k 个组，同时满足 a.每组至少包含一个对象;b.每个对象必须属于且只属于一个组(模糊聚类除外) 。
思想：给定要构建的划分数目 k，划分方法首先创建一个初始划分。
然后采用一种迭代的重定位技术，尝试通过对象在划分间移动来改进划分。
具 体 方 法 ： k-means, k-median, EM(Expectation Maximization), CLARA(Clustering LAge Applications)等[17][20]。
2.层次方法(hierarchical method) 层次的方法对给定数据对象集合进行层次的分解，根据层次的方法可以分为凝聚的和分裂的。
凝聚的方法，一开始将每个对象作为单独得一组，然后相继地和合并相近的对象或组，直到所有的组合并称为一类。
具体方法：系统聚类法[15]，CURE(Clustering Using Representatives)，变色 -15- 龙(Chameleon)等[17]. 3.基于密度的方法(density-based method) 大部分划分方法基于对象之间的距离进行聚类，这样的方法只能发现球状的簇，而不能发现任意形状的簇。
随之提出了基于密度的聚类方法，其主要思想是，只要邻近区域的密度(对象或数据点的数目)超过某个阀值就继续距类。
或者说只要两点之间是密度可达的就把这两点归为一类。
(密度可达： 给定一个对象集合 D，如果 p 是在 q 的 e 邻域内，q 属于 D，则称 p 和 q 是密度可达的[17]) 。
具体方法：DBSCAN(Density-Based Spatial Clustering of Applications with Noise),OPTICS(Ordering Points to Identify the Clustering Structure), DENCLUE (DENsity-based CLUstERing)等[17][20]。
4.基于网格的方法(grid-based method) 基于网格的方法把对象空间量化为有限数目的单元，形成了一个网格的结构。
所有的聚类操作都在这个网格结构上进行。
这种方法的主要有点就是他的处理速度很快，其处理时间独立于数据对象的数目，只与量化空间中的每一维的单元数目有关。
也就是说， 网格划分的越细计算量越大， 网格划分的越粗聚类的误差越大。
具 体 方 法 ： STING ( Statistical Information Grid )， WaveCluster, CLIQUE(Clustering In QUEst)等[17]。
5.基于模型的方法(model-based method) 基于模型的方法为每个簇假定了一个模型，寻找数据对给定模型的最佳拟合。
一个基于模型的算法可能通过构建反映数据点空间分布的密度函数来定位聚类。
具体方法:基于模型的方法主要有两种，统计学方法和神经网络方法[17]。
现在有的许多聚类算法对中小规模(200 个数据以下)的数据集合效果比较好，但是一个数据集合可能包含几百万个数据对象，在对这样的大数据集合上进行距类可能会导致偏差的结果， 或者计算复杂性太高， 以致无法在接受的时间内等到聚类结果。
所以现在，研究工作都集中在为大型数据集合的有效和实际聚类分析寻找适当的方 -15- 法。
活跃的研究主题集中在聚类方法的可伸缩性，方法对聚类复杂形状和类型的数据的有效性，高维聚类分析技术，以及针对大型数据集合的混合数值和分类数据的聚类方法[20]。
聚类是一个富有挑战性的研究领域，尤其是大规模高维数据集合的聚类。
数据挖掘对聚类的要求如下：[17] 1. 可伸缩性：对任意规模的数据集合都可处理。
2. 处理不同类型属性的能力：对不同类型属性(如，数值型，正性，标类型等)都可以处理。
3. 发现任意形状的聚类：前面所说基于欧氏距离的聚类方法只能对球型数据聚类，如果数据类是条型，线形等其他形状如何聚类。
4. 用于决定输入参数的领域知识的最小化： 一些聚类方法聚类前需要确定一些参数，如 k-means，必须知道 k 才能开始聚类，往往这些参数对聚类结果有这至关重要的影响。
5. 处理噪声的能力： 数据中的噪声会影响到聚类的效果，如何把这种影响降到最低，做没有影响。
6. 对输入顺序不敏感。
7. 高维性(high dimensionality) ：维数越大，计算越大，这种增长可能是指数增长的，如何有效地处理高维数据[16]。
8. 基于约束的聚类：聚类过程中有约束的影响，聚类的可行区域要符合约束。
9. 可解释性和可用性：用户希望聚类的结果是可解释的，可理解的，可用的。
经典优化算法和启发式优化算法都是迭代算法，但是，它们又有很大区别：1.经典算法是以一个可行解为迭代的初始值，而启发式算法是以一组可行解为初始值;2.经典算法的搜索策略为确定性的，而启发式算法的搜索策略是结构化和随机化;
3.经典算法大多都需要导数信息，而启发式算法仅用到目标函数值的信息;4.经典算法对 -15- 函数性质有着严格要求，而启发式算对函数性质没有太大要求;5.经典算法的计算量要比启发式算法小很多。
比如，对于规模较大且函数性质比较差的优化问题，经典算法的效果不好，但一般的启发式算法的计算量太大[6]。
优化算法的主要由搜索方向和搜索步长组成。
搜索方向和搜索步长的选区决定了优化算法的搜索广度和搜索深度。
经典优化算法和启发式优化算法的区别主要是由其搜索机制不同造成的。
经典算法的搜索方向和搜索步长是由局部信息(如导数)决定的所以只能对局部进行有效的深度搜索，而不能进行有效广度搜索，所以经典的优化算法很难跳出局部最优。
启发式优化算法，为了避免像经典优化算法那样陷入局部最优，采用了相对有效的广度搜索，不过这样做使得在问题规模较大的时候计算量难以承受。
纵观优化算法的发展，完美的算法是不存在的。
我们评价算法好坏的标准： (1)算法收敛速度; (2)算法使用范围(普适性) ; (3)算法的时间复杂度; (4)算法得到解得质量(局部性或全局性，对绝对最优解的近似程度) ; (5)算法的可实现性; 可以说这些标准是不可公度的(不可能同时都好) 。
以全局最优问题为例，要求计算时间少，搜索广度无法保证，解得质量就差;要求收敛速度快，就需要有效的搜索方向，有了搜索方向就降低了搜索广度，这样解得全局最优性无法保证。
计算复杂性理论，全局优化问题是NP-complete 问题。
我们只有根据实际问题采用不同的启发式算法。
虽然算法的评价标准是不可公度的， 但是在具体实际问题中，这些标准不是等重要性的。
比如对于某些问题对解得要求降低 10%，它的计算是时间就可以减少50%。
这样做是否值得，要根据实际情况而定。
在不明显影响解质量的前提下，如何提高启发式算法计算速度。
一般的启发式算法大部分都采用随机搜索策略进行广度搜索，每次搜索的规模比较大(可行解数目) ，可以引入数据发掘的思想，对这些可行解及其所对应函数值进行数据挖掘。
数据挖掘 -15- 对大量数据进行分析(这里主要用到的是其中的聚类分析)从中提取有价值的信息，寻找其找的规律，近似计算出最大可能下降方向，提高搜索效率。
这是《基于聚类分析的启发式优化算法》研究目的。
参考文献：
【二】北京理工大学硕士开题报告模板
硕士学位论文 开题报告 选题名称 ____________________________ 学 姓 导 号 ___________ 名 ___________ 师 ___________ 研究方向 ___________ 二级学科 ___________ 一级学科 ___________ 学 院 ___________ 年 月 日 填 表 说 明 1.只有学籍状态为注册或悬置的研究生才允许开题。
但学籍状态为悬置 的研究生只有在完成注册手续之后，开题报告及其评审结果才能被认可。
2.硕士学位论文开题报告封面及一至八项必须用计算机输入、打印。
3.开题报告为 A4 大小，于左侧装订成册。
硕士研究生应逐项认真填 写，各栏空格不够时请自行加页。
4.开题报告经指导教师审阅通过后，由硕士研究生在学科组或更大范围 内宣读，并接受专家组质疑、评议。
专家组由三名以上高级职称专家组成。
开题报告应由硕士生导师为主体组成的评审小组评审。
评审合格后，装订， 。
评审合格后，装订， 学院归档留存备查。
学院归档留存备查。
归档留存备查 5.硕士研究生应在选题前阅读相关领域的中外文资料，并写出不少于 4000 字的文献综述报告，引用参考文献的篇数不得低于本学科专业培养方案 的规定。
文献综述报告应反映国际和国内本领域的研究历史、现状和发展趋 势。
文献综述报告是开题报告的必要附件，开题报告通过后，由学院留存。
6.“参考文献”著录按照 GB7714-87 文参考文献著录规则执行。
书写顺 序为：序号·作者·论文名或著作名·杂志或会议名·卷号、期号或会议地 点·出版社·页号·年。
一 简表 研 究 生 简 况 姓名 学号 学科、专业 本科毕业时间 姓名 职称 本科毕业学校 工作单位 签字 性别 入学时间 出生年月 身份证号 指导小组 导师 小组成员 名称 中文 英文 国家项目( 自拟项目( 基础研究( )： 部(省)项目( ); 是否兵器类项目( ); 应用基础研究( ) ) 摘 要 );
企业项目( ); ) 类别 性质 ); 是否涉密(是/否，密级： ); 应用技术研究( ) 与导师课题研 究课题的关系 是导师研究课题的一部分( 与导师研究课题无关( 研 究 课 题 1.关键词限 3~5 个;2.关键词之间用“;”分隔。
关 键 词 英文 中文 二 选题依据 简述该选题的研究意义、国内外研究概况和发展趋势。
三 研究内容 四 研究方案 拟采用的研究方法、技术路线、实验方案及可行性分析。
五 研究工作进度安排 理论研究：应包括文献调研，理论推导，数值计算，理论分析，撰写论文等; 实验研究和工程技术研究：应包括文献调研，理论分析，实验设计，仪器设备的研制和调试，实验操 作，实验数据的分析处理，撰写论文等。
六 预期研究成果 本课题创新之处 七 本课题创新之处 说明研究内容、拟采用的研究方法、技术路线或预期成果中有哪些创新之处。
八 研究基础 1.与本项目有关的研究工作积累和已取得的研究工作成绩。
2.已具备的实验条件，尚缺少的实验条件和解决的途径(包括利用国家重点实验室和部门开放实验室 的计划与落实情况)。
3. 研究经费预算计划和落实情况。
硕士学位论文开题报告——导师意见 士学位论文开题报告——导师意见 开题报告—— 学籍状态 学位论文是否已被批准为涉密论文 导师对开题报告的审阅意见： □ □ 注册 是 □ □ 悬置 否 导师 签字： 年 说明： 本页全部由指导教师填写。
月 日 硕士学位论文开题报告评审表 士学位论文开题报告评审表 学号 所在学院 课程学习情况 选题名称 课题经费来源 开题报告时间 姓 评 审 组 成 员 组长 名 职 称 工作单位 签 字 已修课程学分 姓名 学科、专业 待修课程学分 导师姓名 组员
评审组意见： 组长签字： 年 月 日 硕士学位论文开题 文 献 综 述 报 告 报告题目 ____________________________
学 姓 导 号 ___________ 名 ___________ 师 ___________ 研究方向 ___________ 二级学科 ___________ ___________ 一级学科 ___________ 学 院 ___________ 年 月 日 文献综述报告要求与打印格式说明 文献综述报告要求与打印格式说明 综述报告要求与
1. 文献综述报告应符合硕士研究生所在学科培养方案的要求。
2. 文献综述报告的内容不再在开题报告中重复，需单独在必修环节 中上传。
3. 文献综述报告必须对相关领域已取得之成果进行归纳总结，结合 学位论文选题对相关领域未来的发展和研究提出自己的观点。
4. 打印用纸：A4;装订后，学院归档留存备查。
装订后 学院归档留存备查 归档留存备查。
5. 页眉为“北京理工大学硕士学位论文开题文献综述报告”; 加 黑宋体，小 3 号，居中。
页码居右排版; 6. 页 面 设 计 ： 页 眉 2.5cm ， 页 脚 1.5cm ， 左 边 距 3cm ， 右 边 距 2.4cm，正文用宋体，小 4 号，行间距 26 磅。
硕士研究生文献综述报告评阅表 研 究 生 简 况 本科毕业时间 指导小组 导师 姓名 职称 本科毕业学校 工作单位 签字 学科、专业 姓名 学号 性别 入学时间 出生年月 身份证号 小组成员 文献综述报告成绩 □ 优 □ 良 □ 通过 □ 未通过 导师评阅意见 签字： 年 月 日
【开题报告文献综述 北理工】相关文章：
开题报告文献综述10-06
开题报告的文献综述09-30
文献综述开题报告09-30
开题报告 文献综述09-30
开题报告,文献综述,09-30
开题报告文献综述范文09-30
论文开题报告文献综述09-30
开题报告文献综述范例09-30
本科开题报告文献综述09-30