最新模拟退火算法的实现和性能分析毕业论文Word文档下载推荐.docx
《最新模拟退火算法的实现和性能分析毕业论文Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《最新模拟退火算法的实现和性能分析毕业论文Word文档下载推荐.docx(23页珍藏版)》请在冰豆网上搜索。
4、所有学生必须参加综合设计的答辩环节,凡不参加答辩者,其成绩一律按不及格处理。
答辩小组成员应由2人及以上教师组成。
5、报告正文字数一般应不少于5000字,也可由指导教师根据本门综合设计的情况另行规定。
6、平时表现成绩低于6分的学生,取消答辩资格,其本项综合设计成绩按不及格处理。
7、此表格式为武汉工程大学计算机科学与工程学院提供的基本格式(适用于学院各类综合设计),各教研室可根据本门综合设计的特点及内容做适当的调整,并上报学院批准。
成绩评定表
学生姓名:
单兴聪学号:
0805030105班级:
智能1班
类别
合计
分值
各项分值
评分标准
实际得分
合计得分
备注
平时表现
10
按时参加综合设计,无旷课、迟到、早退、违反实验室纪律等情况。
由设计负责人给出
完成情况
30
20
按设计任务书的要求完成了全部任务,能完整演示其设计内容,符合要求。
能对其设计内容进行详细、完整的介绍,并能就指导教师提出的问题进行正确的回答。
报告质量
35
报告文字通顺,内容翔实,论述充分、完整,立论正确,结构严谨合理;
报告字数符合相关要求,工整规范,整齐划一。
5
课题背景介绍清楚,综述分析充分。
设计方案合理、可行,论证严谨,逻辑性强,具有说服力。
符号统一;
图表完备、符合规范要求。
能对整个设计过程进行全面的总结,得出有价值的结论或结果。
参考文献数量在3篇以上,格式符合要求,在正文中正确引用。
答辩情况
25
在规定时间内能就所设计的内容进行阐述,言简意明,重点突出,论点正确,条理清晰。
15
在规定时间内能准确、完整、流利地回答教师所提出的问题。
总评成绩:
分
补充说明:
指导教师:
(签字)
日期:
年月日
答辩记录表
单兴聪学号:
0805030105班级:
智能1班
答辩地点:
答辩内容记录:
答辩成绩
答辩小组成员(签字):
年月日
指导教师评语
指导教师:
一、综合设计目的、条件、任务和内容要求:
目的:
深入理解智能算法,增强数学建模能力、算法设计能力、程序设计能力和科研论文的阅读和撰写能力。
条件:
PC机、VisualC++开发环境
任务:
对于非对称TSP问题,设计基于模拟退火算法的求解程序,并分析程序中的参数与实验结果的关系。
了解模拟退火算法的研究进展和应用领域。
内容要求如下:
1.两个算法都针对非对称TSP问题进行设计,因此要理解非对称TSP问题与TSP问题的区别。
我们将非对称TSP问题缩写为ATSP。
一个具体的ATSP问题应该用何种方式表示出来(使用相邻矩阵还是其他类型的矩阵或者其他的形式)?
2.ATSP问题的数学模型,在此模型中,目标函数如何定义?
如果通过程序实现目标函数,即,给定一个旅行路径x,计算x的目标函数值的程序实现。
3.在程序中需要定义哪些数据类型来保存一个具体的ATSP问题的信息?
需要哪些数据类型记录算法执行过程中所需要的信息?
4.对于模拟退火算法,如何表示一个旅行路径?
如何判断一个旅行路径是否满足ATSP问题的要求?
如何在算法的开始时构造一个旅行路径?
给定一个旅行路径,如何在该旅行路径基础上产生一个新的旅行旅行路径?
5.对于ACO算法,思考类似第4点的问题。
6.根据以上思考,给出解决办法,写到设计报告里。
并分析你的解决办法是否正确?
7.使用C语言进行算法实现
8.在ftp所提供的ATSP测试问题集的每个具体问题上,测试你的程序,记录你你的程序获得的最好解,以及获得该解的时间。
改变算法中的参数,重新进行测试,观察最好解及其所需时间与参数的相关性。
至少尝试5组不同的参数,对于每组参数,在每个问题上至少执行程序10次,将这10次得最优解平均值、求解时间平均值,作为这组参数的实验数据。
9.分析模拟退火/人工蚁群算法的最新成果、应用领域,形成一份综合的介绍。
10.观看“Word长篇排版技巧”并达到熟练应用,在此基础上将设计报告排版好。
11.理解“摘要”的意义和撰写方法
12.理解“参考文献”的意义、引用方法和排版方法
13.分析自己的文字表述是否清晰?
报告内容的组织是否合理?
14.通过与其他同学的设计与实现进行比较,分析自己的设计的可改进之处。
指导教师签字:
年月日
二、进度安排:
第15周:
中英文文献的阅读,算法分析与实现
第16周:
程序测试、实验结果分析、程序参数分析、撰写设计报告、答辩
三、应收集资料及主要参考文献:
[1]邢文训,谢金星.现代优化计算方法[M].北京:
清华大学出版社,2005.
[2]王凌.智能优化算法及其应用[M].北京:
清华大学出版社,2001.
[3]阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:
[4]王小平,曹立明.遗传算法——理论、应用与软件实现.[M]西安:
西安交通大学出版社,2005.
[5]BerndFreisleben,PeterMerz.AGeneticLocalSearchAlgorithmforSolving
SymmetricandAsymmetricTravelingSalesmanProblems[J].InProceedingsof
InternationalConferenceonEvolutionaryComputation.1996:
616-621.
[6]OlivierC.Martin.Combiningsimulatedannealingwithlocalsearch
Heuristics[J].AnnalsofOperationsResearch,63:
57-75,1996.
四、综合设计(课程设计)摘要(中文):
模拟退火算法从某一较高初温出发,伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概率性地跳出并最终趋于全局最优。
模拟退火算法是一种通用的优化算法,理论上算法具有概率的全局优化性能。
模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性,从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法,可以有效的解决非对称TSP问题。
TSP是典型的NP完全问题之一,并且求解TSP的方法也是不唯一的,模拟退火算法就是其中比较好的一种,它具有其它传统优化算法不可比拟的优势。
相比TSP问题,ATSP问题由于具有非对称性,必须分别考虑两个城市之间的路径代价,实现起来没有TSP问题容易,不过利用矩阵的存储结合容器能够较好的解决问题。
五、综合设计(课程设计)Abstract(英文):
Simulatedannealingstartingfromahigherinitialtemperature,withdecreasingtemperatureparameters,combinedwithprobabilisticjumpingrandomlyinthesolutionspacecharacteristicsoftheobjectivefunctiontofindtheglobaloptimalsolution,thatis,theprobabilityoflocaloptimacanjumpoutandtendstotheglobaloptimum.Simulatedannealingalgorithmisageneraloptimizationalgorithm,probabilitytheory,globaloptimizationalgorithmperformance.Simulatedannealingalgorithmisthesearchprocessbygivingatime-varyingandtendstozeroprobabilityjump,thuscaneffectivelyavoidthelocalminimumandeventuallytendtotheserialstructureofglobaloptimizationalgorithm,caneffectivelysolveasymmetricTSPproblem。
Thetravelingsalesmenproblem(TSP)isoneoftheemblematicalNPproblem,andthesolvingmethodisnotsingle.Thesimulatedannealingisoneofthebettermeasureinallofthem.Itsadvantagesareinimitablebyothertraditionalmeasures.ComparedtoTSP,ATSParenotthateasytocompletebeacauseitsnotsymmetricalcharacteristicthathastotakeintoaccountthevalueseperatelyofeverytwocities.Matrixcombinedwithvesseisapreferabletooltosolvethisproblem.Intheprocessofpathoptimization,thebestpathisfoundintheshortesttimebyusingthesimulatedannealingandcontrollingthedowngradeoftemperatureanecycleindex.
摘要
模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性,从而可有效避免陷入局部极小并最终趋于全局最优的