连续蚁群优化算法的研究

被引：12

作者：

程志刚

陈德钊

吴晓华

机构：

[1] 浙江大学化学工程学系

来源：

浙江大学学报(工学版) | 2005年 / 08期

关键词：

蚁群优化; 演化算法; 信息素; 探索性; 挖掘性; 全局寻优;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对蚁群优化(ACO)只适用于离散问题的局限性,提出了连续蚁群优化算法(CACO),保留了连续问题可行解的原有形式,并融入演化算法(EA)的种群与操作功能.CACO将蚁群分工为全局和局部蚂蚁,分别引领个体执行全局探索式搜优与局部挖掘式搜优,并释放信息素,由个体承载,实现信息共享,形成相互激励的正反馈机制,加速搜优进程.实例测试表明,CACO适用于连续问题,全局寻优性能良好,尤其对复杂的高维问题,更能反映其相对优势.最后讨论了局部寻优方法、全局蚂蚁配比、挥发因子和种群规模等因素对CACO寻优性能的影响.

引用

页码：1147 / 1151

页数：5