一、带杂交算子的自适应蚁群算法的聚类分析(论文文献综述)
许晶[1](2021)在《太原A公司配送路径优化研究》文中研究指明物质生活水平的提升,让人们越发重视奶品的需求问题,奶制品公司便在此背景之下获得了巨大的发展机遇。太原A公司主要负责常温奶品的生产和配送。公司提供的物流配送服务存在配送成本偏高、配送路线规划不合理、货物配送时效性差等问题。公司在提供配送服务时使用多种型号车辆进行配送,但在规划配送方案时,没有考虑配送货车类型不同对配送成本的影响。车辆在配送的过程当中需要充分考量最大载量、配送时间、固定成本、车辆容积等相应的内容,而不同的车型的车辆有不同的属性,公司在安排配送服务时忽略了车型的差异,没有充分利用不同种类的配送货车,且公司在规划配送方案时,将客户按地理位置分组,每组具体配送路线由司机决定,配送路线没有科学性,使公司配送成本偏高。因此,使用科学方案规划配送路线,安排不同车型的货车进行配送,使配送总成本最小,是公司首先要解决的问题。结合公司实际情况,论文做出如下研究:(1)通过查阅资料、实地考察和谈话等办法收集公司的资料,分析公司配送流程,发现公司存在配送货车运输成本偏高、配送路线不科学、配送时效性差、收到客户投诉等问题。(2)充分考量到不同车型车辆的容积、货物载重量、配送时间等约束条件,建立考虑了多车型和以配送货物是否在规定时间内送达为衡量标准的客户满意度等影响因素,包含配送车辆的固定成本、运输成本、时间成本为总配送成本的优化目标模型对太原A公司车辆行驶路线进行规划。(3)将禁忌搜索法与人工蜂群算法相结合,设计了混合人工蜂群算法。人工蜂群算法有参数少、求解精确度高的优点,但也有易于陷入局部最优和求解效率低的问题。禁忌搜索法(TS)的搜索能力强,将TS算法与ABC算法相结合,不仅可以提高算法的求解效率,还可通过禁忌表的加入防止算法陷入局部最优。使用改进的混合人工蜂群算法对太原A公司配送优化模型进行求解,将结果与公司自身配送方案相对比,总配送成本减少14.19%,证明对太原A公司配送方案优化效果显着,降低了公司物流配送成本。该论文有图22幅,表10个,参考文献54篇,参考文献59篇
赵卢月[2](2019)在《基于量子蚁群算法的最短路径问题研究》文中指出十九世纪八十年代,量子计算的基础概念由Benioff与Feynman最先提出来,他们二人对量子计算技术开展了长期的研究和探索,取得了较好的成果。同时由于量子计算表现出的强大的计算能力,使得量子计算在许多问题中得到了广泛的使用。量子计算与智能算法的融合成功开辟出一个全新的探索方向,在一定条件下融合的新型算法可以提高原算法的计算效率的同时提高算法搜索最优值的概率。因此,在传统的经典计算的算法中引入与量子计算相关的某些原理,可以改善算法计算的性能,具有重要的实际应用价值和理论研究价值。量子蚁群算法(Quantum Ant Colony Optimization Algorithm,QACO)是将传统的蚁群算法与量子信息技术结合在一起,将量子计算的优点融合进蚁群算法中以提高蚂蚁的全局搜索能力,避免蚂蚁容易陷入局部最优解的问题,同时改进蚁群算法搜索效率以及收敛速度慢的问题。本文主要是针对量子蚁群算法的特性进行改进,并将其用于最短路径问题的求解。针对最短路径问题本文使用了改进的量子蚁群算法(Improved Quantum Ant Colony Algorithm,IQACO)。改进的量子蚁群算法主要从以下三方面进行改进:1.使用量子保真度作为启发因子以提高搜索速度,克服量子蚁群算法中因为距离的增加导致启发因子过于小,从而搜索不到最优值。2.使用量子比特对信息素进行编码,使用量子Hadamard门对量子信息素进行更新。3.将节点信息素加入考虑范围,并且使用局部更新方式,增加对其他节点的搜索概率,同时增加收敛速度。在挥发机制初期迭代后,信息素会回复正常的水平,但是改进的量子蚁群算法会在初期获得的一个较好的结果,为算法后期迭代奠定良好的基础。最后通过MATLAB仿真实验对算法有效性进行验证,实验结果表明,改进后的量子蚁群算法比传统量子蚁群算法具有更强的寻优能力。
温凤仙[3](2019)在《需求不确定条件下的水产品配送路径优化方法研究》文中提出随着我国经济水平不断提高,电商发展日益蓬勃,物流业逐渐成为当今社会的主流产业之一,而水产品物流业正是其中一个特殊的分支。由于水产品易腐烂、变质,需要快速、及时的完成配送,因此对水产品配送路径的优化工作尤为关键。本文对水产品配送路径的优化方法进行研究,得出一条多目标优化的水产品配送路径,达到降低水产品配送中心的成本,提高顾客对水产品配送中心满意度的目的。首先本文针对水产品需求量不确定问题展开研究。以大连市为研究对象,在分析影响大连市水产品需求量的因素(供给因素、社会经济水平因素、人文因素、水产品配送业发展规模因素)基础上,求得各影响因素与水产品需求量之间的灰色关联度,构建了水产品需求量的灰色GM(1,1)预测模型,进行精度检验后,运用马尔可夫链对其进行优化。其次对需求与否不确定的水产品配送路径问题进行研究。本文假设所有顾客对水产品的需求是概率性存在的,在对水产品配送路径问题设定约束条件(1个顾客点只能由1辆配送车进行,配送车的行驶距离和载重量是有限的等)基础上,构建了配送车辆最少、路径最短、货损成本最小和准时率最高的多目标数学模型。然后利用改进蚁群算法对水产品配送路径问题进行求解。构建蚁群算法对水产品配送路径优化求解模型,由于蚁群算法容易出现停滞、陷入局部最优解的缺点,本文将求出的局部最优解运用遗传算法中的编码、选择和交叉操作后回到蚁群算法中实现对蚁群算法的改进,寻求水产品配送路径优化最优解。最后本文以大连市某水产品配送中心作为实例应用。通过水产品配送中心2009-2018年5月份贝类需求数据预测出2019年5月份的顾客需求量,再将预测需求量应用到需求与否不确定的水产品配送路径的优化求解模型中。利用软件Matlab2012分别求出原蚁群算法和改进蚁群算法的最优结果。结果对比显示改进的蚁群算法将原本的5辆水产品配送车减少至4辆,且配送总路程由1475km缩短至1170km,成本由951.325元减少至786.468元,准时率由90%提升至100%。最终证明本文所研究的改进蚁群算法可以有效地对需求不确定的水产品配送路径问题实现多目标优化。
李俊杰[4](2014)在《基于蚁群算法的聚类区分器设计研究》文中提出在数据挖掘领域,聚类分析是一种从大数据集中寻找信息的有效方式。聚类分析被广泛地应用于各种领域,作为信息发现提供信息支持。蚁群算法是模拟蚂蚁觅食过程,寻找到食物源的最短路径的现象,对该现象进行建模得到的智能算法,具有较好的健壮性,能够用于解决大规模的复杂性问题。文章首先对聚类分析的发展进行了回顾,对聚类分析进行了介绍和总结,详细介绍了不同的聚类算法以及主流聚类算法所使用的相似度量准则。分析了智能算法在聚类分析中的发展和应用,总结了两种基于蚁群聚类算法模型:基于觅食行为聚类模型和蚁堆聚类模型。详细分析了两种聚类模型的方案,并提出将其应用到功耗分析攻击领域。功耗分析攻击是安全领域一个重要的分支,文章对该领域的产生发展进行了概括和总结,并梳理了区分器发展的主要脉络,介绍了包括功耗产生原理,以及典型的区分器原理,如DPA(Differential Power Anlysis),CPA(Correlation power analysis),MIA(Mutual information Anlysis)等。为了更好的应用基于蚁群聚类算法,文章详细介绍了功耗分析原理。详细分析了各种区分器之间内在联系,探索使用蚁群聚类算法构建区分器的可能性。文章基于软件实现的对AES‐128算法的功耗信息进行分析,提出了基于蚁群聚类算法区分器构造的主要思想和流程。根据数据相关性,即相同数据带来相同的功耗泄露,利用基于蚁群聚类方法对功耗信息进行聚类。接下通过猜测密钥值,对聚类结果集中中间变量的数据特征进行统计,得到统计图,如果当前猜测正确那么在统计图上可以得到明显的特征。通过实验说明,即使在噪声较大情况下,聚类成功率较低(如60%聚类正确),攻击者仍然能以100%概率恢复出正确密钥信息。表明该方法在抗噪声方面,具有一定优势。通过实验分析说明,该方法不仅仅局限于文章提出的方案。能够结合功耗泄露模型进一步优化区分器的构造。如果攻击者在聚类时,依据中间变量汉明重量进行聚类,在降低聚类数目的情况下,仍然能够恢复正确密钥信息。该方案与传统的区分器相比,如DPA和CPA,能够利用多点信息泄露的优势。同时,还对基于蚁群聚类算法的区分器下一步工作进行了展望,包括如何进一步提出防护方案使得加密算法更加安全等。最后,对本文中所有工作进行了总结。
侯景伟[5](2012)在《ACA与RS、GIS耦合的水资源空间优化配置》文中研究说明开展水资源空间优化配置研究对合理有效利用水资源,促进人口、资源、环境与经济的协调发展,加速工程水利向资源水利的转变,深化和拓展大系统多目标优化的理论与方法都有着非常重要的作用。但是,由于水资源空间优化配置涉及到大量的数据、多目标多约束的模型、大范围大系统的优化求解、多种可选择的配置方案等复杂问题,如何在空间上最优化配置水资源以产生最大综合效益成为亟待解决的问题。本研究探讨了利用蚁群算法(ACA)与RS、GIS的耦合方法来解决水资源空间优化配置问题。本论文以河南省镇平县为研究区,在水资源需求类型提取、需水现状评估和需水预测的基础上,分析了水资源空间优化配置模型,借助ACA在GIS平台上对水资源优化模型进行求解,提出了基于像元微单元的水资源空间优化配置方案,并通过实例仿真和与其他智能优化算法的比较,验证了ACA与RS、GIS的耦合方法对解决水资源优化配置问题的可行性和有效性。研究的主要结论如下:(1)通过局部信息素和全局信息素自适应动态更新和权值低通滤波器构建,对Pareto蚁群算法(PACA)进行了改进。改进后的PACA能以多目标函数值作为适应度来调整蚂蚁觅食像元上的信息素,使蚂蚁朝着信息素强的优化边界方向移动,依据最大适应度值,确定水资源优化配置的多目标优化解。与其它智能优化算法的比较和评估结果显示,改进后PACA的最优性能指标、时间性能指标和鲁棒性能指标评价分别为0.398、21.6和5.38,明显优于基本蚁群算法的三个性能指标值(2.108、36.8和8.16);改进后PACA的解的个数、间距和最大散布范围分别为389、0.68和183.58,优于遗传算法和BP神经网络所得结果,表明PACA能找到最优解或近似最优解,平衡了加速收敛和早熟、停滞现象之间的矛盾,提高了全局搜索能力和收敛速度;比较不同水平年(2010、2020和2030年)、不同保证率(50%、75%和95%)、不同水源(地表水、地下水和外调水)的原始水量和优化水量,进一步说明优化结果合理可行,PACA具有较高的寻优性能。(2)ACA与RS、GIS的耦合能够较为准确地确定水资源需求类型和需水现状,从而为水资源优化配置、优化调度、管理与规划等提供数据支撑和决策参考。在遥感影像上,利用蚁群聚类算法(ACCA)能较为准确地提取水资源需求类型;再借助NDVI、NDII、NDBI和MNDWI等RS技术和实地调查,能更准确地确定水资源需求类型;在此基础上借助GIS技术评估水资源需求现状。ACCA的总F-measure最大,为0.918,高于最大似然法和最小距离法的F-measure值(0.884和0.851),说明基于ACCA的水资源需求分类结果的查准率和查全率最大,分类精度高,抗噪声干扰能力强。(3)ACA与PP需水预测模型的耦合能够较为准确地获得具有高维非线性的预测模型的最优参数组合,从而提高了预测水量的拟合精度和预测精度,为水资源优化配置与调度提供了较为准确的参考依据。投影寻踪(PP)需水预测模型适合于系统机理不够清晰或水文地质资料缺乏的地区。通过对连续域蚁群算法进行设计和改进,使其能更好地收敛于全局最优解,并具有较强的抗噪声能力,避免早熟收敛现象,为解决PP需水预测模型的参数优化问题开辟了新的途径。案例仿真表明,基于ACA的PP需水预测模型的拟合精度非常高,相对误差绝对值都小于2%,大多在1%以下,明显优于人工免疫算法(10%)和BP神经网络(12%)。该方法可以推广到其它高维非线性问题的求解。(4)以生态经济学理论和可持续发展理论为基础的水资源空间优化配置模型将社会、经济和生态环境综合效益最大作为目标函数,将水质、水量、水环境等作为约束条件,体现了模型具有多目标、多约束、多层次、多用户的特点,实现了基于像元微单元的水质与水量的耦合以及经济、社会与生态效益的耦合。(5)ACA与RS、GIS的耦合能够求解复杂的水资源优化配置模型,实现了重构方案和配置结果的可视化表达和有效性验证。通过对模型的求解,获得了不同的基于像元微单元的需水量、可用地表水、可用地下水、可用外调水的配置方案,以及不同的经济效益、社会效益、生态效益和综合效益方案。通过不同水平年的水量平衡分析,表明了PACA与RS、GIS的耦合方法能有效地求解大范围、多目标水资源优化配置模型,从而为分水用水政策的制定提供决策参考。ACA与RS、GIS的耦合拓展和深化了水资源优化配置和最优化的理论与方法以及RS和GIS的应用领域,为解决类似的复杂多目标多约束问题提供了一种新途径。
张清态[6](2010)在《基于蚁群算法的传递函数设计研究》文中研究指明当前,国内外计算机断层成像技术(CT)已经发展到一个相对成熟的阶段。但是,面对越来越庞大、越来越复杂的数据,可视化技术在处理这些DICOM数据上的发展速度却远远落后于CT技术的发展,成为CT技术应用的一个瓶颈。近年来随着计算机硬件技术的飞速发展,基于GPU的运算,大大提高了可视化运算速度,从而把速度问题降为次要问题,而作为可视化技术重要环节的传递函数设计则逐渐上升为制约CT技术发展的主要因素。本文基于智能优化算法实现了传递函数的智能设计,提高了体绘制算法的效率,在体绘制中避免了传递函数在手动及半自动设计中遇到的繁琐问题,同时降低了对用户专业水平的要求。传递函数的智能设计方法可以更准确、更有目的性地显示体数据中有价值的信息。本文研究的重点包括:1、在基于图像空间的体绘制技术上,提出了基于蚁群聚类分析改进算法的传递函数智能设计方法。该算法是对蚁群聚类分析算法的改进,把二维蚁群聚类分析算法推广到三维领域,并应用到三维医学数据可视化的传递函数设计上,实现了传递函数的智能设计,在降低用户操作难度的同时,还减少了传递函数设计的次数,提高了设计的效率。2、运用GPU硬件强大的通用计算能力和图形处理能力,完成光学模型中的大量运算和颜色合成,通过GPU的图形流水线来实现整个体绘制技术,加速实现基于该蚁群算法的体绘制技术,从而加快体绘制运算显示速度。3、利用八叉树实现整套三维医学数据的存储、定位和搜寻,不仅可以减少数据占用的内存量,同时还可以通过八叉树实现空间跳跃算法来减少运算量,从而克服了基于GPU深度缓冲方法在非连通区域情况下的局限。通过模拟实验,本文实现了基于蚁群聚类分析改进算法的传递函数的智能设计,完成了三维医学数据的智能分类,同时通过硬件加速和八叉树技术,有效地提高了可视化速度,为蚁群算法在传递函数智能设计方面做出了有益探索。
刘涛,葛艳[7](2010)在《浅析蚁群算法的聚类应用》文中研究表明本文首先简单阐述了蚁群算法及其发展,接着在蚁群算法的聚类分析概念基础上,联系国内外研究与应用,介绍了蚁群算法的聚类应用,着重说明了蚁群算法用于聚类的方向,最后总结了带聚类处理的蚁群算法的研究和应用的可能方向。
张雪[8](2009)在《基于聚类的改进蚁群算法对VRPTW问题的应用研究》文中认为本文在对现代物流配送系统的背景分析基础之上,提出了VRPTW问题,VRPTW问题是个NP-难问题,其算法研究和问题求解都具有典型意义。本文对VRPTW问题及其数学模型进行了系统分析,构建基于聚类分析和蚁群算法基础上的物流配送系统问题的研究。首先对物流配送系统进行统计上的聚类分析,从数据要素上提炼出本性和类别,然后在聚类的基础上引进蚁群智能优化算法,求得问题的全局最优解,这种聚类基础上的蚁群优化算法,提高优化效率,沉淀出本质要素,是一种改进的混合优化算法。利用改进的聚类蚁群算法,对阜新市双汇熟食配送公司的配送系统不完备情况实证分析,通过对配送车辆路径规划问题进行规划分析进而符合实际的全局最优解,降低了双汇熟食配送公司的配送费用,进而使公司达到了高利润、低成本的目标,提高了顾客的满意度,使公司取得了长远的经济效益。
郭明[9](2009)在《蚁群算法改进及其聚类分析应用》文中研究说明蚁群算法是一种最新发展的模拟昆虫王国中蚂蚁觅食行为的仿生优化算法。该算法采用了正反馈并行自催化机制,具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合等优点,在解决许多复杂优化问题方面已经展示出其优异的性能和巨大的发展潜力,尽管蚁群算法的严格理论基础尚未奠定,国内外的相关研究还处于试验探索和初步应用阶段,但是目前人们对蚁群算法的研究已经由当初单一的旅行商问题渗透到了多个应用领域,由解决一维静态优化问题发展到解决多维动态组合优化问题,由离散域范围内的研究逐步拓展到了连续域范围内的研究。但是,蚁群算法仍然存在一些缺陷:如在性能方面,算法的收敛速度和所得解的多样性、稳定性等性能间存在矛盾。这是因为蚁群中多个个体的运动是随机的,虽然通过信息的交流能够向着最优路径进化,但是当群体规模较大时,很难在较短时间内从复杂无章的路径中找出一条较好的路径,如果一味加快收敛速度则很可能导致蚂蚁的搜索陷入局部最优造成早熟、停滞现象。本文首先详细介绍了基本蚁群算法并综述了当前国内外蚁群算法的研究现状;分析了蚁群算法中蚂蚁搜索过程的本质。在研究基本蚁群算法的缺点的基础上,借鉴了人工鱼群算法的诸多优点。虽然人工鱼算法在确定准确的最优解方面有些欠缺,但它能够快速的收敛于最优解所在的范围。根据这一特点,我们引申出了一个兴奋度的概念,用它来表示接近最优解的程度的大小。兴奋度越大,当前解就越接近最优解,反之则离最优解越远。通过确定兴奋度的大小快速确定最优解范围,从而为第二阶段确定准确的最优解打下良好的基础。通过仿真算例中与基本蚁群算法和多态蚁群算法的比较得出改进的结论。在论文最后一部分,我们给出了蚁群算法在聚类中的应用,重点提出了一种新的基于蚁群算法的改进K-means聚类算法,并给出了实验改进结果。
李娜娜[10](2008)在《仿生算法及其在专家分配问题中的应用》文中指出遗传算法和蚁群优化算法是两种最流行的仿生算法,前者以自然选择和遗传变异理论为基础,后者则是对蚂蚁觅食行为进行模拟而提出的一种仿生算法。本文对这两种算法进行了深入的研究,针对它们收敛速度慢、多样性差、容易早熟等不足,提出了几种改进的方法。此外,本文还将这两种算法成功应用到一个新的领域——专家分配问题。取得的成果和创新点如下:提出了两种改进多峰值搜索能力的遗传算法。一种是改进局部搜索能力的小生境遗传算法。该算法在进化后期进行小生境境内的交叉与变异操作来取代其在整个解空间内的交叉变异,进行有针对性的局部搜索。它具有更高的求解精度,更快的收敛速度,是一种寻优能力、效率和可靠性更高的优化算法。另一种方法将小生境遗传算法和Hopfield神经网络有机的结合在一起,首先进行小生境遗传算法寻优,然后对所得具有全局多样性的解进行聚类分析,得到的聚类中心作为Hopfield网络的初始搜索点,最后利用Hopfield网络逐个寻优。该方法综合了Hopfield神经网络准确、快速和小生境遗传算法多样性的优点。提出了一种蚁群优化算法和遗传算法的混合算法。该算法将遗传操作引入到了蚁群优化算法的每一次迭代后,利用遗传算法全局快速收敛的优点,来加快蚁群系统的收敛速度。并且通过遗传算法的变异机制,增强了蚁群系统跳出局部最优的能力。提出了一种具有先验知识的蚁群优化算法。新算法将问题特征作为先验知识事先提取出来,并赋予蚁群优化算法中的精英蚂蚁以识别该固有特征的能力,以提高精英蚂蚁的搜索质量,进而使得新算法整体的求解能力得以提高。在随着项目数量的迅速增长与研究范围的不断扩大,传统的分配方法和手工操作已经不能满足基金管理工作需要的前提下,本课题研究了专家分配问题,并结合专家分配问题的特点,设计了信息素指导下的遗传算子,使用遗传算法对其进行了求解。并进一步提出了蚁群优化算法求解专家分配问题的方法,实验取得了较好的效果。
二、带杂交算子的自适应蚁群算法的聚类分析(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、带杂交算子的自适应蚁群算法的聚类分析(论文提纲范文)
(1)太原A公司配送路径优化研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 问题提出 |
1.2 研究综述 |
1.3 研究内容与研究方法 |
1.4 技术路线 |
2 太原A公司配送现状与问题分析 |
2.1 太原A公司基本情况 |
2.2 太原A公司奶品配送现状 |
2.3 配送过程中存在的问题及分析 |
3 考虑车型类别的A公司配送VRP模型构建 |
3.1 模型的优化目标 |
3.2 问题描述 |
3.3 多车型的VRP问题表示 |
3.4 时间成本函数 |
3.5 模型假设 |
3.6 模型构建 |
3.7 多车型配送路径优化算法——混合人工蜂群算法(HABC) |
4 多车型太原A公司VRP模型求解结果与分析 |
4.1 太原A公司数据收集与整理 |
4.2 模型求解结果与分析 |
5 太原A公司VRP配送合理化保证措施 |
5.1 加强配送专业化水平 |
5.2 合理安排不同车型的配送货车 |
5.3 引进路径优化专业人才 |
5.4 加强物流信息平台建设 |
5.5 加强配送服务人员管理 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(2)基于量子蚁群算法的最短路径问题研究(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 国内外研究现状 |
1.3 课题研究内容及目标 |
1.4 本文组织结构 |
1.5 本章小结 |
第2章 量子计算基础 |
2.1 量子计算的优越性 |
2.2 量子比特 |
2.2.1 量子比特基本概念 |
2.2.2 量子比特的两种编码方式 |
2.3 量子计算中的保真度 |
2.4 常用的量子逻辑门 |
2.5 量子优化算法的几种模型 |
2.5.1 量子搜索算法 |
2.5.2 量子神经网络 |
2.5.3 量子退火算法 |
2.5.4 量子聚类算法 |
2.5.5 量子小波和小波包算法 |
2.5.6 量子进化算法 |
2.5.7 量子粒子群算法 |
2.6 本章小结 |
第3章 蚁群算法 |
3.1 蚁群算法的原理 |
3.1.1 蚁群算法基本原理 |
3.1.2 蚁群算法的特征 |
3.2 蚁群算法数学模型 |
3.2.1 蚁群算法数学模型 |
3.2.2 蚁群算法框架及流程 |
3.3 基本蚁群算法的改进模型 |
3.3.1 最大最小蚁群算法 |
3.3.2 具有变异特征的蚁群算法 |
3.3.3 精英蚂蚁系统 |
3.4 本章小结 |
第4章 基于量子蚁群算法的最短路径问题 |
4.1 图论基础及问题描述 |
4.1.1 图论基础 |
4.1.2 最短路径问题描述 |
4.2 传统的量子蚁群算法 |
4.3 改进的量子蚁群算法 |
4.3.1 量子信息编码 |
4.3.2 状态转换规则 |
4.3.3 信息素更新 |
4.4 仿真实验 |
4.4.1 实验结果 |
4.4.2 实验总结 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表的学术论文及科研工作 |
致谢 |
(3)需求不确定条件下的水产品配送路径优化方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究目的及意义 |
1.2 国内外研究现状 |
1.2.1 需求预测模型方面的研究现状 |
1.2.2 需求不确定的配送路径研究现状 |
1.2.3 物流配送路径的多目标优化问题研究现状 |
1.2.4 蚁群算法求解路径优化问题研究现状 |
1.3 研究内容和技术路线 |
2 水产品需求量的不确定问题研究 |
2.1 问题描述 |
2.2 影响水产品需求量的因素分析 |
2.3 水产品需求量预测模型的构建 |
2.3.1 灰色关联度分析 |
2.3.2 灰色GM(1,1)预测模型的构建 |
2.3.3 精度检验 |
2.3.4 预测模型的优化 |
2.4 本章小结 |
3 需求与否不确定的水产品配送路径问题模型的构建 |
3.1 基本条件 |
3.2 配送目标 |
3.3 配送目标模型的构建 |
3.4 本章小结 |
4 基于改进蚁群算法的水产品配送路径优化方法研究 |
4.1 蚁群算法的基本原理 |
4.2 蚁群算法求解模型的构建 |
4.3 蚁群算法在水产品配送路径优化问题中的实现 |
4.3.1 蚁群算法与水产品配送模型的结合 |
4.3.2 蚁群算法模型的实现 |
4.4 蚁群算法的改进 |
4.4.1 蚁群算法不足的分析 |
4.4.2 蚁群算法与遗传算法的结合 |
4.4.3 改进的蚁群算法流程 |
4.5 本章小结 |
5 实例应用 |
5.1 大连市某水产品配送中心的需求量预测 |
5.1.1 实验数据 |
5.1.2 预测模型的应用 |
5.2 水产品配送路径效果对比 |
5.2.1 实验的基本条件 |
5.2.2 实验结果及对比 |
5.3 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
附录 |
(4)基于蚁群算法的聚类区分器设计研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题背景及意义 |
1.2 研究现状 |
1.2.1 蚁群聚类算法研究现状 |
1.2.2 功耗分析攻击区分器研究现状 |
1.3 文章研究目标和内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.4 章节安排 |
1.5 本章小节 |
第二章 蚁群聚类算法理论基础 |
2.1 数据挖掘基本原理 |
2.1.1 数据挖掘过程 |
2.1.2 数据挖掘功能 |
2.2 聚类分析理论基础 |
2.2.1 聚类分析及其应用 |
2.2.2 聚类分析算法的概念与分类 |
2.2.3 聚类分析的度量 |
2.3 典型的聚类算法 |
2.3.1 划分聚类算法 |
2.3.2 层次聚类方法 |
2.3.3 密度聚类方法 |
2.3.4 基于网格的聚类方法 |
2.4 蚁群算法相关理论 |
2.4.1 蚁群算法基本原理 |
2.4.2 蚁群算法的数学模型 |
2.5 本章小结 |
第三章 蚁群聚类算法在密码学中的应用 |
3.1 智能算法聚类的应用 |
3.1.1 遗传算法在聚类分析中的应用 |
3.1.2 神经网络在聚类分析中的应用 |
3.2 典型蚁群聚类分析 |
3.2.1 基于蚂蚁觅食原理的聚类算法 |
3.2.2 基于蚁堆形成的聚类算法 |
3.3 密码学基础 |
3.3.1 密码学概论 |
3.3.2 分组密码算法 |
3.4 蚁群算法在密码学中的应用 |
3.5 本章小结 |
第四章 蚁群算法在功耗分析攻击中的应用 |
4.1 AES算法与功耗分析基本原理 |
4.1.1 AES算法结构 |
4.1.2 功耗分析基本原理 |
4.2 功耗攻击区分器 |
4.2.1 DPA CPA |
4.2.2 模板攻击 |
4.2.3 MIA |
4.2.4 其他区分器 |
4.3 功耗采集环境与DPA竞赛 |
4.3.1 功耗采集环境 |
4.3.2 DPA竞赛 |
4.4 聚类功耗分析 |
4.5 本章小节 |
第五章 实验结果与分析 |
5.1 实验设计 |
5.2 实验结果分析 |
5.3 本章小结 |
第六章 总结与展望 |
致谢 |
参考文献 |
(5)ACA与RS、GIS耦合的水资源空间优化配置(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景、依据和意义 |
1.1.1 选题背景 |
1.1.2 选题依据 |
1.1.3 选题意义 |
1.2 研究内容 |
1.3 论文结构 |
2 文献回顾 |
2.1 水资源需求预测研究进展 |
2.1.1 需水预测方法研究进展 |
2.1.2 预测模型参数优化研究进展 |
2.1.3 需水预测的主要问题和发展趋势 |
2.2 水资源优化配置研究进展 |
2.2.1 基于水量的优化配置阶段 |
2.2.2 基于水质-水量联合的优化配置阶段 |
2.2.3 基于空间的水资源优化配置阶段 |
2.2.4 GIS 在水资源优化中的研究进展 |
2.2.5 水资源优化配置的主要问题和发展趋势 |
2.3 蚁群算法的研究进展 |
2.3.1 离散域蚁群算法研究进展 |
2.3.2 连续域蚁群算法研究进展 |
2.3.3 蚁群聚类算法研究进展 |
2.3.4 多目标蚁群算法研究进展 |
2.3.5 蚁群算法的主要问题和发展趋势 |
2.4 论文主要解决的问题 |
3 研究方法 |
3.1 研究区概况 |
3.1.1 基本概况 |
3.1.2 水资源概况 |
3.1.3 数据采集与处理 |
3.2 研究总体思路 |
3.3 关键技术与方法 |
3.3.1 多目标水资源优化配置模型构建 |
3.3.2 参数优化提取 |
3.3.3 蚁群算法的改进 |
3.3.4 水资源优化配置方案评价 |
3.4 技术路线 |
4 水资源需求现状评估 |
4.1 水资源需求量的组成、特点与评估 |
4.1.1 水资源需求量的组成结构 |
4.1.2 水资源需求量的特点 |
4.1.3 水资源需求量的评估 |
4.2 蚁群算法 |
4.2.1 蚁群算法原理 |
4.2.2 蚁群算法实现 |
4.2.3 蚁群聚类算法原理 |
4.2.4 蚁群聚类算法实现 |
4.2.5 蚁群算法优缺点 |
4.3 蚁群算法在 GIS 中的实现 |
4.4 水资源需求量求解 |
4.4.1 水资源需求类型提取 |
4.4.2 林地与草地的进一步分类 |
4.4.3 像元上人畜数量和工业总产值的确定 |
4.4.4 建筑用地中居民地的确定 |
4.4.5 水体中非水体信息的处理 |
4.4.6 水资源需求量的计算 |
4.5 结果验证与评估 |
4.5.1 蚁群聚类算法与其它方法的比较 |
4.5.2 聚类结果的 F-measure 评价 |
4.6 小结 |
5 水资源需求预测分析 |
5.1 PP 需水预测模型 |
5.1.1 投影寻踪模型构建 |
5.1.2 需水预测驱动因素分析 |
5.1.3 基于投影寻踪的需水预测模型 |
5.2 基于 ACA 的模型参数优化 |
5.2.1 参数优化目标函数的建立 |
5.2.2 参数优化的蚁群算法设计 |
5.2.3 参数优化 ACA 的实现步骤 |
5.3 实例仿真 |
5.3.1 案例区水资源现状 |
5.3.2 驱动因子确定和缺失数据处理 |
5.3.3 年需水量预测 |
5.3.4 ACA 有效性验证 |
5.3.5 镇平县水资源供需平衡与缺水分析 |
5.4 小结 |
6 水资源优化配置模型分析 |
6.1 水资源优化配置 |
6.1.1 水资源优化配置原则 |
6.1.2 水资源优化配置分类 |
6.1.3 水资源优化配置基本模式 |
6.2 多目标优化问题 |
6.2.1 多目标优化问题定义 |
6.2.2 多目标函数处理方法 |
6.2.3 约束条件处理方法 |
6.3 多目标优化问题分类 |
6.3.1 依据发展历史分类 |
6.3.2 依据决策方式分类 |
6.3.3 依据选择机制分类 |
6.4 基于多目标的水资源优化配置模型构建 |
6.4.1 建模总体思路 |
6.4.2 目标函数构建 |
6.4.3 约束条件构建 |
6.4.4 模型特点与功能 |
6.5 小结 |
7 水资源优化配置模型求解 |
7.1 PACA 相关定义和求解思路 |
7.1.1 Pareto 相关定义 |
7.1.2 Pareto 蚁群算法相关定义 |
7.1.3 基于 PACA 的模型求解思路 |
7.2 PACA 策略设计 |
7.2.1 禁忌表调整 |
7.2.2 伪随机并行搜索 |
7.2.3 信息素局部动态更新 |
7.2.4 全局信息素动态更新 |
7.2.5 最近邻域选择 |
7.2.6 权值低通滤波器 |
7.2.7 Pareto 解集过滤器 |
7.2.8 Pareto 最优解集的分布性 |
7.3 PACA 的多目标寻优过程 |
7.4 PACA 参数对算法性能影响的实验分析 |
7.4.1 初始参数的确定 |
7.4.2 蚂蚁数目对算法性能的影响 |
7.4.3 启发因子对算法性能的影响 |
7.4.4 期望启发因子对算法性能的影响 |
7.4.5 信息素挥发因子对算法性能的影响 |
7.4.6 信息素强度对算法性能的影响 |
7.5 水资源优化配置评估 |
7.5.1 间距评估 |
7.5.2 最大散布范围评估 |
7.5.3 优劣度评判指数 |
7.5.4 水资源优化配置系统熵 |
7.6 实例仿真 |
7.6.1 参数设置与模型求解 |
7.6.2 重构方案分析 |
7.6.3 配置结果分析 |
7.6.4 PACA 效能验证 |
7.6.5 对策与建议 |
7.7 小结 |
8 结论与展望 |
8.1 主要工作 |
8.2 主要结论 |
8.3 主要创新 |
8.4 不足与展望 |
参考文献 |
致谢 |
攻读博士学位期间的主要科研工作 |
附录 |
附录 A 基于 ArcGIS Engine 的离散域蚁群算法代码 |
附录 B 确定水资源需求类型的蚁群聚类算法主要代码 |
附录 C 需水预测模型参数优化的连续域蚁群算法主要代码 |
附录 D 求解水资源优化配置模型的 Pareto 蚁群算法主要代码 |
(6)基于蚁群算法的传递函数设计研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 研究内容 |
1.3 文章结构 |
1.4 本章小结 |
第2章 CT理论基础 |
2.1 X射线发展 |
2.2 CT的产生和发展 |
2.3 CT的原理 |
2.4 CT国内外发展现状 |
2.5 本章小结 |
第3章 三维数据可视化 |
3.1 科学计算可视化 |
3.1.1 科学可视化理论 |
3.1.2 科学计算可视化的应用 |
3.1.3 三维数据可视化 |
3.2 体绘制 |
3.2.1 体绘制理论及重要概念 |
3.2.2 体绘制技术的应用 |
3.2.3 体绘制技术分类 |
3.3 光学模型 |
3.3.1 光学吸收模型 |
3.3.2 光线发射模型 |
3.3.3 光线吸收及发射模型 |
3.4 传递函数 |
3.4.1 传递函数理论 |
3.4.2 传递函数的分类 |
3.5 基于GPU的体绘制技术 |
3.6 八叉树编码 |
3.7 本章小结 |
第4章 蚁群算法 |
4.1 智能仿生算法 |
4.2 蚁群算法的发展 |
4.3 蚂蚁的群体行为 |
4.3.1 寻找食物 |
4.3.2 任务分配 |
4.3.3 构造墓地 |
4.4 蚁群算法的应用 |
4.5 本章小结 |
第5章 基于改进蚁群聚类分析算法的传递函数设计 |
5.1 聚类分析算法 |
5.2 蚁群聚类分析算法 |
5.2.1 蚁群聚类分析算法原理 |
5.2.2 算法描述 |
5.3 蚁群聚类分析算法技术 |
5.3.1 算法流程图 |
5.3.2 各流程具体实现 |
5.4 实验结果及分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
简历 |
(7)浅析蚁群算法的聚类应用(论文提纲范文)
1 蚁群算法的发展 |
2 聚类 |
3 带聚类处理的蚁群算法的应用 |
4 结语 |
(8)基于聚类的改进蚁群算法对VRPTW问题的应用研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 选题意义和研究背景 |
1.2 VRPTW 问题的提出 |
1.3 国内外发展现状 |
1.4 本文的主要工作及框架结构 |
2 带有时间窗的车辆路径规划问题(VRPTW)的研究 |
2.1 VRPTW 问题的描述 |
2.2 VRPTW 问题的数学描述 |
2.3 解决VRPTW 问题的主要研究方法 |
2.3.1 精确算法 |
2.3.2 启发式算法(Heuristics) |
2.3.3 蚁群算法 |
3 基于聚类的改进蚁群算法解决VRPTW 问题 |
3.1 聚类分析的介绍 |
3.1.1 聚类分析的描述 |
3.1.2 ward 离差平方和法 |
3.2 改进的蚁群算法 |
3.2.1 基本蚁群算法的数学模型 |
3.2.2 参数对蚁群算法的性能影响分析 |
3.2.3 蚁群算法的改进 |
3.3 基于聚类的改进蚁群算法解决VRPTW 问题 |
4 双汇熟食配送的实例应用 |
结论 |
参考文献 |
附录 主要源程序 |
作者简历 |
学位论文数据集 |
(9)蚁群算法改进及其聚类分析应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 蚁群算法的提出 |
1.1.1 蚁群算法研究背景 |
1.1.2 蚁群算法的思想起源 |
1.1.3 蚁群算法的研究进展 |
1.1.4 蚁群算法研究意义 |
1.2 数据挖掘中的聚类分析 |
1.2.1 数据挖掘概念 |
1.2.2 聚类概念及形式描述 |
1.2.3 聚类分析算法 |
1.3 本文主要研究内容及组织结构 |
第2章 基本蚁群算法 |
2.1 基本蚁群算法的原理 |
2.1.1 蚁群行为描述 |
2.1.2 基本蚁群算法的机制原理 |
2.2 基本蚁群算法的数学模型及实现 |
2.3 基本蚁群算法的优缺点 |
2.4 本章小结 |
第3章 几种改进蚁群算法的研究 |
3.1 多态蚁群算法 |
3.1.1 现有蚁群算法多态性的不足 |
3.1.2 多态蚁群算法模型 |
3.2 具有感觉和知觉特征的蚁群算法 |
3.2.1 蚂蚁搜索的初始阶段 |
3.2.2 蚂蚁搜索的中间阶段 |
3.2.3 蚂蚁搜索的结束阶段 |
3.2.4 自适应的信息素更新策略 |
3.2.5 算法流程 |
3.3 蚁群算法同其他仿生优化算法的融合 |
3.4 本章小结 |
第4章 基于兴奋度的改进蚁群算法 |
4.1 人工鱼群算法 |
4.1.1 人工鱼模型 |
4.1.2 人工鱼行为描述 |
4.1.3 算法描述 |
4.2 基于兴奋度的蚁群算法 |
4.2.1 第一阶段路径寻优 |
4.2.2 第二阶段路径寻优 |
4.2.3 算法设计 |
4.2.4 仿真算例 |
4.2.5 算法全局收敛的基础 |
4.3 本章小结 |
第5章 聚类分析应用 |
5.1 改进的单蚁群聚类算法 |
5.1.1 平均相似性 |
5.1.2 概率转换函数 |
5.1.3 算法描述 |
5.2 基于蚁群算法的改进 k-means 聚类 |
5.2.1 基本k-means 聚类方法 |
5.2.2 基于蚁群算法信息素的k-means 聚类方法 |
5.2.3 实验结果及分析 |
5.3 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(10)仿生算法及其在专家分配问题中的应用(论文提纲范文)
中文摘要 |
ABSTRACT |
第一章 绪论 |
1.1 仿生算法 |
1.1.1 遗传算法 |
1.1.2 蚁群优化算法 |
1.2 优化问题 |
1.2.1 连续优化问题 |
1.2.2 组合优化问题 |
1.3 专家分配问题 |
1.3.1 专家分配问题的研究背景和意义 |
1.3.2 专家分配问题的主要内容和研究步骤 |
1.3.3 专家分配问题的研究现状 |
1.3.4 专家分配问题的数学模型 |
1.3.5 专家分配问题的求解方法选择 |
1.4 研究内容 |
第二章 遗传算法研究 |
2.1 遗传算法简介 |
2.1.1 遗传算法的基本原理 |
2.1.2 遗传算法流程 |
2.1.3 遗传算子 |
2.1.4 遗传算法的特点 |
2.2 基于负选择的遗传算法 |
2.2.1 负选择 |
2.2.2 算法描述 |
2.2.3 仿真实验 |
2.3 改进遗传算法的多样性 |
2.3.1 小生境遗传算法 |
2.3.2 具有局部搜索能力的小生境遗传算法 |
2.3.3 小生境遗传算法与神经网络结合 |
第三章 蚁群优化算法研究 |
3.1 蚁群优化算法简介 |
3.1.1 蚁群优化算法的基本原理 |
3.1.2 主要的蚁群优化算法 |
3.1.3 蚁群优化算法的当前研究热点 |
3.2 具有先验知识的蚁群优化算法 |
3.2.1 先验知识 |
3.2.2 算法流程描述 |
3.2.3 仿真实验 |
3.3 混合蚂蚁遗传算法 |
3.3.1 蚁群优化算法与遗传算法的比较 |
3.3.2 混合研究现状 |
3.3.3 第一种混合策略 |
3.3.4 第二种混合策略 |
第四章 遗传算法求解专家分配问题 |
4.1 专家分配问题的分析 |
4.2 基本遗传算法 |
4.2.1 数据初始化 |
4.2.2 编码设计 |
4.2.3 适应度函数的构造 |
4.2.4 遗传算子设计 |
4.2.5 初始种群的产生 |
4.3 改进算法 |
4.3.1 信息素矩阵的建立 |
4.3.2 信息素更新方程 |
4.3.3 改进交叉算子 |
4.3.4 改进变异算子 |
4.4 实验结果与分析 |
第五章 蚁群优化算法求解专家分配问题 |
5.1 基本思路 |
5.2 启发式信息 |
5.3 可行解构造 |
5.4 信息素更新 |
5.5 实验结果与分析 |
第六章 结论 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
发表论文和科研情况说明 |
致谢 |
四、带杂交算子的自适应蚁群算法的聚类分析(论文参考文献)
- [1]太原A公司配送路径优化研究[D]. 许晶. 辽宁工程技术大学, 2021
- [2]基于量子蚁群算法的最短路径问题研究[D]. 赵卢月. 青岛理工大学, 2019(02)
- [3]需求不确定条件下的水产品配送路径优化方法研究[D]. 温凤仙. 大连海洋大学, 2019(03)
- [4]基于蚁群算法的聚类区分器设计研究[D]. 李俊杰. 电子科技大学, 2014(03)
- [5]ACA与RS、GIS耦合的水资源空间优化配置[D]. 侯景伟. 河南大学, 2012(09)
- [6]基于蚁群算法的传递函数设计研究[D]. 张清态. 东北大学, 2010(03)
- [7]浅析蚁群算法的聚类应用[J]. 刘涛,葛艳. 科技创新导报, 2010(14)
- [8]基于聚类的改进蚁群算法对VRPTW问题的应用研究[D]. 张雪. 辽宁工程技术大学, 2009(02)
- [9]蚁群算法改进及其聚类分析应用[D]. 郭明. 哈尔滨理工大学, 2009(03)
- [10]仿生算法及其在专家分配问题中的应用[D]. 李娜娜. 天津大学, 2008(08)