針對連續(xù)域蟻群算法尋優(yōu)能力差、容易產(chǎn)生局部最優(yōu)的問題,提出了一種基于跨鄰域搜索的改進蟻群算法。首先,通過自適應種群劃分方式計算可行解和不可行解群體;然后,針對不可行解群體利用自主選擇學習算子選擇對象進行學習,目的是不斷擴大種群規(guī)模,避免算法陷入局部極值點,繼而對可行解群體采取全局跨鄰域搜索的方式,引導螞蟻向全局最優(yōu)解靠近,加快收斂速度;最后,基于全局最優(yōu)解采用局部跨鄰域的方式引導螞蟻在小范圍內(nèi)進行細致搜索,提高收斂精度。通過與其他連續(xù)域蟻群優(yōu)化算法針對CEC2017測試函數(shù)在低維和高維情況下的實驗對比,證明本文算法具有較好的尋優(yōu)能力和穩(wěn)定性,能有效避免陷入局部最優(yōu)。 

【文章來源】：武漢科技大學學報. 2019,42(03)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

圖１３種算法的收斂曲線（Ｄ＝３０）Ｆｉｇ．１Ｃｏｎｖｅｒｇｅｎｃｅｃｕｒｖｅｓｏｆｔｈｒｅｅａｌｇｏｒｉｔｈｍｓ（Ｄ＝３０）（ｃ）

ｎｔ只在ｆ１、ｆ４、ｆ１５和ｆ２５函數(shù)上稍遜一籌；從方差來看，ＡＮＳ－Ａｎｔ在接近４０％的測試函數(shù)上占有優(yōu)勢�？傮w來說，在高維情況下，ＡＮＳ－Ａｎｔ算法依然具有較好的尋優(yōu)能力，保持了一定的穩(wěn)定性。圖２為各算法在高維情況下求解測試函數(shù)的收斂曲線，同樣各取單峰函數(shù)、簡單多峰函數(shù)、混合函數(shù)和復合函數(shù)中的一種作為示例。（ａ）單峰函數(shù)ｆ３（ｂ）簡單多峰函數(shù)ｆ６（ｃ）混合函數(shù)ｆ１１（ｄ）復合函數(shù)ｆ２１圖２３種算法的收斂曲線（Ｄ＝５０）Ｆｉｇ．２Ｃｏｎｖｅｒｇｅｎｃｅｃｕｒｖｅｓｏｆｔｈｒｅｅａｌｇｏｒｉｔｈｍｓ（Ｄ＝５０）從圖２可以看出，與ＡＣＯＲ和ＡＢＣ－ＡＣＯＲ相比，ＡＮＳ－Ａｎｔ算法在單峰和簡單多峰函數(shù)上的尋優(yōu)能力明顯較優(yōu)，所得解與函數(shù)最優(yōu)解十分接近，且收斂較快；ＡＮＳ－Ａｎｔ在混合函數(shù)上也有較好的尋優(yōu)能力和較快的收斂速度；ＡＮＳ－Ａｎｔ在復合函數(shù)上的尋優(yōu)結果與函數(shù)最優(yōu)解的相對偏差雖然有１３．６％，但相比于另外兩種算法還是有一定的優(yōu)勢�？傊粒危樱粒睿魬糜诟呔S測試函數(shù)時仍然具有較高的收斂速度和精度。３．３．２收斂速度為了更加全面地檢驗改進算法的性能，本文采用限定精度的方法來評估其收斂速度，即在有限的評估精度內(nèi)比較各算法的進化次數(shù)。以３０維為例，針對每一個函數(shù)設置一個相應的評估精度ＶＴＲ，該值�。撤N優(yōu)化算法所得平均值中的最差值，如表４所示。針對每一個函數(shù)的預設收斂精度，３種算法均獨立運行２０次，設置最大

【參考文獻】：
期刊論文
[1]帶啟發(fā)信息的蟻群神經(jīng)網(wǎng)絡訓練算法[J]. 趙章明,馮徑,施恩,舒曉村.  計算機科學. 2017(11)
[2]云桌面環(huán)境下基于蟻群算法的作業(yè)調(diào)度方法[J]. 尚志會,張建偉,蔡增玉,馬琳琳.  計算機工程與設計. 2017(06)
[3]求解TSP的改進信息素二次更新與局部優(yōu)化蟻群算法[J]. 許凱波,魯海燕,程畢蕓,黃洋.  計算機應用. 2017(06)
[4]帶時間窗車輛路徑問題的分布式多agent蟻群算法[J]. 金淳,張雨,王聰.  計算機應用研究. 2018(03)
[5]一種動態(tài)劃分的混合連續(xù)域蟻群優(yōu)化算法[J]. 姜道銀,葛洪偉,袁羅.  計算機工程與應用. 2018(07)
[6]基于人工蜂群的連續(xù)域蟻群優(yōu)化算法[J]. 周裊,葛洪偉,袁運浩,蘇樹智.  計算機工程與科學. 2016(06)
[7]基于信息素的自適應連續(xù)域混合蟻群算法[J]. 周裊,葛洪偉,蘇樹智.  計算機工程與應用. 2017(06)



本文編號：2993236