发布时间：
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。
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 近日，《物理评论快报》在线刊发了他们的研究论文。山西大学为论文唯一单位，博士研究生李耀和杨勇刚教授为论文共同第一作者，通讯作者为秦成兵教授和肖连团教授，贾锁堂教授和张国峰教授等共同参与了研究工作。 金纳米粒子因其特有的非线性效应、表面等离子体共振效应、光热效应等，一直是物理、化学、材料等学科的研究热点，在光学传感、能量俘获、高分辨成像和光热治疗等方面具有重要的应用。由于金纳米粒子量子产率低(10-6)，而多光子荧光强度和高阶非线性效应严重依赖于激发光的功率，大功率激光的使用一方面会因光热效应破坏金纳米粒子本身的结构，另一方面也会对纳米系统或有机体 (如细胞、组织) 造成不可修复的损伤，从而极大地限制了金纳米粒子在功能器件、生物成像、癌症治疗等方面的实际应用。 图1金纳米粒子在不同时间尺度下的超快动力学行为。(a) 线性坐标；(b) 对数坐标。(c) 两束等功率飞秒脉冲激发下的对称干涉条纹；(d) 不等功率激发下的非对称干涉条纹。传统多光子激发模拟结果：(e) n=2，(f) n=。 肖连团教授研究团队针对金纳米粒子应用发展存在的瓶颈问题，提出基于中间态物理参数可调的三能级理论模型，提升超快双脉冲激发金纳米粒子的非线性干涉效应。实验发展了相位和振幅精确可调的双脉冲超快光场技术，用于精准地调控飞秒激光与金纳米粒子相互作用，在将激发功率降低2个量级的情况下，实现了金纳米粒子双光子荧光的非线性干涉，相干相长时荧光强度比通常的双光子光致发光方法提高100倍以上，相干相长与相干相消之比达到104。 研究工作同时表明，通过精确调控两束飞秒激光的延迟，可以精准地调控飞秒激光与金纳米粒子相互作用的非线性系数。使用单束飞秒脉冲激发金纳米粒子时，其荧光表现出明显的双光子吸收过程，非线性系数为2；在采用双脉冲激发时，当仅改变其中一束飞秒激光功率时，金纳米粒子的荧光随两束脉冲延迟的增加呈现出从线性过程向双光子过程渐变的奇异行为。在金纳米粒子的实际应用中，线性过程适用于精密测量与传感，而高阶非线性过程对超分辨成像更为有利。 图2 (a) 不同延迟下金纳米粒子荧光强度随激发功率的变化；(b) 金纳米粒子多光子荧光的非线性系数随两束脉冲相对延迟的变化行为。 文中图片由山西大学提供 美国杜克大学材料科学家们提出了一种新的“油醋”方法，来设计由球形纳米颗粒制成特殊结构的自组装材料。所得结构可用于光学、等离子体学、电子学和多级化学催化等领域，这项新技术研究发表在《ACS Nano》上。根据发展趋势，一个悬浮的球形纳米颗粒系统被设计成聚集在一起，通过尽可能紧密地包裹自己，将它们的接触点最大化。这导致了随机团簇或三维晶体结构的形成。但是材料科学家们经常想要建立更开放的低维度结构，比如弦或片，以利用在不同类型粒子之间的空间中可能发生的某些现象。博科园：研究人员总是在寻找聪明的方法来精确控制这些空间和粒子的大小和位置。在这项新研究中，杜克大学机械工程和材料科学副教授高拉夫·艾利亚(Gaurav Arya)提出了一种方法，利用液体形成的分层结构，就像一瓶油醋酱放在架子上太久，无法混合在一起。当球形纳米颗粒被放入这样一个系统时，往往会在相对液体的界面上形成单层。但他们不必呆在那里。通过将“油”或“醋”分子附着在粒子表面，研究人员可以让它们更多地漂浮在分界线的一边。这些粒子想要最大限度地增加接触，形成块状结构。‘但与此同时，不同液体的界面正试图迫使它们分成两层。所以有一个力量的竞争，可以用它来形成不同种类独特和有趣的结构。研究人员的想法是精确控制每个球形纳米颗粒被一种液体或另一种液体排斥量。根据计算，通过改变这种性质以及其他性质，比如纳米颗粒的组成和大小，材料科学家可以做出各种有趣的形状，从细长的分子状结构到只有两个纳米颗粒同时接触的z形结构。人们甚至可以想象几个不同的层一起工作来排列一个纳米颗粒系统。在概念验证论文中，纳米颗粒可以由任何物质制成。金或半导体可用于等离子体和电子器件，而其他金属元素可催化各种化学反应。与此同时，形成界面的相对基板是仿照各种类型的聚合物制成，这些聚合物也可用于此类应用。到目前为止，在这篇论文中，研究人员只介绍了组装方法，并展示了它创造这些你通常不会得到奇特安排的潜力。接下来还有很多事情要做。首先，想要 探索 研究人员使用这个概念可能产生的所有结构和阶段，还与实验员密切合作，测试这种方法的全部能力。博科园-科学科普｜研究/来自: 杜克大学/Ken Kingery 参考期刊文献:《ACS Nano》 DOI: 博科园-传递宇宙科学之美 1、星型结构。特点：星型拓扑结构便于集中控制，因为端用户之间的通信必须经过中心站。由于这一特点，也带来了易于维护和安全等优点。端用户设备因为故障而停机时也不会影响其它端用户间的通信。同时星型拓扑结构的网络延迟时间较小，系统的可靠性较高。2、环型结构。特点：每个端用户都与两个相临的端用户相连，因而存在着点到点链路，但总是以单向方式操作，于是便有上游端用户和下游端用户之称。两个节点仅有一条道路，故简化了路径选择的控制；环路上各节点都是自举控制，故控制软件简单；当环中节点过多时，影响信息传输速率，使网络的响应时间延长。3、总线型结构。特点：由于各个结点之间通过电缆直接连接，所以总线型拓扑结构中所需要的电缆长度是最小的。但总线只有一定的负载能力，因此总线长度又有一定限制，一条总线只能连接一定数量的结点。4、分布式。特点：网中的路径选择最短路径算法，故网上延迟时间少，传输速率高，但控制复杂。各个结点间均可以直接建立数据链路，信息流程最短；便于全网范围内的资源共享。缺点为连接线路用电缆长，造价高。5、树型结构。特点：是分级的集中控制式网络，与星型相比，它的通信线路总长度短，成本较低，节点易于扩充，寻找路径比较方便。但除了叶节点及其相连的线路外，任一节点或其相连的线路故障都会使系统受到影响。6、网状拓扑结构。特点：网状拓扑结构主要指各节点通过传输线互联连接起来，并且每一个节点至少与其他两个节点相连。网状拓扑结构具有较高的可靠性。但其结构复杂，实现起来费用较高，不易管理和维护，不常用于局域网。7、蜂窝拓扑结构。特点：是无线局域网中常用的结构，它以无线传输介质（微波、卫星、红外等）点到点和多点传输为特征，是一种无线网，适用于城市网、校园网、企业网。扩展资料网络拓扑的无线电通信：传输线系统除同轴电缆、双绞线、和光纤外，还有一种手段是根本不使用导线，这就是无线电通信，无线电通信利用电磁波或光波来传输信息，利用它不用敷设缆线就可以把网络连接起来。无线电通信包括两个独特的网络：移动网络和无线LAN网络。利用LAN网，机器可以通过发射机和接收机连接起来；利用移动网，机器可以通过蜂窝式通信系统连接起来，该通信系统由无线电通信部门提供。网络可采用以太网的结构，物理上由服务器，路由器，工作站，操作终端通过集线器形成星型结构共同构成局域网。参考资料百度百科-网络拓扑结构 你这个问题太宽泛了，那个论文出来怎么指导啊，我只能给你点方向性建议。针对你的五个问题方向性给你点建议。这个五个问题我详细看了，多数是实践和理论结合的。实践为主理论为辅的问题。如果你只有空洞的理论，那么内容肯定不丰富。如果让你没有实践的前提下让你去写出来也不现实。就此我给你一点捷径式的方向性指向，至于你能明白多少写出多少就不好说了，因为个人理解力还是有差别的。问题一：主要是问在一个具体网络中网络设备、接入、应用和管理等成本预算，以及投入使用后的效果，简单的讲就是性价比，还有就是日常维护等方面的日常费用支出，可以算作是人员工作月或者人员工资月。建议不要以太大或者太小的公司规模为例，应该以100-250人之间。因为太大，那么就是规范规模性的网络，那样比较靠近理论。如果太小，不用理论那么没有太多学术性东西，只有灵活变通部分，就像家里adsl共享上网或者4口小路由器上网一样，没什么值得谈的，只能谈应用中的设置，就没什么意义了。至于100-250人之间就看你怎么设计和分析了，注意是性价比，不适价性比。也就是说性能为主，那么预算和成本怎么算合适呢，那就可以着眼于以后的成本投入等问题。问题二：是问单位内部信息化和现代化办公中于各部门业务相关的专业应用软件。非oa、非邮件系统、非网站等通用功能的软件方面的调查，这个就得实际情况分析了。建议从人力资源、财务、客户关系、电子档案等方面去找资料来写。问题三：是结合上述两个问题和现有资源，怎么合理的投入并且使得信息化建设符合实际情况及应用效果，来提高单位内部管理质量和工作效率，创造更多无形价值。这个要根据个人对IT界内地软硬件多方面知识和经验积累才能综合的写出合理化的信息化建设方案上的建议。这个比较考经验。问题四：是问市面上主流硬件产品，及实际单位中更新换代情况。这个结合不是从单位来分析的，而是把单位中硬件方面的不足通过现有主流硬件产品的功用性能等体现出来。这方面比较考察一个人的文字功底，总结归纳的功底，还有就是通过上述几个问题的集合来考逻辑思维了。问题五：这个考的比较现实，但是比较难答，因为这个问题是考的人才需求的观察，如果没有人力资源方面的工作经验是很难想到的，除非你有对社会长期的认知和长时间的思考，比如大学生毕业途径、就业途径、就业技能、择业选择、价值趋向等等，多方面才能设计出类似人生规划和职业规划的文字来描述该问题。综上不知道能否解释你的论文方面的疑惑。^_^ 网络拓扑结构 1、星形拓扑 星形拓扑是由中央节点和通过点到到通信链路接到中央节点的各个站点组成。 星形拓扑结构具有以下优点： （1）控制简单。 （2）故障诊断和隔离容易。 （3）方便服务。 星形拓扑结构的缺点： （1）电缆长度和安装工作量可观。 （2）中央节点的负担较重，形成瓶颈。 （3）各站点的分布处理能力较低。 2、总线拓扑 总线拓扑结构采用一个信道作为传输媒体，所有站点都通过相应的硬件接口直接连到这一公共传输媒体上，该公共传输媒体即称为总线。 总线拓扑结构的优点： （1）总线结构所需要的电缆数量少。 （2）总线结构简单，又是无源工作，有较高的可靠性。 （3）易于扩充，增加或减少用户比较方便。 总线拓扑的缺点： （1）总线的传输距离有限，通信范围受到限制。 （2）故障诊断和隔离较困难。 （3）分布式协议不能保证信息的及时传送，不具有实时功能 3、环形拓扑 环形拓扑网络由站点和连接站的链路组成一个闭合环。 环形拓扑的优点： （1）电缆长度短。 （2）增加或减少工作站时，仅需简单的连接操作。 （3）可使用光纤。 环形拓扑的缺点： （1）节点的故障会引起全网故障。 （2）故障检测困难。 （3）环形拓扑结构的媒体访问控制协议都采用令牌传达室递的方式，在负载很轻时，信道利用率相对来说就比较低。 4、树形拓扑 树形拓扑从总线拓扑演变而来，形状像一棵倒置的树，顶端是树根，树根以下带分支，每个分支还可再带子分支。 树形拓扑的优点： （1）易于扩展。 （2）故障隔离较容易。 树形拓扑的缺点：各个节点对根的依赖性太大。 给你参考文章 参考资料： 要真正的高手才可以动手 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 还有约束条件最新的粒子结构研究论文
毕业论文企业网络拓扑结构
微粒群算法优化的毕业论文