导读:本文包含了群智能优化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:群智能优化算法,路径规划,应用
群智能优化算法论文文献综述
杨爽[1](2019)在《群智能优化算法在路径规划中的应用》一文中研究指出本文对群智能的理论内涵进行分析,然后从人工鱼群算法、蚁群算法以及粒子群算法叁个角度分析群智能优化算法在移动机器人规划中的应用现状,然后对以上叁种算法的性能做比较。(本文来源于《电子技术与软件工程》期刊2019年23期)
张晶,潘玉霞[2](2019)在《群智能优化算法的船舶信息管理任务批量流水调度研究》一文中研究指出针对传统的船舶信息管理任务调度模型的调度平均等待时间长的问题,研究群智能优化算法的船舶信息管理任务批量流水调度模型。根据群智能优化算法理论,将调度过程中的船舶看作粒子,根据实际调度需求设定调度模型的参数。为缩短船舶调度平均等待时间,规划船舶调度的目标函数以及约束条件。计算粒子适应度,将粒子与任务分配一一映射,根据船舶可信度计算得到局部粒子最优解,更新粒子位置直至出现最优调度解,完成船舶信息管理任务批量流水调度模型的构建。通过与传统调度模型的对比仿真实验,验证构建的基于群智能优化算法的船舶调度模型能够缩短传统调度模型2/3的平均调度等待时间,提高了调度效率。(本文来源于《舰船科学技术》期刊2019年20期)
朱莉凯,沈朝萍,沈宝国,杨文杰[3](2019)在《无人机航迹规划群智能优化算法综述》一文中研究指出无人机航迹规划是指严格按照给定任务规划出满足具体约束条件的飞行轨迹。航迹规划的优劣直接决定任务完成与否。因此,航迹规划的进一步研究成为无人机技术研究的重点项目。文中介采用叁种不同算法综述了群智能化算法以及存在的优缺点,同时,对未来无人机航迹规划群智商能优化算法的发展前景进行了展望。(本文来源于《数字技术与应用》期刊2019年08期)
莫艳红[4](2019)在《基于群智能优化算法的原油调和问题研究》一文中研究指出为节约成本,提高采购多样性,炼油厂经常利用一个或多个原油的混合来替代目标原油,该技术被称为原油调和,或者原油调合。目前,国内外学者已提出一些求解原油调和问题的方法,但均是针对求解几种比例固定的原油混合问题,且忽略了原油选择时的优化问题。群智能优化算法具有寻优能力强、求解速度快、易用性高等优点,被广泛应用于工业调度、人工智能等各领域的优化问题中。本文针对原油调和问题的特点,将群智能优化算法应用于原油调和问题中,主要的研究内容如下:(1)提出了一种基于莱维飞行的灰狼优化算法(Grey Wolf Optimization Algorithm based on Levy Flight,LGWO)。灰狼优化算法(Grey Wolf Optimization Algorithm,GWO)是一种典型的群智能优化算法。标准的GWO算法在迭代的后阶段容易陷入局部最优,丧失了种群的主动性,影响了算法的寻优精度。针对这些弊端,本文在GWO算法中引入了随机性较强、搜索无规律和发展不连贯性的莱维飞行。为了检测所提出算法的性能,与其它典型的群智能优化算法在12个测试函数上进行测试对比,结果表明LGWO算法的全局寻优能力更强。(2)建立了一个原油选择与混合优化模型,给出了利用LGWO算法求解模型的具体方法。针对模型中存在的连续型变量和二进制变量的问题,设计了一种新的编码方案进行处理,可以确定混合原油的各比例。为了确保实验的公正性,与布谷鸟搜索算法、粒子群算法等鲁棒性较强的算法在原油数据上进行对比实验,LGWO算法获得的混合原油与目标原油的相似度达到了99.7%,表明基于莱维飞行的灰狼优化算法是一种求解原油调和问题的有效方法。综上所述,本文将基于莱维飞行的灰狼优化算法应用于原油调和问题中,能为炼油厂寻找替代原油和其他材料混合提供参考,对于炼油企业的经济发展有着重要的意义。(本文来源于《桂林电子科技大学》期刊2019-06-02)
王鹏飞[5](2019)在《群智能优化算法及在流水车间调度问题中的应用研究》一文中研究指出调度问题主要研究资源的分配问题,针对不同的任务,制定相应的优化目标,最后找到最优或者近似最优的解决方案。调度问题广泛的存在于社会生产生活中,尤其是各类制造企业中。精心设计的生产调度方案有助于提高生产效率,帮助企业在激烈的市场竞争中占据主动位置。从调度问题的解决方法来看,传统的运筹学算法和启发式规则在求解大规模调度问题时都面临很大的困难,它们对问题的约束条件要求很高,而且有时也很难获得令人满意的解决方案。群智能优化算法是近年来受到广泛关注的一种元启发式算法,应用其求解调度问题时,一般不需要很强的约束条件就可以建立一个较好的模型,从而获得令人满意的调度解。群智能优化算法为解决调度问题提供了一种新的有效的方法。本论文以流水车间调度问题与群智能优化算法为研究对象,在对调度问题进行深入研究分析的基础上,提出了几种改进的群智能优化算法来进行求解。论文的主要研究内容如下:针对置换流水车间调度问题(PFSP),提出了一种混合蚁群算法(HACO)来进行求解。HACO算法对蚁群算法进行了多种有效的改进,在初始化阶段使用Rajendran算法进行种群初始化,保证了初始种群的质量;在状态转换阶段,使用了基于短作业优先的启发式信息;在信息素更新阶段,提出一种指数式函数作为信息素浓度蒸发系数,随着搜索的进行自适应的进行调节;在局部搜索阶段,提出一种基于整数序列集合的局部搜索算法,对优质解的质量进一步提高;在最优解的接收准则方面,加入了模拟退火算法准则来对新生成的解进行接收的判断,增加了求解的多样性,有效的避免了算法陷入局部最优。最后的对比实验证明了所提的HACO算法在解决置换流水车间调度问题上的有效性。针对阻塞流水车间调度问题(BFSSP),在对种群间协同进化算法研究的基础上,提出一种动态多种群蚁群算法(DMACO)来进行求解。DMACO算法将蚁群分为叁种类型种群,分别是一个精英种群,多个搜索种群和一个变异种群。在算法的起始阶段只有精英种群与搜索种群参与解的搜索,当迭代到一定次数时,由每个搜索种群中的最差个体和精英种群中的最差个体动态的生成一个变异种群,变异种群首先进行重新初始化然后再参与寻优,变异种群可以跳出原来的搜索空间进行另外的搜索,增加了求解的多样性。在种群交流方面:在算法起始阶段,多个搜索种群之间首先按照一定的规则进行优质解的互换,迭代一定次数后,从所有搜索种群中选出一个最优解传递给精英种群,精英种群则将一个较差解传给相应的搜索种群;变异种群生成后在每次迭代过后都将找到的最优解与精英种群的最优解进行比较,如果优,则传给精英种群,相应的精英种群将一个较差解传给变异种群;精英种群每次迭代后对找到的一个最优解和一个次优解执行局部搜索算法,进一步提高解的质量。最后的对比实验证明了DMACO算法求解阻塞流水车间调度问题的优越性。针对以最大完工时间(Makespan)为目标阻塞流水车间调度问题(BFSSP),提出了一种改进的生物地理学算法(IBBO)来进行求解。IBBO算法使用基于工件排列的向量编码方式可以方便的将工件的序列表示成问题的解;在种群初始化阶段,使用NEH规则与随机的方式进行种群初始化,保证初始解质量的同时提高了初始种群的多样性;在迁徙阶段,改进了种群迁徙率,并且提出一种基于插入(insert)规则的迁徙操作;在变异阶段,改进了种群变异率,并且提出一种基于交换(swap)规则的变异操作;在局部搜索阶段,对每次迭代产生的最优解使用一种基于插入邻域的局部搜索算法,进一步加强算法的寻优能力;IBBO算法还通过设计精英策略来保留上一代产生的较优解。最后的仿真对比实验证明了本文所提的IBBO算法在求解以Makespan为目标的阻塞流水车间调度问题上的有效性。针对以总流水时间(Total Flow Time,TFT)为目标的中间存储有限流水车间调度问题,提出一种离散化生物地理学算法(DBBO)来进行求解。在种群初始化阶段,使用NEH和NEH_WPT两种启发式规则生成初始种群,有效的提高了初始种群的质量;在迁徙阶段,使用余弦迁徙模型,并且提出了一种基于两点式(two-point)的种群迁徙算法;在变异阶段,提出一种个体适应度值与种群最大适应度值相结合的变异模型,并且提出了一种基于置换(inverse)规则的种群变异算法;在局部搜索阶段,提出一种新型的基于插入(insert)和交换(swap)交替进行的局部搜索算法(IS算法),不仅可以有效的避免算法陷入局部最优,又可以加速算法的搜索进程;最后在实验分析阶段,设计了参数选择实验来选择合适的算法参数,并且通过与其他算法的对比实验有效的证明了DBBO算法在求解以TFT为目标的中间存储有限流水车间调度问题上的优越性。(本文来源于《吉林大学》期刊2019-06-01)
陈华,杨帆,刘刚[6](2019)在《基于群智能优化算法的医学图像分割综述》一文中研究指出医学图像是医学影像的分析基础,而分割问题是研究的关键步骤。随着智能技术的快速发展,越来越多的人将智能优化算法应用到医学图像分割中,其中群智能优化算法是当今热门的研究课题。群智能优化算法是指人类参考群体生活的昆虫、动物的复杂社会行为而提出的模拟生物系统中群体生活习性的一种新算法。本文主要介绍了包括粒子群算法(PSO)、萤火虫算法(FA)、布谷鸟搜索算法(CS)、蝙蝠算法(BA)在内的几种优化算法及其改进之后在医学图像分割等方面的应用,为学者今后的交流与研究提供参考。(本文来源于《高技术通讯》期刊2019年05期)
张标[7](2019)在《基于多属性决策与群智能优化的异构无线网络选择算法》一文中研究指出随着近年来无线网络通讯技术的迅猛发展,越来越多新的网络技术应运而生。但原有的网络技术出于多种原因,并不会立即停止运营而是会继续运营相当长的一段时间。这一普遍存在的事实容易导致移动终端经常处于多个不同种类网络共同覆盖的环境中,称之为异构网络环境。进一步,终端用户在不同业务场景中,对网络服务质量的需求也呈现出多样化特点。因此,终端用户为了获得更好的服务质量(Quality of Service,QoS),希望随着网络环境的变化,终端可以自动地无缝地接入综合性能更佳的网络。终端在不同种类网络之间的切换称为垂直切换,在同一网络的不同基站或接入点之间的切换,称为水平切换。本文不考虑水平切换而仅研究异构网络情景中垂直切换算法的决策过程及其质量评价,并把研究过程中所建立的问题模型称为异构网络选择问题,简称异构网络选择。根据在该模型中终端是否可以自主选择网络,相应地分为终端自主选择网络和终端被动接入网络两种问题。它们的一个共同点是对时效性要求都很严格,主要的区别有:终端自主选择网络问题主要是终端遇到一个决策点时,终端如何评估各候选网络的综合质量并以此排序,然后从中选择一个作为目标接入网络。该模型不考虑此次选择前后对其它实体造成的影响而单纯地从终端用户角度来考虑如何通过选择目标网络而获取尽量大的QoS但同时也应尽量避免乒乓效应,进而获得尽可能满意的体验质量(Quality of Experience,QoE)。显然,该模型常常是建立在候选网络可提供的资源非常充裕的基础上。解决此模型的算法有多种,但多属性决策算法(Multiple Attribute Decision Making,MADM)因其原理直观简单并且通过计算公式能直接得出最终结果,而常被用来解决此类问题。在终端被动接入网络问题中,终端的功能受到很大限制,常常需要从网络系统资源管理者角度对发出请求的各个终端快速地给出一个合理的网络选择分配方案,使得各个终端获得尽可能好的QoS,同时尽可能减小对网络系统的负面影响,比如影响网络负载均衡、系统吞吐量等。常使用包括群智能算法在内的各种启发式算法来解决此类问题。针对上述两个问题模型的特点,本文提出分别用混合多属性决策算法和混合群智能优化算法来加以解决。因此,全文的主要贡献有以下叁点:(1)对传统基于模糊一致矩阵的模糊层次分析法(Fuzzy Analytic Hierarchy Process,FAHP)加以改进,然后提出基于综合效用值和比例阈值的终端自主选择网络算法。为控制整个算法的运行时间,根据Entropy和TOPSIS算法特点,选择合适的同向化、归一化公式,一次性地为熵值赋权法(Entropy)和逼近理想解排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)两个算法完成这个预处理过程。为3GPP定义的四种经典业务类型分别设置不同的调节因子,用与业务类型自动匹配的线性向量组合方式将这叁个算法灵活地融合在一起。完成评估各个网络综合性能后,再使用比例阈值决定目标网络。仿真结果表明,所提算法在控制垂直切换次数、抑制不必要垂直切换以及提高垂直切换收益叁个性能度量上优于现有的叁个算法。(2)提出基于改进灰度关联分析法(Grey Relational Analysis,GRA)和差值阈值的终端自主选择网络算法。根据标准差法(Standard Deviation,SD)和GRA算法特点,通过选择合适的同向化、归一化公式,不仅省去了一个归一化过程而且显着简化了这两种算法后续的计算过程,进而有助于降低整个算法的运行时间。仿真结果表明,与现有的四种算法相比,所提算法对于所考虑的四种业务类型都能更好地减少乒乓效应。(3)提出一个基于QoS序列进化优化的终端被动接入算法。通过设置离散型网络选择序列与连续型QoS序列之间的相互映射函数,该算法以连续型QoS序列为中介,经过遗传算法(Genetic Algorithm,GA)前期离散型迭代、模拟退火(Simulated Annealing,SA)算法中期发散型检验和连续型粒子群算法(Continuous Particle Swarm Optimization,CPSO)后期连续型迭代,逐步得到群体最优解。经过这样的优化流程,该算法不仅同时具备了GA、SA和CPSO这叁个算法的优点,而且有效控制了整个算法所需的运行时间。仿真数据表明,与现有的四个算法相比,所提算法可以稳定地更快地找到高质量的最优解,显着降低陷入局部最优陷阱的概率。(本文来源于《华南理工大学》期刊2019-04-15)
崔丽洁,程换新,刘军亮,张远绪[8](2019)在《群智能优化算法优化支持向量机的方法及应用》一文中研究指出水质评价过程具有多变量、非线性、不确定等特点,传统的粒子群算法训练神经网络的水质评价模型收敛速度慢、泛化性能差。为了克服传统模型的缺点,提出了利用动态多种群粒子群算法训练支持向量机的模型,并利用多种群粒子群算法优化支持向量机结构参数。该模型结合了粒子群算法的搜索性能以及支持向量机的高效性、强鲁棒性等优点,提高了模型的泛化能力。通过对新疆某流域站点的水文数据进行仿真,结果得出该方法的相对误差为2.74%,远低于传统粒子群算法4.21%的相对误差,由此证明该模型的应用效率及精度得到提高,适用于日常水质评价工作。(本文来源于《电子测量技术》期刊2019年07期)
郎启[9](2019)在《基于群智能优化算法的3D随机天线阵列旁瓣电平抑制优化研究》一文中研究指出各领域中无线传输系统的应用促使天线阵列的研究不断进步,在此研究基础上产生了智能天线技术。由于天线辐射信号的能量有限,方向图本身的旁瓣电平是其能量损失的关键,因此如何优化天线阵列的旁瓣电平是智能天线技术中的重要课题。人们给出了许多线型、圆形二维阵列和共面阵列的旁瓣电平优化解决方案,但是叁维随机天线阵列的旁瓣电平优化是需要进一步研究的问题。本文根据天线阵列的辐射特性,构建了叁维随机天线阵列数学模型。一般的天线阵列方向图函数为二维阵列的表达式且球坐标形式不利于阵元位置数值化分析,本文在一般方向图函数的基础上,通过直角坐标系变换,推导出了叁维随机天线阵列的阵列因子表达式,在假定阵元为全向阵元时,由阵列因子即可分析天线阵列的方向图。最大旁瓣电平是信号旁瓣能量损失的主要部分,因此构建了最大旁瓣电平的数学模型,以最大旁瓣电平的分贝值为目标函数,即天线阵列方向图中除第一零陷以外的最大值。由于一般传统方向图优化方法如泰勒综合法、切比雪夫综合法和傅里叶变换法有较多的参数设置限制,且一般仅适用于某些特定的均匀分布天线阵列形式,因此,算法进一步结合了当今群智能优化算法在各项应用中对数值优化的良好性能,选择了使用群智能优化方式来解决本文所构建的问题。本文选择使用常作为对比算法的粒子群算法(PSO)以及两种现今比较流行且被多种问题证明表现较好的萤火虫算法(FA)和布谷鸟算法(CS)来对天线阵列的旁瓣电平进行抑制优化。根据对目标函数的分析,将优化形式分为两种,一种只优化阵元激励,另一种同时优化阵元激励与阵元位置,依据叁种群智能算法的原理和一般实现步骤,分别针对两种优化方式给出了每个算法在两种优化方式中的具体实现方式。经过仿真实验对比,叁种群智能优化算法对于叁维随机天线阵列的最大旁瓣电平都有着较好的抑制作用,通过分析数据,得到了稳定性和优化效果两方面综合最优的优化算法,进一步通过两种优化参数方式的实验,得到了较好的优化参数方案,对所定义的问题进行了较好的求解。(本文来源于《吉林大学》期刊2019-04-01)
吕志明[10](2019)在《基于多代理模型的群智能优化算法研究》一文中研究指出在实际的工程优化问题中,存在一类具有“黑箱”特性的问题,其目标函数往往不能显式表达,且求解耗时。群智能优化算法凭借其不要求目标函数具有连续性、凸性、可导性和可行域连通性等优势,在求解该类问题中得到了广泛的应用。但是,群智能优化算法作为一种基于种群的随机搜索算法,在获得满意的设计方案的同时,需要大量的适应度函数评价。随着工程优化问题复杂程度的增加,适应度函数的评价成本越来越高,导致群智能优化算法的执行过程耗费大量的计算资源。为了在保证满意优化精度的同时尽可能地减少适应度函数的评价次数,基于多代理模型的群智能优化算法应运而生。该类算法采用代理模型方法引导种群的进化,而种群寻优历史信息则用于更新代理模型,通过二者的协同优化,达到减少函数评价次数,合理分配计算资源的目的。本论文从连续空间优化、混合整数优化、多目标优化以及并行计算等方面对基于多代理模型的群智能优化算法展开深入的研究,具体包括以下几个方面:1)针对单目标函数的连续空间优化问题,提出一种基于多代理模型的粒子群优化算法。该算法由内环优化和外环优化两部分组成。在内环优化中,基于动态分区方法划分搜索空间,并通过局部代理模型代替全局代理模型,降低建模成本;此外,为了平衡全局搜索和局部优化,提出一种基于多代理模型的并行优化方法。在外环优化中,粒子群算法在内环优化结果的引导下寻优,从而减少适应度函数评价次数。通过10个标准测试问题的求解结果表明,所提方法针对低维、非凸和多模态问题能够获得满意的收敛结果。此外,将所提方法应用到数据驱动模型的参数确定问题中,实验结果表明所提方法可以在有限的计算成本下获得满意的参数配置方案。2)针对含约束的混合整数规划问题,提出一种基于多代理模型的离散粒子群优化算法。该算法基于预选择策略筛选候选解,并采用精英个体引导粒子群的进化,而粒子群的位置信息为代理模型提供训练样本。为了提升预选择策略的效率,一方面,提出一种基于多群体协作模型的采样方法,获取多样性的候选解。另一方面,改进基于数据并行的高斯过程建模方法,通过自适应地构造局部代理模型,降低建模成本,提升代理模型的局部预测能力。最后通过12个含有约束的标准测试问题验证所提方法的有效性,并针对数据驱动模型的样本构造和参数确定的联合优化问题进行实例验证,实验结果表明所提方法具有可行性和有效性。3)针对求解耗时的多目标函数优化问题,提出一种基于多代理模型的多目标粒子群优化算法。该算法采用Pareto主动学习方法将候选解分类成Pareto最优解和非Pareto最优解。为了平衡Pareto主动学习方法的预测精度和分类成本,提出一种改进的Pareto主动学习分类策略。此外,为了提升候选解的质量,提出一种基于模拟进化的混合变异采样方法。在此基础上,分类得到的Pareto最优解通过更新外部存档,实现对粒子群算法的引导,而粒子群算法的寻优历史信息用于更新代理模型。最后通过标准测试问题对所提方法进行有效性验证,并将所提方法应用于基于多入多出最小二乘支持向量机模型的参数确定问题中,实验结果表明所提方法具有工程实用性和有效性。4)结合贝叶斯优化方法和启发式技术,提出一种基于自适应代理模型的并行优化算法。考虑到辅助优化多点期望改善判据难于获得解析解,采用启发式优化方法,将基于多点期望改善判据的辅助优化问题转化为基于单点期望改善判据的辅助优化问题,降低辅助优化的计算复杂度。此外,采用数据分区方法对输入空间分区,一方面构造多个局部代理模型,提出一种基于自适应代理模型的单点期望改善判据,提升采样的准确性;另一方面提出一种分层优化方法,通过在整个输入空间和局部子空间中混合搜索,提升优化器的效率。为了降低真实函数的评价成本,采用分布式并行技术对获得的查询点的真实函数值进行并行计算。最后针对标准测试问题,从分区设计、多点采样和实验比较等方面验证了所提方法的有效性;并通过数据驱动模型的参数确定问题验证了所提方法在求解速度方面的优越性。(本文来源于《大连理工大学》期刊2019-01-11)
群智能优化算法论文开题报告
(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:
针对传统的船舶信息管理任务调度模型的调度平均等待时间长的问题,研究群智能优化算法的船舶信息管理任务批量流水调度模型。根据群智能优化算法理论,将调度过程中的船舶看作粒子,根据实际调度需求设定调度模型的参数。为缩短船舶调度平均等待时间,规划船舶调度的目标函数以及约束条件。计算粒子适应度,将粒子与任务分配一一映射,根据船舶可信度计算得到局部粒子最优解,更新粒子位置直至出现最优调度解,完成船舶信息管理任务批量流水调度模型的构建。通过与传统调度模型的对比仿真实验,验证构建的基于群智能优化算法的船舶调度模型能够缩短传统调度模型2/3的平均调度等待时间,提高了调度效率。
(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。
群智能优化算法论文参考文献
[1].杨爽.群智能优化算法在路径规划中的应用[J].电子技术与软件工程.2019
[2].张晶,潘玉霞.群智能优化算法的船舶信息管理任务批量流水调度研究[J].舰船科学技术.2019
[3].朱莉凯,沈朝萍,沈宝国,杨文杰.无人机航迹规划群智能优化算法综述[J].数字技术与应用.2019
[4].莫艳红.基于群智能优化算法的原油调和问题研究[D].桂林电子科技大学.2019
[5].王鹏飞.群智能优化算法及在流水车间调度问题中的应用研究[D].吉林大学.2019
[6].陈华,杨帆,刘刚.基于群智能优化算法的医学图像分割综述[J].高技术通讯.2019
[7].张标.基于多属性决策与群智能优化的异构无线网络选择算法[D].华南理工大学.2019
[8].崔丽洁,程换新,刘军亮,张远绪.群智能优化算法优化支持向量机的方法及应用[J].电子测量技术.2019
[9].郎启.基于群智能优化算法的3D随机天线阵列旁瓣电平抑制优化研究[D].吉林大学.2019
[10].吕志明.基于多代理模型的群智能优化算法研究[D].大连理工大学.2019