周克良，龚达欣，张宇龙

江西理工大学 电气工程与自动化学院，江西 赣州 341000

1 引言

在众多智能优化算法中，蚁群算法是最成功的算法之一[1]。该算法最先由意大利学者Dorigo于20世纪90年代初提出，首先用于求解著名的旅行商问题（Traveling Salesman Problem，TSP）并取得很好的效果[2]。Dorigo等学者对其的通用性和适用性进一步优化，并对此类框架的算法称为蚁群算法（Ant Colony Optimization，ACO）[3]。蚁群算法具有较强的全局搜索能力、潜在的并行性、自学习能力、易于实现和较强的鲁棒性等特点，被广泛应用于旅行商[4]、多维背包[5]、车辆调度[6]、图像处理[7]和多目标组合优化[8]等问题。但是，基本蚁群算法也存在着缺点，如算法收敛速度慢、收敛精度低等。

针对基本蚁群算法的不足，国内外学者主要在信息素的释放和更新、路径选择和优化、参数的选择和计算效率等方面进行改进。文献[9]提出的方向素协调的蚁群算法，在信息素的释放和更新以及路径的选择方面进行优化，在提升收敛速度的同时增强了全局搜索能力。文献[10]提出面向对象的多角色蚁群算法，利用k-means聚类和TSP的空间信息将城市分类提高收敛速度，并利用精英策略与2-Opt对信息素和路径进行更新优化，提高了蚁群算法收敛精度和鲁棒性。文献[11]提出启发式动态信息素更新策略的蚁群算法，随迭代次数动态调整蚁群算法中的伪随机因子参数并改进信息素的更新规则，增加了解的多样性因此提高了收敛精度。文献[12]提出基于蚁群优化的并行协作混合算法，使用3-Opt算子进行路径优化以避免算法收敛陷入局部最优解从而提高算法收敛精度，并通过并行协作的方式对多个菌落并行计算提升收敛速度。……