论文摘要
蚁群算法是一种新型的模拟进化算法,关于它的研究虽然只有十几年的时间,但是其已在求解复杂优化问题(特别是对于离散优化问题)显示了优越性。通过将基本蚁群算法应用到TSP问题中和非线性函数求极值问题发现:在参数寻优过程中,基本蚁群算法的信息素更新策略对各个路径的节点是平均分配的,所以算法对目标函数影响较大的节点不够重视,致使算法收敛速度较慢。基于这种缺陷,本文提出了一种信息素加权蚁群算法。在蚂蚁不同的搜索阶段,对关键节点的信息素进行函数加权,然后数学的方法证明了这种加权蚁群算法的收敛性;并通过仿真的方法验证了线性加权蚁群算法和指数加权蚁群算法的有效性。将指数加权蚁群算法、线性加权蚁群算法应用到PID参数整定和动态矩阵控制器参数设计中,以加热炉模型为例进行了仿真,结果表明加权蚁群算法比基本蚁群算法的收敛速度有了较大的提高,同时也能获得较好的参数组合。基于自适应控制理论和蚁群算法,提出了一种蚁群自适应PID控制器,并对其进行了仿真,结果验证了这种自适应PID的可行性。基于对遗传算法中选择、交叉、变异的特征,提出了具有遗传特征的蚁群算法,并将其应用到PID控制器的参数设计中,仿真结果表明该种算法的具有良好的寻优能力和收敛性。
论文目录
中文摘要英文摘要第1章 前言第2章 蚁群算法预备知识2.1 蚂蚁系统2.1.1 基于TSP问题的系统模型2.1.2 蚁周、蚁量、蚁密系统2.2 改进的蚁群优化算法2.2.1 蚁群系统2.2.2 带精英策略的蚂蚁系统2.2.3 基于优化排序的蚂蚁系统2.2.4 最大-最小蚂蚁系统第3章 基于加权的蚁群算法和具有遗传特征的蚁群算法3.1 加权蚁群算法的原理3.1.1 蚂蚁路经和节点的生成3.1.2 信息素更新策略3.1.3 算法描述3.1.4 算法流程图3.2 加权蚁群算法的收敛性分析3.2.1 鞅的基本定义3.2.2 基于鞅序列的加权蚁群算法收敛性证明3.3 具有遗传特征的蚁群算法3.3.1 遗传算法的基本操作和数学模型3.3.2 具有遗传特征的蚁群算法原理第4章 蚁群算法的应用4.1 蚁群算法在TSP问题和非线性函数求极值中的应用4.1.1 蚁周系统的在TSP问题中的应用4.1.2 MMAS算法的在非线性函数求极值中的应用4.1.3 加权算法在非线性函数求极值中的应用4.2 指数加权蚁群算法在PID参数整定中的应用4.2.1 常规PID参数整定方法4.2.2 指数加权蚁群中加权函数的选择4.2.3 目标函数4.2.4 仿真结果与分析4.3 线性加权蚁群算法在动态矩阵控制参数设计中的应用4.3.1 动态矩阵控制4.3.2 动态矩阵控制的参数对控制器性能的分析4.3.3 参数选择和蚂蚁路径、节点的生成4.3.4 目标函数4.3.5 线性加权蚁群算法中加权函数的选择4.3.6 仿真结果与分析4.4 蚁群自适应PID4.4.1 自适应PID控制4.4.2 蚁群自适应PID的控制原理4.4.3 控制器各部分数学描述4.4.4 仿真结果与分析4.5 具有遗传特征的蚁群算法在PID控制器参数整定中的应用4.5.1 蚂蚁节点和路径的编码和解码4.5.2 目标函数4.5.3 具有遗传特征的蚁群算法的参数选择和算法步骤4.5.4 仿真结果与分析第5章 结论参考文献致谢个人简历、攻读硕士学位期间发表的文章
相关论文文献
标签：蚁群算法论文; 遗传算法论文; 控制器论文; 动态矩阵控制器论文;
