含维变异算子的连续域蚁群算法

计算机应用 ›› 2010, Vol. 30 ›› Issue (12): 3204-3206.

含维变异算子的连续域蚁群算法

梁昔明¹,李朝辉¹,龙文¹,董淑华²

1. 中南大学信息科学与工程学院
2.

收稿日期:2010-05-24 修回日期:2010-07-24 发布日期:2010-12-22 出版日期:2010-12-01
通讯作者: 李朝辉
基金资助:
国家自然科学基金项目;高等学校博士点基金;湖南省研究生科研创新项目

Continuous domains ant colony algorithm with dimension mutation operator

Received:2010-05-24 Revised:2010-07-24 Online:2010-12-22 Published:2010-12-01

摘要/Abstract

摘要： 针对在连续优化中，蚁群算法(ACO)存在的收敛速度慢和易陷入局部最优的问题，提出了一种新的含维变异算子的连续域蚁群算法(DMCACO)。该算法采用动态随机抽取的方法来确定目标个体，引导蚁群进行全局的快速搜索，同时在当前最优蚂蚁邻域内进行小步长的局部搜索。在定义了维多样性概念的基础上，引入维变异算子对维多样性最差的维进行变异：让所有蚂蚁在该维上的位置重新均匀分布在可行区域上。对测试函数所做的仿真实验表明，该算法具有优良的全局寻优能力和快速的收敛能力。

关键词: 蚁群算法, 连续域, 多样性, 维变异, 全局寻优

Abstract: Concerning the disadvantages of ant colony optimization such as easily plunging into a local optimum and slow convergence speed in continuous optimization, a new Ant Colony Algorithm (ACO) with dimension mutation operator (DMCACO) was presented. In this algorithm, target individuals which led the ant colony to do global rapid search were determined by dynamic and stochastic extraction and the current optimal ant searches in small step nearly. The concept of dimension diversity was defined and the worst of diversity was mutated with introducing the dimension mutation operator: the positions of all ants in this dimension were distributed in the feasible range evenly. The simulation on typical test functions indicates that this algorithm has excellent global optimization and rapid convergence.

Key words: Ant Colony Algorithm (ACO), continuous domain, diversity, dimension mutation, global optimization

梁昔明李朝辉龙文董淑华. 含维变异算子的连续域蚁群算法[J]. 计算机应用, 2010, 30(12): 3204-3206.

[1]	毛铭泽, 曹芮浩, 闫春钢. 基于权值多样性的半监督分类算法[J]. 计算机应用, 2021, 41(9): 2473-2480.
[2]	朱亮, 徐华, 崔鑫. 基于基分类器系数和多样性的改进AdaBoost算法[J]. 计算机应用, 2021, 41(8): 2225-2231.
[3]	乔钢柱, 王瑞, 孙超利. 基于分解的高维多目标改进进化算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3097-3103.
[4]	李二超, 李康伟. 基于最小距离和聚合策略的分解多目标进化算法[J]. 计算机应用, 2021, 41(1): 22-28.
[5]	李二超, 杨蓉蓉. 基于自适应反向学习的多目标分布估计算法[J]. 计算机应用, 2021, 41(1): 15-21.
[6]	段宇君, 王耀力, 常青, 刘鑫. 改进型蚁群算法融合混沌优化的pSPIEL算法的无线传感器布局优化[J]. 计算机应用, 2020, 40(3): 793-798.
[7]	屈立成, 吕娇, 赵明, 王海飞, 屈艺华. 基于三维时空地图和运动分解的多机器人路径规划算法[J]. 计算机应用, 2020, 40(12): 3499-3507.
[8]	刘育良, 陈淮莉. 负载影响下纯电动汽车配送路径规划及充电策略[J]. 计算机应用, 2020, 40(10): 2831-2837.
[9]	王东先, 孟学雷, 乔俊, 汤霖, 焦志臻. 基于改进蚁群算法的铁路乘务交路计划的编制[J]. 计算机应用, 2019, 39(9): 2749-2756.
[10]	李卓, 李引珍, 李文霞. 应急物资运输路径多目标优化模型及求解算法[J]. 计算机应用, 2019, 39(9): 2765-2771.
[11]	赵旭浩, 王轶群, 刘健, 徐春晖. 基于能量约束的自主水下航行器任务规划算法[J]. 计算机应用, 2019, 39(9): 2529-2534.
[12]	郑延斌, 王林林, 席鹏雪, 樊文鑫, 韩梦云. 基于蚁群算法及博弈论的多Agent路径规划算法[J]. 计算机应用, 2019, 39(3): 681-687.
[13]	郭良敏, 朱莹, 孙丽萍. 障碍空间中基于并行蚁群算法的k近邻查询[J]. 计算机应用, 2019, 39(3): 790-795.
[14]	杨继东, 孙兆琦, 王飞龙. 基于视觉抓取的并联桁架机器人最优路径控制[J]. 计算机应用, 2019, 39(3): 913-917.
[15]	王东先, 孟学雷, 何国强, 孙慧萍, 王喜栋. 基于改进蚁群算法的铁路乘务排班计划编制[J]. 计算机应用, 2019, 39(12): 3678-3684.