基于连续空间优化问题的蚁群算法与其应用-研究

《基于连续空间优化问题的蚁群算法与其应用-研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、华北电力大学硕士学位论文寻优，使收敛速度大幅度地提高【8】。陈岐，秦玲等人提出了一种具有感觉和知觉特征的蚁群算法【9】，根据路径上信息量的情况动态地、自适应地决定路径选择策略，有效地缓解基本蚁群算法容易早熟、停滞和收敛速度之间的矛盾。从以上分析，蚁群算法的性能好坏就在于节点选择方法和信息素变化趋势。所以，从这两个方面对蚁群算法进行改进，采用基于分散度的自适应节点选择方式和基于自适应信息素挥发因子的信息素更新方式，提高蚁群算法的性能。蚁群算法的另一个缺点就是难以处理连续空间的优化问题。由于每个蚂蚁在每个阶段所作的选择总是有限的，它要求离散的解空

2、间，因而它对组合优化等离散优化问题很适用，而对连续空间的优化问题的求解不能直接应用。在实际控制工程的优化问题中大量遇到的是连续性问题，因此，在将优化性能良好的蚁群算法用于连续性空间优化问题时，只能利用蚁群算法的原理和人对优化函数取得的有关先验知识来构造相应的算法模型，并对算法中许多实施细节加以修正，从而确定在优化过程中蚁群协同决策所选择的移动方向，由此来求得最优解。本文提出了一种运用人工蚊群搜索的规律来求解一般函数(连续性变量空间)优化的蚁群算法模型i该模型在全局上表现为人工蚂蚁在某种先验知识和启发信息引导下的优化搜索，在局部上则采用了随机性

3、的搜索策略。该策略能提高搜索过程的效率以及搜索状态的多样性和随机性，而且不受目标函数是否连续、可微等因素的限制，为蚁群算法应用于实际优化问题提供了一条可行途径。1．2蚁群算法的研究进展自1991年意大利学者DofigoMacro等提出蚁群算法后的5年时间里，并没有在国际学术界引起广泛关注，自然这段时期在蚁群算法理论及应用上也没有取得突破性进展。到了1996年DorigoMacro等在(IEEETransactionsonSystems，Man，andCybernetics-PartB》上发表了“Antsystem：optimizationby

4、acolonyofcooperatingagents"一文，在这篇文章中，DorigoMacro等不仅更加系统地阐述了蚁群算法的基本原理和数学模型，还将其与遗传算法、禁忌搜索算法、模拟退火算法、爬山法等进行了仿真实验比较，并把单纯地解决对称TSP问题拓展到解决非对称TSP、指派问题(QuadraticAssignmentProblem，QAP)以及车间作业调度问题(Job—shopSchedulingProblem，JSP)，且对蚁群算法中初始化参数对其性能的影响做了初步探讨。自1996年之后的5年里，蚁群算法逐渐引起了世界许多国家研究者的关

5、注，其应用领域也得到了迅速拓宽，这期间也有大量有价值的研究成果陆续发表。随着对蚁群算法关注度的不断提高，1998年10月15日至10月16日在比利时的布鲁塞尔召开了第一届蚁群算法国际研讨会(ANTS’98)。第一届就吸引了来华北电力大学硕士学位论文自世界各地的50多为蚁群算法研究者，随后每隔两年都要在布鲁塞尔召开一次蚁群算法国际研讨会，历届会议的论文集均有著名的(LectureNotesinComputerScience))(SCIIndex)结集出版。2000年DorigoM和BonabeauE等在国际顶级学术刊物《Nature))上发表了

6、蚁群算法综述【l01，从而把这一领域的研究推向了国际学术的最前沿。进入2l世纪后的最近几年，国际著名的顶级学术刊物《Nature))曾多次对蚁群算法的研究成果进行报道，(FutureGenerationComputerSystems))(V01．16，No．8)和《IEEETransactionsonEvolutionaryComputation}(V01．6，No．4)分别于2000年和2002年出版了蚁群算法特刊。如今，在国内外许多学术期刊和会议上，蚁群算法已经成为一个备受关注的研究热点和前沿性课题。我国在蚁群算法领域的研究起步较晚，从公

7、开发表的论文看，国内最先研究蚁群算法的是东北大学控制仿真研究中心的张纪会博士与徐心和教授⋯】(1997年10月)。在国内众多的蚁群算法研究者中，当时年仅17岁的高中生陈烨于2001年在《计算机工程》(V01．27，No．12)上发表了“带杂交算子的蚁群算法"一文【12】，并给予VisualBasic开发了一个功能齐全、界面友好的“蚁群算法实验室一并引起了国内广大蚁群算法研究者的极大关注。回顾蚁群算法自创立以来的十多年的发展历程，目前人们对蚁群算法的研究已由当初单一的TSP领域渗透到了多个应用领域。由解决一维静态优化问题发展到解决多维动态组合优

8、化问题，由离散域范围内研究逐渐拓展到了连续域范围内的研究，而且在蚁群算法的硬件实现上取得了突破性进展，同时在蚁群算法模型改进及其与其他仿生优化算法的融合方面也取得了