优化的蚁群算法在快速公交系统中的应用研究

论文摘要

蚁群算法（Antcolonyalgorithm，ACA）是计算智能里面的经典动物群体仿生案例，其模仿蚂蚁群体的群体觅食等活动来完成在图中寻找优化路径的随机概率型算法。蚁群算法跟遗传算法一样都源自于大自然的启示，是一种全局最优化搜索方法，具有良好的搜索性能。是大自然赐予人类的一种用以解决离散组合优化问题的天然方法。本文从理论上对蚁群算法的自然界启示、基本原理、算法公式和基本实现步骤进行了系统的研究,对其在很多个方面的以往研究成果进行了总结性归纳。通过研究分析基于蚁群优化算法和粒子群优化算法的混合算法，并将其应用来求解TSP问题。通过研究利用粒子群优化对基本的蚁群算法中启发式因子α与信息素因子β进行改进修正和随机性搜索，从而得到了两个参数的最佳组合值，进一步实现了TSP问题的求解。其仿真实验结果中得到了最优路径的解，达到了本文作者预期的效果，其具有较好的推广应用意义和进一步的研究价值。文中还提出了几点蚁群算法的改进策略,对信息素的更新方式加以改进，提出了基于排序奖惩的蚁群系统。在实际应用方面则选取现在城市快速公交系统中的组合优化问题,使用本文中所提出的改进的蚁群算法对其进行求解。最后,将算法运用于实际的物流或者客流的路径优化问题。算法的仿真实验表明,本文中的改进算法的理论正确和可行。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 引言
• 1.2 研究背景与意义
• 1.3 快速公交系统
• 1.3.1 快速公交系统的定义
• 1.3.2 快速公交系统（ BRT ）的特点
• 1.3.3 快速公交系统（ BRT ）的组成部分
• 1.4 快速公交系统的发展
• 1.4.1 国外 BRT 的发展
• 1.4.2 国内 BRT 发展及现状
• 1.5 本文的研究内容
• 1.6 本章小结
• 第2章 蚁群算法及其研究现状
• 2.1 蚁群算法
• 2.1.1 蚁群算法由来
• 2.1.2 蚂蚁群落及其群体活动原理
• 2.1.3 电子仿生——模拟蚂蚁
• 2.2 基本蚁群算法
• 2.2.1 基本蚁群算法的原理规则
• 2.2.2 基本蚁群算法的计算模型
• 2.3 蚁群算法的特征
• 2.4 蚁群算法的评价体系
• 2.4.1 参数α、β、ρ对算法执行效率的影响
• 2.4.2 蚁群算法的复杂度分析
• 2.4.3 蚁群算法的性能评价指标
• 2.4.4 影响蚁群算法的几个重要因素
• 2.5 国内外的主要研究成果
• 2.5.1 精华蚂蚁系统
• 2.5.2 基于排列的蚂蚁系统
• 2.5.3 最大最小蚂蚁系统
• 2.5.4 蚁群系统
• 2.6 本章小结
• 第3章 蚁群算法的优化改进
• 3.1 信息素更新策略的改进
• 3.1.1 信息素全局更新策略的改进
• 3.1.2 信息素局部更新策略的改进
• 3.2 引入状态转移控制参数q 0
• 3.3 改进算法的实现
• 3.4 改进算法的排序奖惩机制
• 3.5 仿真实验
• 3.6 本章小结
• 第4章 粒子群蚁群混合算法
• 4.1 粒子群算法
• 4.1.1 基本原理
• 4.1.2 基本流程及实现
• 4.2 粒子群算法的应用
• 4.3 粒子群蚁群混合算法
• 4.3.1 混合算法的基本步骤
• 4.3.2 混合算法的结构图
• 4.3.3 仿真实验
• 4.4 本章小结
• 第5章 优化算法在快速公交系统中的应用
• 5.1 快速公交系统路网的表示
• 5.1.1 基本思想
• 5.1.2 路网的基本构成要素
• 5.1.3 路网权重影响因素
• 5.1.4 路网的拓扑关系
• 5.2 车辆路径问题
• 5.2.1 问题的提出
• 5.2.2 问题的研究现状
• 5.2.3 数学模型
• 5.3 车辆路径问题的蚁群算法实现
• 5.3.1 选用的基本蚁群算法模型
• 5.3.2 模拟蚂蚁的移动特征方式
• 5.3.3 可行解的特点
• 5.3.4 信息素更新策略
• 5.3.5 ACSVRP的蚁群算法实现的基本步骤
• 5.4 乘客聚类的蚁群算法实现
• 5.4.1 基本蚁群算法模型
• 5.4.2 蚂蚁的移动特征
• 5.4.3 算法实现的基本过程
• 5.4.4 仿真实验
• 5.5 本章小结
• 总结与展望
• 参考文献
• 致谢
• 附录 A 攻读硕士学位期间参与的科研活动