發(fā)布時間：2022-12-18 05:42

　　社會的飛速發(fā)展得益于背后科技的強大推動,科技已經(jīng)深深影響并改變著人類的衣食住行。室內(nèi)、室外各種復雜路徑規(guī)劃問題在不斷地刷新和被解決著,顯然求解此類問題的傳統(tǒng)算法和圖形學方法已經(jīng)難以滿足現(xiàn)實和潛在的需求。然而,以蟻群算法和粒子群算法為代表的智能仿生算法的興起為解決此類問題提供了一個新的思路和方向。智能仿生算法僅包含一些數(shù)學的基礎性操作,計算相對簡單且比較容易實現(xiàn)。因其算法自身不足的存在,求解效果也常常表現(xiàn)得不盡人意,由此需要進行一些適當?shù)母倪M及優(yōu)化。本文在分析了兩種算法的優(yōu)缺點后,以原有算法為基礎、優(yōu)化為目標對其進行適度改進,同時應用于測試案例進行驗證。本文的主要研究工作如下:（1）對經(jīng)典蟻群算法在求解車輛路徑問題時的不足進行研究分析,提出了一種自適應動態(tài)搜索蟻群算法（ADACO）。首先,以測試案例的TSP問題為基礎實驗性配置組合參數(shù)并構(gòu)建算法模型;其次,采用偽隨機分布和自適應轉(zhuǎn)移概率相結(jié)合策略,幫助群體選擇較高質(zhì)量路徑;同時分段化設定信息素強度參數(shù)值,有效誘導群體及時跳脫局部困境并構(gòu)造新的解。測試結(jié)果表明,無論在時間開銷還是配送成本方面,ADACO算法較于其他算法均獲得了顯著改進,充分... 

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外的研究現(xiàn)狀
    1.3 論文的研究內(nèi)容及結(jié)構(gòu)安排
        1.3.1 研究內(nèi)容
        1.3.2 文章結(jié)構(gòu)安排
第二章 路徑規(guī)劃的基礎理論
    2.1 車輛路徑規(guī)劃
        2.1.1 車輛路徑規(guī)劃的基本定義及分類
        2.1.2 車輛路徑規(guī)劃的數(shù)學模型
        2.1.3 求解車輛路徑規(guī)劃的基本方法
    2.2 移動機器人路徑規(guī)劃
        2.2.1 移動機器人路徑規(guī)劃的定義及分類
        2.2.2 環(huán)境模型的建立
        2.2.3 求解路徑規(guī)劃的算法分類
    2.3 本章小結(jié)
第三章 經(jīng)典智能算法的概述
    3.1 蟻群算法
        3.1.1 蟻群算法的基本概念
        3.1.2 蟻群算法的實現(xiàn)過程及流程框架
        3.1.3 蟻群算法的優(yōu)缺點
    3.2 粒子群算法
        3.2.1 粒子群算法的起源
        3.2.2 粒子群算法的原理及實現(xiàn)步驟
        3.2.3 影響算法性能的關(guān)鍵因素分析
    3.3 本章小結(jié)
第四章 基于自適應動態(tài)搜索蟻群算法的車輛路徑規(guī)劃
    4.1 案例描述
    4.2 自適應動態(tài)搜索蟻群算法
        4.2.1 轉(zhuǎn)移概率的改進
        4.2.2 信息素強度的動態(tài)調(diào)整
        4.2.3 ADACO算法的偽代碼描述
    4.3 實驗仿真及結(jié)果分析
        4.3.1 參數(shù)設置
        4.3.2 仿真結(jié)果及分析
    4.4 本章小結(jié)
第五章 混合策略粒子群優(yōu)化算法求解移動機器人路徑規(guī)劃
    5.1 環(huán)境配置
    5.2 混合策略粒子群優(yōu)化算法
        5.2.1 小生境
        5.2.2 動態(tài)反向?qū)W習策略
        5.2.3 測試函數(shù)的建立
        5.2.4 算法的實現(xiàn)步驟及流程
    5.3 實驗仿真及結(jié)果分析
        5.3.1 實驗參數(shù)設置
        5.3.2 仿真結(jié)果及分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
攻讀學位期間的研究成果



本文編號：3721462