面向连续函数优化的蚁群优化算法：性能分析
神经与进化计算
2017-07-07 v1
摘要
元启发式算法的性能常取决于其参数设置。对底层参数的适当调优可大幅改善元启发式的性能。蚁群优化（ACO）作为一种受蚂蚁觅食行为启发的基于种群的元启发式算法，亦不例外。从根本上讲，ACO 依赖于新解的构建，即利用从解档案中选定变量的高斯采样，以逐变量方式构建新解。针对 ACO 的底层参数（如选择策略、距离度量指标以及信息素蒸发率）的综合性能分析表明，轮盘赌选择策略因其能在解选择中提供非均匀性与充分多样性，从而提升了 ACO 的性能。另一方面，平方欧氏距离度量指标相较于其他距离度量指标具有更优性能。分析观察到 ACO 对蒸发率敏感。经典 ACO 与其他元启发式之间的实验分析表明，调优良好的 ACO 性能超越其对应算法。
引用
@article{arxiv.1707.01812,
title = {ACO for Continuous Function Optimization: A Performance Analysis},
author = {Varun Kumar Ojha and Ajith Abraham and Vaclav Snasel},
journal= {arXiv preprint arXiv:1707.01812},
year = {2017}
}