基于蚁群寻优策略的微粒群算法的研究及应用

摘要

微粒群算法(PSO)是一种具有全局收敛能力的智能优化算法，它是模拟鸟群觅食而得到的仿生优化算法。该算法主要通过粒子间的相互合作和竞争来进行迭代寻优，微粒群算法具有算法结构简单、易于理解、需调节的参数少等特点，备受广大优化领域学者的青睐，有着广阔的应用前景。
　　针对算法在迭代寻优过程中出现“振荡”现象以及算法寻优后期陷入局部最优的缺陷，引入了自适应机制到惯性权重中来提高算法的启发性，以平衡算法的全局寻优和局部寻优能力;引入飞行时间机制到位置迭代公式来减少粒子在全局最优解附近的“振荡”。针对算法在运行后期出现的早熟收敛的缺陷，将蚁群算法基于信息素表选择机制融合到基本的微粒群算法中，以提高粒子的多样性差异，改善算法跳出局部最优的能力。通过以上改进，从而提出了一种基于蚁群寻优策略的微粒群算法。
　　为验证改进算法的有效性，将基于蚁群寻优策略的微粒群算法应用于函数测试中，实验结果表明，该算法具有较高的求解精度且收敛速度有所提高。
　　最后以车辆路径优化问题为应用对象，将基于蚁群寻优策略的微粒群算法应用于车辆路径优化问题中，实验结果表明，改进的微粒群算法在车辆路径优化问题求解方面收到了较好的收敛效果。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 研究的背景及意义

1．2 微粒群算法的研究现状

1．2．1 理论研究现状

1．2．2 应用研究现状

1．2．3 车辆路径优化问题研究现状

1．3 本文的研究的主要内容

1．4 本文组织结构及章节安排

第2章 微粒群算法的基本原理

2．1 微粒群算法的概述

2．1．1 微粒群算法的算法机理

2．1．2 智能优化算法及其异同

2．2 基本微粒群算法的数学模型及算法实现

2．3 小结

第3章 基于蚁群寻优策略的微粒群算法

3．1 引言

3．2 惯性权重对算法收敛性能的影晌

3．3 惯性权重设置对收敛性影响的测试实验

3．3．1 测试环境与测试函数

3．3．2 函数测试与分析

3．4 基于蚁群寻优策略的微粒群优化算法

3．4．1 算法改进策略

3．4．2 算法实现图及参数选取

3．5 小结

第4 章基于蚁群寻优策略的微粒群算法在函数优化中的应用

4．1 引言

4．2 函数优化问题

4．3 求解函数优化问题的ACPSO算法流程

4．4 基于蚁群寻优策略的微粒群优化算法的函数测试

4．4．1 测试函数

4．4．3 优化结果与结果分析

4．5 小结

第5章 基于蚁群寻优策略的微粒群算法在辆路径优化中的应用

5．1 引言

5．2 车辆路径优化问题

5．3 车辆路径优化问题仿真实验

5．3．1 车辆路径优化问题的数学模型

5．3．2 车辆路径优化问题的求解

5．3．3 优化结果及其分析

5．4 小结

结论

参考文献

附录A 攻读硕士期间取得的研究成果

致谢