发布时间：
这个比较专业，为什么不去请教一下数学系的教授？
我也正在研究PSO方面的。我来答答看：我认为matlab编程中一般将适应度函数的自变量设为一个行向量，行向量的size为你针对的问题的多少，你的问题中有两个变量影响你的因变量Z，所以x的长度为2.还有，一般用matlab 的pso优化时，需要要自编一个针对你的问题的适应度函数。顺便说一句，我上面说的只是一般处理方法。你的fitness（（x，：）），似乎在matlab中有语法错误。如果还想问具体的，就给我发短消息吧，我会尽快回答，另外，你的悬赏分怎么这么少呢！老兄，你就这么吝啬吗！
目标函数是什么 还有约束条件
不知道这样可以不，虽然你说这个什么法那个什么法的我不懂唉2×（2x1+3x2≤2000）- （4x1+x2≤3000）然后弄出来的是：5x2≤1000所以x2≤200然后x1可以为700正好啊哈O(∩_∩)O哈！
这个比较专业，为什么不去请教一下数学系的教授？
好的，只要编程的吗。
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。
目标函数是什么 还有约束条件
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。
群智能优化方法及其在化学化工中的应用研究，我做的这个题目。开始也不会的，还是莫文网的专家给弄的，高手就是不一般啊题目是：引入Pareto概念评价约束矩阵,增设基于距离的概率取整操作,利用各粒子的局部最优点更新速度,并采用多子群策略，构建为混合粒子群算法,已成功用于6个过程综合案例，引入Pareto概念评价多目标解的优劣，以分散度指标更新优解库,构建为多目标粒子群算法，已成功用于外源蛋白补料分批动态多目标优化。
目标函数是什么 还有约束条件
计算机通信工程可以写算法、或者网络相关的。当时也不会，还是学长给的文方网，写的《全终端计算机通信网络可靠性模型及算法研究》，非常专业计算机通信网精品课程系统的REST化研究与实现计算机通信虚拟实验系统的研究与设计改进的模拟退火算法在计算机通信网络中性能优化的应用研究西门子PLC与监控计算机通信问题的研究计算机通信网安全协议的分析研究计算机通信类课程远程教学系统的研究A股上市公司高管股票期权激励收入与价值创造关系研究产业融合的内在机制研究——基于自组织理论的视角创业板上市企业成长性研究变电站计算机通信网络和系统的研究计算机通信网络中的多播和群播路由算法OCT成像系统与计算机通信的应用基于PLC与计算机通信的离心机监控系统的开发无线局域网MAC协议性能分析与研究计算机虚拟通信实验系统—BSC规程实验的设计与实现变频调速器与计算机通信的研究基于FlexRay飞行控制计算机总线设计与研究译者术语能力探索制导靶弹地面测试及参数装定系统研究计算机通信网中的多播路由算法基于改进粒子群算法的网络路由选择和CFA的优化研究可穿戴计算机的通信问题研究.NET平台的组件技术以及通信程序在.NET环境下的实现消防信息化建设中的信息资源规划重点内容研究中远集团船岸通信导航技术与管理发展的研究综合通信网络设计与性能优化西南地区产业结构趋同问题研究计算机通信网安全协议形式化分析研究
因为，蚂蚁沿途中会留下一种气味，其它蚂蚁用触角来闻对方的气味，所以就不会迷路了。
论文摘要：文章针对侦察无人机航路规划这一问题，分析了影响航路规划的因素，构建了航路规划的模型。结合侦察无人机航路规划的特点与模型，论证了基于蚁群算法求解的理由与优点，并对蚁群算法的初始信息素强度与启发因子进行了改进。最后以岛屿进攻战役这一特定作战任务为例。利用MATLAB实现了侦察多目标时的航路规划问题。 引言 航路规划是指在目标点与起始点之间，为运动物体寻找满足某种性能指标和某些约束的线路、路径。目前对于航路规划的研究主要用于导弹、鱼雷、飞机等飞行器的飞行线路选择上，对于无人机的侦察航路的系统研究还不多见。在文献[3]中虽然也应用蚁群算法进行了航路规划，但没有充分考虑到威胁点存在和目标点价值对航路的影响，且对蚁群算法没有进行启发因子和信息素初始强度方面的创新。在相关外文文献中，由于美军无人机航程较大，其航路规划的约束条件就相对较少，可供借鉴的内容也很有限。而针对岛屿进攻战役这一特殊作战样式的研究更是尚属空白。本文正是基于这一背景下对该问题进行研究，以实现在充分发挥无人机最大作战效能的同时，又尽可能地降低无人机被毁伤概率。 1、影响航路规划的因素分析 影响侦察无人机航路规划的主要因素有如下四个方面。 目标价值 目标价值是衡量某一时刻对某一目标实施火力突击必要程度的综合指标(用Vm表示)。可采用层次分析法获得各个目标的价值Vm，也可以再进行归一化处理，得到各目标的相对价值系数Ku，以此来衡量目标的重要程度。 对不同的目标实施侦察时，对于价值较高的目标可安排更长的有效侦察时间，而对于价值相对较低的目标，则应适当压缩有效侦察时间。 有效飞行时间(距离) 侦察的主要目的是发现对己方有价值目标并及时描述目标的状态，因此发现目标的概率是航路是否合理的一个重要指标。距离目标越近，飞机上侦察设备能够搜索目标区的时间也就越长，发现目标的概率也就越大。 在执行侦察任务时，为了获得某一目标的有效信息，无人机必需接近目标并使目标处于其机载电子、光学侦察设备的作用距离内。如果为了实时监控某一目标，侦察无人机还必需在此目标的上空盘旋、停留，以使目标长时间地处于机载设备的监控之下。因此对目标的发现概率可以用有效飞行时间来表征。它表示侦察无人机对目标总的侦察、监控时间，为处理方便，若侦察无人机以等速率飞行，则其有效侦察飞行时间也可转变为有效飞行距离表征。 生存能力 侦察无人机要完成侦察任务就必须具备一定的生存能力。而其生存能力主要与侦察无人机的隐形规避性能、敌方雷达、防空武器的性能等相关。即侦察无人机的生存能力既受本身的易感性、易损性、可靠性影响，也受敌方的侦察探测和打击能力影响。 从侦察无人机完成飞行任务过程来看，包括发射、正常飞行和突破拦截三个过程，若用概率Pf、Pl、Ps表示三个过程的完成情况。 航程(油量)限制 航程是指侦察无人机起飞后，中途不经加油所能飞越的最大水平距离，即飞行距离。是表征侦察无人机远航和持久飞行能力的指标。由于其在地面一次所加的油量是有限的，因此它的航路必然受到航程的限制，且由于无线电的作用距离受限，飞机执行任务的位置不能超过其作战半径。 2、航路规划构模 侦察无人机多数情况下执行特定的侦察监视飞行任务，指挥员期望的目标是在有限的飞行时间与航程内发现尽可能多的目标，同时付出的代价最小。 就航路规划的约束条件而言，首先是威胁量不能超过指挥员的许可范围，其二，是侦察无人机总的飞行距离不能超过侦察无人机的航程。一旦两者之一不能成立，表明要求的任务是无法完成的，即 3、蚁群算法及其改进 蚁群算法作为一种新的计算模式引入人工智能领域，被称为蚂蚁系统，该系统基于以下假设： (1)蚂蚁之间通过环境进行通信。每只蚂蚁仅根据其周围的局部环境做出反应，也仅对其周围的局部环境产生影响； (2)蚂蚁对环境的反应由其内部模式决定； (3)在个体水平上，每只蚂蚁仅根据环境做出独立选择。在群体水平上，单只蚂蚁的行为是随机的，但蚁群通过自组织过程形成高度有序的群体行为。 基于蚁群算法进行航路规划的特点 基于蚁群算法的侦察无人机航路规划方法，能够保证在航路制订时得到一条具有较小可被探测概率及可接受航程的飞行航路，这种航路规划方法还具有以下特点：(1)在蚂蚁不断散布生物信息激素的加强作用下，新的信息会很快被加入到环境中，而由于生物信息激素的蒸发更新，旧的信息会不断被丢失，体现出一种动态特性； (2)最优路线是通过众多蚂蚁的合作被搜索得到的，并成为大多数蚂蚁所选择的路线，这一过程具有协同性； (3)由于许多蚂蚁在环境中感受散布的生物信息激素同时自身也散发生物信息激素，这使得不同的蚂蚁会有不同的选择策略，具有分布性。这些特点与未来战场的许多要求是相符的，因而采用蚁群算法对侦察无人机的航路进行规划具有可行性与前瞻性。 蚁群算法的改进 (1)ij(t)的初值 为了更好的考虑威胁，在定义在初始条件下定义轨迹强度不同，根据蚂蚁选择路线最优选择轨迹强度高的路线，而无人机的航路规划中则应该更优的选择距离威胁点较远的航路。那么可以定义轨迹的初始强度与距离成反比。即与威胁点越近的路线，信息素强度越小。对于两目标点间的每条路径，其信息素轨迹初始强度。 4、基于改进蚁群算法的侦察无人机航路规划的实现 航路规划的初始条件 蚁群算法用于航路规划主要运用在对多目标实施搜索侦察的航路规划问题，即航路规划需要得出的是飞行经过各个目标的数量和次序，以使侦察无人机经过尽可能多的目标点。 在进行初始规划的过程中，为更方便蚁群算法的实现，首先确定坐标系，将上述各目标点及威胁点用坐标系来表示，这样可以便于实际的运算。 假设在岛屿进攻战役中以某市为坐标点(100，100)的位置，以3公里为1个坐标系单位长度建立平面直角坐标系(这是在充分考虑了将主要有价值点都包括在一个(120×120)的范围内而合理构建的)。则可以确定上述各点的坐标系位置，得到各点坐标。同时各个目标点的价值系数通过层次分析法可求得到结果(具体过程略)。 蚁群算法模型的实现 蚁周系统的各初始参量的确定 为计算和表示方便，将目标点定义为向量Mi(其中i＝1，2，3，…，12)，威胁点定义为向量Ti(其中i＝1，2，3)。采用蚁群算法实现目标点的类旅行商(TSP，Traveling Salesman Problem)问题，目前已经开发的蚁群算法包括蚁密系统、蚁量系统和蚁周系统，而实际应用多数应用后者。为模拟系统中蚂蚁行为的方便，定义标记。 蚁群算法模型分析 通过比较的方法，定性分析各个情况下的目标函数值和航路规划图。不难发现在考虑了目标点价值和威胁点威胁的情况下，航路尽可能地避开了威胁并优先选择通过目标价值较大的点。这样无人机的被毁伤概率较低，且如果发生被毁伤事件时，已经发现的总体目标价值最大。 针对四种情况进行定量分析，假设指挥员的倾向性为，即略侧重于考虑威胁代价。2000表示对每个目标的有效侦察距离均为2000m，计算目标函数的值，可见考虑完备时虽然航路总长最大但总体的目标函数值也最大，航程最优，即侦察无人机应按照依次通过这些目标点。 5、结束语 通过上述分析，在给定侦察无人机的侦察任务情况下经运算可求得最优的初始航路，它可以有效地提高无人机的侦察效能，降低无人机的被毁伤概率，它对于目前军事斗争准备中如何使用侦察无人机具有一定的指导意义。随着我军侦察无人机性能的提高及型号的不断丰富，在对未来岛屿进攻战役中如何对这些机型进行航路规划尚有待于进一步探讨。
现在和将来的角度，结合你所学 我可以写，比较多
随着我国国民经济的不断发展，企业之间的交易活动更加频繁、同地区、不同地区、甚至跨国的交易活动也不断发生，交通运输则成为交易的活动重点了。 交通运输作为国民经济的一个重要部门，作为人类进步、社会发展的一个重要推动力，其发展模式正在对环境产生越来越重要的影响。传统的运输方式已 经不能满足环境保护、经济发展以及交通运输本身发展的需求，探寻与环境、资源条件相适应的运输是非常重要的一个问题。人们在交通运输方面趋利避害建立更好的运输方法，让交通运输的方法达到一个更高的水平。
广州的CGWANG吧，听我朋友说这里动漫游戏培训在国内是最牛的。可以看看他们学生的毕业作品，选择培训机构一定要对比学生作品，没有什么作品的学校肯定是人的。
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