引入特征迁移和匹配学习的双蚁型蚁群算法

TP18; 针对传统蚁群算法在求解旅行商问题(TSP)时存在收敛速度慢、易陷入局部最优等问题,提出一种引入特征迁移学习和匹配学习的双蚁型蚁群算法(BMACS).首先,将种群动态分级为探索蚁和追踪蚁,其中适应度较高的为探索蚁,较低的为追踪蚁;其次,提出一种局部特征迁移机制,该机制下有两种策略,在特征迁移策略中,将探索蚁公共路径作为局部特征通过局部信息素奖励迁移到信息素矩阵中,进而提高探索蚁的影响力,加快算法收敛速度;在变异学习策略中,追踪蚁跟随探索蚁负责对次优路径的探索,自适应重构探索蚁路径,从而丰富种群多样性;最后,当算法停滞时,利用匹配学习机制将当前最优个体与相似度最高的历史最优个体进行交流...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 16; no. 12; pp. 2797 - 2808
Main Authors 陈达, 游晓明, 刘升
Format Journal Article
LanguageChinese
Published 上海工程技术大学 电子电气工程学院,上海 201620%上海工程技术大学 管理学院,上海 201620 01.12.2022
Subjects
蚁群算法
局部特征迁移
旅行商问题(TSP)
匹配学习
动态分级
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.2104006

Cover

More Information
Summary:TP18; 针对传统蚁群算法在求解旅行商问题(TSP)时存在收敛速度慢、易陷入局部最优等问题,提出一种引入特征迁移学习和匹配学习的双蚁型蚁群算法(BMACS).首先,将种群动态分级为探索蚁和追踪蚁,其中适应度较高的为探索蚁,较低的为追踪蚁;其次,提出一种局部特征迁移机制,该机制下有两种策略,在特征迁移策略中,将探索蚁公共路径作为局部特征通过局部信息素奖励迁移到信息素矩阵中,进而提高探索蚁的影响力,加快算法收敛速度;在变异学习策略中,追踪蚁跟随探索蚁负责对次优路径的探索,自适应重构探索蚁路径,从而丰富种群多样性;最后,当算法停滞时,利用匹配学习机制将当前最优个体与相似度最高的历史最优个体进行交流学习,重组信息素,增加种群的多样性,进而提高算法跳出局部最优的能力.使用MATLAB对TSPLIB中的多组案例进行仿真实验,结果表明改进后的算法平衡了多样性和收敛速度,有效提高了解的质量.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.2104006