一种新的仿生优化算法食物车——蟑螂算法.pdf

摘 要 1 摘 要 仿生优化算法的研究一直受到人们的广泛重视。其成果在诸多领域得到了迅 速的推广和应用。但是仍然有不少仿生算法存在着早熟、收敛速度慢、求解精度 低等缺欠。 因此，本文在深入研究了已存在的仿生优化算法的基础上，结合对自然界群 居生物蟑螂觅食行为的研究，提出一种全新的应用于组合优化问题的群智能仿生 优化算法：蟑螂算法（Cockroach Swarm Optimization，CSO）。在此基础上， 通过改进基本的CSO算法，提出了应用于连续域问题的“食物车-蟑螂优化算法” (Truck-Cockroach Swarm Optimization ,T-CSO)。 T-CSO算法主要通过食物车（Truck）在当前最优解位置抛洒食物，吸引蟑螂 （Cockroach）在解空间内爬行完成搜索。算法通过“平等搜索”、“巢穴变迁” 等策略约束蟑螂的个体行为，使算法中的蟑螂个体行为基本符合自然界的蟑螂觅 食行为。Truck采取“局部抛洒”和“全局抛洒”食物的策略，使每次用于吸引 蟑螂爬行的食物不仅密集地覆盖当前最优解的邻近区域，而且保证一定比例的食 物随机散落在整个解空间。此两个抛洒策略的使用，使算法的每一次迭代不仅完 成了局部搜索，而且完成了对整个解空间的全局探测。在“全局抛洒”过程中， 采用“食物筛选”策略，筛去较差的解保留较优的解，目的是保证用于吸引蟑螂 爬行的解均为此次抛洒中的较优解。 本文通过 TSP 问题和 10 个基准函数来测试 CSO 和 T-CSO 算法处理离散域和 连续域问题的能力。实验验证了算法处理离散域问题的有效性，且性能优于DPSO 算法。大量实验结果也显示T-CSO算法可以用于处理连续域问题，且具有较强的 全局和局部搜索能力，在种群规模较小的情况下，使用较少的评价次数，即可以 以较高的精度收敛到全局最优解，且不易陷入局部最优。实验效果总体令人满意。 对比实验显示T-CSO算法性能优于较新的改进PSO算法。 关键词:连续域；TSP；仿生优化；食物车-蟑螂算法 1 国家自然科学基金项目（批准号）和江苏省自然科学基金项目（批准号：BK2006218 ）。 I 摘 要 Abstract Bionics optimization algorithm has received an universal attention.The results has been widely applied.But there are some shortcomings in traditional bionics optimization algorithm such as premature convergence、slow convergence and low-precision solutions. By researching behavior of cockroaches and bionics optimization algorithm existed,a new Cockroach Swarm Optimization(CSO) has been presented in this paper.CSO is used to solve combinatorial optimization field. After innovation,a Truck-Cockroach Swarm Optimization(T-CSO) has been presented at last. T-CSO has been applied to solve continuous filed problems. The T-CSO have truck throwing food and the cockroaches will crawl to these food and sear