蟻群優(yōu)化算法的改進及其應(yīng)用.pdf

1、人們從仿生學(xué)的機理中受到啟發(fā)，提出許多解決復(fù)雜優(yōu)化問題的新方法，稱為元啟發(fā)式(Metahueristic)算法，如進化策略、神經(jīng)網(wǎng)絡(luò)、模擬退火、禁忌搜索算法等。蟻群算法(Ant Colony Algorithm，簡稱AC)是20世紀90年代初由意大利學(xué)者Dorigo和Maniezzo等首先提出，在一系列系統(tǒng)優(yōu)化問題求解中取得了成效。雖然對此方法的研究剛剛起步，但是這些初步研究已顯示出蟻群算法的優(yōu)越性，證明它是一種很有發(fā)展前景的方法。

2、 但是，蟻群算法仍然存在一些缺陷。算法的收斂速度和所得解的多樣性、穩(wěn)定性等性能間存在矛盾。本文分析了蟻群算法中螞蟻搜索過程的本質(zhì)，針對蟻群算法中存在的上述問題，引入了小生境(Niche)技術(shù)，提出了一種嵌入小生境技術(shù)的自適應(yīng)并行蟻群算法。該算法充分利用并行算法的特點，強化最優(yōu)信息的反饋，當算法處于停滯狀態(tài)時引入小生境技術(shù)。小生境技術(shù)在保留部分螞蟻繼續(xù)進行局部精確搜索的同時，重新初始化其它螞蟻，并通過共享函數(shù)來阻止這部分螞蟻向局部最優(yōu)

3、移動。這樣既保留了原有的較優(yōu)解，又達到了跳出局部最優(yōu)的目的。該算法解決了蟻群算法收斂速度和解的性能之間的矛盾。 在應(yīng)用范圍方面，蟻群算法的應(yīng)用尚且局限在較小的范圍內(nèi)，難以處理連續(xù)空間的優(yōu)化問題。為此本文提出一種用蟻群算法求解連續(xù)空間優(yōu)化問題的方法，通過修改螞蟻信息素的留存方式和行走規(guī)則，定義了一個連續(xù)空間的蟻群算法。模擬螞蟻用觸角交流信息的過程提出了直接通信的學(xué)習(xí)機制，增強了螞蟻的搜索能力。為了防止出現(xiàn)“早熟”現(xiàn)象，在局部搜索過

4、程中嵌入了模擬退火的思想。同時為避免過大的殘留信息，選擇了新的信息增量計算函數(shù)。實例運算證明了該算法可以推廣應(yīng)用到其他連續(xù)空間的優(yōu)化問題中，突破了基本蟻群算法的應(yīng)用局限。 另外，我們還將蟻群算法應(yīng)用到數(shù)據(jù)聚類問題中，提出了以Max-Min Ant System(MMAS)模型為基礎(chǔ)的圖形聚類方法。在這個算法中只要調(diào)整參數(shù)ε就能得到有效的結(jié)果，既不需要提前給出聚類個數(shù)也不需要給出聚類中心。通過大量仿真實例給出了ε的參考設(shè)定范圍，這