粒子群算法与蚁群算法的改进研究

发布时间：2021-06-13 03:50

　　粒子群算法与蚁群算法是国内外学者研究的热点,已经应用于经济、工程等各个领域.粒子群算法和蚁群算法是求解复杂优化问题的有效算法,但它们的性能存在不足,因此,本文对粒子群算法与蚁群算法进行改进研究,主要研究结果如下:（1）系统的介绍粒子群算法和蚁群算法的研究背景以及国内外研究现状,简单的介绍粒子群算法和蚁群算法.总结两种算法的不足,提出相应的改进方法.（2）将精英策略思想和自适应动态Levy飞行步长引入到粒子群算法中,提出了一种新的算法（ELPSO）.并对改进的新算法（ELPSO）利用六个标准测试函数进行测试,与标准的PSO算法和权重线性递减的粒子群算法（RWPSO）进行比较.结果表明ELPSO算法在求解精度和收敛速度方面显著改善,并应用于求解物流选址问题.（3）将Tent混沌映射引入到基本离散粒子群算法中,同时,在算法中加入3-opt局部搜索算法,提出了改进的离散粒子群算法.进而用于解决TSP问题.结果表明,该算法的收敛速度和求解精度都优于基本ACO算法.（4）将模拟退火机制和自适应混沌扰动应用于蚁群算法中,采用新的信息素更新算子.并将改进的蚁群算法应用于TSP问题和三维路径规划问题,结... 

【文章来源】：西安工程大学陕西省

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 粒子群算法研究现状
        1.2.2 蚁群算法研究现状
    1.3 论文结构安排
2 粒子群算法与蚁群算法的研究基础
    2.1 粒子群算法简介
    2.2 蚁群算法简介
    2.3 两种算法的改进方法
        2.3.1 粒子群算法的改进方法
        2.3.2 蚁群算法的改进方法
3 粒子群算法的改进
    3.1 精英反向学习策略和Levy飞行
    3.2 基于精英策略和Levy飞行的粒子群算法(ELPSO)
        3.2.1 ELPSO算法思想及步骤
        3.2.2 仿真实验及结果分析
    3.3 结束语
4 改进的离散粒子群算法
    4.1 离散粒子群算法
    4.2 基于花粉算法的混沌离散粒子群算法(AHPSO)
        4.2.1 花授粉算法
        4.2.2 Tent混沌序列
        4.2.3 AHPSO算法思想及步骤
    4.3 仿真实验及结果分析
    4.4 结束语
5 蚁群算法的改进
    5.1 模拟退火算法及动态混沌扰动
        5.1.1 模拟退火算法
        5.1.2 动态混沌扰动
    5.2 基于自适应混沌扰动的模拟退火蚁群算法(APSAACO)
        5.2.1 APSAACO算法思想及步骤
        5.2.2 仿真试验及结果分析
    5.3 结束语
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
作者攻读学位期间发表学术论文清单
致谢


【参考文献】：
期刊论文
[1]多任务处理协同进化粒子群算法[J]. 程美英,钱乾,倪志伟,朱旭辉.  模式识别与人工智能. 2018(04)
[2]一种基于种群多样性的粒子群优化算法设计及应用[J]. 韩红桂,卢薇,乔俊飞.  信息与控制. 2017(06)
[3]基于融合多策略改进的多目标粒子群优化算法[J]. 杨景明,侯新培,崔慧慧,呼子宇,穆晓伟.  控制与决策. 2018(02)
[4]带时间窗车辆路径问题的分布式多agent蚁群算法[J]. 金淳,张雨,王聪.  计算机应用研究. 2018(03)
[5]改进蚁群算法求解移动机器人路径规划[J]. 张成,凌有铸,陈孟元.  电子测量与仪器学报. 2016(11)
[6]粒子群算法在工程优化设计中的应用[J]. 包丽梅.  电子技术与软件工程. 2016(17)
[7]基于自适应变异概率粒子群优化算法的研究[J]. 黄松,田娜,纪志成.  系统仿真学报. 2016(04)
[8]基于信息素的自适应连续域混合蚁群算法[J]. 周袅,葛洪伟,苏树智.  计算机工程与应用. 2017(06)
[9]基于粒子群算法的决策树SVM多分类方法研究[J]. 王道明,鲁昌华,蒋薇薇,肖明霞,李必然.  电子测量与仪器学报. 2015(04)
[10]融合自适应混沌差分进化的粒子群优化算法[J]. 刘召军,高兴宝.  纺织高校基础科学学报. 2015(01)

硕士论文
[1]基于GA的改进粒子群算法研究及其在TSP上的应用[D]. 刘煌.武汉理工大学 2010
[2]蚁群算法及其在TSP中的应用[D]. 黄茜.重庆大学 2008
[3]基于蚁群算法的多配送中心车辆调度问题的研究[D]. 辛达.合肥工业大学 2006



本文编号：3226934