第三章遗传算法蚁群算法与粒子群算法.ppt

人工智能 华中科技大学水电与数字化工程学院 连续优化问题算法三：CACA算法 该算法通过把各维变量离散化，在算法的每一次迭代中，先根据蚁群优化原理求出最优解所在的区域，然后在各区域中运用遗传算法确定解的具体值。 参考文献： 1、陈峻，沈洁，秦玲. 蚁群算法求解连续空间优化问题的一种方法. 软件学报，2002年，13(12)：2317－2323 2、王晗. 基于蚁群算法的制动器参数优化设计. 吉林大学工学硕士学位论文. 2007年 选取一定长度，将可行域在各维分量上离散成若干等长度的子区间。 为了确定解的具体值，可在各个子区间已有的取值中保存若干几个适应度较好的解的分量作为候选组。然后使用遗传算法中的选择、交叉、变异等操作，在候选组中确定解的相应分量的值。对子区间候选组内各分量值的选择，相当于对问题的局部寻优。 单蚁在n维连续空间中路径选择图 问题映射 参数的数据结构及初始化 1) 子区间初始化 子区间初始化包括子区间范围的初始化和各子区间内候选组的初始化。 选取一定长度?，设ki=[(ui-li)/ ?]，将可行域在第i维上离散成ki个子区间，i=1,2,?,n。 由于各维分量的子区间的个数不一致，因此，定义一个二维的链表数组C，以Cij表示第i维的第j个子区间，需要对各子区间Cij的上下边界Lij 、Uij 及候选组进行初始化。 各候选组一般先初始化为空，在需要的时候根据遗传