学位论文 > 优秀研究生学位论文题录展示
一种路径规划问题的蚁群算法研究
作 者: 唐禹
导 师: 董红斌
学 校: 哈尔滨工程大学
专 业: 计算机软件与理论
关键词: 路径规划 蚁群算法 粒子群算法 融合算法 栅格图法
分类号: TP18
类 型: 硕士论文
年 份: 2013年
下 载: 68次
引 用: 0次
阅 读: 论文下载
内容摘要
路径规划问题是智能交通、通信网络、机器人等人工智能研究领域的重要分支,是始终备受国内外研究学者关注和青眯的研究课题,探索与实现一种准确高效的路径规划方法无疑成为一个研究热点。蚁群算法作为近年来发展起来的一种智能优化算法在解决很多复杂问题时所表现的优异性能和发展潜力是值得关注的。本文主要针对面向路径规划问题的蚁群算法进行研究和实现。本文首先研究了蚁群算法的基本原理基础上,介绍并对比了蚁群算法的蚁密模型、蚁量模型和蚁周模型,并针对本文所使用的蚁周模型给出了基本蚁群算法的算法描述和实现。同时分析和比较了蚁群系统、最大最小蚂蚁系统以及蚁群优化算法等几种典型的蚁群算法,为后续研究工作提供了理论基础。然后,介绍采用栅格图法进行路径规划问题环境建模,给出路径规划相关问题的描述和定义后,由于蚁群算法会出现收敛速度慢和全局搜索能力差等问题,提出了基于目标启发策略、参数自适应调整策略、狼群分配策略、遗传交叉和变异策略等策略的改进蚁群算法。同时在栅格图障碍环境和TSP两类路径规划问题上进行了大量的仿真实验,实验结果表明改进的蚁群算法无论在算法搜索到最优解的速度上或质量上都优于传统的蚁群算法。最后,在蚁群算法的基础上结合粒子群算法,提出蚁群算法和粒子群算法融合算法(PSO-ACO)。并针对提高融合算法性能,提出了蚁群算法的多路径选择策略、动态信息素局部更新策略和带信息素调节因子的信息素全局更新策略等三种策略的改进。仿真实验结果表明在较复杂的栅格图障碍环境和较大规模的TSP问题中,本文提出的蚁群和粒子群融合算法不仅在大规模问题中表现出很好的适应性,而且在精度和速度上也体现了非常好的高效性。
|
全文目录
摘要 5-6 Abstract 6-11 第1章 绪论 11-17 1.1 课题研究的背景和意义 11-12 1.2 蚁群算法的国内外研究进展 12-13 1.3 路径规划方法的国内外研究进展 13-15 1.4 本文的主要研究内容 15-16 1.5 本文的组织结构 16-17 第2章 蚁群算法概述 17-28 2.1 基本蚁群算法的原理及模型 17-21 2.1.1 基本蚁群算法的原理 17-18 2.1.2 基本蚁群算法的数学模型 18-20 2.1.3 基本蚁群算法的算法描述 20-21 2.2 几种典型的蚁群算法 21-24 2.2.1 蚁群系统(ACS) 21-23 2.2.2 最大最小蚂蚁系统(MMAS) 23 2.2.3 蚁群优化算法(ACO) 23-24 2.3 蚁群算法的特点 24-26 2.3.1 人工蚂蚁与真实蚂蚁的比较 24-25 2.3.2 蚁群算法的优缺点 25-26 2.4 蚁群算法的应用 26-27 2.4.1 蚁群算法在动态组合优化中的应用 26 2.4.2 蚁群算法在静态组合优化中的应用 26-27 2.5 本章小结 27-28 第3章 基于多种策略的改进蚁群算法及其应用 28-46 3.1 路径规划问题环境建模 28-30 3.2 问题描述与定义 30-31 3.3 基本蚁群算法的路径规划实现 31-33 3.3.1 算法的描述 31 3.3.2 算法的实现 31-32 3.3.3 算法的流程图 32-33 3.4 基于多种策略的改进蚁群算法及实现 33-39 3.4.1 目标启发策略 34 3.4.2 狼群分配策略 34-35 3.4.3 参数自适应调整策略 35 3.4.4 遗传交叉和变异策略 35-37 3.4.5 基于多种策略的改进蚁群算法栅格图实现 37-38 3.4.6 基于多种策略的改进蚁群算法 TSP 实现 38-39 3.5 基于多种策略的改进蚁群算法仿真实验 39-45 3.5.1 栅格图仿真实验 39-44 3.5.2 TSP 仿真实验 44-45 3.6 本章小结 45-46 第4章 蚁群和粒子群融合算法及其应用 46-60 4.1 粒子群算法 46-47 4.1.1 粒子群算法原理 46 4.1.2 粒子群算法描述 46-47 4.1.3 粒子群算法实现 47 4.2 蚁群算法的改进 47-49 4.2.1 多路径选择策略 47-48 4.2.2 动态信息素局部更新策略 48-49 4.2.3 带信息素调节因子的信息素全局更新策略 49 4.3 蚁群和粒子群融合算法及实现 49-54 4.3.1 融合算法设计思想 49-50 4.3.2 融合算法设计过程 50-51 4.3.3 蚁群和粒子群融合算法栅格图实现 51-53 4.3.4 蚁群和粒子群融合算法 TSP 实现 53-54 4.4 蚁群和粒子群融合算法仿真实验 54-59 4.4.1 栅格图仿真实验 54-58 4.4.2 TSP 仿真实验 58-59 4.5 本章小结 59-60 结论 60-61 参考文献 61-65 攻读硕士学位期间发表的论文和取得的研究成果 65-67 致谢 67
|
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
- 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
- 有源电力滤波器及其在配电网中的应用,TN713.8
- 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
- 基于粒子群的分子对接算法,R91
- 移动WSN基于虚拟簇头数据收集策略的研究,TP212.9
- 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
- 移动机器人全覆盖路径规划算法的研究,TP242
- 基于Robocup足球机器人路径规划与轨迹跟踪的研究,TP242
- 基于ARM的家用清洁机器人软件设计与研究,TP242
- 不确定环境下供应链多时段生产计划问题研究,F273
- 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P2P网络信任机制研究,TP393.08
- 基于改良蚁群算法的神经网络分类规则提取,TP183
- 基于遗传算法智能小车路径规划的研究,TP242
- 基于SVM和PSO的烧结工况预报方法的研究与实现,TF821
- 多目标粒子群算法及其在车间调度中的应用研究,TP18
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
|