基于搜索集中度和动态信息素更新的蚁群算法

发布时间：2021-05-19 21:45

　　蚁群算法是一种启发式搜索算法,被广泛应用于求解复杂的组合优化问题。基本蚁群算法存在收敛速度慢和早熟停滞等问题,针对这些问题,提出了一种基于搜索集中度和动态信息素更新的蚁群算法。通过在选择策略中引入"搜索集中度"因子,让算法可以自适应的调节蚂蚁选择城市的范围,在此基础上采用动态改变信息素增量和信息素回滚的机制,缩短了搜索时间,也使算法更容易跳出局部极值。仿真实验结果表明,改进后的算法算法具有较快的收敛速度,提高了解的全局性,有效避免了算法陷入局部最优。 

【文章来源】：电子测量技术. 2019,42(09)

【文章页数】：5 页

【文章目录】：
0 引言
1 蚁群算法的原理
2 改进的蚁群算法
    2.1 路径搜索集中度选择策略
    2.2 信息素增量动态更新
    2.3 信息素回滚机制
    2.4 改进算法步骤
3 仿真实验
4 结论


【参考文献】：
期刊论文
[1]基于蚁群节点寻优的贝叶斯网络结构算法研究[J]. 刘浩然,孙美婷,李雷,刘永记,刘彬.  仪器仪表学报. 2017(01)
[2]一种动态搜索策略的蚁群算法及其在机器人路径规划中的应用[J]. 游晓明,刘升,吕金秋.  控制与决策. 2017(03)
[3]蚁群优化算法的理论研究进展[J]. 夏小云,周育人.  智能系统学报. 2016(01)
[4]我国城市集中度对经济发展的影响及其机制——基于面板数据的实证研究[J]. 周文.  经济社会体制比较. 2015(04)
[5]改进蚁群算法在旅行商问题中的应用[J]. 李成兵,郭瑞雪,李敏.  计算机应用. 2014(S1)
[6]一种基于粒子群参数优化的改进蚁群算法[J]. 李擎,张超,陈鹏,尹怡欣.  控制与决策. 2013(06)
[7]基于自然选择策略的蚁群算法求解TSP问题[J]. 吴华锋,陈信强,毛奇凰,张倩楠,张寿春.  通信学报. 2013(04)
[8]基于改进蚁群算法的服务组合优化[J]. 夏亚梅,程渤,陈俊亮,孟祥武,刘栋.  计算机学报. 2012(02)
[9]基于动态调节信息素增量的蚁群算法[J]. 刘瑞杰,胡小兵.  计算机应用研究. 2012(01)
[10]基于信息熵调整的自适应蚁群算法[J]. 肖菁,李亮平.  计算机工程与设计. 2010(22)



本文编号：3196491