基于信息素的自适应连续域混合蚁群算法

doi:10.3778/j.issn.1002-8331.1509-0038

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (6): 156-161.DOI: 10.3778/j.issn.1002-8331.1509-0038

基于信息素的自适应连续域混合蚁群算法

周袅1，2，葛洪伟1，2，苏树智1

1.江南大学物联网工程学院，江苏无锡 214122
2.轻工过程先进控制教育部重点实验室（江南大学），江苏无锡 214122

出版日期:2017-03-15 发布日期:2017-05-11

Pheromone based adaptive hybrid ant colony optimization for continuous domains

ZHOU Niao1，2, GE Hongwei1，2, SU Shuzhi1

1.School of Internet of Things, Jiangnan University, Wuxi, Jiangsu?214122, China
2.Ministry of Education Key Laboratory of Advanced Process Control for Light Industry（Jiangnan University）, Wuxi, Jiangsu 214122, China

Online:2017-03-15 Published:2017-05-11

摘要/Abstract

摘要： 针对连续域混合蚁群算法（HACO）易陷入局部最优和收敛速度较慢的问题，提出了基于信息素的自适应连续域混合蚁群算法（QAHACO）。首先提出了一种新的解更新方式，对档案中的解进行信息素挥发，扩大了搜索范围，提高了算法的全局搜索能力，并且自适应地调整信息素挥发速率，更好地平衡收敛速度和收敛精度，其次采用了一种信息分享机制，将当前解与其他所有解的平均距离和当前解与至今最优解的距离相结合，进一步加快收敛速度。通过对测试函数进行仿真实验，结果表明，和连续域蚁群及其改进算法相比，QAHACO算法的寻优能力明显提高，寻优速度有一定的优势。

关键词: 连续域蚁群优化, 信息分享机制, 信息素, 信息素挥发, 局部最优

Abstract: The Hybrid Ant Colony Optimization for continuous domains（HACO） easily traps into local optimum solutions and converges slowly, so Pheromone based Adaptive Hybrid Ant Colony Optimization for continuous domain algorithm（QAHACO） is put forward to solve these problems. Firstly, a new approach is proposed to update the solutions, which makes solutions pheromone itself evaporate, broaden search range and improve the global search ability. The introduction of the adaptive pheromone evaporation rate reaches a better balance between convergence speed and convergence accuracy. Secondly, an information sharing mechanism is proposed, combining the average distance between the chosen solution and all other solutions and the distance between the chosen solution and the optimal solution found, further improves the convergence speed. Through simulation on test function, the results show that, compared with ant colony optimization for continuous domains and its improved algorithm, the accuracy of QAHACO algorithm is improved significantly, and convergence speed of QAHACO algorithm has certain advantages.

Key words: ant colony optimization for continuous domains, information sharing mechanisms, pheromone, pheromone evaporation, local optimum

周袅1，2，葛洪伟1，2，苏树智1. 基于信息素的自适应连续域混合蚁群算法[J]. 计算机工程与应用, 2017, 53(6): 156-161.

ZHOU Niao1，2, GE Hongwei1，2, SU Shuzhi1. Pheromone based adaptive hybrid ant colony optimization for continuous domains[J]. Computer Engineering and Applications, 2017, 53(6): 156-161.

[1]	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.
[2]	张铭，邓文瀚，林娟，钟一文. 改进蚁群优化算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(13): 85-95.
[3]	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.
[4]	张晓莉，杨亚新，谢永成. 改进的蚁群算法在机器人路径规划上的应用[J]. 计算机工程与应用, 2020, 56(2): 29-34.
[5]	魏江，王建军，王健，秦春霞，梅少辉. 基于改进蚁群算法的三维航迹规划[J]. 计算机工程与应用, 2020, 56(17): 217-223.
[6]	李顺东，游晓明，刘升. 结合ABC算法动态分级的双蚁态蚁群算法[J]. 计算机工程与应用, 2020, 56(12): 37-46.
[7]	信成涛，邹海. 修正浓度与适应步长的果蝇优化算法[J]. 计算机工程与应用, 2019, 55(7): 48-52.
[8]	李理，李鸿，单宁波. 多启发因素改进蚁群算法的路径规划[J]. 计算机工程与应用, 2019, 55(5): 219-225.
[9]	薛文艳，赵江，郝崇清，刘慧贤. 基于信息素负反馈的超启发式蚁群优化算法[J]. 计算机工程与应用, 2019, 55(4): 163-172.
[10]	刘明霞1，游晓明1，刘升2. 基于聚度的自适应动态混沌蚁群算法[J]. 计算机工程与应用, 2019, 55(3): 15-22.
[11]	王秀芬. 窄通道路径规划的改进人工势场蚁群算法[J]. 计算机工程与应用, 2019, 55(3): 104-107.
[12]	陈超，张莉. 基于改进蚁群算法的三维路径规划[J]. 计算机工程与应用, 2019, 55(20): 192-196.
[13]	封声飞，雷琦，吴文烈，宋豫川. 自适应蚁群算法的移动机器人路径规划[J]. 计算机工程与应用, 2019, 55(17): 35-43.
[14]	刘今越，李洋，郭志红，任志斌，刘佳斌. 面向光学检测中轨迹优化问题的遗传算法研究[J]. 计算机工程与应用, 2018, 54(4): 205-210.
[15]	刘中强1，游晓明2，刘升2. 一种启发式动态信息素更新策略的蚁群算法[J]. 计算机工程与应用, 2018, 54(20): 20-27.

基于信息素的自适应连续域混合蚁群算法

Pheromone based adaptive hybrid ant colony optimization for continuous domains

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