随机子群蚁群算法改进：提升JSP优化效率与收敛速度

本文主要探讨了"引入随机子群的蚁群算法在JSP（作业车间调度问题）仿真实验中的应用与研究"。标准蚁群算法作为一种经典的优化算法，在解决复杂问题时，如作业车间调度问题，有时会面临早熟停滞的问题，即算法在早期就趋于局部最优解，导致搜索效率下降。为解决这个问题，作者在原有的蚁群算法基础上引入了随机子群的概念。 随机子群蚁群算法的核心创新在于增加了随机搜索的元素。在优化过程中，部分蚂蚁不再局限于常规的信息素轨迹，而是以一定的概率进行随机探索，这有助于打破局部最优的束缚，扩大搜索空间，防止算法过早陷入局部最优状态。这种随机行为使得算法具有更强的全局搜索能力，减少了早熟停滞的可能性。 在信息素更新策略方面，为了兼顾当前搜索结果和历史搜索经验，作者采用了信息素混合更新策略。这意味着不仅考虑当前找到的最佳路径，还结合其他蚂蚁的路径信息，这进一步增强了算法的整体性能。这样做的目的是保持对全局最优解的持续追求，而不仅仅是局部最优。 实验结果显示，通过将随机子群和混合信息素更新策略结合起来，该算法成功地抑制了早熟停滞，提高了算法的收敛速度。在典型作业车间调度问题的实例中，对比标准蚁群算法，随机子群蚁群算法显示出更好的性能，不仅避免了过早停滞，还能更快地找到全局最优解。 总结来说，这篇论文深入研究了如何通过引入随机子群和改进的信息素更新策略来提升蚁群优化算法在实际问题中的效果，尤其是在作业车间调度这类组合优化问题中的应用。这项工作对于改进和扩展蚁群算法的适用范围以及提高优化问题求解的效率具有重要的理论和实践意义。