自适应调整挥发系数的逆向蚁群算法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (3): 105-107.

自适应调整挥发系数的逆向蚁群算法

岳凤¹,刘希玉²

1．山东师范大学信息科学与工程学院，济南 250014
2.山东师范大学管理学院，济南 250014

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-21 发布日期:2008-01-21
通讯作者: 岳凤

Converse ant algorithm basis of adjust information element hangover coefficient

YUE Feng¹,LIU Xi-yu²

1.Department of Information Science and Engineering，Shandong Normal University，Ji’nan 250014，China
2.Department of Management，Shandong Normal University，Ji’nan 250014，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-21 Published:2008-01-21
Contact: YUE Feng

摘要/Abstract

摘要： 蚁群算法是近几年优化领域中新出现的一种启发式仿生并行智能进化系统。它具有很多优良的性质，但同时也存在一些缺点，如运算过程中收敛速度慢，易出现停滞现象等。基于上述不足提出了一种自适应地调整挥发系数的逆向蚁群算法，在逆向蚁群算法的基础上自适应调整挥发系数ρ，提高了算法的性能，使算法比传统蚁群算法相比不仅更有利于全局寻优而且对其收敛速度有了很大地提高。将该算法用于旅行商问题，模拟计算结果显示该算法具有更强的全局最优解搜索能力，收敛速度上也有很大提高。

关键词: 蚁群算法, 旅行商问题, 组合优化, 逆向蚁群算法

Abstract: Ant colony algorithm is a novel category of bionic parallel and intelligence system.It has many promising futures.However it has some shortcomings such as needing much time and easier occurring of stagnation behavior.This paper basis of converse ants algorithm use adapt adjust information element hangover coefficient，the ability of searching for global optimal solution can be improved.The algorithm can solve the traveling salesman problem，the results show that the ability of optimization and convergence speed have improved.

Key words: ant colony algorithm, traveling salesman problem, combinatorial optimization, converse ant algorithm

岳凤¹,刘希玉². 自适应调整挥发系数的逆向蚁群算法[J]. 计算机工程与应用, 2008, 44(3): 105-107.

YUE Feng¹,LIU Xi-yu². Converse ant algorithm basis of adjust information element hangover coefficient[J]. Computer Engineering and Applications, 2008, 44(3): 105-107.

[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]	陈展，公建宁，刘媛媛，徐京邦. 基于禁忌搜索的多AGV系统路径优化算法[J]. 计算机工程与应用, 2021, 57(10): 273-278.
[14]	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.
[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.