导读:本文包含了智能蚂蚁算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,蚂蚁,智能,铁水,神经网络,路由,激素。
智能蚂蚁算法论文文献综述
王培博[1]（2017）在《智能蚂蚁算法应用的最新进展》一文中研究指出蚂蚁算法是一种新型的集群智能算法,它的主要特点有智能搜索、全局优化、鲁棒性强、正反馈机制、分布式计算,可以解决一些复杂问题,比如二次任务指派、组合优化、车辆路由、有序排列和车间任务调度等。本文介绍了蚂蚁算法在国内的工业生产、国防安全、交通运输、旅游、能源、农业科技、信息软件等各个领域的最新应用进展。(本文来源于《电脑知识与技术》期刊2017年04期）
彭燕妮,王雅娣[2]（2011）在《基于智能蚂蚁算法的脱硫静态模型优化》一文中研究指出为了自动寻找脱硫过程的规律和知识,对脱硫过程进行决策支持,采用RBF神经网络作为建模工具,针对建模过程中出现的RBF中心和宽度难以确定的难点,在分析蚂蚁算法机理的基础上,提出了使用智能蚂蚁算法对RBF神经网络模型的中心和宽度进行自适应选择,从而达到模型训练精度和范化能力的一个最优的平衡,进而提高模型的预报精度;在分析脱硫工艺原理的基础上,通过有效的数据预处理,最后进行仿真分析,其模型的预报精度好于传统脱硫静态模型,具有一定的实用性和推广价值。(本文来源于《重庆工商大学学报(自然科学版)》期刊2011年05期）
刘欣,王晋[3]（2011）在《智能蚂蚁算法在电力系统无功优化中的应用》一文中研究指出为了快速有效地求解大型电力系统无功优化的问题,在蚁群算法的基础上,提出了一种基于局域网的智能算法,智能蚂蚁算法与蚁群算法相比,主要进行了几点改进:第一,取消了外激素;第二,自动调整选择最优路径的比例;第叁,引入扰动以避免陷入局部优化,并给出其全局渐近收敛性,该算法作为一种新兴的优化算法,具有适用范围广,寻优能力强,程序实现简单等优点,很适合电力系统无功优化的特点。(本文来源于《电气开关》期刊2011年05期）
王华秋,曹长修[4]（2010）在《一种结合O3-opt局部优化的智能蚂蚁算法研究》一文中研究指出针对基本蚂蚁算法容易出现停滞、参数难以确定的局限性,改进为一种智能蚂蚁算法,改进之处包括:(1)引入蚁群优化算法中对转移概率公式、信息素更新规则的修改;(2)在蚂蚁算法中加入O3-opt局部优化,从而进一步缩短解路线的长度,以加快蚂蚁算法的收敛速度。最后,通过实例仿真验证了智能蚂蚁算法与基本蚂蚁算法相比具有明显的优越性。(本文来源于《计算机应用与软件》期刊2010年10期）
曹浪财,罗键[5]（2008）在《一种改进求解TSP问题智能蚂蚁算法》一文中研究指出蚁群算法是一种解决组合优化问题的有效算法。在求解TSP问题的过程中,通过对各种蚁群算法的分析,发现存在求解时间过长和容易陷入停滞的问题。针对这些问题,本文提出了一种新的改进启发式搜索方法——智能蚂蚁算法。使用JAVA语言对算法实现,实验结果表明,智能蚂蚁算法可以在减少计算量的同时,取得更好的搜索结果。(本文来源于《第二十七届中国控制会议论文集》期刊2008-07-16）
夏国成,赵佳宝[6]（2006）在《智能蚂蚁算法求解多目标TSP问题的改进研究》一文中研究指出统观多年来知识界对蚂蚁算法的研究的多方面进展,论文介绍并着重改进了蚂蚁算法,并针对多目标TSP问题,给出了求解的通用思路,并通过改进的蚂蚁算法加以实现,讨论了蚂蚁算法的智能性和自适应性,最后通过仿真说明了改进了的蚂蚁算法相对于传统算法的优势,以及在多个相关领域的应用前景。(本文来源于《计算机工程与应用》期刊2006年09期）
王勇,董颖[7]（2005）在《基于智能蚂蚁算法的路由选择》一文中研究指出智能蚂蚁算法已经成功地运用于TSP问题和一系列的离散优化问题,文中分析了智能蚂蚁算法的工作原理,并基于蚂蚁的自组织能力描述了一种新的分布式动态路由选择方法, QoS保证的分布式路由选择算法(DQRA)。DQRA 能以并行的方式解决网络中呼叫的时延和带宽分配问题。理论证明此种算法简单,易于实现,能有效地解决大型网络的负载平衡问题。选择 Matlab仿真软件对 DQRA算法进行仿真,并且比较了当业务要求带宽变化时阻塞率的变化,进一步证明了算法的有效性。(本文来源于《长春工业大学学报(自然科学版)》期刊2005年01期）
王庆文,杨锦云[8]（2004）在《智能蚂蚁算法及其在电信网动态路由优化中的应用》一文中研究指出本文介绍一种新的、启发式的、具有自组织能力的智能蚂蚁算法;并针对我国电信网的具体情况,提出借助这种智能蚂蚁算法,用分散控制的方式实现电信网动态路由优化的一种方案,目的是提高网络资源的利用率、网络运行的效率和可靠性。(本文来源于《江西教育学院学报(综合)》期刊2004年06期）
王雅娣[9]（2004）在《基于智能蚂蚁算法优化的脱硫静态模型研究》一文中研究指出随着最近几年经济的突飞猛进，国内外钢铁市场对钢的质量尤其是纯净钢的质量要求越来越高、越来越苛刻。但是硫的存在却给这带来了很大的难度，因此以质量取胜的钢铁企业纷纷把如何降低钢材中的硫含量、提高钢材质量和开发新品种视为钢铁生产的一个核心战略任务，以增强企业的市场竞争力。 然而目前广泛应用的铁水预脱硫主要采用人工控制，这导致对生产过程的判断和操作调剂的主观性很大，难以保证脱硫操作的稳定性，导致钢产品质量波动大，脱硫成本增加。本文以大型钢铁生产基地攀钢集团为背景，采用神经网络来建立脱硫静态模型，自动寻找脱硫过程的规律和知识，从而对脱硫过程进行决策支持，降低脱硫成本，为全自动脱硫创造了良好的条件。 本文采用RBF神经网络作为建模工具。针对建模过程中出现的RBF中心和宽度难以确定的难点，在分析蚂蚁算法机理的基础上，提出了使用智能蚂蚁算法对RBF神经网络模型的中心和宽度进行自适应选择，从而达到模型训练精度和范化能力的一个最优的平衡，从而提高模型的预报精度。 文中首先详细介绍了基本蚂蚁算法的思想和特点，然后在分析其发展现状和局限性的基础上，采众家之长，决定采用智能蚂蚁算法来优化RBF神经网络的中心和宽度。文中针对基本蚂蚁算法容易出现停滞、参数难以确定的局限性，对其进行了一定的改进——智能蚂蚁算法：(1)引入蚁群优化算法中对转移概率公式、信息素更新规则的修改；(2)引入Max-Min蚂蚁算法中对轨迹强度τ_(ij)设置上下限τ_(max)和τ_(min)；(3)在蚂蚁算法中加入局部优化，从而进一步缩短解路线的长度，以加快蚂蚁算法的收敛速度；(4)对参数进行了一定的选择。最后通过程序仿真证明了智能蚂蚁算法与基本蚂蚁算法相比具有明显的优越性。 本文在分析脱硫工艺原理的基础上，通过有效的数据预处理，最后进行仿真分析，基于智能蚂蚁算法优化的脱硫静态模型与传统的RBF神经网络脱硫静态模型相比较，其模型的预报精度好于传统脱硫静态模型，具有一定的实用性和推广性。(本文来源于《重庆大学》期刊2004-05-08）
曹浪财,罗键,李天成[10]（2003）在《智能蚂蚁算法——蚁群算法的改进》一文中研究指出蚁群算法是一种解决组合优化问题的有效算法。在蚁群算法的基础上,提出了一种新的启发式搜索方法———智能蚂蚁算法。智能蚂蚁算法与蚁群算法相比,主要在以下四点进行了改进:第一,取消了外激素;第二,自动调整选择最优路径的比例;第叁,目标城市的选择方法不同;第四,引入扰动以避免陷入局部优化。实验结果表明,智能蚂蚁算法可以在减少计算量的同时,取得更好的搜索结果。(本文来源于《计算机应用研究》期刊2003年10期）
智能蚂蚁算法论文开题报告
（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：
为了自动寻找脱硫过程的规律和知识,对脱硫过程进行决策支持,采用RBF神经网络作为建模工具,针对建模过程中出现的RBF中心和宽度难以确定的难点,在分析蚂蚁算法机理的基础上,提出了使用智能蚂蚁算法对RBF神经网络模型的中心和宽度进行自适应选择,从而达到模型训练精度和范化能力的一个最优的平衡,进而提高模型的预报精度;在分析脱硫工艺原理的基础上,通过有效的数据预处理,最后进行仿真分析,其模型的预报精度好于传统脱硫静态模型,具有一定的实用性和推广价值。
（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。
智能蚂蚁算法论文参考文献
[1].王培博.智能蚂蚁算法应用的最新进展[J].电脑知识与技术.2017
[2].彭燕妮,王雅娣.基于智能蚂蚁算法的脱硫静态模型优化[J].重庆工商大学学报(自然科学版).2011
[3].刘欣,王晋.智能蚂蚁算法在电力系统无功优化中的应用[J].电气开关.2011
[4].王华秋,曹长修.一种结合O3-opt局部优化的智能蚂蚁算法研究[J].计算机应用与软件.2010
[5].曹浪财,罗键.一种改进求解TSP问题智能蚂蚁算法[C].第二十七届中国控制会议论文集.2008
[6].夏国成,赵佳宝.智能蚂蚁算法求解多目标TSP问题的改进研究[J].计算机工程与应用.2006
[7].王勇,董颖.基于智能蚂蚁算法的路由选择[J].长春工业大学学报(自然科学版).2005
[8].王庆文,杨锦云.智能蚂蚁算法及其在电信网动态路由优化中的应用[J].江西教育学院学报(综合).2004
[9].王雅娣.基于智能蚂蚁算法优化的脱硫静态模型研究[D].重庆大学.2004
[10].曹浪财,罗键,李天成.智能蚂蚁算法——蚁群算法的改进[J].计算机应用研究.2003