论文部分内容阅读
蚁群算法是一种仿生优化算法,它模拟了昆虫王国中蚂蚁群体进行觅食的行为,该算法采用了正反馈自催化机制,具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法结合等优点,在解决许多复杂优化问题方面已经展现出其优异的性能和巨大的发展潜力,特别对旅行商问题(TSP)。在TSP问题中,蚁群算法的运行时间与城市数目的平方成正比,对于大规模的TSP问题,将耗费相当长的运行时间。为了加快运行时间,本文提出了一种新的聚类方法——点着色聚类(VCC)将城市划分为若干个类,并让ACO对每个类进行求解(ACO_VCC),这样就相当于降低了城市数目,加快了运行速度。同时,本文还在ACO_VCC的基础之上引入了小窗口、去交叉策略(ACO_VCC_LWCR)进一步的加快运行时间和优化运行结果。本文总结了详细介绍了基本蚁群算法,引入点着色聚类(VCC)的方法,并将该方法引入到了蚁群算法提出了新的改进蚁群算法,给出详细的算法过程。本文的主要研究内容及成果如下:(1)阐述了蚁群算法的思想起源,总结了基本蚁群算法的仿生原理、数据结构、算法模型以及基本蚁群算法的具体实现步骤,同时根据算法模型给出了基本蚁群算法的程序流程图。(2)介绍K-Means聚类算法模型和程序实现步骤及程序结构,以及将K-Means聚类方法应用到蚁群算法上并阐述其特点。(3)针对基本蚁群算法存在的缺点,本文提出了一种新的聚类方法——点着色聚类(VCC),并将VCC引入到蚁群算法(ACO)得到ACO_VCC来改进基本蚁群算法,同时又将小窗口和去交叉策略引入到ACO_VCC中得到ACO_VCC_LWCR进一步改进蚁群算法。(4)通过仿真实验结果充分显示了改进算法的优越性和合理性。