奖惩蚁群算法

doi:10.3778/j.issn.1002-8331.2010.10.015

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (10): 44-47.DOI: 10.3778/j.issn.1002-8331.2010.10.015

奖惩蚁群算法

张飞君_¹，高玮²，汪磊²

1.武汉工业学院研究生院，武汉 430023
2.武汉工业学院土木系，武汉 430023

收稿日期:2008-10-06 修回日期:2008-12-22 出版日期:2010-04-01 发布日期:2010-04-01
通讯作者: 张飞君

Premium-penalty ant colony optimization

ZHANG Fei-jun¹，GAO Wei²，WANG Lei²

1.Department of Post-graduate，Wuhan Polytechnic University，Wuhan 430023，China
2.Department of Civil Engineering，Wuhan Polytechnic University，Wuhan 430023，China

Received:2008-10-06 Revised:2008-12-22 Online:2010-04-01 Published:2010-04-01
Contact: ZHANG Fei-jun

摘要/Abstract

摘要： 由于传统蚁群算法所采用的是随机概率搜索策略，收敛速度慢是其主要问题。为了提高算法的收敛速度，这里提出一种带奖惩策略的蚁群算法（PPACO）。新算法中，每次循环中发现的较优解都被挑选出来加以奖励，而普通解则被惩罚，这样就加快了较优路径和普通路径上信息素的差异；另外，为了不使这种差异对算法产生过多的影响，所有路径上的信息素都被限制在一定的范围[τmin，τmax]内，同时，信息素的挥发系数被设为相对较高值。通过典型模拟实验证明，新算法对解决复杂组合优化问题非常有效。

关键词: 蚁群算法, 排序, 奖励, 惩罚

Abstract: Due to the random probabilistic search strategy，the slow convergence is the main problem of the traditional Ant Colony Optimization（ACO）.In order to improve the convergence of the algorithm，the Premium-Penalty Ant Colony Optimization（PPACO） is proposed.In this new algorithm，the better solutions found by the ants are awarded while the ordinary ones are punished.In order to counteract the polarization of pheromone values on all roads，the pheromone trails are limited to an interval [τmin，τmax] and the evaporation rate is set to a higher value.The results of the simulation experiments on several traveling salesman problems show that the PPACO is ranked among the best ACO for tackling the complicated combination optimization problems.

Key words: ant colony optimization, rank, premium, penalty

中图分类号:

TP18

张飞君_¹，高玮²，汪磊². 奖惩蚁群算法[J]. 计算机工程与应用, 2010, 46(10): 44-47.

ZHANG Fei-jun¹，GAO Wei²，WANG Lei². Premium-penalty ant colony optimization[J]. Computer Engineering and Applications, 2010, 46(10): 44-47.

[1]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[7]	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.
[8]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[9]	王晓光，杨培蓓. 航运物流企业数字化转型设计与效果分析[J]. 计算机工程与应用, 2021, 57(21): 241-247.
[10]	张子然，黄卫华，陈阳，章政，李梓远. 基于双向搜索的改进蚁群路径规划算法[J]. 计算机工程与应用, 2021, 57(21): 270-277.
[11]	马震太，张晓梅，孙功星. BESIII实验软件事例级并行化研究[J]. 计算机工程与应用, 2021, 57(20): 253-262.
[12]	李二超，齐款款. 改进双向蚁群算法的移动机器人路径规划[J]. 计算机工程与应用, 2021, 57(18): 281-288.
[13]	何雅颖，范昕炜. 改进蚁群算法在机器人路径规划中的应用[J]. 计算机工程与应用, 2021, 57(16): 276-282.
[14]	付朝晖，刘长石. 多物流中心共同配送的车辆路径问题研究[J]. 计算机工程与应用, 2021, 57(16): 291-298.
[15]	张苏英，郭宝樑，陈灵芝，刘慧贤. 双向蚁群算法的智能消防疏散图路径规划[J]. 计算机工程与应用, 2021, 57(14): 259-266.

奖惩蚁群算法

Premium-penalty ant colony optimization

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