1、机械产品杂交集成设计及产品基因库的构建2、一种用于散货码头的GPS精度提升算法3、带硬涂层圆盘构件的固有振动特性的精确解法4、滚动冲击压实机静态仿真分析5、连通式油气悬挂系统阻尼特性分析6、解析动力学7、基于运动学分析的挖掘机器人轨迹规划新方法8、非线性振动理论在脑电信号分析中的应用9、污泥混合搅拌机械动力需求仿真与估算10、桥式起重机与门式起重机轻量化设计的关键要素11、基于改进微粒群算法的起重机主梁优化设计12、大型筒式柴油打桩锤冲击活塞动应力分析13、DA-HA闭式控制系统在工程机械中的应用14、高速伸缩臂叉车静液压控制系统分析设计15、铰接式装载机双油缸驱动转向机构布置设计分析
人机博弈。要多难都可以。
这个比较专业，为什么不去请教一下数学系的教授？
目标函数是什么 还有约束条件
蔡自兴教授已在国内外发表论文和科技报告等860多篇。2010年： Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26- 28, Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26-28, . Chen Baifan,Zi-Xing Cai, Zhi-Rong Zou. A Hybrid Data Association Approach for Mobile Robot SLAM. International Conference on Control, Automation and Systems, October 27-30, 2010, KINTEX, Gyeonggi-do, KOREA (Accepted).4. Guo Fan,Cai Zixing, Xie Bin, Tang Jin. Automatic Image Haze Removal Based on Luminance Component. The International conference on Signal and Image Processing (SIP 2010).May 2010 (Accepted).5. Linai. Kuang,Zixing. System based Redeployment Scheme for Wireless Sensor Networks[C].In proceeding of 1st IET International Conference on Wireless Sensor Network. Beijing, China, November,. Lingli YU,Zixing CAI, A Study of Multi-Robot Stochastic Increment Exploration Mission Planning [J]. Frontiers of Electrical and Electronic Engineering in China, (Received).7. Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering optimization. Applied Soft Computing, 2010,10(2): 629–. LIU Xian-ru,CAI Zi-xing. Advanced obstacles detection and tracking by using fusing radar and image sensor data. International Conference on Control, Automation and Systems，2010/10/27,. Liu Xianru,Cai zixing. Advanced obstacles detection and tracking by using fusing Radar and Image Sensor Data[C]. International Conference on Control, Automation and Systems. (October 27-30,2010, KINTEX, Gyeonggi-do, KOREA).10. Ren Xiaoping,Zixing Cai. Kinematics Model of Unmanned Driving Vehicle. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: . Suqin Tang,Zixing Cai: Tourism Domain Ontology Construction from the Unstructured Text Documents. The 9th IEEE International Conference on Cognitive Informatics, Beijing, . Suqin Tang,Zixing Cai: Using the Format Concept Analysis to Construct the Tourism Information Ontology. The 2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'10)，Yantian, , . Tan Ping,Zixing Cai. An Adaptive Particle Filter Based on Posterior Distribution. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: . Wang Yong,Cai Zixing, Zhang Qingfu. Differential evolution with composite trial vector generation strategies and control parameters. IEEE Transactions on Evolutionary Computation, Accept, regular . Wang Yong,Cai Zixing. Constrained evolutionary optimization by means of (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, in . Wang Yong, Combining multiobjective optimization with differential evolution to solve constrained optimization problems. IEEE Transactions on Evolutionary Computation, (regular paper, Accepted).17. Xianru Liu,Zixing Obstacles Detection and tracking by Fusing Millimeter Wave Radar and Image Sensor Data,International IEEE Intl Coference on Control,Automation and Systems , Korea, 2010, 22:. Xie Bin, Fan Guo,Zixing Cai. Improved Single Image Dehazing Using Dark Channel Prior and Multi-Scale Retinex. 2010 International Conference on Intelligent System Design and Engineering Application, Changsha, China, 2010. (Accepted) .19. YU Ling-li,CAI Zi-xing, GAO Ping-an, LIU Xiao-ying. A spatial orthogonal allocation and heterogeneous cultural hybrid algorithm for multi-robot exploration mission planning. Journal of control theory and applications (Received) .20.蔡自兴，陈白帆，刘丽珏. 智能科学基础系列课程国家级教学团队的改革与建设. 计算机教育，2010，（127）：40-44 .21.蔡自兴，任孝平，李昭.一种基于GPS/INS组合导航系统的车辆状态估计方法. , .蔡自兴。智能科学技术课程教学纵横谈. 计算机教育，2010，（127）：.蔡自兴，蒋冬冬，谭平，安基程。中快速运动估计算法的一种改进方案;计算机应用研究2010,27(4):.蔡自兴; 任孝平; 邹磊; 匡林爱. 一种簇结构下的多移动机器人通信方法.小型微型计算机系统,2010,31(3):. 陈爱斌，蔡自兴.一种基于目标和背景加权的目标跟踪方法,控制与决策，2010,25(8):. 陈爱斌;蔡自兴; 文志强; 董德毅. 一种基于预测模型的均值偏移加速算法. 信息与控制 2010,39(2): . 陈爱斌; 董德毅;杨勇;蔡自兴. 基于目标中心定位和NMI特征的跟踪算法.计算机应用与软件,2010,27(4):. 陈白帆，蔡自兴，刘丽珏. 人工智能课程的创新性教学探索——人工智能精品课程建设与改革. 计算机教育，2010，（127）：. 官东，蔡自兴，孔志周. 一种基于推荐证据理论的网格信任模型.系统仿真学报，2010，22（8）：.郭璠,蔡自兴,谢斌, 唐琎. 图像去雾技术研究综述与展望. 计算机应用, 2010, 30(9):. 郭璠,蔡自兴, 谢斌, 唐琎. 一种基于亮度分量的自动图像去雾方法. 中国图象图形学报. 2010年3月(录用).32. 江中央,蔡自兴,王勇. 一种新的基于正交实验设计的约束优化进化算法. 计算机学报, 2010，33（5）：. 江中央,蔡自兴,王勇.求解全局优化问题的混合自适应正交遗传算法.软件学报, 2010,21(6):. 匡林爱,蔡自兴. 基于遗传算法的无线传感器网络重新部署方法. 控制与决策，2010,25(9):. 匡林爱,蔡自兴.一种簇机构下的多移动机器人通讯方法.小型微型计算机系统.，2010，31（3）：. 匡林爱,蔡自兴.一种带宽约束的无线传感器网络节点调度算法.高技术通讯，2010,20(3):. 刘丽珏，蔡自兴，唐琎. 人工智能双语教学建设. 计算机教育，2010，（127）：. 刘献如，蔡自兴. 基于SAD与UKF-Mean shift的主动目标跟踪. 模式识别与人工智能，2010,23(5)：. 刘献如，蔡自兴. 结构化道路车道线的鲁棒检测与跟踪. 光电子.激光，2010，21(12):. 刘献如,蔡自兴.UKF 与Mean shift 相结合的实时目标跟踪.中南大学学报，2009年录用.41. 刘晓莹;蔡自兴; 余伶俐; 高平安. 一种正交混沌蚁群算法在群机器人任务规划中的应用研究. 小型微型计算机系统, 2010,31(1):. 蒙祖强，蔡自兴，黄柏雄. 课程交叉教学在应用型人才培养中的实践探索. 计算机教育，2010，（127）：. 潘薇;蔡自兴; 陈白帆. 复杂环境下多机器人协作构建地图的方法;四川大学学报(工程科学版) . 任孝平,蔡自兴,邹磊,匡林爱.“中南移动二号”多移动机器人通信系统.中南大学学报（自然科学版）,2010,41(4):. 任孝平,蔡自兴.四种虚拟力模型在传感器网络覆盖中的性能分析.信息与控制,2010，39（4）：. 任孝平;蔡自兴; 陈爱斌. 多移动机器人通信系统研究进展. 控制与决策 2010,(3): .唐素勤，蔡自兴，王驹，蒋运承: 基于gfp语义的描述逻辑系统FLE的有穷基,计算机研究与发展，2010,47(9):. 唐素勤，蔡自兴，王驹，蒋运承: 描述逻辑非标准推理, 模式识别与人工智能，2010,23(4)：. 肖赤心，蔡自兴，王勇. 字典序进化算法用于组合优化问题. 控制理论与应用，2010，27（4）：. 谢斌，蔡自兴. 基于MATLAB Robotics Toolbox的机器人学仿真实验教学. 计算机教育，2010，（127）：. 余伶俐,蔡自兴,谭平,段琢华.基于多模态Rao-Blackwellized进化粒子滤波器的移动机器人航迹推算系统的故障诊断. 控制与决策，2010，25（12）：. 余伶俐,蔡自兴,谭平,进化粒子滤波器对比研究及其在移动机器人故障诊断的应用. 信息与控制，2010，39（5）：. 余伶俐，蔡自兴，肖晓明. 智能控制精品课程建设与教学改革研究. 计算机教育，2010，（127）：. 余伶俐,焦继乐,蔡自兴. 一种多机器人任务规划算法及其系统实现. 计算机科学，2010，37（6）：.周涛;蔡自兴。 信息审计中短消息中心实验环境的仿真[J].科学技术与工程 2010,10(6): . 邹磊,蔡自兴,任孝平.一种基于虚拟力的自组织覆盖算法.计算机工程,2010,36(14):93-95 .2009年：57. Gao Ping-an,Cai Zi-xing. Evolutionary Computation Approach to Decentralized Multi-robot Task Allocation. Proc. of the 5th International Conference on Natural Computation, IEEE Computer Society, 2009,. Wang Yong,Cai Zixing, Zhou Yuren. Accelerating adaptive trade-off model using shrinking space technique for constrained evolutionary optimization, International Journal for Numerical Methods in Engineering, 2009, 77(11):. Wang Yong,Cai Zixing, Zhou Yuren, Fan Zhun. Constrained optimization based on hybrid evolutionary algorithm and adaptive constraint-handling technique, Structural and Multidisciplinary Optimization, 2009, 37(1): . Wang Yong,Cai Zixing. A hybrid multi-swarm particle swarm optimization to solve constrained optimization problems, Frontiers of Computer Science in China, 2009,3(1):. Wang Yong,Cai Zixing. Constrained evolutionary optimization by applying (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, . Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering Soft Computing, 2010,10(2):629–. Liu Limei,Cai Zixing. An Improvement of Hough Transform for Building Feature . Limei Liu, Zixing Cai, Method Based on Uncertain Information of Sonar Sensor[C]. The 9th International Conference for Young Computer Scientists,2009,. YU Ling-li,CAI Zi-xing. Robot Detection Mission Planning Based on Heterogeneous Interactive Cultural Hybrid Algorithm. Proc. of the 5th International Conference on Natural . Ren Xiaoping,Cai Distributed Actor Deployment Algorithm for Maximum Connected Coverage in WSAN. Proc. of the 2009 Fifth International Conference on Natural Computation, 2009,. 王勇,蔡自兴,周育人,肖赤心.约束优化进化算法.软件学报, 2009,20(1): . 陈白帆,蔡自兴, 潘薇. 基于声纳和摄像头的动态环境地图创建方法.高技术通讯, 2009, 19(4): . 陈白帆,蔡自兴, 袁成. 基于粒子群优化的移动机器人SLAM方法研究.机器人, 2009, 31(6)：. 高平安,蔡自兴. 多移动机器人任务负载均衡分组规划方法.高技术通讯,2009, 19(5):. 高平安,蔡自兴. 一种基于多子群的动态优化算法.中南大学学报(自然科学版) 2009, 40(3): . 刘献如,;蔡自兴. 一种基于Integral Imaging和与模拟退火相结合的深度测量方法研究. 系统仿真学报. 2009，21(8)：2303~. 刘利枚，蔡自兴，潘薇.一种基于声纳信息的地图创建方法.计算机工程，2009，35（7）：. 余伶俐，蔡自兴. 基于异质交互式文化混合算法的机器人探测任务规划.机器人.2009, 31(2):. 余伶俐，蔡自兴，刘晓莹，高平安. 均分点蚁群算法在群集机器人任务规划中的应用研究[J].高技术通讯. 2009,19(10),. 余伶俐，蔡自兴. 改进混合离散粒子群的多种优化策略算法.中南大学学报,2009, 40(4): . 余伶俐，蔡自兴，高平安，刘晓莹. 当代学习自适应混合离散粒子群算法研究. 小型微型计算机系统. 2009, 30(9):. 余伶俐，蔡自兴. 基于当代学习离散粒子群的多机器人高效任务分配算法研究. 计算机应用研究. 2009, 26(5):.蔡自兴; 谢斌; 魏世勇; 陈白帆. 《机器人学》教材建设的体会. 2009年全国人工智能大会(CAAI-13)，北京：北京邮电大学出版社，252-255，2009年9月.80.蔡自兴，郭璠. 密码学虚拟实验平台的设计与实现.中国人工智能进展（2009），中国人工智能大会(CAAI-13)论文集，北京：北京邮电大学出版社，432-438，2009年9月.81.蔡自兴,任孝平,邹磊.分布式多机器人通信仿真系统.智能系统学报,2009,4(4): . 任孝平,蔡自兴.基于阿克曼原理的车式移动机器人运动学建模.智能系统学报, 2009,4(6);.蔡自兴; 任孝平; 邹磊. 分布式多机器人通信仿真系统.智能系统学报, 2009,4(4);. 文志强;蔡自兴. 一种目标跟踪中的模糊核直方图. 高技术通讯, 2009,19(2):.刘星宝;蔡自兴. 种子检测器刺激-应答变异算法研究. 高技术通讯, 2009,19(3):. 刘星宝;蔡自兴. 负选择算法中的检测器快速生成策略. 小型微型计算机系统, . 刘星宝;蔡自兴. 异常检测系统的漏洞分析.中南大学学报(自然科学版), . 潘薇;蔡自兴; 陈白帆. 一种非结构环境下多机器人构建地图的方法. 高技术通讯, . 孔志周;蔡自兴; 官东. 两种模糊密度确定方法的实验比较. 小型微型计算机系统, . 江中央;蔡自兴; 王勇. 用于全局优化的混合正交遗传算法. 计算机工程, . 肖赤心;蔡自兴; 王勇; 周经野. 一种基于佳点集原理的约束优化进化算法. 控制与决策, 2009-02-15 .92. 官东;蔡自兴; 孔志周. 一种基于网格技术的HLA分布仿真实现方法. 系统仿真学报, 2009,21(5):.刘慧;蔡自兴; 王勇. 基于佳点集的约束优化进化算法. 系统仿真学报, 2009-03-20 .94. 潘薇;蔡自兴; 陈白帆. 基于遗传算法的多机器人协作建图方法. 计算机应用研究, . 任孝平;蔡自兴; 卢薇薇. 一种基于扫描相关度的LSB算法. 计算机应用, .胡强;蔡自兴. 一种基于改造时钟系统的Linux实时化方案. 计算机工程, . 袁成;蔡自兴; 陈白帆. 粒子群优化的同时定位与建图方法. 计算机工程, . 王勇;蔡自兴. “智能优化算法及其应用”课程教学的实践与探索. 计算机教育, . 任孝平;蔡自兴; 卢薇薇. 网络可重构的多机器人仿真系统. 计算机应用研究, . 袁湘鹏;蔡自兴; 刘利枚. 基于声纳的移动机器人环境建图的设计与实现. 计算机应用研究, . 官东;蔡自兴; 孔志周.网格服务本体匹配算法研究. 小型微型计算机系统, 2009，30(8):. 邹磊;蔡自兴; 任孝平. 基于簇的多移动机器人通信系统. 计算机应用研究, .蔡自兴. 从严施教,精心育才,培养高素质人才. 计算机教育, . 肖晓明; 旷东林;蔡自兴. 单亲遗传算法种群初始化方法分析. 电脑与信息技术, . 刘丽珏; 陈白帆; 王勇; 余伶俐;蔡自兴. 精益求精建设人工智能精品课程. 计算机教育, . 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法.中南大学学报(自然科学版), . 唐素勤;蔡自兴; 江中央; 肖赤心. 用于求解约束优化问题的自适应佳点集进化算法. 小型微型计算机系统,2009,第9期，.胡扬;桂卫华;蔡自兴. 多元智能算法控制结构综述. 计算机科学, .蔡自兴. 《混沌系统的模糊神经网络控制理论与方法》评介. 计算技术与自动化, . 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法. 2009年中国智能自动化会议论文集（第六分册）[中南大学学报（增刊）], . 于金霞;蔡自兴; 段琢华. 复杂地形下移动机器人运动学建模研究. 2009中国控制与决策会议论文集（1）, . 刘献如，蔡自兴，杨欣荣. Integral Imaging与模拟退火相结合的深度测量方法研究. 系统仿真学报，2009,21（8）：2303－2307.
我这里有一个粒子群的完整范例：<群鸟觅食的优化问题>function main()clc;clear all;close all;tic; %程序运行计时E0=; %允许误差MaxNum=100; %粒子最大迭代次数narvs=1; %目标函数的自变量个数particlesize=30; %粒子群规模c1=2; %每个粒子的个体学习因子，也称为加速常数c2=2; %每个粒子的社会学习因子，也称为加速常数w=; %惯性因子vmax=; %粒子的最大飞翔速度x=-5+10*rand(particlesize,narvs); %粒子所在的位置v=2*rand(particlesize,narvs); %粒子的飞翔速度%用inline定义适应度函数以便将子函数文件与主程序文件放在一起，%目标函数是：y=1+(*(1-x+2*x.^2).*exp(-x.^2/2))%inline命令定义适应度函数如下：fitness=inline('1/(1+(*(1-x+2*x.^2).*exp(-x.^2/2)))','x');%inline定义的适应度函数会使程序运行速度大大降低for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); endendpersonalbest_x=x;personalbest_faval=f;[globalbest_faval i]=min(personalbest_faval);globalbest_x=personalbest_x(i,:);k=1;while k<=MaxNum for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); end if f(i) 目标函数是什么 还有约束条件 论文> 工业技术 > 一般工业技术 > 工程基础科学 > 工程数学 > 概率论、数理统计的应用论文下属分类: 运筹学的应用 | 工程控制论 | 可靠性理论 | ·《可重构装配线建模、平衡及调度研究》·《粒子群算法的改进与应用研究》·《压力容器用钢疲劳可靠性研究》·《稳健设计及其在工业中的应用》·《基于概率的结构动力拓扑优化设计研究》·《基于随机模拟试验的稳健优化设计方法研究》·《复杂系统可靠性工程相关理论及技术研究》·《故障部件不可修复如新的线形相邻n中连续k系统的可靠性分析》·《基于目标和空间正交分解的布局启发式算法的研究》·《考虑失效相关时不可修复工程系统的可靠性分析》·《多维数值积分的数论方法及其在结构可靠度分析中的应用》·《三维位势场快速多极边界元法》·《大规模动态过程优化的拟序贯算法研究》·《不确定性结构的分析方法研究》·《非线性结构随机分析数值模拟的方法研究》 定义粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能 (Swarm intelligence, SI) 的一种。它可以被纳入多主体优化系统 (Multiagent Optimization System, MAOS). 粒子群优化算法是由Eberhart博士和kennedy博士发明。PSO模拟鸟群的捕食行为PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。从模型中得到的启示PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化PSO初始化为一群随机粒子(随机解)，然后通过叠代找到最优解，在每一次叠代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。编辑本段算法介绍在找到这两个最优值时, 粒子根据如下的公式来更新自己的速度和新的位置v[] = v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) (a)present[] = persent[] + v[] (b)v[] 是粒子的速度, persent[] 是当前粒子的位置. pbest[] and gbest[] 如前定义 rand () 是介于（0， 1）之间的随机数. c1, c2 是学习因子. 通常 c1 = c2 = 2.程序的伪代码如下For each particle____Initialize particleENDDo____For each particle________Calculate fitness value________If the fitness value is better than the best fitness value (pBest) in history____________set current value as the new pBest____End____Choose the particle with the best fitness value of all the particles as the gBest____For each particle________Calculate particle velocity according equation (a)________Update particle position according equation (b)____EndWhile maximum iterations or minimum error criteria is not attained在每一维粒子的速度都会被限制在一个最大速度Vmax，如果某一维更新后的速度超过用户设定的Vmax，那么这一维的速度就被限定为Vmax。编辑本段遗传算法和PSO的比较共同点①种群随机初始化。②对种群内的每一个个体计算适应值(fitness value)。适应值与最优解的距离直接有关。③种群根据适应值进行复制 。④如果终止条件满足的话，就停止，否则转步骤② 。从以上步骤，我们可以看到PSO和遗传算法有很多共同之处。两者都随机初始化种群，而且都使用适应值来评价系统，而且都根据适应值来进行一定的随机搜索。两个系统都不是保证一定找到最优解。但是，PSO没有遗传操作如交叉(crossover)和变异(mutation)，而是根据自己的速度来决定搜索。粒子还有一个重要的特点，就是有记忆。不同点与遗传算法比较，PSO的信息共享机制是很不同的。在遗传算法中，染色体(chromosomes)互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动。在PSO中, 只有gBest (orlBest) 给出信息给其他的粒子， 这是单向的信息流动。整个搜索更新过程是跟随当前最优解的过程。与遗传算法比较, 在大多数的情况下，所有的粒子可能更快的收敛于最优解。编辑本段人工神经网络和PSO定义人工神经网络(ANN)是模拟大脑分析过程的简单数学模型，反向转播算法是最流行的神经网络训练算法。进来也有很多研究开始利用演化计算(evolutionary computation)技术来研究人工神经网络的各个方面。研究方面演化计算可以用来研究神经网络的三个方面：网络连接权重，网络结构(网络拓扑结构，传递函数)，网络学习算法。不过大多数这方面的工作都集中在网络连接权重，和网络拓扑结构上。在GA中，网络权重和/或拓扑结构一般编码为染色体(Chromosome)，适应函数(fitness function)的选择一般根据研究目的确定。例如在分类问题中，错误分类的比率可以用来作为适应值优缺点演化计算的优势在于可以处理一些传统方法不能处理的例子例如不可导的节点传递函数或者没有梯度信息存在。但是缺点在于：1、在某些问题上性能并不是特别好。2. 网络权重的编码而且遗传算子的选择有时比较麻烦。最近已经有一些利用PSO来代替反向传播算法来训练神经网络的论文。研究表明PSO 是一种很有潜力的神经网络算法。PSO速度比较快而且可以得到比较好的结果。而且还没有遗传算法碰到的问题。举例这里用一个简单的例子说明PSO训练神经网络的过程。这个例子使用分类问题的基准函数 (Benchmark function)IRIS数据集。(Iris 是一种鸢尾属植物) 在数据记录中，每组数据包含Iris花的四种属性：萼片长度，萼片宽度，花瓣长度，和花瓣宽度，三种不同的花各有50组数据. 这样总共有150组数据或模式。我们用3层的神经网络来做分类。现在有四个输入和三个输出。所以神经网络的输入层有4个节点，输出层有3个节点我们也可以动态调节隐含层节点的数目，不过这里我们假定隐含层有6个节点。我们也可以训练神经网络中其他的参数。不过这里我们只是来确定网络权重。粒子就表示神经网络的一组权重，应该是4*6+6*3=42个参数。权重的范围设定为[-100，100] (这只是一个例子，在实际情况中可能需要试验调整).在完成编码以后，我们需要确定适应函数。对于分类问题，我们把所有的数据送入神经网络，网络的权重有粒子的参数决定。然后记录所有的错误分类的数目作为那个粒子的适应值。现在我们就利用PSO来训练神经网络来获得尽可能低的错误分类数目。PSO本身并没有很多的参数需要调整。所以在实验中只需要调整隐含层的节点数目和权重的范围以取得较好的分类效果。 目标函数是什么 还有约束条件 这个比较专业，为什么不去请教一下数学系的教授？ 我这里有一个粒子群的完整范例：<群鸟觅食的优化问题>function main()clc;clear all;close all;tic; %程序运行计时E0=; %允许误差MaxNum=100; %粒子最大迭代次数narvs=1; %目标函数的自变量个数particlesize=30; %粒子群规模c1=2; %每个粒子的个体学习因子，也称为加速常数c2=2; %每个粒子的社会学习因子，也称为加速常数w=; %惯性因子vmax=; %粒子的最大飞翔速度x=-5+10*rand(particlesize,narvs); %粒子所在的位置v=2*rand(particlesize,narvs); %粒子的飞翔速度%用inline定义适应度函数以便将子函数文件与主程序文件放在一起，%目标函数是：y=1+(*(1-x+2*x.^2).*exp(-x.^2/2))%inline命令定义适应度函数如下：fitness=inline('1/(1+(*(1-x+2*x.^2).*exp(-x.^2/2)))','x');%inline定义的适应度函数会使程序运行速度大大降低for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); endendpersonalbest_x=x;personalbest_faval=f;[globalbest_faval i]=min(personalbest_faval);globalbest_x=personalbest_x(i,:);k=1;while k<=MaxNum for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); end if f(i) 毕业论文（设计）题目: 粒子群算法及其在任务调度中的应用 题目类型 理论研究 题目来源 教师科研题 毕业论文（设计）时间从 2008年2月24日至 2008年6月14日 1毕业论文（设计内容要求）： 多处理机调度问题是指有n台相同的处理机和m个独立的作业, 处理机以互不相关的方式处理作业,其中，任何作业可以在任何一台处理机上运行,但未完工前不允许中断作业,作业也不能拆分成更小的作业,使n个作业在尽可能短的时间内由这m台相同的处理机完成。粒子群算法是模拟鸟群觅食的过程,采用速度- 位置模型进行搜索。每个优化问题的解都是搜索空间的一只鸟,称为粒子,粒子群中的每个粒子通过追随个体最优粒子和全局最优粒子进行搜索. 本课题要求学生查找资料，学习、理解、掌握遗传算法的基本思想，总结遗传算法的改进方法，选定一种粒子群算法应用到多处理机调度问题并编程实现该算法，对该算法与首次最优匹配法在调度长度上进行实验比较 。 通过本次毕业设计，学生懂得如何查找资料并对资料进行分析总结，培养科研与独立分析问题的能力，掌握一门程序开发语言，培养程序开发技巧和能力。 细菌觅食算法模仿大肠杆菌在人体肠道内觅食行为，属于仿生类优化算法。在BFA模型中，优化问题的解对应搜索空间中细菌的状态，即优化函数适应值。BFA算法包括趋化(chemotaxis)、复制(reproduction)和驱散(elimination-dispersal)3个步骤。①细菌向富养区域聚集的行为称为趋化。在趋化过程中，细菌运动模式包括翻转(tumble)和前进(run||swim)。细菌向任意方向移动单位步长定义为翻转。当细菌完成一次翻转后，若适应值得到改善，将沿同一方向继续移动若干步，直至适应值不再改善，或达到预定的移动步数临界值。此过程定义为前进。②一旦生命周期结束，即达到临界趋化次数，细菌将进行繁殖。细菌的繁殖过程遵循自然界“优胜劣汰，适者生存”原则。以趋化过程中各细菌适应值累加和为标准，较差的半数细菌死亡，较好的半数细菌分裂成两个子细菌。子细菌将继承母细菌生物特性，具有与母细菌相同的位置及步长。为简化计算，可以规定复制过程中细菌总数保持不变。③趋化过程可确保细菌的局部搜索能力，复制过程能加快细菌的搜索速度，但对于复杂的优化问题，趋化和复制无法避免细菌陷人局部极小现象发生。BFA引人驱散过程以加强算法全局寻优能力。细菌在完成一定次数的复制后，将以一定概率被驱散到搜索空间中任意位置。 1、优点是易于跳出局部最小点。2、缺点是收敛速度不够快。细菌觅食算法是仿生优化算法的一种，它由K。M。Passino于2002年提出。算法模拟Ecoli大肠杆菌在人体肠道内搜寻营养丰富区域的行为。 大家对我们可能都不陌生了吧，我们叫硝化细菌，可不是帮助你们消化大鱼大肉的那个消化哦。我们兄弟二人（等等，怎么是两个？），别急，一会你们就明白了。哥哥叫硝酸菌，弟弟叫亚硝酸菌，因为我们哥儿俩老是形影不离，长得又酷似双胞胎，人们就把我们统称为硝化细菌了，其实我们兄弟两个差别还不小呢，硝酸菌虽然是哥哥，但干起活来打头阵的还是靠弟弟。 说了半天，大家怎么也不和我们打个招呼呀，伤自尊了，也难怪，我们太小了，大家如果不用显微镜是根本看不见我们的，哎，真是“菌微言轻”啊，好吧，既然看不到我们，那我们兄弟就自我描述一番吧：我们身材都很苗条，人称我们“杆菌”（像电线杆）。在革兰氏染液（一种专门染细菌的染液）里洗过澡后，我们都是红色的。我们大部分的同胞都长着长长的鞭毛，我们可以借助它们像船桨一样在水中自由地游泳。 我们的重要性大家了解吗？不是吹牛，如果没有我们兄弟两个，大家在水族箱里养鱼种草几乎是一件不可能的事，关叔也要失业了哦，真的，不信给大家显摆显摆。 在大家的草缸中，氮元素是普遍存在的，水草、鱼、饲料、藻类甚至鱼类粪便中都有它的踪影，它是构成蛋白质的必要元素。那么，烂掉的水草叶子、死去的鱼儿、没吃完的饲料、凋亡的藻类和鱼儿的粪便中的氮后来去哪里了呢？有人可能说，我从来没有注意过它们，可最后都不见了啊，其实它们是被一些称为腐生细菌的家伙分解了，有机的氮变成了无机的氨，就像一条刚死的鱼是没有味的，腐败时就会产生刺鼻的臭味，这里边就有氨的味道。 氨对于鱼类是剧毒的，它能使鱼类血液中的蛋白质变性而失去生理功能，导致鱼类的死亡。当水体中氨浓度超过时就会造成鱼类急性死亡。 氨有如此剧毒，那为何大家的鱼都还好好的呢？哈哈，就是因为有我们硝化细菌呀。弟弟亚硝酸菌负责把氨氧化成亚硝酸盐，再由哥哥把亚硝酸盐氧化成硝酸盐。亚硝酸盐也是有毒的，但比起氨来说是小得多了，而硝酸盐是无毒的，它是水草等水生植物很好的氮肥。大家种水草时并不添加氮肥，液肥、基肥、根肥的说明书讲得明明白白：不含氮、磷，那为什么大家的水草还养得那么好啊？还不是有我们兄弟呗。 有人认为鱼的排泄物可以当作水草氮肥，可水草根本无法直接利用鱼类排泄物。这些排泄物必须在那些腐生细菌的“帮助”下（可不是我们兄弟哦，这种事可不能争功）变成一些小分子无机物如氨、硫化氢等（净是剧毒物，这帮小子）。我们得给它们收拾残局，把氨转化成水草可以直接利用的硝酸盐，这才把大家的草养得肥肥壮壮的，鱼儿也避免了氨毒之苦。下面着重介绍下我们的生活特点： 1、我们属于自给自足性的自食其力的细菌，科学家叫我们自营性细菌，我们用最简单的无机物如二氧化碳为碳源来构成我们的身体，而建造我们自己的能量源泉就是我们氧化氨和亚硝酸盐过程中所释放出来的能量。可见我们的工作也不光为了大家，更重要的是为我们自己，那句话怎么说来着“菌不为己，天------”不说了，有点太不厚道了。我们这种生存方式，大家看是不是和水草很相似啊，只不过水草是利用光能来养活自己，我们是利用化学能而已，而另一些家伙比我们聪明得多，它们被称为异营性细菌（就是那些专门制造毒物的家伙），它们用有机物做碳源来构建它们的身体。 2、我们除了像水草一样进行糖类合成反应外（把二氧化碳和水在化学能的作用下合成葡萄糖），也需要其他的营养元素，如铁、锰、磷、钾等，用以代谢合成我们生长所需的一些蛋白质和脂肪等物质，所以大家给水草施的肥料和二氧化碳，我们也笑纳了些，抱歉没打招呼哦。 3、要说我们最不喜欢呆的地方，那就是一个充满了有机废物（如鱼便便）的环境，因为过多的有机物让我们无法忍受，我们又不能把它们当作食物，过多的有机物将会抑制我们的生长和繁殖，但是哥哥硝酸菌对有机物并不那么敏感，有时甚至还能“吃”些水溶性有机物（啊，变节啊），但大多时候我们配合还是非常默契的，兄弟就是兄弟嘛。因为我们有这一特性，所以大家就别指望我们在有一大堆鱼便便的肮脏的过滤棉上安家了，最适宜我们居住的地方是比如生化球、生化环、生化棉这样的，当然在水流流过我们家之前最好把水里的鱼便便、烂叶子提前过滤掉，不然的话，这些东东堵在我们家里，我们可就惨啦，拜托了啊。 4、前边说过了，我们很多兄弟都是游泳健将，我们可以在水中做主动的迁移，虽然这很耗费体能，但如果我们居住的家园受到外来干扰、没有食物吃、有外族入侵、生活环境突然变化时，我们还是会做主动的战略转移的，在转移的途中，我们可是不会吃任何东西的，所以一旦我们背井离乡，请赶快给我们找一个家吧，让我们固定下来好为大家更好地服务。不用担心我们无法在固体表面固定的问题，我们兄弟可是这方面的高手，我们在水中到处游荡时，如果发现有什么固体物质，就会立即分泌一种粘性物质，牢牢地把自己粘到那上边，这样一层层地粘上去，直到形成一个膜，大家都管我们形成的这个膜叫“生物膜”，水质的净化就要靠它了。 5、再透漏些比较隐私的问题，就是我们的繁殖了。我们的繁殖速度说起来真有些不好意思，我们是微生物世界的“大象”，繁殖周期非常长，和那些异营性的腐生菌比较一下大家就明白了。在20个小时内，1个异营性细菌可以分裂成1000000000个，但我们还停留在1个的状态，这也没有什么奇怪的，我们维持生命和繁殖的物质都是靠自己制造的，要耗费大量能量和时间，而那些异营性细菌则可以利用很多现成的东西。讲到这里就不能不说一种发生在开缸后不久容易发生的问题，我们暂且叫它开缸综合征。有些人在开缸后的一个月内鱼儿会不明不白的死去，这主要是因为鱼类的排泄物被那些异营性细菌分解为氨等有毒物质，它们繁殖得实在太快了，相信大家都了解夏天饭菜变质的速度，越来越多的氨在产生，直到超出了鱼、虾能够忍受的极限，它们就……，好痛心啊，那大家问，你们干什么去了？真白养活你们了！各位老大先别急，这事不怪我们，在刚开缸的一个月内，因为我们生得实在太慢了，根本没办法处理那么多的氨，寡不敌众啊。所以提醒各位在开缸后的一个月内勤换换水、少喂喂鱼、用点细菌制剂吧。 6、大家可能认为我们兄弟也太逊了，生得又慢、长得又慢，怎么还没有被淘汰掉呢？达尔文的理论看来问题是不小啊。先等等，我们兄弟虽然有弱点，但也有其他细菌不具备的优势呢！最主要一点就是我们在食物短缺等恶劣环境下可以像冬天的狗熊一样“休眠”，避免了像其他细菌一样被饿死的命运，我们的休眠期最长可以达到2年之久。利用这个原理，有人把我们制成了菌液出售，可以长期保存，其实那里边就是“休眠”的我们。 7、我们还对氧有一种由衷的偏爱，在缺乏氧气的环境里我们根本就无法高效率地处理氨和亚硝酸盐，以至造成我们的生存危机。所以大家如果想让草缸的水质真正良好的话，就让水草制造更多的氧气给我们吧，大家会得到回报的。 8、可能还有人不知道，我们对光线有多么厌恶。弟弟亚硝酸菌对近紫外线的可见光非常敏感，所以不要把飞利普865照到我们身上哦，紫外线对我们的杀伤力更是巨大的。所以让我们在黑暗中工作吧，我们会感谢大家的。 9、在酸碱度方面我们也提点小小要求：我们在弱碱性的环境里生活得更舒服些，如果是草缸，最好也别把PH值调整到6以下，对我们的健康很不利的呀。另外，最适合我们的温度是25度哦。 10、有些毒物也对我们的健康不利，如一些治疗鱼病的鱼药、硫酸铜或螯合铜等，所以在治疗鱼病的时候一定要注意，如果我们都死光光了，你的缸即使不是新开的，也有可能发生开缸综合征的。 最后澄清一个问题，那就是在水族箱中即使添加我们也无助于改善水的浑浊问题，因为我们是被大家用来对付氨和亚硝酸盐而不是水中悬浮的细小颗粒、细菌乃至藻类的。但有一点可以肯定，那就是我们会使你的水族箱中的水变得更优质、更适合生物之生长。 微生物技术在城市生活垃圾处理中的应用 摘要：本文结合堆肥化、卫生填埋两种现行的城市生活垃圾处理工艺，主要介绍了城市生活垃圾生物处理过程中的微生物种群，以及通过分析开发出的新的微生物技术，指出了应用于城市生活垃圾处理的高效的微生物技术的研究方向。 关键词：城市生活垃圾 微生物 强化微生物处理技术 基因工程 ; 随着城市化进程在全球范围的加速，城市化带来的污染和人类聚居状况恶化等问题，已成为世界各国共同关心的问题。城市生活垃圾（Municipal solid waste, 简称MSW）是在城市日常生活及为城市生活提供服务的活动中产生的固体废弃物，是城市环境的主要污染物之一。目前，城市生活垃圾处理处置的方法主要包括卫生填埋（Sanitary landfill）、堆肥化(Composting)、焚烧(Incineration)三种，其中前两种处理方式均属于生物处理技术。具体来说，MSW生物处理技术就是城市生活垃圾中固有的或外添加的微生物，在一定控制条件下，进行一系列的生物化学反应，使得MSW中的不稳定的有机物代谢后释放能量或转化为新的细胞物质，从而MSW逐步达稳定化的一个生化过程。 1. 城市生活垃圾生物处理中主要的微生物。。。 粒子群算法拓扑结构的研究论文
粒子群毕业论文
细菌优化算法毕业论文