融合多策略改进的自适应蚁群算法

TP181; 针对蚁群算法(ant colony algorithm,ACO)收敛速度慢和易陷入局部最优等问题,提出一种融合多策略改进的自适应蚁群算法(improved ant colony algorithm,IACO).首先,通过透镜成像反向学习的拉丁超立方策略进行种群初始化,增加种群多样性的同时也提升初始解的质量;其次,通过动态信息素更新规则和自适应调整机制对信息素进行更新,进一步提高全局搜索能力;再次,采用t分布对信息素浓度进行变异扰动,可以增强其跳出局部最优能力;最后,将IACO与标准ACO及其他经典群智能优化算法在多个标准测试函数上作仿真对比,在Rastrigin、Sphere和...

Full description

Saved in:
Bibliographic Details
Published in南通大学学报（自然科学版） Vol. 23; no. 4; pp. 36 - 44
Main Authors 刘禹彤, 李媛, 郑新宇
Format Journal Article
LanguageChinese
Published 沈阳工业大学 理学院,辽宁 沈阳 110870 2024
Subjects
反向学习
蚁群算法
Latin hypercube sampling
ant colony algorithm
自适应蚁群算法
adaptive ant colony algorithm
t-distri-bution
reverse learning
拉丁超立方抽样
t分布
Online AccessGet full text
ISSN1673-2340
DOI10.12194/j.ntu.20240508001

Cover

More Information
Summary:TP181; 针对蚁群算法(ant colony algorithm,ACO)收敛速度慢和易陷入局部最优等问题,提出一种融合多策略改进的自适应蚁群算法(improved ant colony algorithm,IACO).首先,通过透镜成像反向学习的拉丁超立方策略进行种群初始化,增加种群多样性的同时也提升初始解的质量;其次,通过动态信息素更新规则和自适应调整机制对信息素进行更新,进一步提高全局搜索能力;再次,采用t分布对信息素浓度进行变异扰动,可以增强其跳出局部最优能力;最后,将IACO与标准ACO及其他经典群智能优化算法在多个标准测试函数上作仿真对比,在Rastrigin、Sphere和 Ackley 3 个测试函数上分别与标准 ACO、GA(genetic algorithm)和 PSO(particle swarm optimization)进行对比,同时,在Rastrigin上分别控制蚂蚁数量和启发式信息权重与标准ACO进行对比,实验结果表明IACO具有更好的收敛性能和稳定性能.
ISSN:1673-2340
DOI:10.12194/j.ntu.20240508001