群智能算法研究及应用

论文摘要

实际工程问题的复杂性、约束性、非线性和建模困难等特点,对优化和计算技术提出了更高的要求,寻找新型的智能优化方法逐渐成为一个新的研究热点。群体智能,作为一种新兴的智能计算技术正受到越来越多研究者的关注。本文主要研究了群智能领域中两个具有代表性的算法:粒子群优化算法和蚁群优化算法。通过对已有理论的研究对比,进一步加深对两种算法的认识。并在研究已有基本粒子群优化算法及其改进形式的基础上,基于基本粒子群优化算法搜索后期,众多微粒都拥挤在历史最优位置周围进行重复性无效搜索这一现象,提出一种自适应搜索区域的粒子群优化算法。其优化性能比基本粒子群优化算法有明显提高,并有效地避免了粒子群优化算法早熟收敛的问题。其次,在分析K-均值聚类算法原有缺陷的基础上,将传统的K-均值聚类算法思想融入到粒子群优化算法中,提出了基于粒子群优化算法的聚类算法,通过粒子群优化算法基于种群的全局寻优能力更好地弥补了聚类算法的不足。从而提高收敛速度并改善分类效果。最后,将基于粒子群优化算法的聚类算法与蚁群算法相结合应用于旅行商问题（Traveling Salesman Problem,简称TSP）的求解中,从问题本身着手,利用基于粒子群优化算法的聚类算法将大规模旅行商问题划分为多个小规模旅行商问题,然后进行并行处理,从而克服了蚁群算法收敛速度过慢的缺点。并在旅行商问题的求解中取得了较好的结果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的提出、目的及意义
• 1.2 群智能优化算法基本原理
• 1.2.1 粒子群优化算法的基本原理
• 1.2.2 蚁群优化算法的基本原理
• 1.3 群智能优化算法的研究现状
• 1.3.1 粒子群优化算法研究现状
• 1.3.2 蚁群优化算法研究现状
• 1.4 本文主要研究内容及组织结构
• 1.4.1 主要研究内容
• 1.4.2 组织结构
• 第二章 群智能优化算法综述
• 2.1 粒子群优化算法综述
• 2.1.1 粒子群优化算法的起源
• 2.1.2 粒子群优化算法数学描述
• 2.1.3 粒子群优化算法参数分析
• 2.1.4 粒子群优化算法流程
• 2.1.5 算法优缺点
• 2.2 粒子群优化算法的改进综述
• 2.2.1 提高收敛速度
• 2.2.2 算法的离散化
• 2.2.3 提高种群多样性
• 2.3 粒子群优化算法的应用综述
• 2.4 蚁群优化算法综述
• 2.4.1 蚁群优化算法的起源
• 2.4.2 蚁群优化算法数学描述
• 2.4.3 蚁群优化算法参数分析
• 2.4.4 蚁群优化算法流程
• 2.4.5 算法优缺点
• 2.5 蚁群优化算法的改进综述
• 2.5.1 离散域
• 2.5.2 连续域
• 2.5.3 硬件实现
• 2.6 蚁群优化算法的应用综述
• 2.7 本章小结
• 第三章 一种自适应搜索区域的粒子群优化算法
• 3.1 引言
• 3.2 SSAPSO算法设计原理
• 3.3 SSAPSO算法实现流程
• 3.4 SSAPSO算法数值仿真实验
• 3.4.1 测试函数
• 3.4.2 实验结果与讨论
• 3.5 本章小结
• 第四章 基于粒子群优化算法的聚类分析
• 4.1 引言
• 4.2 K-均值聚类算法
• 4.3 基于粒子群优化算法的聚类算法
• 4.4 算法测试与比较分析
• 4.5 本章小结
• 第五章 基于PSO的聚类算法与蚁群算法结合应用于TSP问题
• 5.1 引言
• 5.2 TSP问题描述
• 5.3 TSP分段算法
• 5.4 仿真实验及结果
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间取得的学术成果
• 致谢