目录
- 1.摘要
- 2.连续蚁群优化算法ACOR
- 3.随机跟随策略
- 4.结果展示
- 5.参考文献
- 6.代码获取
- 7.算法辅导·应用定制·读者交流
1.摘要
连续蚁群优化是一种基于群体的启发式搜索算法（ACOR），其灵感来源于蚁群的路径寻找行为，具有结构简单、控制参数少的特点。然而，在面对多峰和高维优化问题时，该算法常常受限于可行域空间中的局部区域，这对找到最优解点所需的计算效率产生了负面影响。为了缓解这一局限性，本文提出了一种随机跟随策略，用来增强蚁群搜索代理与其他蚁群成员在搜索维度内的交流能力，结合该策略所提出的算法被称为随机跟随蚁群优化算法（RFACO）。
2.连续蚁群优化算法ACOR
2008年EJOR SCI2区，连续蚁群优化算法ACOR，深度解析+性能实测
3.随机跟随策略
ACOR在图像分割、工程优化和数据聚类等连续空间问题中表现出良好的性能。然而算法在处理复杂问题时存在两大缺陷：一是收敛速度较慢，二是容易陷入局部最优，尤其在面对多峰、复合及组合类函数时更为明显。为克服这些问题，本文借鉴CS的维度变异思想和SSA的贪婪选择机制，提出了一种随机跟随策略，并将其嵌入到 ACOR 算法中，该策略通过引入搜索代理在特定维度上的扰动与筛选操作，显著提升了算法的全局搜索能力与收敛速度。
V
j
=
{
s
ˉ
i
j
+
c
1
⋅
(
l
b
+
c
2
⋅
(
u
b
−
l
b
)
)
,
j
≤
k
and
r
a
n
d
>
0.5
s
ˉ
i
j
−
c
1
⋅
(
l
b
+
c
2
⋅
(
u
b
−
l
b
)
)
,
j
≤
k
and
r
a
n
d
≤
0.5
(
T
e
m
p
+
s
ˉ
i
j
)
/
2
,
otherwise
V_j = \begin{cases} \bar{s}_i^j + c_1 \cdot \left( lb + c_2 \cdot (ub - lb) \right), & j \leq k \text{ and } rand > 0.5 \\ \bar{s}_i^j - c_1 \cdot \left( lb + c_2 \cdot (ub - lb) \right), & j \leq k \text{ and } rand \leq 0.5 \\ \left( Temp + \bar{s}_i^j \right) / 2, & \text{otherwise} \end{cases}
Vj=⎩
⎨
⎧sˉij+c1⋅(lb+c2⋅(ub−lb)),sˉij−c1⋅(lb+c2⋅(ub−lb)),(Temp+sˉij)/2,j≤k and rand>0.5j≤k and rand≤0.5otherwise
自适应阶跃控制参数
c
1
c_1
c1定义为：
c
1
=
2
×
e
−
(
4
⋅
f
e
s
M
a
x
f
e
s
)
2
c_1=2\times e^{-\left(\frac{4\cdot fes}{Max_{fes}}\right)^2}
c1=2×e−(Maxfes4⋅fes)2
4.结果展示
5.参考文献
[1] Zhou X, Gui W, Heidari A A, et al. Random following ant colony optimization: Continuous and binary variants for global optimization and feature selection[J]. Applied Soft Computing, 2023, 144: 110513.
![[特殊字符] 深入理解 Linux 内核进程管理：架构、核心函数与调度机制](https://i-blog.csdnimg.cn/direct/5a1d6f8c5cba4467ad891a42ad177176.png)
![[AI绘画]sd学习记录(二)文生图参数进阶](https://i-blog.csdnimg.cn/img_convert/15061a8f446d09b56ab8ba527d98e766.png)
