蚁群算法的改进及其在连续空间优化中的应用

论文摘要

蚁群算法是一种随机搜索算法,与其它模拟进化优化算法一样,通过由候选解组成的群体的进化过程来寻求最优解,它具有许多优良性质和实际应用价值。本文以基本蚁群算法的性能的分析为背景,探讨了蚁群算法的构成、性能、特点其及改进措施,并提出了在连续空间蚁群算法的模型,结合混沌理论提出了混沌蚁群算法,并通过实例分析了一般函数优化问题中蚁群算法的性能、特点以及进一步研究的方向。首先,着重探讨了蚁群算法的特点,分析算法的主要参数对优化性能的影响。针对蚁群算法搜索时间长、易出现停滞现象一直制约着它在众多领域进一步推广应用这一缺点,文中对基本的蚁群算法做一系列改进,使其在优化的过程中能够快速找到全局最优解。通过函数验证,改进的蚁群算法在加快收敛速度上收到一定的效果。其次,由于改进蚁群算法在提高全局收敛能力上的局限性,文中在对Logistic映射和Ulam-von Neumann两种典型混沌映射进行分析的基础上,分析了混沌算法的内随机性、遍历性、规律性和对初值的敏感性的特点,进而提出将蚁群算法和混沌算法进行混合。用标准函数对混合算法进行验证,函数优化结果表明混合算法比混沌算法具有更高的全局收敛能力及运行稳定等优点。最后,论文还提出了用于连续空间优化问题的蚁群算法模型,为蚁群算法付之于实际应用提供了一条可行途径。通过仿真实验证明该模型用于处理一般函数的优化效果良好,值得进一步研究;并且针对PID控制器参数优化设计问题,将蚁群算法设计的结果与Z-N设计的结果进行了比较,数据仿真结果表明蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。蚁群算法是一种随机搜索算法,它具有许多优良性质,它比目前应用广泛的混沌算法等具有更好的适应性。蚁群算法己经在若干领域获得了成功的应用,但仍有许多尚待研究和解决的课题。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 蚁群算法的生物学基础
• 1.3 蚁群算法简介
• 1.3.1 人工蚂蚁与真实蚂蚁的异同点
• 1.4 蚁群算法的特点及其应用
• 1.4.1 蚁群算法的特点
• 1.4.2 蚁群算法的应用
• 1.5 蚁群算法在连续域研究成果
• 1.6 课题来源与本文的研究内容
• 1.6.1 课题的提出
• 1.6.2 本文的研究内容
• 2 蚁群算法基本模型及其特点
• 2.1 引言
• 2.2 蚁群算法基本模型AS（Ant System）的描述
• 2.2.1 基本模型的原理
• 2.2.2 基本模型的描述
• 2.3 基本蚁群算法模型的实现
• 2.3.1 基本蚁群算法的实现步骤
• 2.3.2 基本蚁群算法的程序结构流程
• 2.4 蚁群算法基本模型中有关算法参数的选择
• 2.4.1 蚁群数量的选择
• 2.4.2 启发式因子的选择
• 2.4.3 期望启发因子的选择
• 2.4.4 信息素挥发因子的选择
• 2.4.5 信息素强度的选择
• 2.5 改进的蚁群优化算法
• 2.5.1 蚁群算法基本模型的优缺点
• 2.5.2 最优解保留策略蚁群系统
• 2.5.3 最大—最小蚁群系统
• 2.5.4 自适应蚁群算法
• 2.6 小结
• 3 连续空间优化的蚁群算法
• 3.1 引言
• 3.2 连续空间优化的算法模型分析
• 3.3 连续空间蚁群算法的构造
• 3.2.1 用于一维函数优化的蚁群算法模型
• 3.2.2 用于一维函数优化的蚁群算法描述
• 3.2.3 用于多维函数优化的蚁群算法模型
• 3.2.4 用于多维函数优化的蚁群算法描述
• 3.4 仿真实验
• 3.4.1 一维函数仿真实验
• 3.4.2 多维函数仿真实验
• 3.5 算法性能分析
• 3.6 小结
• 4 混沌蚁群算法在连续空间优化中的应用
• 4.1 引言
• 4.2 混沌算法概述
• 4.2.1 混沌的起源
• 4.2.2 混沌的特性
• 4.2.3 混沌优化算法
• 4.3 基于网格划分策略的连续域蚁群算法
• 4.4 混沌蚁群算法
• 4.4.1 混沌蚁群算法的思想和算法描述
• 4.4.2 混沌蚁群算法的程序流程图
• 4.5 仿真实验
• 4.6 小结
• 5 用于PID参数优化的改进蚁群算法
• 5.1 引言
• 5.2 PID控制器的基本原理
• 5.2.1 比例作用
• 5.2.2 积分作用
• 5.2.3 微分作用
• 5.3 PID控制器参数整定
• 5.3.1 Ziegler-Nichols参数整定方法
• 5.3.2 PID参数的蚁群算法寻优
• 5.4 仿真实验
• 5.5 小结
• 6 总结与展望
• 参考文献
• 致谢
• 附录 1 攻读学位期间发表的学术论文目录
• 附录 2 主要程序