基于跨邻域搜索的连续域蚁群优化算法

发布时间：2021-01-22 12:33

　　针对连续域蚁群算法寻优能力差、容易产生局部最优的问题,提出了一种基于跨邻域搜索的改进蚁群算法。首先,通过自适应种群划分方式计算可行解和不可行解群体;然后,针对不可行解群体利用自主选择学习算子选择对象进行学习,目的是不断扩大种群规模,避免算法陷入局部极值点,继而对可行解群体采取全局跨邻域搜索的方式,引导蚂蚁向全局最优解靠近,加快收敛速度;最后,基于全局最优解采用局部跨邻域的方式引导蚂蚁在小范围内进行细致搜索,提高收敛精度。通过与其他连续域蚁群优化算法针对CEC2017测试函数在低维和高维情况下的实验对比,证明本文算法具有较好的寻优能力和稳定性,能有效避免陷入局部最优。 

【文章来源】：武汉科技大学学报. 2019,42(03)北大核心

【文章页数】：8 页

【部分图文】：

图１３种算法的收敛曲线（Ｄ＝３０）Ｆｉｇ．１Ｃｏｎｖｅｒｇｅｎｃｅｃｕｒｖｅｓｏｆｔｈｒｅｅａｌｇｏｒｉｔｈｍｓ（Ｄ＝３０）（ｃ）

ｎｔ只在ｆ１、ｆ４、ｆ１５和ｆ２５函数上稍逊一筹；从方差来看，ＡＮＳ－Ａｎｔ在接近４０％的测试函数上占有优势。总体来说，在高维情况下，ＡＮＳ－Ａｎｔ算法依然具有较好的寻优能力，保持了一定的稳定性。图２为各算法在高维情况下求解测试函数的收敛曲线，同样各取单峰函数、简单多峰函数、混合函数和复合函数中的一种作为示例。（ａ）单峰函数ｆ３（ｂ）简单多峰函数ｆ６（ｃ）混合函数ｆ１１（ｄ）复合函数ｆ２１图２３种算法的收敛曲线（Ｄ＝５０）Ｆｉｇ．２Ｃｏｎｖｅｒｇｅｎｃｅｃｕｒｖｅｓｏｆｔｈｒｅｅａｌｇｏｒｉｔｈｍｓ（Ｄ＝５０）从图２可以看出，与ＡＣＯＲ和ＡＢＣ－ＡＣＯＲ相比，ＡＮＳ－Ａｎｔ算法在单峰和简单多峰函数上的寻优能力明显较优，所得解与函数最优解十分接近，且收敛较快；ＡＮＳ－Ａｎｔ在混合函数上也有较好的寻优能力和较快的收敛速度；ＡＮＳ－Ａｎｔ在复合函数上的寻优结果与函数最优解的相对偏差虽然有１３．６％，但相比于另外两种算法还是有一定的优势。总之，ＡＮＳ－Ａｎｔ应用于高维测试函数时仍然具有较高的收敛速度和精度。３．３．２收敛速度为了更加全面地检验改进算法的性能，本文采用限定精度的方法来评估其收敛速度，即在有限的评估精度内比较各算法的进化次数。以３０维为例，针对每一个函数设置一个相应的评估精度ＶＴＲ，该值取３种优化算法所得平均值中的最差值，如表４所示。针对每一个函数的预设收敛精度，３种算法均独立运行２０次，设置最大

【参考文献】：
期刊论文
[1]带启发信息的蚁群神经网络训练算法[J]. 赵章明,冯径,施恩,舒晓村.  计算机科学. 2017(11)
[2]云桌面环境下基于蚁群算法的作业调度方法[J]. 尚志会,张建伟,蔡增玉,马琳琳.  计算机工程与设计. 2017(06)
[3]求解TSP的改进信息素二次更新与局部优化蚁群算法[J]. 许凯波,鲁海燕,程毕芸,黄洋.  计算机应用. 2017(06)
[4]带时间窗车辆路径问题的分布式多agent蚁群算法[J]. 金淳,张雨,王聪.  计算机应用研究. 2018(03)
[5]一种动态划分的混合连续域蚁群优化算法[J]. 姜道银,葛洪伟,袁罗.  计算机工程与应用. 2018(07)
[6]基于人工蜂群的连续域蚁群优化算法[J]. 周袅,葛洪伟,袁运浩,苏树智.  计算机工程与科学. 2016(06)
[7]基于信息素的自适应连续域混合蚁群算法[J]. 周袅,葛洪伟,苏树智.  计算机工程与应用. 2017(06)



本文编号：2993236