| 【中文题名】 | 智能计算及其在网络优化中的应用 |
| 【英文题名】 | Intelligence Computing and Its Application in Network Optimization |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-19 |
| 【中关键词】 | 遗传算法,人工鱼群算法,DNA-GA算法,路由优化,覆盖优化, |
| 【英关键词】 | Genetic Algorithm （GA）,Artificial Fish Swarm Algorithm （AFSA）,DNA-Genetic Algorithm （DNA-GA）,routing optimization,coverage optimization, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
优化命题的解决存在于许多领域，在国民经济的发展中也有着巨大的应用前景。组合最优化(combinatorial optimization)所研究的问题涉及信息技术、经济管理、工业工程、交通运输等诸多领域。由于其目标函数的非线性、约束性、多目标、多模态性，甚至非连续或非解析性，难以用传统的基于严格机理模型的优化方法求解。
与传统的优化方法相比，智能计算无集中控制、多代理机制、算法结构简单、隐含并行性、易理解和易实现的优点，有效地促进了其在应用优化技术中的拓展，在实现生产过程的优化、提高生产效率与效益、节省资源等方面正逐步发挥重要的作用。进化算法和群体智能等智能计算方法，通过“拟物”与“仿生”，形成大规模并行且具有自组织、自适应、自学习等智能特征的计算系统，为解决某些复杂问题提供了卓有成效的方法和途径。
本文针对智能计算中的进化算法和群体智能算法的理论、算法创新及其在网络优化方面的典型应用进行了研究。在选题上，从智能计算的两类应用广泛且关系密切的技术一进化算法和群体智能算法入手，以进化算法中经典的遗传算法作为研究基础，将新颖的人工鱼群算法、DNA算法与进化算法的集成作为研究切入点；在理论上... |
| 【论文题纲】 |
|
中文摘要 |
10-12 |
|
ABSTRACT |
12-14 |
|
符号说明 |
14-15 |
|
第一章 绪论 |
15-21 |
|
1.1 课题研究的目的和意义 |
15 |
|
1.2 背景知识 |
15-17 |
|
1.2.1 最优化问题 |
15-16 |
|
1.2.2 优化计算 |
16-17 |
|
1.3 智能计算及其研究现状 |
17-19 |
|
1.3.1 智能计算的研究现状 |
17-18 |
|
1.3.2 进化计算与群体智能计算 |
18-19 |
|
1.4 论文内容安排 |
19-20 |
|
1.5 本章小结 |
20-21 |
|
第二章 遗传算法及其在路由优化中的应用 |
21-33 |
|
2.1 基本遗传算法 |
21-22 |
|
2.2 遗传算法的实现技术 |
22-27 |
|
2.2.1 编码方法 |
22-23 |
|
2.2.2 个体适应度函数 |
23-24 |
|
2.2.3 遗传算子 |
24-26 |
|
2.2.4 遗传算法的参数选择 |
26 |
|
2.2.5 约束条件的处理方法 |
26-27 |
|
2.3 遗传算法的特点 |
27-28 |
|
2.4 遗传算法的应用 |
28 |
|
2.5 基于遗传算法的路由优化 |
28-32 |
|
2.5.1 路由优化的数学模型 |
28-30 |
|
2.5.2 仿真与实验结果 |
30-32 |
|
2.6 本章小结 |
32-33 |
|
第三章 基于改进的人工鱼群算法的路由优化 |
33-42 |
|
3.1 生物背景 |
33 |
|
3.2 人工鱼群算法 |
33-37 |
|
3.2.1 人工鱼 |
34 |
|
3.2.2 鱼群的行为及描述 |
34-35 |
|
3.2.3 行为选择及最优值的获取 |
35-36 |
|
3.2.4 人工鱼群算法的寻优原理 |
36 |
|
3.2.5 算法描述 |
36 |
|
3.2.6 算法特点 |
36-37 |
|
3.3 基于改进的人工鱼群算法的路由优化 |
37-39 |
|
3.3.1 算法的改进 |
37-38 |
|
3.3.2 算法一些参数的定义 |
38-39 |
|
3.3.3 引入公告板 |
39 |
|
3.3.4 行为选择 |
39 |
|
3.4 实验仿真结果及分析 |
39-40 |
|
3.4.1 仿真实验及结果 |
39-40 |
|
3.4.2 算法性能分析 |
40 |
|
3.5 进一步的研究工作 |
40-41 |
|
3.6 本章小结 |
41-42 |
|
第四章 基于 DNA-GA 算法的传感器网络的覆盖优化 |
42-61 |
|
4.1 生物背景 |
42-44 |
|
4.1.1 DNA的结构 |
42-43 |
|
4.1.2 遗传信息流程及操作方法 |
43-44 |
|
4.2 DNA 计算 |
44-45 |
|
4.2.1 DNA 计算概述 |
44 |
|
4.2.2 DNA计算与进化计算的集成 |
44-45 |
|
4.3 DNA-GA 算法 |
45-51 |
|
4.3.1 基本概念和术语 |
45-46 |
|
4.3.2 DNA-GA 算法的假设 |
46 |
|
4.3.3 DNA-GA 算法的结构 |
46-51 |
|
4.4 基于 DNA-GA 算法的传感器网络节点的覆盖优化 |
51-59 |
|
4.4.1 无线传感器网络的覆盖优化 |
51-54 |
|
4.4.2 DNA-GA 算法设计 |
54-57 |
|
4.4.3 实验仿真结果 |
57-58 |
|
4.4.4 算法性能分析 |
58-59 |
|
4.5 进一步的研究工作 |
59-60 |
|
4.6 本章小结 |
60-61 |
|
第五章 算法特点研究 |
61-65 |
|
5.1 遗传算法、人工鱼群算法、DNA-GA算法 |
61-62 |
|
5.2 进化计算、群体智能计算与智能计算 |
62-65 |
|
总结与展望 |
65-67 |
|
参考文献 |
67-72 |
|
致谢 |
72-73 |
|
攻读硕士研究生期间发表的论文 |
73-74 |
|
学位论文评阅及答辩情况表 |
74 |
|
| 【DOI】 | LunWen.ID:2.2008.388687 |
