论文部分内容阅读
蚁群优化算法是一种新型的智能仿生类进化算法,已在许多领域获得了广泛的成功应用.本文提出了两类改进的蚁群算法,并将其用于求解旅行商问题(Traveling Salesman Problem,TSP)和连续空间函数优化问题,已取得了一定的进展.主要内容如下:1.针对蚁群优化算法(Ant Colony Optimization, ACO)收敛速度慢、易陷于局部最优解的缺点,提出了一种基于协同进化思想的蚁群算法,用于求解TSP问题.该算法构造了一种新的信息素更新模型,增加了蚂蚁之间的相互协作,并采用随机扰动策略避免算法陷入局部最优解.大量实验仿真结果表明,该算法具有优良的全局优化性能.2.将Alopex算法嵌入到改进的蚁群优化算法中,提出一种求解连续空间优化问题的混合算法(ACOAL) .该算法定义了新的蚁群信息素更新规则和蚁群行进策略;同时,结合Alopex算法以加强搜索能力.大量的仿真实验结果表明与已有算法相比较该算法在寻优性能和收敛速度方面都有所提高.3.针对第三章提出的ACOAL算法由于随机性搜索过强导致收敛时间过长的缺点,提出了带有梯度加速的蚁群混合算法(GACO).该算法在ACOAL算法的基础上,在蚁群进行局部搜索过程中引入梯度信息来影响蚂蚁的搜索行为,使蚂蚁的移动更具有针对性和效率.仿真实验结果表明了该算法的可行性和最优性.