论文部分内容阅读
蚁群算法(Ant Colony Algorithm,ACA)是20世纪90年代初期提出的一种新型模拟进化算法。其思想吸收了蚂蚁的行为特征,通过模拟真实蚁群探索食物的过程来完成对问题的求解。它具有系统性、分布式计算、自组织性、正反馈等特点,已广泛应用到通讯、交通、化工、数据分析和人工智能等领域。蚁群算法具有很多优点,但在实施过程中也存在缺陷:(1)在算法运行的初始阶段执行效率低,信息素随机分布,路径杂乱无章;(2)搜索过程中易陷入局部最优解,易出现早熟、停滞现象;(3)难以解决实际应用中连续域的函数优化问题等。本文对蚁群算法进行了较为系统的分析和研究,并针对传统蚁群算法存在的缺陷提出了基于过程优化的蚁群算法,通过对传统蚁群算法的运行过程实施一系列优化,达到提高算法执行效率和寻优能力的目的。创新点及具体改进途径包括:(一)在算法运行的初始阶段采用正交、均匀设计等优化方法,创建正交、均匀离散过程。1.基于正交离散过程优化的蚁群算法通过正交离散有效地改善信息素分布,优化初始化过程,并利用动态转移概率等策略来构造和选择路径,大大改进了算法的性能。根据该算法建立的配方设计数学模型在肉鸽(童鸽)饲料配比中进行了应用仿真运算,试验结果显示,基于正交离散过程优化的蚁群算法执行效率比传统优化方法有很大提高,是解决连续函数优化问题的一种新方法。2.基于均匀离散过程优化的蚁群算法通过深度均匀离散子族群搜索和全局均匀离散搜索过程产生局部最优和全局最优解,进一步克服了正交离散水平较少、设计方案欠灵活的缺点。算法性能测试结果显示,基于均匀离散过程优化的蚁群算法优化值良好,优化性能稳定,在迭代次数和执行时间上也表现出一定优势,是基于正交离散过程优化蚁群算法的有益补充。(二)创建混合蛙跳算法和蚁群算法的融合算法。混合蛙跳融合蚁群算法在算法的运行过程中前期利用混合蛙跳算法高效的全局搜索能力建立初始优化解群,后期利用蚁群算法求解精度高的特点进行精细解搜索,有效地解决了混合蛙跳算法搜索精度低和蚁群算法运行速度慢、易陷入局部最优、早熟收敛的问题。通过算法性能测试和群体动画路径规划的实际应用,证明混合蛙跳融合蚁群算法是解决连续函数优化问题的有效途径。综上所述,通过以上的改进,与传统蚁群算法相比较,基于过程优化的蚁群算法执行效率显著提高,寻优能力明显改善,在实际应用中为解决连续域的函数优化问题提供了可参考的模型和求解方法。