基于信息熵的加权蚁群算法的研究与应用

基于信息熵的加权蚁群算法的研究与应用

论文摘要

蚁群算法是由意大利学者M.Dorigo,V.Maniezzo等人从生物进化的机制中受到启发,通过模拟大自然中的蚁群觅食行为提出的一种新型的进化优化算法。该算法在解决诸如TSP问题、分配问题、网络路由问题、车间调度问题等离散领域的优化问题中具有一定的优势,并取得了较好的效果。目前,蚁群算法己成为国际智能计算领域中备受关注的研究热点和前沿性课题。本文研究的重点在于蚁群算法的改进和应用。针对蚁群算法存在求解时间长、收敛速度较慢、对局部寻优不理想等缺点,分别从路径选择策略、信息素更新策略、算法收敛判断三个方面对算法进行改进:(1)在MMAS算法基础上改进路径搜索策略。通过采用徐精明等人提出轮盘赌方法提高算法的随机性,再利用候选列表使得算法能够更加集中于搜索感兴趣的部分以减小搜索空间的维度,最后引入局部搜索策略进一步优化解的质量。(2)为了更好的利用反馈信息,增强较短路径的导向性,文本引入了加权因子λ来改进算法的信息素更新策略。(3)利用信息熵作为算法的收敛判断,提出一种基于信息熵的加权蚁群算法。实验结果表明该算法有较好的求解能力和执行效率。最后,将基于信息熵的加权蚁群算法应用于智能交通领域,来验证算法的可行性和有效性。文中介绍了实际交通路网的构建过程,地球上任意两点间距离计算的相关算法,及如何结合AHP模型用基于信息熵的加权蚁群算法求解城市交通路网中车辆的最优路径的方法。实验证明,该算法能准确快速地找到最优路径。

论文目录

  • 摘要
  • Abstract
  • 目录
  • 第一章 绪论
  • 1.1 课题的研究背景和意义
  • 1.2 国内外的研究现状和进展
  • 1.3 论文的主要工作和研究线路图
  • 1.4 论文创新点和内容安排
  • 1.5 本章小结
  • 第二章 蚁群算法的原理及研究
  • 2.1 蚁群算法原理及算法描述
  • 2.1.1 蚁群算法的生物基础
  • 2.1.2 蚁群算法的基本原理
  • 2.2 蚁群算法的抽象模型及其实现
  • 2.2.1 TSP问题的描述
  • 2.2.2 蚁群算法的模型及其实现
  • 2.3 几种经典的ACO算法及性能分析
  • 2.4 蚁群算法与其他群智能算法的比较
  • 2.4.1 蚁群算法与遗传算法的比较
  • 2.4.2 蚁群算法与粒子群算法的比较
  • 2.5 本章小结
  • 第三章 基于信息熵的加权蚁群算法的研究及其性能分析
  • 3.1 改进算法的选择策略
  • 3.2 改进算法的信息素更新策略
  • 3.3 基于信息熵的算法改进
  • 3.4 基于信息熵的加权蚁群算法在TSP上的实现
  • 3.4.1 基于信息熵的加权蚁群算法的实现步骤
  • 3.4.2 基于信息熵的加权蚁群算法与MMAS的性能比较
  • 3.5 基于信息熵的加权蚁群算法中参数的选择及对算法的影响
  • 3.5.1 蚂蚁数量m的选择
  • 3.5.2 信息素挥发因子ρ的选择
  • 3.5.3 启发式因子α、β的选择
  • 3.6 本章小结
  • 第四章 基于信息熵的加权蚁群算法在智能交通中的应用
  • 4.1 交通道路网的表示方式
  • 4.1.1 路网拓扑结构的提取
  • 4.1.2 路网拓扑结构的效果图
  • 4.2 椭球算法计算两点距离
  • 4.3 出行者选择路径的不同准则
  • 4.4 利用AHP模型选择最优路径
  • 4.5 基于信息熵的加权蚁群算法在寻优问题中的实现
  • 4.5.1 寻优过程
  • 4.5.2 寻优结果展示
  • 4.6 本章小结
  • 第五章 结论与展望
  • 5.1 工作总结
  • 5.2 进一步的工作展望
  • 致谢
  • 参考文献
  • 附录A (攻读硕士期间发表的论文及其他成果)
  • 附录B (算法核心代码)
  • 相关论文文献

    • [1].算法:一种新的权力形态[J]. 治理现代化研究 2020(01)
    • [2].算法决策规制——以算法“解释权”为中心[J]. 现代法学 2020(01)
    • [3].面向宏观基本图的多模式交通路网分区算法[J]. 工业工程 2020(01)
    • [4].算法中的道德物化及问题反思[J]. 大连理工大学学报(社会科学版) 2020(01)
    • [5].算法解释请求权及其权利范畴研究[J]. 甘肃政法学院学报 2020(01)
    • [6].算法新闻的公共性建构研究——基于行动者网络理论的视角[J]. 人民论坛·学术前沿 2020(01)
    • [7].算法的法律性质:言论、商业秘密还是正当程序?[J]. 比较法研究 2020(02)
    • [8].关键词批评视野中的算法文化及其阈限性[J]. 学习与实践 2020(02)
    • [9].掌控还是被掌控——大数据时代有关算法分发的忧患与反思[J]. 新媒体研究 2020(04)
    • [10].美国算法治理政策与实施进路[J]. 环球法律评论 2020(03)
    • [11].算法解释权:科技与法律的双重视角[J]. 苏州大学学报(哲学社会科学版) 2020(02)
    • [12].大数据算法决策的问责与对策研究[J]. 现代情报 2020(06)
    • [13].大数据时代算法歧视的风险防控和法律规制[J]. 河南牧业经济学院学报 2020(02)
    • [14].风险防范下算法的监管路径研究[J]. 审计观察 2019(01)
    • [15].模糊的算法伦理水平——基于传媒业269名算法工程师的实证研究[J]. 新闻大学 2020(05)
    • [16].算法推荐新闻对用户的影响及对策[J]. 新媒体研究 2020(10)
    • [17].如何加强对算法的治理[J]. 国家治理 2020(27)
    • [18].“后真相”背后的算法权力及其公法规制路径[J]. 行政法学研究 2020(04)
    • [19].算法规制的谱系[J]. 中国法学 2020(03)
    • [20].论算法排他权:破除算法偏见的路径选择[J]. 政治与法律 2020(08)
    • [21].政务算法与公共价值:内涵、意义与问题[J]. 国家治理 2020(32)
    • [22].算法的法律规制研究[J]. 上海商业 2020(09)
    • [23].新闻算法分发对隐私权的冲击及规制[J]. 青年记者 2020(27)
    • [24].算法如何平等:算法歧视审查机制的建立[J]. 南海法学 2020(02)
    • [25].蚁群算法在文字识别中的应用研究[J]. 信息与电脑(理论版) 2019(22)
    • [26].大数据聚类算法研究[J]. 无线互联科技 2018(04)
    • [27].RSA算法的改进研究[J]. 计算机与网络 2018(14)
    • [28].智能时代的新内容革命[J]. 国际新闻界 2018(06)
    • [29].改进的负载均衡RSA算法[J]. 电脑知识与技术 2018(25)
    • [30].基于深度学习的视觉跟踪算法研究综述[J]. 计算机科学 2017(S1)

    标签:;  ;  ;  ;  

    基于信息熵的加权蚁群算法的研究与应用
    下载Doc文档

    猜你喜欢