导读:本文包含了最大最小蚁群论文开题报告文献综述及选题提纲参考文献，主要关键词:云计算,最大最小蚁群算法,数据中心
最大最小蚁群论文文献综述
刘晋西[1]（2019）在《一种基于改进最大最小蚁群算法的虚拟机放置策略》一文中研究指出云计算是一种能够将可伸缩的虚拟化资源利用网络分配给用户的商业模式。因为用户申请的虚拟资源就是由物理服务器所提供的,所以由物理服务器组成的数据中心在云计算中扮演着重要的角色。随着数据中心的不断扩大,其消耗的电能以及造成的资源浪费也越来越不能忽视了。论文将一种改进的最大最小蚁群算法应用于虚拟机的初始化放置问题中,在满足客户服务质量的前提下,使得消耗的物理资源和网络资源达到最小。(本文来源于《计算机与数字工程》期刊2019年09期）
关启明,靳祺桢,孙学梅,谢少亭[2]（2016）在《基于最大最小蚁群算法的虚拟机整合》一文中研究指出云数据中心能量高消耗问题引起人们的关注,而动态的虚拟机整合为云数据中心的高耗能问题提供了新的解决办法,虚拟机的整合方法是让处于超载、欲超载、低载物理机上的虚拟机发生迁移,使迁移后的物理机处于关闭或低耗能模式。提出了一种最新的动态整合虚拟机方法 -基于最大最小的虚拟机整合算法(MMAS-VCM)来减少云数据中心能量消耗。通过MMAS-VCM算法对虚拟机进行动态整合实现多目标优化问题,减少虚拟机的迁移次数,减少云数据中心能量的消耗。通过cloudsim-3.0仿真实验验证MMAS-VCM算法在减少能耗和虚拟机迁移次数方面的性能大大提高。(本文来源于《黑龙江科技信息》期刊2016年22期）
张福龙[3]（2016）在《基于最大最小蚁群算法的随机用户交通分配模型研究》一文中研究指出出行者的路径选择行为影响因素众多,包括出行者的主观能动性、外部环境、路网系统的不可预测性等,这些因素综合作用使得交通分配问题求解复杂。现实中出行者不能够完全掌握路网情况而且出行者不具有完全相同的出行特征,因此出行者在节点处的路径选择行为具有随机性。通过最大最小蚁群算法中蚂蚁在节点处的路径概率选择行为来仿真出行者的路径选择行为,并建立随机用户交通分配模型。模型考虑的问题主要包含叁个方面:首先根据蚂蚁选择下游节点的决策过程建立出行者选择下游节点的选择概率公式;其次通过蚁群算法中信息素更新方式来对路网流量的空间分布进行优化,通过臭味信息素机制保障分配过程的安全性;最后借鉴最大最小蚁群算法中将路网信息素浓度初始化为信息素区间最大值的思想,根据路网各个路段通行广义费用的大小对其初始信息素进行具体化设置,以保障在分配的初始阶段实现路网流量的合理性分布。通过对案例的研究分析,参数α、β的组合设置情况反映了出行者对于路径长度和路径广义费用信息的重视程度。β较α的取值越大,出行者对于路网的广义费用信息越重视,在路径选择的过程中选择最优路径的可能性就越大。而且随着β的增大,路网的整体费用逐渐降低。参数ρ的大小反映了管理者对流量在路网空间分布上的调控力度,ρ的取值越小,流量在路网空间分布上的变化程度越大。参数γ反映了臭味信息素的作用强度,极端条件下参数γ取值较大,道路上的信息素浓度为0,实际中道路由于各种原因被封闭。(本文来源于《长安大学》期刊2016-03-28）
林基明,班文娇,王俊义,童记超[4]（2016）在《基于并行遗传-最大最小蚁群算法的分布式数据库查询优化》一文中研究指出针对分布式数据库中关系及其分片多副本、多站点存储的特性会增加查询搜索空间及时间复杂度,从而降低查询执行计划(QEP)搜索效率的问题,提出一种基于分片分配选择器(FSS)设计准则的并行遗传-最大最小蚁群算法(PGA-MMAS)。首先,结合实际的企业分布式信息管理系统设计FSS,启发式选择较优关系副本,以减少查询连接代价并缩小PGA-MMAS的搜索空间;然后结合遗传算法(GA)收敛较快的优势,对最终连接关系进行编码和并行遗传操作,得到一组相对较优的QEP,并将其转化为并行最大最小蚁群算法(MMAS)的初始信息素分布,从而使其更快速地搜索到全局最优QEP;最后分别在不同关系数情况下对算法进行仿真实验,结果表明,基于FSS的PGA-MMAS搜索最优QEP的效率高于原GA以及基于FFS的GA、MMAS和GA-MMAS;经实际工程应用验证,所提算法搜索出的高质量QEP可以提高分布式数据库多关系查询效率。(本文来源于《计算机应用》期刊2016年03期）
阮博,俞德华,柴继勇,周鹏,曾渤[5]（2016）在《基于最大最小蚁群算法的含分布式电源的配电网重构》一文中研究指出以配电网网损最小为目标函数,将最大最小蚁群算法应用于含分布式电源(DG)的配电网重构。在重构过程中,基于生成树来形成辐射网保证了蚂蚁路径均满足网络拓扑约束,提高了计算效率。最大最小蚁群算法通过设置各支路信息素的最大最小值以及采用信息素全局更新方式,既可以避免基本蚁群算法易陷入局部最优解的弊端,又保证了收敛速度。基于Matlab编程,对IEEE69节点配电网进行仿真分析,配电网重构后,网损大大降低,节点电压有效提升,验证了该方法的可行性。(本文来源于《湖北电力》期刊2016年01期）
葛斌,韩江洪,魏臻,程磊,韩越[6]（2015）在《最小最大车辆路径问题的动态自适应蚁群优化算法》一文中研究指出为求解最小最大车辆路径问题,提出动态自适应蚁群优化算法.该算法采用动态最大最小蚂蚁系统策略调整最优解,每次迭代更新τmin,将τmin作为当前信息素矩阵最大值的函数,根据当前最优弧调整选择弧的概率.采用一种灰色模型预测及控制信息素矩阵的边界,以增强蚁群算法参数的自适应性能.对信息素浓度相对较高的多个节点及其附近的边,利用信息素关联累积规则进行信息素更新.将文中算法进行场景的实例测试,仿真结果表明,该算法与线性规划、其他相关的蚁群算法相比,收敛速度更快,具有更好的优化性能和应用效果.(本文来源于《模式识别与人工智能》期刊2015年10期）
田冉,孙林夫,唐慧佳,李斌勇[7]（2016）在《基于最大最小蚁群算法的多卸载点车载装箱模型研究》一文中研究指出针对多卸载点、多种货物、多车承运中的箱式货车装箱问题,为需要在不同地点卸货的货物生成货物装卸序列。建立了基于体积、重量和装卸距离的数学模型,定义了各类装箱约束条件,首先按照装箱规则和装箱约束生成一个可行解作为蚁群算法的初始解,再根据蚂蚁在货物上寻路的特点定义了信息素和选择概率公式,通过最大最小蚁群算法在一定的循环次数内求得最优解,从而达到最大化货车的装载利用率和体积利用率的目标。最后通过一个实例证明了该方法的合理性和有效性。(本文来源于《重庆交通大学学报(自然科学版)》期刊2016年02期）
毛晓明,蔡永智,赵勇[8]（2015）在《采用最大-最小蚁群算法的励磁系统参数辨识》一文中研究指出为获得发电机励磁系统准确的模型参数,对BPA(bonneville power administration)软件中励磁系统典型仿真模型进行深入分析,得到模型参数与励磁系统大、小阶跃响应特性的关联关系。结合实际情况,对需辨识参数进行筛选,对参数取值范围进行限制。采用最大-最小蚁群算法对参数进行辨识,先求得影响发电机空载电压小干扰阶跃响应特性的主要参数,再得到影响发电机空载电压大干扰阶跃响应特性的主要参数。BPA计算得到的辨识模型仿真曲线与实测数据吻合良好,仿真结果表明了辨识方法的有效性。(本文来源于《电力系统及其自动化学报》期刊2015年05期）
马文华[9]（2015）在《改进最大最小蚁群算法的研究及应用》一文中研究指出蚁群算法是一种较好的群体智能算法,它有诸如健壮性、并行性以及正反馈性等优点。正是基于它的这些优点,当今许多国家都对其进行研究,现已成为世界各国深入探究的前沿学科。在蚁群算法中,设计虚构的蚂蚁和信息素,通过这些虚构的蚂蚁来寻找不同的路径,而信息素会根据蚂蚁寻优的时间变化而慢慢的减弱。在每只蚂蚁要选择它的周游路径时,它们会最大可能的去选择那些离当前位置距离最短的节点,并且还要求选择的路径上的信息素浓度较高,根据这个原则,就能选出最优的路线。旅行商问题是一个比较常见的NP难问题,由于所有类型的TSP问题都可以转化为基本的TSP问题,因此本文以最基本的TSP问题作为研究的对象。虽然蚁群算法有很多优点,但是它也存在求解过程中收敛速度缓慢、容易陷入局部最优值等的缺点。针这两个缺点,本文给出一种基于领域搜索的最大最小蚁群算法,通过改变信息素的更新方式,采用先局部更新,然后全局更新的信息素更新方式,很好的改进了易陷入局部最优的缺点、改善寻优的概率。然后通过对迭代过程中增加邻域搜索算法,设定优化的终止条件,采用邻域搜索节点减半的方法,即每次优化路径的一半,：并优化由改进最大最小蚁群算法所求得的最优解。进一步提高改进蚁群算法的求解效率,它可以获得更好的收敛效果,而且在寻优方面有所改善。并且通过对TSP问题进行验证,该算法取得了很好的寻优效果和求解效率。21世纪是一个信息化大爆炸的时代,人们对大数据的依赖越来越重,信息及数据较为快速的增长,云计算(Cloud Computing)在这样的背景下应运而生,它给人们的日常生活带来了很大的变革。谷歌在2004年提出MapReduce模型,它是一种超大集群F的编程模式,主要针对海量数据进行计算,主要被用来处理大规模的数据量且计算时间在可接受范围的时间内完成的任务。云计算广泛的用于商业中,它的实质是一种计算模型,将计算任务分布在大量的资源池上,这些资源就是有大量计算机组成的。这个计算模型可以处理大规模数据,就是把巨大的数据分解成较小的模块,这些模块随机的分布在廉价的计算机上,而这些计算机通过一些设置组成并行化的处理平台。通过这些途径,大数据的使用者们可以方便的管理资源,处理数据。现在,世界上好多国家以及互联网的大企业都建立了自己的云计算处理中心。本文将最大最小蚁群算法和MapReduce模型相结合,提出了基于MapReduce的最大最小蚁群算法。然后使用该算法并行地处理TSP问题,通过对不同节点的TSP问题进行对比试验,并与在串行的环境下实验结果进行比较,实验结果验证了基于MapReduce的最大最小蚁群算法的处理大规模数据的有效性和可行性。(本文来源于《安徽大学》期刊2015-03-01）
贾瑞玉,马文华[10]（2014）在《基于邻域搜索的改进最大最小蚁群算法》一文中研究指出针对蚁群算法求解旅行商问题时易陷入局部最优的问题,提出一个改进的混合最大最小蚁群算法,并应用于求解旅行商问题。上述算法设计了一种新的信息素更新模型,单个蚂蚁每走一步就进行信息素局部更新,在所有的蚂蚁搜索一周后,最优路径蚂蚁进行全局信息素更新。提出一种新的邻域搜索模型,将邻域大小设置为原来的一半,提高了计算的效率。在每个蚂蚁的一个周期循环后,使用邻域搜索算法优化最优解的路径长度。仿真结果表明,改进算法具有较高的求解精度和收敛速度。(本文来源于《计算机仿真》期刊2014年12期）
最大最小蚁群论文开题报告
（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：
云数据中心能量高消耗问题引起人们的关注,而动态的虚拟机整合为云数据中心的高耗能问题提供了新的解决办法,虚拟机的整合方法是让处于超载、欲超载、低载物理机上的虚拟机发生迁移,使迁移后的物理机处于关闭或低耗能模式。提出了一种最新的动态整合虚拟机方法 -基于最大最小的虚拟机整合算法(MMAS-VCM)来减少云数据中心能量消耗。通过MMAS-VCM算法对虚拟机进行动态整合实现多目标优化问题,减少虚拟机的迁移次数,减少云数据中心能量的消耗。通过cloudsim-3.0仿真实验验证MMAS-VCM算法在减少能耗和虚拟机迁移次数方面的性能大大提高。
（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。
最大最小蚁群论文参考文献
[1].刘晋西.一种基于改进最大最小蚁群算法的虚拟机放置策略[J].计算机与数字工程.2019
[2].关启明,靳祺桢,孙学梅,谢少亭.基于最大最小蚁群算法的虚拟机整合[J].黑龙江科技信息.2016
[3].张福龙.基于最大最小蚁群算法的随机用户交通分配模型研究[D].长安大学.2016
[4].林基明,班文娇,王俊义,童记超.基于并行遗传-最大最小蚁群算法的分布式数据库查询优化[J].计算机应用.2016
[5].阮博,俞德华,柴继勇,周鹏,曾渤.基于最大最小蚁群算法的含分布式电源的配电网重构[J].湖北电力.2016
[6].葛斌,韩江洪,魏臻,程磊,韩越.最小最大车辆路径问题的动态自适应蚁群优化算法[J].模式识别与人工智能.2015
[7].田冉,孙林夫,唐慧佳,李斌勇.基于最大最小蚁群算法的多卸载点车载装箱模型研究[J].重庆交通大学学报(自然科学版).2016
[8].毛晓明,蔡永智,赵勇.采用最大-最小蚁群算法的励磁系统参数辨识[J].电力系统及其自动化学报.2015
[9].马文华.改进最大最小蚁群算法的研究及应用[D].安徽大学.2015
[10].贾瑞玉,马文华.基于邻域搜索的改进最大最小蚁群算法[J].计算机仿真.2014