一、基于免疫算法的TSP问题求解(论文文献综述)
王昭哲[1](2021)在《基于改进免疫算法的焊接机器人轨迹规划》文中认为随着自动化技术的普及和发展,等离子焊接与工业机器人的结合更多的应用在生产加工领域,传统示教方式已不能满足制造企业对机器人路径规划的精度及加工生产效率所提出的要求。鉴于此,本文通过改进免疫算法用于不同优化目的的焊接机器人,提高其工作效率。在研究方法上,以一般免疫算法作为理论基础,针对焊接机器人路径规划问题,提出优先级编码和解码方式,简化了编码解码复杂程度;将两种交叉方式及两种变异方式混合运用,分别增强了算法的全局和局部搜索能力,加快搜索速度;针对记忆更新机制,提出了基于初始群体的分组更新方式,有效避免了相似抗体路径重复出现的情况,保证了抗体多样性;基于IRB4600机器人运动学分析,对改进免疫算法加入速度、加速度及力矩的约束,有效缩短了寻优时间。对IRB4600机器人进行运动学分析,利用PloyspaceR2019b对不同算法进行编程,用改进免疫算法对三维焊点轨迹进行仿真;利用B样条曲线可分段拟合且拟合效果不受分段数量影响的优点,对不同关节的速度、加速度和力矩进行设置限制,可得出各关节累计变化距离,以此为基础对其进行最优时间优化;最后,使用RobotStudio软件将各智能算法融入其中,对点焊和弧焊加工工艺过程进行仿真,达到了智能化高效率的要求。
张丽娜,谭彧,吕昊暾,李宝胜,蒋易宇,王硕[2](2020)在《温室穴盘苗自动移钵路径优化》文中指出为了优化移栽机补栽作业时的移钵路径,该研究基于免疫算法构建了克隆选择算法和免疫遗传算法2种适合求解移钵路径优化问题的模型,并与固定顺序法和遗传算法对比,进行移钵路径规划仿真试验和验证试验。结果表明:克隆选择算法模型和免疫遗传算法模型均能有效优化移钵路径,免疫遗传算法模型的路径规划效率较高,而克隆选择算法模型的路径规划效率较低。验证试验条件下,该研究2种模型的路径规划长度分别为48 977和48 945 mm,相比固定顺序法分别缩短7.59%和7.65%,相比遗传算法模型分别缩短3.60%和3.66%;2种模型的计算时间分别为5.86和2.72s,免疫遗传算法模型的计算时间相对遗传算法减少15.79%。免疫遗传算法模型可作为温室穴盘苗后续机械化批量补栽的路径规划控制基础。
刘臻博[3](2020)在《基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用》文中研究指明随着当今工业流程的不断发展,大规模、复杂化系统的出现促进一种有效解决大系统控制问题的方法,即分布式模型预测控制(DMPC)方法应运而生。DMPC具有计算负担小、容错率强、可扩展性高的优点,而DMPC算法的设计思想主要是在保证系统稳定性的前提下,采用简单的系统通信方式和较少的通信负担达到最优的控制性能。本文主要围绕DMPC系统拆解方式和DMPC算法的改进来进行研究,主要进行如下工作:在进行DMPC系统结构拆解时,由于到各子系统间存在动态耦合,那么传统基于静态耦合的方法无法适用。本文提出一个基于粒子群优化的遗传免疫优化算法(PSO-IGA)。在该方法中,采用粒子群算法中的粒子进化方程引入IGA免疫选择的抗体变异操作中,使抗体同时具有“位置”和“速度”两种属性,使抗体在更新时具有更明确的搜索方向,从而在保证抗体种群多样性的同时,进一步提高了算法的收敛速度。提出了一个基于IGA的DMPC系统结构分解方法。在该方法中,首先将DMPC系统结构分解问题分为输入分组(ICD)和输入输出配对(IOPD)两个阶段,并采用PSO-IGA算法来优化这两个阶段的目标函数,将一个大系统按输入输出耦合影响分解成若干个子系统。将该方法引入到协作式DMPC算法中,提出一个基于IGA系统结构分解的协作式DMPC算法,将分解后的大系统在约束下采用改进的协作式DMPC算法进行分布式控制。从而达到有效解决DMPC中通信负担问题的目的。
张晓[4](2017)在《人工免疫算法改进及其应用研究》文中研究指明人工免疫算法是基于生物免疫系统的免疫进化机理和信息处理机制等原理发展起来的一种生物智能优化算法,具有生物免疫系统的一些优异特征,其相关研究成果在很多方面得到了广泛应用。因而,如何去挖掘免疫系统的这些特征优势,并且利用这些优良特性去改善其他智能算法的求解性能,建立起新的算法模型,用来解决新的工程实践问题,是一个值得研究的话题。本文在深入分析人工免疫算法的原理和特点后,借助已有的生物免疫学的理论基础,对生物免疫和人工免疫的运行机理、运行性能展开了深入研究,从另一种角度提出了一种新型免疫粒子群算法(Immune Particle Swarm Optimization,IPSO)。具体研究工作如下:(1)描述了免疫算法的一般性框架结构,深入探讨了几种典型免疫算法的免疫原理。对于具体的问题特点,定义了新的抗体浓度选择方法和免疫疫苗等操作,提高了算法的效率。(2)提出了 IPSO算法。该算法将人工免疫算法中的多样性保持机制、抗体浓度自我调节、免疫记忆和免疫疫苗等免疫思想和相关操作成功嵌入到粒子群算法中,改善了传统的粒子群算法收敛速度慢和在收敛后期易陷于局部最优的弊端。并通过实验验证了 IPSO算法的可行性和有效性。(3)将IPSO算法运用到离散状态下的组合优化问题中,以柔性车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)为例,首先给出了 FJSP 问题的数学模型结构。并且在分析了 FJSP问题的模型特征后,设计了新的抗体编码方式、抗体更新算子、抗体选择机制以及疫苗的选取方案和接种方式。实验结果表明该方案对于解决该问题可以获得更优的求解质量。
吴建辉[5](2013)在《混合免疫优化理论与算法及其应用研究》文中认为在科学研究和工程实践中广泛存在着优化问题,因而开展优化问题的研究具有重要的理论意义和应用价值。模拟生物免疫系统智能信息处理机制的免疫优化算法具有自组织、多样性好、鲁棒性强等优点,适宜于优化问题的求解。然而依靠单一模式的优化算法难以满足具有强非线性、不确定性、时变等特征的复杂优化问题的性能要求。混合免疫优化算法为复杂优化问题的求解提供了新的思路和有效的途径,同时也是优化理论与算法研究的发展方向之一。本文借鉴免疫系统的机理并结合其它优化算法开展混合免疫优化理论与算法及其应用的研究。针对组合优化和数值优化问题,本文从机制模型、算法设计、理论分析、性能测试、算法比较等方面进行系统研究,通过仿真实验验证了混合免疫优化算法的有效性;将所研究的混合免疫优化算法应用于复杂离散混沌系统滑模优化控制中,取得了良好的控制效果。论文的主要研究成果与创新如下:(1)针对组合优化问题,利用免疫克隆选择算法和蚁群算法的各自优势,提出一种基于串联混合方式的优化算法:结合抗体小窗口局部搜索算法的克隆选择和蚁群融合算法(ACLA)。在蚁群算法中引入混沌扰动能在一定程度上避免早熟、停滞;克隆扩增、免疫基因等算子的操作能加快克隆选择算法的收敛速度;局部搜索算法的应用,能有效提高ACLA算法的搜索效率。针对旅行商问题的实验结果表明,该混合算法在收敛速度与求解精度上均取得了较好的效果。(2)针对组合优化问题,融合协同进化算法、免疫克隆选择算法的各自优势,构造了一种基于多子种群免疫进化的两层框架模型,在此模型的基础上提出一种基于竞争-合作的分层协同进化免疫算法(HCIA)。HCIA算法通过对若干个子种群进行局部最优免疫优势、基于竞争的克隆扩增等低层免疫操作和高层遗传操作,增强优秀抗体实现亲和度成熟的机会,提高了抗体群分布的多样性,使其在深度搜索和广度寻优之间取得了平衡。通过典型组合优化问题——旅行商问题的实验仿真结果表明,HCIA算法具有可靠的全局收敛性及较快的收敛速度。(3)针对函数全局优化问题,融合免疫算法的多样性机理、粒子群的信息共享及协同进化思想,提出基于两层模型的多子种群粒子群免疫协同进化算法(MAPCPSOI)。MAPCPSOI算法首先通过对若干个子种群进行具有协同合作特征的低层自适应多态杂交粒子群操作,改善了子种群的多样性,有效抑制了收敛过程中的早熟停滞现象;然后通过具有协同竞争特征的高层免疫克隆选择操作,显着地提高了全局寻优能力,进一步提高了收敛精度。函数优化的仿真结果表明:与其他改进微粒群算法相比,MAPCPSOI算法具有更快的收敛速度和更高的求解精度,尤其适合超高维函数及其它复杂函数的优化问题求解。(4)针对多模态函数优化问题,提出融合Powell法的粒子群优化算法(IPSO-P)及免疫云粒子群优化算法(PPSO)这两种算法。IPSO-P算法将粒子群优化算法的全局搜索能力与Powell法的强局部寻优能力有机地结合起来,在保证求解速度、尽可能找到全部极值点的同时提高了解的精确性。而在PPSO算法中,通过引入基于云模型的云变异算子提高了种群的多样性,利用小波变异克隆选择算法对云变异粒子群优化算法搜索到的较优解进行局部搜索以进一步提高解的精度。仿真实验表明这两种新混合算法的有效性。(5)将免疫云粒子群优化算法(PPSO)应用于离散混沌系统滑模优化控制中,提出一种基于PPSO算法的神经滑模等效控制方法。该方法通过将BP神经网络的输出作为滑模等效控制的切换部分的系数,有效克服了传统滑模等效控制的抖振现象;利用PPSO算法对神经滑模控制器的参数进行全局优化,提高了离散混沌系统的控制品质。实验仿真表明,该方法无需了解离散混沌系统精确模型,具有响应速度快、控制精度高以及抗干扰能力强的优点。
刘朝华[6](2012)在《混合免疫智能优化算法研究及其在复杂系统中的应用》文中进行了进一步梳理人工免疫系统模拟生物免疫系统进化行为的智能特征,具有自组织、自学习能力,具有解决复杂优化问题的优点。现代工业系统变得越来越复杂,而复杂系统的建模、优化与控制需要高性能的算法来辅助,依靠单一模式的优化方法难以满足系统性能要求。混合免疫智能处理技术为这类问题提供了有效的途径,同时也是人工免疫系统研究的发展方向。基于免疫系统的机理,深入挖掘生物免疫系统中蕴含的智能学习机制并结合其它智能处理方法的优点,本文研究了几类混合免疫智能优化算法及其相关应用,从算法理论、算法设计、性能测试、比较分析到实际应用展开一系列工作。在理论上研究了四类混合免疫智能优化方法,并通过实验仿真验证了算法的有效性;在应用上研究了混沌系统自抗扰优化控制与永磁同步电机系统多参数辨识这两类典型的复杂系统,并获得了良好的控制效果和辨识结果。概括如下:1.引入生态学中的协同进化Lotka-Volterra思想到人工免疫算法中,考虑了群体间的竞争合作关系,构造了一种竞争合作型协同进化免疫克隆选择模型。各子种群内部通过局部最优免疫优势、克隆扩增和动态高频变异等相关算子操作。运用信息熵理论改善种群多样性,所有子种群共享经过免疫杂交提升操作的高层记忆库,通过迁移操作实现整个种群信息共享与协同进化。2.为了扩大解的搜索空间,将粒子群体分为捕食与探索两种模态,建立一种免疫双态粒子群优化方法。对处于捕食状态的精英粒子采用精英学习策略;对处于探索状态的微粒采用探索策略;对微粒个体极值进行免疫克隆优化;对不活跃个体进行免疫受体编辑。算法兼顾了抑制早熟停滞现象和避免冗余迭代。3.融合免疫系统优化原理、协同进化思想及粒子群的邻域信息,构建免疫协同粒子群进化模型。算法采用并行计算框架,整个群体由记忆种群与若干个普通种群构成。普通微粒种群内部通过精英粒子保留、免疫网络及柯西变异等混合策略共同演化新个体;微粒个体极值采用自适应小波学习以加快收敛速度;免疫克隆选择算法对记忆库进行精细搜索;信息交互机制促进信息共享有效降低了算法的冗余迭代。扩大了算法解空间搜索范围,提高了对复杂问题的优化能力。4.利用克隆选择算法与蚁群算法各自的优势,构造了一种免疫克隆选择与蚁群自适应融合优化模型。引入混沌扰动增加抗体种群的多样性,通过克隆扩增、免疫基因等相关算子的操作增强了克隆选择算法搜索的效率;自适应控制参数实现了克隆选择与蚁群优化的有机结合及局部最优搜索策略的应用,克服了抗体种群“早熟”问题,提高了求解精度。5.应用免疫双态粒子群算法对自抗扰控制器进行优化设计。其一,将免疫双态粒子群算法应用于混沌系统自抗扰优化控制中,对自抗扰控制器参数进行优化,应用于混沌系统控制,构建一种基于免疫双态粒子群算法的混沌系统自抗扰优化控制器;其二,利用自抗扰控制器(ADRC)与小脑神经网络(CMAC)各自的优势并构造ADRC-CMAC并行控制器,利用免疫双态粒子群算法对ADRC-CMAC控制器参数进行自学习寻优,构造出一种自抗扰神经网络并行优化控制方法。针对离散混沌系统研究结果表明,以上两种控制方法具有更好的控制性能和较强的鲁棒性。6.构造了一种基于免疫协同粒子群进化算法的永磁同步电机多参数辨识模型方法。永磁同步电机参数辨识结果表明该方法不需要知道电机设计参数先验知识,能够有效地辨识电机电阻,d-q轴电感与转子磁链。同时,当电机参数发生变化时,该方法依然能够有效地追踪该参数变化值。
吴昳恬[7](2010)在《基于免疫算法的TSP问题求解》文中指出旅行商问题(Traveling Salesman Problem ,TSP)是一个典型的NP(Non-deterministic Polynomial)问题,有效地解决TSP问题在可计算理论上有着重要的理论价值。目前,在已有的各种求解TSP问题的算法中,基于人类免疫学的人工免疫新计算模型——免疫算法( Immune Algorithm, IA),凭借其具有较强的收敛性和较好的求解结果等优点成为目前学术界研究的热点。免疫算法是将人工免疫的概念及理论和遗传算法相结合,它不仅保留了遗传算法本身的优良特性,还通过增加免疫算子来抑制其迭代过程中出现的退化现象,并提高了算法的收敛速度。免疫算法是基于免疫系统的学习算法,在解决给定的最优化任务(称之为抗原)时,算法开始时收集一些估计参数(称之为抗体),每个抗体性能由其适应度和浓度来评估。在每一代,适应度好、浓度低的抗体允许交叉和变异,产生新的抗体形成下一代。这种受生物免疫系统启发的算法可以较快地导出复杂问题的有效解。免疫算法中的一个重要步骤就是交叉。在TSP求解中传统的交叉方法是部分匹配交叉,这种交叉方法要求较大的群体规模,算法效率较低,且容易陷入局部最优解。本文对已有的免疫算法进行了分析,并依据生物免疫系统的免疫机制提出了两点改进:(1)在算法中采用更加类似生物免疫系统的记忆细胞的处理方法,由简单地把单个最优个体作为记忆细胞改为生成记忆细胞群体,以增强解群在进化中的多样性;(2)引入“疫苗”的概念,先从父代中的信息抽取出得到疫苗,然后基于疫苗进行交叉,使交叉的效果得到了明显改善,也即在交叉过程中引入了自己学习的能力。首先,文中分析了影响免疫算法性能的几个重要参数,并通过仿真实验选择合适的参数值。其次,为了验证上述两点改进思想的有效性,用基于疫苗交叉的免疫算法对TSP问题进行求解,将改进的免疫算法与基本免疫算法和遗传算法进行了比较分析。以实验结果证明改进方法的有效性。最后,用改进的免疫算法在国际通用的TSP测试库中找到了一条比库中的最佳路径更优的路径和一条较优路径。
廖玲[8](2010)在《并行免疫算法求解TSP问题的研究》文中提出旅行商问题(Travelling Salesman Problem,TSP)是一个经典的组合优化问题,也是一个NP完全问题,它已经成为并将继续成为测试组合优化新算法的标准问题。TSP在实际中的应用很广泛,例如超大规模集成芯片制造、印刷电路板制造、机器人控制等诸多领域。鉴于TSP的重要实际意义,研究者一直在努力寻找一种既能找到质优解,又能保证高效收敛性稳定性的算法。从理论上讲,穷举法不但可以保证TSP问题有解,而且还可以最终得出该问题的最优解。但是在现有条件下,使用常规的穷举法在如此庞大的搜索空间中寻求最优解是不实际的,所以,产生了许多优化算法。求解TSP的传统求解算法主要有:分支定界法,改良回路法(逐次修正法)、贪婪算法(最邻近法)、最小生成树法、局部搜索法、多边交换调整法等;现代优化算法主要有:模拟退火算法、遗传算法、蚁群算法、粒子群优化算法、禁忌搜索算法、Hopfield神经网络算法等。免疫系统具有很强的鲁棒性、适应性和固有的并行性,这些特点给予了免疫算法可在并行处理等领域得以越来越广泛的应用的前提。目前,并行免疫算法已成为免疫算法研究的一个重要方向。本文探索的课题就是将并行免疫算法融合在TSP问题的求解中。首先,本文综述了并行计算、基本免疫算法和并行免疫算法的发展及特点,给出了并行实验所需的硬件基础和软件设置,并重点介绍了PC机群及该并行平台上采用的并行编程环境MPI。其次,将TSP问题与图论结合,将其转化为求解哈密尔顿回路问题,并作形式化描述。再次,针对免疫算法求解到一定程度后往往对系统的反馈信息利用不足,尤其是在求解较大规模问题时往往效率不高的缺陷,提出了一种新型并行免疫算法。此算法基于一种主从-粗粒度模型,在保证群体的稳定性、多样性的同时提高了解的精确度和收敛速度。最后,将此算法应用于求解TSP问题,使用C语言编写程序并调试运行。实验结果表明,同其它算法相比较,本文提出的并行免疫算法提高了解精度和收敛速度,在求解较大规模TSP问题时表现出较强的搜索能力,在稳定性上也有良好表现,且求出最优解的机率较大。并行免疫算法的应用研究将有助于其他组合优化问题的解决。
赵莲娣[9](2010)在《人工免疫算法在TSP中的应用研究》文中研究指明随着免疫学理论研究的不断发展,人们对生物免疫系统的认识不断深入,提出了人工免疫系统,该系统已经被广泛应用于科学研究和工程实践的众多领域。免疫算法(Immune Algorithm,简称IA)构造简单,在一定条件下具有强大的搜索能力和全局收敛性。由于使用随机搜索技术,保证了算法全局收敛性,但其局部寻优的性能受到损害,且收敛速度也不理想。而蚁群算法(Ant Colony Algorithm,简称ACA)充分利用了目标问题的信息,局部寻优能力强,收敛速度快,但是,容易陷入局部最优的陷阱。可以说,IA提供了全局性的点搜索方法,而ACA提供了局部性的面搜索方法,两类方法各有利弊。针对IA存在的上述问题,本文对其进行改进得到了一种基于蚁群的免疫算法(The Immune Algorithm based on Ant Colony,简称IAAC),该算法利用ACA局部寻优能力强、收敛速度快的优点,结合其正反馈的思想,逐渐在每只蚂蚁所走过的禁忌表中形成较优解,然后将这些较优解的片段提取出来作为IA的疫苗,在群体更新阶段注入IA,求解问题。这样既保持了种群的多样性,又避免了每次迭代中由于新更新的抗体亲和力低而被淘汰。此方法利用了点面结合的方法进行搜索,使得两种算法互为补充。针对旅行商问题(Traveling Saleman Problem,简称TSP)中存在的亲和力计算方法值域范围较大的缺点,本文根据当前代中最优解和最差解设计了一种计算亲和力的方法,其值域为[0,1],亲和力越接近1,抗体越趋于最优解,亲和力越接近0,抗体越差。本文把IAAC算法应用到TSP中,在Visual C++6.0平台上对BIA和IAAC进行了仿真,并对标准的TSPLIB中的八个问题(Uleysses16、Uleysses22、Att48、Eil51、Berlin52、St70、Eil76、Gr96)进行了测试,测试结果表明,该方法求解TSP是有效的。
廖玲,谢红薇,袁倩倩[10](2010)在《基于TSP问题的免疫算法研究》文中研究说明对免疫算法的基本问题及典型的免疫算法进行了综述。介绍免疫算法中具有代表性的几个算法,着重阐述相关算法的实现以及主要的创新点;并以解决TSP问题为基础,对几种免疫算法进行了比较和分析。最后,对全文进行了总结,并提出了在免疫算法研究中应注意的一些问题。
二、基于免疫算法的TSP问题求解(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、基于免疫算法的TSP问题求解(论文提纲范文)
(1)基于改进免疫算法的焊接机器人轨迹规划(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景与意义 |
1.2 国内外研究概况 |
1.2.1 等离子焊接研究与应用 |
1.2.2 机器人轨迹规划方法概述 |
1.2.3 免疫算法国内外研究概述 |
1.3 课题研究的主要内容 |
第2章 机器人运动分析与免疫改进 |
2.1 机器人运动性能分析 |
2.1.1 IRB4600工业机器人 |
2.1.2 机器人正运动学 |
2.1.3 逆运动学与仿真数据分析 |
2.2 免疫算法来源与生物学基础 |
2.2.1 人工免疫系统组成 |
2.2.2 生物学基础 |
2.2.3 面向工程的人工免疫系统 |
2.2.4 一般免疫算法流程 |
2.3 本文免疫算法的改进 |
2.4 本章小结 |
第3章 基于改进的免疫算法求解TSP点焊问题 |
3.1 旅行商问题 |
3.1.1 旅行商问题的描述 |
3.1.2 路径规划问题的经典算法 |
3.2 改进免疫算法求解TSP问题 |
3.2.1 编码设计及种群规模 |
3.2.2 抗体亲和度与相似度的计算 |
3.2.3 选择算子与浓度调节机制 |
3.2.4 交叉-变异的改进 |
3.2.5 记忆机制的更新 |
3.2.6 终止条件的判断及解码的设计 |
3.3 改进算法的仿真与分析 |
3.4 本章小结 |
第4章 基于改进免疫算法的时间最优轨迹规划 |
4.1 工业机器人轨迹规划概述 |
4.2 B样条轨迹规划插值方法 |
4.3 基于改进免疫算法的时间最优轨迹规划 |
4.3.1 基于改进免疫算法关节空间时间优化 |
4.3.2 基于改进免疫算法的全局寻优 |
4.4 改进免疫算法的验证与分析 |
4.4.1 基于B样条三种不同算法时间最优轨迹 |
4.4.2 B样条免疫算法及改进免疫算法时间最优轨迹 |
4.5 本章小结 |
第5章 焊接机器人轨迹仿真 |
5.1 环境模拟 |
5.1.1 仿真软件 |
5.1.2 拟态准备 |
5.2 路径仿真 |
5.3 时间最优仿真 |
5.3.1 防碰撞调整 |
5.3.2 参数配置 |
5.3.3 最优时间轨迹仿真 |
5.4 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
(2)温室穴盘苗自动移钵路径优化(论文提纲范文)
0 引言 |
1 移钵作业过程 |
2 移钵路径优化模型构建 |
2.1 基于克隆选择算法的移钵路径优化模型 |
2.2 基于免疫遗传算法的移钵路径优化模型 |
3 仿真试验与结果分析 |
3.1 试验方案 |
3.1.1 有效性验证试验 |
3.1.2 随机对比试验 |
3.2 仿真试验结果与分析 |
3.2.1 有效性验证试验结果与分析 |
3.2.2 随机对比试验结果与分析 |
4 验证试验 |
5 结论 |
(3)基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用(论文提纲范文)
摘要 |
abstract |
1.绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 模型预测控制研究现状 |
1.2.2 分布式模型预测控制的研究现状 |
1.2.3 人工免疫算法的研究现状 |
1.3 论文研究解决的问题 |
1.4 本文的研究内容及结构 |
2.基于粒子群优化的免疫遗传算法 |
2.1 引言 |
2.2 免疫学理论及免疫算法理论 |
2.2.1 免疫学基本原理 |
2.2.2 人工免疫算法理论 |
2.2.3 免疫遗传算法及仿真 |
2.3 标准粒子群算法理论 |
2.3.1 标准粒子群算法的建模 |
2.3.2 标准粒子群算法实现流程 |
2.4 基于PSO改进的免疫遗传算法及仿真 |
2.4.1 PSO-IGA实现流程 |
2.4.2 仿真实例 |
2.5 本章小结 |
3.基于改进的IGA的DMPC系统结构分解方法 |
3.1 引言 |
3.2 基于改进免疫遗传算法(IGA)的DMPC系统结构拆解 |
3.2.1 DMPC输入分组(ICD)问题 |
3.2.2 DMPC输入输出配对(IOPD)问题 |
3.2.3 基于IGA对于ICD问题和IOPD问题的应用 |
3.3 基于IGA系统结构分解的DMPC算法实现流程 |
3.4 仿真实例 |
3.4.1 IGA算法解决DMPC系统分解问题 |
3.5 本章小结 |
4 基于IGA系统结构分解的分布式模型预测控制算法与仿真 |
4.1 引言 |
4.2 模型预测控制 |
4.2.1 MPC的预测模型 |
4.2.2 MPC的滚动优化 |
4.2.3 MPC的反馈校正 |
4.3 分布式模型预测控制 |
4.3.1 DMPC的预测模型 |
4.3.2 DMPC的滚动优化 |
4.3.3 DMPC算法实现流程 |
4.3.4 DMPC算法的仿真实验 |
4.4 基于IGA系统结构分解的DMPC算法与仿真 |
4.4.1 基于IGA系统结构分解的DMPC算法实现流程 |
4.4.2 仿真实例 |
4.5 本章小结 |
5.总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术论文目录 |
攻读硕士学位期间参与的科研项目情况 |
(4)人工免疫算法改进及其应用研究(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 国内外研究概况 |
1.2.1 人工免疫算法的理论研究 |
1.2.2 人工免疫算法的应用研究 |
1.3 本文主要研究内容及组织结构 |
1.3.1 研究内容 |
1.3.2 组织结构 |
第二章 人工免疫算法的免疫机理 |
2.1 引言 |
2.2 免疫系统的基本概念 |
2.3 免疫系统基本功能 |
2.4 生物免疫系统的特征 |
2.5 免疫学的相关原理 |
2.6 本章小结 |
第三章 人工免疫算法模型研究 |
3.1 人工免疫算法基本概念及基本原理 |
3.1.1 人工免疫算法基本概念 |
3.1.2 人工免疫算法原理 |
3.2 人工免疫算法的基本流程 |
3.3 人工免疫算法的算子 |
3.4 典型人工免疫算法 |
3.4.1 否定选择算法 |
3.4.2 克隆选择算法 |
3.4.3 免疫规划算法 |
3.4.4 免疫遗传算法 |
3.5 人工免疫算法的特点 |
3.6 人工免疫算法与遗传算法的比较 |
3.7 本章小结 |
第四章 人工免疫算法与粒子群算法的融合研究 |
4.1 引言 |
4.2 粒子群算法概述 |
4.3 改进型免疫粒子群算法 |
4.3.1 算法思想 |
4.3.2 相关定义 |
4.3.3 算法模型 |
4.4 改进型算法的性能分析 |
4.4.1 预处理 |
4.4.2 算法参数设置 |
4.4.3 算法实现与结果分析 |
4.5 本章小结 |
第五章 改进型免疫粒子群算法在FJSP问题中的应用 |
5.1 引言 |
5.2 柔性作业车间调度问题 |
5.2.1 FJSP问题描述 |
5.2.2 FJSP问题数学模型 |
5.3 改进型免疫粒子群算法用于求解FJSP问题 |
5.3.1 编码方案 |
5.3.2 更新策略 |
5.3.3 疫苗的选取与接种 |
5.3.4 算法步骤 |
5.3.5 算法实现与结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 后续研究工作的展望 |
参考文献 |
致谢 |
攻读硕士学位期间取得的研究成果 |
(5)混合免疫优化理论与算法及其应用研究(论文提纲范文)
摘要 |
Abstract |
插图索引 |
附表索引 |
第1章 绪论 |
1.1 优化问题与优化算法 |
1.1.1 优化问题 |
1.1.2 优化算法 |
1.2 免疫优化算法 |
1.2.1 生物免疫系统 |
1.2.2 人工免疫算法 |
1.2.3 免疫优化算法 |
1.3 混合免疫优化算法的研究概况 |
1.3.1 混合优化算法的混合策略 |
1.3.2 混合免疫优化算法的研究进展 |
1.3.3 混合免疫优化算法的应用研究进展 |
1.4 混合免疫优化算法研究存在的不足及解决思路 |
1.4.1 混合免疫优化算法理论研究的不足及解决思路 |
1.4.2 混合免疫优化算法应用研究的局限及扩展 |
1.5 本论文的主要研究工作及内容安排 |
第2章 免疫算法和蚁群算法的混合及其在组合优化中的应用 |
2.1 引言 |
2.2 组合优化问题及旅行商问题 |
2.2.1 组合优化问题 |
2.2.2 旅行商问题(TSP) |
2.3 基于抗体小窗口局部搜索的蚁群和免疫混合算法(ACLA) |
2.3.1 ACLA算法流程 |
2.3.2 混沌蚁群算法 |
2.3.3 基于免疫基因操作的克隆选择算法 |
2.3.4 抗体小窗口局部搜索算法 |
2.4 ACLA算法收敛性分析 |
2.5 实验仿真 |
2.5.1 算法比较 |
2.5.2 ACLA算法与ACS算法性能比较 |
2.6 本章小结 |
第3章 分层协同进化免疫算法及其在组合优化中的应用 |
3.1 引言 |
3.2 协同进化及协同进化算法 |
3.2.1 协同进化 |
3.2.2 协同进化算法 |
3.3 分层协同进化免疫模型及算法(HCIA) |
3.3.1 亲和度函数 |
3.3.2 HCIA算法的模型及流程 |
3.3.3 HCIA算法的低层操作 |
3.3.4 HCIA算法的高层操作 |
3.4 分层协同进化免疫算法收敛性分析 |
3.5 分层协同进化免疫算法在TSP中的仿真实验 |
3.5.1 算法比较 |
3.5.2 抗体个数m对HCIA算法性能影响 |
3.5.3 子种群个数NN对HCIA算法性能影响 |
3.6 ACLA算法与HCIA算法性能比较 |
3.7 本章小结 |
第4章 多子种群粒子群免疫协同进化算法及其在数值优化中的应用 |
4.1 引言 |
4.2 数值优化问题及函数最优化问题 |
4.2.1 数值优化问题 |
4.2.2 函数最优化问题 |
4.3 多子种群粒子群免疫协同进化算法(MAPCPSOI)模型及流程 |
4.3.1 MAPCPSOI算法模型 |
4.3.2 MAPCPSOI算法流程 |
4.4 MAPCPSOI算法的实现 |
4.4.1 低层自适应多态杂交粒子群算法 |
4.4.2 基于种间协同竞争的高层免疫算法 |
4.4.3 同峰判断算子 |
4.5 函数优化仿真测试 |
4.5.1 MAPCPSOI算法参数分析 |
4.5.2 对比实验研究 |
4.5.3 高维及超高维函数对比实验 |
4.5.4 多模态函数全局优化实验 |
4.5.5 子种群多样性分析 |
4.6 本章小结 |
第5章 免疫算法的混合及其在多模态函数优化问题中的应用 |
5.1 引言 |
5.2 多模态函数优化问题及适应度函数 |
5.2.1 多模态函数优化问题 |
5.2.2 适应度函数 |
5.3 融合Powell法的粒子群优化算法(IPSO-P) |
5.3.1 IPSO-P算法流程 |
5.3.2 标准粒子群算法及其改进 |
5.3.3 Powell搜索法 |
5.3.4 极值点的同峰判断 |
5.4 IPSO-P算法在多模态函数中仿真实验 |
5.4.1 Powell法搜索概率的确定 |
5.4.2 与其他算法仿真对比实验 1 |
5.4.3 与其他算法仿真对比实验 2 |
5.5 免疫云粒子群优化算法(PPSO) |
5.5.1 PPSO算法流程 |
5.5.2 云变异粒子群优化算法 |
5.5.3 自适应小波变异克隆选择算法 |
5.6 PPSO算法性能及全局收敛性分析 |
5.6.1 算法性能分析 |
5.6.2 全局收敛性分析 |
5.7 PPSO算法在多模态函数中仿真实验 |
5.7.1 二维多模态函数仿真实验 |
5.7.2 搜索性能分析 |
5.7.3 高维多模态函数仿真实验 |
5.8 IPSO-P算法与PPSO算法对比 |
5.9 本章小结 |
第6章 免疫云粒子群优化算法在离散混沌系统滑模控制中的应用 |
6.1 引言 |
6.2 神经滑模等效控制 |
6.2.1 滑模控制 |
6.2.2 BP神经网络流程 |
6.2.3 基于等效控制方法的神经滑模控制 |
6.3 基于PPSO算法的神经滑模等效控制(PPSO-NNSMC) |
6.3.1 评价函数的选择 |
6.3.2 PPSO-NNSMC流程 |
6.4 基于PPSO-NNSMC的离散混沌系统仿真实验 |
6.4.1 非线性系统算例仿真实验 |
6.4.2 Henon混沌系统仿真实验 |
6.4.3 六辊UC轧机混沌系统仿真实验 |
6.5 本章小结 |
总结及展望 |
参考文献 |
致谢 |
附录A 攻读学位期间发表的学术论文目录 |
附录B 攻读学位期间主持或参研的项目目录 |
(6)混合免疫智能优化算法研究及其在复杂系统中的应用(论文提纲范文)
摘要 |
Abstract |
插图索引 |
附表索引 |
第1章 绪论 |
1.1 人工免疫系统的研究概况 |
1.1.1 生物免疫系统 |
1.1.2 人工免疫系统 |
1.1.3 人工免疫算法 |
1.2 混合免疫智能算法研究概况 |
1.2.1 混合免疫智能算法 |
1.2.2 混合免疫智能算法应用研究进展 |
1.3 存在的主要问题及解决途径 |
1.3.1 混合免疫智能算法理论研究的缺陷及解决思路 |
1.3.2 混合免疫智能算法应用研究的局限及拓展 |
1.4 本文的主要工作及内容安排 |
第2章 竞争合作型协同免疫进化算法 |
2.1 引言 |
2.2 竞争合作协同免疫进化模型(CCCICA) |
2.2.1 基于生态种群密度的种群竞争操作 |
2.2.2 群体协同合作操作 |
2.3 种群内部免疫优势克隆选择操作 |
2.3.1 抗体局部最优免疫优势算子 |
2.3.2 基于信息熵的种群多样性控制 |
2.3.3 种群内部抗体克隆选择操作 |
2.4 算法流程及其收敛性能分析 |
2.4.1 竞争合作型协同免疫进化算法步骤 |
2.4.2 收敛性分析 |
2.4.3 时间复杂度分析 |
2.5 实验仿真 |
2.5.1 三种不同形式ICA算法性能比较 |
2.5.2 CCCICA与其它免疫克隆选择算法的性能比较 |
2.5.3 CCCICA与其它智能算法的性能比较 |
2.6 小结 |
第3章 免疫双态粒子群算法 |
3.1 引言 |
3.2 粒子群算法优化原理 |
3.3 免疫双态粒子群算法(IBPSO) |
3.3.1 双态粒子群算法机理 |
3.3.2 精英粒子局部增强学习算子 |
3.3.3 粒子免疫优化 |
3.4 IBPSO算法流程及性能分析 |
3.4.1 算法IBPSO流程 |
3.4.2 算法性能及收敛性分析 |
3.5 仿真实验及分析 |
3.5.1 BPSO(双模态粒子群)比例参数 |
3.5.2 算法精度比较 |
3.5.3 t-test测试比较 |
3.5.4 高维函数实验 |
3.5.5 多模态函数及多样性实验 |
3.6 小结 |
第4章 免疫协同粒子群算法 |
4.1 引言 |
4.2 免疫协同粒子群进化算法(ICPSO) |
4.2.1 免疫协同粒子群进化模型 |
4.2.2 普通种群混合免疫网络粒子群算法 |
4.2.3 记忆库免疫进化 |
4.3 协作操作 |
4.3.1 个体极值小波学习 |
4.3.2 优势抗体迁移与共享 |
4.4 ICPSO算法流程 |
4.5 实验仿真及分析 |
4.5.1 算法精度比较 |
4.5.2 算法计算复杂度比较 |
4.5.3 算法t-test值比较 |
4.5.4 相关参数及其算子分析 |
4.5.5 动态性能测试 |
4.5.6 ICPSO与IBPSO的性能比较 |
4.6 小结 |
第5章 免疫蚁群自适应融合算法 |
5.1 引言 |
5.2 蚁群算法优化机理 |
5.3 改进的蚁群算法 |
5.3.1 带混沌扰动算子启发式蚁群算法 |
5.3.2 MAX-MIN机制 |
5.4 免疫操作搜索算子 |
5.4.1 抗体片段的局部最优搜索算子(LS) |
5.4.2 基于抗体片段的最小生成树(MST)搜索算子 |
5.4.3 免疫疫苗操作 |
5.5 自适应融合算法(ACALA) |
5.5.1 控制参数P_g自适应调节策略 |
5.5.2 自适应融合算法(ACALA)流程 |
5.6 算法收敛性分析及实验仿真 |
5.6.1 算法收敛性分析 |
5.6.2 实验仿真及分析 |
5.7 小结 |
第6章 混沌系统自抗扰优化控制 |
6.1 引言 |
6.2 自抗扰控制 |
6.3 基于免疫双态粒子群(IBPSO)算法的混沌系统自抗扰优化控制 |
6.3.1 非线性混沌系统 |
6.3.2 评价函数的选择 |
6.3.3 混沌系统自抗扰优化控制系统结构图 |
6.3.4 基于IBPSO算法的混沌系统ADRC优化控制算法流程 |
6.3.5 实验 |
6.4 基于IBPSO算法的混沌系统ADRC-CMAC并行优化控制 |
6.4.1 CMAC结构 |
6.4.2 ADRC与CMAC并行控制算法 |
6.4.3 基于IBPSO的ADRC-CMAC优化设计流程 |
6.4.4 实验 |
6.5 小结 |
第7章 永磁同步电机系统多参数辨识 |
7.1 引言 |
7.2 PMSM数学模型 |
7.3 基于免疫协同粒子群算法(ICPSO)的永磁同步电机多参数辨识模型 |
7.3.1 基于ICPSO的永磁同步电机多参数辨识思想 |
7.3.2 基于ICPSO的永磁同步电机多参数辨识模型 |
7.4 实验及分析 |
7.4.1 实验方案与平台 |
7.4.2 实验结果 |
7.5 小结 |
全文总结及工作展望 |
参考文献 |
致谢 |
附录A 攻读学位期间发表的学术论文目录 |
附录B 攻读学位期间完成的科研课题目录 |
(7)基于免疫算法的TSP问题求解(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 国内外研究概况 |
1.3 本文所关注的问题和主要工作 |
1.4 论文安排 |
第二章 免疫算法简介 |
2.1 遗传算法(Genetic Algorithm,简称GA)简介 |
2.1.1 遗传算法原理 |
2.1.2 免疫算法对遗传算法的改进 |
2.1.3 两种算法特点的比较 |
2.2 免疫算法的生物学基础 |
2.3 免疫算法的属性简介 |
2.4 算法分类 |
2.4.1 基于免疫网络型 |
2.4.2 基于免疫机制型 |
2.5 免疫算法的应用 |
2.6 免疫算法的发展趋势与展望 |
第三章 基于免疫算法的TSP 问题求解 |
3.1 免疫算法的性能分析 |
3.1.1 一般免疫算法的基本框架及实现 |
3.1.2 影响算法性能的几个方面 |
3.1.3 影响算法性能的几个参数 |
3.2 本文所做的改进 |
3.2.1 记忆细胞的改进 |
3.2.2 交叉变异的改进 |
3.3 算法具体实现 |
3.4 对TSP 问题的求解 |
3.4.1 问题定义 |
3.4.2 算法实现 |
3.5 小结 |
第四章 基于免疫算法的TSP 问题实验结果与分析 |
4.1 几个重要参数对TSP 问题结果的影响 |
4.1.1 种群数量对TSP 问题结果的影响 |
4.1.2 交叉概率对TSP 问题结果的影响 |
4.1.3 变异概率对TSP 问题的影响 |
4.2 用改进的免疫算法解决TSP 问题的实验结果 |
4.3 小结 |
第五章 总结与进一步研究方向 |
5.1 本文总结 |
5.2 进一步研究方向 |
参考文献 |
攻读学位期间公开发表的论文 |
致谢 |
(8)并行免疫算法求解TSP问题的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 背景与意义 |
1.2 研究动态 |
1.3 论文的主要研究内容 |
1.4 论文的组织结构 |
第二章 并行计算理论 |
2.1 并行计算 |
2.2 并行计算机系统分类 |
2.2.1 对称多处理机 |
2.2.2 分布共享存储并行机 |
2.2.3 大规模并行机 |
2.2.4 机群系统 |
2.3 并行算法 |
2.3.1 并行算法设计策略与技术 |
2.3.2 并行算法评价标准 |
2.4 并行程序设计模型 |
2.5 MPI 并行编程环境 |
2.5.1 MPI 发展历程 |
2.5.2 MPI 概念与特点 |
第三章 免疫算法 |
3.1 免疫系统及免疫学基理 |
3.2 基本免疫算法 |
3.2.1 负选择算法 |
3.2.2 免疫遗传算法 |
3.2.3 免疫克隆选择算法 |
3.2.4 自适应免疫算法 |
3.3 并行免疫算法 |
第四章 并行免疫算法解决TSP 问题 |
4.1 TSP 问题描述 |
4.2 免疫算法求解TSP 问题 |
4.3 并行免疫算法求解TSP 问题 |
4.3.1 并行化求解TSP 问题的主要思想 |
4.3.2 并行免疫算法求解TSP 的框架与步骤 |
4.3.3 并行免疫算法求解TSP 问题的伪代码描述 |
第五章 实验及结果分析 |
5.1 实验的硬件环境 |
5.2 实验的软件环境 |
5.2.1 操作系统的选择与设置 |
5.2.2 MPICH2 的安装配置 |
5.2.3 编译环境配置 |
5.3 结果分析 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
附录:攻读学位期间发表的学术论文目录 |
(9)人工免疫算法在TSP中的应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.3 本文主要研究内容及组织结构 |
第2章 免疫理论的生物学基础及人工免疫系统 |
2.1 免疫理论的生物学基础 |
2.1.1 免疫学的基本概念 |
2.1.2 免疫运行机制及功能 |
2.2 人工免疫系统 |
2.2.1 人工免疫系统的定义 |
2.2.2 人工免疫系统与其他智能计算方法的关系 |
2.3 本章小结 |
第3章 人工免疫算法 |
3.1 免疫算法基本概念 |
3.2 免疫算法基本框架 |
3.3 免疫算法综述 |
3.4 免疫算法的特点分析比较 |
3.4.1 免疫算法的优点 |
3.4.2 免疫算法的缺点 |
3.5 本章小结 |
第4章 人工免疫算法的改进 |
4.1 基本蚁群算法概述 |
4.2 基于蚁群的免疫算法(IAAC) |
4.2.1 算法的设计思想 |
4.2.2 免疫算子的构造 |
4.2.3 算法的基本步骤 |
4.2.4 算法的程序结构流程 |
4.3 IAAC的分析比较 |
4.3.1 已有算法思想分析 |
4.3.2 IAAC与已有算法思想比较 |
4.3.3 IAAC与已有算法比较 |
4.3.4 IAAC与其他优化方法的比较 |
4.4 本章小结 |
第5章 IAAC在TSP中的应用 |
5.1 TSP问题概述 |
5.2 IAAC在TSP中的设计 |
5.2.1 算法的映射关系 |
5.2.2 个体编码和群体初始化 |
5.2.3 亲和力的计算 |
5.2.4 克隆选择算子 |
5.2.5 变异算子 |
5.2.6 群体更新 |
5.2.7 记忆细胞更新 |
5.3 仿真实验 |
5.3.1 评价标准 |
5.3.2 算法参数设置分析 |
5.3.3 IAAC重要部分的实现 |
5.3.4 实验说明 |
5.3.5 实验结果及分析 |
5.4 本章小结 |
结论 |
致谢 |
参考文献 |
攻读硕士学位期间发表的论文 |
(10)基于TSP问题的免疫算法研究(论文提纲范文)
1 TSP问题与免疫系统 |
1.1 TSP问题 |
1.2 免疫系统 |
2 免疫算法 |
2.1 几个典型意义上的免疫算法 |
2.2 免疫遗传算法 |
2.3 自适应免疫算法 |
2.4 免疫克隆选择算法 |
3 实验对比 |
4 结束语 |
四、基于免疫算法的TSP问题求解(论文参考文献)
- [1]基于改进免疫算法的焊接机器人轨迹规划[D]. 王昭哲. 沈阳工业大学, 2021
- [2]温室穴盘苗自动移钵路径优化[J]. 张丽娜,谭彧,吕昊暾,李宝胜,蒋易宇,王硕. 农业工程学报, 2020(15)
- [3]基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用[D]. 刘臻博. 辽宁石油化工大学, 2020(04)
- [4]人工免疫算法改进及其应用研究[D]. 张晓. 陕西师范大学, 2017(07)
- [5]混合免疫优化理论与算法及其应用研究[D]. 吴建辉. 湖南大学, 2013(01)
- [6]混合免疫智能优化算法研究及其在复杂系统中的应用[D]. 刘朝华. 湖南大学, 2012(04)
- [7]基于免疫算法的TSP问题求解[D]. 吴昳恬. 苏州大学, 2010(06)
- [8]并行免疫算法求解TSP问题的研究[D]. 廖玲. 太原理工大学, 2010(10)
- [9]人工免疫算法在TSP中的应用研究[D]. 赵莲娣. 西南交通大学, 2010(10)
- [10]基于TSP问题的免疫算法研究[J]. 廖玲,谢红薇,袁倩倩. 电脑开发与应用, 2010(04)