本文關鍵詞：自適應蟻群優(yōu)化算法

  更多相關文章： 基本蟻群算法 方向引導 信息素 優(yōu)化 動態(tài)自適應因子

【摘要】：蟻群算法是一種模擬生物界中螞蟻尋找食物源行為的算法,具有仿生性以及較強的局部搜索能力,除此之外還易與其他仿生優(yōu)化算法相結(jié)合,有正反饋、魯棒性等特點,這些特點在求解優(yōu)化問題上體現(xiàn)出顯著優(yōu)勢。蟻群算法得到了普遍使用,如處理TSP問題、交通運輸、管道鋪設、廠區(qū)選取等實際應用。但在許多實際問題的應用中,其問題的復雜程度也往往較高,如果還采用基本蟻群算法解決問題,那么算法陷入局部最優(yōu)以及出現(xiàn)停滯現(xiàn)象的幾率就會大大提高,隨之受影響的精度和收斂速度也無法保證。對于諸如此類棘手問題,大量的學者和專家經(jīng)過不斷的努力和嘗試提出了眾多改進的蟻群優(yōu)化算法,比如帶精英策略的蟻群算法、蟻群系統(tǒng)、最大最小的蟻群系統(tǒng)等等。盡管改進后的蟻群算法使其在最優(yōu)解的求解精度上有了大幅度的提高,但仍然有些問題需要解決,如搜索時間在初始時刻較長,全局更新規(guī)則中揮發(fā)因子不具有自適應性。針對以上缺陷,本文對基本蟻群算法的初始化信息素分布和全局信息素揮發(fā)因子分別做以下優(yōu)化:第一,信息素濃度在初始化時刻時進行了與距離有關的濃度分配,也就說在初始時刻時給予了方向引導,這樣就會加快初始搜索速度,避免蟻群在初始階段盲目地隨機搜索浪費較多的時間,進而增加了優(yōu)質(zhì)解;第二,全局揮發(fā)因子在全局信息素更新過程中沒有自適應性,此時加入雙曲正切函數(shù)作為其揮發(fā)動態(tài)因子,目的是使其自適應地平滑更新每次迭代較優(yōu)解路徑的信息素濃度,這樣加大了算法獲取全局最優(yōu)解的可能性。全局搜索能力連續(xù)提高,停滯現(xiàn)象在在一定范圍內(nèi)也得到了避免。經(jīng)仿真結(jié)果驗證,優(yōu)化后的蟻群算法不但增強了算法獲得全局最優(yōu),而且收斂速度也得到了保證,還可以用于處理較為復雜的實際問題。文中的兩個實例使用了優(yōu)化后的蟻群算法,優(yōu)化后的實驗結(jié)果比較符合實際情況,即與實際誤差較小,這也進一步驗證了改進后蟻群算法的實用性和高效性。
【關鍵詞】：基本蟻群算法 方向引導 信息素 優(yōu)化 動態(tài)自適應因子
【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18
【目錄】：

• 中文摘要3-4
• 英文摘要4-8
• 1 緒論8-13
• 1.1 問題的背景及意義8-9
• 1.2 研究現(xiàn)狀以及應用9-10
• 1.3 本文的主要研究內(nèi)容10-11
• 1.4 本文的結(jié)構(gòu)安排11-13
• 2 相關背景知識13-30
• 2.1 蟻群算法的基本原理13-15
• 2.1.1 簡介13
• 2.1.2 螞蟻覓食行為13-15
• 2.2 蟻群算法的模型15-18
• 2.2.1 禁忌列表（Tabu）15-16
• 2.2.2 能見度16
• 2.2.3 信息素16
• 2.2.4 概率轉(zhuǎn)移規(guī)則16-17
• 2.2.5 蟻群算法的模型17-18
• 2.3 蟻群算法的流程分析18-22
• 2.3.1 蟻群算法求解TSP問題的流程19-20
• 2.3.2 最短路徑問題與TSP問題的區(qū)別20-21
• 2.3.3 蟻群算法求解最短路徑的流程21-22
• 2.3.4 蟻群算法求解最短路徑問題和TSP問題中的收斂性分析22
• 2.4 蟻群算法的重要參數(shù)分析22-29
• 2.4.1 信息啟發(fā)因子α對算法的性能影響25-26
• 2.4.2 期望啟發(fā)式因子β對算法的性能影響26-27
• 2.4.3 局部更新信息素揮發(fā)因子ρ對算法的性能影響27-28
• 2.4.4 全局更新信息素揮發(fā)因子σ對算法的性能影響28-29
• 2.5 小結(jié)29-30
• 3 自適應蟻群優(yōu)化算法30-34
• 3.1 算法初始時刻濃度改進30-31
• 3.2 全局更新規(guī)則的改進31-32
• 3.3 算法步驟32-33
• 3.4 小結(jié)33-34
• 4 自適應蟻群優(yōu)化算法求解最短路徑問題34-37
• 4.1 算法對不同節(jié)點的比較結(jié)果34-35
• 4.2 算法運行時間的比較結(jié)果35-36
• 4.3 小結(jié)36-37
• 5 自適應蟻群優(yōu)化算法求解旅行線路的問題37-41
• 5.1 旅行商問題的數(shù)學模型37
• 5.2 旅行線路的優(yōu)化37-40
• 5.2.1 優(yōu)化路徑比較38-40
• 5.3 結(jié)論40-41
• 6 總結(jié)與展望41-43
• 6.1 總結(jié)41-42
• 6.2 展望42-43
• 致謝43-44
• 參考文獻44-47
• 附錄47
• A. 作者在攻讀學位時期發(fā)表的論文目錄47

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 馮寶華;;蟻群優(yōu)化算法的原理及改進[J];科技信息(科學教研);2007年31期

2 李凱;田雙亮;耿麗君;張喜;;基于免疫的蟻群優(yōu)化算法[J];山東理工大學學報(自然科學版);2009年04期

3 王同喜;;蟻群優(yōu)化算法研究[J];長江大學學報(自然科學版)理工卷;2009年03期

4 王罡;馮艷君;;基于蟻群優(yōu)化算法的旋轉(zhuǎn)貨架揀選路徑規(guī)劃[J];計算機工程;2010年03期

5 許昌;常會友;徐俊;衣楊;;一種新的融合分布估計的蟻群優(yōu)化算法[J];計算機科學;2010年02期

6 曹國震;郭雷;;蟻群優(yōu)化算法應用研究[J];電腦知識與技術(shù);2011年02期

7 李德啟;田素貞;;一種基于云環(huán)境下蟻群優(yōu)化算法的改進研究[J];陜西科技大學學報(自然科學版);2012年01期

8 趙云濤;王勝勇;盧家斌;葉剛橋;蔣瑛;;蟻群優(yōu)化算法及其理論進展[J];科技創(chuàng)新導報;2012年10期

9 錢乾;程美英;熊偉清;周鳴爭;;二元蟻群優(yōu)化算法研究綜述[J];計算機應用研究;2012年04期

10 黃永青;郝國生;張俊嶺;王劍;;分層交互式蟻群優(yōu)化算法及其應用[J];計算機工程與應用;2012年29期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 趙冬斌;易建強;;基于蟻群優(yōu)化算法的機器人規(guī)劃[A];第25屆中國控制會議論文集（中冊）[C];2006年

2 熊偉清;魏平;;基于食物量分配的多種群二元蟻群優(yōu)化算法[A];中國自動化學會控制理論專業(yè)委員會D卷[C];2011年

3 唐好選;曲毅;;蟻群優(yōu)化算法在蛋白質(zhì)構(gòu)象預測問題中的應用[A];黑龍江省計算機學會2007年學術(shù)交流年會論文集[C];2007年

4 西光旭;;蟻群優(yōu)化算法與應用研究[A];系統(tǒng)仿真技術(shù)及其應用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應用學術(shù)交流會論文選編[C];2005年

5 王海寧;孫守遷;;基于優(yōu)化成熟度的自適應蟻群優(yōu)化算法[A];2010年全國開放式分布與并行計算機學術(shù)會議論文集[C];2010年

6 吳國鳳;曾標;;蟻群算法系統(tǒng)的Java模擬與分析[A];IT服務促進企業(yè)信息化——第十一屆中國Java技術(shù)及應用交流大會文集[C];2008年

7 鄧科;叢爽;;不同蟻群優(yōu)化算法在C-TSP中的性能對比研究[A];'2010系統(tǒng)仿真技術(shù)及其應用學術(shù)會議論文集[C];2010年

中國博士學位論文全文數(shù)據(jù)庫 前8條

1 冷煌;蟻群優(yōu)化算法的若干研究[D];吉林大學;2016年

2 燕忠;基于蟻群優(yōu)化算法的若干問題的研究[D];東南大學;2005年

3 程志剛;連續(xù)蟻群優(yōu)化算法的研究及其化工應用[D];浙江大學;2005年

4 趙娟平;移動機器人路徑規(guī)劃的蟻群優(yōu)化算法研究[D];東北大學;2012年

5 劉彥鵬;蟻群優(yōu)化算法的理論研究及其應用[D];浙江大學;2007年

6 李莉;柔性作業(yè)車間調(diào)度中的群智能優(yōu)化算法研究[D];東北林業(yè)大學;2011年

7 楊佳;混合量子優(yōu)化算法理論及應用研究[D];重慶大學;2009年

8 呂勇;蟻群優(yōu)化算法及在網(wǎng)絡路由中的應用研究[D];浙江大學;2005年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 張健;蟻群優(yōu)化算法及其在復雜網(wǎng)絡社區(qū)檢測中的應用研究[D];西安電子科技大學;2014年

2 劉樂柱;混沌蟻群優(yōu)化算法與H-R神經(jīng)元網(wǎng)絡動力學研究[D];安徽師范大學;2015年

3 景鵬杰;基于多目標蟻群優(yōu)化算法的全基因組關聯(lián)分析研究[D];上海交通大學;2015年

4 史大龍;基于蟻群優(yōu)化算法的視頻監(jiān)控智能檢測系統(tǒng)的研究與實現(xiàn)[D];中國海洋大學;2015年

5 王詔遠;基于蟻群優(yōu)化算法的網(wǎng)絡編碼資源優(yōu)化問題研究[D];西南交通大學;2016年

6 謝鵬飛;基于Spark平臺的混沌蟻群優(yōu)化算法研究與實現(xiàn)[D];內(nèi)蒙古農(nóng)業(yè)大學;2016年

7 李勇霞;自適應蟻群優(yōu)化算法[D];重慶大學;2016年

8 李金漢;蟻群優(yōu)化算法及其應用研究[D];哈爾濱理工大學;2008年

9 郝晉;蟻群優(yōu)化算法及其在電力系統(tǒng)短期發(fā)電計劃中的應用研究[D];重慶大學;2002年

10 李默;解決最大團問題的蟻群優(yōu)化算法的研究與應用[D];哈爾濱工業(yè)大學;2006年

，

本文編號：640006