基于精英策略的混合粒子蚁群算法改进

论文摘要

蚁群算法属于仿生学算法中的一个分支，为求解组合优化类问题开拓了一种全新的思维方式。多年来，各国科研人员均对该算法加以利用和改造，使其技术日趋成熟。但由于现阶段待求系统条件的日益苛刻，原先理想化环境中的种种假设也不再适合当前的情况，这就使得单纯的蚁群算法对复杂实际问题显得有些无能为力。因此，如何使该算法逐步适应技术发展的新局面便成为了首要课题。首先，在介绍蚁群算法的求解原理、参数定义法则和研究近况后，通过分析得知该算法相对于其他算法，具有目的性强、应用广泛的特点，同时也有着计算时间长、收敛缓慢的缺陷，因此拥有的较大的改进空间，如果与其他方法相结合寻优效果会有很大的提高。其次，针对蚁群算法的不足，在其基础上引入粒子群算法与之相叠加，利用粒子的随机性为蚁群系统做预先的计算。相比较于原始算法，新算法的全局性和随机性得到了加强，寻优过程中易于陷入局部最优解的问题得到了改善。最后，将粒子群算法深度融合到蚁群算法当中去，并针对收敛速度较慢的缺点应用精英策略，利用精英蚂蚁的正反馈作用加快整个系统的寻优速度，在不影响最优解准确度的前提下使系统尽快收敛。同时由于单个蚂蚁本身的粒子性，精英策略所带来的深度正反馈也能部分作用到粒子群上，使之寻优能力获得加强。新算法在寻优质量和速度上得到了明显的提高，为组合优化问题的求解提供了理论依据和技术指导，论文利用Matlab在TSP eil51等问题中进行了数值仿真，实验结果也证明了该方案的有效性和正确性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景以及研究意义
• 1.2 蚁群算法原型及研究进展
• 1.3 粒子群算法概述
• 1.4 本文内容及组织结构
• 第2章 蚁群算法原理及其改进讨论
• 2.1 基本蚁群算法
• 2.1.1 基本原理
• 2.1.2 蚁群算法的数学模型
• 2.1.3 算法的实现步骤及流程
• 2.2 蚁群算法中参数的选择
• 2.3 蚁群算法的初步改进
• 2.3.1 基于 Q-学习的自适应蚁群算法
• 2.3.2 带有精英策略的蚁群算法
• 2.4 蚁群算法的优缺点
• 2.5 本章小结
• 第3章 粒子群算法的研究
• 3.1 引言
• 3.2 基本粒子群优化算法
• 3.2.1 算法原理
• 3.2.2 粒子群算法实现步骤及流程
• 3.2.3 带惯性权重的粒子群优化算法
• 3.3 粒子群算法参数设置
• 3.4 动态加速常数的 PSO
• 3.4.1 算法描述
• 3.4.2 函数测试及分析
• 3.5 本章小结
• 第4章 分步实现的 PSO-ACO 算法研究
• 4.1 引言
• 4.2 PSO 与 ACO 的比较
• 4.3 PSO-ACO 方案的原理与实际组成
• 4.4 实验仿真
• 4.4.1 旅行商问题
• 4.4.2 仿真结果及分析
• 4.5 本章小结
• 第5章 基于精英策略的 ACEPSO 算法研究
• 5.1 引言
• 5.2 ACEPSO 的原理及流程步骤
• 5.3 仿真结果分析
• 5.4 本章小结
• 结论
• 参考文献