蚁群优化算法的动态冲击方法
神经与进化计算
2020-02-12 v1
摘要
本文提出一种称为动态冲击(Dynamic Impact)的蚁群优化(Ant Colony Optimization, ACO)算法扩展方法。动态冲击旨在解决优化解各部分之间资源消耗与适应度存在非线性关系的具有挑战性的优化问题。所提方法针对复杂的现实世界微芯片制造厂生产车间优化(Microchip Manufacturing Plant Production Floor Optimization, MMPPFO)问题以及理论基准多维背包问题(Multi-Dimensional Knapsack problem, MKP)进行了测试。由于解适应度值依赖于晶圆批次集合且不对任何单个晶圆批次赋予优先级,MMPPFO是一个非平凡的优化问题。在单目标优化中使用动态冲击使适应度值提升了33.2%。此外,在观察到高度解稀疏性的小规模MKP基准实例上达到了100%成功率,大规模实例的平均差距改善了4.26倍。算法实现在小型与大型数据集及稀疏优化问题上均展现出优越性能。
引用
@article{arxiv.2002.04099,
title = {Dynamic Impact for Ant Colony Optimization algorithm},
author = {Jonas Skackauskas and Tatiana Kalganova and Ian Dear and Mani Janakram},
journal= {arXiv preprint arXiv:2002.04099},
year = {2020}
}
备注
14 pages, 5 tables, 3 figures