导读:本文包含了群相遇蚁群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:边坡,非圆弧临界滑动面,搜索,相遇蚁群算法
群相遇蚁群算法论文文献综述
高玮,张飞君[1]（2014）在《相遇蚁群算法在边坡非圆弧临界滑动面搜索中的应用研究》一文中研究指出边坡非圆弧临界滑动面搜索是边坡稳定计算中的一个关键问题,其实质为安全系数最小的滑动路径搜索问题,采用效果良好的路径搜索算法——蚁群算法是目前研究的热点。为了克服传统蚁群算法效率低、效果差的缺点,基于蚂蚁正反向搜索相遇形成完整路径的原理,提出了一种相遇蚁群算法。将该算法用于边坡非圆弧滑动面搜索问题,提出了一种非圆弧临界滑动面搜索的新方法。通过2个边坡的算例计算及一个水库岸坡的工程应用,验证了新算法的有效性。计算结果表明,相遇蚁群算法无论是整个搜索范围还是从某一点起的搜索范围都要比一般蚁群算法大,所以相遇蚁群算法在搜索边坡临界滑动面时所得到解的多样性也要比一般蚁群算法好,因此,相遇蚁群算法的搜索范围能以较大的概率包含全局最优解,算法最终也能以较大概率搜索到全局最优解。最终,相遇蚁群算法可以在更大的范围内以更快的速度找到边坡的临界滑动面。(本文来源于《岩土力学》期刊2014年S1期）
潘文俊[2]（2009）在《基于群集经验的群相遇蚁群算法的研究》一文中研究指出研究群居性昆虫行为特征的科学家发现,昆虫每个个体能力十分有限,在群落一级上的合作基本上是自组织的,在许多场合中尽管这些合作可能很简单,但是却可以解决复杂的问题。群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。蚁群算法就是利用群体智能解决组合优化问题的典型例子。蚁群算法是一种应用于组合优化问题的启发式搜索算法,具有正反馈、分布计算和启发性搜索等特点。蚁群算法自从其出现以来,先后应用于TSP问题、资源二次分配问题等经典优化问题,得到了较好的效果,吸引了大批学者的兴趣。近年来,其研究领域也拓展到了动态环境、混沌计算、多目标等领域,基于蚁群优化算法的新型技术也陆续的面世并且不断的改进。本文以研究典型的NP问题——旅行商问题入手,对蚁群优化算法的发展背景、内容、实现方法和性能作了详细介绍,对该算法本身进行了深入研究,提出了自己的改进方案。本文在蚁群优化算法的研究中主要作了如下几点工作:1.提出了一种新的基于群集经验的蚁群算法,构建了新算法的蚂蚁模型,并且通过程序实现了这个算法,完成了新的蚂蚁模型与最大-最小蚂蚁算法的结合,并且通过实验找出新算法的最优参数设置;2.在5个不同规模的TSP问题上,用改进的算法和最大-最小蚂蚁算法分别进行仿真。通过对比分析发现基于群集经验的的蚂蚁模型能够让已有的蚁群优化算法在寻优速度和寻优能力上有较明显的提高,但是在大型规模的城市群中算法的稳定性不够高;3.对原始的相遇算法进行了改进,提出了群相遇算法的思想。然后通过程序实现了该算法,并且通过实验分析改进后的算法有哪些优势;4.将这两种算法结合成为一种新算法:基于群集经验的群相遇蚁群算法,通过实验表明了新算法对于基于群集经验的蚁群算法不够稳定的缺点有了良好的改进,同时算法的寻优速度和寻优能力并没有下降。(本文来源于《湘潭大学》期刊2009-05-01）
段海滨,王道波,于秀芬[3]（2006）在《基于云模型的小生境MAX-MIN相遇蚁群算法》一文中研究指出针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷,本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法;随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进,以提高改进后蚁群算法的全局收敛性能。同时,为了避免蚁群在搜索过程中易出现停滞现象,将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。(本文来源于《吉林大学学报(工学版)》期刊2006年05期）
赵文彬,孙志毅,李虹[4]（2004）在《一种求解TSP问题的相遇蚁群算法》一文中研究指出蚁群算法是由意大利学者M.Dorigo等人首先提出的一种新型的仿生算法。蚁群算法与其他算法同样存在搜索速度慢,易于陷于局部最优。该文提出一种改进的相遇算法克服了以上的缺陷。通过对TSP问题的仿真结果表明,提出的相遇算法与基本蚁群算法相比搜索速度和性能都有一定的提高。(本文来源于《计算机工程》期刊2004年12期）
群相遇蚁群算法论文开题报告
（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：
研究群居性昆虫行为特征的科学家发现,昆虫每个个体能力十分有限,在群落一级上的合作基本上是自组织的,在许多场合中尽管这些合作可能很简单,但是却可以解决复杂的问题。群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。蚁群算法就是利用群体智能解决组合优化问题的典型例子。蚁群算法是一种应用于组合优化问题的启发式搜索算法,具有正反馈、分布计算和启发性搜索等特点。蚁群算法自从其出现以来,先后应用于TSP问题、资源二次分配问题等经典优化问题,得到了较好的效果,吸引了大批学者的兴趣。近年来,其研究领域也拓展到了动态环境、混沌计算、多目标等领域,基于蚁群优化算法的新型技术也陆续的面世并且不断的改进。本文以研究典型的NP问题——旅行商问题入手,对蚁群优化算法的发展背景、内容、实现方法和性能作了详细介绍,对该算法本身进行了深入研究,提出了自己的改进方案。本文在蚁群优化算法的研究中主要作了如下几点工作:1.提出了一种新的基于群集经验的蚁群算法,构建了新算法的蚂蚁模型,并且通过程序实现了这个算法,完成了新的蚂蚁模型与最大-最小蚂蚁算法的结合,并且通过实验找出新算法的最优参数设置;2.在5个不同规模的TSP问题上,用改进的算法和最大-最小蚂蚁算法分别进行仿真。通过对比分析发现基于群集经验的的蚂蚁模型能够让已有的蚁群优化算法在寻优速度和寻优能力上有较明显的提高,但是在大型规模的城市群中算法的稳定性不够高;3.对原始的相遇算法进行了改进,提出了群相遇算法的思想。然后通过程序实现了该算法,并且通过实验分析改进后的算法有哪些优势;4.将这两种算法结合成为一种新算法:基于群集经验的群相遇蚁群算法,通过实验表明了新算法对于基于群集经验的蚁群算法不够稳定的缺点有了良好的改进,同时算法的寻优速度和寻优能力并没有下降。
（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。
群相遇蚁群算法论文参考文献
[1].高玮,张飞君.相遇蚁群算法在边坡非圆弧临界滑动面搜索中的应用研究[J].岩土力学.2014
[2].潘文俊.基于群集经验的群相遇蚁群算法的研究[D].湘潭大学.2009
[3].段海滨,王道波,于秀芬.基于云模型的小生境MAX-MIN相遇蚁群算法[J].吉林大学学报(工学版).2006
[4].赵文彬,孙志毅,李虹.一种求解TSP问题的相遇蚁群算法[J].计算机工程.2004