蚁群算法在连续函数优化求解中的应用-read.doc

一种用于快速全局优化的蚁群算法* 摘 要：针对蚁群算法不太适用于连续优化问题，且在搜索过程中容易陷入局部极值的缺点，提出了一种快速全局优化的改进蚁群算法，该算法同时采用在最好解蚂蚁领域内进行搜索及将本次循环得到的最优解作为起始解的搜索方式，以扩大其搜索范围，避免其陷入局部最优。通过对三个典型函数优化问题进行测试并与其他优化算法进行比较，结果表明该改进算法不仅能应用于对连续对象的优化，同时具有良好的全局优化性能，收敛速率快，寻优精度高。 关键词：蚁群算法; 全局优化; 连续优化; 局部极值 中图分类号： TP301. 6 文献标识码：A AN IMPROVED ANT COLONY ALGORITHM SOLVING FAST GLOBAL OPTIMIZATION PROBLEMS Abstract: Aim to the disadvantages that ant colony optimization is not applied to continuous optimization problems and easy to get into local optimum, a fast global ant colony algorithm is proposed. In this algorithm the searching way that searches near the best solution and makes the best solution as the initial solution is adopted in order to widen searching scope to avoid getting into local optimum, and then it is applied to test some typical functions. The result that compares with other optimizations on testing these functions showed that the improved algorithm is not only applied to continuous optimization problems, but also has fast global optimization, fast searching rate and high optimizing precision. Keywords: Ant colony algorithm; Global optimization; Continuous optimization; Local optimum 0 引言 全局优化问题在实际工程中有较广泛的应用价值，其求解方法（如自适应随机搜索，遗传算法，模拟退火算法，蚁群算法等）也越来越受到人们的重视。其中蚁群算法采用分布式并行计算机制，具有较强的鲁棒性，容易于其它算法结合，因此比其它算法的应用性更广泛[4, 5]。文献[6]针对蚁群算法不适用于连续问题的求解，提出了一种适用于连续域的改进蚁群算法，但仍然存在着容易陷入局部最优解，收敛速度慢的缺点，文献[7]针对蚁群算法易于陷入局部最优解的问题，对蚁群算法引入遗传算法，进行一定的改进，改进的算法能克服局部极值问题，但收敛速度不够快。由于蚁群算法存在着上述这些缺点，制约着它向众多领域的进一步推广应用。 为了克服这些问题，本文提出了一种改进蚁群算法，该算法同时采用在最好解蚂蚁的领域内进行搜索及将本次循环得到的最优解作为下次循环起始解的搜索方式。通过有效扩大其搜索范围来避免陷入局部最优问题，在一定程度上提高了蚁群算法的优化质量和收敛效率，并利用该算法对三个典型优化函数进行测试，结果进一步证明了该算法的有效性。 1 蚁群算法 蚁群算法[8](ACO)是由意大利学者Dorigo等人在九十年代提出的，用于解决组合优化问题的一种随机搜索算法。该算法的原理是基于蚂蚁在寻找食物的过程中，会在所经路径释放一种化学物质（即信息素），蚂蚁之间的交流就是依靠这种物质，凭借残留在路径上信息素量的大小，蚂蚁总能找到一条从食物源与蚁巢的最短路径。 现以著名的双桥实验来说明蚁群算法的原理，假定所有蚂蚁从蚁巢到食物源的路径有两条，开始时两条分支上都不存在信息素，蚂蚁对这两条分支的选择不存在任何偏向性，并以相同的概率进行选择。由于蚂蚁在所经过的路径上会释放信息素，那么会有更多的蚂蚁选择短路径，短路径上的信息素量就越多，而这种高浓度的信息素将促使更多的蚂蚁选择这条分支，最终所有的蚂蚁都集中到这条分支上。其中每一只