论文部分内容阅读
优化技术是一种以数学为基础,用于求解各种工程问题优化解的应用技术。作为一个重要的科学分支,它一直受到人们的广泛重视,并在工业生产、经济等领域得到迅速推广和应用。鉴于实际工程优化问题的复杂性、约束性、非线性、建模困难等特点,寻求一种适于大规模并行且具有智能特性的优化算法己成为有关学科的一个主要研究目标和引人注目的研究方向。20世纪80年代以来,通过模拟或揭示某些自然现象而产生了一些新颖的启发式智能算法,如遗传算法,模拟退火算法、禁忌搜索算法,蚁群算法等。这些算法独特的优点和机制,引起了国内外学者的广泛重视并掀起了全局优化领域的研究热潮,尤其是近十多来发展起来的蚁群算法。蚁群算法(Ant Colony Optimization,简称ACO)是意大利学者M.Dorigo等人通过模拟蚁群觅食行为提出的一种基于种群的模拟进化算法。蚁群算法采用分布式并行计算机制,易与其他方法结合,具有较强的鲁棒性等特点。因此,蚁群算法的研究无论是理论上还是应用上,都有较高的价值。本文主要研究了蚁群算法的改进及应用,主要研究内容如下:(1)分析基本蚁群算法的原理与模型,实现步骤,算法特点,通过实验分析了基本蚁群算法中几个关键参数的选择。(2)针对基本蚁群算法收敛速度慢和易陷入局部最优等缺点,提出一种改进的蚁群算法。该改进算法借鉴最大最小蚁群算法中利用限制信息素范围的思想,这样可以抑制由于最短路径和最长路径信息量差距加剧而引起的停滞现象,同时引入局部信息素更新及局部搜索策略,有效抑制早熟现象,加快了算法的求解速度,在此基础上通过改进信息素的全局更新机制,使算法能够更快地收敛到全局最优解,通过三种TSP问题的测试,结果表明该算法的搜索能力和性能都得到显著提高。(3)对蚁群算法在车辆路径问题中的应用进行研究。