基于觅食-返巢机制连续域蚁群算法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (1): 24-26.

基于觅食-返巢机制连续域蚁群算法

金浩，刘维宁

北京交通大学土木建筑工程学院，北京 100044

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-01 发布日期:2012-01-01

Ant colony algorithm for continuous function based on foraging-homing mechanism

JIN Hao, LIU Weining

School of Civil Engineering, Beijing Jiaotong University, Beijing 100044, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-01 Published:2012-01-01

摘要/Abstract

摘要： 蚁群算法求解函数问题，人工蚂蚁的搜索范围和信息素浓度更新速度直接影响到是否能够获得全域最优解。为了获得更加稳定且准确的全域最优解，受自然蚂蚁觅食后返巢行为的启发，提出了具有觅食-返巢机制的蚁群算法。该算法主要通过增大人工蚂蚁的搜索范围以及加快信息素浓度的更新速度进行改进。通过函数测试，结果表明：觅食-返巢连续域蚁群算法相比于以往的遗传算法和连续域蚁群算法，能够得到更好的计算结果和运行时间。因此觅食-返巢机制使得蚁群算法求解全域最优解的能力获得了提高。

关键词: 觅食-返巢机制, 蚁群算法, 信息素, 函数

Abstract: The optimal solution of ant colony algorithm solving continuous function is impacted by searching range and pheromone update rate of artificial ants. For stable and accurate optimal solution, ant colony algorithm with foraging-homing mechanism is presented, which is inspired by foraging-homing behaviors of ant colonies. Searching?range is expanded and?pheromone update rate is accelerated. According to function test, results show that：?ant colony algorithm with foraging-homing mechanism can get better optimal solution and computing time compared to former genetic algorithm and ant colony algorithm. Therefore foraging-homing mechanism improves the ant colony algorithm.

Key words: foraging-homing mechanism, ant colony algorithm, pheromone, function

金浩，刘维宁. 基于觅食-返巢机制连续域蚁群算法[J]. 计算机工程与应用, 2012, 48(1): 24-26.

JIN Hao, LIU Weining. Ant colony algorithm for continuous function based on foraging-homing mechanism[J]. Computer Engineering and Applications, 2012, 48(1): 24-26.

[1]	邓利芳，党建武，王阳萍，王松. 结合混合核特征映射的空域图像隐写分析[J]. 计算机工程与应用, 2021, 57(9): 118-125.
[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]	闫晓燊，高强，朱思萌，奚学程，赵万生. 亮度不均匀低质量图像中压印字符分割方法[J]. 计算机工程与应用, 2021, 57(8): 185-191.
[5]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[6]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[7]	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.
[8]	周友行，赵晗妘，刘汉江，李昱泽，肖雨琴. 采用DDPG的双足机器人自学习步态规划方法[J]. 计算机工程与应用, 2021, 57(6): 254-259.
[9]	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.
[10]	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.
[11]	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.
[12]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.
[13]	马志豪，朱响斌. 拟双曲动量梯度的对抗深度强化学习研究[J]. 计算机工程与应用, 2021, 57(24): 90-99.
[14]	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.
[15]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.