連續(xù)域蟻群算法的改進(jìn)研究及在參數(shù)估計(jì)中的應(yīng)用.pdf

1、蟻群算法是在20世紀(jì)90年代早期提出的一種群智能隨機(jī)優(yōu)化算法，其優(yōu)越的分布式搜索模式在組合優(yōu)化問(wèn)題的求解中取得了成功，引起了許多學(xué)者的極大關(guān)注。蟻群算法本質(zhì)上是離散的，在求解連續(xù)域優(yōu)化問(wèn)題時(shí)，往往存在收斂速度慢、易陷入局部最優(yōu)等缺點(diǎn)。如何對(duì)蟻群算法在連續(xù)空間的尋優(yōu)方式進(jìn)行改進(jìn)，以提高其優(yōu)化性能，這正是本文研究的主要內(nèi)容。
　　 在分析總結(jié)了用于連續(xù)域優(yōu)化的蟻群算法的基礎(chǔ)上，對(duì)螞蟻構(gòu)建解的過(guò)程和在保持種群多樣性上進(jìn)行了改進(jìn)，提出了

2、一種新的含維變異算子的連續(xù)域改進(jìn)蟻群算法(DMCACO)。該算法采用動(dòng)態(tài)隨機(jī)抽取策略來(lái)確定目標(biāo)個(gè)體，引導(dǎo)蟻群進(jìn)行全局的快速搜索；當(dāng)前最優(yōu)螞蟻在鄰域內(nèi)以模式探測(cè)的方式進(jìn)行小步長(zhǎng)的局部精細(xì)搜索。同時(shí)，引入了不同于傳統(tǒng)變異方式的維變異算子，且變異保持的策略使變異可以更為充分和均勻。對(duì)測(cè)試函數(shù)的仿真結(jié)果表明，該算法具有較好的優(yōu)化性能。
　　 接著，結(jié)合改進(jìn)的約束處理機(jī)制，將本文提出的連續(xù)域蟻群算法擴(kuò)展到用于求解約束優(yōu)化問(wèn)題。通過(guò)引入目標(biāo)

3、滿意度函數(shù)和懲罰滿意度函數(shù)的概念，構(gòu)建了基于懲罰函數(shù)法的新的適應(yīng)度函數(shù)，其中的系數(shù)隨種群的可行解比例動(dòng)態(tài)自適應(yīng)變化，不會(huì)過(guò)大或過(guò)小。另外，采取了當(dāng)前最優(yōu)不可行解向最優(yōu)可行解轉(zhuǎn)移的搜索策略，有效利用了約束邊界附近不可解的信息。然后通過(guò)13個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)驗(yàn)證了算法的有效性。
　　 最后，將改進(jìn)的連續(xù)域蟻群算法用于求解多元線性回歸模型和非線性Logistic回歸模型的參數(shù)估計(jì)問(wèn)題。通過(guò)算例仿真結(jié)果可知，本文所提算法為求解回歸模型的參數(shù)