18、蚁群优化算法的增强研究

蚁群优化算法的增强研究

1. ADOCO算法优势

ADOCO算法具有以下显著优势：
- 梯度自适应调整有助于避免陷入局部最优，使收敛过程更智能。
- 利用参数的历史信息，降低了对超参数的依赖。
- 相较于经典蚁群算法（ACO），该算法更具鲁棒性和准确性。

2. 复杂度分析

ADOCO算法仅修改了信息素更新过程。通过对算法的分析可知，其时间复杂度为O(n²)，与经典ACO相同。在研究中，仅添加了几个数组来存储梯度（gt[n²]）、累积平方梯度（acc[n²]）和累积增量（d_acc[n²]），因此空间复杂度也得以维持。此外，由于该算法在并行环境中实现，额外的计算开销极小。

3. 性能评估

在一台配备Intel(R) Xeon(R) CPU E5 - 4607 v2 @ 2.60 GHz的PC上对ADACO算法进行了实验。该算法在作者开发的并行ACO平台上实现，平台使用C++和OpenCL编写。
- 实验设置
- 实验采用了TSPLIB库中的一组标准基准实例。实验中使用单精度浮点数表示信息素信息和城市距离。
- 关键参数配置如下表所示：
| 属性 | 符号 | 经典ACO | ADACO |
| ---- | ---- | ---- | ---- |
| 节点数 | n | N | N |
| 蚂蚁数 | m | N | N |
| 信息素因子 | α | 1 | 1 |
| 启发式因子 | β | 2 | 2 |
| RMS衰减 | γ | N.A | 0.95 | <