基于网格划分策略的连续域改进蚁群算法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (9): 61-64.

基于网格划分策略的连续域改进蚁群算法

黄永青1，郝国生2，钟志水1，胡为成1，杜娟1

1.铜陵学院信息技术与工程管理研究所，安徽铜陵 244000
2.徐州师范大学计算机科学与技术学院，江苏徐州 221116

出版日期:2013-05-01 发布日期:2016-03-28

Improved ant colony algorithm based on grid strategy for continuous space optimization

HUANG Yongqing1, HAO Guosheng2, ZHONG Zhishui1, HU Weicheng1, DU Juan1

1.Institute of Information Technology & Engineering Management, Tongling University, Tongling, Anhui 244000, China
2.School of Computer Science and Technology, Xuzhou Normal University, Xuzhou, Jiangsu 221116, China

Online:2013-05-01 Published:2016-03-28

摘要/Abstract

摘要： 针对连续空间函数优化问题，提出一种基于网格划分策略的改进蚁群算法。算法使用一种特殊的信息素更新策略，使得更新信息素时不需要使用解的具体目标函数值，从而降低了目标函数值差异化给算法性能带来的不利影响，并且网格点上的信息素可以直接作为构建解过程中的转移概率。对几种典型的连续函数优化问题进行了测试，实验结果表明所提出算法具有很强的搜索能力。

关键词: 蚁群优化, 连续空间优化, 网格法, 信息素

Abstract: A new Improved Ant Colony Algorithm（IACA） based on grid strategy is presented for continuous space optimization. IACA designs a special pheromone update strategy that the algorithm can update pheromone not using value of solution. So it reduces negative effect on performance by differentiation of objective function values, and the pheromone can directly be used to select probability during the solution construction procedure. In the test of the application to continuous space optimization functions, the proposed algorithm achieves good search ability.

Key words: Ant Colony Optimization（ACO）, continuous space optimization, grading method, pheromone

黄永青1，郝国生2，钟志水1，胡为成1，杜娟1. 基于网格划分策略的连续域改进蚁群算法[J]. 计算机工程与应用, 2013, 49(9): 61-64.

HUANG Yongqing1, HAO Guosheng2, ZHONG Zhishui1, HU Weicheng1, DU Juan1. Improved ant colony algorithm based on grid strategy for continuous space optimization[J]. Computer Engineering and Applications, 2013, 49(9): 61-64.

[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]	张海南，游晓明，刘升，刘中强. 交互式学习的布谷鸟搜索算法[J]. 计算机工程与应用, 2020, 56(7): 147-154.
[5]	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.
[6]	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.
[7]	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.
[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]	傅敏，张江龙，刘培刚. 三维环境下交互式点云对象提取方法[J]. 计算机工程与应用, 2019, 55(24): 265-270.
[13]	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.
[14]	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.
[15]	姜道银1，2，葛洪伟1，2. 基于信息交流策略的连续域蚁群优化算法[J]. 计算机工程与应用, 2019, 55(11): 153-159.