一、动态调整信息素的蚁群算法（论文文献综述）
张松灿[1]（2021）在《基于蚁群算法的移动机器人路径规划研究》文中提出移动机器人的自主导航能力对其广泛应用具有决定作用,而良好的路径规划技术是自主导航的基础。机器人的工作环境复杂多变,不仅存在静态障碍,还存在一些运行状态未知的动态障碍,在规划任务开始前无法获取全部环境信息。传统的路径规划算法在面对复杂环境时存在效率低、稳定性及适应能力差等不足,难以满足实际需求。蚁群算法具有正反馈机制、分布式计算及鲁棒性强等优势,候选解构建过程与路径规划过程相似,无需先验知识即可找到最短觅食路径,与路径规划目标相似,因此,蚁群算法成为最常用路径规划方法之一。针对蚁群算法在静态环境路径规划中存在收敛速度慢、协同不足、适应性弱等不足,在优化过程中还存在种群多样性与收敛速度的矛盾,从算法结构、参数优化及规划路径特征等方面提出针对性的改进策略,增强算法的优化性能,加快算法收敛度,提高算法适应能力。针对现有局部路径规划方法侧重于避障,无法保证路径的最优等问题,提出将全局规划信息和局部规划相结合的动态路径规划方法。主要研究内容如下:（1）自适应改进蚁群算法的路径规划。为解决基本蚁群算法在路径规划时存在收敛速度慢、易陷入局部极值等不足,提出基于种群信息熵的自适应改进蚁群算法。利用种群信息熵度量算法优化过程的多样性特征;依据种群信息熵自动调整算法参数的自适应策略;在全局信息素更新规则中,增加了迭代最优解的信息素项,并根据种群信息熵自动调整迭代最优解的信息素更新强度;提出信息素扩散模型以增强蚂蚁间的协作能力;非均匀信息素初始化策略能减少算法运行前期的盲目性搜索,加速算法收敛。仿真实验表明所提算法收敛速度快,适应性好,优化性能强。（2）单种群自适应异构蚁群算法的路径规划。针对多种群蚁群算法结构复杂、优化速度慢及适应性不足等问题,提出一种结构简单的单种群自适应个体异构蚁群算法。为提高初始蚁群的质量,首次迭代时仅以启发信息来构建候选解;非首次迭代时每只蚂蚁使用各自的控制参数构建候选解,增强种群的多样性;信息交换与参数突变操作不仅能发挥最优蚂蚁的引导作用,而且有助于算法在更大的参数空间探索更优的算法参数;基于种群信息熵的自适应信息交换周期策略,提高了算法的适应能力。仿真结果验证了算法的适应性、有效性及优越性。（3）融合改进蚁群算法和几何优化的路径规划方法。提出改进蚁群算法和几何局部优化相混合的路径规划方法。改进蚁群算法主要包括信息素初始化策略,带惩罚机制的动态权重信息素更新策略。根据蚁群算法规划路径的几何特征与运动约束条件,设计了局部优化方法,对每次迭代得到的最优路径进行几何优化。同时将优化后的路径作为新路径也进行信息素更新与扩散,显着提升了规划效率。实验结果表明所提出的算法具收敛速度快、优化能力强与适应能力好等优点。（4）动态环境的路径规划方法。针对动态环境路径规划的需求与特点,提出两阶段动态路径规划方法。第一阶段依据全局环境信息,利用改进蚁群算法规划出全局最优路径,并作为第二阶段的参考路径。第二阶段为路径跟踪与局部再规划阶段。当机器人沿着所最优路径行走时,实时更新其视野内的局部地图,进行碰撞预测与避碰,协调控制策略完成路径跟踪与避障。仿真实验表明算法能有效避开环境中的动态障碍,获取无碰最优或次优路径,规划性能与规划效率优于蚁群算法再规划方法。最后对全文进行总结,对未来的一些研究内容进行了展望。
谢春思,桑雨,刘志赢[2]（2021）在《基于改进V-ACO算法的对陆巡航导弹航迹规划研究》文中提出针对采用传统蚁群算法的Voronoi图进行对陆巡航导弹航迹规划时易陷入局部最优解的问题,提出一种基于改进蚁群算法的对陆巡航导弹航迹规划方法。在基本蚁群算法的基础上,改进信息素更新方式,建立基于蚂蚁行进方向的矢量信息素更新模型,通过动态调整信息蒸发因子,引入局部信息素调节机制,提高航迹规划过程中算法的全局寻优性能。在Voronoi图规划空间上,以威胁代价、机动代价和航程代价的加权值为航迹代价函数,对比实验表明,航迹规划过程应用改进蚁群算法的全局寻优性能明显优于传统蚁群算法,对提高对陆巡航导弹航迹规划能力具有积极作用。
杨丽婷[3]（2021）在《基于虚拟仿真的焊接机器人无碰撞路径及轨迹优化研究》文中指出随着工业生产线智能化水平的提升,焊接机器人被广泛用以提高生产效率。在实际生产过程中,焊接机器人不仅需要完成数量众多的焊点焊接任务,且还需尽可能的提高生产效率、减少能量消耗、运行平稳。因此,本文以焊接机器人为研究对象,对过给定路径点的焊接机器人最优运动轨迹展开深入研究。首先对白车身侧围结构和焊接机器人路径规划影响对象进行了研究,分析了制造资源、点焊工艺及资源整体布局对焊接机器人运动规划的影响。基于数字化工厂软件Process Designer对白车身侧围焊接线进行了工艺规划,得到了初始焊点焊接顺序,并结合实际参数对焊接机器人进行运动学分析,根据D-H参数在MATLAB中建立了焊接机器人运动学模型,利用MATLAB Robotic Toolbox完成了正逆运动学求解,为焊接机器人轨迹优化提供了必要的理论支持。接着,以焊接机器人最短焊接路径为切入点,通过将焊接机器人路径规划问题划为TSP问题求解,引入蚁群算法,通过大量的仿真实验,获得了算法中寻优能力较好的各参数取值范围,同时针对蚁群算法存在的收敛速度慢、易陷入局部最优解等缺点,引入了信息素更新策略和动态随机扰动策略对算法进行改进,并对改进蚁群算法进行仿真验证,通过将仿真结果与基本蚁群算法、引入单个改进策略的蚁群算法的仿真结果进行对比分析,证明了改进蚁群算法的可行性和有效性,为后续焊接机器人轨迹优化提供了最短焊接路径。其次,在焊接机器人最短焊接路径的基础上,即基于给定路径点,对焊接机器人进行时间最优轨迹规划,利用B样条曲线的特点,选择了三次B样条插值法进行焊接机器人轨迹规划,仿真得到的焊接机器人各关节角度、角速度和角加速度曲线连续且光滑,在运动学约束条件下,利用改进遗传算法对轨迹插值时间进行优化,仿真结果得出焊接机器人最优运行时间为96.3s,优化效率达到了25%,并使用三次B样条插值法构造了最优时间下的焊接机器人各关节轨迹图,仿真图形显示了所有关节的运动轨迹稳定且连续,实现了焊接机器人时间最优轨迹规划。然后,建立焊接时间最短,能耗最少的多目标优化函数,采用NSGA-Ⅱ算法求解焊接机器人多目标优化轨迹,在算法中引入了罚函数项来处理焊接机器人运动学约束,将多目标函数模型转换为了无约束的多目标函数模型,并建立了算法所需的适应度函数,仿真得到了Pareto最优解集,根据焊接任务需求选择了其中一组优化解,通过与时间最优算法结果相比,多目标优化算法在减少焊接机器人运行时间的同时也减少了其能量消耗。最后,在Process Designer构建的焊接生产线的工艺规划基础上,利用数字化工厂仿真软件Process Simulate搭建了焊接机器人点焊白车身侧围工件的虚拟仿真实验平台,建立了制造资源的运动模型,定义了焊接机器人的焊接任务,对算法规划的最优轨迹进行仿真验证,针对仿真中出现的碰撞干涉问题提出了解决方案,最终得到了一条无碰撞焊接路径,通过分析该路径下焊接机器人各关节运动曲线以及轨迹优化前后的仿真时序图可知,优化算法规划焊接机器人运行轨迹对实际加工有指导意义,有利于进一步优化现场实际生产的效率。
孙梓倞[4]（2021）在《站场工程室外管网多专业交叉施工组织优化研究》文中指出目前,站场工程项目施工组织管理面临诸多问题,在有限的施工空间中,因施工管理混乱和管理手段落后造成多专业交叉施工资源浪费和工期延误,从而严重制约了此类项目施工的良性发展和项目效益提升,而多专业交叉施工可更新资源管理作为项目管理的核心,其管理的有效性和科学性直接关系到多专业交叉施工组织管理的成败。因此,本文从可更新资源配置角度出发,以研究工作面资源为主导影响因素,建立多专业交叉施工蚁群优化模型,并基于MATLAB平台开发了多专业交叉组织优化系统平台。本文主要工作如下:（1）为识别影响多专业交叉施工组织管理的主要因素,根据现场调研、查找文献以及站场工程的特点展开研究,结果表明工作面资源是制约施工组织管理的关键因素,是导致多专业交叉施工组织管理混乱、项目工期延误和成本增多的根本所在。（2）为解决多专业交叉施工组织管理的问题,根据设计图纸和现场施工条件,将站场工程施工时有限的施工工作面划分为若干个工作区。基于蚁群算法特性构建站场工程室外管网多专业交叉施工组织优化蚁群模型。为符合多专业交叉施工的顺序逻辑和工作面资源约束规则,定义了模型中工作面资源转移规则、基于交叉关键点数量计算的分配优先级权重计算方法。（3）利用所构建的模型对某站场工程施工案例进行多专业交叉施工组织管理智能优化。通过例证仿真结果与传统方法计算的结果对比显示,该模型具备多专业交叉施工组织管理“零冲突”优势,能有效优化工作面的工作安排顺序和缩短施工总工期、降低施工管理成本,解决了多专业交叉施工组织管理混乱和工期延误问题。并基于MATLAB平台实现了站场工程室外管网多专业交叉施工组织管理集成系统平台开发。（4）根据影响工作面资源配置的专业间交叉关键点数量计算专业间的交叉关联程度,结合各专业的施工特点和施工要求,基于合同管理理论制作符合项目的合同表,将合同表经多方确认编入项目合同文件,使其产生法律效力。通过优化发承包模式减少合同数量和分包单位数量,减少各专业管理的风险。通过制作合同表可以针对施工变更和专业间的融合进行动态管理,预防后期的经济纠纷。合同措施优化不仅可以单独使用优化施工组织管理,还可以对优化模型的计算结果做出进一步应对的措施,促进专业工序间的融合,两者共用会大大提升多专业施工组织管理的水平。通过本文研究构建的站场工程室外管网多专业交叉施工组织优化模型及智能优化系统平台,结合合同优化管理措施,可以有效服务于工程实践。
李孟锡,何博侠,周俣[5]（2021）在《基于A*和蚁群算法的移动机器人多目标路径规划方法》文中进行了进一步梳理针对二维栅格地图下,移动机器人以最短路径遍历所有目标点的路径规划问题,提出一种基于启发信息扩展节点的A*算法与混合蚁群算法相结合的路径规划方法。通过基于启发信息的节点扩展函数,解决A*算法扩展节点时,会造成无用计算的问题,提升规划效率。为改善蚁群算法易陷入局部最优解的缺点,提出一种混合蚁群算法,将粒子群算法思想融入蚁群算法加以优化,通过自适应方法调整蚁群算法信息素挥发因子,与最优解交叉变异,增强全局搜索能力。仿真实验表明:基于启发信息扩展节点的A*算法相较于A*算法,搜索节点减少13.18%;混合蚁群算法求解的最优路径和平均路径均好于蚁群算法,并且在迭代过程中,不易陷入局部最优解。现实环境下,采用仿真参数进行实验,实验的结果也证明了该方法的有效性。
Bolatov Nurbol（杰克）[6]（2021）在《移动机器人的路径规划与跟踪方法研究》文中指出机器人学是一个涵盖范围非常广的领域,移动机器人学被认为是其中的一个重要分支,是国际信息学科研究的热点问题。移动机器人物理位置不固定,其具有在其环境中移动的能力,可以是自主的,也可以依靠引导装置在相对受控的空间中导航。路径规划技术是智能化移动机器人领域的重要研究方向。随着科技的不断进步与发展,单方向移动机器人难以完成复杂的工作,而多方向移动机器人在工作效率上具有很强大的优势。因此成为广大学者研究的热点。移动机器人要完成特定的任务,需要从起始地点沿着规划好的轨迹移动到目标地点,涉及到对路径的跟踪。首先,移动机器人的工作环境复杂多样,为了能够使移动机器人在多种环境下工作,路径规划不可或缺;其次,由于不同的环境对移动机器人的要求不同,比如有的环境下要求机器人安全性第一,对速度要求不高,有的场合则对速度要求高,稳定性次之,因此如何在复杂多变的环境中以尽量小的偏差跟踪己经规划好的路径,并且能够躲避静态、动态的障碍,成为移动机器人研究的重要课题。本论文主要研究面向环境的机器人自主规划方法,建立机器人认知与规划系统,提升机器人的任务认知和规划能力,研究机器人动态轨迹规划和导航方法,提升机器人导航的安全性和效率。本文开展的工作为移动机器人最优轨路径的研究,其主要组织结构如下:（1）介绍了对路径规划问题研究的背景及意义,剖析了当前移动机器人在国内及国际上的研究现状,并且对移动机器人下一步的发展方向做出了合理有效的分析。（2）对移动机器人路径规划进行概述。详尽的介绍了目前应用于路径规划上的算法、路径规划分类方法,对路径规划发展趋势作了合理的分析。（3）为势场蚁群算法在移动机器人路径规划上的应用。首先对基本蚁群算法进行概述,从蚁群算法基本原理到环境建模、目标函数建立、路径搜索机制。分析了蚁群相关参数对算法性能的影响并选择出合理的蚁群参数。（4）从路径的局部重新规划、机器人建模、以及MPC跟踪器的设置等方面设计机器人路径跟踪方法。（5）对前文所探索的方向进行概括,对以后进行的研究方向进行选择。
陈艳君[7]（2021）在《地下商场火灾事故应急救援方案模拟与优化研究》文中提出地下商场是经济发展的产物,是提高土地资源使用率的表现。但是由于其建筑结构复杂、人员密集、出入口少等因素,地下商场的火灾隐患较大。目前对地下商场的研究,大部分主要集中在如何寻找疏散路径,在救援方案研究方面,更多的是考虑如何将应急救援资源快速运输至事故现场,对事故现场人员的救援研究甚少。因此,本文主要是研究地下商场在紧急事故突发状态下对救援方案的路径优化,对人员救援具有指导性意义。本文的主要工作如下:（1）研究地下商场的安全出口位置、商铺门位置对救援效率的影响,将人员属性加入救援模拟中,通过对比分析得出:安全出口之间的疏散门至最近安全出口的最佳的直线距离在20m～30m。商铺门位置并不是在中间是最佳位置,而是尽量设置在离安全出口近的位置,为地下商场的建筑结构布局提供参考依据。（2）首次将障碍物按移动状态进行分类为:火源以及蔓延区域障碍物、固定障碍物和随机障碍物。通过对理论公式的研究得到火焰蔓延的速度以及行人距离火焰蔓延区域的安全距离,为火灾环境参数提供一定的依据。（3）通过了解适合路径优化的各类算法,并根据救援的过程以及各算法的优缺点,最终选择的基础路径算法是蚁群算法。针对救援中多个救援点和多个出入口之间的选择问题,增加出口选择规则,对蚁群算法的基本参数进行修改,得到一种适合救援路径规划的组合算法,与pathfinder使用软件自带的算法进行比较分析得出:应用优化后的蚁群算法,救援时间降低,救援路径缩短3%,对提高救援效率减少伤亡具有重要意义。（4）将受火灾影响产生的高温危险区域以及在火灾中产生的随机障碍物设置在救援模型中,通过matlab将优化后的算法和改进的救援指示装置结合,进行救援仿真实验模拟,实验结果不仅随着随机障碍物的变化,智能化的生成最优救援路径,为救援路径提供参考路线,而且比传统的蚁群算法更加收敛,计算出的救援路径更加平滑,距离有效缩短4.17%。
李深昊[8]（2021）在《SDN中基于流量分类的路由优化技术研究与实现》文中指出随着互联网技术的快速发展,大量新型网络应用和服务也开始出现,各类新型网络应用对网络传输过程中的时延、丢包率和带宽等指标提出了差异化的需求,如何保障不同业务类型的网络应用的网络服务质量（Quality of Service,QoS）已经成为当下亟需解决的问题。传统网络架构存在全局视图有限和对业务流的控制能力不足等问题,只能提供尽力而为的服务,无法满足不同业务类型的网络应用的QoS需求。软件定义网络（Software Defined Network,SDN）的出现为上述问题提供了新的思路,SDN的控制层面可以实时获取全局网络视图并具有全局的控制能力,能够实现灵活的QoS保障机制。本文提出了 SDN环境中基于流量分类的路由优化技术方案,该方案能对进入网络的数据流的业务类型进行识别和分类,并根据数据流的业务类型所对应的QoS需求进行路由优化调度,以此来为不同业务类型的网络应用提供QoS保障。本文的主要研究内容有以下三点:第一,提出了基于XGBoost算法的网络流量识别分类模型DB-XGBoost,该模型使用ReliefF算法筛选并优化了数据流的特征集合,并采用本文提出的改进Smote算法对数据集进行了平衡化预处理,有效减少了分类模型在类别分布不平衡的数据集上的失衡效应。实验结果表明,本文的DB-XGBoost模型能对网络数据流的业务类型进行准确的识别分类,且其分类性能优于传统的基于机器学习的分类算法。第二,提出了基于改进蚁群算法的QoS路由优化算法,针对蚁群算法存在的缺陷,本文算法做了如下改进:（1）改进了信息素初始化过程,加强了算法前期的寻优能力;（2）使用动态变化的概率因子来实时调整蚂蚁的寻路策略,并提出了包含网络链路状态参数的路径启发函数,使算法能更快求解出QoS路由;（3）提出了基于精英策略的信息素更新规则,同时提出了能动态调整挥发速率的信息素挥发策略。实验结果表明,本文对算法的改进措施有效地加快了算法的收敛速度,并提升了算法的全局寻优能力。第三,基于本文提出的网络流量识别分类模型以及QoS路由优化算法,设计了 SDN中基于流量分类的路由优化系统,并在系统层面实现了链路状态采集、流量特征提取、流量类型识别分类和QoS路由优化调度等功能。本文通过在Mininet平台上进行仿真测试来验证系统的功能,实验结果表明本文的系统能够对进入网络的数据流的业务类型进行准确地识别分类,并能通过QoS路由优化机制来满足不同业务类型的数据流的差异化QoS需求,相比传统调度机制能有效减少网络拥塞并提升网络服务质量。
邹钦迟[9]（2021）在《新零售环境下的快递网络设计》文中研究说明随着新零售理论层面的探讨逐渐增多,许多企业开始向着新零售模式转型,物流作为新零售概念下很重要的组成部分,如何转型,如何设计符合新零售理念,为新零售服务的快递网络成为一个重要问题。本文结合新零售对物流提出的新需求,研究如何将快递网络作为新零售系统中的一个子系统去设计,研究的内容主要有以下两个方面:第一,在基础轴辐式快递网络模型的基础上,提出了更符合“新零售”的快递网络设计策略。考虑到“新零售”对于效率的需求,将非枢纽与非枢纽之间不能直接相连的限制彻底放开,即两个快递点之间运输既可以选择经过枢纽间接完成运输,以此获得规模经济效应,又可以点与点直接运输,以此来提高效率。将运输方式由原模型的单一化运输方式改变为多式联运,以更好的适应“新零售”个性化需求。并且在该模型的基础上提出了一种基于最大最小值蚁群算法的快递网络优化算法;第二,从理论上建立了一个以顾客为中心、“需求逆向拉动”的快递网络,该快递网络由物流点内生决定,不再是顶层设计产生。考虑到每个物流点初始条件一致,且需提供不同种类的物流服务,对于每一种物流服务,物流点可以选择自我生产,也可以选择购买其它物流点的生产的物流服务,但是购买时会产生交易成本。物流点专注于生产的物流服务越少,生产的专业化水平也就越高,但是这也意味着需要向其它物流点购买的物流服务越多,产生的交易成本也就越高,于是就形成了两难冲突。本文中,随着物流服务平均交易效率的提升,三种产品,六种物流服务将会演化出一个立体全面,结构多样的快递网络,相同类型的物流服务会逐渐完成分工,不同类型的物流服务在完成分工的基础上完成分层。
卜冠南[10]（2021）在《自适应分组蚁群算法研究及其在配电网网架规划中的应用》文中进行了进一步梳理蚁群算法是一种用于解决组合最优化问题的高效元启发式搜索技术,具有较强的鲁棒性、优良的分布式计算机制,目前已经在许多优化问题中得到了成功应用。基本蚁群算法在求解优化问题的过程中有易陷入局部最优解进入停滞状态,同时伴随着收敛速度慢等问题,而将算法中的蚂蚁分组可以增强算法的全局搜索能力,且可以加快算法的收敛速度。现有的分组策略主要采用固定组数的分组模式,或是将蚂蚁分组为各自分工不同的种群,这些分组模式一定程度上提高了蚁群算法的求解性能,但是并没有充分利用蚁群分组策略中的全局搜索能力和局部搜索能力,仍有研究改进的空间。配电网网架规划是配电网规划的重要组成部分,能够给社会带来巨大的经济效益和社会效益。传统的数学优化方法求解配电网网架规划问题耗时长,效率低。因此,本文主要对蚁群算法研究与改进,并将改进后的蚁群算法应用于求解配电网网架规划问题,本文完成的主要工作和取得的研究结果如下:（1）分析现有的改进蚁群算法“并行蚁群系统”,着重分析并行蚁群系统分组策略中参数选择,以及创新地研究因分组策略新定义的四个参数对算法求解性能的影响,通过正交试验设计法设计试验方案,以最优值误差弗里德曼检验的秩得分为评价指标,得到了一种并行蚁群系统分组策略的最优参数组合,为并行蚁群系统的改进以及在其它领域中的应用打下基础。（2）提出了一种自适应分组蚁群算法,该算法是在并行蚁群系统的基础上改进,根据并行蚁群系统分组策略中分组数的分析,提出了一种自适应分组的策略,在算法前期分组数多,使得算法全局搜索更强健,扩大了可行解的范围,算法后期分组数少,使得算法局部搜索更有效,提高了蚁群算法的收敛速度以及求解性能。（3）根据配电网网架结构特点,使用生成树策略,将配电网网架规划问题的解方案构造为树型结构,再将文中提出的自适应分组蚁群算法应用到配电网网架规划中,仿真结果表明本文提出的改进算法能够有效解决配电网网架规划问题,不仅产生更优的规划方案,而且寻优速度更快收敛性能更好。
二、动态调整信息素的蚁群算法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、动态调整信息素的蚁群算法（论文提纲范文）
（1）基于蚁群算法的移动机器人路径规划研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 移动机器人路径规划研究现状 |
| 1.2.1 全局路径规划研究 |
| 1.2.2 局部路径规划研究 |
| 1.3 蚁群算法的现状 |
| 1.3.1 蚁群算法的研究现状 |
| 1.3.2 蚁群算法的发展 |
| 1.4 蚁群算法在路径规划应用现状 |
| 1.4.1 单蚁群算法的应用 |
| 1.4.2 多蚁群算法的应用 |
| 1.4.3 融合蚁群算法的应用 |
| 1.5 本文研究内容及组织结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 组织结构 |
| 第2章 移动机器人路径规划方法 |
| 2.1 引言 |
| 2.2 路径规划问题描述 |
| 2.3 路径规划算法的评价 |
| 2.4 静态环境下路径规划的实现与问题 |
| 2.5 动态环境下路径规划的实现与问题 |
| 2.6 本章小结 |
| 第3章 静态环境下移动机器人路径规划算法研究 |
| 3.1 引言 |
| 3.2 蚁群算法存在的不足及原因 |
| 3.3 自适应改进蚁群系统 |
| 3.3.1 二维栅格环境的建立 |
| 3.3.2 蚁群系统 |
| 3.3.3 自适应改进蚁群系统算法设计 |
| 3.3.4 仿真实验结果与分析 |
| 3.4 基于单种群的异构自适应蚁群算法 |
| 3.4.1 相关研究工作 |
| 3.4.2 最大最小蚂蚁系统 |
| 3.4.3 自适应异构蚁群算法设计 |
| 3.4.4 单种群异构自适应蚁群算法的移动机器人路径规划 |
| 3.4.5 AHACO算法复杂度分析 |
| 3.4.6 AHACO算法收敛性分析 |
| 3.4.7 仿真实验与分析 |
| 3.5 本章小结 |
| 第4章 融合改进蚁群算法与几何优化的路径规划方法 |
| 4.1 引言 |
| 4.2 改进蚁群算法设计 |
| 4.2.1 信息素初始化方法 |
| 4.2.2 信息素更新规则 |
| 4.3 基于路径几何特征的局部优化算法 |
| 4.3.1 蚁群算法规划路径的几何特征 |
| 4.3.2 基于路径几何特征的局部优化算法 |
| 4.4 融合改进蚁群算法与几何优化的路径规划方法 |
| 4.5 仿真实验与分析 |
| 4.6 本章小结 |
| 第5章 动态环境下移动机器人路径规划研究 |
| 5.1 引言 |
| 5.2 人工势场法 |
| 5.2.1 经典人工势场法 |
| 5.2.2 改进人工势场法 |
| 5.3 子目标点的选择 |
| 5.4 动态窗口动态障碍物避碰策略设计 |
| 5.5 两阶段动态路径规划方法 |
| 5.6 仿真实验及分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（2）基于改进V-ACO算法的对陆巡航导弹航迹规划研究（论文提纲范文）
| 1 引言 |
| 2 航迹规划问题建模 |
| 2.1 规划空间建模 |
| 2.2 航迹代价计算 |
| 2.3 航迹规划约束条件 |
| 3 基本蚁群算法 |
| 3.1 蚁群算法原理 |
| 3.2 蚁群算法特点 |
| 4 改进蚁群算法 |
| 4.1 状态转移规则 |
| 4.2 信息素更新方式 |
| 4.3 动态调节信息蒸发因子 |
| 4.4 局部信息素调节机制 |
| 4.5 算法流程 |
| 5 仿真实验 |
| 5.1 仿真参数设置 |
| 5.2 仿真结果与分析 |
| 6 结论 |
（3）基于虚拟仿真的焊接机器人无碰撞路径及轨迹优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 焊接机器人路径规划研究现状 |
| 1.2.2 焊接机器人轨迹规划研究现状 |
| 1.3 论文的主要研究内容 |
| 第二章 焊接机器人运动规划影响因素分析 |
| 2.1 白车身侧围结构 |
| 2.2 焊接机器人路径规划对象研究 |
| 2.2.1 制造资源的分析 |
| 2.2.2 点焊工艺分析 |
| 2.2.3 焊点的分析与规划 |
| 2.3 基于Process Designer的白车身侧围焊接线的工艺规划 |
| 2.3.1 Process Designer概述 |
| 2.3.2 制造特征信息建模 |
| 2.3.3 工艺信息建模 |
| 2.3.4 三维资源布局 |
| 2.4 焊接机器人运动学分析 |
| 2.4.1 DH参数建模 |
| 2.4.2 焊接机器人正运动学 |
| 2.4.3 焊接机器人逆运动学 |
| 2.5 基于MATLAB的焊接机器人运动学建模验证 |
| 2.6 本章小结 |
| 第三章 基于改进蚁群算法的焊接机器人路径规划 |
| 3.1 路径规划问题描述 |
| 3.1.1 焊接路径分析 |
| 3.1.2 避障焊接路径策略 |
| 3.1.3 数学模型 |
| 3.2 蚁群算法概述 |
| 3.3 蚁群算法参数分析实验与选择 |
| 3.3.1 蚂蚁数量设计 |
| 3.3.2 信息素挥发系数的设计 |
| 3.3.3 期望启发因子设计 |
| 3.3.4 信息素启发因子的设计 |
| 3.4 蚁群优化算法的改进策略 |
| 3.4.1 信息素更新策略 |
| 3.4.2 动态随机扰动策略 |
| 3.5 改进蚁群算法的优化流程 |
| 3.6 基于改进蚁群算法的机器人焊接路径规划仿真 |
| 3.7 本章小结 |
| 第四章 基于给定路径点的焊接机器人时间最优轨迹规划 |
| 4.1 时间优化函数 |
| 4.2 三次B样条曲线的机器人关节空间轨迹规划 |
| 4.2.1 三次B样条模型 |
| 4.2.2 反算控制点 |
| 4.2.3 关节参数计算 |
| 4.2.4 三次B样条轨迹规划仿真 |
| 4.3 基于改进遗传算法的最优时间轨迹优化 |
| 4.3.1 遗传算法原理概述 |
| 4.3.2 遗传算法的改进策略 |
| 4.3.3 改进算法的轨迹全局寻优过程 |
| 4.3.4 基于改进遗传算法的时间最优轨迹仿真 |
| 4.4 小结 |
| 第五章 基于NSGA-Ⅱ算法的多目标轨迹优化 |
| 5.1 NSGA-Ⅱ算法原理 |
| 5.2 多目标轨迹优化模型 |
| 5.2.1 焊接机器人多目标优化函数 |
| 5.2.2 多目标函数的约束处理 |
| 5.2.3 NSGA-Ⅱ算法的参数设置 |
| 5.3 仿真结果与分析 |
| 5.4 多目标优化结果与时间最优结果对比分析 |
| 5.5 本章小结 |
| 第六章 基于Process Simulate的焊接机器人轨迹仿真验证 |
| 6.1 Process Simulate焊接仿真结构 |
| 6.2 运动模型的建立 |
| 6.2.1 焊枪运动模型的建立 |
| 6.2.2 夹具运动模型的建立 |
| 6.3 机器人焊接过程仿真结果分析 |
| 6.3.1 焊接机器人碰撞分析 |
| 6.3.2 焊接机器人运动分析 |
| 6.3.3 焊接工位的仿真时间分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（4）站场工程室外管网多专业交叉施工组织优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 RCPSP问题研究现状 |
| 1.2.2 合同管理研究现状 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 技术路线 |
| 1.5 论文重点和难点 |
| 2 站场工程项目施工组织特征分析 |
| 2.1 站场工程项目特征 |
| 2.1.1 站场工程特征 |
| 2.1.2 站场工程项目特点 |
| 2.1.3 站场工程项目资源特点 |
| 2.2 站场工程室外管网多专业交叉施工组织存在的主要问题 |
| 2.2.1 多专业交叉施工组织管理体系不健全 |
| 2.2.2 多专业交叉施工组织管理体系不科学 |
| 2.2.3 多专业交叉施工组织管理模式粗放 |
| 2.2.4 项目工期延误率高 |
| 2.3 站场工程室外管网多专业交叉施工组织优化流程 |
| 2.3.1 站场工程室外管网多专业交叉施工组织优化的依据 |
| 2.3.2 站场工程室外管网多专业交叉施工组织优化原则 |
| 2.3.3 施工组织优化辅助方法 |
| 2.4 多专业交叉施工组织优化思路 |
| 2.5 本章小结 |
| 3 多专业交叉施工组织优化建模与求解 |
| 3.1 蚁群算法思想的借鉴与应用 |
| 3.1.1 蚁群算法对多专业交叉施工组织优化模型构建启发 |
| 3.1.2 蚁群算法在多专业交叉施工组织优化应用的关键步骤 |
| 3.1.3 蚁群算法应用于多专业交叉施工组织优化的先进性分析 |
| 3.1.4 蚁群寻优系统与多专业交叉施工优化相似性分析 |
| 3.2 施工组织优化蚁群模型构建 |
| 3.2.1 多专业交叉施工组织优化蚁群算法模型约束 |
| 3.2.2 施工资源配置蚁群模型优化流程 |
| 3.2.3 施工逻辑思路 |
| 3.2.4 基于多专业交叉施工优先级权重计算 |
| 3.2.5 施工优化蚁群模型可行解构造 |
| 3.3 基于MATLAB平台的施工组织优化蚁群模型求解 |
| 3.3.1 施工组织优化蚁群模型求解思路 |
| 3.3.2 搜索逻辑实现 |
| 3.4 本章小结 |
| 4 多专业交叉施工组织优化模型验算及智能优化系统平台设计 |
| 4.1 项目概况 |
| 4.2 利用传统流水施工方法计算 |
| 4.2.1 统计专业工程量和工期 |
| 4.2.2 计算施工工期和相关费用 |
| 4.3 多专业交叉施工组织优化模型计算 |
| 4.3.1 求解步骤与建立相关矩阵 |
| 4.3.2 工作区优先级权重计算 |
| 4.3.3 案例数值仿真求解 |
| 4.3.4 施工工期优化有效性分析 |
| 4.3.5 施工经济优化有效性分析 |
| 4.4 施工组织智能优化配置系统设计 |
| 4.4.1 智能优化系统基础框架设计 |
| 4.4.2 项目资源智能优化配置系统功能设计 |
| 4.4.3 智能优化系统案例应用展示 |
| 4.5 本章小结 |
| 5 施工合同措施研究 |
| 5.1 计算交叉关联程度 |
| 5.1.1 解决思路 |
| 5.1.2 计算交叉关联程度 |
| 5.2 优化发承包模式 |
| 5.3 合同措施研究 |
| 5.3.1 施工工作面的运输通道配合合同表 |
| 5.3.2 施工变更合同表 |
| 5.3.3 通信、信号及电力专业的配合施工合同表 |
| 5.3.4 消防及给水专业的配合施工合同表 |
| 5.3.5 汇编入项目合同文件 |
| 5.3.6 合同管理流程 |
| 5.4 项目施工组织管理的建议 |
| 5.4.1 构建有效直接的的多专业综合评价决策依据 |
| 5.4.2 施工组织管理系统建设 |
| 5.5 项目管理组织体系的建议 |
| 5.5.1 建立完善制度体系 |
| 5.5.2 施工前的准备工作 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 研究成果 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间主要成果 |
（5）基于A*和蚁群算法的移动机器人多目标路径规划方法（论文提纲范文）
| 0 引言 |
| 1 最短路径规划 |
| 1.1 基本A*算法 |
| 1.2 基于启发信息扩展节点的A*算法 |
| 2 全局路径规划 |
| 2.1 基本蚁群算法 |
| 2.2 混合蚁群算法 |
| 2.2.1 自适应调整信息素挥发因子 |
| 2.2.2 融入粒子群算法思想 |
| 2.2.3 自适应交叉变异策略 |
| 2.3 混合蚁群算法流程 |
| 3 算法仿真 |
| 3.1 基于启发信息扩展节点的A*算法仿真 |
| 3.2 混合蚁群算法仿真 |
| 4 实验 |
| 5 结束语 |
（6）移动机器人的路径规划与跟踪方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容和章节安排 |
| 第二章 移动机器人路径规划概况 |
| 2.1 移动机器人导航技术 |
| 2.2 路径规划问题简述 |
| 2.3 路径规划方法分类、算法 |
| 2.3.1 传统路径规划算法 |
| 2.3.2 智能路径规划算法 |
| 2.4 本章小节 |
| 第三章 基于势场蚁群算法的移动机器人路径规划 |
| 3.1 蚁群算法 |
| 3.1.1 蚁群算法基本概念 |
| 3.1.2 基于栅格法的环境建模 |
| 3.1.3 目标函数的建立 |
| 3.1.4 路径搜索机制 |
| 3.2 势场蚁群算法的路径实现 |
| 3.2.1 设计原理 |
| 3.2.2 势场蚁群算法路径规划实现步骤 |
| 3.3 基于势场蚁群算法路径规划仿真 |
| 3.4 本章小节 |
| 第四章 移动机器人路径跟踪方法 |
| 4.1 路径重规划 |
| 4.2 机器人建模 |
| 4.3 基于MPC的路径跟踪控制器设计 |
| 4.3.1 MPC控制原理 |
| 4.3.2 移动机器人线性化和离散化 |
| 4.3.3 速度自适应调节 |
| 4.3.4 约束条件设置 |
| 4.3.5 最优化求解 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 不包含速度自适应的路径跟踪仿真 |
| 4.4.2 速度自适应路径跟踪仿真 |
| 4.5 本章小节 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（7）地下商场火灾事故应急救援方案模拟与优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 火灾救援国内外研究现状 |
| 1.2.2 救援路径的国内外研究现状 |
| 1.2.3 现阶段存在问题 |
| 1.3 主要研究内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 2 基本理论 |
| 2.1 救援基础理论 |
| 2.1.1 安全指示标志 |
| 2.1.2 寻找被困人员的方法 |
| 2.1.3 救援方法 |
| 2.1.4 救援距离 |
| 2.1.5 安全出口 |
| 2.1.6 商场中的障碍物类型 |
| 2.2 最优路径理论 |
| 2.2.1 路径算法的特点 |
| 2.2.2 蚁群算法的原理 |
| 2.3 火灾模拟仿真理论 |
| 2.3.1 通用火灾模拟软件 |
| 2.3.2 火灾救援软件的确定 |
| 2.3.3 软件的模拟原理 |
| 2.4 本章小结 |
| 3 地下商场救援效率影响因素分析 |
| 3.1 地下商场被困人员属性 |
| 3.1.1 人员疏散模拟参数确定 |
| 3.1.2 建立疏散模型 |
| 3.1.3 模拟结果与分析 |
| 3.2 救援模型速度参数的确定 |
| 3.2.1 救援速度的定义 |
| 3.2.2 救援速度与待救人员状态的关系 |
| 3.2.3 消防员救援速度的取值 |
| 3.3 地下商场出口位置分布对救援的影响分析 |
| 3.3.1 救援模型描述 |
| 3.3.2 模拟结果及分析 |
| 3.3.3 单个房间出口位置的模拟分析 |
| 3.4 本章小结 |
| 4 火灾应急救援方案优化研究 |
| 4.1 消防救援指示灯的形式及优化指示装置 |
| 4.1.1 消防救援疏散指示灯的形式 |
| 4.1.2 目前指示灯的不足 |
| 4.1.3 优化指示装置 |
| 4.2 优化蚁群算法 |
| 4.2.1 优化蚁群算法思路 |
| 4.2.2 优化蚁群算法的实现流程 |
| 4.3 实验环境规则研究 |
| 4.3.1 基础假设与约束 |
| 4.3.2 障碍物填充计算规则 |
| 4.3.3 消防员移动规则 |
| 4.3.4 火源及随机障碍物的扩散规律 |
| 4.4 本章小结 |
| 5 案例分析 |
| 5.1 案例介绍 |
| 5.1.1 工程概况 |
| 5.1.2 实验环境简化设置 |
| 5.2 建立救援实验模型 |
| 5.2.1 出入口位置设置 |
| 5.2.2 起火点位置设置 |
| 5.2.3 设置待救人员位置 |
| 5.2.4 建立实验环境模型 |
| 5.3 仿真实验与分析 |
| 5.3.1 静态环境下的救援仿真模拟分析 |
| 5.3.2 动态环境下的救援仿真模拟分析 |
| 5.4 本章小结 |
| 6 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士研究生期间参加科研情况 |
| 致谢 |
| 附录一 部分程序 |
（8）SDN中基于流量分类的路由优化技术研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 流量识别分类技术研究现状 |
| 1.2.2 网络路由优化技术研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术介绍 |
| 2.1 SDN相关技术 |
| 2.1.1 SDN网络架构 |
| 2.1.2 OpenFlow协议 |
| 2.2 网络流量识别分类技术 |
| 2.2.1 基于端口号映射的流量识别分类技术 |
| 2.2.2 基于DPI的流量识别分类技术 |
| 2.2.3 基于通信行为的流量识别分类技术 |
| 2.2.4 基于机器学习的流量识别分类技术 |
| 2.3 QoS概述 |
| 2.3.1 QoS服务模型 |
| 2.3.2 QoS关键技术 |
| 2.4 本章小结 |
| 第三章 基于XGBoost的网络流量识别分类方案 |
| 3.1 特征工程 |
| 3.2 网络流量识别分类方法设计 |
| 3.2.1 XGBoost算法原理及缺陷 |
| 3.2.2 基于改进Smote算法的数据平衡化算法 |
| 3.2.3 DB-XGBoost网络流量识别分类框架 |
| 3.3 实验结果及分析 |
| 3.3.1 数据集和评价指标 |
| 3.3.2 实验设置 |
| 3.3.3 结果及分析 |
| 3.4 本章小结 |
| 第四章 基于改进蚁群算法的QoS路由算法 |
| 4.1 多约束的QoS路由模型 |
| 4.2 蚁群算法的基本思想 |
| 4.3 基于改进蚁群算法的QoS路由算法 |
| 4.3.1 蚁群算法存在的问题 |
| 4.3.2 对蚁群算法的改进 |
| 4.3.3 基于改进蚁群算法的QoS路由算法框架 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第五章 SDN中基于流量分类的路由优化系统设计与实现 |
| 5.1 系统架构设计 |
| 5.2 系统工作流程 |
| 5.3 系统模块设计与实现 |
| 5.3.1 链路状态采集模块 |
| 5.3.2 流量特征提取模块 |
| 5.3.3 流量识别分类模块 |
| 5.3.4 QoS路由调度模块 |
| 5.3.5 QoS参数数据库 |
| 5.4 本章小结 |
| 第六章 系统仿真测试 |
| 6.1 仿真环境 |
| 6.2 系统功能测试 |
| 6.2.1 链路状态采集功能测试 |
| 6.2.2 流量识别分类功能测试 |
| 6.2.3 系统路由优化调度功能测试 |
| 6.3 本章小结 |
| 第七章 工作总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
（9）新零售环境下的快递网络设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 新零售研究现状 |
| 1.2.2 新零售下的物流研究现状 |
| 1.2.3 快递网络研究现状 |
| 1.2.4 现有研究不足 |
| 1.3 研究内容与论文框架 |
| 第二章 相关理论和概念介绍 |
| 2.1 快递网络相关概念 |
| 2.1.1 快递网络的组成 |
| 2.1.2 快递网络的空间组织方式 |
| 2.1.3 快递网络的分层组织 |
| 2.1.4 轴辐式网络的特点和分类 |
| 2.2 经济学相关概念介绍 |
| 2.2.1 经济学的分析框架与效用函数介绍 |
| 2.2.2 新兴古典经济学中的专业化经济与分工经济介绍 |
| 2.2.3 绝对优势和外生比较优势介绍 |
| 第三章 新零售环境下基于多式联运的混合型轴辐式快递网络研究 |
| 3.1 引言 |
| 3.2 模型介绍 |
| 3.2.1 问题描述 |
| 3.2.2 模型假设 |
| 3.2.3 模型展示 |
| 3.3 模型对比 |
| 3.4 算法设计 |
| 3.4.1 蚁群算法介绍 |
| 3.4.2 算法选择 |
| 3.4.3 算法设计思路 |
| 3.5 算例分析 |
| 3.5.1 6个网点主干网络算例分析 |
| 3.5.2 蚁群算法参数的灵敏度分析 |
| 3.5.3 最大最小值蚁群算法与传统蚁群算法对比 |
| 3.5.4 10个网点主干网络算例分析 |
| 3.6 本章小节 |
| 第四章 新零售下基于新兴古典经济学的分权化快递网络研究 |
| 4.1 引言 |
| 4.2 模型介绍和假设说明 |
| 4.2.1 建模思想 |
| 4.2.2 模型效用函数说明 |
| 4.2.3 模型生产函数说明 |
| 4.2.4 模型基本假设与模型构建 |
| 4.3 物流网点模式选择与社会组织结构 |
| 4.3.1 物流网点选择模式分析 |
| 4.3.2 社会组织结构分析 |
| 4.4 角点均衡求解 |
| 4.4.1 3cB结构角点均衡求解 |
| 4.4.2 19种结构求解汇总 |
| 4.5 一般均衡 |
| 4.6 本章小节 |
| 第五章 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（10）自适应分组蚁群算法研究及其在配电网网架规划中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 蚁群算法研究现状 |
| 1.2.2 配电网网架规划研究现状 |
| 1.2.3 配电网网架规划的方法与求解算法 |
| 1.3 本文的工作和章节安排 |
| 第二章 基本蚁群优化算法 |
| 2.1 引言 |
| 2.2 蚁群优化算法的基本原理 |
| 2.2.1 蚁群优化算法的数学模型 |
| 2.2.2 蚁群优化算法的具体步骤 |
| 2.3 蚁群算法的改进算法 |
| 2.3.1 蚁群系统 |
| 2.3.2 并行蚁群系统 |
| 2.3.3 动态分组蚁群算法 |
| 2.4 本章小结 |
| 第三章 PACS分组策略最优参数组合研究 |
| 3.1 引言 |
| 3.2 PACS算法的数学模型 |
| 3.3 PACS算法的具体步骤 |
| 3.4 PACS分组策略的参数分析 |
| 3.5 PACS分组策略最优参数组合的选择 |
| 3.5.1 实验环境设置及评价指标 |
| 3.5.2 正交试验法选择PACS分组策略的最优参数组合 |
| 3.6 本章小结 |
| 第四章 一种自适应分组的蚁群算法 |
| 4.1 引言 |
| 4.2 并行蚁群系统分组策略中分组数的分析 |
| 4.3 一种自适应分组的蚁群算法 |
| 4.3.1 自适应分析方法 |
| 4.3.2 组间信息素融合规则 |
| 4.3.3 自适应分组蚁群算法步骤描述 |
| 4.3.4 自适应分组蚁群算法时间复杂度分析 |
| 4.4 实验仿真与结果分析 |
| 4.5 本章小结 |
| 第五章 自适应分组蚁群算法的配电网架规划 |
| 5.1 引言 |
| 5.2 配电网网架规划的数学模型 |
| 5.3 自适应分组蚁群算法的配电网网架规划 |
| 5.3.1 生成树策略配电网架方案构造 |
| 5.3.2 自适应分组蚁群算法的配电网架规划步骤 |
| 5.4 算例分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
四、动态调整信息素的蚁群算法（论文参考文献）
- [1]基于蚁群算法的移动机器人路径规划研究[D]. 张松灿. 河南科技大学, 2021(02)
- [2]基于改进V-ACO算法的对陆巡航导弹航迹规划研究[J]. 谢春思,桑雨,刘志赢. 战术导弹技术, 2021(05)
- [3]基于虚拟仿真的焊接机器人无碰撞路径及轨迹优化研究[D]. 杨丽婷. 华东交通大学, 2021(01)
- [4]站场工程室外管网多专业交叉施工组织优化研究[D]. 孙梓倞. 西安理工大学, 2021(01)
- [5]基于A*和蚁群算法的移动机器人多目标路径规划方法[J]. 李孟锡,何博侠,周俣. 机械与电子, 2021(06)
- [6]移动机器人的路径规划与跟踪方法研究[D]. Bolatov Nurbol（杰克）. 西安石油大学, 2021(09)
- [7]地下商场火灾事故应急救援方案模拟与优化研究[D]. 陈艳君. 西安建筑科技大学, 2021(01)
- [8]SDN中基于流量分类的路由优化技术研究与实现[D]. 李深昊. 北京邮电大学, 2021(01)
- [9]新零售环境下的快递网络设计[D]. 邹钦迟. 北京邮电大学, 2021(01)
- [10]自适应分组蚁群算法研究及其在配电网网架规划中的应用[D]. 卜冠南. 福建工程学院, 2021(02)