求解函数优化问题的连续新蚂蚁算法研究.pdfVIP

第1 章 绪论 第1 章 绪论 1.1 课题研究的意义及其背景 仿生算法能应用于多种行业，促进相关领域的技术进步，因而成为当前国际 上一个非常热门的研究课题。蚂蚁算法(ant algorithm)[1]最早是由意大利的著名学 者M.Dorigo 等于1991 年提出并逐渐发展为ACO(Ant Colony Optimization)蚁群 优化算法。近几年，这种新的仿生优化算法在国内外已引起了广泛的研究热潮， [2-7] 同时也取得了许多广泛的应用 。但是，M.Dorigo 等人提出的算法只是模拟了 蚂蚁觅食过程中的一些最基本的运动，算法易于停滞和早熟已成为共识，为此， 国内外学者提出了许多改进算法。这些算法比较适合于解决类似 TSP 等离散的 组合优化问题，对于连续空间的求解问题却比较困难，优势不大。为此，不少学 者提出了连续域蚁群优化算法的改进算法。这些算法虽然能用于连续函数的优 化，但并没有跳出ACO 的模型框架和思想，绝大多数文献的基本算法或思想还 是基于该模型，其算法和应用还存在较大的局限性。 ACO 算法最初是一个求解离散问题的数学模型，因而在离散优化领域得到 [2-7] 了较广泛的应用 。对于连续对象求解最大最小值的问题是生产、生活中普遍 存在的一类问题，大多数都可归结为函数优化问题。函数优化问题是在工程、控 制、决策中普遍存在的一类优化问题，其优化目标函数可能包含多个在一定范围 内的连续变量，传统的优化手段对目标函数要求苛刻，如需要满足可导或者可微 等。然而，现实中许多函数是非常复杂的，主要表现为多变量、多约束、非线性、 非凸、不可微、多极值等特性。导致有些函数难以优化，容易陷入局部解而难以 得到全局最优解，收敛速度较慢。由于这是一个连续域优化问题，因而难以直接 应用ACO 算法进行优化。近年来，人们从仿生学的机理中受到启发，提出了许 多用于求解函数优化问题的新方法，如模拟退火算法、遗传算法、蚁群算法等。 随着各种新方法和新技术的不断出现，对函数优化问题的研究有了更广阔的天 地，也取得了一定的研究进展。然而对于函数优化问题的复杂性，这些算法还存 在许多不足和缺陷。 对真实蚂蚁的最新研究成果表明：蚂蚁社会是一个分工十分明确的社会团 体，分为蚁后、工蚁和兵蚁等，工蚁又分为侦察蚁和觅食蚁，蚂蚁觅食时，先由 侦察蚁四处侦察食物，侦察到食物后，用信息素标记路标[8] 。特别是：最新的研 究成果表明，侦察蚁标记的路标不仅给出标记，而且还以一定的几何角度给出食 物所在的方向。侦察蚁释放的信息素有两种，一种是标记路标的信息素，一种是 1 第1 章 绪论 召唤觅食蚁搬食的信息素。觅食蚁通过触角具有感知功能，在感知到侦察蚁的召 [9] 唤后，可根据侦察蚁留下的路标去寻食物 ，这些觅食蚁也会留下信息素，从而 使寻食道路上的信息素越来越浓，感味而来的蚂蚁越来越多，形成一个正反馈。 研究成果还表明，当蚂蚁觅食通道拥挤的时候，蚂蚁具有避免拥挤的自动分流功 [10] 能 。本课题根据真实蚂蚁的全部觅食行为，拟研究侦察蚁和觅食蚁协作的搜索 算法。另外，根据蚂蚁算法有很好的融合性，易于与别的算法相结合的特点，本 文拟研究一种ACO(Ant Colony Optimization)和PSO(Particle Swarm Optimization) 相结合的混合连续优化算法和基于文化的连续蚁群优化算法研究。 用蚁群算法进行函数优化时，存在收敛速度慢且易于陷入局部最优解。针对 这些问题，本文在现有的研究基础上提出了几种新颖的搜索策略，从而能很好地 应用于求解连续对象优化问题。本课题研究的新蚂蚁算法中利用新颖的搜索策 略，增加搜索多样性，以解决收敛速度慢、评价代价高，不适合求解高维空间的 优化问题等缺点。 Reynolds于1994年提出了文化算法(Cultural Algorithm)[11-12] 。在人类社会中， 文化被看作存储信息的载体，这些信息在社会群体之间和群体内部广泛地传递， 并能被社会所有成员继承，从而有效地指导成员的行为来解决问题。生物学