基于反馈仿射振荡器和反馈搜索智能优化的改进蚁群算法与最短路优化

发布时间：2021-01-20 16:39

　　针对经典蚁群算法易陷入局部最优解、收敛速度慢、全局最优解质量不佳等问题,通过分析研究蚁群算法和抽样策略,提出了基于反馈仿射振荡器（RAS）和反馈搜索智能优化（RSO）的改进蚁群算法。首先,利用RAS算法在所给函数区域进行撒点抽样,得到若干节点而不是进行毫无目的的随机撒点;同时,基于RSO的思想对全局信息素更新规则加以改进,充分利用每次迭代结束后局部最优解的价值;然后,基于RSO的思想调节信息素挥发系数,尽量避免算法在运行期间陷入局部最优解,同时加速算法收敛;最后,通过自适应调整路径选择参数的值,加快算法收敛同时减小算法陷入局部最优解的可能。仿真实验一该算法相较于最大最小蚁群系统、经典遗传算法、基于精英保留策略的改进遗传算法解的优质程度分别提升10.9%、22.1%、11.2%,迭代次数分别减少31.1%、23.3%、18.7%;仿真实验二中解的优质程度分别提升12.9%、24.6%、13%,迭代次数分别减少39.5%、11.7%、3.2%。仿真实验结果表明,该算法可加快算法收敛同时提升解的优质程度,能有效解决路径优化问题。 

【文章来源】：计算机应用. 2020,40(S1)北大核心

【文章页数】：5 页

【部分图文】：

改进tanh函数图像

如图2所示，已使用RAS抽样撒点方法给出100个随机点，从而加速算法收敛。现对本文提出的改进蚁群算法、最大最小蚁群系统（Min-Max Ant System,MMAS）及遗传算法、改进遗传算法进行仿真对比。依据文献[10]，新算法参数设置：蚂蚁数30、α=2、β=1、ρ=0.3、Q=50，ρmin=0.15，迭代次数100[8]。MMAS算法的参数除缺少ρmin等改进的参数外与新算法参数一致[9]。遗传算法种群数50，变异概率0.5，迭代次数100次。改进遗传算法使用实数编码，同时为确保每一代的最优路径不被破坏，因此采用精英保留策略来保留每一代中权值最低的路径[10]。

如图5所示，已使用RAS抽样撒点方法给出100个随机点，从而加速算法收敛。现对本文提出的基于RAS及RSO的改进蚁群算法、MMAS算法以及遗传算法、改进遗传算法进行仿真对比。依据文献[8]，新算法参数设置：蚂蚁数30、α=1.5、β=4、ρ=0.3、Q=50，ρmin=0.15，迭代次数100[8]。MMAS算法的参数除缺少ρmin等改进的参数外与新算法参数一致[10]。遗传算法种群数50，变异概率0.5，迭代次数100次。改进遗传算法使用实数编码，同时为确保每一代的最优路径不被破坏，因此采用精英保留策略来保留每一代中权值最低的路径。图6给出了本文算法与其他算法的收敛性分析[10]。

【参考文献】：
期刊论文
[1]用于求解TSP问题的遗传算法比较研究[J]. 徐瑞超.  四川理工学院学报(自然科学版). 2019(02)
[2]基于改进蚁群算法的移动机器人路径规划研究[J]. 江明,王飞,葛愿,孙龙龙.  仪器仪表学报. 2019(02)
[3]基本蚁群算法在解决TSP问题中参数选择的研究[J]. 杨昌昊,张琢.  网络安全技术与应用. 2018(05)
[4]基于改进蚁群算法的车辆路径优化问题研究[J]. 岳苹.  工业控制计算机. 2017(09)
[5]一种基于改进全局信息素更新效率的蚁群算法及仿真[J]. 叶仕通,万智萍.  计算机应用与软件. 2014(01)

硕士论文
[1]基于改进混合蚁群算法的物流配送路径优化研究[D]. 李茹.山西大学 2017
[2]蚁群算法及群体智能的应用研究[D]. 王会颖.安徽大学 2007



本文编号：2989395