一、连续优化问题的蚁群算法研究(论文文献综述)
张松灿[1](2021)在《基于蚁群算法的移动机器人路径规划研究》文中提出移动机器人的自主导航能力对其广泛应用具有决定作用,而良好的路径规划技术是自主导航的基础。机器人的工作环境复杂多变,不仅存在静态障碍,还存在一些运行状态未知的动态障碍,在规划任务开始前无法获取全部环境信息。传统的路径规划算法在面对复杂环境时存在效率低、稳定性及适应能力差等不足,难以满足实际需求。蚁群算法具有正反馈机制、分布式计算及鲁棒性强等优势,候选解构建过程与路径规划过程相似,无需先验知识即可找到最短觅食路径,与路径规划目标相似,因此,蚁群算法成为最常用路径规划方法之一。针对蚁群算法在静态环境路径规划中存在收敛速度慢、协同不足、适应性弱等不足,在优化过程中还存在种群多样性与收敛速度的矛盾,从算法结构、参数优化及规划路径特征等方面提出针对性的改进策略,增强算法的优化性能,加快算法收敛度,提高算法适应能力。针对现有局部路径规划方法侧重于避障,无法保证路径的最优等问题,提出将全局规划信息和局部规划相结合的动态路径规划方法。主要研究内容如下:(1)自适应改进蚁群算法的路径规划。为解决基本蚁群算法在路径规划时存在收敛速度慢、易陷入局部极值等不足,提出基于种群信息熵的自适应改进蚁群算法。利用种群信息熵度量算法优化过程的多样性特征;依据种群信息熵自动调整算法参数的自适应策略;在全局信息素更新规则中,增加了迭代最优解的信息素项,并根据种群信息熵自动调整迭代最优解的信息素更新强度;提出信息素扩散模型以增强蚂蚁间的协作能力;非均匀信息素初始化策略能减少算法运行前期的盲目性搜索,加速算法收敛。仿真实验表明所提算法收敛速度快,适应性好,优化性能强。(2)单种群自适应异构蚁群算法的路径规划。针对多种群蚁群算法结构复杂、优化速度慢及适应性不足等问题,提出一种结构简单的单种群自适应个体异构蚁群算法。为提高初始蚁群的质量,首次迭代时仅以启发信息来构建候选解;非首次迭代时每只蚂蚁使用各自的控制参数构建候选解,增强种群的多样性;信息交换与参数突变操作不仅能发挥最优蚂蚁的引导作用,而且有助于算法在更大的参数空间探索更优的算法参数;基于种群信息熵的自适应信息交换周期策略,提高了算法的适应能力。仿真结果验证了算法的适应性、有效性及优越性。(3)融合改进蚁群算法和几何优化的路径规划方法。提出改进蚁群算法和几何局部优化相混合的路径规划方法。改进蚁群算法主要包括信息素初始化策略,带惩罚机制的动态权重信息素更新策略。根据蚁群算法规划路径的几何特征与运动约束条件,设计了局部优化方法,对每次迭代得到的最优路径进行几何优化。同时将优化后的路径作为新路径也进行信息素更新与扩散,显着提升了规划效率。实验结果表明所提出的算法具收敛速度快、优化能力强与适应能力好等优点。(4)动态环境的路径规划方法。针对动态环境路径规划的需求与特点,提出两阶段动态路径规划方法。第一阶段依据全局环境信息,利用改进蚁群算法规划出全局最优路径,并作为第二阶段的参考路径。第二阶段为路径跟踪与局部再规划阶段。当机器人沿着所最优路径行走时,实时更新其视野内的局部地图,进行碰撞预测与避碰,协调控制策略完成路径跟踪与避障。仿真实验表明算法能有效避开环境中的动态障碍,获取无碰最优或次优路径,规划性能与规划效率优于蚁群算法再规划方法。最后对全文进行总结,对未来的一些研究内容进行了展望。
朱阅訸[2](2020)在《面向大规模目标访问任务的飞行序列规划方法》文中研究指明一次飞行访问多个目标因其探测效率高、平均成本低而备受各大航天机构的青睐,是未来开展在轨服务和深空探测等航天任务的主要形式。多目标访问任务尤其是面向大规模目标访问任务的设计是一项极具挑战性的工作,其中访问序列的规划是重点与难点。为了提高复杂空间目标访问任务的设计水平,本文对面向大规模目标访问任务的飞行序列规划方法进行了研究,主要的研究内容和研究成果如下:提出了基于多神经网络的摄动多脉冲最优交会速度增量快速估计方法。首先研究并揭示了摄动多脉冲交会的最优速度增量随初始升交点赤经差和转移时间增加的变化规律,发现了摄动多脉冲交会可分成为“赤经渐近型”、“赤经相交型”和“赤经渐远型”三种交会类型;然后提出了“分类学习+统筹估计”的最优交会速度增量估计策略,设计了高效获得三类最优交会解的数据集生成方法,并给出了基于三个前馈神经网络的估计流程;仿真结果表明,该方法的估计精度远高于解析的估计方法,单个交会最优速度增量的估计误差可控制在3%以内,交会序列总速度增量的估计误差仅为0.3%。提出了基于动态序列规划蚁群算法的多星遍历交会序列分步规划方法。首先基于蚁群系统框架设计了可用于求解移动目标序列规划问题的动态序列规划蚁群算法,引入了信息素张量来表征动态情况下目标之间的转移偏好关系,并基于信息素张量设计了相应的解构造方法和信息素更新方法;然后提出了基于时间轴离散的交会序列分步规划策略,给出了多星交会序列分步规划流程,实现了对交会次序和交会时间的分阶段高效规划;仿真结果表明,该方法对于多星交会序列规划问题的全局求解能力优于传统的混合整数遗传算法。提出了基于分组打包规划蚁群算法的多组交会序列“渐进式”规划方法。首先基于最大最小蚂蚁系统框架设计了可用于求解多组交会任务规划问题的分组打包规划蚁群算法,引入了信息素三角矩阵来表征两目标被分到同一组的偏好程度,并加入了参数自适应调整机制,提高了算法的优化性能;然后给出了基于分组打包规划蚁群算法的多组交会序列分步优化流程,并设计了可逐步提高解质量的“渐进式”分组规划策略,实现了对大规模目标分组方案和各组目标交会序列的近似全局规划;该方法支撑作者获得了第九届国际空间轨道设计大赛亚军。提出了基于交会轨迹优化过渡法的多星飞越序列“累加式”搜索方法。首先提出了基于交会轨迹优化过渡法的多星飞越轨迹规划策略,设计了基于四脉冲双星交会模型的单脉冲双星飞越轨迹规划方法,以及基于七脉冲三星交会模型的两脉冲三星飞越轨迹规划方法;然后提出了“试射+微调”的单脉冲多星飞越片段搜索方法,并给出了基于飞越片段累加法的多脉冲多星飞越序列搜索方法,实现了对含“一石多鸟”飞越序列的近似全局搜索;该方法支撑作者获得了第十届国际空间轨道设计大赛冠军。本文的研究虽然以典型问题为牵引,但所提出的方法具有一定的普适性和通用性。相关研究成果可为我国未来开展更加复杂的空间多目标访问任务提供有力的技术支撑。
许可[3](2020)在《母管制热电机组热力系统建模与负荷优化分配》文中进行了进一步梳理在我国火电行业中,母管制的热电联产机组占了很大的部分。母管制热电厂一般以“以热定电”的原则确定热电负荷,而现有的热电负荷分配方式大多基于经验,不当的热电负荷分配方式会造成能源的利用效率低下。此外,母管制机组热力系统复杂,电厂没有完整的热力系统监控画面,整体运行情况难以了解。因此,建立准确的母管制热力系统模型以及对机组的热电负荷分配方式进行优化有利于电厂的节能降耗,对热电联产具有重要的指导意义。论文以某“3炉2机”的母管制热电机组为研究对象,利用Ebsilon热力循环仿真软件建立完整的全厂热力系统计算模型,利用该模型可进行机组不同工况下的仿真计算。基于汽轮机和锅炉的负荷特性方程,分别建立了汽轮机侧和锅炉侧的热电负荷优化数学模型,两侧的目标函数分别为汽轮机发电汽耗率和锅炉产汽煤耗率最低,对低压供热负荷进行负荷优化分配。利用蚁群算法对目标函数进行求解,以获得最佳负荷分配方式。以穷举算法的优化结果为最优解参考验证该蚁群算法的寻优性能。利用Ebsilon进行变工况计算,对中压供热负荷的多个分配方式进行了仿真计算,通过比较获得中压供热负荷最佳分配方式。研究结果表明:通过Ebsilon模型仿真值与实际运行值对比,验证了Ebsilon母管制热力系统模型的准确性,仿真值可用于热力分析与热电负荷优化分配的参考;通过蚁群算法对低压供热负荷进行优化分配后,在满足外界供热需求的前提下,汽轮机发电汽耗率和锅炉产汽煤耗率在各个工况下都有不同程度的降低,发电效率和产汽效率提高;Ebsilon变工况计算结果表明在选取的工况下,当中压供热负荷一定时,由于1#机发电效率较2#机低,随着1#机中压供热流量增加,汽轮机发电汽耗率降低,发电效率提高。本文将Ebsilon软件应用于母管制机组的建模中并利用软件及进行变工况计算,将蚁群算法扩展到热电负荷优化分配问题,为热电联产的热力计算和热电负荷分配提供了新思路,负荷优化分配求解结果可以为实时负荷调度提供优化的方向,对电厂的节能降耗运行提供指导意见,对热电厂的经济效益提升具有重要意义。
靳通通[4](2019)在《桥式起重机偏轨箱形波纹腹板梁的优化设计》文中研究指明波纹腹板具备突出的稳定性,通过对波纹腹板的相关研究和应用情况分析,将其引入到偏轨箱形主梁的设计之中,得到了应用于桥式起重机的偏轨箱形波纹腹板梁,然后使用改进连续域蚁群算法对其初始设计参数进行优化。用优化设计的方法探讨偏轨箱形波纹腹板梁的参数设置,对于箱形波纹腹板梁的设计与研究工作具有参考价值。本文主要研究内容如下:(1)分析常见波纹腹板各类型的特点,选定了梯形波纹腹板,并对梯形波纹腹板的关键力学性能做了分析与总结,以某公司生产的直腹板偏轨箱形梁为原型,选取较为保守的尺寸参数设计出桥式起重机偏轨箱形波纹腹板梁。(2)针对后续的偏轨箱形波纹腹板梁尺寸优化问题,进行了基于蚁群算法的结构优化设计方法研究:在分析连续域基本蚁群算法的基础上,发现这种算法存在局部探索能力差、约束处理不完善等问题,所以引入了伪随机比例规则改进种子解的选取方法,对信息素分布中心进行适当的随机扰动,对信息素分布的标准差进行改造,使用DCPM(direct comparison and proportion maintenance)方法处理约束条件,得到了改进连续域蚁群算法,通过优化实例验证了改进连续域蚁群算法的优越性。(3)建立了偏轨箱形波纹腹板梁尺寸优化的数学模型,利用改进连续域蚁群算法进行优化,优化后的偏轨箱形波纹腹板梁相比初始的偏轨箱形波纹腹板梁减少了 18.75%的质量,相比于同规格的直腹板偏轨箱形梁减少了 9.75%的质量,所以优化过程有效减轻了梁的自重。通过有限元仿真分别验证了直腹板偏轨箱形梁和偏轨箱形波纹腹板梁的力学性能:通过静力学分析可知,两者都符合设计中的强度和静刚度要求,且性能比较接近;通过线性屈曲分析发现,两者均符合稳定性要求,且偏轨箱形波纹腹板梁的稳定性显然更好;通过模态分析可知,两者的一阶模态频率均满足设计要求。
刘一丹[5](2017)在《多阶段自适应混合群智能算法及其应用》文中指出群体智能算法对解决非线性、复杂性的优化问题有着明显优势,广泛适用于工程实践的各个领域。本文针对蚁群算法优化离散空间易早熟收敛、优化连续空间求解精度不高,蝙蝠算法易陷入局部最优解的不足,围绕蚁群算法在离散空间和连续空间上的改进、蝙蝠算法的改进、改进后蝙蝠算法及离散蚁群算法的混合及算法应用这几个方面展开研究。首先,针对传统蚁群算法在离散空间优化时信息素更新机制单一、容易早熟收敛的不足,结合蚁群的实际社会活动提出多阶段自适应信息素机制蚁群优化算法,并在算法出现长时间停滞时,引入混沌算子,帮助算法跳出早熟收敛,更好地发挥蚁群算法的优势。将该算法与其他改进蚁群算法针对旅行商问题进行测试对比,验证所提算法具有更强的搜索能力。进一步,针对蚁群算法用于解决连续空间优化问题搜索形式片面、取样机制单一、自适应程度不高的不足,在连续域蚁群优化算法基础上从信息分享机制、搜索取样机制、自适应调整权重因子三方面对其进行改进,提出自适应并行连续蚁群算法,并通过测试验证该算法具有更快的收敛速度、更高的寻优精度。接下来,针对蝙蝠算法在优化过程中没有充分利用蝙蝠间搜索信息交互影响的不足,借鉴拟态物理学中的作用力规则,基于阶段性搜索策略将搜索过程分为两个阶段,分别构造符合算法阶段性搜索特点的作用力规则,提出多形态作用力蝙蝠算法,并通过测试分析该算法相较于蝙蝠算法、两阶段粒子群等算法具有更高的寻优精度。最后,为综合不同群智能算法的优势,将所提的多形态作用力蝙蝠算法和多阶段自适应信息素机制蚁群优化算法进行混合,提出多阶段自适应混合群智能算法,并应用于串-并联多态系统、液压系统可靠性优化和电液系统PID参数整定中,验证所提混合算法解决实际优化问题的能力。
周袅[6](2016)在《连续域蚁群算法的研究及应用》文中研究表明蚁群算法是一种群体智能算法,主要用于解决离散型组合优化问题。工程中存在大量的连续型优化问题,将离散型的蚁群算法扩展到连续型蚁群算法已经引起了广泛的关注,现已有几种连续域蚁群算法模型,本文主要针对连续域蚁群优化算法模型进行研究和改进,并将改进的算法用于支持向量机参数优化。针对连续域蚁群优化算法(ACOR)计算时间较长、易陷入局部最优的问题,提出了一种基于人工蜂群的连续域蚁群优化算法(ABC-ACOR)。首先,引入一种替代机制来选择指导解,以替换原来的基于排序的选择方式,目的是节约计算时间和尽可能地保持搜索的多样性;其次,结合人工蜂群算法的搜索策略来提高算法的全局搜索能力,进一步减少计算时间和提高求解精度。通过对大量的测试函数进行仿真实验,结果表明,ABC-ACOR算法较现有的一些连续域蚁群算法具有更好的寻优能力。针对连续域混合蚁群算法(HACO)易陷入局部最优和收敛速度较慢的问题,提出了基于信息素的自适应连续域混合蚁群算法(QAHACO)。首先,提出了一种新的解更新方式,对档案中的解进行信息素挥发,扩大了搜索范围,提高了算法的全局搜索能力,并且自适应地调整信息素挥发速率,更好地平衡收敛速度和收敛精度;其次,采用了一种信息分享机制,将当前解与其他所有解的平均距离和当前解与至今最优解的距离相结合,进一步加快收敛速度。通过对测试函数进行仿真实验,结果表明,和连续域蚁群优化算法及其改进算法相比,QAHACO算法的寻优能力明显提高,寻优速度有一定的优势。支持向量机是一种小样本机器学习方法,由于其算法简单,计算复杂度低,具有较好鲁棒性,成为了当前研究热点。针对支持向量机参数优化方法在寻优过程中不同程度地陷入局部最优解的问题,将ABC-ACOR和QAHACO算法用于支持向量机参数优化。惩罚因子和核函数参数作为寻优目标函数的两个变量,分类正确率作为适应度函数值。利用5个标准UCI数据集进行性能比较实验,结果表明,与基于粒子群算法和遗传算法的参数优化方法相比,ABC-ACOR优化支持向量机参数方法和QAHACO优化支持向量机参数方法都获得较高分类正确率,因此,基于连续域蚁群算法的支持向量机参数优化方法是可行的。
赵鑫[7](2016)在《蚁群算法在连续空间优化中的研究与应用》文中研究说明蚁群算法人们从仿生学机理中受到启发,提出的解决复杂优化问题的一种新方法,是由意大利学者M.Dorigo, V.MahieZZo, A.Cororni等人受到自然界中真实蚂蚁群体觅食行为的启发而首先提出,是一种新型的模拟优化算法。并利用蚁群觅食过程与旅行商问题的相似性,通过人工模拟真实蚂蚁搜索食物过程中个体之间的信息交流最终解决了旅行商问题,取得很好的结果。随着对算法研究的不断深入,蚁群算法也被应用在解决调度问题、指派问题、序列求序等NP完全问题上,并取得了很好的结果。显示出蚁群算法在解决复杂的离散型优化问题中的优越性。但是蚁群算法也存在一些缺陷:算法搜索所得的解的多样性、稳定性与算法的收敛速度之间存在矛盾,是因为蚂蚁个体的随机运动虽然会朝着最优路径逐渐进化,但是在样本规模较大时,蚁群需要较多的时间才能在众多可行路径中找出一条较好的路径;如果特意加速算法的收敛速度,强调算法的学习机制,就有可能使算法陷入局部最优解,造成早熟、停滞现象;在应用方面,蚁群算法难以处理连续空间的优化问题。是因为蚂蚁个体每次迭代所得的解总是有限的,所以针对的也是离散的解空间。基本蚁群算法对于解决离散型优化问题具有很强的能力,但是却很难直接适用于线性和非线性规划等连续函数空间求解问题。本文首先叙述了基本蚁群算法的原理以及国内外的研究现状,并以旅行商问题为载体,描述了基本蚁群算法模型、基本蚁群算法思想以及特点,分析了蚁群算法中蚂蚁搜索过程的本质。并根据蚂蚁觅食的基本原理,编写了蚂蚁觅食软件,用来直观展示蚂蚁觅食行为的全过程。然后针对基本蚁群算法在解决旅行商问题、二次分配问题等离散型优化问题中存在的不足:搜索时间较长,有可能收敛于局部最优解等,对现有的几种改进措施:局部优化,信息素挥发方式,信息素更新规则等进行比较分析,得出蚁群算法的改进目的在于尽量平衡蚁群算法全局搜索能力与收敛速度。在第四章,针对基本蚁群算法在求解连续函数空间问题中的难点,本文提出一种可应用于连续函数解空间寻优的蚁群算法,将连续的函数定义域空间分解为栅格空间,采用离散的思想来解决连续函数解空间寻优问题,首先根据信息量求解出解所在的子区域,然后在该子区域内确定解的具体值。并在算法中引入了蚁群系统算法中的全局信息素更新规则,最大最小蚁群算法中的信息素限制规则,以及自适应蚁群算法中信息素挥发方式等思想,以期提高算法初期的收敛速度和算法后期的全局搜索能力。并编写了蚁群算法函数空间寻优软件。在第五章,运用连续蚁群算法解决实际问题,本文将连续蚁群算法在函数解空间的寻优能力应用在解决非线性规划问题当中,文中给出两个例子:沉降组合预测模型参数计算,以及投影寻踪转换参数计算。第一、结合传统加权组合模型的建立思想,为各个用于沉降预测的单一模型预测结果添加权重系数,充分考虑各个单一模型在不同时段的预测精度,使各个单一模型的预测结果与实际观测值之间形成函数关系,构造目标函数,利用连续蚁群算法在函数解空间内的寻优能力,来求解各单一模型预测结果的权重,从而用基于蚁群算法的组合模型进行沉降预测,提高精度,说明连续蚁群算法的可靠性。第二、投影寻踪模型在多指标样本数据的统计和分析上,将数据的多元分析转换为一元分析,在多元数据与一元数据之间形成对应的函数关系,利用连续蚁群算法在函数解空间中寻优能力,对投影寻踪模型的转换参数进行求解。本文以某水库流量预测以及酸雨pH值预测为例,说明连续蚁群算法对转换参数求解的可行性以及有效性。
孙晓奇[8](2016)在《针对车辆路径问题的蚁群算法优化》文中研究说明随着互联网经济和贸易的发展,物流业的规模与日俱增,物流配送对经济活动的影响越来越显着。车辆路径优化问题(VRP)是配送优化的关键问题。对配送车辆路线进行优化能够有效降低配送成本,减少配送时间,提升用户满意度,因此研究该问题具有重要的现实意义。车辆路径问题是一类NP完全问题,传统的精确算法难以在合理时间内进行求解,用启发式算法求解近似解是人们研究该问题的一个重要方向。蚁群算法(ACO)是模拟自然界中蚁群觅食行为而提出的一种启发式算法。该算法在求解车辆路径问题等组合优化问题时具有不错的效果,同时蚁群算法具有本质并行性,易于和其他算法结合等优点。但蚁群算法存在容易陷入局部最优等缺陷。本文主要研究了蚁群算法在车辆路径优化问题中的应用,并针对该算法存在的缺陷提出了一种新的混合蚁群算法。算法的执行效率也是评估一个算法性能的重要指标。为了提高蚁群算法的执行效率,使之能够在更短时间内求解问题,本文提出了两种方法。一种是将车辆路径问题分解成几个子问题,每个子问题采用多线程方式单独求解;另一种是根据蚁群算法的本质并行性,利用OpenCL的异构并行框架,实现运行于GPU的并行蚁群算法。文本主要的工作和研究成果如下:1.提出新的混合蚁群算法(SACO)。传统蚁群算法收敛速度快,能在较短时间内获得不错的可行解,但容易陷入局部最优。而模拟退火算法(SA)能够通过邻域搜索在可行解附近持续搜索更优解,但是解的质量和收敛速度很依赖初始可行解。SACO整合了蚁群算法和模拟退火算法的优点。该算法首先采用蚁群算法搜索可行解,当蚁群算法陷入局部最优解后,启动模拟退火算法搜索更优解,并将蚁群算法获得的解作为模拟退火算法初始可行解。为了进一步避免蚁群算法因信息素停滞而陷入局部最优的情况,引入了新的信息素扰动策略。2.为了算法提高执行效率,提出了分解的混合蚁群算法(DSACO)。首先利用SACO算法用少量的迭代求解整个问题并获得至今最优解;然后根据至今最优解将整个问题拆分成几个规模较小子问题,每个子问题再分别用SACO求解;再根据子问题的获得更优解更新整体问题的当前最优解,并重复上述迭代过程。由于每个子问题是独立的,因此DSACO算法采用多线程方式并发求解每个子问题。3.为了充分利用蚁群算法的本质并行性,提出了基于OpenCL的并行蚁群算法(OCL-ACO)。该算法将蚁群算法的主要计算部分设计成并行执行的OpenCL内核,宿主主机只负责管理和调度内核。OCL-ACO对蚁群算法解的构建、信息素更新等过程采用了数据并行化的实现方式,极大地提高了算法并行性。
张卓群[9](2014)在《基于蚁群算法的输电塔结构离散变量优化设计》文中研究指明输电塔-线体系作为高负荷电能的输送载体,是一种重要的生命线工程。随着人民生活水平的不断提高和国家经济建设的快速发展,建设高耸、大跨越的输电塔-线结构已成为必然趋势,特别是特高压输电线路工程。建设和发展既安全可靠,又经济合理的输电塔结构一直是工程界的研究热点和难点。鉴于现阶段国内外输电塔结构优化设计方法和理论发展的相对滞后,本文在蚁群优化算法和有限分析方法的基础上,提出了一套完整的输电塔结构优化设计与验算分析方法。主要研究内容如下:(1).针对于桁架结构拓扑和形状优化设计存在着设计变量类型不统一,耦合优化困难等问题,本文给出了一种基于蚁群算法的桁架结构多类型变量优化方法。其中,拓扑优化以结构拓扑量和拓扑总量为基础,将拓扑优化问题转化为双TSP问题,并采用蚁群算法实现求解;形状优化则是采用加权耦合的两级优化方式求解此类问题,并且充分发挥了不同类型蚁群算法各自的优势。(2).由于多类型变量优化方法在处理大型复杂结构和布局优化问题时的计算效率过低,本文提出了一种基于蚁群算法的桁架结构离散型变量优化方法,包括:截面、拓扑形状和布局优化方法。通过对多个经典算例的分析与对比表明:本文方法的优化效果显着、简单易行,并且具有非常良好的应用前景。(3).基于蚁群算法在单目标优化问题中的成功应用,本文提出了一种改进的基于离散变量的多目标蚁群优化算法。该方法是在Pareto蚁群算法的基础上,建立“可行解”和“非可行解”集合,并通过替换优化过程中的重复解来提高算法的计算效率。该方法不仅可以求解双目标函数问题,而且能够很好的求解桁架结构多目标优化问题。(4).考虑到输电塔结构的特殊性和复杂性,以及优化方法一致性的要求,本文归纳总结出了一种“基于蚁群算法的输电塔结构离散变量优化设计方法”,并且清晰明确的阐述了不同优化内容的物理意义和优化准则。通过对输电塔结构局部和整体多层次优化设计结果的分析表明:该方法是一种行之有效,且简单实用的结构优化设计方法。(5).鉴于输电塔结构真型试验价格昂贵、费时费力,以及有限元方法的蓬勃发展,本文采用输电塔-线体系连续倒塌模拟方法验算优化设计结果的安全性与可靠性。其中,验算方法基于ABAQUS软件平台,并通过采用显式有限元方法和生死单元技术模拟输电塔-线体系连续性倒塌的全过程。此外,针对不同输电塔模型的倒塌情况,本文还进一步探讨了输电塔结构的薄弱环节、倒塌形式和抗倒塌的能力。
江君莉[10](2013)在《基于群智能优化算法混合策略的蚁群算法的研究与应用》文中认为蚁群算法(Ant ColonyAlgorithm,ACA)作为一种典型的群智能算法,具有较强的鲁棒性,可以应用于多种场合;并且ACA与其它启发式算法的结合能够显着提高这些算法的性能。但是目前ACA仍存在收敛速度慢、易于陷入局部最优等缺点,且已有的改进方法都具有其针对性和局限性。因此,为了提高ACA算法的整体性能,本文将主要进行ACA和其它群智能算法进行优势互补后的混合算法研究。本文的主要研究成果包括:(1)针对ACA易于陷入局部最优的缺陷,提出了一种改进的遗传融合蚁群算法。因为遗传算法(GeneticAlgorithm,GA)适用于各类优化问题的求解,具有大范围全局搜索的能力,采用编码方式实现过程简单的特点。在算法的前半段利用遗传算法快速迭代的特性生成可能解引导蚁群的初始信息素分布;在算法后半段蚂蚁算法寻优过程中,采用GA所应用的交叉算子和变异算子的策略。通过在两个旅行商问题中的应用,验证了方法的有效性。(2)为了提高ACA收敛速度,提出了一种融合量子行为粒子群算法与ACA的混合算法(Quantum-behaved Particle Swarm Optimization and Ant Colony Algorithm HybridAlgorithm,QPSO-ACA-HA)。该混合算法在求解过程中,首先对所求解空间进行区域网格划分,进而利用QPSO快速收敛性在小区域内搜索,然后根据搜索到的历史最优值引导后期ACA的初始信息素分布;在算法后半段蚂蚁算法寻优过程中,采用每条边在求解中的贡献来分配信息素的释放程度的信息素更新策略。选用了四个具有不同数学特征的复杂连续函数对QPSO-ACA-HA算法进行了测试,仿真结果表明,混合算法不但求解精度高,收敛速度快,而且不易出现“早熟”的现象。(3)针对支持向量机(Support Vector Machine,SVM)的参数设定的重要性,以及通过人工手段难以选择合适参数的问题,提出将QPSO-ACA-HA算法运用到SVM的参数选取中,实现SVM参数的自动优化选取。通过在谷氨酸发酵过程建模仿真研究表明,利用QPSO-ACA-HA方法获得的SVM参数,能够有效提高谷氨酸发酵过程模型的预测效果。
二、连续优化问题的蚁群算法研究(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、连续优化问题的蚁群算法研究(论文提纲范文)
(1)基于蚁群算法的移动机器人路径规划研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 移动机器人路径规划研究现状 |
1.2.1 全局路径规划研究 |
1.2.2 局部路径规划研究 |
1.3 蚁群算法的现状 |
1.3.1 蚁群算法的研究现状 |
1.3.2 蚁群算法的发展 |
1.4 蚁群算法在路径规划应用现状 |
1.4.1 单蚁群算法的应用 |
1.4.2 多蚁群算法的应用 |
1.4.3 融合蚁群算法的应用 |
1.5 本文研究内容及组织结构 |
1.5.1 主要研究内容 |
1.5.2 组织结构 |
第2章 移动机器人路径规划方法 |
2.1 引言 |
2.2 路径规划问题描述 |
2.3 路径规划算法的评价 |
2.4 静态环境下路径规划的实现与问题 |
2.5 动态环境下路径规划的实现与问题 |
2.6 本章小结 |
第3章 静态环境下移动机器人路径规划算法研究 |
3.1 引言 |
3.2 蚁群算法存在的不足及原因 |
3.3 自适应改进蚁群系统 |
3.3.1 二维栅格环境的建立 |
3.3.2 蚁群系统 |
3.3.3 自适应改进蚁群系统算法设计 |
3.3.4 仿真实验结果与分析 |
3.4 基于单种群的异构自适应蚁群算法 |
3.4.1 相关研究工作 |
3.4.2 最大最小蚂蚁系统 |
3.4.3 自适应异构蚁群算法设计 |
3.4.4 单种群异构自适应蚁群算法的移动机器人路径规划 |
3.4.5 AHACO算法复杂度分析 |
3.4.6 AHACO算法收敛性分析 |
3.4.7 仿真实验与分析 |
3.5 本章小结 |
第4章 融合改进蚁群算法与几何优化的路径规划方法 |
4.1 引言 |
4.2 改进蚁群算法设计 |
4.2.1 信息素初始化方法 |
4.2.2 信息素更新规则 |
4.3 基于路径几何特征的局部优化算法 |
4.3.1 蚁群算法规划路径的几何特征 |
4.3.2 基于路径几何特征的局部优化算法 |
4.4 融合改进蚁群算法与几何优化的路径规划方法 |
4.5 仿真实验与分析 |
4.6 本章小结 |
第5章 动态环境下移动机器人路径规划研究 |
5.1 引言 |
5.2 人工势场法 |
5.2.1 经典人工势场法 |
5.2.2 改进人工势场法 |
5.3 子目标点的选择 |
5.4 动态窗口动态障碍物避碰策略设计 |
5.5 两阶段动态路径规划方法 |
5.6 仿真实验及分析 |
5.7 本章小结 |
第6章 总结与展望 |
6.1 本文工作总结 |
6.2 研究展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(2)面向大规模目标访问任务的飞行序列规划方法(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究进展 |
1.2.1 交会轨迹规划 |
1.2.2 飞越轨迹规划 |
1.2.3 最优转移消耗估计 |
1.2.4 多星交会任务序列规划 |
1.2.5 多星飞越任务序列规划 |
1.3 本文研究内容与章节安排 |
第二章 规划问题模型框架与基本算法 |
2.1 引言 |
2.2 规划问题基本概念与模型 |
2.2.1 一般规划问题 |
2.2.2 组合优化问题 |
2.3 大规模目标访问任务规划问题分析与建模 |
2.3.1 问题类型 |
2.3.2 模型框架分析 |
2.3.3 各层问题模型 |
2.3.4 问题建模流程 |
2.4 规划算法 |
2.4.1 蚁群算法 |
2.4.2 差分进化算法 |
2.5 小结 |
第三章 基于机器学习的摄动交会最优冲量快速估计方法 |
3.1 引言 |
3.2 多脉冲交会轨迹优化模型与优化方法 |
3.2.1 动力学模型 |
3.2.2 优化模型 |
3.2.3 优化方法 |
3.3 最优速度增量变化规律分析 |
3.4 基于神经网络的最优速度增量估计方法 |
3.4.1 估计流程 |
3.4.2 数据集生成方法 |
3.4.3 神经网络模型与训练方法 |
3.5 仿真实验 |
3.5.1 数据集生成 |
3.5.2 学习特征选择 |
3.5.3 网络规模与训练集规模确定 |
3.5.4 与解析估计方法的比较 |
3.5.5 实例测试 |
3.6 小结 |
第四章 多脉冲多星遍历交会任务访问序列规划方法 |
4.1 引言 |
4.2 规划模型与求解思路分析 |
4.2.1 规划模型 |
4.2.2 问题特性与求解思路分析 |
4.3 动态序列规划蚁群算法 |
4.3.1 信息素张量 |
4.3.2 解构造方法 |
4.3.3 信息素张量更新方法 |
4.3.4 局部搜索方法 |
4.3.5 算法总流程 |
4.4 总体规划流程 |
4.5 仿真实验 |
4.5.1 改进蚁群算法性能测试 |
4.5.2 多星交会实例测试 |
4.6 小结 |
第五章 大规模目标多组交会任务访问序列规划方法 |
5.1 引言 |
5.2 规划模型与求解思路分析 |
5.2.1 规划模型 |
5.2.2 问题特性与求解思路分析 |
5.3 分组打包规划蚁群算法 |
5.3.1 信息素矩阵 |
5.3.2 解构造方法 |
5.3.3 信息素更新方法 |
5.3.4 参数自适应调整方法 |
5.3.5 算法总流程 |
5.4 多组交会序列总体规划方法 |
5.4.1 分步优化方法 |
5.4.2 “渐进式”分组规划策略 |
5.5 仿真实验 |
5.5.1 改进蚁群算法性能测试 |
5.5.2 GTOC-9 实例求解 |
5.6 小结 |
第六章 含“一石多鸟”的大规模目标飞越序列搜索方法 |
6.1 引言 |
6.2 规划模型与求解思路分析 |
6.2.1 规划模型 |
6.2.2 问题特性与求解思路分析 |
6.3 多星飞越轨迹规划方法 |
6.3.1 单脉冲双星飞越轨迹规划方法 |
6.3.2 两脉冲三星飞越轨迹规划方法 |
6.4 多脉冲多星飞越序列搜索方法 |
6.4.1 多星飞越片段搜索方法 |
6.4.2 多星飞越全序列搜索方法 |
6.5 仿真实验 |
6.5.1 多星飞越轨迹规划方法测试 |
6.5.2 GTOC-X实例求解 |
6.6 小结 |
第七章 总结与展望 |
7.1 论文主要创新点 |
7.2 进一步研究展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(3)母管制热电机组热力系统建模与负荷优化分配(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 母管制热电联产机组概况 |
1.2 国内外研究现状 |
1.2.1 热电机组热力系统建模研究 |
1.2.2 热电机组负荷优化分配研究 |
1.3 本文研究内容和方法 |
2 母管制机组热力系统建模 |
2.1 Ebsilon软件简介 |
2.1.1 Ebsilon系统仿真功能 |
2.1.2 Ebsilon模型变工况计算 |
2.1.3 Ebsilon其他扩展功能 |
2.2 Ebsilon在母管制机组建模中的应用实例 |
2.2.1 研究对象概况 |
2.2.2 Ebsilon模块化建模过程 |
2.2.3 整体热力系统建模 |
2.3 模型准确性验证及误差分析 |
2.3.1 模型准确性验证 |
2.3.2 误差分析 |
2.4 本章小结 |
3 基于蚁群算法的母管制机组热电负荷优化分配 |
3.1 蚁群算法及其基本原理 |
3.1.1 蚁群算法的基本思想 |
3.1.2 蚁群算法的数学模型 |
3.1.3 蚁群算法的实现步骤 |
3.1.4 蚁群算法的应用 |
3.2 母管制机组负荷特性 |
3.2.1 锅炉全负荷特性 |
3.2.2 不同中压、低压供热要求下汽轮机负荷特性 |
3.3 负荷优化分配数学模型 |
3.3.1 汽机侧负荷分配数学模型 |
3.3.2 锅炉侧负荷分配数学模型 |
3.4 基于蚁群算法解决负荷分配问题 |
3.4.1 连续空间蚁群算法求解思路 |
3.4.2 负荷分配问题蚁群算法求解流程 |
3.4.3 求解所需测点 |
3.4.4 算法参数设置 |
3.4.5 负荷优化分配结果分析 |
3.5 蚁群算法的优化性能验证 |
3.5.1 负荷优化分配的穷举算法实现 |
3.5.2 穷举算法与蚁群算法负荷优化分配结果对比 |
3.6 本章小结 |
4 基于Ebsilon变工况计算的中压供热负荷优化分配 |
4.1 利用Ebsilon对蚁群算法优化结果仿真和验证 |
4.2 基于Ebsilon变工况计算的中压供热负荷分配 |
4.3 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 不足与展望 |
参考文献 |
作者简历 |
(4)桥式起重机偏轨箱形波纹腹板梁的优化设计(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外相关研究现状 |
1.2.1 波纹腹板的研究及应用现状 |
1.2.2 蚁群算法的研究现状 |
1.2.3 起重机箱形主梁结构优化的研究现状 |
1.3 本文主要内容安排 |
1.4 本章小结 |
2 偏轨箱形波纹腹板梁的结构设计 |
2.1 波纹腹板力学性能分析 |
2.1.1 波纹腹板的类型 |
2.1.2 梯形波纹腹板的抗弯抗剪性能 |
2.1.3 梯形波纹腹板的屈曲特性研究 |
2.2 偏轨箱形波纹腹板梁的结构形式 |
2.2.1 直腹板形式双梁桥式起重机的结构和参数 |
2.2.2 梯形波纹腹板的分布方式 |
2.2.3 偏轨箱形波纹腹板梁的参数确定 |
2.3 本章小结 |
3 基于蚁群算法的结构优化设计方法研究 |
3.1 蚁群算法的原理和连续域基本蚁群算法 |
3.1.1 蚁群算法的基本原理 |
3.1.2 连续域基本蚁群算法的构建 |
3.2 CDACO算法的改进 |
3.2.1 算法改进措施 |
3.2.2 改进CDACO算法流程 |
3.2.3 改进CDACO算法测试函数仿真验证 |
3.3 基于改进CDACO算法的典型主梁截面优化 |
3.3.1 典型主梁截面优化的数学模型 |
3.3.2 基于改进CDACO算法的截面优化 |
3.3.3 优化结果的静力学验证 |
3.4 本章小结 |
4 偏轨箱形波纹腹板梁的尺寸优化 |
4.1 结构优化设计简介 |
4.1.1 结构优化设计概念 |
4.1.2 偏轨箱形波纹腹板梁结构尺寸优化的流程 |
4.2 偏轨箱形波纹腹板梁的数学模型建立 |
4.2.1 设计变量的确定与目标函数的建立 |
4.2.2 设计变量的约束条件 |
4.3 基于改进CDACO算法的波纹腹板梁优化 |
4.3.1 算法运行时控制参数的确定 |
4.3.2 优化结果的整理与分析 |
4.4 本章小结 |
5 偏轨箱形波纹腹板梁力学性能分析 |
5.1 箱形梁有限元分析流程 |
5.1.1 有限元方法及软件工具 |
5.1.2 有限元分析流程 |
5.2 两种箱梁的有限元模型创建与前处理 |
5.2.1 创建两种箱梁的几何模型 |
5.2.2 两种箱梁有限元分析的前处理 |
5.3 两种箱梁的有限元仿真结果对比 |
5.3.1 静力学仿真结果对比 |
5.3.2 线性屈曲分析仿真对比 |
5.3.3 模态分析仿真结果对比 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读硕士期间发表的论文及所取得的研究成果 |
致谢 |
(5)多阶段自适应混合群智能算法及其应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 离散空间蚁群算法的研究现状 |
1.3 连续空间蚁群算法的研究现状 |
1.4 蝙蝠算法的研究现状 |
1.5 小结 |
1.6 研究思路 |
1.7 课题来源 |
1.8 内容编排 |
第2章 基于离散空间的改进蚁群算法 |
2.1 ACO算法 |
2.1.1 ACO算法原理 |
2.1.2 ACO算法求解TSP问题流程 |
2.1.3 ACO算法的优缺点 |
2.2 多阶段自适应信息素机制蚁群优化算法 |
2.2.1 局部信息素更新机制 |
2.2.2 多阶段自适应全局信息素更新机制 |
2.2.3 引入混沌扰动的全局信息素更新机制 |
2.2.4 MAPACO算法的步骤 |
2.3 基于TSP实验的MAPACO算法仿真 |
2.3.1 算法的参数选择 |
2.3.2 算法性能对比测试分析 |
2.4 本章小结 |
第3章 基于连续空间的改进蚁群算法 |
3.1 ACO_R算法 |
3.1.1 ACO_R算法的思想 |
3.1.2 ACO_R算法的不足 |
3.2 自适应并行连续蚁群算法 |
3.2.1 信息分享机制的改进 |
3.2.2 并行搜索取样机制 |
3.2.3 自适应权重因子 |
3.2.4 自适应并行连续蚁群算法的步骤 |
3.3 基于Benchmark测试函数的自适应并行蚁群算法仿真 |
3.3.1 Benchmark测试函数 |
3.3.2 算法性能评价指标 |
3.3.3 算法性能对比测试分析 |
3.4 本章小结 |
第4章 多形态作用力蝙蝠算法 |
4.1 标准蝙蝠算法 |
4.1.1 蝙蝠的回声定位原理 |
4.1.2 蝙蝠算法的原理 |
4.1.3 蝙蝠算法的步骤 |
4.2 多形态作用力蝙蝠算法 |
4.2.1 作用力规则的构造 |
4.2.2 蝙蝠的速度和位置更新 |
4.3 MFBA性能对比测试分析 |
4.4 本章小结 |
第5章 混合群智能算法的应用 |
5.1 混合MFBA-MAPACO算法 |
5.2 可靠性优化应用 |
5.2.1 通用生成函数介绍 |
5.2.2 串-并联多态系统可靠性优化 |
5.2.3 液压系统可靠性优化 |
5.3 PID参数整定应用 |
5.3.1 伺服阀的建模 |
5.3.2 伺服阀控液压缸的建模 |
5.3.3 数字PID参数优化 |
5.3.4 仿真结果及分析 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间承担的科研任务与主要成果 |
致谢 |
(6)连续域蚁群算法的研究及应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景与意义 |
1.2 课题研究现状 |
1.2.1 国外对蚁群算法的研究动态 |
1.2.2 国内对蚁群算法的研究动态 |
1.2.3 国外对连续域蚁群算法的研究动态 |
1.2.4 国内对连续域蚁群算法的研究动态 |
1.3 论文研究内容 |
1.4 论文结构 |
第二章 蚁群优化算法 |
2.1 ACO元启发式算法 |
2.1.1 组合优化问题 |
2.1.2 ACO元启发式算法 |
2.2 基本蚁群算法 |
2.2.1 基本蚁群算法思想 |
2.2.2 基本蚁群算法 |
2.2.3 基本蚁群算法步骤 |
2.2.4 基本蚁群算法流程图 |
2.2.5 改进的蚁群算法 |
2.3 基本连续域蚁群算法 |
2.3.1 基本连续域蚁群算法思想 |
2.3.2 基本连续域蚁群算法 |
2.3.3 基本连续域蚁群算法步骤 |
2.3.4 基本连续域蚁群算法流程图 |
2.3.5 基本连续域蚁群算法的不足 |
2.4 本章小结 |
第三章 基于人工蜂群的连续域蚁群优化算法 |
3.1 人工蜂群算法原理 |
3.2 替代机制 |
3.3 算法描述 |
3.4 算法步骤 |
3.5 算法伪代码 |
3.6 实验结果与分析 |
3.6.1 ABC-ACOR与ACOR,HACO算法对比实验 |
3.6.2 ABC-ACOR与API,CACO和COAC算法对比实验 |
3.7 本章小结 |
第四章 基于信息素的自适应连续域混合蚁群算法 |
4.1 连续域混合蚁群算法 |
4.2 信息素挥发因子 |
4.3 信息素分享机制 |
4.4 算法步骤 |
4.5 算法伪代码 |
4.6 实验与分析 |
4.6.1 实验设计 |
4.6.2 实验结果与分析 |
4.7 本章小结 |
第五章 基于连续域蚁群算法的支持向量机参数优化 |
5.1 SVM原理 |
5.2 基于连续域蚁群算法的SVM参数优化 |
5.3 实验与分析 |
5.3.1 实验设计 |
5.3.2 实验结果与分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 论文的主要创新点 |
6.3 论文存在的问题以及未来工作的展望 |
致谢 |
参考文献 |
附录:作者在攻读硕士学位期间发表的论文 |
(7)蚁群算法在连续空间优化中的研究与应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 引言 |
1.1 蚁群算法的提出 |
1.1.1 问题的引出 |
1.1.2 群集智能的研究 |
1.1.3 蚁群算法的研究与现状 |
1.2 本文研究的目的及意义 |
第二章 蚁群算法的基本理论 |
2.1 蚁群算法的基本原理 |
2.2 基本蚁群算法模型 |
2.3 基本蚁群算法的参数意义 |
2.3.1 信息素挥发系数 |
2.3.2 蚂蚁个体数量 |
2.3.3 影响系数的设定 |
2.3.4 总信息量的选择 |
2.4 蚁群觅食行为的软件可视化 |
2.4.1 程序内对信息素的设定 |
2.4.2 蚂蚁个体的搜索本质 |
第三章 蚁群算法的研究与应用 |
3.1 蚁群算法的应用 |
3.2 蚁群算法的优点与不足 |
3.3 蚁群算法的研究与成果 |
3.3.1 加入局部优化概念的蚁群算法 |
3.3.2 自适应蚁群算法 |
3.3.3 蚁群系统算法 |
3.3.4 最大最小蚁群算法 |
3.3.5 加入了相遇概念的蚁群算法 |
3.3.6 小结 |
第四章 改进蚁群算法在连续函数解空间寻优中的应用 |
4.1 蚁群算法在解空间中的寻优思路 |
4.2 蚁群算法在解空间寻优问题中的设计模型 |
4.2.1 引入蚁群算法解决组合优化问题的改进思想 |
4.2.2 蚁群算法解决连续空间寻优问题的算法模型 |
4.3 蚁群算法解决连续函数解空间寻优问题的软件化成果 |
第五章 实例应用 |
5.1 基于蚁群算法的沉降组合预测模型 |
5.1.1 加权几何平均组合模型建模方法 |
5.1.2 算例分析 |
5.2 蚁群算法对投影寻踪转换参数的寻优 |
5.2.1 投影寻踪模型 |
5.2.2 基于蚁群算法的酸雨pH值拟合、预测模型 |
5.2.3 基于蚁群算法的水库流量预测模型 |
5.3 小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
附录A |
附录B 部分代码 |
(8)针对车辆路径问题的蚁群算法优化(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 精确算法 |
1.2.2 近似算法 |
1.2.3 并行算法 |
1.2.4 研究现状总结 |
1.3 主要研究内容 |
1.4 论文结构安排 |
第二章 VRP问题模型及基本蚁群算法 |
2.1 VRP问题模型 |
2.1.1 VRP问题简介 |
2.1.2 VRP问题分类 |
2.1.3 CVRP模型 |
2.2 基本蚁群算法 |
2.2.1 蚁群算法的基本原理 |
2.2.2 蚁群算法的数学模型 |
2.2.3 蚁群算法的变种 |
2.2.4 蚁群算法的实现 |
2.2.5 蚁群算法的特性 |
第三章 混合模拟退火过程的蚁群算法 |
3.1 概述 |
3.2 算法设计 |
3.2.1 数据结构与符号定义 |
3.2.2 算法框架 |
3.2.3 解的构建 |
3.2.4 局部搜索 |
3.2.5 信息素更新 |
3.2.6 信息素扰动 |
3.2.7 混合算法中模拟退火过程 |
3.3 数值实验 |
3.3.1 参数设置 |
3.3.2 实验结果与分析 |
3.4 本章小结 |
第四章 分解的混合蚁群算法 |
4.1 概述 |
4.2 算法设计 |
4.2.1 算法框架 |
4.2.2 主问题求解 |
4.2.3 主问题分解 |
4.2.4 初始化子问题 |
4.2.5 子问题求解 |
4.2.6 主问题更新 |
4.3 数值实验 |
4.3.1 参数设置 |
4.3.2 实验结果与分析 |
4.4 本章小结 |
第五章 基于Open CL的并行蚁群算法 |
5.1 概述 |
5.2 GPU简介 |
5.3 Open CL简介 |
5.3.1 平台模型 |
5.3.2 执行模型 |
5.3.3 内存模型 |
5.3.4 编程模型 |
5.3.5 编程步骤 |
5.4 算法设计 |
5.4.1 算法框架 |
5.4.2 内存对象的数据结构设计 |
5.4.3 数据初始化 |
5.4.4 解的构建 |
5.4.5 基于任务并行的实现 |
5.4.6 基于数据并行的实现 |
5.4.7 使用局部内存优化 |
5.4.8 统计信息更新 |
5.4.9 信息素更新 |
5.5 数值实验 |
5.5.1 参数设置 |
5.5.2 实验结果与分析 |
5.6 本章小结 |
全文总结 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(9)基于蚁群算法的输电塔结构离散变量优化设计(论文提纲范文)
摘要 |
Abstract |
目录 |
TABLE OF CONTENTS |
图目录 |
表目录 |
主要符号表 |
1 绪论 |
1.1 问题提出与研究意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 国内外相关研究进展 |
1.2.1 输电塔结构简介 |
1.2.2 结构优化设计方法 |
1.2.3 输电塔结构优化设计方法 |
1.2.4 输电塔结构优化设计分析 |
1.2.5 输电塔结构连续性倒塌模拟方法 |
1.3 本文主要研究思路与内容 |
1.3.1 存在的问题 |
1.3.2 本文的主要研究内容 |
2 桁架结构多类型变量优化方法 |
2.1 引言 |
2.2 蚁群优化算法 |
2.2.1 蚁群算法 |
2.2.2 旅行商问题 |
2.2.3 基本蚁群算法 |
2.2.4 连续蚁群算法 |
2.3 基于离散变量的桁架结构截面优化方法 |
2.3.1 桁架结构优化方法选择 |
2.3.2 桁架结构截面优化模型 |
2.3.3 桁架结构截面优化方法 |
2.4 基于离散和逻辑变量的桁架结构拓扑优化方法 |
2.4.1 桁架结构拓扑优化模型 |
2.4.2 桁架结构拓扑优化方法 |
2.4.3 桁架结构拓扑优化算例 |
2.4.4 输电塔塔腿拓扑优化算例 |
2.5 基于离散和连续变量的桁架结构形状优化方法 |
2.5.1 桁架结构形状优化模型 |
2.5.2 桁架结构形状优化方法 |
2.5.3 平面桁架结构形状优化算例 |
2.5.4 空间桁架结构形状优化算例 |
2.6 本章小结 |
3 桁架结构离散型变量优化方法 |
3.1 引言 |
3.2 桁架结构截面离散变量优化方法 |
3.2.1 结构截面优化方法 |
3.2.2 蚁群算法控制参数 |
3.2.3 平面桁架结构截面优化算例 |
3.2.4 空间塔架结构截面优化算例 |
3.3 桁架结构拓扑离散变量优化方法 |
3.3.1 结构拓扑优化方法 |
3.3.2 平面桁架结构拓扑优化算例 |
3.3.3 空间塔架结构拓扑优化算例 |
3.4 桁架结构形状离散变量优化方法 |
3.4.1 结构形状优化方法 |
3.4.2 平面桁架结构形状优化算例 |
3.4.3 空间塔架结构形状优化算例 |
3.5 桁架结构布局离散变量优化方法 |
3.5.1 结构布局优化模型 |
3.5.2 结构布局优化方法 |
3.5.3 平面桁架结构布局优化算例 |
3.5.4 空间塔架结构布局优化算例 |
3.6 本章小结 |
4 桁架结构多目标蚁群优化方法 |
4.1 引言 |
4.2 多目标蚁群算法 |
4.2.1 P-ACO算法 |
4.2.2 P-ACO算法存在的问题 |
4.3 改进的P-ACO算法 |
4.3.1 改进多的目标蚁群算法思路 |
4.3.2 改进的多目标蚁群算法流程 |
4.3.3 改进的多目标算法性能评价指标 |
4.4 多目标函数优化算例 |
4.4.1 BNH问题 |
4.4.2 DBE问题 |
4.4.3 TNK问题 |
4.5 桁架结构多目标优化算例 |
4.5.1 桁架结构多目标蚁群优化方法 |
4.5.2 平面桁架结构多目标优化算例 |
4.6 空间塔架结构多目标优化算例 |
4.6.1 空间塔架结构优化设计模型 |
4.6.2 空间塔架优化设计结果分析 |
4.7 本章小结 |
5 输电塔结构离散变量优化设计方法 |
5.1 引言 |
5.2 输电塔结构优化设计方法 |
5.2.1 输电塔结构优化设计模型 |
5.2.2 输电塔结构优化设计思路 |
5.2.3 输电塔结构优化设计方法 |
5.3 输电塔结构局部优化设计 |
5.3.1 算例介绍 |
5.3.2 输电塔局部截面优化设计 |
5.3.3 输电塔局部拓扑优化设计 |
5.3.4 输电塔局部形状优化设计 |
5.3.5 输电塔局部布局优化设计 |
5.3.6 输电塔局部优化设计结果分析 |
5.4 输电塔结构整体优化设计 |
5.4.1 输电塔整塔优化设计模型 |
5.4.2 输电塔整塔截面优化设计 |
5.4.3 输电塔整塔拓扑优化设计 |
5.4.4 输电塔整塔形状优化设计 |
5.4.5 输电塔整塔布局优化设计 |
5.4.6 输电塔整塔优化设计结果分析 |
5.5 本章小结 |
6 输电塔结构优化设计结果验算 |
6.1 引言 |
6.2 输电塔-线体系倒塌模拟方法 |
6.2.1 结构倒塌模拟软件 |
6.2.2 输电塔结构生死单元法 |
6.2.3 输电塔结构的动力方程 |
6.3 输电塔-线体系风荷载模拟方法 |
6.3.1 风速的表达 |
6.3.2 谐波叠加法 |
6.3.3 脉动风的互功率谱 |
6.4 输电塔-线体系倒塌模拟与分析 |
6.4.1 输电塔-线体系模型 |
6.4.2 输电塔-线体系风载模拟 |
6.4.3 输电塔-线体系倒塌模拟 |
6.4.4 输电塔结构单塔数值模拟 |
6.5 输电塔结构局部优化设计结果验算与分析 |
6.5.1 输电塔局部截面优化设计验算 |
6.5.2 输电塔局部拓扑优化设计验算 |
6.5.3 输电塔局部形状优化设计验算 |
6.5.4 输电塔局部布局优化设计验算 |
6.5.5 输电塔局部优化设计验算结果分析 |
6.6 输电塔结构整塔优化设计结果验算与分析 |
6.6.1 输电塔整塔截面优化设计验算 |
6.6.2 输电塔整塔拓扑优化设计验算 |
6.6.3 输电塔整塔形状优化设计验算 |
6.6.4 输电塔整塔布局优化设计验算 |
6.6.5 输电塔整塔优化设计验算结果分析 |
6.7 本章小结 |
7 结论与展望 |
7.1 结论与创新点 |
7.1.1 桁架结构多类型变量优化方法 |
7.1.2 桁架结构离散类变量优化方法 |
7.1.3 桁架结构多目标蚁群优化方法 |
7.1.4 输电塔结构优化设计方法与验算 |
7.2 创新点摘要 |
7.3 展望 |
参考文献 |
攻读博士学位期间科研项目及科研成果 |
致谢 |
作者简介 |
(10)基于群智能优化算法混合策略的蚁群算法的研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 基本蚁群算法的描述 |
1.2.1 信息素 |
1.2.2 蚁群行为描述 |
1.2.3 人工蚁群与真实蚁群对比分析 |
1.2.4 蚁群优化的特点 |
1.3 蚁群算法的国内外研究现状 |
1.4 本文的主要研究目的和工作安排 |
1.4.1 课题研究的基本思路 |
1.4.2 本文的主要内容 |
第二章 基本蚁群算法及群智能优化算法 |
2.1 基本蚁群算法的原理 |
2.1.1 TSP 问题描述 |
2.2 基本蚁群算法的三种典型数学模型 |
2.2.1 蚂蚁系统 |
2.2.2 基本蚁群算法的实现步骤 |
2.2.3 基本蚁群算法的程序结构流程 |
2.3 基本蚁群算法复杂度分析 |
2.3.1 时间复杂度 |
2.3.2 空间复杂度 |
2.4 群智能优化算法的研究 |
2.5 遗传算法 |
2.5.1 遗传算法的基本流程 |
2.6 粒子群算法 |
2.6.1 PSO 基本模型 |
2.6.2 粒子群算法的实现步骤 |
2.7 本章小结 |
第三章 改进蚁群算法及其在 TSP 问题上的应用 |
3.1 引言 |
3.2 相关背景 |
3.2.1 TSP 问题 |
3.2.2 基本蚁群算法参数分析 |
3.2.3 基本遗传算法 |
3.2.4 遗传算法的基本运行参数 |
3.3 融合算法的设计 |
3.3.1 遗传算法的设置 |
3.3.2 蚁群算法的改进 |
3.3.3 改进蚁群遗传混合算法实现 |
3.4 改进蚁群算法的实例运算及性能分析 |
3.5 本章小结 |
第四章 改进蚁群算法在连续空间优化中的应用 |
4.1 引言 |
4.2 最优化问题 |
4.3 蚁群算法求解连续函数的几种思路 |
4.4 优化算法改进 |
4.4.1 量子行为粒子群算法 |
4.4.2 量子行为粒子群混合蚁群算法的基本原理 |
4.5 智能优化混合策略基本思想 |
4.5.1 标准蚁群算法的改进 |
4.5.2 混合算法 QPSO-ACA-HA |
4.6 算法的实例检验与分析 |
4.6.1 算法性能测试分析 |
4.7 本章小结 |
第五章 混合群智能蚁群算法在 SVM 参数优化中的应用 |
5.1 支持向量机算法 |
5.1.1 支持向量机及其训练 |
5.1.2 支持向量机的优点 |
5.1.3 支持向量机的参数 |
5.2 运用 QPSO-ACA-HA 优化 SVM 参数的基本思路 |
5.2.1 QPSO-ACA-HA 优化 SVM 的方法 |
5.3 谷氨酸发酵过程简介 |
5.3.2 建立基于 SVM 的谷氨酸发酵过程模型的建立 |
5.3.3 仿真结果 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文工作总结 |
6.2 展望 |
致谢 |
参考文献 |
附录:作者在攻读硕士学位期间发表的论文 |
四、连续优化问题的蚁群算法研究(论文参考文献)
- [1]基于蚁群算法的移动机器人路径规划研究[D]. 张松灿. 河南科技大学, 2021(02)
- [2]面向大规模目标访问任务的飞行序列规划方法[D]. 朱阅訸. 国防科技大学, 2020(01)
- [3]母管制热电机组热力系统建模与负荷优化分配[D]. 许可. 浙江大学, 2020(08)
- [4]桥式起重机偏轨箱形波纹腹板梁的优化设计[D]. 靳通通. 中北大学, 2019(01)
- [5]多阶段自适应混合群智能算法及其应用[D]. 刘一丹. 燕山大学, 2017(04)
- [6]连续域蚁群算法的研究及应用[D]. 周袅. 江南大学, 2016(02)
- [7]蚁群算法在连续空间优化中的研究与应用[D]. 赵鑫. 昆明理工大学, 2016(02)
- [8]针对车辆路径问题的蚁群算法优化[D]. 孙晓奇. 上海交通大学, 2016(02)
- [9]基于蚁群算法的输电塔结构离散变量优化设计[D]. 张卓群. 大连理工大学, 2014(07)
- [10]基于群智能优化算法混合策略的蚁群算法的研究与应用[D]. 江君莉. 江南大学, 2013(S1)