基于云模型的小生境MAX-MIN相遇蚁群算法

吉林大学学报(工学版)

基于云模型的小生境MAX-MIN相遇蚁群算法

段海滨¹, 王道波², 于秀芬³

1.北京航空航天大学自动化科学与电气工程学院, 北京 100083; 2.南京航空航天大学自动化学院, 南京 210016; 3.中国科学院空间科学与应用研究中心, 北京 100080

收稿日期:2005-10-21 修回日期:2006-03-16 出版日期:2006-09-01 发布日期:2006-09-01
通讯作者: 段海滨

MAXMIN meeting ant colony algorithm based on cloud model
theory and niche ideology

Duan Hai-bin¹, Wang Dao-bo², Yu Xiu-fen³

1.School of Automation Science and Electrical Engineering, Beihang University, Beijing 100083, China; 2.College of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China; 3.Center for Space Science and Applied Research, Chinese Academy of Sciences, Beijing 100080, China

Received:2005-10-21 Revised:2006-03-16 Online:2006-09-01 Published:2006-09-01
Contact: Duan Hai-bin

摘要/Abstract

摘要： 针对基本蚁群算法在解决大规模优化问题时易限于局部最优解、收敛速度慢的突出缺陷, 本文在阐述基本蚁群算法和云模型理论的基础上,提出了一种利用云模型定性关联规则来有效限制基本蚁群算法陷入局部最优解的方法; 随后借助最优解保留、相遇搜索和信息素自适应控制策略以及自然界的小生境思想对基本蚁群算法进行了系列改进, 以提高改进后蚁群算法的全局收敛性能。同时, 为了避免蚁群在搜索过程中易出现停滞现象, 将各条寻优路径上可能的残留信息素数量限制在一个最大最小区间。仿真实验结果验证了本文所提改进蚁群算法的可行性和有效性。

关键词: 人工智能, 蚁群算法, 信息素, 云模型, 定性关联规则, 小生境

Abstract: Ant colony algorithm (ACA) is easy to fall in local best, and its convergent speed is slow in solving largescale optimization problems. On the basis of introduction of basic ant colony algorithm and cloud model theory, a novel qualitative strategy for improving the global optimization properties by use of cloud models is presented in this paper. Then, for the purpose of enhancing global convergent performance of basic ant colony algorithm, the basic ant colony algorithm is improved by using elitist preservation strategy, meeting search strategy, pheromone adaptive control strategy and natural niche ideology. Meanwhile, in order to avoid stagnation of the search, the range of possible pheromone trails on each solution component is limited to a maximumminimum interval. The feasibility and effectiveness of the proposed ant colony algorithm are validated by series of computational experiments.

Key words: artificial intelligence, ant colony algorithm (ACA), pheromone, cloud model, qualitative association rule, niche

中图分类号:

TP18

段海滨, 王道波, 于秀芬 . 基于云模型的小生境MAX-MIN相遇蚁群算法[J]. 吉林大学学报(工学版), 2006, 36(05): 803-0808.

Duan Hai-bin, Wang Dao-bo, Yu Xiu-fen . MAXMIN meeting ant colony algorithm based on cloud model
theory and niche ideology[J]. 吉林大学学报(工学版), 2006, 36(05): 803-0808.

参考文献

相关文章 15

[1]	董飒, 刘大有, 欧阳若川, 朱允刚, 李丽娜. 引入二阶马尔可夫假设的逻辑回归异质性网络分类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1571-1577.
[2]	顾海军, 田雅倩, 崔莹. 基于行为语言的智能交互代理[J]. 吉林大学学报(工学版), 2018, 48(5): 1578-1585.
[3]	王旭, 欧阳继红, 陈桂芬. 基于垂直维序列动态时间规整方法的图相似度度量[J]. 吉林大学学报(工学版), 2018, 48(4): 1199-1205.
[4]	张浩, 占萌苹, 郭刘香, 李誌, 刘元宁, 张春鹤, 常浩武, 王志强. 基于高通量数据的人体外源性植物miRNA跨界调控建模[J]. 吉林大学学报(工学版), 2018, 48(4): 1206-1213.
[5]	黄岚, 纪林影, 姚刚, 翟睿峰, 白天. 面向误诊提示的疾病-症状语义网构建[J]. 吉林大学学报(工学版), 2018, 48(3): 859-865.
[6]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[7]	刘杰, 张平, 高万夫. 基于条件相关的特征选择方法[J]. 吉林大学学报(工学版), 2018, 48(3): 874-881.
[8]	王旭, 欧阳继红, 陈桂芬. 基于多重序列所有公共子序列的启发式算法度量多图的相似度[J]. 吉林大学学报(工学版), 2018, 48(2): 526-532.
[9]	杨欣, 夏斯军, 刘冬雪, 费树岷, 胡银记. 跟踪-学习-检测框架下改进加速梯度的目标跟踪[J]. 吉林大学学报(工学版), 2018, 48(2): 533-538.
[10]	刘雪娟, 袁家斌, 许娟, 段博佳. 量子k-means算法[J]. 吉林大学学报(工学版), 2018, 48(2): 539-544.
[11]	车翔玖, 张孙旻. 基于异步更新策略的蚁群边缘提取算法[J]. 吉林大学学报(工学版), 2017, 47(5): 1577-1582.
[12]	曲慧雁, 赵伟, 秦爱红. 基于优化算子的快速碰撞检测算法[J]. 吉林大学学报(工学版), 2017, 47(5): 1598-1603.
[13]	李嘉菲, 孙小玉. 基于谱分解的不确定数据聚类方法[J]. 吉林大学学报(工学版), 2017, 47(5): 1604-1611.
[14]	邵克勇, 陈丰, 王婷婷, 王季驰, 周立朋. 无平衡点分数阶混沌系统全状态自适应控制[J]. 吉林大学学报(工学版), 2017, 47(4): 1225-1230.
[15]	王生生, 王创峰, 谷方明. OPRA方向关系网络的时空推理[J]. 吉林大学学报(工学版), 2017, 47(4): 1238-1243.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed