没有合适的资源?快使用搜索试试~ 我知道了~
首页图知识迁移优化蚁群算法参数选择
本文主要探讨了一种创新的参数选择策略,即基于图知识迁移的蚁群算法(Ant Colony Optimization, ACO)参数优化方法。在传统的蚁群算法中,参数设置对算法性能至关重要,但手动调整往往耗时且效果不稳定。作者提出了一种系统性的解决方案,旨在解决这一问题。 首先,研究者构建了一个高维度的迁移空间,这个空间将包含所有具有蚁群算法运行参数(如种群大小、信息素衰减率等)的源任务视为节点,并通过迁移权值来表示不同参数间的相似性和关联性。这种方法借鉴了图论中的知识,使得算法能够理解参数之间的复杂关系。 接着,他们扩展了迁移图模型,将其与目标路径规划问题相结合。在这个过程中,目标任务被添加为图中的新节点,同时考虑了任务特性和任务环境对参数选择的影响。通过图论中的理论,例如邻接矩阵或图的结构分析,研究者设计了一种迁移函数,用于预测目标任务的最佳参数配置。 最后,利用最小二乘法这一优化技术,该方法自主地为每个目标任务寻找一个优化的参数组合。这种算法不仅考虑了全局最优解,还能够根据任务特性进行自适应调整,体现出其智能性和针对性。通过机器人路径规划问题的仿真测试,研究结果证明了这种方法在提高算法性能,如缩短搜索时间、提升解的质量等方面具有显著优势,同时兼顾了快速性和合理性。 本文提出的基于图知识迁移的蚁群算法参数选择方法,不仅提升了蚁群算法的性能,还展示了其在实际问题解决中的实用性。这种创新的方法对于优化其他优化算法,特别是那些依赖于多个可调节参数的算法,具有重要的参考价值。
资源详情
资源推荐
第 26 卷 第 12 期
Vol. 26 No. 12
控 制 与 决 策
Control and Decision
2011 年 12 月
Dec. 2011
基于图知识迁移的蚁群算法参数选择
文章编号: 1001-0920 (2011) 12-1855-06
王雪松, 潘 杰, 程玉虎
(中国矿业大学 信息与电气工程学院,江苏 徐州 221116)
摘 要: 同时考虑蚁群算法的所有运行参数, 提出一种基于图知识迁移的蚁群算法参数选择方法. 首先, 将包含知
识 (蚁群算法的运行参数) 的源任务映射到一个高维的迁移空间, 并通过迁移权值连接不同的源任务, 构造一个模型
迁移图; 然后, 扩展模型迁移图使其包含目标任务, 并利用图论的知识学习迁移函数; 最后, 通过最小二乘法自主地给
目标任务分配一个优化的运行参数组合. 机器人路径规划问题的仿真结果验证了该方法的智能性、快速性与合理性.
关键词: 蚁群算法;参数选择;图知识迁移;路径规划
中图分类号: TP18 文献标识码: A
Parameters selection for ant colony algorithms based on graph knowledge
transfer
WANG Xue-song, PAN Jie, CHENG Yu-hu
(School of Information and Electrical Engineering,China University of Mining and Technology,Xuzhou
221116,China.Correspondent:WANG Xue-song,E-mail:wangxuesongcumt@163.com)
Abstract: A kind of parameters selection for ant colony algorithms(ACAs) based on graph knowledge transfer is proposed,
where all of running parameters are taken into account simultaneously. Firstly, all source tasks containing knowledge
(running parameters for ACAs) are mapped onto a high-dimensional transfer space, and transfer weights are used to connect
these source tasks. In this way, a model transfer graph is thus constructed. Then, the model transfer graph is extended
to include a target task and a transfer function can be obtained according to a graph theory. Finally, a group of optimal
parameters for the target task can be automatically determined by using a least-squares method. Simulation results involving
a robot path planning problem show the intelligence, rapidness and reasonability of the proposed method.
Key words: ant colony algorithm;parameters selection;graph knowledge transfer;path planning
1 引引引 言言言
从蚂蚁群体寻找最短路径的觅食行为受到启发,
Dorigo等人
[1]
于 20 世纪 90 年代提出一种模拟自然界
蚁群行为的模拟进化算法 —– 人工蚁群算法. 该算法
不仅能智能搜索、全局优化, 而且具有高度的本质并
行性、正反馈性、鲁棒性及协同性等优点, 在解决复
杂优化问题上显示出良好的适应性, 并已成功应用于
解决旅行商
[2]
、车间调度
[3]
和机器人路径规划
[4]
等问
题. 但是, 同其他许多启发式智能优化算法一样, 蚁群
算法的优化结果对参数的选择比较敏感, 算法运行参
数的选取对算法性能有着至关重要的影响
[5-6]
. 对于
不同的优化问题, 算法的参数选取不同. 即使对于同
一类型的优化问题, 由于问题规模不一样, 算法的参
数选取也不尽相同.
传统蚁群算法的参数选取方法主要有: 经验选
择法、实验试凑法、正交试验设计法等. 经验选择要
求对所研究问题有很好的经验和十足的知识, 否则,
并不容易获得合适的参数. 实验试凑是通过大量的
数字仿真实验来获得较优的参数, 比较费时, 而且获
得的参数也不一定是最优的. 正交试验设计法的缺
点是计算量大, 并且没有全面考虑参数之间存在的
耦合性. 由于蚁群算法的参数选取可视为优化问题,
近年来, 陆续有学者采用遗传算法 (GA)
[7]
或粒子群优
化 (PSO)
[8]
等智能优化算法对蚁群算法的运行参数进
行迭代求解. 但该方法在进行蚁群算法参数优化选
择的同时, 又引入了诸如 GA 中的选择、交叉、变异概
收稿日期: 2010-08-18;修回日期: 2010-11-15.
基金项目: 国家自然科学基金项目(60804022, 60974050, 61072094);教育部新世纪优秀人才支持计划项目(NCET-08-
0836);霍英东教育基金会青年教师基金项目(121066);江苏省自然科学基金项目(BK2008126).
作者简介: 王雪松(1974−), 女, 教授, 从事机器学习、生物信息学方面的研究;潘杰(1986−), 男, 博士生, 从事知识迁移
学习的研究.
下载后可阅读完整内容,剩余5页未读,立即下载
weixin_38571878
- 粉丝: 5
- 资源: 935
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++多态实现机制详解:虚函数与早期绑定
- Java多线程与异常处理详解
- 校园导游系统:无向图实现最短路径探索
- SQL2005彻底删除指南:避免重装失败
- GTD时间管理法:提升效率与组织生活的关键
- Python进制转换全攻略:从10进制到16进制
- 商丘物流业区位优势探究:发展战略与机遇
- C语言实训:简单计算器程序设计
- Oracle SQL命令大全:用户管理、权限操作与查询
- Struts2配置详解与示例
- C#编程规范与最佳实践
- C语言面试常见问题解析
- 超声波测距技术详解:电路与程序设计
- 反激开关电源设计:UC3844与TL431优化稳压
- Cisco路由器配置全攻略
- SQLServer 2005 CTE递归教程:创建员工层级结构
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功