針對蟻群算法易陷入局部最優(yōu)與收斂速度較慢的不足,提出了動態(tài)學習機制的雙種群蟻群算法。該算法重點引入獎懲模型,獎勵算子提高算法的收斂速度,懲罰算子增加種群的多樣性。由SA-MMAS(adaptive simulated annealing ant colony algorithm based on max-min ant system)和MMAS(max-min ant system)兩個種群合作搜索路徑,蟻群間根據(jù)不同城市規(guī)模動態(tài)地進行信息素交流,在種群交流后利用獎懲模型對雙種群間的學習合作行為給予動態(tài)的反饋,從而平衡算法的多樣性與收斂速度。通過17個經(jīng)典旅行商問題(traveling salesman problem,TSP)實例進行驗證,結(jié)果表明該算法能以較少的迭代次數(shù)取得最優(yōu)解或接近最優(yōu)解。對于中大規(guī)模的TSP問題效果更好,從而驗證了算法的高效性和可行性。

【文章頁數(shù)】：12 頁

【文章目錄】：
1 引言
2 相關(guān)工作
    2.1 蟻群算法ACO在TSP上的應(yīng)用
    2.2 最大最小蟻群算法
3 動態(tài)學習機制的雙種群蟻群算法
    3.1 SA-MMAS
    3.2 學習機制
        3.2.1 交流機制
        3.2.2 動態(tài)學習的獎懲模型
    3.3 算法流程
4 實驗仿真
    4.1 問題求解及對比
    4.2 收斂速度對比
5 結(jié)束語



本文編號：3833066