- 文献综述（或调研报告）：
1.前言
群智能算法的基本思想是模拟自然界生物群体的行为来构造随机优化算法。其主要过程是群众在解空间中搜索，将求解问题的目标函数度量成个体对环境的适应能力。常用的群智能方法包括粒子群算法（PSO），蚁群算法（ACO）等，其应用广泛。Saleem[1]等人将ACO应用于无线传感器网络的路由协议，提升网络的健壮性与拓展性。Guo[2]等人在面对无线传感器网络工作分配调度的过程中，构建了一种离散PSO对整个网络的容错性进行优化，并且提高了整体网络寿命。Fong[3]等人使用一种加速的PSO来进行数据挖掘中的数据特征值选择，提升分类的效率和准确度。
通常的研究中，因为研究成本的原因，常常没有对算法过程进行可视化，研究者主要是基于适应度的数值进行分析，却可能错过很多搜索迭代过程中的细节。因此，一个群智能方法的可视化系统，直观反映进化过程中整个种群在空间中的分布于移动情况，可以让研究者清晰的了解到算法的特征以及效率，对过程中出现的问题也能一目了然。可视化系统将极大增加研究的效率。
2.计算过程动态可视化现状
可视化技术是一个很大的领域。对于很对从图形学出发的可视化工作者来说，图形渲染技术以及图像识别解析技术是研究的核心问题。Kaloian[4]等人将渲染系统与显示系统分离，开发了一种新颖的帧无关渲染技术，实现高分辨率与高帧率可视化技术。Botchen[5]等人在研究帧动作检测的时候，使用一种稀疏帧选取，提出了一种类似心电图与地震仪的多方位结合可视化策略。
而在算法研究以中，同样也有一部分专注于可视化平台搭建的研究者。Sebastian[6]等人构建了一套基于粒子的可视化系统原型MegaMol，提供了对大量目标数据的的搜索分析服务。 Wolfram 平台在提供在线Mathematic搭建服务的时候提供了功能全面的数据动态展现功能以及三围图像在浏览器中的多角度显示。VisuAlgo平台，作为另一家有名的在线计算可视化提供方，提供了各种常用算法包括查找，路径，网络流等方法的可视化。
群智能方面，邵晓路[7]在其硕士期间构建了“蚁群群体智能网络可视化试验平台”。该平台使用Java与Web技术，通过网页向用户提供了蚁群算法实验中各种数据的可视化与分析工具。王哲进[8]在进行脑白质纤维群智能跟踪算法研究的过程中，开发了基于高斯还原以及群智能纤维跟踪算法的纤维可视化平台。安[9]等人在对大型洞室进行大规模模拟计算时，同样提供了对所应用的群智能方法的可视化功能。该功能提供了参数的配置以及运行结果的可视化显示。
纵观现状，群智能方法的可视化平台在一些研究者的工作中得到了重视。但这些盘平台常常缺乏系统性，并且针对某一种问题，因此缺乏更广泛的应用价值。本课题的目标则是要构建一个方便使用，方便拓展，不局限于问题与算法的平台。
3.可视化系统的要素
本系统的基础是可视化整个种群在空间中的迭代分布情况。因此，第一个要点是实 时获取种群的数据并且进行显示。需要有一个控制器来将算法运行的状态与图像显示的模块连接起来，构成算法-控制器-图像的结构，这就是可视化的基本结构。进一步来说，用户需要进行算法的选择，适应度函数的制定，这些操作应该作为用户接口让用户方便使用。因此，用户接口也要与控制器进行交互，传达对于算法运行以及图像展示选项的控制。而用户的定制数据，以及算法的运行结果应该可以保存，并且系统应该提供功能绘制某个结果的图像。因此系统要提供数据存取的功能。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
