基于云模型的自适应蚁群算法改进研究  

作者:刘争艳;李絮;王慧玲 刊名:《计算机工程与应用》 上传者:全亮

【摘要】为了解决蚁群算法易早熟于局部最优及收敛速度慢的问题,采用云模型理论来合理调控蚁群算法的随机性程度,分别提出针对蚁群算法参数、云模型参数以及较优路径判定的自适应调整策略,同时提出信息素分布状态的评价算法。针对多个TSP问题进行仿真实验,结果验证了提出的算法的高效性与稳定性。

全文阅读

Computer Engineering and Applications计算机工程与应用2016,52(19) 1 引言 蚁群算法(Ant Colony Algorithm,ACA)是一种模拟自然界中蚂蚁觅食行为的启发式仿生进化算法,最早于 1991年由意大利学者 Marco Dorigo等人提出,主要用于求解诸如旅行商问题(Traveling Salesman Problem,TSP)之类的组合优化问题[1-2]。近些年,经过学者们不断研究与探索,涌现出很多改进的蚁群算法,如申铉京等人[3]通过采用信息素挥发因子自适应调整机制,提出一种改进的快速蚁群算法;刘振等人[4]针对蚁群算法收敛速度慢以及易陷入局部极值的特点,提出一种多粒度模式蚁群算法;李擎等人[5]将粒子群算法与蚁群算法相融合,提出了一种基于粒子群参数优化的改进蚁群算法;刘全等人[6]提出一种动态挥发率和启发式修正的蚁群优化算法。虽然改进算法在寻优能力上有所提高,但算法在运行过程中仍存在易早熟于局部最优及收敛速 度慢的问题,其根本原因是算法中缺乏合理调控随机性程度的机制,因为当随机性较强时,算法容易早熟收敛到局部最优,而当随机性较弱时,算法收敛速度又较慢。因此,本文引入云模型这一定性定量转换模型,提出一种改进型云自适应蚁群算法(Improvement of Self-adaptive Ant Colony Algorithm Based on Cloud Model,ICACA),利用云模型具有的随机性和稳定性的特点,构建调控算法随机性程度的自适应机制,使算法在“探索”和“开发” 之间建立一个平衡,从而提高蚁群算法的寻优与收敛性能。 2 云模型理论 设 X 是一个普通集合表示的论域,X ={x},其上的模糊集合 A ,是指对于任意一个元素 x ,都存在一个有稳定倾向的随机数 μA(x) ,叫作 x 对 A 的隶属度,隶属 基于云模型的自适应蚁群算法改进研究 刘争艳,李 絮,王慧玲 LIU Zhengyan, LI Xu, WANG Huiling 阜阳师范学院 计算机与信息工程学院,安徽 阜阳 236037 School of Computer and Information Engineering, Fuyang Teachers College, Fuyang, Anhui 236037, China LIU Zhengyan, LI Xu, WANG Huiling. Improvement of self-adaptive ant colony algorithm based on cloud model. Computer Engineering and Applications, 2016, 52(19):68-71. Abstract:To overcome the slow convergence and local extrema of ant colony algorithm, the cloud model theory is adopted to regulate reasonably the degree of randomness of the ant colony algorithm. Several adaptive strategies are proposed for the parameters of the ant colony algorithm and the cloud model, and for the optimum path de

参考文献

引证文献

问答

我要提问