8篇关于蚁群算法的计算机毕业论文

今天分享的是关于蚁群算法的8篇计算机毕业论文范文, 如果你的论文涉及到蚁群算法等主题,本文能够帮助到你

基于智能算法的教学管理信息系统的设计

这是一篇关于教学管理,B/S,蚁群算法,遗传算法的论文, 主要内容为近年来,我国教育事业改革的不断推进,教育事业的教育模式正在悄然改变,传统教学管理信息系统已无法满足学校的使用需求,智能化的教学管理信息系统对于高校显得尤为重要。智能化的管理信息系统也是教育部门和高校着力研究的重要课题,智能化的教学管理信息系统不仅能够帮助学校教学管理部门提升工作效率,同时对构建智能化、信息化以及数字化校园有着推动作用。随着人们对计算机技术的不断深入研究,人们已经逐渐在教学管理信息系统之中引入科学的计算方法,其中智能组卷算法便是众多算法中的一种。本文以教学管理为中心,选取其中的智能组卷算法为研究方向,以蚁群算法和遗传算法作为主要研究对象,研究的主要目的是提升组卷速度和组卷质量。与目前的教学管理信息系统相比,本系统使用方便,功能设置更为合理。系统功能模块化,功能更趋独立化,对不同用户对象分配不同权限,更具人性化。本系统的设计依托于吉林省智慧城市与大数据应用工程中心,结合大学生创新创业项目进行研究工作。选用B/S模式作为系统架构,MySQL作为数据库管理工具。Java语言作为系统开发语言,系统框架为J2EE规范的SSM框架技术。系统实现前后端分离,通过Token进行数据交互,可以为后期的系统移植到APP提供接口,方便APP开发。前后端的有效分离解放了后期的升级运维工作,前端工作无需关注后端工作。该系统的设计与开发,为学校教务部门的教学管理工作提供了新型的管理方法。同时本系统的设计将为提高学校教学质量水平奠定一个重要的基础,为推进校园智能化、数字化建设增添一份力量。

基于多层次运力的一站式配送平台的设计与实现

这是一篇关于入驻系统,多层次运力,外卖配送,聚类算法,蚁群算法的论文, 主要内容为随着外卖行业的稳健发展,现在的外卖市场已经趋于饱和,呈现出“2+N”的市场格局[1]。美团外卖、饿了么两大外卖平台已经占据了95%以上的市场份额,体量增长达到瓶颈。与此同时,细分品牌或细分外卖品类的宅急送、麦乐送等自营平台,仅服务于自家的餐饮企业。这类垂直类餐饮企业有着庞大的顾客群,但本身所具备的运力不足以支撑庞大的订单量。另一方面,外卖平台商家多、品类广,因此用户粘性较高,垂直类餐饮企业的在线订单规模也受到一定影响。外卖平台具备完善的配送体系,垂直类餐饮企业具有庞大的订单量,两方的合作不仅是发展的趋势,也是一种双赢。结合餐饮企业的实际需求和外卖平台业务的增长,逐渐发展出了“商家接单+平台配送”的合作模式。基于这种新的合作模式,本论文设计并实现了基于多层次运力的一站式配送平台,实现垂直类餐饮企业入驻外卖平台的渠道。通过该平台,餐饮企业可以在保留原有在线点单渠道的基础上,仅把订单配送服务交给外卖平台。本论文主要做了以下工作:(1)配送平台的设计与实现。本论文根据新的合作模式特点设计了入驻系统,制定了规范化的门店入驻、合同签约流程,创新性地实现入驻流程的线上化,尤其是合同签约管理的线上化。该入驻系统能有效解决传统客户签约过程中存在的入驻效率低,合同签约周期长等问题。针对垂直类餐饮企业较高的配送需求,本论文对现有运力进行多层次划分,为客户提供个性化的配送服务,并将运力特性数据化,使其在合同中得以体现。最后,设计了爆单策略用以维持运力紧张下的供需平衡,实现大多数客户的配送服务。(2)研究了订单的运力分派和配送路径问题。首先,本文处理了外卖订单的特征属性,使用K-means算法对订单进行聚类,提升了订单分发的效率。然后,使用蚁群算法规划订单配送路径,并给出了蚁群算法的相关表达式。最后,针对聚类算法存在的收敛问题,使用二分K-means算法提升了执行效率;针对蚁群算法的收敛问题,引入MMAS算法限制信息素的累积,有效改善了收敛效果;针对蚁群算法存在的局部最优问题,在每轮循环结束后使用2-opt算法进行局部优化,以得到整体最优的配送路径。配送平台是实习公司内部项目,目前已经投入生产使用,很好地满足了客户的实际需求。该平台基于微服务架构进行设计,采用Mafka和Squireel等多种技术,能有效保障系统的稳定性和可拓展性。

基于QoS的Web服务组合算法研究与实现

这是一篇关于服务质量,Web服务组合,Web服务选择,遗传算法,蚁群算法,混合智能算法的论文, 主要内容为Web服务以其松散耦合性和高度可集成性,已经成为目前实现SOA(Service Oriented Architecture,面向服务的体系结构)的最好手段之一。面对各种不同的业务需求,Web服务提供者很难提供足够多的原子服务给使用者。因此,通过整合网络上已有的Web服务资源以构建新的复杂服务去满足不同用户的需求就成为解决这一问题的有效手段。基于特定的组合手段,形成不同的组合方案,形成不同的组合服务,提供不同的功能以满足用户多样化的需求是Web服务组合的核心思想。在进行Web服务组合时,我们遇到的一个重要问题就是不同的Web服务提供商可能会提供功能相似甚至相同的服务,那么如何按照用户的需求,从大量功能相似或相同的Web服务中选择合适的服务参与组合就成为Web服务组合领域必须解决的一个关键问题。本文在国内外关于基于QoS的Web服务组合研究的基础上,主要以工作流为基础,围绕QoS驱动的Web服务组合问题进行了以下方面的探索和研究：针对基于QoS的Web服务组合研究的需要,本文研究了Web服务的相关技术标准和Web服务组合的支撑技术,基于Web服务功能属性和非功能属性分离的思想,在参考国际标准和考虑实际情况的基础上,建立了描述Web服务非功能属性的QoS模型。为了能够量化组合服务的用户满意度,本文对基于QoS的Web服务组合过程进行了抽象,分别建立了基于多目标优化和最短路径的Web服务组合数学模型,并提出了一种支持这两种组合模型的动静结合Web服务组合策略。考虑到智能算法解决大规模问题的优良性能,本文将遗传算法和蚁群算法引入Web服务组合领域,实现了基于遗传算法和蚁群算法的Web服务选择；在此基础上,提出了针对服务选择问题的遗传算法二次编码方法；提出了基于蚁群的遗传—蚁群混合智能优化算法,该算法具有全局搜索能力和快速收敛能力,提高了蚁群算法解决Web服务选择问题的性能。鉴于传统WSDL(Web Service Description Language, Web服务描述语言)描述能力的不足,本文在保留其原有描述能力的基础上,对传统WSDL的描述能力进行了扩展,给出了描述Web服务非功能属性的结构框架；为直观反映本文的研究内容,对比文中基于QoS的Web服务组合算法性能,设计实现了一个基于Jsp的SOA模拟系统和一个基于Java的服务组合管理原型系统。目前,服务技术及Web服务组合都已成为研究的热点问题,但在理论、方法研究及实际应用方面还存在很多问题。本文研究提出的模型、理论和方法,对现有的Web服务组合有重要的参考价值,同时本文针对Web服务组合提出的算法和解决策略,可应用于其它面向业务的网络管理(如网格服务),因此本文的研究具有重要的学术意义和广泛的应用前景。

边缘计算中依赖性任务调度系统的设计与实现

这是一篇关于边缘计算,DAG任务,功能配置,蚁群算法,仿真系统的论文, 主要内容为随着移动互联网技术的快速发展,诸如AR/VR、自动驾驶、工业控制等多种计算密集型、延迟敏感型应用逐渐兴起。这些应用通常由多个相互依赖的任务构成,可表示为有向无环图(Directed Acyclic Graph,DAG)。但是,移动设备的计算、通信等资源受限,难以很好地支持此类应用,不稳定的网络环境和长距离传输数据所带来的高延迟也使得云计算服务难以满足这些应用的服务质量要求。边缘计算将计算、存储、网络等资源下沉至网络边缘,可为移动设备提供就近的低延迟、低功耗服务,满足计算密集型、延迟敏感型应用的运行需求。如何在边缘计算系统中高效调度计算密集型、延迟敏感型的DAG应用,成为亟需解决的关键问题。本文首先提出了一个基于蚁群算法的DAG任务调度算法。具体包括:1)针对边缘节点资源受限和任务类型多样化的问题,通过引入基于容器的服务配置机制,构建了应用层、容器层、边缘节点层以及远程云层四层网络架构模型,实现了单边缘节点可为多种类型的任务提供服务以充分利用资源;2)针对DAG任务间的依赖关系导致调度复杂度增加的问题,根据DAG任务间的依赖关系建立了应用请求模型和请求时延模型,以总体请求完成率为优化目标,设计了一个基于改进蚁群的DAG任务调度算法。该算法基于请求截止期限动态调整任务的优先级,优化任务的调度顺序,并利用遗传算法前期进化率高于蚁群算法的优势,改进了传统的蚁群算法,最后基于蚁群算法的信息素机制搜索全局最优解形成任务调度方案。实验仿真结果验证了本文所提算法的可行性。在此基础上,本文设计并实现了一个用于边缘计算DAG任务调度的仿真系统。系统集成了本文所提出的调度算法,并提供了任务生成、边缘环境构建、算法导入和DAG任务调度仿真等功能。本文首先根据用户的需求,梳理主要功能需求,并在此基础上进行概要设计和模块设计,之后详细设计了每个模块的功能以及工作流程。系统采用Web技术实现了前端界面,利用Apache Airflow和Mininet构建网络模型和算法库,Airflow作为调度引擎,负责任务调度和DAG编排,Mininet作为仿真环境,负责创建边缘节点和链路以及节点上任务的模拟执行过程。本文最后进行了功能展示和系统测试。该系统通过图形化的界面简化了用户构建边缘计算网络仿真环境的流程,为用户提供了一个安全、可靠、可扩展的边缘计算任务调度算法的仿真验证环境。

面向电商销量预测的超参自适应神经网络模型研究

这是一篇关于销量预测,LSTM,BiGRU,蚁群算法,Q-Learning算法的论文, 主要内容为随着物流系统及电商平台的愈加完善,越来越多的企业加入电子商务行业,销售系统后台产生大量的用户购买数据,可以使用这些销售数据对商品未来的销售情况提前进行预测,从而提高企业的库存周转率,降低投资成本,进而实现企业收益的最大化。基于传统统计学方法的模型受限于数据周期性的特点导致预测精度不高,而深度学习具有较强的学习能力,可以自动提取数据中的特征,并基于这些特征进行预测,因此常用于时间序列预测问题。但深度学习模型的一些超参数在训练前需要实验者依靠经验设置,直接影响了模型的预测性能。因此基于以上问题,针对电商销量预测问题中模型超参数优化进行了以下研究:(1)提出了一种基于蚁群算法和长短期记忆网络的预测方法(ACO-LSTM)。采用蚁群算法(ACO)对LSTM模型的神经元数量、模型的迭代次数以及学习率这三个超参数进行优化,解决超参数设置不准确而影响模型预测性能的问题。(2)提出了一种基于改进的蚁群算法和双向门控循环神经网络的预测方法(IACO-BiGRU)。由于ACO算法存在收敛速度慢的缺点,本文提出了改进的蚁群优化算法(IACO),对算法中蚂蚁信息素的更新方式进行改进,经过实验验证,改进后的算法能高效地自适应超参寻优过程,进而提升了BiGRU模型的预测性能。(3)提出了一种基于Q-Learning和双向门控循环神经网络的预测方法(QLBiGRU)。虽然改进后的蚁群算法有效地提升了超参寻优效率,但是启发式算法存在易陷入局部最优解的缺点,并且其输出是一个问题的解,当环境发生扰动时,需要从头优化,而强化学习的输出是一个策略,环境发生扰动时不需要重新训练。因此,本文使用Q-Learning算法对BiGRU模型的超参数进行优化,能高效地自动搜索到最优策略,提升了超参寻优效率,进而减小BiGRU模型的预测误差。

软件化雷达任务模块自动部署系统的设计与实现

这是一篇关于软件化雷达,任务自动部署,关系映射表,二次分配问题,蚁群算法的论文, 主要内容为随着集成电路和数字化技术的迅速发展,基于定制硬件板卡的传统雷达系统逐渐显现出诸多弊端,如软硬件成本高、无法升级、灵活性低、开发效率低等。在此趋势下,传统雷达正朝着高灵活性、可模块化、可扩展化和高性能的方向发展,即软件化雷达。传统雷达任务的分配需要人工操作,这种分配方式不仅要求设计者具备较高的雷达知识水平和丰富的任务分配经验,且分配效率低下,无法满足当前软件化雷达的设计标准。因此,本文针对软件化雷达的任务分配问题进行了深入研究。本文首先分析了“软件化雷达”的设计准则。针对硬件资源有限条件下,传统分配方式存在的任务调度困难、资源分配不均、配置效率低、受限操作者水平等问题,提出一种利用二次分配问题(Quadratic Assignment Problem,QAP)解决雷达任务自动部署的设计方案。该方案通过封装雷达处理流程参数,实现流程任务的模块化,进而在系统吞吐时间的约束下,利用构建的分配算法,生成任务模块与处理器核的逻辑关系映射表,实现任务模块的自动部署。在任务模块的自动部署过程中,针对任务模块数量大于处理器核数量的实际情况,本文制定了任务模块的划分规则,编写划分算法。该算法首先找到任务流图的关键路径,对其进行无环划分和封装,使任务模块不仅被规整为与处理器核数目相同的任务集合,缩短模块间的通信时间,实现“1对1”的关系映射,而且任务集合之间没有循环连接,避免因划分而导致的额外调度开销。随着雷达任务流图中任务数量的增加,可行分配的数目呈指数级增长,导致QAP的算法在分配任务时宕机。为解决这一问题,提出采用蚁群算法(Ant Colony Optimization,ACO)辅助QAP分配,并对蚁群算法进行优化和改进,将改进后的蚁群算法与QAP相结合,编写任务分配算法。在任务模块部署至处理器核时,算法利用底层硬件通信带宽参数的差异,搜索通信时间最短,系统延迟最小的分配策略。仿真实验表明,本文方案有效划分了雷达任务流图,实现了任务模块与处理器核之间“多对少”的自动部署。通过多组实验结果的比较分析,划分算法的使用和蚁群算法的改进不仅减少了硬件板卡的使用,且将系统延迟时间降低了近7%。最后,通过与人工调试结果的对比分析,本文分配方案可在较短的时间内搜索到同等质量的分配策略。