自适应蚁群优化算法

发布时间：2017-08-08 12:30

  本文关键词：自适应蚁群优化算法

  更多相关文章： 基本蚁群算法 方向引导 信息素 优化 动态自适应因子

【摘要】：蚁群算法是一种模拟生物界中蚂蚁寻找食物源行为的算法,具有仿生性以及较强的局部搜索能力,除此之外还易与其他仿生优化算法相结合,有正反馈、鲁棒性等特点,这些特点在求解优化问题上体现出显著优势。蚁群算法得到了普遍使用,如处理TSP问题、交通运输、管道铺设、厂区选取等实际应用。但在许多实际问题的应用中,其问题的复杂程度也往往较高,如果还采用基本蚁群算法解决问题,那么算法陷入局部最优以及出现停滞现象的几率就会大大提高,随之受影响的精度和收敛速度也无法保证。对于诸如此类棘手问题,大量的学者和专家经过不断的努力和尝试提出了众多改进的蚁群优化算法,比如带精英策略的蚁群算法、蚁群系统、最大最小的蚁群系统等等。尽管改进后的蚁群算法使其在最优解的求解精度上有了大幅度的提高,但仍然有些问题需要解决,如搜索时间在初始时刻较长,全局更新规则中挥发因子不具有自适应性。针对以上缺陷,本文对基本蚁群算法的初始化信息素分布和全局信息素挥发因子分别做以下优化:第一,信息素浓度在初始化时刻时进行了与距离有关的浓度分配,也就说在初始时刻时给予了方向引导,这样就会加快初始搜索速度,避免蚁群在初始阶段盲目地随机搜索浪费较多的时间,进而增加了优质解;第二,全局挥发因子在全局信息素更新过程中没有自适应性,此时加入双曲正切函数作为其挥发动态因子,目的是使其自适应地平滑更新每次迭代较优解路径的信息素浓度,这样加大了算法获取全局最优解的可能性。全局搜索能力连续提高,停滞现象在在一定范围内也得到了避免。经仿真结果验证,优化后的蚁群算法不但增强了算法获得全局最优,而且收敛速度也得到了保证,还可以用于处理较为复杂的实际问题。文中的两个实例使用了优化后的蚁群算法,优化后的实验结果比较符合实际情况,即与实际误差较小,这也进一步验证了改进后蚁群算法的实用性和高效性。
【关键词】：基本蚁群算法 方向引导 信息素 优化 动态自适应因子
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-13
• 1.1 问题的背景及意义8-9
• 1.2 研究现状以及应用9-10
• 1.3 本文的主要研究内容10-11
• 1.4 本文的结构安排11-13
• 2 相关背景知识13-30
• 2.1 蚁群算法的基本原理13-15
• 2.1.1 简介13
• 2.1.2 蚂蚁觅食行为13-15
• 2.2 蚁群算法的模型15-18
• 2.2.1 禁忌列表（Tabu）15-16
• 2.2.2 能见度16
• 2.2.3 信息素16
• 2.2.4 概率转移规则16-17
• 2.2.5 蚁群算法的模型17-18
• 2.3 蚁群算法的流程分析18-22
• 2.3.1 蚁群算法求解TSP问题的流程19-20
• 2.3.2 最短路径问题与TSP问题的区别20-21
• 2.3.3 蚁群算法求解最短路径的流程21-22
• 2.3.4 蚁群算法求解最短路径问题和TSP问题中的收敛性分析22
• 2.4 蚁群算法的重要参数分析22-29
• 2.4.1 信息启发因子α对算法的性能影响25-26
• 2.4.2 期望启发式因子β对算法的性能影响26-27
• 2.4.3 局部更新信息素挥发因子ρ对算法的性能影响27-28
• 2.4.4 全局更新信息素挥发因子σ对算法的性能影响28-29
• 2.5 小结29-30
• 3 自适应蚁群优化算法30-34
• 3.1 算法初始时刻浓度改进30-31
• 3.2 全局更新规则的改进31-32
• 3.3 算法步骤32-33
• 3.4 小结33-34
• 4 自适应蚁群优化算法求解最短路径问题34-37
• 4.1 算法对不同节点的比较结果34-35
• 4.2 算法运行时间的比较结果35-36
• 4.3 小结36-37
• 5 自适应蚁群优化算法求解旅行线路的问题37-41
• 5.1 旅行商问题的数学模型37
• 5.2 旅行线路的优化37-40
• 5.2.1 优化路径比较38-40
• 5.3 结论40-41
• 6 总结与展望41-43
• 6.1 总结41-42
• 6.2 展望42-43
• 致谢43-44
• 参考文献44-47
• 附录47
• A. 作者在攻读学位时期发表的论文目录47

【相似文献】

中国期刊全文数据库 前10条

1 冯宝华;;蚁群优化算法的原理及改进[J];科技信息(科学教研);2007年31期

2 李凯;田双亮;耿丽君;张喜;;基于免疫的蚁群优化算法[J];山东理工大学学报(自然科学版);2009年04期

3 王同喜;;蚁群优化算法研究[J];长江大学学报(自然科学版)理工卷;2009年03期

4 王罡;冯艳君;;基于蚁群优化算法的旋转货架拣选路径规划[J];计算机工程;2010年03期

5 许昌;常会友;徐俊;衣杨;;一种新的融合分布估计的蚁群优化算法[J];计算机科学;2010年02期

6 曹国震;郭雷;;蚁群优化算法应用研究[J];电脑知识与技术;2011年02期

7 李德启;田素贞;;一种基于云环境下蚁群优化算法的改进研究[J];陕西科技大学学报(自然科学版);2012年01期

8 赵云涛;王胜勇;卢家斌;叶刚桥;蒋瑛;;蚁群优化算法及其理论进展[J];科技创新导报;2012年10期

9 钱乾;程美英;熊伟清;周鸣争;;二元蚁群优化算法研究综述[J];计算机应用研究;2012年04期

10 黄永青;郝国生;张俊岭;王剑;;分层交互式蚁群优化算法及其应用[J];计算机工程与应用;2012年29期

中国重要会议论文全文数据库 前7条

1 赵冬斌;易建强;;基于蚁群优化算法的机器人规划[A];第25届中国控制会议论文集（中册）[C];2006年

2 熊伟清;魏平;;基于食物量分配的多种群二元蚁群优化算法[A];中国自动化学会控制理论专业委员会D卷[C];2011年

3 唐好选;曲毅;;蚁群优化算法在蛋白质构象预测问题中的应用[A];黑龙江省计算机学会2007年学术交流年会论文集[C];2007年

4 西光旭;;蚁群优化算法与应用研究[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

5 王海宁;孙守迁;;基于优化成熟度的自适应蚁群优化算法[A];2010年全国开放式分布与并行计算机学术会议论文集[C];2010年

6 吴国凤;曾标;;蚁群算法系统的Java模拟与分析[A];IT服务促进企业信息化——第十一届中国Java技术及应用交流大会文集[C];2008年

7 邓科;丛爽;;不同蚁群优化算法在C-TSP中的性能对比研究[A];'2010系统仿真技术及其应用学术会议论文集[C];2010年

中国博士学位论文全文数据库 前8条

1 冷煌;蚁群优化算法的若干研究[D];吉林大学;2016年

2 燕忠;基于蚁群优化算法的若干问题的研究[D];东南大学;2005年

3 程志刚;连续蚁群优化算法的研究及其化工应用[D];浙江大学;2005年

4 赵娟平;移动机器人路径规划的蚁群优化算法研究[D];东北大学;2012年

5 刘彦鹏;蚁群优化算法的理论研究及其应用[D];浙江大学;2007年

6 李莉;柔性作业车间调度中的群智能优化算法研究[D];东北林业大学;2011年

7 杨佳;混合量子优化算法理论及应用研究[D];重庆大学;2009年

8 吕勇;蚁群优化算法及在网络路由中的应用研究[D];浙江大学;2005年

中国硕士学位论文全文数据库 前10条

1 张健;蚁群优化算法及其在复杂网络社区检测中的应用研究[D];西安电子科技大学;2014年

2 刘乐柱;混沌蚁群优化算法与H-R神经元网络动力学研究[D];安徽师范大学;2015年

3 景鹏杰;基于多目标蚁群优化算法的全基因组关联分析研究[D];上海交通大学;2015年

4 史大龙;基于蚁群优化算法的视频监控智能检测系统的研究与实现[D];中国海洋大学;2015年

5 王诏远;基于蚁群优化算法的网络编码资源优化问题研究[D];西南交通大学;2016年

6 谢鹏飞;基于Spark平台的混沌蚁群优化算法研究与实现[D];内蒙古农业大学;2016年

7 李勇霞;自适应蚁群优化算法[D];重庆大学;2016年

8 李金汉;蚁群优化算法及其应用研究[D];哈尔滨理工大学;2008年

9 郝晋;蚁群优化算法及其在电力系统短期发电计划中的应用研究[D];重庆大学;2002年

10 李默;解决最大团问题的蚁群优化算法的研究与应用[D];哈尔滨工业大学;2006年

，

本文编号：640006