基于蚁群遗传算法混合编程的函数优化.docVIP

基于蚁群遗传算法混合编程的函数优化 　　摘要:为研究连续函数优化问题,基于图解的蚁群系统,提出二进制蚁群算法,并实现与遗传算法混合编程,以提高求解效率。算例表明,蚁群-遗传算法混合编程求解连续优化问题,收敛速度快,计算精度高,可用于求解实际工程问题。 　　关键词:连续优化;二进制;蚁群算法;遗传算法;混合编程 　　中图分类号:TP18文献标识码:A文章编号:1009-3044(2009)26-7494-03 　　 　　Function Optimization Based on Programming Mixed Ant Colony Algorithm with Genetic Algorithm 　　ZHAO Feng-yao, GUAN Xin-Jian 　　(School of Water Conservancy Environment Engineering, Zhengzhou University, Zhengzhou 450001, China) 　　Abstract: For the study of continuous optimization problems, a binary ant colony algorithm was introduced based on graph-based ant system. To improve soluation efficiency, the ant colony algorithm programming mixed with genetic algorithm was realized. Practical example showes that the mixed language programming can solve continuous optimization problem with a faster convergence speed and a better precision in calculation, and it can be used on engineering. 　　Key words: continuous optimization; binary; ant colony algorithm; genetic algorithm 　　 　　蚁群算法(Ant Colony Algorithm)是一种源于大自然生物世界的新型仿生类算法[1],20世纪90年代初由意大利学者Dorigo依照蚂蚁觅食原理设计而成的一种群体智能算法。蚁群算法在求解一系列困难的组合优化问题上取得成效,成为解决TSP (traveling salesman problem)、JSP (job-shop problem)等典型问题的一种强有力算法。 　　遗传算法是受生物进化学说和遗传学说的启发而发展起来的,由美国的J.H.Holland教授于1975年创立[2]。它模拟自然选择和遗传过程中发生的繁殖、杂交和变异现象,进行群体智能进化计算。由于遗传算法求解复杂优化问题的巨大潜力,近年来再许多工程领域的得到应用。 　　本文基于连续优化目的开展基础性研究,通过蚁群算法与遗传算法的混合编程,改进算法的性能,以求解连续优化问题。 　　 　　1求解连续优化问题的蚁群算法 　　 　　1.1 蚁群算法的基本思想 　　1)状态转移规则:蚁群算法使用的状态转移规则为随机比例规则,是基于求解TSP问题提出的,它给出来位于城市i的蚂蚁k选择移动到城市j的概率。公式为: 　　其中τ(i,j)表示边(i,j)的适应值,即“激素”; η(i,j) 为距离L(i,j)的倒数。α,β为两个参数,分别表示蚂蚁运动过程中积累信息和启发信息的相对重要程度。 　　在蚁群算法中,选择方式为: 　　其中,q为均匀分布在[0,1]上的一个随机变量,q0为在[0,1]上的参数,而J则是根据等式(1)计算出来的概率分布来进行选择。 　　2)全局更新规则:蚂蚁算法有不同的更新规则,蚁群系统采用全局全局更新规则,只允许全局最优的蚂蚁释放信息素。这样做可以使蚂蚁的搜索主要集中在当前循环为止所找出的最好路径的邻域内。全局更新在所有蚂蚁都完成一次搜索后用下边(3)式进行全局更新: 　　其中:ρ为信息素挥发参数;Lgb为到目前为止找到的全局最优路径。 　　3)局部更新规则:每只蚂蚁建立一个解的过程中也同时进行激素迹的更新,规则如下: 　　其中, r为[0,1]间的参数。 　　1.2 基于图解的蚁群系统 　　用蚁群算法求解最优化问题,首先需要将最优化问题转化为求解最短路径问题。为此,文献[3]提出了有向图的概念,文献[4]提出了构造图的概念,他们的共同特点是通