6、蚁群算法优化及视觉 - 大脑假说的应用研究

蚁群算法优化及视觉 - 大脑假说的应用研究

1. SPB - ACO 算法实验测试

在蚁群进化过程中，通过统计交叉蚂蚁的数量可以得到具有规律性的子路径。无论基数 r 的值如何变化，迭代最优路径或全局最优路径都不会完全包含 r 子路径，r 子路径也不能完全包含迭代最优路径或全局最优路径。这里将 r 子路径定义为 r - 最优子路径，并依据此规则提出了一种改进的蚁群算法。

在构建蚁群的过程中，尽管蚂蚁个体不同，但在多样性的个体解中总会存在一些相同的子路径。从蚁群的整体认知来看，蚂蚁穿越某个子路径的次数越多，该子路径在构建最佳完整路径的过程中就越重要。具体操作步骤如下：
1. 计算穿越子路径的蚂蚁数量，对这些子路径进行排序。
2. 参与动态排序过程，有助于探索子路径在整个蚁群进化中的作用。

1.1 SPB - ACO 与 ACS 的对比测试

ACS 系统的主要参数设置如下：
1. 使用最近邻搜索方法构建初始路径长度 l0。
2. 初始信息素 τ0 = 1 / (n×l0)。
3. 基于全局最优更新策略。

SPB - ACO 的参数设置为：α = 2，β = 1，ρ = 0.1，a = 2，蚂蚁数量 m = 20，q0 = 0.4，Q = 1 / Literbest，迭代次数为 500，且 τ0 与 ACS 相同。

测试进行 1000 次迭代，重复 20 次，使用标准 TSP 测试问题 eil76.tsp。结果显示，SPB - ACO 算法的最优解为 548.13，该算法能够收敛到相对最优值；而 ACS 获得的最佳值为 581。此外，经过 75 次迭代后，SPB - ACO