智能控制技术在人工智能的应用研究.docx
《智能控制技术在人工智能的应用研究.docx》由会员分享，可在线阅读，更多相关《智能控制技术在人工智能的应用研究.docx（20页珍藏版）》请在冰点文库上搜索。
智能控制技术在人工智能的应用研究
智能控制技术在人工智能的应用研究
摘要
智能控制技术在电气工程自动化控制中应用可以发挥很大的作用，能有效促进电气的优化设计，智能化技术能充分发挥作用，促进电气优化的设计，及时诊断故障，并且还可实现智能控制。
本文主要分析了人工智能技术及其在电气工程自动化控制中的应用。
文章就是利用遗传算法对某一电机控制系统的PID参数进行优化，以提高控制系统的性能指标。
文章的最后给出了仿真实例，证明了本文方法的正确性和实用。
关键词：
人工智能；电气工程；遗传算法
目录
内容摘要I
1绪论1
1.1人工智能简介1
1.2人工智能研究的领域及应用1
1.3人工智能的应用现状1
1.4人工智能在电气工程领域的发展2
2人工智能理论概述3
2.1人工智能的基本概念3
2.2人工智能控制技术的主要方法3
2.3人工智能控制技术常用的优化算法4
3遗传算法5
3.1.遗传算法的基本原理5
3.2遗传算法的基本实现技术6
3.3遗传算法的构成要素7
4遗传算法在电气工程自动化领域的应用情况12
4.1遗传算法的应用研究12
4.2电动机控制中的遗传算法PID参数优化14
5结论18
1绪论
1.1人工智能简介
人工智能技术作为计算机科学的一个重要分支将智能的本质阐述了出来，生产出一种具有人类智能的机器。
其研究的主要内容有对图像和语言的识别、专家系统、语言处理以及机器人等系统。
1.2人工智能研究的领域及应用
在上个世纪五十年代人工智能概念被首次提出来之后，一直处于良好的发展状态中，逐渐形成了一套以计算机作为核心，包含了心理学、生物学、控制论、自动化、信息论、医学、哲学以及数理逻辑等的一门综合性的科学。
通过研究，使得机器系统能和人的智慧媲美，几乎能够完成人类完成的工作。
而人工智能理论是研究和开发怎样实现对人的智能进行模拟和延伸的科学理论。
人工智能技术是计算机科学的一个重要分支，它对智能的本质进行了阐述，并生产了一种和人类智能机器相似的机器。
实现了多方面的研究。
伴随着科技的不断发展和进步，我们日常的生产和生活中已经离不开计算机技术了。
计算机编程技术促进了传播和自动化运输的发展和进步。
通过计算机可以编程可以实现对人类的大脑进行模仿，比如收集、分析、处理、交换以及回馈信息，因此计算机通过对人类大脑的模仿会在很大程度上带动了电气工程自动化的快速发展。
在我们日常的生产、交换、流通和分配中，无时无刻都需要电气工程自动化的控制，通过自动化控制，可以实现自动化的电气工程，这样可以节约人力资源，提高工作效率，进而使得生产和工作的总体效率得到提高。
1.3人工智能的应用现状
目前能够用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。
除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。
人工智能学科研究的主要内容包括：
知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
1.4人工智能在电气工程领域的发展
随着人工智能技术的不断发展,很多研究人员展开了针对人工智能在电气工程自动化控制方面的研究,例如:
应该如何将人工智能系统应用于故障的诊断和预测、电气产品设计优化和保护与控制等领域。
在优化设计方面,设计电气设备是很繁琐的工作。
它需要对电磁场、电路、电器电机等学科的知识综合性的运用,同时还要使用以往设计中的经验。
设计以往的产品时,通常是在根据经验和实验的基础上,通过手工的方式开展的。
这样的设计过程很难取得最优的设计方案。
电气产品的设计随着计算机技术的发展,逐渐由手工设计向计算机辅助设计不断转变,使开发产品的周期大大减少。
尤其是在引进了人工智能技术之后,更加促进了CAD技术的发展,大大提高了设计产品的质量和效率。
人工智能技术在电气设计方面的应用主要包括专家系统和遗传算法。
其中的遗传算法是一种优化的先进算法,在产品的设计优化上有举足轻重的作用。
因此电气产品的人工智能化设计很多都采用了这种方式进行优化。
电气设备的故障征兆和故障之间有着很多必然和偶然的关系,具有非线性、不确定性的特点,它的优势能够通过人工智能的方式得到最大的发挥。
人工智能技术在电气设备诊断故障方面的应用主要由:
专家系统、模糊逻辑和神经网络等。
在电力系统之中,变压器因为重要的地位而受到很多研究者的关注。
目前诊断变压器故障的常用方法主要是分析变压器油中分解出来的气体,通过这种气体分析找出变压器的故障范围。
同时在电动机和发电机等方面,人工智能诊断故障技术也有了长足的发展。
2人工智能理论概述
2.1人工智能的基本概念
人工智能技术作为计算机科学的一个重要分支将智能的本质阐述了出来，生产出一种具有人类智能的机器。
其研究的主要内容有对图像和语言的识别、专家系统、语言处理以及机器人等系统。
人工智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:
遗传算法、蚁群算法、免疫算法等。
2.2人工智能控制技术的主要方法
2.2.1模糊控制
模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础,以先验知识和专家经验作为控制规则。
其基本思想是用机器模拟人对系统的控制,就是在被控对象的模糊模型的基础上运用模糊控制器近似推理等手段,实现系统控制。
在实现模糊控制时主要考虑模糊变量的隶属度函数的确定,以及控制规则的制定。
模糊控制系统是一种自动控制系统，它是以模糊数学、模糊语言形式的知识表示以及模糊逻辑的推理规则为理论基础，采用计算机控制技术构成的一种具有反馈通道的闭环结构的数字控制系统。
它的造成核心是具有智能性的模糊控制器，这也是它与其它控制系统的不同之处。
2.2.2专家控制
专家控制是将专家系统的理论技术与控制理论技术相结合,仿效专家的经验,实现对系统控制的一种智能控制。
主体由知识库和推理机构组成,通过对知识的获取与组织,按某种策略适时选用恰当的规则进行推理,以实现对控制对象的控制。
专家控制可以灵活地选取控制率,灵活性高;可通过调整控制器的参数,适应对象特性及环境的变化,适应性好;通过专家规则,系统可以在非线性、大偏差的情况下可靠地工作,鲁棒性强。
2.2.3神经网络控制
神经网络模拟人脑神经元的活动,利用神经元之间的联结与权值的分布来表示特定的信息,通过不断修正连接的权值进行自我学习,以逼近理论为依据进行神经网络建模,并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。
2.2.4集成智能控制
智能控制技术的集成包括两方面:
一方面是将几种智能控制方法或机理融合在一起,构成高级混合智能控制系统,如模糊神经（FNN）控制系统、基于遗传算法的模糊控制系统、模糊专家系统等;另一方面是将智能控制技术与传统控制理论结合,形成智能复合型控制器,如模糊PID控制、神经元PID控制、模糊滑模控制、神经网络最优控制等。
2.3人工智能控制技术常用的优化算法
2.3.1遗传算法
遗传算法（GA）是一种基于模拟遗传机制和进化论的并行随机搜索优化算法。
遗传算法依照所选择的适配值函数,通过遗传中的复制、交叉及变异对个体进
行筛选,使适配值高的个体被保留下来,组成新的群体,新群体既继承了上一代的信息,又优于上一代,这样周而复始,群体中个体适应度不断提高,直到满足一定的条件。
2.3.2蚁群算法
蚁群算法是群体智能的典型实现,是一种基于种群寻优的启发式搜索算法。
蚁群算法的基本思想:
当一只蚂蚁在给定点进行路径选择时。
被先行蚂蚁选择次数越多的路径。
被选中的概率越大。
蚁群算法不仅能够智能搜索、全局优化,而且具有鲁棒性、正反馈、分布式计算、易与其它算法结合等特点。
3遗传算法
遗传算法是一种不依赖具体问题的直接搜索方法，它在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、生物科学、社会科学等方面都得到应用。
本章主要介绍遗传算法的基本原理以及改进的操作方法。
3.1.遗传算法的基本原理
遗传算法（GeneticAlgorithms），简称GA，是一类借鉴生物界自然选择和自然遗传机制的随机优化搜索算法，是一种近似算法。
达尔文的自然选择学说认为[18]:
所有的生物发展都是经历了从低级简单逐渐到高级复杂的过程，生物要生存下去就必须进行生存斗争。
在生存斗争中，具有有利变异的个体容易存活下来，并且有更多机会将有利变异传给后代:
具有不利变异的个体就容易淘汰，产生后代的机会也少得多。
因此在生存斗争中获胜的个体都是对环境适应性比较强的个体。
达尔文把这种适者生存不适者淘汰的过程称之为自然选择。
达尔文的自然选择学说表明，遗传和变异是决定生物进化的内在因素。
遗传指的是父代与子代之间，以及子代的个体之间，在性状上或多或少的存在相似性的现象。
在生物体内，遗传和变异关系十分密切，一个生物体的遗传性状往往会发生变异，而变异的性状有的又可以遗传。
遗传能使生物的性状不断的传递给后代，因此保持了物种的特性;变异能使生物性状发生改变，从而产生新个体，适应新环境，不断向前发展。
既然遗传算法基于自然选择的生物进化，是一种模仿生物进化过程的随机方法。
下面给出几个生物学的基本概念与术语，这对于理解遗传算法是非常重要的。
染色体:
是遗传物质的主要载体，由多个遗传因子基因组成。
遗传因子:
染色体中一定位置的基本遗传单位，也称基因。
基因型:
遗传因子组合的模型，是性状染色体的内部表现。
表现型:
由染色体决定性状的外部表现。
基因:
遗传基因在染色体中占据的位置。
等位基因:
同一基因座它可能有的全部基因称为等位基因。
个体:
指染色体带有特征的实体。
种群:
染色体带有特征的个体组成了种群。
群体中个体数目大小称为群体大小，也叫群体规模。
适应度:
各个体对环境适应程度。
选择:
指决定以一定概率从种群中选择若千个体的操作。
一般而言选择过程是一种基于适应度的优胜劣汰的过程。
交叉:
两个染色体之间通过交叉而重组形成新的染色体。
变异:
染色体的某一基因发生变化，产生新的染色体，表现出新的性状。
编码:
遗传编码可看成是从表现型向基因型的映射。
解码:
是基因型向表现型的映射。
引用了这些术语，可以更好的描述遗传算法，遗传算法也就是从代表问题的可能潜在解集的一个种群出发，而一个种群则由基因编码的一定数目个体组成每个个体其实是染色体带有特征的实体。
染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因的组合，它决定了个体的外部表现形状。
因此，在一开始要实现从表现型到基因型的编码工作。
由于仿照基因编码工作很复杂，往往采取简化形式，如二进制编码，初代种群产生后，按照适者生存和优胜劣汰的原理，逐代演化出越来越好的近似解。
在每一代，根据问题域中个体的适应度大小选择个体。
并借助于自然遗传学的遗传算子进行组合交叉和变异产生出代表新的解集的种群。
这个过程将导致种群象自然进化一样，后生代种群比前代更加适应于环境，末代种群的最优个体经过解码，可以作为问题的近似最优解。
3.2遗传算法的基本实现技术
基于对自然界中生物遗传与进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法来表示问题的可行解，开发出了许多种不同的遗传算子来模仿不同环境下的生物遗传特性。
这样，由不同的编码方法和不同的遗传算子就构成了各种不同的遗传算法。
但这些遗传算法都有共同的特点，即通过对生物遗传和进化过程中选择、交叉、变异机理的模仿，来完成对问题最优解的自适应搜索过程。
基于这个共同特点，Goldberg总结出了一种统一的最基本的遗传算法-基本遗传算法（SimpleGeneticAlgorithms，简称SGA）。
基本遗传算法只使用选择算子、交叉算子和变异算子这三种基本遗传算子，其遗传进化操作过程简单，容易理解，是其他一些遗传算法的雏形和基础，它不仅给各种遗传算法提供了一个基本框架，同时也具有一定的应用价值。
遗传算法的基本操作如下:
（1）复制（ReproductionOrator）
复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程。
根据位串的适配值复制，也就是指具有高适配值的位串更有可能在下一代中产生一个或多个子孙。
它模仿了自然现象，应用了达尔文的适者生存理论。
复制操作可以通过随机方法来实现。
若用计算机程序来实现，可考虑首先产生0-1之间均匀分布的随机数，若某串的复制概率为40%，则当产生的随机数在0.40月1.0之间时，该串被复制，否则被淘汰。
此外，还可以通过计算方法实现，其中较典型的几种方法为适应度比例法、期望值法、排位次法等。
适应度比例法较常用。
（2）交叉（CrossoverOperator）
复制操作能从旧群体中选择出优秀者，但不能创造新的染色体。
而交叉模拟了生物进化中的繁殖现象，通过两个染色体的交换组合，产生新的优良品种。
它的过程为:
在匹配值中任意选两个染色体，随即选择一点或多点交换点位置;交换双亲染色体交换点右边的部分，即可得到两个新的染色体数字串。
交换体现了自然界中信息交换的思想。
交叉有一点交叉、多点交叉，还有一致交叉、顺序交叉和周期交叉。
一点交叉是最基本的方法，应用较广。
它是染色体切断点有一处，例:
A：
1011001110->1011000101
B:
0010100101->0010101110
（3）变异（MutationOperator）.
变异运算用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很小的概率随机的改变遗传基因（表示染色体的符号串的某一位）的值。
在染色体以二进制编码的系统中，它随即地将染色体的某一个基因由1变为0，或由0变为1。
若只有选择和交叉，而没有变异，则无法在初始基因组合以外的空间进行搜索，使进化过程在早期就陷入局部解而进入终止过程，从而影响解的质量.为了在尽可能大的空间中获得较高的优化解，必须采用变异操作。
3.3遗传算法的构成要素
遗传算法是具有“生成+检测”的迭代过程搜索算法。
它的处理流程图如图3-1所示。
由基本处理流程图可见，遗传算法是一种群体型操作，该操作以群体中的所有个体为对象。
选择、交叉和变异是遗传算法的三个主要遗传算子，它们构成了所谓的遗传操作，使遗传算法具有了其它传统方法所没有的特性。
遗传算法中包含如下五个基本要素[19]:
参数编码、群体设定、适应度函数设计、遗传操作设计、控制参数设定（主要指群体大小和使用遗传算子的概率）。
这五个要素构成了遗传算法核心。
一．编码
遗传算法主要是通过遗传操作对种群中具有某种结构形式的个体施加结构重组处理，从而不断地搜索出群体中个体间的结构相似性，形成并优化积木块以逐渐逼近最优解。
所以遗传算法不能直接处理问题空间的参数，必须把它们转换成基因型串结构数据,这个转换操作叫编码。
问题空间指由遗传算法表现型个体（有效候选解）集所组成的空间。
遗传算法空间是指由基因型个体所组成的空间。
由问题空间向GA空间的映射称作编码，由遗传算法空间向问题空间的映射称作译码[1]。
遗传算法采用的编码机制很多，如实数编码、二进制编码和格雷码编码等。
二．初始种群生成
遗传操作是对多个个体同时进行，这众多个体组成了群体，在遗传算法处理流程中，续编码设计后的任务是初始群体设定，并以此为起点，一代代进化直到按某种进化准则终止进化过程，由此得出最后一个种群。
在种群初始生成图3-1遗传算法基本流程图
过程中，种群大小对遗传算法效能发挥有重大影响。
一般来说，遗传算法中初始群体中的个体均为随机产生，群体规模的设定既要保证种群中个体多样性，又要考虑到计算量问题。
三．适应度函数
遗传算法在搜索进化过程中一般不考虑其它外部信息，仅用评估函数值即适应度函数来评估个体或解的优劣，并作为以后遗传操作的依据，评估函数值又称作适应度，遗传算法的适应度函数不受连续可微的约束，定义域为任一集合。
对适应度函数唯一要求是输入可计算出能加以比较的非负结果[。
四．遗传操作
遗传操作是模拟生物基因遗传的操作，在遗传算法中，通过编码组成初始群体后，遗传操作的任务就是对群体的个体，按照它们环境适应程度施加一定操作，从而实现优胜劣汰的进化过程，从优化搜索而言，遗传操作可使问题的解，一代又一代的优化，并逼近最优解。
遗传操作包含三个基本遗传算子:
选择、交叉、变异。
这三个遗传算子有如下特点[2]:
这三个遗传算子的操作都是在随机扰动下情况进行，换句话说，遗传操作是随机操作，因此群体中个体向最优解迁移的规则是随机的。
遗传操作效果和上述三个遗传算子所取操作概率、编码方法、群体大小、初始群体以及适应度函数设定，密切相关。
三个基本遗传算子的操作方法或操作策略随具体求解问题的不同而相异，更具体地讲，是与个体的编码方式直接相关。
（1）选择
从群体中选择优胜个体，淘汰劣质个体的操作叫选择。
选择算子有时又称为再生算子。
选择的目的是把优胜的个体直接传到下一代或通过交叉配对再遗传到下一代。
选择操作是建立在群体中个体适应度评估的基础之上，即个体适应度越高，其被选择的机会就越多，日前常用的选择算子有:
适应度比例方法、最优保留法、期望值方法、排序选择方法、联赛选择方法、排挤方法[3]。
本文采用的是最优保留法。
该方法的思想是把群体中适应度最好的个体不进行配对，直接复制到下一代中，此种选择操作也称复制。
（2）交叉
自然界生物进化过程中起核心作用的是生物遗传基因的重组（加上变异）。
同样，遗传算法中起核心作用的是遗传操作的交叉算子。
所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。
通过交叉，遗传算法的搜索能力得以飞跃提高。
基因的交叉算子有:
一点交叉，两点交叉，多点交叉，一致交叉，二维交叉，树结构交叉，顺序交叉，周期交叉等等。
（3）变异
变异算子的基本内容是对群体中个体串的某些基因座上的基因值作变动。
变异操作同样也是随机进行的，变异概率一般都取得很小，变异的目的是为了挖掘群体中个体多样性，克服有可能限于局部解的弊病。
一般说来变异操作基本步骤是先在群体中所有个体的码串范围内随机的确定基因座;然后以事先设定的变异概率Pm来对这些基因座的基因值实行变异。
变异算子还包括逆转算子，自适应变异算子等。
遗传算法引入变异的目的:
一是遗传算法具有局部的随机搜索能力。
当遗传算法通过交叉算子已接近最优解域时，利用变异算子这种局部随机搜索能力可以加速向最优解收敛。
显然这种情况下的变异概率应取较小值，否则接近最优解的积木块会因变异而遭到破坏。
二是使遗传算法可维持群体中个体多样性，以防止出现未成熟收敛现象，此时收敛概率要取较大值。
遗传算法中,交叉算子因其具有全局搜索能力而作为主要算子，变异算子因其具有局部搜索能力而作为辅助算子，遗传算法通过交叉和变异这一对相互配合又相互竞争的操作而使其具备兼顾全局和局部的均衡搜索能力。
所谓相互配合，是指当群体在进化中陷入搜索空间中某个超平面而仅靠交叉不能解脱时，通过变异操作有助于这种摆脱。
所谓相互竞争，是指当通过交叉已形成所期望积木块时，变异操作有可能破坏这些积木块。
在问题求解过程中，遗传算法是这样不断地进行选择、交叉和变异操作，不断地进行迭代处理，也就是说群体继续不断一代代进化下去，那么最终可以得最优或近似最优解。
算法的流程如下:
1）确定染色体中各子串长度、群体规模大小、交叉概率、变异概率;
2）产生初始群体;
3）计算个体适应度值;
4）检查是否需要重新产生个体，如果不需要则执行第五步，如需要则保留最优个体，其余个体重新生成，并且计算重新生成个体的适应度值，然后执行第五步;
5）最优个体保存，其余个体用赌轮法选择将配对的个体;
6）选出的配对个体进行两点交叉;
7）计算新一代解群个体适应度值;
8）检查是否满足终结条件，满足则结束，找到最优;不满足，则转向第四步。
在遗传算法中，优化问题的所有参数（Parameter）或者称之为决策变量都被编码（Coding），形成一个有限长的字符串，称之为染色体（Chromosome）或个体（Individual）。
每个个体都对应于优化问题的一个可行解（FeasibleSolution）。
一组个体组成一代（Generation）种群（Population），它描述了遗传算法的搜索空间。
优化问题的目标函数作为种群所处的环境，目标函数值经过一定的修正后作为个体对环境的适应（Fitness）。
搜索时先随机产生一定数量的经编码后的祖先个体构成最原始的种群。
再从这些种群开始，模拟进化过程，运用优胜劣汰原则，先将个体解码（Decoding），把被编码的参数还原成实际参数，然后利用目标函数计算其适合度，再通过选择（Selection）将适合度高的个体保留下来，组成新的种群，最后再利用交换（Crossover）、变异（Mutation）等手段使这些新的种群的优良特性得以遗传和保留到下一代。
如此“选择一交换一变异一再选择”地不断重复，使各代种群的优良基因成分逐渐积累，种群的平均适合度和最优个体适合度不断上升，直到迭代过程趋于收敛。
4遗传算法在电气工程自动化领域的应用情况
随着智能控制技术的不断发展,很多研究人员展开了针对智能控制技术在电气工程自动化控制方面的研究,例如:
应该如何将人工智能系统应用于故障的诊断和预测、电气产品设计优化和保护与控制等领域。
在优化设计方面,设计电气设备是很繁琐的工作。
它需要对电磁场、电路、电器电机等学科的知识综合性的运用,同时还要使用以往设计中的经验。
设计以往的产品时,通常是在根据经验和实验的基础上,通过手工的方式开展的。
这样的设计过程很难取得最优的设计方案。
电气产品的设计随着计算机技术的发展,逐渐由手工设计向计算机辅助设计不断转变,使开发产品的周期大大减少。
尤其是在引进了智能控制技术之后,更加促进了CAD技术的发展,大大提高了设计产品的质量和效率。
智能控制技术在电气设计方面的应用主要包括专家系统和遗传算法。
其中的遗传算法是一种优化的先进算法,在产品的设计优化上有举足轻重的作用。
因此电气产品的智能控制技术设计很多都采用了这种方式进行优化。
电气设备的故障征兆和故障之间有着很多必然和偶然的关系,具有非线性、不确定性的特点,它的优势能够通过智能控制的方式得到最大的发挥。
智能控制技术在电气设备诊断故障方面的应用主要由:
专家系统、模糊逻辑和神经网络等。
在电力系统之中,变压器因为重要的地位而受到很多研究者的关注。
目前诊断变压器故障的常用方法主要是分析变压器油中分解出来的气体,通过这种气体分析找出变压器的故障范围。
同时在电动机和发电机等方面,人工智能诊断故障技术也有了长足的发展。
4.1遗传算法的应用研究
1函数优化
函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。
很多人构造出了各种各样的复杂形式的测试函数。
有连续函数也有离散函数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有单峰值函数也有多峰值函数等。
用这些几何特性各具特色的函数来评价遗传算法的性能，更能反映算法的本质效果而对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解。
而遗传算法却可以方便地得到较好的结果。
2组合优化
随着问题规模的增大，组合优化问题的搜索空间也急剧扩大。
有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。
对这类复杂问题，人们已意识到应把主要精力放在寻求其满意解上，而遗传算法是寻求这种满意解的最佳工具之一。
实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、图形划分问题等各种
升级会员 