基于强化学习的蚁群聚类研究及应用

论文摘要

蚁群算法是利用群体智能解决实际问题的一个典型实例。20世纪90年代由意大利的Dorigo等学者提出,是继遗传算法、模拟退火、神经网络之后的一种新的元启发式搜索算法。自提出以来,在分布式控制、智能优化、数据挖掘等方面得到了广泛的应用。尽管如此,蚁群算法在理论和应用方法上还有很多亟待完善之处,如易于陷入停滞、收敛速度慢等问题。针对蚁群算法存在的易于停滞、收敛速度慢等问题,本文从蚁群优化在TSP问题中的应用角度出发,提出了相应的改进方法,主要研究内容包括以下四个方面:1.提出了动态挥发率机制。在算法开始时,将挥发率设为一个较大的值,这样可以使算法的全局搜索能力得到增强,但是随着算法的进行,将不断衰减挥发率,使得算法可以较快地收敛到最优解。这样既增加了算法的全局搜索能力,又可以在一定程度上加快算法的收敛。2.借鉴强化学习的思想。引入强化学习中“奖励先进,惩罚后进”的思想到蚁群算法的信息素更新机制中,通过这种快速的两极分化来加快算法的收敛。在蚁群每次迭代完成后更新信息素的时候,奖励最好路径的同时还要给当前路径一个随机量的奖励,惩罚最差路径的同时还要给予一个随机量的惩罚。3.重新定义启发式信息。启发式信息在指导蚂蚁的路径搜索方面会产生一定的影响,在算法后期启发式信息不再是保持恒定,而是随着迭代过程不断调整,确保算法快速的收敛于最优解。4.改进变异策略。蚂蚁在搜索时都遵守“边界-中心-边界”的轨迹模式。在使用变异策略时,主要针对“边界路径”进行变异,这样既可以提高变异的效率,也可以获得更优质量的解。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 课题的背景及意义
• 1.2 国内外研究现状
• 1.2.1 国内研究现状
• 1.2.2 国外研究现状
• 1.3 研究内容及主要创新点
• 1.4 论文组织结构
• 第二章 基础理论
• 2.1 聚类
• 2.1.1 聚类步骤
• 2.1.2 数据类型及度量
• 2.1.3 经典聚类方法
• 2.2 强化学习概述
• 2.2.1 强化学习要素
• 2.2.2 强化学习算法
• 2.3 蚁群优化建模
• 2.3.1 蚂蚁觅食行为
• 2.3.2 人工蚂蚁建模
• 2.3.3 TSP 问题模型
• 2.4 本章小结
• 第三章 基于动态挥发率的蚁群算法
• 3.1 经典蚁群算法
• 3.2 基于动态挥发率的蚁群算法
• 3.2.1 最优模型选择
• 3.2.2 DEACO 收敛性分析
• 3.2.3 DEACO 多样性分析
• 3.3 本章小结
• 第四章 基于启发式修正的蚁群算法
• 4.1 启发式信息修正
• 4.1.1 强化学习机制
• 4.1.2 HAACO 收敛性分析
• 4.1.3 HAACO 多样性分析
• 4.2 DEAHACO 算法
• 4.2.1 DEAHACO 算法步骤
• 4.2.2 收敛性分析
• 4.2.3 多样性分析
• 4.2.4 算法性能比较
• 4.4 本章小结
• 第五章 DEAHACO 聚类应用
• 5.1 蚁群聚类模型
• 5.2 蚁群聚类模型及算法
• 5.2.1 BM 模型
• 5.2.2 LF 算法
• 5.3 DEAHACO 的聚类应用
• 5.3.1 DEAHACO 算法性能测试
• 5.3.2 DEAHACO 文本聚类
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读硕士期间发表（录用）的论文和参加的科研项目
• 一、 发表（录用）的论文
• 二、 参加的科研项目
• 致谢