一种自适应分组的蚁群算法

doi:10.3778/j.issn.1002-8331.2003-0296

计算机工程与应用 ›› 2021, Vol. 57 ›› Issue (6): 67-73.DOI: 10.3778/j.issn.1002-8331.2003-0296

一种自适应分组的蚁群算法

卜冠南，刘建华，姜磊，张冬阳

1.福建工程学院信息科学与工程学院，福州 350118
2.福建省大数据挖掘与应用技术重点实验室，福州 350118

出版日期:2021-03-15 发布日期:2021-03-12

Ant Colony Algorithm with Adaptive Grouping

BU Guannan, LIU Jianhua, JIANG Lei, ZHANG Dongyang

1.School of Information Science and Engineering, Fujian University of Technology, Fuzhou 350118, China
2.Fujian Provincial Key Laboratory of Big Data Mining and Applications, Fuzhou 350118, China

Online:2021-03-15 Published:2021-03-12

摘要/Abstract

摘要：

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem，TSP）的智能算法，但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题，而将蚂蚁算法的蚁群分组，能增加全局搜索能力，提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系，并提出了一种自适应分组蚁群算法，采用一种随迭代分组数减少策略方法，并将其应用于对TSP路径规划问题求解。通过实验结果对比表明，自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。

关键词: 旅行商问题, 蚁群算法, 分组, 自适应

Abstract:

Ant Colony Optimization（ACO） Algorithm is an intelligent algorithm that can be applied to solve Traveling Salesman Problem（TSP）. However, in solving TSP, ACO algorithm has a slow convergence rate and is easy to fall into local optimal solution, so grouping ant colonies can enhance the global search ability and improve the performance of solving path planning. In this paper, the relationship between the size of ant colony and the performance of ant colony algorithm is analyzed, and an ant colony algorithm with adaptive grouping is proposed, which adopts the policy of the group number decreasing over iteration. The new algorithm is applied to solve the TSP. The comparison of experimental results show that the adaptive grouping ant colony algorithm has significantly improved the convergence speed and search quality.

Key words: Traveling Salesman Problem（TSP）, ant colony algorithm, grouping, adaptive

卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.

BU Guannan, LIU Jianhua, JIANG Lei, ZHANG Dongyang. Ant Colony Algorithm with Adaptive Grouping[J]. Computer Engineering and Applications, 2021, 57(6): 67-73.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[3]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[4]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[5]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[6]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[7]	沈璇，王欣玫，何俊，孙志远. Robin算法改进的6轮不可能差分攻击[J]. 计算机工程与应用, 2021, 57(5): 95-99.
[8]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[9]	马向华，张谦. 改进蚁群算法在机器人路径规划上的研究[J]. 计算机工程与应用, 2021, 57(5): 210-215.
[10]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[11]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[12]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[13]	李壮阔，常凯旋. 合作博弈的连续蚁群算法求解[J]. 计算机工程与应用, 2021, 57(24): 198-204.
[14]	任军效，常新，侯滢，曹小博. 考虑用户偏好和平台收益的共享泊位分配模型[J]. 计算机工程与应用, 2021, 57(24): 242-248.
[15]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.

一种自适应分组的蚁群算法

Ant Colony Algorithm with Adaptive Grouping

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics