论文部分内容阅读
蚁群算法(Ant Colony Optimization,ACO)是通过模仿自然界的蚂蚁群体觅食行为而提出的一种仿生优化算法,该算法鲁棒性强、容易实现、善于解决NP-hard特性问题,深受科学研究与工程技术领域的广泛关注。本文重点就如何改进ACO算法及其在函数优化、无线传感器等领域的应用问题做了深入的研究。主要工作如下:1.针对ACO算法特点,重点研究了近几年ACO算法的发展现状及应用领域,并总结了ACO算法的主要改进策略。2.针对ACO算法在函数优化中的应用问题,提出了一种基于改进ACO的函数优化算法。改进主要体现在三个方面:引入混沌搜索,利用混沌变量优良特性改善蚁群盲目的随机搜索策略;引入差分进化算法的变异策略,有效改善解的多样性丧失问题。最后,根据粒子群算法有向全局最佳位置xgbest和自身局部最佳位置xpbest聚集的效应,在每次迭代过程中,将当前自身找到的最优解以及群体找到最优解作为基准,蚂蚁将跟踪两个极值,对该路径的信息素进行额外更新。仿真结果表明,该算法能够很好的克服了ACO算法搜索时间长,易陷入局部最优等缺点。3.针对ACO算法在无线传感器网络路由中的应用问题,文中提出了一种基于改进的ACO的无线传感器网络路由优化算法,改进主要体现在以下方面:(1)信息素影响因子的自适应调整策略;(2)引入新的启发函数和路径评价函数;(3)根据应用特性,在蚁群搜索过程中加入搜索方向。以上改进全面的考虑到节点通信时的传输距离、传输方向、剩余能量以及搜索规模,使得蚁群能更好的找到最佳路径。仿真结果表明:本文算法在网络的能量消耗和生存周期等方面有显著改善,能够实现高效、节能的路由。