带有征税算子的改进蚁群优化方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (15): 32-35.

带有征税算子的改进蚁群优化方法

郑松，李春富，王春林，葛铭，薛安克

杭州电子科技大学教育部检测技术与自动化工程研究中心，杭州 310018

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-05-21 发布日期:2011-05-21

Improved ant colony algorithm with tax operator

ZHENG Song，LI Chunfu，WANG Chunlin，GE Ming，XUE Anke

Detection and Automation Engineering Center，Hangzhou Dianzi University，Hangzhou 310018，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-05-21 Published:2011-05-21

摘要/Abstract

摘要： 针对蚁群算法存在停滞现象的缺点，借鉴人类社会税收机制的作用，提出了能够强化其全局搜索能力的征税算子。征税算子通过抑止信息素差异急剧膨胀，以提高所得解的全局性。并对征税算子的参数设置以及收敛性问题进行讨论研究，最后将添加征税算子的蚁群算法与传统蚁群算法分别应用于旅行商问题（TSP）进行仿真实验。仿真结果表明，征税算子具有优良的全局优化性能，可抑制算法过早收敛于次优解，有效防止了停滞现象。

关键词: 蚁群算法, 征税算子, 停滞现象, 全局优化

Abstract: Aiming at the disadvantage（premature convergence） of Ant Colony Algorithm（ACA），edified from the role of tax mechanisms of human society，the tax operator is presented to strengthen its global search ability.Tax operator restrains the rapid expansion of difference between pheromone in order to improve the solution.The preferences and the convergence of the tax operator is discussed in the paper.In the end，an example of Traveling Salesman Problem（TSP） is given in the paper，which is simulated by using basic ACA and improved ACA.The simulation results show that the tax operator has excellent global optimization properties，it can avoid premature convergence of ACO.

Key words: Ant Colony Optimization（ACO）, tax operator, stagnation behavior, global optimization

郑松，李春富，王春林，葛铭，薛安克. 带有征税算子的改进蚁群优化方法[J]. 计算机工程与应用, 2011, 47(15): 32-35.

ZHENG Song，LI Chunfu，WANG Chunlin，GE Ming，XUE Anke. Improved ant colony algorithm with tax operator[J]. Computer Engineering and Applications, 2011, 47(15): 32-35.

[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]	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.
[4]	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.
[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]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	付朝晖，刘长石. 生鲜电商配送的开放式时变车辆路径问题研究[J]. 计算机工程与应用, 2021, 57(1): 271-278.
[14]	张松灿，普杰信，司彦娜，孙力帆. 蚁群算法在移动机器人路径规划中的应用综述[J]. 计算机工程与应用, 2020, 56(8): 10-19.
[15]	胡春阳，姜平，周根荣. 改进蚁群算法在AGV路径规划中的应用[J]. 计算机工程与应用, 2020, 56(8): 270-278.