导读:本文包含了启发式蚁群优化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:蚁群优化,超启发式算法,人力资源调度
启发式蚁群优化算法论文文献综述
伊雅丽[1]（2018）在《研发型企业多项目人力资源调度研究——基于蚁群优化的超启发式算法》一文中研究指出现阶段,研发型企业的项目处于多项目环境下,为了解决多项目并行时人力资源争夺问题,本文针对该类企业多项目管理中人力资源调度进行优化研究,以考虑项目延期惩罚成本的最小总成本为目标函数,将现实问题抽象建模。基于国内外的研究提出了一种超启发式算法进行求解,该算法将人力资源调度问题分为项目活动分配和人员选择项目活动两个部分,采用蚁群优化作为高层启发式策略搜索低层启发式规则,再进一步根据规则解构造出可行解。最后本研究设计多组仿真实验与启发式规则进行对比,结果表明该算法有较好的搜索性能,为人力资源的调度问题提供了新的解决方案。(本文来源于《工业工程》期刊2018年04期）
薛文艳,赵江,郝崇清,刘慧贤[2]（2019）在《基于信息素负反馈的超启发式蚁群优化算法》一文中研究指出针对蚁群算法应用于自动导引小车路径规划收敛速度慢、极易陷入局部最优的缺点,提出一种基于信息素负反馈的超启发式蚁群优化(ACONhh)算法。该算法充分利用历史搜索信息和持续获得错误经验,较快引导蚁群探索最优路径;分层化选择可行节点,加快算法初期收敛速度;设置挥发因子呈类抛物线变化以及调整信息素更新机制,改善路径全局的随机搜索特性。通过严格的数学方式证明了ACONhh算法具有收敛性。仿真和实验结果表明,该算法的收敛速度以及全局搜索性能显着优于目前流行的ACO、ACOhh和ACOihh算法。(本文来源于《计算机工程与应用》期刊2019年04期）
方霞,席金菊[3]（2013）在《基于变异和启发式选择的蚁群优化算法》一文中研究指出为了解决传统蚁群算法求解TSP问题的求解时间较长、易于局部收敛的问题,提出了一种基于变异和启发式选择的蚁群优化算法。利用较优路径中城市相互之间的邻接特点,避免了大范围搜索求解,使得能具有较好的初始解,将算法的时间复杂度大大降低;同时为了加快算法的收敛速度,对于路径的启发式选择进行重新定义;引入变异机制,充分利用2-交换法简洁高效的特点,既提高了变异效率,也改进了变异质量。实验结果证明,在一些经典TSP问题上新算法表现出很好的性能。(本文来源于《计算机工程与应用》期刊2013年24期）
张泽彬[4]（2012）在《基于混合启发式蚁群优化算法在双层车辆路径问题的研究》一文中研究指出NP问题是自然界中普遍存在的一类问题,由于其目标解的搜索空间随着规模的增加而呈现指数级的增长,所以该问题已经成为当今计算机科学,人工智能等领域的瓶颈问题和热点问题。目前,传统的基于最优解的精确优化方法在求解大规模的NP完全上表现的无能为力,而与在可接受的条件限制(如时间)内找到问题的满意解的启发式算法成为解决该问题的一个有力工具,从而也成为科学界应用界研究的热点。蚁群优化算法作为一种群智能启发式算法,凭借其自身的正向反馈(能保证快速找到好的解),蚂蚁间的耦合性小(适合分布式计算并可以逃避过早的收敛)和基于贪婪的启发式搜索(帮助算法在早期阶段找到可行解)等特性,在求解NP问题上得到了广泛的应用,并且有较为完善的理论基础。另一方面,本文所重点研究的车辆路径问题是一类典型的NP问题。实际生活中的很多问题都可以被抽象为车辆路径问题,如快递发货问题,飞机、铁路列车、水运船舶及公共汽车的调度问题,物流配送问题,工作排班等问题。因此,研究车辆路径问题的启发式算法有着极为重要的理论意义和现实价值。经过几十年的发展,该问题也取得了喜人的成果,在理论和应用上都表现了很大的可行性。本课题研究了混合启发式蚁群优化算法(结合改进的蚁群优化算法结合邻域搜索算法)及其在车辆路径问题中的应用,结合启发式算法善于发现可能存在最优解的区域和局部搜索算法善于在某个区域中找到更好的解的各自优势,提出了混合启发式算法,解决了带容量约束的车辆路径问题和在学术界提出不久的双层车辆路径问题,并且在公开测试样例表现出了一定的优越性,说明了算法的有效性。本课题主要取得的成果主要有以下几个方面：第一,在原有基础蚁群优化算法(ACO)基础上,对该元启发式算法根据车辆路径问题的特点进行了改进,并在性能和效率上取得更好的结果；第二,在领域下降搜索算法的基础上提出了一种局部搜索能力更强的多领域下降搜索法；第叁,在大规模的双层路径问题中,提出了一种效率更高的局部搜索算法：基于阈值的领域搜索；第四,结合贪婪算法,蚁群优化算法和各种领域搜索算法,本文提出了一种基于阈值的混合启发式算法,用于求解双层车辆路径问题。利用传统启发式算法的快速性,蚁群优化算法的搜索多样性以及局部搜索算法较强的局部寻优能力,提高求解质量,加速算法的收敛性。总的来说,本论文对蚁群优化算法和车辆路径问题,特别是运量限制的车辆路径问题和双层路径问题进行了实验性的研究,且已实际的车辆路径问题相结合,取得了实际应用价值。(本文来源于《广东工业大学》期刊2012-05-01）
刘全,陈浩,张永刚,李娇,张沈斌[5]（2012）在《一种动态挥发率和启发式修正的蚁群优化算法》一文中研究指出群体智能的研究为分布式控制和优化提供了更好的方法,以蚁群算法为代表的群体智能已经得到了大量的研究,并广泛应用于组合优化领域.但是在求解组合优化问题特别是在求解规模较大的问题时,收敛速度慢、易于停滞等现象仍然制约算法的广泛应用.为此,提出了DEAHACO算法,该算法提出动态挥发率机制,用以更好地平衡求解效率和求解质量之间的矛盾,避免算法陷入局部最优;同时,为了加快算法的收敛速度,对启发式信息进行了重新定义,以指导算法快速收敛;最后,引入了边界对称变异策略对迭代结果进行对称变异,既提高了变异效率,也改进了变异质量.实验表明,该算法与其他算法相比,其收敛速度提高了20%以上,同时算法在其他一些经典的TSP问题上也表现出很好的性能.(本文来源于《计算机研究与发展》期刊2012年03期）
王安保,胡小明[6]（2011）在《基于GPS及蚁群优化的启发式路由算法》一文中研究指出为了大大减少网络维护路由信息的总量和提高路由的鲁棒性,提出了一个新的路由算法,应用全球定位系统(GPS)提供的数据作为启发式信息,利用蚁群优化技术,通过分析,根据每个节点所处的位置不同,令其使用不同的概率转发路由信息到下一跳节点,该算法选择多条路径记录在本地路由表中以提高其鲁棒性,同时采取修复机制创建新路径以提高数据包传输的成功率。仿真结果表明,该算法取得了较好的数据包传输成功率与较低的通信延迟。(本文来源于《计算机工程与设计》期刊2011年05期）
启发式蚁群优化算法论文开题报告
（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：
针对蚁群算法应用于自动导引小车路径规划收敛速度慢、极易陷入局部最优的缺点,提出一种基于信息素负反馈的超启发式蚁群优化(ACONhh)算法。该算法充分利用历史搜索信息和持续获得错误经验,较快引导蚁群探索最优路径;分层化选择可行节点,加快算法初期收敛速度;设置挥发因子呈类抛物线变化以及调整信息素更新机制,改善路径全局的随机搜索特性。通过严格的数学方式证明了ACONhh算法具有收敛性。仿真和实验结果表明,该算法的收敛速度以及全局搜索性能显着优于目前流行的ACO、ACOhh和ACOihh算法。
（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。
启发式蚁群优化算法论文参考文献
[1].伊雅丽.研发型企业多项目人力资源调度研究——基于蚁群优化的超启发式算法[J].工业工程.2018
[2].薛文艳,赵江,郝崇清,刘慧贤.基于信息素负反馈的超启发式蚁群优化算法[J].计算机工程与应用.2019
[3].方霞,席金菊.基于变异和启发式选择的蚁群优化算法[J].计算机工程与应用.2013
[4].张泽彬.基于混合启发式蚁群优化算法在双层车辆路径问题的研究[D].广东工业大学.2012
[5].刘全,陈浩,张永刚,李娇,张沈斌.一种动态挥发率和启发式修正的蚁群优化算法[J].计算机研究与发展.2012
[6].王安保,胡小明.基于GPS及蚁群优化的启发式路由算法[J].计算机工程与设计.2011