应用点着色聚类改进蚁群算法
【摘要】:
蚁群算法是一种仿生优化算法,它模拟了昆虫王国中蚂蚁群体进行觅食的行为,该算法采用了正反馈自催化机制,具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法结合等优点,在解决许多复杂优化问题方面已经展现出其优异的性能和巨大的发展潜力,特别对旅行商问题(TSP)。在TSP问题中,蚁群算法的运行时间与城市数目的平方成正比,对于大规模的TSP问题,将耗费相当长的运行时间。为了加快运行时间,本文提出了一种新的聚类方法——点着色聚类(VCC)将城市划分为若干个类,并让ACO对每个类进行求解(ACO_VCC),这样就相当于降低了城市数目,加快了运行速度。同时,本文还在ACO_VCC的基础之上引入了小窗口、去交叉策略(ACO_VCC_LWCR)进一步的加快运行时间和优化运行结果。
本文总结了详细介绍了基本蚁群算法,引入点着色聚类(VCC)的方法,并将该方法引入到了蚁群算法提出了新的改进蚁群算法,给出详细的算法过程。
本文的主要研究内容及成果如下:
(1)阐述了蚁群算法的思想起源,总结了基本蚁群算法的仿生原理、数据结构、算法模型以及基本蚁群算法的具体实现步骤,同时根据算法模型给出了基本蚁群算法的程序流程图。
(2)介绍K-Means聚类算法模型和程序实现步骤及程序结构,以及将K-Means聚类方法应用到蚁群算法上并阐述其特点。
(3)针对基本蚁群算法存在的缺点,本文提出了一种新的聚类方法——点着色聚类(VCC),并将VCC引入到蚁群算法(ACO)得到ACO_VCC来改进基本蚁群算法,同时又将小窗口和去交叉策略引入到ACO_VCC中得到ACO_VCC_LWCR进一步改进蚁群算法。
(4)通过仿真实验结果充分显示了改进算法的优越性和合理性。
|
|
|
|
1 |
雷中原;李为民;;蚁群算法的多目标识别模型[J];火力与指挥控制;2008年01期 |
2 |
王哲;雷中原;梁义芝;;基于蚁群算法的舰艇编队多目标识别模型[J];现代防御技术;2007年03期 |
3 |
胡宏梅;董恩清;;基于蚁群聚类的码书设计[J];苏州大学学报(工科版);2007年02期 |
4 |
吕聪颖,于哲舟,周春光,王康平,庞巍;动态自适应蚁群算法在二次分配问题中的应用[J];吉林大学学报(理学版);2005年04期 |
5 |
刘小梅;张君静;;蚁群优化算法基本原理及其应用[J];西部探矿工程;2008年10期 |
6 |
刘文;郑丽英;;基于蚁群算法的模糊C均值聚类[J];太原科技;2009年01期 |
7 |
孙云山;王学深;刘健;白婧;刘凯;赵冬青;;蚁群算法及其在物流系统中的应用研究[J];科技情报开发与经济;2010年16期 |
8 |
李方洁;刘希玉;;基于渐进蚁群算法的DNA多序列比对[J];网络安全技术与应用;2010年09期 |
9 |
于连伯;;蚁群算法的研究[J];江苏科技信息;2010年09期 |
10 |
陈烨;带杂交算子的蚁群算法[J];计算机工程;2001年12期 |
11 |
丁滢颍,何衍,蒋静坪;基于蚁群算法的多机器人协作策略[J];机器人;2003年05期 |
12 |
高尚;武器-目标分配问题的蚁群算法[J];计算机工程与应用;2003年03期 |
13 |
陈崚,沈洁,秦玲,陈宏建;基于分布均匀度的自适应蚁群算法[J];软件学报;2003年08期 |
14 |
纪竹亮,戴连奎;一种改进的自适应路由算法[J];计算机工程;2004年09期 |
15 |
闻育,吴铁军;求解复杂多阶段决策问题的动态窗口蚁群优化算法[J];自动化学报;2004年06期 |
16 |
许毅,李腊元;基于蚁群算法的QoS多播路由优化算法[J];计算机应用研究;2005年02期 |
17 |
王俊峰,朱庆保;基于蚁群算法的知识约简[J];南京师范大学学报(工程技术版);2005年02期 |
18 |
师凯,蔡延光,邹谷山,王涛;运输调度问题的蚁群算法研究[J];计算技术与自动化;2005年03期 |
19 |
胡燕海,叶飞帆;基于蚁群算法的平行流水作业计划方法[J];机械制造;2005年09期 |
20 |
冯远静,冯祖仁,彭勤科;一类自适应蚁群算法及其收敛性分析[J];控制理论与应用;2005年05期 |
|