群智能算法用于优化计算问题研究开题报告
毕业论文开题报告（理工类）
设计题目 群智能算法用于优化计算问题研究
学生姓名 学号 专业 信息与计算机科学
一、课题的目的意义：
由于系统复杂度的增加和大量的非线性特征的存在，己有的一些传统的优化方法己经不能满足人们的需要，因此，人们提出了群智能优化算法。群智能研究领域主要有两种算法：蚁群优化算法(Ant Colony Optimization,简称 ACO)和粒子群优化算法(Particle Swarm Optimization，简称 PSO)。Ant Colony Optimization(ACO)算法通过模拟自然界蚂蚁社会的寻找食物的方式而提出的仿生优化算法，为组合优化问题求解提供了强有力的手段。Particle Swarm Optimization(PSO)算法是基于群体智能理论的优化算法，通过群体粒子间的合作和竞争产生的群体智能来进行优化搜索、为解决连续空间函数的优化提供了支持。
本课题主要是利用智能算法处理一些离散优化问题、进而求得具有全局意义的局部最优值和全局最优值。该课题一方面为了学习和研究这个算法，了解群智能算法中典型的蚁群算法和粒子群算法原理和思想；另一方面则是为了能够利用所学的算法和数据结构的知识，用合适的程序语言实现之，并寻求其软件快速实现方法。 [版权所有：http://DOC163.com]
二、近几年来国内外研究现状：
蚁群系统 (Ant System，简称As)是意大利学者M.Dorigo和Maniezzo于20世纪90年代初受自然界中真实蚁群的觅食行为启发提出的一种新型的智能算法。此后，经Dorigo、Colorni、HolgerHoos、Bilchev、Gambardella等多位学者的发展，从蚂蚁系统(Ant system，AS)开始，先后出现了Ant-Q、蚁群系统(Ant colony system ACS)、最大最小蚂蚁系统(Max- Min AS，MMAS)等。在对蚁群算法的应用方面，已经由当初单一的 TSP 领域渗透到了多个应用领域，由解决一维静态优化问题发展到解决多维动态组合优化问题，由离散域范围内研究逐渐拓展到了连续域范围内研究，而且在蚁群算法的硬件实现上取得了突破性进展。
我国在蚁群算法领域的研究起步较晚，国内最先研究蚁群算法的是东北大学控制仿真研究中心的张纪会博士与徐心和教授，随后几年里，越来越多的学者进入了这个领域，并在蚁群算法的改进和应用方面作了大量的工作。
粒子群算法是由James Kennedy 和 Russell Eberhart于1995年提出。之后， Kennedy 和 Eberhart 在基本粒子群算法的基础上提出了一种离散二进制模型。到至今的几年时间里，研究者们的大部分精力主要集中于对其算法结构和性能的改善方面。在应用方面，粒子群算法已被迅速地应用于函数优化、神经网络训练、模糊系统控制、数据聚类以及原有的一些遗传算法应用领域。并且随着对其研究的深入，其应用领域正在逐渐扩大。
。。。。。。。。。。
我的课题主要任务是从连续基准函数入手，利用蚁群和离子群算法实现，进而对蚁群和离子群算法有一个比较深入的理解，之后对离散问题进行求解，利用VC编程工具实现两种算法，最后利用算法尝试实现旅行商问题。
三、设计方案的可行性分析和预期目标：
本次课题将会从连续问题入手，利用智能算法成功解决一些连续函数的多峰极值及局部最优问题。之后，将会对离散问题进行研究，深入学习算法思想，利用VC编程工具实现目标函数的最优值输出，尝试解决较多城市的旅行商问题或关于格的问题。
。。。。。。。。。。。。。。。。
从总体上来说，群智能算法编程原理相对简单，方法易于实现。并且本次课题工作量适度，难度适当，算法中需要的有关运筹学知识、图论、编译原理和VC编程工具在之前都有所学习和掌握，丰富的网络和图书馆资源更是为本次课题的完成提供了便利。另外，其数据处理过程对 CPU 和内存的要求也不高。因此，本设计方案具有一定的可行性。
四、所需要的仪器设备、材料：
所需的软件环境是Windows XP操作系统，Visual C++ 6.0集成开发环境，硬件系统是PC机。