张欧影,周赛乐,淘宝扯红包
护理硕士的课程设置要充分反映护理实践领域对专门人才的知识与素质要求,以培养学生的临床护理实践能力为主,同时注重培养研究能力和教学能力。
1、选题目的、意义。 蚁群算法是一种基于种群的启发式搜索算法,由Dorigo M等人首先提出。很多研究已经证明,蚁群算法具有很强的发现好解的能力,这是因为该算法不仅利用了正反馈的原理,在一定程度上可以加快进化进程,而且是一种本质并行的算法,不同个体之间不断地进行信息的交流与传递,从而能够相互协作,有利于发现较好的解。蚁群算法定义的这种分布式问题求解模式能够将问题求解的快速性,全局优化特征及有限时间内答案的合理性结合起来,所以引起了许多研究者的注意。
通过相关的研究工作,目前蚁群算法的应用领域已由当初单一的TSP领域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;由离散域范围内研究逐渐拓展到连续域范围内的研究。具体被应用于包括机器人系统,图像处理,制造系统,车辆路径规划,通讯系统,工程设计以及电力系统在内的多种场合,还解决了实际系统中的资源规划,运动规划,数据分类等问题。
这种新兴的仿生优化算法展现出勃勃生机,并已成为可与遗传算法相媲美的仿生优化算法
2、国内外研究综述及本人对综述的评价。 对蚁群算法的研究虽然刚刚起步,但初步的研究结果已显示出该算法在求解复杂优化问题(特别是离散优化问题)方面的优越性。蚁群算法正在受到越来越多的人的研究和注意。
从当前可以检索到的文献情况看,研究和应用蚁群优化算法的学者主要集中在比利时,意大利,英国,法国和德国等欧洲国家。日本和美国在这两年也开始启动对蚁群算法的研究。我国最早研究蚁群算法的是东北大学张纪会博士和徐心和教授。目前,蚁群优化算法在启发式方法范畴内已逐渐成为一个独立的分支。
尽管蚁群优化的严格理论基础尚未奠定,国内外的有关研究仍停留在实验探索阶段,但从当前的应用效果来看,这种新型的寻优思想具有十分光明的前景更多深入细致的工作还有待于进一步展开。
3、研究内容、研究中所要突破的难题。
研究内容:
1.基本蚁群算法及其改进算法(蚁群系统、最大-最小蚁群系统)
2.蚁群算法在控制系统(满意PID控制器参数优化、非线性方程组的求解、Wiener模型参数辨识)中的应用
研究中所要突破的难题:
1. 蚁群算法参数选择很重要,选择不当的话会出现搜索的过早停滞现象或陷入局部最优问题。
2. 蚁群算法对非线性系统辨识中对 输入信号的选择是一个难点。
4、拟采取的研究方法,有何特色与创新之处。 拟采取的研究方法:将满意PID控制器的参数优化问题,非线性方程组的求解问题,Wiener模型参数辨识问题都转换为求最优的问题,利用蚁群算法求解最优问题。 特色与创新之处:一般PID控制器参数的优化的被控对象的参数是一定的,满意PID被控对象给出的则是参数区间;蚁群算法是一种新的并行优化算法,它有高度适应性,较强鲁棒性且高效的优点,在组合优化问题中,蚁群算法的优化性能好于遗传算法等。用蚁群算法解决一些传统的方法难以解决的问题,有研究价值。
5、现有研究条件和可能存在的问题。 现有研究条件: 张宏立老师提供了些书籍资料,自己也已搜集了一些相关技术资料。学院也为了我们配置了性能良好的计算机还有MATLAB仿真平台。
可能存在的问题:
1. 蚁群算法参数选择很重要,选择不当的话会出现搜索的过早停止现象或陷入局部最优问题。
2. 蚁群算法对非线性系统辨识中对输入信号的选择是一个难点。
6、预期的结果。
1.提出了一种基于蚁群算法的满意PID控制器参数优化的方法。
2.提出了一种基于蚁群算法的求解非线性方程组的方法。
3.提出了一种基于蚁群算法的Wiener模型辨识的方法。
7、论文工作进度安排。
2011.09--2011.12 查阅资料,完成硕士论文的开题报告工作;
2012.01--2012.02 查阅相关技术资料并深入学习研究,熟悉MATLAB仿真软件;
2012.02--2012.06 深入学习基本蚁群算法及其改进算法;
2012.10--2013.01 深入学习蚁群算法在控制系统中的应用;
2013.03--2013.04 仿真并验证理论的正确性和方案的可行性;
2013.05--2013.06 撰改论文,准备论文答辩。
8、论文提纲
前言
一、绪论
二、基本蚁群算法
三、蚂蚁系统
四、最大-最小蚁群系统
五、基于蚁群算法的满意PID控制器参数优化
六、基于蚁群算法的非线性方程组的求解
七、基于蚁群算法的Wiener模型参数辨识
结论
参考文献 (以上为参考格式,学科专业不同、论文选题不同,可以有不同的写作方式)
[1] 孙伟。 非线性PID控制器参数优化方法[J].计算机工程与应用, 2010, 46(28) .
[2] 王建国。 非线性系统的蚁群优化预测[J].测控技术, 2008, 27(10) .
[3] 朱遥。 采用蚁群算法模拟机器人寻路的仿真实验[J].河北工业科技, 2010, 27 (5)。
[4] 李小珂。 基于蚁群算法的PID参数优化[J].2003全国仿真技术会议论文集, 2003.
[5] 段海滨。 基于蚁群算法的PID参数优化[J].武汉大学学报, 2004,37(5) .
[6] 郭立俊,谭剑波。 蚁群算法在系留气球PID控制器中的研究[J].2008年中国浮空器大会论文集, 2008.
[7] 李楠,胡即明。 蚁群算法在PID参数优化中的应用研究[J].中国水运, 2008,8(5) .
[8] 李虹,孙志毅。 基于MATLAB的改进型基本蚁群算法[J].太原重型机械学院学报, 2003, 24 (3) .
[9] 尹晓峰。 基于MATLAB的混合型蚁群算法求解车辆路径问题[J].计算机工程与应用, 2005,35(10) .
[10] 尹晓峰,刘春煌。 基于MATLAB的混合型蚁群算法求解旅行商问题[J].铁路计算机应用, 2005, 14(9)。
[11] 野莹莹,付丽君。 基于MATLAB的蚁群算法仿真研究[J].装备制造技术, 2008, 11(10) .
[12] 江重光。 智能蚁群算法[J].冶金自动化, 2005, 3 (10) .
[13] 魏平,熊伟清。 用于一般函数优化的蚁群算法[J].宁波大学学报, 2001, 14(4) .
[14] 刘业政,凌海峰。 蚁群优化的研究发展及应用[J].合肥工业大学学报, 2006, 29(1) .
[15] 任伟建。 蚁群算法综述[J].2007中国控制与决策学术年会论文集, 2007 .
[16] 詹士昌。 蚁群算法中有关算法参数的最优选择[J].科技通报, 2003, 19(5) .
[17] 陈冰梅。 求解旅行商问题的MATLAB蚁群仿真研究[J].计算机测量与控制, 2011,19(4) .
[18] 张玉兰。 求解连续函数最大值的蚂蚁优化算法[J].南京师范大学学报, 2005,5(3) .
[19] 柳长安。 非线性系统的蚁群优化预测[J].测控技术, 2008, 27(10) .
[20] 王建国。 基于改进蚁群算法的移动机器人动态路径规划方法[J].电子学报,2011, 39(5) .
转载请注明来源。原文地址:http://www.bixuanzl.com/20170708/675939.html