發(fā)布時間：2017-07-18 00:13

  本文關(guān)鍵詞：基于云平臺的遺傳—蟻群混合型算法的研究及在TSP中的應(yīng)用

  更多相關(guān)文章： 云計算 蟻群算法 遺傳算法 自然選擇策略蟻群算法 免疫遺傳算法 遺傳-蟻群混合型算法 旅行商問題

【摘要】：云計算作為計算機(jī)行業(yè)新興技術(shù)的一個重要組成部分,其運(yùn)行性能的好壞直接影響到處理大規(guī)模問題的效率。對此,探求優(yōu)化組合智能算法是目前云計算研究的重要任務(wù),同時也具有相當(dāng)大的挑戰(zhàn)。在智能計算領(lǐng)域中,蟻群算法和遺傳算法是最具有代表性的兩種智能優(yōu)化算法,前者是對螞蟻群覓食過程的模擬,后者是模擬自然界中自然選擇優(yōu)勝劣汰過程的計算模型。蟻群算法善于求解離散型優(yōu)化問題,體現(xiàn)了其優(yōu)越的性能,但是在尋優(yōu)過程中極易過早收斂,出現(xiàn)非全局最優(yōu)解,而遺傳算法概念比較簡單,易與其它智能優(yōu)化算法相結(jié)合,但局部搜索能力差,進(jìn)化過程中不能很好地利用系統(tǒng)反饋的信息,產(chǎn)生大量的無效迭代等缺陷。論文在蟻群算法和遺傳算法深入研究的基礎(chǔ)上,針對兩種算法各自存在的優(yōu)缺點,提出用自然選擇策略和免疫機(jī)制原理分別對蟻群算法和遺傳算法進(jìn)行改進(jìn),將改進(jìn)后的兩種算法,按照揚(yáng)長避短的方式進(jìn)行融合,得到遺傳-蟻群混合型算法。在遺傳-蟻群混合型算法中,首先初始信息素的分布是通過遺傳算法的快速隨機(jī)搜索產(chǎn)生的,然后由自然選擇策略蟻群算法積累的信息素構(gòu)建出比較好的解集,再利用免疫遺傳算法的選擇、交叉、變異操作以及免疫選擇來調(diào)節(jié)蟻群算法的參數(shù)組合,最后利用遺傳算法的最優(yōu)解保留機(jī)制,從而得到最優(yōu)解。論文又將遺傳-蟻群混合型優(yōu)化算法部署到云計算平臺中求解旅行商問題。論文設(shè)計實驗將提出的遺傳-蟻群混合型算法分別與蟻群算法和遺傳算法在相同云平臺環(huán)境條件下做對比,仿真測試結(jié)果表明：基于遺傳-蟻群混合型優(yōu)化算法相比改進(jìn)之前的單一算法,在求解旅行商問題時不僅執(zhí)行時間短,而且求解效果更佳。從而為探索在云平臺下求解旅行商問題提供了解決方案。
【關(guān)鍵詞】：云計算 蟻群算法 遺傳算法 自然選擇策略蟻群算法 免疫遺傳算法 遺傳-蟻群混合型算法 旅行商問題
【學(xué)位授予單位】：內(nèi)蒙古農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18;TP393.09
【目錄】：

• 摘要3-4
• Abstract4-9
• 1 緒論9-13
• 1.1 研究背景和意義9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.2.1 國外研究現(xiàn)狀9-10
• 1.2.2 國內(nèi)研究現(xiàn)狀10-11
• 1.3 研究內(nèi)容與論文結(jié)構(gòu)11-12
• 1.4 論文的創(chuàng)新點12-13
• 2 云計算平臺的基本理論13-17
• 2.1 開源分布式并行計算平臺Hadoop架構(gòu)模型13
• 2.2 分布式文件系統(tǒng)HDFS13-14
• 2.2.1 HDFS基本組織結(jié)構(gòu)13-14
• 2.3 分布式計算框架MapReduce14-15
• 2.3.1 MapReduce計算模型的基本概念14-15
• 2.3.2 MapReduce計算模型的基本結(jié)構(gòu)15
• 2.4 本章小結(jié)15-17
• 3 蟻群算法與遺傳算法的基本理論及其改進(jìn)17-38
• 3.1 傳統(tǒng)蟻群算法原理17-18
• 3.2 傳統(tǒng)蟻群算法模型18-22
• 3.2.1 信息素?fù)]發(fā)度更新規(guī)則19-22
• 3.3 傳統(tǒng)蟻群算法的參數(shù)影響22-26
• 3.3.1 蟻群算法對參數(shù)的分析22-25
• 3.3.2 α、β、ρ組合參數(shù)配置對蟻群算法的性能影響25-26
• 3.4 基于自然選擇策略的改進(jìn)蟻群算法26-30
• 3.4.1 路徑選擇概率更新規(guī)則26-27
• 3.4.2 信息素優(yōu)化更新規(guī)則27-30
• 3.5 遺傳算法的相關(guān)概念30
• 3.6 遺傳算法的特點30-31
• 3.7 遺傳操作的遺傳算子31-32
• 3.8 遺傳算法的設(shè)計32-33
• 3.8.1 遺傳算法求解問題的一般過程32-33
• 3.8.2 遺傳算法流程圖33
• 3.9 基于免疫系統(tǒng)的改進(jìn)遺傳算法33-36
• 3.10 本章小結(jié)36-38
• 4 基于云平臺的遺傳-蟻群混合型優(yōu)化算法38-44
• 4.1 基于遺傳操作的蟻群算法簡介38
• 4.2 免疫遺傳算法與自然選擇策略蟻群算法融合的基本思想38
• 4.3 遺傳-蟻群混合型優(yōu)化算法的設(shè)計與構(gòu)造38-40
• 4.3.1 算法的基本設(shè)計38-39
• 4.3.2 遺傳算法中遺傳算子的構(gòu)造39-40
• 4.3.2.1 交叉算子39-40
• 4.3.2.2 變異算子40
• 4.4 遺傳-蟻群混合型算法流程40-42
• 4.4.1 IGAACANS算法的流程40-41
• 4.4.2 遺傳-蟻群混合型算法在云平臺的基本實現(xiàn)步驟41-42
• 4.5 本章小結(jié)42-44
• 5 遺傳-蟻群混合型算法的仿真測試及結(jié)果對比分析44-50
• 5.1 旅行商問題的概述44
• 5.2 IGAACANS混合算法在TSP問題上的仿真驗證44-48
• 5.2.1 數(shù)據(jù)及仿真實驗軟件44-45
• 5.2.2 三種算法對TSP的仿真45-48
• 5.3 結(jié)果對比分析48-49
• 5.4 本章小結(jié)49-50
• 6 總結(jié)與展望50-51
• 6.1 總結(jié)50
• 6.2 展望50-51
• 致謝51-52
• 參考文獻(xiàn)52-56
• 作者簡介56

，

本文編號：555216