蚁群算法研究与应用的新进展

计算机工程与科学

蚁群算法研究与应用的新进展

覃远年，梁仲华

（桂林电子科技大学信息与通信学院,广西桂林 541004）

收稿日期:2017-11-16 修回日期:2018-01-11 出版日期:2019-01-25 发布日期:2019-01-25
基金资助:
国家自然科学基金（61261035）

New progress of the ant colony algorithm

in research and applications

#br#

QIN Yuannian，LIANG Zhonghua

（School of Information and Communication,Guilin University of Electronic Technology,Guilin 541004,China）

Received:2017-11-16 Revised:2018-01-11 Online:2019-01-25 Published:2019-01-25

摘要/Abstract

摘要：

蚁群算法是一种源于大自然生物界的仿生进化算法，具有自组织性、正反馈性、较强的鲁棒性和分布式计算等特性，且易于与其它算法相结合，在众多的复杂组合优化领域中有着广阔的应用前景。首先对蚁群算法的理论及其重要参数进行了阐述，继而分析了其在参数优化和智能融合方面的改进与应用；然后对其在车间作业调度问题、车辆路径问题、图像处理、电力系统优化等领域的应用进展进行了综述；最后对其理论研究和应用领域可能存在的问题及对策进行了探讨和展望。

关键词: 蚁群算法, 复杂组合优化, 算法改进, 应用进展

Abstract:

The ant colony algorithm is a bionic evolutionary algorithm derived from the natural biological world. It has the characteristics of selforganization, positive feedback, strong robustness, and distributed computing, and it is easy to combine with other algorithms. it is therefore of great applied value in the complex combinatorial optimization field. We firstly introduce the theory of the ant colony algorithm and its important parameters. Then we analyze the improvement and applications in parameter optimization and intelligent fusion. Thirdly, we summarize the progress of applications in jobshop scheduling problem, vehicle routing problem, image processing and electric power system optimization. Finally, we discuss the potential problems in research work in theory and application domain, as well as some possible countermeasures.

Key words: ant colony algorithm, complex combinatorial optimization, algorithm improvement, application progress

覃远年，梁仲华. 蚁群算法研究与应用的新进展[J]. 计算机工程与科学.

QIN Yuannian，LIANG Zhonghua.

New progress of the ant colony algorithm

in research and applications

#br#

[J]. Computer Engineering & Science.

[1]	乔珍, 尹传忠, 仇鑫. 基于改进蚁群算法的长航程无人船路径规划[J]. 计算机工程与科学, 2024, 46(10): 1835-1842.
[2]	顾楚梅, 曹建军, 王保卫, 徐雨芯, . 基于蚁群参数优化的LightGBM辐射源个体识别[J]. 计算机工程与科学, 2023, 45(01): 85-94.
[3]	赵广元, 赵英. 基于改进蚁群优化算法的养殖场机器人路径规划[J]. 计算机工程与科学, 2022, 44(05): 910-915.
[4]	刘雨青, 向军, 曹守启. 基于改进蚁群算法的水下自主航行机器人路径规划[J]. 计算机工程与科学, 2022, 44(03): 536-544.
[5]	胡平志, 李泽滔. 基于改进蚁群算法的四足机器人步态规划[J]. 计算机工程与科学, 2021, 43(12): 2253-2262.
[6]	宋阿妮, 包贤哲. 精英扩散蚁群优化算法求解运输无人机三维路径规划[J]. 计算机工程与科学, 2021, 43(10): 1891-1900.
[7]	马贵平, 潘峰. 基于改进蚁群算法的物流运输路径研究[J]. 计算机工程与科学, 2020, 42(03): 523-528.
[8]	曹新亮, 王智文, 冯晶, 查敏, 王宇航. 基于改进蚁群算法的机器人全局路径规划研究[J]. 计算机工程与科学, 2020, 42(03): 564-570.
[9]	张卫祥，齐玉华，魏波，张敏，窦朝晖. 基于蚁群算法的测试用例优先排序[J]. 计算机工程与科学, 2020, 42(02): 241-249.
[10]	喻小惠1，张晶1,2，陶涛3，龚力波4，黄云明1，傅铁威1. 基于蚁群策略的无线传感器网络能耗均衡分簇算法[J]. 计算机工程与科学, 2019, 41(07): 1197-1202.
[11]	郑延斌1,2，王林林1，席鹏雪1，樊文鑫1，韩梦云1. 动态环境下改进蚁群算法的多Agent路径规划[J]. 计算机工程与科学, 2019, 41(06): 1078-1085.
[12]	吴尚智1，张文超2，佘志用1，张霞1，段超1. 利用蚁群优化算法的粗糙集属性约简方法[J]. 计算机工程与科学, 2019, 41(03): 538-544.
[13]	张立毅1，肖超2，费腾1. 基于细菌觅食的改进蚁群算法[J]. 计算机工程与科学, 2018, 40(10): 1882-1889.
[14]	李娟1，汤德佑1，傅娟2，3. 一种基于蚁群算法的生物序列并行比对方法[J]. 计算机工程与科学, 2017, 39(09): 1610-1616.
[15]	张于贤，丁修坤，薛殿春，王晓婷. 求解旅行商问题的改进蚁群算法研究[J]. 计算机工程与科学, 2017, 39(08): 1576-1580.