论文摘要
蚁群优化算法(ant colony algorithm, ACO)是目前常见的模拟群体智能的一种经典优化仿生算法,在组合优化问题上具有广泛的应用。针对蚁群算法在求解最短路径问题时,算法求解过程中出现早熟收敛,搜索不到最优值,并且算法搜索效率有待增加的问题,本文提出了一种求解最短路径的量子蚁群算法(Quantum Ant Colony Algorithm, QACO)。算法使用Bloch球上的量子位重新定义了蚂蚁的位置,使用量子保真度代替原启发因子,最后采用局部以及全局更新两种方式进行信息素更新,从而加快收敛速度,增加最优解搜索概率。最后通过MATLAB仿真平台实验,本文将量子蚁群算法用于最短路径问题的求解,并且最后与传统的蚁群算法实验结果做出对比,对比实验结果表明,量子蚁群算法在求解最短路径问题中,比传统蚁群算法拥有更好的收敛性,算法搜索结果比蚁群算法更优。实验证明,量子蚁群算法改进了蚁群算法,提高了蚁群算法的收敛速度,并且搜索结果优于蚁群算法。
论文目录
文章来源
类型: 期刊论文
作者: 赵卢月,董玉民,江彤
关键词: 量子蚁群算法,蚁群算法优化,最短路径问题,保真度
来源: 信息技术与信息化 2019年12期
年度: 2019
分类: 信息科技
专业: 自动化技术
单位: 青岛理工大学信息与控制工程学院,重庆师范大学计算机与信息科学学院
基金: 国家自然科学基金(61772295)
分类号: TP18
页码: 112-115
总页数: 4
文件大小: 1644K
下载量: 338