蚁群算法的改进及其在若干优化问题中的应用

发布时间：2021-01-02 21:10

　　蚁群优化（Ant colony optimization,简称ACO）算法是根据蚂蚁寻找食物时发现路径的行为提出的,该算法具有并行式、正反馈、自组织等许多优良的性质。最初ACO算法用于求解旅行售货商问题（Traveling Salesman Problem,简称TSP）,随后又被用于求解路径规划、数据挖掘等问题。TSP是找一个无向带权完全图里权值最小的一条Hamilton回路;路径规划是机器人研究领域的重要内容之一,其目的是在有障碍物的环境中为机器人寻找一条满足特定指标最优的路径。应用ACO算法求解这两个问题时,都存在收敛慢、容易陷入局部最优等缺陷。为此,本文提出改进的ACO算法来求解这两个问题,主要工作概括如下:（1）针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优等缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛速度。其次,在搜索过程中,当算法陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

一acs原瑰

在用 ACO 算法求解优化问题时，每只蚂蚁的觅食路径就表示相应优化问题的一个解，所有蚂蚁的觅食路径构成优化问题的解空间，其中最优的路径就是优化问题的最优解。2.1.3 算法流程ACO 算法求解优化问题的基本流程如图 2-2 所示：

ACO算法求解二维路径规划问题流程图

【参考文献】：
期刊论文
[1]新型蚁群算法在TSP问题中的应用[J]. 张弛,涂立,王加阳.  中南大学学报(自然科学版). 2015(08)
[2]基于势场蚁群算法的移动机器人全局路径规划方法[J]. 刘建华,杨建国,刘华平,耿鹏,高蒙.  农业机械学报. 2015(09)
[3]动态环境下基于改进蚁群算法的机器人路径规划研究[J]. 屈鸿,黄利伟,柯星.  电子科技大学学报. 2015(02)
[4]一种面向对象的多角色蚁群算法及其TSP问题求解[J]. 杜鹏桢,唐振民,孙研.  控制与决策. 2014(10)
[5]改进的遗传算法求解旅行商问题[J]. 于莹莹,陈燕,李桃迎.  控制与决策. 2014(08)
[6]基于改进蚁群算法的移动机器人路径规划[J]. 张琦,马家辰,谢玮,马立勇.  东北大学学报(自然科学版). 2013(11)
[7]一种基于粒子群参数优化的改进蚁群算法[J]. 李擎,张超,陈鹏,尹怡欣.  控制与决策. 2013(06)
[8]考虑边位置信息的求解ETSP问题改进贪婪算法[J]. 饶卫振,金淳,陆林涛.  计算机学报. 2013(04)
[9]基于自然选择策略的蚁群算法求解TSP问题[J]. 吴华锋,陈信强,毛奇凰,张倩楠,张寿春.  通信学报. 2013(04)
[10]动态环境下移动机器人路径规划的改进蚁群算法[J]. 王哲,孙树栋,曹飞祥.  机械科学与技术. 2013(01)

博士论文
[1]基于粒子群优化算法的水下潜器实时路径规划技术研究[D]. 祖伟.哈尔滨工程大学 2008

硕士论文
[1]基于改进蚁群算法的移动机器人路径规划[D]. 刘亮.武汉科技大学 2007



本文编号：2953649