蚁群算法参数优化及其应用

论文摘要

作为一种新型的仿生优化算法,蚁群算法在本质上是一个复杂的智能系统,它具有较强的鲁棒性、优良的分布式机制及方便与其它算法融合等优点,目前已经成功地运用到许多应用领域。但是,蚁群算法在理论研究上还存在着许多需要解决的问题。例如:收敛速度问题、信息素分配和参数选择问题等,其中参数选择对蚁群算法的性能影响较大。鉴于此,本文着重研究蚁群算法参数优化问题。论文中,全面分析了基本蚁群算法的性能、原理及机制,并通过旅行商问题(TSP)的仿真实验,深入研究了参数选择对算法性能的影响。特别是其中三个参数启发式因子α、期望启发式因子β及信息持久因子ρ对算法性能的影响较大。文中利用微粒群算法设计了一种参数优化方案,对这三个参数进行组合优化有效地改善了算法的性能。并且针对Oliver30城市问题,用JAVA编程语言进行了程序设计,程序运行结果较好。该方案突破了传统靠经验和直觉确定参数的局限,发挥了三个参数的组合效应,使得蚁群算法在实际优化问题中能够取得更好的效果。为了进一步验证方案的可行性、实用性,将该方案又应用到车间作业调度问题(JSSP)中。文中对车间作业调度常用方法作了全面的综述,分析了JSSP的基本原型,并就蚁群算法建立了JSSP的模型,以便于编程实现。最后针对JSSP6*6、JSSP10*10两个典型问题进行了仿真实验,得到了预期的效果。总之,本文所提出的一种参数优化方案切实可行、仿真实验数据结果较好。为日后进一步研究蚁群算法参数的优化工作,提供了参考和借鉴。

论文目录

摘要

Abstract

1 绪论

1.1 引言

1.2 蚁群优化算法的重要意义

1.3 蚁群算法研究进展及其存在问题

1.4 论文主要工作和研究内容

1.5 本文组织

2 蚁群算法基本原理

2.1 蚂蚁的基本生活习性

2.2 自然界蚂蚁的觅食策略

2.3 蚂蚁系统基本模型

2.4 蚁周模型算法伪代码

2.5 蚁群系统模型

2.6 蚁群算法的收敛性

2.7 算法性能分析

2.8 蚁群算法与遗传、模拟退火算法的比较

2.9 本章小结

3 参数对蚁群算法性能的影响

3.1 启发式因子

3.2 期望启发式因子

3.3 信息素挥发因子

3.4 三因子组合配置的效应

3.5 目前参数确定方法和最好结果

3.6 本章小结

4 一种参数优化方案及其实现

4.1 蚁群算法参数组合优化方案

4.2 微粒群算法原理

4.3 微粒群算法收敛性分析

4.4 微粒群算法参数选择

4.5 蚁群算法参数组合优化实现

4.6 仿真实验及其性能分析

4.7 本章小结

5 参数优化在车间作业调度中的应用

5.1 车间作业调度常用研究方法

5.2 车间作业调度问题描述

5.3 车间作业调度模型的建立

5.4 实验结果及其分析

5.5 本章小结

6 总结与展望

6.1 总结

6.2 存在问题和展望

致谢

参考文献

蚁群算法参数优化及其应用

论文摘要

论文目录

相关论文文献