基于信息素适量更新与变异的高效蚁群算法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (1): 45-47.

基于信息素适量更新与变异的高效蚁群算法

龚本灿^1,2,李腊元²,蒋廷耀¹,汪祥莉²

1.三峡大学电气信息学院，湖北宜昌 443002
2.武汉理工大学计算机学院，武汉 430063

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-01 发布日期:2008-01-01
通讯作者: 龚本灿

Efficient ant colony algorithm based on right pheromone updating and mutation

GONG Ben-can^1,2,LI La-yuan²,JIANG Ting-yao¹,WANG Xiang-li²

1.College of Electrical Engineering and Information Technology，China Three Gorges University，Yichang，Hubei 443002，China
2.College of Computer Science and Technology，Wuhan University of Technology，Wuhan 430063，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-01 Published:2008-01-01
Contact: GONG Ben-can

摘要/Abstract

摘要： 为了克服基本蚁群算法求解速度慢、易于出现早熟和停滞现象的缺陷，提出了一种高效的蚁群算法（EACA）。它修改了基本蚁群算法中信息素的更新规则，使得每轮搜索后信息素的增量能更好地反映解的质量，以加快收敛；另外，它采用了一种启发式变异方法对路径进行优化，以产生搅动效应，避免早熟。以TSP问题为例进行的实验结果表明：提出的算法优于ACA和ACAGA。

关键词: 蚁群算法, 信息素更新规则, 变异, TSP

Abstract: To overcome the default of slow convergence speed，precocity and stagnation in the basic ant colony Algorithm（ACA），we proposed an Efficient Ant Colony Algorithm（EACA）.It modifies the rule of updating pheromones in ACA，so that after every round of search，the increment of pheromone can better reflect the quality of a solution to quicken the convergence；In addition，it uses the heuristic mutation to optimize tours，generate disarrangement effect and avoid precocity.Experimental results for solving TSP（Traveling Salesman Problem） show that the proposed algorithm outperforms ACA and ACAGA.

Key words: ant colony algorithm, rule of updating pheromones, mutation, TSP

龚本灿^1,2,李腊元²,蒋廷耀¹,汪祥莉². 基于信息素适量更新与变异的高效蚁群算法[J]. 计算机工程与应用, 2008, 44(1): 45-47.

GONG Ben-can^1,2,LI La-yuan²,JIANG Ting-yao¹,WANG Xiang-li². Efficient ant colony algorithm based on right pheromone updating and mutation[J]. Computer Engineering and Applications, 2008, 44(1): 45-47.

[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]	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.
[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]	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.
[6]	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.
[7]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[8]	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.
[9]	李守玉，何庆，杜逆索. 分段权重和变异反向学习的蝴蝶优化算法[J]. 计算机工程与应用, 2021, 57(22): 92-101.
[10]	温泽宇，谢珺，谢刚，续欣莹. 基于新型拥挤度距离的多目标麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(22): 102-109.
[11]	任春慧，刘升，张伟康，张微微. 柯西变异的骆驼算法优化与应用[J]. 计算机工程与应用, 2021, 57(21): 87-94.
[12]	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.
[13]	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.
[14]	陈雷，尹钧圣. 高斯差分变异和对数惯性权重优化的鲸群算法[J]. 计算机工程与应用, 2021, 57(2): 77-90.
[15]	万达，李俊. 锦标赛精英学习与协方差变异的烟花算法[J]. 计算机工程与应用, 2021, 57(19): 84-96.