【導(dǎo)讀】過(guò)程的模擬來(lái)完成對(duì)問(wèn)題的求解。的改進(jìn)優(yōu)化和仿真應(yīng)用分別進(jìn)行了描述。為了解決蟻群算法在初始階段。該模型提高了算法的執(zhí)行效率，其成功應(yīng)用于解決連續(xù)域問(wèn)。參考的模型和求解方法。

　　

【正文】 氨基氮 / （ mg/100g） 總可溶性氮/（ mg/100g） ? 葡萄糖 / （ mg/100g） 糖化力 / （ WK/100g） 寧麥加麥 2 180 695 155 335 寧麥澳麥 2 165 650 125 350 寧麥哈默林 3 205 795 120 405 九源甘三 2 200 805 175 320 九得利 KA4B 3 205 795 210 405 寶應(yīng)甘三 3 206 796 185 410 小麥麥芽 195 1055 90 485 大米 0 0 0 0 該 啤酒 企業(yè)要求的啤酒原料配方各項(xiàng)生產(chǎn)指標(biāo)主演有 5個(gè)限制性條 30 件：（ 1）保證糟層的厚度不低于 22cm。(2)保證麥汁 ? 氨基氮 的含量在160mg/L～ 210mg/L范圍內(nèi) 。(3)保證麥汁總可溶性氮含量在 650mg/L～1000mg/L范圍內(nèi)；（ 4）保證麥汁 ? 葡萄糖含量 90mg/L～ 250mg/L范圍內(nèi)；（ 5）保證原料的糖化力在 1600WK/kg～ 2100WK/kg范圍內(nèi)。 參考該啤酒企業(yè)的原料配方設(shè)計(jì)手冊(cè) ，定義 算法所研究問(wèn)題的 數(shù)學(xué)模型 如下： 目標(biāo)函數(shù)為 最低成本 函數(shù) ： ???ni ii xamF 1m in （ 14） 約束條件為各種期望生產(chǎn) 指標(biāo) ： ? ? 017501011 ??? ??ni ii xtB （ 15） ? ? 07 0 142 ???? ???ni iNi xaCB （ 16） ? ? 01 6 510143 ???? ???ni ii xaCB? （ 17） ? ? 010144 ??? ???ni ii xaCB? （ 18）0401001 25 ????????? ??? ??ni icid xaCB ? （ 19） 在上式中， a 表示每批次 需要的啤酒原料總質(zhì)量 ； d 表示過(guò)濾槽設(shè)備的直徑； im 表示第 i 種原料的成本單價(jià)； ix 表示配方中 第 i 種原料所占 的百分比含量； it 表示第 i 種原料糖化力 的數(shù)值； NiC 表示 第 i 種原料 總氮含量； ?iC 表示 第 i 種原料 ? 氨基氮的含量； ?iC 表示第 i 種原料 ? 葡萄糖含量；ciC 表示第 i 種原料產(chǎn)槽率。優(yōu)化的最終目標(biāo)就是實(shí)現(xiàn)原料的總成本最低，即定義函數(shù) F 為最終目標(biāo)函數(shù) 。 啤酒原料麥芽品種所占的百分比含量在 0～ 100％范圍內(nèi)均勻變化，屬于典型的連續(xù)變量?jī)?yōu)化問(wèn)題， 由于從 0到 100％之間有無(wú)窮多個(gè)節(jié)點(diǎn)， 31 如果讓螞蟻在 0～ 100％范圍內(nèi)逐個(gè)進(jìn)行訪問(wèn)的話，必然會(huì)造成龐大的計(jì)算量而無(wú)限延長(zhǎng)計(jì)算時(shí)間，求解結(jié)果也會(huì)比較分散 ，因此無(wú)法用傳統(tǒng)的基本蟻群算法對(duì)其進(jìn)行研究，必須把原料用量 正交 離散化處理。 在對(duì)研究對(duì)象進(jìn)行正交離散化處理的過(guò)程中 ，根據(jù)啤酒原料營(yíng)養(yǎng)標(biāo)準(zhǔn) 手冊(cè) 和相關(guān)實(shí)踐經(jīng)驗(yàn)確定幾個(gè)對(duì)試驗(yàn) 指標(biāo) 效果影響比較大的因素?cái)?shù)以及水平數(shù) 。 以寧麥澳麥、寧麥哈默林、寶應(yīng)甘三、九得利 KA4B、九源甘三、小麥六種主要啤酒原料配方為基礎(chǔ)，作為正交試驗(yàn)設(shè)計(jì)中的六個(gè)因素，每種原料 可確定五個(gè)用量 比例等級(jí) ， 根據(jù)相關(guān)實(shí)踐經(jīng)驗(yàn)，啤酒原料用量的最佳比例應(yīng)該在這五個(gè)數(shù)量比例范圍內(nèi)， 然后將其 作為正交設(shè)計(jì)中的五個(gè)水平， 即 6因素 5水平的正交試驗(yàn)。采用正交表 ? ?6255L ，創(chuàng)建正交離散圖，產(chǎn)生 30個(gè)正交離散點(diǎn)， 進(jìn)行 25次試驗(yàn)， 并產(chǎn)生 25個(gè)初始配方 組合 ，即產(chǎn)生 25條初始化優(yōu)化路徑。各原料參數(shù)正交試驗(yàn)水平表 如表 ： 表 各原料參數(shù)正交試驗(yàn)水平表 寧麥澳麥 寧麥哈默林 寶應(yīng)甘三 九得利 KA4B 九源甘三 小麥 1 ％ ％ ％ ％ ％ ％ 2 ％ ％ ％ ％ ％ ％ 3 ％ ％ ％ ％ ％ ％ 4 ％ ％ ％ ％ ％ ％ 5 ％ ％ ％ ％ ％ ％ 根據(jù)啤酒原料配方設(shè)計(jì)的數(shù)學(xué)模型采用基于正交離散過(guò)程的蟻群算法求解程序，即根據(jù) 圖 正交離散過(guò)程蟻群算法的程序結(jié)構(gòu)流程圖進(jìn)行運(yùn)算，運(yùn)算步驟如下所示： 水平 因素 32 （ 1）根據(jù)相關(guān)標(biāo)準(zhǔn)和實(shí)踐經(jīng)驗(yàn)從研究對(duì)象中挑選 6個(gè)因素，每個(gè)因素 5個(gè)水平如表 ，由此可產(chǎn)生 25個(gè)初始化優(yōu)化路徑。 （ 2）讓初始螞蟻在這 25條試驗(yàn)路徑上初始化一定量的信息素， 優(yōu)化路徑設(shè)置， 運(yùn)行螞蟻根據(jù)此信息素強(qiáng)度尋優(yōu)， 將試驗(yàn)對(duì)象正交離散化。 （ 3）讓 m只螞蟻從 start點(diǎn)開(kāi)始出發(fā)，每只螞蟻獨(dú)立地按照（ 7）式和（ 8）式組成的偽隨機(jī)比例規(guī)則 追蹤生成配方方案。 （ 4）排除不滿足該企業(yè)生產(chǎn)指標(biāo)的不可行方案，然后按照公式（ 14）計(jì)算可行方案的目標(biāo)函數(shù)值并保存其最小值，把方案記為當(dāng)前最好方案。 （ 5）對(duì)找到可行方案的螞蟻所經(jīng)過(guò)的路徑按照公式（ 9）、（ 10）和（ 11）進(jìn)行信息素局部和全局更新優(yōu)化。 （ 6） 若滿足結(jié)束條件，即如果循環(huán)次數(shù) NN cc max?，則循環(huán)結(jié)束，輸出程序計(jì)算的最佳結(jié)果。 在運(yùn) 算時(shí)可采用如下參數(shù)值： 配方搜索圖上節(jié)點(diǎn)個(gè)數(shù) 30?n ,信息素?fù)]發(fā)系數(shù) ?? ，信息素痕跡強(qiáng)度 1?? ，啟發(fā)信息權(quán)重 2?? ，參數(shù) ?q ，路徑信息素的初始值 ? ? ? ? 10 0 0 3 88, ????? ?? sr ， 根據(jù)該企業(yè)的實(shí)際生產(chǎn)情況，一個(gè)批次需要的啤酒原料總質(zhì)量 kga 17850? ,過(guò)濾槽設(shè)備的直徑md ? 。 采用正交離散過(guò)程 的蟻群算法 獨(dú)立 進(jìn)行 20次迭代優(yōu)化 ，運(yùn)算后的具體結(jié)果如表 ： 33 表 啤酒原料最佳優(yōu)化配方 詳細(xì)配方 啤酒原料 用量 寧麥澳麥 ％ 寧麥哈默林 ％ 寶應(yīng)甘三 ％ 九得利 KA4B ％ 九源甘三 ％ 寧麥加麥 ％ 小麥 ％ 大米 55％ 約束條件 營(yíng)養(yǎng)水平 含量 糖化力 ? 氨基氮 ? 葡萄糖 麥汁總氮 糟層厚度 配方總成本 37685元 采用正交離散過(guò)程的蟻群算法獲得的最低成本為 37685元，而目前該企業(yè)所采用的原料成本為 40048元，優(yōu)化后的成本有了明顯的降低，各種生產(chǎn)指標(biāo)也符合相關(guān)營(yíng)養(yǎng)標(biāo)準(zhǔn)的要求。由此可見(jiàn)，采用正交離散過(guò)程的蟻群算法在啤酒 】【 8 原料配方優(yōu)化問(wèn)題中的應(yīng)用 取得了令人滿意的效果，具 有很好的工業(yè)應(yīng)用價(jià)值 ，在一定程度上提高了企業(yè)生產(chǎn)效率 。與傳統(tǒng)的基本蟻群算法 相比，該優(yōu)化算法在 執(zhí)行效率 上 有了較大提高，同時(shí)為蟻群算法更好地解決連續(xù)域變量問(wèn)題提供了一種可行的參考方法 。 34 第四章 本文的工作總結(jié)與展望 本文的工作總結(jié) 本文首先 介紹了基本蟻群算法 的基本原理 及其 系統(tǒng)學(xué)特征 ， 并 針對(duì) 傳統(tǒng)蟻群 算法執(zhí)行效率低、 耗時(shí)長(zhǎng)、 收斂慢等缺陷 ，提出了基于 正交離散過(guò)程的蟻群算法。并 介紹了 該 優(yōu)化 算法 的基本原理 ，提出了 該算法 的具體實(shí)現(xiàn) 辦法 和步驟。通過(guò)在 啤酒原料 配方設(shè)計(jì)的仿真應(yīng)用顯示了 該算法在收斂速度和執(zhí)行效率上 有了 較大提高 ， 表明該算法 在實(shí)際解決連續(xù)域變量 問(wèn)題中發(fā)揮了 非常 重要 的 作用 ， 該令 人滿意的驗(yàn)證結(jié)果 為蟻群算法在解決連續(xù)域 變量 問(wèn)題方面開(kāi)辟了一種 可供參考 的 方法 。 展望 自蟻群算法創(chuàng)立這么多 年 以來(lái)，在算法理論和 算法應(yīng)用方面 取得了很多突破性 的 進(jìn)展 。 針對(duì)自然界中 真實(shí) 蟻群 的許多其他 智能行為，用 發(fā)散思維 和 逆向思維開(kāi)發(fā)不同的蟻群算法模型是一條新的研究思路； 同時(shí)，在 連續(xù)域蟻群算法的收斂性證明 方面仍存在許多 空白， 今后蟻群算法的收斂性證明和理論分析仍是一個(gè)具有挑戰(zhàn)性的研究方向； 此外，在研究蟻群算法的并 行實(shí)現(xiàn)問(wèn)題時(shí)，需要解決在 蟻群算法并行化過(guò)程中 對(duì) 并行計(jì)算模型的選擇、 蟻群算法的分解、映射方法的改進(jìn)等問(wèn) 題， 這 些問(wèn)題也是今后研究的方向； 蟻群算法的應(yīng)用深度還不夠，還需要進(jìn)一步拓寬應(yīng)用領(lǐng)域，還有如何抽象實(shí)際問(wèn)題，使 蟻群算法的求解 結(jié)果 更接近于 實(shí)際 工程 意義是廣大蟻群算法研究者們所 關(guān)注的一個(gè)重要 問(wèn)題 】【 9 。 35 致 謝 首先， 在此畢業(yè)論文完成之際，我要深深地感謝我 們組 的指導(dǎo)老師張 老師耐心地指導(dǎo)我順利地完成論文，感謝 老師 給了我這樣一個(gè)寶貴的學(xué)習(xí)機(jī)會(huì) 。張老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、實(shí)事求是的學(xué)術(shù)作風(fēng)、深厚的學(xué)術(shù)功底、 敏銳的洞察力和 忘我的工作熱情，深深地 影響 感染了我。在我完成畢業(yè)論文的過(guò) 程中 所取得的每一點(diǎn)進(jìn)步，都離不開(kāi)張老師的悉心教導(dǎo) 。在這一段時(shí)間學(xué)到的東西 將使我在以后的學(xué)習(xí)和工作中獲益匪淺 。在此，謹(jǐn)向我的導(dǎo)師張 老師 致以最誠(chéng)摯的敬意和最衷心的感謝 ! 此外， 感謝機(jī)電工程學(xué)院的各位老師多年來(lái)對(duì)我的培養(yǎng)、教育和指導(dǎo)，特別感謝我們組 的各 位同學(xué)，論文的順利完成與你們的無(wú)私幫助和大力支持是分不開(kāi)的，與你們相處的這一段 快樂(lè) 充實(shí)的時(shí)光使我難以忘懷 ，在與大家合作的過(guò)程中深深地體會(huì)到了團(tuán)隊(duì)合作的重要性。 最后， 感謝老師們和同學(xué)們對(duì)我的幫助讓我能夠順利地完成學(xué)業(yè)，感謝所有關(guān)心和幫助過(guò)我的人 ! 36 參考文獻(xiàn) [1] 劉小梅，張君靜 . 蟻群優(yōu)化算法基本原理及其應(yīng)用 [J].西部探礦工程報(bào)，2020,10（ 4） 240243. [2] 段海濱 .蟻群算法原理及其應(yīng)用 [M]. 北京 ,科學(xué)出版社， 2020,15. [3] 陳一昭，姜麟 .蟻群算法參數(shù)分析 [J]. 科學(xué)技術(shù)與工程， 2020,12， 11（ 36） :90809084 [4] 董如何，肖必華，方永水 .正交試驗(yàn)設(shè)計(jì)的理論分析方法及應(yīng)用 [J].自然科學(xué)報(bào)，2020,6， 12（ 6） :103106. [5] 鄭松，侯迪波，唐旭華，葉波，周澤魁 . 一種改 進(jìn)蟻群算法及其在配方優(yōu)化中的應(yīng)用 [J].江南大學(xué)自然科學(xué)報(bào)， 2020,8,7（ 4） :387391 [6] 倪慶劍，邢漢承，張志政 ,王蓁蓁 . 蟻群算法及其應(yīng)用研 究進(jìn)展 [J]. 計(jì)算機(jī)應(yīng)用與軟件， 2020,8， 25（ 8） :1216 [7] 許世杰，劉弘 .基于過(guò)程優(yōu)化的蟻群算法研究與應(yīng)用 [D].山東師范大學(xué)碩士學(xué)位論文， 2020,6,1920 [8] 鄭松，李春富，于涵誠(chéng)，葛銘 . 啤酒原料配方的蟻群優(yōu)化設(shè)計(jì)研究 [J].計(jì)算機(jī)工程與應(yīng)用， 2020,47(11):226244 [9] 周明天，路綱，牛 新征 . 蟻群算法研究的新進(jìn)展和展望 [J].計(jì)算機(jī)應(yīng)用研究，2020,8,24（ 4）： 435442