论文部分内容阅读
随着研究对象的日益复杂化,传统的基于对象精确模型的控制理论与使用确定性的优化算法都遇到了极大的困难。人们从生物进化及仿生学中受到启发,提出许多启发式的智能优化方法。蚁群优化算法(Ant Colony Optimization,ACO)是一种新兴的智能优化算法,特别适合解决困难的组合优化问题,自从Dorigo等人在20世纪90年代初提出以来,该算法已逐渐引起人们的注意并得到了广泛的应用。蚁群优化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;但搜索时间长、易限入局部最优解是其突出的缺点。本文主要研究了蚁群优化算法的改进及应用,并进行了仿真研究。主要研究内容如下: 针对基本蚁群算法容易出现早熟和停滞现象的缺点,本文提出了一种动态自适应蚁群算法,通过引入信息素的自适应调整策略、限制信息素的范围,和动态增加了信息素的局部更新方式,有效的抑制了收敛过程中的停滞现象,提高了算法的搜索能力。将改进后的算法应用于旅行商问题,其性能在14点旅行商问题、中国旅行商问题和Eil50问题上得到了验证。 针对物流配送中心选址问题,本文提出了一种改进的蚁群算法,通过在迭代后期引入动态局部更新准则,减少那些没有被选择的路径上的信息素数量,加大了较优路径和较差路径上的信息素强度的差距,加快了算法的收敛速度,缩短了算法的运行时间。通过在实际例子上的计算,证明了改进算法的有效性。 基于最大最小蚂蚁系统的信息素限制策略和平滑信息素轨迹策略,本文提出了一种改进的蚁群算法:在迭代后期,即算法已经收敛或者接近于收敛时,对信息素轨迹进行平滑处理,能有效增加那些较低信息素轨迹解元素被选择的概率,从而提高算法的搜索能力。将改进的算法应用于解决车辆路径问题。计算结果表明,该算法可以更有效地求得车辆路径问题的优化解,是解决车辆路径问题的有效方法。