基于自适应蚁群算法的传热模型参数辨识
一种基于云模型的自适应蚁群算法
一种基于云模型的自适应蚁群算法李絮;郭英;刘争艳【摘要】针对蚁群算法在解决大规模优化问题中易陷入局部最优及收敛速度慢等缺陷，提出了一种基于云模型的自适应蚁群算法。
通过对信息素分布状况进行评价，自适应地调整云模型中各参数，并根据云模型参数，确定全局最优及次优路径，进行全局信息素更新，以改善算法的全局搜索能力。
同时，为了避免算法陷入停滞，将信息素大小限制在一个最大最小区间。
仿真实验结果验证了提出的算法的高效性和稳定性。
%Ant colony algorithm is easy to fall in local best, and its convergent speed is slow in solving large-scale optimiza-tion problems. In this paper, a self-adaptive ant colony algorithm based on cloud model is proposed. Through the evaluation of pher-omone distribution, the parameters of the cloud model are adjusted adaptively. According to the parameters, the global optimal and suboptimal paths are determined, and the global pheromone is updated to improve the global search ability of the algorithm. Mean-while, in order to avoid stagnation, the range of pheromone is limited to a maximum-minimum interval. Simulation results validate the efficiency and stability of the proposed algorithm.【期刊名称】《阜阳师范学院学报（自然科学版）》【年(卷),期】2015(000)002【总页数】5页(P87-91)【关键词】蚁群算法;云模型;信息素;旅行商问题【作者】李絮;郭英;刘争艳【作者单位】阜阳师范学院计算机与信息工程学院，安徽阜阳 236041;阜阳师范学院计算机与信息工程学院，安徽阜阳 236041;阜阳师范学院计算机与信息工程学院，安徽阜阳 236041【正文语种】中文【中图分类】TP301蚁群算法(Ant Colony Algorithm，ACA)是受自然界中蚂蚁觅食行为启发，由意大利学者Marco Dorigo 等人提出的一种仿生智能优化算法，已被广泛应用到路径规划、车辆调度、旅行商问题( TSP)等一系列组合优化问题中[1-3]。
基于相关度的蚁群优化算法对内热源位置的识别
2023年见证取样和送检制度参考引言：取样和送检制度在任何行业中都是非常重要的环节，尤其是在医疗、化工、食品等领域，对于确保产品质量和安全至关重要。
2023年，随着科技的进步和制度的完善，见证取样和送检制度也将得到进一步的加强和改善。
本文将针对2023年见证取样和送检制度做一些参考性的讨论，包括见证取样的重要性、见证取样的程序和规范、见证取样的技术手段以及送检制度的完善等方面。
一、见证取样的重要性见证取样是保障产品质量和安全的重要环节。
只有通过见证取样，才能确保取得的样品是真实、有效的，能够准确地反映出产品的质量状况。
见证取样还可以防止样品被篡改或者潜在问题被隐瞒，确保取样的公平性和公正性。
二、见证取样的程序和规范1. 依法依规：见证取样必须在相关法律法规的指导下进行，确保操作的合法性和规范性。
相关法律法规应当对见证取样的程序和要求进行详细规定，明确取样的程序、见证人的资格和责任等。
2. 审查资质：见证取样的人员需要经过严格的资质审查和培训，具备相关领域的专业知识和技能，熟悉取样程序和规范。
只有具备合格的资质和能力的人员，才能担任见证取样的工作。
3. 定期培训：见证取样的人员应定期进行培训，了解最新的取样技术和法律法规的更新，提高专业水平和工作效能。
4. 记录和备案：见证取样的过程应进行详细的记录，包括取样地点、时间、取样人员和见证人员的信息等。
同时，相关单位和个人也应保存见证取样的主要数据和证据材料，以备日后审查和追溯。
三、见证取样的技术手段1. 原位取样：随着科技的不断进步，原位取样的技术手段将得到更加广泛的应用。
通过原位取样，可以实时监测产品生产、运输和储存的环境，及时发现和解决潜在问题。
2. 无损取样：在一些对样品完整性要求比较高的领域，无损取样技术将成为一种重要的手段。
无损取样技术可以在不破坏样品完整性的情况下获取样品，提高取样的准确性和可靠性。
3. 自动取样：自动取样设备将逐渐在见证取样中得到广泛应用。
基于自适应蚁群算法的模糊聚类算法
基于自适应蚁群算法的模糊聚类算法白亚男;司应硕【摘要】将自适应蚁群优化算法与FCM( Fuzzy C-Means)算法相结合,提出了一种模糊聚类分析的新算法.该算法通过把FCM算法中的目标函数降维,将其转化为自适应蚁群优化算法中的优化函数,通过对各个节点的路径连接数的衡量,根据蚂蚁在搜索过程中所得解的分布状况,动态调节蚂蚁的路径选择和信息量更新,从而得到目标函数的最优解.结果表明,该方法比FCM算法具有更好的收敛效果和更高的聚类准确率.【期刊名称】《华北水利水电学院学报》【年(卷),期】2011(032)006【总页数】4页(P134-137)【关键词】蚁群算法;模糊聚类;连续空间优化;FCM;信息素;正反馈【作者】白亚男;司应硕【作者单位】平顶山学院,河南平顶山467000;郑州航空工业管理学院,河南郑州450046【正文语种】中文聚类分析作为无监督分类的一种方法是一种硬划分，模糊集合理论被引入到聚类分析领域即发展为模糊聚类分析理论.目前研究的热点是基于目标函数的模糊聚类方法，这种方法是把聚类归结为一个带有约束的非线性规划问题，通过优化求解获得数据集的模糊划分和聚类.该方法设计简单，解决问题范围广，易于实现.模糊C均值(Fuzzy C-Means，FCM)理论［1］是此类方法中最为完善，应用最为广泛的算法.而FCM算法的缺点也是显然的，由于目标函数是非凸的，而FCM算法是迭代爬山算法，很容易陷入局部最优点或者鞍点，而不能收敛到全局的最优解.此外，算法耗时大，需要先验知识来确定待聚类的类别数目和类型.FCM算法存在的这些问题使模糊聚类问题变得更加复杂.蚁群算法［2］(Ant Colony Algorithm)是人们受蚁群群体行为的启发提出的一种基于种群的模拟进化算法，由意大利学者M.Dorigo等人首先提出［3］.该模型已成功应用于求解旅行商问题、二次分配问题［4］、job-shop调度问题、NP-完全的组合最优化问题等.为了克服蚁群算法收敛慢、容易出现停滞现象、算法的运算时间长等缺点，人们提出了大量改进算法.近年来，蚁群算法应用于模糊聚类分析的算法的研究还不够深入，蚁群聚类算法由Deneubour提出，Lumer等改进了此算法并提出了LF算法，将数据随机均匀散布在二维表格中，每只蚂蚁随机选择一个数据，根据该数据在局部邻域的相似性得到的概率，决定蚂蚁对它是否拾起、移动或放下.表格内的数据经过有限次的迭代，按其相似性而聚集，最后得到聚类结果和聚类数目.算法的不足是运行效率低，当数据集的规模增加时，其效率将不断下降.另外一类研究是将蚁群算法应用于FCM 的算法［5］，其思想是由将初始聚点为食物源，其余数据样本为蚂蚁，数据聚类过程即为蚂蚁寻找最近食物源的过程，再结合FCM算法不断的修改聚类中心，达到预定阈值算法停止.此算法的缺点是需要初始化聚类原型，降低了并行搜索能力. 通过把自适应蚁群算法引入到模糊聚类问题上，笔者提出了一种新的模糊聚类算法——AACA－FC算法(Adaptive Ant Colony Algorithm－Fuzzy Clustering Algorithm)基于自适应蚁群算法的模糊聚类算法.此算法在对目标函数的优化上，利用蚁群算法的并行计算、正反馈的优点，保证了算法能跳出局部最优解而收敛到全局最优解;设计改进的蚁群算法——自适应的蚁群算法用于模糊聚类有助于改善蚁群算法初期收敛速度慢和易停滞的缺点.通过仿真实验和对比实验证明，AACA －FC算法不仅可有效地解决FCM算法存在的问题，而且达到了聚类准确度高、类内紧密度高和类间分离度大的目标.1 基本算法描述1.1 蚁群算法蚂蚁是群体生活的社会性昆虫，社会成员之间存在有组织的分工、相互的通讯和信息的传递［6］.蚁群有着独特信息系统，通过信息素的不同组合，触角信号和身体动作等策动其他的个体共同协作完成任务.信息素是蚂蚁在从食物源到蚁穴返回过程中，在走过的路径上分泌的一种化学物质，这些物质在路径上形成了信息素轨迹.蚂蚁在运动过程中可以感知这种物质的存在和强度，以此指导自己的运动方向，并且使蚂蚁趋向于朝着信息素强度高的方向移动.由于信息素的存在，蚂蚁能在没有可见提示下，找到从蚁穴到食物源的最短路径，而且能够随着环境的变化而变化的搜索出新的路径，产生新的选择.在蚁群算法中，人工蚂蚁被赋予了以下的特性:1)蚂蚁在运动过程中或者完成一次循环后，在路径上释放信息素.2)蚂蚁以一定的概率选择下一个将要访问的结点，这个概率是两个结点间存在的信息素轨迹量的函数.3)在完成一次循环以前，蚂蚁经过的结点不可重复.1.2 FCM 算法问题描述:对于待聚类的M个数据，每个数据N维属性，类别个数为c，求出第i 类的聚类原型矢量 pi=(pi1，pi2，…，piN)和隶属度矩阵 U=［μik］c×N其中i=1，2，…，c，k为第k个样本数据.目标函数为式中dik为第k个样本与聚类原型pi的欧式距离.FCM算法中，对于给定的类别数c，设定迭代停止阈值ε，初始化聚类中心模式P(0)，设置迭代计算器b=0，步骤1 计算或者更新隶属矩阵U(b)Ai，k，若 -＞ 0，则若 -i，r，使得=0，则=1，且对j≠ i，=0.步骤2 更新聚类中心矩阵p(b+1):步骤3 如果，则算法停止，输出隶属矩阵U和聚类中心矩阵P，否则令b=b+1，转向步骤1.2 AACA－FC算法2.1 算法设计思想2.1.1 优化函数在AACA算法当中，优化函数为一元函数，而基于目标函数的模糊聚类算法中的目标函数却是一个关于U和P的二元函数，文献［1］对多维有约束函数优化进行了研究，但是利用蚁群算法直接对多维函数进行优化比较复杂，因此把二元目标函数转换为一元目标函数，可以简化研究.通过对模糊C均值聚类算法(FCM)的研究，其目标函数式中:μik∈［0，1］，Ai，k;dik表示第 k个样本与聚类原型pi的欧式距离，m∈［1，+∞)为加权指数，又称为平滑参数.M为待聚类的数据个数.利用拉格朗日乘数法，根据约束条件得出代入公式(3)，从而使得目标函数F转化为关于pi的一元函数，即进而可将式(2)作为蚁群算法当中的目标函数进行优化.从而使得目标函数F转化为关于pi的一元函数.2.1.2 自适应全局信息素挥发系数当问题规模比较大时，由于信息量的挥发系数ρ的存在，使那些从未被搜索到的信息量会减小到接近于0，降低了算法的全局搜索能力.而且ρ过大时，当解的信息量增大时，以前搜索过的解被选择的可能性过大，也会影响到算法的全局搜索能力.通过减小ρ虽然可以提高算法的全局搜索能力，但又会使得算法的收敛速度降低;因此可以自适应地改变ρ的值.ρ的初始值为1，当算法求得最优解在N次循环内没有明显改进时，ρ减为式中ρmin为ρ的最小值，可以防止ρ过小降低算法的收敛速度.2.2 算法步骤步骤1 为了便于在高维数据空间使用蚁群算法，采用降维方法进行处理.由于聚类原型pi=(pi1，pi2，…，piN)∈RN 且 i=1，2，…，c ，因此上述 F表达式的c 个N维变量可转化为cN个一维变量以此实现降维处理.问题就转化为求minF(p11，p12，…，p1N，p21，p22，…，p2N，…，pc1，pc2，…，pcN)时的 pi.便与描述算法步骤，将上式表示为求minF(p1，p2，p3，…，pcN);步骤2 估计各个变量的取值范围，将各个变量K等分;步骤3 给信息素矩阵τij(1≤i≤cN，1≤j≤K)各个元素赋值常数c，即τ0=c，表示所有变量的所有区间有相同的信息素量.将m只蚂蚁随机分配到初始变量p1的K 个子区间内;步骤4 如果，转向步骤2，最优解是，否则执行步骤5;步骤5 设t=0;步骤6 每只蚂蚁根据参数q0独立选择路径，到达下一个变量pi对应的某个区间j.m只蚂蚁并行工作.式中q∈(0，1)为随机数.J为转移概率，可根据下式计算步骤7 按下式局部更新每只蚂蚁到达的区间的信息素量τij，且取每只蚂蚁到达第i 个变量对应的第j个区间的中间值为pi的当前解.其中ξ∈(0，1)且步骤8 当m只蚂蚁独立并行的选择完变量xi对应的区间后，返回步骤6，选择下一个变量对应的区间，直到m只蚂蚁都重新回到第一个变量p1所对应的区间并局部更新后，一次周游完毕.步骤9 对于每只蚂蚁在每个区间取得的解，计算函数F的值，找到最小值对应的最优解即为本代的最优解和最佳路径.步骤10 如果＜，则对于第 S 代的最优解按照下式进行全局更新.式中为挥发系数，可由式(5)得到.步骤11 t=t+1，若t＜tmax返回步骤6，否则要找出信息素矩阵τij每行(对应于每个变量)的最大元素(信息素量最大)的列号li(对应于所分区间的编号)，利用下式缩小变量的取值范围:其中Δ为一个正数，用于控制缩小范围的速度.t←0，转向步骤2.步骤12 将最优解对应的解进行解码操作，转化为c×N的矩阵，即为最优聚类原型矩阵.进而可以得到隶属度矩阵.3 AACA－FC算法仿真实验选择一组标准数据集IRIS数据作为测试样本集，以比较算法的收敛速度和优化程度.IRIS数据由四维空间中的150个样本点组成，每一个样本具有4个分量，每个类各有50个样本.其中Setosa与其他2类间完全分类，Versicolor和Virginica之间有交叉.实验中采用的参数设置如下:m=50，qmin=0.5，ξ=0.55，ρmin=0.1，Q=100，ε =0.001，τmax=10，τmin=0.01，q0=0.01，α =1，Δ =5，AACA－FC算法中目标函数min(F)随迭代次数的优化过程曲线如图1所示，由数据集的二维属性Sepal Length和Sepal Width绘制聚类效果图.图1 目标函数min(F)随迭代次数的优化过程曲线从图1可以看出，AACA－FC算法经过30代迭代收敛于全局最优解，可见自适应蚁群算法解决模糊聚类问题是有效的;通过计算，ACCA－FC算法的误分数为7，误分率为4.67%，与FCM算法10.67%的误分率相比，降低了6个百分点，进一步印证了ACCA－FC算法聚类准确率高的优点.FCM算法和ACCA－FC算法具体实验结果对比见表1.表1 FCM算法和ACCA-FC算法实验结果对比算法误分数/个误分率/%聚类中心目标函数p1=(6.72，3.04，5.59，2.04)FCM 16 10.67 p2=(5.90，2.78，4.37，1.39)60.56 p3=(5.00，3.41，1.49，0.25)p1=(5.89，2.77，4.37，1.40)ACCA－ FC 7 4.67 p2=(5.01，3.42，1.49，0.24)60.40 p3=(6.75，3.05，5.63，2.06) 4 结语提出了一种基于自适应蚁群优化算法和FCM算法相结合的新算法.一方面，把FCM算法中的目标函数通过降维操作，将其转化为蚁群算法中的优化函数进行优化;另一方面，改进了蚁群算法，引入自适应全局信息素挥发系数，动态调节蚂蚁的路径选择和信息量的更新，不仅提高了蚂蚁的全局搜索能力，而且提高了收敛速度.仿真实验证明，新算法不仅可以有效地弥补FCM算法容易陷入局部极值点或者鞍点而得不到最优解甚至满意解的缺点，而且比FCM算法具有更好的收敛效果和更高的聚类准确率.该方法把模糊聚类问题转化为函数优化问题，为模糊聚类分析问题提供了新的解决思路.但由于蚁群算法参数的设置理论尚不完善，且实验的效果一定程度受限于参数的设置，下一步需对此进行深入探究，使算法的结果更有效. 参考文献［1］高新波.模糊聚类分析及其应用［M］.西安:西安电子科技大学出版社，2004. ［2］李士勇.蚁群算法及其应用［M］.哈尔滨:哈尔滨工业大学出版社，2004. ［3］ Dorigo M，Maniezzo V，Colorni A.Ant system:optimization by a colony of cooperating agents［J］.IEEE Transactions on SMC，1996，26(1):29 －41.［4］ Gambardella L M，Taillard E D，Dorigo M.Ant colonies for the QAP ［J］.Journal of the Operational Research Society.1999，50(2):167 －176. ［5］徐晓华，陈岐.一种自适应的蚂蚁聚类算法［J］.软件学报，2006，17(9):1884 －1889.。
2023年硕士研究生毕业论文开题报告_1
2023年硕士研究生毕业论文开题报告2023年硕士研究生毕业论文开题报告1开题报告是研究生毕业论文工作的重要环节，是指为阐述、审核和确定毕业论文题目而做的专题书面报告，它是研究生实施毕业论文课题研究的前瞻性计划和依据，是监督和保证论文质量的重要措施，同时也是训练研究生科研能力与学术作品撰写能力的有效的实践活动。
1.1毕业论文选题的原则毕业论文选题一般要求满足以下原则：①开拓性:前人没有专门研究过或虽已研究但尚无理想的结果，有待进一步的探讨和研究，或是学术界有分歧，有必要深入研究探讨的问题;②先进性:硕士毕业论文要有新的见解，博士毕业论文要做出创造性成果;③成果的必要性:所选课题应有需要背景，针对实际的和科学发展的需要，即应有实际效益或学术价值;④成果的可能性:课题的内容要有科学性，难易程度和工作量要适当，充分考虑到在一定时间内获得成果的可能性。
以上要求说明，毕业论文题目不是给定的，而是研究出来的，只有在对所研究领域的过去、现在的研究资料等信息进行全面把握、深入分析的基础上，才能够确立满足以上“四性”要求的选题，从而为完成高质量的.毕业论文奠定坚实的基础。
无论是结合导师已有科研任务的选题，还是自选课题，选题之前的“信息积累”与“发现问题”均是研究生所必须经历的过程，尽管导师已完成了以上过程，但导师并不能替代研究生，这就是研究生学习、研究的独立性要求。
1.2开题报告的内容与撰写要求开题报告的内容一般包括：题目、立论依据(毕业论文选题的目的与意义、国内外研究现状)、研究方案(研究目标、研究内容、研究方法、研究过程、拟解决的关键问题及创新点)、条件分析(仪器设备、协作单位及分工、人员配置)等。
2.1开题报告——毕业论文题目题目是毕业论文中心思想的高度概括，要求:①准确、规范。
要将研究的问题准确地概括出来，反映出研究的深度和广度，反映出研究的性质，反映出实验研究的基本要求——处理因素、受试对象及实验效应等。
基于自适应蚁群算法的无线传感器网络能量优化
基于自适应蚁群算法的无线传感器网络能量优化
高峰;武睿;刘南平
【期刊名称】《河北工业大学学报》
【年(卷),期】2010(039)006
【摘要】当能量受限时如何降低节点功耗,是无线传感器网络需要解决的首要问题.为解决这一问题,提出了一种基于自适应蚁群算法的无线传感器网络能量优化方法,该方法鲁棒性强、易于并行计算.在对无线传感器的能量优化中,采取了动态概率选择、优化信息素矩阵和遗传变异相结合的过程.通过蚂蚁在不同数量下,传感器节点的最优路径寻找研究对比表明,自适应蚁群算法的总能耗较低,网络节点的生存能力较强,同时,传递数据的总延时较短.
【总页数】5页(P4-7,16)
【作者】高峰;武睿;刘南平
【作者单位】河北工业大学信息工程学院,天津,300401;河北工业大学信息工程学院,天津,300401;河北工业大学信息工程学院,天津,300401
【正文语种】中文
【中图分类】TP18
【相关文献】
1.依托路由规则的自适应能量优化分簇无线传感器网络路由算法 [J], 杨晗;杨天明
2.基于蚁群算法的非均匀分簇水声传感网能量优化路由研究 [J], WANG
Lei;QIAO Li;QI Junyan;LIU Zhizhong
3.基于能量优化的无线传感器网络任播路由算法 [J], 周文祥;乔学工
4.基于无线传感器网络分簇算法的能量优化研究 [J], 蔡秀梅;胡可欣;李伟;马翔
5.基于能量优化的三维无线传感器网络覆盖算法 [J], 孙爱晶;朱鑫鑫;王磊
因版权原因，仅展示原文概要，查看原文内容请购买。
基于多数据源的连铸软测量模型校正方法研究
基于多数据源的连铸软测量模型校正方法研究张晓杰;纪振平【摘要】针对铸坯凝固传热软测量模型的准确性问题，提出了基于多数据源的模型校正方法。
首先在铸坯不同位置测量其表面温度，然后根据测量数据和凝固传热数学模型的计算数据将参数辨识问题转化为参数优化问题，采用自适应粒子群优化算法进行模型参数辨识。
最后利用凝固坯壳厚度的测量数据验证传热模型的准确性，结果表明：校正后的凝固传热模型可以满足工程应用要求，可用于实际连铸机的计算分析。
%Aiming at the heat transfer model’ s accuracy in casting blank solidification process, a soft-sensing model calibration method based on multiple data sources was proposed, at first, it has the casting blank’ ssur-face temperature measured at different locations; then, has the measured data and numerical solution of the heat transfer model for the solidification based to transform the parameter identification into parameter optimiza-tion, and has adaptive particle swamoptimization( APSO) introduced to identify the convection heat transferco-efficient;finally, it has the casting blank’ s shell thickness measured to verify accuracy of the heat transfer model.The results show that the calibrated model can satisfy engineering requirements.【期刊名称】《化工自动化及仪表》【年(卷),期】2015(000)003【总页数】4页(P296-299)【关键词】连铸软测量模型;凝固传热;模型校正;自适应粒子群优化算法【作者】张晓杰;纪振平【作者单位】沈阳理工大学信息科学与工程学院，沈阳110159;沈阳理工大学信息科学与工程学院，沈阳110159【正文语种】中文【中图分类】TQ026.7连铸是钢铁生产过程的核心环节，连铸传热模型可以实现铸坯的凝固状态和温度场分布的软测量，是进行连铸工艺优化和精确控制的基础，对提高连铸产品质量具有重要作用。
基于蚁群算法的热工系统模型辨识
Ｉ ｄ ｅ ｎ ｔ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｔｈ ｅ ｒ ｍａ ｌ Ｓ ｙ ｓ ｔ ｅ ｍ Ｍｏ ｄ ｅ ｌ Ｂａ ｓ ｅ ｄ ｏ ｎ Ａｎ ｔ Ｃｏ ｌ ｏ ｎ ｙ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
Ｗ ＥＩ Ｇｅ ｎ —ｙ ｕ ａ ｎ． Ｚ ＨＵ Ｂｏ． ＭＡ Ｌ ｅ ｉ
第３ １ 卷 第１ 期
文章编号 ： １ ０ ０ ６ — ９ ３ ４ ８ （ ２ ０ １ ４ ） ０ １ — ０ １ ５ ４ — ０ ３ 计算机仿真
２ ０ １ ４ 年１ 月
基 于蚁 群 算 法 的热 工 系 统模 型 辨 识
韦根 原 ， 朱 波， 马 磊
（ 华北 电力大学河北省发 电过程仿真与优化控制重点实验室， 河北 保定 ０ ７ １ ０ ０ ３ ）
ｔ ｅ ｎ ．Ｔ ｒ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ａ ｍｅ ｔ ｈ ｏ ｄ ｕ ｓ ｉ ｎ ｇ ａ ｎ ｔ ｃ ｏ ｌ ｏ ｎ ｙ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｔ ｏ ｉ ｄ ｅ ｎ ｔ ｉ ｆ ｙ ｔ ｈ ｅ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ｏ ｆ ｔ ｈ ｅ ｒ ｍａ ｌ ｓ ｙ ｓ ｔ ｅ ｍ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｌ ｅ ｄ
ｔ ｉ ｃ ｕ ｌ ａ ｒ ｃ ｏ ｍｂ ｉ ｎ ａ ｔ ｏ ｉ ｒ ａ ｌ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｔ ｉ ｏ ｎ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ．Ｉ ｎ ｅ ｓ ｓ ｅ ｎ ｃ ｅ ，ｔ ｈ ｅ ａ ｎ ｔ ｃ ｏ ｌ ｏ ｎ ｙ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ａ ｓ ｉ ｍｕ ｌ ａ ｔ ｅ ｄ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ａ ｙ ｒ ａ ｌ ｇ ｏ ・
摘要： 被控对象 的数学模型 ， 对控制系统的设计 和分析有着极 为重要的意义 。提 出一种采用蚁群 算法对热工 系统 的被控 对 象进行参数辨识 的方法 。蚁群算法是群体随机搜索算 法， 用 于解决特定组合优化 问题 。蚁群算法本质上是一种模 拟进化算 法， 结合 了分布式计算 、 正反馈和贪婪式搜索算 法 ， 在搜索过程 中不容易陷入局 部最优 ， 能在短 时间内 以较大 概率发 现最优
一种基于自适应蚁群算法的数据关联方法
数据量 的膨胀 会使其演化为 Ｎ Ｐ难问题 。袁东辉等 人 利
用拉格 朗 日松弛算法将 Ｓ维分 配问题转化 为松 弛的二维分 配 问题来求解 ， 进而将数 据关联 问题转化 为优化 问题 。本 文在蚁群 数 据 关 联 （ ｎ ｃｌｎ ａａａｓｃａｏ ， Ｃ Ａ） ａｔ ｏｏｙｄ ｔ ｓ ｉｔｎ Ａ Ｄ 算 ｏ ｉ 法 ， 的基础上 ， 出了一种基 于 自适 应蚁群 算法 的数据 提 关联方法 ， 通过动态调整转移概率和 自适应地更新信息素 ， 解决 了蚁群算法在数据关联 中易 陷入局部最优 与收敛速度 慢 的问题 ， 通过仿真实验表明 ： 该算法在解决 目标数据关联
局搜索能力 。
△ ：∑△：，
ｌ
表示 只蚂蚁在关联 （ ，） 间根 据排 名对信 息素轨 迹量 ｉ 之
以上通过动 态调 整转 移 概率 和 自适 应 地改 变 挥 发 系 数 ， 以较好地解决蚁 群算 法在数 据关联 问题 中易 陷于局 可 部最优 的问题 ， 并在一定程度上提高 了算法 的收敛速度 。
重要程度 ； 叼 根据 问题 的下界定义 ： ／ 。 叼 ＝ｌｚ
３ 局 部更 新 ： 只 蚂 蚁 在 选 择 自己 的 路径 时 ， 用 局 部 ） 每 应
更新规则来修改 自己已分 配过 的航迹一 观测 关联对 上 的信 息素量 。更新规则如下
＝ ，
率 就会 变得 较大 ， 因而降低 了算法的全局搜索 能力 ， 而那些
ｔ ｅ ｐ ｅ ｏ ｎ ａ ｈ ｒ ｎ ｅ ｈ ｓｍｕ ａ ｉｎ ｅ ｕｔ ｓ ｏ ｔ ａ ｔ ｉ ｌｏ ｉ ｍ ｉ ｆ ｃｉ ｅ ｎ ｏｖ ｎ ｈ ｄ ｔ ｈ ｈ ｒ ｍｏ ｅ ｄ ｅ ｅ ｃ ．Ｔ ｅ ｉ ｌｔ ｒｓ ｌ ｏ ｓ ｈ ｗ ｈ ｔ ｈ ｓ ｇ ｒ ｈ ａ ｔ ｓ ｆ ｔ ｏ ｓ ｌｉ ｇ ｔ ｅ ａａ ｅ ｅ ｖ
基于蚁群算法的电力系统负荷模型参数辨识
题 。
一一
ｌｔ ａ ｒ ｏ
—
Ｆ
１（ Ｔ
ｌ
（） ２
（ ３）
Ｅ ＴＭ） －
…
ห้องสมุดไป่ตู้
（ １ Ｓ ｔ一 一 ，
电磁力 矩方 程为 ：
Ｔ ｒ Ｅ’ｉ ＋ Ｅ ’Ｉ — ｄｄ ｑｑ （ ４）
Ｉ 南 ｄ莨
Ｘ — Ｘ Ｘ ＋
［・ ｄ Ｅ ） ｘ（ Ｅ ） （ Ｒ（ — ’＋ ’ － ’］ ６ Ｖ ｄ Ｖ ）
（ ） ８
是 自下 而 上 的 一 种 建 模 方 法 ， 调 查 得 到 某 地 区 底 先 层 负 荷 的 构 成 特 性 ， 后 有 低 压 侧 向 高 压 侧 规 算 负 然 荷 模 型 。该 方 法 的 优 点 是 物 理 意 义 明 确 ， 于 理 解 ， 易 缺 点是调 查 统计 工作 量 大 ， 确 性低 ， 利 于长 期进 准 不 行 。 体 测 辨 法 是 一 种 自上 而 下 的 建 模 方 式 ， 负 荷 总 把 看成 是 一个 黑箱 系统 ， 不管 其 内部 的组 成结 构 。 而 只 根 据 负荷 电压 、 率 的测 量 值 利 用 系统 辨识 理论 计 功 算 出负荷 参 数 。故 障仿 真法 是是 基 于全 网的 负荷都
一
性 时 间 常 数 ， 为 定 子 电 阻 ， 为 定 子 电 抗 ， 为 Ｒ。 ｘ。 Ｘ， 转 子 电 抗 ， 为 转 子 电阻 ， Ｒ Ｘ 是 定 转 － 互 感 抗 ， Ｔ － Ｘ’ 为 转 子 不 动 时 短 路 电 抗 ， 为 转 子 开 路 电 抗 ， ’是 Ｘ Ｔｄ ｏ 定子 开路 转子 回路时 间 常数 ， Ｋ。为 异 步 电 动 机 负 荷 率 系数 ， ， Ｃ为机 械 转矩 系 数 。上述 变 量和 参 数 Ａ Ｂ，
一种基于混沌蚂蚁群算法的系统参数辨识方法
一种基于混沌蚂蚁群算法的系统参数辨识方法
祝洪宇;贾朱植
【期刊名称】《信息技术》
【年(卷),期】2009(000)005
【摘要】提出了一种基于混沌蚂蚁群算法的控制系统辨识方法,这种方法在给定控制系统数学模型的条件下,将控制系统的参数辨识问题转化为参数的寻优问题,之后利用混沌蚂蚁群算法的全局优化搜索能力对问题进行求解.以典型控制系统为例进行了计算机仿真,实验结果表明,使用混沌蚂蚁群算法可以得到很好的参数估计结果.【总页数】3页(P79-81)
【作者】祝洪宇;贾朱植
【作者单位】辽宁科技大学电子与信息工程学院,鞍山,114051;辽宁科技大学电子与信息工程学院,鞍山,114051
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.一种数控机床伺服系统参数辨识方法的研究 [J], 黎浩炜;张礼兵;姚亦成;杨柳;余宽平
2.一种非线性振动系统参数辨识方法 [J], 张娟;李亮;张烈霞;邓峰岩
3.一种基于UKF的系统参数在线辨识方法 [J], 余璘;徐锦法
4.利用拉氏变换的一种连续系统参数辨识方法 [J], 赵志魁;孙连明
5.基于自适应同步的混沌系统参数辨识方法的研究 [J], 任海鹏;殷佳;郑岗;韩崇昭
因版权原因，仅展示原文概要，查看原文内容请购买。
基于蚁群算法的暖通空调控制策略的研究的开题报告
基于蚁群算法的暖通空调控制策略的研究的开题报告一、研究背景和意义随着现代生活水平的提高，家庭与办公场所中采用的暖通空调系统扮演着至关重要的角色，其对室内温度、湿度和空气质量等参数的有效控制不仅直接关系到室内舒适性，还与能源消耗和环境保护等问题密切相关。
因此，如何寻求一种高效、可靠的暖通空调控制策略成为当前学界和工业界普遍关注的研究热点之一。
蚁群算法（Ant Colony Optimization, ACO）是一种基于自组织和启发式信息素更新的群智能算法，具有并行性、鲁棒性、适应性强等显著优势，在最优化问题解决中得到了广泛的应用。
利用蚁群算法优化暖通空调控制策略，能够克服传统优化算法因受限于约束条件、易陷入局部最优解等问题所带来的种种限制，有望提升控制效果和性能指标的优越性。
二、研究内容和方法本文以基于蚁群算法的暖通空调控制策略为研究对象，旨在探究如何利用蚁群算法进行室内温度、湿度和空气质量等参数的优化调控，进一步提升室内舒适性和能源利用效率，同时降低对环境的影响。
具体研究内容包括：1. 建立基于蚁群算法的暖通空调控制模型；2. 设计优化方案，明确每个优化参数的含义和权重；3. 将蚁群算法应用于优化方案中，更新信息素矩阵；4. 评估优化算法的效果，对比传统算法；5. 对比实验，验证所提出控制策略的有效性和可行性。
本文采用的方法主要包括：1. 文献综述：深入探究暖通空调控制和蚁群算法的基本理论和原理，具体分析其适用性和应用领域；2. 需求分析：针对不同场合的室内环境特征，确定优化参数和优化目标，设计实验方案；3. 模型建立：以室内温度、湿度和空气质量等参数为目标函数，构建基于蚁群算法的暖通空调控制模型；4. 模拟实验：通过数据模拟等手段，对模型进行仿真计算，确定最优解和最优控制策略；5. 实验验证：选取具有典型环境特征的实际空调系统，进行对比实验，验证所提出策略的可行性和效果。
三、研究目标和预期结果本文主要目标是深入研究基于蚁群算法的暖通空调控制策略，通过控制算法的优化，提高暖通空调系统的控制精度和能效，保证室内环境的舒适度和能源利用的可持续性。
自适应调整α,β参数的蚁群算法
自适应调整α,β参数的蚁群算法
刘立东;蔡淮
【期刊名称】《计算机工程与设计》
【年(卷),期】2007(28)20
【摘要】为了提高基本蚁群算法的全局求解能力,对基本蚁群算法进行了改进,提出了一种通过自适性改变启发式因子α和期望启发式因子β的蚁群算法.当连续几代进化后的最优解没有明显变化时,改进后的算法通过对启发式因子α和期望启发式因子β的自适应调整来提高最优解的求解质量.通过对TSP问题的仿真表明,改进后的蚁群算法在求解最优解和收敛性能方面比起基本蚁群算法存在优势.
【总页数】2页(P4996-4997)
【作者】刘立东;蔡淮
【作者单位】西南交通大学,信息科学与技术学院,四川,成都,610031;西南交通大学,信息科学与技术学院,四川,成都,610031
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.动态自适应调整信息素蚁群算法在传动齿轮磨损归类中的应用 [J], 王琪;黄正荣;毛淑华;方文明
2.基于自适应信息素调整的连续空间优化蚁群算法 [J], 王团结;侯立刚;苏成利
3.基于信息熵调整的自适应蚁群算法 [J], 肖菁;李亮平
4.聚类邻域自适应调整的多载蚁群算法 [J], 沈明明;毛力
5.参数α、β和ρ自适应调整的快速蚁群算法 [J], 尤海龙;鲁照权
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于自适应蚁群算法的数据关联方法
一种基于自适应蚁群算法的数据关联方法张波雷;许蕴山;夏海宝【期刊名称】《传感器与微系统》【年(卷),期】2012(031)008【摘要】Aimed at the problem of multi-target data association in tracking, an adaptive ant colony data association ( ACDA ) method on the basis of ACDA is proposed. This algorithm improves global pheromone refreshment and avoids falling in to problem of local optimization by adaptively adjust the transition probability and the pheromone adherence. The simulation results show that this algorithm is effective on solving the data association problem of multi-target.%针对跟踪中多目标数据关联问题,在蚁群数据关联(ACDA)算法的基础上,提出了一种自适应蚁群数据关联方法,通过对转移概率和信息索持续度的自适应调整,改进了全局信息素更新,有效地避免了陷入局部最优问题.仿真实验证明:该算法在解决多目标数据关联问题上是行之有效的.【总页数】3页(P27-29)【作者】张波雷;许蕴山;夏海宝【作者单位】空军工程大学工程学院,陕西西安710038;空军工程大学工程学院,陕西西安710038;空军工程大学工程学院,陕西西安710038【正文语种】中文【中图分类】TP391【相关文献】1.一种基于蚁群算法的多目标跟踪数据关联方法 [J], 康莉;谢维信;黄敬雄2.基于改进蚁群算法的多目标跟踪数据关联方法 [J], 尹玉萍;刘万军;魏林3.一种基于蚁群算法的SLAM数据关联方法 [J], 曾文静;张铁栋;徐玉如;姜大鹏4.一种基于改进蚁群算法的多目标跟踪数据关联方法 [J], 邸忆;龙飞;李卓越5.一种基于蚁群算法的多平台ESM信息数据融合方法 [J], 秦长海因版权原因，仅展示原文概要，查看原文内容请购买。
采用改进蚁群算法的热工过程模型参数辨识
采用改进蚁群算法的热工过程模型参数辨识章程明;张雨飞【摘要】在基本蚁群算法基础上引入人工免疫的思想,对算法中初始信息素分布、信息素调整机制及选择概率函数等方面做出改进,使蚁群辨识方法能够更快、更精确地逼近实际系统的输出.结合仿真实验结果表明,该方法比基本蚁群算法具有更高的寻优效率和辨识精度.【期刊名称】《发电设备》【年(卷),期】2016(030)002【总页数】5页(P77-80,84)【关键词】热工过程;系统辨识;蚁群算法;人工免疫【作者】章程明;张雨飞【作者单位】东南大学能源与环境学院,南京210096;东南大学能源与环境学院,南京210096【正文语种】中文【中图分类】TK232;TP301.6电力生产系统结构复杂，系统之间强耦合，难以试验建模，至今没有普遍适用的控制传递函数模型[1-2]，根据现场运行参数直接求得热工过程的传递函数一直是控制领域研究的重要课题之一。
近年来，群体智能(Swarm Intelligent)的快速发展及其在系统辨识中的应用，弥补了传统热工过程辨识方法的不足[3]。
国内外学者对神经网络[4-6]、遗传算法[7-8]、粒子群算法[9]等群体智能算法在过程模型辨识的应用进行了广泛研究，其中蚁群算法作为一种模拟蚂蚁群体智能行为的仿生优化算法，采用正反馈并行自催化机制，具有较强的鲁棒性、优良的分布式计算机制、容易和其他方法相结合的特点，成为人们研究的热点算法之一[10-11]。
然而由于基本蚁群算法前期信息素匮乏，求解初期过程耗时较长；算法迭代参数单一，信息素容易出现发散式增长，使求解后期陷入局部最优。
对此，笔者在基本蚁群算法中引入人工免疫的思想，利用其快速的全局搜索能力，产生蚁群算法在算法前期所需的初始解及初始信息素分布，避免盲目搜索，提高算法效率；同时通过抗体的多样性特征和自我调节的能力，调整信息素分布规律及扩散机制、改进概率选择函数，使算法能够及时跳出局部最优，快速向全局最优收敛，克服基本蚁群算法的缺陷。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第33卷 第1期2009年1月冶金自动化Metallurgical I ndustry Aut omati onVol .33 No .1Jan .2009・人工智能技术应用・基于自适应蚁群算法的传热模型参数辨识纪振平1,谢 植2,马交成2(11沈阳理工大学信息科学与工程学院,辽宁沈阳110168;21东北大学)摘要:针对铸坯凝固传热模型校正问题,提出了采用自适应蚁群优化算法进行参数辨识的方法。
首先在不同条件下对铸坯不同位置进行射钉并测量凝固坯壳厚度,然后根据测量数据集和凝固传热数学模型的数值解,采用自适应蚁群优化算法进行参数辨识,确定二冷区内各冷却段的传热系数,最后通过二冷出口铸坯表面温度和凝固坯壳厚度的测量数据与采用辨识参数的传热模型预测结果进行比较,验证了传热系数的准确性。
校正的传热模型已成功应用于多台铸机的二冷配水优化。
关键词:连铸;蚁群优化;传热模型;参数辨识中图分类号:TP18;TF34116 文献标志码:A 文章编号:100027059(2009)0120006206Param eter i den ti f i ca ti on of hea t tran sfer m odel ba sed on adapti vean t colony opti m i za ti on a lgor ith mJ I Zhen 2p ing 1,X IE Zhi 2,MA J iao 2cheng2(1.School of I nfor mati on Science &Engineering,Shenyang L igong University,Shenyang 110168,China;2.Northeastern University )Abstract:For calibrati on of s olidificati on and heat transfer model of billet,a para meter identificati onmethod based on adap tive ant col ony op ti m izati on (AACO )algorithm was devel oped .Firstly,s olidifica 2ti on shell thickness of billet was measured by nail shooting at different positi ons under different condi 2ti ons .Foll owing that,according t o measured data set and nu merical s oluti on of s olidificati on heat trans 2fer model,para meter identificati on was carried out thr ough adap tive ant col ony op ti m izati on algorith m and heat transfer coefficient at any cooling seg ment of secondary cooling z one was deter m ined .Finally,measuring te mperature at exit of secondary cooling z one and shell thickness of billet were compared with calculati on results of s olidificati on heat transfer model with identified para meters .The results show that deter m ined para meters are correct .The calibrated model has been used in several casters for op ti 2m izati on of distributi on of secondary cooling water .Key words:continuous casting;ant col ony op ti m izati on;heat transfer model;para meter identificati on 二次冷却和凝固坯壳生长的精确控制是连铸操作中非常重要的环节[1]。
凝固传热数学模型越来越多地应用于改进现存连铸机的冷却系统和过程控制,准确地确定和校正传热模型的边界条件是模型成功应用的前提条件。
铸机二冷区各冷却段的对流传热系数是关键 的而且难以准确确定的边界条件,它主要由冷却水流量、铸坯表面温度和设备结构等因素决定,许多文献介绍了这方面的研究工作[1-4]。
由于二冷区内温度高且充满水蒸汽,而铸坯表面又覆盖水膜和氧化铁皮,所以难以通过在二冷区内测量铸坯表面温度的方法来校正对流传热系数,通常采 收稿日期:2008205227;修改稿收到日期:2008209203基金项目:国家高技术研究发展计划863重点项目(2006AA040307)作者简介:纪振平(19642),男,辽宁岫岩人,副教授,博士,主要从事复杂工业过程控制的研究工作。
第1期 纪振平,等:基于自适应蚁群算法的传热模型参数辨识用理论推导确定,但结果往往难以实际应用。
蚁群优化算法是1991年意大利学者Dorigo M首先提出的一种新型模拟进化算法[5-6]。
它具有良好的搜索性能和并行运算能力,目前运用这种方法已成功地解决了旅行商(TSP)问题[7]、Job2shop调度问题[8]、二次指派问题[9]等组合优化问题,显示出蚁群算法解决这类问题的优越性。
作者针对连铸二冷传热系数难以确定的问题,通过在不同条件下对铸坯射钉并测量凝固坯壳厚度,并考虑传热模型的数值解,提出了应用自适应蚁群优化算法进行二冷区传热系数辨识方法,提高了算法的收敛性和鲁棒性。
1 连铸二冷凝固传热数学模型111 数学模型由于连铸二冷区的高温、高湿环境,使得铸流凝固过程中的温度等参数变化难以直接测量,因此通常采用凝固传热模型来模拟凝固过程,计算铸流温度场[5]。
本文采用控制容积法建立连铸过程铸坯凝固传热模型,预测连铸过程铸流温度场和凝固坯壳厚度。
对铸坯凝固传热过程采用切片微元体法进行研究,z方向即为拉坯方向,x,y分别为铸坯横截面的长和宽,由于拉坯速度要比z方向热传导相对快得多,所以忽略z方向传热,简化后方坯凝固传热的二维偏微分方程为:ρc9T9t=99x k9T9x+99y k9T9y+S(1)式中,ρ为钢液密度,kg/m3;c为比热容,J/(kg・K); t为时间,s;k为热导率,W/(m・K);T为铸坯温度,℃;S为微元体相变过程中释放的热量,kJ/m in。
在传热模型中,结晶器和辐射冷却区的初始或边界条件是已知的或通过测量直接计算得到,但二冷区的边界条件是难以通过测量直接准确确定的参数,可用式(2)表示。
二冷区:q=hs (T-Twater)+εσ(T4-T4surf)(2)式中,q为单位时间内单位物体体积释放的热量, W;h s为对流传热系数,W/(m2・K);T water,T surf分别为冷却水温度和周围环境温度,℃;ε为辐射系数;σ为斯蒂芬-玻尔兹曼常数,W/(m2・K4)。
112 二冷区传热系数在二冷区,由于传热方式多样并且实际铸机许多影响因素难以确定,使得二冷区对流传热系数常取经验值,因而往往存在偏差。
式(2)中的对流传热系数可通过式(3)计算得到:h s u=1570W0155u(1-010075Twater)/αu(3)式中,u为二冷区中的冷却段号;Wu为冷却水流密度,L/(m2・s);αu为与铸机有关的修正系数,它取决于铸机的二冷区设备结构和喷嘴的设置,是式(3)中的待定参数。
本研究就是根据测量的坯壳厚度数据间接确定二冷区各冷却段传热系数中的αu值,实现模型边界条件的修正。
113 凝固坯壳的射钉测厚射钉测厚技术就是把表面涂有示踪材料的钢钉在不同拉速下,从二冷区内的不同位置射入还没有完全凝固的铸坯内,然后在射钉位置采样做硫印图。
钢钉的熔点是1500℃左右,在钢钉的两侧沟槽内涂上硫化物,当钢钉射入铸坯时,在未凝固钢液内的钢钉及硫化物会迅速熔化扩散,得到如图1所示的硫印图(拉速212m/m in,距弯月面8171m),通过测量可知对应条件下铸坯的凝固坯壳厚度和两相区的厚度。
图1 铸坯射钉测厚硫印图Fig11 B illet sulfur p rint phot o f or shoot nail2 基于自适应蚁群算法确定传热系数211 基本蚁群优化(ACO)算法ACO算法最初应用于TSP问题[6],目标是在所有城市(节点)中找到一条最短的旅行路径。
设蚁群的蚂蚁总数为m,每条路径上的信息素强度为τ(i,j),d(i,j)表示两个节点i,j间的距离。
在搜索过程中,蚂蚁根据各条路径上的信息量及路径的启发信息来计算转移概率p k(i,j)=τ(i,j)αη(i,j)β∑s∈K aτ(i,s)αη(i,s)β,若j∈K a0,否则(4)式中,pk(i,j)为第k只蚂蚁由节点i转移到j的概率;α,β为信息素启发因子和期望启发因子;Ka为7冶金自动化第33卷 蚂蚁k 下一步允许选择的节点;η(i,j )=1/d (i,j )为启发函数。
当蚂蚁k 完成一个节点选择,则要按式(5)进行信息素局部更新。
τk (i,j )=(1-γ)τk (i,j )+γτ0(5)式中,τ0,γ分别为信息素初值和局部信息素挥发因子。
当所有蚂蚁完成所有城市的遍历,要对路径上信息素进行全局更新处理,其更新规则如下:τ(i,j )=(1-ρ)τ(i,j )+ρΔτ(i,j )(6)式中,ρ为全局信息素挥发因子,ρ∈(0,1);1-ρ为信息素残留因子。
Δτ(i,j )的计算见式(7)。
Δτ(i,j )=∑mk =1Δτk (i,j )(7)式中,Δτk (i,j )为蚂蚁k 在本次循环中留在路径(i,j )上的信息量。
若蚂蚁k 在本次循环中经过(i,j )则按式(8)计算,否则为0。
Δτk (i,j )=QL k(8)式中,Q 为信息素强度;L k 为第k 只蚂蚁在本次循环中所走路径总长度;在本文中以蚂蚁k 在本次循环中的目标函数F k 代替L k 。
F k 的定义如式(9)所示。
F k =1n ∑n j =1H cal j -H measjH measj(9)式中,n 为射钉总数;j 为射钉序号,j ∈[1,n ];H calj 和H measj分别为同一条件下坯壳厚度的模型计算值和测量值,mm 。