一、基于蚂蚁算法的函数优化（论文文献综述）
毛科技,华子雯,张拓,陈立建,赵小敏,李博[1]（2022）在《一种高精度的儿童成年身高预测方法》文中进行了进一步梳理精确的儿童成年身高预测对于制定儿童青少年的发展计划、运动员的选材具有重要的参考意义。目前的儿童成年身高预测方法存在方法过时、预测精度不高等问题。针对这些问题,通过分析中国儿童青少年学生体质和生长发育健康工程在浙江省中小学采集的数据,在BP神经网络的基础上提出一种高精度的儿童成年身高预测方法。针对BP神经网络易陷入局部解的缺陷,提出一种基于位置策略的蚁狮算法并对其进行优化。该算法改进了蚂蚁的游走方式,增强了全局搜索能力。通过10个基准函数的对比实验,证明了位置策略的可行性和有效性。实验结果表明:优化后的BP神经网络模型真实值和预测值的差值在±2 cm以内时,男生成年身高预测精确度达到了86.67%,女生达到了85.32%,相较于其他模型而言,该模型对儿童青少年成年身高预测的结果具有更高的精度。
张松灿[2]（2021）在《基于蚁群算法的移动机器人路径规划研究》文中研究指明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。
冯力静,陈丽芳,刘洋[3]（2021）在《二层规划求解的精确罚函数蚁群优化算法》文中研究说明二层规划问题带有约束条件,求解难度较大,针对此问题提出一种基于精确罚函数的改进蚁群优化算法。首先,设计一种新的精确罚函数处理约束条件,避免了经典罚函数不可微、不光滑的问题;其次,采用改进的蚁群优化算法进行上下层组合求解;再次,编程仿真验证算法的有效性;最后,将其应用于实际价格控制二层规划问题决策中。研究结果表明,基于新的精确罚函数的蚁群优化算法,计算结果更加科学合理,为二层规划、多层规划问题求解提供了一种新的研究思路。
张天瑞,吴宝库,周福强[4]（2022）在《面向机器人全局路径规划的改进蚁群算法研究》文中研究表明针对基本蚁群算法在机器人路径规划过程中路径转弯角度过大、易陷入局部极小值、收敛速度慢等问题,对其进行改进。在分析机器人路径规划环境建模方法基础上,将转角启发函数引入至节点选择概率公式,以增强路径选择指向性,提高算法搜索速度;通过引入当前节点与下一节点之间的距离和下一节点与目标节点距离之和的二次方对启发函数进行改进,使得算法搜索过程更有针对性,并降低陷入局部极小值概率;提出信息素挥发因子自适应更新策略,扩大算法搜索范围,提高收敛速度;利用遗传算法的交叉操作对移动路径进行二次优化,以增强算法的寻优能力,进而以Floyd算法为基础引入路径平滑操作,减少移动路径节点。在MATLAB中与其他算法通过求解多个单模测试函数与多模测试函数进行对比,并在栅格法环境建模中进行机器人全局路径规划仿真对比实验,以验证改进算法在路径寻优速度和质量上更具优越性。仿真结果表明,改进后的蚁群算法具有一定的可行性和有效性。
杨立炜,付丽霞,王倩,杜凌浩,李萍[5]（2021）在《多层优化蚁群算法的移动机器人路径规划研究》文中提出针对地图环境建模以及蚁群算法存在的问题,提出了一种移动机器人路径规划的多层优化方法。首先对U型陷阱栅格区域进行凸化处理,避免前期搜索混乱;设计新的状态转移规则,解决常规蚁群规划的路径过于紧贴障碍物的问题;改进距离启发式函数,有效提高算法收敛速度;设计平滑启发函数,增加蚂蚁局部探索时直行的机率,提升初始路径平滑性;提出按路程长度和平滑程度分配信息素的更新原则,利用优质蚂蚁进行全局信息素更新,进一步提高算法收敛速度;利用最大最小蚂蚁策略,防止蚁群陷入局部最优;通过二次路径优化策略,去除多余冗余点,进一步提升路径平滑性。仿真及实验结果表明,该方法能为移动机器人规划出一条安全且综合性能较好的路径,为路径规划的求解提供了一种切实可行的方法。
宫汝兵[6]（2021）在《改进蚁狮优化算法及其在汽车悬架系统中的应用》文中提出
杨丽婷[7]（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。
张炯[8]（2021）在《面向分布式的任务调度方法及并行优化方法研究》文中研究指明分布式计算已经被广泛应用于网络传输、数据处理等领域。随着分布式计算的普及,使得处理信息数据节省了大量的时间与空间,也让数据处理的计算效率远高于以往,而其中合理的任务调度与高效的数据处理方法是提高计算效率的重要关键。目前,任务调度设计方法在许多领域中主要包括基于分布式框架的任务调度算法、基于单一目标优化的传统任务调度算法以及基于多目标的智能化思想方法等。并行处理方法主要是基于分布式计算框架,通过集群管理的方式,来降低硬件所带来的成本。尽管大多数的任务调度方法和数据处理方法均取得不错的效果,但是在任务调度优化方面和视频数据串行顺序处理方面造成计算效率低的问题上,还是有待提高。本文主要基于并行化的思想,在解决任务调度优化问题和视频数据串行顺序处理而造成的计算效率低的问题上,分别使用改进蚁群优化算法和推测并行的视频解码调度方法,并通过对比实验进行验证。本文研究内容如下:（1）针对分布式计算技术中存在的任务调度优化问题和视频数据串行顺序处理造成计算效率低的问题,总结国内外的研究现状,通过分析不同技术和方法的优缺点,对解决两种问题提出相应的解决方案。（2）提出一种自适应参数控制的蚁群优化算法。在原算法的基础上,采用一种自适应参数控制的方法进行改进,并且采用并行化的虚拟集群的仿真工具CloudSim对改进蚁群优化算法进行模拟仿真。在计算规模相同的条件下进行实验,通过对比其它智能化思想算法的实验结果,验证改进的蚁群优化算法在解决任务调度问题上具有有效性和可扩展性。（3）基于视频解码调度对所提出的调度算法进行验证。在计算机集群环境中,通过该方法,将原本按照串行顺序排列的视频编码数据进行推测划分、检验,并且进行并行解码处理和结果合并。在计算规模相同的条件下,通过对比按照串行顺序解码的实验结果,验证推测并行的视频解码调度方法在解决数据因串行处理而造成效率低的问题上具有有效性、可靠性和可扩展性。
陈佳聪[9]（2021）在《基于蚁群算法的Web服务组合研究》文中研究说明
李鹏年[10]（2021）在《基于无人机遥感的森林植被类型分类研究》文中指出
二、基于蚂蚁算法的函数优化（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、基于蚂蚁算法的函数优化（论文提纲范文）
（1）一种高精度的儿童成年身高预测方法（论文提纲范文）
| 1 BP神经网络预测模型 |
| 2 ALO算法 |
| 3 LSALO-BP算法 |
| 3.1 蚁狮替换 |
| 3.2 改进蚂蚁游走方式 |
| 3.3 蚂蚁替换 |
| 3.4 适应度函数选择 |
| 3.5 LSALO-BP算法实施步骤 |
| 4 实验结果与分析 |
| 4.1 数据采集及分析 |
| 4.2 基准函数测试结果 |
| 4.3 实验结果 |
| 4.3.1 BP网络结构 |
| 4.3.2 预测结果比较 |
| 5 结 论 |
（2）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 |
（3）二层规划求解的精确罚函数蚁群优化算法（论文提纲范文）
| 1 二层规划（BLP）的描述形式 |
| 2 优化算法设计 |
| 2.1 精确罚函数 |
| 2.2 改进蚁群算法 |
| 2.3 优化处理步骤 |
| 3 仿真实验 |
| 4 实际应用 |
| 4.1 价格控制问题描述 |
| 4.2 模型构建及方案优化 |
| 5 结论 |
（4）面向机器人全局路径规划的改进蚁群算法研究（论文提纲范文）
| 1 环境建模 |
| 2 基本蚁群算法 |
| 3 改进蚁群算法 |
| 3.1 设计转角启发函数 |
| 3.2 改进启发函数 |
| 3.3 信息素挥发因子自适应更新 |
| 3.4 路径交叉 |
| 3.5 路径平滑 |
| 3.6 算法步骤 |
| 3.7 运算复杂度 |
| 4 实验仿真与分析 |
| 4.1 优化引入参数 |
| 4.2 算法性能测试 |
| 4.3 算法仿真与对比分析 |
| 4.3.1 20×20仿真环境 |
| 4.3.2 30×30仿真环境 |
| 4.3.3 40×40仿真环境 |
| 5 结论 |
（5）多层优化蚁群算法的移动机器人路径规划研究（论文提纲范文）
| 0 引 言 |
| 1 问题描述 |
| 1.1 栅格环境模型的建立 |
| 1.2 U形陷阱预处理 |
| 1.3 安全性考虑 |
| 2 改进蚁群算法 |
| 2.1 启发式函数的设计 |
| 1)平滑因素 |
| 2)路程因素 |
| 2.2 改进信息素更新 |
| 3 二次路径优化 |
| 4 改进算法的实现流程 |
| 5 算法仿真及评价 |
| 5.1 “凸化处理”结合改进蚁群算法实验 |
| 5.2 改进蚁群算法结合二次路径优化实验 |
| 5.3 安全性改进蚁群算法结合安全性二次路径优化实验 |
| 6 结 论 |
（7）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 |
（8）面向分布式的任务调度方法及并行优化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 任务调度方法 |
| 1.2.2 视频解码方法 |
| 1.3 主要研究内容 |
| 1.4 本文章节安排 |
| 2 理论及技术 |
| 2.1 蚁群算法 |
| 2.1.1 算法原理 |
| 2.1.2 数学模型 |
| 2.1.3 算法实现 |
| 2.2 AVS标准 |
| 2.3 并行计算 |
| 2.4 推测并行算法 |
| 2.4.1 执行模型 |
| 2.4.2 任务划分 |
| 2.4.3 并行执行 |
| 2.4.4 结果处理 |
| 2.4.5 算法应用 |
| 2.5 本章小结 |
| 3 基于改进蚁群优化算法的任务调度方法 |
| 3.1 任务调度 |
| 3.1.1 问题定义 |
| 3.1.2 模型定义 |
| 3.2 算法设计思路 |
| 3.3 算法的改进与实现 |
| 3.3.1 算法改进 |
| 3.3.2 算法实现 |
| 3.4 实验结果分析 |
| 3.4.1 实验环境 |
| 3.4.2 有效性测试分析 |
| 3.4.3 可扩展性测试分析 |
| 3.5 本章小结 |
| 4 基于推测并行的视频解码调度方法 |
| 4.1 方法设计 |
| 4.1.1 推测划分 |
| 4.1.2 划分检验 |
| 4.1.3 并行处理 |
| 4.1.4 结果合并 |
| 4.2 方法实现 |
| 4.3 实验结果分析 |
| 4.3.1 性能测试分析 |
| 4.3.2 可靠性测试分析 |
| 4.3.3 可扩展性测试分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
四、基于蚂蚁算法的函数优化（论文参考文献）
- [1]一种高精度的儿童成年身高预测方法[J]. 毛科技,华子雯,张拓,陈立建,赵小敏,李博. 浙江工业大学学报, 2022(01)
- [2]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
- [3]二层规划求解的精确罚函数蚁群优化算法[J]. 冯力静,陈丽芳,刘洋. 华北理工大学学报(自然科学版), 2021(04)
- [4]面向机器人全局路径规划的改进蚁群算法研究[J]. 张天瑞,吴宝库,周福强. 计算机工程与应用, 2022
- [5]多层优化蚁群算法的移动机器人路径规划研究[J]. 杨立炜,付丽霞,王倩,杜凌浩,李萍. 电子测量与仪器学报, 2021
- [6]改进蚁狮优化算法及其在汽车悬架系统中的应用[D]. 宫汝兵. 辽宁科技大学, 2021
- [7]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)
- [8]面向分布式的任务调度方法及并行优化方法研究[D]. 张炯. 西安理工大学, 2021(01)
- [9]基于蚁群算法的Web服务组合研究[D]. 陈佳聪. 南京邮电大学, 2021
- [10]基于无人机遥感的森林植被类型分类研究[D]. 李鹏年. 辽宁工程技术大学, 2021