论文部分内容阅读
蚁群算法(Ant ColonyAlgorithm，ACA)作为一种典型的群智能算法，具有较强的鲁棒性，可以应用于多种场合；并且ACA与其它启发式算法的结合能够显著提高这些算法的性能。但是目前ACA仍存在收敛速度慢、易于陷入局部最优等缺点，且已有的改进方法都具有其针对性和局限性。因此，为了提高ACA算法的整体性能，本文将主要进行ACA和其它群智能算法进行优势互补后的混合算法研究。本文的主要研究成果包括：(1)针对ACA易于陷入局部最优的缺陷，提出了一种改进的遗传融合蚁群算法。因为遗传算法(GeneticAlgorithm，GA)适用于各类优化问题的求解，具有大范围全局搜索的能力，采用编码方式实现过程简单的特点。在算法的前半段利用遗传算法快速迭代的特性生成可能解引导蚁群的初始信息素分布；在算法后半段蚂蚁算法寻优过程中，采用GA所应用的交叉算子和变异算子的策略。通过在两个旅行商问题中的应用，验证了方法的有效性。(2)为了提高ACA收敛速度，提出了一种融合量子行为粒子群算法与ACA的混合算法(Quantum-behaved Particle Swarm Optimization and Ant Colony Algorithm HybridAlgorithm，QPSO-ACA-HA)。该混合算法在求解过程中，首先对所求解空间进行区域网格划分，进而利用QPSO快速收敛性在小区域内搜索，然后根据搜索到的历史最优值引导后期ACA的初始信息素分布；在算法后半段蚂蚁算法寻优过程中，采用每条边在求解中的贡献来分配信息素的释放程度的信息素更新策略。选用了四个具有不同数学特征的复杂连续函数对QPSO-ACA-HA算法进行了测试，仿真结果表明，混合算法不但求解精度高，收敛速度快，而且不易出现“早熟”的现象。(3)针对支持向量机(Support Vector Machine，SVM)的参数设定的重要性，以及通过人工手段难以选择合适参数的问题，提出将QPSO-ACA-HA算法运用到SVM的参数选取中，实现SVM参数的自动优化选取。通过在谷氨酸发酵过程建模仿真研究表明，利用QPSO-ACA-HA方法获得的SVM参数，能够有效提高谷氨酸发酵过程模型的预测效果。