多头绒泡菌预处理的改进Q学习算法求解最短路径问题

作     者：马学森 朱建 谈杰 唐昊 周江涛 Ma Xuesen;Zhu Jian;Tan Jie;Tang Hao;Zhou Jiangtao

作者机构：合肥工业大学计算机与信息学院合肥230009 广东三水合肥工业大学研究院佛山528000 合肥工业大学电气与自动化工程学院合肥230009 合肥工业大学数学学院合肥230009 

出 版 物：《电子测量与仪器学报》 (Journal of Electronic Measurement and Instrumentation)

年 卷 期：2019年第31卷第5期

页      面：148-157页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 070208[理学-无线电物理] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0702[理学-物理学] 

基　　金：国家自然科学基金(61573126) 广东省科技发展专项基金(2017A010101001) 中央高校基本科研业务费专项基金(JZ2016HGBZ1032) 国家留学基金 安徽省教育厅高等学校省级质量工程项目(2017JYXM0055) 合肥工业大学课程规划设计研究项目(119-033112)资助 

主　　题：最短路径问题 Q学习 多头绒泡菌 模拟退火算法 网络预处理 自适应概率选择模型 

摘      要：针对最短路径问题中Q学习算法的初始搜索空间大、后期收敛不稳定的缺陷,提出多头绒泡菌预处理的改进Q学习算法(PPA-Q)。该算法引入网络预处理过程和自适应概率选择模型,利用多头绒泡菌进行网络预处理,减少算法前期的无用探索空间,再通过改进的模拟退火算法实现自适应概率选择模型,加强算法对优质路径的探索程度,增加算法初期解的多样性,同时在算法后期稳定逼近最优路径且不振荡。仿真结果表明,PPA-Q算法收敛到最优路径成功率为100%,高于经典蚁群(ACO)算法和Q(λ)算法的80%,其迭代次数分别低于Q学习算法57.2%、ACO算法32.9%和Q(λ)算法35.1%.