粒子群-蚁群混合算法及其在建设工程项目优化中的应用

摘要

建设工程项目管理一般需要实现质量、工期、费用、资源均衡等多个目标,这些目标之间即相互依存、相互影响,形成即对立又统一的整体。因此,正确分析和处理各目标之间的关系,以达到质量优、工期短、费用小、资源均衡,对于建设工程项目来说具有非常重要的意义。 近十多年,粒子群算法(Particle Swarm Optimization,PSO)、蚁群算法(Ant Colony Algorithm)等群智能算法(Swarm Intelligence Algorithm)得到了飞速发展和广泛应用。为解决工程项目多目标优化问题提供了新的思路。但粒子群算法和蚁群算法也有一些缺点和不足。例如,蚁群算法的初始阶段信息素匮乏,收敛速度慢等；粒子群算法后期的局部搜索能力差,反馈信息利用不充分等。 本文介绍了国内外关于粒子群算法和蚁群算法的研究现状和主要应用,以及基本粒子群算法和基本蚁群算法的原理与数学模型,比较了两种算法的优缺点。为了充分发挥两种算法各自的优点,提高搜索效率和收敛性能,本文首先对标准蚁群算法做了适当改进,在算法初始化时将拟解决问题的解空间均匀分割,初始化后使蚂蚁均匀分布在各自的邻域内,通过局部搜索和全局搜索最终找到最优解,使蚁群算法适用于解决连续优化(函数优化)问题。然后探讨了粒子群-蚁群算法的混合,即将标准粒子群算法(带惯性权重的粒子群算法)与改进后的蚁群算法相结合。在混合算法中,首先利用粒子群算法随机搜索能力强的特点,用标准粒子群算法拟解决的问题进行初步搜索,得到初步可行解,然后按照粒子的当前位置初始化蚂蚁位置,再根据改进蚁群算法的思想进行后续的搜索,最终求得最优解。混合算法充分利用了粒子群算法随机搜索能力强和蚁群算法的正反馈机理等优点,通过测试函数的检测证明了混合算法的有效性。文章最后介绍了建设工程项目多目标优化问题的数学模型,以及粒子群-蚁群混合算法在建设工程项目多目标优化问题中的应用,及混合算法求解的MATLAB实现,并通过一个工程实例证明了算法的有效性。

目录

文摘

英文文摘

声明

第一章绪论

1.1本课题研究背景和意义

1.2国内外研究现状

1.3本论文主要研究内容

第二章群智能算法

2.1群智能算法

2.2蚁群算法

2.2.1蚁群觅食行为描述

2.2.2基本蚁群算法的数学模型

2.2.3蚁群算法的研究现状

2.3粒子群算法

2.3.1粒子群算法的基本原理

2.3.2基本粒子群算法的数学模型

2.3.3基本粒子群算法的社会行为分析

2.3.4全局模型与局部模型

2.3.5粒子群算法的研究现状

2.4粒子群算法与蚁群算法的比较

第三章粒子群—蚁群混合算法

3.1粒子群—蚁群混合算法

3.2混合算法的基本思想

3.3混合算法的数学模型

3.3.1对蚁群算法的改进

3.3.2混合算法设计

3.3.3混合算法的MATLAB实现

3.3.4混合算法的测试

第四章基于混合算法的工程项目多目标优化

4.1工期优化

4.2费用优化

4.2.1工期与成本的关系

4.2.2工期-成本优化步骤

4.2.3成本优化

4.3资源优化

4.3.1工期固定-资源均衡

4.3.2资源有限-工期最短

4.3.3资源均衡

4.4质量量化模型

4.5工程项目多目标优化

4.5.1多目标优化的基本概念

4.5.2基于混合算法多目标优化

4.5.3工程项目多目标优化模型

4.5.4应用实例

结论与展望

参考文献

附录：求解多目标优化问题的粒子群—蚁群混合算法流程

攻读硕士学位期间所发表的学术论文

致 谢