基于变异操作的蚁群算法用于连续函数优化

doi:10.3778/j.issn.1002-8331.2011.04.002

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (4): 5-8.DOI: 10.3778/j.issn.1002-8331.2011.04.002

基于变异操作的蚁群算法用于连续函数优化

高芳^1，2，韩璞¹，翟永杰¹

1.华北电力大学控制与计算机工程学院，河北保定 071003
2.河北大学电子信息工程学院，河北保定 071002

收稿日期:2010-10-28 修回日期:2010-12-07 出版日期:2011-02-01 发布日期:2011-02-01
通讯作者: 高芳

Ant colony algorithm with mutation operation for continuous function optimization

GAO Fang1，2，HAN Pu1，ZHAI Yongjie1

1.College of Control and Computer Engineering，North China Electric Power University，Baoding，Hebei 071003，China
2.College of Electric and Information Engineering，Hebei University，Baoding，Hebei 071002，China

Received:2010-10-28 Revised:2010-12-07 Online:2011-02-01 Published:2011-02-01
Contact: GAO Fang

摘要/Abstract

摘要： 介绍了基本蚁群算法的数学模型，在一种新的连续空间分解方法的基础上，对信息素更新方式进行了改进，采用信息素局部更新和自适应的信息素全局更新相结合的方式，以提高算法的收敛速度。引入了进化算法中的变异操作，对寻优过程中每次迭代的最优解进行变异，增加了种群的多样性，避免算法的早熟，以提高改进后蚁群算法的全局收敛性能。实验结果表明，提出的基于变异操作的蚁群算法在连续函数寻优上有更好的收敛速度和收敛性能。

关键词: 蚁群算法, 连续函数优化, 自适应, 变异

Abstract: The mathematical model of basic ant colony algorithm is introduced.Based on a new allocation of cities，the pheromone updating rules are improved.The local pheromone updating rule and the adaptive global pheromone updating rule are combined so that the convergence rate is improved.In order to enhance the global convergence performance of the improved ant colony algorithm and avoid the precocious result，the mutation is introduced.Once the optimal solution of each iteration is gained，the mutation operation is applied to the optimal solution so that the population varieties are increased.The numerical simulation results demonstrate that the ant colony algorithm with mutation operation has faster convergence rate and better convergence performance for continuous space optimization problems.

Key words: ant colony algorithm, continuous function optimization, self-adaption, mutation

中图分类号:

TP301.6

高芳^1，2，韩璞¹，翟永杰¹. 基于变异操作的蚁群算法用于连续函数优化[J]. 计算机工程与应用, 2011, 47(4): 5-8.

GAO Fang1，2，HAN Pu1，ZHAI Yongjie1. Ant colony algorithm with mutation operation for continuous function optimization[J]. Computer Engineering and Applications, 2011, 47(4): 5-8.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[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]	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.
[5]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[6]	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.
[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]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[9]	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.
[10]	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.
[11]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[12]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[13]	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.
[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]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.

基于变异操作的蚁群算法用于连续函数优化

Ant colony algorithm with mutation operation for continuous function 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