| 682 | 9 | 54 |
| 下载次数 | 被引频次 | 阅读次数 |
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。
Abstract：[1] Dorigo M,Maniezzo V,Colornl A.Ant system Optimization by a colony of cooperating agents[J]. IEEE Transaction on System,Man,and Cybernetics,1996,26(1):29-41.
[2]董影影,张迎新.改进的量子蚁群算法在120急救指挥系统中应用[J].重庆工商大学学报(自然科学版),2015, 32(06):65-69.
[3]陈雄,赵一路,韩建达.一种改进的机器人路径规划的蚁群算法[J].控制理论与应用,2010,27(6):821-825. 2009, 21(11):3325-3329.
[4]陈雄,袁杨.一种机器人路径规划的蚁群算法[J].系统工程与电子技术,2008,30(5):952-955.
[5] Shor P W.Algorithms for quantum computation:Discrete logarithms and factoring[Cl//Proc of the 35th Annual Symp on Foundations of Computer Science,New York,USA:IEEE Computer Society Press,1994:124-134.
[6] Grover L K.A fast quantum mechanical algorithm for database search[C]//Proc of the 28th annual ACM Symp on Theory of Computing,New York,USA:ACM Press,1996:212 219.
[7]李盼池,宋考平,杨二龙.基于相位编码的量子蚁群算法[J].系统工程理论与实践,2011,31(08):1565-1570.
[8]赵莉,董玉民.新型改进量子蚁群算法及其TSP应用[J].电脑知识与技术,2017,13(35):214-216.
[9]白景波,李宏伟,陈亮,等.双链量子蚁群系统及应用[J].计算机工程与应用,2018,54(21):1-6+70.
[10] Liao Q,Guo Y,Tu Y,et al.Fidelity-Based Ant Colony Algorithm with Q-learning of Quantum System[J].International Journal of Theoretical Physics,2018,57(3):862-876.
基本信息:
中图分类号:TP18
引用信息:
[1]赵卢月,董玉民,江彤.基于量子蚁群优化算法的最短路径问题求解[J].信息技术与信息化,2019,No.237(12):112-115.
基金信息:
国家自然科学基金(61772295)
2019-12-25
2019-12-25