基于蚁群算法的TSP问题研究开题报告.docVIP

四川农业大学本科生毕业论文（设计）开题报告 毕业论文（设计）题目 基于蚁群算法的TSP问题研究 选题类型 课题来源 学 院 专 业 指导教师 职 称 姓 名 年 级 学 号 1 立题依据 近年来，群体智能成为了人工智能研究的一个热点课题，它对于没有集中控制并且不提供全局模型的问题，提供了一种复杂的分布式解决方案。科学家们受社会性昆虫群体智能的启发，通过对其行为的模拟，已得出了一系列用于解决传统复杂问题的新方法，蚁群算法便是其中很具有代表性的一种。 蚁群算法（Ant Colony algorithm）是意大利学者M.Dorigo等人于20世纪90年代初在新型算法研究的过程中，通过模拟自然界蚂蚁的觅食过程：即通过信息素（pheromone）的相互交流从而找到由蚁巢至食物的最短路径，提出的一种基于信息正反馈原理的新型模拟进化算法。该算法不依赖于具体问题的数学描述，具有全局优化能力和本质上的并行性，同时比遗传算法、模拟退火算法等早期进化算法具备更强的鲁棒性、兼之求解时间短和易于计算机实现等优点，已被广泛应用于神经网络训练、函数优化和多目标优化等方面，目前在资金分配、货物装载、项目选择以及物流管理中也开始应用，并取得了一定成果，显示了其在求解复杂优化问题（特别是组合优化问题）方面的优越性，证明它是一种具有广阔发展背景的好方法。 蚁群优化算法最初用于解决TSP问题，该问题是作为所有组合优化问题的范例而存在的。它已经成为并将继续成为测试新算法的标准问题。这是因为，TSP问题展示了组合优化的所有方面。它从概念上来讲非常简单，但是其求解的难度是很大的。如果针对TSP问题提出的某种算法能够取得比较好的实算效果，那么对其进行修改，就可以应用于其他类型的组合优化问题并取得良好的效果。 2 研究的主要内容及预期目标 2.1 主要内容 2.1.1 TSP问题的简单描述 TSP问题（Traveling Salesman Problem），即旅行商问题，又译为旅行推销员问题、货郎担问题，是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。 2.1.2 蚁群算法的基本原理 蚂蚁在运动过程中会通过在路上释放一种特殊的分泌物——信息素来寻找路径。当它碰到一个还没有走过的路口时就随机选择一条路径前行，同时释放出与路径长度有关的信息素。蚂蚁走的路越长，则释放的信息量越小。当后来的蚂蚁再次碰到这个路口时，选择信息量较大的路径的概率相对较大，这样便形成了一个正反馈机制。最优路径上的信息量越来越大，而其他路径上的信息量却随时间逐渐减少，最终整个蚁群会找出最优路径。 2.1.3 蚁群算法求解TSP的流程 参数初始化。令时间t=0，循环次数NC=0，设置最大循环次数NCmax ，将m只蚂蚁置于n个城市上，令每条边上的（i,j）初始化信息量τij(t)=const，其中const表示常量，且初始时刻Δτij(0)=0； 循环次数NC = NC +1； 蚂蚁的禁忌表索引号k=1； 蚂蚁数目k=k+1； 蚂蚁个体根据状态转移概率公式计算的概率Pkij(t)选择城市j； 修改禁忌表指针，即选择好后将蚂蚁移动到新的城市，并把该城市移动到该蚂蚁个体的禁忌表中； 若集合C中的城市未遍历完，即km，则跳转到第（4）步，否则继续往下一步执行； 根据信息素更新机制更新每条路径上的信息量τij(t+n)； 若满足结束条件，即循环次数NC=NCmax, 则循环结束并输出程序计算结果，否则清空禁忌表并跳转到第（2）步。 注：上述步骤中要用到该算法数学模型中两个重要的机制（如下），其中将涉及到几个关键参数。 路径选择机制 信息素更新机制 2.2 预期目标 通过研究和分析各种蚁群算法模型，掌握蚁群算法的基本原理和实现步骤，并在MATLAB环境中进行仿真，分析蚁群算法中各关键参数对算法性能的影响。 针对TSP问题，掌握经典算法的基本思想和解决方法，并应用性能优异的蚁群算法得出旅行商问题的最佳解。 3 研究方法 在蚁群算法解决TSP问题中，拟采用以下研究方法： （1）研究蚁群算法的基本原理，通过仿真结果分析蚁群算法关键参数对算法的影响。 （2）选择合理的参数配置使蚁群算法性能得到提高，并用大量的仿真实验结果予以证明。 （3）通过理论分析和仿真实验，讨论蚁群算法的收敛性。 （4）分析TSP问题的经典解决方法，并和蚁群算法解决TSP问题的结果进行比较分析。 4 进度安排 起始时间 研究内容 2012.01—2011.02 论文开题收集资料，查询需要的材料 2012.03—2012.04 开题报告确定、