一、基于免疫遗传算法的TSP求解（论文文献综述）
钟家暴[1]（2021）在《基于改进粒子群算法的无人艇路径规划研究》文中指出近年来,气候变化、环境异常、个体需求和国防等问题引起了人们对无人艇的商业化、科学智能和军事化发展的广泛关注。通过多传感器融合,无人艇已有效应用于自主巡航、水质采样、垃圾清理、环境监测、海洋救援、目标跟踪和水质监测等海洋领域,而因海况复杂、目标点数较多且分布密度不同致使无人艇常规航行完成海上作业耗时耗能,甚至无法有效执行,因此路径规划对无人艇的发展起到举足轻重的作用。启发式算法是解决路径规划问题的有效方法,常用的遗传算法、贪婪算法及蚁群算法执行机制较为复杂且优化性能一般,而粒子群算法因其收敛速度快、设置参数少、结构简单易实现,经改善可有效实现无人艇的自主导航和控制。为给多传感器集成的无人艇设计高效的路径,本文提出了一种改进的混合式粒子群算法,有效地推导出近似最优的路径轨迹。该算法包括四个主要阶段,首先在粒子初始化前采用多子域分组策略降低路径规划问题的复杂度和算法计算时间;其次为充分利用遗传算法的全局搜索优势,在初始化阶段采用三种变异形式;随后利用基于置换的多粒子竞争策略及基于贪婪机制的粒子黑箱策略在优化阶段迭代寻优,使得算法在每个子域中都能有效地生成局部循环路径;最后在各子域路径连接完成后,采用精简4-OPT的局部搜索方法去除路径交叉。基于多传感器数据,通过对10个TSPLIB实例的蒙特卡洛模拟,将改进算法与现有算法进行对比,并对自主研发的无人艇进行了导航应用实验。实验结果表明,该算法在求解精度和计算效率方面均能取得满意的结果。本文首先详细阐述了无人艇的自身优点、用途及其自主路径规划问题,通过研究粒子群算法的各类改进措施及效果,总结出区域分解预处理、变异初始化种群、多粒子竞争、贪婪粒子黑箱及K-OPT等混合优化策略;其次深入分析了贪婪算法、遗传算法等多种启发式算法的思想和机理,并将其有效引入粒子群算法中,同时通过对C均值聚类、FCM聚类的挖掘分析,总结出基于笛卡尔坐标系的多子域聚类准则;随后采用MATLAB对改进粒子群算法进行路径规划仿真测试,并通过箱体图、数据表、路径轨迹、数据无量纲等形式与本人已发表的相关改进算法和其它最新改进算法进行性能对比;最后将改进算法应用于自主研制的无人水面艇导航、制导和控制（NGC）系统,通过设置具有不同数量和分布特征监测点的几种工况进行海试实验验证路径规划的可行性。
张丽娜,谭彧,吕昊暾,李宝胜,蒋易宇,王硕[2]（2020）在《温室穴盘苗自动移钵路径优化》文中研究说明为了优化移栽机补栽作业时的移钵路径,该研究基于免疫算法构建了克隆选择算法和免疫遗传算法2种适合求解移钵路径优化问题的模型,并与固定顺序法和遗传算法对比,进行移钵路径规划仿真试验和验证试验。结果表明:克隆选择算法模型和免疫遗传算法模型均能有效优化移钵路径,免疫遗传算法模型的路径规划效率较高,而克隆选择算法模型的路径规划效率较低。验证试验条件下,该研究2种模型的路径规划长度分别为48 977和48 945 mm,相比固定顺序法分别缩短7.59%和7.65%,相比遗传算法模型分别缩短3.60%和3.66%;2种模型的计算时间分别为5.86和2.72s,免疫遗传算法模型的计算时间相对遗传算法减少15.79%。免疫遗传算法模型可作为温室穴盘苗后续机械化批量补栽的路径规划控制基础。
但开[3]（2020）在《基于最优插入子集的动态规划算法求解旅行商问题》文中提出旅行商问题是“易于描述,难于求解”的典型问题。旅行商问题的高效解法是否存在?这个问题涉及可行计算的界限,触及复杂性理论的核心。旅行商问题在基因组测序、计算机处理器设计、行星寻找等许多领域也有着广泛的应用。由于旅行商所具有的重要的理论意义和实践意义,使它成为了组合优化问题中被研究得最多的问题之一。它驱动着应用数学领域以及运筹学与数学规划的发展方向,对新发现起到了有目共睹的带动作用。回顾旅行商问题的研究历史,人们最先研究的便是精确算法,但随着人们对NP问题认识的加深,试图使用精确算法求解旅行商问题的研究已经难觅踪迹,多年来普遍研究的是各种近似方法。与之相对应,目前大多数本领域的知名权威倾向于认为,NP不等于P,即使权威们对此拿不出任何有力的证据,但此看法似乎被大多数人默认。然而历史上并不缺乏打破权威思想禁锢,发现真理的故事。在旅行商问题的精确算法中,已知的运行时间界限是由Held和Karp的动态规划法给出的。Held-Karp解法能在正比于n22n的时间内解决任何一道n座城市的TSP题目。本文基于对插入算法的研究,重新设计了不同于Held-Karp解法的新动态规划算法。本文所完成的主要研究工作有:（1）根据凸包规则优化改进了旅行商问题的回溯算法,提高了回溯算法有效解题的城市规模上限,该算法在可接受的时间内成功解决了中国旅行商问题;（2）深入研究了旅行商问题的插入算法,从实验结果分析提出了简单插入最优性猜想和同型插座猜想,同时设计了实验进行验证;（3）依据简单插入最优性猜想提出了基于简单插入子集的动态规划算法;（4）依据同型插座猜想猜想提出最优插入子集的概念,并据此设计出新动态规划法,同时对新动态规划法进行了性能分析和复杂度计算。新动态规划法有着更简单的结构,同时也达到了 n22n的运行时间界限;（5）结合实例详细描述了新算法的执行过程,编写程序实现算法,实验结果证明了新算法的有效性。任何算法都有其优势也会有缺陷,优化算法设计是一个永恒的研究课题。本文所提出的方法为求解旅行商问题提供了新的思路,对于认识、分析众多复杂问题具有一定的启示,对促进组合优化问题的研究有着积极的作用。
朱继生[4]（2020）在《混合人工蜂群算法求解旅行商问题》文中研究表明旅行商问题（Traveling Salesman Problem,TSP）是计算、工程、运筹学、离散数学、图论等领域中重要的研究课题之一。TSP被定义为一个推销员在所有城市的旅行,然后以最低的成本回到最初的城市,这是一个NP困难的问题。近年来有很多群体智能算法被用于解决TSP问题。群体智能（Swarm Intelligence,SI）对于难以解决的NP难问题是一个重要的研究方向。其中蜜蜂的觅食行为是一种智能的社会行为,属于群体智能范畴。由此产生的人工蜂群（Artificial Bee Colony,ABC）算法是一种模拟蜜蜂觅食行为的算法。自ABC诞生以来,人们进行了大量的研究,以提高ABC的性能,并将其应用于不同类型的问题。提出结合遗传算子的混合人工蜂群算法（Genetic Algorithm ABC,GAABC）,该算法以人工蜂群算法为主体结构,设计了遗传算法中的交叉操作和启发式倒位变异,融合到该主体结构中,以此提升算法的整体性能。为了丰富整个解集的空间,对于陷入停滞的侦查蜂部分应用3-opt方法探索新的解。通过算例验证了该混合算法的有效性。又提出一种结合量子思想的量子人工蜂群算法（Quantum Algorithm ABC,QUABC）解决TSP问题,该算法以人工蜂群算法为算法的架构,其中每一只人工蜜蜂都融合了一种新的量子编码,采用量子位对城市的访问序列进行编码,为解集的总体提供了更多的多样性,并使用量子干涉向目前发现的最佳蜜蜂的相应位元值的方向移动,引导蜜蜂种群的个体找到所有蜜蜂找到的全局最佳解决方案,以提升算法的整体性能。最后通过实验验证了算法的有效性。
刘臻博[5]（2020）在《基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用》文中进行了进一步梳理随着当今工业流程的不断发展,大规模、复杂化系统的出现促进一种有效解决大系统控制问题的方法,即分布式模型预测控制（DMPC）方法应运而生。DMPC具有计算负担小、容错率强、可扩展性高的优点,而DMPC算法的设计思想主要是在保证系统稳定性的前提下,采用简单的系统通信方式和较少的通信负担达到最优的控制性能。本文主要围绕DMPC系统拆解方式和DMPC算法的改进来进行研究,主要进行如下工作:在进行DMPC系统结构拆解时,由于到各子系统间存在动态耦合,那么传统基于静态耦合的方法无法适用。本文提出一个基于粒子群优化的遗传免疫优化算法（PSO-IGA）。在该方法中,采用粒子群算法中的粒子进化方程引入IGA免疫选择的抗体变异操作中,使抗体同时具有“位置”和“速度”两种属性,使抗体在更新时具有更明确的搜索方向,从而在保证抗体种群多样性的同时,进一步提高了算法的收敛速度。提出了一个基于IGA的DMPC系统结构分解方法。在该方法中,首先将DMPC系统结构分解问题分为输入分组（ICD）和输入输出配对（IOPD）两个阶段,并采用PSO-IGA算法来优化这两个阶段的目标函数,将一个大系统按输入输出耦合影响分解成若干个子系统。将该方法引入到协作式DMPC算法中,提出一个基于IGA系统结构分解的协作式DMPC算法,将分解后的大系统在约束下采用改进的协作式DMPC算法进行分布式控制。从而达到有效解决DMPC中通信负担问题的目的。
叶航航[6]（2020）在《机载空空导弹任务分配技术研究》文中研究表明现代战争中,制空权具有重要的战略意义,空空导弹则是一种争夺制空权的重要武器。空战环境下往往存在多个目标,并且目标往往具备比较强的机动能力,单枚导弹攻击单个目标的作战模式将难以适应这种场景,而空空导弹面向多个目标集群作战模式是重要发展方向。在空空导弹集群作战的模式下,空空导弹的任务分配问题对于提升整体作战性能具有重要的现实意义,是一个重要的研究课题。本文首先针对空空导弹的特点与历史发展进行了系统的介绍和分析,为后序空空导弹任务分配模型的建立提供理论依据和事实依据。接着,本文介绍了空空导弹制导系统的背景知识和在实战中面临的主要问题。然后,本文从空空导弹任务分配的角度出发,充分考虑集群作战的各个阶段的特点,考虑载机与目标,导弹与目标两种空战关系,并考虑空战环境下的作战约束条件,将作战阶段分为载机飞向可攻击区域的预攻击阶段、空空导弹进行攻击的攻击阶段和空空导弹发射前后的侦查与毁伤评估阶段,考虑了空战各阶段的主要目标,建立了混合整数规划模型、指派模型和旅行商问题模型。最后针对这几种相互联系又各具特点的模型研究了相关的求解算法。本文的主要研究贡献如下:1.针对预攻击阶段的任务分配问题,以最大态势优势、最短进入可攻击区时间和进入可攻击区域时间均衡化三个优化目标,建立了混合整数规划模型。在已有文献和针对问题特点的研究基础上,设计了多种基本启发式算子,然后分别以基于规则的启发式算法框架、元启发式算法框架和超启发式算法框架设计了多种启发式算法,对比分析了所提出算法的求解精度和收敛性。针对动态战场环境的问题,提出了基于共用种群的方式进行动态启发式算法设计的方法。该动态启发式算法设计方法只需在已有启发式算法的基础上,以共用种群的方式进行分阶段迭代,具有良好的实用性和可扩展性。2.针对空空导弹的攻击阶段的指派模型,研究了基于二分图匹配的求解方法,基于市场拍卖理论设计了针对空空导弹任务分配问题的拍卖算法。提出了一种基于线性规划理论和轮盘赌策略的算法,并从数学角度给出了算法的部分证明,分析了其最优性和收敛性,最后将其应用于空空导弹的任务分配问题中,具有良好的实时性。3.针对空空导弹攻击之前和攻击之后的侦查和毁伤评估问题,建立旅行商问题模型,基于启发式规则算子设计了求解精度很高的迭代局部搜索算法。针对任务数量庞大导致的迭代局部搜索效率低下和启发式算法精度下降的问题,提出了以获胜者最多机制（Winner takes most,WTM）和获胜者所有（Winner takes all,WTA）机制混合策略的改进自组织映射神经网络算法。该方法将自组织映射神经网络和待侦查的任务点联系起来,将神经元节点的距离用编号之差表示,用高斯核函数描述神经元节点之间的影响,通过神经元位置的迭代更新,建立起神经元和侦查点的映射关系,进而得到问题的解,在大规模问题上具有良好的求解性能。
宗德才,王康康,丁勇[7]（2014）在《蚁群算法求解旅行商问题综述》文中提出蚁群优化是一种元启发式的随机搜索技术,是目前解决组合优化问题最有效的工具之一。旅行商问题（TSP）是一个典型的组合优化问题,易于描述却难于求解。在介绍了求解旅行商问题的三种经典的蚁群算法的基本原理后,着重分析了蚁群算法的发展现状,总结出蚁群算法发展的五个方向,即基于局部优化算法的蚁群算法、对路径上的信息素更新方法进行改进、蚁群算法与其他算法的融合、对蚁群算法的控制参数进行优化和并行蚁群算法。而且这五个方向有相互融合的趋势。
吴建辉[8]（2013）在《混合免疫优化理论与算法及其应用研究》文中认为在科学研究和工程实践中广泛存在着优化问题，因而开展优化问题的研究具有重要的理论意义和应用价值。模拟生物免疫系统智能信息处理机制的免疫优化算法具有自组织、多样性好、鲁棒性强等优点，适宜于优化问题的求解。然而依靠单一模式的优化算法难以满足具有强非线性、不确定性、时变等特征的复杂优化问题的性能要求。混合免疫优化算法为复杂优化问题的求解提供了新的思路和有效的途径，同时也是优化理论与算法研究的发展方向之一。本文借鉴免疫系统的机理并结合其它优化算法开展混合免疫优化理论与算法及其应用的研究。针对组合优化和数值优化问题，本文从机制模型、算法设计、理论分析、性能测试、算法比较等方面进行系统研究，通过仿真实验验证了混合免疫优化算法的有效性；将所研究的混合免疫优化算法应用于复杂离散混沌系统滑模优化控制中，取得了良好的控制效果。论文的主要研究成果与创新如下：（1）针对组合优化问题，利用免疫克隆选择算法和蚁群算法的各自优势，提出一种基于串联混合方式的优化算法：结合抗体小窗口局部搜索算法的克隆选择和蚁群融合算法（ACLA）。在蚁群算法中引入混沌扰动能在一定程度上避免早熟、停滞；克隆扩增、免疫基因等算子的操作能加快克隆选择算法的收敛速度；局部搜索算法的应用，能有效提高ACLA算法的搜索效率。针对旅行商问题的实验结果表明，该混合算法在收敛速度与求解精度上均取得了较好的效果。（2）针对组合优化问题，融合协同进化算法、免疫克隆选择算法的各自优势，构造了一种基于多子种群免疫进化的两层框架模型，在此模型的基础上提出一种基于竞争-合作的分层协同进化免疫算法（HCIA）。HCIA算法通过对若干个子种群进行局部最优免疫优势、基于竞争的克隆扩增等低层免疫操作和高层遗传操作，增强优秀抗体实现亲和度成熟的机会，提高了抗体群分布的多样性，使其在深度搜索和广度寻优之间取得了平衡。通过典型组合优化问题——旅行商问题的实验仿真结果表明，HCIA算法具有可靠的全局收敛性及较快的收敛速度。（3）针对函数全局优化问题，融合免疫算法的多样性机理、粒子群的信息共享及协同进化思想，提出基于两层模型的多子种群粒子群免疫协同进化算法（MAPCPSOI）。MAPCPSOI算法首先通过对若干个子种群进行具有协同合作特征的低层自适应多态杂交粒子群操作，改善了子种群的多样性，有效抑制了收敛过程中的早熟停滞现象；然后通过具有协同竞争特征的高层免疫克隆选择操作，显着地提高了全局寻优能力，进一步提高了收敛精度。函数优化的仿真结果表明：与其他改进微粒群算法相比，MAPCPSOI算法具有更快的收敛速度和更高的求解精度，尤其适合超高维函数及其它复杂函数的优化问题求解。（4）针对多模态函数优化问题，提出融合Powell法的粒子群优化算法（IPSO-P）及免疫云粒子群优化算法（PPSO）这两种算法。IPSO-P算法将粒子群优化算法的全局搜索能力与Powell法的强局部寻优能力有机地结合起来，在保证求解速度、尽可能找到全部极值点的同时提高了解的精确性。而在PPSO算法中，通过引入基于云模型的云变异算子提高了种群的多样性，利用小波变异克隆选择算法对云变异粒子群优化算法搜索到的较优解进行局部搜索以进一步提高解的精度。仿真实验表明这两种新混合算法的有效性。（5）将免疫云粒子群优化算法（PPSO）应用于离散混沌系统滑模优化控制中，提出一种基于PPSO算法的神经滑模等效控制方法。该方法通过将BP神经网络的输出作为滑模等效控制的切换部分的系数，有效克服了传统滑模等效控制的抖振现象；利用PPSO算法对神经滑模控制器的参数进行全局优化，提高了离散混沌系统的控制品质。实验仿真表明，该方法无需了解离散混沌系统精确模型，具有响应速度快、控制精度高以及抗干扰能力强的优点。
廖玲[9]（2010）在《并行免疫算法求解TSP问题的研究》文中研究指明旅行商问题（Travelling Salesman Problem,TSP）是一个经典的组合优化问题,也是一个NP完全问题,它已经成为并将继续成为测试组合优化新算法的标准问题。TSP在实际中的应用很广泛,例如超大规模集成芯片制造、印刷电路板制造、机器人控制等诸多领域。鉴于TSP的重要实际意义,研究者一直在努力寻找一种既能找到质优解,又能保证高效收敛性稳定性的算法。从理论上讲,穷举法不但可以保证TSP问题有解,而且还可以最终得出该问题的最优解。但是在现有条件下,使用常规的穷举法在如此庞大的搜索空间中寻求最优解是不实际的,所以,产生了许多优化算法。求解TSP的传统求解算法主要有:分支定界法,改良回路法（逐次修正法）、贪婪算法（最邻近法）、最小生成树法、局部搜索法、多边交换调整法等;现代优化算法主要有:模拟退火算法、遗传算法、蚁群算法、粒子群优化算法、禁忌搜索算法、Hopfield神经网络算法等。免疫系统具有很强的鲁棒性、适应性和固有的并行性,这些特点给予了免疫算法可在并行处理等领域得以越来越广泛的应用的前提。目前,并行免疫算法已成为免疫算法研究的一个重要方向。本文探索的课题就是将并行免疫算法融合在TSP问题的求解中。首先,本文综述了并行计算、基本免疫算法和并行免疫算法的发展及特点,给出了并行实验所需的硬件基础和软件设置,并重点介绍了PC机群及该并行平台上采用的并行编程环境MPI。其次,将TSP问题与图论结合,将其转化为求解哈密尔顿回路问题,并作形式化描述。再次,针对免疫算法求解到一定程度后往往对系统的反馈信息利用不足,尤其是在求解较大规模问题时往往效率不高的缺陷,提出了一种新型并行免疫算法。此算法基于一种主从-粗粒度模型,在保证群体的稳定性、多样性的同时提高了解的精确度和收敛速度。最后,将此算法应用于求解TSP问题,使用C语言编写程序并调试运行。实验结果表明,同其它算法相比较,本文提出的并行免疫算法提高了解精度和收敛速度,在求解较大规模TSP问题时表现出较强的搜索能力,在稳定性上也有良好表现,且求出最优解的机率较大。并行免疫算法的应用研究将有助于其他组合优化问题的解决。
吕微[10]（2010）在《基于混沌免疫遗传算法的优化问题研究》文中研究指明免疫遗传算法是一种建立在遗传算法及免疫算法基础上发展起来的仿生优化算法,以其快速的收敛性能应用于人们生活中的各类优化问题中。但是免疫遗传算法仍存在着陷入局部最优、求解计算时间较长、在最优解附近搜索速度较慢的缺点,这在很大程度上限制了免疫遗传算法的进一步普及应用。混沌搜索算法是近年来新兴的一种优化算法,利用混沌序列的随机性、遍历性和初值敏感性等特征,混沌能被用来进行优化搜索且能避免陷入局部极小,因此我们可以利用混沌搜索特点来改良免疫遗传算法。本文主要研究了基于混沌理论的免疫遗传算法,其主要工作如下：首先,针对免疫遗传算法中基于浓度的概率选择方式进行了根据种群中抗体间亲和力计算其浓度,将结果与其抗体原亲和力按一定关系自适应计算出选择概率的改进,实现了抗体依据抗体原亲和力及抗体间亲和力之间关系的自适应改变。其次,通过对免疫遗传算法、混沌优化算法及其典型映射的研究,得出将混沌理论引入到免疫遗传算法中的必要性及引入方式,利用Henon映射的较好遍历性将其作为产生初始种群、记忆库个体以及进行种群增殖操作的方式,利用Logistic映射的简单性将它的混沌交换及移位操作作为遗传操作中的自适应混沌变异操作。最后,建立了混沌免疫遗传算法的模型,给出算法的流程图及具体参数的选择原则,依据数学原理从理论上验证了本文算法的收敛性。通过两组经典组合优化问题——TSP问题验证了本文提出算法的有效性,并将其与免疫遗传算法及遗传算法进行对比分析,从实验的角度证明了算法的优越性,从实际应用方面进一步验证了本文算法的可行性及有效性。
二、基于免疫遗传算法的TSP求解（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于免疫遗传算法的TSP求解（论文提纲范文）
（1）基于改进粒子群算法的无人艇路径规划研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 简写说明 |
| 1 绪论 |
| 1.1 课题研究的意义及背景 |
| 1.2 研究现状 |
| 1.2.1 无人艇路径规划研究现状 |
| 1.2.2 粒子群算法研究现状 |
| 1.3 论文的主要研究内容与创新点 |
| 1.4 论文的组织架构 |
| 2 研究基础 |
| 2.1 智能优化算法 |
| 2.1.1 粒子群算法研究及改进 |
| 2.1.2 遗传算法研究及改进 |
| 2.1.3 贪婪算法研究及改进 |
| 2.2 聚类准则 |
| 2.2.1 C均值聚类 |
| 2.2.2 FCM聚类 |
| 2.2.3 本文多子域策略 |
| 2.2.4 聚类策略对比 |
| 2.3 K-OPT优化策略 |
| 2.4 本章小结 |
| 3 基于多子域分组的粒子群优化算法 |
| 3.1 基于地理中心和方向角的分组策略 |
| 3.2 改进算法优化策略 |
| 3.2.1 基于变异的种群初始化 |
| 3.2.2 基于置换策略的多粒子竞争 |
| 3.2.3 基于贪婪机制的粒子黑箱 |
| 3.2.4 子域路径合并 |
| 3.2.5 K-OPT局部优化策略 |
| 3.3 用于无人艇路径规划的MSGPSO伪代码及流程图 |
| 3.4 本章小结 |
| 4 仿真实验 |
| 4.1 MSGPSO参数设置 |
| 4.2 MSGPSO规划的循环路径 |
| 4.3 仿真结果对比分析 |
| 4.4 本章小结 |
| 5 MSGPSO应用于无人艇路径规划子系统 |
| 5.1 无人艇模型及控制系统 |
| 5.1.1 无人艇模型 |
| 5.1.2 无人艇平台搭建 |
| 5.1.3 无人艇控制系统 |
| 5.2 测试地点 |
| 5.3 海试实验结果 |
| 5.4 本章小结 |
| 6 结论与未来展望 |
| 6.1 结论 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文与参与项目 |
（2）温室穴盘苗自动移钵路径优化（论文提纲范文）
| 0 引言 |
| 1 移钵作业过程 |
| 2 移钵路径优化模型构建 |
| 2.1 基于克隆选择算法的移钵路径优化模型 |
| 2.2 基于免疫遗传算法的移钵路径优化模型 |
| 3 仿真试验与结果分析 |
| 3.1 试验方案 |
| 3.1.1 有效性验证试验 |
| 3.1.2 随机对比试验 |
| 3.2 仿真试验结果与分析 |
| 3.2.1 有效性验证试验结果与分析 |
| 3.2.2 随机对比试验结果与分析 |
| 4 验证试验 |
| 5 结论 |
（3）基于最优插入子集的动态规划算法求解旅行商问题（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.1.1 邱奇—图灵论题 |
| 1.1.2 P类与NP类 |
| 1.1.3 cook定理和karp问题列表 |
| 1.1.4 P与NP问题的解决途径 |
| 1.2 研究现状分析 |
| 1.2.1 精确算法 |
| 1.2.2 启发式算法或近似算法 |
| 1.2.3 其他算法 |
| 1.2.4 研究现状总结 |
| 1.3 本文工作 |
| 第2章 旅行商问题概述 |
| 2.1 旅行商问题的定义 |
| 2.2 Euclidean TSP |
| 2.3 两个基本定理 |
| 2.4 TSP常数 |
| 第3章 优化回溯法求解旅行商问题 |
| 3.1 回溯法理论分析 |
| 3.2 TSP的解空间 |
| 3.3 剪枝函数 |
| 3.4 使用凸包减小问题的规模 |
| 3.5 回溯法求解中国旅行商问题 |
| 第4章 插入算法求解TSP |
| 4.1 插入算法概述 |
| 4.2 初始子路线 |
| 4.2.1 凸核插入法 |
| 4.2.2 凸核插入法的一个特例 |
| 4.2.3 初始子路线对插入法的影响 |
| 4.3 新城市选取规则 |
| 4.3.1 最小插入法 |
| 4.3.2 最近插入法 |
| 4.3.3 最远插入法 |
| 4.3.4 随机插入法 |
| 4.3.5 新城市选取规则对插入法的影响 |
| 4.4 插入位点选取规则 |
| 4.4.1 简单选取规则与简单插入最优性猜想 |
| 4.4.2 插入过程分析与同型插座猜想 |
| 4.5 同型插座猜想的验证实验 |
| 4.5.1 寻找反例 |
| 4.5.2 插座型号的数量分布特征 |
| 4.6 简单插入最优性猜想和同型插座猜想的关系 |
| 第5章 新动态规划法求解旅行商问题 |
| 5.1 动态规划法的理论分析 |
| 5.1.1 动态规划的基本概念 |
| 5.1.2 动态规划的基本思想 |
| 5.1.3 动态规划的最优性原理和最优性定理 |
| 5.2 基于最优子通路的Held-Karp解法 |
| 5.3 基于简单插入子集的动态规划法 |
| 5.4 基于最优插入子集的新动态规划法 |
| 5.4.1 动态规划法的理论分析 |
| 5.4.2 新动态规划法求解实例 |
| 5.4.3 新动态规划法的复杂度分析 |
| 第6章 算法实现 |
| 6.1 算法实现 |
| 6.2 实验结果 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 进一步工作的方向 |
| 致谢 |
| 参考文献 |
| 附录A 中国旅行商问题数据集 |
（4）混合人工蜂群算法求解旅行商问题（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 旅行商问题研究现状 |
| 1.2.2 人工蜂群算法研究现状 |
| 1.2.3 遗传算法研究现状 |
| 1.2.4 量子算法研究现状 |
| 1.3 本文的研究工作及内容 |
| 第二章 基于遗传算子的人工蜂群算法 |
| 2.1 旅行商问题 |
| 2.2 真实蜜蜂的行为 |
| 2.3 人工蜂群算法 |
| 2.3.1 雇佣蜂阶段 |
| 2.3.2 跟随蜂阶段 |
| 2.3.3 侦察蜂阶段 |
| 2.4 遗传算子 |
| 2.4.1 倒位变异与启发式倒位变异 |
| 2.4.2 交叉操作 |
| 2.5 3 -opt操作 |
| 2.6 人工蜂群算法流程 |
| 2.7 算例实验 |
| 2.7.1 实验环境 |
| 2.7.2 实验结果 |
| 2.8 本章小结 |
| 第三章 基于量子优化的人工蜂群算法 |
| 3.1 量子计算 |
| 3.1.1 量子比特 |
| 3.1.2 多量子位(量子寄存器) |
| 3.1.3 测量 |
| 3.1.4 量子门 |
| 3.1.5 量子启发计算 |
| 3.2 量子优化 |
| 3.2.1 解决方案的量子表示 |
| 3.2.2 量子编码 |
| 3.3 算法流程 |
| 3.3.1 雇用蜜蜂阶段 |
| 3.3.2 跟随蜂阶段 |
| 3.3.3 侦查蜂阶段 |
| 3.4 实验和结果 |
| 3.4.1 实验环境 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第四章 总结和展望 |
| 4.1 本文的工作总结 |
| 4.2 展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（5）基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 模型预测控制研究现状 |
| 1.2.2 分布式模型预测控制的研究现状 |
| 1.2.3 人工免疫算法的研究现状 |
| 1.3 论文研究解决的问题 |
| 1.4 本文的研究内容及结构 |
| 2.基于粒子群优化的免疫遗传算法 |
| 2.1 引言 |
| 2.2 免疫学理论及免疫算法理论 |
| 2.2.1 免疫学基本原理 |
| 2.2.2 人工免疫算法理论 |
| 2.2.3 免疫遗传算法及仿真 |
| 2.3 标准粒子群算法理论 |
| 2.3.1 标准粒子群算法的建模 |
| 2.3.2 标准粒子群算法实现流程 |
| 2.4 基于PSO改进的免疫遗传算法及仿真 |
| 2.4.1 PSO-IGA实现流程 |
| 2.4.2 仿真实例 |
| 2.5 本章小结 |
| 3.基于改进的IGA的DMPC系统结构分解方法 |
| 3.1 引言 |
| 3.2 基于改进免疫遗传算法(IGA)的DMPC系统结构拆解 |
| 3.2.1 DMPC输入分组(ICD)问题 |
| 3.2.2 DMPC输入输出配对(IOPD)问题 |
| 3.2.3 基于IGA对于ICD问题和IOPD问题的应用 |
| 3.3 基于IGA系统结构分解的DMPC算法实现流程 |
| 3.4 仿真实例 |
| 3.4.1 IGA算法解决DMPC系统分解问题 |
| 3.5 本章小结 |
| 4 基于IGA系统结构分解的分布式模型预测控制算法与仿真 |
| 4.1 引言 |
| 4.2 模型预测控制 |
| 4.2.1 MPC的预测模型 |
| 4.2.2 MPC的滚动优化 |
| 4.2.3 MPC的反馈校正 |
| 4.3 分布式模型预测控制 |
| 4.3.1 DMPC的预测模型 |
| 4.3.2 DMPC的滚动优化 |
| 4.3.3 DMPC算法实现流程 |
| 4.3.4 DMPC算法的仿真实验 |
| 4.4 基于IGA系统结构分解的DMPC算法与仿真 |
| 4.4.1 基于IGA系统结构分解的DMPC算法实现流程 |
| 4.4.2 仿真实例 |
| 4.5 本章小结 |
| 5.总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文目录 |
| 攻读硕士学位期间参与的科研项目情况 |
（6）机载空空导弹任务分配技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 空空导弹技术的发展 |
| 1.2.2 机载空空导弹任务分配技术研究现状 |
| 1.3 主要研究内容 |
| 第二章 空空导弹任务分配模型 |
| 2.1 引言 |
| 2.2 空战态势模型 |
| 2.2.1 基本参数 |
| 2.2.2 距离优势 |
| 2.2.3 角度优势 |
| 2.2.4 速度优势 |
| 2.3 预攻击阶段任务分配模型 |
| 2.3.1 载机的运动模式 |
| 2.3.2 载机剩余飞行时间估计 |
| 2.3.3 模型建立 |
| 2.4 攻击阶段任务分配模型 |
| 2.5 侦查与毁伤评估阶段任务分配模型 |
| 2.6 解空间描述 |
| 2.6.1 0-1编码 |
| 2.6.2 整数映射编码 |
| 2.6.3 路径编码 |
| 2.6.4 序列编码 |
| 2.7 本章小结 |
| 第三章 基于启发式规则的任务分配算法 |
| 3.1 引言 |
| 3.2 基本启发式规则算子 |
| 3.2.1 交叉算子 |
| 3.2.2 变异算子 |
| 3.3 基于模拟退火策略的启发式算法 |
| 3.4 基于遗传策略的启发式任务分配算法 |
| 3.5 基于混合机制的启发式任务分配算法 |
| 3.6 基于蚁群退火遗传的超启发式任务分配算法 |
| 3.7 基于共享种群的动态启发式算法 |
| 3.8 仿真分析与对比 |
| 3.8.1 算法性能对比 |
| 3.8.2 预攻击阶段系统仿真 |
| 3.9 本章小结 |
| 第四章 基于指派模型的任务分配算法 |
| 4.1 引言 |
| 4.2 非平衡分配问题转化方法 |
| 4.3 基于二分图匹配的任务分配算法 |
| 4.4 基于拍卖机制的任务分配算法 |
| 4.5 基于线性规划理论的任务分配算法 |
| 4.6 仿真分析与对比 |
| 4.6.1 算法性能对比 |
| 4.6.2 攻击阶段系统仿真 |
| 4.7 本章小结 |
| 第五章 基于旅行商模型的任务分配算法 |
| 5.1 引言 |
| 5.2 基于迭代局部搜索策略的任务分配算法 |
| 5.3 基于自组织映射神经网络的任务分配算法 |
| 5.3.1 自组织映射神经网络 |
| 5.3.2 基于WTM策略的SOM算法 |
| 5.3.3 基于WTM和WTA混合机制的改进SOM算法 |
| 5.4 仿真分析与对比 |
| 5.4.1 算法性能对比 |
| 5.4.2 侦查与毁伤评估阶段系统仿真 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（7）蚁群算法求解旅行商问题综述（论文提纲范文）
| 1 引言 |
| 2 蚁群算法概述 |
| 2.1 基本蚁群算法求解旅行商问题 |
| 2.2 蚁群系统求解旅行商问题 |
| 1) 状态转移规则 |
| 2) 信息素局部更新规则 |
| 3) 信息素全局更新规则 |
| 2.3 最大最小蚁群算法求解旅行商问题 |
| 3 蚁群算法的发展 |
| 3.1 基于局部优化算法的蚁群算法 |
| 3.2 对路径上的信息素更新方法进行改进 |
| 3.3 蚁群算法与其他算法的融合 |
| 3.4 对蚁群算法的控制参数进行优化 |
| 3.5 并行蚁群算法 |
| 4 结语 |
（8）混合免疫优化理论与算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 优化问题与优化算法 |
| 1.1.1 优化问题 |
| 1.1.2 优化算法 |
| 1.2 免疫优化算法 |
| 1.2.1 生物免疫系统 |
| 1.2.2 人工免疫算法 |
| 1.2.3 免疫优化算法 |
| 1.3 混合免疫优化算法的研究概况 |
| 1.3.1 混合优化算法的混合策略 |
| 1.3.2 混合免疫优化算法的研究进展 |
| 1.3.3 混合免疫优化算法的应用研究进展 |
| 1.4 混合免疫优化算法研究存在的不足及解决思路 |
| 1.4.1 混合免疫优化算法理论研究的不足及解决思路 |
| 1.4.2 混合免疫优化算法应用研究的局限及扩展 |
| 1.5 本论文的主要研究工作及内容安排 |
| 第2章 免疫算法和蚁群算法的混合及其在组合优化中的应用 |
| 2.1 引言 |
| 2.2 组合优化问题及旅行商问题 |
| 2.2.1 组合优化问题 |
| 2.2.2 旅行商问题(TSP) |
| 2.3 基于抗体小窗口局部搜索的蚁群和免疫混合算法(ACLA) |
| 2.3.1 ACLA算法流程 |
| 2.3.2 混沌蚁群算法 |
| 2.3.3 基于免疫基因操作的克隆选择算法 |
| 2.3.4 抗体小窗口局部搜索算法 |
| 2.4 ACLA算法收敛性分析 |
| 2.5 实验仿真 |
| 2.5.1 算法比较 |
| 2.5.2 ACLA算法与ACS算法性能比较 |
| 2.6 本章小结 |
| 第3章 分层协同进化免疫算法及其在组合优化中的应用 |
| 3.1 引言 |
| 3.2 协同进化及协同进化算法 |
| 3.2.1 协同进化 |
| 3.2.2 协同进化算法 |
| 3.3 分层协同进化免疫模型及算法(HCIA) |
| 3.3.1 亲和度函数 |
| 3.3.2 HCIA算法的模型及流程 |
| 3.3.3 HCIA算法的低层操作 |
| 3.3.4 HCIA算法的高层操作 |
| 3.4 分层协同进化免疫算法收敛性分析 |
| 3.5 分层协同进化免疫算法在TSP中的仿真实验 |
| 3.5.1 算法比较 |
| 3.5.2 抗体个数m对HCIA算法性能影响 |
| 3.5.3 子种群个数NN对HCIA算法性能影响 |
| 3.6 ACLA算法与HCIA算法性能比较 |
| 3.7 本章小结 |
| 第4章 多子种群粒子群免疫协同进化算法及其在数值优化中的应用 |
| 4.1 引言 |
| 4.2 数值优化问题及函数最优化问题 |
| 4.2.1 数值优化问题 |
| 4.2.2 函数最优化问题 |
| 4.3 多子种群粒子群免疫协同进化算法(MAPCPSOI)模型及流程 |
| 4.3.1 MAPCPSOI算法模型 |
| 4.3.2 MAPCPSOI算法流程 |
| 4.4 MAPCPSOI算法的实现 |
| 4.4.1 低层自适应多态杂交粒子群算法 |
| 4.4.2 基于种间协同竞争的高层免疫算法 |
| 4.4.3 同峰判断算子 |
| 4.5 函数优化仿真测试 |
| 4.5.1 MAPCPSOI算法参数分析 |
| 4.5.2 对比实验研究 |
| 4.5.3 高维及超高维函数对比实验 |
| 4.5.4 多模态函数全局优化实验 |
| 4.5.5 子种群多样性分析 |
| 4.6 本章小结 |
| 第5章 免疫算法的混合及其在多模态函数优化问题中的应用 |
| 5.1 引言 |
| 5.2 多模态函数优化问题及适应度函数 |
| 5.2.1 多模态函数优化问题 |
| 5.2.2 适应度函数 |
| 5.3 融合Powell法的粒子群优化算法(IPSO-P) |
| 5.3.1 IPSO-P算法流程 |
| 5.3.2 标准粒子群算法及其改进 |
| 5.3.3 Powell搜索法 |
| 5.3.4 极值点的同峰判断 |
| 5.4 IPSO-P算法在多模态函数中仿真实验 |
| 5.4.1 Powell法搜索概率的确定 |
| 5.4.2 与其他算法仿真对比实验 1 |
| 5.4.3 与其他算法仿真对比实验 2 |
| 5.5 免疫云粒子群优化算法(PPSO) |
| 5.5.1 PPSO算法流程 |
| 5.5.2 云变异粒子群优化算法 |
| 5.5.3 自适应小波变异克隆选择算法 |
| 5.6 PPSO算法性能及全局收敛性分析 |
| 5.6.1 算法性能分析 |
| 5.6.2 全局收敛性分析 |
| 5.7 PPSO算法在多模态函数中仿真实验 |
| 5.7.1 二维多模态函数仿真实验 |
| 5.7.2 搜索性能分析 |
| 5.7.3 高维多模态函数仿真实验 |
| 5.8 IPSO-P算法与PPSO算法对比 |
| 5.9 本章小结 |
| 第6章 免疫云粒子群优化算法在离散混沌系统滑模控制中的应用 |
| 6.1 引言 |
| 6.2 神经滑模等效控制 |
| 6.2.1 滑模控制 |
| 6.2.2 BP神经网络流程 |
| 6.2.3 基于等效控制方法的神经滑模控制 |
| 6.3 基于PPSO算法的神经滑模等效控制(PPSO-NNSMC) |
| 6.3.1 评价函数的选择 |
| 6.3.2 PPSO-NNSMC流程 |
| 6.4 基于PPSO-NNSMC的离散混沌系统仿真实验 |
| 6.4.1 非线性系统算例仿真实验 |
| 6.4.2 Henon混沌系统仿真实验 |
| 6.4.3 六辊UC轧机混沌系统仿真实验 |
| 6.5 本章小结 |
| 总结及展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间发表的学术论文目录 |
| 附录B 攻读学位期间主持或参研的项目目录 |
（9）并行免疫算法求解TSP问题的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 背景与意义 |
| 1.2 研究动态 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的组织结构 |
| 第二章 并行计算理论 |
| 2.1 并行计算 |
| 2.2 并行计算机系统分类 |
| 2.2.1 对称多处理机 |
| 2.2.2 分布共享存储并行机 |
| 2.2.3 大规模并行机 |
| 2.2.4 机群系统 |
| 2.3 并行算法 |
| 2.3.1 并行算法设计策略与技术 |
| 2.3.2 并行算法评价标准 |
| 2.4 并行程序设计模型 |
| 2.5 MPI 并行编程环境 |
| 2.5.1 MPI 发展历程 |
| 2.5.2 MPI 概念与特点 |
| 第三章 免疫算法 |
| 3.1 免疫系统及免疫学基理 |
| 3.2 基本免疫算法 |
| 3.2.1 负选择算法 |
| 3.2.2 免疫遗传算法 |
| 3.2.3 免疫克隆选择算法 |
| 3.2.4 自适应免疫算法 |
| 3.3 并行免疫算法 |
| 第四章 并行免疫算法解决TSP 问题 |
| 4.1 TSP 问题描述 |
| 4.2 免疫算法求解TSP 问题 |
| 4.3 并行免疫算法求解TSP 问题 |
| 4.3.1 并行化求解TSP 问题的主要思想 |
| 4.3.2 并行免疫算法求解TSP 的框架与步骤 |
| 4.3.3 并行免疫算法求解TSP 问题的伪代码描述 |
| 第五章 实验及结果分析 |
| 5.1 实验的硬件环境 |
| 5.2 实验的软件环境 |
| 5.2.1 操作系统的选择与设置 |
| 5.2.2 MPICH2 的安装配置 |
| 5.2.3 编译环境配置 |
| 5.3 结果分析 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录：攻读学位期间发表的学术论文目录 |
（10）基于混沌免疫遗传算法的优化问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 论文研究的意义 |
| 1.2 课题的研究现状 |
| 1.2.1 优化问题的研究现状 |
| 1.2.2 免疫遗传算法的研究现状 |
| 1.2.3 混沌理论的研究现状 |
| 1.2.4 混沌与免疫遗传算法结合的研究现状 |
| 1.3 论文研究的内容 |
| 1.4 论文安排 |
| 第二章 免疫遗传算法研究 |
| 2.1 遗传算法简介 |
| 2.1.1 基本遗传算法 |
| 2.1.2 遗传算法的特点 |
| 2.2 免疫算法简介 |
| 2.2.1 人工免疫算法 |
| 2.2.2 免疫算法的特点 |
| 2.3 免疫遗传算法 |
| 2.3.1 免疫遗传算法组成 |
| 2.3.2 免疫遗传算法特点 |
| 2.4 小结 |
| 第三章 混沌理论研究 |
| 3.1 混沌理论概述 |
| 3.1.1 混沌的定义及特性 |
| 3.1.2 混沌理论的三个基本概念 |
| 3.1.3 几种典型的混沌序列 |
| 3.2 混沌优化算法研究 |
| 3.2.1 混沌优化算法的基本思想及流程图 |
| 3.2.2 混沌优化算法的特点 |
| 3.3 小结 |
| 第四章 混沌免疫遗传算法 |
| 4.1 混沌免疫遗传算法的基本思想 |
| 4.1.1 免疫算法与混沌优化算法结合 |
| 4.1.2 遗传算法与混沌优化算法结合 |
| 4.1.3 混沌系统分析 |
| 4.2 混沌免疫遗传算法流程图及主要步骤 |
| 4.3 混沌免疫遗传算法收敛性分析 |
| 4.4 小结 |
| 第五章 TSP优化问题研究 |
| 5.1 TSP问题描述 |
| 5.2 TSP问题计算复杂度 |
| 5.3 本文算法相关部分的实现 |
| 5.4 TSP问题求解 |
| 5.4.1 20个城市TSP问题求解 |
| 5.4.2 29个城市TSP问题求解 |
| 5.5 小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
| 大庆石油学院硕士研究生学位论文摘要 |
四、基于免疫遗传算法的TSP求解（论文参考文献）
- [1]基于改进粒子群算法的无人艇路径规划研究[D]. 钟家暴. 青岛科技大学, 2021
- [2]温室穴盘苗自动移钵路径优化[J]. 张丽娜,谭彧,吕昊暾,李宝胜,蒋易宇,王硕. 农业工程学报, 2020(15)
- [3]基于最优插入子集的动态规划算法求解旅行商问题[D]. 但开. 南昌大学, 2020(01)
- [4]混合人工蜂群算法求解旅行商问题[D]. 朱继生. 广西大学, 2020(03)
- [5]基于遗传免疫算法的系统结构分解及其在分布式MPC中的应用[D]. 刘臻博. 辽宁石油化工大学, 2020(04)
- [6]机载空空导弹任务分配技术研究[D]. 叶航航. 上海交通大学, 2020(01)
- [7]蚁群算法求解旅行商问题综述[J]. 宗德才,王康康,丁勇. 计算机与数字工程, 2014(11)
- [8]混合免疫优化理论与算法及其应用研究[D]. 吴建辉. 湖南大学, 2013(01)
- [9]并行免疫算法求解TSP问题的研究[D]. 廖玲. 太原理工大学, 2010(10)
- [10]基于混沌免疫遗传算法的优化问题研究[D]. 吕微. 东北石油大学, 2010(08)