人工智能tsp实验报告

人工智能tsp实验报告（共6篇）

篇1：人工智能tsp实验报告

人工智能实验三实验报告

班级： 姓名： 学号：

一 实验题目

TSP问题的遗传算法实现

旅行商问题（Traveling Salesman Problem, TSP），又译为旅行推销员问题、货担郎问题，简称为TSP问题，是最基本的路线问题。假设有n个可直达的城市，一销售商从其中的某一城市出发，不重复地走完其余n-1个城市并回到原出发点，在所有可能的路径中求出路径长度最短的一条。

应用遗传算法求解30/10个节点的TSP（旅行商问题）问题，求问题的最优解。

二 实验目的 熟悉和掌握遗传算法的基本概念和基本思想； 理解和掌握遗传算法的各个操作算子，能够用选定的编程语言设计简单的遗传优化系统； 通过实验培养学生利用遗传算法进行问题求解的基本技能。

三 实验要求

掌握遗传算法的基本原理、各个遗传操作和算法步骤； 2 要求求出问题最优解，若得不出最优解，请分析原因； 对实验中的几个算法控制参数进行仔细定义，并能通过实验选择参数的最佳值；

要求界面显示每次迭代求出的局部最优解和最终求出的全局最优解。

四 数据结构

请说明染色体个体和群体的定义方法。

struct RanSeTi //染色体的个体的定义方法 { int city[cities];//基因的排列（即城市的顺序，路径的组织）

int adapt;//记录适应度

double p;//记录其在种群中的幸存概率

} RanSeTi [num], RanSeTi temp[num];//用数组来存储染色体群体方法

五 实验算法 说明算法中对染色体的编码方法，适应度函数定义方法

1)染色体的编码方法:

即为染色体个体定义过程中生成的基因排列（路径中城市的顺序）

struct RanSeTi //染色体的个体的定义方法 { int city[cities];//基因的排列（即城市的顺序，路径的组织）

int adapt;//记录适应度

double p;//记录其在种群中的幸存概率

} RanSeTi [num], RanSeTi temp[num];//用数组来存储染色体群体方法

2)适应度函数定义方法：

评价函数即适应度函数，在遗传算法中用来计算一个染色体优劣的函数。在进行遗传操作和种群进化的时候，每个染色体的适应值是决定它是否进入下一轮种群进化的关键因素。适应值高的函数被选作新一代个体的可能性就会大。

TSP问题中适应度函数常取路径长度的倒数（或倒数的相关函数），如：

f(x1,x2,,xn)N

d(x,xii1n1i1)d(xnx1)

其中，N是个调节参数，根据实验情况进行确定。采用的选择、交叉、变异操作算子的具体操作

1）选择操作

我们定义f(xi)为第i（i=1,2,3.....popsize）个染色体的适应度，则每个个体被选中的概率

popsize

for(i=0;i

n1= RanSeTi [i].city[j-1];

n2= RanSeTi [i].city[j];

sumdistance+=distance[n1][n2];}

RanSeTi [i].adapt=sumdistance;//每条染色体的路径总和

biggestsum+=sumdistance;//种群的总路径 } 是： P(xi)f(xi)

f(xj1j)

本题中具体使用的是期望值方法 for(i=0;i

} gradient[0]=group[0].p;for(i=1;i

if(xuanze[i]

{

xuan[i]=j;//第i个位置存放第j个染色体

break;

} } } //拷贝种群

for(i=0;i

for(i=0;i

交叉算子就是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。部分匹配交叉、顺序交叉、改进的启发式顺序交叉 //temp1号染色体和temp2染色体交配

for(i=0;i

{

point1=rand()%cities;

point2=rand()%cities;

for(j=temp1;j

if(jiaopeiflag[j]==1)

{

temp1=j;

break;

}

for(j=temp1+1;j

if(jiaopeiflag[j]==1)

{

temp2=j;

break;

}

//进行基因交配

if(point1>point2)//保证point1<=point2

{

temp=point1;

point1=point2;

point2=temp;

}

memset(map1,-1,sizeof(map1));

memset(map2,-1,sizeof(map2));

//断点之间的基因产生映射

for(k=point1;k<=point2;k++)

{

map1[group[temp1].city[k]]=group[temp2].city[k];

map2[group[temp2].city[k]]=group[temp1].city[k];

}

//断点两边的基因互换

for(k=0;k

{

temp=group[temp1].city[k];

group[temp1].city[k]=group[temp2].city[k];

group[temp2].city[k]=temp;

}

for(k=point2+1;k

{

temp=group[temp1].city[k];

group[temp1].city[k]=group[temp2].city[k];

group[temp2].city[k]=temp;

}

//处理产生的冲突基因

for(k=0;k

{

for(kk=point1;kk<=point2;kk++)

if(group[temp1].city[k]==group[temp1].city[kk])

{

group[temp1].city[k]=map1[group[temp1].city[k]];

break;

}

}

for(k=point2+1;k

{

for(kk=point1;kk<=point2;kk++)

if(group[temp1].city[k]==group[temp1].city[kk])

{

group[temp1].city[k]=map1[group[temp1].city[k]];

break;

}

}

for(k=0;k

{

for(kk=point1;kk<=point2;kk++)

if(group[temp2].city[k]==group[temp2].city[kk])

{

group[temp2].city[k]=map2[group[temp2].city[k]];

break;

}

}

for(k=point2+1;k

{

for(kk=point1;kk<=point2;kk++)

if(group[temp2].city[k]==group[temp2].city[kk])

{

group[temp2].city[k]=map2[group[temp2].city[k]];

break;

}

}

temp1=temp2+1;

} 3）变异操作

TSP问题中，经常采取的变异操作主要有：位点变异、逆转变异、对换变异、插入变异。//随机产生变异概率

srand((unsigned)time(NULL));

for(i=0;i

{

bianyip[i]=(rand()%100);

bianyip[i]/=100;

}

//确定可以变异的染色体

t=0;

for(i=0;i

{

if(bianyip[i]

{

bianyiflag[i]=1;

t++;

}

}

//变异操作,即交换染色体的两个节点

srand((unsigned)time(NULL));

for(i=0;i

{

if(bianyiflag[i]==1)

{

temp1=rand()%10;

temp2=rand()%10;

point=group[i].city[temp1];

group[i].city[temp1]=group[i].city[temp2];

group[i].city[temp2]=point;

}

} 实验中采用的算法参数的最佳选择值是多少

#define cities 10/30 //城市的个数

#define MAXX 150 //迭代次数 #define pc 0.72 //交配概率 #define pm 0.02 //变异概率 #define num 20 //种群的大小

六 实验结果 要求有实验运行结果截图，以及必要的说明

以上部分是每次迭代的步骤结果，通过染色体群体中个体的交配、变异，从而更改染色体的具体基因组成，通过不断进行适应度计算、存活率的计算，更新已有数值；

以上部分为迭代之后的总结果，输出最终的种群评价，从染色体种群里面取出最佳的染色体，并进行输出。要求说明是否搜索到了最优解，如果没有，请分析原因

本题中根据随机生成的cities个城市之间的相互距离、随机产生初试群，通过TSP算法，通过以下步骤：

(1)初始化群体;

(2)计算群体上每个个体的适应度值;(4)按概率Pc进行交叉操作;(5)按概率Pm进行变异操作;(6)没有满足某种停止条件，则转第(2)步，否则进入(7)；

(7)输出种群中适应度值最优的染色体作为问题的满意解或最优解。

(3)按由个体适应度值所决定的某个规则选择将进入下一代的个体;成功找到种群中适应度值最优的染色体作为问题的满意解或最优解。

若失败，分析可得失败原因为：随机生成的cities个城市之间的相互距离、随机产生初试群有可能不存在适应度值最优的染色体

七 实验总结及体会

1.同一问题可能有不同的几种算法相对应解决：

对于此类旅行者问题，原在数据结构和算法课中学过迪杰斯特拉算法，也可以高效快速的解决给定好初值的最短路径问题；

在本课中，有学到了新的算法：TSP算法，此算法从遗传学角度，开辟了一个新的视野。通过每次迭代求出的局部最优解和最终求出的全局最优解。

两种不同的算法可以求解同一问题，但是角度完全不一样，从目前自己实验的结果而言，对于小数据量的输入均可以快速高效的完成题目。但是遗传算法可以考虑到的问题复杂度更高，更适合应用于实际。

2.学习时应当重视动手实践能力：

课堂上讲解的遗传算法较为简单基础，对于理论学习而言，十分适合。但一旦应用于实践时，发现虽然每个部分模块自己都可以理解并且熟悉，但是对于实际应用，并且切实地解决实际问题仍存在较大的困难。

从理论到实践，从课本的知识到解决问题，若不及时的加以消化并且切实的应用于解决问题，可以看出知识很难为现实提供帮助。因而应在学习之后及时进行上机实验，并且达到熟练掌握与运用的阶段。

篇2：人工智能tsp实验报告

实验六

遗传算法实验II

一、实验目的：

熟悉和掌握遗传算法的原理、流程和编码策略，并利用遗传求解函数优化问题，理解求解TSP问题的流程并测试主要参数对结果的影响。

二、实验原理：

旅行商问题，即TSP问题（Traveling

Salesman

Problem）是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路经的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。TSP问题是一个组合优化问题。该问题可以被证明具有NPC计算复杂性。因此，任何能使该问题的求解得以简化的方法，都将受到高度的评价和关注。

遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程。它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体。这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代。后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程。群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解。要求利用遗传算法求解TSP问题的最短路径。

三、实验内容：

1、参考实验系统给出的遗传算法核心代码，用遗传算法求解TSP的优化问题，分析遗传算法求解不同规模TSP问题的算法性能。

2、对于同一个TSP问题，分析种群规模、交叉概率和变异概率对算法结果的影响。

3、增加1种变异策略和1种个体选择概率分配策略，比较求解同一TSP问题时不同变异策略及不同个体选择分配策略对算法结果的影响。

4、上交源代码。

四、实验报告要求：

1、画出遗传算法求解TSP问题的流程图。

2、分析遗传算法求解不同规模的TSP问题的算法性能。

规模越大，算法的性能越差，所用时间越长。

3、对于同一个TSP问题，分析种群规模、交叉概率和变异概率对算法结果的影响。

（1）

种群规模对算法结果的影响

x

0

1.1

3.5

4.5

y

1.1

5.1

4.5

实验次数：10

最大迭代步数:100

交叉概率：0.85

变异概率：0.15

种群规模

平均适应度值

最优路径

25.264

4-5-8-7-6-3-1-0-9-2

26.3428

2-9-1-0-3-6-7-5-8-4

25.1652

1-3-6-7-5-8-4-2-9-0

25.1652

0-1-3-6-7-5-8-4-2-9

25.1652

9-0-1-3-6-7-5-8-4-2

25.1652

1-0-9-2-4-8-5-7-6-3

150

25.1652

5-8-4-2-9-0-1-3-6-7

200

25.1652

1-3-6-7-5-8-4-2-9-0

250

25.1652

3-1-0-9-2-4-8-5-7-6

300

25.1652

5-8-4-2-9-0-1-3-6-7

如表所示，显然最短路径为25.1652m,最优路径为1-0-9-1-3-6-7-5-8-4-2或3-1-0-9-2-4-8-5-7-6，注意到这是一圈，顺时针或者逆时针都可以。当种群规模为10，20时，并没有找到最优解。因此并不是种群规模越小越好。

（2）

交叉概率对算法结果的影响

x

1.1

3.5

3.5

4.5

y

1.1

5.1

8.5

实验次数：15

种群规模：25

最大迭代步数:100

变异概率：0.15

实验结果：

交叉概率

最好适应度

最差适应度

平均适应度

最优解

0.001

28.0447

36.6567

32.6002

9-2-6-0-5-4-8-7-3-1

0.01

27.0935

34.9943

32.1495

7-8-3-1-9-2-6-0-5-4

0.1

28.0447

35.3033

31.9372

7-3-1-9-2-6-0-5-4-8

0.15

28.0447

34.1175

31.2183

0-5-4-8-7-3-1-9-2-6

0.2

28.7108

33.9512

30.9035

3-1-9-2-6-5-0-4-7-8

0.25

28.0447

35.1623

30.7456

1-3-7-8-4-5-0-6-2-9

0.3

27.0935

31.9941

29.9428

8-3-1-9-2-6-0-5-4-7

0.35

27.0935

32.8085

30.9945

9-1-3-8-7-4-5-0-6-2

0.4

27.0935

32.5313

30.1534

1-3-8-7-4-5-0-6-2-9

0.45

27.0935

33.2014

30.1757

8-3-1-9-2-6-0-5-4-7

0.5

28.0934

33.6307

30.9026

5-0-2-6-9-1-3-8-7-4

0.55

27.0935

33.5233

29.1304

1-9-2-6-0-5-4-7-8-3

0.6

27.0935

33.2512

30.7836

3-1-9-2-6-0-5-4-7-8

0.65

28.0447

33.7003

30.9371

5-4-8-7-3-1-9-2-6-0

0.7

27.0935

32.0927

29.9502

9-1-3-8-7-4-5-0-6-2

0.75

28.0447

32.4488

30.3699

0-5-4-8-7-3-1-9-2-6

0.8

27.0935

32.1551

29.9382

7-4-5-0-6-2-9-1-3-8

0.85

27.0935

34.5399

30.3594

5-0-6-2-9-1-3-8-7-4

0.9

27.0935

32.6273

30.69

6-0-5-4-7-8-3-1-9-2

0.95

27.0935

32.4672

29.919

6-2-9-1-3-8-7-4-5-0

（注:红色表示非最优解）

在该情况下，交叉概率过低将使搜索陷入迟钝状态，得不到最优解。

（3）

变异概率对算法结果的影响

x

1.1

3.5

3.5

4.5

y

1.1

5.1

8.5

实验次数：10

种群规模：25

最大迭代步数:100

交叉概率：0.85

实验结果：

变异概率

最好适应度

最差适应度

平均适应度

最优解

0.001

29.4717

34.732

32.4911

0-6-2-1-9-3-8-7-4-5

0.01

29.0446

34.6591

32.3714

8-4-5-0-2-6-9-1-3-7

0.1

28.0934

34.011

30.9417

5-0-2-6-9-1-3-8-7-4

0.15

27.0935

32.093

30.2568

6-0-5-4-7-8-3-1-9-2

0.2

27.0935

32.2349

30.3144

8-7-4-5-0-6-2-9-1-3

0.25

27.0935

32.718

30.1572

4-5-0-6-2-9-1-3-8-7

0.3

27.0935

32.4488

30.2854

0-5-4-7-8-3-1-9-2-6

0.35

27.0935

33.3167

30.7748

1-3-8-7-4-5-0-6-2-9

0.4

29.0446

34.3705

31.3041

2-0-5-4-8-7-3-1-9-6

0.45

27.0935

31.374

29.6816

2-6-0-5-4-7-8-3-1-9

0.5

27.0935

32.3752

30.2211

2-9-1-3-8-7-4-5-0-6

0.55

27.0935

33.3819

30.6623

1-3-8-7-4-5-0-6-2-9

0.6

28.0934

33.2512

30.36

1-3-8-7-4-5-0-2-6-9

0.65

27.0935

32.7491

30.0201

3-1-9-2-6-0-5-4-7-8

0.7

28.7108

32.4238

30.785

1-3-8-7-4-0-5-6-2-9

0.75

27.0935

31.8928

30.2451

1-9-2-6-0-5-4-7-8-3

0.8

28.0934

31.6135

30.3471

9-1-3-8-7-4-5-0-2-6

0.85

29.662

33.2392

31.1585

2-9-1-3-7-8-4-0-5-6

0.9

28.0447

32.0387

30.4152

0-5-4-8-7-3-1-9-2-6

0.95

28.0447

31.3036

30.0067

9-1-3-7-8-4-5-0-6-2

从该表可知，当变异概率过大或过低都将导致无法得到最优解。

4、增加1种变异策略和1种个体选择概率分配策略，比较求解同一TSP问题时不同变异策略及不同个体选择分配策略对算法结果的影响。

不同变异策略和不同个体选择分配策略几乎不影响算法运行的时间，但会影响适应度。

五、实验心得与体会

通过本实验，更加深入体会了参数设置对算法结果的影响。同一个算法，参数值不同，获得的结果可能会完全不同。

篇3：人工智能tsp实验报告

物流配送调度系统就是针对以上问题提出的, 它能提供可靠的交通信息、高效快速的应急服务, 在降低物流成本方面有着显著的成效, 能满足现代物流经济性、准时性和灵活性的多种需求。迄今为止, 国外研究物流配送调度系统的理论和算法已经不少, 并且在实际应用方面取得显著的成果, 如美国IBM基于最短路径法和启发式算法研究出来的VSPX系统, 日本富士通以节约法为核心研发出来的VSS系统, 以及美国美孚以扫描法为核心研究出来的HPCAD系统。但是国内在这方面的研究仅停滞于初步理论阶段, 在开发实用的物流配送调度系统方面还是一片空白。造成这种现象的根本原因在于大部分算法只考虑了TSP (Traveling salesman problem) 问题的部分约束条件, 且设置了许多假设条件, 限制了他们的应用范围, 在实际应用中缺乏灵活性。由于研发物流配送调度系统的核心在于解决贴合实际的TSP问题, 因此研究可以妥善解决TSP问题的算法, 并在此基础上开发出智能的物流配送调度系统具有现实的理论意义和实践意义。

一、TSP问题

1、TSP问题的简介

TSP问题也称旅行推销员问题、货郎担问题, 是经典的组合优化问题, 最早的记录来自于1759年欧拉研究的骑士周游问题, 即对象棋中的64个方格, 走访每个方格有且仅有一次。TSP问题的历史可以分成以下几个阶段:1800—1900年, 首次描述TSP问题;1920—1930年, TSP问题得到较好的定义;1940—1950年, 研究人员意识到TSP问题是个难题;1954年, 42个城市的TSP问题求得最优解;1980年, Crowder和Padberg求解了318个城市的问题;1987年, Padberg和Rinaldi求解了2392个城市的问题;1992年, 美国R ice大学的CR PC研究小组解决了3038个城市的问题;1994年, Applegate、Bixby和Chvatal等人解决了7393个城市的问题;1998年, CR PC研究解决了美国13509个城市组成的TSP问题;2003年, Hisao Tamaki发现了TSPLIB中pla33810的一个次优解;2004年, Keld Helsguan发现了pla85900问题的一个次优解。

2、TSP问题的数学模型

TSP问题可以表达为, 给定k个城市, i、j为城市编号, 0≤i≤k, 0≤j≤k。dij代表从城市i到j的距离, 解决TSP问题就是寻找一条最短的闭合路径, 使得每个城市刚好遍历一次。

目标函数:

二、求解TSP问题的各种解法

目前求解TSP问题的主要方法主要分两类:精确求解算法和近似求解算法。

精确求解算法通过搜索整个问题的全部解空间, 在所有解集中求得最优解。精确求解算法包括整数规划法、动态规划法、分支定界算法等, 这类算法虽然可以得到精确解, 但由于过大的搜索空间范围导致计算时间过长, 计算效率非常低下, 很少用于实际应用。最早用于解决TSP问题的精确求解算法是穷举法, 思路简单, 可以直观快速地求出少量城市点数的最优解, 但是求解大规模数据集时运算量太大, 运算效率不高, 时间上难以承受。

近似求解法又可称为启发式求解算法, 部分近似求解算法又被称为智能优化算法。典型的近似算法有插入算法、r-opt算法和最近邻算法等, 这类算法虽然可以较快的计算出可行解, 但是其接近最优解的程度不够令人满意。智能优化算法主要包括神经网络算法、遗传算法、禁忌搜索算法、模拟退火法、粒子群算法和蚁群算法等, 是近几年来非常活跃的研究领域, 它是利用仿生学的原理, 让算法在计算过程中不断自我调整, 使之具备自适应能力。智能优化算法虽然不能在有限的时间内获得最优解, 但其接近最优解的程度是非常可喜的。

求解TSP问题的算法很多, 要评价和比较各种算法的优劣, 必须有一个综合的性能评价标准, TSP算法的综合性能评价标准包括:算法求解的精确程度, 即接近最优解的程度;求解算法的复杂度, 包括时间的复杂度和空间的复杂度;求解算法的适应性, 即算法在各个领域的通用程度;求解算法的严密性, 即保证求解算法充分的理论基础。

综合比较, 智能优化算法是一类综合性能比较强的TSP算法, 也是目前最适合用于开发物流配送调度系统的算法, 本文将对几种智能优化算法进行详细说明。

1、神经网络算法

人工神经网络 (Artificial Neural Network, 简称ANN) , 又名神经网络 (Neural Network, 简称NN) , 是一种通过模拟动物神经网络的特点进行数据分析的方法。1985年, Hopfield和Tank首次将这种算法应用于求解TSP问题。它的主要思想是用能量函数替代TSP问题中的目标函数, 通过能量函数确定神经元之间的相互连接权限, 随着网络状态的逐渐变化, 当能量达到平衡时, 就可以得到局部最优解。

由于神经网络是一种数据驱动型非线性映射模型, 可以实现任何复杂的因果关系映射, 能够从大量的历史数据中进行聚类和学习, 进而找到某些行为变化规律, 因此可以用来处理难以用数学模型描述的系统, 具有很强的并行性、自适应、联想记忆、容错鲁棒以及任意逼近非线性等特性。目前神经网络技术在解决TSP问题上取得了一定的成绩, 但是神经网络存在严重缺陷, 很难确定算法的参数, 必须通过多次反复的数据测试才能获得一个相对较好的参数, 因此严重限制了神经网络的适用范围。

2、遗传算法

遗传算法是Holland于1973年首次提出的, 是一种模拟生物界自然选择和遗传机制的随机搜索算法。它的基本思想是将TSP问题的求解表示成“染色体”的适者生存的过程, 通过“染色体”的一代代的进化, 即通过选择、交叉和变异等操作, 最终得到“最适应环境”的个体, 从而求得最优解或满意解。

遗传算法能准确模拟自然界生物进化过程中的染色体, 整个遗传过程操作简单, 在数据优化过程中不受外界条件的限制, 能用简单的计算方法实现全局解空间的搜索。但是遗传算法中容易出现“早熟”现象, 必须通过设置变异概率来控制“早熟”, 高的变异率扩大了搜索空间, 有利于诱导产生更加优秀的个体, 但是交叉概率和变异概率过大会导致收敛速度过慢, 迭代次数过大。因此实现收敛速度和最优解之间的平衡是遗传算法的一大难点。

3、禁忌搜索算法

禁忌搜索算法是由Fred Glovert等于1986年首次提出的, 是一种全局性逐步寻优的邻域搜索算法, 可以模拟人类记忆功能的寻优特征, 通过局部邻域搜索机制和相应的禁忌准则来避免重复搜索, 并通过藐视准则赦免一些被禁忌的优良状态, 进而保证多样化的有效搜索, 最终实现全局优化。

在禁忌搜索算法的搜索过程中, 邻域结构、候选解、禁忌长度、禁忌对象、藐视准则、终止准则等都是影响算法性能的关键因素。且禁忌搜索算法对初始解和邻域结构有较大的依赖性, 由于禁忌算法串行的搜索机制, 一个不理想的初始解将直接影响到搜索质量。

4、模拟退火法

现代模拟退火算法是由Kirkpatrick S等于1983年提出, 是基于Mente Carlo迭代求解策略的一种随机寻优算法。它通过模拟物理中固体物质的退火过程, 结合具有概率突跳特性的Metropolis抽样策略, 在解空间中随机寻找目标函数的全局最优解, 在降温过程中不断重复抽样, 最终实现问题的最优解。

模拟退火算法解的优越性依赖初始温度和退火时间, 当初始温度过低或者退火速度过快, 算法将陷入局部最优解。但是如果迭代次数较高, 随着退火速度的降低将极大增加运行时间。

5、蚁群算法

蚁群算法是由意大利学者Dorigo M于1991年首次提出, 是一种模拟自然界蚂蚁寻找食物的过程来计算路径的算法, 通过群体间信息素的交换和相互合作寻求最优解的过程。蚂蚁独立寻找食物, 在找寻食物的路程中会释放信息素, 信息素会影响随后的蚂蚁对路径的选择, 信息素越强的路径, 越可能被蚂蚁选择。对于蚂蚁算法来说, 各条路径的初始信息素相同, 但是随着时间的推移, 较优路径上的信息素会越来越多, 最后实现寻求最优解或次优解的目的。

蚂蚁算法中, 蚂蚁数量M的设置是影响算法性能的重要因素, M过小会导致未被所搜索过的路径信息素趋向于0, 全局搜索能力太差, 稳定性变差。M过大会导致所有路径上的信息素过于平均, 随机性太强, 收敛速度过慢, 信息正反馈能力过弱。有研究表明, M取值范围在[0.6n, 0.9n] (n代表城市规模) , 蚂蚁算法的收敛速度和接近全局最优解的能力最理想。

在蚂蚁算法中, 总信息量Q表示循环一周蚂蚁释放的信息素的总和, Q也同样对蚂蚁算法的性能有很大的影响。Q越大信息素增长越快, 正反馈效果越好, 算法收敛速度越快。研究表明, Q的取值与TSP问题的规模和路径长度有关, 在小规模的TSP问题中, Q一般取100。

蚂蚁算法具有正反馈、并发性、较强的鲁棒性、易于其他算法相结合等优点, 但是蚂蚁算法易出现停滞现象。

摘要：本文简述了TSP问题及TSP问题的数学模型, 最后论述了求解TSP问题的各种解法, 并对几种智能优化算法进行了详细说明。

关键词：TSP问题,数学模型,智能优化算法

参考文献

[1]国家发展和改革委员会经济运行调节局、南开大学现代物流研究中心:中国现代物流发展报告 (2010) [M].中国物资出版社, 2010.

[2]唐纳德, J.鲍尔索科斯、戴维J.克劳斯:物流管理[M].机械工业出版社, 1999.

[3]林志毅:改进的遗传算法求解TSP问题[D].武汉理工大学, 2006.

篇4：计算智能实验报告

专业

信息与算科学

班级

112

姓名

刘红军

学号

2011062064

协作队员

实验日期

2013

年 10月30 日

星期

成绩评定

教师签名

批改日期

题目

一、问题提出 4中产品指标如下 X1 =(37,38,12,16,13,12)X2=(69,73,74,22,64,17)X3=(73,86,49,27,68/,39)X4=(57,58,64,84,63,28)

二、模型建立相关数学建立相似矩阵，用传递闭包进行模糊聚类

三、求解方法

四、输出结果

篇5：智能循迹小车实验报告

本设计主要有单片机模块、传感器模块、电机驱动模块以及电源模块组成,小车具有自主寻迹得功能。本次设计采用 STC 公司得 89C52 单片机作为控制芯片，传感器模块采用红外光电对管与比较器实现，能够轻松识别黑白两色路面,同时具有抗环境干扰能力，电机模块由 L298N 芯片与两个直流电机构成,组成了智能车得动力系统，电源采用 7、2V 得直流电池,经过系统组装，从而实现了小车得自动循迹得功能.关键词

智能小车

ＳＴＣ89Ｃ52 单片机

Ｌ２98N

红外光对管 1 1 绪论

随着科学技术得发展,机器人得设计越来越精细,功能越来越复杂,智能小车作为其得一个分支，也在不断发展.在近几年得电子设计大赛中，关于小车得智能化功能得实现也多种多样,因此本次我们也打算设计一智能小车,使其能自动识别预制道路，按照设计得道路自行寻迹。2 设计任务与要求

采用 MCS－５１单片机为控制芯片（也可采用其她得芯片），红外对管为识别器件、步进电机为行进部件,设计出一个能够识别以白底为道路色，宽度 10mm左右得黑色胶带制作得不规则得封闭曲线为引导轨迹并能沿该轨迹行进得智能寻迹机器小车。3 方案设计与方案选择

3.1 硬件部分

可分为四个模块：单片机模块、传感器模块、电机驱动模块以及电源模块。

3.1.1 单片机模块

为小车运行得核心部件,起控制小车得所有运行状态得作用。由于以前自己开发板使用得就是ＡTMＥL 公司得 STC89C５２,所以让然选择这个芯片作为控制核心部件。ＳTＣ8９Ｃ52 就是一种低损耗、高性能、CＭＯS 八位微处理器，片内有 4ｋ字节得在线可重复编程、快速擦除快速写入程序得存储器，能重复写入／擦除 100０次,数据保存时间为十年.其程序与数据存储就是分开得.3.1.2 传感器模块

方案一:使用光敏电阻组成光敏探测器采集路面信息。阻值经过比较器输出高低电平进行分析,但就是光照影响很大，不能稳定工作。

方案二：使用光电传感器来采集路面信息。使用红外光电对管，其结构简明,实现方便,成本低廉,没有复杂得图像处理工作，因此反应灵敏，响应时间少。但也存在不足，它能获取得信息就是不完全得，容易受很多扰动(如背景光源，高度等)得影响,抗干扰能力较差。

方案三：使用 CCD 传感器来采集路面信息。使用 CCD 可以获取大量得图像信息,掌握全面得路径信息,抗干扰能力强,为以后功能得扩展提供方便。但使用CCD 需要大量得图像处理工作，进行大量数据得存储与计算,因此电路复杂，实现起来工作量大。

方案四：使用光电对管采集路面信息。RPＲ2２０结构紧凑，体积小,调整电路简单工作性能稳定。

可见方案四最适宜,但仅从此项目考虑，方案二成本低,也能完成设计,故选用方案二.3.1.3 电机控制模块3、1 1、3 3、1 1 电机得选择 方案一:采用步进电机，其转过得角度可以精确定位，可实现小车行进过程得精确定位.但步进电机得输出力矩低，随转速得升高而降低,且转速越快下降得越快。

方案二:采用直流电机，其转动力矩大，体积小，重量轻,装配简单,操作方便。速度得调节可以改变电压也可以调节 PWＭ。

基于以上，我们选择了方案二，使用直流电机作为驱动电机。

３、１、3 3、２电机得驱动 采用专用芯片 L298N 作为电机驱动芯片，其操作方便，稳定性好,性能优良.一片Ｌ298N 就可以分别控制两个直流电机。

3.1.4 电源模块

给整个系统稳定供电以保持其正常工作,包括７、2Ｖ得电源以及转５V 部分，其中 7、２V 得就是给电机与其驱动供电,5V 得用来驱动单片机及其她芯片。

以上单元连接如下图所示:

3.2 软件部分

３、２、1 1 程序流程图

此系统采用 8９C52 单片机，再根据硬件连接，通过相应得软件来完成对信号得采集与数据得分析，再控制小车得运行状态,以下为主程序流程图:

3、2 2、2 2 程序设计思 路3、2 2、2 2、1 1 寻迹模块程序 通过传感器获得路面信息然后反馈给单片机，再通过单片机来实现相应得功能。3、２、2 2、２ 电机驱动模块程序 控制两个直流电机,实现前进、后退、前左转、前右转、停车等功能.4 各部分电路得作用及电路工作原理分析

4.1 信号采集模块

4.1.1 TC ＲT T ５0 00 结构与工作原理

TCRT50００（L）具有紧凑得结构发光灯与检测器安排在同一方向上,利用红外光谱反射对象存在另一个对象上，操作得波长大约就是 950 毫米。探测器由光电晶体三极管组成得,它由高发射功率红外光电二极管与高度灵敏光电晶体管组成。通过测试,其检测距离在 2mm—10mm。TCRＴ5000 得发射管与接收管就是一起封装在矩形塑料壳中,为了使检测更加准确，我们用了 5 只 TCRT500０检测黑线，实物见图４—１。

4.1.2 信号采集电路图及原理

小车在白色地面行驶时，红外发射管发出得红外信号被反射，接收管收到信号后,输出端为低电平，经过比较器比较后输出为低电平。而当红外信号遇到黑色导轨时，红外信号被吸收,接收管不能接收信号,输出端为高电平，经过比较器比较后输出高电平。单片机通过采集每个比较器得输出端电压，便可以检测出黑线得相对位置得位置，从而控制小车得行驶方向。

4.2 信息处理模块

4.2.1 原理

检测到白色路面得红外接收头处理后送出得就是低电平,而检测到黑色路线得检测头送出得就是高电平，由此可根据这 5 个红外接收头得高低电平判断路线情况而调整小车前进方向。具体情况有如下几种：

ａ

检测到

１ 或 0

0

０

0

0 小车应该停止.b

检测到

０

0

0

０ 或 0

0

0

0 或 1

０

0

0 说明路线向左偏,小车向左转.c

检测到

0

0

0

0

１ 或

0

0

0

0 或 0

０

0

1说明路线向右偏，小车向左转。

d

检测到

x

x

１

x

ｘ(x 不全为 1）

说明线路就是直得,小车直走。

4.3 电机驱动模块

４、3 3、1 1 直流电机

给两个电刷 A 与 B 加上直流电源,如上图(ａ）所示，则有直流电流从电刷 A 流入,经过线圈 abcd，从电刷 B 流出，根据电磁力定律,载流导体 aｂ与 cｄ收到电磁力得作用,其方向可由左手定则判定，两段导体受到得力形成了一个转矩,使得转子逆时针转动.如果转子转到如上图（ｂ）所示得位置，电刷 A 与换向片２接触,电刷 Ｂ 与换向片 1 接触，直流电流从电刷 Ａ 流入，在线圈中得流动方向就是 dcｂａ,从电刷 B 流出.此时载流导体 ab 与 cｄ受到电磁力得作用方向同样可由左手定则判定,它们产生得转矩仍然使得转子逆时针转动。这就就是直流电动机得工作原理。外加得电源就是直流得,但由于电刷与换向片得作用,在线圈中流过得电流就是交流得,其产生得转矩得方向却就是不变得。实用中得直流电动机转子上得绕组也不就是由一个线圈构成,同样就是由多个线圈连接而成,以减少电动机电磁转矩得波动,绕组形式同发电机。

４、3 3、2 2 电路图

我们采用成品Ｌ298N 电机驱动模块，采用光电耦合器件隔离单片机与L29８N得控制电路，工艺精度高，性能可靠。L298N 模块内部通过 H 桥电路实现直流电机得正转，反转,其原理如下：

如图 4-3 所示，全桥式驱动电路得 4 只开关管都工作在斩波状态，S1、Ｓ２为一组,S3、S4 为另一组，两组得状态互补，一组导通则 另一组必须关断.当Ｓ1、S2 导通时，S3、S4 关断,电机两端加正向电压，可以实 现电机得正转或反转制动;当 S3、S4 导 通时,S1、Ｓ2 关断,电机两端为反向电 压，电机反转或正转制动。

桥驱动电路 4、3 3、３原理

L2９8Ｎ就是 ST 公司生产得一种高电压、大电流电机驱动芯片。该芯片采用 15 脚封装。主要特点就是:工作电压高，最高工作电压可达 4６Ｖ；输出电流大，瞬间峰值电流可达 3A,持续工作电流为２Ａ；额定功率２５Ｗ。内含两个 H 桥得高电压大电流全桥式驱动器，可以用来驱动直流电动机与步进电动机、继电器线圈等感性负载；采用标准逻辑电平信号控制；具有两个使能控制端，在不受输入信号影响得情况下允许或禁止器件工作有一个逻辑电源输入端，使内部逻辑电路部分在低电压下工作;可以外接检测电阻，将变化量反馈给控制电路。使用 L298N 芯片驱动电机，该芯片可以驱动两台直流电机。5 系统调试5、1 1 硬件部分

焊接完成后，首先进行得调试就是用数字万用表测量各个电路就是否焊接正常，就是否有虚焊漏焊等现象得出现，以及各个电容就是否就是正常得未被击穿状态、电阻得阻值就是否与设计得原理图上得一致.接通电源，用数字万用表测量当有+5V 得各引脚就是否有+5V 得电压，测量电路中就是否出现了不该有得短路现象。接入光电传感器模块,使各个光电检测器得光电对管靠近白纸,观察对应得发光二极管就是否发光,不发光表示正常。

然后再使各个光电对管靠近黑线，观察对应得发光二级管就是否发光,发光表示正常.５、2 2 软件部分

我们先测试了小车得前进，停止,左转与右转。组装信号采集模块后，实现小车得自动循迹功能.具体实现程序见附录一6 总结

实验结果如符合实验要求，小车按照黑胶布轨迹前进，并能够及时正确显示小车得行进状态以及行进距离。具体现象如下：

左边传感器检测到黑线，小车左转； 右边传感器检测到黑线,小车右转； 中间传感器检测到黑线，小车直行。

从而就可以完成对黑胶布得循迹功能。7 参考文献

［1]电子信息专业实验教程

赵刚 李佐儒

四川大学出版社 ［2］单片机Ｃ语言教程

郭天祥

电子工业出版社 ［3]模拟电子技术

童诗白

清华大学出版社 附录一

程序：

#iｎｃluｄｅ〈ｒeg52、h＞ sｂｉt DJ_left＿s = P1＾0；

／/直流电机控制 sbit DJ_lｅｆt＿n = Ｐ1^1； sbiｔ DＪ_rigｈt_s = P1^2； sbｉｔ DＪ_right_n = P1^３;//左转函数 voｉd Tuｒｎ_rｉｇｈt（）

｛

DJ_lefｔ_s

= ０;

；1 =

ｎ＿tfel＿JDﻩ DJ_ｒight_s

= 1；

;0 =

n_ｔhｇir＿JDﻩ}

//右转函数 voiｄ Turｎ_ｌｅfｔ（）

{

DＪ_left_s

= 1；

DＪ_lｅｆt_n

＝ ０;

；0 ＝

s_thｇir_JＤﻩ;1 =

ｎ＿thgir_ＪDﻩ｝ //前进函数 vｏid Gｏ＿ahead(){

；１ ＝

s_tfel_JＤﻩ ＤJ＿left_n

＝ 0;

DJ_rigｈｔ_ｓ

= 1;

DＪ_ｒiｇht_n

= 0； ｝ //停止函数 void Stop（）

{

DＪ_leｆｔ_ｓ

= 0；

ＤJ_ｌｅft_n

= 0；

DJ＿righｔ_s

= 0;

;０ =

n_thgir＿JDﻩ} //循迹函数 vｏid xunji（unsigneｄ int ｍ)｛

ﻩ if（m==0x７c）

｛

;)（ｔhgｉｒ_nruTﻩ

;nrｕterﻩﻩ

｝ﻩ)01x０＆m（fｉﻩﻩ

{

ﻩ Ｇo_ａheａｄ（）;

ﻩ

；nruｔｅrﻩ ﻩ }ﻩﻩ

if（m＆0ｘ0ｃ)

ﻩ ｛

；）（ｔhgir_nｒuＴﻩﻩ

ﻩ reｔｕrｎ;

}

ﻩ if（m&0ｘ60)

ﻩ ｛

ﻩ；）(tfel_nruＴﻩ ﻩ

returｎ；

ﻩ ｝ } //主函数 void mａin（）

｛

ｗhile（１)

｛ ﻩ xｕnji（Ｐ2&０ｘ７c)；

｝ ﻩ｝ 附录二

篇6：实验林场人工商品林采伐规划报告

为了积极发展和持续稳定经营人工商品林，加强对人工商品林抚育间伐工作的管理，积极培育后备资源，不断提高和改善人工林资源数量和质量，2005年7月，在实验林场举办了由局有关部门、单位和各林场专业技术人员参加的人工商品林采伐试点工作研讨班，与会人员对2003年试点的林场采伐林班现场进行了调查，对有关技术问题现场进行了讨论，认真分析了2003年人工商品林采伐试点工作中存在的问题，总结了经验，紧密结合全局人工林资源与现状，对今后人工商品林的管理和技术方面的问题进行了进一步的探讨和统一，人工商品林经营要坚持因林因地制宜，尊重自然和经济规律；坚持经济效益为主，兼顾生态效益和社会效益，使经营期内经济效益最大化；培育为主、合理利用、严格保护、持续经营；按照科研与生产相结合的方式进行设计和施工。根据研讨会会议精神，对《实验林场人工商品林作业设计细则》进行了修订。

根据实验林场《关于认真搞好人工商品林抚育间伐工作的通知》,由实验林场王胜利等同志进行人工商品林抚育采伐作业设计，于2005年7月28日至8月13日完成外业调查，同时实验林场组织技术人员完成了采伐木挂号工作，2005年9月10日完成内业计算汇总、绘制设计图、编写设计说明书等内业工作。在外业调查期间，局领导多次到现场进行了检查指导，设计成果完成后，省林业厅进行了检查验收。

1基本情况

1.1设计总面积

实验林场人工商品林抚育作业设计总面积1396.3亩。共分红崖沟、李家坪、红青岭、黑木岭四个伐区，其中红崖沟伐区面积523.2亩，属横岭营林区红崖沟作业区5、12林班的部分面积，位于王坪河上游莺歌沟沟系内；李家坪伐区面积234.5亩，位于实验营林区李家坪作业区66林班境内，地处王坪河上游的李家坪的前段；红青岭伐区面积196.9亩，位于红青岭营林区红青岭作业区75林班境内，地处红青岭营林区周围；黑木岭伐区面积441.7亩，位于黑木岭营林区黑木岭作业区40、43、44林班境内，地处黑木岭营林区附近。设计的伐区分布相对较零散，但伐区内小班的集中连片。

1.2自然地理条件

设计区属秦岭山系西段的中山—低中山区，总体地势西北高、东南低。山体坡度一般在25—40°之间。山峰海拔1420—2000m之间，最高处黑木岭梁海拔2000m，最低处红青岭海拔1420m。土壤为褐色森林土，成土母质以中强性岩石为主，质地为砂壤，土壤厚度60cm，表土层腐殖质含量丰富，矿物质养分含量中等，呈微酸性到中性。区内无裸岩、石崖分布，生产条件较好。

气候属大陆性季风气候，年平均气温10.9℃，年均降水量507.6毫米，春未、夏秋季节，由于受太平洋副热带暖湿气流的影响，产生大量降水，形成雨季，其中7、8、9三个月的降水量约占全年的70%左右；冬春季节受西伯亚寒冷气流的控制，降水稀少形成旱季。年均日照时数2098.7小时，年均蒸发量1420.2毫米，相对湿度69%，年均活动积温3536.9℃，年均有效积温2659.8℃，无霜期180天左右，生长期200天左右。由于地处暖湿气候带，雨量充沛，山体植被覆盖良好，设计区一带有高大的乔木林，茂密的灌木丛和繁多的草本植物，林草茂密，森林覆盖率达80％以上。良好的植被有利于水土保持，侵蚀模数小于500吨/平方公里.年。

1.3交通条件

设计区交通方便，红崖沟、红青岭、黑木岭设计区有北利公路沿设计区中心通过，李家坪设计区距北利公路约500米，另外各设计区内还有林道相通，维修3km林道即可满足生产需要。产品运输条件比较好。

1.4造林

黑木岭、红青岭、李家坪设计区及红崖沟设计区的部分小班均为实验林场70年代营造的油松林，面积927.5亩，红崖沟设计区12林班的5个小班，面积468.8亩，为1993年营造的日本落叶松速生丰产林，日本落叶松本次设计为首次抚育间伐，其它油松林1996年进行过第二次抚育，本次设计为第三次抚育间伐。

1.5林木生长情况

设计区具有丰富的光、热、水资源，立地条件也较好，尤其实施天然林资源保护工程后，林场加大了管护力度和病虫害监测、防治范围，因此，设计区无人畜鸟兽危害，林木长势良好。

2小班区划及调查

2.1小班区划

2.1.1区划方法

小班区划在二类调查划分的营林区和林班的基础上进行了区划，各级名称和林班号没有变动。

小班区划界线主要自然区划为主，充分利用沟系、山脊、道路等自然界线进行区划。对小班面积太小或自然地形不明显，采用gps定位，现地量测的方法进行了区。同时小班区划依据以下因子进行：一是不同林分类型划分不同小班，二是龄组不同划分不同小班，三是郁闭度相差0.2以上时划分不同小班。

为了便于施工管理，小班面积一般控制在7.5～150亩之间。

2.1.2区划结果

实验林场人工林抚育间伐设计共分为黑木岭、红青岭、李家坪、红崖沟4个作业区，涉及8个

林班，区划19个小班。详见下表：

实验林场人工林抚育小班区划一览表

作业区

林班号

小班个数

备注

合计

819

横岭

521

5黑木岭

43144

1红青岭

李家坪

2.2小班调查

2.2.1调查方法

⑴调查内容：小班株数、小班林木年龄、平均胸径、平均树高、活立木蓄积量等。

⑵调查方法：小班调查采用目测和实测相结合的方法。调查时先对小班进行全面目测，掌握小班林分类型、树种组成及林木分布等基本情况，然后确定样地或样带位置及个数，并对小班地形地貌进行调查，在小班内根据林木生长状况和林分分布状况设置具有代表性的正方形样地1～3块，样地边长为25.82m，面积666.7m2，样地四角埋设木桩进行标记。

（3）样地（带）调查：对样地（带）内达到起测胸径（4cm）的林木，用测树围尺量测胸径，并记录在样地检尺记录中，达不到起测胸径但有培育前途的林木统计株数（不参与平均胸径计算）。依各树种平均胸径选取3—5株标准木，实测其树高，获得各树种平均高。在样地西南角附近或样带中心，进行土壤、下木、活地被物等因子调查。

（4）出材率调查：根据林分、材质状况和市场需求现场确定不同材种的出材率。在样地内伐倒一定数量的样木实际造材，以总材积的100％，求算各适销产品的出材率，推算小班各材种出材率。如果小班内树高、直径、尖削度、干形以及根茎处废材比例等影响出材率等因子有较大差异难以统一确定的，调查各不同出材率等级所占面积，加权计算小班平均出材率。

3森林资源情况

3.1全场人工林资源现状

为培育和发展森林后备资源，提高森林质量与效益，改善生态环境，经过历届领导与职工近40年的不懈努力，依沟系为体系，在宜林荒山、灌丛、疏林地、采伐迹地、次生林改造迹地，营造了大面积人工林，累计造林27.5万亩，保存面积16.6万亩，已郁闭成林。人工林树种以油松、华山松、落叶松为主，另有少量的云杉、水楸、枫杨等。人工林总蓄积48.8万m3。其中落叶松人工林面积2.0万亩，蓄积约4.4万m3；华山松人工林面积0.2万亩，蓄积约1.2万m3；油松人工林1.4万亩,蓄积约9.1万m3；针叶混交人工林面积0.5万亩，蓄积约1.8万m3；阔叶混交人工林面积12.5万亩，蓄积约6.4万m3。平均林龄22年，林分最大年龄为36年。日本落叶松、华北落叶松为六十年代所引进的树种，经三十多年的引种试验，与同期营造的油松、华山松相比较，具有速生、丰产、干形通直圆满，木质纤维长等特点。二十世纪八十年代后期，尤其是九十年代开始，全场以每年0.15～0.4万亩的速度开展了大面积造林，采用了速生丰产用材林的营造技术和工程造林的管理办法，造林成效显著，目前平均林龄9年，最大林分年龄14年。由于密度大，冠高比已达1/3左右，大面积人工林已不同程度地出现自然分化现象，部分林木已枯死。为了保证林木的正常生长，增强其生态功能，采取生长抚育促进林分正常生长发育，是当前人工林经营管理的主要技术措施，据调查，急待需要抚育的人工林面积已有0.15多万亩，合理抚育强度在25～45%之间。

实验林场气候湿润，土壤肥沃，人工林立地条件好，林分生长良好，10年生日本落叶松人工林平均胸径8.4cm，平均树高10.6m，每公顷蓄积量81.2m3。需要抚育间伐的日本落叶松林分，林龄13年，郁闭度都在0.9以上，亩均蓄积7.0m3。

3.2设计区森林资源

实验林场人工商品林抚育作业设计区总面积1396.3亩，作业面积1356.3亩，非作业面积40亩，扣除的非作业面积主要是小班内的险坡、天然林、道路、水域等。

⑴红崖沟作业区：位于5、12林班境内，设计小班面积523.2亩，作业面积523.2亩。区内山体低矮、地形开阔、坡度平缓，土壤深厚，海拔在1640～1900m之间，平均坡度为30度左右。12林班的1－5号小班，面积468.8亩，是1993年营造的日本落叶松速生丰产林，林分郁闭度0.9，林木组成为10日落+杂，平均树高为9.1m，平均胸径10.1cm，保存株数为171株／亩，蓄积量为5.8874m3／亩；5林班的1－2小班，面积54.4亩，是70年代初营造的油松林，林分郁闭度0.8，林木组成为8油1华1杂，平均树高为11.7m，平均胸径20.4cm，保存株数为70株／亩，蓄积量为9.1544m3／亩。区内林木长势良好，分布均匀，落叶松由于密度大，冠高比已达1/3左右，已不同程度地出现自然分化现象，部分林木已枯死。设计区交通方便，有人为破坏活动。林下卫生状况较差，灌木主要有胡枝子、榛子、蔷薇等，高度2.2m，盖度为40%左右。

⑵李家坪作业区：位于66林班境内，设计小班面积234.5亩，作业面积229.5亩。地处李家坪前半段，区内地形开阔、坡度平缓，土壤深厚，海拔在1500～1660m之间，平均坡度为25度左右。林分是80年代初营造的油松林，郁闭度0.8，林木组成为8油1杂，平均树高11.0m，平均胸径17.7cm，保存株数为87株／亩，蓄积量为8.8715m3／亩。林分主要分布在坡下部，林木稠密，长势良好，小班上部为针阔混交状态，再到坡上部呈天然林。灌木主要为胡枝子、蔷薇等，高度2.3m，覆盖度为30%。

⑶红青岭作业区：作业区小班面积196.9亩，作业面积166.9亩，位于红青岭营林区址两侧坡面中下部的75、76林班内，共区划2个小班，小班作业管理条件较好，交通方便。林木组成为6油4青+华，林分郁闭度0.8，平均树高10.9m，平均胸径17.7cm，林龄33年，已达近熟龄阶段。每亩株数为98株，每亩蓄积量10.9396m3。小班内林木呈团块状分布，分布不匀，中下部稠密，上部稀疏，且呈针阔混交状态。灌木种类主要为胡枝子、忍冬、蔷薇等，高度1.6m，覆盖度为25%。

⑷黑木岭作业区：设计小班面积441.3亩，作业面积436.7亩。位于黑木岭营林区址附近，北利公路两侧的40、43、44林班内。林分优势树种以油松为主，成数占7成以上，伴生树种有华山松、落叶松、青冈、杂木等，林分郁闭度0.8，平均树高12.4m，平均胸径19.0cm，平均年龄29年。每亩株数为80－98株，每亩蓄积量11.0017m3。区内林木长势良好，分布均匀，干形通直圆满，小班下部有大径材分布。由于密度大，已不同程度地出现自然分化现象，林木直径生长明显下降。林下卫生状况较差，有枯死木、风倒木分布。灌木主要有胡枝子、榛子、蔷薇等，高度1.8m，覆盖度为30%。

4技术措施设计

4.1抚育间伐方式

该场需要进行抚育间伐的林分为日本落叶松幼龄林、油松中龄林及部分近熟林。根据《细则》规定，结合林分现状，本次设计采用透光伐、疏伐、生长伐，具体标准为：

透光抚育：在红崖沟作业区的日本落叶松幼龄林阶段进行，在林分中清除影响林木生长的藤蔓、杂灌。主要间伐质量低劣无培育前途的ⅴ、ⅳ级木和过密的ⅲ、ⅱ、ⅰ级木。

疏伐：在中龄林阶段进行，目的是进一步调整林分密度，调整混交林的树种组成，加速保留木的生长，培育良好的干形。伐除干形不良、无培育前途、影响目的树种生长的林木，为目的树种创造良好的生长条件。

生长伐：在近熟林阶段进行，伐除无培育前途的林木，加速保留木的直径生长，缩短成熟期。

4.2抚育间伐强度及选木挂号

依据各样地调查的林分因子和林木生长状况，参照《小陇山林区主要树种林分密度表》确定适宜的保留株数和郁闭度，按照《细则》规定根据林木生长状况进行分级，确定优势木、亚优势木、中等木、被压木、频死木和枯立木，依据选木挂号的原则，选择间伐木进行检尺挂号。间伐木挂号坚持“五挂五不挂”和“四看”的原则，“五挂五不挂”即为：“挂弯不挂端、挂密不挂疏、挂病不挂健、挂双不挂单，挂无益藤蔓杂灌不挂有益下木”，“四看”即做到看树冠保证郁闭度、看树干保证挂劣留优、看周围保证密度均匀、看树种保留目的树种。对ⅳ、ⅴ级木（被压木、濒死木、病腐木、枯立木、弯曲多叉木、断梢木）等林木优先挂号，再对部分ⅲ级木，以及密度过大或受害的ⅱ级木、个别ⅰ级木进行挂号。

样地挂号完毕后，根据保留木状况测算保留林分郁闭度，若保留林分郁闭度和保留株数不能满足设计要求，则要对挂号木进行调整，直至满足设计要求。根据挂号木检尺记录，计算挂号木各树种平均胸径，并选取3～5株平均木，实测树高，推算挂号木各树种平均高。挂号木各树种平均胸径采用胸高断面积加权平均法计算，样地挂号木平均胸径和平均树高以各树种的组成系数加权平均求得，挂号木各树种单株材积用相应树种二元立木材积式计算，样地挂号木蓄积为各树种蓄积量之和。

根据挂号木株数和蓄积计算抚育间伐的株数强度和蓄积强度。

在样地挂号木每个径阶选择一个平均木进行现场造材，导算样地各径阶林木平均出材率。

小班内各样地间伐强度和平均出材率加权平均求得小班间伐强度和平均出材率。按设计的抚育间伐株数强度和蓄积强度指导全小班抚育间伐木挂号，小班选木挂号的强度。控制在设计抚育强度的90～95%之间。

抚育间伐强度结合林分经营目的、产品销路、立地条件、初植密度、最适经营密度等因素，遵循有利于促进保留木材积和形质生长、有利于经济收入的原则合理确定，设计抚育间伐株数强度为15－27%，蓄积强度为15－28%，抚育采伐株数33978株，抚育采伐蓄积2383m3，设计出材率为63%，出材量为1515m3，可利用采伐剩余物为777m3。

红崖沟作业区抚育间伐株数强度16－27％，蓄积强度17－28％，采伐株数

20763株，采伐蓄积758m3，出材率57％，出材量430m3，可利用采伐剩余物297m3。保留林分平均胸径11.1cm，平均树高10.7m，郁闭度0.7。

李家坪作业区抚育间伐株数强度15－16％，蓄积强度20－25％，采伐株数3100株，采伐蓄积435m3，出材率63％，出材量283m3，可利用采伐剩余物136m3。保留林分平均胸径19.6cm，平均树高11.2m，郁闭度0.7。

红青岭作业区抚育间伐株数强度15－20％，蓄积强度15－20％，采伐株数3315株，采伐蓄积316m3，出材率67％，出材量211m3，可利用采伐剩余物90m3。保留林分平均胸径16.5cm，平均树高11m，郁闭度0.7。

黑木岭作业区抚育间伐株数强度15－20％，蓄积强度15－18％，采伐株数6800株，采伐蓄积874m3，出材率68％，出材量591m3，可利用采伐剩余物254m3。保留林分平均胸径20.1cm，平均树高13.5m，郁闭度0.7。

各小班伐强、出材率、出材量详见附表2。

4.3集材方式和清林方式设计

本场抚育间伐木以小径木居多，适宜采用人力集材的方式，作业结束后产品按指定的楞场堆放。作业区目的树种居优势，且分布均匀、交通方便、劳力充足、木材可供纤维板厂加工利用，林场应充分利用采伐剩余物，对不可利用的采伐剩余物，在不影响更新的前提下，采取保留、利用、堆积或者截短散铺等方法进行清理。对林冠下生长健壮、不影响林木正常生长的下木及灌木应尽量保留，杜绝全面清理林地。

5收支概算

根据市场价格及经济指标概算，实验林场人工商品林抚育间伐收支概算如下：

5.1项目总收入

项目总收入652620.00元，其中：

①规格材销售收入606000.00元；

②可利用采伐剩余物销售收入46620.00元。

5.2项目总投资

项目总投资504108.80元，其中：

①直接投资82323.00元；

②间接投资168847.80元；

③税金99291.00元；

④育林基金125862.00元；

⑤维简费28785.00元。

5.3项目盈亏

本项目总盈余147511.20元。详见经费收支概算表。

5.4效益评价

通过抚育间伐生产规格材1515m3，可利用采伐剩余物777m3，总收入可达652620.00元，直接经济效益显著；同时，抚育间伐为林冠下植被生长创造良好的条件，有利于生物多样性的形成；可将人工纯林诱导形成针阔混交林，提高人工林抵御自然灾害的能力，充分发挥森林的多种防护效能，具有良好的生态效益；抚育间伐生产的木材和可利用采伐剩余物，为纤维板厂提供生产原料，解决近500名职工的就业问题；另外，组织林区群众参加人工商品林抚育间伐劳动，对增加林区群众收入，帮助林区群众脱贫致富奔小康具有一定的现实意义。因此，在保护好天然林资源的前提下，开展人工林抚育间伐，经济效益显著、生态和社会效益巨大。

6保障措施

6.1建立完善的采伐目标管理责任制

林场与采伐工区签订采伐目标管理责任书，采伐工区与施工班组签订采伐目标管理责任书。责任书的主要内容为省林业厅批准并经局分解到林场的人工商品林采伐量和出材量、采伐方式、更新造林措施、主要责任人以及监督管理的措施等。通过签订责任书和责任书的落实，确保不采伐生态脆弱和生态区位重要地区的林木；不采伐天然林；不超范围、超数量采伐林木；确保人工商品林抚育间伐工作健康、规范、有序地进行。

6.2实行伐前公示制度

实行伐前公示制度，接受社会各界监督。林场在采伐前要加强宣传，增加政策透明度，让社会各界知道人工商品林采伐政策，得到社会各界理解和支持。组织各伐区在采伐现场附近的交通要道设立林木采伐许可证公示牌，现场公示采伐单位的林权证号、采伐林分起源、林种，树种、采伐方式、采伐强度、采伐地点、采伐面积、蓄积、出材量、采伐期限、批准采伐机关等。主动接受社会各界和新闻媒体的监督。

6.3加强施工管理