基于解决ANTTSP问题的蚁群仿生优化算法的研究

论文摘要

蚁群算法是一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法。算法采用正反馈并行自催化的机制,具有分布式计算机制、易于与其它仿生优化算法相融合的特点。目前,蚁群算法在求解组合优化问题中获得广泛应用,并且对蚁群算法的研究已成为一个具有重要意义的研究课题。论文在充分研究蚁群算法的特征、原理以及模型的基础上,结合算法程序设计的理论,主要完成包括参数定义、寻优过程和优化结果三个步骤的蚁群算法实现,分别对算法的收敛性、复杂度以及参数对性能的影响程度进行分析研究。论文围绕着对算法寻优过程影响最敏感的信息素更新策略这一关键突破点,提出自适应性信息素挥发因子、动态自适应性信息素和基于信息素扩散的三种改进算法模型,并对改进过程进行仿真数据测试,将得出的寻优结果进行性能分析。论文结合蚁群算法与遗传算法的特点,提出基于精英融合策略和变异选择策略两种改进算法模型,为蚁群寻优过程增添两种与遗传算法相融合的解决方案。论文以解决ANTTSP问题为目标,依据提出的算法寻优过程解决方案,参考在解决问题过程中启发式因子对算法性能分析的结论,结合流行的软件开发工具,完成基于解决ANTTSP问题的蚁群仿生优化算法系统的实现。系统的实现不仅对蚁群的觅食过程进行了模拟,显示了旅行商寻优路径的过程与结果,而且为蚁群仿生优化算法继续解决其它领域问题预留了拓展的空间。论文共分为三大部分,第1部分简要介绍蚁群算法的寻优特点和运行机制;第2部分重点提出基于信息素调节策略和融合策略的蚁群改进算法;第3部分阐述基于解决ANTTSP问题的蚁群仿生优化算法系统的设计与实现过程。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 课题研究背景
• 1.2 课题研究主要内容
• 1.3 论文组织结构
• 第2章 蚁群算法特征与原理
• 2.1 蚁群算法特征
• 2.1.1 蚁群生物学特征
• 2.1.2 算法系统学特征
• 2.2 蚁群算法原理
• 2.2.1 算法行为描述
• 2.2.2 算法机制原理
• 2.3 蚁群算法模型
• 2.3.1 蚁群模型与真实蚁群的比较
• 2.3.2 算法模型创建过程
• 2.3.3 算法数学模型
• 2.4 本章小结
• 第3章 蚁群算法的实现与性能分析
• 3.1 算法的实现
• 3.2 算法复杂度与性能分析
• 3.2.1 算法时间与空间复杂度分析
• 3.2.2 算法性能分析
• 3.3 本章小结
• 第4章 基于信息素调节策略的改进研究
• 4.1 自适应性信息素挥发因子改进算法
• 4.2 动态自适应性信息素改进算法
• 4.3 基于信息素扩散改进算法
• 4.4 本章小结
• 第5章 基于融合策略的改进研究
• 5.1 仿生优化算法原理
• 5.2 基于融合策略蚁群改进算法
• 5.3 本章小结
• 第6章 解决ANTTSP问题的实现
• 6.1 解决ANTTSP问题方案
• 6.1.1 ANTTSP问题
• 6.1.2 调节启发式因子方案
• 6.2 基于解决ANTTSP问题的算法实现
• 6.2.1 界面设计
• 6.2.2 解决问题结论
• 6.3 蚁群仿生优化算法的应用方向
• 6.4 本章小结
• 第7章 总结与展望
• 致谢
• 参考文献
• 附录