信息素驱动的自适应连续域混合蚁群算法提升优化性能

本文主要探讨了"基于信息素的自适应连续域混合蚁群算法"（QAHACO），这是一项针对计算机工程与应用领域内的优化问题的研究。论文起源于1992年Dorigo提出的蚁群算法（Ant System），这一灵感来源于蚂蚁觅食的行为，它在求解复杂问题时展现出独特的启发式优化能力。然而，标准的连续域混合蚁群算法（HACO）存在易于陷入局部最优解和收敛速度较慢的问题。 为了解决这些问题，作者提出了一种创新的解决方案。首先，他们设计了一种新的解更新策略，即让档案中的解随着时间自动挥发信息素，这类似于蚂蚁留下信息素引导后续蚂蚁寻找食物源，从而扩展了搜索空间，增强了算法的全局搜索性能。这种方法能够动态调整信息素的挥发速率，实现了收敛速度和精度之间的平衡。 其次，作者引入了一种信息分享机制，结合当前解与其他所有解的平均距离以及当前解与至今最佳解的距离，这种机制旨在加快算法的收敛速度，促进算法在全球最优解的搜索上取得更快的进步。这种信息共享策略有助于避免算法过于集中在局部区域，从而减少陷入局部最优的可能性。 实验部分通过在一系列测试函数上进行仿真实验，结果显示，与连续域蚁群算法及其改进版本相比，基于信息素的自适应连续域混合蚁群算法QAHACO在寻优能力上有显著提升，同时在寻优速度上也显示出一定的优势。这对于优化计算密集型任务和解决复杂的优化问题具有实际应用价值。 这篇论文不仅深化了对混合蚁群算法的理解，还提供了一种有效的改进策略，为处理连续域优化问题提供了新的思路和技术手段，对于计算机工程与应用领域的优化算法研究具有重要的理论贡献。