matlabgui的群智能算法集成系统开发【字数：11102】
摘 要MATLAB GUI有着操作简便、易于实现等特点，被广泛用于各类系统的设计，所以使用MATLAB GUI作为该系统的开发平台。本课题重点在于研究群智能算法中的蚁群算法、粒子群算法和烟花算法的基础上，利用该平台开发一种群智能算法的集成系统，该系统能够使用这三种算法来解决旅行商问题、图片分割问题以及函数优化问题等类似的问题。该系统的开发为验证群智能的优化性能提供了便利和平台。通过开发使用该系统，证明了该系统对于处理一些算法问题上能够做到高效、准确，能够对该系统的使用者提供帮助。本文主要研究课题如下介绍了蚁群算法、粒子群算法、烟花算法的研究背景和意义以及国内研究现状。蚁群算法、粒子群算法、烟花算法的算法原理以及仿真实验。利用MATLAB GUI对群智能算法系统进行设计，设计登录界面、算法选择界面以及实际对应的每个算法的界面，然后将三种界面组合连接起来开发出群智能算法系统。
目录
1.绪 论 1
1.1课题研究背景及意义 1
1.2群智能优化算法的研究现状 1
1.2.1蚁群算法研究现状 1
1.2.2粒子群算法研究现状 2
1.2.3烟花算法研究现状 3
1.3论文主要内容 4
2.群智能算法理论 5
2.1蚁群算法原理实现 5
2.2 仿真与分析 7
2.2.1 仿真环境 7
2.2.2蚁群算法求解旅行商问题 7
2.2.3蚁群算法解决图像分割问题 9
2.3粒子群算法原理实现 11
2.4仿真与分析 13
2.4.1 粒子群求解TSP 13
2.4.2粒子群函数寻优 14
2.5烟花算法原理实验 17
2.6仿真与分析 19
2.6.1烟花算法求解旅行商问题 19
2.6.2烟花算法解决图像分割问题 20
2.6.3烟花算法函数优化 22
3.系统的总体设计方案 24
3.1软件环境 24
3.2系统结构与操作 24
3.3系统设计 26
3.4功能实现 28
4.结 *好棒文|www.hbsrm.com +Q: ^351916072*
论 30
致谢 31
参考文献 32
1 .绪 论
1.1课题研究背景及意义
群体智能（swarm intelligence）算法开始于上个世纪90年代初，受到了自然界中的生物群体智能行为的启发，通过对动物行为的模仿，进而提出的一种随机优化算法。具有数学模型简单，参数较少，容易操作的特点。目前，群智能算法大致可划分为两类，其中一类是基于生物群体的群智能算法，主要包括：蚁群算法、粒子群算法、人工鱼群算法、萤火虫算法等，另一类是基于非生物群体的烟花算法，主要包括：烟花算法、引力搜索算法等。
通常情况下，在针对不同的问题，可能采用一种或多种群智能算法相结合的办法来求解问题。但并不是采用的算法最合适问题的解决，需要在仿真或实验的基础上进行比较后，做出最终选择。在进行算法比较时，一般都是分先后次序进行仿真或实验，然后将每次得出的结果进行比较。加上每种群智能算法所涉及的参数设置不一样，实际操作时容易出现设置不一，导致数据比较的不真实。针对以上情况，本课题以蚁群算法、粒子群算法、烟花算法为研究重点，设计一种基于MATLAB GUI的具有可视化、便捷化功能的实用群智能系统集成。该系统除了通过人机交互界面能够方便地进行参数设置外，还能够将三种算法最后的结果用图形的形式表现出来，能够直观的看到每个算法的结果以及算法之间的对比。可以直接为基于群智能算法的问题求解提供便利，具有一定的实用性。
1.2群智能优化算法的研究现状
到目前为止，受自然界群体行为的启发而提出的群智能算法达10种以上。每一种新的算法一旦提出，必将会掀起学术界的研究热潮，积极推动了该算法的发展。从公开发表的文献的数量来看，每年的研究成果都在单位万以上。下面，重点对蚁群算法、粒子群算法以及烟花算法的研究现状进行归纳和总结。
1.2.1蚁群算法研究现状
蚁群算法存在许多问题需要学者们进行深入的研究去解决蚁群算法运行速度慢，等待时间长容易得到部分解而不是最优解。因此许多学者都开始对算法本身进行研究，并提出了各种改进的蚁群算法。
陈侠等[1]针对蚁群算法易陷入局部极值,且收敛速度较慢的问题,采用几何优化方法增强了蚂蚁搜索的引导性,同时,利用自适应调节参数方法提高蚁群搜索能力与个体之间交互的能力,有效摆脱原算法易陷入局部最优的情况。此外,建立了指标函数并对路径进行了平滑处理。仿真结果表明,所提出的改进算法找到最优解的能力及收敛速度优于原算法。
马金科等[2]针对蚁群算法在复杂环境下收敛速度慢且易陷入局部最优值的问题,提出一种改进的蚁群优化算法。该方法依据起始点和目标点位置信息选择全局有利区域增加初始信息素浓度，提高前期蚂蚁搜索效率；增加避障策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死锁数量；采用动态参数控制的伪随机转移策略,提出优质蚂蚁信息素更新原则，自适应调整挥发系数,提高算法全局性。实验结果表明,该算法有较高的全局搜索能力，收敛速度明显加快，并且可以有效提高移动机器人工作效率，验证了该算法的有效性和优越性。
刘学芳等[3]为解决传统蚁群算法收敛速度慢、极易陷入局部最优解的问题，文中提出了一种改进蚁群算法，并将其应用于移动机器人路径规划问题。蚁群算法的路径规划采用栅格法建立环境模型,并对障碍物进行扩大处理，从而有效降低了移动机器人在运动过程中与障碍物相碰撞的可能性;构造启发函数以降低蚁群搜索路径的长度；引入信息素扩散算法，并提高算法在初期的全局搜索能力，从而加快了算法的后期收敛速度。仿真结果表明,所提出的算法在收敛速度上比传统蚁群算法提高近一倍，可以规划出最优路径。?
1.2.2粒子群算法研究现状
粒子群算法存在提前结束运算和后期震荡的问题。因此很多学者追求提高算法的性能，并且提出了各种改进的算法。
胡文华等[4]提出了一种变权重与杂交的粒子群优化算法。该算法主要由两部分组成；第一，根据迭代过程中粒子群中粒子与全局最优粒子间的距离大小动态改变惯性权重，并设置系数控制其对惯性权重的影响程度；第二，引入杂交进化，在指定迭代次数内，若粒子群全局最优值连续未变，则对指定数量的粒子进行杂交,增加粒子多样性，避免陷入局部最优。
目录
1.绪 论 1
1.1课题研究背景及意义 1
1.2群智能优化算法的研究现状 1
1.2.1蚁群算法研究现状 1
1.2.2粒子群算法研究现状 2
1.2.3烟花算法研究现状 3
1.3论文主要内容 4
2.群智能算法理论 5
2.1蚁群算法原理实现 5
2.2 仿真与分析 7
2.2.1 仿真环境 7
2.2.2蚁群算法求解旅行商问题 7
2.2.3蚁群算法解决图像分割问题 9
2.3粒子群算法原理实现 11
2.4仿真与分析 13
2.4.1 粒子群求解TSP 13
2.4.2粒子群函数寻优 14
2.5烟花算法原理实验 17
2.6仿真与分析 19
2.6.1烟花算法求解旅行商问题 19
2.6.2烟花算法解决图像分割问题 20
2.6.3烟花算法函数优化 22
3.系统的总体设计方案 24
3.1软件环境 24
3.2系统结构与操作 24
3.3系统设计 26
3.4功能实现 28
4.结 *好棒文|www.hbsrm.com +Q: ^351916072*
论 30
致谢 31
参考文献 32
1 .绪 论
1.1课题研究背景及意义
群体智能（swarm intelligence）算法开始于上个世纪90年代初，受到了自然界中的生物群体智能行为的启发，通过对动物行为的模仿，进而提出的一种随机优化算法。具有数学模型简单，参数较少，容易操作的特点。目前，群智能算法大致可划分为两类，其中一类是基于生物群体的群智能算法，主要包括：蚁群算法、粒子群算法、人工鱼群算法、萤火虫算法等，另一类是基于非生物群体的烟花算法，主要包括：烟花算法、引力搜索算法等。
通常情况下，在针对不同的问题，可能采用一种或多种群智能算法相结合的办法来求解问题。但并不是采用的算法最合适问题的解决，需要在仿真或实验的基础上进行比较后，做出最终选择。在进行算法比较时，一般都是分先后次序进行仿真或实验，然后将每次得出的结果进行比较。加上每种群智能算法所涉及的参数设置不一样，实际操作时容易出现设置不一，导致数据比较的不真实。针对以上情况，本课题以蚁群算法、粒子群算法、烟花算法为研究重点，设计一种基于MATLAB GUI的具有可视化、便捷化功能的实用群智能系统集成。该系统除了通过人机交互界面能够方便地进行参数设置外，还能够将三种算法最后的结果用图形的形式表现出来，能够直观的看到每个算法的结果以及算法之间的对比。可以直接为基于群智能算法的问题求解提供便利，具有一定的实用性。
1.2群智能优化算法的研究现状
到目前为止，受自然界群体行为的启发而提出的群智能算法达10种以上。每一种新的算法一旦提出，必将会掀起学术界的研究热潮，积极推动了该算法的发展。从公开发表的文献的数量来看，每年的研究成果都在单位万以上。下面，重点对蚁群算法、粒子群算法以及烟花算法的研究现状进行归纳和总结。
1.2.1蚁群算法研究现状
蚁群算法存在许多问题需要学者们进行深入的研究去解决蚁群算法运行速度慢，等待时间长容易得到部分解而不是最优解。因此许多学者都开始对算法本身进行研究，并提出了各种改进的蚁群算法。
陈侠等[1]针对蚁群算法易陷入局部极值,且收敛速度较慢的问题,采用几何优化方法增强了蚂蚁搜索的引导性,同时,利用自适应调节参数方法提高蚁群搜索能力与个体之间交互的能力,有效摆脱原算法易陷入局部最优的情况。此外,建立了指标函数并对路径进行了平滑处理。仿真结果表明,所提出的改进算法找到最优解的能力及收敛速度优于原算法。
马金科等[2]针对蚁群算法在复杂环境下收敛速度慢且易陷入局部最优值的问题,提出一种改进的蚁群优化算法。该方法依据起始点和目标点位置信息选择全局有利区域增加初始信息素浓度，提高前期蚂蚁搜索效率；增加避障策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死锁数量；采用动态参数控制的伪随机转移策略,提出优质蚂蚁信息素更新原则，自适应调整挥发系数,提高算法全局性。实验结果表明,该算法有较高的全局搜索能力，收敛速度明显加快，并且可以有效提高移动机器人工作效率，验证了该算法的有效性和优越性。
刘学芳等[3]为解决传统蚁群算法收敛速度慢、极易陷入局部最优解的问题，文中提出了一种改进蚁群算法，并将其应用于移动机器人路径规划问题。蚁群算法的路径规划采用栅格法建立环境模型,并对障碍物进行扩大处理，从而有效降低了移动机器人在运动过程中与障碍物相碰撞的可能性;构造启发函数以降低蚁群搜索路径的长度；引入信息素扩散算法，并提高算法在初期的全局搜索能力，从而加快了算法的后期收敛速度。仿真结果表明,所提出的算法在收敛速度上比传统蚁群算法提高近一倍，可以规划出最优路径。?
1.2.2粒子群算法研究现状
粒子群算法存在提前结束运算和后期震荡的问题。因此很多学者追求提高算法的性能，并且提出了各种改进的算法。
胡文华等[4]提出了一种变权重与杂交的粒子群优化算法。该算法主要由两部分组成；第一，根据迭代过程中粒子群中粒子与全局最优粒子间的距离大小动态改变惯性权重，并设置系数控制其对惯性权重的影响程度；第二，引入杂交进化，在指定迭代次数内，若粒子群全局最优值连续未变，则对指定数量的粒子进行杂交,增加粒子多样性，避免陷入局部最优。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/943.html
