导读:本文包含了群智能计算论文开题报告文献综述及选题提纲参考文献，主要关键词:简洁式优化计算,量化蚂蚁,猫群算法,Gamma概率模型
群智能计算论文文献综述
赵鸣[1]（2015）在《简洁式群智能计算及应用研究》一文中研究指出群智能计算优化算法是一类模拟自然界中行为简单的个体在相互作用过程中涌现产生的整体智能行为的算法。因其简单的原理和易于实现等特点为各个领域所接受。但大多数群智能计算优化算法需要依靠大量种群的迭代来获取最佳解,因此对算法所运行的环境和条件有着较高的要求。随着计算机硬件的飞速发展,普通的计算机已经基本能够满足群智能计算所需的软硬件环境。但仍然有一些工程领域,或者因为各种环境条件的限制,不能提供足够的硬件资源来确保满足优化算法的运行;或因为工程需要,必须得到实时结果;或者因为容错要求,硬件必须简单可靠。在上述综合条件下,采用传统的群智能计算优化算法来处理这些优化问题,显然难以达到工程具体的需求。这要求必须在传统的群智能算法的基础上进行改进和创新,满足上述特殊条件下的优化需求。本文以上述特殊工程环境要求为背景,研究传统群智能计算优化算法的理论和方法,改进现有的群智能计算优化算法,简化算法流程、在传统群智能计算优化算法中融入新的数学方法和思路来增强算法的寻优能力。与此同时,设计新的简洁式智能优化算法,并采用不同简洁搜索算子结合来提高算法的收敛效率,减少其对计算机硬件资源的依赖,达到同样或者更好的优化结果。本文从减少计算量和节约运行空间两个角度来设计和实现了整个课题,主要内容包括:(1)改进蚁群系统算法,从信息素的表达方式入手,简化信息素的更新方式、减少算法运行的参数、降低了整个算法的计算量,同时节约了算法所需要的运行空间,并在一定程度上加快了算法的收敛速度;(2)在正态分布模型的基础上,设计了一种全新的简洁式猫群算法。加入新的差分算子来增强算法的探索能力,并用新的算法成功嵌入到简单医疗设备中解决灰度图像切割问题;(3)设计了一种全新的基于Gamma概率模型的扰动向量来描述小样本问题,使得新的概率模型下产生的解更具代表性和真实性,为小样本问题的优化提供了一种新的解决思路;采用梯度下降法来节省算法的计算成本,并把它用来解决MP3播放器中音频水印嵌入优化问题。(4)结合SVM分类器,利用简洁式猫群算法优化居家健康照护设备中用嘴唇和眼睛的开闭状况构成的人脸表情识别问题。整个课题以降低智能优化算法的时间复杂度和空间复杂度为主线而设计,大量的实验结果表明,本研究设计的算法基本达到预期的效果,具有很好的应用前景。(本文来源于《哈尔滨工业大学》期刊2015-07-01）
辛海奎[2]（2015）在《基于群智能优化算法的云计算任务调度策略研究》一文中研究指出随着IT行业的快速发展,信息科学技术已经进入大数据、数据挖掘、云计算的新时代。云计算是一种新型的以用户服务为中心的商业计算模式,运用虚拟化技术将分布于不同地理位置、不同功能的计算节点资源虚拟成庞大的虚拟资源池供用户使用。由于云计算涉及到虚拟化技术、并行运算、高效的数据通信和存储,且自身的状态也处于不断的变化中,因此,云计算任务调度策略已是实现云计算的关键所在。然而,目前的云任务调度算法只关注如何缩短任务的完工时间而忽略用户对实际服务质量(Quality of Service,QoS)的需求；只注重云任务的调度效率,而忽视云服务的资源利用率和经济效益。因此,针对现有云任务调度算法的不足开展调度策略研究对于提高云计算服务能力、拓宽云计算应用范围具有极其重要的意义。本论文基于群智能优化算法,就云计算的用户QoS目标约束负载均衡问题和云计算的任务执行成本预算问题做了以下几个方面的工作：(1)通过分析可信度应用于云计算任务调度策略,将可信度引入蚁群算法,并将虚拟机可信度引入蚂蚁的转移概率公式中,最终给出了基于可信度蚁群优化算法的云计算任务调度策略。(2)鉴于云计算任务调度需满足用户服务质量(Quality of Service,QoS)和负载均衡要求,本文设计了一种面向独立任务并考虑时间及负载均衡的可信度蚁群算法来云计算任务调度策略。从云计算所服务的用户角度考虑,用户关注的是服务结果与执行成本,因此本论文又给出了面向工作流任务并考虑任务执行成本的改进粒子群优化算法云计算任务调度策略。(3)应用CloudSim仿真环境进行了任务调度策略仿真实验。结果表明,基于CTLBACO的任务调度策略不仅提高了云计算任务的执行效率,且使系统负载相对均衡,提高了资源利用率。基于改进粒子群算法的云计算任务调度策略在缩短任务执行完工时间和降低任务执行成本方面拥有较大的优势。(本文来源于《陕西师范大学》期刊2015-05-01）
唐德玉[3]（2015）在《模因计算框架下的群智能优化算法的研究与应用》一文中研究指出群智能是一种启发式优化算法,是通过模拟大自然中各种物种(比如生物、昆虫或动物等)的觅食等行为,利用群体中个体间的互动,实现了最优化目标的求解。现实生活中,很多实际问题都是最优化问题,比如图像分割问题、基因聚类问题、社会网络聚类问题、医疗诊断中的分类和预测问题、经济派遣问题、护士排班问题、车辆路径问题等,而群智能算法在解决这些问题上,表现出良好的性能,并已经成为目前研究的一个热点。然而,还有很多问题亟待解决,比如算法寻优的速度,寻优的精度等。而且,理论上已经证明,任何一个群智能算法都不能解决所有优化问题。模因论(memetic)是受达尔文自然进化原则及道金斯的文化进化概念启发的计算智能领域。模因可以被理解为‘文化基因’,与基因不同的是,文化基因有继承和传播的特征。模因论使用复杂的结构,比如简单个体的组合及模因(memes)来解决问题。模因计算(Memetic Computing)的全局搜索和局部搜索的结合机制使其搜索效率在某些问题领域比传统的一些智能算法快几个数量级,可应用于广泛的优化问题领域并得到满意的结果。模因计算提出的是一种框架、是一个概念,在这个框架下,采用不同的搜索策略可以构造不同的群智能算法。对此,本文的研究重点是深入研究模因计算框架下的群智能优化算法的思想及理论,对肿瘤生长机制及数学模型做深入研究和探索,受此启发,以模因计算框架为基础,提出新的群智能算法---入侵肿瘤生长优化算法(ITGO),并将其应用到聚类问题及支持向量机优化问题中。本文主要围绕模因计算框架下群智能算法的改进及肿瘤生长理论和方法而展开研究,并完成了以下主要工作内容和创新点:1)在模因计算框架下,由于传统量子粒子群算法只考虑了局部搜索能力,降低了算法的寻优的精度,特别是,在解决大规模优化问题上,性能明显下降。对此,我们首先对传统的局部搜索策略进行了改进,采用新的加权方法,加强局部搜索能力。在此基础上,为了加强算法的全局搜索能力,研究模因算法的规律,并假设粒子(鸟)中有“鸟王”的存在,并对此建立有记忆的数学模型。记忆反映了模因继承的特征。而有记忆规则可以增加算法的多样性,使得算法不易陷入局部最优。最后,我们提出结合模因算法的有记忆的量子粒子算法(SMQPSO)。优化实验结果表明,模因计算框架下的量子粒子群算法,在解决大规模优化问题上,表现出较好的性能。2)混合蛙跳算法(SFLA)是典型的模因计算框架下的群智能优化算法。其局部搜索采纳了简化的粒子群搜索规则,而模因混洗策略加强了其全局搜索能力。但简化的粒子群搜索规则收敛速度较慢,精度也不高。另外,在青蛙搜索过程中,经常发生青蛙越界的问题。对此,在局部搜索策略上,本文引入重心吸引因子,以提高青蛙探索能力;采纳空间缩放的方法解决青蛙越界问题,提出有重心的空间缩放混合蛙跳算法(sg SFLA)。优化实验证明,改进的算法既解决了青蛙越界问题,也提高了算法的性能。3)在模因计算框架下,传统教与学优化算法选择了较好的局部搜索策略,而忽略了全局搜索能力。只考虑了模因的继承特征而没有考虑模因的传递特征。具体表现为,算法只考虑一个班的情况,而且学生之间互动学习过程中,没有考虑教师的引导作用,从而降低了算法解决多模优化问题的精度。对此,本文使用模因混洗策略,提出多班的教与学优化算法(CTLBO)。实验结果表明,由于新的框架增加了算法的多样性,使得算法在解决多模优化问题上,表现出较好的性能。4)通过对量子粒子群算法、混合蛙跳算法及教与学优化算法机制的深入研究,掌握了模因计算框架下群智能算法设计的基本原则。通过对入侵肿瘤生长机制及数学模型的深入研究,受人类大脑中肿瘤生长及入侵行为的启发,提出入侵肿瘤生长优化算法(ITGO)。在模因计算框架下,脑瘤中的细胞可分为入侵细胞群、增殖细胞群、休眠细胞群和快死的细胞群,不同子群的互换机制,保证算法的全局搜索能力。局部搜索能力,表现在不同细胞子群自身的搜索规则,这可以保证算法的搜索速度。为了模拟肿瘤生长机制,我们假设,增殖细胞的入侵行为符合levy分布的;休眠细胞的生长是通过增殖细胞引导及休眠细胞之间的互动完成的;而快死了的细胞的生长是受增殖细胞和休眠细胞的引导而完成的,并且他们有可能死亡。最后,实验结果表明了入侵肿瘤生长优化算法的性能。5)使用入侵肿瘤生长优化算法(ITGO)解决聚类问题及支持向量机优化问题。聚类问题往往被看做为一种多模的连续优化问题,理论已经证明,其为NP问题。对聚类中心进行编码,目标是实现类内样本距离最近,而类与类之间距离最远。实验结果表明,本文提出的算法降低了聚类的错误率。而支持向量机(SVM)是机器学习中十分重要的一个算法。由于其较好的性能而被广泛使用。但其性能受到其参数的影响,其参数优化问题,成为使用支持向量机的关键问题。对此,我们使用入侵肿瘤生长优化算法来解决这个问题,实验结果表明,本文提出的算法提高了算法分类的准确率。以上工作都是围绕模因计算框架下的群智能算法及入侵肿瘤生长理论和方法的研究而展开,不仅涉及模因论、物理理论、统计方法及入侵肿瘤生长理论而且也有数据挖掘、机器学习方面的理论实践,体现了对群智能算法研究的深度和系统性。本文研究成果有助于人们进一步研究模因计算框架下的其他群智能算法的理论和方法,并将本文提出的算法推广到更多领域,解决现实中更多复杂的优化问题。(本文来源于《华南理工大学》期刊2015-04-29）
袁浩,李昌兵[4]（2015）在《基于社会力群智能优化算法的云计算资源调度》一文中研究指出为了提高云计算资源的调度效率,提出了一种基于社会力群智能优化算法的云计算资源调度方法。首先将云计算资源调度任务完成时间最短作为社会力群智能优化算法的目标函数,然后通过模拟人群疏散过程中的自组织、拥挤退避行为对最优调度方案进行搜索,最后采用仿真实验对算法性能进行测试。结果表明,相对于其它云计算资源调度方法,该方法可以更快地找到最优云计算资源调度方案,使云计算资源负载更加均衡,提高了云计算资源的利用率。(本文来源于《计算机科学》期刊2015年04期）
陈海燕[5]（2014）在《基于多群智能算法的云计算任务调度策略》一文中研究指出为提高云计算任务调度的服务质量(QoS),提出一种多群智能算法的云计算任务调度策略。首先利用全局搜索能力强的遗传算法快速找到云计算任务调度问题的较优解,然后将较优解转换成蚁群优化算法的初始信息素,最后通过蚂蚁间的信息交流和反馈找到云计算任务调度的全局最优解。以CloudSim为仿真平台进行了模拟实验,结果表明,与同类算法相比,多群智能算法不仅大幅提高了云计算任务调度效率,而且减少了处理请求任务的平均完成时间。(本文来源于《计算机科学》期刊2014年S1期）
徐昆[6]（2014）在《群智能算法及其并行计算技术的研究与应用》一文中研究指出人工智能技术和并行计算技术在21世纪得到了巨大的发展。其中,群体智能算法作为人工智能算法的一个重要分支,成为一个新兴的研究热点,得到了越来越多的科学家和工程师的广泛关注。成熟的群智能算法包括遗传算法,粒子群算法,人工鱼群算法和人工蜂群算法等。这些算法均有效地利用了生物的群体性特征。并行计算一般是指许多指令可以同时进行的计算模式,一般是相对于串行计算来说的。传统意义上的并行计算主要是为了快速解决大型且复杂的计算问题。一般的并行计算平台都是在Linux操作系统,结合MPI,CUDA,HADOOP等技术实现的。智能计算技术在现实生活中有很多广泛的应用。例如,可以使用人工蜂群算法提高图像的边缘检测效率,应用粒子群算法实现无线传感器网络最短路径的规划,应用遗传算法完成蛋白质结构的识别等等。同时,随着软硬件的发展,并行计算技术也渗透到了日常生活的方方面面。众所周知,在预测气象方面,我们往往需要极大的计算资源。许多发达国家的气象局已陆续在大规模并行计算机上运行业务系统,力图不断提高气象预报的精确性和时效性。同时,石油勘探也需要处理海量的数据,这对计算性能要求极高,算法也十分复杂。因此,并行计算技术已经是现今提高石油勘探效率的关键。随着科技的飞速发展,高性能计算在生物医学领域也发挥了越来越重要的作用。尤其是在蛋白质,DNA的生物测序工作方面,急需强大的计算能力。在本文中,我们围绕人工蜂群算法的理论,改进策略和实际应用展开了深入细致的研究工作。同时,以人工蜂群算法为例,对群智能算法的并行化策略,以及并行计算的相关技术进行了详细的分析与研究。众所周知,人工蜂群算法是一种模仿蜜蜂采蜜行为的智能算法。在自然界中,蜜蜂总是可以非常高效的找到可靠的蜜源。基于这种生物群体性原理,科学家设计了人工蜂群算法,完成了算法对最优解的寻找。在本文中,我们基于Linux平台和MPI开源软件开发包实现并行人工蜂群算法,有效提高了人工蜂群算法解决大型复杂问题的计算能力。本文的主要贡献和创新点如下：介绍了人工蜂群算法的基本理论,并针对其缺点和不足提出了改进策略。例如,在应用人工蜂群算法求解工件调度问题的过程中,为提高算法的搜索效率,提出了自适应变化步长的改进策略。并将改进算法与原始算法在性能上进行了比较。在实际应用方面,人工蜂群算法可以用来求解鲁棒PID控制器的最优参数整定问题,并实现对于鲁棒PID控制器的多目标优化。其中的优化目标包含积分平方误差,最大过冲和建立时间这叁个衡量PID控制器性能的参数。在设计鲁棒控制器的过程中,我们应用了与博弈论知识相关的最小最大方法,完成了可以适应一定程度上参数波动的PID控制器。根据人工蜂群算法天然的并行性,提出了一种并行人工蜂群算法,并将该算法用于求解经典的NP问题--旅行商问题。由于计算一个大规模的旅行商问题需要极大的计算资源且消耗大量的时间,因此我们引入并行策略提高算法的性能和效率。整个并行计算平台是在Linux下架构的,使用MPI完成各个计算节点间的数据传输和任务调度。在本文中,我们还深入地讨论了如何通过改进算法的并行策略来提高其性能和效率。同时,我们还详细介绍了并行计算平台的架构和MPI的基础知识。(本文来源于《山东大学》期刊2014-04-20）
肖重阳[7]（2013）在《基于群智能算法挡土墙土压力计算及截面优化设计》一文中研究指出重力式挡土墙具有结构简单、取材便捷、施工方便、以及经济效果好等优点，因而被广泛应用在土木建筑、水利水电、铁道交通等工程建设中，是我国最常见的一种支挡结构。随着国家基础设施建设的迅速发展，重力式挡土墙的建设更为普遍，挡土墙土压力计算和截面优化设计的研究在保证挡土墙建设的安全性和经济性方面具有重大意义。首先，本文将挡土墙后潜在滑裂面视为一任意曲线，基于摩擦角随位移的变化关系，用薄层单元法对平动模式下墙后填土进行分析，推导出非极限状态下土压力分布、合力大小及作用点的理论公式。以各薄层微元的滑裂面倾角为变量，利用PSO (粒子群算法)对潜在滑裂面进行搜索从而获得土压力的解答。分析了内摩擦角、挡土墙位移量对非极限状态土压力分布、土压力合力大小、土压力合力作用点高度以及潜在滑裂面的影响。然后，利用薄层单元法对挡土墙墙后因存在岩石边坡而形成的有限范围土体进行分析，推导出有限范围土体土压力分布、合力大小及作用点的理论公式，并用MATLAB编制了PSO优化程序对公式进行求解。分析了不同墙踵与坡脚距离b和边坡坡度对土压力合力大小以及作用点位置的影响，同时搜索出了不同几何参数下五种滑裂面形状，并且分析了内摩擦角对计算结果的影响。最后，以重力式挡土墙的截面面积为目标函数，挡土墙的几何参数为设计变量，挡土墙的抗滑移稳定、抗倾覆稳定、基底应力和构造要求为约束条件，建立了重力式挡土墙截面优化数学模型。通过惩罚函数将约束优化问题转变为无约束优化问题，引入人工鱼群算法求解挡土墙截面优化数学模型，编制了MATLAB优化程序，通过在工程实例中应用，验证了其良好的优化效果。(本文来源于《湖南大学》期刊2013-03-08）
罗琼[8]（2012）在《群智能算法高性能计算平台探究》一文中研究指出近年来,各研究学者通过基于生物学在动物等群体研究成果的基础上,提出了群智能的概念。群智能技术主要针对生物在群体的社会性活动的理论抽象的基础上,通过进行模拟,以期解决目前遇到到各种结构方案的优化症结。阐述了当前在群智能算法领域的一些主流的算法,并在分析的基础上,对蚂蚁优化算法在高性能计算平台的硬件实施方面提出了一些探究性意见与看法。(本文来源于《电脑编程技巧与维护》期刊2012年24期）
刘天航[9]（2011）在《基于群智能和冲突规避策略的基因—基因交互作用检测及其并行计算》一文中研究指出生物信息学是生命科学与信息科学交叉形成的一门新兴学科,目的是高效地挖掘生物实验数据中所包含的生物学意义。基因-基因交互作用研究是生物信息学中基因组分析的重要课题,对于研究复杂疾病的病因有着重要的意义。当前基因-基因交互作用的研究热点是在全基因组中进行交互作用检测,主要挑战有二个,一是在全基因组数据上的交互作用检测会遇到密集计算的负担,二是对交互作用的检测会受到边际作用的影响。单核苷酸多态(single nucleotide polymorphism,SNP),作为一种遗传标记,由于其广泛存在于基因组中,并且容易测定,常被用作基因关联研究的研究对象。针对当前基因-基因关联研究中已有算法的一些缺陷,提出了二种解决该问题的思路,一是在算法方面进行研究,提出更有效和快速的算法,二是对原有算法进行并行化改进,利用并行计算平台对算法进行加速。按照这二种思路,主要在二个方面进行了创新。一是提出了一个基于群智能和冲突规避策略的基因-基因交互作用检测算法。首先对该领域的二种随机算法——蚁群优化算法和SNPHarvester算法进行了改进,克服了二种算法的缺陷,然后将二种改进算法结合起来,并使用冲突规避策略合理分配搜索资源,得到了一种可应用于全基因组的、不受边际作用影响的基因-基因交互作用检测算法。算法以SNP为研究对象,从大量SNP中选出具有显着交互作用的SNP组。算法初始化多个SNP组作为初值,同时产生多条搜索路径,通过局部极值搜索保护高阶交互作用。蚂蚁之间使用概率密度进行通信。通过使用冲突规避策略,减少了路径的交叉和重迭,使得到的解能更广泛地反映基因-基因交互作用在基因组范围内分布的情况。在仿真数据和真实数据上的实验证实,算法在统计能力上可以和SNPHarvester算法相比,在效率上有明显优势,得到的结果能够广泛地代表基因-基因交互作用在基因组的分布。二是提出了一个基于Java平台的并行化算法。并行算法主要面向个人计算机的硬件环境,充分利用多核处理器,开辟多个线程,对原算法进行了有效的并行加速。并行程序与原程序的比较结果验证了算法具有很好的可扩展性,可以向GPU(图形加速器)、集群计算机和超级计算机平台上的移植,也显示了Java在开发生物数据处理并行程序方面的巨大潜力。(本文来源于《国防科学技术大学》期刊2011-11-01）
刘彦斌[10]（2010）在《群智能计算模型与模糊匹配算法研究》一文中研究指出本文在深入研究群智能计算模型和算法的基础上,提出了一种基于agent的自治计算模型,给出模型的基本组成部分和具体实例化过程。并在此基础上应用该模型解决了函数优化问题、无线传感器网络路由问题和集装箱装载问题。其次,根据RDF数据库整合问题特点和对系统、算法的需求,设计并开发一套模糊匹配算法包,集成到应用系统。本文的主要工作内容如下:1)提出一种基于agent的群智能计算模型。模型由系统环境,agent和规则组成,并引入信念的概念到模型中。该研究内容属新颖的基于自治计算领域,同时为群智能模型算法,尤其是多agent的研究带来新思路。2)应用模型解决函数优化问题。该研究内容从多agent系统的本质出发,利用自治、智能、交互等特性,引入信念及信念调整机制,利用其优点解决问题,该工作不仅为多agent的应用开辟新方向,同时也为组合优化问题的研究找到新的切入点。3)应用模型解决无线传感器网络路由问题。该应用能适应传感器网络动态性的特点,为不同规模的网络探查较优路由,减少能量消耗,延长节点寿命,同时保证较低的算法时间复杂性。4)应用模型解决集装箱装载问题。该问题是本文涉及运输系统中的重要模块,系统充分发挥数学理论、计算机技术优势,为推动行业解决方案制定科学化进程起到促进作用。传统数学方法解决此问题有运算时间长的局限性。本节部分工作开拓其它方式解决问题,在保证精度同时减少计算时间。该方法时间优势明显,精度较一般启发式方法有一定优势。5)模糊匹配算法研究。以解决RDF数据库资源匹配及融合为导向,以实用为目标,设计并开发一个集成算法包,该算法包包含文本相似性、语义相似性和词关系计算算法,并集成到应用系统中。(本文来源于《吉林大学》期刊2010-06-01）
群智能计算论文开题报告
（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：
随着IT行业的快速发展,信息科学技术已经进入大数据、数据挖掘、云计算的新时代。云计算是一种新型的以用户服务为中心的商业计算模式,运用虚拟化技术将分布于不同地理位置、不同功能的计算节点资源虚拟成庞大的虚拟资源池供用户使用。由于云计算涉及到虚拟化技术、并行运算、高效的数据通信和存储,且自身的状态也处于不断的变化中,因此,云计算任务调度策略已是实现云计算的关键所在。然而,目前的云任务调度算法只关注如何缩短任务的完工时间而忽略用户对实际服务质量(Quality of Service,QoS)的需求；只注重云任务的调度效率,而忽视云服务的资源利用率和经济效益。因此,针对现有云任务调度算法的不足开展调度策略研究对于提高云计算服务能力、拓宽云计算应用范围具有极其重要的意义。本论文基于群智能优化算法,就云计算的用户QoS目标约束负载均衡问题和云计算的任务执行成本预算问题做了以下几个方面的工作：(1)通过分析可信度应用于云计算任务调度策略,将可信度引入蚁群算法,并将虚拟机可信度引入蚂蚁的转移概率公式中,最终给出了基于可信度蚁群优化算法的云计算任务调度策略。(2)鉴于云计算任务调度需满足用户服务质量(Quality of Service,QoS)和负载均衡要求,本文设计了一种面向独立任务并考虑时间及负载均衡的可信度蚁群算法来云计算任务调度策略。从云计算所服务的用户角度考虑,用户关注的是服务结果与执行成本,因此本论文又给出了面向工作流任务并考虑任务执行成本的改进粒子群优化算法云计算任务调度策略。(3)应用CloudSim仿真环境进行了任务调度策略仿真实验。结果表明,基于CTLBACO的任务调度策略不仅提高了云计算任务的执行效率,且使系统负载相对均衡,提高了资源利用率。基于改进粒子群算法的云计算任务调度策略在缩短任务执行完工时间和降低任务执行成本方面拥有较大的优势。
（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。
群智能计算论文参考文献
[1].赵鸣.简洁式群智能计算及应用研究[D].哈尔滨工业大学.2015
[2].辛海奎.基于群智能优化算法的云计算任务调度策略研究[D].陕西师范大学.2015
[3].唐德玉.模因计算框架下的群智能优化算法的研究与应用[D].华南理工大学.2015
[4].袁浩,李昌兵.基于社会力群智能优化算法的云计算资源调度[J].计算机科学.2015
[5].陈海燕.基于多群智能算法的云计算任务调度策略[J].计算机科学.2014
[6].徐昆.群智能算法及其并行计算技术的研究与应用[D].山东大学.2014
[7].肖重阳.基于群智能算法挡土墙土压力计算及截面优化设计[D].湖南大学.2013
[8].罗琼.群智能算法高性能计算平台探究[J].电脑编程技巧与维护.2012
[9].刘天航.基于群智能和冲突规避策略的基因—基因交互作用检测及其并行计算[D].国防科学技术大学.2011
[10].刘彦斌.群智能计算模型与模糊匹配算法研究[D].吉林大学.2010