连续域寻优：分组蚊群算法与蚂蚁觅食行为

"用于连续域寻优的分组蚁群算法" 本文主要探讨的是如何将蚁群优化（Ant Colony Optimization, ACO）算法应用于连续域的优化问题。蚁群优化算法最初是由M.Dorigo等人在1991年提出的，主要用于解决离散域的组合优化问题，如旅行商问题（TSP）和二次分配问题（QAP）。然而，由于其固有的离散性，ACO在处理连续域的优化时存在局限。 针对这一问题，学者们提出了三种主要的解决方案。第一种策略是将连续域离散化，然后应用蚁群算法。这种方法包括基于图的蚁群算法和网格优化算法等。第二种策略是对基本的蚁群算法进行改造，使其适应连续域，比如Bilchev和Parmee的Continuous Ant Optimization (CAO)算法，它结合了遗传算法进行全局搜索和蚁群算法进行局部优化。第三种方法是直接创造新的算法来模拟蚂蚁的行为，如文献[7]中N.Monomarque等人的API算法，它模仿了墨西哥蚂蚁的觅食方式，使用可见标志而非信息素进行优化。此外，Dreo和Siarry提出的Continuous Interacting Ant Colony (CIAC)算法引入了双通道融合技术，特别适合于连续域的寻优问题。 文章的作者李秋云、朱庆保和马卫来自南京师范大学数学与计算机科学学院，他们提出了“分组蚁群算法”这一新概念，这是一种针对连续域优化的改进策略。分组蚁群算法可能涉及将蚂蚁群体分成多个子群体，每个子群体在解空间的不同区域中独立搜索，然后通过某种机制共享信息和协同优化，以提高算法的收敛速度和效率。这种方法旨在克服ACO在连续域中的不足，同时保留其在离散问题中的优点。 这篇论文深入研究了蚁群优化算法在连续域中的应用，提出了分组策略以增强算法性能。通过模拟生物界中的蚂蚁行为，并结合现代优化理论，该方法有望在工程优化、机器学习以及其他需要连续变量优化的领域中找到广泛应用。