论文部分内容阅读
自然界中，蚂蚁群体在觅食过程中总能找到蚁穴与食物源之间的最短路径。生物学研究表明，这种智能觅食行为的实现，主要是依靠蚂蚁播撒和感知信息素的方式来完成的。上世纪90年代初，意大利学者Macro Dofigo利用一群人工蚂蚁模拟蚁群觅食行为，提出了一种仿生智能优化算法--蚁群算法。经过近20年的发展，蚁群算法目前已发展成为求解复杂优化问题的重要工具，并在众多领域获得了广泛应用。在蚁群算法中，信息素是实现群集智能的关键，是人工蚂蚁实现间接通信、完成群体协作的重要媒介。已有的研究表明，信息素的留存、初始化、播撒及挥发等控制策略，在很大程度上影响着蚁群算法的优化性能。基于课题组的前期工作，本文以信息素控制策略为研究重点，通过引入知识引导、分布估计以及量子态叠加等机制，对蚁群算法在离散和连续两类优化问题求解中的信息素控制方法进行新的探索，主要工作包括：
（1）针对离散域的优化问题，以旅行商问题为例，提出了一种知识引导的信息素控制策略。这种策略强化了知识在信息素初始化、更新等过程中的引导作用。首先将最小生成树信息作为问题的先验知识对信息素进行初始化，以期望能够提高信息素在算法运行初期对蚂蚁搜索的指导效率；其次在信息素更新时，除利用解信息外，还通过引入多只蚂蚁周游路径的公共路径信息作为群知识，来指导信息素的更新。实验表明，这种知识引导的信息素控制策略可以有效提高蚁群算法的总体性能。
（2）针对连续域的优化问题，以连续函数最优值问题为例，结合分布估计方法和量子态叠加机制的思想，提出了一种基于分布估计的量子信息素控制模型及其蚁群算法。它不仅具有分布估计方法的宏观优化特性，而且也具有量子态叠加机制的多样性，所以有希望突破传统信息素的留存方式在求解连续优化问题时遭遇的局限性。实验证明，基于这种量子信息素控制模型的蚁群算法，能够在耗费较小计算代价的同时获得更精确的解，具有较好的连续问题优化的能力。
以上两种新信息素控制方法的提出，不仅丰富和完善了蚁群算法的理论研究，提升了蚁群算法求解复杂优化问题的总体性能，而且有利于促进蚁群算法更为广泛的应用。