群智能优化算法及应用研究

论文摘要

优化是人们在科学研究、工程技术和经济管理等领域中经常碰到的问题。飞机的航线,卫星遥感资源的分配,导弹的弹道优化,飞机的着陆和起飞的次序和时间等战略性问题,最终都可以归结为“旅行商问题”。本文利用群智能优化算法来研究该问题。本文的主要研究工作和创新点可归纳如下：首先,为解决群智能优化算法易陷入局部最优,且解集不稳定等问题,引入先验信息素,大大改善了解集的稳定性,并且迭代次数可以相应减少。其次,对基于精英策略的蚁群算法进行了改进,该改进方法使信息素的更新与分布更加合理,并兼顾决策者的偏好,同时力争减少主观随意性,从而引导粒子快速跳出局部最优,加快收敛速度,加强局部搜索能力,从而提高了群智能优化算法的满意度。再次,对最大最小蚁群系统做了改善,信息素的分布呈现几个层次,设计合理的动态层次参数,可以提高算法跳出局部最优的能力。最后,提出一种将遗传算法、贪心算法、蚁群算法、粒子群算法融在一起的混合算法,以期做精细的局部搜索和提高算法的全局寻优能力。本论文采用Oliver30和C-TSP两个实际问题进行仿真,均获得了比较好的结果。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景和课题意义
• 1.2 优化方法的研究现状
• 1.3 本论文主要工作
• 第2章 研究基础
• 2.1 TSP问题
• 2.2 优化问题
• 2.3 贪心算法
• 2.4 群智能概述
• 2.5 小结
• 第3章 基于先验信息素的蚁群算法
• 3.1 蚁群优化算法
• 3.2 蚁群算法的优缺点
• 3.3 一种基于先验信息素的动态蚁群算法
• 3.3.1 一种稳定的贪心算法
• 3.3.2 基于先验信息素的动态蚁群算法
• 3.4 算法测试
• 3.5 小结
• 第4章 基于先验信息素的混合算法
• 4.1 粒子群优化算法
• 4.2 粒子群优化算法的不足
• 4.3 基于先验信息素的混合算法
• 4.3.1 混合算法的基本思想
• 4.3.2 混合算法模型
• 4.4 算法测试
• 4.5 小结
• 第5章 总结与展望
• 5.1 研究工作总结
• 5.2 未来研究方向及展望
• 参考文献
• 致谢