连续域蚁群算法开题报告

研究生论文开题报告

学科工学

专业计算机科学与技术

研究方向人工智能与模式识别

学号

研究生姓名

学位级别硕士

导师姓名

填表日期2016 年12 月12 日

开题报告

1.立题的依据，选题必须对国民经济或在学术上有一定意义。

在科学工程实践中，很多问题往往表达为一个连续性最优化问题，当问题的规模较大且复杂(如不可微、非线性、多极值等)时，就迫切需要有效的优化算法来进行求解。而传统的数值优化方法，对初始点的选取和目标函数的性质依赖比较大。蚁群算法作为一种群智能优化算法，不依赖于待求解问题及其约束条件的可导性，能以较大概率收敛到全局最优解，具有很好的鲁棒性，是智能优化领域目前的研究热点。

蚁群算法起源于离散型的网络路径问题，并用该方法求解旅行商问题、指派问题、调度问题等，取得了一系列较好的实验结果。然而，现实世界中有大量的连续性优化问题，将离散型蚁群算法扩展到连续域蚁群优化算法，并提高连续域蚁群算法的收敛速度和精度具有重大的应用价值和现实意义。

2.课题进行的途径，步骤的设想。

蚁群优化是模拟蚁群在觅食过程中能获得巢穴到食物源间最短路径的机制而提出的启发式方法。蚁群算法的框架为三部分，分别是：初始化，解的构建，信息素更新。初始化阶段，一般是对参数值，迭代次数，信息素的初始化。解的构建阶段，是问题的关键点，选择蚂蚁下一步的取值的策略有很多种，对应有很多种蚁群优化模型，本课题采取同ACO R算法[12]一样的模型，将解和对应的解的函数值按照解的质量从高到低的排列在解档案中，并赋给每一个解与解质量成比例的相应的权值，权值的公式如下：

（1）利用高斯核函数来取样，高斯核函数公式为：

（2）i ∈{1 , 2 ,…, k} , j ∈ {1 , 2 , …, n}, k 为解个数，n为问题维数。信息素更新阶段，要明确算法中作为信息素的这个变量，并用什么方式进行更新，显然，本课题是用解档案中的解作为信息素的，那么信息素的更新，体现在蚂蚁产生的新的较好的解加入解档案，同样多的最差的解从解档案中移除。

蚁群算法有其固有的缺点，归纳如下:

1)易陷入局部最优解。随着重复执行算法，当一条局部最优的路径积累了足够多的信息素，并且其余路径上的信息素含量低于该条路径时，将会出现停滞现象，所有的蚂蚁都聚集到这条局部相对最优的路径上，使得算法陷入局部最优解。

2)收敛速度低。蚁群中单个蚂蚁的运动是随机的，当群体规模较大时，蚂蚁群体受信息素所