导读:本文包含了进化蚁群算法论文开题报告文献综述及选题提纲参考文献，主要关键词:智能交通控制,多路口协调,诱导,多目标优化
进化蚁群算法论文文献综述
周健[1]（2015）在《基于进化多目标优化和蚁群算法的交通控制与诱导系统研究》一文中研究指出随着交通流的日益增大及复杂化,城市路网拥堵问题越来越严重,现有的智能交通控制难以提高城域交通系统的整体效率。将主动引导交通流、均衡交通资源的诱导系统和被动疏导交通流的控制系统有机结合是解决城市交通问题的有效途径。如何构建这样的智能交通系统优化模型及其优化算法成为当前的研究热点和关键技术。针对现有交通控制系统存在的问题,本文采用了将基于进化多目标优化的控制与基于蚁群算法优化的诱导有机结合的交通调控模型及其优化方法,构建了单路口多目标优化控制模型、路口间的协调机制及车辆诱导模型,能有效均衡交通负载,提高城域路网的交通效率。主要研究工作如下:(1)针对现有交通控制系统难以有效兼顾各种指标及根据实时交通状态高效调节控制信号配时方案,构建了单路口多目标优化控制模型,采用改进的进化多目标优化算法实现交通信号优化。路口控制优化模型以单位时间内通过的车辆数尽可能的多、一个周期内的平均时耗尽可能的少为优化目标。该模型可以根据实时的道路车流量信息,高效地调节自身配时方案,并能给交通决策者提供多种偏好的配时方案。为了适应交通控制系统多目标优化的需求,提出了一种多子种群并行进化的非支配排序多目标优化算法,仿真测试实验表明,该算法具有较高的时效性,较强的对pareto前沿面的探索能力和保持种群多样性的能力。(2)针对现有区域多路口协调方式中,各路口控制耦合度高,协调控制复杂,实时性差,并且对路口拥堵预判能力差等问题,构建了多路口协调控制机制,该机制通过调节路口间的车流量与道路饱合车流量的比值,来协调多个路口的运行。根据该协调机制的特点,采用了模糊控制技术进行实现。仿真验证实验表明,该协调机制能减少交通拥堵的响应时间,快速协调各个路口的信号控制,提高区域交通效率。(3)针对现有诱导系统较少考虑道路上的动态代价和出行者的起始地与目的地等问题,构建了基于多种指标的车辆诱导模型,并采用改进的蚁群算法实现对出行路径的规划。车辆诱导模型优化指标由叁部分组成:起始地与目的地间的静态路径长度、该路径上通过路口总的延时转换得到的等效代价、在道路上运行时产生的动态代价。该优化模型在力求用户路径最优的同时,能尽量实现道路车辆的均衡分布。为了满足诱导系统路径规划的需求,提出了一种有偏好的蚁群算法,该算法通过偏好的设置和局部最优跳出机制,提高了全局收索能力和效率,仿真测试实验验证了算法对诱导系统路径寻优有较高效能。(本文来源于《南京邮电大学》期刊2015-04-01）
魏先民[2]（2013）在《基于思维进化的蚁群算法在典型生产调度中的应用》一文中研究指出针对求解NP-hard的车间生产调度存在的问题,提出了一种基于思维进化的蚁群算法。该算法建立在传统蚁群算法上,并结合思维进化思想和局部寻优思想克服了基本蚁群算法易陷入局部最优的缺陷,改进了状态转移规则,限定了信息素的范围,改进了信息素更新策略,并增加了邻域搜索。实验表明,对于典型生产调度问题,基于思维进化的蚁群算法可以求得理论最优解,在最优解、最差解和平均解3个指标上都优于基本蚁群算法,体现出了较好的性能。(本文来源于《计算机科学》期刊2013年07期）
赵焕平,胡可,李敬文[3]（2013）在《求解图着色问题的进化稳定策略蚁群算法》一文中研究指出针对图着色问题,在传统的启发式蚁群算法的基础上提出一种进化稳定策略蚁群算法。进化稳定策略蚁群算法针对蚁群算法的隐含并行性,利用变换因子自适应地更新信息素,动态自适应地调节启发式因子的作用参数,增强算法的搜索能力,加快算法的收敛速度,同时避免了传统蚁群算法容易陷入局部最优的问题。通过给地图着色的仿真实验结果表示,该方法对图着色问题的求解是可行、有效的,通过大量实验表明算法在求解质量上优于启发式蚁群算法。(本文来源于《计算机应用与软件》期刊2013年05期）
曹建军,刁兴春,李凯齐,邵衍振[4]（2013）在《基于进化强度的蚁群算法过程性能评价》一文中研究指出为了评价蚁群算法的过程性能,提出了一种基于进化强度的蚁群算法性能评价方法。以子集问题为例,引入谷元距离度量解的差异程度,并定义了迭代的相对进化幅度。将一次迭代的相对进化幅度与解的相对差异程度之比定义为进化强度,并据此将迭代区分为进化代与停滞代。通过多次运行算法并计算进化强度的平均值得到蚁群算法的进化强度趋势图,对比进化强度的趋势图进行蚁群算法过程性能评价。以4种求解子集的典型蚁群算法为例,通过标准测试实例验证了评价方法的有效性与合理性。(本文来源于《解放军理工大学学报(自然科学版)》期刊2013年01期）
王敬琳[5]（2011）在《进化自适应蚁群算法及其在基因序列比对中的应用》一文中研究指出蚁群算法(Ant Colony Algorithm，ACA)是人们受到自然界中真实蚁群集体行为研究成果的启发而发展起来的一种新型的模拟进化算法。它具有稳健性(鲁棒性)、正反馈、分布式计算、易与其它算法结合等优点，具有很好的发展前景。本文首先对蚁群算法的基本原理进行了介绍，给出了几种改进的蚁群算法，通过对这些算法作了比较系统的对比与分析。提出一种改进的自适应蚁群算法的一般模型。除此之外，并针对蚁群个体设计了交叉、变异和选择操作，使得在进化的过程中可以自适应的调整算法参数，蚁群算法发展演变成了一个全新的模式。将改进的进化自适应蚁群算法应用于生物遗传领域进行DNA序列比对，通过算例仿真表明算法的有效性；并从理论方面对该算法进行了收敛性证明。实验结果表明，在DNA的序列比对中改进的蚁群算法比基本蚁群算法更加有效。(本文来源于《辽宁工程技术大学》期刊2011-12-01）
钱雪忠,李玉[6]（2012）在《求解组合测试用例集的差分进化蚁群算法》一文中研究指出针对组合测试中测试用例集生成这一关键问题,通过构建组合空间的搜索模型,提出了一种用于求解最小测试用例集的差分进化蚁群算法(DEACA)。该算法将差分进化融入到蚁群算法中,并在搜索过程中动态更新启发信息,有效克服了标准蚁群算法在求解组合用例时出现的早熟现象。实验表明该方法优于标准蚁群算法,与其他方法相比也具有一定优势和特点。(本文来源于《计算机工程与应用》期刊2012年04期）
韩芳,邢晓哲,方婷婷,王成儒[7]（2011）在《融合鱼群和微分进化的蚁群算法的无功优化》一文中研究指出对于求解电力系统无功优化问题,提出了一种融合鱼群和微分进化的蚁群优化算法(FDEACO)。受人工鱼群觅食、聚群和追尾行为的启发,在基本蚁群算法的基础上,应用人工鱼群算法的追尾行为对蚁群在可行域上搜索到的解进行改进,加快了向最优解收敛的速度。在信息素更新机制里,通过引入微分进化算法的发散项,增加一个随机扰动,减小了算法陷入局部最优的可能性。在IEEE30测试系统上对新提出的算法进行校验,并与其它算法比较,证明FDEACO算法收敛速度快、全局寻优能力强。(本文来源于《黑龙江电力》期刊2011年02期）
丛爽,贾亚军[8]（2011）在《进化策略与蚁群算法融合的求解旅行商问题》一文中研究指出针对进化策略收敛速度快但容易陷入早熟收敛以及最大最小蚂蚁系统求解能力强但收敛速度较慢的特点,将进化策略与最大最小蚂蚁系统融合,并利用最大最小蚂蚁系统求出每一步迭代的最优解,再对迭代出最优解进行进化策略中的变异操作来加快解的收敛速度。将所提出的算法应用到中国旅行商问题(CTSP)的实际应用中,其结果显示出优越性。(本文来源于《控制工程》期刊2011年01期）
胡钢[9]（2010）在《协同进化的二元蚁群算法》一文中研究指出蚁群优化算法是一种仿生学算法,由M.Dorigo在90年代初提出。在其发展的初期,它被用于搜索离散组合问题。但随着算法的不断进步,蚁群优化算法也逐渐被引入连续域本文证明得到“非至今最优解”其解分量上的信息素到达下限所需要的最少代数,以及算法收敛所需的最小代数,进而推导出没有发现t代较优解的最小概率——LPB (t)。为了使LPB (t)最小,从而让算法具有最优的搜索能力,本文设计了搜索偏向控制函数;并以搜索偏向控制函数为核心,提出了可控搜索偏向的二元蚁群算法。在进一步分析出搜索偏向控制函数作用下,蚂蚁的访问量、算法参数和信息素对算法的影响后,本文设计了二种通用的参数设置方法:未知搜索偏向的参数取法和已知搜索偏向的参数取法。通过连续域以及离散域两种不同类型的实验,其结果表明此算法不仅具有强大的寻优能力,而且具备十分快速的收敛速度。提出了一种新的协同进化算法——协同进化的二元蚁群算法。该算法根据复杂网络自组织、自相似、吸引子的特性,并将每个蚂蚁种群视作复杂网络中的一个结点;每个种群为了增加自身的适应度而与其邻居展开竞争和合作,而通过复杂网络的小世界现象可以将竞争和合作扩散到整个网络之中,同时每个种群也通过自身的学习来增加适应度。采用多个不同的多模态函数对此算法进行了验证,其实验结果表明了算法强大的多峰求解能力。最后用可控搜索偏向的二元蚁群算法求解应用十分广泛的二元二次规划问题,通过ORLib中十个标准测试集的验证,本文算法均能得到理论最优值,表现出极其稳定的性能。(本文来源于《宁波大学》期刊2010-12-10）
江巧永,高岳林[10]（2010）在《融合差分进化和倒序变异扩展蚁群算法》一文中研究指出为了克服扩展蚁群优化(ACO)容易出现早熟现象,提出在扩展蚁群每次进化后引入倒序变异和差分进化对新种群进行二次变异。通过倒序变异和差分进化(DE)算法计算的信息来影响扩展蚁群的进化进程,以保持群体的活性,实现全局优化的目的。数值试验结果表明新算法精度较高、鲁棒性较强。(本文来源于《计算机应用》期刊2010年09期）
进化蚁群算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对求解NP-hard的车间生产调度存在的问题,提出了一种基于思维进化的蚁群算法。该算法建立在传统蚁群算法上,并结合思维进化思想和局部寻优思想克服了基本蚁群算法易陷入局部最优的缺陷,改进了状态转移规则,限定了信息素的范围,改进了信息素更新策略,并增加了邻域搜索。实验表明,对于典型生产调度问题,基于思维进化的蚁群算法可以求得理论最优解,在最优解、最差解和平均解3个指标上都优于基本蚁群算法,体现出了较好的性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
进化蚁群算法论文参考文献
[1].周健.基于进化多目标优化和蚁群算法的交通控制与诱导系统研究[D].南京邮电大学.2015
[2].魏先民.基于思维进化的蚁群算法在典型生产调度中的应用[J].计算机科学.2013
[3].赵焕平,胡可,李敬文.求解图着色问题的进化稳定策略蚁群算法[J].计算机应用与软件.2013
[4].曹建军,刁兴春,李凯齐,邵衍振.基于进化强度的蚁群算法过程性能评价[J].解放军理工大学学报(自然科学版).2013
[5].王敬琳.进化自适应蚁群算法及其在基因序列比对中的应用[D].辽宁工程技术大学.2011
[6].钱雪忠,李玉.求解组合测试用例集的差分进化蚁群算法[J].计算机工程与应用.2012
[7].韩芳,邢晓哲,方婷婷,王成儒.融合鱼群和微分进化的蚁群算法的无功优化[J].黑龙江电力.2011
[8].丛爽,贾亚军.进化策略与蚁群算法融合的求解旅行商问题[J].控制工程.2011
[9].胡钢.协同进化的二元蚁群算法[D].宁波大学.2010
[10].江巧永,高岳林.融合差分进化和倒序变异扩展蚁群算法[J].计算机应用.2010