基于蚁群算法多维有约束函数优化研究.docVIP

基于蚁群算法多维有约束函数优化研究 　　摘要：利用蚁群算法的基本原理，将多维有约束的优化问题通过罚惩因子方式转换为统一的多变量目标函数形式，并将所有独立变量分成不同的等份区域，以蚂蚁走过每一变量的一个区域并访问完所有变量所构成的构造图作为优化问题的可行解，获得这一可行解的过程即为蚁群算法的粗搜索；再将粗搜索所获得的解执行遗传交叉及变异操作，从而构建另一种精搜索蚁群算法以获得更精确的全局优化解。给出了基于蚁群算法的多维有约束函数优化的具体算法。通过其他三种优化方法及本文方法对行星轮系优化设计的对比求解，验证了该优化方法的高效性及准确性。 　　关键词：蚁群算法； 多维函数优化； 粗搜索过程； 精搜索过程； 具体算法 　　中图分类号：TP202.7文献标志码：A 　　文章编号：1001－3695(2008)06－1682－03 　　 　　0引言?? 　　 　　蚁群算法是一类新型进化算法，其主要特点是群体搜索策略和群体之间的信息交换。其主要依据是信息正反馈原理和某种启发式算法的有机结合。当前这类算法已形成了统一的优化元启发式统一模式、统一蚁群优化原理及算法描述，它在求解组合优化、函数优化、系统辨识、机器人路径规划及数据挖掘等方面取得了很好的效果[1]。其具有许多比遗传算法等其他传统群智能算法更多的优点，尤其在求解组合优化问题方面具有其他算法所不具有的优点[2]。本文将多维有约束函数优化通过各变量的细分，以每只蚂蚁如何走完所有变量中不同区间的系列作为问题求解的最优解。这样将多维变量的函数优化问题转换成类似组合优化的问题来进行求解，并将整个函数优化分成蚂蚁粗搜索及精搜索过程。在精搜索过程中利用遗传交叉、变异算子进一步细化变量区间，对函数的约束变量需要后期圆整处理的变量事先附加不同的整型约束。这样既缩小了搜索空间，又不至于使设计出的变量值需要后期二次处理，从而在多维有约束的函数优化上具有收敛速度快、易获得全局最优解的优点。?? 　　 　　1蚁群算法的基本原理?? 　　 　　蚁群算法是一种基于群体的随机搜索算法，它是在蚁群优化元启发式作用下，将待求解问题表示成具有特定含义的构造图的形式[3]。基于构造图中的信息通过间接通信与协作的方式搜索问题的最优解，其主要依据是信息正反馈原理与某一种启发式算法的有机结合。蚂蚁正是利用自身获得的启发式信息与群体中释放的信息素多少来决定自身下一步所要搜索的方向，也就是蚂蚁利用个体自身信息与其他个体或周围环境的信息来获得最优解。 　　 　　2多变量函数优化的ACO算法?? 　　 　　2．1基本思想?? 　　蚁群算法的优化过程主要包括选择、更新以及协调三个过程[4]。整个优化过程将分为粗搜索过程和精搜索过程，并且每一个过程设置不同类的蚂蚁。在粗搜索过程中，首先将待求问题的多约束函数通过最小二乘法及惩罚函数法转换为统一的目标函数，也可在蚁群操作过程中通过特定的子程序判断候选解是否满足约束条件来处理，对标准的目标函数将待求问题的独立变量依据该变量的要求不同划分为不同的等份小单元，尤其对设计中需要最终变量的值是整数值的变量，对该类变量就划分成等份整数单元，以便优化的结果直接可用而无须后续二次取整处理。这样处理极大地缩小了搜索空间，提高了搜索效率。整个粗搜索即是完成每只蚂蚁以走完所有的独立变量中的某一个值而构成一个可行解，然后修改所有路径上的信息素。在精搜索过程中，将上述粗搜索得到的可行解进行单元细化，以可行解构成初始群体，依据某种概率进行交叉和变异操作，并采用另一类蚂蚁执行蚁群算法，最终找到多变量优化问题的全局最优解。 　　2．2粗搜索过程?? 　　假设通过最小二乘法及惩罚函数法转换后的目标函数为?? 　　 　　蚂蚁k由式(4)选择构造路径，由式(5)更新路径上的信息素。这两个步骤重复迭代搜索整个空间，最终搜索到信息素较浓的路径形成较短的闭合（最优）路径，从而找到函数的近似优化解；同时也完成了粗搜索过程。?? 　　2．3精搜索过程?? 　　精搜索是指蚂蚁在整个种群中开展大幅度、开创式搜索，该操作由另一类蚂蚁执行。由粗搜索过程的蚂蚁产生G个新解，在这G个新解中对每一个变量的区间进行细化。其目的是跳出某些变量所构成的局部极值，从而更可能获得全局最优解。其具体操作是将上述G个新解构成遗传算法的初始群体，并对每个解的分量进行交叉和变异算子操作；然后采用另一类蚂蚁对该解分量组成的构造图执行蚁群算法，并更新各变量子区间组成路径上的信息素，最终搜索到信息素较浓的各解变量子区间所组成的路径为问题的全局最优解，从而结束精搜索过程。其交叉操作及变异操作如下[6]：?? 　　a)交叉操作。随机地从初始种群中选择两个个体p1、p2作为父代，并以交叉概率pc调用式(6)生成子代个体c的各分量，其上