学位论文 > 优秀研究生学位论文题录展示
蚁群算法在旅行agent问题中的应用研究
作 者: 宋佩莉
导 师: 祁飞
学 校: 西安建筑科技大学
专 业: 计算机软件与理论
关键词: 旅行agent问题 蚁群算法 跟随蚁 阻塞度因子 信息熵
分类号: TP18
类 型: 硕士论文
年 份: 2013年
下 载: 2次
引 用: 0次
阅 读: 论文下载
内容摘要
移动agent技术是一种具有自主性、协作性以及迁移性等特点的新型网络计算技术,它可以代替用户去完成各种所需的任务,而且能根据用户需求和实际情况在网络中自主地进行迁移,其最大的特点就是迁移性,合理的迁移路径和有效的迁移策略将使移动agent的性能得到极大的改善。而旅行agent问题(TAP)是移动agent迁移方面的一个经典的路径选择问题,它是一个复杂的组合优化问题,该问题的目的在于搜索到移动agent在不同主机间移动时的最优路径,其时间复杂度极高,这就要求该问题的求解方法必须具有自适应、自学习、分布式和并行化的特点。蚁群算法是一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法,具有正反馈、分布式计算和富有建设性的贪婪启发式搜索等特点,是解决TAP问题的有效方法。但在求解TAP问题时,基本蚁群算法不仅易于陷入局部最优而且搜索时间较长。针对这些缺点,论文首先结合蜂群算法中跟随蜂思想,引入跟随蚁加快算法搜索到问题最优解的过程。同时,加入阻塞度因子以避免算法陷入局部最优。在此基础上,构造信息素全局更新规则使算法更符合TAP问题的特征。实验结果表明,文中改进的算法能够较好的解决群体多样化与搜索耗时长之间的矛盾,使得移动agent能以更优的效率找到问题的最优解。论文通过实验比较了蚁群算法中各种参数(信息启发式因子α,期望启发式因子β和信息素挥发系数ρ)取值对算法效率的影响作用。在前述算法基础上,进一步引入信息熵,构建出对信息素挥发系数能够进行自适应调整的改进算法。仿真实验结果表明,改进算法在解决实际的旅行agent问题时,有更好的适用性。
|
全文目录
摘要 3-4 Abstract 4-8 第1章 绪论 8-12 1.1 论文的选题背景和意义 8 1.2 国内外研究现状 8-9 1.3 论文的研究内容 9-10 1.4 论文组织结构 10-12 第2章 旅行agent问题及基本蚁群算法介绍 12-29 2.1 移动agent技术 12-19 2.1.1 移动agent概述 12-13 2.1.2 移动agent体系结构 13-15 2.1.3 移动agent关键技术 15-18 2.1.4 典型的移动agent系统 18-19 2.2 旅行agent问题 19-21 2.2.1 移动agent迁移机制 19-20 2.2.2 旅行agent问题描述 20-21 2.3 基本蚁群算法原理 21-23 2.4 蚁群算法的数学模型 23-26 2.4.1 基本蚁群算法的模型特征 23-24 2.4.2 蚁群算法描述 24-25 2.4.3 蚁群算法实现步骤 25-26 2.5 蚁群算法的特点 26-27 2.5.1 蚁群算法的优点 26-27 2.5.2 蚁群算法的不足 27 2.6 蚁群算法的应用 27-28 2.7 小结 28-29 第3章 混合蚁群蜂群算法及其改进 29-44 3.1 混合蚁群蜂群算法 29-33 3.1.1 状态转移概率更新规则 29-30 3.1.2 信息素更新规则 30 3.1.3 跟随蜂思想的引入 30-32 3.1.4 阻塞度因子的加入 32-33 3.2 混合蚁群蜂群算法描述 33-35 3.3 混合蚁群蜂群算法的实验验证 35-38 3.4 混合蚁群蜂群算法的改进 38-43 3.4.1 信息素全局更新规则 38-39 3.4.2 改进算法描述 39-40 3.4.3 实验验证 40-43 3.5 小结 43-44 第4章 蚁群算法参数研究及各算法在TAP问题中的应用 44-58 4.1 蚁群优化算法的计算机制 44 4.2 蚁群算法参数研究 44-48 4.2.1 信息启发式因子α 44-45 4.2.2 期望启发式因子β 45-47 4.2.3 信息素挥发系数ρ 47-48 4.3 引入信息熵思想 48-50 4.3.1 信息熵简介 48-49 4.3.2 引入信息熵概念 49-50 4.4 算法描述 50-51 4.5 算法的实验验证 51-54 4.6 各算法在旅行agent问题中的应用 54-57 4.6.1 实验假设 54-55 4.6.2 实验仿真和分析 55-57 4.7 小结 57-58 第5章 总结和展望 58-60 5.1 工作总结 58 5.2 工作展望 58-60 致谢 60-61 参考文献 61-65 附录 攻读硕士学位期间发表论文及参加科研的情况 65
|
相似论文
- 多导弹协同作战突防效能评估及组合优化算法研究,TJ760.1
- 基于蚁群算法的电梯群优化控制研究,TU857
- 基于信息熵的课堂观察量化评价模型研究,G632.4
- 动态环境下移动对象导航系统相关技术的研究,TP301.6
- 基于改进蚁群算法的机器人路径规划研究,TP242
- 改进的蚁群算法及其在TSP上的应用研究,TP301.6
- 基于免疫机制蚁群算法的电力系统无功优化研究,TP18
- 基于视觉反馈与行为记忆的GPU并行蚁群算法,TP301.6
- 基于Web日志的用户挖掘研究与实现,TP311.13
- 基于蚁群和人工鱼群混合群智能算法在物流配送路径优化问题中的应用研究,F253.9
- 多源影像融合技术研究,TP391.41
- 基于信息熵的聚类个数确定方法研究,TP311.13
- 信息认识活动逻辑和信息价值的哲学考察,N02
- 群体智能优化算法的研究及应用,TP301.6
- 基于改进蚁群算法的移动机器人路径规划问题研究,TP242
- 基于自然计算的WSN路由技术研究,TN929.5
- 基于改良蚁群算法的神经网络分类规则提取,TP183
- 手背静脉图像的分类和匹配技术研究,TP391.41
- 基于协同理论的零售商贸物流发展模式研究,F721
- 基于ZigBee协议的移动传感器网络覆盖问题的研究,TP212.9
- 基于集成模型的烧结矿质量预测系统及工业应用,TF046.4
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论
© 2012 www.xueweilunwen.com
|