《毕业设计开题报告.docVIP

南京航空航天大学金城学院 毕业设计（论文）开题报告 题 目 汽车ABS系统常见故障与分析 系 部 机电工程系填 写 要 求 1．开题报告只需填写“文献综述”、“研究或解决的问题和拟采用的方法”两部分内容，其他信息由系统自动生成，不需要手工填写。 2．为了与网上任务书兼容及最终打印格式一致，开题报告采用固定格式，如有不适请调整内容以适应表格大小并保持整体美观，切勿轻易改变格式。 3．任务书须用A4纸，小4号字，黑色宋体，行距1.5倍。 4．使用此开题报告模板填写完毕，可直接粘接复制相应的内容到毕业设计网络系统。 结合毕业设计（论文）课题任务情况，根据所查阅的文献资料，撰写1500～2000字左右的文献综述： 1.1 蚁群算法的发展和应用 在计算机自动控制领域中, 控制和优化始终是两个重要问题。使用计算机进行控制和优化本质上都表现为对信息的某种处理。随着问题规模的日益庞大, 特性上的非线性及不确定性等使得难以建立精确的“数学模型”。人们从生命科学和仿生学中受到启发, 提出了许多智能优化方法, 为解决复杂优化问题(NP- hard 问题) 提供了新途径。 蚁群算法(Ant Colony Algorithm, ACA) 是Dorigo M等人于1991年提出的。经观察发现, 蚂蚁个体之间是通过一种称之为信息素的物质进行信息传递的。在运动过程中, 蚂蚁能够在它所经过的路径上留下该种信息素, 而且能够感知信息素的浓度, 并以此指导自己的运动方向 。蚁群的集体行为表现出一种信息正反馈现象: 某一路径上走过的蚂蚁越多, 则后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的。它充分利用了生物蚁群通过个体间简单的信息传递，搜索从蚁巢至食物间最短路径的集体寻优特征，以及该过程与旅行商问题求解之间的相似性。同时，该算法还被用于求解二次指派问题以及多维背包问题等，显示了其适用于组合优化问题求解的优越特征。 蚁群算法应用于静态组合优化问题, 其典型代表有旅行商问题( TSP) 、二次分配问题(QAP) 、车间调度问题、车辆路径问题等。在动态优化问题中的应用主要集中在通讯网络方面。这主要是由于网络优化问题的特殊性, 如分布计算, 随机动态性, 以及异步的网络状态更新等。例如将蚁群算法应用于QOS组播路由问题上, 就得到了优于模拟退火(SA)和遗传算法(GA)的效果。蚁群优化算法最初用于解决TSP问题，经过多年的发展，已经陆续渗透到其他领域中，如图着色问题、大规模集成电路设计、通讯网络中的路由问题以及负载平衡问题、车辆调度问题等。蚁群算法在若干领域获得成功的应用，其中最成功的是在组合优化问题中的应用。 1.2 蚁群算法求解TSP问题 （1） TSP问题的描述 TSP问题的简单形象描述是:给定n个城市,有一个旅行商从某一城市出发,访问各城市一次且仅有一次后再回到原出发城市,要求找出一条最短的巡回路径。 （2） TSP问题的理论意义 该问题是作为所有组合优化问题的范例而存在的。它已经成为并将继续成为测试新算法的标准问题。这是因为，TSP问题展示了组合优化的所有方面。它从概念上来讲非常简单，但是其求解的难度是很大的。如果针对TSP问题提出的某种算法能够取得比较好的实算效果，那么对其进行修改，就可以应用于其他类型的组合优化问题并取得良好的效果。 （3） 蚁群算法求解TSP的算法流程 步骤1: nc=0(nc 为迭代步数或搜索次数); 每条边上的Tj(0)=c(常数), 并且ΔTj=0; 放置m 个蚂蚁到n 个城市上。 步骤2: 将各蚂蚁的初始出发点置于当前解集TABUk(s)中; 对每个蚂蚁k(k=1,?,m), 按概率Pij(t)移至下一城市j; 将城市j 置于TABUk(s)中。 步骤3: 经过n 个时刻, 蚂蚁k 可走完所有的城市, 完成一次循环。计算每个蚂蚁走过的总路径长度Lk, 更新找到的最短路径。 步骤4: 更新每条边上的信息量Tij(t+n) 步骤5: 对每一条边置ΔTij=0; nc=nc+1 步骤6: 若nc预定的迭代次数Ncmax, 则转步骤2; 否则, 打印出最短路径, 终止整个程序。 1.3 蚁群算法优缺点 蚁群算法是一种分布式的本质并行算法，蚁群算法是一种正反馈算法，蚁群算法具有较强的鲁棒性，易于与其它方法结合。但蚁群算法收敛速度慢、计算时间长，易于过早陷入局部最优，不利于解决连续问题。 1.4 蚁群算法的展望 （1） 目前大部分改进的蚁群算法都是针对于特定问题, 普适性不强, 同时蚁群算法模型也不能直接应用于实际优化问题。虽然正反馈机制就是一个很好的普适性模型, 但还远远不够。因此, 急需设计一种通用的蚁群算法普适性模型。 （2） 现阶段的蚁群算法只是模拟