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。
作者
赵卢月
董玉民
江彤
ZHAO Lu-yue;DONG Yu-min;JIANG Tong
出处
《信息技术与信息化》
2019年第12期112-115,共4页
Information Technology and Informatization
基金
国家自然科学基金(61772295)
