蚁群算法收敛性验证系统的研究与实现

›› 2013, Vol. 26 ›› Issue (1): 138-.

蚁群算法收敛性验证系统的研究与实现

郑恩兴,刘冉冉

(1.常州刘国钧高等职业技术学校机电工程系,江苏常州 213025;2.常州刘国钧高等职业技术学校自动化工程系,江苏常州 213025)

出版日期:2013-01-15 发布日期:2013-03-08
作者简介:郑恩兴(1981—),男,硕士研究生,讲师。研究方向:控制工程与控制理论。E-mail:zhengenxing@sohu.com

Research on and Implementation of Ant Colony Algorithm Convergence

ZHENG Enxing,LIU Ranran

(1.Department of Mechanical and Electrical Engineering,Changzhou Liuguojun Higher Vocational and Technical School,Changzhou 213025,China;2.Department of Automation Engineering,Changzhou Liuguojun Higher Vocational Technical School,Changzhou 213025,China)

Online:2013-01-15 Published:2013-03-08

摘要/Abstract

摘要：

蚁群算法是一种新型的仿生优化算法,具有较强的鲁棒性、优良的分布式机制、并行性以及正反馈等特点。目前蚁群算法已涉及众多应用领域,在解决复杂优化问题上具有较多优越性。文中深入研究了蚁群算法的性能及机制,分析了参数对算法性能的影响。在理论研究的基础上,实现了蚁群算法的仿真实验;通过Java绘图界面形象完整地展现出整个收敛的过程,验证了蚁群算法的收敛性;通过对参数的调试、组合,得到了最佳的收敛效果。该系统的实现对今后收敛性的研究打下了基础。

关键词: 蚁群算法, 收敛性, 优化算法

Abstract:

The ant colony algorithm is a new bionic optimization algorithm,and has strong robustness,excellent distributed mechanism,parallel and positive feedback,and etc.At present the ant colony algorithm have been involved in many fields of application,especially in solving complex optimization issue.This paper studies the performance and mechanism of ant colony algorithm for with a detailed analysis of the influence of the parameters on the performance of the algorithm.On the basis of theoretical analysis,the ant colony algorithm is simulated,and the whole process of convergence is demonstrated on Java graphics interface,which proves the convergence of ant colony algorithm.By the adjustment and combination of the parameters,the best effect of convergence is obtained.This system builds the foundation for further research on convergence.

Key words: ant colony algorithm;convergence;optimization algorithm

中图分类号:

TP301.6

郑恩兴,刘冉冉. 蚁群算法收敛性验证系统的研究与实现[J]. , 2013, 26(1): 138-.

ZHENG Enxing,LIU Ranran. Research on and Implementation of Ant Colony Algorithm Convergence[J]. , 2013, 26(1): 138-.

[1]	刘晨旻,王亚刚. 基于连续空间的萤火虫算法改进[J]. 电子科技, 2022, 35(2): 40-45.
[2]	李娜,高博,谢宗甫. 分层异构信号处理平台调度方法研究[J]. 电子科技, 2022, 35(2): 7-13.
[3]	朱成名,魏云冰,蒋成成,朱健安. 基于PSO-BP神经网络的风电功率备用容量估计模型[J]. 电子科技, 2021, 34(12): 36-41.
[4]	陆欢. 基于约束优化提升并联充电器效率的研究[J]. 电子科技, 2020, 33(8): 53-58.
[5]	朱宏伟,张海南. 基于拥挤度因子的动态信息素更新策略蚁群算法[J]. 电子科技, 2020, 33(8): 59-64.
[6]	刘永建,曾国辉,黄勃,李晓斌. 改进蚁群算法的机器人路径规划研究[J]. 电子科技, 2020, 33(1): 13-18.
[7]	刘学芳,曾国辉,黄勃,鲁敦科. 基于改进蚁群算法的移动机器人路径规划研究[J]. 电子科技, 2019, 32(9): 5-9.
[8]	赵威,曾国辉,黄勃,朱爽鑫,刘瑾. 基于改进局部搜索算法的三维空间路径规划研究[J]. 电子科技, 2019, 32(6): 58-63.
[9]	蓝机满. 基于径向基神经网络的粒子群表面缺陷识别算法[J]. 电子科技, 2019, 32(5): 92-95.
[10]	张昭,张天奇. 基于群体智能的自组织运动控制综述[J]. 电子科技, 2019, 32(11): 52-57.
[11]	李怡弘, 裘炅. 粒子群蚁群融合算法的火灾救援路径研究[J]. , 2018, 31(1): 58-.
[12]	赵惠光 1，何胜学 1，黄清 2，向乐佳 3. 基于改进蚁群算法的公交疏散策略研究[J]. , 2017, 30(4): 68-.
[13]	梁樱馨，田浩杉. 基于细菌觅食与粒子群的改进混合算法[J]. , 2017, 30(4): 79-.
[14]	王蓝博，李郝林，迟玉伦 . 基于SMO-SVM的丝杠表面磨削质量预测[J]. , 2017, 30(4): 110-.
[15]	杨勇明. 基于改进粒子群算法的并联机械手运动参数识别[J]. , 2016, 29(9): 26-.