基于强化学习的蚁群聚类研究及应用

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
  • 相关论文文献

    • [1].基于信息熵的蚁群聚类改进方法研究[J]. 计算机仿真 2009(08)
    • [2].一种基于混合策略的蚁群聚类算法[J]. 计算机工程与应用 2008(16)
    • [3].基于蚁群聚类算法的优化与改进[J]. 计算机系统应用 2013(12)
    • [4].蚁群聚类算法在高职院校教学评价系统中的应用研究[J]. 江苏第二师范学院学报 2014(08)
    • [5].用一种改进的蚁群聚类算法进行网络入侵检测[J]. 沈阳航空工业学院学报 2010(01)
    • [6].一种新的混合蚁群聚类算法[J]. 西南师范大学学报(自然科学版) 2009(03)
    • [7].基于蚁群聚类算法的板式定制家具订单聚类分析[J]. 林产工业 2020(05)
    • [8].基于蚁群聚类的个性化推荐模型研究[J]. 机械设计与制造工程 2017(08)
    • [9].蚁群聚类算法在海上交通安全中的应用[J]. 中国水运 2010(06)
    • [10].基于蚁群聚类的智能优化算法及应用[J]. 辽宁工程技术大学学报(自然科学版) 2010(S1)
    • [11].基于信息熵的蚁群聚类算法在客户细分中的应用[J]. 计算机系统应用 2010(07)
    • [12].一种多蚁群聚类组合算法研究及其应用[J]. 计算机应用与软件 2010(12)
    • [13].不确定近似骨架蚁群聚类算法在滑坡危险性预测中的研究与应用[J]. 计算机工程与科学 2018(12)
    • [14].蚁群聚类算法在煤矿安全评价人因事故分析中的应用[J]. 煤炭学报 2009(05)
    • [15].基于蚁群聚类算法的数据挖掘技术在网络入侵检测中的应用研究[J]. 洛阳理工学院学报(自然科学版) 2015(02)
    • [16].蚁群聚类算法在隐写分析中的应用[J]. 计算机应用研究 2015(09)
    • [17].改进的蚁群聚类算法在本体知识库中的应用[J]. 计算机系统应用 2009(10)
    • [18].基于蚁群聚类算法的岩石边坡稳定性分析[J]. 岩土力学 2009(11)
    • [19].蚁群聚类组合方法的研究[J]. 计算机工程与应用 2009(18)
    • [20].基于医学图像多特征的蚁群聚类检索技术研究[J]. 计算机工程与设计 2014(06)
    • [21].深部地下工程岩爆预测的筛选蚁群聚类算法[J]. 爆炸与冲击 2012(06)
    • [22].基于云关联规则的蚁群聚类算法研究[J]. 兰州交通大学学报 2011(04)
    • [23].一种改进的蚁群聚类算法[J]. 郑州大学学报(理学版) 2010(03)
    • [24].离差最大化赋权的蚁群聚类算法[J]. 计算机时代 2017(09)
    • [25].一种改进的蚁群聚类算法[J]. 计算机工程与应用 2010(06)
    • [26].应急物流配送问题的蚁群聚类算法研究[J]. 铁道运输与经济 2008(09)
    • [27].蚁群聚类算法研究及应用[J]. 计算机工程与设计 2008(19)
    • [28].一种基于蚁群聚类的图像分割方法[J]. 科技视界 2013(25)
    • [29].一种改进的蚁群聚类组合算法[J]. 电脑与信息技术 2009(01)
    • [30].一种蚁群聚类优化算法在成绩管理中的应用[J]. 宁波职业技术学院学报 2016(05)

    标签:;  ;  ;  ;  ;  

    基于强化学习的蚁群聚类研究及应用
    下载Doc文档

    猜你喜欢