|
隨機(jī)優(yōu)化技術(shù)研究
|
|
資料類別
|
電子電工畢業(yè)論文（設(shè)計(jì)） |
|
|
課程(專業(yè))
|
電氣自動化 |
|
關(guān)鍵詞
|
隨機(jī)優(yōu)化|蟻群優(yōu)化 |
|
適用年級
|
大學(xué) |
|
身份要求
|
普通會員 |
|
金 幣
|
50 �。�金幣如何獲得？） |
|
文件格式
|
word+ppt |
|
文件大小
|
1112K |
|
發(fā)布時間
|
2014-06-25 09:39:00 |
|
預(yù)覽文件
|
0937628.jpg（只能預(yù)覽部分內(nèi)容） |
|
下載次數(shù)
|
1 |
| 發(fā)布人 |
kj008 |
內(nèi)容簡介：
畢業(yè)設(shè)計(jì) 隨機(jī)優(yōu)化技術(shù)研究，說明書共61頁，31139字，附外文翻譯、答辯文稿。
摘要
優(yōu)化是人類在生產(chǎn)和社會活動中所追求的目標(biāo)，也是人們在工程技術(shù)、科學(xué)研究等諸多領(lǐng)域中經(jīng)常遇到的問題。在人類的生產(chǎn)和社會活動中，要辦好一件事（指規(guī)劃、設(shè)計(jì)等），都期望能夠得到最滿意、最好的結(jié)果或效果。為了實(shí)現(xiàn)這種期望，必須有好的預(yù)測和決策方法。
最優(yōu)化設(shè)計(jì)方法實(shí)質(zhì)上是利用數(shù)學(xué)規(guī)劃方法處理設(shè)計(jì)問題的一種實(shí)用方法。在設(shè)計(jì)過程中首先要將設(shè)計(jì)問題轉(zhuǎn)化為數(shù)學(xué)問題，即建立數(shù)學(xué)模型。建立數(shù)學(xué)模型，就是把實(shí)際問題按照一定的形式轉(zhuǎn)換成數(shù)學(xué)表達(dá)式。數(shù)學(xué)模型建立的合適、正確與否，直接影響到優(yōu)化設(shè)計(jì)的最終結(jié)果。
群智能理論研究領(lǐng)域有兩種主要的算法：蟻群算法(Ant Colony Optimization, ACO)和微粒群算法（Particle Swarm Optimization, PSO）。前者是對螞蟻群落食物采集過程的模擬，已成功應(yīng)用于許多離散優(yōu)化問題。微粒群算法也是起源于對簡單社會系統(tǒng)的模擬，最初是模擬鳥群覓食的過程，但后來發(fā)現(xiàn)它是一種很好的優(yōu)化工具。
在隨機(jī)優(yōu)化的基礎(chǔ)上本文主要介紹了蟻群優(yōu)化算法和粒子群優(yōu)化算法的相關(guān)原理、算法流程等等，同時在MATLAB軟件中實(shí)現(xiàn)，這兩種方法的演示和模擬過程（包括編程和結(jié)果圖）。
并以此補(bǔ)充了機(jī)械優(yōu)化設(shè)計(jì)相關(guān)內(nèi)容，進(jìn)行機(jī)械優(yōu)化設(shè)計(jì)的核心工作是建立數(shù)學(xué)模型。對于不同的設(shè)計(jì)對象，建立數(shù)學(xué)模型的方法與步驟也不問，沒有一個嚴(yán)格的統(tǒng)一模式，這也正是優(yōu)化設(shè)計(jì)建立數(shù)學(xué)模型的困難所在。并以曲柄搖桿再現(xiàn)運(yùn)動規(guī)律為例，來研究平面四桿機(jī)構(gòu)的優(yōu)化設(shè)計(jì)方法。
關(guān)鍵詞：隨機(jī)優(yōu)化，蟻群優(yōu)化，粒子群優(yōu)化，MATLAB軟件
目 錄
摘 要 I
ABSTRACT II
第一章 概述 6
1.1 隨機(jī)數(shù) 6
1.2 隨機(jī)優(yōu)化算法的應(yīng)用 8
1.3 隨機(jī)優(yōu)化算法的特點(diǎn) 9
1.4 選題的意義 10
1.5 本論文的意義 10
1.6 論文章節(jié)安排 10
第二章 優(yōu)化設(shè)計(jì)問題的數(shù)學(xué)模型 11
2.1 設(shè)計(jì)變量 11
2.2 目標(biāo)函數(shù) 13
2.3 約束條件 14
2.4 數(shù)學(xué)模型的一般形式 15
2.5 優(yōu)化設(shè)計(jì)問題的基本解法 16
第三章 優(yōu)化算法簡介 18
3.1 優(yōu)化算法的發(fā)展 18
3.2 傳統(tǒng)優(yōu)化算法 18
3.3 現(xiàn)代優(yōu)化算法 19
3.4 新興的啟發(fā)式現(xiàn)代優(yōu)化算法 21
3.4.1 分散搜索和路徑再連接 21
3.4.2 路徑再連接 22
第四章 蟻群優(yōu)化算法 22
4.1 蟻群優(yōu)化算法概述 22
4.1.1 蟻群優(yōu)化算法起源 22
4.1.2 蟻群優(yōu)化算法應(yīng)用領(lǐng)域 23
4.1.3 蟻群優(yōu)化算法研究背景 23
4.1.4 蟻群優(yōu)化算法研究現(xiàn)狀 24
4.1.5 蟻群優(yōu)化算法應(yīng)用現(xiàn)狀 25
4.2 蟻群優(yōu)化算法概念 26
4.2.1 蟻群算法原理 26
4.2.2 簡化的螞蟻尋食過程 27
4.2.3 自然蟻群與人工蟻群算法 28
4.2.4 蟻群算法與TSP問題 28
4.3 初始的蟻群優(yōu)化算法—基于圖的蟻群系統(tǒng)（GBAS） 28
4.4 蟻群優(yōu)化算法—算法模型和收斂性分析 31
4.4.1 馬氏過程的收斂定義 31
4.4.2 GBAS算法的收斂性分析 32
4.5 蟻群優(yōu)化算法ACO 33
4.5.1 改進(jìn)的蟻群算法 33
4.5.2基于遺傳學(xué)的改進(jìn)蟻群算法研究 33
4.5.3 蟻群的規(guī)模和停止規(guī)則 34
4.6 基于MATLAB的算法實(shí)例 35
4.6.1蟻群算法流程 35
4.6.2 運(yùn)行結(jié)果 36
第五章 粒子群優(yōu)化算法 37
5.1 粒子群算法思想的起源 37
5.2 原始粒子群優(yōu)化算法 38
5.2.1 算法原理 38
5.2.2 算法流程 39
5.2.3 粒子群優(yōu)化和k-均值混合聚類方法 40
5.2.4 全局模型與局部模型 41
5.2.5 算法特點(diǎn) 41
5.3 標(biāo)準(zhǔn)粒子群優(yōu)化算法 42
5.3.1 帶慣性權(quán)重的PSO 42
5.3.2 帶收縮因子的PSO 43
5.4 常見的改進(jìn)粒子群算法 43
5.4.1 種群多樣性測試函數(shù) 44
5.4.2 雜交PSO（HPSO） 44
5.5 粒子群算法與蟻群算法(ACO)比較 45
5.6 基于MATLAB的算法實(shí)例 45
5.6.1 粒子群算法流程 45
5.6.2 運(yùn)行結(jié)果 46
總結(jié)和展望 49
致 謝 50
畢業(yè)設(shè)計(jì)小結(jié) 51
參考文獻(xiàn) 52
相關(guān)說明：
1. 如您下載的資料不止一份，建議您注冊成為本站會員。會員請登錄后下載。
2. 會員購買金幣50元以下，0.7元/個，50元以上，0.5元/個。具體請看：下載與付款。
3. 會員48小時內(nèi)下載同一文件，不重復(fù)扣金幣。
4. 下載后請用WinRAR或 WinZIP解壓縮后使用。
5. 如仍有其他下載問題，請看常見問題解答。
下載地址：
|
|
| 相關(guān)畢業(yè)論文（設(shè)計(jì)） |
|
|
| 推薦畢業(yè)論文（設(shè)計(jì)） |
|
|
|
|
|