群体智能.doc

基于蚁群优化的混合智能算法研究于艳艳12号吉林工程技术师范学院,信息工程学院,信息管理与信息系统1041【摘要】为了解决混合蚁群优化算法存在的问题,研究了当前求解组合优化问题性能表现最好的迭代局部搜索算法,并分析了其关键技术)))局部搜索和扰动;通过将局部搜索和扰动分别用于增强蚂蚁系统算法的开发能力和探索能力,提出了一种基于蚁群优化的混合智能算法。求解TSP的实验表明,该混合智能算法保持了其开发能力和探索能力间的平衡,并实现了在合理的计算时间内对蚁群优化算法较高质量的改进。【关键词】蚁群优化算法;迭代局部搜索算法;局部搜索;扰动ResearchonHybridIntelligentAlgorithmBasedonYuyanyan12【Abstract】,,.【Keywords】antcolonyoptimizationalgorithm;iteratedlocalsearchalgorithm;localsearch;(AntColonyOptimization,ACO)是人们受蚂蚁觅食行为启发而提出的一种元启发式算法,已成功地解决了大量组合优化问题,并且在求解某些问题方面表现出色。尽管ACO算法研究已取得了很大的进展,但其易于陷入局部最优而导致需要运行较长时间才能求出最优解的缺点难以克服,为此有关学者提出了混合ACO算法,例如:使用Memetic算法的AS(AntSystem)算法、结合神经网络的AS算法、结合差分进化(DifferentialE-volution)的AS算法等。但是,这些混合ACO算法存在的主要问题是工作流程繁琐且参数较多,求解性能还有待进一步验证。为此,本文提出一种融入迭代局部搜索(IteratedLocalSearch,ILS)的ACO算法,试图通过简单的算法混合和较少的参数设置,在合理的计算时间内实现对ACO算法较高质量的改进。,也是目前求解组合优化问题(特别是TSP)性能最好的算法。ILS算法的基本原理:对初始解应用局部搜索;如果终止条件不满足则使局部最优解产生扰动以移动到新的邻域中,并继续对扰动产生的解应用局部搜索;反复执行上述过程直至算法结束。ILS算法实际是在问题的解空间中建立了一个随机移动的过程,而这种移动是通过ILS算法在各个局