声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：51-1307/TP
国际刊号：1001-9081
发布日期:
作者：韦铭燕, 陈彧, 张亮
单位：武汉理工大学 理学院, 武汉 430070
关键词：混合变量优化问题,协同进化,分类变量,蚁群优化,随机启发式算法
基金：国家自然科学基金面上项目（61573012）；中央高校基本科研业务费专项（2020IB006）。
针对由连续变量和分类变量构成的混合变量优化问题（MVOP），采用协同进化策略来对混合变量决策空间进行搜索，提出了一种协同进化蚁群优化算法（CACOAMV）。CACOAMV分别采用连续和离散蚁群优化（ACO）策略生成连续和分类变量子种群，通过合作者来对连续和分类变量子向量进行评价，分别对连续和分类变量子种群进行更新来实现对混合变量决策空间的高效协同搜索。进一步地，利用信息素平滑机制增强对分类变量解空间的全局探索能力，并设计了一种面向协同进化框架的“最佳+随机合作者”的重启策略来提高协同搜索效率。与混合变量的蚁群（ACOMV）算法和种群规模线性变小的差分进化-蚁群混合变量优化算法（L-SHADEACO）的比较表明，CACOAMV能够进行更有效的局部开发，从而提高最终结果在目标空间中的近似精度；与基于集合的混合变量差分进化算法（DEMV）相比较，CACOAMV能够在决策空间中更好地逼近全局最优解，具有更好的全局探索能力。综上，采用协同进化机制的CACOAMV能有效保持全局探索和局部开发的平衡，从而具有更好的寻优性能。
来源：2021年第5期
《计算机应用》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。