导读:本文包含了贪婪随机自适应算法论文开题报告文献综述及选题提纲参考文献，主要关键词:GRAGWO算法,贪婪随机自适应算法,灰狼优化算法,群体智能
贪婪随机自适应算法论文文献综述
高珊,孟亮[1]（2019）在《贪婪随机自适应灰狼优化算法求解TSP问题》一文中研究指出对于求解TSP问题,提出一种贪婪随机自适应灰狼优化算法(GRAGWO)。GRAGWO算法基于贪婪随机自适应搜索算法(GRASP),采用其构造阶段生成初始解,在局部搜索阶段采用灰狼优化算法(GWO)对结果进行优化。GWO算法不能直接用于求解离散问题,易陷入局部最优,导致后期收敛速率较低。根据TSP问题的特性,针对易形成局部最优路径和随着迭代次数增进而导致种群多样性减退这两个缺陷,重新定义灰狼编码方式,与GRASP启发式算法相结合,应用于求解TSP问题。采用TSPLIB中的多组不同规模的TSP问题作为实验用例,并将GRAGWO算法与其他仿生算法进行对比,结果表明在求解准确率、稳定性和解决大型城市问题方面具有相对优势。(本文来源于《现代电子技术》期刊2019年14期）
高珊[2]（2019）在《基于贪婪随机自适应灰狼优化算法求解TSP的研究与应用》一文中研究指出随着现代生活中的科技和工业的进步,组合优化问题作为一组经典又实用的问题越发被广泛关注。旅行商问题(Traveling Salesman Problem,TSP)是组合优化中一个经典的问题,也是一个NP-Hard问题,在计算机、数学和运筹学等领域中是热点研究领域,且TSP具有极高的理论和应用价值。在问题规模随着城市规模扩大时,时间和空间复杂度会呈现出指数级的增长,大多数算法都不能够求出一个令人满意的解,所以成为在此专业领域中被研究者们特重视的问题之一。TSP因时代的发展,类似技术的不断进步,如人工智能、计算机技术等,为该问题带来越拉越多的解决方法。启发式算法用于求解TSP时,运行时间较短,但普遍结果不够精确。如今在求解TSP时,多用混合算法,各取其长,提高求解TSP的效率。在本文中,通过对多种求解TSP的算法进行分析后,着重研究了贪婪随机自适应搜索算法(Greedy Randomized Adaptive Search Procedures,GRASP),并将其与其他算法相结合为混合算法。GRASP算法是一个经常用于求解组合优化问题的算法,它是一个二次迭代的过程,该算法在求解TSP时,若所得解陷入了局部最优的情况,是由于其构造阶段的贪婪随机性。针对该算法在求解TSP时对其进行改进,根据其二次迭代的特性,在第一阶段构造通过控制候选表的长度,构造一个可行的贪婪随机初始解。在第二阶段引入群智能算法灰狼优化算法(GreyWolf Optimizer,GWO),对其进行重新编码,能够用于求解TSP这类离散型问题。然而原始的GWO的初始解是随机生成的,它的好坏极大程度上影响了整体的求解,故将构造阶段所得解作为GWO的初始解,利用GWO较强的全局搜索特性,对其进行逼近搜索,从而避免陷入局部最优的情况。对TSPLIB中的多个数据运用改进的算法对其进行大规模的算法性能实验测试,分别对多个参数进行多次调整,多方面对结果进行分析。混合算法在第二阶段搜索后能改善初始解,并且几乎达到全局最优,验证了该算法解的质量有大幅度的提升。大多数实例能够求得最优解,规模较大的实例所求解误差较小,较其他算法在规模较大的实例下仍然能对其进行求解。最后本文将生活中常见的物流配送路径规划问题作为应用场景,该问题可以抽象为TSP的拓展问题,多旅行商问题。物流配送要求多位司机以尽短的路程快速完成配送,首先用K-means对各车辆配送的站点进行划分,再通过使用改进的算法优化配送路径。验证该算法能够运用在实际问题中,提高司机的配送效率,简短配送路程,节省所需时间,从而保证及时完成任务,减少对公司造成的损失。(本文来源于《太原理工大学》期刊2019-06-01）
林宏[3]（2015）在《贪婪随机自适应搜索算法婪随机自适应搜索算法(GRASP)研究》一文中研究指出贪婪随机自适应搜索算法(GRASP)是近几年提出的一种新兴的算法框架,由Feo和Resend在1989年提出,分成构造阶段和局部搜索阶段两个部分。首先在第一阶段构造一个初始解,随后对初始解进行局部搜索。该算法普遍应用于生活、经济、医疗、工业等方面的各种组合优化问题。本文从贪婪随机自适应搜索算法为出发点,详细分析了该算法框架的基本内容,并运用在0-1背包问题上,加深对此算法框架的理解和运用。(本文来源于《河南科技》期刊2015年16期）
冯丽娟,严洪森,朱莉莉[4]（2009）在《基于改进贪婪随机自适应算法的车间调度优化》一文中研究指出贪婪随机自适应搜索算法(GRASP)是近年来涌现的新的元启发式算法,其在车间调度优化方面的应用还很少,且解的全局满意度不够好。在已有GRASP的基础上,提出一种改进GRASP来解决装配车间调度优化问题。将发动机装配线简化为一个flow shop问题,以装配作业完成的总加工时间最短为优化目标。在已有GRASP强化策略中融入优化集ε的自进化过程而获得改进GRASP,并用实例对改进GRASP进行了仿真研究。结果表明,与现有的GRASP和遗传算法相比,强化策略和优化集ε自进化过程的结合可以大大提高改进GRASP的全局满意度,对求解该类问题有很好的效果。(本文来源于《计算机技术与发展》期刊2009年10期）
贪婪随机自适应算法论文开题报告
（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：
随着现代生活中的科技和工业的进步,组合优化问题作为一组经典又实用的问题越发被广泛关注。旅行商问题(Traveling Salesman Problem,TSP)是组合优化中一个经典的问题,也是一个NP-Hard问题,在计算机、数学和运筹学等领域中是热点研究领域,且TSP具有极高的理论和应用价值。在问题规模随着城市规模扩大时,时间和空间复杂度会呈现出指数级的增长,大多数算法都不能够求出一个令人满意的解,所以成为在此专业领域中被研究者们特重视的问题之一。TSP因时代的发展,类似技术的不断进步,如人工智能、计算机技术等,为该问题带来越拉越多的解决方法。启发式算法用于求解TSP时,运行时间较短,但普遍结果不够精确。如今在求解TSP时,多用混合算法,各取其长,提高求解TSP的效率。在本文中,通过对多种求解TSP的算法进行分析后,着重研究了贪婪随机自适应搜索算法(Greedy Randomized Adaptive Search Procedures,GRASP),并将其与其他算法相结合为混合算法。GRASP算法是一个经常用于求解组合优化问题的算法,它是一个二次迭代的过程,该算法在求解TSP时,若所得解陷入了局部最优的情况,是由于其构造阶段的贪婪随机性。针对该算法在求解TSP时对其进行改进,根据其二次迭代的特性,在第一阶段构造通过控制候选表的长度,构造一个可行的贪婪随机初始解。在第二阶段引入群智能算法灰狼优化算法(GreyWolf Optimizer,GWO),对其进行重新编码,能够用于求解TSP这类离散型问题。然而原始的GWO的初始解是随机生成的,它的好坏极大程度上影响了整体的求解,故将构造阶段所得解作为GWO的初始解,利用GWO较强的全局搜索特性,对其进行逼近搜索,从而避免陷入局部最优的情况。对TSPLIB中的多个数据运用改进的算法对其进行大规模的算法性能实验测试,分别对多个参数进行多次调整,多方面对结果进行分析。混合算法在第二阶段搜索后能改善初始解,并且几乎达到全局最优,验证了该算法解的质量有大幅度的提升。大多数实例能够求得最优解,规模较大的实例所求解误差较小,较其他算法在规模较大的实例下仍然能对其进行求解。最后本文将生活中常见的物流配送路径规划问题作为应用场景,该问题可以抽象为TSP的拓展问题,多旅行商问题。物流配送要求多位司机以尽短的路程快速完成配送,首先用K-means对各车辆配送的站点进行划分,再通过使用改进的算法优化配送路径。验证该算法能够运用在实际问题中,提高司机的配送效率,简短配送路程,节省所需时间,从而保证及时完成任务,减少对公司造成的损失。
（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。
贪婪随机自适应算法论文参考文献
[1].高珊,孟亮.贪婪随机自适应灰狼优化算法求解TSP问题[J].现代电子技术.2019
[2].高珊.基于贪婪随机自适应灰狼优化算法求解TSP的研究与应用[D].太原理工大学.2019
[3].林宏.贪婪随机自适应搜索算法婪随机自适应搜索算法(GRASP)研究[J].河南科技.2015
[4].冯丽娟,严洪森,朱莉莉.基于改进贪婪随机自适应算法的车间调度优化[J].计算机技术与发展.2009