基于反馈仿射振荡器和反馈搜索智能优化的改进蚁群算法与最短路优化

摘要

针对经典蚁群算法易陷入局部最优解、收敛速度慢、全局最优解质量不佳等问题,通过分析研究蚁群算法和抽样策略,提出了基于反馈仿射振荡器(RAS)和反馈搜索智能优化(RSO)的改进蚁群算法。首先,利用RAS算法在所给函数区域进行撒点抽样,得到若干节点而不是进行毫无目的的随机撒点;同时,基于RSO的思想对全局信息素更新规则加以改进,充分利用每次迭代结束后局部最优解的价值;然后,基于RSO的思想调节信息素挥发系数,尽量避免算法在运行期间陷入局部最优解,同时加速算法收敛;最后,通过自适应调整路径选择参数的值,加快算法收敛同时减小算法陷入局部最优解的可能。仿真实验一该算法相较于最大最小蚁群系统、经典遗传算法、基于精英保留策略的改进遗传算法解的优质程度分别提升10.9%、22.1%、11.2%,迭代次数分别减少31.1%、23.3%、18.7%;仿真实验二中解的优质程度分别提升12.9%、24.6%、13%,迭代次数分别减少39.5%、11.7%、3.2%。仿真实验结果表明,该算法可加快算法收敛同时提升解的优质程度,能有效解决路径优化问题。